張 超，張意博，魏學(xué)輝，王春楊

(1.河北工業(yè)大學(xué) 經(jīng)濟管理學(xué)院，天津 300401；2.重慶大學(xué) 經(jīng)濟與工商管理學(xué)院，重慶 400044)

創(chuàng)新是一個國家持續(xù)增長的核心動力，對我國順利跨越“中等收入陷阱”至關(guān)重要。當前我國經(jīng)濟正加快由高速增長階段向高質(zhì)量發(fā)展階段轉(zhuǎn)變，以創(chuàng)新驅(qū)動經(jīng)濟增長似乎已經(jīng)成為各級地方政府“共識”，“為創(chuàng)新而競爭”逐漸取代“為增長而競爭”成為地方政府競爭新范式［1］，各地紛紛圍繞“創(chuàng)新驅(qū)動”和“產(chǎn)業(yè)高端化”等目標制定本地發(fā)展策略，其中，營造本地“地方品質(zhì)”，提升本地創(chuàng)新環(huán)境，對地方下一步發(fā)展至關(guān)重要。硅谷、128公路的例子告訴我們，一個地區(qū)的創(chuàng)新“涌現(xiàn)”與本地創(chuàng)新環(huán)境密切相關(guān)，現(xiàn)階段各級地方政府也樂于在城市和區(qū)域?qū)用嫠茉毂镜貏?chuàng)新地理環(huán)境。房價作為重要的地方品質(zhì)指標和創(chuàng)新成本來源，深刻影響著本地創(chuàng)新地理環(huán)境［2］。

1998年我國全面推行住房商品化后，中國城市房價進入了“快車道”。2000—2017年，中國住宅商品房平均銷售價格從1 948元/平方米上升到7 614元/平方米①，在17年的時間里上漲了約3倍。從時間上看2008年和2012年為房價加速上升“拐點”，在空間上東部沿海地區(qū)與內(nèi)地房價差異逐步擴大，“北上廣深”四大城市更是遠遠高出平均水平。持續(xù)走高的房價會拖累地區(qū)創(chuàng)新的步伐。首先，城市房價的上漲會導(dǎo)致投資結(jié)構(gòu)的扭曲，其對創(chuàng)新資金的“擠占效應(yīng)”會抑制地區(qū)的技術(shù)創(chuàng)新水平［3-4］。其次，過高的房價加劇城市居民的“生活成本”，限制“潛在”人力資本向本地遷入，從而使得本地創(chuàng)新后勁不足［5-6］。第三，高企的房價提升本地服務(wù)業(yè)運營成本，對服務(wù)業(yè)集聚存在顯著的抑制作用，從而會制約城市創(chuàng)新創(chuàng)業(yè)活動［7］。盡管現(xiàn)有研究已經(jīng)對房價抑制創(chuàng)新的機制、影響程度等進行了深入探討，但仍存在若干不足。首先，從研究方法上看，既有研究普遍缺乏空間視角，房價和創(chuàng)新在空間上均存在較強的“空間依賴”特性，房價影響區(qū)域創(chuàng)新并非僅局限于“本地”，而是具有“空間傳遞效應(yīng)”。這就要求對房價和創(chuàng)新關(guān)系的探究必須具備“空間思維”，在空間計量的實證分析框架下探討房價創(chuàng)新的影響機制。其次，從研究問題上看，目前既有研究聚焦于探討“房價是是否對本地創(chuàng)新產(chǎn)生顯著抑制作用？”“房價對本地創(chuàng)新的抑制程度有多大？”等問題，而對“房價對區(qū)域創(chuàng)新的抑制效果在空間上有何差異？”“為推動我國創(chuàng)新發(fā)展，哪些地區(qū)將是房價規(guī)制的重點區(qū)位？”等問題缺乏有效探討。對于我國這樣一個地域遼闊、區(qū)域差異巨大的發(fā)展中大國而言，地域發(fā)展環(huán)境千差萬別，發(fā)展水平不盡一致，地理區(qū)位差異在經(jīng)濟機制運行的作用不容忽視。一方面，在房價“普漲”背景下，房價升高引發(fā)的創(chuàng)新“抑制”在地域上也必然呈現(xiàn)巨大差異，只有承認和明晰“抑制效應(yīng)”的空間差異，才能有針對性地制定基于房價規(guī)制的創(chuàng)新政策。另一方面，大量與房價相關(guān)的規(guī)制政策是“本地化”的，地方政府在諸如住房限購政策、土地供給量及供給結(jié)構(gòu)、土地出讓速度、建筑容積率等方面具有相當大的自由度，但房價對創(chuàng)新的影響卻是“全局性”的，如何從“全局”創(chuàng)新視角評估不同地區(qū)房價規(guī)制政策也是亟待深入探討的議題。這就要求在充分考慮變量空間依賴性的基礎(chǔ)上對房價抑制創(chuàng)新的“空間效應(yīng)”進行多維度空間分解。

