产业政策激励了创业孵化绩效吗？——来自中国孵化器的微观证据

李 静，颜振军，姚景民

（北京师范大学经济与资源管理研究院，北京 100875）

1 研究背景

科技企业孵化器（以下简称“孵化器”）通过汇聚多种创新创业资源，为初创企业提供办公场所、辅导咨询、政策服务、知识产权服务以及投融资服务等，赋能于初创企业的初期发展。1987 年，我国首家科技企业孵化器——武汉东湖新技术创业者中心成功落地，拉开了我国科技企业孵化器事业的实践序幕。30 多年的改革发展，我国孵化器事业从无到有，从弱到强。孵化器在优化区域创新体系，完善产业链服务，提升中小微企业存活率，推动高新技术产业高速发展以及促进科技成果转化等方面发挥重要作用，成为我国推动战略性新兴产业发展的重要推手。在1998 年以前，我国孵化器事业发展缓慢，孵化器受到中央政府的政策扶持非常少，而地方政府几乎没有给予任何政策优惠；1999—2005 年期间，中央和地方政府开始对孵化器给予专项资金，财政投资等扶持政策，大多数孵化器由政府出资建立，具有公益性的特征，孵化器数量稳步增加至500多家；2006 年开始，我国政府开始对孵化行业实施税收优惠、政府补贴等政策支持，而且扶持力度不断增大，同时孵化器的数量也大幅度增加［1］。考察政府政策支持力度和孵化器数量变化趋势（见图1），发现政府政策对我国孵化器事业的发展产生了重要影响。当前，政府对孵化器的产业政策包括财政投资、政府补贴、税收优惠等，以孵化器为媒介引导大量的财政及社会资金进入双创领域，有效发挥财政投入助力创新创业发展的重要职能。如表1 数据显示，自2015 年至2019 年，政府对孵化器的政策扶持力度不断增大，对孵化器事业的发展给予了高度重视。当前我国经济处于高质量发展阶段的关键时期，“十四五”规划中明确指出提升创新能力，搭建高级化产业基础，优化产业链结构是经济发展取得新成效的重要目标之一。孵化器作为创新创业体系中的核心之一又迎来了新的历史使命和挑战，政府在这个过程中该如何发挥恰当的作用？如何从多维度全面地考察产业政策对于孵化器的影响效果？不同的政策及政策组合又有何差异？所在地区和孵化器类型是否会影响政策效应的发挥？本文试图基于全国孵化器的微观数据探索以上问题，为实现政府政策对孵化活动的精准扶持、优化政策效果和推动孵化行业高质量发展提供经验证据和政策建议。

表1 我国孵化器获得的政策支持情况

图1 1995—2019 年我国孵化器数量变化

2 文献回顾

2.1 孵化器的绩效研究

国内外对孵化器绩效的研究主要集中在影响孵化器绩效的因素以及孵化器绩效评价方法、模型、指标等。关于孵化器绩效的影响因素研究，综合国内外研究发现目前学者们提出的影响孵化器绩效的主要因素可以分为两大类：内部因素和外部因素。内部因素主要包括孵化器的构成要素以及各要素结构比例，具体来讲包含孵化人员、孵化设施、孵化资金、孵化信息、文化制度和孵化服务等。外部因素则包括国家的宏观政治经济形势、国家经济和技术政策、国家创新系统与区域创新系统、社会创业环境、社会相关支持网络等关于孵化器的绩效评估目前还没有统一的标准。如晏敬东等［2］从5 个方面构建科技企业孵化器管理绩效评价指标体系，分别为运营与发展能力，技术创新能力，社会贡献，创业环境，国际开放程度；Chan 等［3］在将9 个标准纳入评价体系，包括资源汇聚优势、资源共享优势、咨询服务优势、公众形象提升的正面效应、网络优势、集群效应、地理邻近性、成本补贴和资金支持；徐菱涓等［4］运用主成分分析法筛选出了5 个用于评估我国科技企业孵化器绩效的因素，分别是政治绩效、社会绩效、过程绩效、财务绩效、市场绩效。总结国内外学者的研究，发现对于孵化器的绩效评价一般围绕孵化器的功能定位、承担的社会职责和自身发展水平来展开分析。

