上文回顾

上文对本系列文章做了回顾和总结，尤其是对自由现金流理论的弊端与缺陷做了进一步揭示，并对影响市盈率P/E的内在“动力-阻力”结构进行了剖析，为投资人和分析师提供了“增长动力”与“风险阻力”的量化分析视角。

本文将介绍估值的第一性原理、估值原则和价格泡沫的度量方法。迄今为止，包括教科书在内的大部分估值方法，都缺少这些原理、原则和方法。这使得市场很难形成能够达成共识的估值逻辑与有效方法，所谓市场共识，并非市场博弈的各方会形成一致意见，而是要在估值逻辑与方法上取得共识，形成可比较的标准，在此基础上的各方的认知分歧则是关键信息的信息差与风险偏好和投资风格的分歧，而非估值方法和标准的分歧。比如凯茜伍德（木头姐）团队对特斯拉的认知，就超过很多投资人，然而特斯拉的股价或估值水平究竟多少才合理？应该在什么价位进入才合适？是否有价值含金量或价格泡沫度的量化标准？这些问题才是凯茜伍德所面临的核心问题。同样，当下市场对英伟达和帕兰提尔（Palantir Technologies）估值水平的巨大分歧，也源于市场缺少能够达成共识的有效估值方法。这就导致很多方向不一致的意见，不是建立在可比较的基准上，比如，用当下的估值水平与历史比较而得出泡沫的结论，或者把好的公司与好的价格产生了混淆等。高估值未必是泡沫，好公司未必可投资。因此，分析估值或价格的价值含金量或泡沫度，并以此判断未来趋势，才是估值的最终目的。

成长性驱动价值模型在投资决策中的应用（续）

二、市场分析与估值的第一性原理：结构化的信息加工与数据的收敛

1. 海量市场咨资讯信息与数据的结构化导向

AI爆发前，大量市场资讯信息来自相关数据服务商，比如彭博和万德。机构和个人都是通过数据服务商来购买咨询信息。AI爆发后，很多机构和个人可以通过AI工具来发掘和加工大量公开的高价值信息和有效数据（包括购买的信息）。这种趋势一旦形成，将会对数据服务商的生存带来威胁。因此会倒逼数据服务商的转型。

无论是机构、个人还是服务商，在越来越便利获得信息与数据的情况下，在拥有越来越多AI工具的情况下，在案头或电脑中越来越多的AI生成高质量报告中，如何获得分析的结论或做出正确的投资决策，这才是最终诉求。因此，要能够将关键信息和数据生成结构化的评价与估值模型，并依此对趋势做出准确地判断，这才是市场分析与估值的第一性原理。如果机构只是习惯性地去购买数据服务商的数据，而无法充分利用这些信息与数据形成趋势判断的能力，AI的快速迭代就会对机构的传统竞争力构成颠覆性的威胁。

单从估值的角度，PEGR模型就是对信息加工后的数据收敛：估值水平P/E需要①必要收益率（最低收益率或折现率R），②必要回收期（隐含终值动态回收期n），③有效增长率G（净利润现值增长率）。而这些数据的形成，就是一个信息发掘、筛选、加工的过程，也需要一个结构化的工具——评价模型。

2.UNIT+RC评价/评级模型

如果说，估值模型是最终产品的生产设备，其原料的精炼和加工设备就是评价模型，而评价模型的原料来自市场上的大量信息和数据。这些信息和数据的来源可以是数据服务商，也可以是被不断训练和升级的AI工具。

以科技公司尤其是科创企业为例，使用PEGR模型所需要关键信息和量化数值，是从针对科创企业特点的UNIT+RC六维评价与评级模型，以及基于这个架构的动态微型数据库中获得：

