47张新质生产力产业链图谱：从全景拆解到可查询产业数据库-平芜编程栈

简介：《47张新质生产力产业链图谱》是一份面向产业研究、投资分析与技术规划人员的PDF资料，系统梳理新质生产力相关领域的产业链结构，帮助读者快速把握各行业上下游环节与技术路线。内容覆盖工业互联网、大数据、人工智能、智能汽车、智能网联汽车、AIoT、5G小基站、3D打印、3D玻璃、触摸屏、军工、航空发动机、机床、激光、充电桩、抽蓄电站、氟化工、光通信、锂电池、数据中心、半导体、风电、高铁、冷链物流、无人驾驶、芯片、疫苗、稀土等数十条产业链，每条均按基础层、平台层、应用层或感知、决策、执行等维度拆解，便于对照理解产业分工与关键节点。资源包为1个PDF文件，大小约7.92MB，单文件结构清晰，适合按目录检索与打印研读。目前已有108人学习下载，可作为行业研究、投资尽调与产业规划时的案头参考，帮助读者建立从技术到应用的全局认知，把握新质生产力发展趋势。

1. 从一份图谱包看新质生产力产业链的全景拆解

上周有个做产业研究的朋友找我，说他手头要出一份关于新质生产力的行业分析，涉及工业互联网、智能网联汽车、锂电池、半导体等十几个方向，每个方向都得画出上下游关系。他原本打算一个个去查研报、扒招股书、拼公开资料，结果三天只搞定了两个赛道，人已经麻了。我把他拉到工位上，打开一份《47张新质生产力产业链图谱》，让他按目录翻了一遍——从新基建的工业互联网、大数据、人工智能，到智能汽车、AIoT、5G小基站，再到3D打印、3D玻璃、军工、航空发动机、机床、激光、充电桩、抽蓄电站、氟化工、光通信、化妆品、锂电池、数据中心温控、小分子创新药、智能马桶、LED、半导体、风电、高铁、家电、聚氨酯、冷链物流、食品饮料、无人驾驶、芯片、疫苗、稀土、纤维、新零售、水处理、大气治理、特高压……47张图基本把当前新质生产力相关的核心产业链一网打尽。这份资源适合产业研究员、投资分析岗、供应链规划人员，以及需要快速建立行业认知的产品和战略岗。它解决的不是“深不深”的问题，而是“全不全、快不快”的问题——先有全景，再谈纵深。

2. 图谱包的结构与产业链拆解逻辑：从目录到单张图的读法

2.1 47张图是怎么组织的：三层分类法

拿到这份图谱包，第一件事不是从头翻到尾，而是先看目录结构。47张图并不是随机堆叠，它背后有一套分类逻辑，我把它拆成三层：

第一层是新基建主线。工业互联网、大数据、人工智能、5G小基站、特高压、数据中心建设、温控设备这几张，属于底层基础设施。它们的共同特征是：不直接面向终端消费者，而是为其他产业链提供算力、网络、数据流转和能源支撑。读这类图时，重点看“谁给谁供能力”——比如工业互联网的平台层依赖大数据的数据存储与管理，AI层又依赖工业互联网采集的现场数据。

第二层是智能制造与硬科技主线。智能汽车、智能网联汽车、AIoT、3D打印、3D玻璃、触摸屏、军工、航空发动机、航空发动机零部件、机床、激光、充电桩、抽蓄电站、氟化工、光通信、锂电池、锂电池涂覆材料、LED、半导体、电池、风电、高铁、芯片、稀土、纤维。这条线覆盖了从材料、零部件、整机到系统集成的完整制造链条。读法是“沿物料流向上游追”——比如锂电池图里，正极、负极、电解液、隔膜四大主材往上追，会碰到氟化工和稀土；往下走，会碰到充电桩和抽蓄电站。

