AI大模 型 赋能 自 动驾 驶：特 斯 拉自 动 驾驶 技 术跟 踪，占 用 网络算 法 驱 动 自 动 驾 驶 落 地证 券 研究 报告 行业 动态报 告发 布日期：2023 年5 月28 日本报告由中信建投证券股 份有限 公司在中华人民共和国（仅为本 报告目的，不包括香港、澳门、台湾）提供。在遵守适用 的法律 法规情况下，本报告亦可 能由中 信建投（国际）证券有限 公司在 香港提供。同时请参阅最 后一页 的重要声明。分析师：于芳博SAC 编 号：S1440522030001分析师：金戈SAC 编 号：S1440517110001SFC 编 号：BPD352分析师：阎贵成SAC 编 号：S1440518040002SFC 编 号：BNS315 核心观点：近期，特斯拉更新其FSD算法至v11.4，此次升级实现FSD端到端的能力，即包含高速领航、城市道路领航和泊车三个域的智驾功能。特斯拉将改进车辆性能置于引入新功能之上，可以更快地针对环境做出反应，并在必要时调整车速，确保所有相关人员都能获得更安全的体验。我们认为AI对整个汽车产业生态变革将产生重大影响，特斯拉作为整个自动驾驶领域开拓者，正引领相关技术应用落地。特斯拉自动驾驶算法主要经历四个阶段，目前架构包括RegNet、HydraNet等。2016-2018年，特斯拉自动驾驶算法处于第一阶段，在该阶段中，使用常规的骨干网结构；使用2D检测器进行特征提取；训练数据为人工标注，整体来看比较原始，相对传统；2018-2019年，特斯拉自动驾驶算法采用了HydraNet结构；加入特征提取网络BiFPN；将图像空间从image space直接转化为vector space，能执行多任务、对视觉特征进行充分融合以及很大程度上避免映射偏差，相较于精度提升，这个阶段注重提高效率；2019-2020年，特斯拉自动驾驶算法来到第三阶段，使用了Transformer；骨干网结构使用了RegNet；能够实现自动标注数据；以及主张去掉雷达，使用纯视觉方案，不仅解决了CNN算法在BEV遮挡区域预测问题，同时还有更高的性能和算法准确度以及能够快速得到高精度地图数据，相较于提高效率，这个阶段注重提高精度；2021年以来，特斯拉自动驾驶算法来到第四阶段，增加了时空序列与时序信息融合等能力；在空间感知方面，使用占用网络；使用Lanes Network；为了增强汽车感知能力，考虑到4D雷达的效果与成本，预计会将雷达重新安装，整体来看，该阶段在感知能力上大做文章，自动驾驶算法已相对成熟。特斯拉自动驾驶算法2022年的核心改变在于使用Occupancy Networks进行感知以及使用Lanes Network进行矢量地图绘制。OccupancyNetworks（占用网络）可以通过3D物体检测的方式来估计行驶中其他车辆、物体的位置和大小，占用网络可以使用多个摄像机拍摄的图像进行3D处理，即使是动态占用也可以计算出来并且运行效率较高；Lanes Network通过对离散空间的预测，能够以自回归的方式将所有的车道线节点进行生成，从而获取更精确的车道线拓扑结构。2023年5月，特斯拉推出FSD v11.4，实现FSD端到端能力。FSD端到端的能力，即包含高速领航、城市道路领航和泊车三个域的智驾功能。映射到国内，以蔚小理为代表的车厂以特斯拉为锚，在自动驾驶领域持续发力，可像人类司机那样实时地感知、决策、规划，蔚来NAD、小鹏XNGP等逐步实现L4驾驶水平。特斯拉正持续引领厂商技术革新，例如特斯拉将Occupancy网络引入到自动驾驶感知技术中，后续理想AD Max3.0也将Occupancy网络纳入技术栈中用于汽车感知。特斯拉引领自动驾驶走向落地阶段，全球自动驾驶产业链推进加速，域控制器放量或将提速。重点推荐德赛西威、中科创达、均胜电子、经纬恒润、华阳集团。