Valuation_300168_V20181215

接上回:估值之可比公司分析(上)

  • 上回说到,进一步选取合适可比公司为:

股票代码 | 股票名称
600602 | 云赛智联
002373 | 千方科技
300020 | 银江股份
000662 | 天夏智慧

  • 由于大家都是上市公司,也不是特定地为万达信息(300168)估值,选择四家可比公司,就是排排坐吃果果而已。

先对各公司股价和市值做规模上大致的了解

In [1]:
import numpy as np
import pandas as pd
from pandas import DataFrame
import matplotlib
import matplotlib.pyplot as plt
from pylab import * 
from matplotlib.font_manager import *

#显示所有列 
pd.set_option('display.max_columns', None) 
#显示所有行 
pd.set_option('display.max_rows', None) 
#设置value的显示长度为100,默认为50 
pd.set_option('max_colwidth',100)

# 不以科学计数法显示(2f,保留2位小数)
pd.set_option('display.float_format', lambda x: '%.2f' % x) 
In [2]:
df=pd.read_csv('Price_Market_Value.txt', dtype={'Stock':str}).set_index('Stock')
df.plot(kind='barh',grid=True, figsize=(10,4), rot=0)
df.sort_index(ascending=False)
Out[2]:
Date Name Price MarketValue(Billion)
Stock
600602 2018-12-07 云赛智联 5.34 7.30
300168 2018-12-07 万达信息 12.67 13.93
300020 2018-12-07 银江股份 7.04 4.62
002373 2018-12-07 千方科技 12.03 17.66
000662 2018-12-07 天夏智慧 7.14 7.80
  • 从上图表看出,2018年12月7日
    • 002373 千方科技,市值最大,17.66亿元
    • 300020 银江股份,市值最低,4.617亿元
    • 300168 万达信息,股价最高,12,67元
    • 600602 云赛智联,股价最低,5.34元

综合主营业务收入比较

In [3]:
stock_pooling=['300168','600602','002373','300020','000662']
df_sales=pd.DataFrame()
for i in stock_pooling:
    file_item=[i,'/',i,'_income_statement.txt']
    file=''.join(file_item)
    df=pd.read_csv(file,index_col='index_date')
    df=df.iloc[:,1].astype(float).to_frame()
    df.columns=[i]
    df_sales=pd.concat([df_sales, df], axis=1, sort=False, join='outer') 
df_sales=df_sales.T.sort_index(ascending=False).T.fillna(0)
df_sales.sort_index(ascending=True,inplace=True) #.plot(kind='line',grid=True, figsize=(10,4), rot=0)
figure, ax=plt.subplots(1, 1, figsize=(16, 8))
x=df_sales.index
y1,y2,y3,y4,y5=df_sales['600602'], df_sales['300168'], df_sales['300020'], df_sales['002373'], df_sales['000662']
ax.plot(x, y1, 'o-') 
ax.plot(x, y2, 'o-') 
ax.plot(x, y3, 'o-') 
ax.plot(x, y4, 'o-') 
ax.plot(x, y5, 'o-') 
ax.set_title('Sales' + '\nwww.jasper.wang')
ax.yaxis.set_ticks_position('right') 
ax.grid(True)
ax.legend(loc=9,fontsize=15)
plt.tight_layout()
plt.show()
df_sales.T.sort_index(ascending=False).T.sort_index(ascending=False)
Out[3]:
600602 300168 300020 002373 000662
index_date
2018-09-30 311617.00 156756.00 151855.00 450677.00 42796.00
2017-12-31 420992.00 241548.00 194222.00 250426.00 166559.00
2016-12-31 409384.00 207504.00 165530.00 234483.00 127734.00
2015-12-31 299739.00 186856.00 193500.00 154236.00 44599.00
2014-12-31 125632.00 154281.00 231905.00 136072.00 49943.00
2013-12-31 113838.00 121307.00 185466.00 34928.00 50653.00
2012-12-31 120573.00 88474.00 146097.00 69741.00 57682.00
2011-12-31 93674.00 69483.00 102981.00 63887.00 51469.00
2010-12-31 52483.00 49318.00 71304.00 69674.00 46050.00
2009-12-31 56742.00 40847.00 52462.00 70285.00 42809.00
2008-12-31 81695.00 31944.00 34911.00 63648.00 46567.00
2007-12-31 168272.00 30170.00 18825.00 52872.00 52534.00
2006-12-31 109642.00 0.00 11130.00 0.00 47875.00
  • 600602云赛智联,股价最低,但2015、16、17年度的营业额最高。
  • 002373千方科技,2018年3季度的营收远远高于2017年全年营收。
  • 000662天夏智慧,2013、14、15年营业额比较低,除600602云赛智联之外其他公司基本上营业规模比较接近。

