推进我国科技政策科学化的若干思考，本文主要内容关键词为：我国论文,政策论文,科技论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
如今，科技发展已经成为世界各国的核心战略，世界各主要国家都在积极推进科技政策科学化进程。经过20多年的发展，我国科技政策决策研究和支撑体系逐步建立起来，决策的科学化和民主化有了实质性的进步，但仍然存在许多需要改进的空间。
科技政策科学化的国际背景
科技政策在二战后诞生初期，世界各国对加强科技政策的科学化实际上是比较淡漠的，主要是因为在二战和美苏争霸中，科技展现出巨大的建设性作用，同时又由于V.布什线性模式的影响，政府的科技投入成了“理所当然”而无需论证的事情。然而，20世纪70年代以来，随着对后发经济体高速成长过程的分析，以及对创新活动更全面的观察，政界和学界对线性模型产生了深刻反思，发现一国的科学投入并非线性地转化为经济和社会价值。在这种情况下，面对越来越庞大的科技投入，如何保障科技投入的效率并实现经济社会效用最大化，就成了一个现实而迫切的问题。
在这种背景下，科技政策逐渐成为热点研究领域，大量实证研究(尤其经合组织，即OECD的相关研究)为科技政策制定提供了丰富的支撑与指引，但是由于学科发展滞后、数据基础分散而薄弱，导致科技政策的科学化进程缓慢。2005年在时任美国总统科技政策办公室主任马伯格(Marburger)的倡导和推动下，美国认真而切实地开启了科技政策科学化的进程，通过建立和发展科学政策学(Science of Science Policy,SoSP)，完善科技政策分析的理论基础，开发分析工具，建立高质量的通用数据库，并培养一批接受过科学政策方法培训的专业研究人员，以便最大程度地保证科学政策研究的科学严谨性和定量基础。近几年，欧盟、日本和韩国等也都在积极推进相关工作。
我国科技政策科学化发展历程与已有成绩
我国早在上世纪80年代就高度重视推进决策的科学化和民主化，在科技政策领域尤其如此。经过几十年的发展，我国科技政策决策研究和支撑体系逐步建立，决策科学化和民主化明显进步。
1.相关学科快速发展。改革开放以来，我国科技政策相关学科快速发展，为研究和制定科技政策提供了多角度理解。经济学、政治学和社会学等基础学科发展取得显著成就，为科技政策研究提供了基本理论分析单元；科技哲学为探讨科技进步及其影响和反思科技自身发展问题提供了深层次价值判断；管理科学的数量模型和工具丰富了科技政策研究的定量化内涵；科学计量学为理解科技活动的规律提供了直观表达。
除以上成熟学科外，还有一些研究领域，也为科技政策研究和决策提供了直接或间接的支撑。自1986年以来，软科学在我国快速发展，直接服务于政策决策，科技政策研究属于其中一部分。其次，经济学和管理学的科技创新研究，近些年在我国有了迅猛的发展，为政策制定中对科技与创新活动内在规律的理解提供了支撑。
2.国家相关研究项目资助逐渐增多。在学科发展与实际需求的双重驱动下，国家对决策科学化相关研究项目的资助逐渐增多。自2006年起，国家软科学计划中以“决策科学化”为主题立项的相关课题呈现出逐渐增加的趋势。据不完全统计，2011年国家软科学计划共立项101项，其中与“决策科学化”及“科技政策”相关的项目近10项，约占全部项目的10％。近些年，较为典型的项目有：以我国科技支撑经济发展方式转变的测度指标体系研究(2011年)、自主创新政策实施状况研究与评价(2010年)、科技进步对经济发展贡献率研究(2008年)以及科技进步促进产业结构升级的理论方法与测评研究(2007年)等。
