作者
陶锋
暨南大学产业经济研究院院长、教授
各位老师，大家下午好。非常感谢刘小鲁主任的介绍，也感谢李三希院长的邀请。今天我想结合暨南大学产业经济研究院这几年的探索，谈一谈行业研究报告如何进入数字经济专业硕士的人才培养，以及我们正在尝试把这种实践成果进一步转化为学位论文的一些思路。
在开办数字经济专业硕士之前，我们已经有产业经济学专业。六年前，我们开始思考一个很现实的问题：学生进入就业市场以后，怎样形成区别于一般经济学专业的能力标签？最后，我们把产业分析作为一个重要抓手，逐步形成了以行业分析与投资管理为核心的课程体系。学生从入学开始就组成行业研究团队，持续跟踪一个行业，同时跟踪行业中的重点企业，经过一轮又一轮的修改，形成较为完整的行业研究报告。我们选择的行业大多是粤港澳大湾区新质生产力相关的前沿赛道和细分赛道。实践下来，这种训练对学生找实习、找工作非常有帮助，因为它让学生在面试时能够拿出一份真正反映自己行业理解和研究能力的成果。
随着数字经济专硕规模扩大，这件事变得更加重要。2025年，我们产业经济研究院招收在职学生87人，2026年增至130人，另有20多名全日制学生。我们的办学定位一直很明确，就是扎根粤港澳大湾区、扎根真实产业，建设“全国第一个扎根湾区产业的数字经济硕士项目”。因为我们是产业经济研究院，所以如果不能把产业研究做扎实，这个专业就很难真正形成特色。真正困难的是下一步：行业研究报告怎样从课程成果、实践成果进一步走向毕业成果？为此，我们今年上半年专门成立了三个课题组，一个研究企业案例论文写作，两个集中研究行业研究报告的撰写规范。今天分享的内容，主要是我们目前形成的一些框架性认识和初步实践。很多地方还在探索，我也希望借这个机会和大家交流。
一、为什么数字经济专硕尤其需要行业研究能力
我之所以把行业研究报告放到人才培养的核心位置，首先是因为数字经济专业本身诞生于新一轮科技革命和产业变革的大背景之下。历次科技革命都具有通用技术革命的特征，但这一轮以人工智能、数据和数字技术为代表的变革，渗透范围更广、重塑能力更强。它不仅会改变某一个行业的生产技术，还会改变企业组织方式、资源配置方式、商业模式乃至产业边界。与此同时，创造性破坏会不断发生，新产品、新产业、新模式、新赛道持续出现，原来被认为相对稳定的技术路线和商业模式也可能很快被颠覆。
在这种情况下，我们面对的往往不是一个已经成熟、可以套用标准答案的产业，而是一个仍在快速演进、方向尚未完全确定的产业。未来怎么走，哪条技术路线会胜出，什么商业模式能够成立，产业链上的关键环节在哪里，很多问题都需要判断。行业研究的价值，就在于帮助学生在高度不确定的环境中建立观察全局、识别变化和形成判断的能力。
第二个背景，是商科教育本身正在转型。过去中国商科教育在相当长时期内是在产业跟随阶段发展起来的，很多教学内容更擅长告诉学生成熟企业应该怎么做。但今天中国越来越多产业开始进入科技创新前沿，从长期跟随走向并跑甚至局部引领。这个时候，商科教育仅仅讲成熟流程和既有经验是不够的。我们要帮助学生进一步理解：为什么会出现这个问题？技术变化为什么会改变产业结构？新的商业价值从哪里产生？
我把这种转型概括为“科技商科”。传统商科往往把技术当作外部变量，主要讲商业流程、管理工具和经济逻辑；科技商科则必须把科技本身放到更中心的位置。学生既要懂经济、懂管理，也要理解技术的基本原理、关键术语和演进方向。我们希望集中培养的，其实是一类“产品经理型人才”——也可以理解为科技型商科人才，特别是面向未来的科创企业家。
