全面创新改革试验政策对科技成果转化的影响效应

全面创新改革试验是具有中国特色的公共政策创新扩散实践，既是对中央战略布局政策试验田、地方积极贡献创新举措的政策试点—推广模式的传统延续，又是对全面深化改革、推动中国国家治理体系与治理能力现代化的现实回应[1]。2015年9月《关于在部分区域系统推进全面创新改革试验的总体方案》(以下简称《总体方案》)正式出台，标志着首轮全面创新改革试验肇始。在首轮全面创新改革试验中期评估与收官大考期间，京津冀、上海、广东、安徽、四川、武汉、西安、沈阳试验区在科技管理体制、科技成果转化、人才引育与激励等方面取得了显著成效。目前，第一轮全面创新改革试验已落下帷幕，后续全面创新改革试验将稳步推进。2020年《政府工作报告》提出“深化新一轮全面创新改革试验”，《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》(以下简称《纲要》)第七章第一节提到“深入推进全面创新改革试验”。

政策试点—推广模式中的一个重要环节是对政策试点经验进行总结评估，即侧重回答战略规划及其配套政策是否有利于完善政策体系，是否有利于创新政策工具，是否有利于解决现实问题，政策目标是否恰当，在多大程度上实现了政策目标，政策受众的政策感知如何等一系列问题，并分析试验区创新政策举措在区域乃至全国范围复制推广的科学性、适用性、可行性。那么，如何评估全面创新改革试验政策效应？《总体方案》归结了7项主要目标，近年来学者们已经从区域创新能力[2]、知识产权、人才培养与激励[3]、金融创新[4]等方面进行了有益探索。那么，对于其它主要政策目标如科技成果转化，全面创新改革试验政策效应如何？该政策对试验区科技成果转化产生的总体效应如何？该政策对不同试验区科技成果转化产生的个体效应如何？基于此，本文聚焦科技成果转化这一主要政策目标，致力于探讨全面创新改革试验政策对科技成果转化的影响效应。

1 研究综述

学者们主要从试验区顶层设计与差异化发展路径、政策评估、试点—推广可行性3个方面，对全面创新改革试验相关问题展开了深入研究。

(1)全面创新改革试验区顶层设计与差异化发展路径。首轮全面创新改革试验区共有8个，每个试验区承担的任务不尽相同，学者们根据试验区战略目标，立足于当地区位优势，为各个试验区顶层设计与发展路径建言献策。律星光[5]提出，四川试验区应进一步实施人才发展战略、金融支撑战略和开放合作战略，并着力军民融合创新；高骞等[6]分析了上海实施全面创新改革试验的“集聚与辐射”“竞争与合作”等五对关系，“三链重构”“四化协同”等五大原则，加强互联互通、形成比较优势等十大任务；郜媛莹等[7]总结了京津冀在协同创新体制机制、跨区域知识产权一体化、跨区域人才一体化、跨区域科技创新资源配置与科技成果转化等方面取得的成绩。

(2)全面创新改革试验政策评估。学者们认为政策完善程度、质量与结构、政策协同等会影响政策效果，因而从政策层次结构与政策文本内容出发，分析了全面创新改革试验政策。杜宝贵等(2020)构建了全面创新改革政策的PMC指数模型，从政策目标、政策工具、执行保障等10个方面进行了政策量化评价研究；涂平等[8]研究指出，部分全面创新改革试验政策与现行法律法规存在矛盾冲突和不协同问题。同时，近年来“小切口、大问题”研究范式受到学界推崇，学者们纷纷尝试从一个较小的切入点，探究全面创新改革试验政策在某一方面产生的效果与影响。夏岩磊等[2]运用嵌入式干预理论，探讨了全面创新改革试验政策对试点地区创新能力的影响机理。此外，学者们也致力于全面创新改革试验评估框架与指标体系构建研究。李红艳等[9]基于均衡式改革理论，形成涵盖68项具体指标的评估体系。

