Eshraghi, A., & Vanneste, B. S. (2026). Revisiting industry effects: The assignment of firms to industries. Strategic Management Journal, smj.70106. https://doi.org/10.1002/smj.70106
研究摘要：战略研究探讨了企业绩效的驱动因素。既往关于方差分解的研究分析了行业的影响，但鲜少关注企业具体被归入哪个行业的问题。本研究探讨了行业归类方式如何影响关于行业影响的研究结果。作者们分析了现有的行业分类体系，并引入了一种基于机器学习的分类方案，该方案利用嵌入模型（embedding model）处理年报文本。研究发现，不同分类体系下的企业行业归属存在显著差异，且某些企业在不同体系中往往被归为同一类。那些将相似企业归为一类的分类体系，所显示的行业效应更为显著。鉴于现有文献频繁依赖备受诟病的“标准产业分类”（SIC）体系，行业对企业绩效的作用很可能被系统性地低估了。
管理摘要：了解企业成功的驱动因素至关重要。以往研究令人惊讶地发现，行业因素在解释企业绩效方面作用甚微。然而，本研究表明，由于企业行业归类方式的问题，行业的重要性可能被低估了。通过比较几种现有的行业分类体系与作者们利用机器学习构建的新体系，作者们发现：将相似企业归入同一行业会提高行业因素的重要性，并降低企业自身因素的重要性。更精确地界定企业所属行业表明，行业因素的影响力比此前认为的要大。这意味着，理解行业对于企业绩效至关重要，并可能是理解企业实现持续成功的关键。
关键词：贝叶斯分层模型，嵌入模型，行业分类，行业效应，方差分解
战略研究探讨了企业绩效的驱动因素（Gavetti & Levinthal, 2004; Nag et al., 2007; Rumelt et al., 1994）。方差分解研究为此提供了一种关键的评估方法（Avnimelech et al., 2025; Fitza & Tihanyi, 2017; Kumar et al., 2022; Mundt et al., 2022; Wang, 2023）。在该领域文献中，一个长期关注的议题是外部因素（如行业）与内部因素（即企业特有因素）的重要性对比（McGahan & Porter, 1997; Rumelt, 1991; Schmalensee, 1985）。一项元分析发现，行业因素解释了企业绩效方差的8%，而企业特有因素则解释了50%（Vanneste, 2017）。
尽管大量研究致力于确定行业的影响（相关综述见 Esho & Verhoef, 2021; Vanneste, 2017; Wang & Coff, 2022），但鲜有研究关注“企业被归入何种行业”这一前置性问题（例外情况见 Chang & Singh, 2000）。换言之，理论研究的目标在于理解行业在塑造企业绩效中的作用（Almeida Costa & Zemsky, 2021; Cachon, 2020; Lenox et al., 2007; Porter, 1980; Yao, 1988），然而实证研究却往往将企业所属行业的划分视为既定事实（Rumelt, 1991）。这种关注的缺失至关重要，因为正如作者们将要探讨的那样，企业所属行业的划分方式会影响人们对这些行业重要性的评估。
本研究旨在探讨企业所属行业的划分方式及其程度如何影响关于行业影响的研究结论。作者们的理论观点是：将差异较大的企业归为同一类会低估行业的影响，同时却会夸大企业自身的影响。作者们的实证方法采用了多种行业分类体系，这些体系在将相似企业归为同类方面的能力各不相同。首先，作者们分析了企业在行业中的归类情况（即行业归类）。作者们比较了现有的行业分类体系（包括标准产业分类 [SIC]、北美行业分类系统 [NAICS]、全球行业分类标准 [GICS] 以及 Hoberg & Phillips [2016] 提出的 HP 体系）；其中，在 SIC 之后发展出的体系旨在实现企业间更高的相似度分组（Bhojraj 等，2003；Hrazdil 等，2014；Phillips & Ormsby，2016）。