第三层是消费与民生应用主线。化妆品、智能马桶、家电、聚氨酯、物流、冷链物流、食品饮料、新零售、水处理、大气治理、小分子创新药、疫苗、无人驾驶。这条线离终端最近，图谱的价值在于把“看起来不相关”的行业串起来——比如冷链物流图里会涉及温控设备，而温控设备又出现在数据中心建设图里；食品饮料图往上追会碰到聚氨酯（包装材料）和物流。

提示：不要按页码顺序读。先按这三层把47张图分堆，每堆挑一张最熟悉的行业精读，建立“读图模板”，再横向复制到其他图。

2.2 单张产业链图谱的四个必看字段

每一张图谱本质上是一张有向关系图，节点是环节，边是供应/依赖关系。我读这类图时固定看四个字段：

上游环节：原材料、核心零部件、基础软件。比如半导体图的上游是硅片、光刻胶、电子特气、EDA工具。上游环节的集中度通常最高，也是“卡脖子”讨论最密集的地方。

中游环节：制造、封装、测试、模组集成。比如锂电池图的中游是电芯制造和PACK封装。中游看的是产能规模、良率、成本曲线。

下游环节：应用场景和终端产品。比如AIoT图的下游是智能家居、智能交通、工业监测。下游看的是渗透率和增速。

支撑环节：检测认证、物流、金融、数据服务。这部分容易被忽略，但在实际产业研究中往往是差异化信息——比如冷链物流图里，支撑环节包括冷库运营和温控设备维护，这些在公开研报里经常一笔带过。

把这四个字段填进一张表，一张图就算读完了。47张图读下来，你会发现很多环节是跨图重复出现的——温控设备出现在数据中心、冷链物流、食品饮料三张图里；氟化工出现在锂电池、半导体、化妆品三张图里。这些交叉点就是产业链研究里最有价值的信息。

2.3 用表格把图谱转成可检索的产业字典

图谱是给人看的，但做研究时更需要能检索、能筛选的结构化数据。我的做法是把每张图转成一张三列表：

产业链名称	上游关键环节	下游主要应用
工业互联网	网络设施、数据中心、云平台	智能制造、能源管理、设备远程运维
智能网联汽车	雷达、摄像头、高精地图、V2X模组	自动驾驶、车队管理、出行服务
锂电池	正极、负极、电解液、隔膜	电动车、储能、消费电子
半导体	硅片、光刻胶、电子特气、EDA	芯片设计、晶圆制造、封装测试
冷链物流	冷库、冷藏车、温控设备	生鲜电商、医药配送、食品加工

这张表不需要一次填完47行，先填你当前项目涉及的10到15个赛道，剩下的按需补。填表的过程本身就是一次产业链梳理——你会被迫回答“这个环节到底属于上游还是中游”“这个应用算下游还是支撑”。

注意：图谱包里的图是静态的，但产业链是动态的。填表时建议加一列“变化趋势”，标注哪些环节在近两年发生了明显的国产替代或技术路线切换。

3. 把图谱落到实际工作流：从产业研究到供应链排查

3.1 产业研究场景：用图谱快速搭分析框架

假设你要出一份关于“智能网联汽车”的行业分析，传统做法是先搜研报、再读招股书、再拼框架，至少两天。用图谱包的做法是：

第一步，翻到智能网联汽车那张图，把感知层、决策层、执行层、服务层四个环节抄下来。第二步，翻到智能汽车图，把整车制造、智能驾驶系统、车联网服务、能源供应四个环节抄下来。第三步，翻到AIoT图，把感知层、连接层、平台层、应用层抄下来。三张图叠在一起，你会发现“感知层”在三张图里都出现了，但侧重点不同——智能网联汽车强调雷达和摄像头，AIoT强调传感器，智能汽车强调整车集成的感知方案。

这个交叉对比的过程，就是分析框架的雏形。接下来只需要针对每个交叉点去补数据：雷达的市场规模、摄像头的渗透率、传感器的出货量。框架有了，数据往里填就行，效率比从零开始高得多。

