编者按

本专栏第52期，何国科律师从法律和实务角度梳理了科学慈善面临的三组实践障碍：基金会能不能资助企业开展科研；科研成果的知识产权归谁、慈善资金与商业化的边界在哪里；科研项目应该怎样接受审计和评估。合规负责划定“可以做什么”的边界，但边界之内“做得好不好”，最终要落在评估上。

为此，专栏邀请评估方向的青年学者朱照南，从科技评估的国际经验和评估理论出发，对科学慈善需要何种评估进行梳理。朱照南曾受科技部科技评估中心委托，梳理各国科技评估的指南文件，这些案例中的具体评估困境、经验和教训，或许可以为中国科学慈善的发展提供一些参考。

可计算的和有价值的

何律师有一句话我非常认同：“不是项目没有价值，而是我们的评价工具不适合它。”我想给这句话加一个注脚：除了评价工具“不适合”这个层次，这里还藏着一个更深刻的挑战：凡是长期、复杂、价值多元的人类活动，被评估时都会遭遇几重无法被技术手段彻底消除的困境。科研如此，公益如此，教育、医疗也如此。

在《形式指标与实质指标：慈善组织评估指标的僭越及其后果》一文中，我提出过一对概念：依据规范性要求、偏重量化和痕迹核查的指标是形式指标，票据、签收单、会议记录、受益人数都属此类；试图呈现组织和项目真实运作状况与实际效果的指标，是实质指标。

形式指标的正当功能是守住合规底线，但实践中经常僭越实质指标，用最容易核查的东西，替代了最值得关心的东西。被评估者围绕“痕迹”组织工作，评估非但没有促进实质，反而制造了形式主义。

科研项目的评估更容易放大这一困境。基础研究以五年、十年为单位见效，而审计一年一轮；探索未知意味着多数假设终将被证伪，而传统评估默认“承诺的产出必须交付”；成果是论文、专利、人才、认知的改变，形态多样且严重滞后，过程材料则少得可怜，一个实验室一年可能只有一份研究进展报告。科研的价值，恰恰在形式指标无法测量的地方。

那么把形式指标换成量化指标行不行？很遗憾，英国的经验同样给出了否定的回答。

英国“卓越研究框架”（REF）是世界上利益相关度最高的科研评估之一，结果直接决定英格兰每年约13亿英镑主流科研拨款的分配。各机构只提交精选代表作和讲述研究如何改变政策、产业与社会的“影响力案例”，交由同行专家通读评议。2015年英国官方委托完成的评审报告《指标的浪潮》（The Metric Tide）专门检验了“能否用量化指标替代同行评议”，结论很确定：量化指标与同行评议结果的相关性不足，只能辅助判断。

REF官方委托的独立评审发现，REF 2021全流程花费约4.71亿英镑，是上一轮的近两倍；影响力案例被批评为精心包装的“讲故事竞赛”。美国智库兰德公司（RAND Corporation）的调查显示，多数英国研究者认为REF对本国科研文化总体是负面影响，青年学者感受更深，但多数人认可2021年规则改进的方向，且表示REF并未直接改变自己个人的研究，负面感受集中在系统与文化层面。此外，REF还被批评抑制了高风险、长周期的研究，对以专著为载体的人文学科尤其不利。2024年，有研究者依据官方委托的评审结果给出了一个耐人寻味的概括：REF“并没有让研究变得更好”。

为什么会这样？底层原因不在指标形态，而在测量与被测量对象之间的关系。一项量化社会指标越是被用于社会决策，就越容易受到腐蚀压力，也就越容易扭曲和败坏它本来要监测的社会过程，这是“坎贝尔定律”。丹麦评估学者拉尔森（Peter Dahler-Larsen）进一步提出，指标不是在完成测量之后顺带产生副作用，而是在根本上参与构成了它所声称测量的那个现实，界定什么算问题、什么算成绩、谁是好组织，他称之为绩效指标的“构成性效应”（Constitutive Effects）。因此，量化指标、质性指标都会被异化，区别只在于与资源、声誉和职业前景绑定得有多紧。

