張 敏，陳云偉*

(1.中國科學(xué)院成都文獻(xiàn)情報(bào)中心,成都 610041；2.中國科學(xué)院大學(xué)經(jīng)濟(jì)與管理學(xué)院圖書情報(bào)與檔案管理系,北京 100190)

1 引言

政策績效評(píng)估作為政府績效評(píng)估體系中重要的一環(huán)之一[1]，近年來得到廣泛關(guān)注。所謂政策績效評(píng)估，是指以結(jié)果為導(dǎo)向，借助科學(xué)的評(píng)估方法、規(guī)范的評(píng)估流程、統(tǒng)一的指標(biāo)和標(biāo)準(zhǔn)，對(duì)政策的投入產(chǎn)出作出全面測(cè)量和分析的活動(dòng)[2]。其目的在于測(cè)算政策的科學(xué)性、完整性、可操作性，以及實(shí)施所帶來的直接結(jié)果，即實(shí)現(xiàn)了什么效果，產(chǎn)生了哪些影響，還存在什么不足。在此過程中，科技政策績效評(píng)估備受關(guān)注，近年來關(guān)于科技政策績效評(píng)估的理論和方法研究層出不窮，相關(guān)研究者產(chǎn)出了大量研究成果。本文對(duì)現(xiàn)有科技政策績效評(píng)估的相關(guān)文獻(xiàn)進(jìn)行匯集分析，梳理主要國家科技政策績效評(píng)估的起源與發(fā)展歷程；并按發(fā)展階段梳理政策績效評(píng)估的理論、方法及模型應(yīng)用；對(duì)在科技政策績效評(píng)估中計(jì)量學(xué)方法的應(yīng)用進(jìn)行對(duì)比分析；最后總結(jié)現(xiàn)有研究中存在的問題，并對(duì)未來發(fā)展進(jìn)行展望。以期為我國組織開展科技政策績效評(píng)估工作，完善科技政策評(píng)價(jià)體系提供參考依據(jù)。

2 科技政策績效評(píng)估階段劃分

根據(jù)世界主要國家在科技政策績效評(píng)估方面頒布政策、法規(guī)的數(shù)量變化和內(nèi)容特點(diǎn)，借鑒趙蓉英等對(duì)中國科技評(píng)價(jià)階段的劃分[3]，可將科技政策績效評(píng)估劃分為3 個(gè)階段：20 世紀(jì)60 年代至70 年代末的萌芽期、20 世紀(jì)80 年代至21 世紀(jì)初的廣泛發(fā)展期、21 世紀(jì)初至今的創(chuàng)新發(fā)展期。

科技政策績效評(píng)估的萌芽期，主要是在美國和歐盟牽頭下，政策績效評(píng)估的興起以及初步探索，直至1978 年在理論和方法上有了較多發(fā)展，定性與定量研究更多的結(jié)合并應(yīng)用于科技政策績效評(píng)估。以世界多國重要立法節(jié)點(diǎn)為主的廣泛發(fā)展期，最突出的就是世界多個(gè)國家相繼出臺(tái)成文的政策法規(guī)，逐漸建立或完善國家層面的評(píng)估體系，在這一階段，理論、方法、模型等的發(fā)展和應(yīng)用更加廣泛，主要包括提出了一些科技政策績效評(píng)估的標(biāo)準(zhǔn)和原則等；建立了更多的測(cè)度指標(biāo)；構(gòu)建了大量的模型；借鑒了來自經(jīng)濟(jì)學(xué)、計(jì)量學(xué)等學(xué)科的更多方法?？萍颊呖冃гu(píng)估的創(chuàng)新發(fā)展期，各國科技政策績效評(píng)估體系更加成熟，涌現(xiàn)出更多的研究者和高校碩博論文，計(jì)量方法的使用上更加深入，政策績效評(píng)估與時(shí)代前沿技術(shù)知識(shí)接軌，在以后的發(fā)展中，有望緊跟時(shí)代步伐，實(shí)現(xiàn)政策績效評(píng)估與前沿技術(shù)、知識(shí)等的融合發(fā)展，促進(jìn)科技政策績效評(píng)估方法多樣化發(fā)展、評(píng)估過程智能化發(fā)展，以推動(dòng)科技政策績效評(píng)估發(fā)展向更加成熟的階段邁進(jìn)，如圖1 所示。

