中国科技服务业政策文本量化评价

摘 要： 科技服务业的高质量发展需要多方位的政策支持。对科技服务业政策进行量化评价可以发现政策短板，有助于政策的优化和调整。以2008—2021年中国117项科技服务业政策为研究对象，运用ROST CM6软件，采用文本挖掘方法提取政策文本的高频词，构建语义关系网，归纳出八大政策类属，构建科技服务业政策的评价指标体系，运用PMC指数模型对省级政策进行评价分析，提出优化路径。研究发现：24份政策文件总体处于可接受水平，4份优秀，16份良好，均未达到完美级别。研究发现了政策文本的共性问题：政策目标、开放合作和人才支持为政策短板；政策文本的评级越高，其政策内容的一致性越高；同一地区不同时期的政策保持连贯性有利于提升其政策等级。研究结论可为政府制定与完善科技服务业政策提供科学、明确的优化路径。

关键词：科技服务业政策；PMC指数模型；文本挖掘；政策评价；政策量化

中图分类号：G322 文献标志码：A 文章编号：1009-055X（2024）05-0132-16

doi：10.19366/j.cnki.1009-055X.2024.05.012

收稿日期：2023-10-25

基金项目：国家自然科学基金青年项目“多层次创新网络对科技服务业集群企业创新绩效的影响研究”（71902034）；福建省科技计划项目“福建省产学研专利合作网络演化与企业双元创新绩效关系”（2023R01010004）；福建省社会科学规划项目“嵌入平台生态的中小企业双元数字创新研究”（FJ2024C092）。

作者简介： 梁娟（1982—），女，博士，教授，主要研究方向为创新管理、科技管理。通信作者：蔡猷花（1977—），女，博士，教授，主要研究方向为集群供应链、技术创新。庄彩云（1990—），女，博士，副教授，主要研究方向为科技管理、知识创造。

一、引 言

科技服务业是提供智力服务的新型高端服务业，也是推动区域经济高质量发展的重要引擎和建立现代经济体系的重要战略支撑。党的二十大报告5次提到“科技创新”、39次单独提到“科技”、50次单独提到“创新”，强调“必须坚持科技是第一生产力、人才是第一资源、创新是第一动力”“坚持创新在我国现代化建设全局中的核心地位”［1］，凸显了科技在新时代新征程中的基础性、战略性支撑作用。报告还提出，到2035年要实现“高水平科技自立自强，进入创新型国家前列”，以及实现建成科技强国的总体目标［1］。在建成科技强国的总体目标下，随着创新全球化和服务经济时代的到来，科技服务业已经成为围绕创新、创业全链条布局最活跃、发展最快的产业之一。科技服务业具有投入高、风险大、高溢出等特征，可能会存在市场失灵现象。在科技服务业的发展中，政府的支持和引导至关重要。2014年印发的《国务院关于加快科技服务业发展的若干意见》（国发〔2014〕49号）明确了科技服务业对创新驱动发展战略的重要支撑作用，并提出了九大重点任务。各地方政府也相应加大了对科技服务业的支持力度，以进一步推动科技服务业的发展。然而，各地方政府加快科技服务业发展的政策类属有哪些，政策制定过程如何，政策全面性和覆盖度如何？鲜有研究回答这些问题。

为健全中国科技服务业发展的政策体系，更好地发挥政府的政策引导作用，本文以科技服务业政策为研究对象，在文本挖掘的基础上，根据关键词和语义关系网络归纳出政策类属，构建科技服务业政策的政策一致性（policy modeling consistency，PMC）指数模型量化评价三级指标体系，并对24份省级科技服务业政策进行量化评价。通过整体情况分析、等级内对比分析和纵向比较分析，深入剖析中国省级科技服务业政策的量化等级、结构合理性和政策短板，并据此提出相应的政策优化建议，以期为未来科技服务业政策的制定和完善提供科学、明确的优化路径。

二、文献综述

国际上，针对科技服务业政策的研究主要聚焦于政策效应、政策间关系及政策制定过程等方面［2］。Viljamaa等［3］以芬兰为例，探讨了政策对知识密集型服务业的影响。Lee 等［4］实证研究发现，政府支持对知识密集型产业中的专业供应商和科学部门的绩效产生积极影响。Fabrizio等［5］探讨了创新公共政策对发明数量的影响。Motta等［6］研究发现阿根廷软件行业的创新政策之间存在互补性和可替代性关系。Werner等［7］探讨了顾问参与政策制定的复杂动态性以及顾问对政策制定过程的影响。