这也正是中国科研评价改革此刻的处境。2018年以来，“破四唯”“破五唯”、代表作制度、分类评价渐次推开，方向与国际转向一致，但仍处于“破易立难”的困境之中——破掉数论文容易，替代性的评价标准和评价能力还没有建立起来。

顺着这个分析，“立”的方向或许需要重新理解。现实中的评估体系在设计上千差万别：谁来评（政府、行业、平台、第三方），为何评（监管筛选还是发展支持），评什么（合规、绩效、能力、透明度），结果与资格和资金绑定得有多紧，过程是打分式还是协商式，结果以等级标签还是叙述报告呈现。这些差异会带来系统性不同的后果。

让单一体系承担全部功能，往往是评估失灵的共同起点。更有希望的方向是让不同性质的评估各归其位，形成有分工的评估生态：监管性评估守住合规底线，不必额外承担识别卓越的任务；支持性评估陪伴组织改进，不必背负筛选和排名的压力；行业性评估负责信息透明，把判断权交还给资助方。

问责，还是学习

评估领域最常讨论的一个问题是：评估到底为了什么？是向出资人证明钱花得值（问责），还是帮助做事的人做得更好（学习）？评估目的不同，立场、指标、方法乃至最终发现都会不同。

非营利组织同时面对资助方、监管者、受益人和公众多方的问责要求，这种情况在学术上被称为“多重问责失序”（Multiple Accountabilities Disorder）。非营利评估专家易卜拉欣（Alnoor Ebrahim）把问责压力下的典型病症称作“问责短视”（Accountability Myopia），即组织紧盯报告与合规，看不见组织学习，最终连问责本想保障的绩效也一并失效。正如一线公益组织花费大量资源应付问责，评估反而成了负担，“解决问题的方案本身变成了问题”。

问责还是学习，英国和荷兰为这两个端点提供了样本。

问责端是英国的REF。案例直接关系一所大学未来数年的拨款，博弈动机足够强。一项对REF 2014高分与低分影响力案例的对比研究发现，高分案例普遍符合一种清晰、直接、简化因果关系的写作体裁，可读性显著更高——写作风格的隐性规则可能与公开的评审标准一起影响了评分。这种高利害的绑定，使问责功能在实际运行中压过了学习功能。

学习端是荷兰的《战略评估协议》（SEP）。研究单位先写约20页自我评估，对照自己设定的战略目标，指标自选；外部委员会审阅材料、实地考察之后，给出一份帮助改进的定性报告。一个论文数量平平的研究组，只要让委员会看到它在开放科学、学术文化和博士生培养上的扎实积累、朝自己设定的方向稳步推进，同样可以得到正面评价。在这套“宽松”制度下，荷兰科研在国际比较中长期位居前列。两者未必构成因果，但至少说明不打分与高水平科研可以并存。

学习导向同样有代价。对SEP的批评集中在：各单位自定目标、自选指标，机构之间不可比，议会想知道“钱花得值不值”时给不出直接答案；评估高度依赖研究组的叙述，“会写”可能替代“做得好”；结果不与经费挂钩，改进建议缺乏抓手。荷兰学界自己也在追问，研究单位和评估者能否驾驭这么大的自由度。

美国国家科学基金会（NSF）2023年发布的《评估政策》，把“指导改进”与“问责”并列为评估的多元目的，交给每一次具体的评估去权衡。但NSF的另一项制度“更广泛的影响”（Broader Impacts），显示了另一个问题：把理念写进标准，不等于落进实践。这个标准被科学家持续批评为模糊难评。追踪研究发现，“更广泛影响”从申请书到结项报告整体缩水约14%，而且缩水几乎全部发生在面向弱势群体和普惠人群的部分，面向优势群体的影响数量基本不变。没有配套的评审能力和跟踪机制，再好的标准也会变成申请书里的漂亮段落。

