熱門資訊> 正文
2025-08-22 07:34
(來源:國金證券研究所)
摘要
農藥分為創新葯和仿製藥,少數擁有創新能力的跨國巨頭掌握着產業鏈高附加值環節。農藥是用於防治農林業病蟲害以及調節植物生長的各種物質,按照防治對象的不同,主要分為除草劑、殺蟲劑、殺菌劑、植物生長調節劑等。農藥原藥分為創制藥和仿製藥兩類,少數擁有創制能力的跨國巨頭掌握關鍵專利及產業鏈高附加值環節,技術壁壘在短期內難以被完全跨越;新興市場企業則正通過「聯合創制」、併購技術平臺等方式逐步切入這一高端領域。2024年富美實、Corteva、拜爾、巴斯夫研發研發費用合計99.5億元,較2016年上漲21.67%,平均研發費用增速為3.13%。
醫藥與農藥具有相似的研發邏輯,農藥創新葯的研發可以藉助醫藥行業的經驗。農藥和醫藥儘管應用領域有所不同,但其底層邏輯與技術框架具有高度相似性,二者均包括仿製藥與創制藥的開發路徑,其核心流程均涉及活性分子的篩選、靶點識別、結構優化與安全性評價等關鍵技術環節。從產業規模來看,中國醫藥行業年研發投入已達約1300億元,反映出醫藥行業在研發體系構建、平臺搭建、產業協同等方面更為成熟。因此,農藥行業可以借鑑醫藥行業從仿製向創制轉型的成功經驗,特別是在AI輔助分子設計、高通量篩選等方面,通過引入先進理念和成熟機制,加速農藥研發的效率與創新水平。
搭建AI創新葯研發平臺的案例研究。搭建農藥創新葯研發平臺的底層邏輯在於構建一個以數據為驅動、模型為支撐、算法為引擎的系統,實現從靶標發現到候選分子篩選、優化與評估的全流程智能化。在構建模型方面,Kruger等人(2023)提出了一個基於機器學習判斷化合物是否具有殺蟲活性的典型數據篩選案例,其通過構建殺蟲劑與非殺蟲劑樣本的數據集,訓練機器學習模型以識別潛在殺蟲劑分子,並依據特徵數據進行性能評估。在優化模型方面,Chen等(2023)提出Pesti-DGI-Net深度學習結構,該架構通過多模態機器學習手段優化農藥識別模型。考慮到當前許多成熟的機器學習模型輔助藥物研發工具主要針對藥品單一屬性,構建綜合性工具平臺是AI輔助農藥創新葯研發較為實用的解決方案。例如,PDAI平臺(Pesticide Designbasedon Artificial Intelligence)就是一個專門為農藥分子設計量身打造的綜合性開發平臺,通過整合多種技術模塊,覆蓋從靶點識別到候選物篩選等多個關鍵研發階段,為農藥研發提供一站式服務。
風險提示
農藥需求下滑;農藥價格下跌;轉基因推廣不及預期;安全環保檢查。
+
目錄
一、農藥行業概況
1.1、農藥產業鏈分為五大環節
1.2、近年來國內外創制藥和靶標的研發進展
1.3 創新葯研發成本增長,研發周期變長
2、AI可以助力創新葯的研發
2.1、農藥創新葯研發可以借鑑醫藥創新葯研發的經驗
2.2、農藥可以借鑑醫藥在研發經驗
2.3 借鑑日本農藥企業的研發經驗
3、搭建農藥創新葯研發平臺
3.1、基於機器學習進行創新葯研發的底層邏輯
3.2 、當前面臨的主要問題:模型優化困難,輸出結果準確性較差
4、建議關注
5、風險提示
正文
一、農藥行業概況
1.1、農藥產業鏈分為五大環節
農藥是用於防治農林業病蟲害以及調節植物生長的各種物質,按照防治對象的不同,主要分為除草劑、殺蟲劑、殺菌劑、植物生長調節劑等。除草劑通過干擾光合作用、激素調控等生理途徑,選擇性或非選擇性防除靶標雜草,從而減少雜草與作物爭奪養分。殺蟲劑作用於害蟲神經系統、能量代謝或生長發育過程,以控制其種羣、減輕危害。殺菌劑用於抑制或殺滅引起植物病害的真菌、細菌等病原微生物,阻斷其侵染循環。植物生長調節劑則通過模擬或拮抗植物內源激素,定向調控其生長發育進程。從產業鏈視角看,農藥行業產業鏈可分為「原材料-中間體-原藥生產(AI Synthesis)-製劑和包裝-銷售」五大環節。
