market-research-reports

市场研究报告

目的

创建以决策为导向的市场报告，其主张、计算、假设和不确定性均可审计。根据问题和证据匹配深度与格式。没有规定的长度、章节数、视觉元素数量或输出格式。

不要：

• 模仿或暗示与咨询、分析或研究品牌存在关联；
• 捏造引文、引语、市场份额或付费市场数据；
• 将 TAM/SAM/SOM 或预测呈现为唯一确定的真相；
• 将框架、图表或流畅的叙述视为证据；
• 提供投资、法律、反垄断、税务、会计或监管建议。

操作原则

1. 先定义，再测算规模。 确定产品、客户、地域、渠道、期间、度量、单位、分母、货币/基准年以及分类体系。
2. 映射每一项主张。 每一项事实性或定量主张都有主张 ID 和确切的来源 ID。
3. 区分陈述类型。 区分事实、估计、计算、预测、意见和建议。
4. 优先使用一手证据。 在二手综述之前，先使用官方统计数据、监管机构记录、已提交的公司披露以及透明的原创研究。
5. 保留不确定性。 保留来源冲突、修订、情景范围、敏感性以及局限性。
6. 保持方法可复现。 在可行时使用本地结构化输入和确定性计算。
7. 合法且合乎道德地收集。 不得欺骗、披露 PII、规避访问限制、获取机密材料或窃取商业秘密。

工作流

1. 确立研究契约

明确：

• 决策、受众、截止日期和重要性阈值；
• 正式的市场定义及邻近排除项；
• 买方、付款方、用户、交易和价值链层级；
• 地域以及对进口、出口和渠道的处理；
• 历史期间、预测期间和检索截止时间；
• 收入/支出、总产出/增加值、单位、产能、用户或其他度量；
• 存量/流量、总额/净额、税收和分母；
• 货币、基准年以及名义/实际/现价/不变价基础；
• 行业和产品分类及其版本；
• 允许的数据来源、一手研究、保密性和输出格式。

当某个缺失的选择会实质性改变分母或结果时，提出一个聚焦的问题。否则，说明一个临时范围并继续。

使用 references/report_structure_guide.md 进行模块化报告设计。

2. 构建证据计划

将每个问题路由到最接近底层事件的来源：

1. 一级法律、监管机构决定、官方备案或官方统计数据；
2. 原创公司备案或可归属的第一方披露；
3. 方法可查验的透明调查/研究；
4. 使用可识别一手数据的机构研究或同行评审研究；
5. 覆盖范围已披露的行业协会数据；
6. 信誉良好的二手综述；
7. 合法获取的付费估计，其范围和方法可查验；
8. 用于线索或可归属事件的新闻/评论。

对于公司数据，优先使用相关司法管辖区的官方备案系统。对于行业、劳动力、价格、人口、贸易和国民账户，优先使用负责的国家统计机构或中央银行。对于跨国工作，只有在检查定义和原始来源谱系后，才使用经协调的世界银行、IMF、OECD 或 Eurostat 数据。

在使用公共 API 之前，阅读 references/official_data_sources.md。API 规则和限制是某一时点的快照：在自动化或高容量检索之前，核实当前的官方条款。绝不要将 API 密钥放入报告或捆绑脚本中。

3. 创建来源台账

分配稳定 ID（S-001、S-002、……）。记录：

• 标题、发布方、URL/持久标识符、来源类型；
• 发布日期和检索日期；
• 通过聚合器访问时的原始生产者；
• 地理范围、覆盖人群、时期和版本；
• 货币、基准年、价格基础、度量类型、单位和分母；
• 分类体系和版本；
• 初步/修订/最终/当前状态；
• 方法、样本、插补、抑制和局限性；
• 许可/条款和合法的本地快照路径。

使用 assets/source_ledger_template.csv 并验证它：

python3 scripts/validate_evidence_ledger.py data/source_ledger.csv

如果发布日期不可用，记录 not-stated；不要猜测。

4. 维护主张台账

分配 ID（C-001、……）。保留确切的主张文本、陈述类型、来源 ID、报告位置、截至日期、地理范围、货币/基准、度量/单位、分类体系、修订状态、置信度、计算 ID 和假设 ID。

