政策工具驱动科学竞争力提升的组态分析与路径选择

摘 要：强化政策支撑和引导、加强基础研究、提升科学竞争力是促进技术创新并实现高水平科技自立自强的迫切要求。以我国内地28个省市作为案例样本，运用模糊集定性比较分析法（fsQCA）挖掘政策工具驱动科学竞争力的组态路径，研究发现：①单一政策工具并非构成高科学竞争力的必要条件，我国政策赋能科学竞争力的提升路径存在复杂并发的多元组态；②供给型政策工具对于提升科学竞争力具有普遍作用；③科学竞争力提升机制呈现4条路径：供给—环境协同型、供给主导型、三元合力型、供给—需求协同型。据此，提出提高政策工具协同水平、发挥政府主渠道作用和分区域精准施策等政策建议。

关键词：政策工具；科学竞争力；组态效应；路径分析；模糊集定性比较分析（fsQCA）

DOI：10.6049/kjjbydc.2023090551

中图分类号：G301

文献标识码：A

文章编号：1001-7348（2025）02-0132-10

0 引言

习近平总书记强调“加强基础研究，是实现高水平科技自立自强的迫切要求，是建设世界科技强国的必由之路[1]。”新一轮科技革命和产业变革正在重构全球创新版图、重塑全球经济结构，国家之间的竞争不再受限于地理边界，大国博弈已经演变为科学、技术和创新的角逐，科学研究成为领跑的先决条件，是技术和创新的基础支撑。随着国际科技竞争向基础前沿前移，科学竞争力成为影响国家兴衰的重要因素。全球主要国家力求通过政府宏观力量抢占科学研究高地，获得基础研究先发优势，进而掌控未来前沿经济发展控制按钮。

2018年，国务院集中围绕“科学”布局，先后颁布《关于全面加强基础科学研究的若干意见》《积极牵头组织国际大科学计划和大科学工程方案》《高等学校基础研究珠峰计划》《前沿科学中心建设方案（试行）》等重要专项文件，我国基础研究政策开始呈现从具体政策制定（单项政策）向政策体系整体构建（政策组合）转变的发展态势[2]，充分表明通过政策工具赋能科学竞争力已成为中国当前甚至更长时期经济社会发展的战略措施和必然选择。目前，虽然我国基础研究整体水平不断提升，但我国基础研究领域存在经费投入强度较低、需求导向基础研究布局不足等短板，政策布局出现多样化政策目标、多层次管理、治理结构分散和系统失灵等问题[3]。鉴于此，揭示不同类型政策组合模式、提高政策协调性、强化政策工具对我国基础研究的支撑和引领作用，成为提升我国科学竞争力的关键。

1 文献综述

全球科技创新正走向基于科学的创新，纯科学、纯基础研究和战略性基础研究等概念不断出现并相互交织[4]。“科学竞争力”作为一个新兴概念，目前尚无统一定义，学界主要对其内涵及体系进行探讨。王守文等[5]认为科学竞争力是指科学要素在源头集聚并产生基础理论、重大发现和原始创新等科学成果的能力，一般涉及基础研究、应用基础研究而不包括试验与发展，是技术创新的源起性支撑，强调国家实验室、国家科研机构、高水平研究型大学、科技领军企业等国家战略科技力量协同攻关[6]，解决重大科学理论和实践瓶颈问题，是新一轮产业升级的核心驱动力；张振伟和雷柯萍[7]将科学竞争力界定为国家科技创新竞争力的关键组成部分，核心为科学前沿之间的竞争，用于衡量科学研究发展程度，并选取基础研究投入、高水平科学家、高水平科学研究机构、高水平科学成果等指标度量；杜德斌等[8]进一步将科学产出评价指标细分为论文发表数量、质量和影响力。国内外学者主要运用层次分析法、因子分析法、主成分分析法等进行评价研究[9]。基于已有研究[10]，本文将科学竞争力定义为在基础研究领域组织、知识、人才、设施等科学要素集聚并产生基础理论、重大发现和原始创新等科学成果的能力。

自科学革命以来，美、英、德等国基础研究政策体系是奠定科技强国的关键基石。以基础研究政策工具为主题的专项研究主要集中在以下几个方面：一是基于演进脉络探讨政策工具的作用。樊春良（2019）通过对新中国成立以来科技追赶战略进行分阶段梳理，指出发挥政策工具效能是科学蓬勃发展的必要条件；李燕萍等[11]从人才视角分析“单一”供给型政策工具到“多元”政策工具组合的演变过程，指出政策工具对于提高科学研究资源利用率具有重要驱动作用；张宝建等（2019）采用多层多维交叉视角梳理政策体系中供给缺位、供需错配和结构失调等问题，指出优化政策工具结构是赋能科学研究的根本保证。二是政策工具评价体系研究。袁永等[12]指出基础研究政策工具评价体系包括高层次人才、科学投入、高端科研基础设施和高水平高校院所等；田倩飞等[13]以“投入—产出—政策”为评价框架分析五大科技强国基础研究成果，发现各科技强国均高度重视供给型政策工具的应用。三是政策工具影响机制。相关研究主要集中于供给型政策工具，包括国家财政支持[14]、大科学装置等基础设施专项投入[15]和人才计划[16]等。国外诸多学者指出科技创新政策工具组合运用能弥补单个政策工具的局限[17]，有助于优化政策功能、扩大政策适用范围、提高政策工具整体效能[18-20]。因此，厘清政策组态是赋能科学竞争力提升的关键，采用政策内容分析法能直观映射政策目标向预期成果转化的过程。

