基于服務視角的科技智庫分類及其數據體系建設研究

1引言

2015年，中共中央辦公廳、國務院辦公廳印發的《關于加強中國特色新型智庫建設的意見》強調，功能完備的信息采集分析系統是中國特色新型智庫的基本標準，建設高水平科技智庫是中國特色新型智庫發展的新格局。加強科技智庫建設，以科學咨詢支撐科學決策，直接促進中國在新一輪科技革命和產業革命交匯期中搶占科技制高點。當前，學術界對科技智庫的概念界定并未有統一認定，但普遍支持科技智庫服務于科技政策領域的決策咨詢服務[1-2]。

數據是科技智庫提供決策咨詢服務的基礎信息資源。隨著數字化發展，科技智庫更加依賴通過數據驅動高質量、有針對性的決策咨詢。就目前而言，雖然數據管理與服務在國內已經受到廣泛關注，但我國科技智庫的數據建設仍然存在缺乏系統規劃、自建或共建資源還尚未形成規模、數據來源渠道單一、分析能力有限、隱私保護不足、共享機制不健全等諸多問題，不利于我國科技智庫提供高質量決策咨詢服務，發揮建言獻策作用。為此，科技智庫迫切需要將數據集中管理，建立綜合性、系統性的數據體系，發揮底層支撐作用。

本文將科技智庫數據體系界定為在收集、整理、分析和利用數據資源方面建立的系統化框架，以數據為核心、以技術為支撐、以服務為導向、以機制為保障，旨在為科技智庫開展決策咨詢信息服務提供數據支持。不同類型的科技智庫需要不同類型數據體系予以支撐。基于服務視角，本文將科技智庫分為主體型科技智庫、主題型科技智庫和復合型科技智庫。其中，主體型科技智庫面臨滿足多領域需求的“寬度”問題；主題型科技智庫面臨針對研究主題開展專業化探索的“深度”問題；復合型科技智庫則同時面臨“寬度”和“深度”問題。因此，科技智庫應基于不同服務類型，建立主體導向數據體系、主題導向數據體系和復合導向數據體系。

本文以美國信息技術與創新基金會（Infor-mationTechnologyandInnovationFoundation，ITIF）、日本未來工學研究所（InstituteforFutureEngineering，IFENG）和美國蘭德公司（RAND）作為研究案例，總結并對比主體導向數據體系、主題導向數據體系和復合導向數據體系的建設特點。

2研究現狀

基于科技智庫分類，當前學術界對科技智庫的劃分標準并未得到統一定論。各學者基于資金來源[3]、組織形式[4]、隸屬機構[5]等不同視角，對科技智庫進行分類。從科技智庫研究領域出發，何華[認為，科技智庫與其他智庫的區別在于科技，前者專注于科學技術領域的問題研究。由于科學技術研究領域廣泛，科技智庫可以分為專門型智庫與綜合型智庫。專門型智庫的研究集中于一個領域，而綜合型智庫的研究領域則十分廣泛，綜合多學科研究社會問題。張月鴻等[按照知識體系和領域覆蓋情況，將科技智庫分為綜合型科技智庫、專業型科技智庫、咨詢型科技智庫和平臺型科技智庫四種類型，四種科技智庫的界限相對模糊，可以動態轉化。在此基礎上，王克平等[5]更明確地將科技智庫從知識體系視角分為綜合型和專業型兩類，從專業分工視角分為咨詢型和平臺型兩類。

雖然現有研究對科技智庫的分類視角多樣，但并未結合數據展開。事實上，在數字化時代，數據是科技智庫建設的前提與基礎，實現數字技術與科技智庫的多方面深度融合是科技智庫建設的最終目標[8]

