简介这份《2021年数据中心IDC研究报告》由国信证券通信团队撰写面向关注IDC产业链的投资者、行业研究员及云计算从业者聚焦下半年供需改善与景气度反转这一核心命题帮助读者把握产业链景气周期与投资框架。资源为1个PDF文件压缩包约4.57MB内容完整呈现研报正文、图表与估值数据便于通读与检索。报告从需求端梳理云计算厂商建设节奏、政企IT架构改造交付、大型互联网公司采购及海外资本开支等增长动力从供给端分析新增产能消化、能耗指标收紧与行业整合趋势并逐一拆解云计算公司、第三方IDC厂商、基建与设备提供商的投资价值附紫光股份、中际旭创、宝信软件等重点公司的盈利预测与估值表。目前已有152人学习下载适合需要系统理解IDC供需逻辑、寻找优质标的与估值修复机会的读者参考。1. 一份 2021 年的 IDC 深度报告为什么现在翻出来读还有用2021 年 7 月国信证券通信团队出了一份 IDC 专题深度标题叫《IDC 产业链景气周期及投资框架分析》。很多人第一反应是2021 年的研报现在看是不是过期了我一开始也这么想直到我把这份 PDF 拆开逐页读完发现它真正值钱的地方不是那几个推荐标的而是一套分析 IDC 产业链供需关系的框架——从云计算厂商资本开支节奏、第三方 IDC 厂商交付产能、上架率爬坡曲线到 PUE 政策约束和能耗指标审批整条逻辑链是完整的。这份报告适合两类人一是做数据中心投研、需要一套可复用的供需分析模板的从业者二是做 IDC 项目规划、想搞清楚“建设—交付—上架”周期怎么影响现金流的技术负责人。它不能告诉你今天的股价怎么走但能告诉你这个行业的钱是怎么转起来的。2. 拆开这份报告供需分析框架和产业链拆解逻辑2.1 供需关系曲线是怎么建出来的这份报告最核心的贡献是建立了一条 IDC 行业的供需关系曲线。它不是拍脑袋画出来的而是基于两组硬数据供给端统计了 2015 到 2020 年头部第三方 IDC 厂商的实际交付产能需求端统计了同期云厂商的资本开支和消化情况。把这两条线叠在一起就能看出什么时候供过于求、什么时候供需反转。具体来说报告把 IDC 项目的生命周期拆成三个阶段建设期、交付期、上架期。一个典型的 IDC 项目建设周期大约 2 年项目收益周期 10 年前两年是产能爬坡期一般到第 2 或第 3 年才能达到满架的上架率。这个节奏决定了供给不是瞬间释放的而是有滞后性的。报告里给了一个上海某 IDC 项目的效益测算表规划 5000 个机柜T1 年产能利用率 30%T2 年 70%T3 年才到 100%。对应的营业收入从 14400 万元爬到 48000 万元净利润从 4089 万元涨到 16359 万元。投资回收期 8.5 年税后 IRR 大约 12%。这个测算模型的关键参数有三个机柜数量、MRR月度经常性收入、上架率爬坡曲线。MRR 等于年度营收除以机柜数再除以 12案例中满架时 MRR 约 8000 元。上架率的爬坡速度直接决定了前几年的现金流表现如果爬坡慢于预期IRR 会明显下降。我一般会把这个模型当成一个敏感性分析工具来用把上架率爬坡速度调慢 20%看 IRR 掉到多少就能判断这个项目的安全边际。注意报告中的 IRR 12% 是基于特定项目条件和当时的租金水平测算的不同城市、不同客户结构下差异很大不能直接套用。2.2 产业链四层结构谁赚钱、谁承压报告把 IDC 产业链拆成四层基建及设备提供方、服务器及相关芯片厂商、运营服务方、下游客户。这个拆法的好处是每一层的商业模式和利润驱动因素都不一样不能混在一起看。基建与设备层包括空调及机房设备如佳力图、光模块如中际旭创、新易盛、光器件如天孚通信。这一层的核心变量是国产替代进度和 PUE 政策。PUE 越低对高效制冷和供电设备的需求越大技术实力强的厂商优先受益。服务器及芯片层包括服务器整机如紫光股份、浪潮信息和上游芯片。这一层的周期性最强跟云厂商的资本开支节奏高度相关。报告提到 2021 年二季度服务器芯片端已经出现初步改善这是判断景气度回升的一个先行指标。运营服务层就是第三方 IDC 厂商代表是万国数据、宝信软件、奥飞数据。这一层的核心指标是上架率、MRR 和 EV/EBITDA 估值。报告用 EV/EBITDA 而不是 PE 来估值因为 IDC 前期折旧大、净利润被压低EBITDA 更能反映实际经营现金流。下游客户层包括云计算厂商和大型互联网公司。报告特别提到2021 年政企 IT 架构上云重构是一个增量需求来源智慧城市市场空间超过 880 亿元2021 年以来累计公示的政企招标项目超过 71 亿元主要中标方是云厂商。2.3 用 EV/EBITDA 估值 IDC 公司的实操要点报告里给了一张万国数据及可比 IDC 公司的 EV/EBITDA 估值表这个表值得单独拿出来说。