(3)全面创新改革试验试点—推广的可行性。一种观点认为，全面创新改革试点地区政策制定与实践经验在其它地区复制推广具有较强可行性。洪志生等(2021)基于政策扩散理论，从政策本质、政策匹配、政策差异等角度分析了全面创新改革试验与“双创”政策共容性，发现二者政策内容高度匹配、试点区域选择存在重合，从而认为全面创新改革试验政策在双创示范基地复制推广是可行的，并且能够发挥政策叠加效应；王玥[10]通过构建改革力度—实施成效二维分析框架，阐述了长三角区域复制推广改革创新类、优化服务类政策举措的可行性。另一种观点认为，全面创新改革试点地区政策制定与实践经验不易进行异地移植与扩散。张克[1]认为，试点地区之所以能够当选，源于它们在科技体制改革、知识产权保护、科技成果转化等方面具有先天优势，试点地区成功经验具有特殊性，难以复制。另外，在试验开展中，试验区可能为了在“晋升锦标赛”中标榜业绩，短期内大幅加大资源投入力度，但是，这种行为不可持续，也不利于资源匮乏地区学习模仿。

2 研究设计

2.1 实验组与控制组

《总体方案》选取8个全面创新改革试验区，涉及跨省级行政区域、省、直辖市和副省级城市。各个试验区在行政层级、经济体量等方面存在较大差异，不宜将所有试验区纳入同一评估框架与变量体系中。第一，考虑到《总体方案》将京津冀视为一个试验区，旨在整体上推动京津冀跨区域协同发展，由于其特殊的战略定位和区位条件，难以找到与之相似的对照组，因此，实验组不包含京津冀试验区；第二，沈阳、西安和武汉是副省级城市，在行政层级、统计口径等维度与其它试验区不具有可比性，因此，实验组不包含这3个城市；第三，直辖市与省份存在规模差异，因此，实验组不包含上海。出于上述考量，实验组由广东、安徽和四川3个省级行政区域构成。控制组由非试验区省份构成，需要说明的是，考虑到沈阳、西安和武汉试验区可能对所在省份产生空间溢出效应，故控制组不包含辽宁、陕西和湖北3省。

2.2 变量选取与数据来源

(1)被解释变量。《总体方案》以“科技成果转化”作为主要目标之一，并提出通过“加速促进科技成果的资本化、产业化，增强科技对经济社会发展的支撑、引领作用”，促进科技与经济深度融合。由此可见，这一政策目标的价值导向在于凸显科技成果经济价值与市场价值。技术市场是科技成果由供给主体向需求主体转移的交易活动场所，繁荣活跃的技术市场可以有力促进科技与经济融合。技术市场成交额可以反映科技成果市场价值与科技成果转化总体规模，其在科技成果转化评价中占据较高权重[11]，是科技成果转化成效的主要呈现形式[12]。因此，本文以科技成果转化为切入点，选择“技术市场成交额”作为科技成果转化的代理变量。

(2)预测控制变量。为确保全面创新改革试验区技术市场成交额的合成预测值能够较好拟合其实际观测值，本文选取以下变量作为预测控制变量：①经济规模。已有研究表明，经济规模对技术市场成交额具有显著正向影响[13]，并且较大经济规模是产生较高技术市场成交额的一项核心条件[14]，本文选取人均GDP表征经济规模；②科技经费投入。杨仲基等[15]将技术市场成交额作为成果需求能力的一项评价指标，将R&D经费投入强度作为匹配保障能力的一项评价指标，研究发现二者相关系数高度显著，本文选取R&D经费投入强度表征科技经费投入；③科技人才投入。科技人才是科技成果转化的主体，既有研究多以R&D人员全时当量表示科技人才投入，并且技术市场成交额随着R&D人员全时当量增加而增加，本文以每万人拥有R&D人员全时当量作为科技人才投入代理变量；④人口集聚。人口集聚一定程度上体现区域对人口的吸引力，其与产业集聚、市场集聚、技术集聚等关联密切，本文以城市人口密度作为人口集聚代理变量；⑤产业结构。产业结构优化升级有利于推动科技成果转化，第三产业发展规模对科技成果转化绩效具有显著正向影响[16]，本文选择第三产业产值占GDP比重表征产业结构；⑥城镇化水平。新型城镇化促进人才、新兴产业等资源要素向城镇集聚[17]，城镇人口规模化是新型城镇化的特点之一，本文以年末城镇人口比重表征城镇化水平；⑦信息化水平。近年来，互联网+科技成果转化模式日渐成熟，有利于提高科技成果转化效率，使得供需匹配更加精准[18]，本文选取互联网普及率作为信息化水平代理变量；⑧对外开放。相关研究表明，进出口额增长能够带动技术市场成交额增长[19]，本文选取进出口总额占GDP比重作为对外开放代理变量；⑨创新能力。专利研发是一项知识密集型活动，专利授权体现政府和市场对专利创新价值的认可，技术市场成交额的增长显著促进专利授权量增长[19]。在3类专利中，发明专利难度最大、创新程度最高，本文以每万人发明专利授权数表征创新能力；⑩技术成熟度。成熟度高的技术成果通常具备实用价值，易被技术市场认可，从而转化为经济效益。技术转让表明技术输入方认可技术输出方技术成熟度和市场价值[20]，本文以技术转让金额表征技术成熟度。各变量体系与变量描述如表1所示。

