报告到可行性模型：CAGR反算与单位归一)
简介面向汽车与工程机械行业研究、投资尽调及项目可行性分析人员的SxS(ROV)全地形车市场调研文档聚焦2022至2028年全球与中国市场走势可用于梳理行业格局、测算市场规模与撰写立项材料。正文约96页、含137张图表以产能、产量、销量、销售额与价格为主线给出2017至2021年历史数据及2022至2028年预测并拆解Polaris、BRP、John Deere、春风、环松工业等厂商的份额与竞争梯队。产品按小于400cc、400至800cc、大于800cc三类排量划分应用端区分工作与娱乐同时覆盖北美、中国、日本等重点地区的销量与收入结构产业链上下游、销售渠道及环保法规等政策动态亦有专章。包内为1个docx文件压缩包约142KB已有130人学习下载十章目录层次清晰便于按模块检索引用。1. 96 页 137 张图先看哪三张SxS(ROV)报告的正确打开顺序做全地形车的项目可行性分析最怕的不是没数据而是数据太多又互相打架。这份 96 页、137 张图表的 SxS(ROV) 市场报告我第一遍从头读到尾合上只记住两个数字第二遍换了个顺序先翻第 6、7 章的分类表把维度定死再回第 2 章核对规模序列最后拿第 3 章的厂商份额做压力测试。三处能对上后面的产业链调查才有底稿可用。它讲的是全球 77 亿美元2021走到 98 亿美元2028、年复合 3.5% 这条主线把排量三段、应用两分、区域三块拆成了可以直接取数的字段。适合三类人要给整车或零部件立项的、要给采购和投资做底稿的、要判断某个排量段值不值得进的。2. 拆骨架十章结构里只有六章能进数据模型一份行业报告最容易骗人的地方是它看起来每一页都有信息。实际拆下来十章里真正能落到参数上的只有六章剩下四章要么是口径说明要么是定性描述。先把结构分清再决定哪几张表值得花时间誊到自己的表里这一步省下来的时间比读得快更重要。2.1 分清描述章和数据章我习惯按「能不能提出字段」来切。第 1 章给的是产品定义和统计范围它决定了后面所有数字的边界——小于 400cc、400-800cc、大于 800cc 这三段怎么划工作和娱乐这两个应用怎么归这些口径一旦和你手上的产品线对不上后面全错。第 9 章讲驱动因素和风险是纯定性但它能转成情景参数比如原材料波动幅度、排放标准收紧的节奏这两类可以直接变成敏感性分析的输入。章节内容可提取字段是否进模型第 1 章产品定义、统计范围、分类口径排量三段、应用两分是维度表第 2 章全球与国内供需、产能、销量、销售额、价格2017-2028 时间序列是主干数据第 3 章厂商竞争产能、销量、收入、份额、集中度厂商级份额是竞争假设第 4 章北美、国内、日本三个区域的销量与收入区域拆分是区域假设第 5 章十余家厂商逐个的产品、型号、价格、毛利产品线与价格带部分做对标第 6 章按排量段的销量、收入、价格细分结构是产品组合第 7 章按应用的销量、收入、价格需求结构是场景假设第 8 章产业链上下游、销售渠道环节清单是成本结构第 9 章行业动态、驱动因素、风险定性清单转情景参数第 10、11 章结论、研究方法、数据来源口径说明只读一遍第 11 章很多人直接跳过我建议反过来先看它。研究方法里会写明数据是二手公开资料还是访谈得来样本覆盖多少家厂商。二手数据为主的报告厂商级销量的误差通常在个位数百分比拿来做趋势判断够用但如果它的一手访谈只覆盖了少数几家那第 5 章的毛利率就别拿去当基准只能当方向参考。2.2 三类骨架表规模、份额、价格137 张图里真正带新信息的大概不到二十张其余是同一组数据的不同切面——按地区切一遍、按年份切一遍、按厂商再切一遍。判断方法很土但有效看图表标题里的维度词是不是重复出现重复的就是切片跳过。真正决定结论的是三类表。第一类是规模表第 2 章的全球销售额、销量、价格三条曲线注意销售额和销量的走势不一定同向价格下行时销量可能还在涨。第二类是份额表第 3 章的厂商级销量、收入、产能三套份额这三套数字经常不一致因为口径不同。第三类是价格表第 6、7 章按排量段和应用拆开的价格带它决定了你的产品定在哪一档。先看第 6、7 章的理由是这两张表决定了你后面所有的分母。排量段和应用这两个维度一交叉就是六个格子每个格子的市场规模、增速、价格水平都不一样。你如果拿全球 77 亿美元当自己的可及市场立项书上的数字会漂亮得离谱评审时一问就露馅。2.3 把表格拉平成一张主数据表从 docx 里复制表格出来是脏活但不是难活。我一般先把第 2、4、6、7 章的表格分别复制成 csv再统一做单位归一和枚举清洗最后拼成一张长表。单位是最容易翻车的地方报告里销售额用亿美元单台价格用美元产能用辆或台混在一张表里算加权平均必然出错。