国内关于科技服务业政策的研究主要聚焦于政策建议及政策评价。例如，邱荣华等［8］以广东省科技服务业为研究对象，对其发展提出政策建议。政策评价类研究是近几年科技服务业政策研究的热点，根据研究对象的不同可分为两类：一类是通过文本挖掘对政策总体进行量化研究。例如，张骁等［9］收集了2006—2016年60篇政策文本，提取了75个关键词，构建语义网，基于政策工具视角对政策总体进行评价。杜宝贵等［10］以36项政策为样本，基于五维视角对中国科技服务业政策进行研究。该类研究对政策总体进行分析，未对每项政策进行量化等级评分和对比分析。另一类是基于PMC指数模型对每项政策个体进行量化研究。杜宝贵等［2］以12份科技服务业政策为样本计算PMC指数，并将辽宁省样本与其他相关省市样本进行对比，从中发现辽宁省科技服务业政策存在的问题并提出优化路径。

文献检索发现政策评价方法已由强调利用社会实验与数理分析方法的实证本位方法论逐渐转变为注重价值判断的规范本位方法论，如Bigman［11］的五类评估法和Poland［12］ 的“三E”评估法。当前，在政策评价中常用的评价方法或模型有层次分析法、模糊综合评价法、人工神经网络评价法、倾向得分匹配-双重差分法、动态可计算的一般均衡（computable general equilibrium，CGE）模型、灰色关联模型以及PMC指数模型等。PMC指数模型是近年兴起的政策一致性评价模型［13］。该模型源于Ruiz Estrada等［14］提出的“世界万物都是运动和相互关联的，任何一个变量都同等重要（Omina Mobilis）”假说，即任一变量都同等重要，且相互关联。该模型遵循所有变量同等重要的原则，应尽可能保证评价指标变量的全面性、针对性和代表性［15］。在政策文本中涉及的变量赋值为1，否则为0，这样避免了出现在政策评价中因关注某些变量而忽视其他变量的现象［16］。与其他政策评价模型相比，PMC 模型具有以下优势：第一，PMC模型聚焦于对政策文本本身的评价［17］，成本较低且更易操作［18］。第二，PMC 模型的底层变量主要通过文本挖掘设定，将尽可能多的变量纳入评价体系［17］，不仅充分体现了政策的特殊性，而且减少甚至避免了人为评价的主观性，提高了研究结论的精准性［19］。第三，PMC 模型不仅可以直接评价单一政策的全面性等级和内部一致性以及单一变量的评价值和不同政策间的一致性，而且可以通过PMC曲面图直观展示政策各维度的优劣［18］，从而为政策改进提供更为科学、明确的政策指向［17］。在政策文本量化评价领域，PMC模型被学者们广泛使用。例如，蔡冬松等［20］对吉林省数字经济政策文本进行PMC 量化评价与分析。Kuang 等［21］运用PMC指数和PMC曲面对2004年以来中国8个耕地保护政策进行了量化评价。

尽管对于科技服务业政策评价的研究已取得一些成果，但还存在以下不足：一是针对科技服务业专项政策的量化研究较少，多为政策建议、政策实施、政策文本挖掘和政策评价指标体系构建等定性研究。该类研究不仅为政策量化评价提供了理论基础，而且为量化评价中指标体系的设计提供了依据。但定性研究缺少客观的量化支持，未能从比较视角分析各地科技服务业政策的优势和不足。二是大多科技服务业政策评价指标体系仅设计到二级指标体系，未对二级指标进一步拆解。已有研究中二级指标包含的内容较多，无法准确地识别政策的不足和发现完善政策的具体方式。因此，有必要对二级指标进行进一步拆解并设计三级指标体系。三是已有的量化研究多基于政策总体进行分析，未对每项政策进行量化等级评分和对比分析。该类研究多从政策工具角度考察政策总体的工具使用情况，对地方政策的关注不够，忽视了地方政策通过哪些具体方面来解决具体的科技服务业发展问题。地方政策是基于各地的差异性制定的，对地方政策的分别评价与比较研究有利于发现共性与差异性，有利于各地根据科技服务业的发展特征有针对性地制定和完善相关政策。四是科技服务业政策的量化研究样本需要及时更新。随着中国科技服务业的不断发展，部分科技服务业政策已经失效，或进行了修订，或出台了相关的配套政策及措施。因此，为了更好地把握各级政府对科技服务业的最新关注重点和政策制定逻辑，本研究对2008—2021年中国各级政府出台的科技服务业政策进行文本挖掘，构建更为详细的三级评价指标体系，并通过对不同等级政策、同一地区不同时期的政策量化分析和对比研究，发现各地政策的共性和差异性问题，从而有利于提高政策优化的针对性。

三、研究方法、数据来源与样本选择

要对各级政府出台的科技服务业政策的全面性和覆盖度进行评价，需要选择合适的研究方法，并确保数据来源的真实性和可靠性。在文献综述的基础上，本研究采用文本挖掘法，构建科技服务业专项政策文本数据库，借助ROST CM6软件发现政策关键词，构建政策类属，使用PMC指数定量对比各地政策的等级及结构合理性。