为什么强调产品经理？因为科创时代一个非常突出的难题，是前沿技术与商业化之间存在死亡鸿沟。技术团队懂技术，商业团队懂市场，但两边的语言往往不完全相通。产品经理的任务，就是做知识的翻译者和连接者，把技术能力转化为产品，把产品放进真实场景，把场景中的需求再反馈给技术迭代。要做好这种工作，仅仅懂某一门课程是不够的，必须真正理解行业的未来趋势、商业模式和技术走向。换句话说，行业研究能力是科创时代产品经理型人才的一项基础能力。
第三个原因与人工智能有关。AI正在极大提高行业研究的效率，很多过去需要大量时间完成的资料搜集、分类、初步梳理，现在都可以借助AI完成。但我一直强调，AI可以提供支撑，却不能替代人的判断。真正有价值的行业洞见，往往来自经验、场景和隐性知识。我们做行业研究，不能把生成了一份报告等同于理解了这个行业。AI越强，越需要学生具备独立判断、核验信息和形成洞见的能力。
二、先看懂行业全局，再从产业现场发现真问题
学生最终要写问题导向的毕业论文，但问题不是凭空想出来的。我经常提醒学生：没有行业全局的积累，很难真正找到一个好的产业问题。平时看新闻当然有帮助，但新闻里出现的热点问题并不一定是真正的产业问题。一个问题是否重要、是否普遍、是否具有机制意义，需要到产业中去感受、去验证。因此，在进入具体选题之前，我们先要求学生建立行业全局认知。
要做到这一点，前面至少要有两项条件建设：一是跨学科课程体系，二是产教融合。
1. 用跨学科课程补齐经济、管理与技术三类知识
行业研究天然需要复合型知识结构。只懂经济学，不理解企业管理和技术演进，很难把产业看透；只懂技术，不理解市场需求、商业逻辑和资源配置，同样无法解释一个产业为什么能够成长。基于这个考虑，我们在暨南大学逐步搭建了“33制”课程体系，把产业经济、创新管理和数字技术三方面结合起来。
这件事实施起来并不容易。我们的课程定位是跨学科的，而我们的专职教师主要是经济学背景的。要把经济、管理和新技术课程真正开出来，必须打破学院、学科甚至学校之间的边界，用平台化方式组织师资。以AI课程为例，第一学期先开AI基础，由我校人工智能领域的教授设计课程内容模块，总共10个相互衔接的模块，每个模块邀请大湾区教学科研做得非常突出而且真正熟悉产业转化的青年科学家来讲授，包括8名国家级人才和2名省级人才，形成所谓“大湾区AI天团师资”。这些师资2名来自暨大，8名来自湾区其他高校。第二学期再做技术进阶，重点讨论技术如何转化为产品和产业能力。第三学期进一步把产业链和资源链引入课堂，请企业研发负责人进入大学课堂讲真实技术、真实需求和真实卡点。除此以外，我们还会设计一些短期实践课程，比如围绕行业智能体搭建开展训练。目的不是把经济学学生培养成工程师，而是让他们在进入产业研究之前，至少听得懂技术语言，知道技术大致往哪里走，真正的关键约束在哪里。
2. 产教融合不能止于参观企业，而要进入具体问题
我们产业经济研究院一直强调扎根产业办专业，所以做产教融合相对有一些基础。过去我们会带学生到一线企业调研、上移动课堂，但做了一段时间后我越来越觉得，仅仅走进企业还不够。如果一堂实践课只是把教室从学校换到企业，学生看了一圈、听了一场介绍，却没有围绕一个具体问题展开深入讨论，那么它对研究能力的帮助仍然有限。
下一步，我们更希望依托行业导师所在企业的真实场景，开发真正问题导向的场景化课题。也就是说，每一次移动课堂都围绕一个明确的实践问题展开：企业遇到了什么困难？这个困难发生在产业链哪个环节？背后可能是什么经济机制？已有政策或商业方案为什么没有完全解决？只有这样，学生才会逐渐形成从看热闹到看门道的能力。
经济学学科在企业资源方面往往不如管理学丰富，这也是现实困难。我们目前聘请了40多位来自粤港澳大湾区重点产业和一线企业的高管担任行业导师，希望借助他们的场景、资源和实践经验，为学生搭建更真实的产教融合环境。这项探索还在路上，但方向我认为是非常明确的。
