科技成果转化政策效果研究——基于人均输出地技术市场合同成交额的分析视角

杜宝贵 张鹏举

（东北大学文法学院，辽宁沈阳110169）

一、引 言

统计数据在定量研究中有着举足轻重的作用。“失之毫厘，谬以千里”正是对数据细微差别所产生不同结论的精准描述。在定量研究中，数据的选择影响着研究结论，不同的数据会产生不一样的测量结果。统计数据选定以后，“以什么样的单位”测量研究对象就成了一个值得探讨的问题。笔者在研究科技成果转化政策时，采用了“输出地技术市场合同成交额”这一指标衡量科技成果转化政策的效果〔1〕，取得了很好的研究结论，值得借鉴与思考。

不过，一些很有影响的研究，例如中国创新指数（CII）研究，则使用“每万名科技活动人员的技术市场合同成交额”作为“创新产出指数”来衡量区域创新能力〔2〕。这就提出了衡量科技成果转化政策的效果究竟用何种测量指标更为合适的问题。

国家统计局社科文司《中国创新指数（CII）研究》课题组设计的评价我国创新能力的指标体系和指数编制方法，将“每万名科技活动人员的技术市场合同成交额”作为创新产出指数之一〔3〕。这是一个“人均值”，加入了“科技活动人员（R&D人员）”的概念，将“科技活动人员数量”纳入科技成果转化政策效果的考量，用来评价区域技术市场合同成交额的“人均”情况。与“技术市场合同成交总额”相比，“人均值”强调科技活动人员在科技成果转化过程中的作用，技术市场合同成交总额相同的情况下，科技活动人员数量不同，“人均值”也会不同。

这就产生了新的问题，同一个指标以什么单位计算更合适呢？以“总额”还是“人均值”作为衡量指标，测量结果会有什么不一样吗？它们分别侧重测量科技成果转化政策的哪些方面呢？这些都是本文所要讨论的问题。

二、文献综述与QCA研究方法

（一）文献综述

有些学者在以往的研究中已经采纳过“人均值”这一概念，也取得了一定的研究成果。樊纲采用“技术市场成交额/科技人员数”来近似地表示科技成果市场化的程度〔4〕；张江雪将“高等学校作为卖方的技术合同成交额与科技活动人员的比例”作为衡量技术市场发展程度的指标〔5〕；雷小川用“本地区技术合同平均交易额(万元)/本地区万人科技人员数（人）”在“全国技术合同平均交易额（万元）/全国万人科技人员数（人）”中的占比来表达技术市场的发育程度〔6〕。以上的研究都加入了“人均值”这一概念，即引入“科技活动人员数”这一概念，说明在以往的研究中，“科技活动人员数”可以被考虑进来，与技术市场合同成交额一起共同体现科技成果转化政策的效果。这三位研究者都用“技术市场合同成交额/科技（活动）人员数”来表达科技成果市场化程度，并取得了一定的研究成果，说明这一指标可以被应用于测量科技成果转化政策的效果。只是有的采用“每万名科技人员数量”，有的采用“科技活动人员数量”，还有采用“本地区万人科技人员数(人)”来衡量政策效果，指标具体的单位不同，但这些指标都反映了科技人员的数量情况，基于此，本研究采用“科技活动人员数量（人）”作为指标的数据之一。

在学者们选定加入“人均值”的指标后，并未讨论分别采用“人均值”和“技术市场成交额”两种指标得出的研究结果有何差异性，这两种指标分别适合衡量什么样的科技成果转化政策呢？或者适合衡量科技成果转化政策的哪一方面呢？而这正是本文接下来所要阐述的问题。

为增强比较的科学性，本文采用清晰集定性比较分析方法（Crisp set of Qualitative Comparative Analysis，简称csQCA）方法，将结果变量设定为“人均值”。清晰集定性比较分析是最被广泛使用的定性比较分析（Qualitative Comparative Analysis，简称QCA）的技术〔7〕。为了使比较结果更为清晰、明确，本文增加了核心条件和补充条件分析。

（二）QCA中的核心条件和补充条件

QCA分析中的核心条件是指在结果的组合中必须包含简约解中的条件（terms），因为这些条件是决定性的前因成分，它们能从达到频数阈值的组合中区分出结果的一致子集和不是结果的子集。因此，这些成分应被视为“核心”前因条件。一致性结果的案例中包含中间解的新增成分，只有纳入困难的反事实才可以消除这些成分。因此，这些条件是“补充的”或“有贡献的”条件，它们作为重要的促成因素是讲得通的，并且只有当研究者愿意做出与实际理论知识不一致的假设时才能从解中移除〔8〕。

