① 先做“最小可行数据包”

随机选 20 个城市和 3 个年份，只做 城市—年份—政策状态—专利产出—网络指标 五类字段。先检查缺失率、时间覆盖和可重复生成性，再扩大样本。直接可用的验收表：变量名｜理论角色｜原始来源｜处理公式｜覆盖率｜能否复现。

② 不要把“常见”当作有效性的唯一依据

专利数量容易取得，但它更接近创新产出规模，不自动等于“能力”。正文应写清楚为何本研究采用可观测产出作为代理变量，并准备质量、强度或人均口径作边界检验。

③ 机制分析需要额外识别假设

“政策影响网络嵌入性、网络嵌入性再影响创新”并不因两组回归显著就自动成为因果机制。因果中介通常还需要处理—结果和中介—结果层面的可忽略性等条件；可先把它称为“传导证据”，并做敏感性分析。需甄别资源：NBER 因果机制课程与参考文献。

④ 今天即可执行：从 20 城市小样本形成四份产物

1. 输入：政策名单、城市—年份专利数据、用于构网的专利主体或分类关系。
2. 操作：先核对城市名与年份；分别生成专利总量、发明专利量和网络嵌入性；只运行一套事前确定的主体规格。
3. 输出：数据覆盖表.xlsx、变量字典.md、主体模型.do/py、结果诊断.md。变量字典直接使用：变量｜角色｜单位｜时间窗｜原始字段｜处理公式｜缺失率｜理论依据。

⑤ 验收标准与分支决策

• 若核心变量在主要年份覆盖完整、构造过程可由原始数据重复生成，且网络指标并非由结果变量机械派生，则进入全样本估计。
• 若缺失集中在政策前或处理城市，先调整数据方案，不继续扩写机制章节。
• 若简化专利指标和复杂指标给出完全不同的城市排序，先解释两者测量对象差异，不按显著性选择其中一个。

⚠️ 风险预警

• 指标简化不能只因为“大家都这么做”，必须对应研究问题
• 网络指标若由结果期专利共同构造，可能出现机械相关或后处理偏误
• 数据未验证前不要锁定题目中的强因果措辞

① 直接纠错：不能以显著性反推分类阈值

本次“连续得分不显著、某个 0/1 阈值显著”的结果，不能用来证明二元口径更正确。若根据最终 DID 的显著性选择阈值，会把结论写进变量构造过程。正确顺序是：先用独立人工标签或外部事实验证分类，再把锁定的指标用于政策分析。

② 建一个最小标签审计集

从得分的顶部、中部、底部各抽 30—50 条，由两人独立判断“是否新兴”，记录分歧。输出混淆矩阵、精确率、召回率，并列出误判原因。直接可用字段：专利ID｜模型得分｜人工A｜人工B｜最终标签｜误判类型｜备注。

③ 中介不显著不是“模型坏了”

它可能意味着理论链条在当前数据、时间窗或测量下不成立。不要把中介改名为调节变量来追求显著；中介回答“如何发生”，调节回答“何时/对谁更强”，理论角色不同。相关识别条件可对照需甄别的 NBER 因果中介资料。

④ 今天即可执行：冻结识别指标并做盲审计

1. 输入：新兴技术连续得分、四个分项指标、专利摘要和现有 0/1 标签。
2. 抽样：按连续得分的高、中、低三段分层抽样；先隐藏政策变量、企业类型和最终回归结果，再由两名标注者独立判断。
3. 输出：混淆矩阵、分数分布图、标注分歧表和误判类型表。可复制表头：专利ID｜连续得分｜分项1—4｜标注员A｜标注员B｜协商标签｜误判原因。
4. 冻结：把指标公式、权重、阈值、样本排除规则写入 指标版本v1.md；进入 DID 后不得因显著性改动，任何新版本必须同时保留旧版本结果。