3. 行业全局分析：从PEST到市场，再到“产业链+SCP”
在具体分析框架上，我们目前把行业全局研究分成三个层次。第一层是宏观环境分析，也就是大家熟悉的PEST框架，包括政治、经济、社会和技术因素。对中国的新兴产业、未来产业而言，我尤其强调产业政策。很多前沿产业的发展速度、技术路线、资源配置和应用场景，都与政策环境密切相关。学生不能只摘录几份政策文件，而要学会做中外政策对比、政策演进路径对比，理解总体政策与专项政策之间的关系，并比较不同城市、不同区域的政策工具和实施重点。
第二层是市场分析。这里要回答几个最基本的问题：市场规模有多大，增长速度如何，供给侧和需求侧正在发生什么变化，主要参与者是谁，客户是最终消费者还是中间企业，下游应用场景在哪里。必要时也可以用波特五力等工具理解整体竞争格局。行业研究当然可以使用很多复杂方法，但基础事实一定要先弄清楚。
第三层是我们比较重视的“产业链+SCP”分析。今天的产业高度分工，尤其是新兴产业和未来产业，如果不把上中下游的链条拉出来，就很难理解一个产业真正的结构。我们要求学生先画出产业链全图谱，弄清楚每个环节做什么、有哪些核心产品、有哪些重点企业，再进一步识别产业链上的堵点、卡点和断点。因为毕业论文最终必须有一个具体切入点，而产业链分析的一个重要目的，就是帮助学生从全局中找到那些真正值得研究的关键环节。
这里我常用一个很直观的标准帮助学生识别关键环节：技术壁垒高、附加值高、市场议价能力强。AI可以帮助我们快速梳理产业链、初步识别重点环节，但学生必须自己核验、自己理解。找到堵点、卡点、断点以后，政策层面就可以讨论建链、强链、补链，学术层面则可以进一步追问：为什么这个环节会形成瓶颈？是技术约束、市场结构、要素配置还是组织协同的问题？
产业链拉出来以后，我们再引入SCP范式，即市场结构、市场行为和市场绩效。这个框架并不复杂，但非常适合专硕学生操作。不同产业链环节的集中度如何？企业采取了哪些定价和非定价行为？是否存在产品差异化、研发竞争、产能扩张、兼并收购、纵向一体化、战略联盟等现象？这些行为最终带来怎样的市场绩效？更重要的是，这些现实现象背后都有产业组织理论可以支撑。这样做的目的，就是让学生在研究现实问题时，不只是描述现象，而是能够逐渐找到理论切入点。
三、一个行业全局研究的例子：人形机器人产业
为了让学生真正掌握这套方法，我们组织学生团队做过一份人形机器人产业分析报告。我要特别说明，这类行业全局报告本身并不要求一开始就有非常明确的问题意识。它更像一张行业地图：先把行业看清楚，再从地图中寻找值得深挖的方向。
我们的行业报告和券商、投行报告并不完全一样。券商报告往往服务于投资决策，有非常明确的应用目标；我们的训练更强调中立、客观，同时尽量用经济学理论解释现实。以人形机器人报告为例，我们大体从四个方面展开：发展环境、市场状况、产业链结构和发展前景。
第一步是行业界定与发展阶段判断。按照相关产业分类，具身智能通常被放在未来产业的语境中，智能机器人又属于新兴产业的重要方向，人形机器人则是具身智能的重要载体。因此，这个行业具有非常鲜明的前沿产业特征。学生要梳理技术和产业的发展历程，理解为什么2022年前后、特别是特斯拉入局以后，行业关注度和投入明显提升。
第二步是政策和市场。政策部分要比较国内外的支持重点和演进路径，观察不同国家、不同地区在技术路线、产业布局和应用场景上的差异。市场部分既要看规模和增长，也要识别参与者结构。人形机器人领域既有专业机器人企业，也有其他行业的头部企业跨界进入。后者往往具有很强的技术、资本和生态能力，其跨界进入本身就是一个很值得研究的产业现象。