总体而言，科学竞争力作为政策层面多种工具耦合互动的结果，政府并非使用单一政策工具进行干预，政策工具支撑互补和交叉运用是促进科学研究发展的根本方法。已有研究虽涵盖政策工具与科学竞争力等多个方面，但存在以下局限：一是研究对象缺乏针对性，多放眼科技创新整体，鲜有学者深入挖掘基础研究相关政策工具组合关系和驱动路径。二是鲜有研究结合政策工具分类与组合解构我国基础研究政策体系，多围绕单一政策文本或具体政策工具进行政策影响机制研究。

本文将关注重点放在基础研究领域，考察政策工具组合作用于科学竞争力的复杂机理与多元路径，并识别不同省份科学竞争力提升路径差异。本文主要贡献在于：①从理论和实证两个方面探究政策工具对科学竞争力的作用机理，厘清各省份基础研究政策工具组合需求差异，为科技创新研究提供经验证据；②根据政策工具理论，整合基础研究领域政策类目划分和功能特征，有助于丰富科学竞争力高质量发展政策分析框架；③基于组态理论分析政策工具促进科学竞争力提升的逻辑机理，运用fsQCA方法深入揭示其赋能科学竞争力的路径机制，有助于深化对多政策工具复杂互动本质的理性认知。

2 理论分析与研究框架

政策工具是公共部门为履行职能或达成目标不可缺少的制度、手段和机制等的统称[21]。政策文本是政策最核心的构成要素，政策工具挖掘和分类组合对于促进科学竞争力提升具有重要意义。本文借鉴Rothwell amp; Zegveld[22]的研究，将政策工具划分为供给型政策、环境型政策和需求型政策。该分类标准取决于政策工具发挥作用的方式，将政策工具与特定目标相关联，具有较强的内容指导性和目标针对性。

（1）供给型政策工具。作用形式表现为通过政策发力推动基础研究，为基础研究提供物质保障。现有研究认为供给型政策工具是构建科技创新体系的基础，主要包括基础设施与服务、人才支持和资金投入。其中，基础设施与服务指大型复杂科学研究系统及其服务水平，是突破科学前沿、解决经济社会发展和国家安全重大科技问题的物质基础[23]，具有公益性质，在政策布局中扮演重要角色，提供解决问题的平台，能为我国诸多重大科技成果突破和建设世界科技强国提供强有力支撑。田进和谢长青（2018）从农业角度指出应注重基础设施与各科学活动环节的匹配度。资金投入是大国科学技术竞争的关键指标，科研经费、财政资助、专项资金等财政政策有助于增加基础研究现金流，提高基础研究驱动原始科学创新的能力。刘琼等[24]指出资金投入作为政府的直接物质供给，对于科学竞争力提升具有显著促进作用。科技人才是创新的第一要素，高水平基础研究人才是推进原始创新、加强基础研究的主力军，完备的人才支持是保持创新活力的必要条件（王超等，2021）。曹钰华等（2019）指出科学家数量、研发型人才多样性与科学竞争力显著正相关。人才支持不仅包括直接资助和奖励，还包括人才引进和培养等一系列配套政策。整体而言，供给型政策工具主要通过向科学研究主体提供设备、平台、人才、资金及信息等科研要素优化资源配置，进而提高地区科学竞争力。

（2）环境型政策工具。作用形式表现为通过出台政策营造良好的基础研究政策环境，间接影响并促进基础研究发展，进而提升科学竞争力。现有研究认为环境型政策工具是科学研究强有力的外部支撑，主要包括目标规划和保障措施。目标规划指基础研究规划和整体布局，政府制定的战略性目标规划是基础研究政策体系的关键组成部分[25]；徐硼和罗帆（2020）指出，在现有创新生态政策中，目标规划直观体现政府导向，在优化基础研究布局、形成可持续发展合力等方面取得良好成效。保障措施指政府部门统筹全局的组织机制和管理措施，有利于打造体系化、建制化的战略科学研究力量，推动开展有组织、战略需求导向的基础研究发展。Alberto等[26]指出保障措施能促进基础研究主体开展合作，为科学进步营造良好的基础环境。目前，各科技强国均高度重视基础研究统筹推进与系统布局。鉴于我国基础研究管理涉及多部门多主体，如科技部、教育部、中国科学院等，各部门基础研究方向存在交叉重叠，战略性、方向性重大问题需要跨部门、跨系统协同研判。因此，需进一步强化顶层设计，健全新型举国体制，优化科技创新全链条管理。整体而言，环境型政策工具通过制定目标规划、统筹优化布局和机制改革等措施健全科学研究外部环境，为科研活动营造良好生态。

