过去几年，AI、机器人、算力、低空经济等新兴产业不断成为资本市场热点。但当越来越多上市公司被贴上同一个热门概念标签，一个容易被忽略的问题也随之出现：

这些公司真的属于同一类资产吗？

一家做 GPU 芯片设计的公司，一家运营数据中心的公司，一家提供行业软件的公司，以及一家生产工业机器人的公司，都可能被市场归入 "AI 概念 "。但它们面对的成本结构、盈利模式、资本开支、成长周期甚至估值方法完全不同。

如果把这些公司简单放在一起比较市盈率、盈利能力甚至成长性，最终得到的行业平均值，可能谁都无法代表。

这正是行业分类看似基础，却直接影响资本市场定价的重要原因。

行业分类本身不产生收益，却决定一家公司和谁比较、被放进哪个估值中枢，也决定投资者看到的 " 行业平均值 " 究竟意味着什么。

行业分类不是贴标签，而是在确定 " 可比公司 "

现代投资研究中，几乎所有横向比较都有一个隐藏前提—— " 同行可比 "。

在相对估值中，判断一家公司估值贵还是便宜，需要和同行比较；判断盈利能力高还是低，也往往需要参照同行；基金进行行业配置、量化模型进行行业中性处理、机构做业绩归因，也都依赖行业分类。

问题在于，一旦 " 同行 " 选错，后面的计算再精确，也可能得出错误结论。

例如，软件服务企业与硬件制造企业可能都与 AI 相关，但前者的核心资产往往是研发人员、客户和软件产品，后者则可能拥有大量固定资产、存货和生产线。如果把二者纳入同一个估值中枢，所得出的行业 PE 或利润率平均值，很可能既不能解释软件公司，也不能解释硬件公司。

同样，把处于周期底部、利润大幅波动的公司与稳定盈利公司放进一个大类，也容易造成行业 PE 失真。

因此，分类的价值并不是 " 给企业起一个更准确的名字 "，而是首先解决一个资本市场最基本的问题：

谁应该和谁比？

新兴产业正在让传统分类越来越难

这个问题在新兴产业时代变得更加突出。

一方面，上市公司数量不断增加，产业链分工越来越细；另一方面，技术迭代速度加快，企业本身也在不断跨界。

工商登记行业、主营业务和资本市场概念之间，经常出现错位。

一家公司的工商登记可能仍属于传统制造业，但真正决定利润增长的业务已经转向高端装备；一家企业可能频繁出现在 "AI"" 机器人 "" 算力 " 等概念板块中，但相关业务只占很小一部分收入。

概念标签的逻辑是 " 相关即可 "，行业分类的逻辑却必须是 " 主营业务决定归属 "。

这也意味着，行业分类既不能太粗，也不能简单跟着市场热点不断改变。

济安金信研究院 2026 年 8 月发布的 A 股行业分类体系设置了 45 个一级行业、144 个二级行业和 369 个三级行业，纳入体系的 A 股上市公司最终均归入唯一的底层细分行业。三级分类的目的，就是把研究从大的产业概念继续下沉到真正决定公司盈利的具体赛道。

但更细并不意味着一定更好。

如果细分到最后，一个行业只有一两家公司，那么 " 同行比较 " 本身也失去意义。因此，真正重要的不是分类数量，而是同一分类内部是否拥有相近的经营属性、盈利驱动因素与产业链位置。

AI 产业链就是最直观的例子

AI 是当前最能说明这一问题的产业之一。

市场通常习惯把 AI 当作一个整体概念，但如果按照实际业务拆解，一条完整的 AI 产业链至少包含多个完全不同的环节。

资料来源：根据济安金信行业分类标准整理。

在济安金信的分类中，这些企业并不会因为都与 AI 有关，就统一装进一个 "AI 行业 "，而是根据主营业务分别进入电子元件及电子专用材料、计算机设备、通信设备和通信服务、信息技术服务、电气机械和自动化等不同一级行业，再向下进入三级细分赛道。

关键在于，一家公司归入哪一类，首先看主营业务的收入和利润贡献；如果多个业务板块较为接近，则还需要结合长期发展战略和实际经营重心进一步判断，而不是看公告里出现过哪个热词。这也是行业分类过滤概念炒作、真正区别于概念板块的地方。