综合毛利率比较

In [4]:
stock_pooling=['300168','600602','002373','300020','000662']
df_g=pd.DataFrame()
df_sales=pd.DataFrame()
for i in stock_pooling:
    file_item=[i,'/',i,'_income_statement.txt']
    file=''.join(file_item)
    df=pd.read_csv(file,index_col='index_date')
    df=df.iloc[:,[1,8]]
    df['GPM']=df.apply(lambda x: x[0]-x[1], axis=1)
    df['GPR']=df.apply(lambda x: x[2]/x[0], axis=1)
    df=df.iloc[:,3].to_frame().astype(float)
    df.columns=[i]
    df.index.set_names('index_date', inplace=True)
    if df_g.empty == True:
        df_g = df
    df_g=pd.concat([df,df_g],axis=1, sort=True).fillna(0)
df_g=df_g.T.sort_index(ascending=False)
df_g.drop_duplicates(inplace=True)
df_g=df_g.T
figure, ax=plt.subplots(1, 1, figsize=(16, 8))
x=df_g.index
y1,y2,y3,y4,y5=df_g['600602'], df_g['300168'], df_g['300020'], df_g['002373'], df_g['000662']
ax.plot(x, y1, 'o-') 
ax.plot(x, y2, 'o-') 
ax.plot(x, y3, 'o-') 
ax.plot(x, y4, 'o-') 
ax.plot(x, y5, 'o-') 
ax.set_title('GPR' + '\nwww.jasper.wang')
ax.yaxis.set_ticks_position('right') 
ax.grid(True)
ax.legend(loc=9,fontsize=15)
plt.tight_layout()
plt.show()    
df_g
Out[4]:
600602 300168 300020 002373 000662
2006-12-31 0.09 0.00 0.22 0.00 0.42
2007-12-31 -0.06 0.29 0.26 0.20 0.36
2008-12-31 0.08 0.31 0.25 0.20 0.33
2009-12-31 0.15 0.32 0.25 0.21 0.27
2010-12-31 0.14 0.32 0.28 0.19 0.25
2011-12-31 0.17 0.30 0.26 0.28 0.19
2012-12-31 0.15 0.31 0.26 0.18 0.13
2013-12-31 0.15 0.30 0.24 0.21 0.17
2014-12-31 0.16 0.32 0.26 0.29 0.14
2015-12-31 0.20 0.40 0.25 0.32 0.11
2016-12-31 0.23 0.39 0.26 0.31 0.36
2017-12-31 0.18 0.39 0.27 0.28 0.42
2018-09-30 0.18 0.40 0.26 0.33 0.50
  • 600602云赛智联股价低,大概就是因为毛利率从一直比较低的缘故吧(初步判断基于此)。
  • 而营业额偏低的000662天夏智慧,2016年毛利率大幅上升,2017年和2018年毛利率继续上扬。这种现象多少有些不正常:智慧城市业务的毛利率能够达到50%?随着分析的深入,看看后面能不能解开这个疑团。