图1. 股权评价与债权评级模型知识图谱示意图

图1是PEGR模型数据来源的企业画像——形成决策认知的结构化知识图谱，这个结构就是以资本维度为出发点，反推其他支撑这个维度的六个维度：

（1）资本维度

投资的第一性原理：以退为进，以终为始。聚焦升值空间与退出时点。

知识图谱：价值V-时间t图【价值曲线】

（2）效益维度

预期净收益与增长率。聚焦未来收益是否满足资本维度的要求。

知识图谱：净利润E-时间t图【增长曲线】

（3）效用维度

技术优势带来的性价比优势和新需求。聚焦是否满足效益维度的要求。

知识图谱：关键性能比较表【技术竞争格局】

（4）权利维度

知识（包括隐性知识）的保护手段，知识产权和商业秘密保护体系。聚焦是否能够通过知识保护，形成技术壁垒，以确保效用维度长久的竞争优势。

知识图谱：专利地图/商密资产架构图——基于区块链的全信息（显性知识与隐性知识上链且不可篡改的“证据链+激励链”商密资产）

（5）团队维度

创新研发能力与商业化能力。聚焦团队满足前述维度的能力，这些能力不限于企业内部，也包含通过股权或供应链价值纽带获得外部战略资源、专业资源与创新资源。

知识图谱：能力雷达图

（6）风险维度

上述所有维度都有信息的不确定性，这些不确定性是负面趋势的不确定性，包括实现价值目标的不确定性（如新药成功概率），达成业绩目标的不确定性，以及损失发生（如专利被无效，技术被替代等）的不确定性，这些不确定性最终都会导致估值缩水或股价下跌。

知识图谱：评价模型的所有维度都要收敛到资本维度，最终形成投资决策，包括买入、卖出，延长持有期，或提前退出等。

2.评价与评级模型数据库

 图2. 科技/科创类企业股权评价与债权评级模型数据库示意图

图2是评价与评级模型关键信息数据库示意图，也就是说，估值非一次性全周期价值的静态评估，而是根据关键信息变化，不断追踪重要事件（如里程碑时间和风险因素），并及时调整与校正的动态评估。这个数据库不仅是投资人跟踪企业关键信息的价值/风险仪表板，也是企业的价值管理的“战略管理仪表盘”。

3.评价模型与估值模型的关系

图3. 评价模型会为估值模型

评价模型会为估值模型提供关键信息支撑的量化数据，比如增长率、折现率、静态回收期、动态回收期等。这些关键信息最终会形成可以消除市场各方因认知差导致估值无法收敛的关键估值参数，有助于各方尽快达成交易。

三、估值原则

1. 两个必要原则

估值是两个必要原则约束下的价值分析：必要收益率——最低收益率（即折现率R），及必要回收期——最长动态回收期（即隐含终值DPP）。其中，必要收益率又包含两个维度：

（1）自身维度——融资成本与风险偏好。风险偏好必须超过融资成本，也就是说如果融资成本是6%，就不可能去投资5%国债。风险偏好决定了项目类型，比如科技类的早期或者长期投资（即大胆资本和耐心资本）。

（2）项目维度——项目的风险水平。项目的风险水平受到三个因素影响：①阶段性经营风险（不同阶段会有不同的折现率）；②资本的时间风险（Horizon Premium）（与项目无关，随时间延长而上升）；③股权流动性风险（从风险投资到Pre-IPO，再到股票，不同阶段的股权流动性不同，越早期的股权投资风险越高）。因此，必要收益率（折现率）必须覆盖这三个因素。

必要回收期涉及到投资效率。传统估值方法是不考虑投资效率的，只要NPV＞0或IRR≥R。而在现实市场中，所有投资都是有退出期限要求的。投资人可以在必要回收期后继续长期持有，但这不意味着投资没有效率的约束。

2.两个有效原则

（1）有效增长率——净利润的现值增长率G。在估值分析和比较中，不考虑风险因素的增长率无法使用，比如复合增长率CAGR。

图4. 不同复合增长率CAGR在不同风险水平R下的有效增长率G比较

图4中，项目2的复合增长率不及项目1（CAGR2＜CAGR1），但其有效增长率却高于项目1（G2＞G1）。原因就是项目1的风险水平大于项目2。因此复合增长率是不能用于估值分析和比较的。只有在同样时间内和相同风险水平下才能用复合增长率做比较。

（2）有效预测期——内部收益率IRR≥折现率R的时间区间就是有效预测期。IRR＜R后的累计净利润现值会低于初始投资，使得投资回报为负数。

图5. 内部收益率与折现率曲线

图5中，折现率曲线会随着时间的延长而上升，这是资本的时间风险（Horizon Premium）和可预测期外项目信息的不确定性陡然上升所致。这种现象在科技股中比较普遍，但在银行类股票和公共基础设施的股票中R曲线陡峭上升的情况比较少。