本文变量数据均源于《中国统计年鉴》《中国科技统计年鉴》与中国经济社会大数据研究平台，各项变量数据时间跨度均为2005-2019年。

2.3 研究方法与模型构建

Alberto Abadie & Javier Gardeazabal率先提出合成控制法(Synthetic Control Methods，简称SCM)，为了检验20世纪70年代恐怖主义对巴斯克地区的经济影响，其从西班牙其它地区中选取与巴斯克地区经济特征相似的地区，通过赋予每个相似地区一定权重，构建合成巴斯克地区，并对“假设巴斯克地区没有受到恐怖主义影响时的经济情况”进行反事实估计。20世纪70年代以后巴斯克地区人均GDP实际值与合成巴斯克地区人均GDP反事实估计值之间的差值，即为恐怖主义对该地区的经济影响[21]。此后，Abadie等[22]运用合成控制法的基本原理与思想，评估了加州烟草控制计划的实施效果。

本文借鉴Abadie[22]、赵西亮[23]等的研究思路，假设有N+1个省份、T个时期的面板数据，T0(1<T0<T)为全面创新改革试验政策实施年份，省份“1”表示在T0期之后受到全面创新改革试验政策影响的省份，其余N个省份均未受到全面创新改革试验政策的影响。Transaction1it表示省份i在t期受到全面创新改革试验政策影响时的技术市场成交额，Transaction0it表示省份i在t期未受到全面创新改革试验政策影响时的技术市场成交额，则政策效应为αit=Transation1it-Transaction0it。

设定Transactionit=Transaction0it+αitDit，其中，Dit为全面创新改革试验政策虚拟变量，当i=1且t>T0时，Dit=1，否则Dit=0。

本文核心在于估计全面创新改革试验政策对试验区技术市场成交额的影响，对于t>T0，α1t=Transaction11t-Transaction01t=Transaction1t-Transaction01t，表示全面创新改革试验区受到政策影响时技术市场成交额实际值与假设试验区不受政策影响时技术市场成交额反事实估计值之差，即全面创新改革试验政策效应。实际值数据Transaction11t可直接观测获取，而反事实估计值Transaction01t并无直接观测数据。因此，求解反事实估计值Transaction01t成为关键问题。

本文运用Abadie等[22]提出的合成控制模型，求解反事实估计值。

Transaction0it=δt+θtZi+λtμi+εit

式(1)中，δt为对所有个体具有恒定因子载荷的未知公共因子，Zi表示(K×1)维不受全面创新改革试验政策影响的控制变量，θt表示(1×K)维未知系数向量，μi是(F×1)维未知因子载荷，λt是(1×F)维未观测到的公共因子，εit表示均值为0的误差项。

假设存在一个(N×1)维权重向量W=(ω2...ωN+1)，ωn≥0,n∈[2,N+1]，并且满足ω2+...+ωN+1=1。权重向量W的合成控制模型，表示试验区技术市场成交额在多大程度上由非试验区对应值合成。