EBIT比较

In [5]:
stock_pooling=['300168','600602','002373','300020','000662']
df_e=pd.DataFrame()
df_sales=pd.DataFrame()
for i in stock_pooling:
    file_item=[i,'/',i,'_EBIT.txt']
    file=''.join(file_item)
    df=pd.read_csv(file,index_col='index_date')
    df=df.iloc[:,5].to_frame().astype(float)
    df.columns=[i]
    df.index.set_names('index_date', inplace=True)
    if df_e.empty == True:
        df_e = df
    df_e=pd.concat([df,df_e],axis=1, sort=True).fillna(0)
df_e=df_e.T.sort_index(ascending=False)
df_e.drop_duplicates(inplace=True)
df_e=df_e.T
figure, ax=plt.subplots(1, 1, figsize=(16, 8))
x=df_e.index
y1,y2,y3,y4,y5=df_e['600602'], df_e['300168'], df_e['300020'], df_e['002373'], df_e['000662']
ax.plot(x, y1, 'o-') 
ax.plot(x, y2, 'o-') 
ax.plot(x, y3, 'o-') 
ax.plot(x, y4, 'o-') 
ax.plot(x, y5, 'o-') 
ax.set_title('GPR' + '\nwww.jasper.wang')
ax.yaxis.set_ticks_position('right') 
ax.grid(True)
ax.legend(loc=9,fontsize=15)
plt.tight_layout()
plt.show()    
df_e
Out[5]:
600602 300168 300020 002373 000662
index_date
2006-12-31 -4327.00 0.00 1145.00 0.00 9625.00
2007-12-31 -52886.00 2945.00 2665.00 4163.00 9181.00
2008-12-31 -27401.00 3245.00 4266.00 4398.00 4685.00
2009-12-31 -14739.00 4914.00 6110.00 5079.00 2403.00
2010-12-31 -5522.00 6236.00 7949.00 2550.00 -4758.00
2011-12-31 -4520.00 8456.00 10377.00 1268.00 -6928.00
2012-12-31 -4801.00 11374.00 14350.00 -5613.00 -9186.00
2013-12-31 -5122.00 14780.00 17941.00 -10154.00 -4106.00
2014-12-31 -6134.00 25282.00 26375.00 23689.00 -2607.00
2015-12-31 5640.00 34485.00 17854.00 29674.00 771.00
2016-12-31 27509.00 35558.00 16473.00 42174.00 38442.00
2017-12-31 13587.00 45518.00 23262.00 38014.00 58238.00
2018-09-30 28373.00 31567.00 22516.00 78085.00 16158.00
  • EBIT计算公式产生了多种变换形式,譬如:
    • = 毛利 - 营业费用 - 管理费用
    • = 净利润 + 所得税 + 利息
    • = 经营利润 + 投资收益 + 营业外收入 - 营业外支出 + 以前年度损益调整
  • 基于估值的本源是针对核心主营业务来评估企业的发展潜力,所以这里采用 主营业务毛利 - 营业税金及附加 - 营业费用 - 管理费用 的计算方法,或者说是使用了“财务费用”作为“利息费用”的替代。
  • 002373千方科技的EBIT一如其主营业务收入的增长势头,截至2018年3季度,又跃升了一个台阶。

分类主营业务收入、环比增长率、毛利率

  • 备注:分类数据截止2018年6月份

600602 云赛智联

In [6]:
df=pd.read_csv('600602/600602_category_sales_pivot.txt', index_col='index_date')
df1=df.iloc[:,[3,4,5]]
df1.columns=['others','intelligence','software']
figure, ax=plt.subplots(1, 1, figsize=(16, 4))
x=df1.index
y1,y2, y3 = df1['others'], df1['intelligence'], df1['software']
ax.stackplot(x, [y1, y2, y3], labels=['others', 'intelligence', 'software'])
ax.set_title('Sales' + '\nwww.jasper.wang')
ax.yaxis.set_ticks_position('right') 
ax.grid(True)
ax.legend(loc=2)
plt.tight_layout()
plt.show()

