① 本次发言纠错：加上层间边以后更连通，不能单独作为“融合有效”的证据

只要在同一组节点上增加边，连通分量通常只会合并而不会凭空拆开，因此“有层间边比无层间边更连通”在很大程度上是构图操作的机械结果。它可以用于描述层间边的作用，却还不能说明实际观察到的层间边具有特殊桥接价值。更有区分力的检验是：保持层间边数量、节点度数或两层规模不变，把真实层间边与 500—1000 次随机重连比较，观察真实网络的最大连通分量、全局效率、跨层可达率或关键节点失效后的韧性是否显著优于随机基准。多层网络中连通分量、社区和跨层关系的基本框架可参考 Kivelä 等（2014）（具体指标与实现需结合你的网络定义甄别）。

② 不要把 AUC 写成“识别准确率”

你和林老师讨论“在结论里补半句准确性”时，需要进一步区分指标。AUC 衡量的是模型把随机正样本排在随机负样本之前的概率意义上的排序能力，不等于给定阈值下的 accuracy。结论可直接写成：“与基准模型相比，所提方法在各期链路预测的 AUC/AP 上保持更优（报告范围与置信区间）。”若论文没有重复抽样、时间外验证或置信区间，不要只用一个最高 AUC 宣称“识别准确”。

③ 数据可用性不是等投稿系统弹出链接再临时处理

《科研管理》当前正式公告要求自 2026 年 1 月 1 日起，新录用稿件在收到录用通知后 30 日内向科学数据银行提交相关原始数据、代码等材料；不能公开时，应向编辑部说明理由，而不是一律公开全部原始数据。参见期刊的附件公开公告和数据政策。因此现在就应整理 README、字段字典、环境文件、运行顺序、随机种子和受限数据来源；正式上传可以等录用要求，但复现包不能等到那时才开始补。

④ 一份直接可用的“图是否值得留”审计表

给每张图写四行：图要支持的结论、读者不用正文能看到的证据、图比表格新增的信息、黑白双栏下仍可辨认的编码。双层图还要补两行：层间边的定义和随机基准下是否仍异常。若一张图只能回答“网络长什么样”，却不能指向论文结论，就把它降为附录或改成局部子图；不要用更多标签补偿缺少可检验信息。

以上文献、指标和期刊政策链接仅作核验入口，具体适用性与最新要求需结合本研究和投稿时点甄别。

⚠️ 风险预警

• 手工移动标签可以改善排版，但必须保留由代码生成的节点坐标与标签选择规则，避免图件不可复现
• 只展示跨层连接节点会放大桥接结构，正文必须说明筛选后图与全网络指标的关系
• 数据包可能涉及数据库许可和企业数据使用限制，应共享可共享的派生数据、代码与说明，不要擅自再分发受限原始数据

① 本次发言纠错：年报提到政策，不等于企业在该年实际享受该优惠

年报可能只是列出适用法规、上一年度政策或子公司的税务说明。国发〔2020〕8 号规定了优惠框架，财政部等四部门公告 2020 年第 45 号规定具体所得税政策，工信部等四部门公告 2021 年第 9 号又规定设计、装备、材料、封测企业需同时满足的年度条件。官方解答明确说明这些条件是享受优惠的判定依据，见工信部政策解答和税务总局第 45 号公告。因此不能仅凭关键词命中就贴处理标签，也不能在没有证据时假定“一旦享受，后续永久享受”。建议使用三值标签：1=有当年实际享受证据、0=明确未享受、NA=材料不足，主分析只纳入高置信度证据，边界样本做敏感性分析。