核心观 点 WUFUxOnQpMoPpRtQsPrOqR7NaObRsQrRnPpMkPmMqNkPnPzQaQoPqNwMmNpQuOmQtR 特斯拉自动驾驶算法使用的是多任务学习HydraNets架构，从而让汽车共享相同神经网络或特征提取器的同时能进行交通灯检测、车辆避让等多项任务。特斯拉自动驾驶算法中，首先让车载摄像头使用RegNet对路况/汽车进行原始图像提取，多个特征层通过FPN相互交互，从而进行特征提取。在每个摄像头都处理完单个图像后，使用具有多头自注意力的Transformer模型进行处理，Transformer模型不仅解决了CNN算法在BEV（鸟瞰图）遮挡区域预测问题，同时还有更高的性能和算法准确度。后续将处理结果进行多尺度特征、视频神经网络等处理，从而完成整个自动驾驶算法。近年来Transformer凭借传统 CNN 算法所不能企及的感知能力以及其优秀的鲁棒性和泛化性，已逐步取代IPM、Lift-splat、MLP成为BEV感知领域的主流算法。以 特斯拉为 锚把握自 动驾驶技 术演进资料来源：Tesla，中信建投图表：特斯拉自动驾驶算法架构 图表：特斯拉自动驾驶算法架构 Autopilot 是特 斯拉 自动驾驶 技术底座 Autopilot于2014年发布，是一种先进的驾驶辅助系统，可提高驾驶的安全性和便利性。多年来，Autopilot随着整车OTA及硬件更新不断迭代升级。现阶段，Autopilot可实现的功能包括：交通感知巡航（控制车速与交通流一致）、变道辅助（协助用户转向变道）、自动驾驶导航（主动引导车辆进出匝道、自动接通转向信号并选择正确出口）、自动变道、自动泊车、智能召唤（自动在复杂环境和停车位间行驶，找到用户）、自动紧急制动、侧面碰撞预警、车道偏离提醒等资料来源：Tesla,中信建投图表：特斯拉Autopilot 图表：Autopilot能实现多种自动驾驶功能所有Tesla车辆都标配Autopilot所有Tesla车辆都具有所有安全功能约有100万辆特斯拉汽车改进了高速公路驾驶系统约100,000辆特斯拉汽车拥有“FSD Beta”软件 特 斯拉自动 驾驶技术 变迁总结资料来源：Tesla,中信建投第一阶段1、使用常规的骨干网结构；2、使用2D检测器进行特征提取；3、训练数据为人工标注比较原始，相对传统第二阶段1、采用了HydraNet结构；2、加入特征提取网络BiFPN；3、将图像空间从image space直接转化为vector space1、能执行多任务；2、相较于FPN，BiFPN能够更加充分的进行特征融合并且赋予不同特征权重；3、很大程度上避免了图像到向量空间中映射偏差第三阶段1、使用了Transformer；2、骨干网结构使用了RegNet；3、自动标注数据；4、主张去掉雷达，使用纯视觉方案1、不仅解决了CNN算法在BEV遮挡区域预测问题，同时还有更高的性能和算法准确度；2、更加简单、易理解，而且还能够运行高复杂计算量；3、能够快速得到高精度地图数据第四阶段1、增加了时空序列与时序信息融合等能力；2、在空间感知方面，使用占用网络；3、使用Lanes Network；4、为了增强汽车感知能力，考虑到4D雷达的效果与成本，预计会将雷达重新安装到汽车上1、让汽车有短时间记忆，增强了汽车感知的鲁棒性；2、能够对多个图像进行3D处理、识别出被遮挡的部位以及快速运行；3、更精准的识别车道线路拓扑结构阶段 技术变迁 技术变化带来的影响 占用网 络算法 升级资料来源：Tesla，中信建投图表：鸟瞰图与占用网络算法对比 图表：对象检测与占用网络算法对比图表：固定矩形与占用网络算法对比 相比HydraNet结构的鸟瞰图、固定矩形、物体检测进行了全面升级和优化。occupancy network将世界分为小立方体，预测每个格子被占用概率如何。