農藥原藥分為創制藥和仿製藥兩類。創制藥是指具備自主知識產權的新型活性成分,其研發過程複雜,需經歷大量化合物篩選和嚴謹的毒理、藥效、安全性試驗,研發成本高昂,技術壁壘顯著。憑藉專利保護,創制藥企業在市場上享有較高的獨佔性和溢價能力,並獲得高商業回報,代表性生產企業如先正達、拜耳、巴斯夫和科迪華。仿製藥則是在創制藥專利到期后,其他企業依據其公開的分子結構和合成路線進行仿製生產的產品,其研發周期與投入成本顯著較低,技術門檻也相對有限。仿製藥企業憑藉成本控制、產能優勢與渠道能力進行市場競爭,利潤空間受行業競爭程度影響較大,代表性生產企業如UPL、安道麥、潤豐股份。
根據先正達招股説明書,2021年全球農藥市場規模達658億美元,自2016年來年均複合增長率為3.3%,預計到2026年農藥全球市場規模可以達到734億美元。此外,從產品結構來看,低端產品用量已呈現出逐步減少的趨勢。2021年我國植物保護產品行業市場規模480億元,同比保持穩定,自2016年來年均複合增長率為3.1%。預計2026年整體市場規模將達到628億元,年均複合增長率5.5%,增長主要得益於逐步採用更為先進且更具可持續性的植物保護產品技術。
目前全球農藥市場已由仿製藥佔據絕對主導:最新數據顯示,仿製農藥的市場份額約93%,而仍在專利期內的創制農藥僅約7%。儘管份額有限,少數擁有創制能力的跨國巨頭依舊掌握關鍵專利及產業鏈高附加值環節,技術壁壘在短期內難以被完全跨越;新興市場企業則正通過「聯合創制」、併購技術平臺等方式逐步切入這一高端領域。仿製藥廣泛分佈於中低端市場,由中國、印度等國家的農化企業主導。隨着大量專利陸續到期、環保監管趨嚴以及全球對低毒高效產品的需求提升,仿製農藥市場仍具有可觀的發展空間。
1.2、近年來國內外創制藥和靶標的研發進展
在創新葯研發領域,歐美等發達國家的大型跨國公司憑藉技術積累和研發實力持續領先。國外研發的代表性原創農藥有2017年上市的環溴蟲酰胺(日本石原產業株式會社研發)、2018年上市的雙丙環蟲酯(巴斯夫研發)、2023年推出的核酸農藥Calantha(美國GreenLight Biosciences公司研發)、2024年推出的Booster抗性治理增效劑(英國Pangaea Biosciences研發)等,各有其獨特的作用機制與應用場景。目前全球農藥市場正逐步向創制藥為主導的方向發展,國內農藥行業也逐漸將發展重心轉向創制藥,並取得了顯著進展。近年來,清原作物科學自主研發了氟溴草醚、氟碸草胺、溴噁草松等十余種除草劑,先達股份研發了吡唑喹草酯、喹草酮、苯丙草酮等除草劑。
靶標是農藥在生物體內的作用位點(特定酶或受體),創新葯的關鍵就在於發現並驗證具有臨牀價值的原創性靶標。國外在靶標發現方面一直處於領先地位,近十年發現的原創性靶標數量較多,如環溴蟲酰胺的靶標魚尼丁受體變構體、雙丙環蟲酯的靶標香草酸瞬時受體通道複合物、氟噻唑吡乙酮的靶標OSBP、雙氫茉莉酮酸丙酯的靶標茉莉酸信號受體。國內雖然在分子靶標發現技術上與發達國家存在差距,但近年來也取得了顯著進步。國內研發人員已經發現UspA、Myosin-5、ApOR5-Orco、HPPD、OfHex1等多個農藥的潛在作用靶標,以農藥喹草酮的作用靶標HPPD為例,喹草酮的作用機制是抑制雜草體內HPPD酶的活性,阻止類胡蘿卜素的合成,導致植物葉片發黃、發白,影響光合作用最終使其死亡。這些原創性靶標的發現推動了國內外原藥創新葯的研發進程。
1.3 創新葯研發成本增長,研發周期變長