三、研究样本选取与变量确定

（一）研究样本选取

本文采用我国22个省级地方政府或地方政府科技主管部门出台的关于科技成果转化的综合性政策文本作为研究样本。

（二）变量的确定

1.条件变量的确定

本文采用9个政策工具作为条件变量：P1（税收优惠）、P2（公共采购）、P3（专利政策）、P4（权益归属）、P5（收益与奖励）、P6（政府资助）、P7（金融支持）、P8（服务机构）、P9（人才培养与引进）〔9〕。

2.结果变量的确定

科技成果转化是一个复杂的过程，其所创造的价值在于将科学技术产品化，在市场上出售以创造经济价值〔10〕。科技成果转化本身是需要很多指标共同衡量其效果的，目前有科技成果转化率、推广率、应用率、技术贡献率〔11〕；技术市场合同成交额、技术市场结构、技术交易水平、技术交易机构所有制〔12〕等众多对科技成果转化程度的测量指标，只是这些指标中除了技术市场合同成交额比较容易量化，并且数据能够有准确的来源，其他指标不太容易度量且不太能准确得到。技术市场合同成交额符合科技成果转化绩效评价指标体系的六大原则：科学性、目的性、可得性、完备性、可计量性和可行性原则〔13〕，所以，这一指标作为衡量科技成果转化政策效果是最可行的。同时，通过技术市场与科技成果转化直接关系的研究发现，科技成果转化影响着技术市场发展，其中技术市场合同成交额就是技术市场发展程度的最直接体现。因此，技术市场合同成交额是衡量一定时期内各地区科技创新能力和知识成果产出水平的重要参考指标〔14〕。

在引入“科技活动人员”概念后，即将“输出地技术市场合同成交额/科技活动人员数”所得的值命名为“人均输出地技术市场合同成交额”，简称“人均额”，为便于对比分析，本文中对“输出地技术市场合同成交额”不做概念区分，以下简称为“总额”。笔者已经做过以“输出地技术市场合同成交额”（即总额）作为结果变量的QCA分析〔15〕，本文在这里采用新的衡量指标，将“人均额”作为结果变量进行QCA分析，选取《中国科技统计年鉴2018》中的“输出地技术市场合同成交额/科技活动人员数（R&D人员）”数据作为结果变量，详见表1。

表1 22个区域科技成果转化输出地技术市场合同成交额、R&D人员数、人均额

续表1

四、变量赋值与真值表的构建

（一）变量赋值

条件变量的赋值方法参考笔者有关研究的赋值标准〔16〕。

结果变量换成“人均输出地技术市场合同成交额”，变量赋值的确定参考笔者研究的标准〔17〕，即：对22个省的结果变量进行降序排列，确定中位数，按中位数赋值，中位数以上的归为高人均输出地技术市场合同成交额，且赋值为“1”；中位数以下的归为低人均输出地技术市场合同成交额，且赋值为“0”。

（二）结果变量赋值表比较

由于“总额”和“人均额”的条件变量赋值一样，此处只需要对比分析它们的结果变量即可。表2展示了分别以“总额”和“人均额”为结果变量且赋值为“1”的情况。

表2 结果变量赋值表

由表2所知，因为结果变量不同，各省结果变量赋值的情况也就不一样。在22个省、自治区、直辖市中，四川、吉林2个省的结果变量赋值情况发生了变化。在“总额”的排序中，四川省赋值为“1”；在“人均额”的排序中，四川省赋值为“0”；在“总额”的排序中，吉林省赋值为“0”；在“人均额”的排序中，吉林省赋值为“1”。

五、QCA单项前因条件变量分析和条件组合分析

（一）单项前因条件变量的充分性与必要性对比分析

当运用QCA分析时，需要先对单个条件变量进行分析，再对多个条件变量组合进行分析。通过对单项前因条件变量的一致性（consistency）和覆盖率（coverage）分析，检验条件变量和结果变量的充分性和必要性关系。其中，一致性体现必要性，覆盖率体现充分性。如果单项前因条件变量顺利通过了检验，那么，这些条件变量才能被纳入多个条件变量组合的分析。因此，先对单项前因条件变量进行充分性和必要性分析，如表3所示。