⑤ 验收标准与分支决策

• 若人工审计达到导师事前确定的一致性与分类质量要求，才进入政策回归。
• 若高分组仍出现大量“非新兴技术”，先回到特征定义和权重，不比较 DID 显著性。
• 若连续口径可靠但政策效应不显著，应报告当前数据不支持预设效应；若二元化仅在个别阈值显著，作为敏感性结果而非主结论。

⚠️ 风险预警

• 同一数据上反复调指标、阈值和模型会产生研究者自由度问题
• “至少一个新兴专利即为 1”可能主要反映企业专利规模
• 更换结果变量会改变论文问题，不能只作为补一张表的手段

① 直接纠错：第一阶段够强，不等于工具变量有效

“统计量超过某阈值，所以工具变量过关”不准确。强度统计量只处理相关性或弱工具问题，不能证明排除限制。政策前控制变量均值很可能直接关联城市长期创新能力，因此需要解释它为何只通过政策处理影响结果，而不通过人才、产业基础等其他路径影响算力创新。世界银行的工具变量说明将条件明确分为相关性与对结果误差项不相关两部分，可作核验入口：Impact Evaluation in Practice。

② 直接纠错：人均化不是标准意义上的“替代指标”

专利总量除以人口，改变的是尺度和经济含义，从“规模”变成“强度”；它可以是有意义的稳健性口径，但应说明分母选择与极端值处理，不能只因结果仍显著就称为测量稳健。

③ 建立规格登记表

每一行记录：检验目的｜样本变更｜变量变更｜理论理由｜预期方向｜结果｜是否事前决定。尤其不能因为剔除省会后只剩 3 个处理城市就仅比较显著性，应同时报告估计量、置信区间和有效处理组数量。

④ 今天即可执行：拆成三张诊断表

1. 样本表：逐个规格记录处理城市数、对照城市数、城市—年份观测数和剔除理由。
2. 指标表：把“专利总量”与“人均专利强度”分别定义，列出分母、极端值处理和经济含义。
3. 工具变量表：列出相关性论证、排除限制可能被破坏的路径、第一阶段系数、弱工具诊断和标准误处理。

直接可用的排除限制检查问题是：“政策前控制变量均值是否可能通过城市产业基础、财政能力、人才或既有创新趋势直接影响政策后的算力专利？”只要存在一条可信直接路径，就不能仅靠统计量宣称工具变量有效。

⑤ 验收标准与分支决策

• 若无法给出可辩护的排除限制，撤下工具变量的“解决内生性”表述，把它降为探索结果或另找有制度来源的工具变量。
• 若删样本后处理组过少，保留估计值但明确外推边界，不用显著性高低决定主规格。
• 若分期政策批次的事件研究显示明显异质性，则使用能够按批次和时期估计处理效应的方法，并报告聚合规则。

⚠️ 风险预警

• 分期实施政策需考虑处理效应随批次和时间异质；可核验 Stata 异质 DID 说明
• 删疫情年、删省会或删直辖市均改变估计对象
• 控制变量显著与否不是检验成败标准，但变量选择必须有理论依据

① 直接纠错：DEA 系列与 GML 不是简单升级链

DEA 是一类非参数前沿方法；SBM、EBM 是不同距离/松弛处理思路，GML 是利用全局生产可能集进行跨期比较的生产率指数。它们不是“DEA→SBM→EBM→GML”逐级替代关系。正文应把“当期效率怎么测”和“跨期变化怎么比”分成两层。

② 协同必须有可检验定义

如果只是在回归中放入两个政策虚拟变量和交互项，能够识别的是政策组合的增量关联/效应，不自动等同于数字化与绿色化系统协同。直接可用表述：“考察两类政策叠加实施对城市绿色创新效率的增量影响，并检验该效应是否超出单项政策之和。”