import pandas as pd # 从 docx 里复制出来的规模表先存成 csv df pd.read_csv(sxs_market_size.csv, encodingutf-8-sig) # 1) 列名去空格、转小写避免中英文混排列名不一致 df.columns [c.strip().lower().replace( , _) for c in df.columns] # 2) 单位统一折算成百万美元作为后续所有模型的基准单位 unit_map {亿美元: 100.0, 百万美元: 1.0, 十亿美元: 1000.0} df[value_musd] df[value] * df[unit].map(unit_map) # 3) 年份转整型区域去后缀防止北美和北美地区当成两个地区 df[year] df[year].astype(int) df[region] df[region].str.replace(地区, , regexFalse).str.strip() print(df[region].unique()) # 4) 透视成 年份 x 区域 的宽表直接喂给后面的情景模型 pivot df[df[metric] 销售额].pivot_table( indexyear, columnsregion, valuesvalue_musd, aggfuncsum ) pivot.to_csv(sxs_size_clean.csv, encodingutf-8-sig)这段脚本做四件事列名规范化、单位归一、枚举清洗、透视成宽表。unit_map这个映射表是可以改的如果报告里出现「万台」这类计量单位要单独拆成销量表处理不要和金额混在一列。aggfuncsum只在同一指标可能被拆成多行时才有意义如果已经是唯一值换成first更安全。失败时先看三处encoding是不是 utf-8-sig带 BOM 的中文 csv 不加这个会读出乱码列名value列里有没有千分位逗号或括号表示的负数有就先用str.replace清掉再转floatregion的取值打印出来是不是只有三四个如果冒出五六个说明原文里有「全球」「其他」这类汇总行要单独剔出去否则求和会翻倍。提示这份报告里国内市场规模给的是「百万美元」和「%」这样的占位表述没有实际数字。第 4.3 节会讲这种留白怎么补不要直接把它当零处理。3. 交叉验证77 亿美元到 98 亿美元这条线要自己算一遍报告给的结论性数字我从来不当成事实用先自己反算一遍。反算不是为了挑错是为了搞清楚它的口径——是名义美元还是实际美元、基数是哪一年、区间是几年。这三件事搞清楚了你才知道自己填进去的假设有没有和它打架。3.1 用两端数字反算 CAGR从 2021 年的 77 亿美元到 2028 年的 98 亿美元中间是 7 年。报告写 3.5%我按 7 年算一遍看能不能对上。def cagr(begin, end, years): 复合年均增长率begin/end 单位一致即可years 是区间年数不是年数差 return (end / begin) ** (1 / years) - 1 print(round(cagr(7700, 9800, 7) * 100, 2)) # 7 年口径单位百万美元 print(round(cagr(7700, 9800, 6) * 100, 2)) # 6 年口径用来对比口径差异两个结果分别是 3.50% 和 4.10%。同一组首尾数字年数差一年增长率差 0.6 个百分点。这就是为什么我坚持自己算报告里写「2022-2028」的 CAGR但基数是 2021 年的实际值如果你按 6 年去理解做出来的 2028 年预测会偏高六七个点放到五年期的产能规划里就是一条新建产线的差别。再补一步反向验证假设 2022 年是 7972 百万美元按 3.5% 走六年到 2028 年正好是 9800。这说明报告用的是「2021 为基期、2022 为第一个预测年」的标准算法没有暗改基数。这类验证花不了两分钟但能让你后面所有基于 3.5% 的推演站得住。注意这里的 77 和 98 都是名义美元口径没有扣通胀。做长周期投资测算时如果同期美元通胀在 2% 上下实际增速会接近 1.5%这个差别在折现模型里会被放大最好在假设表里单独列一行说明。3.2 北美 88% 这个集中度能推出三条落地结论报告里北美占约 88%亚太和欧洲合计接近 9%。这个结构对做产品的人意味着什么得掰开说。第一条产品定义要按北美的使用场景写。那边的典型场景是农场地块之间转场、林道、牧场巡护所以对货斗容积、拖拽能力、差速锁、上下车便利性的权重远高于极限越野性能。你在国内按山地越野的思路定义产品参数表看着漂亮拿到那个市场去对不上需求。第二条立项书里的可及市场不能写全球 77 亿美元。合理写法是把区域拆开北美那 88% 里再按排量段和应用切一遍减掉头部三家牢牢占住的高端娱乐段剩下的才是新进入者能碰的部分。这个数字通常只有全球盘子的个位数百分比写出来不好看但它是真的。第三条渠道比价格更卡脖子。北美这块市场的销售高度依赖经销商网络和农机渠道新品牌进去要么买渠道要么被渠道挑。产业链调查里如果只查了上游零部件成本没查渠道的进入成本可行性分析就是半截的。集中度高不代表没增量。前三家合计超过 59%剩下四十多个点分散在十余家厂商手里说明中低排量段和作业用途这两块集中度明显低于高端娱乐段。新进入者真正能咬下来的往往就是这两块里被头部厂商战略性放弃的型号。3.3 排量三段乘应用两分六格矩阵怎么用把第 6 章和第 7 章交叉得到六个格子。这张表是我做产品组合决策时用得最多的一张因为它同时回答了「做多大排量」和「卖给谁」。