部分學者基于數據生命周期理論，探究數據管理的全流程。魏悅等探究了高校科研數據管理政策，構建了涵蓋數據獲取、數據組織、數據保存、數據共享和數據安全的數據管理政策內容框架。黃源等[10探究了國際科研資助機構科學數據政策，認為數據管理流程包括數據計劃、數據收集、數據加工、數據長期保存和數據共享利用五個核心環節。陳恬等[]基于數據保全的思想，將數據管理流程分為采集、匯交、保存、共享和利用五個環節，并認為每個環節都不完善。儲節旺等[12為提高數據管理效率和規范，構建了涵蓋數據收集、處理、保存、共享、分析和再利用六個環節的數據管理體系。整體來看，上述分類雖略有不同，但大體框架十分相似。

然而，科技智庫的服務模式和數據資源特點具有明顯不同。李純等[13將科技智庫信息資源服務分為集成一非定向、任務一定向和參與一雙向服務模式三類。數據資源則可以分為科技智庫的產品、面向項目的數據積累、商業型數據資源、專題特色數據平臺或數據庫、依托于所屬機構的數據資源。與此同時，武虹等[2提出國外科技智庫的聯盟化合作可以提高機構內外部的數據支撐能力，而國內科技智庫數據共享較少。單靠一家智庫難以全方位覆蓋各地區的各類重大問題研究，數據共享有利于通過資源整合深化項自研究，避免重復建設造成資源浪費[14]。吳雅威等[15]認為，國外一流智庫的數據管理分為以自建自藏自用為主和以整合外部資源為主兩種模式，前者具有內部資源優勢，后者則以項目為導向。

總而言之，在數字化時代，“數據 + 專業研判”的模式是科技智庫提供決策服務的重要力量[1]，以多源和智能為支撐的數據體系建設的重要性愈發凸顯。部分研究基于數據生命周期理論對數據管理的全流程展開討論，大體框架相似。需要注意的是，科技智庫的服務模式和數據資源特點有著明顯不同，鮮少有學者結合服務和數據展開分類討論與研究。因此，基于服務視角對科技智庫進行分類，進而明確和對比不同類型數據體系的建設特點，具有重要現實與指導意義。

3基于服務視角的科技智庫及其數據體系分類

信息管理主要是一種構建智力庫的過程[17]強調信息從采集到應用的價值增值過程，這一智力庫構建的增值過程高度契合數據時代科技智庫的服務鏈條。科技智庫開展決策咨詢服務時高度依賴底層數據體系的支撐，而構建適配的數據體系，首先需要明確科技智庫類型。

當前，學術界對科技智庫的分類主要基于資金來源、組織形式等供給端視角。這種靜態劃分方式雖能反映科技智庫的運作方式與組織特征，但難以反映服務決策需求的動態過程，也難以成為數據體系差異化建設的有效依據。為彌補現有研究對服務模式和數據資源關注的不足，本文從需求端視角出發，基于服務視角，將科技智庫分為主體型、主題型和復合型科技智庫，并進一步探討主體導向數據體系、主題導向數據體系和復合導向數據體系建設特點。

3.1主體型科技智庫及其數據體系分類

3.1.1主體型科技智庫明確服務對象是科技智庫開展決策咨詢服務的關鍵環節。主體型科技智庫因為其資助方的需求大多宏觀且寬泛，比如，可能涉及政府科技決策、國際多邊合作、公眾科普傳播等多種服務需求，關注的重點和領域有非常大的跨度，需要響應不同的決策需求，設計不同的智庫產品和服務。

滿足多領域的需求是主體型科技智庫面臨的“寬度”問題，這促使其研究側重于宏觀層面。科技發展過程中，人工智能、新一代信息技術、先進制造、生物科技等諸多前沿領域都存在難點問題，主體型科技智庫需要掌握各領域發展動向，明確當前科技發展整體狀況并預測預判未來發展趨勢，開展前瞻性研究，從戰略層面提出適度超前的決策建議。以產業發展為例，科技智庫通過探究技術與產業演化規律，可以提前規劃未來產業的發展路線，前瞻性布局具有爆發式增長潛力的產業新賽道[18]。同時，主體型科技智庫可以提前預警未來可能存在的風險，為決策者提供預防性建議，及時應對錯綜復雜的科技發展局面，迎接潛在挑戰。