3.投资性价比判断——市场平均基准原则

如何对不同市盈率的公司进行比较，一直是一个估值难题。无论是投资决策，还是投资组合，乃至资产配置，都需要对不同价格下的资产进行性价比的分析与比较。传统方法就是选择内部收益率IRR高者，然而当遇到一个IRR较高但投资期较长的优选项目，与一个IRR较低但投资期较短的优选项目做比较时，就没有更好的方法了。因此，就需要找到一种能够表达不同市盈率下，价值与风险平衡后的可比投资价值。

投资效率就是可以用来表达投资性价比的指标，衡量投资效率有两个角度，一个是业绩评价角度，这个角度只看投资退出时的回报率。另一个是价值评估角度，这个角度只看业绩支持下的投资回收期。前者是事后评价，后者是事前预测。价值评估并不对价格做预测，只分析企业经营的业绩与风险，因此是后者。

前文介绍的投资效率（Investment Efficiency，IE）就是用估值/DPP（P/n）比率，来做同等投资额下的“等效价值比较”，这个方法比较直观，但因需要模拟较短DPP项目延长DPP后的模拟价值增加，需要假设，且使用上不方便。因此可以用一个更加简易的指标PE·n/G（G＞0），其中n为隐含终值动态回收期DPP，G为n内的有效增长率（即现值增长率）。

PE·n/G指标的经济学含义：G是增长动力，G越高，增长动力越强。n是本金现值收回的时间，时间越长，说明实现投资回报的阻力越大。因此G/n就是增长动力/风险阻力比，相当于股票（或股权）的内在价值含金量。PE/(G/n)就相当于与价值含金量密度的倒数——泡沫含量，因此PE·n/G可以作为表达股价泡沫度的指标：

这个公式的经济学含义就是的“为每1%的有效增长需要花多少时间和支付多少风险溢价”。

PEGR公式本身看不出投资效率或含金量/泡沫量，因此需要用PE·n/G指标来表达估值水平的泡沫度。PE·n/G公式相当于是对彼得林奇PE/g公式的升级版，它克服了PE/g公式中复合增长率g不考虑风险因素和没有估值期限约束的缺陷，在PE/g公式中，g是3年的增长率还是5年的增长率，估值结果会大不相同；同样的g，不同的风险水平R，结果也大不相同（参见图4示意案例）。

在做股票投资分析时，常常会遇到科技股高估值的市场分歧，比如英伟达、特斯拉和帕兰提尔的股价，有人认为合理，有人认为是泡沫。而动态回收期（隐含终值DPP）内可预测期的短期增长率（有可能为负值，比如亏损期的特斯拉）也无法表达未来的预期（即远期业绩爆发的陡峭增长曲线），因此，就需要通过隐含终值DPP中的终值TV来解释远期增长率的合理性。

在隐含终值DPP中，终值TV代表了预测期外的远期价值，相当于是市场根据当下信息对企业远期价值不确定性的“拥抱”。TV是很多估值水平很高，但短期业绩难以支撑当下估值或价格的价值来源，也是所谓“市梦率”的基础。因此需要通过对TV的价值/风险的分析，来判断“市梦率”的合理性，以及估值的泡沫度。

为了方便不同DPP中隐含TV的比较，需要市场平均动态回收期（Market-Average DPP，MA-DPP）来作为估值基准，把不同的项目在MA-DPP中做有效增长率的分析和比较。

TV的分析方法为先确定可预测期（3-5年），然后用DPP减去可预测期，剩余后段时间的价值就是TV。TV相当于可预测期期末的价值，可以用PEGR公式来计算TV对应的期间增长率。市场平均动态回收期MA-DPP可以将不同市盈率和不同DPP的项目，统一在一个市场平均水平的基础上，来进行估值的合理性分析与不同项目的投资性价比比较。

MA-DPP是用市场历史ERP（Equity Risk Premium）数据（来源：各类市场资讯）计算出的历史市场平均最长DPP（即增长率为0的DPP，DPP=1/ERP），以下为美国标普500的MA-DPP：

表1. 市场历史平均隐含终值DPP

在使用MA-DPP做估值分析时，可以通过这期间的隐含TV的价值和TV阶段的增长率来判断估值的合理性：对于成长型企业来讲，TV价值越低，且TV阶段的增长率远低于可预测期的增长率，则说明期初的估值偏低，属于价值洼地；如果TV价值很高，且TV阶段的增长率也很高，甚至高于可预测期的增长率，则说明期初的估值偏高，属于价格泡沫。