③ 先做数据可行性卡

逐项列出投入、期望产出、非期望产出、缺失率、单位和极端值处理；选 10 个城市跑通静态效率与跨期指数，再决定最终模型。

④ 今天即可执行：把“模型链”拆成两个决策

第一张表回答“每一年城市绿色创新效率怎么测”，候选为 SBM、Super-SBM 或 EBM；第二张表回答“跨年变化怎么比”，候选才是 Malmquist 或 GML 指数。每张表使用统一字段：研究目的｜生产可能集｜方向/距离函数｜是否处理非期望产出｜是否跨期｜输入要求｜输出含义。GML 首次出现时在正文写全称 Global Malmquist–Luenberger，并明确它输出的是跨期生产率变化而非单年效率值；方法原始文献可从 DOI 10.1007/s11123-010-0178-y核验。

⑤ 双政策处理的最小检验

先生成四种状态：未实施任何政策、仅实施数字化政策、仅实施绿色政策、两类政策均实施；画出各状态的城市数和年份分布，再检查两类政策实施时间是否高度重合。直接可用估计说明：“交互项检验两类政策共同实施相对于单项政策效应之和的增量，不把交互项机械命名为系统协同。”

⑥ 验收标准与分支决策

• 若双政策状态在主要年份缺乏共同支持，改用更谨慎的政策组合案例或更换备选政策，不强做交互项。
• 若 10 城市试算中效率排序对变量删减极端敏感，先压缩指标或增加样本，再决定模型。
• 若静态效率与跨期指数均可稳定复现，才把完整公式和数据处理流程写入开题方法章节。

⚠️ 风险预警

• 政策交互项需要共同支持区和足够的双处理城市
• 效率模型对变量数量、样本量和零负值处理敏感
• “数字化—绿色化协同”若只靠题目包装，会被追问机制证据

① 用“换一个模块会怎样”检验理解

固定同一批文本，分别只改 UMAP 邻居数、HDBSCAN 最小簇大小和随机种子，记录主题数、离群点比例与代表文本变化。直接可用实验卡：环境｜数据｜嵌入模型｜UMAP参数｜聚类参数｜随机种子｜主题数｜离群率｜人工解释。

② 直接纠错：二维图不是模型真相

二维可视化是再次降维后的投影，点看起来重叠不等于高维语义空间无法区分；反过来，分得开也不证明主题有意义。验证应回到代表文本、主题一致性和对研究问题的解释。

③ 今天即可执行：完成一次可控的模块对照

1. 输入：从自己的研究材料中选 100—300 条文本，保留唯一编号与原文。
2. 固定项：固定文本预处理、嵌入模型和随机种子；第一轮只改变 UMAP 邻居数，第二轮只改变 HDBSCAN 最小簇大小。
3. 输出：每组记录主题数、离群文本比例、每主题前 10 个代表词、5 条代表文本和运行时间。
4. 人工检查：为每个主题写一句人工标签，并记录同一主题中“不属于该主题”的反例。

可复制实验表头：实验ID｜语料版本｜嵌入模型｜UMAP参数｜HDBSCAN参数｜随机种子｜主题数｜离群率｜代表文本是否一致｜备注。官方接口可对照 BERTopic 文档；参数试验可参考 BERTopic Best Practices，但最终选择仍需服从本研究语料。

④ 验收标准与分支决策

• 能用自己的话说明“文本→嵌入→UMAP 降维→HDBSCAN 聚类→c-TF-IDF 主题表示”的输入输出，才算完成流程理解。
• 若参数轻微变化就导致主题完全重组，先报告不稳定性并检查语料规模、文本长度和预处理，不急于命名主题。
• 若主题在多组参数下都有相近代表文本，再进入全量数据；不得只凭最漂亮的二维图选择参数。

⚠️ 风险预警

• 教程的 20 句样本只能验证流程，不能验证研究有效性
• 主题标签若只看高频词，容易被停用词和模板句控制
• 必须保存依赖版本，否则复现实验可能得到不同结果

① 标题一致不等于术语一定正确

如果“组态路径”是领域常用术语可以保留，但理由应是文献传统与方法含义，而不是“标题已经这样写了”。先抽取目标期刊近年 10 篇 fsQCA 文章，统计“路径、组态、配置、因果复杂性”的实际用法。