（3）需求型政策工具。作用形式表现为政策拉动基础研究，充分调动社会各方力量参与基础研究并形成合力，协力进行“卡脖子”技术攻关。现有研究认为需求型政策工具比其它任何类型政策工具都更能有效驱动科技创新[27]，且多作用于研究成果转化阶段。需求型政策工具主张从源头和底层解决关键问题，与市场关联性较弱，更注重战略性社会导向作用，主要包括引导鼓励、项目导向等。其中，引导鼓励是指政府部门通过税收优惠、合作冠名等方式发挥制度、政策的价值驱动和战略牵引作用，促进社会力量有序有效参与基础研究。刘云等[28]指出政府引导和鼓励政策的出台对于国家科学研究实践具有重要指导作用。国家科技重大专项、“揭榜挂帅”等科技项目的公布具有政府认证和示范效应，有助于开展需求导向基础研究；付奎等[29]从政策驱动和制度激励双重视角出发，指出基于项目的需求导向对促进科学研究高质量发展具有重要作用，且政策效果呈现动态增强趋势。这表明，基础研究引领性、前瞻性与“需求导向”并不矛盾，需坚持目标导向和自由探索齐头并进。整体而言，需求型政策工具主要通过国家认证和示范效应引导企业及社会资金流向基础研究领域，并以国家背书的方式降低社会资本进入基础研究领域初期所面临的不确定性，从而激励长期稳定的科研投入，推动关键核心技术突破。

综上所述，不同属性政策工具对科学竞争力的影响不同，各省份提升科学竞争力的政策工具组合需求也各有侧重。本文将赋能科学竞争力提升的供给型政策工具划分为基础设施与服务、人才支持和资金投入，将环境型政策工具划分为目标规划和保障措施，将需求型政策工具划分为引导鼓励和项目导向，共7种具体政策工具，并据此设计政策工具研究框架，应用模糊集定性比较分析方法（fsQCA）挖掘政策工具组态效应，旨在为不同省份构建基础研究政策工具体系、提升科学竞争力提供理论依据。本文研究框架如图1所示。

3 研究设计

3.1 研究方法

本文主要采用内容分析法和模糊集定性比较分析法（fsQCA），借助Nvivo12软件辅助内容分析，梳理地方基础研究政策工具使用情况。以内地28个省份政策文本为研究对象，对具体内容进行编码归类和频数统计，以供后续学者开展客观、系统的量化研究。科学竞争力是多个复杂前因变量组合和影响的结果，受多个政策工具的影响，故采用模糊集定性比较分析法（fsQCA），从整体论角度出发，综合案例研究和变量研究优势，通过案例间定性比较，揭示多个政策工具之间的协同效应和互动关系，以厘清不同条件变量组合与结果变量之间的多重并发复杂因果机制。

3.2 政策文本选取与编码

检索渠道包括各省份政府门户网站、职能部门官方网站以及北大法宝数据库等，以基础研究、基础科学研究等为关键词，为保证政策文本的科学性、代表性和准确性，样本筛选标准如下：①政策文本出台时间为2016年1月1日—2020年12月31日；②仅保留各省份政府及其职能部门正式发布的政策文本，剔除国家层面政策文本；③仅保留规划、方案、意见、办法、通知等类型政策文本，政策解读、新闻稿等非正式决策文件不计入。由于内地部分省份出台的政策文本数量未达到要求（如海南、西藏、新疆），故对以上样本予以剔除，最终挑选出52份与基础研究强相关的政策文本。

本文基于政策工具分析框架，将52份基础研究政策文本导入NVivo12软件，围绕政策工具划分标准对基础研究政策不同条款进行识别与分类，根据条款内容将其抽象化和概念化，从而得到具体政策工具名称及其属性。首先，基于客观性和全面性原则，对政策文本逐字逐句进行标注和编码。其次，根据政策文本内容和关键词提炼概念并归类，具体分类标准如下：①基础设施与服务：政府部门为各类基础研究提供基础条件支持，设立公共平台，提供相关公共服务；②人才支持：政府部门为基础研究人才引进、培养、生活等提供支持；③资金投入：政府部门为各类基础研究提供资金支持，成立专项资金等；④保障措施：政府部门为基础研究提供保障机制，如组织管理、知识产权等；⑤目标规划：政府部门为基础研究发展提出具体目标与发展规划，优化研究布局；⑥引导鼓励：政府部门以奖励、补助、合作等方式引导和鼓励社会力量有序有效参与基础研究；⑦项目导向：政府部门通过发布具体项目需求，拉动社会各方力量参与基础研究。针对同时具有多种政策工具特征的条款，对其进行重复编码。最后，为保证编码结果信度，编码过程由两名硕士生背对背进行编码，并对结果进行比对，针对存在异议的部分由小组统一讨论后再重新分配。具体编码实例见表1。

3.3 数据来源

本文数据主要来源于《中国科技统计年鉴》《中国统计年鉴》以及各省份统计年鉴。国家实验室、国家重点实验室相关数据来源于官方网络，两院院士、自然科学基金、社会科学基金、国家杰青数量、国家科学技术奖项统计分别来源于中国科学院、中国工程院、国家自然科学基金委员会、国家社会科学基金科研创新服务管理平台、科技部等官方网站，大科学装置数据来源于中国科学院重大科技基础设施共享服务平台网站。对于个别缺失数据，采用均值法或差值法补齐。