从2D升级到3D。对象检测的算法受数据集限制，一旦遇到没有标注的物体出现，则没法检测到前方物体。而占用网络算法可以避免这个问题。特 斯拉自动 驾驶技术 经历四代资料来源：Tesla,中信建投图表：Autopilot发展历程 Input：特 斯拉几乎 采用了纯 视觉解决 方案 Tesla Vision自Autopilot发布以来经历了多次发展：2016 年，Tesla Autopilot Software 1.0正式上线，主要网络结构为RegNet 搭上 2D detector；2018-2019年，公司在计算机视觉中提出了vector space 的概念，vector space与image space相比，将视觉的图像空间转移至向量空间，这个技术路线基调更是在2020年的smart summon功能研发时确定下来。2021年，TeslaVision 在上一版本的Transformer中引入Spacial Temporal 模型，将时序信息加入视觉模型。2020年马斯克决心从特斯拉车上移除雷达，而全部采用摄影机，让自动驾驶完全采用视觉方案，8个摄像头和强大的视觉处理能力可实现360度视野范围，对周围环境的监测距离最远可达250米。后来，为了在感知层提升自动驾驶能力，特斯拉在HW 4.0硬件系统中，配置了高精度4D毫米波雷达。资料来源：Tesla,中信建投图表：特斯拉纯视觉解决方案 图表：4D毫米波雷达效果更好 骨干网是用于图像物体特征提取，常见的骨干网包括AlexNet、ResNet、VGGNet 等。特斯拉采用RegNet识别图像中的对象，并提供对象的丰富特征信息。2020年Meta AI包括何恺明在内的科学家提出了RegNet网络，在网络设计范式上更加简单、易理解，而且还能够运行高复杂计算量。RegNet的核心是网络设计空间，其思想是，可以在设计空间中对模型进行采样，从而产生模型分布，并可以使用经典统计学中的工具来分析设计空间。设计一个不受限制的初始设计空间的逐步简化版本就称为设计空间设计（design space design）。在设计过程的每个步骤中，输入都是初始设计空间，输出则是更简单、或性能更好的模型的精简模型。通过对模型进行采样，并检查其误差分布，即可表征设计空间的质量。Backbone：特斯拉采 取RegNet 进行特征 提取资料来源：Designing Network Design Spaces,中信建投图表：Regnet中网络设计空间的概念 图表：Regnet要好于最优网络EfficientNet Neck位于骨干网和检测头之间，是用于提取更细的特征。特斯拉自动驾驶算法采用BiFPN（加权双向特征金字塔网络），BiFPN是一种易于快速进行多尺度特征融合的特征金字塔网络。它融合了FPN、PANet和NAS-FPN的多级特征融合思想，使信息在自上而下和自下而上两个方向上流动。BiFPN具有以下几点改进：通过增加残差链接，增强特征的表示能力；移除单输入边的结点，减少计算量；针对融合的各个尺度特征增加一个权重，调节每个尺度的贡献度，提高检测速度。简单来说，BiFPN是在FPN的基础上对其进行改进，对原始的FPN模块又添加了添加上下文信息的边，并对每个边乘以一个相应的权重。Neck：使用BiFPN 对 更精细特 征进行提 取与特征 融合资料来源：EfficientDet:Scalable and Efficient Object Detection，中信建投图表：BiFPN网络结构 图表：BiFPN能加强特征提取 骨干网为模型提供相关的矩阵输入，对于一些实际任务，例如检测、分割等，通常要在特征图上应用“检测头”。特斯拉使用HydraNets进行具体任务实施。