排量段工作用途娱乐用途小于 400cc小面积农园、园区巡检单价敏感走量型入门体验、租赁场景换代快价格战最凶400-800cc主力作业段看重可靠性和拖拽认证门槛中等增长最快的一段配置差异大溢价空间在这大于 800cc重载、专业作业量小但单价和毛利高高性能段被头部品牌把持新进入者难用法是先按自己的能力圈选定一个格子再看这个格子在全球盘子里的占比和增速最后用第 5 章的厂商产品线做对标看这个格子里现有玩家是谁、价格带在哪。六个格子不需要都做但六个格子的数都要算出来因为你要证明自己选的那一格是主动选择不是没得选。小于 400cc 这一段最容易让人误判。它单价低、量大看着好进实际是价格战最激烈的区域而且用户对售后网络的敏感度极高——车便宜修不起就没复购。400-800cc 的工作用途那一段反而是被低估的因为它的需求稳定、认证周期长一旦进去壁垒也高。4. 产业链调查落地从报告第 8 章到自己的一页纸可行性模型第 8 章给的是产业链的骨架上游、整车、渠道三段加一段销售渠道分析。骨架有了血肉得自己填。这一步是把「读过报告」变成「做过调查」的分水岭也是项目可行性分析里最费时间、最容易偷懒的部分。4.1 三段拆解报告有什么、你还缺什么我一般按这张表往下推左列是报告能给的右列是必须自己补的一手信息。报告只能告诉你环节有哪些、大致占比多少具体到某类零部件的交期、某类渠道的账期它给不了也不该指望它给。环节报告能给的线索需要自己补的一手信息上游零部件发动机、传动、车架、悬挂、电控等环节清单各类件的国产化率、交期、最小起订量、二供情况整车制造主要厂商产能、产量、产地分布代工报价区间、产线切换成本、认证周期渠道经销商、农机渠道、租赁与景区运营三类进入费用、账期、退换货政策、区域保护条款终端用户工作与娱乐两类需求划分单台年使用小时、替换周期、复购驱动因素访谈对象也要按这张表来配不要一股脑全找整车厂。上游找两类做发动机电控的、做结构件的问交期和批量门槛渠道找两类综合经销商和专做作业场景的问账期和退换货。每类两三家信息就能交叉验证了。问的时候不要问「你们觉得市场怎么样」要问「去年哪类型号返修最多」「最小起订量多少台起谈」能落到数字的问题才有用。4.2 一页纸模型把报告数字换成自己的假设可行性分析不需要几百行的财务模型一页纸够了。核心就三个乘法可及市场乘以目标份额再乘以单价得到收入收入乘以毛利率得到毛利毛利减掉渠道费用和认证摊销才是这个项目能留下的东西。import pandas as pd # 基准参数全部来自报告 自己的调研修正 base { global_2021: 7700, # 百万美元报告第 2 章 cagr: 0.035, # 报告口径2021 基数、7 年 na_share: 0.88, # 北美占全球比例 seg_share: 0.12, # 你选的排量段 x 应用格子在北美的占比自估 reachable: 0.35, # 该格子里你能触达、且头部未锁死的比例自估 target_share: 0.03, # 三年内目标份额自估保守 asp: 9500, # 单台均价美元按第 6 章价格带取中位 } year_n 5 # 第五年 market base[global_2021] * (1 base[cagr]) ** year_n tam market * base[na_share] * base[seg_share] sam tam * base[reachable] revenue_musd sam * base[target_share] units revenue_musd * 1_000_000 / base[asp] print(f第{year_n}年该格子规模: {tam:,.0f} 百万美元) print(f可服务市场: {sam:,.0f} 百万美元) print(f目标收入: {revenue_musd:,.1f} 百万美元对应台数: {units:,.0f})这段脚本的关键不在计算在参数。seg_share和reachable是自估的也是最容易被评审追问的两个数所以要用第 6、7 章的结构比例做锚再拿第 5 章的厂商产品线做反证——如果这个格子里已经有三家在做且价格带压得很低reachable就该往下调。asp取中位而不是均价因为均价会被高端型号拉高。跑完之后一定要做一次量纲检查台数算出来是不是落在这个细分市场的合理区间内如果算出来几千台而全球这个格子一年只有几百台说明某个比例填错了。我见过最典型的一次翻车是把北美占比和全球规模相乘之后又乘了一遍区域占比数字直接缩水到十分之一做出来的产能规划连一条线都填不满。4.3 报告留白怎么补国内那两处空缺第 1 章里国内市场规模写的是「百万美元」、占比写的是「%」这是模板化报告的常见现象——全球和北美数据是现成的国内部分还没填。遇到这种情况不要当成零也不要随便编一个数用三种方法交叉估。第一种用亚太区域的整体规模乘以国内在亚太的历史占比这个占比可以从第 4 章的销量序列里反推。第二种用国内主要厂商的出口量加内销量出口数据公开渠道能查到内销按产能利用率倒推。第三种用下游应用反推比如作业用途里农业和林业的保有量乘以替换周期。