表3 单项前因条件变量分析

表3显示：以“人均额”为结果变量且赋值为“1”的一致性检验中，P5（收益与奖励）、P6（政府资助）、P7（金融支持）、P8（服务机构与平台）、P9（人才培养与引进）的一致性均大于0.8，说明单项前因条件变量中P5、P6、P7、P8、P9是结果变量的必要条件。这与以“总额”为结果变量且赋值为“1”的一致性检验结果基本相同。结果变量改变了，单项前因条件变量的必要条件没有发生变化。

以“人均额”为结果变量且赋值为“1”的覆盖度检验中，～P7（缺失金融支持）的覆盖度为1.0大于0.8，～P7作为必要性条件的解释力度最强；其他变量的覆盖率均未超过0.8，解释力都不太强。这与以“总额”为结果变量且赋值为“1”的覆盖度检验结果基本相同，且两种结果变量的覆盖度检验中都存在解释力不强的其他变量。

以“人均额”为结果变量且赋值为“0”的一致性检验中，P6（政府资助）、P7（金融支持）、P8（服务机构与平台）、P9（人才培养与引进）的一致性分别为 1.0、1.0、0.9、0.9 且均大于 0.8，所以 P6、P7、P8、P9 作为结果变量的必要条件是充分的。以“总额”为结果变量且赋值为“0”的一致性检验中，也存在同样的上述情况。结果变量不同了，单项前因条件变量的必要条件没有变化。

以“人均额”为结果变量且赋值为“0”的覆盖度检验中，～P8（缺失服务机构）的覆盖度为1.0大于0.8，～P8作为必要性条件的解释力度最强，其他变量的覆盖率均未超过0.8，解释力都不太强。这与以“总额”为结果变量且赋值为“0”的覆盖度检验结果相同。结果变量改变了，解释力最强的变量没有发生变化，且在两种结果变量的覆盖度检验中都存在解释力不强的单项前因条件变量。

通过单项前因条件变量的一致性（consistency）和覆盖率（coverage）分析可以看出，尽管单项前因条件变量分析结果有的比较理想，有点不够理想，但是这些条件变量都满足了检验的最低标准，所以将它们全部纳入多个条件变量组合的必要性分析。

（二）条件组合的一致性和覆盖度对比分析

本研究将真值表输入FSQCA 3.0软件中，分析在结果变量分别为“1”和“0”时，不同的条件组合是否对结果变量具有良好的解释力。FSQCA 3.0软件操作过程中的标准分析（Standard Analyses）会自动提供复杂解、简约解和中间解。一般说来，中间解是首选，因为它们通常是最易解释的。当有限多样性较为实际时，复杂解可能非常复杂，因为很少或没有简化。同样地，在相同的条件下，由于许多（简单和困难的）反事实组合的纳入，简约解可能会变得不切实际。基于研究者的理论和实质性知识，中间解在简约性和复杂性之间取得了平衡〔18〕。因此，本研究采用中间解做解释。

覆盖度用来反映某一条件组合作为影响并导致结果变量路径的唯一性程度，主要分为原始覆盖度、唯一覆盖度和解的覆盖度〔19〕。其中，原始覆盖度反映单一原因变量对结果变量的影响情况，根据定性比较分析以条件组合为研究重点的特点，原始覆盖度通常只作为参考〔20〕。唯一覆盖度是考察哪种变量组合更有可能导致最终结果的存在〔21〕。表4、表5、表6和表7分别展示了以“总额”、“人均额”为结果变量的中间解条件组合的一致性和覆盖度分析。

从表4和表5可知，结果变量为“1”的对比分析：

表4 以“总额”为结果变量的条件组合的一致性和覆盖度分析（结果变量为1）

表5 以“人均额”为结果变量的条件组合的一致性和覆盖度分析（结果变量为1）

1.组合数量不同。以“总额”为结果变量且赋值为“1”的一共有6种组合，以“人均额”为结果变量且赋值为“1”的有7种组合。

2.两种结果变量的组合一致性、总体一致性相同，总体覆盖度不同。两种结果变量的组合一致性和总体一致性均为1.0，以“总额”为结果变量的总体覆盖度为0.81，以“人均额”为结果变量的总体覆盖度为1.0。以上数值均大于理论值0.8，整体解释程度较高。

3.都含有解释力更好的组合。以“总额”为结果变量且赋值为“1”的组合中A3的唯一覆盖度为0.18，具有更好的解释力；在以“人均额”为结果变量且赋值为“1”的组合中是A3'和A6'的唯一覆盖度为0.18，都具有更好的解释力。