IDC 公司为什么用 EV/EBITDA 而不是 PE因为 IDC 是重资产行业前期折旧摊销巨大净利润被严重压低PE 看起来会非常高容易误导判断。EBITDA 剔除了折旧、利息和税的影响更能反映数据中心的实际现金生成能力。具体看数据万国数据 2021E 的 EV/EBITDA 是 25.58 倍2022E 降到 19.49 倍2023E 进一步降到 15.04 倍。报告认为考虑到万国数据仍处于 30% 以上的 CAGR 增长期而美股 IDC 厂商平均 EV/EBITDA 约 25 倍但增速只有 10% 左右万国数据的估值具有性价比。实操中怎么用这个指标我一般会做两步第一步把目标公司的 EV/EBITDA 和同业均值做对比看是溢价还是折价第二步把 EV/EBITDA 除以 EBITDA 增速得到一个类似 PEG 的比值判断溢价是否合理。比如万国数据 2021E 的 EV/EBITDA 为 25.58EBITDA 增速约 39.6%比值约 0.65低于 1说明增速能消化估值。# IDC公司EV/EBITDA相对估值速算 # 输入目标公司EV/EBITDA、EBITDA增速、同业平均EV/EBITDA # 输出估值溢价是否合理的判断 def idc_valuation_check(target_ev_ebitda, ebitda_growth, peer_avg_ev_ebitda): target_ev_ebitda: 目标公司当前EV/EBITDA倍数 ebitda_growth: 未来一年EBITDA预期增速小数如0.396表示39.6% peer_avg_ev_ebitda: 同业平均EV/EBITDA倍数 # 计算类似PEG的比值 peg_like target_ev_ebitda / (ebitda_growth * 100) # 计算相对同业的溢价率 premium (target_ev_ebitda - peer_avg_ev_ebitda) / peer_avg_ev_ebitda * 100 print(fEV/EBITDA: {target_ev_ebitda:.2f}) print(fEBITDA增速: {ebitda_growth*100:.1f}%) print(f类似PEG比值: {peg_like:.2f}) print(f相对同业溢价: {premium:.1f}%) if peg_like 1.0: print(判断: 增速可消化估值估值合理偏低) elif peg_like 1.5: print(判断: 估值中性需关注增速兑现情况) else: print(判断: 估值偏高增速需超预期才能支撑) # 以万国数据为例 idc_valuation_check( target_ev_ebitda25.58, # 2021E EV/EBITDA ebitda_growth0.396, # 2021E EBITDA增速39.6% peer_avg_ev_ebitda25.0 # 美股IDC厂商平均约25倍 )这段代码的逻辑很简单把 EV/EBITDA 除以增速得到一个类似 PEG 的比值低于 1 说明增速能消化估值。参数说明target_ev_ebitda从研报的估值表里取ebitda_growth从盈利预测里取peer_avg_ev_ebitda取可比公司均值。注意这个模型只适用于还在快速增长期的 IDC 公司如果增速降到 10% 以下这个比值会失真。2.4 政策约束下的 PUE 门槛怎么影响项目选址报告用了一个独立章节梳理北上深的 PUE 政策这部分对做项目规划的人特别有用。北京要求新增数据中心 PUE 控制在 1.3 以下年均 PUE 高于 2.0 或平均单机架功率低于 2.5 千瓦的备份存储类数据中心要逐步关闭。上海要求新建项目综合 PUE 控制在 1.3 以下改建项目控制在 1.4 以下原则上不低于 3000 标准机架规模。深圳对 PUE 低于 1.25 的数据中心给予新增能源消费量 40% 以上的支持PUE 1.4 以上的不享有支持。这些政策直接决定了项目能不能在一线城市落地。PUE 等于 IT 设备加制冷设备加供电设备加照明等设备的总能耗除以 IT 设备能耗。降低 PUE 的关键是降低制冷和供电环节的能耗。常见做法是采用间接蒸发冷却技术、提高供电系统效率、使用清洁能源。报告提到在碳中和背景下“零碳”数据中心成为转型升级的重点路径包括购买绿证、使用光伏风电等清洁能源、降低各个环节的能耗水平。提示做项目可行性测算时PUE 每降低 0.1制冷和供电设备的投资可能增加 5% 到 10%但运营阶段的电费节省会逐年体现。测算周期内要把这两笔账都算进去。3. 把报告里的分析框架落到实操数据提取与供需测算3.1 从 PDF 里提取关键数据做供需曲线这份报告是 PDF 格式里面的表格数据不能直接复制粘贴。