2.2 孵化器的政策研究

一部分学者聚焦于某个特定区域利用实地调研、案例分析、文本分析等方法探索孵化器的政策效果。如Adegbite［5］以尼日利亚孵化器发展情况为例指出目前其孵化器数量较少原因之一就是缺乏政府优惠政策和资金的支持；Santos［6］以葡萄牙的一个中型城市科英布拉为例子，探讨了政府对孵化器的税收优惠等公共政策促进了区域创新生态的发展和企业家精神的培育。北京市地方税务局课题组在对北京孵化器进行认真分析后，指出其收入来源主要是租金收入，科技中介服务收入较少，而税收优惠政策对这些孵化器的实际效果有限，并基于此提出相关的税收政策［7］。李志军等［8］以北京集成电路设计园发展实践为例，指出其发展面临公共财政资金扶植力度下降、税收优惠政策取消、园区主营业务收入因市场竞争存在潜在风险及相关体制所限等制约因素，影响了可持续发展，并基于此提出了促进专业孵化器发展的财政政策；李梓涵昕等［9］对1994—2019 年中国政府出台的关于孵化器政策的130 多条文本进行了分析，结果表明中国孵化器政策呈现出制定主体协同度不断提升、政府普及范围越来越广、政策工具不断多样化、政策的针对性越来越精准等趋势，但同时存在法律方面的政策稀少、需求型政策工具应用较少、政策实施效果考核评价内容匮乏等问题。

国内很多学者还通过构建数学模型，数据分析等方法实证探索孵化器的相关政策为孵化器的服务或绩效带来的影响。如卢珊等［10］通过构建税收优惠、政府补贴和孵化器与创投直接的合作行为的数学模型，探索出单一的税收政策对这种合作行为产生负向影响，搭配补贴政策则可均衡合作过程中的收益损失；崔静静等［11］基于2009—2012 年国家级科技企业孵化器的数据进行实证分析，发现税收优惠政策对孵化器孵化服务的提供有正向的激励作用；关成华等［12］以孵化器内当年毕业企业作为孵化器绩效的度量，利用2016 年全国孵化器数据得出财政投资、财政补贴和税收优惠均对孵化绩效有显著的激励作用的结论。其中税收优惠政策最为有效，财政投资和财政补贴的政策效果基本相当。许治等［13］利用广东省2016—2017 年的孵化器数据，探究政府补贴对孵化器服务水平的影响，结果表明政府补贴强度与孵化器的行政管理服务、创业指导服务之间存在倒“U”型关系，与孵化器网络服务存在正相关关系，与投融资服务没有显著的相关关系。

考察以往研究发现，关于政府政策对孵化器绩效的影响的研究文献较少，当前的研究仅以单一维度来考察孵化器政策对绩效的影响，存在一定的片面性，且当前研究还未涉及到政策组合的对孵化器绩效的影响。本文在现有研究基础上，基于2017 至2019 年中国孵化器的微观数据，选用倾向得分匹配（PSM）法全面分析政府不同的政策及政策组合对孵化器市场、创新和经营3 个绩效维度的影响，同时对地区差异化和孵化器类型差异化展开分析讨论。

3 数据说明与研究方法

3.1 数据来源与处理

本文数据来源于科技部火炬中心火炬统计调查信息中全国孵化器及在孵企业统计数据库，该数据库收录了最为全面的全国孵化器及在孵企业的相关数据，选取2017—2019 年全国孵化器的微观数据进行研究。为保证研究的准确性，对样本数据进行以下处理：（1）删除存在数据缺失的样本，并筛选获得2 928 家在3 年均纳入统计的孵化器面板数据；（2）为更加准确地测度政策效应，仅保留在2017—2019年期间，3 年持续受到政策支持和3 年间未受到任何政策支持的孵化器为研究对象，共计2 896 家；（3）考虑到政府政策对孵化器绩效影响存在时滞性，以各变量在3 年内的平均值来度量综合水平。

3.2 变量选取与描述性统计分析

3.2.1 变量选取

（1）结果变量。基于以往研究并从孵化器的功能、承担的社会职责等多方面考虑，如图2 所示本文从市场绩效、创新绩效和经营绩效3 个角度构建孵化器绩效的评价体系，全面反映孵化器的综合能力。

