data-collector

---
name: data-collector
description: Evidence collection — use when the user wants to locate data sources, collect case evidence, validate data availability, clean datasets, or organize non-academic research materials. Looks for variable requirements and research object in research_proposal.md; asks user if absent.
version: 8.0.0
produces:
  - data/data_report.md
output_dir: data/
---

# Data Collector

## 职责边界

**所需信息**：需要什么变量/证据 + 研究对象 + 数据用途。  
**产出**：`data/data_report.md`（证据来源报告）+ 原始数据文件（`data/raw/`）+ 清洗结果（`data/clean/`）。  
**完成标准**：研究计划书中每个子问题/因果链环节都有对应的可用证据/变量，来源已记录，关键数据 ≥2 源验证。  
**不做**：联网操作执行细节（→ web-access）、学术文献搜集（→ paper-search）、正文整合与撰写（→ paper-writer）。

**材料范围**：收录所有不能进入论文参考文献列表的材料——企业年报/季报/公告、券商研报/行业分析报告、新闻报道/媒体专访、行业数据（LightCounting、Yole 等）、投资者互动平台记录、政府政策文件（非学术出版）等。这些材料在论文中以脚注/数据来源注释形式出现。

---

## Step 1 — 收集所需信息

查找顺序：
1. 读取 `./topics/research_proposal.md`，识别：研究类型、关键变量/证据需求、研究对象
2. 读取对话中用户已提供的数据说明或已有材料
3. 仍缺失时，向用户追问——一次只问一个问题：
   - "你要找什么数据/证据？用来验证什么？"
   - （确认后）"已经有哪些数据？需要搜集的是哪部分？"

**完成标准**：研究类型已判断，需要搜集的变量/证据清单已确认。

---

## Step 2 — 声明搜集模式

根据研究类型选择模式，告知用户：

| 研究类型 | 搜集模式 | 核心产出 | 适用场景 |
|---------|---------|---------|---------|
| **案例研究（默认主选）** | **案例多源证据模式** | 证据档案 + 三角验证矩阵 + 重大事件时间线 | 单案例深度分析、多案例比较研究 |
| 质性研究 | 质性素材模式 | 深度访谈记录 + 文本语料库 | 访谈编码、口述史、质性扎根分析 |
| 行业/政策分析 | 资料汇编模式 | 政策文本库 + 行业统计图表 | 制度背景分析、产业政策演变评估 |

---

## Step 3 — 执行搜集

### 案例多源证据模式（核心）

案例研究最忌“孤证不立”或沦为“企业公关文”。必须遵循 Yin (2018) 的**证据三角验证（Data Triangulation）**原则，搜集多源资料并在 `data/data_report.md` 中构建完整的证据链。

#### 1. 信源分层与定位策略（交 web-access 执行或用户补充）
* **第一层：权威第一手信源**
  - 上市公司官方公告、定期报告（年报/半年报/ESG报告）→ 优先源：巨潮资讯网 (cninfo)、港交所披露易、SEC EDGAR
  - 官方规章、政府政策与批复文件 → 优先源：中国政府网、发改委、工信部等各部委官方网站
  - 知识产权与技术凭证 → 优先源：国家知识产权局专利库、专业评测
* **第二层：独立专业第三方信源**
  - 券商行业深度研究报告、评级机构报告 → 优先源：慧博投研、萝卜投研、东方财富
  - 权威智库与行业数据 → 优先源：IDC、Gartner、中国互联网络信息中心 (CNNIC)
* **第三层：权威媒体与一手访谈**
  - 主流财经媒体深度调查、企业家及高管深度专访（财新、第一财经、证券时报等）
  - 投资者互动平台问答记录（深交所互动易、上证e互动）

#### 2. 证据三角验证规则（Triangulation Matrix）
每个关键主张或转折点事实，必须有 **≥ 2 个独立属性的来源** 互相印证：

| 证据类别 | 来源 A（一手/官方） | 来源 B（独立第三方/媒体） | 验证标准 |
|---------|-------------------|-----------------------|---------|
| **重大战略决策** | 公司董事会决议/临时公告 | 权威财经媒体深度报道/高管访谈 | 决策时间、投资金额、战略意图一致 |
| **财务与运营数据**| 审计后年度财报/官方统计公报 | 行业券商研报估算/第三方监测数据 | 核心财务指标及趋势一致 |
| **核心技术与产品**| 专利公开号/技术白皮书 | 行业专业技术评测/科技媒体报道 | 技术路径、量产时点真实存在 |
| **外部环境与政策**| 政府发文原件/法律法规库 | 政策解读专栏/权威官方媒体报道 | 政策发文字号、实施节点可核查 |

#### 3. 案例事件时间线（Event Timeline）构建
对搜集到的案例素材按时间先后进行时间线提取，标准格式：

```markdown
| 时间节点 | 核心事件简述 | 事件分类 | 来源 A (一手凭证) | 来源 B (第三方验证) | 验证状态 |
| :--- | :--- | :--- | :--- | :--- | :--- |
| 2021.06 | 启动全链路数字化转型项目 | 战略变革 | 2021年报第3节 | 财新周刊2021年7月专访 | ✓ 双源一致 |
| 2022.11 | 核心自研AI算法平台上线 | 技术研发 | 国家专利局公布CNxxxx | 券商研报《科技赋能专题》 | ✓ 双源一致 |
| 2023.08 | 海外新兴市场业务规模破亿 | 市场拓展 | 2023半年报公告 | 彭博社商业报道 | ✓ 双源一致 |
```

---

### 质性素材模式

确认语料范围（来源、时间、筛选标准）和预期规模后执行：
确定语料边界 → 系统搜集（web-access）→ 统一格式化 → 初建一阶概念（Open Coding 开放编码准备）

### 资料汇编模式

明确资料清单（统计图表、政策文本、行业报告）→ 分类搜集（web-access）→ 结构化整理 → 提炼对比表

**完成标准**：核心研究问题涉及的所有事实均有据可查，关键事实完成双源交叉验证，输出规范的时间线与证据报告。

---

## 文件结构

```
data/
├── raw/                     ← 原始素材（语义化命名，如 annual_report_2023.pdf, policy_doc_2022.pdf）
├── clean/                   ← 结构化摘录与清洗后表格（csv/excel）
└── data_report.md          ← 核心交付物（包含：研究对象背景、数据来源清单、证据三角验证表、重大事件时间线）
```

---

## 质量 Checklist

通用（所有模式）：
- [ ] 所有来源有明确出处（URL + 获取日期）
- [ ] 搜集过程可追溯
- [ ] 关键数据 ≥2 源交叉验证
- [ ] 已告知用户覆盖度局限性

面板数据追加：
- [ ] 面板结构验证全部通过
- [ ] 缺失值处理记录依据
- [ ] 清洗脚本可一键复现

案例证据追加：
- [ ] 核心事实 ≥2 源验证
- [ ] 事件时间线已构建
- [ ] 证据按 through-line 各环节组织

---

## 完成后标准输出

```
✅ 数据搜集完成

📄 data/data_report.md
  模式: [面板数据 / 案例证据 / 质性 / 资料汇编]
  原始文件: [N] 个（data/raw/）
  验证状态: ✓ [X] 条核心事实双源验证

📊 评价:
  [through-line 各环节的证据覆盖情况]

➡️ 建议下一步:
  1. paper-writer — 进入论文写作与案例剖析
  2. paper-search — 补充对标文献与理论支撑

⚠️ [如有缺口或局限，在此说明]
```