之所以要遵守市场平均基准原则，就是无论价值洼地还是价格泡沫，都是相对于当时市场的平均估值水平，如果整个市场对成长股的风险偏好上升，合理估值水平就会上升，预测TV阶段的增长率也会随之普遍上升，也就是市场对远期的价值故事更加相信，更愿意接受市梦率的价格。

将不同项目的DPP收敛进入MA-DPP做分析和比较，有两个目的：第一，方便在相同的标准下对不同项目进行投资性价比的分析和对比；第二，MA-DPP也是隐含终值的DPP，且大于市场平均DPP（因为按照增长率为0计算），如表1所示，如果2011年某股票的可预测期为4年，TV阶段就为8.5年，假如2011年的折现率为10%，MA-DPP到最后一年（第12年），资本的时间风险溢价和项目的高度不确定性会让折现率陡峭上升到25%以上，因而分析超过MA-DPP的价值就没有太大意义了。

用DPP内的隐含TV做估值水平性价比分析，就是将不同项目的DPP，不论长短，或者压缩，或者拉长，都换算成统一的MA-DPP，用市场基准来判断价格或估值的合理性。

图6. MAM-DPP内估值合理性分析示意图

如图6所示，无论项目的DPP长短，都按照MA-DPP的市场基准来做分析和比较。比如在分析一个市场价格是否合理时，如果其DPP长于MA-DPP，就将其TV阶段压缩到MA-DPP内，用TV值和n值（缩短后的TV阶段长度）通过PEGR公式计算出有效增长率G，再用MA-DPP期末的折现率R，用g-R-G公式就可以计算出TV阶段的复合增长率g，这个复合增长率g有会因较高的折现率而高于有效增长率G很多（如图4中的项目1），因此，通过分析g的合理性就可以判断TV和整个估值的合理性。比如TV阶段的复合增长率增长率g＞80%，则意味着要突破增长的基数效应，保持连续8年高增长。如果没有一个令人信服的故事支撑这个高增长，就说明出现了不合理的估值泡沫。

相反，如果一个估值下的投资回收期短于市场平均水平（即DPP＜MA-DPP），就需要将这个较短的DPP“拉长”到MA-DPP的长度，这时候，很短的DPP项目就会出现TV阶段的低增长率（甚至增长率为负），如图6中的绿色虚线，这种情况就可能是估值洼地。

划分价值洼地和价格泡沫并没有一个固定的标准，因为股票市场本身就存在合理的泡沫活跃度（即有营养的“啤酒泡沫”），因此，在考虑到增长的基数效应后，可以通过MA-DPP来确立一个合理的TV阶段增长曲线（如图6中的蓝色虚线），如果估值水平过高导致增长曲线超过这条曲线很多（如图6中的红色曲线），则可以判定估值有较大的“肥皂泡沫”（即脱离基本面太多的高风险估值水平）。

四、泡沫度量方法与指标

1. 泡沫的风险等级划分

尽管价值评估对于价格远远偏离基本面的趋势投资（即纯粹价差投机）没有参考依据，但是可以通过上述的投资性价比的分析方法来判断价格泡沫的程度，即，按照整个市场的平均泡沫度来衡量个股泡沫的风险程度，比如对泡沫进行风险等级划分：

C级风险——属于市场活跃的“啤酒泡沫”，低于这个泡沫的价格，可视为价值洼地。

B级风险——橙色警报。偏离基本面，存在股价大幅波动的风险。

A级风险——红色警报。严重偏离基本面，属于“肥皂泡沫”，存在泡沫破裂、趋势转向的风险。

2.泡沫度量方法

如果一只股票在某个价格下的未来DPP比历史数据有较大幅度的上升，会有两种可能，一种是市场对其未来有非常高的预期；另一种就是超出合理预期的泡沫，因此需要对DPP大幅度增加的部分进行量化分析。因此有两种方法可以度量泡沫：