由此可見，主體型科技智庫側重于宏觀層面研究，需要覆蓋多領域需求，面臨“寬度”問題。然而，這種廣泛覆蓋也可能帶來資源碎片化、決策流程效率低等潛在風險，使得解決“寬度”問題尤為迫切。

從信息生態理論來看，主體、技術、行為和價值被視為有機整體，強調系統協同性[19]。基于該理論，可以將科技智庫的“寬度”問題視為信息生態系統適配多領域需求的動態平衡能力，其不僅強調主體需求的寬度，更強調不同主體需求如何驅動數據資源的跨領域整合，實現健康生態位擴張。因此，“寬度”問題更加具象化，不是主體需求的簡單增加，而是通過主體需求類型、服務領域數量、系統協同程度等指標進行綜合評估。

3.1.2主體導向數據體系為實現數據跨領域整合與主體需求協調適配，實現跨學科、跨機構數據資源關聯流動，需建設主體導向數據體系。同主體需求寬泛性相對應，主體導向數據體系需重視優化機制，成立專業數據部門，積累和集成豐富全面的數據資源，提高決策流程效率。主體型科技智庫可以通過文獻、問卷、訪談、實驗等方法開展調查研究收集數據，可以通過自身館藏數據庫獲取簡報、專題報告、咨詢報告等研究成果相關數據，可以通過權威機構直接收集公開數據，還可以通過購人外部數據庫等方式獲取數據資源，并集成多源數據于同一平臺，集中管理和應用。為便于開展跨專業跨領域學術研究，主體型科技智庫還應重視建設廣泛的專家資源庫，整合各方資源優勢；同時，建立相應的數據從采集到共享的全生命周期機制保障，以保障智庫數據支撐的可持續發展。

為進一步明確主體導向數據體系建設特點，本文以美國信息技術與創新基金會（ITIF）[20]為例進行分析。ITIF服務對象廣泛，關注與清潔能源、生命科學、稅收貿易等問題相關的創新與公共政策交叉領域，致力于為全球政策制定者提供可靠的高質量信息、分析及可行建議。“寬度”追求促使ITIF對數據體系建設的要求主要定位于助力科技智庫驅動數據資源的整合與集成，實現跨領域、跨機構數據資源關聯流動。

ITIF建有專門的數據創新中心（CenterforDataInnovation），使數據價值最大化，以數據驅動制定務實的公共政策。崗位成員通常具有跨學科背景，涉及信息安全技術、計算機、法學、管理學、經濟學、數學等專業，如政策分析師擁有法學和計算機科學專業背景。

為避免資源碎片化，ITIF自建知識庫，并在官網建立數據資源檢索平臺，采用多種方式集成多項研究領域、多種產品類型的數據資源，為服務對象提供數據服務。在集成方式方面，ITIF會將研究成果資源數字化，并通過數據創新中心訪問不同權威平臺的數據資源，摘取并積累有采集數據或者分析數據的報告，以鏈接方式集成于官網平臺，為用戶提供跨庫搜索等擴展性服務[13]。

官網平臺可自主組配研究問題、發布類型、地區、時間等維度，查看相關內容。研究問題涵蓋多個領域，包括與創新、生產力和競爭力相關的經濟問題，信息、數據、寬帶電信、先進制造、生命科學和清潔能源領域的技術問題，以及與公共投資、監管、稅收和貿易相關的總體政策工具。研究成果類型同樣豐富，包括報告、簡報、專欄和特約文章、知識庫文章、博客、書籍、評論等。此外，官網平臺還可以檢索ITIF團隊成員信息和專家信息。團隊成員庫可依據研究領域進行篩選，了解成員的崗位、經歷介紹、研究領域、近期出版物、近期活動等相關內容。通過專家庫，也可以進一步了解專家的單位、職稱、個人簡介等詳細內容。

3.2主題型科技智庫及其數據體系分類

3.2.1主題型科技智庫與明確服務對象一樣，明確研究主題也對科技智庫開展決策咨詢服務至關重要。主題型科技智庫服務于研究主題，包括新興技術、科技戰略、科技倫理等領域內的特定主題，專業性能十分突出，致力于解決科學技術發展及其融合領域的定向研究。