三个样本放在一起可以看到，问责与学习不是是非题，站在哪个位置取决于钱从哪里来、必须向谁负责。这是制度选择，不是技术问题。

中国基金会并非没有外部问责，年检、等级评估、《慈善法》的信息公开要求都真实存在；但相对于花纳税人的钱、必须向全民交代的政府科研拨款，慈善资助在“如何定义和评估成功”上的自主空间理应更大一些。这份自由度本身就是慈善相对政府资助的一项制度优势，问题在于是否自觉地使用它。

谁来定义成功

评估所依据的“好”，是谁的“好”？公益面对的问题涉及多个利益相关方，捐赠人、执行者、受益人、公众有不同的、甚至冲突的价值诉求；评估选取什么标准、听取谁的声音，从来不是中立的技术操作，而是一种价值立场。科研资助同样如此：一项研究，学术共同体认为严谨漂亮，但它回应的是谁的问题？成果最终惠及了谁？

国际农业研究磋商组织（CGIAR）给出了一个比较明确的制度回答。作为全球最大的公共农业科研资助网络，它的结构与科学慈善几乎同构：出资方提供资金，科研机构做研究，最终受益人是发展中国家的小农户。CGIAR在评估指南中把“面向发展的研究质量”（QoR4D）拆解为四个要素：相关性、科学可信度、正当性、有效性。“正当性”问的是研究过程是否公平、包容，被利益相关方认可。换句话说，“研究做得好不好”，当地社区有发言权，学术严谨在这个框架里只占四分之一。

反面证据来自NSF。一项对397个NSF资助项目的分析发现，这些项目声称产生的社会影响，流向优势群体的密度（每百万美元3.27次）明显高于流向边缘群体（0.75次）；还有约十分之一的项目，结项报告里找不到可辨认的社会影响。研究者的解读是：结项报告被看重的是“交没交”，而不是“做没做成”。如果没有人追问“影响了谁”，“社会影响”就容易流向离研究者最近、最方便触达的人群。

这对科学慈善的警示是直接的。慈善的问责结构天然向上倾斜，评估报告呈给理事会、捐赠人，很少抵达受资助的科研团队，更不用说其服务的公众，这就是“向上问责”对“向下问责”的挤出与替代。国际发展领域几十年的教训，包括CGIAR自身，正是评估的“捐赠方导向”。也要承认，CGIAR式的多维质量观操作门槛不低，指南自己就说，覆盖四要素需要“足够的资源保障”——理念的先进程度和落地成本大体成正比。

一场正在发生的全球评估转型

将前文的各国案例放在一起，可以看到一个比较清晰的趋势与方向：它们是同一场全球评估转型在科技评估领域的显影。

我这几年追踪国际评估前沿的核心发现是，这场评估范式转型的深度超出了方法层面的更新换代。2020年美国评估协会年会上，时任主席帕森斯（Beverly Parsons）指出，当前评估领域关于社会和经济系统的基本假设来自工业时代，把世界看作可拆解、可测量、可控制的机器，而这些基础假设急需转型，转向承认地球和人类社会是活的、自组织的系统。评估的经典定义也在被改写，评估学者施华特（Thomas A. Schwandt）和盖茨（Emily F. Gates）主张评估要从“确定价值”走向“发展价值”，从项目末端的一锤定音（我们做得如何），扩展为持续的、共同建构的评价性学习（我们接下来应该做什么）。

我曾把这场转型概括为从“价值验证”走向“共创未来”的五个趋势：从线性思维到系统复杂性、从单一文化到多元包容、从外部判断到参与共创、从技术工具到反思实践、从评价过去到共创未来。前文的案例分别对应了不同的层面，并共同指向第五条：评估的时间之箭调头，不再只是照向过去的后视镜，而开始参与塑造未来。