这样的划分首先解决的是估值问题。

算力芯片公司需要观察研发投入最终能否转化为产品收入；数据中心属于重资产行业，更重要的是上架率、折旧和现金流；软件企业通常更加关注人效、续费率和客户扩张。

如果把这些企业简单放在一个 "AI 板块 " 里计算平均 PE，这个数字很可能没有明确的经济含义。

换句话说，概念负责描述主题，分类负责找到真正的定价坐标。

为什么同样一个 PE，在不同行业含义完全不同

相对估值法尤其依赖行业分类。

无论是 PE、PB 还是 PS，其本质都不是判断一个数字绝对高低，而是在回答：

市场愿意为 " 这一类资产 " 支付什么价格？

其中最重要的词其实是 " 这一类 "。

如果行业内部企业的商业模式和盈利驱动相近，那么估值中枢才具备比较意义；如果一个分类内部估值长期高度离散，也可能意味着这个行业本身装进了不同类型的公司。

因此，分类质量本身也可以被反向验证。

检验分类好不好，其实有客观办法：看同一细分行业内的公司，在规模、盈利、成长、现金流等财务特征上是否足够接近，同时看它们的 PE、PS 等估值指标分布是否收敛。如果两方面都长期高度离散，就说明这个分类边界可能仍需调整。济安金信采用的正是这类 " 财务同质性＋定价相似性 " 的双维度验证思路。

这也带来另一个问题：不同产业本来就不应该只使用同一种估值方法。

盈利稳定的成熟行业可以更多参考 PE；仍处于成长投入期、尚未稳定盈利的企业可能更适合观察 PS；重资产和部分金融企业往往还需要结合资产端指标。

好的行业分类不是为了创造一个 " 万能 PE"，恰恰是为了判断不同类型的企业应该使用什么估值锚。

市场分类与宏观统计之间，还存在一道长期鸿沟

行业分类还面临另一重矛盾：宏观统计与资本市场研究使用的分类逻辑并不完全一致。前者强调经济活动和生产过程的一致性，优势是稳定、权威；后者更关注盈利模式、产业链位置和估值逻辑，颗粒度更细。

例如，从宏观统计角度看，两家公司可能同属一个制造门类；但对资本市场而言，一家生产传统光纤光缆，另一家生产高速光模块，两者面对的景气周期和估值中枢可能已经完全不同。

济安金信尝试采用 " 经济部门基座＋产业链延展 " 的双维度结构：向上保持与宏观统计的联系，向下根据供需关系、技术工艺和价值链位置细分，希望形成连接宏观统计与资本市场研究的一套 " 中间语言 "。

分类越重要，越不能追着热点跑

行业分类还有一个容易被忽略的问题——不能追着热点跑。

如果一个公司今年属于 AI，明年属于机器人，后年又被归入低空经济，那么历史数据就会不断被重写，行业收益、估值中枢和长期业绩都无法连续比较。

因此，分类既需要动态调整，也需要保持稳定。

一种可行方式是，把重大资产重组、主营业务发生根本变化、新兴产业已经形成稳定企业集群等事件作为调整触发条件；而短期收入波动、概念炒作和临时业务则不应轻易改变公司的行业归属。

对跨界经营企业，也应尽可能以真实收入、利润来源和长期主营方向为依据，而不是根据公司名称、公告关键词或者市场概念进行归类。

这实际上对应着行业分类最困难的一组平衡：

过度稳定，会跟不上产业变化；过度灵活，又会破坏历史可比性。

成熟产业需要稳定，新兴产业需要保留扩容空间，两者并不矛盾。

分类不创造收益，却决定研究的起点

行业分类很少成为资本市场最热门的话题。

它没有指数涨跌那么直观，也不像盈利预测那样直接影响目标价。但几乎所有研究结论，都默默建立在分类之上。

基金评价需要知道同类产品应该和谁比较，上市公司估值需要知道可比公司是谁，量化投资需要控制行业暴露，监管统计需要避免重复归类。

因此，行业分类更像资本市场的一项基础设施。

当上市公司数量越来越多、产业边界越来越模糊、AI 等新兴技术不断重塑产业链时，" 谁和谁属于一类 " 已经不再只是统计问题，而正在越来越直接地影响资产定价。

真正专业的行业分类，不是简单把行业切得更碎，而是同时解决三个问题：

第一，分辨率足够高，能够看见真实的产业差异；

第二，边界足够稳定，能够保持历史可比；

第三，也是最重要的一点，同一行业里的公司必须在经营属性、盈利驱动和定价逻辑上真正可比。

只有这样，" 行业平均 PE"" 同行盈利水平 "" 估值比同行贵还是便宜 " 这些我们习以为常的表达，才真正具有意义。

如果说 AI 时代正在重新定义很多产业，那么资本市场可能也需要重新回答一个最基础的问题：

当我们说一家公司的估值 " 比同行贵 " 时，它真正的同行，到底是谁？

（本文仅为行业分类方法论探讨，不构成任何投资建议。）