本文將基于全國285個地級市2004—2013年10年面板數(shù)據(jù)，分別在地理距離和人口流動權(quán)重矩陣下運用動態(tài)空間面板模型探討房價對創(chuàng)新的“抑制效應(yīng)”，并對空間效應(yīng)進行多維度空間分解，識別房價對創(chuàng)新“抑制效應(yīng)”的空間差異，以期為推進創(chuàng)新發(fā)展的區(qū)域創(chuàng)新環(huán)境聯(lián)動機制提供依據(jù)。

1 文獻回顧

從作用機制看，房價上漲主要通過3種渠道抑制地區(qū)創(chuàng)新，即資本的“錯配效應(yīng)”、創(chuàng)新人才的“擠出效應(yīng)”、創(chuàng)業(yè)精神和創(chuàng)業(yè)活力的“阻滯效應(yīng)”。

首先，房價上升將通過資本“錯配效應(yīng)”抑制地區(qū)創(chuàng)新。在房價高企的背景下，房地產(chǎn)相關(guān)行業(yè)利潤率上升，從而引發(fā)具備創(chuàng)新能力的制造業(yè)為追求高額報酬率而轉(zhuǎn)向房地產(chǎn)行業(yè)［8-9］，同時激勵企業(yè)將本來用于持續(xù)創(chuàng)新研發(fā)的投資轉(zhuǎn)向房地產(chǎn)領(lǐng)域進行套利［10］，縮減用于研發(fā)的資金，最終抑制地區(qū)整體創(chuàng)新產(chǎn)出［4］。此外，房價上漲還可通過擠占信貸資金來抑制創(chuàng)新。當房價快速上漲且實體制造業(yè)等投資收益較低時，金融機構(gòu)在追逐資金高回報率的驅(qū)使下往往傾向于將資本配給房地產(chǎn)企業(yè)，并且會加重非房地產(chǎn)行業(yè)的融資約束，導(dǎo)致實體經(jīng)濟企業(yè)尤其是科技創(chuàng)新型企業(yè)“信貸資金”縮水并弱化制造業(yè)投資效率［11］，最終誘發(fā)經(jīng)濟“脫實向虛”并抑制本地創(chuàng)新［12］。

其次，房價上升還可通過對創(chuàng)新人才的“擠出效應(yīng)”抑制創(chuàng)新“涌現(xiàn)”。在創(chuàng)新驅(qū)動發(fā)展階段，掌握創(chuàng)意資本的人才逐漸成為最稀缺的資源，創(chuàng)新創(chuàng)意人才的區(qū)位選擇對區(qū)域競爭力提升起決定性作用，投資布局則從屬于人才遷移。區(qū)域競爭的焦點也逐漸由產(chǎn)業(yè)轉(zhuǎn)向創(chuàng)意人才，而在人才的區(qū)位選擇過程中，房價、環(huán)境、公共服務(wù)及文化氛圍等地方品質(zhì)逐漸成為家庭尤其是創(chuàng)新、創(chuàng)意人才關(guān)注的重點［2］。創(chuàng)新創(chuàng)意人才的遷移不僅僅與產(chǎn)業(yè)規(guī)模、工資水平、失業(yè)率等“生產(chǎn)性因素”有關(guān)，而且還與房價、環(huán)境質(zhì)量、文化等“生活性因素”相關(guān)。工資差異甚至可視為對不同城市氣候、適宜環(huán)境等“生活性因素”差異的補償［13］。作為一個城市最核心的“生活性資源”，房價對本地創(chuàng)意人才“擠出效應(yīng)”不容小覷。新經(jīng)濟地理學(xué)模型在理論機制上闡明了房價對本地勞動力及產(chǎn)業(yè)存在“擠出效應(yīng)”［14-15］，WANG和YANG［16］進一步構(gòu)建了納入住房消費的自由企業(yè)家模型，在理論上闡明高漲房價對本地企業(yè)家存在“擠出效應(yīng)”。對美國和德國等國家的研究也支持了這一論斷［17-18］?；谥袊鞘袛?shù)據(jù)的實證研究同樣顯示，高企的房價將促使非農(nóng)產(chǎn)業(yè)從業(yè)人口向其他地區(qū)轉(zhuǎn)移［19］，從而導(dǎo)致人力資本錯配并進一步抑制地區(qū)創(chuàng)新能力［20］。盡管從短期來看房價差異具有產(chǎn)業(yè)或勞動力的空間分類效應(yīng)，但從長期看當房價過高使企業(yè)通過創(chuàng)新和提高競爭力也難以抵消其成本上升時，則會導(dǎo)致創(chuàng)新下降［21］。此外，對我國而言，城市居民戶籍及相關(guān)福利均綁定于住房之上，高企的房價還增加了人口遷移“空間粘性”，從而極大限制了人力資本的自由遷移。