圖1 科技政策績效評(píng)估階段劃分圖Fig.1 Stage division chart of science and technology policy performance evaluation

2.1 科技政策績效評(píng)估的萌芽期

政策評(píng)估工作興起于20 世紀(jì)60 年代的美國，并在80 年代成為社會(huì)科學(xué)研究的前沿?zé)狳c(diǎn)領(lǐng)域[4]。這一階段在理論建設(shè)方面有了更多規(guī)范，如1978 年P(guān)OLSTER 提出政策績效評(píng)估工作應(yīng)遵循效率、效能、執(zhí)行力、反應(yīng)度、適當(dāng)性、充分性和公平性等7 個(gè)評(píng)估標(biāo)準(zhǔn)[5]；在方法層面上引入經(jīng)濟(jì)學(xué)與運(yùn)籌學(xué)相關(guān)知識(shí)，從定量的角度豐富和完善了政策評(píng)估，1978 年LIBECAP將經(jīng)濟(jì)模型運(yùn)用于政策量化，構(gòu)建了基于法律變革指數(shù)的計(jì)量模型，并用于研究政策對(duì)資源的影響效應(yīng)[6]。同年，運(yùn)籌學(xué)家CHARNES 等提出數(shù)據(jù)包絡(luò)分析法（Data Envelopment Analysis，DEA）。該方法常用來進(jìn)行決策單元績效的比較評(píng)估，后逐漸應(yīng)用于各種績效評(píng)估及政策評(píng)估[7]。2018 年張永安等使用改進(jìn)的兩階段動(dòng)態(tài)網(wǎng)絡(luò)DEA 模型，結(jié)合中國科技創(chuàng)新政策和31個(gè)省市的科技創(chuàng)新成果及效率，研究了中國科技創(chuàng)新政策績效的提升路徑[8]?？梢?，在萌芽期，科技政策績效評(píng)估工作已經(jīng)開始利用定性和定量的方法。

2.2 以世界多國重要立法節(jié)點(diǎn)為主的廣泛發(fā)展期

進(jìn)入20 世紀(jì)80 年代，系統(tǒng)的理論體系發(fā)展問題日益得到關(guān)注。1985 年，PAPPAS 等在分析定性和定量研究指標(biāo)的基礎(chǔ)上，提出應(yīng)對(duì)不同類型的科技政策采用不同的評(píng)估方法[9]。1987 年，F(xiàn)REEMAN 提出國家創(chuàng)新體系理論，并認(rèn)為科技領(lǐng)域的政策對(duì)促進(jìn)創(chuàng)新起積極效果[10]。1997 年，COOK 等通過文獻(xiàn)回顧和案例研究，討論了科技研發(fā)績效的評(píng)估問題，設(shè)計(jì)了主要的指標(biāo)體系，并指出評(píng)估政策對(duì)科技投入的影響，應(yīng)遵循系統(tǒng)性、可行性和經(jīng)濟(jì)有效性3 個(gè)原則[11]。方法模型方面，引入數(shù)學(xué)思想，構(gòu)建了更多定量模型。1996 年WARDA 提出B 指數(shù)，用于評(píng)估稅收優(yōu)惠程度[12]。1997 年，POTTELSBERGHE 等提出了矩陣評(píng)估模型，用于對(duì)科技政策進(jìn)行效果評(píng)估[13]。同年BONNAL 等使用時(shí)間持續(xù)模型（Duration Models）來評(píng)估法國19 世紀(jì)80 年代為改善青年工人的就業(yè)市場前景而制定的公共就業(yè)政策，以研究這些政策對(duì)個(gè)人勞動(dòng)力市場前景的影響[14]。1998 年，VAN TONGEREN 在全球經(jīng)濟(jì)框架內(nèi)對(duì)企業(yè)行為構(gòu)建微模擬模型，用于調(diào)查荷蘭投資補(bǔ)貼對(duì)工業(yè)企業(yè)的影響效應(yīng)[15]。在政策法規(guī)頒布方面，世界多國有了廣泛發(fā)展，法國在1985 年、美國在1993年、英國在1999 年、日本和韓國在2001 年分別出臺(tái)科技政策績效評(píng)估相關(guān)法令，從立法角度對(duì)科技政策績效評(píng)估進(jìn)行規(guī)范[16]。中國在2000 年出臺(tái)的 《科技評(píng)估管理暫行辦法》 中，也將科技政策作為重點(diǎn)評(píng)估對(duì)象[17]。圖2 梳理了法、美、英、中、日、韓有關(guān)科技政策評(píng)估立法的重要時(shí)間節(jié)點(diǎn)，以揭示科技政策績效評(píng)估相關(guān)立法的發(fā)展歷程。