② 本次发言纠错：p<0.05 不是“结果已经很好”，更小的 p 值也不代表口径更正确

林老师说“只要在 5% 以内就行”、汇报中又多次用“更显著”选择控制变量和样本，这个判断需要修正。p 值同时受效应大小、样本量和标准误影响；0.049 与 0.051 之间没有方法论断崖。应先报告效应量、95% 置信区间、处理组数量和经济意义，再看结果是否对合理口径稳定。控制变量应依据处理前因果关系确定，不能因为加入两个变量后星号变多就保留。可先画一张 DAG，再按照“处理前共同原因—精度变量—中介/碰撞变量”分类；好控制与坏控制的辨别可参考 Cinelli、Forney 与 Pearl（2024）（应用到本题仍需人工判断）。

③ PSM-DID 的质量看平衡和识别，不看匹配后是否更显著

“匹配完结果更好”不能作为 PSM 成功的证据。至少要展示匹配前后标准化差异、共同支持、被丢弃样本、权重极端值和各批次可比性；结果若变得更显著，可能只是标准误或样本构成变化。PSM 本身也不能解决大基金资格、企业能力等未观测选择因素。建议把传统 PSM-DID降为稳健性，主规格采用适合错时处理的组别—时期效应估计，并明确 never-treated 或 not-yet-treated 对照组。方法入口可用 Callaway 与 Sant’Anna（2021），匹配平衡诊断可参考 Austin（2009）（具体阈值需结合样本甄别）。

④ 本次发言纠错：把结果拆成新兴与非新兴，通常是结果异质性，不自动构成机制

若政策之后新兴技术专利增长更快，这能说明政策影响在技术类型之间不同，或说明创新方向发生变化；它没有回答“政策通过什么中间过程产生影响”。机制需要一条处理后中介路径，例如融资成本下降、研发投入增加、人才结构变化，再说明识别中介效应所需的额外假设。若暂时没有可信中介变量，可以把第五章改成“政策效应的技术方向分解”，这反而更准确，也能保留 BERTopic 识别成果。直接可用的章节句式是：“本章不把技术类型差异解释为传导机制，而是检验政策效应是否集中于新兴技术方向。”

⑤ 主规格现在就冻结

建议登记：处理标签版本 v2_high_confidence；首次处理年定义；结果变量主口径为发明申请或授权中的哪一个；是否使用 log(1+y)；控制变量及其处理前年份；估计器；聚类层级；事件窗；排除规则。其余“含实用新型、宽口径处理组、不同控制变量、PSM”进入预先列明的稳健性矩阵，并完整报告。这样可以把已经做过的大量探索转化为透明度，而不是留下规格搜索的印象。

以上政策与方法文献链接仅作核验入口，具体适用性、软件实现和阈值需结合本研究甄别。

⚠️ 风险预警

• 年报证据可能对应子公司而回归单位是母公司，政策主体、专利主体和财务主体必须统一
• 错时处理若直接使用传统双向固定效应，异质处理效应可能产生难解释加权，应并行使用现代多期 DID 估计
• 实用新型是否排除必须由创新概念决定；不能因为排除后 p 值更小，就把它解释为更合理

① 本次发言纠错：控制变量不是“对 Y 显著才算过”

李山岚把相关性显著、回归不全显著理解为一道需要“通过”的检验，这个判断不准确。控制变量进入模型的理由通常是它在识别策略中属于处理前混杂因素，或能够合理提高估计精度；它自己的 p 值不是录取标准。一个真正重要的混杂变量可能因为共线性而系数不显著，一个与结果显著相关的变量也可能是处理后的中介或碰撞变量，控制后反而引入偏差。

② 林老师对控制变量作用的解释需要再精确一点

“把控制变量本身的变化从整体变化中剔除，剩下 X 的影响更纯净”是直观说法，但不是无条件成立。多元回归是在模型形式和识别假设成立时比较协变量相同的观测；如果控制了政策实施后的研发投入、产业结构等中介变量，估计的就不再是总效应；如果控制碰撞变量，还可能制造关联。建议使用好控制与坏控制的图形化说明逐项判断，而不是把“控制越多越纯净”当原则。