如果有W*=(ω2*...ωN+1*)使得式(3)成立，则合成后n个非试验区省份在T0期的技术市场成交额等于试验区1在T0期的技术市场成交额，并且，合成后n个非试验区省份的控制变量值等于试验区1的控制变量值。

Abadie等(2010)研究证明，如果政策干预前期数据足够长，则式(4)成立。

通过式(5)可求得全面创新改革试验政策对试验区技术市场成交额的影响效应。

3 实证分析

3.1 总体效应分析

为了估计全面创新改革试验政策对广东、安徽和四川技术市场成交额的总体效应，本文运用广东、安徽、四川在技术市场成交额与其它控制变量指标上的均值，将这3个试验区省份合并为一个试验区省份“粤皖川”，再运用合成控制法，从其它非试验区省份中选择合成控制单元，构造“合成粤皖川”。通过计算粤皖川技术市场成交额实际观测值与合成粤皖川技术市场成交额反事实估计值间差值，得到全面创新改革试验政策对粤皖川技术市场成交额的总体效应。

基于技术市场成交额和各项控制变量，计算得到合成控制单元和权重分布情况，如表2所示，可以看出粤皖川技术市场成交额由哪些非试验区省份合成，从而构造合成粤皖川。合成粤皖川由5个合成控制单元构成，分别为山东、江苏、海南、甘肃和重庆。其中，山东对合成粤皖川的贡献权重为0.21，江苏的贡献权重为0.283，海南的贡献权重为0.082，甘肃的贡献权重为0.285，重庆的贡献权重为0.14。

合成粤皖川的反事实估计值用以推断粤皖川试验区未实施全面创新改革试验政策的潜在结果，其中一个关键前提在于：全面创新改革试验政策实施时间节点(2015年)之前，确保合成粤皖川各项变量估计值尽可能接近粤皖川各项变量真实值，这样才能用合成粤皖川估计值对2015年和之后年份假设粤皖川未实施全面创新改革试验政策的结果进行推断。如表3所示，2005-2014年合成粤皖川在各项控制变量上的估计值均值与粤皖川在各项控制变量上的实际观测值均值差异较小，说明合成粤皖川对粤皖川的拟合度较高，可以保证后期统计推断的准确性。

2005-2019年粤皖川与合成粤皖川技术市场成交额如图1所示。总体而言，粤皖川与合成粤皖川的技术市场成交额呈现逐年增长趋势。2005-2014年合成粤皖川与粤皖川技术市场成交额的折线基本重合在一起，说明合成粤皖川对粤皖川技术市场成交额的拟合度很高。2015-2019年粤皖川技术市场成交额折线明显高于合成粤皖川技术市场成交额折线，随着时间的推移，二者差距越来越大，表明全面创新改革试验政策改变了粤皖川技术市场成交额固有发展趋势，促进粤皖川技术市场成交额增长，并且政策滞后效应逐年增强。

为了更加清晰地观察全面创新改革试验政策对粤皖川技术市场成交额的影响效应，绘制2005-2019年粤皖川与合成粤皖川技术市场成交额差值折线图，如图2所示。2005-2014年二者差值折线围绕0值上下小幅度波动，2015-2019年粤皖川技术市场成交额较合成粤皖川分别高出1 065 770、980 844.2、1 491 161.7、3 632 192.9和5 806 810.4万元，表明全面创新改革试验政策实施后，粤皖川技术市场成交额分别增长了39.20%、30.00%、39.07%、68.37%和81.31%，全面创新改革试验政策对粤皖川技术市场成交额的促进效应显著且存在滞后性。

就总体效应而言，全面创新改革试验政策促进粤皖川技术市场成交额增长，政策效应存在一定滞后性，整体上政策效应逐年增强。

3.2 个体效应分析

为进一步检验全面创新改革试验政策对广东、安徽、四川技术市场成交额的个体效应，本文运用合成控制法，分别构造合成广东、合成安徽以及合成四川，并计算广东、安徽、四川技术市场成交额实际观测值与合成广东、合成安徽、合成四川技术市场成交额反事实估计值间差值，得到全面创新改革试验政策对广东、安徽、四川技术市场成交额的个体效应。