df3=df.iloc[:,[3,4,5]]
df3=df3.pct_change()
df3.columns=['others_growth_rate','intelligence_growth_rate','software_growth_rate']
figure, ax=plt.subplots(1, 1, figsize=(16, 4))
x=df3.index[0:]
y1,y2, y3 = df3['others_growth_rate'][0:], df3['intelligence_growth_rate'][0:], df3['software_growth_rate'][0:]
y4=[0]*len(df3['others_growth_rate'][0:])
ax.plot(x, y1, 'r-') #, labels=['software_gpr']) 
ax.plot(x, y2, 'g-') #, labels=['services_gpr']) 
ax.plot(x, y3, 'b-') #, labels=['integration_gpr']) 
ax.plot(x, y4, 'k--')
ax.set_title('Growth Rate' + '\nwww.jasper.wang')
ax.yaxis.set_ticks_position('right') 
ax.grid(True)
ax.legend(loc=2)
plt.tight_layout()
plt.show()

df2=df.loc[:, ['others_gpr','intelligence_gpr','software_gpr']]
df2.columns=['others_gpr','intelligence_gpr','software_gpr']
df2
figure, ax=plt.subplots(1, 1, figsize=(16, 4))
x=df2.index
y1,y2, y3 = df2['others_gpr'], df2['intelligence_gpr'], df2['software_gpr']
ax.plot(x, y1, 'r-')
ax.plot(x, y2, 'g-')
ax.plot(x, y3, 'k-')
ax.set_title('GPR' + '\nwww.jasper.wang')
ax.yaxis.set_ticks_position('right') 
ax.grid(True)
ax.legend(loc=2)
plt.tight_layout()
plt.show()
df.iloc[:,[3,4,5]].sort_index(ascending=False)
Out[6]:
sales_others sales_intelligence sales_software
index_date
2017-12-31 62958.00 224275.00 133757.00
2016-12-31 99014.00 200695.00 109674.00
2015-12-31 76159.00 131761.00 91819.00
2014-12-31 104129.00 21503.00 0.00
2013-12-31 113838.00 0.00 0.00
2012-12-31 120573.00 0.00 0.00
2011-12-31 93674.00 0.00 0.00
2010-12-31 52482.00 0.00 0.00
2009-12-31 52719.00 0.00 0.00
2008-12-31 77456.00 0.00 0.00
2007-12-31 162763.00 0.00 0.00
2006-12-31 88393.00 0.00 0.00
2005-12-31 207148.00 0.00 0.00
2003-12-31 408072.00 0.00 0.00
2002-12-31 336228.00 0.00 0.00
2001-12-31 371207.00 0.00 0.00
  • 600602云赛智联上市以来,主营业务的变化情况如下:
    • 1986年12月25日,上海真空电子器件股份有限公司成立,公司A股于1990年12月19日在上海证券交易所挂牌交易,B股于1992年2月21日在上海证券交易所挂牌交易。上市之初,公司主营业务为真空电子器件及其应用产品、配件的生产和销售,主要产品有:黑白、彩色显像管及其主要配套件。
    • 2005年底,公司在原控股股东上海广电(集团)有限公司的支持下实施了资产重组,剥离了迅速衰退的传统显示器件业务,公司的主营业务向新型平板显示器件业务全面转型,重组后公司的主营业务为液晶、等离子及其他新型平板显示器件及其产业链。
    • 2009年,原控股股东上海广电(集团)有限公司与上海仪电控股(集团)公司(现更名为上海仪电(集团)有限公司)签订了《股份转让协议》,上海广电(集团)有限公司将其持有的公司352,742,238股A股股份转让给仪电集团,实施重大资产重组,剥离了TFT-LCD液晶面板及上游业务。
    • 2010年起,公司进行战略调整,加快建设消费类电子产业。
    • 2012年,公司明确了消费电子、特殊电子两大产业为主营业务。
    • 2013年,公司进入智能安防领域,形成 消费电子特殊电子智能安防 三大产业为主营业务。