3.2 供应链排查场景：沿图谱向上游追两级

供应链排查的典型需求是：某个关键物料断供了，替代方案在哪？图谱包的价值在于它能帮你快速定位“这个物料的上游还有谁”。

举个例子，假设你所在的公司在做充电桩，某个功率模块的交期从8周变成了26周。翻到充电桩产业链图，找到功率模块的位置，然后向上游追两级：第一级是IGBT和MOSFET，第二级是硅片和封装材料。再翻到半导体产业链图，找到IGBT对应的环节，看它的上游是谁。再翻到稀土产业链图，确认封装材料里是否涉及稀土。三级图叠在一起，替代方案的候选范围就出来了。

这个过程用代码来辅助会更高效。比如把图谱里的环节关系存成邻接表，用Python做两级上游查询：

# 产业链上游追溯：给定环节，返回两级上游节点 # 数据来源：从图谱包中手工抽取的环节关系，存为字典 supply_chain = { "充电桩": ["功率模块", "充电枪", "计费控制单元", "壳体"], "功率模块": ["IGBT", "MOSFET", "驱动芯片", "散热基板"], "IGBT": ["硅片", "光刻胶", "封装材料", "EDA工具"], "硅片": ["多晶硅", "单晶炉", "切片设备"], "封装材料": ["环氧树脂", "引线框架", "焊料"], "MOSFET": ["硅片", "氧化层", "金属电极"], } def upstream_two_levels(node): """返回指定环节的两级上游节点""" level1 = supply_chain.get(node, []) level2 = [] for item in level1: level2.extend(supply_chain.get(item, [])) # 去重并保持顺序 seen = set() result = [] for n in level1 + level2: if n not in seen: seen.add(n) result.append(n) return result # 查询充电桩的两级上游 for node in upstream_two_levels("充电桩"): print(node)

这段代码的逻辑很直接：supply_chain字典存的是从图谱里手工抽取的“环节→直接上游”关系，upstream_two_levels先取一级上游，再对每个一级上游取二级上游，最后去重合并。参数方面，node传产业链里的任意环节名，返回的是该环节往上两级的全部节点。实际使用时，这个字典可以从图谱包里逐张图补全，补到20到30个环节就能覆盖大部分排查场景。

提示：字典的键名要和图谱里的环节名保持一致，否则查不到。建议先用表格把图谱里的环节名统一整理一遍，再录入代码。

3.3 投资分析场景：用图谱做赛道交叉筛选

投资分析里有一个常见需求：找出“同时属于两个以上热门赛道”的环节。比如你想找既属于新能源又属于半导体的环节，翻图谱会发现：功率半导体（IGBT、MOSFET）同时出现在充电桩、锂电池、风电、高铁四张图里；温控设备同时出现在数据中心、冷链物流、食品饮料三张图里；氟化工同时出现在锂电池、半导体、化妆品三张图里。

这种交叉筛选用手工翻图也能做，但效率低。把图谱转成“环节→赛道”的倒排索引，用代码跑一遍会快很多：

# 赛道交叉筛选：找出同时属于多个赛道的环节 # 数据来源：从图谱包中抽取的“赛道→环节”关系 track_map = { "充电桩": ["功率模块", "充电枪", "计费控制单元", "IGBT", "MOSFET"], "锂电池": ["正极", "负极", "电解液", "隔膜", "IGBT", "氟化工"], "半导体": ["硅片", "光刻胶", "电子特气", "EDA", "IGBT", "氟化工"], "风电": ["叶片", "齿轮箱", "发电机", "IGBT", "轴承"], "冷链物流": ["冷库", "冷藏车", "温控设备", "制冷剂"], "数据中心建设": ["服务器", "温控设备", "UPS", "机柜"], "食品饮料": ["原料", "加工设备", "包装材料", "温控设备", "冷链"], } def cross_track(min_tracks=2): """找出出现在至少min_tracks个赛道中的环节""" from collections import defaultdict node_tracks = defaultdict(list) for track, nodes in track_map.items(): for node in nodes: node_tracks[node].append(track) result = {node: tracks for node, tracks in node_tracks.items() if len(tracks) >= min_tracks} return result # 找出同时属于两个以上赛道的环节 for node, tracks in cross_track(2).items(): print(f"{node}: {', '.join(tracks)}")