（1）终值的合理性分析

终值的合理性可以解释高估值的合理性。按照MAM-DPP的市场基准来分析隐含终值DPP，可以判断终值的合理性。

隐含终值DPP分为可预测期（信息确定性高阶段）和隐含终值阶段（信息高度不确定性阶段），比如确定DPP中前4年为信息确定性高的可预测期，其余时间为隐含终值期，也就是说，终值相当于第4年末的预测期外价值。如果终值很高，则意味着在折现率R曲线远期陡峭上升（信息高度不确定所致）的情况下，为了避免内部收益率IRR曲线与其相交，就要保持IRR上升的高增长率，这在“基数效应”（Base Effect）或“增长减速规律”（Growth Deceleration）的约束下是很难做到的。如果用PEGR公式推算出的终值的有效增长率G高得离谱，则说明估值的泡沫很大。

（2）使用投资效率做泡沫度指标

PE·n/G指标就是一个基于历史数据的泡沫度量工具。这个指标不仅可以简便地量化泡沫风险，还可以判断价值洼地或股价的“黄金坑”。这种功能是单纯P/E和P/S指标所无法表达的。我们用这个指标来做估值（或价格）的泡沫度光谱模拟：

表2. 不同增长条件下的估值泡沫度量化模拟

表2中，标准化泡沫度= log₁₀(PE × n/ G)，是以对数的方法对原始数值进行了几何级的压缩处理，这样方便做泡沫度比较。标准泡沫度对决策的参考建议大致如下：

标准泡沫度＜3：价值洼地

标准泡沫度3-4：合理空间

标准泡沫度＞4：泡沫风险

上述模拟数值并非衡量泡沫度的绝对数值，分析师和估值师还需要从历史数据中提炼大量实际数据，来建立起动态的估值泡沫数据库。动态的意思就是市场的风险偏好和价值预期在变化，泡沫度也会随之变化。比如当下对AI高科技股的远期价值预期会远远超过以前的科技股，这里面有合理的高预期，也有远超合理预期的泡沫成分，因此，就需通过分析DPP中隐含终值TV的合理性来判断较高泡沫度的合理性。

在做历史数据研究时，可以简化PE·n/G公式，使用PE·t/g来代替，其中t为隐含终值的静态回收期SPP，g为t内的复合增长率。PE·t/g的好处是不受折现率R和动态回收期DPP的影响（这两个变量会因人而异）。以下是A股几家上市公司的泡沫度分析：

表3. A股上市公司的历史泡沫度（基于静态回收期）

表2中比亚迪和恒瑞医药2015年初市值下的静态回收期都超过2025年，因此按照2015-2023年的增长率作为后段静态回收期的增长率。

比亚迪在2015-2020年间一直低速增长，直到2021年后开始高速增长，因此反映到股价上也是前几年横盘，后来大涨的情况。因此，在研究个股时，还要看利润增长曲线的特点，这种前缓后陡的利润增长，也对应了其相应的股价走势。比亚迪的高估值和低泡沫度体现了巴菲特价值投资的坚守。尽管比亚迪的市盈率远高于恒瑞医药，但其泡沫度却低于恒瑞医药。

表2中科大讯飞的静态回收期最长，而增长率又是最低的，换句话说，增长率无法支撑高市盈率，因此泡沫度在这组上市公司中最高，这也对应了其后来股价的大幅波动，展现出典型的高β属性。

上述数据完全是历史数据的倒推，不代表期初市场对未来盈利和风险预期结果，有可能实际业绩增长与起初市场判断大相径庭。

在成长性驱动价值的时代，单纯泡沫度低并不意味着企业的含金量高，一些低市盈率且低增长的股票，因为没有市场的想象力，虽然几乎没有泡沫，但其低市盈率也表明被市场冷落，这些股票虽然下跌的空间不大，但上升的空间非常有限。市场上并不会存在PE很低，回收期很短且增长率很高的理想型低泡沫度的股票，如果有，也是事后出现了超预期的情况。但市场上始终存在未来有巨大增长空间但不为市场所知，且被低估的早期科创企业股权。因此，最值得做泡沫度和TV分析的，还是具有想象力的市场热门股，换句话说，估值的焦点在成长性，即未来的有效增长率、以及有效增长率可持续的时间。