圖2 多國重要立法節(jié)點(diǎn)時(shí)間發(fā)展歷程圖Fig.2 Time development chart of important legislative nodes in many countries

2.3 科技政策績效評(píng)估的創(chuàng)新發(fā)展期

繼世界多國相繼頒布科技政策績效評(píng)估的相關(guān)法規(guī)后，全球迎來了科技政策績效評(píng)估的創(chuàng)新發(fā)展期。該階段研究的焦點(diǎn)在于企業(yè)研發(fā)補(bǔ)貼的績效評(píng)估方面。2004 年，TZELEPIS 等研究了希臘的資本補(bǔ)貼對(duì)企業(yè)業(yè)績的影響，主要從效率、增長情況、盈利能力和資本結(jié)構(gòu)4 個(gè)方面進(jìn)行考量[27]。2006 年CZARNITZKI 等使用微觀計(jì)量評(píng)估法（Microeconometric Evaluation Methods）比較德國西部和東部公共研發(fā)補(bǔ)貼政策對(duì)企業(yè)研發(fā)創(chuàng)新的影響，發(fā)現(xiàn)公共研發(fā)補(bǔ)貼政策可能會(huì)提高經(jīng)濟(jì)的創(chuàng)新產(chǎn)出[28]。2007 年，CZARNITZKI 等使用計(jì)量經(jīng)濟(jì)學(xué)方法研究德國和芬蘭的科技創(chuàng)新政策和研發(fā)合作對(duì)研發(fā)創(chuàng)新績效的影響，結(jié)果顯示合作具有積極的影響[29]。2007 年，RUEGG 等在有關(guān)科技政策績效評(píng)估報(bào)告中提出不同政策階段應(yīng)該使用與之相適的評(píng)估方法，并介紹了監(jiān)測(cè)與數(shù)據(jù)匯編、數(shù)據(jù)挖掘、網(wǎng)絡(luò)分析、文獻(xiàn)計(jì)量、案例分析和技術(shù)商業(yè)化跟蹤等方法[30]。2009 年，CZARNITZKI 等使用信用評(píng)級(jí)指數(shù)反映評(píng)級(jí)公司的融資機(jī)會(huì)，應(yīng)用混合截面模型（Pooled Cross-Section Model）和隨機(jī)效應(yīng)面 板模型（Random-Effects Panel Model）兩種計(jì)量經(jīng)濟(jì)學(xué)模型研究中小企業(yè)研發(fā)投資與資本投資的限制因素，并指出需要制定創(chuàng)新政策解決小企業(yè)的研發(fā)融資問題[31]。2011 年，CATOZZELLA 等對(duì)意大利社區(qū)創(chuàng)新的公司數(shù)據(jù)使用雙變量內(nèi)生轉(zhuǎn)換模型（Bivariate Endogenous Switching Model），研究公眾支持對(duì)創(chuàng)新銷售與創(chuàng)新支出之間比值的影響效果[32]。2012 年，KAZUYUKI 等在對(duì)日本專利信息定量分析的基礎(chǔ)上，研究20 世紀(jì)90 年代末大學(xué)-產(chǎn)業(yè)合作（University-Industry Collaborations，UIC）政策頒布后對(duì)日本大學(xué)與產(chǎn)業(yè)合作的影響[33]。同年，ELPIDA 等運(yùn)用系統(tǒng)動(dòng)力學(xué)方法開發(fā)建立了國家創(chuàng)新體系（NIS）模型，從而研究國家創(chuàng)新政策對(duì)該體系績效的影響效果[34]。2013 年，馬海群和呂紅采用動(dòng)態(tài)綜合模糊評(píng)估模型研究了高校信息公開政策的效果[35]。2015 年，F(xiàn)RANZ 等基于歐洲247 所大學(xué)和40 家研究機(jī)構(gòu)的相關(guān)調(diào)查數(shù)據(jù)，使用負(fù)二項(xiàng)模型（Zero-Inflated Negative Binomial，ZINB）對(duì)變量進(jìn)行計(jì)數(shù)，來研究知識(shí)轉(zhuǎn)讓政策對(duì)轉(zhuǎn)讓績效4 個(gè)指標(biāo)的影響[36]。