    • 2014年,公司明确以 智能安防新型显示特殊电子和智慧校园产业 为公司主营业务。
    • 2015年,报告期内,公司经过重大资产重组,基本完成在智慧城市产业链的布局,公司主要业务为基于物联网、云计算、大数据技术为基础的,面向城市智慧化领域的三大业务板块,即智能产品“基础”板块、云计大数据“平台”板块、行业解决方案“应用”板块,以支撑公司重大资产重组后的战略定位和战略目标的实现。2015年,公司进行了重大资产重组,本次重大资产重组的方案由上市公司资产出售、发行股份购买资产两部分组成。公司将持有的真空显示100.00%股权、电子印刷100.00%股权出售至仪电资产。公司以重大资产重组事项的董事会决议公告日前120个交易日股票交易均价的90%即7.02元/股的发行价格向云赛信息非公开发行股票购买南洋万邦54.50%股权、塞嘉电子40.00%股权、信息网络73.30%股权、科技网络80.00%股权、卫生网络49.00%股权和宝通汎球100.00%股权,向朱正文等13名自然人非公开发行股票购买南洋万邦45.50%股权,向塞嘉设备、乾钧投资及宋来珠等2名自然人非公开发行股票购买塞嘉电子60.00%股权,向仪电电子集团非公开发行股票购买科学仪器81.36%股权。注入资产业务涵盖智慧医疗、智慧检测/智慧监测、智慧建筑、智慧政务等领域的行业应用解决方案,并覆盖了云计算平台和智慧城市核心软硬件线下渠道。
    • 2016年,公司主营业务特点是:
      • 智能产品“基础”板块:显示产品领域以产品销售、配套安装、工程建设为主的盈利模式,特殊电子产品领域为高进入门槛的涉密领域。
      • 云计算大数据“平台”板块:IDC数据中心业务领域:基础租赁业务、IDC增值业务、云计算服务,均以出租计算、带宽、空间、服务资源收取租金方式盈利。
      • 软件服务领域:主要以软件产品代理销售、软件系统部署定制化开发、软件产品技术培训、技术服务获取业务收入。
      • 行业解决方案“应用”板块:主要经营模式为产品销售、工程实施、系统集成项目,现正由传统的“建设-交付”模式向“建设-开发-运营”模式转变。盈利模式主要为产品收入,工程收入,项目实施收入,该类业务特点是项目投入加大、回收期延长,项目占用资金和应收账款等也相应增加。
      • 战略布局:形成城市智慧化建设全产业链布局,打造综合解决方案。努力实现对智慧城市行业三大层次的覆盖:以仪器仪表、监控设备、传感设备为主的基础感知层;以云计算大数据为核心的平台层;以及囊括智慧建筑、平安城市、智慧检测/智慧监测、智慧政务、智慧教育等领域的应用层。
    • 2017年,公司主营业务特点是:
      • 云计算大数据“平台”板块:
        • (1)数据中心相关业务领域:IDC基础及增值业务、互联网接入、VPN业务、IaaS业务等,以出租计算、带宽、存储等服务资源收取租金方式盈利;
        • (2)IT解决方案及云服务领域:主要通过为政企客户提供IT解决方案获得收入,业务包括,通用软件产品销售、部署、定制化开发、技术培训等,各类云服务(云评估与规划、云迁移与部署、云运营与安全),自主研发的云管平台销售及相关运维服务等。
      • 行业解决方案“应用”板块:主要经营模式为系统集成项目实施与软硬件产品销售。
        • (1)智能安防,通过视频监控、公广会议、门禁周界、智能停车场等子系统,结合自主研发的公广应急管理、视觉综合分析及云计算大数据等软件平台,广泛应用于机场、码头、核电、学校、工厂等领域,以智能化手段,科学而有效地保障了城市安全;
        • (2)检测溯源,基于各类检测仪器,通过自建的平台,如餐厨废弃油脂管理系统、食品安全检测网格化管理系统、食品安全信息追溯平台、河道水质在线监测设施信息系统等,确保了食品与水质的安全;
        • (3)智慧教育,“线上线下”业务双管齐下,“线下”借助信息化手段建设数字化、平安绿色的校园,“线上”通过自主研发的在线培训平台(上海高中名校慕课平台、白玉兰远程教育网等)提供网上教育与培训。
      • 智能产品“基础”板块:
        • (1)显示产品领域以产品销售、配套安装、工程建设为主的盈利模式,正在往平台运营、软硬一体终端综合服务方式转型;
        • (2)检测仪器领域拥有“棱光”、“雷磁”、“上平”、“申光”等国内知名品牌,经营模式主要是为市场提供各类科学仪器产品的销售;
        • (3)特殊电子产品领域为门槛较高的军工领域,主要经营模式为产品销售与项目实施。
  • 从2014年开始通过资产重组进行主营业务转型,从图中可以看到,2015、16、17年的智慧城市营业额大幅提高。但2015年软件业务环比增长率系因为资产重组导致极高。在进行3年复合增长率计算上,该因素应予以剔除。
  • 2015年至2017年,智慧城市业务的毛利率,比较平稳地保持在20%左右。反而是业务量较低的传统业务毛利率在2016年相对较高。
  • 其他业务,包括彩管,显示,CRT,机顶盒,电子,雷达,罩,贸易,商品,其他,工程,加工,教育,物业,以及内部交易抵消等,这类业务营收占比相对较小。
  • 软件业务包括IDC和软件开发,智慧民生包括智能类产品业务。这类业务从2014年开始启动,且呈逐年增加之势。
  • 总体来看,该公司业务与硬件结合较多。软件开发应该基本上也属于集成(硬件)为主。这应是与300168万达信息有较大差别的地方。

