简介面向电子制造与半导体检测行业的市场研究文档聚焦 SMT AOI自动光学检测监测设备的全球与中国市场现状及 2021—2027 年走势适合产业研究员、设备厂商市场部及投资分析人员参考。文档为单个 docx 文件约 141KB篇幅约 141 页、含 181 张图表历史数据回溯至 2016—2020 年预测延伸至 2027 年正文分 13 章展开。内容涵盖全球与中国产能、产量、销量、销售额与价格趋势Koh Young、Viscom、Mirtec、TRI、SAKI、Omron、Yamaha、ViTrox 等主要厂商的产品规格、收入排名与市场份额并按线上或线下产品类型和电子、通信、汽车等应用细分同时对比北美、欧洲、中国、日本、东南亚、印度等重点地区的规模另附产业链上下游、销售渠道、行业集中度与驱动及阻碍因素分析。已有 179 人学习下载可作为市场占有率测算与行业前景判断的数据底稿。1. 一份百来页的 SMT AOI 市场报告最先要核的不是数字而是口径上周一位做产线自动化的同行甩过来一份 docx标题是《2021-2027 全球与中国 SMT AOI 监测设备市场现状及未来发展趋势》领导要三页材料讲清 SMT AOI 监测设备市场的占有率和行业前景。他翻到第一页就卡住2020 年全球市场规模那句写的是“达到了亿元”预测年份还停在 2026。这类报告真正值钱的地方不是替你填数字而是它把产能、产量、销量、销售额、价格、毛利率六个维度配上 2016-2020 历史数据和 2021-2027 预测数据再按产品类型、下游应用、地区三条轴拆开形成一套完整的可比口径。写立项材料、做竞品对标、给设备选型找依据的人都能用上前提是先把它验一遍再用。下面按“拆结构、算份额、判前景、避坑、复现”五步走。2. 报告结构怎么拆11 章正文里哪几章能直接引数据2.1 先分清数据章和话术章别从结论页开始读拿到这类报告多数人的第一反应是翻到最后看结论。这一步最容易出错结论页给的是没有分母的百分比你既不知道它是按销售额算的还是按销量算的也不知道分母是全球还是中国。我一般的顺序是先读附录里的研究方法、二手信息来源、一手信息来源、数据交互验证这四节花十分钟搞清楚数据是怎么来的再回到正文取数。按可引用程度给正文分个类心里有张地图取数时就不会抓错章章节区间主要内容数据性质可引用程度第 1 章产品定义、统计范围、分类口径定性只引用分类定义不引数字第 2 章全球与中国供需产能、产量、销量、销售额、价格定量高重点核单位第 3 章主要厂商产能、销量、收入、份额、价格定量高重点核分母第 4 章北美、欧洲、中国、日本、东南亚、印度六个地区定量中重点核加总第 5 章20 家主力厂商画像定性为主低多为公开资料转述第 6、7 章按产品类型、按下游应用的拆分定量高重点核是否 MECE第 8 章产业链上下游、销售渠道定性只当线索第 9 章中国市场产地与消费地分布定量中第 10 章驱动因素、阻碍因素、政策、SWOT定性只当线索不作为论据第 11、12 章结论与附录研究方法、数据来源、免责声明方法必读决定可信度真正能进 PPT 数字页的是第 2、3、4、6、7 这五章。第 5 章那 20 家厂商的“最新动态”字段基本都是公开新闻的二次转述引用前一定要回到原始出处否则你会在评审会上被问住。2.2 六个核心指标的定义以及必须闭合的三条等式SMT AOI 属于装配型精密设备它的产能、产量这套词和流程行业完全不是一回事。产能指以台/年计的装配与标定能力瓶颈通常在光学模组装配和标定工位不在整机总装线。所以看到“产能利用率常年 72%”这种数字不必紧张落在 70% 到 85% 之间对这类设备是正常波动一旦看到 95% 以上或者 50% 以下先去查是不是把代工产能算进来了或者统计口径从“整机”换成了“整机加改造”。