③ 直接可用的控制变量审计表

建立六列：变量、是否发生在处理前、是否影响政策进入、是否影响算力创新、是否可能被政策影响、主模型角色。同时影响处理与结果、且在处理前确定的变量可优先进入；只提高精度的变量单独标记；可能被政策影响的变量从总效应主模型移出，若研究机制再另行建模。每项都写一条理论或文献依据，避免根据本次样本的星号倒推选择。

④ 相关性矩阵是描述工具，不是“越多三星越好”

相关系数的显著性高度依赖样本量。大样本下很小的相关也可能三星；真正需要检查的是效应大小、变量定义和解释变量之间是否高度重合。正文是否放相关矩阵取决于期刊和篇幅，但内部审计仍应保留。可同时报告相关系数、VIF 或条件数；这些只是诊断信号，不是自动删变量的阈值。最稳妥的写法是：“相关性分析用于描述变量关系和初步诊断，不作为控制变量筛选或因果识别的依据。”

⑤ 回归表应围绕核心估计量讲故事

主表可以按“仅处理变量与固定效应—加入预设控制—替代结果口径—替代估计器”展开。每一列只改变一个清楚的要素，并报告样本量、固定效应、标准误聚类层级和置信区间。控制变量系数若不承担论文问题，可以完整保留在附表，正文集中解释政策效应。这样既不隐瞒结果，也不会让读者把注意力误放在无关星号上。

以上方法文献链接仅作核验入口，变量角色与模型设定需结合本研究甄别。

⚠️ 风险预警

• 依据全样本回归结果筛选控制变量，会把结果信息带入模型选择并低估研究者自由度
• 把政策后变量放入主模型，可能把真实政策效应“控制掉”
• 相关性低不等于不存在非线性关系，VIF 低也不等于识别策略成立；诊断不能替代理论

① 制度口径可以成立，但要把“政策”与“处理”分开写

《推进纲要》明确把集成电路界定为支撑经济社会发展和保障国家安全的战略性、基础性、先导性产业，也提出发挥产业投资基金支撑引领作用；官方文本可见纲要全文和工信部相关工作报告。因此，把大基金视为纲要框架下的产业政策工具有制度依据。但实证中的处理不是“纲要发布”，而是某企业在某时点获得基金股权投资。论文应写成：政策框架提供目标与工具，大基金执行市场化投资，企业首次获得投资构成处理事件。三者处于不同层级，不能简单写成“同一件事”。

② 本次发言纠错：不能通过非官方渠道购买或共享数据库账号

林老师提到“学校没买也可以去闲鱼买账号”，这不应作为研究方案。共享、转售或绕过地域限制可能违反数据库许可、学校信息安全规定和数据使用条款，也会让论文无法说明合法来源。正确顺序是：校内 IP/VPN 与图书馆咨询—正式申请试用或项目账号—购买合规数据服务—寻找公开或可授权替代数据。若核心结果只能依赖无法合法复现的账号，应该尽早调整变量，而不是把访问风险留到答辩前。

③ 多期 DID 不能自动解决基金“挑企业投”的选择问题

大基金很可能优先投资规模更大、技术更强、增长更快或更符合战略方向的企业。企业固定效应只能去掉不随时间变化的差异，PSM 只能平衡已观测变量；二者都不能保证未观测的投资选择被消除。先画选择机制图并做处理前趋势、协变量动态和平衡审计，再考虑行业×年份固定效应、not-yet-treated 对照、替代估计器和敏感性分析。错时处理的组别—时期效应可参考 Callaway 与 Sant’Anna（2021）。若投资发生前已经出现业绩或研发跃升，必须承认 DID 识别受到威胁。

④ 本次发言纠错：逐步回归不能单独证明融资约束或研发投入是机制

“基金影响 SA 指数—SA 指数再影响安全结果”的几组显著回归，只能提供与机制一致的相关证据。融资约束和研发投入都可能受未观测冲击影响，还是处理后的变量；直接把它们放进结果方程可能产生过度控制。建议先写出清楚的时间顺序，使用处理前基线、滞后中介和替代指标，并把机制结论降为“渠道证据”。若要使用因果中介语言，应说明顺序可忽略性等强假设；可参考 Imai、Keele 与 Tingley（2010）（是否适用于本研究需甄别）。