图2 孵化器绩效评价体系

在以往的研究中常以孵化器内毕业企业数量作为绩效的度量。但是鉴于当前孵化模式的更新，当前孵化的主要目标并非督促企业尽快毕业，而是与企业形成强关系，助力企业发展壮大，从而实现孵化器与企业的共同成长。所以以孵化器内当年孵化出的上市企业数量来度量孵化器的市场绩效更具有研究意义。同时孵化器是国家创新体系的重要组成部分，肩负着落实国家创新驱动发展战略的重任，本文以孵化器内在孵企业当年所获得的发明专利授权数来考察孵化器的创新绩效。作为市场经济中的一分子，孵化器也要实现自身的可持续发展，本文以当年的净利润作为孵化器经营绩效的度量。

（2）处理变量。设置6 个处理变量来探索单项政策与不同的政策组合对孵化器绩效的影响。分别为财政投资（invest）、政府补贴（sub）、税收优惠（tax）这3 个单项政策处理变量和财政投资与政府补贴（invest-sub）、政府补贴与税收优惠（sub-tax）、财政投资与政府补贴和税收优惠（invest-sub-tax）这3 种政策组合的处理变量。由于同时受到财政投资与税收优惠（invest-tax）政策支持的孵化器仅29家，数量较少，匹配效果较差，得到的结果不具有可靠性，所以本文未具体讨论。

（3）控制变量。财政部等四部门颁发的《关于科技企业孵化器、大学科技园和众创空间税收政策的通知》（财税〔2018〕120 号）中表明国家级孵化器优先享受税收优惠政策。而国家级孵化器的评定一般从孵化器的在孵企业数量、孵化场地面积、在孵企业数量、孵化资金规模、服务团队、创业导师工作机制和服务体系、运营时间等方面考察。本文参考以往研究及政府政策文件，综合考虑既影响孵化器绩效又影响孵化器获得政策支持的因素，从平台规模、人力投入、基础设施、资金支持、创业资源和孵化器年龄6 个维度设置控制变量。

3.2.2 量的描述性统计分析

变量的描述性统计如表2 所示，在结果变量中，创新绩效的标准差为16.894，表明样本中孵化器内在孵企业的创新产出存在较大差异。从处理变量的均值来看，获得财政投资的孵化器占比44.1%，获得政府补贴的孵化器占比80%，获得税收优惠的孵化器占比11.4%。在2 896 家研究样本中有319 家孵化器未获得任何政策支持，作为控制组。

表2 变量描述性统计分析结果

3.3 研究方法设计

在实践中，孵化器是否获得政策支持并非是随机的，一方面，政府会综合考虑孵化器的经营状况、资源情况、平台规模等来做出决策；另一方面，孵化器在为了获取政策支持的过程中可能存在寻租的行为。这导致研究样本的选择存在内生性，为了克服样本选择偏差对研究结果产生的不良影响，本文采用倾向得分匹配方法加以修正。在本文的分析框架中设置了6 个处理组，控制组为3 年内未受到任何政策支持的孵化器样本。

首先，使用Logit 模型估计每个样本的倾向得分值，即在样本的控制变量确定的前提下，孵化器能够获得政策支持的概率，计算见公式（1）：

最后，根据匹配后的样本计算平均处理效应，计算见公式（3）：

为了使配对误差更小，研究结果更稳健。从以下三方面进行考虑：一是在配对前，生成随机种子数，将样本数据随机排序。二是在匹配时，若进行一对一匹配，则偏差较小，但是导致方差较大；而进行一对多匹配，由于使用了更远的信息，导致偏差较大，但由于使用了较多的信息降低了方差。借鉴Abadie等［14］的建议，进行一对四近邻匹配，综合考虑偏差和方差实现最小化均方误差（MSE）。三是本文除了采用k近邻匹配（k=4），还采用了半径匹配，核匹配和样条匹配，几种匹配方法的结果相似，证明本文的结果稳健可信，由于篇幅原因，仅汇报近邻匹配的结果。

4 实证研究及结果

4.1 单项政策的平均处理效应

4.1.1 logit 回归结果

表3 是政府采取单项政策，采用Logit 模型计算倾向得分的回归结果。结果显示孵化器获得财政投资与孵化器的基础设施显著正相关，与孵化器的年龄显著负相关；孵化器获得政府补贴与孵化器的平台规模、资金支持和创业资源显著正相关；孵化器获得税收优惠与孵化器的人力投入和年龄显著正相关。3 个回归结果的LR 统计量对应的P值均接近于0，表明整个方程所有系数（除常数项以外）的联合显著性很高。