② 用可审计回应表收尾

直接可用四列：意见原文｜接受/部分接受/不接受｜修改位置｜证据与理由。对不接受的意见也要给方法或期刊规范依据，避免只写“工作量太大”。

③ 今天即可执行：做三轮而不是一轮“通读”

第一轮只核对概念：题目、摘要、研究问题、结果和结论是否统一使用“组态”“路径”“配置”等术语。第二轮只核对证据：每条结论是否能指向必要性分析、真值表或具体组态。第三轮只核对版式：图、表、公式、交叉引用和参考文献编号是否连续。每轮产生一张问题清单，不在同一遍阅读中同时改概念和格式。

④ 直接可用的稳健性矩阵

检验对象｜原设定｜替代设定｜为何合理｜结果是否保持｜解释是否改变。可把一致性阈值、频数阈值、校准锚点和个案剔除分别列行；不要只保留“能通过”的替代设定。方法步骤可对照 fsQCA 官方软件与手册入口和 COMPASSS 软件资源，期刊格式仍以投稿时官网最新要求为准。

⑤ 验收标准与分支决策

• 每条修改意见都能在回应表中定位到页码或段落，才进入面对面逐字审阅。
• 若术语调整会改变题目含义，先统一概念再美化结构图；若只是编辑偏好，可在回应表说明保留理由。
• 若关键组态对合理阈值或校准变化非常敏感，正文需降低结论强度并报告边界，不能只展示最稳定的一组。

⚠️ 风险预警

• 极端案例剔除只覆盖一种敏感性，不自动证明全部结果稳健
• 官网未强制 DOI 不等于禁止 DOI；关键是统一且可核验
• 合并文档后最容易遗漏交叉引用、图号和公式号

① 先定义“相关”再选择算法

区分至少三类：主题相关、技术目标一致、政策工具可作用于该专利。向量余弦更接近语义相近，不自动覆盖后两类；大模型评分也必须有可复核锚点。

② 直接可用评分提示词

“只依据给定政策目标与专利摘要，分别对主题重合、技术目标一致、政策工具适用性按 0—3 评分；每项引用一条文本证据；信息不足输出 NA；不得根据最终回归结果修改评分。”先与人工双标结果比较，再批量使用。

③ 今天即可执行：建立 30 条金标准样本

1. 从明显相关、可能相关、明显不相关三类中各选 10 条政策—专利对。
2. 两名标注者先独立评分，再讨论分歧；讨论前不得查看模型评分。
3. 固定每个 0—3 分值的文字锚点，例如“0=没有共同技术对象，3=技术对象、目标和政策工具均有明确文本证据”。
4. 用同一提示词重复评分两次，比较模型自身稳定性，并保存模型名称、日期、温度和原始响应。

④ 输出与验收标准

提交四项产物：评分手册.md、人工标注.csv、模型原始响应.jsonl、一致性报告.md。分类评价可使用 scikit-learn metrics 官方文档中的混淆矩阵和分类报告，但小样本阶段重点是定位误判类型，不追求一个漂亮总分。

• 若人工之间尚无法稳定区分 0—3，先合并等级或改写定义，不批量调用模型。
• 若模型与人工分歧集中在“主题相近但政策工具不适用”，说明需要把语义相似度和政策作用机制拆成两个变量。
• 只有评分规则稳定后才进入 DID；数据不足时先缩小问题，不把时间序列分析当作自动替代。

⚠️ 风险预警

• 同一模型既生成规则又评分，可能产生不可见偏差
• 小样本时间序列与 DID 回答的问题不同，不能当作便捷替代
• 政策和专利文本的时间对齐必须避免使用政策后的信息解释政策前样本