我一般用 Python 的 pdfplumber 库来提取表格然后做供需曲线的拟合。下面是一个可复现的提取流程。import pdfplumber import pandas as pd # 打开PDF提取指定页面的表格 # 报告中的供需数据主要在“IDC景气度”章节大约在第8-12页 pdf_path 国信通信_IDC产业链景气周期及投资框架分析_20210705.pdf with pdfplumber.open(pdf_path) as pdf: # 先定位包含“供需”或“产能”关键词的页面 target_pages [] for i, page in enumerate(pdf.pages): text page.extract_text() or if 供需 in text or 交付产能 in text or 上架率 in text: target_pages.append(i) print(f找到相关页面: {target_pages}) # 提取这些页面的表格 all_tables [] for pg_num in target_pages: page pdf.pages[pg_num] tables page.extract_tables() for tbl in tables: if tbl and len(tbl) 2: # 至少3行才算有效表格 df pd.DataFrame(tbl[1:], columnstbl[0]) all_tables.append(df) print(f第{pg_num1}页提取到表格形状: {df.shape}) # 合并所有表格做初步清洗 if all_tables: combined pd.concat(all_tables, ignore_indexTrue) combined combined.dropna(howall) # 去掉全空行 print(f合并后总行数: {len(combined)})这段代码的逻辑是先遍历 PDF 每一页用关键词定位包含供需数据的页面再用extract_tables()提取表格。参数说明pdf_path替换成你实际的文件路径关键词列表可以根据报告实际用词调整比如加上“资本开支”“机柜数”等。提取出来的表格通常需要手动清洗因为 PDF 表格的合并单元格会导致列对齐问题。我一般会把提取结果导出到 Excel人工核对一遍再用于测算。3.2 供需缺口测算表怎么搭把数据提取出来之后下一步是搭一个供需缺口的测算表。报告的核心逻辑是需求端看云厂商资本开支和政企招标交付节奏供给端看第三方 IDC 厂商的新增交付产能和上架消化速度。下面是一个简化的测算模板。时间需求端云厂商资本开支亿元需求端政企招标交付亿元供给端新增交付机柜万架供给端上架消化万架供需缺口万架2021H1按实际数据填入按公示项目统计按厂商公告统计按上架率推算供给减需求2021H2按预测增速填入按交付计划统计按建设进度推算按爬坡曲线推算供给减需求2022H1按投资周期推算按储备项目估算按开工项目推算按历史消化率推算供给减需求填表时的关键参数云厂商资本开支增速参考头部厂商的季度财报指引政企招标交付金额从公开招标网站统计新增交付机柜数从 IDC 厂商的公告和调研纪要中获取上架消化速度参考历史平均爬坡曲线一般第一年 30% 到 40%第二年 70% 到 80%第三年满架。注意这个测算表是动态的每季度都要用最新数据更新。报告里给出的 2021 年下半年供需改善的判断就是基于当时的数据做出的。如果你现在用这份报告做参考需要把 2021 年之后的实际数据补进去重新跑一遍曲线。3.3 用报告里的估值表做同业对比报告里的估值表覆盖了 A 股、港股和美股的主要 IDC 公司包括紫光股份、中际旭创、宝信软件、万国数据、世纪互联、光环新网、秦淮数据、奥飞数据、数据港、易昆尼克斯。这张表可以直接拿来做同业对比的底稿。import pandas as pd # 构建IDC公司估值对比表 # 数据来源报告中的表1和表2 idc_comparison pd.DataFrame({ 公司: [万国数据, 世纪互联, 光环新网, 宝信软件, 秦淮数据, 奥飞数据, 数据港, 易昆尼克斯], 代码: [9698.HK, VNET.O, 300383.SZ, 600845.SH, CD.O, 300738.SZ, 603881.SH, EQIX.O], EV_EBITDA_2021E: [25.58, 16.14, 13.87, 34.90, 75.16, 22.80, 19.27, 29.16], EV_EBITDA_2022E: [19.49, 12.31, 11.58, 31.25, 30.19, 