可見21 世紀(jì)初至今的創(chuàng)新發(fā)展期，對(duì)于科技政策績效評(píng)估的研究，在廣泛借鑒其他學(xué)科知識(shí)構(gòu)建模型方面有了更多的創(chuàng)新，其中以經(jīng)濟(jì)學(xué)、計(jì)量學(xué)相關(guān)模型的使用最為常見，同時(shí)也有其他學(xué)科的交叉使用。值得關(guān)注的是數(shù)據(jù)挖掘、網(wǎng)絡(luò)分析等方法的引入，不僅豐富了評(píng)估方法的多樣性，還將科技政策績效評(píng)估與信息科技發(fā)展前沿對(duì)接，有望推動(dòng)大數(shù)據(jù)環(huán)境下科技政策績效評(píng)估向自動(dòng)化、智能化方向發(fā)展。

3 科技政策績效評(píng)估的計(jì)量方法

作為“五計(jì)學(xué)”七大研究主題之一[37]，科技政策績效評(píng)估廣泛使用了計(jì)量學(xué)相關(guān)方法。例如，對(duì)于文獻(xiàn)計(jì)量學(xué)方法的使用，體現(xiàn)在對(duì)政策數(shù)量、關(guān)鍵詞等的統(tǒng)計(jì)[38,39]；信息計(jì)量學(xué)的使用集中在聚類、相關(guān)性分析等，常見于政策主題分析及演化的研究[40]。本文借鑒趙婷茹等基于實(shí)驗(yàn)設(shè)計(jì)的計(jì)量方法，對(duì)科技政策績效評(píng)估中應(yīng)用到的定量方法進(jìn)行梳理[41]（表1）。

表1 科技政策績效評(píng)估計(jì)量方法對(duì)比表Table 1 Comparison table of metrological methods for performance evaluation of science and technology policy

3.1 斷點(diǎn)回歸法

斷點(diǎn)回歸法（Regression Discontinuity，RD）是一種擬隨機(jī)實(shí)驗(yàn)的計(jì)量方法。分為精確斷點(diǎn)回歸（Sharp Regression Discontinuity，SRD）和模糊斷點(diǎn)回歸（Fuzzy Regression Discontinuity，F(xiàn)RD）。精確斷點(diǎn)回歸是指在斷點(diǎn)處，樣本數(shù)據(jù)得到處理的概率僅有0 或1兩種可能。模糊斷點(diǎn)回歸是指在斷點(diǎn)處，樣本數(shù)據(jù)被處理的概率從a 跳躍至b，其中0＜a＜b＜1。