① 把“预警”写成可检验任务

先定义事件：某主题在未来 h 年内发生分裂、融合或跃迁；再规定预测时点只能使用当时可见信息。输出不只是一个分数，还应包含提前量、精确率、召回率和误报率。

② 建立泄漏检查

专利引文存在滞后，未来引文不能进入历史时点特征；主题标签若用全时期语料拟合，也可能把未来信息泄漏到过去。直接可用切分：按申请年滚动训练，始终用未来年份验证。

③ 今天即可执行：把文献综述转成任务—证据矩阵

每篇文献填一行：研究对象｜技术单元｜输入数据｜时间定位（事前/同期/事后）｜分叉定义｜方法｜输出｜验证方式｜可借鉴指标｜不能借鉴原因。尤其把“识别已经发生的分裂”和“预测未来将发生分裂”分开编码，避免因都出现“演化路径”而混为同一任务。

④ 构造最小预警实验

先选一个技术领域和一个可人工确认的历史分叉事件。以事件发生前若干年为观察窗，构造主题增长率、跨主题相似度下降、知识流入/流出不对称、引文来源多样性等候选特征；随后用滚动时间切分预测未来 h 年内是否分叉。WIPO 的 Patent Analytics 资源中心可用于核对专利检索、技术定义与趋势分析的一般流程，而不是直接替代本研究的分叉标签。

⑤ 验收标准与分支决策

• 先提交一个“历史时点可重放”的案例：站在当年，只能看到当年以前的数据，仍能生成同一组指标。
• 若分叉事件的人工标签无法稳定复核，先修订事件定义，不训练预警模型。
• 若先导指标只能在事件发生后升高，它是事后描述指标；若能在预设提前量下稳定区分，才进入多领域验证。

⚠️ 风险预警

• “文献少”可能来自检索词不同，不等于真正空白
• 事后演化图不能直接转成事前预警模型
• 分叉标签本身若不稳定，任何先导指标都无法可靠验证

① 用三层注释法读代码

第一层写整个脚本目的，第二层写每个函数的输入输出，第三层只解释关键参数。不要从语法细节开始。直接可用模板：函数名｜输入｜输出｜核心动作｜为什么需要｜我还不懂什么。

② 每次只改一个东西

选一个很小的数据集，固定环境后只改一个参数，比较输出差异。这样既能建立因果直觉，也能避免“代码跑通但不知道为什么”。

③ 今天即可执行：制作第一张代码地图

从已经跑通的主脚本开始，不向外扩展新库。按执行顺序列出：读取数据、清洗、特征处理、模型或算法、结果保存、作图六类步骤；遇到函数调用时只追到该函数的输入、输出和副作用。可复制表头：步骤号｜文件/函数｜输入变量｜核心动作｜输出变量/文件｜失败时会怎样｜我能否解释。

④ 做一个“破坏性小实验”验证理解

复制一份极小样本，依次尝试删除一列、制造一个缺失值、改变一个参数、换一个输出路径，并预测代码会在哪一步报错或输出怎样变化。先写预测再运行；预测与结果不一致时，把原因记录进代码地图。Python 基础语法或模块含义只查官方文档，调试时可使用 Python pdb 官方文档逐步查看变量。

⑤ 验收标准与分支决策

• 能在不打开源代码的情况下，用流程图讲清数据如何从原始输入变为最终输出，才算完成第一阶段。
• 能指出至少三个关键检查点，例如清洗后的行数、特征矩阵维度和最终结果文件位置。
• 若某个核心函数仍无法解释，就缩小到一个样例输入单独运行；若整体流程已理解，再等待导师确定选题并替换为研究数据。

