研究链与结论协议

这份协议解决什么问题

人口未来不是把人口变化直接翻译成行业、资产或地方结论。一个可解释的研究判断，必须沿着同一条传导链说明：人口发生了什么变化，人口在哪里重新分布，系统如何响应，最后哪些结果可能受到影响。

这份协议是产品内部统一的研究表达规范。它不是统计定律，不产生综合评分，也不替代具体领域的数据验证。

两种表达方式

面向用户的表达保持直观：

人从哪里来 → 人往哪里去 → 系统怎么调整 → 对你意味着什么

机器和研究治理使用更精确的五层协议：

Population → Spatial → System → Outcome → Feedback

两者的对应关系如下：

用户语言	协议层	要回答的问题
人口补给 / Cohort	Population	哪些人口、哪一代、在什么时间发生变化？
空间重新分配	Spatial	人口向哪里集中、流失或重新选择节点？
系统响应与重构	System	学校、医院、住房、财政、岗位等存量如何响应？
职业、资产、公共服务结果	Outcome	哪些现实结果可能被影响，确定性有多高？
反馈	Feedback	系统结果如何反过来影响迁移、家庭和下一轮人口选择？

每条关系必须说明什么

一条研究关系不能只写成 A → B。至少需要说明：

mechanism：中间通过什么机制传导；
valueKind：变量是 Stock、Flow、Rate、Capacity、Constraint 还是 State；
lag：反应速度是已知、假设、Data Gap 还是不适用；
buffer：哪些制度、财政、行为或容量条件会延缓或抵消冲击；
counterfactors：哪些因素可能改变方向、幅度或时间点；
Evidence / Source：事实或机制由什么材料支持；
Data Gap：当前还缺什么数据，缺口会阻断哪类结论。

当前项目中的 ResearchChainSchema、ResearchLagSchema 和 ResearchBufferSchema 是这套协议的机器可读实现。新增页面和领域模型应复用它们，不再建立平行的因果链结构。

Stock 与 Flow

所有系统分析都要先区分存量和流量：

类型	含义	教育例子
Stock	某个时点已经存在的规模或容量	教师存量、学校数量、校舍容量
Flow	某段时间内发生的进入、退出或调整	招聘、退休、调岗、撤并
Capacity	按规则可以承载或配置的参考规模	政策基准教职工参考值
Constraint	限制调整路径的条件	通学距离、编制规则、财政约束
State	对当前系统状态的定性描述	research_only、under_review

“人口减少”通常先影响新增 Flow，再通过退休、调岗、网点调整等过程影响 Stock。不能把新增招聘减少直接写成现有人员存量同比减少。

Lag 与 Buffer

人口变化与系统结果通常不在同一年发生。出生、入学、毕业、就业、家庭形成、退休和公共系统调整要分别记录时间关系。

如果没有可靠数据校准时间，应写成 data_gap 或 assumed，不能为了完整而填入具体年数。

人口冲击也不会直接穿透到结果。财政转移、编制制度、医保支付、土地制度、户籍制度、住房成本、交通和组织惯性都可能构成 Buffer。Buffer 是解释条件，不是加分项，也不参与安全分、风险分或排名。

标准结论结构

一个可以发布的研究判断，应按以下顺序回答：

当前知道什么；
变化通过什么机制传导；
影响的是哪类对象和哪种 Stock / Flow；
什么先发生，什么后发生；
哪些制度或行为因素会放大、延缓或抵消；
哪些证据支持当前判断；
哪些仍是预测、模拟、假设或产品推断；
当前不能推出什么；
下一步应该观察什么；
什么条件满足后需要重新评审。

当前 ConclusionSchema 已提供结论类型、机制、Data Gap、Watch Indicator 和重新评审条件。页面摘要可以更易读，但不能另建一套未经治理的结论事实源。

Research Case 进一步把这条约束落到页面对象：每个 Case 的 Evidence、Source、Conclusion、Data Gap 和 Watch ID 都必须可解析；Product Inference 只能引用已有 Conclusion ID；Feedback Case 必须保留滞后和反向因果说明。在证据不足时允许 conclusionIds=[]，这代表研究模板已经建立，但尚无正式结论。

Outcome 不做综合评分

资产、职业和公共服务结果需要分别阅读，不把它们压成单一指数。研究页面可以分别讨论：

存在性：系统或服务是否仍然存在；
稳定性：系统能否持续运行、维持可达性和基本服务；
增长性：需求、岗位、生产率或机会空间是否扩张；
流动性：资产、岗位或人口是否容易迁移和重新配置。

这四种输出维度与现有 Stability / Prosperity 两个阅读镜头不是同一个概念：前者描述具体结果，后者用于组织决策阅读。两者都不产生分数、权重或排名。

日韩参照的角色

日韩案例优先作为 Evidence Layer 和机制参照，而不是独立的国家专题终点。它们可以帮助回答：

某种系统调整是否曾经发生；
该机制需要哪些可迁移条件；
哪些制度和行为差异会阻断迁移。

日韩历史结果不能直接变成中国未来预测，也不能提升某个中国地方的 Readiness。

Place 的角色

Place 是研究作用域，不是第五层，也不是结论容器。地方研究可以记录五组画像信息：

人口补给；
人口流动；
产业造血；
节点能力；
存量负担。

每组信息都要同时记录事实、趋势、证据质量、当前解释、不能推出的结论和 Data Gap。Place Profile 与 Place Readiness 必须分开：前者描述研究问题，后者判断 exact-scope evidence 是否足以形成地方判断。

在真实地方数据未通过 Readiness Gate 前，结果保持 research_only，不生成安全分、风险分、排行榜或地方性确定结论。

标准研究输出

任何问题最终都应尽量形成四个答案：

现在知道什么
为什么会这样
什么还不能确定
下一步看什么

这四个答案比“预测一个最终数字”更适合作为人口未来的长期产品输出。