4.都含有具有相似解释力的组合。以“总额”为结果变量且赋值为“1”的组合中，A1、A2、A4、A5、A6组合唯一覆盖率相同，具有相似的解释力；以“人均额”为结果变量且赋值为“1”的组合中，A1'、A2'、A4'、A5'、A7'组合唯一覆盖率相同，具有相似的解释力；A3'和A6'组合唯一覆盖率相同，具有相似的解释力。

表6 以“总额”为结果变量的条件组合的一致性和覆盖度分析（结果变量为0）

表7 以“人均额”为结果变量的条件组合的一致性和覆盖度分析（结果变量为0）

从表6和表7可知，结果变量为“0”的对比分析：

1.组合数量不同。以“总额”为结果变量且赋值为“0”的一共有8种组合，以“人均额”为结果变量且赋值为“0”的有7种组合。

2.两种结果变量的组合一致性、总体一致性和总体覆盖度相同。两种结果变量的组合一致性和总体一致性、覆盖度均为1.0，整体解释程度较高。

3.都含有解释力更好的组合。以“总额”为结果变量且赋值为“0”的组合中，B2、B3的唯一覆盖度为0.18，具有更好的解释力；在以“人均额”为结果变量且赋值为“0”的组合中，B2'、B3'和B4'的唯一覆盖度为0.18，具有更好的解释力。

4.都含有具有相似解释力的组合。以“总额”为结果变量且赋值为“0”的组合中，B2、B3的唯一覆盖率相同，具有相似的解释力；B1、B4、B5、B6、B7、B8的唯一覆盖率相同，具有相似的解释力；以“人均额”为结果变量且赋值为“0”的组合中，B2'、B3'、B4'的唯一覆盖率相同，具有相似的解释力；B1'、B5'、B6'、B7'的唯一覆盖率相同，具有相似的解释力。

可见，不管结果变量为“1”还是“0”，它们对应的条件组合均为充要条件。以上是对条件组合的分析，而非特定政策工具，接下来还需要通过核心条件分析来判断某项政策工具的作用。

（三）核心条件对比分析

本研究运用查尔斯C.拉金开发的逻辑方案表〔22〕对QCA分析数据进行了整理，然后根据核心条件的界定标准将中间解的全部条件组合进行了分组〔23〕由此得出两组提升和降低技术市场合同成交额的条件组合。（如表8、表9所示）通过“核心”与“补充”条件来观察条件变量与结果变量之间的因果关系，进而得到影响政策效果的重要因素。

表8 提升和降低输出地技术市场合同成交额的条件组合

续表8

表9 提升和降低人均输出地技术市场合同成交额的条件组合

两种结果变量的对比分析有下列几点：

1.两种结果变量的正、负向组合数量存在差异。表8中的正向组合数有6组，表9正向组合数有7组，多了一组，且正向组合中出现了新组合；表8中负向组合数有8种，表9负向组合数少了一组。

2.在正向条件组合中，有2个组合与原来的完全相同：A3=A3'、A5=A5'；此外，有4个组合与原来的不一样。这4个组合中有3个组合相似，它们是属于只有一种政策工具使用不同的相似，即：A1≈A1'、A4≈A4'、A6≈A6'。（=表示完全相同；≈表示相似）

3.在负向条件组合中，有3个组合与原来的完全相同：B1=B1'、B3=B3'、B6=B6'；此外，有4个组合与原来的不一样。这4个组合都是相似的情况，它们是属于只有一种政策工具使用不同的相似，即：B2≈B2'、B4≈B4'、B5≈B5'、B7≈B7'。

综上，正向条件组合和负向条件组合差异性大于共同点。由于正向组合的作用是有利于达成高技术市场合同成交额，分析正向组合更利于衡量政策效果，对未来政策制定更具有指导意义，所以，接下来重点分析正向条件组合的情况，限于篇幅，负向条件组合不重点展开分析。

1.具有共同点的正向组合形式。在正向组合中，表9中有2个组合与表8的一样，分别是A3'=A3，A5'=A5；A3=P1*～P2*P3*P4*P5*P6*P7*P8，其中 P1（税收优惠）、～P2（缺失公共采购）、P3（专利政策）、P4（权益归属）、P5（收益与奖励）、P8（服务机构）是核心条件，P6（政府资助）和P7（金融支持）是补充条件。A5=P1*～P2*～P3*～P4*P5*P6*P7*P8*P9，其中 P1（税收优惠）、～P2（缺失公共采购）、～P3（缺失专利政策）、～P4（缺失权益归属）、P5（收益与奖励）、P8（服务机构）是核心条件，P6（政府资助）和 P7（金融支持）、P9（人才培养与引进）是补充条件。A3与A5在结果变量改变了以后，仍然出现在正向组合中，说明这2种政策组合不受结果变量的影响仍然能发挥作用，属于比较重要的政策工具组合。A3和A5的共同点是核心条件都有P1、P5和P8，说明这三种工具组合同时使用会发挥正向激励效果，且不受结果变量更换的影响，说明P1、P5和P8工具组合更可靠、更具有稳定性。