除国家软科学计划之外，国家自然科学基金委员会管理科学部不断加大对决策科学化领域内原创性项目的支持力度。据对自然科学基金项目的观察，近些年其在“科技政策决策科学化”领域的立项数量明显增加。2005年以来的典型项目有：政府支持与创业投资决策及绩效——理论与实证研究(2011年)、中国科技决策中的政府官员与科学家关系研究——基于知识与价值的理论构建和实证研究(2010年)、残缺信息环境下的专家直觉型判断知识融合与决策方案优选研究(2009年)及政府决策的机会成本问题实证研究(2005年)等。
3.政策过程正逐步走向科学化与民主化。1978年以来，科技作为率先改革领域，其决策科学化和民主化一直走在前列，并且在一次次科技体制改革的助推下，科学化和民主化进程逐步加快，这在新世纪表现地更为明显。2005年发布的《国家中长期科学和技术发展规划纲要》集中体现了这种发展，其制定进行了为期3年20个专题的研究，先后有2000多名科技专家以及经济界、企业界和社会科学界的人士参与，政策研究过程中大量应用了头脑风暴、技术路线图、问卷调查分析等方法和技术手段。并且，还引入了公众参与机制，开通了专门的网站，收集广大公众的意见，实现了透明决策。
另外，近几年国家科技计划管理方面也进行了大量革新，引入了新的技术手段和科学方法，增加了项目立项、评审的透明度。例如在“863”计划、“973”计划的申报过程中，一是通过建立统一的计划管理信心平台，全面推行网上申报与网上评议，随机抽取专家、随机分配评审任务；二是除保密课题外，所有课题立项信息通过电子政务网络系统及时向社会公告、公示；三是在项目遴选、立项决策上，充分发挥专家咨询作用，提高立项决策和项目组织实施的科学性，建立和完善专家库，扩大专家遴选和范围，并坚持实行回避制度。
当前面临的主要问题与不足
我国科技政策领域决策科学化虽然取得了实质性的进展，但同世界各国面临的问题一样，政策的证据基础薄弱、定量化支撑不足，政策制定高度依赖专家判断和思辨式分析，科技政策的科学化建设仍然有待加强。
1.缺乏系统化的学科建设。科技政策学的学科建设不足，是全世界普遍存在的问题。尽管相关学科的发展丰富了对科技政策的理解，但是科技政策研究作为典型的多学科交叉领域，当前其最大问题在于缺乏一套完整的、逻辑自洽的理论体系，整个研究体系处于相对分散的状态，零散地借用了经济学、政策学、科技哲学等成熟学科的理论和方法，一直未能成为一门学科。即使当前科技政策领域最重要，也是应用最广泛的国家创新系统(NIS)，尽管以伦德瓦尔为首的奥尔堡学派一直致力于推进理论化建设，但是目前其理论成熟度依然不高，更多的是一种分析工具。
由于没有完整学科体系的支撑，科技政策研究领域主题分散、方法驳杂，各研究领域自成体系，对于科技政策领域中的重大命题无法给出清晰的答案。在具体的政策分析中缺乏统一的认知标准和理论支撑，高度依赖专家意见和思辨分析，政策制定存在一定的随意性。即使政策科学发达的美国同样存在问题，马伯格提出了建立新学科——科学政策学的倡议，强调推动科学政策研究走向成熟学科的必要性和紧迫性——“我深信在社会科学体系中建立新的学科(科学政策学)是一个非常现实和急迫的任务，并需要围绕该学科建立学术期刊、年度会议、专业学位以及教授席位”。
我国科学政策学的学科建设同样非常滞后。在我国《学科分类与代码》中科技政策学属于“三级学科”，但是实际上在高校和科研机构并没有科技政策学专业，大多是挂靠在其他相关学科下，比如管理科学与工程、公共政策、科技哲学等。除了政府下属的专门科技政策研究机构外，国内专门从事科技政策研究的高校和院所屈指可数，而且即使在这些机构也都没有设立科技政策研究的专业和学位。
另外，更为重要的是科学政策学是高度以实践为导向的学科，不仅需要扎实理论基础，更加需要丰富的实践知识和对实际情况的准确理解。因此，科学政策学的研究必须紧贴实践，紧跟科技快速变化的脚步，这样才能保证政策理解的准确性和政策研究的时效性。但是，当前由于没有专门的学科，不仅无法为理论分析提供充分的支撑，同时也缺乏对实践的系统跟踪调查与积累。