3.4 变量设计与校准

3.4.1 条件变量

根据对我国28个省份基础研究政策的统计和梳理，本文选取基础设施与服务、人才支持、资金投入、保障措施、目标规划、引导鼓励和项目导向7种政策工具作为条件变量。政策工具编码参考点数量与政府部门重视程度正相关，政策工具参考点数量越多，说明其越重要。本文共编码政策工具1 921项，供给型政策工具使用频率最高（占比51.1%），反映政府偏好通过要素投入推动基础研究发展。其中，基础设施与服务政策282项、人才支持政策395项、资金投入政策305项。人才支持使用频率最高，说明政府十分重视人才在基础研究中的主体作用。需求型政策工具使用频率偏低，占比12.2%。其中，引导鼓励政策121项、项目导向政策113项。反映在基础研究领域，政府对社会提供的创新动力有所忽视，合力攻坚的拉动作用有待加强。环境型政策工具占比36.7%，其中保障措施239项、目标规划466项。目标规划使用频率远超其它政策工具，说明基础研究服务于国家战略具有明确的研究方向和战略安排，并处于成长阶段。政府偏好通过制定目标实现的具体途径、步骤和行动纲领，强化基础研究工作统揽与引领。

3.4.2 结果变量

本文选取科学竞争力作为结果变量，参考已有研究[5]构建科学竞争力评价指标体系（见表2），从科学资源存量、科学资源投入水平、科学成果产出水平3个方面对各省份科学竞争力进行评价，利用加权熵权法计算各省市科学竞争力综合得分。考虑到基础研究领域政策从出台到科学竞争力提升具有一定时滞效应，且滞后一期的科学竞争力数据可避免变量间的内生性问题，故使用2021年我国各省份指标数据测算科学竞争力综合得分。

3.4.3 变量校准

校准是指将各变量原始数值转化为其在集合中的隶属程度[30]，是使用fsQCA进行复杂因果分析的必要步骤。本文根据案例实际情况和变量取值分布，采用Ragin[31]提出的直接校准法进行结构化校准，将完全隶属、交叉点和完全不隶属分别设定为案例样本描述性分析统计的95%、50%和5%，并通过取高科学竞争力非集进行非高科学竞争力校准。另外，为避免案例在条件或结果集合的隶属度等于0.5，本研究手动对校准后为0.5的变量加上常数0.001[32-33]。具体校准锚点及描述性统计分析结果见表3。

4 实证结果分析

4.1 单个条件必要性分析

必要条件分析旨在量化单一条件变量对结果变量的解释程度，是进行模糊集真值表分析的基础。在组态分析前，首先对单一变量必要性进行分析。一般采用一致性指标判断必要条件[34]，通常将一致性阈值设定为0.9，高于该标准值视为必要条件。表4为高科学竞争力和非高科学竞争力条件变量的必要性检验结果。由表4可知，所有条件变量一致性最大值为0.772，未达到必要条件标准值，说明本文政策工具研究框架中的单个条件变量不是构成结果变量的必要条件。可见，单一政策工具不能成为赋能科学竞争力的必要条件。

4.2 条件组态充分性分析

本文以我国内地28个省份为研究案例，运用fsQCA3.0软件对实现特定结果（高科学竞争力和非高科学竞争力）的条件组态展开分析。本文包含7个条件变量，得到128条组态路径，设定案例阈值如下：案例频数阈值设为1，原始一致性阈值设为0.8，PRI一致性阈值设为0.7。通过标准分析可以得到简约解、中间解和复杂解。通常情况下，选取中间解作为组态分析的依据，仅存在中间解的为边缘条件，中间解和简约解均存在的为核心条件。

4.2.1 高科学竞争力组态分析

表5展示了产生高科学竞争力的条件组态（S1～S4），根据不同条件组态构成，本文对组态理论化过程进行定性分析和命名，将其划分为供给—环境协同型（S1）、供给主导型（S2）、三元合力型（S3）、供给—需求协同型（S4）。本文结合相关省份实际情况，对各组态展开具体分析。

（1）组态S1：供给—环境协同型。在组态S1中，高人才支持、高目标规划、非高引导鼓励和非高项目导向为核心条件，结合高资金投入和高保障措施为边缘条件的政策工具组合可以产生高科学竞争力。该组态表明，在需求型政策工具重视度低的省份，其政策制定无论是否重视基础设施和服务水平提升，只要强化人才支持、制定明确可行的战略目标规划，并加强基础研究资金投入、落实保障措施，发挥供给型和环境型政策工具的协同作用，即可赋能科学竞争力提升。因此，将组态S1命名为“供给—环境协同型”。