合成广东由3个合成控制单元构成，其中，江苏的贡献权重为0.861，浙江的贡献权重为0.039，海南的贡献权重为0.1。合成安徽由3个合成控制单元构成，其中，山东的贡献权重为0.291，江苏的贡献权重为0.006，甘肃的贡献权重为0.703。合成四川由3个合成控制单元构成，其中，山东的贡献权重为0.353，江苏的贡献权重为0.029，甘肃的贡献权重为0.617(见表4)。

全面创新改革试验政策实施前，广东、安徽、四川控制变量实际值均值与合成广东、合成安徽、合成四川控制变量估计值均值如表5所示。2005-2014年，虽然广东、安徽、四川与对应合成省份在个别控制变量均值上存在一定差异，但是，多数控制变量均值都较为接近，整体而言，合成广东、合成安徽、合成四川对相应省份的拟合度较高。

2005-2019年广东、合成广东技术市场成交额与差值如图3所示。广东和合成广东技术市场成交额整体上均呈现增长趋势，2005-2014年二者折线基本重叠在一起，表明合成广东对广东技术市场成交额的拟合度很高。2015-2019年二者折线出现明显差异，广东技术市场成交额折线始终位于合成广东技术市场成交额折线之上，差距不断扩大，说明全面创新改革试验政策对广东技术市场成交额具有促进效应，并且政策实施时间越长，政策效应越明显。根据二者差值计算结果，全面创新改革试验政策的实施促进广东技术市场成交额年均增加4 060 882.08万元。

2005-2019年安徽、合成安徽技术市场成交额与差值如图4所示。安徽与合成安徽的技术市场成交额都逐年增加，2005-2014年合成安徽与安徽技术市场成交额折线重合，表明合成安徽对安徽技术市场成交额的拟合度很高。2015-2019年安徽与合成安徽技术市场成交额的折线依然高度重合，表明全面创新改革试验政策对安徽技术市场成交额无显著影响。根据二者差值折线图，全面创新改革试验政策实施后二者差值始终为负数，表明安徽技术市场成交额未达到预期目标。

2005-2019年四川、合成四川技术市场成交额与差值如图5所示。2005-2014年合成四川与四川技术市场成交额的折线几乎完全重叠，表明合成四川技术市场成交额估计值与四川技术市场成交额实际值十分接近。2015-2019年四川技术市场成交额折线始终位于合成四川的上方，并且2017年之后四川技术市场成交额呈现垂直直线增长状态。这说明全面创新改革试验政策促进四川技术市场成交额增长，并且政策效应不断增强。根据二者差值计算结果，2015-2019年全面创新改革试验政策为四川技术市场成交额释放出14 505 155.60万元的增长空间。

就个体效应而言，全面创新改革试验政策对广东、安徽和四川技术市场成交额的影响效应不尽相同。全面创新改革试验政策对广东、四川技术市场成交额均产生促进效应，并且政策滞后效应较为明显，在政策实施后的5年内分别对广东、四川技术市场成交额释放出20 304 410.40万元和14 505 155.60万元的增长潜力。同时，全面创新改革试验政策对安徽技术市场成交额无显著影响。

3.3 安慰剂检验

为进一步确保本文结论有效性与稳健性，借鉴Abadie等[21]提出的安慰剂检验思路和方法——随机置换检验法，检验研究结果是否具有统计上的显著性。假设作为控制组成员的其它非试验区省份2015年也实施了全面创新改革试验政策，逐一将每个控制组成员作为伪干预对象，运用合成控制法构造相应合成控制对象。2015年及之后每个伪干预对象技术市场成交额实际观测值与合成控制对象技术市场成交额反事实估计值的差值，即伪干预对象的政策效应。对于每一个伪干预对象而言，它们实际上并未实施全面创新改革试验政策。如果它们的政策效应超过粤皖川、广东、安徽和四川的政策效应，则意味着“全面创新改革试验政策促进技术市场成交额增长”的结论不具有统计上的显著性；反之，如果粤皖川、广东、安徽和四川的政策效应超过伪干预对象的政策效应，则说明此结论具有统计上的显著性。随机置换检验结果如图6～图9所示。

