在所有描述"增长"的模型里，指数曲线让人兴奋，线性曲线让人安心，而 S 曲线让人赚钱。区别只有一句话：指数曲线假设世界没有边界，S 曲线承认天花板存在。
对投资人而言，S 曲线回答的是三个最贵的问题：这门生意还有多少空间（K 在哪）、现在跑在什么位置（t 在哪）、加速度是正是负（二阶导符号）。估值可以给高，但给高的前提是二阶导为正；一旦二阶导转负，同样的增速、同样的龙头，估值中枢会系统性下移 30%–50%，而财报上什么都没变。

核心命题
S 曲线不是一个"描述工具"，而是一个定价工具。市场每天都在给渗透率定价，只是大多数人用的是"同比增速"（一阶导），而真正决定估值方向的是"增速的增速"（二阶导）。本报告的全部内容，都是围绕如何把二阶导算得更准展开的。

数学骨架：一个方程，三个导数
S 曲线最简形式是 Logistic（逻辑斯蒂）方程，1838 年由 Verhulst 提出，最初用于描述人口增长受资源约束的情形。
N(t) = K / [ 1 + e−r(t−t₀) ]
K = 天花板（环境容量）　r = 内禀增长率（陡峭度）　t₀ = 拐点时刻，此时 N = K/2

对它求导，得到投资上真正有用的两层信息：

一阶导　dN/dt = r · N · (1 − N/K)= 当前渗透速度。
峰值出现在 N = K/2，峰值速度 = rK/4。

二阶导　d²N/dt² = r² · N · (1 − N/K) · (1 − 2N/K)= 速度的加速度。
N < K/2 时为正（加速），N > K/2 时为负（减速）。零点即拐点。


可直接使用的经验公式
Logistic 曲线从 10% 渗透率走到 90% 渗透率所需的时间是一个只与 r 有关的常数：
T10→90 = ln(81) / r ≈ 4.394 / r
反过来说，如果你观察到某个行业从 10% 走到 90% 用了 10 年，那么它的 r ≈ 0.44；用了 5 年，r ≈ 0.88。r 是可以在产业早期就估出来的——只要你能找到一条可比的历史曲线做类比。这是 S 曲线方法论里最实用的一步。

为什么一阶导是抛物线把一阶导写成 dN/dt = (r/K) · N · (K − N)。括号内是"已采用者 × 未采用者"的乘积——这与传染病 SIR 模型的核心项完全一致。S 曲线本质上就是一个传染模型：一个已感染者遇到一个未感染者，才会产生新感染。市场里没有"传播"的技术，扩散得再好也只能是线性而非 S 形。

S 形的三个来源曲线之所以弯成 S，是三股力量叠加的结果。缺任何一股，形状都会改变——识别是哪一股在起作用，就能判断这条曲线的可靠性。
① 正反馈（加速力）口碑、网络效应、成本学习曲线。已采用者越多，未采用者被触达的概率越高，边际获客成本越低。这一项让曲线向上凸。
② 约束（减速力）剩余市场 (K−N) 不断缩小，优质客户先被收割，剩下的都是硬骨头。这一项让曲线向下凹。
③ 异质性（形状力）采用门槛在人群中不是均匀分布的。有人花 5000 元就买，有人要等降到 500 元。这一项决定了曲线左右不对称的程度。

实务陷阱
很多所谓的"高增长赛道"其实只有力量①在起作用，力量②离得很远——那不是 S 曲线，那是指数曲线的开头一段，你会把中段误判成"还在加速期"，然后在真实的天花板前撞墙。判断有无力量②的简单方法：看行业龙头的获客成本是下降还是上升。如果渗透率上升但获客成本也在上升，说明剩余市场的质量在恶化，天花板比你想象的近。

Rogers 五类采用者：S 曲线的另一副面孔
Everett Rogers 在《创新的扩散》(1962) 中按"采用意愿"把人群分成五类，比例来自正态分布的区间切分：

一个漂亮的数学对应
Rogers 的钟形采用者分布，就是 S 曲线的一阶导。Rogers 假设采用意愿服从正态分布，而正态分布的累积函数在实践中极难处理——Logistic 函数正是它的标准近似替代。所以：Rogers 的钟形曲线 = Logistic 的一阶导 = 每年新增采用者。同一个现象，三种画法。