18.56, 16.30, 26.68], EV_EBITDA_2023E: [15.04, 9.18, 9.65, 24.41, 18.89, 12.91, 11.70, 24.09] }) # 计算2021到2023年的EV/EBITDA年均降幅 idc_comparison[年均降幅%] ( (idc_comparison[EV_EBITDA_2021E] - idc_comparison[EV_EBITDA_2023E]) / idc_comparison[EV_EBITDA_2021E] * 100 / 2 ).round(1) # 按2021E估值排序 idc_comparison idc_comparison.sort_values(EV_EBITDA_2021E) print(idc_comparison.to_string(indexFalse))这段代码把报告里的估值数据整理成 DataFrame并计算了 EV/EBITDA 从 2021 到 2023 年的年均降幅。降幅越大说明市场预期这家公司的 EBITDA 增长越快估值消化能力越强。参数说明EV_EBITDA_2021E等列直接从报告表格中录入年均降幅的计算假设是线性下降实际可能是非线性的但作为快速筛选够用了。从结果看秦淮数据 2021E 估值最高但降幅也最大说明市场给了很高的增长预期世纪互联和光环新网的估值最低降幅也相对温和。4. 避坑与排查用这份报告时容易翻车的几个地方4.1 把 2021 年的供需判断直接套到当前现象看到报告说“2021 年下半年供需改善、景气度反转”就直接认为现在 IDC 行业也处于景气上行期。原因报告的分析是基于 2021 年中的数据和当时的政策环境2021 年之后行业经历了能耗指标进一步收紧、部分云厂商资本开支调整等变化供需关系已经重新定价。解决把报告当成分析框架的参考而不是结论的搬运。用最新的云厂商财报、IDC 厂商公告和政策文件更新数据重新跑一遍供需曲线。4.2 混淆 EV/EBITDA 和 PE 的适用场景现象用 PE 去估值 IDC 公司发现市盈率动辄五六十倍甚至上百倍觉得太贵了不敢碰。原因IDC 是重资产行业前期折旧摊销大净利润被压低PE 天然偏高。报告里明确用 EV/EBITDA 来估值就是因为这个指标剔除了折旧和资本结构的影响。解决估值 IDC 公司时优先看 EV/EBITDA同时结合 EBITDA 增速判断估值是否合理。PE 可以作为辅助参考但不能作为主要决策依据。4.3 忽略上架率爬坡速度对 IRR 的影响现象做项目测算时假设机柜建成后第一年就能达到 80% 上架率算出来的 IRR 很漂亮。原因报告里的实际案例显示第一年上架率通常只有 30% 左右第二年才到 70%第三年才满架。上架率爬坡速度直接决定了前几年的现金流如果假设过于乐观IRR 会被严重高估。解决用报告里的爬坡曲线做基准分别测算乐观爬坡快 20%、中性、悲观爬坡慢 20%三种情景下的 IRR看悲观情景下项目是否仍然可行。4.4 忽视 PUE 政策对项目选址的硬约束现象在一线城市规划了一个 PUE 1.5 的数据中心项目觉得可以通过后期改造达标。原因北京、上海、深圳的新增数据中心 PUE 要求已经收紧到 1.3 以下改建项目也要控制在 1.4 以下PUE 不达标项目根本拿不到能耗指标和审批。解决项目选址阶段就要把 PUE 目标定在 1.3 以下制冷方案优先考虑间接蒸发冷却等高效技术。如果目标城市政策要求更严比如深圳对 PUE 低于 1.25 的项目才给支持那设计标准要相应提高。4.5 把政企招标金额直接等同于 IDC 需求增量现象看到报告里统计的政企招标项目超过 71 亿元就认为这些钱都会转化为 IDC 机柜需求。原因政企招标项目里包含软件、服务、集成等多种内容真正落到 IDC 机柜租赁和托管的部分只是一部分。而且招标到交付有时间差不是当年全部落地。解决把政企招标金额乘以一个 IDC 相关占比系数常见做法是按 20% 到 30% 估算再考虑交付周期才能得到对 IDC 需求的增量贡献。5. 进阶用法把报告里的分析框架改造成自己的跟踪模板这份报告最大的价值是它提供了一套可以持续复用的分析框架。我自己的做法是把它改造成一个季度跟踪模板每季度更新一次数据跑一遍供需曲线和估值对比。具体来说模板分三个模块。第一个模块是需求跟踪每季度从头部云厂商财报里提取资本开支数据从公开招标网站统计政企 IT 项目中标金额从互联网公司财报里看服务器采购相关的资本支出。第二个模块是供给跟踪从第三方 IDC 厂商的公告和调研纪要里提取新增交付机柜数、上架率、MRR 变化。第三个模块是估值跟踪每季度更新 EV/EBITDA 和 EBITDA 增速重新计算类似 PEG 的比值和同业均值做对比。