1960 年THISTLETHWAITE 等在研究公眾認(rèn)可的影響效應(yīng)時(shí)首次提出使用斷點(diǎn)回歸法，研究表明，公眾認(rèn)可會(huì)增加學(xué)生獲得獎(jiǎng)學(xué)金的可能性，但并不影響學(xué)生的職業(yè)規(guī)劃[42]。2019 年王釗等針對(duì)產(chǎn)業(yè)技術(shù)創(chuàng)新，在研究稅收優(yōu)惠政策的影響效應(yīng)時(shí)運(yùn)用該方法，研究結(jié)果顯示具有顯著正影響[43]。

3.2 雙重差分法

雙重差分法也叫做雙重差分模型（Difference-in-Differences，DID），主要用來對(duì)社會(huì)學(xué)中政策的實(shí)施效果進(jìn)行評(píng)估，操作原理為：將樣本分為處理組和控制組，處理組在發(fā)展過程受到政策影響，控制組不受政策影響，處理組與控制組在政策實(shí)施后兩組變化量的差值即為政策影響。

1978 年ASHENFELTER 將雙重差分法應(yīng)用于經(jīng)濟(jì)學(xué)領(lǐng)域[44]，并在1984 年BLOOM 將其用于研究政府補(bǔ)貼對(duì)收入的影響[45]，1985 年HECKMAN 等將該方法應(yīng)用于政策績效評(píng)估。1994 年CARD 等應(yīng)用該方法，將美國新澤西州使用法律來提高最低工資作為處理組，將沒有使用法律改變最低工資的賓夕法尼亞州作為控制組，來評(píng)估最低工資對(duì)就業(yè)的影響[46]。該方法還被用于研究工傷補(bǔ)貼、就業(yè)培訓(xùn)、失業(yè)救濟(jì)和最低工資等政策的影響效果[47-50]。需要注意的是，使用不同的數(shù)據(jù)來源或研究方法可能會(huì)得到截然相反的結(jié)果，這啟示研究者們研究方法和數(shù)據(jù)的有效性直接影響研究結(jié)果的可信度。

3.3 雙重差分傾向得分匹配法

傾向得分匹配法（Propensity Score Matching，PSM）最早由PAUL 等在1983 年提出，是經(jīng)濟(jì)學(xué)界用來緩解自選擇偏誤的一種方法。該方法經(jīng)常和雙重差分法組合使用，即雙重差分傾向得分匹配（Propensity Score Matching-Difference-in-Difference，PSM-DID），其原理為：假設(shè)有兩期面板數(shù)據(jù)，根據(jù)處理變量和協(xié)變量計(jì)算傾向得分值，根據(jù)傾向得分值為每一個(gè)處理組中的個(gè)體，匹配控制組個(gè)體，這就使得匹配過后的個(gè)體除是否接受處理外再無顯著差異，匹配后可結(jié)合雙重差分法使用，即計(jì)算處理組每個(gè)個(gè)體前后變化量，以及與其匹配的全部控制組個(gè)體前后變化量。該方法是1997 年HECKMAN 等在雙重差分法的基礎(chǔ)上提出的一個(gè)非參數(shù)條件差異擴(kuò)展的匹配方法，并用來對(duì)職業(yè)培訓(xùn)計(jì)劃政策的有效性進(jìn)行研究[51]。2011 年CARBONI 使用非參數(shù)估計(jì)的傾向得分匹配法調(diào)查政府研發(fā)補(bǔ)貼支持對(duì)企業(yè)私人融資研發(fā)支出的影響[52]。2020 年陳玲等使用基于該方法研究了中國政務(wù)大數(shù)據(jù)政策的技術(shù)創(chuàng)新效應(yīng)[53]。