（一）研究方法

在政策文献研究领域，文本分析法被广泛使用，通过政策文本分析可有效识别政策目标、政策路径和政策工具的使用情况。因此，本研究选用基于ROST CM6的文本分析法和PMC指数模型对中国科技服务业政策进行量化研究。借助ROST CM6开展文本分析，对科技服务业政策的政策类属进行分析。PMC指数模型聚焦于对政策本身的评价，通过识别变量并设计评价指标体系、构建投入产出表、测量PMC指数、生成PMC曲面等4步实现［22］，在评价中尽可能构建全面的评价指标体系且充分考虑政策的特殊性，可对政策进行定性定量相结合的综合评价。

（二）数据来源

为确保政策文本数据收集的完整性、搜索结果的有效性和研究的一致性，政策文本数据库的构建策略如下。首先，以“科技服务业”为标题，在中国知网的政府文件类目中搜索出488条相关记录。其次，通过中国法律知识资源总库、“北大法宝”数据库、各级政府网站等进行查验、补充。最后，对政策内容逐一阅读筛选，删除通知类、公示类、公告类以及复函类等不属于专项政策的文件，最终筛选出117项有效政策文本。从时间分布看，这117项政策最早的发布于2008年，最晚的发布于2021年，最具影响力的政策文本为2014年发布的《国务院关于加快科技服务业发展的若干意见》，截至2023年10月25日被15部中央法规和132部地方法规引用。从数量上看，2015年和2016年的发布数量占总数的一半以上，分别为38项（占32%）和25项（21%）。从政策级别看，国家级1项，省级30项，市级79项，县区级7项。在深入研读政策文本的基础上，运用研究主题分析中最常用的ROST CM6软件构建语义网络图谱，以降低文本汇总整理过程中的人为干预和统计错误。通过ROST CM6软件对上述117项政策文本集进行分词与高频词提取、通用词过滤与含义重复词的合并、行特征提取、社会网络和语义网络分析，最终得出排序靠前的关键词语义网络图谱，如图1所示。

图1中，关键词在语义网络中的度数中心性用方块来表示，度数越大，方块越大。由图1可知：第一，科技服务、科技、机构、企业、服务、技术和创新的方形最大，表明这些词与其他词的连接最多，度数中心性最大，为科技服务业政策的核心主题词，能反映科技服务业的主要特征。第二，较为核心的主题词为科技局、平台、资源、能力、研发、中心、市场、科技创新等。这些主题词体现出当前科技服务业的主管部门是科技局，科技服务业政策注重平台或中心建设、资源和能力、研发和科技创新等方面。第三，成果转化、知识产权、技术转移等主题词反映出科技服务业政策的重点任务。政策文本挖掘为后续政策量化评价指标的设计提供了依据。

（三）样本选择

在 PMC 指数模型以往的研究中，选取政策样本时没有特定的规律，通常为随机取样或选取具有代表性的政策进行评价［23］。省级科技服务业政策对地方科技服务业发展具有统领性，引导着地方科技服务业的发展布局。以前述117份有效政策文件为基础，结合图1，根据政策文件的发布单位，筛选出2012—2019年发布的24份省级科技服务业政策文件进行量化评估，如表1所示。筛选出的24份政策文件均为省级单位颁布，涉及21个省（自治区、直辖市），覆盖了东部、中部、西部和东北4个区域，具有较强的代表性，能体现省级科技服务业政策制定情况。

三、数据分析与研究发现

ROST CM6得出的关键词语义网络图、构建的政策文本数据库、24份科技服务业政策样本是下文数据分析的基础。通过归纳高频词和政策类属，建立了PMC指数模型评价指标体系，并运用PMC指数模型得出了各地政策文本的得分和等级，绘制出PMC曲面图，直观地展示各地政策的优劣势。

（一）科技服务业政策文本的高频词和政策类属

省级政府促进科技服务业发展的政策路径内隐于政策文本中［24］。通过文本挖掘可以明确政策中的关键内容，再结合政策的具体内容，对关键内容间的关系进行整理和归纳，从中发现政策类属。

首先，使用ROST CM6软件的词频分析功能［25］，从24份政策文件中提取排名前300的高频关键词。删除与本文研究主题重复的高频词（如“科技服务”“科技服务业”“科技”“服务”），合并同一对象或语义相近的关键词（如将“研发”合并到“研究开发”等），得到51个高频关键词。

其次，逐一查看24份政策原文，根据政策内容对合并整理后的高频关键词进行归类，如政策文本中的发展目标“基本形成……科技服务体系”“培育……科技服务业集聚区” “服务能力明显增强”“科技创新全链条”“形成一批科技服务产业集群”等与“体系”“集聚”“科技创新”等高频词密切相关，这些内容均属于政策目标范畴，故将上述关键词归为政策目的。根据政策文本中的重点工程、重点领域、重点任务，结合高频关键词，确定了研究开发、创业孵化、科技金融、技术转移等九个科技服务业发展领域。使用上述方式，把51个高频关键词整理归纳为政策目的、政策对象、发展领域、产业发展、开放合作、政策措施、人才支持和基础支撑等八大政策类属，具体如表2所示。