⚠️ 风险预警

• 跑通别人代码不等于理解数据口径和研究问题
• 选题未定前不要批量下载或清洗大规模数据
• 使用公共 AI 服务时不要上传受限数据、账号或未公开材料

① 先建立可复现环境

使用项目独立虚拟环境，记录 Python 版本和依赖；成功后导出依赖清单。不要在不同环境里边装边试，否则同一报错很难复现。

② 最小运行顺序

依次确认：Python 能启动、虚拟环境已激活、核心包能导入、样例数据路径正确、主脚本能运行、输出文件可打开。每一步都截图或记命令，形成自己的“首次运行手册”。

③ Windows 下的直接操作清单

由于 D:\Work 是同步目录，虚拟环境必须建在 D:\Cash\Codex\<时间戳-任务名>\，不能放进学生管理项目。操作时依次记录 python --version、环境创建路径、激活命令、python -m pip --version、依赖安装命令和主脚本入口。环境创建与激活方式以 Python venv 官方文档和 Python Packaging Guide为准。

直接可用的运行记录：日期｜电脑｜Python版本｜环境绝对路径｜依赖文件｜启动命令｜输入样例｜预期输出｜实际输出｜报错与处理。报错必须保留完整首尾，不只截最后一句。

④ 验收标准与分支决策

• 关闭终端后重新打开，按记录步骤能够再次得到同一输出，才算“跑通”。
• 在一个全新虚拟环境中，依据依赖清单能够重新安装并运行；不要复制整个虚拟环境目录，官方文档也将虚拟环境视为应可重建的隔离环境。
• 若失败发生在包安装，先固定 Python 与包版本；若失败发生在数据路径，改为配置文件或相对项目结构；若脚本能运行但结果为空，再进入数据和函数逻辑检查。

⚠️ 风险预警

• 不要从不明网站下载打包环境或执行陌生脚本
• 依赖版本不能只写“最新版”
• 环境问题解决后仍需回到数据和研究问题，不能把安装完成当作研究成果

① 把两个测量创新拆开验证

企业 AI 使用识别和绿色创新分类都是独立的高难度测量任务。先任选一个做 50—100 条人工标注，比较关键词计数、句子分类和结构抽取；不要同时把两端都交给黑箱模型后直接回归。

② 年报要区分“说了什么”和“做了什么”

可把句子分为战略表态、资源投入、组织配置、技术部署和结果披露。直接可用结构：主体｜动作｜对象｜时间｜证据句｜行动类型｜置信度。管理层讨论与分析可重点抽取，但不能忽略不同年份、公司模板与披露制度变化。

③ 绿色创新分类需要外部验证

发明/实用新型之分不天然等于实质性/策略性创新。可将文本分类与后续引用、维持年限、权利要求、环境绩效等外部信号对照，明确它们只是验证证据而非定义本身。

④ 今天即可执行：只选一个测量任务做百条试验

建议先做“企业人工智能实际行动”而不是同时处理两个因变量。选取 5 家企业、每家 2 个年份，从年报中抽取约 100 个含人工智能相关词的句子；人工分为背景描述、战略表态、资源投入、组织配置、技术部署和结果披露。然后分别用关键词规则、句子分类和 SAO/SVO 结构抽取比较，记录每种方法遗漏了什么。

直接可用表头：公司｜年份｜报告章节｜原句｜主体｜动作｜对象｜行动类型｜人工标签｜模型标签｜证据充分性｜备注。对于绿色专利范围，可用 WIPO 的 绿色技术统计清单说明与 Patent Analytics 资源中心作为外部分类和检索流程参照，但仍需按论文问题形成自己的可复核定义。

⑤ 验收标准与分支决策

• 若两名人工标注者对“行动类型”无法形成稳定共识，先合并类别和补充正反例，不训练模型。
• 若结构抽取相比关键词计数能稳定排除背景描述和愿景口号，并保留原句证据，才扩大到更多企业；若提升很小，先采用透明基线，不为方法复杂而复杂。
• 企业 AI 指标稳定后，再单独启动绿色创新分类；两端指标都完成独立验证后，才进入因果模型。
• 每批处理必须保留年报版本、页码或章节、专利文本来源、模型版本和人工修订记录。

⚠️ 风险预警

• 全文关键词频次会混入风险提示、行业背景和模板化披露
• 用结果表现反向定义创新类型，可能产生循环论证
• 大模型抽取必须保留原句、版本和人工复核记录