HydraNets包含用于处理视觉特征的多个组件，在训练期间分别训练出专业的组件，在推理过程中选择相应组件进行执行，能处理多种任务，极大提升了效率。8个摄像头使用Regnet提取完图像后，使用Transformer模型进行图像特征融合，其中还会有时间信息融合操作，图像信息处理完后，就通过HydraNets将信息分到不同的视觉组件中处理不同的下游任务。Head：特斯 拉使用HydraNets 实施 多任 务资料来源：HydraNets:Specialized Dynamic Architectures for Efficient Inference，Tesla，中信建投图表：HydraNets算法架构 图表：特斯拉中的HydraNets 自 动驾驶感 知能力：占据网络(Occupancy Networks)特斯拉采用占用网络技术进行驾驶感知，占据网络可以通过3D物体检测的方式来估计行驶中其他车辆、物体的位置和大小。占据网络利用RegNet和BiFPN从多相机获取特征，然后模型通过带3D空间位置的spatial query对2D图像特征进行基于attention的多相机融合。之后利用3D-to-2D query，即根据每个相机的内外参将3D spatial query投影到2D特征图上，提取对应位置的特征。最后进行时序融合。实际上，占用网络实际上是对BEV技术的拓展。占用网络具有多个优点，例如占用网络可以使用多个摄像机拍摄的图像进行3D处理，即使是动态占用也可以计算出来，哪怕是遮挡的部分，也可以更加精准的识别出来。占用网络可以在10ms时间内运行。资料来源：Tesla,中信建投图表：占用网络整体架构 图表：占用网络在特斯拉自动驾驶模型中的位置 自 动驾驶矢 量地图：Lanes Network 在BEV（鸟瞰图）上进行地图分割和识别，往往是在像素级别进行操作，因为无法得到车道线的拓扑结构，因此不能用于轨迹规划。特斯拉使用Lanes Network进行矢量地图规划，Lanes Network可帮助获取更精确的车道线拓扑结构，以识别车辆从一条车道变换到另一条车道的路径。Lanes Network在模型结构上，是在感知网络backbone基础上加入一个解码器，以序列的方式自回归地输出结果。具体实现上来说，模型首先要选取一个生成顺序（如从左到右，从上到下），对空间进行离散化（tokenization），然后就可以用Lanes Network进行一系列离散token的预测，网络会以自回归的方式将所有的车道线节点进行生成。资料来源：Tesla,中信建投图表：Lanes Network网络架构 图表：Lanes Network使用 特 斯拉FSD 升级 到v11.4 资料来源：Tesla,Twitter,中信建投 采用端到端人工智能，即包含高速领航、城市道路领航和泊车三个域的智驾功能。该算法在简化流程的同时，能够模拟人类驾驶员做出恰当的决策行为。通过联合空间评估，改进人行横道上的行为决策。运用运动学数据测量风险并提前减速，改善自动驾驶车辆在VRU附近的行为。改进在密集非结构化城市环境中的转弯性能，避免转入公交车道等。优化路由提示和自动贴标机，解决由于不良路由类型引起的干预措施。通过更新车道类型检测网络和改进地图视觉融合等，提高自动驾驶系统的理解能力和安全性。马斯克评论：FSD V11.4表现优秀 特斯拉2023年4月30日发布FSD Beta v11.4，版本为2023.6.15，并于5月8日向员工推出测试。通过此次更新，特斯拉将改进车辆性能置于引入新功能之上。FSD Beta v11.4 可根据当前天气条件、能见度、道路湿度、轮胎胎面，甚至其他车辆的轮胎印记等因素，调整自动驾驶仪的最大速度，确保在恶劣条件下获得更安全的驾驶体验。同时，FSD Beta v11.4可以更快地针对环境做出反应，并在必要时调整车速，确保所有相关人员都能获得更安全的体验。