最后，对上述八大政策类属的政策覆盖率进行验证。把上述51个高频关键词与每份政策文本的高频关键词进行对比，发现两者基本一致。同时对政策原文内容进行一一核对，发现本文归纳的八大政策类属可以概括所有的政策内容，说明本文对科技服务业政策内容的类属划分是合理的。

（二）科技服务业政策文本全面性的评价

1.建立PMC指数模型评价指标体系

第一，依据政策的高频关键词和八大政策类属，将PMC 指数模型的一级评价指标设置为上述八大政策类属。同时，增加设置政策影响、政策执行性2个一级指标，以充分体现24份政策文件在发布主体、操作性和执行基础等方面的差异性情况，最终构建了10个一级指标体系。

第二，根据政策内容对10个一级指标进行拆解，对政策进行编码，如根据对象不同，把政策对象拆解为企业、机构、科研院所和高校，最终构建了35个二级指标和86个三级指标，如表3所示。

2.构建多投入产出表并计算PMC指数

多投入产出表是一种从一般角度对同级变量赋予相同权重的数据分析框架。本文的多投入产出表由表3中的一级变量、二级变量和三级变量组成，采用二进制赋值，如果政策文本涉及三级变量则赋值为1，否则赋值为0。

PMC指数值的计算步骤如下：第一，根据表3中三级变量的得分（Xijk）和公式（1）计算二级变量的值（Xij）。其中二级变量j中所包含的三级变量数记作k，k=1，2，…，n。第二，一级变量的值根据公式（2）计算，其中一级变量i中包含的二级变量数记作j，j=1，2，…，m。第三，根据公式（3）计算每个政策的PMC指数值，其中i表示一级变量数，i=1，2，…，p。

Xij=∑nk=1Xijk/n（1）

Xi=∑mj=1Xij/m（2）

PMC=∑pi=1Xi/p（3）

根据上述计算步骤，逐个研读24份政策文本，按照前面构建的三级评价指标体系和多投入产出表的构建方法，计算出各政策文本的PMC指数，取两位小数，最高分为10分。参照PMC指数模型的提出者Ruiz Estrada［22］以及后续研究者在不同政策评价中实际使用的等级划分标准，结合本研究的实际，进行等级划分：10分为完美，8～9分为优秀，6.3～7.99为良好，5.4～6.29为合格，0～5.39为较差。结果如表4所示。

3.绘制PMC曲面图

曲面图能直观展现政策在各一级指标上的得分情况［20］，PMC曲面中凸出部分为政策优势，凹陷部分为政策劣势。同时，我们还可以通过平均凹凸度考察政策内部结构的合理性。

计算各政策一级指标的平均凹凸度（平均凹凸度为各指标最大值与各指标离差绝对值之和的算术平均值），参照宋潇等［16］的研究，根据平均凹凸度对政策的结构合理性进行等级划分，0～0.10为结构合理、0.11～0.20为结构合格，0.21～1为结构不良。通过计算得出单一政策的结构评价结果，如表5所示。由表5可知，24份政策样本中只有5份政策样本为结构合格的政策，结构评价合格率较低，仅为20.83%。

由于一级变量X1没有三级变量，所以根据剩余9个一级变量构建PMC矩阵，见公式（4），得出政策样本的PMC矩阵，并根据PMC矩阵绘制PMC曲面图（由于篇幅有限，仅从表4中选择A18、A1、A15、A2、A19、PMC平均值），如图2所示。由图2可以看出，政策A18的PMC排名第一，以凸出部分为主，政策优势明显；A2的PMC排名最后，其凹陷部分最为明显，存在较多政策劣势；A15为合格等级，其凹凸变化较为明显；A19的内部结构合格，凹凸变化不明显；24份政策样本的平均PMC曲面较为平缓，整体结构合理。

PMC=X2X3X4X5X6X7X8X9X10 （4）

（三）评价结果分析

1.整体评价结果分析

第一，24份政策文本总体处于可接受水平，但均未达到完美级别。根据政策文本全面性级别划分标准，24份政策文本可划分为四个等级，4份优秀，16份良好，2份合格，2份较差。从平均水平看，PMC指数的平均值为7.11，处于良好水平，表明24份政策文本的全面性总体处于可接受水平。由表4可知，24份政策文本均未达到完美级别，平均PMC值与完美政策的差距为2.89，说明各地科技服务业政策仍有较大的修订与完善空间。