第三步是产业链。学生需要把上游核心零部件、中游整机、下游应用场景逐层拆开，并把国内外重点企业放进去。比如上游的一些核心零部件仍然由国际企业占据优势，但国产替代也在加速；视觉导航、电机、芯片、传动等环节的技术参数和竞争格局各不相同。下游更不能只写应用场景很多，而要具体到哪些场景已经能够落地、哪些仍停留在展示阶段、不同场景真正的技术和商业难点是什么。
第四步是企业行为和市场绩效。研发行为不能只写企业重视研发，而要尽量比较不同环节、不同企业的研发投入和技术路线；定价行为需要具体到产品，尽可能找到真实价格和交易信息；并购行为要追踪谁并购谁、并购了什么业务、并购目的是什么；风险投资则要关注资金为什么进入某些技术方向、资本如何影响产业成长。尤其在新兴产业和未来产业中，直接融资和风险投资往往比传统信贷更加重要。
这里我想强调一个教学上的体会：不要让学生过早把全部工作交给AI。人形机器人这样的新兴领域，很多价格、技术和企业信息并不完整，AI存在编造和混淆的风险。更重要的是，如果所有资料都在几分钟内生成，学生可能没有经历慢慢找、慢慢理解、慢慢形成感觉的过程。行业认知本身需要时间沉淀。老师带着学生一点一点查资料、核数据、比较案例，看起来效率不高，但这个过程会把知识、体验和思维方式真正植入学生头脑。
我们的团队一般由三到五名学生组成，每个团队负责一个行业，每个学生再跟踪其中一到两家重点企业，优先选择信息比较完整的上市公司。学院层面还会举办行业分析汇报比赛，请产业界专家和行业研究机构的研究员来评价报告。老师负责带着学生反复打磨，产业专家负责从实践角度挑问题。这个过程确实很耗老师时间，但它训练的是基本功。条件允许的话，也可以培养博士生参与带队，让这套训练逐步形成可复制的机制。
四、从行业地图走向毕业论文：必须重新回到问题导向
行业全局研究做到一定程度以后，下一步就是毕业论文。这里有一个非常重要的转变：全局研究可以暂时没有明确问题，但学位论文一定要有问题导向。我们不能让一百多个学生每个人都写一份某某产业发展现状、问题与对策。这种写法看似完整，实际上很容易泛化，也难以体现研究训练。
我们希望学生从行业发展过程中识别一个具体的现实问题，再用一个相对清楚的理论框架去解释它。行业全局研究解决的是地图问题，毕业论文解决的是路径问题：在这张地图上，到底哪个地方最值得深入？为什么这里会发生一个重要现象？什么机制在起作用？有哪些证据能够支持我们的判断？
基于数字经济的产业经济学视角，我们目前把毕业论文型行业研究报告大体分成两类：一类是数字产业化，研究数字技术如何从技术突破走向产品化、商业化、规模化和生态化；另一类是产业数字化，研究数字技术嵌入传统产业以后，如何改变生产方式、组织方式、供应链结构、治理方式和价值创造逻辑。两类框架现在还在试验，但它们至少帮助学生把研究对象和问题边界进一步收窄。
1. 数字产业化：研究数字技术如何长成一个产业
数字产业化研究的核心，不是讨论传统企业用了数字技术以后发生什么变化，而是研究数字技术本身如何形成产业。人工智能、大数据、云计算等新技术，从实验室走向市场，通常要经历技术突破、产品化、商业化、规模化、链条化和生态化的过程。任何一个环节都可能出现关键瓶颈。
因此，选题首先要把边界界定清楚：产业边界是什么，核心主体是谁，研究处于什么成长阶段，研究对象究竟属于数字产业化还是产业数字化。然后再追问更具体的问题：技术成果为什么能或不能转化为产品？产业为什么集中在某些城市？应用场景为什么迟迟打不开？产业链哪些环节不完整？数据、算力、人才、资本等要素怎样影响产业成长？平台生态和产业协同为什么在某些地方能够形成、在另一些地方却形成不了？
从学位论文结构看，我们目前给学生设计了一个相对标准化、可操作的框架。第一章从宏观趋势、政策导向和产业事实中提出问题。新兴产业常见的矛盾其实并不神秘：有技术但缺商业化闭环，有产品但没有订单，有场景但无法规模化，商业模式不清晰，扩散速度慢，生态不协调，产业链不完整。关键是把这些现实矛盾进一步上升为可以研究的问题。