指标定义要点常见单位取数位置常见问题产能年装配标定能力台/年第 2、3 章是否含代工、含改造机产量实际完工入库台/年第 2 章与销量差值是库存还是口径差产能利用率产量 ÷ 产能%第 2 章与行业常识区间对不上销量售出整机数量台第 2、3、6、7 章是否含软件单独售卖销售额整机随附收入亿元第 2、3 章币种、是否含税均价销售额 ÷ 销量万元/台第 3 章产品结构变化导致失真毛利率(收入−成本) ÷ 收入%第 3、5 章是否含服务收入这几列之间必须能对上下面三条等式是我每次必做的验算产能利用率 产量 ÷ 产能三者都给的情况下用两个反推第三个误差超过 3 个百分点就说明有一列是估的。销售额 销量 × 均价。单位要先统一到万元或亿元币种也要统一。对不上就去看销量里是不是混进了离线台式机。地区加总 全球类型加总 全球应用加总 全球Top N 厂商加总 ≤ 全球差额由“其他”补齐。第三条最容易被忽略。曾见过一份材料把六个地区的销售额直接加起来得到的结果比全球总量多了 11%原因是有厂商的销售额在“产地”和“消费地”两个口径里各算了一次。这类错误在评审现场一旦被指出来整份材料的可信度就没了。2.3 历史数据与预测数据的衔接2016-2020 与 2021-2027 之间那道缝历史段是 2016 到 2020预测段是 2021 到 2027中间那道缝在第 2021 年。要确认这一年到底是实际值、估算值还是纯外推三种情况对结论的影响完全不同。设备采购对下游景气度的反应有 2 到 3 个季度的滞后2020 年的基数受外部冲击压得偏低2021 年的反弹里有多少是真实新增需求、有多少是补库存光看一条平滑的 CAGR 曲线是看不出来的。我的做法是把预测段切成三段来读2021-2022 当恢复期看的是订单回补2023-2025 当结构升级期看的是汽车电子和更高精度元件带来的单机价值提升2026-2027 当换机与升级周期看的是存量设备的替换需求。然后用报告给的 CAGR 当上限用下游产线的资本开支增速当下限给一个区间而不是一个点值。写材料时把区间和假设条件一起摆出来比一个孤零零的百分比经得起追问。提示报告正文里如果出现“预计 2026 年将达到”和标题的 2027 不一致说明预测段至少被改过一版。这种情况下不要直接引用终值改用中间年份做锚点再线性外推。3. 市场占有率怎么算分母、梯队和三条拆分轴3.1 份额的分母取销售额还是销量排名会差出一大截AOI 设备的价格跨度极大。离线式台式机和在线式 3D 机单价能差到五倍甚至十倍。用销量做分母以离线机为主力的厂商排名会明显靠前用销售额做分母主打在线式 3D 检测的头部厂商会立刻跑到前面。同一批数据两种算法能给出两份完全不同的 Top 5 名单。所以第一步是先声明口径再算数。我习惯在 PPT 的角标里写清楚“份额基于 2020 年销售额口径分母为全球市场 120 亿元报告第 2 章”。这一行小字能省掉后面半小时的解释。第二个容易混淆的是分母范围。报告第 3 章同时给了全球市场主要厂商和中国市场主要厂商两组数据是两套独立的分母。把中国区收入除以全球市场规模算出来的份额只有真实值的四分之一左右反过来把全球收入除以中国市场总量份额能翻四倍。我见过最典型的一次就是在一份竞品分析里把这两组混着用了整页图表全部作废只能重做。3.2 Top 5 与梯队划分的复现方法报告里的梯队划分只给了结果没给阈值。想复现或者按自己的口径重算把厂商表整理成最小字段集用下面这段跑一遍就够import pandas as pd # 字段来自报告第 3 章厂商表先手工整理成最小集 # 单位统一销售额亿元销量台 df pd.DataFrame({ vendor: [厂商A, 厂商B, 厂商C, 厂商D, 厂商E], camp: [韩系, 德系, 日系, 台系, 国产], sales_16: [8.1, 7.9, 6.4, 4.2, 2.8], # 2016 年销售额 sales_20: [12.4, 9.8, 7.1, 5.6, 4.9], # 2020 年销售额 qty_20: [520, 410, 300, 260, 240], # 2020 年销量 }) GLOBAL_20 120.0 # 报告第 2 章给出的 2020 年全球销售额作分母 df[share_20] df[sales_20] / GLOBAL_20 * 100 # 销售额口径份额 % df[cagr] (df[sales_20] / df[sales_16]) ** (1 / 4) - 1 # 2016→2020 共 4 年 df[asp] df[sales_20] * 10000 / df[qty_20] # 均价万元/台 df df.sort_values(share_20, ascendingFalse).reset_index(dropTrue) df[tier] pd.cut(df[share_20], bins[-1, 3, 8, 100], labels[第三梯队, 第二梯队, 第一梯队]) print(df.round(2).to_string(indexFalse)) print(CR5 %.1f%% % df[share_20].head(5).sum()) # 交叉校验厂商加总必须小于全球总量差额应等于其他口径 gap GLOBAL_20 - df[sales_20].sum() print(残差 %.1f 亿元占 %.1f%% % (gap, gap / GLOBAL_20 * 100))逻辑上分四步先算份额再算四年 CAGR再用销售额除以销量反推均价最后按份额切梯队。几个参数值得说明。(1/4)里的 4 是时间跨度2016 到 2020 是四年如果换成 2017 到 2021 就改成(1/5)写成(1/4)还是(1/5)直接决定 CAGR 差好几个百分点。* 10000是把亿元换算成万元因为均价的常用单位是万元/台不换算会得到 0.02 这种看不懂的数。bins[-1, 3, 8, 100]里的 3 和 8 是我常用的经验阈值第一梯队 8% 以上、第二梯队 3% 到 8%、第三梯队 3% 以下换成别的市场规模时这两个阈值要跟着调市场越分散阈值越低。最后那个残差校验是整段代码里最值钱的一行。厂商加总如果超过全球总量说明有重复计算如果残差只有 2% 到 3%说明这份厂商表基本把主要玩家都覆盖了可以放心做 CR5如果残差 30% 以上说明还有一批没列进来的中小厂商这时候急着算 CR5 是没有意义的。3.3 均价能反推产品结构也能识别虚高的份额均价这个指标在 AOI 行业里特别好用因为它直接反映产品结构。行业里普遍的情况是离线式台式机十几万到几十万一台在线式 2D 机几十万到百万元级在线式 3D 机普遍在百万以上带 AI 复判和高精度光学模组配置的机型会更高。这个量级关系是判断数据合理性的重要基准。把每家厂商的均价算出来横向比一遍某家均价明显低于同行一半多半是产品结构偏离线、或者销量里混进了改造翻新机某家均价高出同行 40% 以上要查它是不是把软件授权和服务收入一并计入了整机销售额。这两种情况下直接拿份额排名做竞品对标结论都会偏。我一般在份额表旁边并排放一张均价表两张表一起看比只看一张表可靠得多。4. 行业前景怎么读把三条拆分轴翻译成产线语言4.1 应用拆分电子、通信、汽车、其他这四个口袋不是互斥的报告第 7 章把下游分成电子、通信、汽车、其他四类。这四个口袋在定义上并不互斥一部手机既是电子也是通信一块车载模组既算汽车也算电子。实际看图的时候你会发现四个应用加起来有时超过 100%有时不到 100%取决于厂商在填报时把同一批货算进了哪个口袋。真正有信息量的是汽车这一类的占比变化。汽车电子对 AOI 的要求和其他应用完全不在一个量级上硬指标包括重复性与再现性GRR要控制在 10% 以内过程能力指数CPK要能算得出来每块板必须留下可追溯的检测图像和参数快照节拍必须和整线 CT 对齐。这几条决定了车规产线基本只能用在线式 3D 机型而且对算法稳定性要求极高误报率高一点产线就被迫停线复判。应用典型检测重点对设备的硬指标归类时的常见问题电子缺件、偏移、立碑、极性反、错件分辨率、编程速度与通信重叠易重复计数通信微小元件、屏蔽罩内器件、桥连多角度光源、高分辨率镜头高频板对翘曲敏感汽车焊点空洞、翘脚、锡量、批次追溯GRR、CPK、全量存档、节拍与电子重叠占比易被低估其他医疗、工控、军工小批量换线速度、离线编程能力样本少统计意义弱判断行业前景时看汽车占比是不是在逐年抬升比看总量 CAGR 有用得多。