Moore 的鸿沟在 16%
Geoffrey Moore 在《跨越鸿沟》中指出，早期采用者（技术与产品爱好者）与早期大众（实用主义者）之间的心理断层，位于累计渗透率 16% 处。大量产品死在这里——不是因为技术不行，而是因为卖点没有从"参数领先"切换到"可靠省心"。
投资含义：渗透率在 10%–20% 区间的行业，是死亡率最高、同时也是赔率最高的区间。二阶导在此处最大（加速度顶点），但胜率最差。这是 S 曲线上唯一需要"赌"而不是"算"的地段。
Bass 模型：把 S 曲线参数化Frank Bass (1969) 的模型把扩散拆成两股力量——外部影响（创新系数 p，广告/媒体驱动）和内部影响（模仿系数 q，口碑驱动）：
风险率　f(t) / [1 − F(t)] = p + q · F(t)F(t) = 累计采用比例。p 项与已采用人数无关（外部），q 项正比于已采用人数（内部）。
其闭式解为 F(t) = [1 − e−(p+q)t] / [1 + (q/p)·e−(p+q)t]，并给出三个可直接用于投资判断的推论：

参数先验值（Sultan, Farley & Lehmann, 1990, JMR）
对 213 个扩散实证应用的元分析给出：p 均值 0.03（区间 0.01–0.03），q 均值 0.38（区间 0.30–0.50）。这是你在没有历史数据时做类比推演的默认值，也是业界最常用的先验。

q/p 是单一最强诊断指标
q/p > 20：尖峰型，口碑主导。早期种草的边际收益极高，但产品一旦翻车，口碑反噬同样剧烈，曲线可能中途塌陷。典型：社交属性强的消费品。
q/p = 5–20：中等峰型，需在广告与口碑之间配平。多数消费电子落在这里（默认 12.67）。
q/p < 5：平缓型，广告/渠道驱动。增长几乎线性，天花板由营销预算而非口碑决定。典型：To-B 软件、工业品。
跨市场外推时的一个硬约束：不要把一国的 q 直接搬到另一国。实证显示，低个人主义、高不确定性规避的文化中 q 显著更高（集体主义放大从众压力）。中国市场的 q 通常高于欧美同品类，这解释了为什么中国消费品的渗透曲线往往更陡、更短。
拐点分歧：37%、46%、还是 50%？
这是最重要、也是最被忽视的一点。三个主流模型给出三个不同的拐点位置，而拐点位置直接决定你是加仓还是减仓。


投资含义：13 个百分点的不确定带
三个模型的拐点落在 36.8% – 50% 之间，宽度 13.2 个百分点。在一个万亿级市场里，这 13 个点对应的剩余空间差异是数千亿的营收和数倍的估值差。
更现实的做法不是选一个模型，而是：用 Gompertz 的 36.8% 作为保守减仓线，用 Logistic 的 50% 作为乐观减仓线，在 37%–50% 这段区间内逐步降低估值弹性敞口、提高现金流与分红权重。等你确认了模型归属，价格早就走完了。

如何判断你的行业属于哪个模型
看替换周期。替换周期越长（房子、汽车、电网设备），存量更新越慢，曲线越右偏 → Gompertz。
看社交可见度。产品越"被看见"（手机、穿戴、汽车），q 越高，早期越快 → Bass 且 q 偏大。
看是否存在强制替代。政策强制（禁售燃油车、电表更换）会削平右尾，让曲线更接近对称 → Logistic。
四层 S 曲线，且它们不同步把"S 曲线"当成一个东西是最大的误用。实际上至少有四层曲线在同时运行，而且它们的相位差可能是数年：
① 技术 S 曲线（Foster）横轴 = 研发投入，纵轴 = 性能。每条技术都有物理极限，接近极限时投入产出比急剧恶化。技术替代发生在两条曲线的交叉点，而不是某条曲线走完时。
例：PERC → TOPCon → HJT → 钙钛矿，每一代的极限效率分别为约 24.5% / 28.7% / 29%+ / 33%（叠层）。

② 产品/市场 S 曲线横轴 = 时间，纵轴 = 渗透率。这是大家最熟悉、也最常被误用的那一层。
例：中国新能源车新车渗透率 2020 年 5.4% → 2026 年 1–8 月 52.4%。

③ 企业 S 曲线（第二曲线）Handy 的第二曲线：企业必须在第一条曲线见顶之前启动第二条。启动太早伤当期利润，太晚则组织能力已衰减。
例：宁德时代从动力电池 → 储能 → 换电/滑板底盘，曲线重叠期长达 3–4 年。