原藥創新葯作為農藥產品的核心,開發成本巨大、周期較長。根據Crop Life International的統計, 2014-2019年間新農藥研發平均需要近12.3年時間,成本超過3億美元。隨着農藥研發難度加大,研發成本和研發周期不斷攀升。根據Phillips McDougall AgriService的統計,1995年、2000年、2005—2008年、2010—2014年等4個時間段的農藥研發成本分別約為1.52億美元、1.84億美元、2.56億美元、2.86億美元,較上一個樣本段增長21%、39%、11.7%,同時研發周期也不斷延長,依次為8.3年、9.1年、9.8年、11.3年。與其他領域相比,植保工業持續高水平研發投入。儘管如此,近年來,全球農藥市場新產品登記速度下降,植保工業創制並上市的新產品處於低位水平。
全球主要創制藥企業研發成本自2016年平均增速為3.13%。2024年富美實、CORTEVA、拜爾、巴斯夫研發研發費用合計99.5億元,較2016年上漲21.67%,平均研發費用增速為3.13%。根據Phillips McDougall AgriService公司的統計,在過去50年里,全球主要研發型公司的總體研發投入一直保持較高水平,佔這些公司年銷售額的7%~10%。
2、AI可以助力創新葯的研發
2.1、農藥創新葯研發可以借鑑醫藥創新葯研發的經驗
醫藥與農藥具有相似的研發邏輯。二者均包括仿製藥與創制藥的開發路徑,其核心流程均涉及活性分子的篩選、靶點識別、結構優化與安全性評價等關鍵技術環節。儘管應用領域有所不同,但其底層邏輯與技術框架具有高度相似性。從產業規模來看,中國醫藥行業年研發投入已達約1300億元,反映出醫藥行業在研發體系構建、平臺搭建、產業協同等方面更為成熟。因此,農藥行業可以借鑑醫藥行業從仿製向創制轉型的成功經驗,特別是在AI輔助分子設計、高通量篩選等方面,通過引入先進理念和成熟機制,加速農藥研發的效率與創新水平。
醫藥行業和農藥行業具有相似的產業鏈結構與商業模式。二者都具有「原料-中間體-原藥-製劑-銷售」的產業鏈結構,均呈現典型的「微笑曲線」特徵,價值集中於研發創新和終端服務。從研發端看,醫藥行業與農藥行業以小分子設計為核心,依賴靶點識別、構效關係建模、毒性預測等關鍵技術環節推動產品開發,均涉及複雜的生物作用機制驗證與安全性評估,存在技術壁壘高、研發周期長、成本投入大的共性,形成了嚴密而系統的研發閉環。從終端看,醫藥行業與農藥行業均具有CRO與CDMO的商業模式。
醫藥行業和農藥行業具有相似的作物機制。醫藥與農藥在作用靶點層面存在高度同源性,這是因為二者均干預生物體的基本生命活動,如神經傳導、細胞分裂與代謝調控等,從而許多分子靶點在結構和功能上具有一致性。例如,魚尼丁受體(RyR)是調控細胞鈣離子通道的關鍵蛋白,醫藥領域通過蘭尼鹼類藥物作用於心肌細胞的RyR治療心律失常,氟蟲酰胺等農藥則通過激活昆蟲RyR誘導鈣流失致死;乙酰膽鹼受體(nAChR)是神經信號傳導的重要靶點,加蘭他敏通過調節nAChR治療阿爾茨海默病,吡蟲啉等新菸鹼類農藥則靶向昆蟲nAChR致其麻痺;微管蛋白(Tubulin)作為細胞骨架核心,是抗癌藥物紫杉醇的靶點,也是苯並咪唑類殺菌劑的主要作用位點;HMG-CoA還原酶既是降脂藥物他汀類的靶點,也是三唑類農藥干預真菌麥角甾醇合成的重要節點。靶標的相似性推動了兩行業研發策略的相似性。
醫藥行業和農藥行業具有相似的方法學。二者均依賴於化學合成、生物技術、化工工程以及計算科學等交叉學科的支撐,這些共同的技術基礎貫穿於新分子的設計、篩選、優化和製備全過程,形成了系統化、模塊化的研發範式。在化學方面,兩者都重視合成路線的效率與綠色工藝的可持續性;在生物學層面,基因工程、微生物技術與分子機制研究為活性物質的開發提供理論依據;計算科學的應用則體現在分子模擬、結構預測與人工智能輔助設計等關鍵環節。隨着信息化程度的不斷提升,農藥和醫藥研發均朝着高通量、自動化和智能化方向演進,提升了研發效率並降低了試錯成本。方法論的相似性使得醫藥行業中成熟的工具體系和研發流程對農藥行業具有直接的借鑑價值,為推動農藥研發模式的升級提供了可行路徑。