这里重点解释一下P5（收益与奖励）的作用。“收益与奖励”是最直接激励科研人员的政策工具，因为提高发明人的收益分成有益于促进科技成果转化〔24〕，所以激励效果明显，属于核心条件。“收益与奖励”的政策文本主要涉及“科技成果转化激励机制，科技成果股权和分红权激励试点与改革，明确收益分配比例；职务发明成果的所得收益，高校可按60%～95%的比例、科研院所可按20%～50%的比例，划归参与研发的科技人员及其团队拥有〔25〕”，其中“其收入归个人所有”、“划归参与研发的科技人员”是以最直接的物质激励形式激励科研活动人员，都属于对科研活动人员最直接的激励工具，激励效果最强，最有利于激发科研人员的创造性，推动科技成果转化，促成科技成果卖出，从而利于达成高技术市场合同成交额。

所以，在结果变量换成“人均额”后，这种“直接奖励个人”的政策工具更能充分展示其对科技活动人员的激励作用，因此，这类政策工具仍出现在正向组合中，且不受结果变量更换的影响，证明P5具有极强的稳定性。另外2种工具也具有这样的作用，限于篇幅此处不做展开。

2.相似的正向组合。只有一个政策工具使用不同且其他都完全相同的组合有：A1≈A1'，A4≈A4'，A6≈A6'。其中，A1与A1'，A4与A4'的共同点是“～P1（缺失税收优惠）”由补充条件变成了核心条件。在大多数的科技成果转化政策中，涉及税收优惠的内容有“引导大型企业完善创新投入制度，牵头申报市级以上产业导向类科研项目的大型企业，原则上应为近3年享受过研发费用税前扣除、高新技术企业税收减免等税收优惠政策的企业〔26〕”，这样的政策内容往往是针对企业等组织而言，较少有针对“科技活动人员”个人的税收优惠内容，对于“科技活动人员”来说这类政策工具的激励效果不够明显，说明P1在以“人均额”为结果变量时作用不明显，P1对于激励科技活动人员创新活动的效果也就不显著。因为税收优惠主要是针对高新技术企业等组织而言，只有当政策工具的实施对象是高新技术企业、科技企业等组织时，这一类型的政策工具才能发挥作用。

当结果变量换成“人均额”后，P1作用的对象不再是企业组织，而是转变成了科技活动人员，P1所能发挥的作用就受限了，其政策效果明显减弱，正如表9所示，“缺失税收优惠”从补充条件变成了核心条件，表明不再需要P1，即在引入“人均额”概念后，P1不再发挥效果。

另外，这3组相似的组合都共同使用了P1（税收优惠）、P2（公共采购）、P4（权益归属）、P5（收益与奖励）、P8（服务机构），说明在结果变量为“人均额”的情况下，这几种政策工具更能发挥效果。尤其是政策内容中涉及科技活动人员的政策工具效果更为明显。如：权益归属（P4）的内容涉及“给予科研人员强制转化处置权”、“鼓励职务成果完成人开展职务成果转化活动，职务成果的完成人可以与单位签订协议开展科技成果转化，项目完成人享有协议约定的权益”，这些内容都是通过约定科技成果转化权益的方式给予科技活动人员更多的主动权，有利于激励科研活动人员的创造力，促成高技术市场合同成交额的达成。因此，当结果变量为“人均额”时，这些政策工具更能发挥作用。

3.出现新的组合。正向组合中出现了2个新组合。说明在改变了结果变量后，原来的组合不起作用了，新组合只有在以“人均额”为结果变量时才能发挥作用。A2'和A7'是全新组合，它们的共同点是P2（公共采购）、P3（专利政策）、P8（服务机构）作为核心条件发挥效果，P6（政府资助）、P7（金融支持）、P9（人才培养与引进）作为补充条件存在。