2.定量化方法开发与应用不足。科技政策决策科学化，一个关键的步骤就是决策技术的科学化，开发出一套能够准确明了地反映科技活动规律、满足科技政策决策信息需求的分析方法，由此提升政策的科学性和公信力。
从美国和OECD的经验来看，科技政策领域的科学化分析方法，除了传统的定性分析方法(主要是专家法、德尔菲法等)外，还集成相关科学方法和模型开发出了以下三种定量化方法和技术：第一，建立科学政策的计量模型和工具，如计量经济模型、风险模型、选择模型、成本收益模型；第二，开发科技政策议题的图形化和可视化表达，如可视化分析、科学图谱等；第三，开发数据收集和分析工具，比如网络抓取、数据挖掘等。
我国在科技政策方法应用中存在“重定性，弱定量”的问题，专家判断、定性分析等传统的分析方法占据绝对优势地位，定最化分析方法开发与应用存在不足和缺陷。
第一，近些年随着国际交流开展以及计量经济学和管理科学发展，定量化分析模型在我国日益丰富，但是对于这些模型缺乏系统研究、梳理和归纳，对其适用性和基本规律的系统总结比较缺乏，存在机械化运用甚至滥用的现象。
第二，定量化分析模型大多都停留在学术层面，更多表现为一种学术能力的展示，同实践问题的结合不足，对实际问题的解释力有限，难以满足科技政策以实践为导向的需求。
第三，一些新的技术手段应用不足，比如在数据收集整理中，新的信息技术能够提供高效而直观的支撑，美国的科技政策数据库和OECD的科技政策平台的建设过程中，就大量应用了新的信息技术和网络技术，而我国在这方面还是相对滞后的。
3.数据基础薄弱、分散。要实现科技政策决策科学化，一个基本前提是将决策建立在基于事实的数据基础上，如果缺乏坚实、有效的数据支撑，决策科学化将无从谈起。美国“科学与创新政策学计划”主要目标之一就是调查采集数据并建立整合各部门的数据库。OECD当前也正在努力建立一个包含定量数据和定性材料的创新政策数据平台——OECD Innovation Policy Platform(IPP)，以便为科技政策分析和决策提供全面的数据基础。
经过几十年的发展和积累，我国科技政策相关的数据基础已经基本建立，但是目前数据体系尚不系统、不完善，主要表现在以下几个方面：
第一，数据广度不足。首先，我国越来越重视企业在创新体系中的作用，但是当前对于企业创新方面的数据面是非常窄的，主要数据都来自大中型工业企业，中小企业以及服务业企业的数据非常缺乏，创业方面的数据更是缺失明显。
第二，数据深度不足。我国一直强调产学研合作，但是到目前为止，对于产学研合作的现状及其影响的分析，都缺乏直接数据支撑，主要还是停留在论文和专利合著的数量上，而实际上这只能表征产学研合作的很小一部分，根本无法反映合作的真实全貌。
第三，数据类型单一。随着科技政策研究日趋活跃，信息化和可视化技术分析技术的普及，科技政策研究需要的数据类型也越来越多元化，比如经济计量学需要数量型数据，而社会网络分析需要的是关系型数据，文本挖掘技术需要文本数据，而目前我国科技相关数据主要是数量型数据，其他类型的数据收集整理不足。
第四，数据资源开放共享不足。我国大量科技政策相关的研究项目成果(如软科学和自然科学基金资助的项目)和政府研究报告等数据资料，未向外充分公开，造成了政策决策数据资源的限制与浪费。并且，大量数据分布在不同的部门或机构，造成数据分散，利用效率低下。
4.学科共同体建设尚滞后。学科的持续发展，需要一个动态稳定和有生命力的科学共同体。美国科技政策学建设过程的目标之一，就是培养一批接受过科学政策方法培训的专业研究人员，形成支撑科技政策研究的共同体。