④ 产业 S 曲线（生命周期）由集中度（CR3/CR5）、利润率、产能利用率共同刻画。通常滞后于产品 S 曲线 1–3 年，因为产能释放与出清需要时间。

例：中国整车制造业 2026 年上半年平均利润率跌至 1.5%，创近 10 年新低——产业曲线已进入出清期，而产品曲线仍在爬升。

最大的错配
投资中最贵的错误是用产品 S 曲线去判断技术 S 曲线。光伏是典型案例：技术曲线（PERC→TOPCon→HJT）在 2020–2025 年间已切换两轮，每轮切换都让上一轮的产能瞬间变成沉没成本；但产品渗透曲线（全球光伏装机占发电量比例）仍在 10%–20% 区间。产品层面还在"黄金买点"，技术层面已经杀了三代人。

投资定位分区：把渗透率翻译成动作把前面所有模型压缩成一张可执行的分区表。注意每一档给的是动作而非描述。

0–5%　萌芽期
赔率极高、胜率极低。二阶导刚转正但噪声大。动作：观察仓，不重仓。技术路线未收敛前，选供应链不选品牌。
5–20%　加速期
二阶导为正且仍在扩大，跨越 16% 鸿沟。动作：最佳建仓区。此时估值尚未反映终局，龙头市占率开始分化。
20–46%　爆发期
绝对增速最高，戴维斯双击。动作：持有，享受估值扩张，但开始测算 K 的可靠性，为减仓做准备。
37–50%　拐点带
三模型分歧区，二阶导大概率转负。动作：分批降低估值弹性敞口，把仓位从"成长股"切换到"现金流+份额提升"逻辑。
50–80%+　减速与饱和期
增速仍为正但边际递减，价格战与出清开始。动作：只做两件事——龙头集中（CR3 提升）与出海/第二曲线（K 被重估）。此阶段的行业指数回报通常跑输个股分化收益。
两个必须做的校正校正一：K 的重估。
如果行业打开了新市场（出海、新应用场景），标称渗透率会立刻失真——分母变了。此时要用"全球渗透率"而非"本国渗透率"重新定位。见第 10 节中国新能源车案例。校正二：存量 vs 增量。
绝大多数公开渗透率是新增口径（当年新售/当年总量）。但如果产品的替换周期是 10–15 年，真实的市场饱和度要看存量口径。两者可以相差 30 个百分点以上。
案例一：中国互联网普及率（教科书级完整 S 曲线）
中国互联网络信息中心（CNNIC）自 1997 年起每半年发布一次统计，是全球少有的、被完整记录下来的长周期 S 曲线——从 4.6% 走到 80.1%，历时 23 年。


三个可迁移的观察
1. 加速度峰值出现在 2008 年（+6.6pct），对应渗透率约 22.6%——远低于 50%。这提示真实世界的中国消费扩散更接近 Bass/Gompertz 而非对称 Logistic，外部基础设施（宽带、资费下降）是 p 项的主要来源，且 p 项是随时间变化的，违反了 Bass 模型"p 恒定"的假设。
2. 2020 年的 +5.9pct 是一次教科书级的外生冲击：疫情把原本需要 3 年的转化压缩到 9 个月，随后 2021 年回落到 +2.6pct。任何试图用 2020 年数据外推的线性模型都会严重高估天花板。
3. 2024→2025 年增仅 +1.5pct，且增量结构变成"银发+农村"。当增量来自最难转化的群体时，一阶导的衰减是不可逆的，此时估值逻辑必须从"用户数"切换到"ARPU 与变现率"。

案例二：中国新能源车——同一个产业，两个相反的结论
这是本报告最有现实意义的案例。中国新能源汽车的两个口径，给出了相差 35.9 个百分点的渗透率读数。


为什么两条线差这么多汽车平均使用年限约 12–15 年，而新能源车的规模放量只有 6 年历史（2020 年渗透率才 5.4%）。存量渗透率本质上是新车渗透率的滞后移动平均，滞后约半个替换周期（6–8 年）。2025 年 12.01% 的存量渗透，大致对应 2018–2019 年的新车渗透水平。
两个口径分别指向什么
按新车口径（52.4%）：已过 Logistic 拐点，处于减速期。这解释了 2026 年上半年整车制造业平均利润率跌至 1.5%（近 10 年新低）、车型周期从 7 年压缩到 3 年、新车上市 3 个月即见销量峰值等现象——这些都是饱和期特征，而非成长初期特征。整车制造环节应减配估值弹性。
按存量口径（12.01%）：仍在加速期前段。这意味着后市场、充电运营、电池回收、维修体系、二手车流通等"存量衍生需求"才刚刚起步，它们的 S 曲线相位严重滞后于整车，且天花板由保有量而非销量决定。这里才是剩余的 α。