3.4 三重差分法

在基于自然實(shí)驗(yàn)的研究中，由于雙重差分法必須滿足控制組與處理組的時(shí)間變化趨勢(shì)一致，否則無法得到一致的實(shí)驗(yàn)估計(jì)量，基于此，在對(duì)雙重差分法改進(jìn)的基礎(chǔ)上出現(xiàn)了三重差分法（Difference-in-Difference-in-Differences，DDD），即在兩個(gè)地區(qū)或兩個(gè)方面分別設(shè)置處理組和控制組，在一組中估算出因?yàn)闀r(shí)間趨勢(shì)不同帶來的偏差量，在另一組中估算出時(shí)間趨勢(shì)不同和政策影響兩個(gè)因素帶來的偏差量，兩個(gè)偏差量的差值即為三重差分估計(jì)量。近年來中國學(xué)者也逐漸使用三重差分法來研究政策效應(yīng)。2020 年趙振華等運(yùn)用三重差分法來研究大氣污染協(xié)同治理對(duì)污染物減排的影響效應(yīng)[54]。童玉芬等使用該方法研究2015 年以來北京市人口調(diào)控政策頒布后的政策效果[55]。

3.5 合成控制法

合成控制法（Synthetic Control Method，SCM），是在雙重差分法的基礎(chǔ)上發(fā)展起來的一種非參數(shù)方法，該方法很好地解決了時(shí)間趨勢(shì)不一致的問題，通過設(shè)置多個(gè)控制組，并進(jìn)行加權(quán)，從而構(gòu)造出一個(gè)虛擬的時(shí)間趨勢(shì)一樣的控制組。該模型是基于數(shù)據(jù)導(dǎo)向的，處理組的實(shí)際觀察結(jié)果與構(gòu)造的虛擬控制組的觀察結(jié)果的差量即為政策效應(yīng)[56]。以“合成控制法”為關(guān)鍵詞在中國知網(wǎng)檢索，發(fā)現(xiàn)該方法已廣泛應(yīng)用于各領(lǐng)域的政策評(píng)估，其中2021 年楊秀汪等使用該方法研究碳交易試點(diǎn)政策對(duì)碳減排的影響效應(yīng)，研究顯示碳交易試點(diǎn)政策起到了顯著減排效果[57]。

3.6 回歸控制法

2012 年HSIAO 等在研究中國香港回歸對(duì)中國大陸政治經(jīng)濟(jì)整合的影響效應(yīng)時(shí)提出回歸控制法（Regression Control Method，RCM）。該方法與合成控制法相似，但使用回歸法來構(gòu)造出虛擬的控制組，比合成控制法更為簡單[58]。2020 年郜棟璽對(duì)2010—2016 年相關(guān)面板數(shù)據(jù)使用該方法，研究存款保險(xiǎn)制度與市場約束的相互作用，對(duì)銀行風(fēng)險(xiǎn)承擔(dān)的影響，并依此來評(píng)估政策效應(yīng)[59]。

通過對(duì)比現(xiàn)有常見的6 種計(jì)量方法，發(fā)現(xiàn)總體思路都是通過設(shè)置處理組與控制組，計(jì)算政策實(shí)施前后產(chǎn)生的差量，來評(píng)估政策績效。除斷點(diǎn)回歸法以外，其他5 種方法主要是基于雙重差分法的思想，對(duì)其逐步發(fā)展和改進(jìn)的，其中雙重差分傾向得分匹配法解決了選擇性問題，在一定程度上緩解了自選擇偏誤；三重差分法可用于時(shí)間趨勢(shì)不同的問題；合成控制法和回歸控制法通過構(gòu)造虛擬控制組，也可用于時(shí)間趨勢(shì)不同的問題。幾種方法各有優(yōu)勢(shì)與不足，可根據(jù)具體政策績效評(píng)估選擇合適的方法。綜上6 種方法主要是針對(duì)面板數(shù)據(jù)來研究政策績效的影響效應(yīng)，使用范圍相對(duì)較狹窄和單一，有待從多角度應(yīng)用和展開評(píng)估，且通常一篇文章只使用一種方法，可信度有待進(jìn)一步探討。