我国科技政策研究的共同体建设更显不足，从事科技政策研究的机构很有限，专门从事该领域研究的人员总量规模较小，有限的研究力量难以支撑越来越多的科技议题研究需求。更为严重的是，由于我国大学该领域的学科建设滞后，每年培养的研究生非常有限，严重制约了共同体的发展。另外，我国目前与科技政策相关的学会组织还比较少，现有的学会在学科建设方面的功能发挥不足，难以支撑学科发展和决策的科学化需求。
5.项目资助不够充分。当今的科学研究已经成为一项公共事业，高度依赖外部对其的资助，而基础科学和社会科学主要依赖政府的项目资助，科技政策研究是典型公共研究，其发展主要依赖公共研究经费的支撑。但是，长期以来，科技政策领域的资助是非常有限的，即使在科研经费非常充裕的美国也同样如此。科技政策发展滞后，数据基础薄弱等问题的一个重要根源新性的原因，就是对该领域的项目支持不够充分。
2007年开始，美国为切实推进科技政策的决策科学化，在白宫管理与预算办公室的支持下，美国国家科学基金会(NSF)设立了“科学与创新政策学”(Science of Science and Innovation Policy)专项，来系统性地资助科学政策学的理论基础构筑、研究方法的整理和开发以及数据调查统计的开展。截至2011年上半年，共资助了143项研究，总经费7361.3万美元。
尽管近些年随着国家整体科研经费的增加，科技政策研究获得各类资助也在快速增加，但是整体上我国科技政策方面的研究资助是不足的。发达国家软科学的投入比例通常占其研究及开发经费的5％～10％，而我国这一比例还不足1％。另外，我国对于科技政策学的资助也不够系统，国家软科学计划、自然科学基金、社科基金等计划都有对科技政策研究的支持，但是一直以来，主要是相对零散地资助一些特定主题的研究，并没有围绕科技政策建立系统性的资助计划。
推进我国科技政策科学化的若干建议
提升科技政策的决策科学化水平，是当前摆在世界各国政府和学界面前的共同难题。为提升我国决策的科学化水平，保障政策的公信力，我国政府和学界需要积极吸收国外有益经验，结合我国现实需求，着重从以下几个方面加快建设：
1.提升科技政策科学化水平，推进共同体发展。通过多种方式推进共同体建设，壮大研究队伍，为科技政策科学化提供智力支持，如建立学会、举办科学政策学年会、建立共同体网络交流平台等等。另外，要着眼于形成品牌、提高权威性，重点建立若干有国际影响力的科技政策思想库。
2.建立科技政策学研究专项。为加快科技政策学的发展，推进科技政策决策科学化，当务之急就是尽快建立科学政策学研究专项，在国家软科学计划或国家自然科学基金上单列一大项，专门用于支持科学政策学的系统化研究，着重推进科技政策学理论体系建设、科学方法整理与开发和数据体系的建设与完善。
3.加快科学政策科学化方法的应用与推广。加强对科学方法整理和开发的资助，并组织开展示范应用和培训推广：第一，对科技政策领域已有研究方法和工具进行系统分析、梳理、归纳和总结，建立研究方法体系；第二，结合科技政策领域科技政策领域现实热点和难点问题，重点开展有针对性的科学方法和工具的研究与开发，为有关部门决策科学化的实践提供方法和工具支持；第三，大力开展示范应用和培训推广，增进方法和工具的认识度和普及率，整体提升科技政策的科学化水平。
4.强化科技政策数据体系建设。建立统一的科技政策数据体系：第一，加强科技与创新指标的研究和调查，增强指标体系的广度和深度，完善原有的数据指标体系；第二，在数据体系中建立定性资料数据库，包括案例、政府文件、报告等，尤其是实地调研中获得的宝贵素材；第三，整合科技口各部门的数据、资料和研究成果，统一到数据体系中；第四，联合地方科技部门，收集地方的相关数据和资料，提升数据体系的包容面；第五，加强国际数据合作，获取国际数据资源(尤其是OECD的创新政策平台)。