三种方法算出来的数如果有两倍以上的差距说明这个市场本身就不透明此时正确做法是在假设表里写区间而不是点值并在结论里注明「该数据为估算误差区间正负多少」。评审不怕你估怕你把估的说成实的。5. 避坑这份报告最容易翻车的 5 个地方这份报告我用下来问题不在质量在用法。同一份材料有人读出可执行的结论有人读出一堆漂亮但互相矛盾的数字差别基本都在这几个坑上。5.1 数据口径类三条现象一同一张表里加总得出的全球规模比正文写的多了三成。原因单位混用。销售额用亿美元、单台价格用美元、产能用台复制到一张表里没做归一就求和或者把「十亿」当成了「亿」。解决所有金额先折成同一基准单位我习惯用百万美元在表头单独加一列原始单位折算后立刻抽查两三个已知数字比如 2021 年全球是不是 7700 百万美元对不上就回头查映射表。现象二算出来的厂商份额和报告正文对不上差好几个点。原因份额有三种口径——销量份额、收入份额、产能份额报告不同章节用的不是同一种。第 3 章里厂商级销量份额和收入份额经常不一致因为单价差异大产能份额更是另一回事产能大不代表卖得掉。解决只选一种口径贯穿到底做竞争分析用收入份额做供给分析用产能份额两者不要混着比。现象三把 2022 年的数字当成实际值引用。原因报告的历史区间是 2017 至 20212022 至 2028 全是预测2022 那一列是估计值不是统计值。解决在表里给年份加一个「实际/预测」标记列凡是预测值在图表里都用虚线或浅色区分汇报时口头说明一句避免被当成既成事实。5.2 结论使用类两条现象四拿北美的 88% 直接套到国内得出国内也有类似的产品偏好。原因那 88% 反映的是渠道结构和使用场景不是产品定义。北美的高占比背后是成熟的经销商网络和大面积农场地块国内的使用场景、渠道成本、用户对价格的敏感度都不一样。解决区域数据只用来定市场规模和竞争格局产品定义必须回到第 1 章的应用分类和第 7 章的场景拆分上重新做一遍。现象五看到前三家占 59%就断定新进入者没机会。原因59% 是全局口径拆到排量段就不是这个数了。高端娱乐段集中度极高中低排量作业段的集中度明显低且头部厂商在这个段位的投入意愿不强。解决把集中度按排量段和应用重新算一遍找出集中度低且需求稳定的格子。全局集中度高往往正好说明细分市场里存在结构性空隙。这五个坑里前三个是技术性的改一遍脚本就能避开后两个是判断性的需要你在写结论之前多问一句「这个数字的边界在哪」。血泪经验是后两个坑造成的损失远大于前三个因为它们不会报错只会让你的立项书看起来很合理。6. 进阶用法把一次性报告改成季度监测表报告是死的市场是动的。我的习惯是拿到这类报告之后不把它当读物而是当基线抽出六个字段做一张季度刷新的监测表全球销售额、北美占比、前三家合计份额、目标排量段的价格中位数、目标应用的增速、渠道库存周转。每季度只更新这六个其他一概不看。更新的时候只填新值旧值留在表里做对比超过两个季度没变化就打个问号回头看是不是数据源出了问题。刷新频率上规模类指标半年一次就够价格和渠道库存要按季度因为这两项对订单的影响最直接。表的结构建议做成「字段 / 上期值 / 本期值 / 变动幅度 / 数据来源 / 口径是否变化」六列最后一列最容易被忽略但它能解释大部分异常波动——口径变了数字跳一下很正常不用紧张。进阶一点的做法是把点预测改成三档情景再配一张敏感性表。3.5% 这个数只是一个中枢把它拆成保守、基准、乐观三档看目标收入在各档下的分布比单点预测有用得多。base 7700 # 2021 年全球销售额百万美元 scenarios {保守: 0.02, 基准: 0.035, 乐观: 0.05} for name, g in scenarios.items(): v2028 base * (1 g) ** 7 print(f{name}情景 CAGR{g:.1%}2028 年规模{v2028:,.0f} 百万美元) # 敏感性目标份额 x 单价看收入落在哪个区间 for share in (0.02, 0.03, 0.05): for asp in (8000, 9500, 11000): rev base * (1.035 ** 5) * 0.88 * 0.12 * 0.35 * share print(f份额{share:.0%} 单价{asp} 美元 - 收入{rev:,.1f} 百万美元)三档跑出来的 2028 年规模大致落在 8800 到 10800 百万美元之间基准档正好是报告给的 9800。这个区间比单点更有说服力你可以说「即便按最保守的 2%五年后这个市场仍有八千多百万美元」也可以说「乐观档需要单价和份额同时成立概率不高」。敏感性那段用份额和单价两个维度做笛卡尔积跑出来九个数挑出最差和最好两个写进立项书的风险提示里评审一般会认这个态度。一个具体技巧每次更新监测表都把上一版的情景假设原样保留不要覆盖。一年之后回头看你会发现自己哪一档估得最准这个偏差率比任何模型都值钱——它决定了你下次该往保守调还是往乐观调。从那以后我每次拿到这类行业报告都强制先跑一遍 CAGR 反算和单位归一再动手写任何一个结论。省下来的返工时间远比多读二十页划算。希望帮到你。本文还有配套的精品资源点击获取