该组态之所以能实现高科学竞争力，一方面是由于人才是科学研究的第一资源，基础研究领域难度大、耗时长、风险高，不断壮大科技领军人才队伍和一流创新队伍进行持续攻关有助于科学研究持之以恒；另一方面，目标规划能助推基础研究形成前瞻性、战略性、系统性布局，通过营造良好的基础科学研究环境，为提升科学竞争力指明方向。组态S1对应的典型省份为安徽。安徽拥有中国超导托卡马克实验装置等大科学装置，建立了地球和空间科学前沿研究中心等前沿交叉研究平台及共性技术研发平台，基础设施与服务处于全国领先水平。2017年9月7日，《合肥综合性国家科学中心实施方案（2017-2020年）》正式印发，将研究方向聚焦在信息、能源、健康、环境等领域，目标规划清晰，发展前景良好。加之中国科学技术大学和中国科学院合肥物质科学研究院形成人才培养“双引擎”，使人才引进、自主培养等政策行之有效。

（2）组态S2：供给主导型。在组态S2中，非高基础设施与服务、高人才支持、高资金投入、非高引导鼓励为核心条件，结合高保障措施和高目标规划为边缘条件的政策工具组合可产生高科学竞争力。该组态表明，当需求型政策工具缺失时，充分发挥供给型政策工具的推动作用，也能实现科学竞争力提升。因此，将组态S2命名为“供给主导型”。该组态能实现高科学竞争力，主要是因为政府投入与支持是基础研究的总开关，科学竞争力诸要素需要长期稳定的投入，物质层面的基本保障是科学家长期坚持和大胆探索的关键。科学竞争力提升推动产业向价值链上游迈进，使研究成果产业化在当地形成巨大的经济效益并反哺基础研究发展，创新链和产业链形成良性循环，同时助力地区结构化转型。一般情况下，仅重视供给型政策工具的省份应对形势变化的灵活性和源头创新的能力较差，需要通过环境型政策工具营造制度设计合理、风清气正的制度环境。组态S2对应的典型省份为山东和湖北。山东、湖北均是老牌工业强省和经济大省，拥有极大的科研发展潜力。除国家财政投入外，两省均从省财政支出近千亿专项经费，持续加强对原始创新和科学前沿探索的支持力度。近年来，山东着力深化新旧动能转换，打造极具特色的人才发展雁阵格局，实施“筑峰计划”、泰山产业领军人才工程等。湖北多措并举发挥武汉大学、华中科技大学等高校优势，打造特色学科群，加大高层次人才引进培育力度、推进“百万大学生留汉项目”等高端人才引进培育战略落地实施，人才集聚效果显著。

（3）组态S3：三元合力型。在组态S3中，高基础设施与服务、高资金支持、非高保障措施为核心条件，结合高目标规划、高引导鼓励和高项目导向为边缘条件的政策工具组合可产生高科学竞争力。该组态表明，拥有高基础设施与服务和高资金投入的省份无论是否出台人才政策，均能发挥供给型政策工具的合力效应。即使在保障措施不足的政策组合下，只要具有战略规划，加之政府充分引导和鼓励，利用项目导向拉动社会各方力量参与基础研究，也能通过政策合力赋能科学竞争力提升。因此，将组态S3命名为“三元合力型”。该组态能实现高科学竞争力是由于政府“推动之手”力量显著，长期稳定的投入与支持筑牢了物质保障。在这种环境条件下，人才政策对科学竞争力的赋能作用不明显，因为良好的基础研究大环境可以满足人才高层次需求，为获取更优质的机遇、平台和服务，尤其是青年优质人才会自发向这些区域聚集。组态S3对应典型省市为上海和北京。2016年2月，上海获批成为我国第一个综合性国家科学中心，其发挥已有基础支撑优势，将自身打造成代表世界一流水平大科学装置群的集聚地，吸引全球顶尖科学资源汇聚。其中，基础设施与服务建设以上海地方财政投入为主。2017年6月，北京怀柔综合性国家科学中心获批，“子午工程”二期、多模态跨尺度生物医学成像设施等大科学装置在北京布局，围绕大科学装置，北京构建高层次人才社区，吸引一批基础科学研究人才入驻科学中心，并顺势依托清华大学、北京大学等“双一流”高校和重大科学计划，打造科学领军人才高地。

（4）组态S4：供给—需求协同型。在组态S4中，高人才支持、高资金投入、高引导鼓励和高项目导向为核心条件，结合高基础设施与服务和高保障措施为边缘条件的政策工具组合可以产生高科学竞争力。该组态表明在此类政策工具组合中，政府高度重视基础设施与服务、人才支持、资金投入等政策工具，并大力运用项目导向、引导鼓励等需求型政策工具，发挥市场基础先驱优势，使政府“推力”和“拉力”有效融合并形成合力，进而赋能科学竞争力提升。无论是否有明确的目标规划，其良好的发展惯性能逐渐优化研究布局，并在政府与社会之间产生互利效应。因此，将组态S4命名为“供给—需求协同型”。

