基于PMC指数模型的河南省科技创新政策量化评价研究

［摘 要］本文主要以河南省科技创新政策为研究对象开展量化评价研究。建立了河南省科技创新政策PMC指数模型（Policy Modeling Consistency Index，政策一致性指数模型），选取3项河南省科技创新政策进行实证分析，2项为优秀，1项为可接受，说明河南省科技创新政策还有较大改善空间，但仍在合理范围内，最后针对政策的薄弱环节，提出修改建议。

［关键词］科技创新政策；政策评价；PMC指数模型

doi：10.3969/j.issn.1673-0194.2023.19.050

［中图分类号］G322.7 ［文献标识码］A ［文章编号］1673-0194（2023）19-0168-04

0     引 言

在建设国家创新体系过程中，科技创新政策具有举足轻重的作用，是协调体系中各个环节的基石和桥梁。河南省出台了一系列科技创新政策，通过多样的科技创新政策从各个方面引导、支持、鼓励省内科技创新的发展。《中国区域科技创新评价报告》显示，2019年，河南省综合科技创新水平指数排名首次进入全国前20位，排名第19位。2020年，河南省综合科技创新水平指数由第19位上升至第17位。2021年排名第19位，较2020年下降两个名次。由此可见，河南省科技创新水平在全国还是处于第二梯队，仍有较大提升空间。

1     科技创新政策研究现状

1.1   科技创新政策评价视角

通过文献研读分析，科技创新政策评价研究主要从两个方面进行，一方面从科技创新政策本身入手，另一方面从科技创新政策实施结果入手。通过文献分析，与其他省市区相比，河南省的科技政策评估几乎都是从科技创新政策实施结果入手，如张大力（2020）［1］对河南省科技主管部门官网78条科技政策进行质性研究，而其他地区在开展科技创新政策的评价时，多关注政策本身的合理性，比如任莎莎（2021）［2］基于结合文本挖掘工具和北京市人工智能政策特点，构建了北京市人工智能政策PMC指数模型，对北京市5项人工智能政策进行量化评价；何芷璇（2021）［3］以2015—2019年成渝经济区16市的科技创新政策为评价对象，借助PMC指数模型建立区域科创政策综合评价体系；张永安［4］借助PMC指数对我国区域科技创新政策进行量化评价。

结合河南省及其他省市地区的科技创新政策评价情况，本文对河南省科技创新政策评价的研究重点从科技創新政策本身入手，而不是从科技创新政策实施结果入手，在政策发布实施前进行科学合理的评价属于前馈控制，可避免因政策不合理导致资源投入浪费，可起到更好的控制效果。

1.2   评价方法

目前国内研究学者多以实证的方法进行政策评估，如熵值法、模糊综合评价法、因子分析法等。但这几种评价方法在对政策评估上均有各自的缺点，熵值法在无业务经验指导的情况下，对样本的依赖性比较大，随着建模样本变化，权重会有一定的波动；模糊评价法因隶属度权系数总是较小，分辨率较低从而出现模糊现象，使得评价不够准确；因子分析法只能用于综合性的评价，对数据量和成分也有要求，需要先进行KMO检验，检测数据是否可以运用。

近几年在公共政策评价研究中，PMC指数模型被较多运用。PMC模型是由Ruiz Estrada［5］等学者最先提出的，指导思想是Omnia Mobilis假说，该假说认为，世间万物都是运动并相互关联的，任何变量都同等重要。因此，研究政策评价模型时各二级变量权重应该相同。

本文以河南省科技创新政策文本为研究对象，运用PMC指数模型挖掘河南省科技创新政策变量，构建其评价指标体系，并通过PMC曲面反映政策本身的优缺点，从而指导河南省科技创新政策更加完善，更具有可行性，提高实践意义。

2     河南省科技创新政策评价模型构建

PMC指数模型建立步骤如下：选取政策样本；变量的数据与参数识别；建立多投入产出表；计算PMC指数。

2.1   数据来源

本文拟对河南省科技厅官网上发布的科技创新政策进行深入分析，根据如下原则进行样本选取：一是选取在科技厅网站发布时间为2015年1月至2022年12月之间的政策；二是将科技创新政策关联度不高、已经废除或者内容重复的政策文本剔除。最终选取51篇政策文本进行分析。

2.2   变量设置与参数识别

综合张永安［4］、何芷璇［3］等已有的研究成果，并结合51项科技创新政策本身的特点，本文选取政策性质等10个一级变量，引导等39个二级变量，评价变量设置如表1所示。