这里重点解释一下P3（专利政策）。在结果变量换成“人均额”后，“专利政策”变为了核心条件，说明P3发挥了作用。涉及“专利政策”的政策内容主要有“强化知识产权运用和保护。加大知识产权行政保护力度，探索建立知识产权法院，健全行政执法与刑事司法衔接机制，提升知识产权保护意识和水平〔27〕”、“高等院校、科研院所科技人员创办的企业，其知识产权等无形资产可按至少50%、最多70%的比例折算为技术股份〔28〕”，这些是强调加强保护专利力度和对发明人的回报。专利的初衷就是防止发明被他人剽窃，给予专利拥有者从其发明中取得回报的权利〔29〕。若要推动科技创新，就要让科技工作者“尝到甜头”。专利制度保护了专利拥有者的成果并授予其垄断发明的权力，从而刺激了创新”〔30〕。

所以，当结果变量换成“人均额”后，这种通过保护发明专利、知识产权为其发明者获得经济回报的政策工具就能充分发挥效果，也就以核心条件的形式出现在新组合中。说明P3是针对科研发明者个人而言具有极大激励效应的政策工具。这一点与以“总额”为结果变量的结论就具有极大的差异性，以“总额”为结果变量中的“专利政策”不是核心条件。

六、结论和建议

（一）结论

1.使用不同的结果变量会得到不同的分析结论。“人均额”和“总额”是不同的两个指标，分别使用它们作为结果变量所得结论不同。“人均额”得出的结果更侧重于体现政策工具对于科技活动人员的作用；“总额”是侧重对于科技成果转化政策效果的总体衡量。

2.结果变量中加入了“人均”概念后，衡量科技成果转化政策效果的焦点就集中在对科技人员队伍建设、科技活动人数、科研力量的考虑。由于人口因素是属于某省先天具有的自然禀赋因素，在采用不考虑科技人员队伍的“总额”做结果变量时就会产生问题，即QCA结果会掺杂进来各省不一样的具有自然禀赋属性的“先天性因素”，结果会受到这些因素的干扰。

因为，某省的科技成果输出总量不仅仅取决于科技成果转化政策的激励，也会受到该省原始科研规模的影响，即使没有比较好的政策，由于该省具有天然的科研优势，如：研究机构多、科技人员基数大等先天禀赋因素，该省的技术市场合同成交额自然会比较多。所以，为了屏蔽掉“先天科技活动人员数多的省份产出的科技成果自然多，先天科技活动人员数少的省份产出的科技成果自然少”这样的“原始规模不一致”的情况，就要引入“人均”概念，使分析出的结果更能体现政策本身的作用，更能精准地衡量政策效果。

（二）建议

1.注重具有稳定性政策工具的使用。通过QCA分析得出的结论可以得知，不受更换结果变量影响的政策工具应继续使用。如，P8（服务机构）这类政策工具稳定性强，对于提升输出地技术市场合同成交额和人均额都具有正向激励作用，在政策制定中应注意沿用稳定性强的政策工具。

2.重点关注新出现的政策工具组合。这些新出现的政策组合是去掉了“自然禀赋”因素影响后的政策效果的真实体现，是真正发挥作用的政策工具。当结果变量换成“人均额”后，在正向组合中新增加的2种工具组合发挥了效果，这2种条件组合是去掉了“自然禀赋”因素影响后的条件组合，因此，使得有些针对科研活动人员的政策工具更能发挥效果。

3.根据“人均”思维制定政策。在制定政策时，如果期望达成高人均输出地技术市场合同成交额，那么，在科技成果转化政策中应多使用可以充分调动科研活动人员积极性的政策工具，比如，P3（专利政策）、P4（权益归属）、P5（收益与奖励），这些政策工具都是针对科技活动人员实施直接奖励的政策，激励作用最直接，激励效果最好，在引入“人均”概念后，更能发挥此类政策工具的作用。所以，在注重提升人均成交额的情况下，应加强专利政策、权益归属和收益与奖励的政策组合使用。

研究中有需要未来予以完善的地方。主要是在指标选择的问题上，在《中国科技统计年鉴》中技术成交额有三种统计指标，分别是输出地技术市场合同成交额、流向地技术市场合同成交额、技术市场合同成交总额。本文重点选取人均输出额和输出额做对比，那么以流向地技术市场合同成交额和技术市场合同成交总额为结果变量的QCA分析又会是怎么样的结果呢？与输出额分析的结果会有什么不同呢？如果结果不同，那么是哪种政策工具的使用导致了这样的不同结果呢？这些问题都值得去分析探讨，未来可以进一步扩展研究范围。