简介面向汽车与工程机械行业研究、投资尽调及项目可行性分析人员的SxS(ROV)全地形车市场调研文档聚焦2022至2028年全球与中国市场走势可用于梳理行业格局、测算市场规模与撰写立项材料。正文约96页、含137张图表以产能、产量、销量、销售额与价格为主线给出2017至2021年历史数据及2022至2028年预测并拆解Polaris、BRP、John Deere、春风、环松工业等厂商的份额与竞争梯队。产品按小于400cc、400至800cc、大于800cc三类排量划分应用端区分工作与娱乐同时覆盖北美、中国、日本等重点地区的销量与收入结构产业链上下游、销售渠道及环保法规等政策动态亦有专章。包内为1个docx文件压缩包约142KB已有130人学习下载十章目录层次清晰便于按模块检索引用。1. 96 页 137 张图先看哪三张SxS(ROV)报告的正确打开顺序做全地形车的项目可行性分析最怕的不是没数据而是数据太多又互相打架。这份 96 页、137 张图表的 SxS(ROV) 市场报告我第一遍从头读到尾合上只记住两个数字第二遍换了个顺序先翻第 6、7 章的分类表把维度定死再回第 2 章核对规模序列最后拿第 3 章的厂商份额做压力测试。三处能对上后面的产业链调查才有底稿可用。它讲的是全球 77 亿美元2021走到 98 亿美元2028、年复合 3.5% 这条主线把排量三段、应用两分、区域三块拆成了可以直接取数的字段。适合三类人要给整车或零部件立项的、要给采购和投资做底稿的、要判断某个排量段值不值得进的。2. 拆骨架十章结构里只有六章能进数据模型一份行业报告最容易骗人的地方是它看起来每一页都有信息。实际拆下来十章里真正能落到参数上的只有六章剩下四章要么是口径说明要么是定性描述。先把结构分清再决定哪几张表值得花时间誊到自己的表里这一步省下来的时间比读得快更重要。2.1 分清描述章和数据章我习惯按「能不能提出字段」来切。第 1 章给的是产品定义和统计范围它决定了后面所有数字的边界——小于 400cc、400-800cc、大于 800cc 这三段怎么划工作和娱乐这两个应用怎么归这些口径一旦和你手上的产品线对不上后面全错。第 9 章讲驱动因素和风险是纯定性但它能转成情景参数比如原材料波动幅度、排放标准收紧的节奏这两类可以直接变成敏感性分析的输入。章节内容可提取字段是否进模型第 1 章产品定义、统计范围、分类口径排量三段、应用两分是维度表第 2 章全球与国内供需、产能、销量、销售额、价格2017-2028 时间序列是主干数据第 3 章厂商竞争产能、销量、收入、份额、集中度厂商级份额是竞争假设第 4 章北美、国内、日本三个区域的销量与收入区域拆分是区域假设第 5 章十余家厂商逐个的产品、型号、价格、毛利产品线与价格带部分做对标第 6 章按排量段的销量、收入、价格细分结构是产品组合第 7 章按应用的销量、收入、价格需求结构是场景假设第 8 章产业链上下游、销售渠道环节清单是成本结构第 9 章行业动态、驱动因素、风险定性清单转情景参数第 10、11 章结论、研究方法、数据来源口径说明只读一遍第 11 章很多人直接跳过我建议反过来先看它。研究方法里会写明数据是二手公开资料还是访谈得来样本覆盖多少家厂商。二手数据为主的报告厂商级销量的误差通常在个位数百分比拿来做趋势判断够用但如果它的一手访谈只覆盖了少数几家那第 5 章的毛利率就别拿去当基准只能当方向参考。2.2 三类骨架表规模、份额、价格137 张图里真正带新信息的大概不到二十张其余是同一组数据的不同切面——按地区切一遍、按年份切一遍、按厂商再切一遍。判断方法很土但有效看图表标题里的维度词是不是重复出现重复的就是切片跳过。真正决定结论的是三类表。第一类是规模表第 2 章的全球销售额、销量、价格三条曲线注意销售额和销量的走势不一定同向价格下行时销量可能还在涨。第二类是份额表第 3 章的厂商级销量、收入、产能三套份额这三套数字经常不一致因为口径不同。第三类是价格表第 6、7 章按排量段和应用拆开的价格带它决定了你的产品定在哪一档。先看第 6、7 章的理由是这两张表决定了你后面所有的分母。排量段和应用这两个维度一交叉就是六个格子每个格子的市场规模、增速、价格水平都不一样。你如果拿全球 77 亿美元当自己的可及市场立项书上的数字会漂亮得离谱评审时一问就露馅。2.3 把表格拉平成一张主数据表从 docx 里复制表格出来是脏活但不是难活。我一般先把第 2、4、6、7 章的表格分别复制成 csv再统一做单位归一和枚举清洗最后拼成一张长表。单位是最容易翻车的地方报告里销售额用亿美元单台价格用美元产能用辆或台混在一张表里算加权平均必然出错。