表3 单项政策Logit 回归结果

4.1.2 共同支撑检验与平衡性检验

（1）共同支撑检验。在财政投资的匹配结果中，共507 个观测值，其中处理组共188 个观测值，有1 个不在共同取值范围内；控制组共319 个观测值，有6 个不在共同取值范围内。在政府补贴的匹配结果中，共1 192 个观测值，其中处理组共873 个观测值，有15 个不在共同取值范围内；控制组共319 个观测值，均在共同取值范围内。在税收优惠的匹配结果中，共361 个观测值，其中处理组共42 个观测值，均在共同取值范围内；控制组共319 个观测值，有43 个不在共同取值范围内。因此在3 个匹配结果中均仅丢失少量样本。

图3 至图5 分别为财政投资、政府补贴和税收优惠匹配前与匹配后倾向得分的密度函数对比图。结果显示，与匹配前相比，三张图匹配后的控制组和处理组的倾向得分密度曲线更为接近，且有更多的重叠部分。综合来看，三种匹配均满足PSM 模型共同支撑假设的前提，可以实现较高的匹配质量，为得到可靠结果提供保障，且采用倾向得分匹配后能够在一定程度上减少评估政策处理效应的误差。

图3 财政投资的倾向得分密度

图4 政府补贴的倾向得分密度

图5 税收优惠的倾向得分密度

（2）平衡性检验。平衡性检验用来考察匹配结果是否较好地平衡了数据，若匹配后的处理组和控制组的孵化器在各个控制变量上存在显著差异，则说明控制变量的选择或者匹配方法的选取存在一定的问题，若不存在显著差异，则认为通过平衡性检验，匹配结果具有可靠性。表4 为平衡性假设检验的结果，依据Smith 等［15］人的观点，使用t统计量来检验处理组和控制组各个控制变量的均值在匹配前后是否存在显著差异的原假设。从表4 中可观察出匹配后所有的T 检验结果对应的P 值均远高于10%，不拒绝处理组与控制组无系统差异的原假设，即可以认为匹配后处理组和控制组在6 个匹配维度上的表现基本相同。同时借鉴Rosenbaum 等［16］人的观点，匹配后标准化偏差（%bias）的绝对值小于20%可认为匹配效果较好。三种匹配结果中，匹配后的所有变量的标准化偏差（%bias）对比匹配前均缩小，且均小于20%。综合考察三种匹配结果均通过平衡性假设检验，匹配结果具有可靠性。

表4 单项政策平衡性假设检验结果

4.1.3 平均处理效应结果

由表5 的结果可得，匹配后处理组和控制组的孵化器绩效差异相比匹配前有所下降，这是由于匹配后的结果消除了由于各个孵化器样本的自身资源禀赋差异所导致绩效差异的影响因素，所以PSM 模型能够更准确地估计政策效果，即政策实施的平均处理效应（ATT）。

表5 匹配前后单项政策的绩效差异结果（ATT）

从匹配后的结果来看，单项政策中仅政府补贴对市场绩效产生了显著的正向影响（P＜0.01）,财政投资和税收优惠政策对市场绩效的处理效应为正，但是不显著。从创新绩效来看，三种单项政策均没有产生显著的正向促进作用，而财政投资的处理效应甚至在5%的水平上显著为负。三种单项政策的经营绩效的处理效应均在10%水平上显著为负，受单项到政策支持的孵化器的经营利润低于未受到任何政策支持的孵化器。综合来看，单项政策的对孵化器绩效的影响效果欠佳。

4.2 政策组合的平均处理效应

4.2.1 logit 回归结果

表6 是采用不同的政策组合的Logit 回归结果。由结果可得孵化器能够获得多种政策支持与其人力资本投入、孵化器的面积、对在孵企业资金支持、所拥有的创业资源和创办年限呈正相关关系。3 个回归结果的LR 统计量对应的P值均接近于0，表明整个方程所有系数（除常数项以外）的联合显著性很高。