# 季度跟踪模板供需缺口与估值更新 # 每季度填入最新数据自动计算供需缺口和估值分位 import pandas as pd import numpy as np class IDCTracker: def __init__(self): self.demand_data [] # 需求端数据 self.supply_data [] # 供给端数据 self.valuation_data [] # 估值数据 def add_quarterly_demand(self, quarter, cloud_capex, gov_tender, internet_capex): 录入季度需求数据单位亿元 self.demand_data.append({ quarter: quarter, cloud_capex: cloud_capex, gov_tender: gov_tender * 0.25, # 政企招标按25%折算为IDC相关 internet_capex: internet_capex }) def add_quarterly_supply(self, quarter, new_racks, absorption_rate): 录入季度供给数据new_racks单位万架absorption_rate为小数 self.supply_data.append({ quarter: quarter, new_racks: new_racks, absorbed: new_racks * absorption_rate }) def calc_gap(self): 计算供需缺口 demand_df pd.DataFrame(self.demand_data) supply_df pd.DataFrame(self.supply_data) demand_df[total_demand] (demand_df[cloud_capex] demand_df[gov_tender] demand_df[internet_capex]) # 简化假设每亿元需求对应约0.02万架机柜 demand_df[demand_racks] demand_df[total_demand] * 0.02 merged pd.merge(demand_df[[quarter, demand_racks]], supply_df[[quarter, new_racks, absorbed]], onquarter) merged[gap] merged[new_racks] - merged[demand_racks] merged[gap_after_absorption] merged[gap] - merged[absorbed] return merged # 使用示例 tracker IDCTracker() tracker.add_quarterly_demand(2021Q3, cloud_capex200, gov_tender30, internet_capex50) tracker.add_quarterly_demand(2021Q4, cloud_capex220, gov_tender40, internet_capex55) tracker.add_quarterly_supply(2021Q3, new_racks5.0, absorption_rate0.35) tracker.add_quarterly_supply(2021Q4, new_racks4.5, absorption_rate0.40) gap_df tracker.calc_gap() print(gap_df.to_string(indexFalse))这段代码搭了一个季度跟踪的骨架。add_quarterly_demand方法录入需求端三个来源的数据其中政企招标按 25% 折算为 IDC 相关需求。add_quarterly_supply录入供给端的新增机柜和上架消化比例。calc_gap方法计算供需缺口正数表示供过于求负数表示供不应求。参数说明每亿元需求对应 0.02 万架机柜是一个简化系数实际值需要根据历史数据回归得出政企招标折算比例 25% 也是经验值可以根据项目类型调整。这个模板的好处是你不需要每次从头翻报告只要每季度把最新数据填进去就能看到供需缺口的变化趋势。如果连续两个季度缺口收窄说明景气度在回升如果缺口扩大说明供给过剩压力在加大。从那以后我每次拿到一份行业深度报告都会先问自己三个问题它的核心分析框架是什么框架里的关键参数能不能量化这些参数的数据来源能不能持续跟踪想清楚这三个问题一份报告才真正变成你自己的工具而不是躺在硬盘里的 PDF。希望帮到你。本文还有配套的精品资源点击获取