import pandas as pd # 从 docx 里复制出来的规模表先存成 csv df pd.read_csv(sxs_market_size.csv, encodingutf-8-sig) # 1) 列名去空格、转小写避免中英文混排列名不一致 df.columns [c.strip().lower().replace( , _) for c in df.columns] # 2) 单位统一折算成百万美元作为后续所有模型的基准单位 unit_map {亿美元: 100.0, 百万美元: 1.0, 十亿美元: 1000.0} df[value_musd] df[value] * df[unit].map(unit_map) # 3) 年份转整型区域去后缀防止北美和北美地区当成两个地区 df[year] df[year].astype(int) df[region] df[region].str.replace(地区, , regexFalse).str.strip() print(df[region].unique()) # 4) 透视成 年份 x 区域 的宽表直接喂给后面的情景模型 pivot df[df[metric] 销售额].pivot_table( indexyear, columnsregion, valuesvalue_musd, aggfuncsum ) pivot.to_csv(sxs_size_clean.csv, encodingutf-8-sig)这段脚本做四件事列名规范化、单位归一、枚举清洗、透视成宽表。unit_map这个映射表是可以改的如果报告里出现「万台」这类计量单位要单独拆成销量表处理不要和金额混在一列。aggfuncsum只在同一指标可能被拆成多行时才有意义如果已经是唯一值换成first更安全。失败时先看三处encoding是不是 utf-8-sig带 BOM 的中文 csv 不加这个会读出乱码列名value列里有没有千分位逗号或括号表示的负数有就先用str.replace清掉再转floatregion的取值打印出来是不是只有三四个如果冒出五六个说明原文里有「全球」「其他」这类汇总行要单独剔出去否则求和会翻倍。提示这份报告里国内市场规模给的是「百万美元」和「%」这样的占位表述没有实际数字。第 4.3 节会讲这种留白怎么补不要直接把它当零处理。3. 交叉验证77 亿美元到 98 亿美元这条线要自己算一遍报告给的结论性数字我从来不当成事实用先自己反算一遍。反算不是为了挑错是为了搞清楚它的口径——是名义美元还是实际美元、基数是哪一年、区间是几年。这三件事搞清楚了你才知道自己填进去的假设有没有和它打架。3.1 用两端数字反算 CAGR从 2021 年的 77 亿美元到 2028 年的 98 亿美元中间是 7 年。报告写 3.5%我按 7 年算一遍看能不能对上。def cagr(begin, end, years): 复合年均增长率begin/end 单位一致即可years 是区间年数不是年数差 return (end / begin) ** (1 / years) - 1 print(round(cagr(7700, 9800, 7) * 100, 2)) # 7 年口径单位百万美元 print(round(cagr(7700, 9800, 6) * 100, 2)) # 6 年口径用来对比口径差异两个结果分别是 3.50% 和 4.10%。同一组首尾数字年数差一年增长率差 0.6 个百分点。这就是为什么我坚持自己算报告里写「2022-2028」的 CAGR但基数是 2021 年的实际值如果你按 6 年去理解做出来的 2028 年预测会偏高六七个点放到五年期的产能规划里就是一条新建产线的差别。再补一步反向验证假设 2022 年是 7972 百万美元按 3.5% 走六年到 2028 年正好是 9800。这说明报告用的是「2021 为基期、2022 为第一个预测年」的标准算法没有暗改基数。这类验证花不了两分钟但能让你后面所有基于 3.5% 的推演站得住。注意这里的 77 和 98 都是名义美元口径没有扣通胀。做长周期投资测算时如果同期美元通胀在 2% 上下实际增速会接近 1.5%这个差别在折现模型里会被放大最好在假设表里单独列一行说明。3.2 北美 88% 这个集中度能推出三条落地结论报告里北美占约 88%亚太和欧洲合计接近 9%。这个结构对做产品的人意味着什么得掰开说。第一条产品定义要按北美的使用场景写。那边的典型场景是农场地块之间转场、林道、牧场巡护所以对货斗容积、拖拽能力、差速锁、上下车便利性的权重远高于极限越野性能。你在国内按山地越野的思路定义产品参数表看着漂亮拿到那个市场去对不上需求。第二条立项书里的可及市场不能写全球 77 亿美元。合理写法是把区域拆开北美那 88% 里再按排量段和应用切一遍减掉头部三家牢牢占住的高端娱乐段剩下的才是新进入者能碰的部分。这个数字通常只有全球盘子的个位数百分比写出来不好看但它是真的。第三条渠道比价格更卡脖子。北美这块市场的销售高度依赖经销商网络和农机渠道新品牌进去要么买渠道要么被渠道挑。产业链调查里如果只查了上游零部件成本没查渠道的进入成本可行性分析就是半截的。集中度高不代表没增量。前三家合计超过 59%剩下四十多个点分散在十余家厂商手里说明中低排量段和作业用途这两块集中度明显低于高端娱乐段。新进入者真正能咬下来的往往就是这两块里被头部厂商战略性放弃的型号。3.3 排量三段乘应用两分六格矩阵怎么用把第 6 章和第 7 章交叉得到六个格子。这张表是我做产品组合决策时用得最多的一张因为它同时回答了「做多大排量」和「卖给谁」。