需要如实说明的是，这场转型仍在早期。以随机对照试验为代表的证据分级路径，在国际发展与公共政策评估中依然占据主流位置。更准确地说，当前正在形成的是一股方向清晰、正在壮大的潮流，但其仍处在与旧范式的拉锯之中。

这个图景可能改变科学慈善对自身位置的判断。只看国内传统的项目评估惯例，进入科研资助的基金会似乎面对着一套不太合用的工具，处处别扭；放到全球转型的坐标系里，它此刻遇到的评估难题，恰恰是国际评估领域正在讨论的前沿议题。

出路：走向自觉的评估

评估工具的“不适合”，根源在这三重固有困境：测量有其限度、问责与学习必须权衡、“好”需要被多元地定义。它们没有终极解法，只有或自觉或不自觉的取舍。英国、美国、荷兰和CGIAR的实践提供了一份“每种取舍的代价清单”，全球评估转型提供了做取舍时的方向感。评估的成熟，在于带着对困境的清醒认知去设计制度，放弃彻底“消灭”困境的幻想。这也是我理解的评估思维的核心：与其掌握更多测量技术，不如始终追问评估本身的假设、立场与后果。

基于前文的梳理，这里为进入科研资助领域的中国慈善组织提供几条参考建议。

第一，让“谁受益”成为必答题。在评估框架里给“正当性”留一个位置：研究回应的是谁的问题？过程是否尊重了相关社区？成果的通路是否真的通向最需要的人？评估报告除了呈给理事会，更要反馈给科研团队。评估者的角色也要从“测量技术员”和“风险管理者”，向“能力建设者”拓展。

第二，行业共建，而不是各自摸索。行业组织可以参照QoR4D的多维质量观和SEP的自我评估结构，制定本土化的科技类慈善项目评估指引；建立科学家、公益、法律、财务混合的评审网络。

第三，挖掘和梳理本土评估经验。中国公益评估界以“支持型评估”和“基于公益项目模式的评估”为代表，强调评估者与被评估方的协作关系、以评估促进组织发展，与全球评估转型的方向相合。腾讯发起的“新基石研究员项目”以十年百亿元的规模资助基础研究，明确“选人不选项目”、不设成果考核期限、由科学家主导遴选，这是对传统项目制评估的一次主动背离，且颇有成效。

中国的国家科研评价体系正卡在“破易立难”的关口，而慈善资助体量小、机制活、试错成本低，科学慈善完全有条件成为中国科研评估创新的试验田，在“立”的这一端先行探索。这或许是科学慈善对中国科技创新的另一种贡献：除了捐钱，还包括探索一种更懂科学的、能够更好地推动科技向善的评估文化。 

科学的价值不在票据和签收单里，也不完全在任何一套指标体系里。评估的三重困境不会因为对象换成科学而消失，只会更加醒目。全球评估领域正在发生的范式转型提示我们，对这些困境比较有生命力的回应，是重新想象评估本身，让评估从末端的裁判，变成贯穿始终的学习伙伴；从验证过去的价值，变成与科学家、资助者和公众一起发展价值、共创未来。

中国的科学慈善还很年轻，评估制度尚未定型，还来得及想清楚再选择：我们要在问责与学习之间站在哪里？愿意为理想的评估支付多少成本？谁有资格定义我们所资助的科学“成功”？这也是在为中国的科研评价探路，参与一场更大范围的评估变革。

在合规为科学慈善守住底线之后，还需要一套自觉的、诚实的、面向未来的评估，来回答“什么是好”，让“评估向善”来真正支持与引领“科技向善”。

作 者 简 介

朱照南，管理学博士（非营利管理方向），现任教于印第安纳大学伯明顿分校 O'Neill 公共与环境事务学院，并担任公益行业评估支持平台研究部主任。拥有 15 年非营利组织评估、社会创新、公益项目评估及政府购买服务评估的研究与咨询经验，其研究与实践指向一个核心问题：在复杂变革与 AI 时代，如何重新定义与评估社会价值，如何让不可见的价值被认可，让有意义的行动被看见。