收购奥能电源增值超10倍遭问询 向日葵称充电桩前景广阔

一次定增引来深交所两个问询函,一个多月后,向日葵在11月19日终于对发布了对交易所问询函的回复。

据了解,此前向日葵宣布拟以5.2亿元总价收购收购奥能电源,具体方式为发行股份加现金收购,标的增值率达到1019.91%。而深交所则认为,奥能电源未来三年的业绩承诺远高于其在报告期内的业绩水平,并对相关问题进行问询。

向日葵在回复函中表示,奥能电源主营的新能源充电桩在行业处于蓬勃发展期,认为其发展空间巨大。

有业内专家则向记者表示,新能源汽车未来的充电方式将不会是充电桩,而是在车主自家充电。

深交所:标的业绩承诺过高

根据向日葵11月1日公布的重组方案,此次交易补偿义务人陈虹、任晓忠、孙云友承诺,标的公司奥能电源2016年、2017年和2018年(以下简称承诺年度)实现的经审计的税后净利润(净利润以扣除非经常性损益前后孰低者为计算依据,以下简称净利润承诺数)分别不低于3000万元、4500万元和5500万元。

深交所在问询函中表示,标的公司奥能电源2016年1~6月实现净利润约475.64万元,以上业绩承诺远高于标的公司报告期内业绩水平。

向日葵在收购方案中披露的信息显示,奥能电源2014年营业收入4320万元,2015年营业收入为9558万元,2016年1~6月营业收入为4858万元。而同期的净利润分别为649万元、1103万元和476万元。

从上述数据可以看出,深交所对奥能电源业绩承诺的关注不无道理。

向日葵则在回复中表示,奥能电源主要业务为电力操作电源系统、电力操作电源模块、新能源汽车充换电站充电电源系统(充电桩)的研发、生产和销售。其中,充电桩业务收入从2015年开始大幅提升,成为奥能电源未来主要利润来源,承诺年度业绩水平将远高于报告期内水平。

在向日葵的预测中,奥能电源今年下半年、2017年与2018年的预测营业收入分别将达到1.27亿元、2.14亿元和2.59亿元,同期预测净利润分别为2514万元、4531万元和5393万元。其中,奥能电源电源系统业务营收并无太大变动,增长较大的是其新能源充电桩业务,同期预测营业收入分别达到8779万元、1.46亿元和1.90亿元,增幅明显。

可以看出,向日葵对奥能电源未来业绩的信心主要来源于对其新能源充电桩业务的看好。而在向日葵的回复公告中,其对奥能电源2018年净利润的预测也只是5393万元,并未达到此前奥能电源承诺的5500万元。

向日葵:充电桩市场前景广阔

根据交易方案,向日葵将以发行股份购买资产方式购买奥能电源70%的股权,以现金1.56亿元购买奥能电源30%的股权,交易的总价将达到5.2亿元。而较奥能电源账面价值评估4687.88万元,增值4.78亿元,增值率达1019.91%,在解释增值原因时,向日葵表示充电桩行业有广阔的市场前景,而归根到底还是基于新能源汽车产业发展所带动。

从历史数据来看,2013年之前,新能源汽车与充电桩比维持在1左右。2014年新能源汽车同比增长3倍,增长速度已远超充电桩的发展速度。截至2016年6月底,新能源汽车产销量已超过17万辆,车桩比已达到4以上,严重失衡。

根据《关于加快电动汽车充电基础设施建设的指导意见》,到2020年,我国将建成集中充换电站1.2万座,分散充电桩480万个,满足全国500万辆电动汽车充电需求,这为充电桩建设带来发展空间。

目前,北京、上海、深圳、天津、重庆、杭州、合肥、武汉多地都已提出了充电桩建设规划。国家能源局明确指出,2016年计划建设充电站2000多座、分散式公共充电桩10万个,私人专用充电桩86万个,各类充电桩设施总投资300亿元。

对于充电桩,尤其是共用充电桩的未来,有业内专家表示,需要对市场保持冷静。

厦门大学能源经济研究中心主任林伯强教授对记者表示,未来的新能源汽车的充电将主要在居民家中完成。目前我国新能源汽车产业还没有真正做起来,车辆没有那么多,因此目前路上的充电桩大多不赚钱。

林伯强表示,目前新能源汽车车主基本上都是用于日常的上下班,出远门大多还是选择其他的公共交通工具。此外,充电所需时间也较长,在这两个因素作用下,最方便的方式就是夜间在自家进行充电。若以后巡航里程进一步提高,公用充电桩才会有更多前景。

本文转自d1net(转载)

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值