300168 万达信息

In [7]:
df=pd.read_csv('300168/300168_category_sales_pivot.txt', index_col='index_date')
df1=df.iloc[:,[3,4,5]]
df1.columns=['software','services','integration']
figure, ax=plt.subplots(1, 1, figsize=(16, 4))
x=df1.index
y1,y2, y3 = df1['software'], df1['services'], df1['integration']
ax.stackplot(x, [y1, y2, y3], labels=['software', 'services', 'integration'])      # 其中[]可以省略 
# ax.set_xlabel("Year-Month-Date")   # 设定x轴的标签
# ax.set_ylabel("Sales")   # 设定y轴的标签
ax.set_title('Sales' + '\nwww.jasper.wang')
ax.yaxis.set_ticks_position('right') 
ax.grid(True)
ax.legend(loc=2)
plt.tight_layout()
plt.show()

df3=df.iloc[:,[3,4,5]]
df3=df3.pct_change()
df3.columns=['software_growth_rate','services_growth_rate','integration_growth_rate']
figure, ax=plt.subplots(1, 1, figsize=(16, 4))
x=df3.index[0:-1]
y1,y2, y3 = df3['software_growth_rate'][0:-1], df3['services_growth_rate'][0:-1], df3['integration_growth_rate'][0:-1]
y4=[0]*len(df3['software_growth_rate'][0:-1])
ax.plot(x, y1, 'r-') #, labels=['software_gpr']) 
ax.plot(x, y2, 'g-') #, labels=['services_gpr']) 
ax.plot(x, y3, 'b-') #, labels=['integration_gpr']) 
ax.plot(x, y4, 'k--')
ax.set_title('Growth Rate' + '\nwww.jasper.wang')
ax.yaxis.set_ticks_position('right') 
ax.grid(True)
ax.legend(loc=2)
plt.tight_layout()
plt.show()