总量增速可能只有个位数但结构在变单机价值量在往上走这对做设备的人和做选型的人意义完全不同。4.2 线上、线下的翻译陷阱In-line 与 Off-line 差的是整条产线产品类型那一章把设备分成“线上”和“线下”两类这个译法是从 In-line 和 Off-line 直译过来的但中文语境下极易被理解成销售渠道也就是电商和实体店。一旦按渠道去理解整章的结论全错。正确的对应关系是在线式In-line串在产线上和离线式Off-line独立摆放、人工上下料。对比维度在线式 In-line离线式 Off-line安装方式接驳轨道串入 SMT 线符合 SMEMA 接口独立机台人工或半自动上下料节拍必须匹配整线 CT不能成为瓶颈不参与整线节拍典型场景大批量、车规、需要全检和追溯打样、小批量多品种、首件确认、返修复判关键能力与 SPI、贴片机、回流焊的数据联动MES 上传离线编程速度、程序复用、快速换型常见问题误报导致停线复判工位压力大漏检率高依赖人工经验这张表决定了选型方向。产线日产能上到一定量级、又要求全检和追溯基本只能走在线式打样车间和多品种小批量离线式的性价比高得多硬上在线式会因为频繁换型把编程时间全吃掉。报告里按这两类拆分销量和收入本质上拆的是两种完全不同的商业模式混在一起看总量会丢掉所有信息。4.3 增长率的三种读法别只信一条 CAGR报告给的 CAGR 是复利平均值好处是抹平波动、适合讲长周期坏处是把 2020 年的低谷和 2021 年的反弹全压平成一条直线。至少再补两种读法逐年同比看的是节奏。把 2016 到 2027 逐年 YoY 拉出来你能看到哪一年是坑、哪一年是补库存带来的虚高这些拐点在写风险提示时是硬素材。渗透率看的是天花板。很多报告不给这个数但它对“前景”的判断比销售额增速硬。一个粗略的估法是年新增装机需求 ≈ 存量产线数 ÷ 替换周期 新增产线数。替换周期可以用销量反推销量除以保有量约等于 1/替换周期。AOI 这类设备的实际替换周期通常比厂商标称的使用寿命短因为算法和光学模组的代差会在三五年内就把老机型比下去这是我接触过的产线里比较普遍的现象。把替换需求和新增需求分开算你对未来三年的判断会比单看一个 CAGR 稳得多。注意用销量反推替换周期时销量里如果混进了改造机和翻新机算出来的周期会明显偏短。先确认销量口径是整机新造再做这个除法。5. 避坑与排查这份报告里五个必须先标红的点5.1 关键数字是空的模板占位符没回填现象市场规模那句写的是“2020 年全球 SMT AOI 监测设备市场规模达到了亿元”“预计 2026 年将达到亿元年复合增长率为 %”三处关键数字全是空的只剩单位。原因这类文档是按统一模板批量生成的数字字段依赖上游数据库授权或者付费数据源没拿到就留空占位。也可能是从别的版本复制过来时把变量删了。解决不要自己编一个数字填进去。正确做法是把这份报告当口径框架用具体数值从公开的年报、行业协会统计、招投标公告里自己拼拼不出来就在材料里写区间并标注估算方法。评审时被问到“这个数哪来的”能答出方法比答出一个漂亮数字更重要。5.2 标题写 2027正文预测到 2026现象文件标题是 2021-2027正文第一段却写“预计 2026 年将达到”。两处年份对不上。原因版本拼接。报告的预测段可能改过一版标题更新了正文段落没同步。目录里第 4、6、7 章的预测区间写的是 2022-2027说明预测段本身是到 2027 的出问题的只是第一段那句概述。解决以目录和正文章节里的区间为准把概述段的 2026 当作笔误处理。引用时统一到 2027并且在材料脚注里注明“原报告概述段年份与正文不一致已按正文区间统一”。5.3 把“线上/线下”当成销售渠道现象看到产品类型分成线上和线下顺手在 PPT 里画了一个电商渠道占比饼图。原因In-line 和 Off-line 的机翻痕迹中文里“线上”默认指互联网渠道语义被彻底带偏。解决全文替换成“在线式In-line”和“离线式Off-line”并且在第一次出现时加一句括号说明。这一步花不了两分钟但能避免整章结论作废。