2.2、農藥可以借鑑醫藥在研發經驗
醫藥研發費用高昂且持續上升。根據TechTarget 的行業分析數據以及中國生物醫藥行業專家尹正的介紹,將一種新葯推向市場的平均成本為26億美元,其中臨牀試驗佔了很大一部分費用。高昂費用主要源於兩大瓶頸環節:一是靶點篩選與化合物驗證階段需進行數萬次實驗,二是臨牀前毒理與藥效測試依賴大量動物實驗和複雜體外模型,而監管標準的不斷提高也進一步加劇了成本壓力。近十年來,醫藥行業研發費用以平均每年30%的增速攀升,2015年行業研發費用176.19億元,而2022年已達1261.51億元,2023年以來增速有放緩趨勢。
AI可以提升創制藥研發的效率,降低研發成本。在靶點發現與驗證階段,AI模型通過整合多組學數據與文獻知識庫,可將靶點篩選時間縮短90%。英矽智能通過其人工智能驅動的PandaOmics平臺高效識別潛在藥物靶點,使得從靶點發現到臨牀候選化合物提名的新葯研發周期縮短至傳統方法的1/3。以其兩個具有全球首創潛力的項目為例:抗纖維化項目周期約18個月,DGKA項目約15個月,遠低於傳統藥物研發中平均約4.5年的時間周期。在分子設計與優化階段,生成式AI在生成新分子結構與提升命中率方面展現出更強突破性:Chemistry42引擎基於AlphaFold預測的蛋白結構,僅用30天便設計出靶向CDK20的肝癌苗頭化合物,而傳統方法需6-12個月;Model Medicines公司的ChemPrint模型針對AXL靶點實現45.5% 的體外命中率;先正達應用最先進的數字化和物理技術加速化學設計與合成技術創新過程,例如機器人高速合成、流體化學、計算機輔助分子設計和人工智能引導的化學合成等技術,每年內部合成超過10000種化合物。
晶泰科技提供了AI輔助醫藥研發的範式創新實踐。據其在官網上的公開信息,晶泰控股正依託其自主開發的AI驅動分子模擬平臺,通過融合量子物理、高性能計算與機器學習技術,突破傳統藥物研發模式,在靶點識別、分子篩選與結構優化等關鍵環節實現提效降本。該平臺能夠在數周內完成億級化合物的虛擬篩選,顯著壓縮研發周期並提升命中率。目前,晶泰在多項對外合作中已將先導化合物的篩選周期從傳統的18個月縮短至不足6個月。公司協同多家全球領先藥企推進多個管線項目,持續推動AI從藥物研發輔助工具向決策引擎轉變,在與輝瑞合作研發新冠藥 Paxlovid中,僅用 6 周時間就確認了藥物優勢晶型,顯著縮短研發周期;在與正大天晴合作開發抗腫瘤小分子新葯時,僅用原計劃 50% 的時間即達成重要里程碑,極大縮短了研發時間。
農藥行業亦面臨原藥創新葯研發費用高昂的難題。由於醫藥行業與農藥行業的諸多相似性,醫藥行業在運用AI輔助研發、降本增效方面積累的經驗,可為農藥研發提供借鑑路徑。農藥行業也可利用人工智能和大數據等新興技術,降低原藥的研發成本。例如,AI模型可輔助企業從海量化合物數據庫中篩選潛力農藥分子,預測其生物活性、環境安全性及對目標作物的適用性,從而減少冗余試驗、提高研發成功率。此外,AI還能幫助企業設計更加智能的田間試驗方案,優化劑量和使用場景。未來,擁有先進的人工智能輔助研發能力和龐大化合物數據庫的公司,在新型原藥研發的成功率上將具備顯著的差異化優勢。通過技術協同,農藥行業有望步入一個更加高效、綠色和經濟的創新周期,滿足農民、市場與環境三方的共同需求。
2.3 借鑑日本農藥企業的研發經驗
日本農藥企業在創新徵程中,僅投入了跨國公司約十分之一的研發費用,卻收穫了與之不相上下的創新成果,其背后獨特且高效的創新體系非常具備參考意義。