需要说明的是，政策实施前，如果干预对象真实值与合成控制值差距较大，则表示模型拟合效果欠佳，不适用于推算政策实施后干预对象的反事实估计值。因此，仅保留均方预测误差分别是粤皖川、广东、安徽、四川两倍以内的伪干预对象进行安慰剂检验。由图6可知，粤皖川的政策效应最大，对应折线处于图中极端位置，出现如粤皖川一样显著政策效应的概率约为4.8%(1/21≈0.048)，可以认为全面创新改革试验政策对粤皖川技术市场成交额的促进效应在5%水平上具有统计显著性。由图7可知，出现如广东一样显著政策效应的概率约为4.5%(1/22≈0.045)，可以认为全面创新改革试验政策对广东技术市场成交额的促进效应在5%水平上具有统计显著性。由图9可知，出现如四川一样显著政策效应的概率约为6.7%(1/15≈0.067)，可以认为全面创新改革试验政策对四川技术市场成交额的促进效应在10%水平上具有统计显著性。由图8可知，安徽的政策效应折线处于图的中部位置，表示全面创新改革试验政策对安徽技术市场成交额的效应不具有统计显著性。

3.4 进一步分析：双重差分法检验

将双重差分法对政策效应的检验结果作为稳健性检验的补充，设置双重差分模型如下：

Transactionit=β0+β1Dt+β2Di+β3DIDit+β4Xit+εit

其中，i表示省份，t表示年份；Dt为时间虚拟变量，当t≥2015时，Dt=1时，否则Dt=0；Di为政策虚拟变量，当i为广东、安徽和四川时，Di=1，否则Di=0；DIDit表示双重差分项，是Di与Dt的乘积交互项；Xit表示表1中的预测控制变量；Transactionit表示技术市场成交额；εit表示误差项；β0～β4为回归系数，其中，β3为交互项回归系数，表示政策效应。双重差分回归结果如表6所示。

由表6可知，粤皖川、广东、四川的双重差分项DID标准化回归系数分别为0.287、0.289、0.281，且均在1%水平上具有统计显著性；而安徽的双重差分项DID标准化回归系数为-0.004，且无统计上的显著性。从总体效应上看，全面创新改革试验政策显著促进试验区省份技术市场成交额增长；从个体效应上看，全面创新改革试验政策对广东、四川技术市场成交额具有显著效应，而对安徽技术市场成交额的促进效应不显著。经过双重差分法再检验，得到与合成控制法一致的研究结论，进一步证明合成控制法研究结论是稳健的。

3.5 政策效应个体差异原因分析

全面创新改革试验政策对试验区省份科技成果转化的个体效应存在差异，那么，缘何全面创新改革试验政策对广东和四川科技成果转化行之有效，而对安徽科技成果转化“失灵”？本文尝试从试验区主要任务差异、创新资源使用效率差异、科技成果市场价值差异等方面予以阐释。

(1)试验区主要任务差异。广东、四川和安徽试验区的主要任务分别是深化粤港澳创新合作、加速军民深度融合发展、促进产业承东启西转移和调整。产业转移理论认为，区际产业发展不平衡是产业转移的基础[24]，产业转出地区通常将低附加值的产业链转移至产业承接地区，从而形成产业转出地区专注于研发设计、产业承接地区致力于生产加工的协作关系。产业转移带动技术转移，技术转移是产业转移的关键环节。然而，产业转移也会抑制产业承接地区技术创新动力，对产业承接地区技术升级空间造成挤出效应。作为长三角区域产业转移的主要承接地，安徽省在承接产业转移中存在追求总体规模和扩张速度、轻视发展质量的问题，承接了较多原材料、轻纺等低层次、低附加值的传统产业。一方面，低层次的产业转移对技术转移的促进作用十分有限，安徽省在承接产业转移中所能获取的高精尖技术较少，导致能够转化为高附加值的科技成果数量减少；另一方面，有限的科技创新资源被用于建设承接产业转移基础设施、改造传统产业等，一定程度上挤占了安徽省高新技术产业和战略性新兴产业发展资源，这对技术攻关、技术升级和科技成果转化具有潜在不利影响。此外，受承接产业转移的影响，安徽省技术市场交易以技术吸纳为主、技术输出为辅。从技术市场交易金额构成上看，2017-2019年安徽省技术市场输出技术成交额分别为249.57亿元、321.31亿元和452.72亿元，分别较同年技术市场吸纳技术成交额低7.80%、9.36%和25.78%，说明在承接产业转移的背景下，安徽省技术输出能力较弱，技术与科技成果在省外技术市场的认可度较低、竞争力不足。