track_map存的是“赛道→环节”关系，cross_track函数用defaultdict做倒排，把每个环节映射到它所属的赛道列表，最后筛选出赛道数大于等于min_tracks的环节。参数min_tracks默认是2，想找更聚焦的交叉点可以调到3。跑出来的结果里，IGBT出现在充电桩、锂电池、半导体、风电四个赛道，温控设备出现在冷链物流、数据中心建设、食品饮料三个赛道——这些就是产业链研究里常说的“卖铲子”环节。

3.4 用图谱包做团队内部的产业知识对齐

还有一个容易被忽略的场景：团队知识对齐。产业研究团队里，每个人熟悉的赛道不同，有人懂半导体，有人懂新能源，有人懂消费。开会讨论时经常出现“你说的环节和我说的不是一回事”的情况。

图谱包可以当团队内部的“产业字典”用。做法是：把47张图按三层分类法分给不同的人，每人负责精读自己熟悉的赛道，然后按统一模板输出“上游-中游-下游-支撑”四字段表。所有人输出完后，把表拼在一起，就得到了一份团队共享的产业知识库。下次讨论时，直接查表，减少“我觉得”“应该是”这类模糊表述。

这个做法不需要写代码，但需要统一模板和环节命名规范。我的经验是，模板越简单越好，四列表足够，关键是环节名要统一——比如“温控设备”不要写成“温度控制”“散热系统”“冷却装置”，否则拼表时会重复。

4. 避坑与常见问题：读图谱时容易翻车的五个地方

4.1 把图谱当静态快照，忽略版本时效

现象：照着图谱里的环节去查数据，发现某些环节的市场规模、主要玩家和实际情况对不上，比如某张图里标注的“主流技术路线”已经被新技术替代了。

原因：产业链图谱本质上是某一时间点的快照，而产业链是动态演进的。技术路线切换、政策调整、国产替代都会让图谱里的环节关系发生变化。这份图谱包覆盖47个赛道，每个赛道的更新节奏不同，有的半年一变，有的一年一变。

解决：读图时先看图谱的编制时间（如果有标注），没有标注的按“至少半年内有效”来用。关键环节的数据一定要交叉验证——图谱给的是框架，具体数据要查最新研报或行业数据库。我一般会在表格里加一列“数据截止时间”，提醒自己哪些环节需要重新核实。

4.2 混淆“产业链环节”和“上市公司业务”

现象：把图谱里的环节名直接当成上市公司的主营业务去搜，结果搜出来的公司和图谱里的环节对不上，或者一个环节对应几十家公司，不知道看哪家。

原因：产业链环节是产业分工的概念，一家上市公司可能同时覆盖多个环节，也可能只做某个环节里的一小段。图谱给的是“环节地图”，不是“公司地图”。

解决：先用图谱定位环节，再用环节去查公司。查公司时注意区分“主营”和“兼营”——比如某公司主营是封装测试，兼营是芯片设计，那它在图谱里应该归到封装测试环节，而不是芯片设计。另外，同一个环节里公司也分梯队，图谱不区分梯队，需要自己按营收规模或市占率排。

4.3 跨图环节命名不一致导致检索遗漏

现象：在A图里叫“温控设备”，在B图里叫“温度控制系统”，在C图里叫“散热模组”，检索时只搜了一个词，漏掉了其他图里的相关信息。

原因：47张图可能由不同的人或不同的资料来源编制，环节命名没有统一规范。这是图谱包类资源最常见的坑，不是内容质量问题，而是编制过程导致的。

解决：拿到图谱包后，先做一次环节名归一化。把每张图里的环节名抄出来，按语义合并同义词，建立一张“标准名→别名”映射表。比如“温控设备/温度控制系统/散热模组”统一归到“温控设备”。这张表建一次，后面所有检索和代码查询都用标准名。