（3）总结：之所以要探索构建表达泡沫度的指标，主要原因如下：

PE只是孤立指标，必须结合增长率、折现率与回收期综合判断；

低PE可能隐藏高泡沫，当增长率极低时；

高PE可能合理，如果有足够高的增长支撑；

投资决策应该考虑投资效率：同样的PE，高增长意味着短DPP；低增长意味着长DPP，因此必要收益率（折现率）和必要回收期（DPP）也是投资决策的必要条件。

五、股价与未来增长预期的关系

在进行泡沫的量化分析时，需要思考三个股价与未来增长关系：

1.市场正在消化信息并做出价格反映

思考：价格是否充分表达了市场已知的信息？还是市场正在消化已有的信息，并在价格上逐步反映出来？或者，还有不断的利好信息在释放出来，它们会刺激股价持续上升？

2.市场价格已经透支了支撑它的信息

思考：在信息没有变化或新增的情况下，股价还在持续上升，是否早已透支了这些信息？

3.增长曲线与价格上升曲线的配适关系

（1）高估值背后是陡峭的增长曲线

一个较高的估值水平P/E已经包含了对未来的高预期，这个高预期表现为一个陡峭的利润增长曲线。而如果这个P/E还在攀升，则意味着一条更加陡峭的增长曲线，这个不可思议的陡峭增长曲线能现实吗？

（2）增长的基数效应

高增长往往建立在基数较小的基础上，而随着投资期的延长和基数的扩大，增长率难以保持，制约增长的基数效应会发生作用。因此，维持高P/E背后的增长率能否持续，才是这个股价可否保持或者继续上升的关键。彼得林奇使用的PE/g公式，那个增长率g大多在3年左右，而要达到巴菲特的长期持股要求，3年的高增长率远远不够，必须要有能够突破增长的基数效应的优异的业绩表现，而这种公司在股票市场凤毛麟角。所以我们可以理解伯克希尔·哈撒韦公司对在投资苹果公司上的策略：2016-2018 年快速建仓，2023 年底大规模减持。这样操作的一个重要的原因就是他们不相信苹果公司的高增长可以突破增长的基数效应。事实证明，巴菲特的担心是对的，苹果公司2010-2016年（6个完整财年）的净利润复合增长率CAGR = 21.8 %，而2017-2023年（6个完整财年）的净利润复合增长率CAGR = 12.3 %，增长率下降了接近一半，显然，增长的基数效应在发挥作用。尽管在伯克希尔·哈撒韦大规模减持苹果股票后，其股价还在上涨，但此时的股价上涨原因并非盈利的增长，而是苹果公司实施了大规模股份回购计划所致。

总之，在增长预期日益主导科技股定价的机制中，能够理性诠释“市梦率”叙事的成长驱动型估值体系将发挥关键作用。

六、影响价格趋势的非价值因素

股票市场（也包括股权投资和风险投资），都有通过价格趋势获得投资回报的机会。对于估值来讲，这类机会的底层逻辑（基本面和未来预期）可以通过估值分析来判断，但完全脱离基本面和未来预期的价格趋势，也可能会成为重要的投资机会，但这类机会与估值无关，估值是价值投资的基石，而非价格投机的工具。

影响价格的非价值因素有很多，但会产生重大影响的常见因素主要是货币政策（如利率）和企业的回购政策。在做投资决策时，需要考虑这两个因素。美国自2009年以后的量化宽松和低利率财政政策，产生了“货币驱动型牛市”，加上美国大型科技公司在半导体、人工智能、电动汽车和自动驾驶，以及航天领域的突破，相当于为充足的货币供应提供了更多的增长动力引擎，从而使得美股出现了十几年的“货币驱动+创新驱动牛市”，然而这个牛市目前正面临着“增长基数效应”，也就是股价已经透支未来的增长内涵了。AI泡沫已经显现，尽管关于AI泡沫的争论很大，根本原因还是缺乏一个与未来增长率和折现率相关的可量化估值体系。

如果按照DCF方法，可预测期外一个长期不变的折现率势必会产生巨大的估值泡沫，因为未来的不确定性会呈现指数级增加，表现在折现率上，会呈现终值阶段R曲线的陡峭上升。因此，DCF估值往往隐匿着市场难以识别的深层风险，换言之，传统估值方法已成为动摇市场有效性的重要根源。

总结：尽管在做估值分析时并不考虑货币政策、公司回购和分红计划，以及影响整个市场环境的其他因素，但在做投资决策时，就需要综合考虑这些重要的因素。

（未完待续）

来源：上海金融与发展实验室