4 討論與展望

前文通過對(duì)科技政策績效評(píng)估相關(guān)的政策法規(guī)、理論、測(cè)度指標(biāo)和方法模型應(yīng)用的梳理，將科技政策績效評(píng)估的發(fā)展階段劃分為萌芽期、廣泛發(fā)展期和創(chuàng)新發(fā)展期，同時(shí)對(duì)計(jì)量學(xué)相關(guān)方法應(yīng)用的優(yōu)勢(shì)與不足進(jìn)行了對(duì)比。發(fā)現(xiàn)現(xiàn)有研究在方法模型使用方面多為計(jì)量學(xué)相關(guān)方法，并結(jié)合政策評(píng)估特點(diǎn)進(jìn)行改進(jìn)，重點(diǎn)在于定量方法的使用和模型的構(gòu)建。鑒于科技政策績效評(píng)估相關(guān)理論方法還存在的問題，本文嘗試提出以下幾點(diǎn)建議。

4.1 科技政策績效評(píng)估的角度有待多元化發(fā)展

現(xiàn)有研究中，尤其是計(jì)量學(xué)方法的使用，多是應(yīng)用面板數(shù)據(jù)進(jìn)行科技政策績效評(píng)估，選取的評(píng)估角度相對(duì)單一，然而對(duì)科技政策績效的評(píng)估不應(yīng)是單一方面的，而應(yīng)該是多元的、綜合的，應(yīng)擴(kuò)展評(píng)估的角度，從政策的社會(huì)影響性、引導(dǎo)性、實(shí)用性等各個(gè)角度展開評(píng)估。

4.2 科技政策績效評(píng)估方法有待多樣化拓展

通過梳理現(xiàn)有研究，發(fā)現(xiàn)科技政策績效評(píng)估方法主要分為指標(biāo)測(cè)度研究和計(jì)量學(xué)等相關(guān)方法研究。關(guān)于指標(biāo)測(cè)度的研究缺乏統(tǒng)一的、系統(tǒng)的研究體系，計(jì)量學(xué)相關(guān)方法的研究從20 世紀(jì)90 年代發(fā)展至今，雖有迭代更新，但相對(duì)較慢，應(yīng)該引進(jìn)更多學(xué)科的研究方法，多樣化拓展科技政策績效評(píng)估。對(duì)此，2007 年RUEGG 等提到的數(shù)據(jù)挖掘、網(wǎng)絡(luò)分析等方法值得借鑒和深入探究。

4.3 科技政策績效評(píng)估過程有待智能化發(fā)展

現(xiàn)有研究對(duì)政策評(píng)估的過程無論是通過建立指標(biāo)體系還是使用計(jì)量方法等，都相對(duì)復(fù)雜，不便于政策制定者和非研究人員及時(shí)了解政策效果，在今后的發(fā)展中，應(yīng)結(jié)合大數(shù)據(jù)的時(shí)代背景，促進(jìn)在科技政策績效評(píng)估中信息化手段的運(yùn)用。應(yīng)借助當(dāng)下人工智能等數(shù)字技術(shù)，實(shí)現(xiàn)自動(dòng)化、智能化的科技政策績效評(píng)估。提高評(píng)估的精確性，更全面、快速地揭示出政策效果。同時(shí)很多數(shù)據(jù)的不易獲得性，在一定程度上也阻礙了科技政策績效評(píng)估研究的發(fā)展，應(yīng)建立政策相關(guān)數(shù)據(jù)的公布平臺(tái)，或?qū)ΜF(xiàn)有已經(jīng)公布數(shù)據(jù)進(jìn)行整合，更有利于該研究的發(fā)展。

4.4 科技政策績效評(píng)估結(jié)果可信度有待提高

現(xiàn)有政策績效評(píng)估研究實(shí)踐工作通常只用一種方法來得出結(jié)論，這樣的評(píng)估結(jié)果是否準(zhǔn)確，可信度尚有待考量。是否可以嘗試使用多種方法相結(jié)合的方式，從定性與定量甚至更多方面來評(píng)估，得到一個(gè)綜合化的評(píng)估結(jié)果，將得到的結(jié)果進(jìn)行比較，來客觀評(píng)估科技政策績效，這在未來開展科技政策績效評(píng)估相關(guān)研究工作需要格外給予關(guān)注。