第二，政策目标、开放合作、人才支持是省级科技服务业政策修订与完善的重点。一级变量平均值的雷达图如图3所示。可以看出，10个一级变量的平均值呈现“政策对象（X4）>政策影响（X1）>发展领域（X5）>政策执行性（X2）>基础支撑（X10）>政策措施（X9）>产业发展（X6）>人才支持（X7）>开放合作（X8）>政策目标（X3）”的分布状态

，政策目标、开放合作、人才支持是24份科技服务业政策的短板。政策目标（X3）的均值只有0.42， 24份政策中多关注近期目标，较少涉及中期目标，不利于政策执行中的近期目标和中期目标的结合和连贯性。人才支持（X7）的均值为0.63，通过分析三级指标，发现在团队建设和配套政策上的均值得分为0.54和0.42，表明团队建设和配套政策是人才支持的短板。开放合作（X8）的均值为0.51，三级指标中的区域合作和其他合作的均值得分为0.51和0.38，表明开放合作中区域合作和其他合作（如组建科技服务联盟和拓展国际市场）是省级科技服务业政策修订与完善的重点。

第三，24份政策文本的评级越高，其内部结构的合理性越高。从表3、表4和表5的对比可以发现，A6、A11、A12、A18均为优秀等级，且结构合格；A2和A17的等级最低为较差，平均凹凸度的取值最大，分别为0.57和0.46。这表明随着政策评级水平的提高，PMC曲面图的凹凸程度呈下降趋势，政策内部的一致性水平和结构合理性水平呈上升趋势。

3.分等级评价结果分析

第一，优秀政策结果分析。4份优秀政策文本分别为A6、A11、A12、A18，分别对应北京市、湖南省、安徽省和江苏省，东部区域和中部区域各两个省（直辖市），均为中国科技服务业发展水平较高的区域。但上述政策与完美政策（PMC=10）分别有1.97、1.95、2.00和1.66的差距，仍有一定的提升空间。4份优秀政策文本的雷达图如图4所示。通过三级指标的分析可知，江苏省在政策目标中忽视了中期目标，人才支持中缺少团队建设、流动政策和倾向性待遇，在以后的政策制定中可重点加强。湖南省可在明确近期和中期目标、进一步具体化和多元化开放合作政策方面进行完善和提升。北京市在政策目标中缺

少近期目标，人才支持中忽视了团队建设和配套政策，基础支撑中忽视了平台的建设，可进一步修订与完善上述三个方面，以全面促进科技服务业的发展。安徽省在政策目标中缺少近期目标、产业发展中对集群

发展和试点示范不够重视，这些是今后政策修订的关键。综合4份政策文本，发现在政策目标上均存在短板，对近期、中期目标要形成的科技服务体系、打造的科技服务业集聚区和骨干科技服务机构、产业规模等的规划不够具体，需要进一步明确近中期目标，形成近期、中期目标相互衔接，提高目标的延续性。

第二，合格和较差政策分析。福建和广西的政策等级结果为合格，雷达图如图5a所示。可以看出，2份政策文本在政策目标、开放合作、人才支持三方面均存在短板。福建未设置政策目标，也没有涉及开放合作，两项指标的得分均为0；产业发展、人才支持的得分均低于0.63，在产业发展中未涉及集聚区建设、集群发展和试点工作，在人才支持上忽视了团队建设，缺乏配套的人才流动、评定和评价政策。广西的人才支持得分为0，未涉及人才及团队培养、引进和相关的配套政策；在政策目标、开放合作和政策措施上的得分均低于0.63，在政策措施中缺少税收扣除、加速折旧、基金或项目、补助或奖励等具体的财税支持措施。辽宁（A2）和山西的政策等级结果为较差，在政策目标、发展领域、产业发展、开放合作四方面均存在短板，雷达图如图5b所示。山西的开放合作得分为0；在政策目标、发展领域和产业发展的得分均低于0.5，未规划近期目标且中期目标不够具体，未涉及综合科技服务、科技咨询服务和科学技术普及领域且对科技金融重视度不够，在产业发展上忽视集聚发展和试点工作。辽宁（A2）的开放合作得分为0；在政策影响5f45083f143a393739bb1d9f05243292、政策目标、发展领域、产业发展、人才支持、政策措施和基础支撑的得分均低于0.5，政策提升空间大。

第三，纵向比较。24份政策文本中，河北、辽宁和山东3个省各有2份政策文本。通过纵向对比，发现辽宁省和河北省的政策全面性有显著提升，而山东省的政策全面性则略有下降，纵向对比雷达图如图6所示。辽宁省（A16）2015年的政策在发展领域、产业发展和开放合作三个方面的得分均显著提高，PMC指数由4.33提高到7.01，从较差等级提升到良好等级。河北省（A24）2019年的政策在产业发展、人才支持、开放合作和基础支撑四个方面的得分均显著提高，PMC指数由6.88提高到7.82，由于2019年的政策忽视了中期政策目标的设置，与优秀等级尚有差距。而山东省（A22）2016年的政策忽视了保障措施、目标任务分工、组织领导和部门协同联动等政策执行性问题，且未设置近期政策目标。