多元領域的綜合研究是探究科學技術發展趨勢的依托，單一領域的專業研究則是奠定科學技術發展基石的前提。主題型科技智庫需要掌握某一特定領域的發展現狀，擁有該領域內專業深度的數據資源、先進全面的研究方法和模型，匯聚領域內權威專家，建立領域內合作網絡，聚焦重大科技核心問題，及時提供專業的政策建議。

由此可見，主題型科技智庫側重于針對某一特定垂直領域開展專業化探索，面臨“深度”問題。然而，研究過程中也可能存在研究方法專業性與針對性不足、研究成果質量及價值未達預期等潛在偏差，迫切需要在專業化路徑中實現知識價值的實質性深化。從理論視角來看，知識價值鏈模型是進行全面知識管理的有效工具，由輸入知識、知識活動和輸出價值三個部分組成，可以指導智庫通過知識管理，合理調配知識資源，協調各種知識活動，有效開展知識增值活動[21]。基于該模型，科技智庫的“深度”問題可以視為通過知識獲取、創新、應用和共享等各環節，實現原始信息向高質量決策的轉化。因此，科技智庫的“深度”問題更加具象化，可以通過知識獲取的精準程度、跨域知識創新程度、應用場景匹配程度、共享優化程度等指標進行綜合評估。

3.2.2主題導向數據體系為實現精準獲取數據資源，創新學科研究方法，適配決策咨詢場景，輸出高效解決方案，推動知識價值賦能高質量決策，需建設主題導向數據體系。與主題研究追求深度相對應，主題導向數據體系需以研究主題為核心，明確研究需求，積累領域內具有專業深度的一手數據和二手數據，有機融合數據、技術和專家資源，并且研究人員應具備良好的數據分析能力。主題型科技智庫既需要重視面向項目積累數據及積累研究過程中經加工分析產生的二手數據，數字化研究報告等項目數據，也需要重視建設某一特定領域主題專家資源庫，可以通過構建專家知識圖譜等方式，迅速且清晰地關聯所需領域專家，靈活、高效地組建研究團隊。技術層面可以以數據平臺為載體，對某一主題針對性開發，諸如政策模擬系統、定制情景模擬等功能，幫助研究團隊分析不同情景下的應對方案和路徑，選擇最優的解決方案。同時，提高項自研究報告等二手數據共享開放程度，以提高針對特定主題智庫研究的社會影響力，助力可持續發展。

為進一步明確主題導向數據體系建設特點，本文以日本未來工學研究所（IFENG）[22]為例進行分析。IFENG以承接專題項目為導向，根據研究主題開展專業化深度研究。“深度”追求促使IFENG對數據體系建設的要求主要定位于助力科技智庫將原始數據轉為高質量決策，實現知識增值。同時，鑒于垂直領域研究數據的高度專業性，對數據體系建設更直接的要求便是保障數據質量和研究結果的準確性，平衡數據安全與開放共享的關系。

IFENG建有研究支持部門，負責信息搜索、調查收集等，支持研究人員開展研究活動，研究團隊組建靈活，對研究人員的數據分析能力要求高。IFENG會根據研究項目組建團隊，臨時聘用來自大學、政府或其他科研機構的資深領域專家，匯聚多元化智慧。聘用人員既包括不同領域專業性強的兼職研究員，也包括熟悉研究要求的全職研究員，外聘人員是全職研究員數量的近3倍[23]。在此期間，研究人員可以接觸不同領域的專家，通過項目互相學習，尤其是豐富交叉領域知識，積累研究經驗。當項目完成時，團隊解散。IFENG的人才團隊構建不僅十分靈活，而且人才團隊的多元化也會進一步帶來多途徑來源的研究項目。

