但它仍然推动着世界各地的经济决策（新西兰政府宣布推出一项旨在提高福利而不是 GDP 的预算成为头条新闻的原因之一）。
就包容性创新政策的证据体系而言，我们尚处于早期阶段。创新学术研究才刚刚开始探讨谁参与创新、谁从创新中受益的问题。缺乏证据可能会阻碍变革。例如，我们经常听到公平与卓越之间存在“权衡”。我们实际上并不知道这种说法在多大程度上是正确的，也不知道在什么情况下是正确的，但这是反对改变资金分配方式的有力论据。
研讨会的参与者指出，当前收集、链接和共享数据的方法阻碍了包容性创新政策的进展：我们对系统及其如何为社会中的不同群体发挥作用的理解不够全面，政策领域、其变革理论和数据收集活动之间缺乏一致性，这些都阻碍了我们取得进展。虽然包容性必须系统化才能有效，但通常情况下，这些问题仅限于特定政策领域内的个别干预措施。
与会者认为，我们需要提高数据集的互操作性，并开发工具来增强数据的共享和汇集。例如，美国的“失落的爱因斯坦”研究通过将专利数据与个人发明者的社会背景数据联系起来，能够产生强有力的见解，从而为政策变革提供依据；英国尚未开展此类工作。
同样，其他人指出，虽然我们可以评 哥斯达黎加电话号码数据 估个别试点，但即使这些试点显示出积极成果，也很难证明大规模投资促进包容性创新是合理的。我们可以证明，导师制计划在支持少数族裔背景的创新者获得资金方面是有效的，但仍然很难证明，总体而言，更具包容性的创新政策方法是有效的。
为了超越叙事，我们必须将注意力转向开发和测试指标、数据集和衡量框架的技术工作。这类工作将提高我们对创新活动和创新政策影响的理解，并有助于加强、澄清和减少新兴创新理论之间的矛盾。
新的政策目标需要新形式的证据
使用新的和多样化的研究方法来增强我们对包容性创新政策及其影响的理解具有巨大的潜力。在研讨会上，我们听到了四个正在为包容性创新政策开发证据基础的项目：
公民主导的指标制定：伦敦大学学院全球繁荣研究所的戴维·本特 (David Bent) 介绍了制定伦敦繁荣指数所采用的参与式方法。他强调了共同制定与民众经验相关的指标的重要性。
使用大数据分析为任务导向型政策制定提供信息：Nesta 创新地图团队的 Chantale Tippett 介绍了一项数据试点，该试点使用英国研究委员会的资助数据来绘制围绕人工智能和疾病早期诊断的创新生态系统 - 这是政府工业战略任务之一的重点。她质疑创建将人工智能应用于慢性病的任务是否具有额外性，因为近年来这两个领域的研究及其之间的交集一直在增长。
试验不同的信息传递方式，看看它们是否会影响性别代表性：来自 Innovate UK 的 Zoe Jones 和 Nesta 创新增长实验室的 Eszter Czibor 讨论了他们正在进行的试验，以了解 Innovate UK 通信中的不同信息传递方式是否有可能提高女性对融资机会的了解和参与度
区域层面的任务导向型政策制定：格拉斯哥大学的 David Waite 概述了使用参与式未来方法塑造格拉斯哥城市地区创新体系的计划。