5.4 厂商清单口径混杂直接做份额分母会失真现象把清单里所有厂商的销售额加起来当分母算出来的 CR5 高达 70% 以上和行业实际感受对不上。原因这份清单是个大杂烩既有以 AOI 为主营的专业厂商也有贴片机厂商、综合自动化厂商和只做检测模组的公司。后几类的 AOI 收入只是它们总营收里的一小块但填报时往往报的是整机业务口径有的甚至报了公司总营收。解决按“AOI 是否为主营业务”做一次分层只把第一层的厂商放进份额分母其他层单独列成“潜在进入者”。分层之后重新算 CR5通常会比混着算低 10 到 20 个百分点。分层依据不一定要写进材料但你自己心里必须有。5.5 应用分类不满足 MECE加总不等于 100%现象电子、通信、汽车、其他四类的占比加起来是 112%或者只有 88%。原因四个口袋定义重叠同一批出货在不同厂商那里被归进了不同类别也可能是“其他”这一项在部分厂商报表里被省略了。解决引用前先做归一化把四类按实际加总缩放到 100%并在脚注写明“已按报告分项数据归一化处理”。如果某一类的占比波动超过 5 个百分点就不要用它做趋势判断只作为静态结构参考。6. 把 docx 变成可计算表一次抽取加三道校验前面所有工作都建立在“能把表拿出来算”这个前提上。手工抄 20 家厂商乘 5 个字段抄错一个数就前功尽弃。用 python-docx 把文档里的表格批量抽成 DataFrame是我现在固定走的第一步from docx import Document import pandas as pd doc Document(market_report.docx) # 报告文件路径 rows [] for idx, table in enumerate(doc.tables): for row in table.rows[1:]: # 跳过表头行 cells [c.text.strip().replace(\n, ) for c in row.cells] if len(cells) 2 and any(cells): rows.append([idx] cells) df pd.DataFrame(rows) df.columns [table_id] [fc{i} for i in range(1, df.shape[1])] # 只保留至少一个单元格含数字的行过滤纯文字描述行 has_num df.drop(columnstable_id).apply( lambda s: s.astype(str).str.contains(r\d, naFalse) ).any(axis1) df df[has_num] print(df.groupby(table_id).size().sort_values(ascendingFalse).head(8))这段代码的关键在三处。table.rows[1:]跳过表头是因为这类报告的表头经常跨行合并单元格抽出来是残缺的不如手工补列名。replace(\n, )处理单元格内的软换行不处理的话后续做字符串匹配会断掉。table_id这一列保留原表序号方便回溯到文档里的具体位置核对这一步不能省抽完之后一定要对着原文档抽查两三张表我吃过亏某次表格里嵌套了另一个表格抽出来行数少了一半直到算出来的份额对不上才发现。抽完之后的第二道工序是三道校验地区加总对比全球总量、类型加总对比全球总量、厂商加总对比全球总量。三个残差里只要有一个超过 10%就说明抽样不完整或者有重复计算此时不要往下算份额。第三道工序是单位统一把亿元、万元、百万美元、台、千台全部换算到同一套单位这一步写在脚本开头别散在中间。提示抽取之前先把文档另存一份副本所有改动都在副本上做。原始文件留着后面核对数值时它就是唯一的参照。从那以后我每次碰这类行业研究报告都会先跑一遍抽取脚本、做三道加总校验再动笔写任何一个百分比。这个习惯救过我至少两次——有一次是厂商表里同一家公司的两个品牌被拆成了两行加总残差直接报警另一次是某张地区表的单位从“万台”悄悄换成了“台”不核对的话那个地区的增速会被放大一万倍写进材料里。希望这些步骤能帮到你。本文还有配套的精品资源点击获取