第三个口径：全球，K 被重估
2026 年上半年，全球新能源汽车销量 1,123.4 万辆，同比 +14%，全球渗透率仅 24%；全球累计销量突破 9,400 万辆，其中中国累计超 6,200 万辆。同期中国新能源车出口 343.5 万辆，同比 +124%（2025 全年出口 261.5 万辆，同比 +100%）。
这就是第 8 节说的"K 的重估"。把分母从"中国新车销量"换成"全球新车销量"，渗透率立刻从 52.4% 回落到 24%，重新进入爆发期。这是中国新能源产业链最核心、也最容易被国内数据遮蔽的估值支撑。
国内新车渗透率 52.4% 已过拐点带且整车利润率跌至 1.5% 的近十年低位，但全球渗透率仅 24%、出口同比 +124%，K 处于被重估过程中；α 在出海与存量后市场，不在整车制造。
案例三：生成式 AI——最陡的 S 曲线，最不确定的 K
OpenAI 披露的 ChatGPT 周活跃用户序列，是人类历史上被记录到的最陡峭的采用曲线之一：

数据警示
2026 年 9 月 30 日 OpenAI 开发者日公布的"12 亿周活"，较 7 月的 10 亿在两个月内增长 20%，与前一阶段的减速趋势相矛盾。OpenAI 未披露统一的统计口径（是否合并 ChatGPT Work、Codex、API 与企业席位）。同期披露 ChatGPT Work 与 Codex 周活超 3,500 万、企业客户 250 万家。在用这条曲线做二阶导判断之前，必须先确认口径连续性——否则你会算出一个虚假的加速度反弹。
关键问题：K 究竟是多少
12 亿周活占总人口（约 82 亿）的 14.6%，占全球互联网用户（约 55–56 亿）的 约 21.5%。如果以互联网用户为分母，生成式 AI 恰好处于 "早期大众"区间（16%–50%）的前段，理论上仍在加速期。
但这个 K 极不稳定，原因有三：
替代而非新增：生成式 AI 大量替代搜索、内容生产、基础编程。它不是在空白市场扩散，而是在存量市场内部置换，K 的边界模糊。
技术 S 曲线跑得比产品曲线更快：模型能力的代际跃迁周期约 6–12 个月，远快于用户习惯形成周期。四层曲线严重不同步。
免费用户≠可货币化用户：付费转化率是这条 S 曲线真正的"有效 K"，而它可能只有总周活的 8%–12%。用 12 亿周活去撑起的估值，对应的其实是 1 亿多的付费天花板。
谨慎，不追高应用层的用户数叙事, 原因=21.5% 的互联网用户渗透率看似处于加速期，但 K 受免费/付费结构、替代性需求、模型代际周期三重扰动，参数不可识别；在 p、q 无法稳定估计前，Bass 模型的外推结果不可用
S 曲线的六种失效模式
① K 的误判（最致命）
所有参数中，K 最敏感也最难估。柯达把 K 定义为"胶片需求量"，而不是"记录影像的需求量"；黑莓把 K 定义为"带键盘的手机"，而不是"移动计算终端"。K 的定义错误会让整条曲线的所有推论全部作废，而且错误在你看到拐点之前不会暴露。
防御方法：永远用"需求本质"而非"产品形态"定义 K，并对 K 做 ±50% 的敏感性测试。如果投资结论对 K 的取值高度敏感，说明这笔投资本质上是在赌 K，而不是在赌渗透速度。
② 伪拐点（政策与补贴扭曲）
中国新能源车提供了一个标准样本：2019 年渗透率 4.7% → 2020 年 5.4%（几乎停滞，补贴大幅退坡）→ 2021 年 13.4%（爆发）。如果在 2020 年用二阶导判断"拐点已至、行业见顶"，会错过后面 10 倍的行情。政策退坡造成的增速回落是伪拐点，判断依据是看驱动因素是否从"补贴"切换到"产品力/成本平价"。
③ 多 S 叠加（伪饱和）
当一个市场看似饱和时，往往是三条 S 曲线在叠加：本国市场、海外市场、相邻应用市场。第 10 节的中国新能源车正是如此——国内 52.4%，全球 24%。识别方法：检查出口占比与海外收入增速是否在加速。若出口同比 +124% 而国内 +29%，则整体曲线远未见顶。
④ S 之后不是平台，可能是断崖
Logistic 曲线趋于 K 时是渐近的，但真实产业不是。当新技术 S 曲线从下方穿越旧技术时，旧曲线不是走平，而是塌陷。诺基亚在功能机渗透率仍在高位时被清零。判断依据：关注技术 S 曲线（性能/成本）的交叉点，而非产品渗透率的绝对水平。
⑤ 存量/增量混淆
已在第 10 节展开。补充一个判断规则：当替换周期 > 5 年时，必须同时跟踪存量口径；当替换周期 < 2 年（如消费电子配件、快消）时，新增口径即可。
⑥ 对称性幻觉
Logistic 的对称性是一个数学假设，不是自然规律。现实中多数曲线右偏（尾部拉长），这也是 Gompertz 在拟合长期数据时常优于 Logistic 的原因。若用对称模型拟合右偏数据，会系统性高估拐点位置约 13 个百分点。
⑦ 参数不稳定性（附赠）
Bass 模型的参数估计对数据长度极度敏感：用早期（拐点前）数据拟合会系统性高估 q、低估 p，因为后期的口碑效应尚未显现。经验规则：至少需要 3–4 个完整周期的数据才能开始拟合，且每新增一年数据都要重新估计。
与相邻曲线的关系