图表：特斯拉FSD v11.4特性与马斯克对其评价 蔚 小理四月 交付量出 炉，理想 交付量领 先资料来源：wind，中信建投 蔚小理发布四月份交付量数据，其中理想汽车交付25681辆，创下单月新纪录，同比增长516.3%，1-4月累计交付78,265辆品牌累计交付335599辆；品牌累计交付335599辆；蔚来交付新车6658辆，同比增长31.2%，1-4月累计交付37699辆，同比增长22.2%，品牌累计交付327255辆。小鹏汽车交付新车7079辆，同比下降21%，1-4月累计交付25309辆，品牌累计交付284019辆。6,658-50%0%50%100%150%200%02,0004,0006,0008,00010,00012,00014,00016,00018,0002022.12022.22022.32022.42022.52022.62022.72022.82022.92022.102022.112022.122023.12023.22023.32023.4销量 同比25,681-100%0%100%200%300%400%500%600%05,00010,00015,00020,00025,00030,0002022.12022.22022.32022.42022.52022.62022.72022.82022.92022.102022.112022.122023.12023.22023.32023.4销量 同比图表：蔚来汽车销量 图表：理想汽车销量 图表：小鹏汽车销量7,079-100%-50%0%50%100%150%200%250%02,0004,0006,0008,00010,00012,00014,00016,00018,0002022.12022.22022.32022.42022.52022.62022.72022.82022.92022.102022.112022.122023.12023.22023.32023.4销量 同比 蔚 来自动驾 驶NAD 由Aquila 与Adam构成资料来源：蔚来，中信建投 NIO Assisted and Intelligent Driving（NAD）是蔚来汽车自动驾驶技术，拥有全栈自动驾驶技术能力，能够从地图定位到感知算法，从底层系统到控制策略，实现自动驾驶在高速、城区、泊车和换电场景的全覆盖，主要包含Aquila、Adam及相关算法等，支持L4级别。Aquila蔚来超感系统实现融合感知。Aquila蔚来超感系统拥有33个高性能感知硬件，包括1个超远距高精度激光雷达、7颗800万像素高清摄像头、4颗300万像素高感光环视专用摄像头、1个增强主驾感知、5个毫米波雷达、12个超声波传感器、2个高精度定位单元和V2X车路协同，协助算法实现全向无盲区融合，具备L4能力。Adam超算平台作为底层提供算力，Adam搭载4颗NVIDIA DRIVE Orin 芯片，算力高达1016Tops。同时借助于超级图像处理流水线、超高带宽骨干数据网络、热备份冗余设计等，为自动驾驶决策控制提供算力保障。图表：蔚来自动驾驶（NAD）系统 图表：800万高清摄像头提升感知距离 小 鹏自动驾 驶技术：XNGP资料来源：小鹏汽车，汽车之心，中 信建投 XNGP是继XPILOT系统之后，小鹏推出的第二代智能辅助驾驶系统，XNGP在第一代XPilot系统的基础上，增加了城市路况下的全程智能辅助驾驶功能（城市NGP），以及高速NGP和VPA记忆泊车的增强版功能，是目前国内唯一一款能够实现城市路况下全程智能辅助驾驶的系统，并且可以在没有高精地图的情况下，让车辆在城市道路上实现自动跟随、自动变道、自动超车等功能。NGP系统主要包括两颗激光雷达、双NVIDIA DRIVE Orin超级计算平台、13个摄像头、12个超声波雷达、5个毫米波雷达和1个车内摄像头。