该组态之所以能实现高科学竞争力，是因为供给型政策工具和需求型政策工具的双元驱动，使政府和社会呈现出共赢共生的特征。主要得益于地方社会层面具备一定的市场活性和力量优势，能够领悟政策价值理念，积极发挥市场配置基础科学研究要素的有效性和自发性作用，同时发挥基础供给的公平性和主动性作用，形成双向适配与循环。该组态对应的典型省份为广东、浙江和江苏。该类东部沿海省份开放战略和市场化资源配置机制逐步完善，经济基础坚实，基础研究链条紧密，政府对前瞻性基础研究、引领性原始创新成果资金扶持和投入力度较大，为高科学竞争力创造了优越的客观条件。以广东省为例，利用与香港毗邻、与澳门隔海相望的区位优势，在市场化进程中不断完善政策工具布局。基础研究投入渠道多元化，基金支持体系包含省财政与企业、地市、行业联合4种类型，引导各层级、各方面加大基础研究投入力度，利用广东多元化基础科学研究公共平台和市场载体，实现需求导向促进市场驱动的科学研究路径。

4.2.2 非高科学竞争力组态分析

考虑到因果非对称性，表5还展示了产生非高科学竞争力的条件组态（N1～N2），本文结合组态条件构成对每条组态展开分析。组态N1表明，政策工具组合如果缺乏人才支持和资金投入这类硬条件，缺乏保障措施等软环境，缺乏需求型政策工具对社会的拉动作用，即使具备良好的基础设施与服务以及相对清晰的目标规划，也无法产生高科学竞争力，典型案例如甘肃和贵州。组态N2表明，如果缺乏环境性政策工具的软作用以及基础设施与服务、人才支持，无论是否制定财政政策支持基础科学研究，也无法发挥供给型政策工具的推动作用；如果缺乏项目导向指引，单纯依靠引导和鼓励无法发挥需求型政策工具的拉动作用，使社会层面很难融入基础科学研究，无法产生高科学竞争力，典型案例如江西和山西。

4.3 稳健性检验

为验证研究结果的可靠性和稳定性，本文采用两种方法对产生高科学竞争力的组态进行稳健性检验。首先，将一致性阈值由0.8调整至0.85，产生的4种组态与原组态基本一致，无明显变化；其次，将PRI一致性阈值由0.70调整至0.75，产生的4种组态与原组态完全一致，说明本文研究结果较为稳健（见表6）。5 结论与启示

5.1 研究结论

本文基于政策工具视角，以我国内地28个省份政府及其职能部门正式发布的基础研究相关政策为分析样本，运用内容分析法和fsQCA方法，挖掘供给型、环境型、需求型三大类别下7种政策工具赋能科学竞争力提升的因果复杂关系，得出如下结论：

（1）供给型政策工具（基础设施与服务、人才支持、资金投入）、环境型政策工具（保障措施、目标规划）、需求型政策工具（引导鼓励、项目导向）并非构成高科学竞争力的必要条件。可见，单一政策工具无法全方位支撑科学竞争力高质量发展，我国政策赋能科学竞争力的提升路径存在复杂并发的多元组态。

（2）供给型政策工具在产生高科学竞争力方面发挥普遍作用。尤其是人才支持和资金投入分别在3条组态路径中充当核心条件，验证了政府财政供给是赋能科学竞争力提升的重要支撑。

（3）产生高科学竞争力的组态路径共有4种，分别为供给—环境协同型、供给主导型、三元合力型、供给—需求协同型，与产生非高科学竞争力的两条路径存在非对称性关系。

5.2 政策启示

根据上述研究结论，本文提出如下政策启示：

（1）优化政策体系，提高政策工具协同水平。首先，政府应加强宏观管理与协调，通过明确的目标导向推动省级政府出台补充政策、配套政策，平衡各政策工具之间的数量及组合运用，提升基础科学研究政策支持力度。其次，引导市级政府出台相关专项政策，根据地方实情构建区域基础研究政策网络，提高政策整体协同攻关能力，最大化释放政策组合驱动效应。最后，利用环境型政策工具推动自由探索的基础研究，形成符合基础研究特点和规律的评价机制，让“软环境”成为科学竞争力提升的硬支撑。利用需求型政策工具驱动“有组织的科研攻关”，深化需求牵引，突破“卡脖子”技术瓶颈，推动目标导向基础研究发展。

（2）持续稳定支持，发挥政府主渠道作用。实现高水平科技自立自强、提升科学竞争力离不开供给型政策工具的支持。首先，应发挥新型举国体制优势，加大国家自然科学基金资助力度，积极推进大科学装置、国家实验室等相关基础设施建设。其次，地方政府应自主设立自然科学基金，或与国家机构合作设立“基础研究联合基金”，精细划分基金在不同时期、区域的资助领域，引导相关领域产业发展。最后，考虑到我国目前发展阶段和基础研究日益扩大的供给缺口不平衡，社会资助是不可或缺的重要补充。因此，应构建基础研究多元化投入机制，在政府主导的基础上，积极引导与鼓励地方企业和社会力量增加基础研究投入。建立稳定支持和竞争性支持相协调的投入机制，推动科学研究、人才培养与基地建设全面发展。