最后，高房價的預(yù)期會抑制富有冒險精神者的創(chuàng)業(yè)活動［22］。在房價高企的壓力下，最富創(chuàng)新意識的年輕人往往選擇先買房再創(chuàng)業(yè)，從而制約了城市創(chuàng)新創(chuàng)業(yè)活動的涌現(xiàn)［23］。高企的房價還提升了本地服務(wù)業(yè)運營成本，對服務(wù)業(yè)集聚存在顯著的抑制作用［6］，而創(chuàng)業(yè)孵化類生產(chǎn)性服務(wù)業(yè)是城市創(chuàng)業(yè)的關(guān)鍵載體。此外，創(chuàng)業(yè)資金還將因房價上漲而被吸引至房地產(chǎn)行業(yè)，導(dǎo)致創(chuàng)業(yè)資金錯配［24］。HURST和LUSARDI［25］的研究也證實了這一結(jié)論，即在房價上漲較快的地區(qū)，其本地勞動力創(chuàng)業(yè)活躍度相對較低。

通過文獻梳理可以總結(jié)出高房價影響地區(qū)創(chuàng)新的內(nèi)在邏輯(見圖1)。但是，現(xiàn)有研究缺乏空間視角，而事實上，房價和創(chuàng)新在空間上均存在較強的“空間依賴”特性，忽略空間效應(yīng)會導(dǎo)致高房價影響地區(qū)創(chuàng)新的評估中存在估計偏差。

圖1 高房價影響地區(qū)創(chuàng)新的內(nèi)在邏輯Fig.1 Internal logic of high housing price affecting regional innovation

房價在地理空間上存在交互影響，房價波動從最先感應(yīng)到外部沖擊的區(qū)域傳遞到周邊以及聯(lián)系更加緊密的其他區(qū)域［26-27］，MEEN［28］和WOOD［29］將房價波動傳遞的內(nèi)在機制總結(jié)為家庭遷移、財富轉(zhuǎn)移、空間套利、住房成本和搜尋成本、區(qū)域房價影響因素的領(lǐng)先滯后關(guān)系和空間異系數(shù)性等6類。而這種房價波動的空間依賴效應(yīng)在城市群內(nèi)部表現(xiàn)得尤為顯著，部分學(xué)者將這種效應(yīng)稱之為“漣漪效應(yīng)”或“波紋效應(yīng)”［30］。創(chuàng)新在地理空間上也具有“傳遞效應(yīng)”或“溢出效應(yīng)”［31-32］，即一個地區(qū)的創(chuàng)新能力往往會輻射到周邊地區(qū)。同時，房價與創(chuàng)新之間的互動關(guān)系也依賴于地理空間傳遞，這種“空間傳遞效應(yīng)”主要通過人口跨區(qū)流動實現(xiàn)，包括高房價對創(chuàng)新人才擠出效應(yīng)［6］、高房價對勞動力的分類篩選效應(yīng)［33］等。一個城市的房價上升對本地創(chuàng)新的影響會通過空間“蔓延”到更大的范圍，且其對創(chuàng)新的影響程度在不同的“蔓延圈層”存在差異性。既有空間計量研究在探討變量間空間影響時大都沿用LESAGE和PACE［34］的處理方式，即通過計算平均直接效應(yīng)、平均溢出效應(yīng)以及平均總效應(yīng)等捕捉變量間“地理空間無差別”關(guān)系，而相對忽視直接效應(yīng)、溢出效應(yīng)以及總效應(yīng)在地理空間上的差異，而空間效應(yīng)的地區(qū)差異恰恰是我國制定“地方差別化政策”的重要依據(jù)。因此，為避免造成激勵機制扭曲和研發(fā)資源錯配，不同地區(qū)實施差異化的房價規(guī)制政策和創(chuàng)新發(fā)展政策將是必要的。

