只有对比,才知道伊利股份半年报的高成色

投资圈有句名言:“当潮水退去的时候,才知道谁在裸泳”。大环境顺风顺水,大家看着都挺好,只有环境变化,才更容易分辨出来,谁才是真有实力。当下,在消费环境弱复苏的大背景下,高成色的半年报业绩让伊利股份的实力一览无余。

8月29日,伊利股份发布中期业绩。上半年,面对严峻复杂的市场环境,伊利直面挑战、主动调整,实现营业总收入599.15亿元,归母净利润75.31亿元,均稳居行业第一。

乳业最强中报

有参照物的好坏评价才具说服力。相较于上半年乳制品行业运行情况,无论是在规模上、盈利上,还是经营上,伊利股份的领先地位均实现进一步强化。

首先是规模与盈利领先的扩大。根据财报,上半年,伊利营收增长高于行业第二名超3个百分点,盈利超过其三倍。从全球行业格局来看,在荷兰合作银行最新发布的“2024全球乳业20强”榜单中,伊利蝉联全球乳业五强、连续11年稳居亚洲乳业第一,再次成为唯一进入全球五强的中国乳企。另外一家中国乳企,则降至第九位。

就此有行业人士指出,乳制品行业是一个非常依赖规模效应的行业,伊利股份的规模领先优势持续强化,将进一步加速行业集中度的提升。

其次是经营及业务上的全面领跑。上半年,伊利液体乳业务实现营业收入368.87亿元,业务规模、市场份额持续稳居第一;奶粉及奶制品业务实现营业收入145.09亿元,同比增长7.31%。奶粉业务整体销量跃居中国市场第一,其中,婴幼儿配方奶粉增速逆势领跑行业;冷饮业务实现营业收入73.22亿元,份额继续提升,业务规模、市占份额连续29年稳居全国第一。

从业绩的相对强势和业务的绝对领跑来看,毋庸置疑伊利的本期中报是乳业最好中报。

下半年的表现会更好

除了财报数据,在次日召开的业绩说明会上,伊利对上半年主动调整的进展和未来的趋势也给出了展望,“下半年公司有望取得更好的业绩表现。”

值得注意的是,伊利基本盘液体乳业务已经重新回到良性轨道。据了解,进入7月以来,伊利液奶业务渠道体系稳中向好,终端市场环比明显改善。此外,伊利在业绩说明会上表示,上半年的调整,虽然从出货端来看对于公司有一定的影响,但是从终端表现来看,公司的表现依然领先于行业。

而伊利重点布局的奶粉业务,已经取得中国市场销量第一。上半年,金领冠塞纳牧零售额同比增长近30%;伊利成人奶粉业务精准聚焦需求,重点布局“营养+功能”赛道,规模、市场份额稳居第一。未来,随着中小乳企库存有序出清以及老龄化加速趋势,主打全生命周期营养健康覆盖的伊利奶粉,仍有望领先行业保持更高的景气度。

此外,面对冷饮市场的挑战,伊利快速调整经营策略:在渠道端,协助经销商消化库存,并通过加强冷柜投放等基础设施建设,维护行业渠道健康发展;在产品端,以快速满足消费者需求为基准,进一步提升产品质价比。据了解,目前伊利冷饮业务的库存在整个行业中处于最好水平。

分红有望持续增加

最后值得一提的是,上半年伊利股份基本每股收益1.18元/股,同比增长19.19%。这个数据意味着,全年来看,伊利在分红方面仍将继续增加。同时,伊利方面在本次业绩说明会上表示,公司会努力实现股东权益最大化,未来几年,将保持分红率不低于70%,同时分红额也能够实现持续增长。

尤其是在当下市场振幅加大的情况下,市场估值的锚点进一步向股息率飘移,而伊利目前的股息率已经接近6%的高水平,极具吸引力。放眼整个A股市场,这样的股息率也不多见。要知道,中长期国债的收益率也就只有两三个百分点的收益率。

另外,关于分红的持续性的问题,就要从伊利未来的发展愿景来分析。要成为全球最值得信赖的健康食品提供者,意味着伊利未来要在更多的食品赛道、更大的全球市场,谋求更多的增量空间。

上半年,伊利的非乳品类表现出色,伊刻活泉水饮业务取得翻倍增长。伊利海外收入也取得4%的增长。可见,无论是多品类覆盖,还是全球化增长,伊利早就开始谋篇布局,并且取得了不错的成绩。

  • 5
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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