為保障研究結論準確性，IFENG將保障數據質量嵌入到嚴謹、標準化的研究流程中。以研究主題為核心，研究團隊在設計階段明確數據收集的目標對象、方法、工具等，重視數據標準規范體系。以社會經濟數據為例，數據采集模式多為自采集[24]，廣泛應用訪談法、問卷法等采集方法，針對特定研究問題定制化采集高相關性、高準確性的一手數據，從源頭把控數據質量，為深度分析奠定基礎。與此同時，IFENG研究團隊會選用案例研究、實地調研和專家研討等多種研究方法交叉檢驗同一項目研究成果[25]，確保基于數據得出的結論的可靠性。

IFENG雖然十分重視向社會傳播共享研究成果，但鑒于一手數據的高敏感性，對外共享的數據多為產品型數據，具有隱形性，表現為數據類型是對原始數據進行處理分析后得到的二手數據，并依托于產品發布，受限于產品形式[13]。事實上，這是主題型科技智庫的主流做法。當然，在數字化時代，適度公開一手數據會有利于更多有興趣的研究者開展多維度多因素的關聯分析。

3.3復合型科技智庫及其數據體系分類

3.3.1復合型科技智庫當前，科學技術研究呈現融合態勢，學科間交叉研究已成常態。這種趨勢推動學科交叉與科技政策緊密交織，進而促使科技智庫的研究主題愈發具有跨領域性和綜合性。除此之外，隨著數字化進程加快，科技智庫所依托的主體對智庫數字化水平和研究專業化程度提出了更高要求。因此，復合型科技智庫更加符合時代要求，便于滿足各方需求。

復合型科技智庫規模體量大，不僅在政府科技決策、國際多邊合作、公眾科普傳播等多領域提供決策咨詢服務，還在科技前沿領域相關主題設有專門的研究中心或研究所，進行垂直領域的深入研究。由此可見，復合型科技智庫既開展多元領域的綜合研究，又開展定向領域的專業研究，面臨“寬度”和“深度”問題。

3.3.2復合導向數據體系為實現跨領域數據整合、定向領域數據積累、知識價值深化等，需建設復合導向數據體系。復合導向數據體系不僅追求數據資源的豐富、全面，更重視領域內數據資源深厚，具有不可替代性，對數據資源管理和數據部門的要求更高，融合了主體導向和主題導向數據體系特征。

為進一步明確復合導向數據體系建設特點，本文以美國蘭德公司（RAND）[2為例進行分析。RAND從事新興技術、國家安全、公共福利等領域研究，服務對象和研究領域廣泛，同時面向不同垂直領域開展專業化深度研究。“寬度”和“深度”的雙重追求促使RAND構建復合導向數據體系，在使用可靠數據源、合適研究方法的基礎上，確保專業縱深，提供高水準、高效用的政策研究和分析。

RAND各數據部門根據研究方向成立專業的數據團隊，職責分工明確，負責積累數據資源，構建特色數據庫、數據分析工具、數據方法模型等。RAND數據相關崗位涉及網絡與數據科學，數據挖掘，數據收集、分析、處理等，如信息政策分析師、遠程信息服務支持專家、軟件研發工程師等。

在數據資源積累方面，RAND擁有領域廣泛的內外部數據資源，包括自建數據庫資源、外部購買的商業數據庫資源等。針對研究項目，RAND既積累珍貴的一手數據，也進一步積累經過加工得出的研究報告等項目數據。RAND官網設有“Researchamp;Commentary”欄目，將各類資源數字化集成并發布，支持檢索和下載，實現統一訪問。數據資源可自定義時間篩選，包括研究報告、專家見解、研究簡報等多種類型，涉及商業、人口、安全、軍事、法律等多領域，也可鏈接到外部出版物。

在數據方法模型方面，RAND投人大量精力創新研究方法，建有方法研究中心（MethodsCenters），加強項目研究深度，例如，訪談（interviews）、焦點小組（focusgroups）等數據收集方法，合成控制（syntheticcontrol）、斷點回歸（regressiondiscontinuity）等數據分析方法，德爾菲法（Delphi）、情景卡牌博弈（scenario-basedcard game）、兵棋推演（paperwargaming）、系統規則建模博弈（structured manual game design）等預測和決策方法。