合作開發模式,日企在化合物完成實驗室小試實驗后,部分產品便轉讓給其他跨國農藥公司。這種模式使得日本農藥企業能夠在早期階段就獲得收益,同時將后續中試、田間試驗以及市場推廣等環節的風險和成本轉嫁給合作伙伴。例如,在20世紀80年代,日本的農藥公司成功開發出一種全新結構的化合物1-(6-氯-3-吡啶基甲基)-N-硝基咪唑烷-2-亞胺,該化合物在實驗室小試階段表現出優異的活性。隨后,日本農藥公司將其轉讓給拜耳公司。拜耳公司接手后,負責完成了中試、田間試驗以及市場推廣等一系列工作,最終使該化合物成功推向市場。
基於作用機理的創新策略。日企早期的利用電子模擬技術以及如今利用AI大模型模擬技術,對化合物的結構進行模擬和優化。通過活性基團的取代替換,合成出一系列類似化合物,再進行定向篩選,最終確定具有潛力的新化合物。以呋蟲胺為例,其研發過程正是基於這種策略。研究人員以一種優良的農藥品種為先導物,通過深入研究其結構和作用機理,利用AI模型進行模擬和預測,合成了大量類似化合物,並通過實驗篩選,最終發現了呋蟲胺這種高效防治害蟲的新化合物。
3、搭建農藥創新葯研發平臺
搭建農藥創新葯研發平臺的底層邏輯在於構建一個以數據為驅動、模型為支撐、算法為引擎的系統,實現從靶標發現到候選分子篩選、優化與評估的全流程智能化。
3.1、基於機器學習進行創新葯研發的底層邏輯
Kruger等人(2023)提出了一個基於機器學習判斷化合物是否具有殺蟲活性的典型數據篩選案例,其通過構建殺蟲劑與非殺蟲劑樣本的數據集,訓練機器學習模型以識別潛在殺蟲劑分子,並依據特徵數據進行性能評估。研究者採用BCPC數據集,用非農藥數據構建負數據集,利用公開工具如PaDEL和MOE構建高質量輸入特徵,並使用SVM、LDA、DT、RF、ANN、SOM六種主流的機器學習模型進行訓練與預測。最終訓練完成的模型能夠判斷新輸入品種的性能是否為合格殺蟲劑。例如,當機器輸出0時,説明機器基於其特徵數據認為不是殺蟲劑,性能較差。
3.2 、當前面臨的主要問題:模型優化困難,輸出結果準確性較差
需要注意的是,利用機器學習輔助藥品研發早在2000年左右就有學者提出,但由於數據質量參差不齊以及機器學習內部機制通常被視為「黑箱」,預測結果難以被完全信任,尤其是在涉及患者安全和藥物療效的關鍵決策中,因此沒有得到有效普及和使用。當前學界重點工作之一便是優化模型,得到更加準確的結果。Chen等(2023)提出Pesti-DGI-Net深度學習結構,該架構通過多模態機器學習手段優化農藥識別模型。
數據方面,研究人員首先構建了涵蓋1220個市場已銷售的農藥分子(包括殺蟲劑、殺菌劑和除草劑)與1986個非農藥分子的高質量數據集,作為正負樣本用於訓練模型。為表徵分子結構的不同特性,採用了三種主流表示方式:一是基於RDKit軟件包提取的分子描述符,輸入至人工神經網絡(ANN);二是利用DGL-LifeSci工具構建分子圖結構,輸入圖神經網絡(GNN);三是將分子結構可視化為圖像,輸入卷積神經網絡(CNN)進行識別。在模型融合方面,團隊創新性地引入了縮放點積注意力機制為輸入信息分配權重,從而提升模型對關鍵結構特徵的識別能力。通過對多種組合模型的性能評估,結果顯示融合分子描述符、圖結構與圖像特徵的DGI模型表現最優,在準確率與魯棒性上均優於單一模型,這為農藥分子的理性設計提供了可複製的技術路徑。
3.3、當前實用解決方案:基於現有技術搭建綜合平臺