⑤ 最小可行性实验要先于开题正文扩写

建一张 30 家企业的小表，只保留 firm_id、首次基金投资日、投资主体、投资金额、两项结果变量、四个处理前协变量和来源链接。先回答四个问题：日期是否精确到年？是否存在从未处理和尚未处理企业？结果变量覆盖是否连续？被投前趋势是否明显不同？四个接口通了，再扩企业和变量；任何一个接口不通，都比写完开题后才发现更容易修正。

以上制度文件和方法文献链接仅作核验入口，基金主体范围、估计器与机制识别需结合本研究甄别。

⚠️ 风险预警

• 基金一期、二期、地方基金和基金参股子主体容易混淆，必须定义哪些投资算处理
• “产业安全”若仍由单个企业财务指标代理，会重回分析层级错配；需要供应链或网络层结果
• 政策建议不能在结果出来前预设“优化投向即可增强安全”，零效应和负效应同样需要被允许

① 本次发言纠错：按 GDP 比例拆分省级新产品销售收入，不会生成真实的城市创新产出

这一步只是把省级总量按照一个假设权重分配给城市。它会机械地让估算后的新产品收入与 GDP 高度相关；如果 GDP 又进入控制变量、分组或其他指标，相关关系将部分由构造公式而不是现实数据产生。已有论文采用这种方法只能证明它有人用过，不能证明假设在你的样本成立。主方案优先顺序建议是：缩短到可靠年份—换用覆盖更好的技术产出指标—改为省级分析—最后才把 GDP 拆分作为敏感性口径，并在变量名中明确写“估算值”。

② 政府科技支出可以做代理，但它改变了被评价对象

政府科技支出不能代表企业和社会全部 R&D 资本；水利环境与公共设施从业人员也不能代表所有绿色创新劳动。若最终只能获得这些指标，论文应把效率概念收紧为“政府支持或公共投入维度下的城市绿色创新效率”，或明确它们只是可观测代理并做替代指标检验。不要一边在理论中声称评价全社会创新生产，一边在数据中只测政府投入。

③ 本次发言纠错：SBM 的单位不变性不等于指标可随意分开或合成

林老师说“DEA 本身无量纲，所以三个污染物可以直接放进去”，需要更精确。Tone 提出的 SBM 具有 units invariant 性质，意味着合理改变计量单位不应改变效率值；但分项输入三个污染物与先熵权合成一个指数，实际上改变了产出维度、权重形成机制和效率前沿，并非仅仅换单位。原始方法见 Tone（2001）。两版都可以估计，但主口径要由生产过程决定，另一版做稳健性；不能因为哪版后续回归“效果更好”就选哪版。

④ 整年缺失不要插值，先做缺失机制审计

直接可用的表格为：变量—城市覆盖率—年份覆盖率—首末可用年—缺失是否集中于某省/城市等级—能否从同口径来源补回。线性插值适合短缺口且变化相对平滑的情形，不适合全国地级市连续多年整段缺失。与其虚构 2025—2026 年投入，不如把研究窗口停在最后一个覆盖可靠年份，并解释数据截断；毕业年份不是样本必须延伸到哪一年的方法依据。

⑤ Bacon 分解是诊断传统 TWFE，不是渐进 DID 的最终解决方案

当不同城市在不同年份进入政策、且处理效应随批次或事件时间变化时，传统双向固定效应可能混合不同的 2×2 比较。Bacon 分解帮助看清这些权重来自哪里，但不能把有问题的比较自动修好。可先用分解解释传统结果，再把 Callaway 与 Sant’Anna（2021）的组别—时期效应作为主估计，分别报告仅 A、仅 B 和双政策进入的批次。

