基于PMC指数的众创空间政策量化分析——以2015-2018年14项众创空间政策为例

作者：刘瀚宇

来源：《大经贸》 2020年第4期

刘瀚宇 重庆工商大学 重庆 400067

【摘 要】 以国务院以及各部委2015-2018年众创空间政策为研究对象，结合众创空间政策特点，构建了包含10个一级变量和35个二级变量的PMC指数模型并通过文本挖掘的方式对14项众创空间政策进行深入挖掘和量化评价，最后通过PMC曲面将最终结果直观反映出来，通过多投入产出表和PMC指数得分可以发现各项众创空间政策的优势和缺点，有利于找到政策薄弱点，可以为众创空间政策的优化提供决策建议。

【关键词】 众创空间政策 PMC 政策评价 指数模型

引 言

众创空间近三年呈现井喷式发展，但是数量众多的众创空间在发展过程中存在着诸多问题：不少众创空间仍停留在基础服务和房地产服务上（李名梁，2015）；只有3％的众创空间从事教育和科技服务（李艳萍等，2016），“有店无客”的现象还比较普遍（李艳萍等，2017）等。国务院以及各部委针对这些问题发布了一系列政策，各类政策的相继出台使得众创空间政策体系复杂化。公共政策理论认为，政策体系的复杂性越强，政策集成下的政策协同问题也越突出，政策制定者在政策的制定时，需通过政策自身的属性构建有机结合、结构互补的政策体系来发挥政策效应（谢明，2015）。因此，本研究通过对众创空间政策的量化结合文本挖掘，构建众创空间量化评价指标体系，对国务院以及各部委的众创空间政策文本进行量化评价分析，为众创空间政策的废、改、立提供决策依据。

1 文献综述

国内当前针对政策评价的方法主要涉及：①政策指数分析方法。高峰（2013）通过使用政策指数分析法对天津市科技创新政策进行了实证研究，其认为政策指数是政策分析的新尝试；②PMC指数模型法。张永安等（2016）使用PMC指数模型法对国务院创新政策进行了评价研究，但是没有结合政策的具体特点构建评价指标体系，评价结果针对性较差。③DEA（数据包络分析法）。张永安等（2017）使用两阶段DEA模型对区域创新政策进行了评价研究。

本研究利用PMC指数模型进行众创空间政策量化评价。研究结合了众创空间政策自身的特点并且所构建的指标体系是针对众创空间政策的有效设定，在量化政策方面精度更高。

2 PMC指数模型建立

2.1 样本选取

本研究以国务院以及各部委颁发的涉及众创空间的政策为研究对象。首先，以众创空间、创新创业为关键词，从国务院以及各部委等网站进行政策搜索，共收集到政策文本17项；最后，剔除与众创空间关联程度较小的政策文本，最终得到有效研究样本政策14项。

2.2 建立PMC指数模型

本文基于Estrada（2011）的政策评价研究，参照李晨光等（2014）对政策量化评价相关变量的确立，选取了评价指标体系的10个一级变量和35个二级变量(如表1所示)。

2.3构建多投入产出表

多投入产出表的本质是搭建一套数据分析架构，它可以从多个维度对单一变量进行量化。本文对多投入产出表中10个一级变量下面设置的35个二级变量进行赋值，结合众创空间扶持政策各变量的具体特点，见表2

2.4计算PMC指数

计算PMC大致分为以下3个步骤：（1）确定各二级变量的值（2）计算一级指标的值（3）计算PMC指数。具体计算公式如下所示

其中i表示第i项政策，j表示该政策下的二级变量。根据公式计算14项众创空间政策的PMC指数得分，如表3所示。

由上表可知各众创空间政策的PMC指数及其排名，不同众创空间政策如需完善，则可以根据各一级变量结合众创空间特点和政策具体情况进行分析。

4 代表性众创空间政策对比分析

为了更好的对比政策，选取PMC指数最高的政策P13和PMC指数最低的政策P14进行对比研究。P13是2018年9月18日发布的《国务院关于推动创新创业高质量发展打造“双创”升级版的意见》，P14是2018年11月1日发布的《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》。

从P13和P14的PMC得分指数表中可以看出导致两项政策结果差距较大的指标主要在于政策措施和政策功能两方面，我们将主要从以上两个方面通过多投入产出表（如表4和5所示）了解两项政策的差异根源所在。

（1）政策措施方面。P13是一项较为详尽并且针对众创空间较强的政策。而P14是由财政部、税务总局、科技部、教育部联合发布的专门针对科技企业孵化器、大学科技园和众创空间的税收政策，在激励众创空间的税收方面做出了具体措施，但是政策范围相对狭窄。

（2）政策功能方面。P13作为国务院发布的一项综合性政策，涉及到技术创新、政府购买、规范引导和制度约束等多项功能。P14则主要作为针对税收优惠的政策在功能上仅具有制度约束作用。

5 研究结论

本文以2015-2018年国务院以及各部委发布的14项众创空间政策文本为基础，运用PMC指数模型对14项政策进行文本挖掘和量化评价研究。评价结果显示除政策P14专业性较强导致其评分较低之外，其他政策评分都处于良好范围，结合一级变量与二级变量值可以精准定位待评价众创空间政策的优势及薄弱点，对众创空间后续政策的优化具有重要意义。

【参考文献】

[1] Ruiz Estrada,M.A. Policy modeling: Definition, classification and evaluation[J].Journal of Policy Modeling,2011,33(4):523-536.

[2] 高峰.基于政策指数的科技政策实证研究[J].科技进步与对策,2013,30(19):105-108.

[3] 李晨光,张永安.区域创新政策对企业创新效率影响的实证研究[J].科研管理,2014,35(09):25-35.

[4] 张永安,马昱.基于R语言的区域技术创新政策量化分析[J].情报杂志,2017,36(03):113-118.

[5] 李名梁.职业院校发展众创空间的着力点[J].当代职业教育,2016(04):1.

[6] 李燕萍,陈武.中国众创空间研究现状与展望[J].中国科技论坛,2017(05):12-18+56.

[7] 谢明.公共政策导论[M].北京:中国人民大学出版社,2015.

作者简介：刘瀚宇（1995-），男，硕士在读，研究方向：平台型组织管理

本文系重庆工商大学研究生“创新型科研项目”项目编号：yjscxx2019-101-99