(2)区域创新资源使用效率差异。从创新资源投入上看，2015-2019年广东省R&D经费投入强度均值为2.61%，安徽省为1.89%，四川省为1.72%；广东省每万人R&D人员全时当量均值为56.14人年/万人，安徽省为23.38人年/万人，四川省为17.24人年/万人。从科技成果转化效果上看，2015-2019年广东省技术市场成交额均值为11 892 642万元，安徽省为2 856 662万元，四川省为6 392 213万元。可以看出，安徽省创新资源投入力度大于四川省，但是，科技成果转化效果不及四川省，这在一定程度上反映出安徽省创新资源使用效率相对较低，科研人员参与科技成果转化的积极性不足。

(3)科技成果市场价值与潜在市场需求差异。单项技术合同成交金额能够体现科技成果单位市场价值，安徽省单项技术合同成交金额由2015年的152.52万元增长至2019年的230.12万元，增幅为50.88%；广东省单项技术合同成交金额由2015年的382.64万元增长至2019年的667.17万元，增幅为74.36%；四川省单项技术合同成交金额由2015年的251.44万元增长至2019年的917.94万元，增幅为265.07%。由此可知，安徽省科技成果市场价值较低并且增值空间较小，可能是因为科技成果技术含量和创新水平较低，重大科技成果转化能力较弱，技术预见、捕捉、识别和转化能力不足。此外，潜在市场需求是科技成果转化的重要动力机制，影响科技成果经济效益。通常而言，人口集聚程度越高，市场需求多样化程度越高，市场潜力和购买力越强。安徽省人口密度低于四川省和广东省，表明安徽省人口吸引力相对较弱，较低的人口集聚度制约了市场整体规模和购买力。产业发展需求也是科技成果转化的影响因素之一，在三次产业中，第三产业对科技成果的创新需求更高[25]，对技术转移的影响贡献最大[26]。安徽省第三产业占比低于四川省和广东省，来自产业结构调整与优化升级的需求动力不足，第三产业对科技成果转化的需求拉动较弱。

4 结语

为评估全面创新改革试验政策对科技成果转化的影响效应，本文以技术市场成交额作为科技成果转化的代理变量，运用合成控制法，构造合成粤皖川、合成广东、合成安徽与合成四川，探讨全面创新改革试验政策对试验区省份科技成果转化的总体效应和对广东、安徽和四川科技成果转化的个体效应，并且借助双重差分模型进行再检验。研究结果表明：第一，就总体效应而言，全面创新改革试验政策对粤皖川科技成果转化的促进效应具有统计上的显著性，在政策实施伊始促进效应即已显现，政策实施两年后政策效应更为明显；第二，就个体效应而言，全面创新改革试验政策显著促进广东、四川科技成果转化，并且政策效应逐年增强，但全面创新改革试验政策未对安徽科技成果转化产生显著影响；第三，科技经费投入、经济规模、技术成熟度、人口集聚、产业结构、创新能力对科技成果转化具有显著促进效应。

本文也存在一定研究局限：第一，研究对象不全面。由于全面创新改革试验区在经济体量、行政层级等方面存在较大个体差异，考虑到变量体系与统计口径可比性问题，仅选取广东、安徽、四川作为研究对象，未对京津冀、上海、沈阳、西安和武汉试验区科技成果转化效果进行评估，未来研究可将直辖市和副省级城市作为研究对象；第二，研究深度不够。关于全面创新改革试验政策对试验区省份科技成果转化的总体效应和个体效应，仅检验了政策有效性，停留在现象层面，缺乏对影响因素、政策作用机制等方面的深层探讨，未来研究可对政策工具识别与组合、政策空间溢出效应、政策作用机制等进行探讨。

[1] 张克.全面创新改革的中国模式:政策试验与推广[J].华东科技,2015，21(12):18.