规则：

• 段末的一条引用不支持不相关的句子；
• 拆分依赖不同证据的复合主张；
• 计算应引用其输入，而不是引用从未发布该结果的来源；
• 聚合器与其原始来源不是独立佐证；
• 访谈主题不是人群流行率；
• 缺少公开特征证据意味着 unknown，而不是 no。

审计映射：

python3 scripts/audit_claim_citations.py \
  data/claims.csv data/source_ledger.csv

参见 references/evidence_model.md。

5. 以情景方式估算市场规模

计量护栏

为每个组成部分分配互不重叠的 coverage_key 和一个共享的 denominator_id。不要相加：

• 制造商收入与分销商或终端客户支出；
• 生产、进口和销售，而未进行贸易/库存对账；
• 母公司和子公司收入；
• 捆绑包及其包含的组成部分；
• 总产出和增加值；
• 装机量存量与年度交易流量；
• 重叠的客户或地理细分。

当行业代码过于宽泛时，使用产品分类和供应使用逻辑。保留未知/残差类别，而不是强行凑总数。

自上而下和自下而上

独立计算：

TAM_top = sum(disjoint in-scope component values)

TAM_bottom =
  sum(customer_count
      * addressable_fraction
      * annual_quantity_per_customer
      * price_per_unit)

然后应用特定于情景的可服务性和捕获假设：

SAM_s = TAM * serviceable_fraction_s
SOM_s = SAM_s * obtainable_share_s

使用至少两个真正不同的情景；下行/基准/上行组合通常很有用。说明时间范围、约束、证据和假设。SOM 不是有保障的收入预测。

运行确定性计算器：

python3 scripts/calculate_market_sizing.py \
  assets/market_sizing_scenarios_template.json

报告两种方法、相对于中点的差距、范围差异、敏感性和未解决的对账。不要对不兼容的方法取平均值。

6. 在显式不确定性下进行预测

区分观测期、估计期和预测期。记录序列 ID、频率、单位、季节性调整、变换、分类体系断点、检索日期和版本/修订。

对于每个情景：

• 提供年度速率路径或驱动方程；
• 说明需求、价格、供应、监管、竞争、产能和时机假设；
• 列出证据和假设 ID；
• 确定会使该情景失效的条件。

不要把情景边界称为置信区间或预测区间。没有经过验证的概率模型和诊断，不要分配概率。

运行：

python3 scripts/forecast_sensitivity.py \
  assets/forecast_sensitivity_template.json

按年份展示范围、端点敏感性、有影响力的假设和转换值。参见 references/data_analysis_patterns.md。

7. 分析客户与一手研究

对于调查证据，应披露赞助方、目标总体、抽样框、概率／非概率设计、招募方式、调查模式／语言、实地调查日期、未加权样本量、子群体基数、加权方法、回复／参与情况、问卷措辞、精度、处理方式及局限性。

对于访谈／焦点小组，应披露招募方式、知情同意、角色覆盖范围、日期／模式、访谈提纲、编码方法、相异证据、隐私保护措施及普遍性推断的局限。

切勿：

• 收集超出必要范围的个人数据；
• 在报告材料中放入直接身份标识符或原始录音；
• 将研究伪装成销售或潜在客户开发；
• 歪曲身份／目的；
• 施压要求参与者透露雇主／客户机密；
• 将定性研究中提及某事项的次数报告为市场普遍程度。

请遵循 references/methods_and_ethics.md。

8. 分析竞争对手与市场集中度

在选择竞争对手或计算份额之前，先从客户角度界定产品和地域范围。在适用情况下，考虑非价格维度、渠道、进口、数字化／多边特征、创新及动态变化。

使用合法的公开证据，并统一产品版本、地域和截至日期。验证完整矩阵：

python3 scripts/validate_competitor_matrix.py \
  assets/competitor_feature_matrix_template.csv \
  --source-ledger assets/source_ledger_template.csv

对于份额，应说明营收／销量／产能／用户数或其他指标、分母、期间、剩余份额及来源覆盖范围。HHI/CRn 是描述性筛查指标，并非法律结论。TAM 类别不会自动成为相关反垄断市场。

9. 统一单位和定义

合并数值之前：

• 统一地域、期间、存量／流量、总额／净额、单位和分母；
• 使用明确标注的来源和汇率惯例进行货币换算；
• 统一基年和名义／实际口径；
• 不要强行使链式美元数据具有可加性；
• 保留分类版本并记录分类对应关系的不确定性；
• 将每次换算记录为一项计算。