四、研究结论、启示与展望

（一）研究结论

本文基于筛选的117份政策文本，运用ROST CM6软件构建排序前100的关键词语义网络图谱，厘清了科技服务业政策文本的主要特征。对24份政策文本深入挖掘，整理归纳出政策目的、政策对象、发展领域、产业发展、开放合作、政策措施、人才支持和基础支撑等八大政策类属，最终构建了包含10个一级指标、35个二级指标和86个三级指标的科技服务业政策的PMC指数模型评价指标体系，并评价和对比了不同省份政策文本的等级和结构合理性，得到以下结论。

第一，对PMC指数的整体分析结果显示，24份科技服务业政策文本分别归属于优秀（4份）、良好（16份）、合格（2份）和较差（2份）4个等级，平均等级为良好。分等级评价结果显示，优秀等级的政策文本在政策目标上存在短板，需要注重目标设置的衔接及延续性；合格等级的政策文本在政策目标、开放合作、人才支持三方面存在短板；较差等级的政策文本在政策目标、发展领域、产业发展、开放合作四方面均远低于平均水平。从10个一级变量的平均水平看，政策对象的得分最高。24份政策文本整体上在政策对象的指向性最为明确，但普遍忽视近期、中期、远期政策目标的衔接性设置。政策目标、开放合作、人才支持是省级科技服务业政策修订与完善的重点。

第二，研究发现，江苏省、湖南省、北京市和安徽省的政策文本均为优秀等级，但其优劣势各不相同。以江苏省和安徽省为例，根据PMC指数模型中一级变量的得分，江苏省的政策优势是政策执行性、政策对象、发展领域、产业发展和开放合作，政策劣势为政策目标和人才支持；安徽省的政策优势是政策执行性、政策影响和发展领域，政策劣势为政策目标和产业发展。这说明各地政府科技服务业政策文本的优劣势各不相同，需要在量化评价的基础上，结合国家层面科技服务业发展的相关政策，参照其他地区的政策优势，根据当地的科技服务业发展现状，弥补政策劣势，以提升科技服务业政策的等级度，全面促进科技服务业的发展。

第三，政策文本评级越高，其政策内容的一致性越高。研究发现，A2和A17的政策等级为较差，其平均凹凸度的取值最大，分别为0.57和0.46；而5份内容结构合理的政策文本中有4份政策文本的评价等级为优秀，1份为良好。这表明随着政策评级水平的提高，PMC曲面图的凹凸程度呈下降趋势，政策内部的一致性水平和结构合理性水平呈上升趋势。5份结构合格的政策分别来自北京、江苏、浙江、湖南和安徽。这些省（直辖市）大多位于科技服务业各领域发展较为均衡的东部区域，这说明政策内容结构的合理性对科技服务业的均衡发展至关重要。

第四，同一地区不同时期的政策保持连贯性，有利于提升政策的全面性等级。纵向分析结果显示，辽宁省和河北省不同时期的政策评分均有所提升，但山东省的政策评分在下降。通过纵向对比，发现辽宁省在前期政策的基础上找出差距，针对发展领域、产业发展和开放合作等薄弱环节对政策进行修订和完善，对症下药，从较差等级提升到良好等级，提高了政策的全面性等级。河北省在产业发展、人才支持、开放合作和基础支撑方面弥补前期的政策短板，政策评分由6.88提高到7.82。而山东省在发布新的政策时，忽视对前期政策优势的延续，降低了政策文本的发布单位等级，在政策影响力、政策目标、政策执行性等指标上的得分降低，政策全面性等级下降。对政策文本的量化评价可以得出政策文本的评价等级，发现政策优劣势，有利于明确差距。通过纵向对比，在延续政策优势的基础上，弥补政策短板，从而提升后续政策的政策等级和内容结构的合理性。

（二）研究启示

第一，要注重政策的修订与完善。24份省级政策文本中只有2份是在2016年以后发布的，政策目标实现年份大多设定为2020年。已有政策已经超过了政策指引时间，须根据当前我国及各地科技服务业的发展现状及政策目标的实现情况，进一步修订与完善现有政策。同时，对政策的纵向对比也发现，通过政策的修订与完善，可提升科技服务业政策的等级度。从科技服务业政策的PMC指数和各政策三级指标的得分中可以发现，各地政策与完美级政策仍有差距，特别是评定等级为合格和较差的地区份更应加强对现有政策的修订与完善，及时补齐政策短板。