（3）立足资源禀赋，分区域精准施策。由于不同省份在历史背景、地理区位等方面具有异质性，在自上而下的政策推进过程中，应注重政策实施的有效性。西部省份应布局由国家战略目标驱动的战略导向体系化基础研究，驱动国家科研机构、大科学装置等科学要素在西部集聚，着力解决制约国家发展全局和长远利益的重大科技安全问题。中部省份应布局由好奇心驱动的前沿导向探索性基础研究，发挥高水平研究型大学学科交叉融合优势，通过科技奖励制度改革创造良好的科研环境，厚植甘坐“冷板凳”的科学家精神。东部沿海省份应布局市场驱动的应用型基础研究，通过重大科技问题带动科技领军企业发展，强化产学研深度融合优势，推动基础研究、应用研究与产业化对接融通，促进科研院所、高校、企业等各类主体形成创新联合体，提升我国产业链现代化水平。

5.3 不足与展望

本文存在以下不足：一是受数据可得性影响，构建的科学竞争力评估指标体系虽然具有一定代表性，但基础研究领域聚焦度有所欠缺，未来应进一步厘清科学竞争力的功能定位，构建更具针对性的评价指标体系。二是受政策滞后性和样本量限制，仅对我国28个省份进行研究，未来应选取更多地级市政策文本，采用大样本验证研究结论的普适性。

参考文献：

[1] 习近平.加强基础研究实现高水平科技自立自强[J].求是，2023，65（15）：4-9.

[2] 马文聪，叶阳平，陈修德.创新政策组合：研究述评与未来展望[J].科技进步与对策，2020，37（15）：152-160.

[3] KIVIYIAA P， KERN F. Creative destruction or mere niche support？ innovation policy mixes for sustainability transitions [J]. Research Policy，2016，45（1）：205-217.

[4] ZHANG， XN， QU M. Impact of environmental regulation on scientific and technological competitiveness of resource-based cities in china-based on panel data of 33 resource-based cities [J]. International Journal of Environmental Research and Public Health，2020，17（24）：6837.

[5] 王守文，赵敏，徐丽洁.长江经济带发展战略对区域科学竞争力的提升效应——基于双重差分法的实证研究[J].科技进步与对策，2022，39（23）：55-64.

[6] 尹西明，陈劲，贾宝余.高水平科技自立自强视角下国家战略科技力量的突出特征与强化路径[J].中国科技论坛，2021，37（9）：1-9.

[7] 张振伟，雷柯萍.中国和欧洲城市科技创新竞争力比较研究[J].中国科技人才，2021，7（5）：56-69.

[8] 杜德斌，段德忠，夏启繁.中美科技竞争力比较研究[J].世界地理研究，2019，28（4）：1-11.

[9] 陈艳华.基于熵权TOPSIS的区域科技创新能力实证研究[J].工业技术经济，2017，36（5）：46-51.

[10] 王守文，徐丽洁，周卫华.长江经济带科学竞争力评价及区域异质性分析[J].科技进步与对策，2021，38（19）：47-55.

[11] 李燕萍，刘金璐，洪江鹏，等.我国改革开放40年来科技人才政策演变、趋势与展望——基于共词分析法[J].科技进步与对策，2019，36（10）：108-117.

[12] 袁永，王子丹，李炳超.粤港澳大湾区基础研究政策：理论与国际经验[J].科技管理研究，2022，42（2）：46-51.

[13] 田倩飞，张志强，任晓亚，等.科技强国基础研究投入-产出-政策分析及其启示[J].中国科学院院刊，2019，34（12）：1406-1420.

[14] 于璇，高瑞平.发挥国家自然科学基金联合基金“四个平台”作用健全基础研究多元投入机制[J].中国科学基金，2023，37（2）：296-300.

[15] 常旭华，仲东亭.国家实验室及其重大科技基础设施的管理体系分析[J].中国软科学，2021，36（6）：13-22.

[16] 刘云.关于科技人才政策的若干思考[J].科学与社会，2017，7（3）：43-49.

[17] COSTANTINI V， CRESPI F， PALMA A. Characterizing the policy mix and its impact on eco-innovation： a patent analysis of energy-efficient technologies[J]. Research Policy， 2017，46（4）：799-819.

[18] CANTNER U， GRAF H， HERRMANN J， et al. Inventor net-works in renewable energies： the influence of the policy mix in germany[J]. Research Policy，2016，45（6）：1165-1184.

[19] ROSENOW J， FAWCETT T， EYRE N， et al. Energy efficiency and the policy mix[J].Building Research ＆ Information，2016，44（5-6）：562-574.

[20] EDMONDSON D L， KERN F， ROGGE K S. The co-evolution of policy mixes and socio-technical systems： towards a conceptual framework of policy mix feedback in sustainability transitions[J]. Research Policy，2019，48（10）：1-14.

[21] 丁煌，杨代福.政策工具选择的视角、研究途径与模型建构[J].行政论坛，2009，16（3）：21-26.

[22] ROTHWELL R， ZEGVELD W. Reindustrialization and technology[M]. London： Logman Group Limited，1985.

[23] 王婷，蔺洁.重大科技基础设施的功能定位与建设若干建议[J].科学管理研究，2023，41（4）：2-6.

[24] 刘琼，郭俊华.空间视角下Ramp;D投入对区域创新能力的影响研究——基于科技政策组合的调节作用[J].工业技术经济，2022，41（2）：77-86.