考慮到當前許多成熟的機器學習模型輔助藥物研發工具主要針對藥品單一屬性,構建綜合性工具平臺是AI輔助農藥創新葯研發較為實用的解決方案。例如,PDAI平臺(Pesticide Designbasedon Artificial Intelligence)就是一個專門為農藥分子設計量身打造的綜合性開發平臺,通過整合多種技術模塊,覆蓋從靶點識別到候選物篩選等多個關鍵研發階段,為農藥研發提供一站式服務。其顯著優勢一是操作界面簡潔直觀,使農藥設計過程更具可訪問性和成本效益;二是通過模塊化集成實現多功能貫通,與傳統軟件聚焦單一功能形成差異;三是數據資源涵蓋全面,平臺構建了包括農藥數據庫、分子篩選庫、藥物片段庫、用户私有分子庫及靶點數據庫等在內的專業數據庫體系,其中數據來源涵蓋PPDB、PubChem、DrugBank、Uniprot、PDB等權威資源。以靶點識別模塊為例,PDAI可調用AutoDock、Vina等分子對接工具進行自動化分析,並通過算法評估得出最優結合位點和潛在靶點,輔助科學決策。PDAI已在多個實際案例中展示其應用價值,如HPPD靶點預測、細胞色素bc1複合物抑制劑發現、以及新型蜜蜂友好型肽類殺蟲劑的3D-QSAR建模等,顯著提升了農藥研發過程的效率。
4、建議關注
4.1、利民股份
利民股份的主營業務涵蓋農藥殺菌劑、殺蟲劑、除草劑三大品類及獸藥。公司通過併購河北雙吉、威遠生化等,構建起覆蓋農藥原藥、製劑及獸藥的全產業鏈體系,公司核心產品包括代森錳鋅、百菌清等農用殺菌劑,阿維菌素、甲維鹽等殺蟲劑,以及草銨膦等除草劑。
現階段,子公司德彥智創智能農藥活性分子設計平臺已藉助AI工具,佈局了算力平臺、數據平臺、靶標數據庫及靶標資源平臺,這三個平臺有助於全面提高創制化合物開發效率。當前,德彥智創對於AI的應用處於工具及模型階段,德彥智創通過AI技術將推動農藥創制過程變得更加高效、精準。此外,公司還積極探索AI+農藥創制研發的新思路,與巴斯夫達成戰略合作框架協議,共同推進新農藥在中國的開發、登記及商業化進程。
據披露的2025年半年度報告顯示,利民股份2025年上半年實現營業收入24.52億元,同比增長6.69%;歸屬於母公司股東的淨利潤2.69億元,同比增長747.13%。
4.2、揚農化工
揚農化工成立於1999年,2002年在上海證券交易所上市,是中國中化控股有限責任公司旗下成員企業,國內農化上市企業,全球擬除蟲菊酯原藥核心供應商。公司產品涵蓋殺蟲劑、除草劑、殺菌劑和植物生長調節劑等各大類農藥,種類豐富,能夠滿足不同市場需求。
研發創新方面,揚農化工擁有揚州植保研究院和沈陽中化農藥化工研發公司南北兩個研發中心,在新農藥產品創制及次新葯產品創新上具有顯著優勢。公司先后開發了多個農藥創制新品種,如氯氟醚菊酯、氟嗎啉、乙唑蟎腈、四氯蟲酰胺等,這些產品均成為國內市場的主導產品。其中,殺菌劑氟嗎啉是中國第一個獲准正式登記的具有自主知識產權的農藥產品,殺蟲劑氯氟醚菊酯是國內第一個銷售額超過3億元的農藥創制品種,乙唑蟎腈是中國第一大殺蟎劑單品。
4.3、江山股份
江山股份主要從事以除草劑、殺蟲劑為主的農藥產品,以特種化學品、化工中間體、氯鹼、新材料為主的化工產品,以及熱電聯產蒸汽等產品的研發、生產和銷售。
研發方面,根據年報披露,2024年公司研發共計投入20705.77萬元,新增項目11個,合計在研項目17個,全年完成11個研發項目的輸出,有6個項目結轉至2025年持續研發,開發農藥高端製劑產品17個,獲批新增登記6個,擴作登記6個,目前已全部實現銷售。全年共申請專利63項,其中發明專49項(含PCT專利2項),獲得專利授權18項,其中發明專利14 項(含國外授權7項)。2024年公司全力以赴推動創制產品 JS-T205落地轉化,目前該項目已處於試生產階段。
5、風險提示
全球農化需求下滑風險:中國農藥產品銷往全球,若全球農化需求不及預期,企業銷量下滑拖累業績增長。
農藥價格下跌風險:目前我國農化行業處於供需再平衡階段,農化行業需求較穩定,部分原藥品種存在供給端的增加而導致價格下跌風險。
轉基因作物推廣進度不及預期:轉基因的推廣將帶動部分農藥產品需求的增長,若轉基因推廣進度不及預期,將對部分農藥品種的需求造成影響。
安全環保政策風險:安全檢查影響農藥企業的開工率,從而影響企業正常的生產和經營。