4.4 只读图不读目录，漏掉支撑环节

现象：翻完47张图，感觉每个赛道都看了，但做分析时发现缺少检测认证、物流、数据服务这些支撑环节的信息。

原因：图谱的视觉重心通常在上游和中游的制造环节，支撑环节往往放在图的边缘或底部，容易被忽略。但实际产业研究里，支撑环节经常是差异化信息的来源。

解决：读每张图时强制自己找一遍支撑环节。如果图上没有明确标注，就按“检测认证、物流仓储、数据服务、金融服务、人才培训”五个维度去补。补不出来的，标注“待补充”，后续查资料时优先补。

4.5 把图谱直接当交付物，缺少二次加工

现象：把图谱包里的图直接截图放进报告或PPT，被反馈“太泛”“没有针对性”“和我们的业务没关系”。

原因：图谱包是通用资源，覆盖47个赛道，但你的报告或项目通常只涉及其中几个赛道。直接截图等于把通用信息当定制信息用，缺乏针对性。

解决：图谱包的正确用法是“输入”而不是“输出”。用它搭框架、做交叉筛选、建产业字典，然后针对你的具体赛道做二次加工——补充最新数据、标注重点环节、画出和你业务相关的局部放大图。我一般会从47张图里挑出相关的5到8张，重新画一张“业务相关产业链简图”，只保留和当前项目有关的环节。

5. 进阶用法：把47张图谱变成可查询的产业数据库

5.1 从图谱到结构化数据的转换流程

图谱包最直接的用法是翻图，但翻图只能解决“看”的问题，解决不了“查”的问题。进阶用法是把47张图转成结构化数据，做成可查询的产业数据库。转换流程分四步：

第一步，环节抽取。把每张图里的所有环节名抄出来，按“产业链名称、环节名、环节层级（上游/中游/下游/支撑）”三列存成CSV。47张图大概能抽出800到1200个环节，去重后约500到700个。

第二步，关系抽取。把每张图里的供应关系抄出来，按“上游环节、下游环节、产业链名称”三列存成另一张CSV。这一步工作量最大，但也是最核心的——关系数据是后续查询的基础。

第三步，别名归一。按4.3节的方法建“标准名→别名”映射表，把所有环节名统一到标准名。

第四步，导入查询工具。CSV可以直接用Excel筛选，也可以导入SQLite做SQL查询，或者用Python的pandas做分析。如果团队有内部知识库，可以把这三张表导进去，做成可检索的产业字典。

5.2 用SQLite做产业链查询：三个实用查询示例

把结构化数据导入SQLite后，可以用SQL做很多手工翻图做不到的查询。下面三个是我常用的：

-- 查询1：找出某个环节的所有下游应用 -- 表结构：relations(upstream, downstream, chain_name) SELECT downstream, chain_name FROM relations WHERE upstream = '温控设备' ORDER BY chain_name; -- 查询2：找出跨三个以上产业链的环节 SELECT upstream AS node, COUNT(DISTINCT chain_name) AS chain_count FROM relations GROUP BY upstream HAVING chain_count >= 3 ORDER BY chain_count DESC; -- 查询3：查询某个产业链的完整两级上游 WITH first_level AS ( SELECT upstream FROM relations WHERE chain_name = '锂电池' ) SELECT DISTINCT r.upstream FROM relations r WHERE r.downstream IN (SELECT upstream FROM first_level) OR r.downstream = '锂电池';

查询1解决“这个环节用在哪”的问题，WHERE upstream = '温控设备'可以换成任意环节名。查询2解决“哪些环节是跨赛道”的问题，HAVING chain_count >= 3筛选出出现在三个以上产业链里的环节，这些通常是基础设施型环节。查询3用CTE先取锂电池的一级上游，再取这些上游的上游，得到两级上游列表。三个查询覆盖了产业研究里最常用的三类需求：下游应用查询、跨赛道筛选、上游追溯。