3.4 對比分析

明確服務對象和服務主題，是科技智庫開展決策咨詢服務的關鍵環節。主題型科技智庫聚焦定向領域的深度研究；主體型科技智庫研究更為宏觀，服務領域更為廣泛，滿足資助方的基本需求是其首要目標。因此，科技智庫所依托主體的定位決定了智庫底色。在科技深度融合和專業化趨勢加強的雙重態勢下，主體型科技智庫向復合型科技智庫轉型是其進階發展的必然路徑。

數據體系建設類型依托于科技智庫分類。對比分析不同類型的數據體系特點，可以發現，ITIF、IFENG和RAND都重視數據的底層支撐作用，但側重點各不相同。ITIF主要建設的是主體導向數據體系，重視數據資源的集成和關聯，追求數據資源豐富，建有數據中心，便于開展多領域研究，滿足服務對象需求。IFENG主要建設的是主題導向數據體系，重視面向項目的數據積累，追求數據質量和專業深度，研究團隊組建靈活，便于開展有限目標的深層次研究。RAND則擁有復合導向數據體系，數據體系建設規模更大，具有系統且專業的數據管理規劃，豐富且有深度的數據資源，創新研究方法，重視數據團隊建設，便于開展多領域和深層次研究。表1清楚地列出了三種數據體系的建設特點。

表1三種數據體系的建設特點

Table1 Theconstructioncharacteristicsofthethreedatasystems

總體來看，復合導向數據體系融合了主體導向和主題導向兩種數據體系的特點，體系優勢更加明顯。建立復合導向數據體系，既有利于科技智庫滿足主體多元需求，完成科研任務，又可以為科技智庫開展深入的主題研究賦能，抓住科技領域的痛點、難點問題，聚焦突破“卡脖子”的核心技術難題。

4總結

隨著數據重要性與日俱增，以數據反向驅動對科技智庫的研究與探討，是順應時代發展趨勢的必然選擇。為此，本文結合數據體系展開對科技智庫的分類討論，基于服務視角，將科技智庫分為主體型科技智庫、主題型科技智庫和復合型科技智庫。與此同時，綜合以上視角得出以下結論：主體型科技智庫可建設主體導向數據體系，助力解決多領域需求的“寬度”問題；主題型科技智庫可建設主題導向數據體系，助力解決定向領域專業化探索的“深度”問題；復合型科技智庫可建設復合導向數據體系，助力解決“寬度”問題和“深度”問題。

不可否認的是，本文對國外科技智庫的調研尚顯淺顯，且未對國內外科技智庫展開深入對比分析。為進一步驗證理論的科學性，未來研究將針對這一數據體系分類展開多維度驗證與深人討論，為優化我國科技智庫的數據體系提供更具實操性的理論依據。

參考文獻：

[1]萬勁波，李培楠.科技智庫功能定位與能力建設研究[J].情報工程，2018，4（4）：15-24.

[2]武虹，趙立新，高潔，等.國內外科技智庫數據資源對比分析[J].今日科苑，2019（6）：17-24.

[3]季婉婧，曲建升.國際典型科技智庫的類型及其產品特點分析[J].圖書與情報，2012（5）：93-98.

[4]成群鵬.中關村科技智庫發展：基于3個典型案例的研究[J].文化創新比較研究，2017，1（9）：101-102.

[5]王克平，孫華偉，鞠孜涵，等.我國科技智庫研究述評[J].情報科學，2023，41（10）：177-188.

[6]何華.地方科技智庫建設的辯證思考[J].經濟師，2019（6）： 9-11，13.

[7]張月鴻，劉登偉.科技智庫建設的多層次圖景分析[J].智庫理論與實踐，2018，3（1）：2-13.

[8]任鵬飛.數字賦能科技決策智庫高質量發展：理論、圖景與策略[J].科學管理研究，2022，40（5）：39-45.

[9]魏悅，劉桂鋒.基于數據生命周期的國外高校科學數據管理與共享政策分析[J].情報雜志，2017，36（5）：153-158.

[10]黃源，施栩婕，李晨英.基于科學數據管理流程的科研機構職責分析[J].數字圖書館論壇，2020（1）：20-26.