小鹏汽车感知技术采用XNET，通过多相机和雷达收集数据，实时生成3D场景地图和高精度地图，静态、动态感知能力大幅提升，无缝连接城市道路、高速和停车场等场景。具公司介绍，今年6月推送的高速 NGP 2.0预计达到非常接近于L4的体验水准。图表：XNGP拥有超强的算力芯片及多个感知传感器 图表：XNGP是行业首个全场景智能辅助驾驶系统 理 想自动驾 驶技术：AD Max3.0资料来源：理想汽车，中信建投 理想AD Max3.0通过大模型AI算法，摆脱对高精地图的依赖，该技术使用三种神经网络大模型算法，分别是静态BEV 网络、动态 BEV网络和Occupancy网络，并通过NeRF技术增强Occupancy网络还原的精度和细节，实现对物理世界的完整还原。三种神经网络大模型算法的感知结果汇总到预测模型，就可以实时输出对周围所有交通参与者未来几秒内的行动轨迹预测，该预测结果会动态调整，为后面的决策规划提供更准确的信息。目前理想汽车的自动驾驶训练里程已超过 4 亿公里，时长超 1074 万小时。理想AD Max 3.0的城市NOA将于23年第二季度开始推送内测用户，到年底将推送100座国内城市。图表：理想AD Max3.0 物理世界数字化 图表：AD Max3.0日常场景实测 风 险提示 AI技术发展不及预期：自动驾驶算法属于先进AI算法，若后续自动驾驶算法演进不及预期，则会影响特斯拉以及自动驾驶厂商相关技术演进以及产品落地。全球宏观经济下滑风险：全球宏观经济下滑下，居民收入水平与消费观念会收到一定冲击与影响，对于高端自动驾驶汽车需求可能会有所下滑，从而影响自动驾驶车厂相关销售业绩。市场竞争加剧导致利润水平下滑：全球范围内自动驾驶车厂竞争加剧，各厂商可能通过采用打价格战方式提高用户忠诚度，从而影响自身收入水平，导致自身利润水平下滑。个人隐私风险：自动驾驶汽车可能会收集用户相关驾驶数据、驾驶员特征等数据进行后续模型训练，这可能会涉及用户隐私问题。自动驾驶立法落地不及预期：若有关自动驾驶汽车立法政策不及预期，则会极大影响车厂相关技术推进以及相关产品落地。感谢辛侠平对本报告的贡献。分析师介绍阎贵成：中信建投证券通信&计算机行业首席分析师，北京大学学士、硕士，专注于云计算、物联网、信息安全、信创与5G等领域研究。近8年中国移动工作经验，6年多证券研究经验。系2019-2021年新财富、水晶球通信行业最佳分析师第一名，2017-2018年新财富、水晶球通信行业最佳分析师第一名团队核心成员。金戈：中信建投证券研究发展部计算机行业联席首席分析师，帝国理工学院工科硕士，擅长云计算、金融科技、人工智能等领域。于芳博：中信建投计算机行业分析师，北京大学空间物理学学士、硕士，2019年7月加入中信建投，主要覆盖方向智能汽车、CPU/GPU/FPGA/ASIC、EDA和工业软件等方向。杨艾莉：传媒互联网行业首席分析师，中国人民大学传播学硕士，曾任职于百度、新浪，担任商业分析师、战略分析师。2015年起，分别任职于中银国际证券、广发证券，担任传媒与互联网分析师、资深分析师。2019年4月加入中信建投证券研究发展部担任传媒互联网首席分析师。曾荣获2019年wind资讯传播与文化行业金牌分析师第一名；2020年wind资讯传播与文化行业金牌分析师第二名；2020年新浪金麒麟评选传媒行业新锐分析师第二名。评级说明投资评级标准 评级 说明报告中投资建议涉及的评级标准为报告发布日后6个月内的相对市场表现，也即报告发布日后的6个月内公司股价（或行业指数）相对同期相关证券市场代表性指数的涨跌幅作为基准。A股市场以沪深300指数作为基准；新三板市场以三板成指为基准；香港市场以恒生指数作为基准；美国市场以标普 500 指数为基准。