最关键的一句
泡沫的机械来源不是"大家太乐观"，而是期望曲线与渗透曲线之间存在系统性相位差。期望在渗透率 5%–15% 时就冲到顶点（因为叙事能力跑在交付能力前面），随后在渗透率 20%–35% 时崩塌——而这恰恰是渗透增速最快的黄金期。能在"幻灭低谷 + 渗透 10%–20%"这个交会带买入的人，吃到的就是这段相位差。

检查清单与评分使用 S 曲线前的七问
K 是什么？用需求本质而非产品形态定义。做 ±50% 敏感性测试了吗？
用哪个口径？新增还是存量？本国还是全球？两者差多少？
替换周期多长？>5 年必须看存量口径。
模型归属？对称（Logistic, 50%）、口碑主导（Bass, 46%）还是长尾（Gompertz, 36.8%）？
是四层中的哪一层？技术曲线是否已经穿越了产品曲线？
二阶导的符号是什么？不是"增速还有多少"，而是"增速在变快还是变慢"。
有没有外生扰动？补贴、疫情、政策强制——这些会造成伪拐点或伪加速。

S 曲线作为投资工具的维度评分
如何正确使用这 6.6 分
S 曲线在方向判断上很强（8.5 分），在时点判断上很弱（4.8 分）。这意味着正确的用法是：用它来决定"配不配、配多少"，而不是用它来决定"什么时候买卖"。它告诉你的是这门生意还剩下多少空间、加速度朝哪个方向，而不是下周的股价。把 S 曲线当择时工具使用，是它最常见也最昂贵的误用。
方法论层面看多（作为资产配置与仓位框架）, 原因=方向判断维度 8.5 分而时点判断仅 4.8 分，框架价值集中在"空间测算+加速度方向"，而非择时；K 估计可靠性 4.0 分是唯一的结构性短板，需通过敏感性测试与多口径交叉验证来补偿。
三条落地建议
建一张渗透率跟踪表：对核心持仓，同时记录"新增渗透率 / 存量渗透率 / 全球渗透率"三个数，季度更新。三个数的一致性本身就是最好的风险指标。
用 37%/46%/50% 三条线做减仓触发器，而不是等确认拐点。确认拐点时，估值已经完成重定价。
永远先问技术 S 曲线：在看渗透率之前，先看这个行业的技术路线有没有逼近物理极限。技术曲线的交叉点比产品曲线的拐点更早、更致命。
数据来源：CNNIC 历次《中国互联网络发展状况统计报告》、中国汽车工业协会（中汽协）2025 年度数据、公安部 2025 年度机动车统计、中国汽车技术研究中心（2026 世界新能源汽车大会）、OpenAI 官方披露、Sultan, Farley & Lehmann (1990, Journal of Marketing Research)、Bass (1969, Management Science)、Rogers (1962)、Moore (1991)。
模型计算与图表为作者基于公开参数自行推演，示意性图表（图 5、图 8）为定性刻画，不代表具体公司或行业的实际数值。
为方法论研究，不构成任何投资建议。