排量段工作用途娱乐用途小于 400cc小面积农园、园区巡检单价敏感走量型入门体验、租赁场景换代快价格战最凶400-800cc主力作业段看重可靠性和拖拽认证门槛中等增长最快的一段配置差异大溢价空间在这大于 800cc重载、专业作业量小但单价和毛利高高性能段被头部品牌把持新进入者难用法是先按自己的能力圈选定一个格子再看这个格子在全球盘子里的占比和增速最后用第 5 章的厂商产品线做对标看这个格子里现有玩家是谁、价格带在哪。六个格子不需要都做但六个格子的数都要算出来因为你要证明自己选的那一格是主动选择不是没得选。小于 400cc 这一段最容易让人误判。它单价低、量大看着好进实际是价格战最激烈的区域而且用户对售后网络的敏感度极高——车便宜修不起就没复购。400-800cc 的工作用途那一段反而是被低估的因为它的需求稳定、认证周期长一旦进去壁垒也高。4. 产业链调查落地从报告第 8 章到自己的一页纸可行性模型第 8 章给的是产业链的骨架上游、整车、渠道三段加一段销售渠道分析。骨架有了血肉得自己填。这一步是把「读过报告」变成「做过调查」的分水岭也是项目可行性分析里最费时间、最容易偷懒的部分。4.1 三段拆解报告有什么、你还缺什么我一般按这张表往下推左列是报告能给的右列是必须自己补的一手信息。报告只能告诉你环节有哪些、大致占比多少具体到某类零部件的交期、某类渠道的账期它给不了也不该指望它给。环节报告能给的线索需要自己补的一手信息上游零部件发动机、传动、车架、悬挂、电控等环节清单各类件的国产化率、交期、最小起订量、二供情况整车制造主要厂商产能、产量、产地分布代工报价区间、产线切换成本、认证周期渠道经销商、农机渠道、租赁与景区运营三类进入费用、账期、退换货政策、区域保护条款终端用户工作与娱乐两类需求划分单台年使用小时、替换周期、复购驱动因素访谈对象也要按这张表来配不要一股脑全找整车厂。上游找两类做发动机电控的、做结构件的问交期和批量门槛渠道找两类综合经销商和专做作业场景的问账期和退换货。每类两三家信息就能交叉验证了。问的时候不要问「你们觉得市场怎么样」要问「去年哪类型号返修最多」「最小起订量多少台起谈」能落到数字的问题才有用。4.2 一页纸模型把报告数字换成自己的假设可行性分析不需要几百行的财务模型一页纸够了。核心就三个乘法可及市场乘以目标份额再乘以单价得到收入收入乘以毛利率得到毛利毛利减掉渠道费用和认证摊销才是这个项目能留下的东西。import pandas as pd # 基准参数全部来自报告 自己的调研修正 base { global_2021: 7700, # 百万美元报告第 2 章 cagr: 0.035, # 报告口径2021 基数、7 年 na_share: 0.88, # 北美占全球比例 seg_share: 0.12, # 你选的排量段 x 应用格子在北美的占比自估 reachable: 0.35, # 该格子里你能触达、且头部未锁死的比例自估 target_share: 0.03, # 三年内目标份额自估保守 asp: 9500, # 单台均价美元按第 6 章价格带取中位 } year_n 5 # 第五年 market base[global_2021] * (1 base[cagr]) ** year_n tam market * base[na_share] * base[seg_share] sam tam * base[reachable] revenue_musd sam * base[target_share] units revenue_musd * 1_000_000 / base[asp] print(f第{year_n}年该格子规模: {tam:,.0f} 百万美元) print(f可服务市场: {sam:,.0f} 百万美元) print(f目标收入: {revenue_musd:,.1f} 百万美元对应台数: {units:,.0f})这段脚本的关键不在计算在参数。seg_share和reachable是自估的也是最容易被评审追问的两个数所以要用第 6、7 章的结构比例做锚再拿第 5 章的厂商产品线做反证——如果这个格子里已经有三家在做且价格带压得很低reachable就该往下调。asp取中位而不是均价因为均价会被高端型号拉高。跑完之后一定要做一次量纲检查台数算出来是不是落在这个细分市场的合理区间内如果算出来几千台而全球这个格子一年只有几百台说明某个比例填错了。我见过最典型的一次翻车是把北美占比和全球规模相乘之后又乘了一遍区域占比数字直接缩水到十分之一做出来的产能规划连一条线都填不满。4.3 报告留白怎么补国内那两处空缺第 1 章里国内市场规模写的是「百万美元」、占比写的是「%」这是模板化报告的常见现象——全球和北美数据是现成的国内部分还没填。遇到这种情况不要当成零也不要随便编一个数用三种方法交叉估。第一种用亚太区域的整体规模乘以国内在亚太的历史占比这个占比可以从第 4 章的销量序列里反推。第二种用国内主要厂商的出口量加内销量出口数据公开渠道能查到内销按产能利用率倒推。第三种用下游应用反推比如作业用途里农业和林业的保有量乘以替换周期。