表6 政策组合Logit 回归结果

4.2.2 共同支撑检验与平衡性检验

（1）共同支撑检验。在财政投资与政府补贴组合的匹配结果中，共1 150 个观测值，其中处理组共831 个观测值，有31 个不在共同取值范围内；控制组共319 个观测值，均在共同取值范围内。在政府补贴与税收优惠组合的匹配结果中，共675 个观测值，其中处理组共356 个观测值，有10 个不在共同取值范围内；控制组共319 个观测值，有49 个不在共同取值范围内。在财政投资、政府补贴和税收优惠三项政策组合中，共577 个观测值，其中处理组共258 个观测值，有25 个不在共同取值范围内，控制组共319个观测值，有4个不在共同取值范围内。因此在4 个匹配结果中仅丢失少量样本。由于在财政投资与税收优惠组合的匹配结果中，处理组的数量仅29 家，样本较少导致匹配效果较差，所以在本文中不予讨论。

观察图6 至图8 匹配前与匹配后倾向得分的密度函数对比图显示，与匹配前相比匹配后的控制组和处理组的倾向得分密度曲线更为接近，且有更多的重叠部分。综合来看，三种匹配均满足PSM 模型共同支撑假设的前提。

图6 Invest-sub 倾向得分密度

图7 Sub-tax 倾向得分密度

图8 Invest-sub-tax 倾向得分密度

（2）平衡性检验。表7 的结果显示，匹配后所有变量的标准化偏差大幅度缩小，且绝对值均小于20%，所有的T检验结果的P值均大于10%，结果不拒绝处理组与控制组无系统性差异的原假设，综合考量通过平衡性检验，结果具有可靠性。

表7 政策组合平衡性假设检验结果

表8 匹配前后政策组合的绩效差异结果（ATT）

4.2.3 平均处理效应结果

由表7 的结果可得，匹配后处理组和控制组的孵化器绩效差异相比匹配前有所下降。从市场绩效的结果来看，政策组合均对孵化器的市场绩效发挥积极的促进作用，且均在1%的水平下显著，其中政府补贴与税收优惠的政策组合影响作用最强，平均处理效应达到0.429 7，表明在平台规模、基础设施等特征和资源相似的情况下，同时获得政府补贴和税收优惠的孵化器比未获得任何政策支持的孵化器孵化出的上市企业多约0.43 个。从创新绩效的结果来看，政策组合均对创新绩效产生显著的正向影响，其中，三项政策的组合对孵化器创新绩效的影响作用最强，ATT 值达到5.017 5，即在平台规模、基础设施等特征和资源相似的情况下，同时获得三项政策支持的孵化器内在孵企业发明的专利数比未获得任何政策支持的孵化器多约5 项。从经营绩效的结果来看，政策组合的经营绩效均在1%的水平上显著为负。

4.3 组群内平均处理效应的差异

考虑到政策对孵化器各种绩效的影响可能会因为所处地区，孵化器类型而存在差异性。因此本文将地区分为东部地区和非东部地区，孵化器的类型分为综合孵化器和专业孵化器来进行探索。在研究样本中2 896 家孵化器，其中有1 799 家属于东部地区，占比62.12%，1 097 家属于非东部地区，占比37.88%1）；总样本中共有综合孵化器2 011 家，占比69.44%，专业孵化器885 家，占比30.56%。

4.3.1 地区的平均处理效应差异

政策实施效果的地区差异结果如表9 所示。单独的政府补贴政策和不同的政策组合对东部地区和非东部地区的市场绩效均产生显著的正向影响；政策组合仅对非东部地区的创新绩效产生了显著的正向影响；东部地区无论是单项政策支持，还是多项政策组合支持，政策对孵化器经营绩效的平均处理效应均显著为负。在非东部地区政策对经营绩效的平均处理效应均为正，但在统计意义上不显著。整体来看，孵化器的产业政策在非东部地区的实施效果强于东部地区。

表9 平均处理效应的地区差异

4.3.2 孵化器类型的平均处理效应差异

表10 的回归结果显示，从市场绩效来看，综合孵化器的政策效果要强于专业孵化器；从创新绩效来看，专业孵化器的政策效果要明显强于综合孵化器，其中专业孵化器中三项政策组合的ATT 值达到8.418 4，且在1%的水平下显著；从经营绩效来看，受到政策支持的综合孵化器的经营绩效均为负，受到政策支持的专业孵化器的经营绩效均为正，在统计意义上均不显著。