[25] 饶子和.加紧实施“战略性基础研究计划”[J].科技导报，2022，40（6）：1-2.

[26] ALBERTO MARZUCCHI， DAVIDE ANTONIOLI， SANDRO MONTRESOR. Industry-research cooperation within and across regional boundaries. what does innovation policy add[J].Papers in Regional Science，2015，94（3）：499-524.

[27] ALKIS PITELIS， NICHOLAS VASILAKOS， KONSTANTINOS CHALVATZIS. Fostering innovation in renewable energy technologies： choice of policy instruments and effectiveness[J].Renewable Energy，2020，24（6）：143-151.

[28] 刘云，黄雨歆，叶选挺.基于政策工具视角的中国国家创新体系国际化政策量化分析[J].科研管理，2017，38（S1）：470-478.

[29] 付奎，张杰.国家全面创新改革如何引领企业高质量发展——基于政策驱动和制度激励双重视角[J].现代经济探讨，2022，41（8）：102-114.

[30] SCHNEIDER C Q， WACEVIANN C. Set-theoretic methods for the social sciences： a guide to qualitative comparative analysis[M]. Cambridge： Cambridge University Press，2012.

[31] RAGIN C C. Redesigning social inquiry： fuzzy sets and beyond[M]. Chicago： University of Chicago Press，2008.

[32] RAGIN C C， DRASSKA， DAVEYS. Fuzzy-set/qualitative comparative analysis 2.0. Tucson： Department of Sociology[M]. Arizona： University of Arizona，2006.

[33] 张明，杜运周.组织与管理研究中QCA方法的应用：定位、策略和方向[J].管理学报，2019，16（9）：1312-1323.

[34] RAGIN C C， FISS P C. Net effects analysis versus configurational analysis： an empirical demonstration[M]. Chicago， IL： University of Chicago Press，2008.

Configuration Analysis and Path Selection of Policy Tool-Driven Scientific Competitiveness： An fsQCA Study of 28 Provincial Cases

Abstract：Nowadays， a new wave of intense technological revolution and industrial transformation is reshaping the global innovation landscape and restructuring the global economic framework， with competition between nations no longer confined to geographical boundaries. The game of great powers has been transformed into the competition of science， technology and innovation， and scientific research has become the precondition for the development of technology and innovation. As international scientific and technological competition moves forward to the basic frontier， the major countries in the world are striving to seize the scientific highland through the macro-forces of the government， gain the first-mover advantage in basic research， and hold a lead in future frontier economic development; thus， scientific competitiveness has become a decisive factor in the rise and fall of a country.

The Chinese government has set the tone for basic research policies， from specific policy-making （individual policies） to the overall construction of the policy system （policy mix）， and it has been proven that scientific competitiveness through policy tools has become a strategic measure for China's economic and social development in the present and even longer period. At present， accompanied by increasing public attention， the overall level of basic research in China is improving. However， in terms of using policy tools to enhance scientific competitiveness， the government faces obvious shortcomings in China's basic research field， such as low investment intensity and insufficient demand-oriented basic research layout. There are also problems such as diversified policy objectives， dispersed governance structures， multi-level management， and institutional failure in the policy layout. In view of this， the cooperative interaction design of policy systems， the complementary support of policy tools and the cross-use of combinations are the fundamental methods to achieve the efficient development of scientific research and improve the performance of policy practice.

From the perspective of policy science， this study focuses on the basic research field， examines the complex mechanisms and multiple paths of policy instrument combination on scientific competitiveness， and identifies the differences in the province-level division of scientific competitiveness. In this study， the research framework of policy tools is constructed based on the 28 province-level divisions to identify the impact of the use of three broad categories of policy tools—supply， environment and demand—on the enhancement of scientific competitiveness through content analysis and the fsQCA approach and explore their multiple concurrent and complex causal mechanisms. By analyzing the driving mode of scientific competitiveness promotion， this study provides useful policy reference and enlightenment for China's basic research strategic layout.

The results show that （1） a single policy tool does not constitute a necessary condition for high scientific competitiveness， and there are complex and diverse configurations in China's policy empowerment path to enhance scientific competitiveness; （2） supply-based policy tools play a universal role in enhancing scientific competitiveness; and （3） the mechanism for enhancing scientific competitiveness can be divided into four paths： supply-environment synergy， supply-leading path， ternary synergy， and supply demand synergy. In accordance with the four paths， it is essential to optimize the policy system and improve the synergy level of policy tools; for the government， it is imperative to provide continuous and stable support， improve the new system for mobilizing resources nationwide， and leverage the role of the government as the main channel. Given the imbalance between China's current development stage and the growing demand gap for basic research， social funding is also an indispensable and important supplement. Thus， a diversified investment mechanism for basic research is warranted to actively guide and encourage local， corporate， and social forces to increase investment in basic research on the basis of government leadership. Finally， precise implementation of policies in different regions could be achieved by fully considering the heterogeneity in historical background， geographical location， and other factors among different provinces.

Key Words： Policy Tools;Scientific Competitiveness;Configurational Effect; Pathway Analysis; fsQCA