三种方法算出来的数如果有两倍以上的差距说明这个市场本身就不透明此时正确做法是在假设表里写区间而不是点值并在结论里注明「该数据为估算误差区间正负多少」。评审不怕你估怕你把估的说成实的。5. 避坑这份报告最容易翻车的 5 个地方这份报告我用下来问题不在质量在用法。同一份材料有人读出可执行的结论有人读出一堆漂亮但互相矛盾的数字差别基本都在这几个坑上。5.1 数据口径类三条现象一同一张表里加总得出的全球规模比正文写的多了三成。原因单位混用。销售额用亿美元、单台价格用美元、产能用台复制到一张表里没做归一就求和或者把「十亿」当成了「亿」。解决所有金额先折成同一基准单位我习惯用百万美元在表头单独加一列原始单位折算后立刻抽查两三个已知数字比如 2021 年全球是不是 7700 百万美元对不上就回头查映射表。现象二算出来的厂商份额和报告正文对不上差好几个点。原因份额有三种口径——销量份额、收入份额、产能份额报告不同章节用的不是同一种。第 3 章里厂商级销量份额和收入份额经常不一致因为单价差异大产能份额更是另一回事产能大不代表卖得掉。解决只选一种口径贯穿到底做竞争分析用收入份额做供给分析用产能份额两者不要混着比。现象三把 2022 年的数字当成实际值引用。原因报告的历史区间是 2017 至 20212022 至 2028 全是预测2022 那一列是估计值不是统计值。解决在表里给年份加一个「实际/预测」标记列凡是预测值在图表里都用虚线或浅色区分汇报时口头说明一句避免被当成既成事实。5.2 结论使用类两条现象四拿北美的 88% 直接套到国内得出国内也有类似的产品偏好。原因那 88% 反映的是渠道结构和使用场景不是产品定义。北美的高占比背后是成熟的经销商网络和大面积农场地块国内的使用场景、渠道成本、用户对价格的敏感度都不一样。解决区域数据只用来定市场规模和竞争格局产品定义必须回到第 1 章的应用分类和第 7 章的场景拆分上重新做一遍。现象五看到前三家占 59%就断定新进入者没机会。原因59% 是全局口径拆到排量段就不是这个数了。高端娱乐段集中度极高中低排量作业段的集中度明显低且头部厂商在这个段位的投入意愿不强。解决把集中度按排量段和应用重新算一遍找出集中度低且需求稳定的格子。全局集中度高往往正好说明细分市场里存在结构性空隙。这五个坑里前三个是技术性的改一遍脚本就能避开后两个是判断性的需要你在写结论之前多问一句「这个数字的边界在哪」。血泪经验是后两个坑造成的损失远大于前三个因为它们不会报错只会让你的立项书看起来很合理。6. 进阶用法把一次性报告改成季度监测表报告是死的市场是动的。我的习惯是拿到这类报告之后不把它当读物而是当基线抽出六个字段做一张季度刷新的监测表全球销售额、北美占比、前三家合计份额、目标排量段的价格中位数、目标应用的增速、渠道库存周转。每季度只更新这六个其他一概不看。更新的时候只填新值旧值留在表里做对比超过两个季度没变化就打个问号回头看是不是数据源出了问题。刷新频率上规模类指标半年一次就够价格和渠道库存要按季度因为这两项对订单的影响最直接。表的结构建议做成「字段 / 上期值 / 本期值 / 变动幅度 / 数据来源 / 口径是否变化」六列最后一列最容易被忽略但它能解释大部分异常波动——口径变了数字跳一下很正常不用紧张。进阶一点的做法是把点预测改成三档情景再配一张敏感性表。3.5% 这个数只是一个中枢把它拆成保守、基准、乐观三档看目标收入在各档下的分布比单点预测有用得多。base 7700 # 2021 年全球销售额百万美元 scenarios {保守: 0.02, 基准: 0.035, 乐观: 0.05} for name, g in scenarios.items(): v2028 base * (1 g) ** 7 print(f{name}情景 CAGR{g:.1%}2028 年规模{v2028:,.0f} 百万美元) # 敏感性目标份额 x 单价看收入落在哪个区间 for share in (0.02, 0.03, 0.05): for asp in (8000, 9500, 11000): rev base * (1.035 ** 5) * 0.88 * 0.12 * 0.35 * share print(f份额{share:.0%} 单价{asp} 美元 - 收入{rev:,.1f} 百万美元)三档跑出来的 2028 年规模大致落在 8800 到 10800 百万美元之间基准档正好是报告给的 9800。这个区间比单点更有说服力你可以说「即便按最保守的 2%五年后这个市场仍有八千多百万美元」也可以说「乐观档需要单价和份额同时成立概率不高」。敏感性那段用份额和单价两个维度做笛卡尔积跑出来九个数挑出最差和最好两个写进立项书的风险提示里评审一般会认这个态度。一个具体技巧每次更新监测表都把上一版的情景假设原样保留不要覆盖。一年之后回头看你会发现自己哪一档估得最准这个偏差率比任何模型都值钱——它决定了你下次该往保守调还是往乐观调。从那以后我每次拿到这类行业报告都强制先跑一遍 CAGR 反算和单位归一再动手写任何一个结论。省下来的返工时间远比多读二十页划算。希望帮到你。本文还有配套的精品资源点击获取