df2=df.loc[:, ['software_gpr','services_gpr','integration_gpr']]
df2.columns=['software_gpr','services_gpr','integration_gpr']
df2
figure, ax=plt.subplots(1, 1, figsize=(16, 4))
x=df2.index
y1,y2, y3 = df2['software_gpr'], df2['services_gpr'], df2['integration_gpr']
#ax.plot(x, [y1, y2, y3], labels=['software_gpr', 'services_gpr', 'integration_gpr'])      # 其中[]可以省略 
ax.plot(x, y1, 'r-') #, labels=['software_gpr']) 
ax.plot(x, y2, 'g-') #, labels=['services_gpr']) 
ax.plot(x, y3, 'k-') #, labels=['integration_gpr']) 
# ax.set_xlabel("Year-Month-Date")   # 设定x轴的标签
# ax.set_ylabel("Sales")   # 设定y轴的标签
ax.set_title('GPR' + '\nwww.jasper.wang')
ax.yaxis.set_ticks_position('right') 
ax.grid(True)
ax.legend(loc=2)
plt.tight_layout()
plt.show()
df.iloc[:,[3,4,5]].sort_index(ascending=False)
Out[7]:
sales_software sales_services sales_integration
index_date
2018-06-30 41571.00 21360.00 38061.00
2017-12-31 104087.00 38837.00 98625.00
2016-12-31 100274.00 35960.00 71269.00
2015-12-31 76019.00 27230.00 83607.00
2014-12-31 56750.00 18566.00 78965.00
2013-12-31 36592.00 15625.00 69090.00
2012-12-31 38094.00 12528.00 37852.00
2011-12-31 28089.00 11333.00 30060.00
2010-12-31 21753.00 9895.00 17670.00
2009-12-31 21124.00 7314.00 12410.00
2008-12-31 13183.00 8235.00 10526.00
2007-12-31 12456.00 4275.00 13438.00
  • 2017年,公司在以民生政务为核心的智慧城市领域,以软件和服务为基础,业务涵盖卫生健康、政务服务、市场监管、社会保障、平安城市等各行业基础信息系统建设与城市信息资源整合,以及市民云、健康云等城市公共平台运营。包括:
    • 1、卫生健康
    • 2、政务服务
    • 3、市场监管
    • 4、民生保障
    • 5、平安城市
    • 6、医疗保险及医疗保障
    • 7、云平台运营
  • 主要业务:智慧城市领域各行业基础信息系统建设与城市信息资源整合,以及市民云、健康云等城市公共平台运营。
  • 产品与服务:

    • 智慧医院系列、智慧卫生系列、智慧健康系列、智慧社区系列产品
    • 网上办事大厅、社区服务系统
    • 工商行政管理信息化
    • 上海自贸区市场监管系统
    • 人社部持卡人员基础信息库和业务协同平台
    • 公共安全和城市交通、数字侦查和智慧办案、社会维稳和预防犯罪等综合解决方案
    • 医疗服务综合控费和医保基金在线结算系统(医保控费、医院控费和DRGs临床控费)
    • 健康云服务、医药云服务、市民云服务
  • 2016年前5大客户

