AI概念泛化下的行业分类困境：为何需要更细颗粒度的定价坐标？

事件概述

在AI、低空经济等新兴产业成为资本市场热点的背景下，大量上市公司被贴上相同的“概念标签”，但实际业务、成本结构和盈利模式却截然不同。这种分类模糊导致投资者难以找到真正的“可比公司”，使得行业平均市盈率（PE）等指标失去参考意义。业界指出，行业分类作为资本市场基础设施，其核心价值在于确定比较基准，而非简单贴标签。

核心信息

• 分类错位的后果：将GPU芯片设计、数据中心运营、行业软件及工业机器人等不同属性的企业归入同一“AI板块”，会导致估值中枢失真。例如，硬件制造与软件服务的资产结构、成长周期完全不同，混合计算的平均值无法代表任何一类资产的真实价值。
• 细分化的必要性：以济安金信2026年8月发布的A股行业分类体系为例，该体系设置45个一级、144个二级和369个三级行业。通过将研究下沉到具体赛道，确保同一分类内的公司在经营属性、盈利驱动因素和产业链位置上具有高度可比性。
• 验证标准：高质量的行业分类需通过“财务同质性+定价相似性”双维度验证。即同一细分行业内，公司的规模、盈利、现金流等财务特征应接近，且PE、PS等估值指标分布应收敛。若长期离散，则说明分类边界需调整。
• 估值方法的差异化：不同产业环节适用不同估值锚。成熟稳定行业参考PE，成长期未盈利企业适合PS，重资产行业需结合资产端指标。好的分类能明确各类企业适用的估值逻辑，而非追求“万能PE”。

值得关注

• 宏观统计与市场研究的鸿沟：宏观统计强调生产过程一致性，而资本市场关注盈利模式和估值逻辑。例如，传统光纤光缆与高速光模块虽同属制造门类，但景气周期和估值中枢差异巨大。分类体系需在保持宏观联系的同时，向下细分供需和技术工艺。
• 分类的稳定性原则：行业分类不能随市场热点频繁变动。短期收入波动或概念炒作不应改变公司归属，仅当发生重大资产重组、主营业务根本变化或新兴产业形成稳定集群时，才触发调整。这需要在“跟上产业变化”与“保持历史可比性”之间取得平衡。
• 回归基本面：对于跨界经营企业，归类应依据真实收入、利润来源和长期主营方向，而非公司名称或公告关键词。只有解决“谁和谁属于一类”的问题，才能确保“比同行贵还是便宜”这一表述具有经济学意义。