第二章是文献综述和理论基础。我们鼓励学生尽量以经济学理论为主，同时允许引入管理学等相关理论。数字产业本身就是一个高度跨学科的对象，如果只靠一个学科，很多现实机制解释不完整。创新系统、产业生命周期、技术扩散、产业集群与知识溢出、平台生态、要素配置、数据要素配置、创新链与产业链融合、政策工具等，都可能成为有用的理论资源。但一定要避免拼盘式理论，不是理论越多越好，而是要找到与研究问题最贴近的理论。
第三章可以做产业形成条件与发展基础。这个部分的问题导向相对弱一些，却很有必要，因为它相当于实证研究里的特征事实：用数据、案例和产业材料说明我们要研究的问题确实存在，而且足够重要。人才、技术、资本、数据、算力基础设施、应用场景、产业生态、政策制度等，都可以成为事实基础。
第四章是整个框架的核心，要分析关键环节和作用机制。比如技术研发如何转化为成果，产品如何形成解决方案，市场需求和应用场景怎样牵引技术，产业链如何分工协同，平台生态如何形成，标准和治理如何影响规模化。学生需要把这些现实环节转化成机制链条，而不是只做现象罗列。
第五章做经验分析与验证。专硕不必只有一种方法，区域比较、园区案例、企业案例、多案例比较、政策文本分析、专利数据、创新网络分析、指标构建和计量分析都可以使用。方法服务于问题，关键是证据链条是否完整。最后一章再根据前面的分析提出结论和建议，可以落到企业、平台、园区或政府等不同层面。
我一直觉得，专硕学生上完一年课就要开题，本身就是一个很高的要求。老师不应该只告诉学生要有问题意识、要有理论机制，却不给出任何可操作路径。很多学生最后集中去做案例研究，一个重要原因就是案例论文有相对成熟的模板可以模仿。我们现在做这些框架，就是希望先给学生一个简洁、清楚、可执行的起点，让他们先做起来，再在实践中逐步完善。
2. 产业数字化：研究数字技术嵌入业务以后改变了什么
产业数字化关注的是传统产业数字化转型。真正有价值的问题，不是笼统讨论数字化有没有作用，而是进一步追问：为什么要转？从哪个业务环节切入？通过什么机制产生影响？证据是什么？最后怎样形成可实施的改革路径？
研究对象可以是一个行业、一个细分行业、一个平台生态、产业链中的某个环节，也可以是某个地区的产业发展。关键是要把数字技术嵌入以后带来的组织后果和经济后果讲清楚。研发、生产、采购、库存、营销、售后，每个环节的数字化都有不同问题。如果一篇论文什么都研究，最后往往什么都说不深。
我们给学生的一个基本建议是：先找产业瓶颈，再研究数字化怎样破解瓶颈。数字化本身只是手段。比如一个行业为什么成本高、效率低、信息不对称严重？问题具体发生在什么环节？数字技术为什么能够改变这个环节？改变以后又会不会带来新的组织依赖、平台依赖或企业分化？这样，现实问题、机制分析和政策建议才能真正连起来。
因此，产业数字化论文同样需要完成几个步骤：先清楚定位研究范式和研究对象，再从产业现实中识别具体问题；在文献和理论部分找到可以解释该问题的机制；利用案例、数据或计量方法进行经验验证；最后提出与分析一致的路径优化和政策建议。我们希望最终形成的不是一套僵化模板，而是一套能够帮助学生收敛问题、建立证据链的研究指引。
五、从人形机器人案例看：一个产业问题怎样长成一篇论文
最后，我想用我们正在打磨的一篇人形机器人论文说明，行业全局研究怎样进一步生成一个具体的毕业论文选题。这个学生是在职学生，也是前面人形机器人行业研究团队的成员。团队四五个人先共同把行业地图做出来，每个人再从现实场景中选一个关键问题继续深挖。