[2] 夏岩磊,刘冰,李丹.“全创改试验”政策效果评估:独善其身还是惠及四野[J].中国科技论坛,2020，36(11):26-37.

[3] 李美桂,陈锐.“全创改”背景下激发科研人员创新活力的探索——基于“全创改”地区政策实践的研究[J].中国科技产业,2019，33(8):70-73.

[4] 白京羽.全面创新改革试验聚力科技金融创新破解一批科技型中小企业融资难题[J].中国经贸导刊,2020，37(6):42-44.

[5] 律星光.创新引领蓄力远航——写在成都市决胜全面创新改革试验之际[J].财经界,2018，36(7):44-47.

[6] 高骞,吴也白,王沛.构筑上海服务长三角一体化发展国家战略的新优势[J].科学发展,2019，12(10):51-58.

[7] 郜媛莹,乔黎黎,陈锐.全面创新改革试验背景下京津冀协同创新发展研究[J].今日科苑,2018，22(10):34-40.

[8] 涂平,王涵,杨博文.北京市全面创新改革相关政策与法律法规协同研究[J].创新科技,2020,20(3):42-49.

[9] 李红艳,汪涛.基于均衡式改革理论的改革评估指标体系构建研究——以国家全面创新改革试验区为例[J].武汉工程职业技术学院学报,2016,28(4):44-50.

[10] 王玥.长三角复制推广上海全面创新改革举措的可行性及措施研究[J].上海城市规划,2020，30(4):39-43.

[11] 黄伟. 我国科技成果转化绩效评价、影响因素分析及对策研究[D].长春：吉林大学,2013.

[12] 程翔,鲍新中.科技金融政策效率研究——以京津冀地区为例[J].北京联合大学学报(人文社会科学版),2018,16(3):116-124.

[13] 江曼琦,刘晨诗.影响技术转移效率的区位因素分析——兼论京津冀技术合作的障碍[J].天津社会科学,2018，38(3):107-113.

[14] 吕荣杰,张冰冰,张义明.跨区域技术转移效率前因组态研究[J].科学学研究,2018,36(11):1986-1994.

[15] 杨仲基,王宏起,武建龙.利益相关者视角下区域科技成果转化能力评价及实证研究[J].工业技术经济,2018,37(1):153-160.

[16] 马大来,叶红.供给侧结构性改革视角下中国科技成果转化绩效研究——基于空间面板数据模型的实证分析[J].重庆大学学报(社会科学版),2020,26(1):45-60.

[17] 于莲.新型城镇化科技支撑体系研究[J].科技进步与对策,2014,31(12):46-50.

[18] 施振佺.基于大数据的科技创新成果精准转化模式研究[J].科技管理研究,2020,40(11):148-154.

[19] 倪自银,张益明.影响开放式创新的政府行为及政策环境研究[J].华东经济管理,2015,29(1):148-152.

[20] 何声升.高校科技创新绩效影响因素分位研究——创新价值链理论视角[J].高校教育管理,2020,14(5):104-114.

[21] ABADIE A, GARDEAZABAL J. The economic costs of conflict: a case study of the basque country[J]. American Economic Review, 2003, 93(1):113-132.

[22] ABADIE A,DIAMOND A,HAINMUELLER J. Synthetic control methods for comparative case studies: estimating the effect of California's tobacco control program[J]. Journal of the American Statistical Association, 2010, 105(490):493-505.

[23] 赵西亮.基本有用的计量经济学[M].北京：北京大学出版社，2017.

[24] 徐岚.安徽皖江城市带产业转移存在的主要问题及对策[J].黑龙江对外经贸,2010，24(12):57-59.

[25] 王杉,孙滔,杨程凯.科技成果转化与区域经济发展相关性研究[J].中国西部科技,2015,14(6):108-110.

[26] 董鸣,王方,李华.技术转移与三次产业结构调整关系研究——以陕西省为例[J].科技与经济,2014,27(4):6-10.