表10 平均处理效应的孵化器类型差异

5 结论与建议

5.1 研究结论

（1）单项政策对促进孵化绩效的作用有限。在排除由于各样本自身资源禀赋差异对结果的影响外，仅政府补贴对孵化器的市场绩效产生较为显著的正向影响。政府补贴一方面作为收入来源之一直接丰富孵化器的资金池，侧面降低运营成本，丰富孵化器所提供的服务产品。另外政府补贴的认可标签，向外部的科研院所、中介机构、投资机构等传递出利好信息，从而间接地为孵化器和内部企业带来更多创新创业资源。这种资源效应和信号传递机制使得孵化器能够培育出更多的优质企业。

（2）政策组合对市场绩效和创新绩效均产生显著的正向影响，其中政府补贴和税收优惠的政策组合对市场绩效的促进作用最强，三项政策的共同加持才能对孵化器的创新绩效产出发挥最大作用。由于创新前期需要大量的成本投入，研发过程需要可持续的、大规模的资金注入，整个创新过程具有较高的不确定性和风险性。政府政策的持续加码和不同政策之间的协同效应才能够对创新绩效产生显著影响。

（3）受到政策支持的孵化器的经营有待进一步提升。从结果来看，无论是单项政策还是不同的政策组合对经营绩效的处理效应均为负。这表明在排除样本个体资源禀赋的差异后，未受到政策支持的孵化器的净利润大于受到政策支持的孵化器。虽然为了促进行业的积极发展，政府的政策支持有时会倾向于“扶差”，但是持续性的不盈利并不利于这个行业的可持续发展，这敲响了产业政策实施的警钟。

（4）从地区差异来看，产业政策对非东部地区的处理效应高于东部地区。相比于东部地区，非东部地区的创新创业资源较为匮乏，政府政策的边际效用更大。从孵化器类型的差异来看，产业政策对综合孵化器的市场绩效有较为显著的激励作用，对专业孵化器则在很大程度上促进了其创新绩效。相比于综合孵化器，专业孵化器聚焦于某一特定领域为初创企业提供优质的专业化服务，孙启新等［17］探索出孵化器内部的专业化产业集聚能够形成较强的知识溢出，从而提高企业的技术创新水平，而综合孵化器内部的多样化产业集聚的知识溢出只有当研发投入达到较高水平时才发挥作用。基于专业孵化器知识溢出的优势，对其给予的政策支持能够在创新产出方面比综合孵化器带来更强的促进作用。

5.2 政策建议

（1）注重政策实施后的效果考核。政策对经营绩效的平均处理效应为负，一部分原因是孵化器具有公益性，对于一些落后地区，政府要给予支持，这部分的孵化器的经营水平会相对较差。但同时也存在对于资源充足的孵化器给予政策支持，由于政策实施效果的考核不够及时和严格，资源冗余和惰性心理导致缺乏提升自我发展的动力，从而未将政策资源有效转化为自身经营利润。所以政府需要及时对政策支持的效果进行考核监督，提升孵化器的自我造血能力，减少政策资源浪费的现象。

（2）依据目标，打好政策“组合拳”。本文的研究发现政府补贴对于市场绩效的促进作用更强；税收优惠对于创新绩效的促进作用更强；由于财政投资的使用需要经过严格的审核程序，使用效率低，市场灵活性低，需要在政府补贴和税收优惠加持的作用下才能对创新绩效发挥显著的促进作用。另外，政策组合对孵化器的市场绩效和创新绩效的促进作用强于单项政策。一方面政策组合的支持力度更大，另一方面各个政策组合在发挥作用的时候存在协同互补效应。政府在给予政策支持时需要审时度势，要充分考虑区域发展目标，灵活地运用财政工具，打好政策“组合拳”。

（3）因地制宜，充分发挥政策效应。对于东部经济发展水平较高，市场灵活性较强，机制较为健全，科研资源、技术人才、风险投资等创新创业资源较多的地区，政府要充当协调者角色，逐渐减少对孵化机构运营的参与、强化孵化机构自身的盈利能力。促进孵化器的私有化改革，可将直接投资转变为和孵化机构共同设立风投基金，提高资金利用的灵活度，及时解决初创企业的融资难题。同时东部地区专业孵化器较多，加大对专业孵化器的税收优惠和政府补贴的支持力度，以此提高孵化器的服务水平，充分赋能于中小企业的技术创新。对于孵化器行业发展落后的区域，除了给予资金支持外，政府仍然需要充当组织者的角色，保证孵化行业的可持续发展，以孵化器为杠杆，撬动经济活力，赋能企业发展。

注释：

1）东部地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南等10 个省和直辖市，其他地区属于非东部地区。