运营管理博士申请有一种常见错位：申请者写了一个非常“热”的商业现象，却没有说明行为机制、可观察数据和识别路径。王竞奇教授的公开研究把供应链管理、技术创新、商业分析与AI经济连接起来，但这不意味着研究计划只要出现AI或平台就足够。真正的难点，是把企业决策转化为可检验问题，并提前处理内生性、测量误差与外部有效性。
本期整理香港中文大学（深圳）（The Chinese University of Hong Kong, Shenzhen）经管学院王竞奇教授及27Fall博士申请信息。本文依据学院、博士项目与导师公开页面整理，并非校方或导师本人发布。
01｜博士申请信息
经管学院2026年线上博士夏令营明确面向2027年秋季入学的潜在博士申请者，活动安排包括博士项目信息说明、方向介绍、导师交流和个人面谈。该夏令营申请已于2026年7月10日结束，因此不应再写成当前可提交的环节。对7月20日之后准备材料的人，更有价值的是同一官方页面给出的后续路径：未进入夏令营面谈的申请者，可以从2026年11月1日起参加主轮申请。
申请需要通过学院正式系统提交，官方页面列出的材料包括简历、个人陈述、成绩单、排名证明、英语能力证明和至少两封学术推荐信等。王竞奇教授在同一页面中以信息管理与商业分析博士项目运营管理方向主任身份出现，研究方向也被明确列出。联系导师可以帮助确认研究匹配，但不能替代正式申请；最终结果以研究生院正式文件为准。
02｜导师与课题组
王竞奇现为香港中文大学（深圳）经管学院教授、信息系统与运营管理领域负责人，并负责信息管理与商业分析博士项目的运营管理方向。学校官方个人主页还显示，他拥有西北大学运营管理博士、经济学硕士和运营管理硕士背景，本科就读于清华大学工业工程专业。
其公开研究领域包括供应链管理、创新与技术管理、商业分析、运营管理中的实证研究，以及人工智能的商业模式。这个组合体现出两种训练并行：一方面需要运营管理与经济学理论，解释企业、供应商或平台为何作出某类决策；另一方面需要数据和方法，区分相关关系、因果效应与模型假设。申请者不必同时掌握所有方法，但应展示自己能把一个问题推进到可检验层面。
03｜核心研究方向
第一条线是供应链中的技术采用和创新扩散。企业是否引入新工具，往往受供应商关系、学习成本、信息不对称和竞争压力共同影响。研究可以关注采用时点、扩散路径、绩效反馈与网络外部性，也需要处理企业选择采用本身并非随机这一难题。
第二条线是不确定性下的运营决策。需求预测、库存、交付、产能与采购相互关联，单纯优化一个指标可能把风险转移到链条其他环节。适合的研究既可能使用优化和仿真，也可能用自然实验、面板数据或结构模型识别企业真实行为。
第三条线是AI经济与商业模式。AI工具可能改变信息生产成本、决策速度和服务边界，也可能造成新的质量差异、依赖关系和测量偏差。把“AI提高效率”当作结论太早；更好的问题是，什么类型的企业在什么约束下采用，采用改变了哪一环决策，成本与收益如何分配，长期行为是否发生变化。
04｜适合背景
工业工程、运筹学、经济学、统计学、计算机、信息系统、管理科学与商业分析都可以形成切入口。工业工程和运筹背景可突出建模、优化与系统视角；经济学背景可强调理论机制、计量识别和政策环境；统计与计算背景可展示大规模数据处理、因果推断、机器学习或文本分析；管理背景则需要用更扎实的研究设计补足“只会讲案例”的印象。
官方夏令营页面特别强调数学、统计与计算基础。材料中不宜只列课程名称，应给出证据：你是否独立清洗过数据，是否构造过变量和对照组，是否处理过缺失、选择偏差和稳健性，是否能解释模型不成立时怎么办。只有商业叙述、缺少可复现分析，会限制匹配度。
05｜我们的申请观察
最容易踩坑的是把方法当作装饰。例如，研究计划写“使用机器学习预测需求”，却没有解释预测误差如何进入库存决策；或者写“使用双重差分评估AI影响”，却没有可信的处理时点、平行趋势与未受影响对照。方法名越多，反而越容易暴露问题尚未被定义。
更有效的表达是先回答四个问题：谁在作决策？决策受到什么约束？哪些变量可以被观察？什么变化能够帮助识别机制？王竞奇教授近期研究聚焦AI商业模式，但从其供应链与运营实证背景看，申请者仍需把技术现象落回企业行为和运营后果。我们的判断是：一份能主动讨论数据偏差、替代解释和边界条件的计划，比一份只追逐热点、承诺广泛影响的计划更可信。
06｜套磁信与简历怎么准备
套磁信可以从一个明确机制进入，例如供应链成员为什么在相似条件下采取不同技术，平台提供预测工具后商家是减少波动还是形成依赖，或生成式AI如何改变信息服务的定价与质量。接着用自己的项目证明你具备推进这个问题的能力：数据从哪里来，你负责哪些环节，使用什么识别、优化或计算方法，得到了什么结果，哪里仍不能解释。
简历中的研究经历建议按“问题—本人角色—样本或数据—方法—结果—限制—导师连接”排序。实证项目要写样本范围、时间、关键变量和稳健性；优化项目要说明目标函数、约束、基准和敏感性；文本或平台数据项目要交代抓取合规、数据清洗和代表性。课程项目、工作论文和已发表成果需准确标注状态。按官方页面列明方式联系时，邮件可以提出一个具体可交流的问题，但主轮申请仍须在正式系统完成。
07｜研究计划选题
以下为基于公开研究方向提出的申请构思，不代表导师已设定题目或承诺指导。
选题一：生成式AI采用与供应商交付波动。研究问题是，企业引入生成式AI辅助采购、预测或客户沟通后，供应商交付时间与订单调整是否发生系统变化，效应是否取决于供应链集中度和产品复杂度。可使用企业公开披露、产品上线时间、软件使用信号和行业运营指标构造分期采用的准实验，并以事件研究和匹配方法检验。第一阶段先在单一行业建立可复核样本，验证采用时点和前趋势。主要风险是“采用”测量误差与同期数字化改革混在一起，需要多来源确认并设置安慰剂检验。
选题二：平台预测工具与中小商家的库存学习。研究可比较平台提供需求预测后，商家是否降低缺货和积压，还是因过度依赖统一模型而放大同质化决策。新意在于同时考察预测精度与行为适应，而不把工具效果视为固定。若真实交易数据暂不可得，可先用公开需求序列和代理商家行为进行仿真，构建不同学习规则，再寻找可公开取得的聚合数据做外部校验。风险在于仿真结论依赖行为假设，必须预注册关键参数范围和敏感性分析。
两题相比，第一题更接近实证运营与技术采用，公开数据线索较多，但识别要求高；第二题更适合运筹、仿真或机器学习背景，第一年可控性更强，却需谨慎说明外部有效性。选择时应让研究问题与自己已有方法证据相互支持。