2.3   建立多投入产出表

根据Ruiz Estrada［5］的思想，各二级变量的重要性是相同的，因此为了给各二级变量赋予相同的权重，对各二级变量做二进制处理，建立多投入产出表，各二级变量如果符合变量的描述，则为1，不符合变量的描述，则为0，如二级变量X11，若政策具有引导功能，则X11为1，否则为0。多投入产出表如表2所示。

2.4   PMC指数计算

计算PMC指数总共分为三步：

第一步：计算各二级变量的值。根据多投入产出表得出各二级变量的数值。

第二步：求出每一个一级变量的值。每一个一级变量的值等于该一级变量下所有二级变量的总得分除以该一级变量下所有二级变量的总数，见公式（1）。

第三步：求PMC指数。PMC指数等于在第二步中求得的所有一级变量值的总和，见公式（2）。

其中，Xt为一级变量；Xtj为二级变量；m为一级变量数，n为二级变量数，函数T（Xtj）表示计算所有二级变量的个数。

根据Ruiz Estrada［5］的研究，将PMC指数结果划分为如下四个等级（见表3）。

3     实证研究

3.1   政策样本选取

根据以上分析，最终选取3项河南省科技创新政策作为样本进行实证研究（见表4）。这3项政策均来自整理的51项河南省科技创新政策。

3.2   指数计算与曲面图绘制

3.2.1   PMC指数计算结果

通过对3项政策的深入分析，结合PMC指数计算公式，分别计算3项政策PMC指数，具体结果如表5所示。

3.2.2   曲面图绘制

为了更加形象地反映对于PMC指数的研究结果，本文绘制三维PMC曲面图。考虑到曲面图的对称性，本文删除无二级变量的X10这个一级变量，以X1至X9构建三维矩阵来绘制PMC曲面图，PMC矩阵如下：

圖1为政策P1的PMC曲面图。

3.3   政策整体分析

依据PMC指数结果并结合评价等级标准，可以看出政策P1、P2为优秀，政策P3为可接受。政策P3的PMC指数低于其他两项政策是由于X1、X4、X7、X9这四个主要变量的分值比较低。由于P3是河南省科技型创新团队管理办法，在X1（政策性质）上主要为建议、监管和支持，没有涉及引导和预测；在X4（政策激励方式）对于科技型创新团队的激励方式方面，主要涉及人才激励和财政资金支持，而在税收减免、投资补贴和法律保障上没有涉及，对于企业型的科技创新团队可以在税收减免和投资补贴上给予激励；在X7（政策领域）方面，主要涉及科技和制度，较少涉及经济和社会服务；在X9（政策受众）上，科技创新团队的管理办法的政策受众主要是企业、科研院所和高校，受众不是个体和金融机构。除以上原因使得政策P3的评价等级较低之外，政策本身的性质和功能单一也是一个重要原因，但是政策的制定者也可以从多个方面提高政策的合理性，比如在激励措施上多鼓励企业创业力量的参与，提高企业创新的积极性，较快地将科研成果转化为生产力，从而使得科技创新政策的实施效果更好。但总的来说，政策P3 PMC指数仍在可接收范围内，表示P3政策仍是合理的。

4     总结与展望

本文首先分析了河南省科技创新政策评价的理论意义和现实意义，选择了对科技创新政策本身评价这一评价主张，在评价方法选择上选择运用PMC指数模型来对河南省科技创新政策进行评价，最后通过对3项政策进行深入挖掘，得出3项科技政策的PMC指数和PMC曲线图，并对评价结果为“可接受”的P3政策给出一定的改进建议。

主要参考文献

［1］张大力，葛玉辉.基于质性研究的河南省科技人才政策焦点分析［J］.科技管理研究，2020，40（9）：93-97.

［2］任莎莎.基于PMC指数模型的北京市人工智能政策量化评价［J］.全球科技经济瞭望，2021，36（10）：54-62.

［3］何芷璇.基于PMC指数模型的成渝经济区科技创新政策量化评价［J］.全国流通经济，2021（14）：133-137.

［4］张永安，耿喆.我国区域科技创新政策的量化评价：基于PMC指数模型［J］.科技管理研究，2015，35（14）：26-31.

［5］R ESTRADA，YAP S F，NAGARAJ S. Beyond the ceteris paribus assumption：Modeling demand and supply assuming Omnia Mobilis［R］. FEA Working Paper No. 2007-16.

［收稿日期］2023-05-27

［基金项目］河南省软科学研究计划项目“河南省科技创新政策的量化评价——基于PMC指数模型”（232400410289）。

［作者简介］吴迪（1983— ），女，黑龙江汤原人，硕士，副教授，主要研究方向：科技政策。