此外，作者们引入了一种利用机器学习（ML）最新进展的新型分类体系，该体系扩展了 Hoberg 和 Phillips (2016) 的研究——后者开创性地利用企业 10-K 申报文件中的文本信息进行行业归类。在这一 ML 体系内部，作者们比较了各行业及其企业间的相似度（基于企业在不同体系间归类的一致性）。其次，在既定行业归类的基础上，作者们分析了行业因素在解释企业绩效方面的重要性（即行业效应）。在不同体系间的比较中，作者们考察了较新的分类体系是否比 SIC 产生更强的行业效应。在体系内部的比较中，作者们评估了由相似度更高的企业组成的行业是否表现出更强的行业效应。
主要研究结果如下。在行业归类方面，作者们发现不同行业分类体系下的企业分组存在显著差异。此外，规模较小或资本密集度较高的企业，更有可能与其他相似企业归为一类（基于跨体系归类的一致性）；研发（R&D）强度较高的企业通常也呈现出这一特征。在行业效应方面，对行业影响的估计结果取决于所采用的行业分类体系。在不同体系间的比较中，由行业因素解释的方差比例分别为：SIC（文献中最古老且最常用的分类体系）为 7%，HP 体系为 10%，ML 体系为 25%。行业因素解释方差比例的增加并未导致未解释方差的增加，而是伴随着企业因素解释方差比例的相应下降。若采用线性尺度（即标准差）进行衡量，行业因素所占的比重分别为企业特有因素的 0.33 倍（基于 SIC 分类）、0.43 倍（基于 HP 分类）和 0.74 倍（基于 ML 分类）。因此，采用不同的行业分类方案时，作者们发现行业效应比以往研究所报告的更大，且更接近企业效应。在 ML 分类方案内部的比较中，包含更多相似企业（即在分类中始终被归为同一组的企业）的行业，其表现出的行业效应也更强。由此可见，将相似度更高的企业归为一类会放大行业效应。
作者们强调两项贡献。首先，作者们扩展了关于企业绩效方差分解的文献；该领域的研究源于战略管理中的一个根本性问题：企业绩效在多大程度上受行业因素或企业特有因素的驱动（McGahan & Porter, 1997; Rumelt, 1991; Schmalensee, 1985）。作者们认为，要评估行业对企业的影响，必须考虑企业归入特定行业的划分方式。研究发现，不同的分类方案在企业行业归属上存在显著差异，且某些类型的企业往往更一致地被归为一类。此外，这种行业归属的差异会对行业效应的测算结果产生可预期的影响：即当分类方案或行业内包含更多相似企业时，所观测到的行业效应往往更强。这对企业绩效方差分解文献的一个重要启示是：行业的影响力此前很可能被系统性地低估了。从更广泛的战略研究视角来看，这一发现凸显了行业划分方式的重要性，并表明企业绩效的成因与行业之间的关联比以往研究所认为的更为紧密。
其次，作者们引入了一种基于机器学习（ML）的新型行业分类方案，该方案利用嵌入（embedding）技术的最新进展，能够大规模地从文本中捕捉更丰富的语义信息。Hoberg 和 Phillips (2016) 开创性地利用企业 10-K 申报文件中的文本语义相似度来进行行业划分。在他们开创性工作的基础上，作者们利用基于神经网络的嵌入模型——该模型擅长学习能够捕捉文本含义的高效数值表征——采用了稠密（而非稀疏）嵌入方式。具体而言，作者们使用 OpenAI 的嵌入模型处理企业 10-K 申报文件中描述其业务活动的文本。此外，作者们利用 K-means 算法（而非凝聚层次聚类法）对所得嵌入向量进行聚类。与现有分类方案（如 SIC 和 NAICS）相比，这种方法产生的各行业企业数量分布更为极端（即出现更多仅包含单一企业的行业，同时也出现更多包含大量企业的行业）（Hoberg & Phillips, 2016）。该机器学习分类方案在解释企业绩效方面优于以往的行业分类方案。更广泛地说，这一方法展示了机器学习在战略管理领域的价值，有助于进一步理解行业在影响企业间竞争方面所扮演的角色。