總體來看，已有研究在探討高房價對創(chuàng)新影響的抑制效應(yīng)分析中仍存在諸多不足：一是在計量方法上，未考慮空間效應(yīng)的模型估計可能會低估房價對創(chuàng)新的抑制效應(yīng)；二是已有研究缺乏地理空間視角，忽視抑制效應(yīng)的空間特征和空間異質(zhì)性，從而不能提出有針對性的政策啟示。基于此，本文利用動態(tài)空間自回歸模型和空間杜賓模型估計了房價對區(qū)域創(chuàng)新的“抑制效應(yīng)”，并對空間效應(yīng)進行多維度分解，識別出房價對創(chuàng)新“抑制效應(yīng)”的空間差異。本文主要貢獻在于兩點：①在動態(tài)空間面板分析框架下探討房價對區(qū)域創(chuàng)新的“抑制效應(yīng)”，評估結(jié)果更加準確可信；②通過基于不同空間權(quán)重矩陣的構(gòu)建，可以識別房價對創(chuàng)新的空間影響機制；③在不同空間權(quán)重矩陣下對“抑制效應(yīng)”的直接效應(yīng)、溢出效應(yīng)和總效應(yīng)進行空間分解，從而識別房價抑制區(qū)域創(chuàng)新的空間差異。

2 計量模型設(shè)計與實證結(jié)果分析

2.1 變量和數(shù)據(jù)

在變量選擇上，被解釋變量區(qū)域創(chuàng)新(PATENT)以發(fā)明專利授權(quán)量來衡量，發(fā)明專利作為創(chuàng)新的產(chǎn)出反映了創(chuàng)新活動的最終效果，并且數(shù)據(jù)具有可比性和易獲得的特征，是目前國內(nèi)外最常使用的衡量指標［35-36］。核心解釋變量為房價(HPRICE)，以地區(qū)銷售房屋平均價格衡量，反映了當?shù)氐耐恋睾妥》砍杀??？刂谱兞堪ǎ悍从潮镜厥袌鲂?yīng)的本地市場規(guī)模、反映價格指數(shù)效應(yīng)的勞動力成本、反映地區(qū)間交易成本的本地通達性和對外開放程度、反映本地生活性資源的環(huán)境質(zhì)量以及反映創(chuàng)新源質(zhì)量的人力資本和產(chǎn)業(yè)高端化水平等。

本文構(gòu)建了全國285個地級市2004—2013年10年面板數(shù)據(jù)，獲得2 850個樣本。需要特別說明的是，囿于數(shù)據(jù)可得性及與其他數(shù)據(jù)一致性所限，剔除了若干地級市單元。其中，發(fā)明專利數(shù)據(jù)來自中國知識產(chǎn)權(quán)局的在線專利檢索系統(tǒng)。解釋變量指標均源于歷年《中國區(qū)域經(jīng)濟統(tǒng)計年鑒》和《中國城市統(tǒng)計年鑒》。主要變量描述性統(tǒng)計如表1所示。由表1可知，從變量離散程度看，表征“價格指數(shù)效應(yīng)”的勞動力成本指標標準差最大，變化波動最為明顯；而人口密度和房價水平的波動性較小，分別為0.3和0.23。

表1 主要變量的描述性統(tǒng)計Tab.1 Descriptive statistics of the main variables

2.2 模型選擇

基于開放經(jīng)濟條件下的新經(jīng)濟地理學(xué)框架，借鑒LUCIO等［37］的模型形式，本文設(shè)定如下基礎(chǔ)模型形式。

其中：PATENT表示地區(qū)創(chuàng)新水平；HPRICE表示房價，以地區(qū)銷售房屋平均價格衡量；TRADE表示地區(qū)開放水平，以地區(qū)出口額衡量；POLL表示地區(qū)環(huán)境質(zhì)量，以本地污水排放量衡量；ROAD表示本地基礎(chǔ)設(shè)施條件，以區(qū)域交通里程數(shù)衡量；HUMAN表示地區(qū)人力資本條件，以本地在校大學(xué)生數(shù)量衡量；DENSITY表示地區(qū)人口密度；GDP代表地區(qū)市場潛力，以本地經(jīng)濟規(guī)模衡量；β0是截距項，β1～β8是待估計參數(shù)，μi和λt分別為空間異質(zhì)性和時間異質(zhì)性，ε為隨機擾動項。

本文的研究重心在于搭建起區(qū)域房價影響創(chuàng)新的“空間橋梁”，需要考察地理鄰近和聯(lián)系緊密地區(qū)房價水平對本地區(qū)創(chuàng)新產(chǎn)出的影響，而且房價波動和創(chuàng)新在空間上同時存在顯著的“空間依賴”性，這一點在既有研究中已經(jīng)得到充分的證實。因此，本文分別構(gòu)建了空間自回歸(SAR)和空間杜賓模型(SDM)，據(jù)此捕捉房價和區(qū)域創(chuàng)新的空間溢出效應(yīng)［34，38］。模型形式如下。