第二，要构建完整明确的政策目标体系。本文分析的省级政策均存在政策目标设置短板，主要表现为在政策文本中仅设置近期（3年以内）或中期（3～5年内）的政策目标，且多为模糊性描述，忽视了长期目标的制定，缺乏对近、中、远期目标的综合考虑，政策的目标指向性和指导性不足。因此，各地在未来科技服务业政策的制定和完善中，要分阶段、分时期地制定科技服务业发展政策目标，既要设置近期的包含具体指标的目标，也要设置中远期规划，特别要重视前瞻性的远期目标的制定，以形成近、中、远期目标有机结合的完整目标体系，提升政策的目标指引性。

第三，要增强政策结构的合理性。政策结构的合理性代表政策在各方面布局的均衡性和一致性。从政策的平均凹凸度来看，仅北京、江苏、浙江、湖南、安徽的科技服务业政策的结构为合理水平，其余各地政策结构的平均凹凸度均大于0.2，为不合理水平。因此，各地应根据自身现有科技服务业政策得分和等级，在提升政策量化得分和等级的同时，平衡政策在八大政策要素和三级指标体系上的支持力度，以减少政策因素带来的科技服务业发展中的不均衡现象，促进当地科技服务业高质量发展。

第四，要形成政策网络体系。科技服务业的发展需要各级政府的政策支持，但收集到的117份政策文本显示，尚有江西、四川、陕西、西藏、天津、上海、重庆等7个省（自治区、直辖市）未出台相关政策，福建、海南、黑龙江、宁夏、青海、云南、新疆7个省（自治区）仅出台了省级政策但缺少市县级政策，尚未形成政策网络体系。因此，在国家级科技服务业政策的基础上，各级政府部门要出台专项政策、补充政策和配套政策，以细化政策措施，形成自上而下层层分解、自下而上层层保障的政策网络体系，确保政策各项工作落到实处。

（三）研究展望

本文还存在一定的局限性。一是研究样本有待进一步增加和更新。本文仅研究了2008—2021年间的科技服务业专项政策，且仅对省级政策文本进行量化评价。未来可借助人工智能、数据挖掘等技术收集更多、更新的相关政策文本，还可扩大地方政策数据范围，从国家级、省级、市级等层面进行系统地量化评价，根据政策的全面性等级和结构合理性评价结果，为各级政府下一阶段科技服务业政策的制定提供具体可操作的决策依据。二是PMC指数模型评价指标体系的设计有待进一步完善。在PMC指数模型的构建中，虽然使用了文本挖掘技术，在一定程度上避免了人为因素和统计误差，但评价指标的设计仍受研究样本的限制，具有一定的主观性，指标的维度和数量设计还需进一步研究。未来研究可通过增加研究样本，在普适性的评价指标基础上增加针对科技服务业发展现状的非标准评价指标，提升评价指标的多样性和全面性。三是研究视角有待进一步拓展。本文仅从政策文本角度进行政策内容的评价分析，并未评价不同政策对促进科技服务业的发展的有效性。未来可结合本文的评价指标体系，收集各地科技服务业发展的相关数据，评价各地如何依据实际制定差异性的科技服务业政策以及政策对科技服务业的实施效果。

参考文献：

［1］ 习近平.高举中国特色社会主义伟大旗帜 为全面建设社会主义现代化国家而团结奋斗——在中国共产党第二十次全国代表大会上的报告［N］.人民日报，2022-10-26（01）.

［2］ 杜宝贵，陈磊.基于PMC指数模型的科技服务业政策量化评价：辽宁及相关省市比较［J］.科技进步与对策，2022，39（1）：132-140.

［3］ VILJAMAA A，KOLEHMAINEN J，KUUSISTO J. For and against？ An exploration of inadvertent influences of policies on KIBS industries in the finnish policy setting［J］. Service Industries Journal，2010，30（1）：71-84.

［4］ LEE，HWA J，KIM，et al. Determinants of technological innovation performance of knowledge-intensive business service industries in Korea［J］. Journal of Korea Service Management Society，2016，17（3）：257-290.

［5］ FABRIZIO K R，POCZTER S，ZELNER B A. Does innovation policy attract international competition？ Evidence from energy storage［J］. Research Policy，2017，46（6）：1106-1117.

［6］ MOTTA J J，MORERO H A，BORRASTERO C，et al. Complementarities between innovation policies in emerging economies. The case of Argentinas software sector［J］. International Journal of Technological Learning，Innovation and Development，2013，6（4）：355-373.

［7］ WERNER P，STRAMBACH S.Policy mobilities，territorial knowledge dynamics and the role of KIBS： exploring conceptual synergies of formerly discrete approaches［J］. Geoforum，2018，89（fed）：19-28.

［8］ 邱荣华，王富贵，严军华.产业哲学视角下广东科技服务业发展的政策建议［J］.科技管理研究，2014，34（8）：23-27.

［9］ 张骁，周霞，王亚丹.中国科技服务业政策的量化与演变：基于扎根理论和文本挖掘分析［J］.中国科技论坛，2018（6）：6-13.