检查对比组：

python3 scripts/check_unit_consistency.py \
  assets/consistency_check_template.csv

10. 起草与审查

开篇应先呈现发现和不确定性，而非框架。框架仅用于组织问题，可酌情使用；不要强行打分或固定因素数量。将建议与证据分开，并纳入依赖条件、权衡、决策阈值及反证。

图表为可选内容。如使用，应基于经过验证的本地数据制作，并注明范围、单位、来源 ID、计算 ID、观察值／预测值区分及局限性。请参阅 references/visual_generation_guide.md。

生成 Markdown 工作区：

python3 scripts/generate_report_scaffold.py \
  assets/report_manifest_template.json ./market-report-workspace

也可使用可选的 LaTeX 资源：

• assets/market_report_template.tex
• assets/market_research.sty
• assets/FORMATTING_GUIDE.md

发布检查

• 明确界定市场边界、分类体系、分母、地域和期间。
• 每项事实／定量主张均对应到确切的来源 ID。
• 记录发布日期／检索日期、修订版本、方法及局限性。
• 货币／基年、名义／实际口径、存量／流量及单位保持一致。
• 自上而下和自下而上的方法采用互不重叠的覆盖范围，并进行核对。
• TAM/SAM/SOM 和预测均为附带敏感性分析的条件性情景。
• 调查／访谈证据均说明方法、隐私保护及推断局限。
• 竞争对手证据合法、注明日期、界定范围，并如实使用 unknown。
• 来源冲突和修订情况保持可见。
• 不得包含捏造／无依据的付费数据、PII、商业秘密、欺骗性收集、品牌冒充或投资建议式表述。

附带资源

参考资料

• references/report_structure_guide.md — 模块化报告架构。
• references/evidence_model.md — 主张与来源映射及来源溯源。
• references/data_analysis_patterns.md — 规模测算、预测、一致性、调查和集中度分析方法。
• references/official_data_sources.md — 当前官方来源／API 路由。
• references/methods_and_ethics.md — 调查、访谈、隐私、竞争对手和反垄断防护措施。
• references/visual_generation_guide.md — 可选的证据导向展示方式。
• references/sources.md — 带日期的权威来源目录。

模板和 CLI

将 assets/ 中的模板用作合成架构，而非现实世界的证据。 script/ 中的所有脚本都是标准库、边界受限、仅限本地使用的工具。它们会拒绝过大或格式错误的输入，不会跟随符号链接输入，不会在未经明确许可的情况下覆盖输出，也不会调用网络、大模型、图像、动态求值或 pickle。

Agent 操作流程

1. 检查环境。 在开始撰写前，收集用户的草稿、数据、图表和目标发布渠道。
2. 确定输入。 根据数据或用户确认格式、标识符和参数。任何会改变结果的值都应询问，不要猜测。
3. 先运行小规模版本。 起草一个章节或段落，并向用户确认语气、结构和术语。
4. 使用上述说明和参考资料执行完整任务。
5. 验证结果。 每项主张都可追溯至用户数据或经核实的来源；数字与表格和图表一致；引用真实有效（citation-verification）。
6. 汇报。 说明运行了什么（版本、命令、参数）、检查了什么，以及还有哪些不确定之处。

如果发生这种情况	请这样做
某项主张没有支持数据或引用	在文本中标注（例如 [citation needed]），不要捏造依据。
这些说明中提及的函数、标志或端点在已安装版本中不存在	查阅已安装版本自身的文档（help()、--help、官方文档），调整做法，并告知用户。切勿捏造 API。
必需的输入、标识符或参数含义不明确	询问用户，或在运行前明确说明所作假设。

诚信原则

• 切勿捏造结果、参数、标识符、引用或统计数据。如果无法运行或核实某项内容，请如实说明。
• 用户是作者：切勿添加用户未提供或认可的结果、参考资料或主张。
• 此处与特定版本相关的细节可能已过时：请对照已安装版本的官方文档进行确认。
• 对于会产生费用、占用共享 GPU 或云配额、涉及个人或患者数据，或无法撤销的操作，务必先征求同意。