这个学生在全局研究中观察到一个很有意思的反差：人形机器人的硬件技术进步很快，成型产品已经能够不断推出，甚至出现机器人参加马拉松、消费级产品上市后迅速售罄等现象；但另一方面，真正能够长期、稳定部署的工业应用场景仍然很少，产业距离规模化应用还有明显距离。也就是说，供给端正在快速扩张，需求端却还需要通过长期运行完成价值验证。
进一步往下看，会发现应用场景并不只是订单和需求，它还是数据的生产端。现在很多人形机器人训练依赖仿真数据，但真实场景中存在大量低频、异常、难以预先模拟的数据，而这些数据对产品迭代非常重要。没有真实场景，就很难持续获得高质量真实数据；没有足够的数据反馈，产品就很难加速学习和迭代。这意味着，应用场景与数据要素之间可能存在一个非常关键的产业成长机制。
与此同时，还有一个首用者问题。新产品进入真实生产环境时，第一批用户承担的试错成本最高，但产品改进和经验扩散带来的收益却可能被后续用户共享。于是每个企业都可能倾向于观望——你先用，我看效果再用。如果这种外部性长期存在，首批应用场景就可能供给不足，产业也很难跨过从技术可行到规模化商业应用的门槛。
基于这些现象，我们把论文的核心问题逐渐收敛为：应用场景和数据要素如何牵引人形机器人产业从技术突破走向产业成长？然后进一步拆成三个子问题：场景如何形成，数据如何反馈，成长如何持续。这样一来，市场失灵、首用者、使用与学习、数据生产和收益递增等理论就可以进入分析框架；案例材料、国际比较和企业实践也可以围绕同一条机制链展开。
这正是我想强调的从全局到局部。如果没有前面扎实的行业研究，学生很难看到这个反差，更难意识到应用场景还具有数据生产功能。反过来，一旦找到了这个具体问题，行业研究就不再是简单的发展现状、问题与对策，而是有可能形成一篇真正具有现实问题、理论机制和证据链条的专业学位论文。
六、几点体会：行业研究不是一份报告，而是一套能力训练
回过头看，我们把行业研究报告贯穿数字经济专硕培养过程，并不是为了让所有学生都去做行业分析师，更不是为了多增加一项形式上的作业。它真正训练的是一套面向实践的研究能力：进入一个陌生行业以后，能不能迅速建立知识框架；面对海量信息，能不能区分事实、观点和噪声；面对产业链条，能不能找到关键环节；面对一个现实现象，能不能提出值得研究的问题；面对一个判断，能不能找到理论和证据去支撑。
从教学安排上，我们也越来越强调尽早进入行业。数字经济专硕学制很短，全日制通常两年、非全日制三年，第二学期末就可能面临开题。如果学生到开题前才第一次认真接触行业，很难形成高质量选题。因此，我们把第一学期的“数字产业经济学”和第二学期的“产业分析与投资管理”尽量打通：第一门课开始时，后续负责产业分析的老师就提前进入课堂，布置行业任务，让学生从第一个学期开始积累。经过接近一年的准备，再进入开题，学生对行业和问题的理解会完全不一样。
对教师来说，这套培养方式同样提出了更高要求。老师自己必须进入产业、理解技术、跟踪企业，还要花大量时间带学生查资料、辨别数据、修改报告。它很难像一门完全标准化的课程那样轻松复制。但我认为，数字经济专硕如果要真正形成专业特色，就必须在这里投入。我们不能一方面强调面向实践，另一方面又让学生始终停留在课堂和文献里。
我们现在的探索还很初步，尤其是行业研究报告怎样形成更成熟的学位论文规范、怎样建立评审标准、不同方法怎样匹配不同问题，都需要继续实践和打磨。但有一点我越来越确定：数字经济人才培养一定要让学生真正理解产业，真正进入现实问题。只有把经济学的分析能力、管理学的组织视角、数字技术的基本理解和产业现场的真实问题结合起来，专业硕士的专业性和实践性才可能真正落地。
来源：本文根据陶锋教授在全国数字经济专硕（MDE）教学与人才培养师资培训班（2026）的演讲整理。