股票评级买入 相对涨幅15以上增持 相对涨幅5%15中性 相对涨幅-5%5之间减持 相对跌幅5%15卖出 相对跌幅15以上行业评级强于大市 相对涨幅10%以上中性 相对涨幅-10-10%之间弱于大市 相对跌幅10%以上 分析师声明本报告署名分析师在此声明：（i）以勤勉的职业态度、专业审慎的研究方法，使用合法合规的信息，独立、客观地出具本报告,结论不受任何第三方的授意或影响。（ii）本人不曾因，不因，也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿。法律主体说明本报告由中信建投证券股份有限公司及/或其附属机构（以下合称“中信建投”）制作，由中信建投证券股份有限公司在中华人民共和国（仅为本报告目的，不包括香港、澳门、台湾）提供。中信建投证券股份有限公司具有中国证监会许可的投资咨询业务资格，本报告署名分析师所持中国证券业协会授予的证券投资咨询执业资格证书编号已披露在报告首页。在遵守适用的法律法规情况下，本报告亦可能由中信建投（国际）证券有限公司在香港提供。本报告作者所持香港证监会牌照的中央编号已披露在报告首页。一般性声明本报告由中信建投制作。发送本报告不构成任何合同或承诺的基础，不因接收者收到本报告而视其为中信建投客户。本报告的信息均来源于中信建投认为可靠的公开资料，但中信建投对这些信息的准确性及完整性不作任何保证。本报告所载观点、评估和预测仅反映本报告出具日该分析师的判断，该等观点、评估和预测可能在不发出通知的情况下有所变更，亦有可能因使用不同假设和标准或者采用不同分析方法而与中信建投其他部门、人员口头或书面表达的意见不同或相反。本报告所引证券或其他金融工具的过往业绩不代表其未来表现。报告中所含任何具有预测性质的内容皆基于相应的假设条件，而任何假设条件都可能随时发生变化并影响实际投资收益。中信建投不承诺、不保证本报告所含具有预测性质的内容必然得以实现。本报告内容的全部或部分均不构成投资建议。本报告所包含的观点、建议并未考虑报告接收人在财务状况、投资目的、风险偏好等方面的具体情况，报告接收者应当独立评估本报告所含信息，基于自身投资目标、需求、市场机会、风险及其他因素自主做出决策并自行承担投资风险。中信建投建议所有投资者应就任何潜在投资向其税务、会计或法律顾问咨询。不论报告接收者是否根据本报告做出投资决策，中信建投都不对该等投资决策提供任何形式的担保，亦不以任何形式分享投资收益或者分担投资损失。中信建投不对使用本报告所产生的任何直接或间接损失承担责任。在法律法规及监管规定允许的范围内，中信建投可能持有并交易本报告中所提公司的股份或其他财产权益，也可能在过去12个月、目前或者将来为本报告中所提公司提供或者争取为其提供投资银行、做市交易、财务顾问或其他金融服务。本报告内容真实、准确、完整地反映了署名分析师的观点，分析师的薪酬无论过去、现在或未来都不会直接或间接与其所撰写报告中的具体观点相联系，分析师亦不会因撰写本报告而获取不当利益。本报告为中信建投所有。未经中信建投事先书面许可，任何机构和/或个人不得以任何形式转发、翻版、复制、发布或引用本报告全部或部分内容，亦不得从未经中信建投书面授权的任何机构、个人或其运营的媒体平台接收、翻版、复制或引用本报告全部或部分内容。版权所有，违者必究。中信建投证券研究发展部 中信建投（国际）北京东城区朝内大街2号凯恒中心B座12层电话：(8610)8513-0588联系人：李祉瑶邮箱：上海浦东新区浦东南路528号南塔2103室电话：(8621)6882-1612联系人：翁起帆邮箱：深圳福田区福中三路与鹏程一路交汇处广电金融中心35楼电话：（86755）8252-1369联系人：曹莹邮箱：香港中环交易广场2期18楼电话：（852）3465-5600联系人：刘泓麟邮箱：charleneliucsci.hk21