[11]陳恬，余亞榮，張照余，等.基于數據保全思想的科學數據全流程管理研究[J].檔案與建設，2020（12）：4-9.

[12]儲節旺，夏莉.嵌入生命周期理論的科學數據管理體系構建研究：牛津大學為例[J].現代情報，2020，40（10）： 34-42.

[13]李純，張冬榮.科技智庫數據信息服務模式研究[J].情報理論與實踐，2016，39（6）：32-37.

[14]安楠，祝忠明.國外智庫數據搜集策略及其在大數據環境下的挑戰[J].圖書與情報，2017（3）：134-140.

[15]吳雅威，張向先，盧恒．國外一流智庫的數據管理模式解析及其啟示[J].情報雜志，2020，39（11）：126-133，164.

[16]楊況駿瑜，唐川，王立娜．信息科技智庫建設與實踐經驗：以CaSIT為例[J].智庫理論與實踐，2023，8（3）：91-98.

[17]邱均平，馬海群.再論知識管理與信息管理[J].圖書情報工作，2000，44（10）：5-8.

[18]王飛.促進和支持高水平科技智庫發展[N].學習時報，2023-03-27（7）.

[19]靖繼鵬.信息生態理論研究發展前瞻[J].圖書情報工作，2009，53（4）： 5-7.

[20]美國信息技術與創新基金會[EB/OL].[2025-02-10].https：//itif.org/.

[21]申靜，楊家鑫，楊曉榮.基于開放式創新的智庫知識服務價值鏈模型構建與應用[J].現代情報，2025，45（7）：3-13.

[22]日本未來工學研究所[EB/OL].[2025-01-10].https：//www.ifeng.or.jp/.

[23]張彥鈺．日韓科技智庫建設經驗與啟示[J].智庫理論與實踐，2019，4（4）：45-50.

[24]李純，張冬榮．科技智庫的社會經濟數據需求及其建設模式案例分析[J].圖書情報工作，2015，59（11）：98-105.

[25]劉怡君，遲鈺雪.英日兩國科技智庫對比研究及啟示：以英國科學政策研究所和日本未來工學研究所為例[J].智庫理論與實踐，2019，4（6）：103-110.

[26]蘭德公司 [EB/OL].[2025-01-10]. https：//www.rand.org/.

作者貢獻說明：

溫馨：提出研究思路，撰寫論文；

武虹：確定選題，指導并修改論文；

高文靜：探討并指導論文；

趙正國：提出論文修改意見；

鄭浩峻：指導并審閱論文。

溫馨，武虹，高文靜，等.[J].智庫理論與實踐，2025，10（4）： 70-77.

Abstract： [Purpose/Significance] In the digital age，taking the data system as the logical starting point and reversely driving the research and discusson on science and technology think tanks is an inevitablechoice that conforms to the development trend of the times. [Method/Process] Clarifying both service targets and service themes not only as a basis for classifying science and technology think tanks from a service-oriented perspective， butalso as a crucial prerequisite forcategorizing data systems.Accordingly，drawing onrelevant theories from the information feld，this paper categorizes sience and technology think tanks into three types： subject-oriented， theme-oriented and composite-oriented.These correspond respectively to the construction of subject-oriented， theme-oriented and composite-oriented data systems.Taking Information Technology and Inovation Foundation of the United States，the Institute forFuture Enginering of Japan and the RANDof the United States as examples， this paper further explores and summarizes the construction characteristics of the three types of data systems by comparison.[Result/Conclusion] The study reveals that the composite-oriented data system integrates the characteristics of both subject-oriented data systems and theme-oriented data systems. It helps science and technology think tanks tackle the“breadth\"isse of meeting the needs of multiple fields and the“depth\" issue of conducting professional explorationonresearch themes.This is highly likelyto be the inevitable path for science and technologythink tanks toachieve profesional development inmultiple fields in the digital age，andakey link for them to enhance their decision-making support capabilities.

Keywords： science and technology think tanksdata system institution-orientedtheme-oriented composite-oriented