第3章　孵化器促进企业创新的基础分析

3.1　引言

自1987年第一家科技企业孵化器成立以来，我国孵化器产业从无到有、从有到优，特别是在新时期创新驱动发展战略和“大众创业、万众创新”方针的指导下，我国孵化器产业实现了新一轮腾飞。同时，随着孵化器数量的不断扩张，同质化、营利性和白热化竞争等问题不断出现，机制落后、服务低端等弊端也日益凸显，我国孵化器的发展已经进入新的调整期和转型期。因此，检验和分析孵化器对企业创新的促进效应在新时期显得尤为重要。

回顾文献，有关孵化器对企业创新影响效应的测度和评价，多数学者或是基于问卷调查进行定性分析（Chen and Lau, 2005；林强, 2003），或是从宏观角度，基于我国省级面板数据来测算孵化器效率（章涛, 2016；赵洋洋, 2017），而由于微观数据获取可能性等原因的限制，通过比较孵化企业与非孵化企业的差异来分析孵化器对企业创新影响的研究尚比较少见（即基于企业数据的微观测度较为少见），尤其以国内企业为研究对象的文章更为匮乏。而且，为数不多的几项研究（Colombo and Delmastro, 2002；吴建銮等, 2017）也存在着一定的不足：其一，数据方面，该类研究的样本量普遍过少，其研究结论的可靠性有待进一步验证；其二，研究方法方面，对孵化企业和非孵化企业的简单比较存在较为严重的内生性和样本选择偏差问题；其三，变量选取方面，对企业创新变量指标的选取较为单一，未能反映企业创新的全貌，从而难以较为全面和系统地考察孵化器对企业创新的促进效应；其四，现有的研究均忽视了关于孵化器对非技术创新影响效应的实证考察。

为弥补现有研究的不足以实现关于孵化器对企业创新促进效应的准确且系统的测度，本章将基于中关村海淀科技园企业数据，运用比较前沿的微观计量模型——倾向得分匹配—双重差分模型（PSM-DID）来实证检验孵化器对企业创新的促进效应。考虑到企业创新包含创新投入、创新产出、创新效率、劳动生产率等多个方面，本章就孵化器对创新过程的上述各主要阶段以及非技术创新（包括组织创新和营销创新）的影响效应依次进行检验和分析。此外，借助创新过程的经典模型——CDM模型以及针对非平衡面板的可行广义最小二乘估计方法（FGLS）进行稳健性检验。作为全书实证研究的开端，本章将就孵化器对企业创新的促进效应进行基础分析(1)，初步检验孵化器对企业创新的作用效果，并为异质性效应、微观机制、空间机制等后续一系列研究的具体开展做铺垫。

为实现关于效应的准确测度，本书力争在数据和方法上实现突破：首次采用大型微观企业数据集进行效应测度，并且正如第1章中所介绍的，中关村海淀科技园企业数据集具有样本量大、代表性强等重要优势；首次采用可以同时有效解决内生性和样本自选择问题的PSM-DID模型，并且采用针对非平衡面板的可行广义最小二乘估计方法（FGLS）进行稳健性检验，再次提升了研究结论的准确性和稳健性。

除此之外，本章还具有以下重要特色：其一，考虑到企业创新是一个从创新投入到创新产出，最终到经济效应实现的动态过程，各阶段之间环环相扣、彼此联系，并且不同阶段所对应的创新要素特征以及所面临的问题和困难差异较大，本章将实证分析孵化器对企业创新过程各主要环节的促进效应。本章旨在考察孵化效果的阶段性变化，对各个环节的连接性进行评估，对创新链条上可能存在的“裂缝”进行排查，最终探索符合企业创新规律的孵化路径。其二，考虑到非技术创新是创新过程的重要组成部分，本章将首次基于微观数据实证分析孵化器对非技术创新的影响效果(2)。其三，考虑到CDM模型是打开创新过程“黑箱”的重要工具，本书将采用CDM模型进行稳健性检验，并且，将PSM-DID模型嵌入其中，改进传统CDM模型，以有效解决内生性问题和样本选择性偏差问题。

本章结构安排如下：第3.2节为理论分析与研究假设；第3.3节为研究设计，重要介绍倾向得分匹配—双重差分模型设计、变量选取以及数据来源情况；第3.4节为实证分析，将分别就孵化器对企业创新投入、创新产出、创新效率、企业生产率等创新过程的各主要阶段以及非技术创新（包括组织创新和营销创新）的影响进行实证分析；第3.5节将运用CDM模型以及可行广义最小二乘估计方法（FGLS）进行稳健性检验；第3.6节为本章小结。