序号 客户名称 销售额(元) 占年度销售总额比例
1 中国电信股份有限公司自贡分公司 80,255,239.29 4.30%
2 中国电信股份有限公司攀枝花分公司 70,534,916.50 3.77%
3 上海市人力资源和社会保障局 63,647,893.40 3.41%
4 上海市徐汇区人民政府机关事务管理局 45,971,619.60 2.46%
5 上海市税务局 39,636,180.65 2.12%
合计 -- 300,045,849.44 16.06%
  • 2017年前5大客户
序号 客户名称 销售额(元) 占年度销售总额比例
1 雅安市公安局 216,152,753.16 8.95%
2 上海市工商行政管理局(含区县市场监管局) 95,069,201.67 3.94%
3 湖南东旭德来电子科技有限公司 77,469,231.01 3.21%
4 重庆市人力资源和社会保障局 50,368,295.27 2.09%
5 英迈电子商贸(上海)有限公司 50,321,729.54 2.07%
合计 -- 489,381,210.65 20.26%
  • 300168万达信息运营服务的营业额相对占比较小,软件和集成业务的收入逐年增长。但集成收入增长率从2013年开始逐年下降,2017年出现反弹。
  • 集成服务毛利率从2012年开始逐步提高,但也仅维持在20%左右,而软件业务和运营服务业务的毛利率基本维持在50%左右(2017年成本数据缺失,只能计算出综合毛利率)。
  • 初步判断,300168万达信息股价最高,是因为主营业务规模较大,且毛利率较高的缘故。目前仅仅是初步判断,需要根据进一步分析予以确认。

300020 银江股份

In [8]:
df=pd.read_csv('300020/300020_category_sales_pivot.txt', index_col='index_date')
df1=df.iloc[:,[4,5,6,7]]
df1.columns=['others','traffic','medication','smart_city']
figure, ax=plt.subplots(1, 1, figsize=(16, 4))
x=df1.index
y1,y2,y3,y4 = df1['others'], df1['traffic'], df1['medication'], df1['smart_city']
ax.stackplot(x, [y1, y2, y3, y4], labels=['others', 'traffic', 'medication', 'smart_city'])      # 其中[]可以省略 
# ax.set_xlabel("Year-Month-Date")   # 设定x轴的标签
# ax.set_ylabel("Sales")   # 设定y轴的标签
ax.set_title('Sales' + '\nwww.jasper.wang')
ax.yaxis.set_ticks_position('right') 
ax.grid(True)
ax.legend(loc=2)
plt.tight_layout()
plt.show()

df3=df.iloc[:,[4,5,6,7]]
df3=df3.pct_change()
df3.columns=['others_growth_rate','traffic_growth_rate','medication_growth_rate','smart_city_growth_rate']
figure, ax=plt.subplots(1, 1, figsize=(16, 4))
x=df3.index
y1,y2, y3, y4= df3['others_growth_rate'], df3['traffic_growth_rate'], df3['medication_growth_rate'], df3['smart_city_growth_rate']
y5=[0]*len(df3['others_growth_rate'])
ax.plot(x, y1, 'r-') 
ax.plot(x, y2, 'g-') 
ax.plot(x, y3, 'm-') 
ax.plot(x, y4, 'b-') 
ax.plot(x, y5, 'k--')
ax.set_title('Growth Rate' + '\nwww.jasper.wang')
ax.yaxis.set_ticks_position('right') 
ax.grid(True)
ax.legend(loc=2)
plt.tight_layout()
plt.show()

df2=df.loc[:, ['others_gpr','traffic_gpr','medication_gpr','smart_city_gpr']]
df2.columns=['others_gpr','traffic_gpr','medication_gpr','smart_city_gpr']
figure, ax=plt.subplots(1, 1, figsize=(16, 4))
x=df2.index
y1,y2, y3, y4 = df2['others_gpr'], df2['traffic_gpr'], df2['medication_gpr'], df2['smart_city_gpr']
ax.plot(x, y1, 'r-') 
ax.plot(x, y2, 'g-') 
ax.plot(x, y3, 'k-') 
ax.plot(x, y4, 'b-') 
# ax.set_xlabel("Year-Month-Date")
# ax.set_ylabel("Sales")
ax.set_title('GPR' + '\nwww.jasper.wang')
ax.yaxis.set_ticks_position('right') 
ax.grid(True)
ax.legend(loc=2)
plt.tight_layout()
plt.show()
df.iloc[:,[4,5,6,7]].sort_index(ascending=False)