以上方法文献链接仅作核验入口，SBM 指标和多期 DID 的具体设定需结合本研究甄别。

⚠️ 风险预警

• 大量人工估算的产出进入 DEA 后会直接塑造效率前沿，后续再多稳健性回归也无法恢复真实数据
• 指标数量相对城市—年份样本过多会削弱 DEA 区分度，应记录有效 DMU 数并检查效率值扎堆
• 双政策状态的进入时点若定义不一致，会同时污染效率回归的处理变量和事件时间

① 先把题目中的研究对象命名为“技术方向”，不要急着叫“创新”

你判断“一个专利与过去五年越不像就越创新”过于片面，这个判断是对的。语义距离首先测到的是表达或技术主题的偏离，可能来自真正的新技术，也可能来自术语更新、分类边界变化或企业进入新业务。未经外部效度检验前，可以把变量命名为“技术方向偏转度”“政策—专利语义贴近度”，不要直接叫创新性。一个较稳妥的题目版本是：产业政策的企业技术导向效应研究——基于政策—专利语义贴近度的证据。

② 本次发言纠错：全国政策 × 基准贴近度不是普通的处理组—对照组 DID

如果政策在同一年覆盖全部企业，而企业只是在政策前贴近程度上存在连续差异，那么识别依赖的是连续处理强度，不是清楚的“受政策/未受政策”二元比较。线性 Post × BaselineExposure 的系数要求不同暴露强度企业在无政策时具有可比趋势，并且剂量效应的解释比普通 DID 更强。连续处理 DID 的方法讨论可参考 Callaway、Goodman-Bacon 与 Sant’Anna（具体版本和估计器需甄别）。在没有满足这些条件前，不要把低暴露企业直接称为对照组。

③ 不要同时把结果变量差分一遍、再含糊地称为 DID

把“今年相似度减去年相似度”作为 Y，再加入企业和年份固定效应，会估计相似度变化率上的变化，和在相似度水平上做 DID 不是同一个估计量。建议主模型先保留企业—年份相似度水平，使用企业固定效应、年份固定效应和事件时间；年度差分作为稳健性，并清楚解释它回答的是“政策是否改变贴近速度”。两种模型并排写出后再决定，不能只根据哪一种显著选择。

④ 语义变近不自动等于技术真正转向

专利可能因为政策热词、代理人写作习惯、行业共同技术趋势或政策本身追随技术而变得更像。直接可用的四个安慰剂是：把政策年份前后随机置换；换入同期无关政策文本；去掉政策中的通用产业词后重算；使用申请日前已固定的政策版本，避免未来文本进入向量。再抽取高增幅与低增幅企业各 20 篇专利，由人工盲评是否真的发生技术主题变化。只有文本指标、人工判断和外部分类大体一致，才能把“贴近”提升为“技术导向”。

⑤ 本次发言纠错：换一个 AI 复核，不构成方法严谨性证据

林老师建议换更强的国内外模型询问设计，这可以用于发现遗漏，但多个 AI 给出相同意见仍不是识别证明。请让 AI 输出的是“假设清单、反例和最小模拟代码”，然后逐条对照方法论文：处理何时发生、谁从未处理、暴露是否处理前固定、政策前趋势是否可检验、处理后是否有其他同期冲击。最有价值的 AI 结果不是“方案可以”，而是它能否构造一个数据生成过程，让你的回归在真实效应为零时仍得到假阳性。

以上方法文献链接仅作核验入口，连续处理估计和文本效度检验需结合本研究甄别。

⚠️ 风险预警

• 用政策前相似度定义暴露时要防回归均值：起点特别高的企业本来就更难继续上升
• 政策文本和专利文本长度、体裁不同，直接余弦相似度可能主要反映文体；需要领域词表、段落级聚合和人工效度检验
• 若政策与技术趋势共同演化，时间固定效应未必足够，应设计无关政策、行业趋势和提前期安慰剂