［10］ 杜宝贵，陈磊.五维视角下中国科技服务业政策研究［J］.科技管理研究，2021，41（12）：35-42.

［11］ BIGMAN S K. Evaluative research： principles and practice in public service and social action programs［J］.Journal of Leisure Research，1969，1（2）：209-211.

［12］ POLAND O F. Program evaluation and administrative theory［J］. Public Administration Review，1974，34（4）：333-338.

［13］ RUIZ ESTRADA M A，YAP S F. The origins and evolution of policy modeling［J］. Journal of Policy Modeling，2013，35（1）：170-182.

［14］ RUIZ ESTRADA M A，YAP S F，NAGARAJ S. Beyond the ceteris paribus assumption： modeling demand and supply assuming omnia mobilis［J］. International Journal of Economics Research，2008（2）：185-194.

［15］ RUIZ ESTRADA M A，PARK D. The past，present and future of policy modeling ［J］. Journal of Policy Modeling，2018，40（ 1）：1-15.

［16］ 宋潇，钟易霖，张龙鹏.推动基础研究发展的地方政策研究：基于路径-工具-评价框架的PMC分析［J］.科学学与科学技术管理，2021，42（12）：79-98.

［17］ 胡峰，戚晓妮，汪晓燕.基于PMC指数模型的机器人产业政策量化评价：以8项机器人产业政策情报为例［J］.情报杂志，2020，39（1）：121-129，161.

［18］ 翟运开，郭柳妍，赵栋祥，等.基于PMC指数模型的远程医疗政策评价［J］.信息资源管理学报，2022，12（2）：112-122，137.

［19］ 史童，杨水利，王春嬉，等.科技成果转化政策的量化评价——基于PMC指数模型［J］.科学管理研究，2020，38（4）：29-33.

［20］ 蔡冬松，柴艺琳，田志雄.基于PMC指数模型的吉林省数字经济政策文本量化评价［J］.情报科学，2021，39（12）：139-145.

［21］ KUANG B，HAN J，LU X H.et al. Quantitative evaluation of Chinas cultivated land protection policies based on the PMC-index model［J］.Land Use Policy，2020（99）：1-9.

［22］ RUIZ ESTRADA M A. Policy modeling： definition，classification and evaluation［J］. Journal of Policy Modeling，2011，33（4）：523-536.

［23］ 黄平平，刘文云. 中国特色新型智库政策文本量化评价——基于PMC指数模型分析 ［J/OL］. 情报科学，1-17［2024-03-25］. http：//kns.cnki.net/kcms/detail/22.1264.G2.20240126.1812.012.html.

［24］ 文宏，李玉玲.目标引导、资源驱动与环境培育：中国特色新型智库建设的内在逻辑——基于82 份政策的文本内容分析［J］. 北京工业大学学报（社会科学版），2021，21（1）：63-74.

［25］ 宋琪，谷灏.政策“工具-功能”视角下人工智能产业央地政策研究［J］.科学与社会，2022，12（1）：84-102.

［26］ 成全，董佳，陈雅兰.创新型国家战略背景下的原始性创新政策评价［J］.科学学研究，2021，39（12）：2281-2293.

Quantitative Evaluation of Chinas Science and Technology Service Industry Policies

—Based on PMC Index Model

LIANG Juan1 CAI Youhua2 ZHUANG Caiyun3

（1.School of Business Administration，Fujian Jiangxia University，Fuzhou 350108，Fujian，China;

2. School of Economics and Management，Fuzhou University，Fuzhou 350108，Fujian，China；

3.School of Economics and Management Longyan University，Longyan 364012，Fujian，China）

Abstract：The high-quality development of science and technology service industry needs multi-dimensional policy support. The quantitative evaluation of science and technology service industry policies can find out the shortcomings of policies and contribute to the optimization and adjustment of them. Taking 117 science and technology service industry policies in China as the research objects from 2008 to 2021，this study adopted text mining and ROST CM6 to extract high-frequency words in the policy documents and built a semantic relationship network. Meanwhile，this study took 24 provincial science and technology service industry policies as samples，summarized eight policy categories and constructed the evaluation index system of science and technology service industry policies. The PMC index model was used to evaluate and analyze the provincial policies，and the optimization path is put forward. The results show that 24 policy documents are generally in acceptable level，4 excellent，16 good，none of which reach the perfect level. The research has found common problems in policy texts，with policy objectives，open cooperation and talent support as the policy shortcomings. The higher the rating of policy text，the higher the consistency of policy content; the consistency of policies in the same region in different periods is conducive to improve its policy level. The research conclusion provides a scientific and clear optimization path for governments to formulate and improve policies for science and technology service industry.

Key words：science and technology service industry policy; PMC index model; text mining; policy evaluation; policy quantification