其中，W表示空間權(quán)重矩陣，分別為基于地理距離和城市間人口流動②在本文所構(gòu)建的人口流動矩陣中，城市間聯(lián)系以2017年春節(jié)前后15天人口城市間遷徙流量的平均值表征。這種遷徙流量數(shù)據(jù)通過百度遷徙數(shù)據(jù)獲得。百度遷徙數(shù)據(jù)可以通過手機用戶的定位信息映射人口流動軌跡，塑造出人口流動過程中產(chǎn)生的起止節(jié)點，是包含流出地(origin)和流入地(destination)的網(wǎng)絡(luò)流量數(shù)據(jù)。兩種不同的空間權(quán)重矩陣。空間權(quán)重矩陣與變量相乘則構(gòu)成空間變量，利用空間權(quán)重加權(quán)的自變量反映周邊地區(qū)相關(guān)變量對本地創(chuàng)新的空間溢出效應(yīng)。需要說明的是，構(gòu)建地理距離和人口流動空間權(quán)重矩陣時均未選取閾值，亦即每個地區(qū)的“鄰居”數(shù)均為284個，各“鄰居”權(quán)重分別使用距離的倒數(shù)和人口流動的數(shù)量；在進行模型估計時，對空間權(quán)重矩陣都進行了行標準化。

在對上述模型估計前，需要確定模型中是否包含個體效應(yīng)以及個體效應(yīng)的形式。其中，個體效應(yīng)檢驗的F統(tǒng)計量為9.738，兩種空間權(quán)重矩陣下的Hausman檢驗統(tǒng)計量分別為279.71和234.75，在1%的顯著性水平上均拒絕了原假設(shè)。因此，采用固定個體效應(yīng)模型形式進行估計。

2.3 實證結(jié)果分析

表2給出了上述3個模型的估計結(jié)果(被解釋變量：發(fā)明專利授權(quán)量)。模型(1)是未考慮創(chuàng)新的空間溢出效應(yīng)的面板回歸模型，包括混合面板回歸模型和固定效應(yīng)模型。模型(2)是考慮了區(qū)域間創(chuàng)新溢出效應(yīng)的空間自回歸模型，模型(3)是考慮了區(qū)域間房價溢出效應(yīng)的空間杜賓模型，空間權(quán)重矩陣分別選擇了地理距離權(quán)重矩陣和人口流動權(quán)重矩陣，模型(2)和模型(3)的估計均采用極大似然法(ML)。

表2 房價對區(qū)域創(chuàng)新影響的回歸結(jié)果Tab.2 Regression results of the impact of house price on regional innovation

第一，從模型(1)的估計結(jié)果來看，在不考慮其他地區(qū)創(chuàng)新產(chǎn)出對本地創(chuàng)新影響的條件下，本地房價水平對地區(qū)創(chuàng)新產(chǎn)出具有顯著的負向影響(分別為-529.39和-692.28)，即本地房價上漲將使本地創(chuàng)新環(huán)境惡化，從而抑制本地創(chuàng)新投入及創(chuàng)新資源向本地區(qū)轉(zhuǎn)移。

第二，嵌入空間相互作用的空間自回歸模型估計結(jié)果(模型2)顯示，無論是基于地理距離權(quán)重矩陣還是基于人口流動權(quán)重矩陣，創(chuàng)新能力空間滯后系數(shù)ρ1均在1%顯著水平上顯著為正，這表明地級市尺度下的區(qū)域創(chuàng)新具有明顯的空間依賴特性，在人力資本空間游走、產(chǎn)業(yè)技術(shù)關(guān)聯(lián)及創(chuàng)新“先發(fā)地區(qū)”的“示范效應(yīng)”3種機制作用下，本地區(qū)域創(chuàng)新能力與地理鄰近或人流聯(lián)系緊密地區(qū)的創(chuàng)新能力高度相關(guān)，總體表現(xiàn)出顯著的“空間集群”特征。

第三，進一步地，使用不同的空間權(quán)重矩陣可以識別房價“抑制效應(yīng)”空間傳導(dǎo)的機制路徑，即不同空間權(quán)重矩陣下的估計結(jié)果可被視為不同機制路徑的結(jié)果差異。在創(chuàng)新擴散的3種機制中，人力資本空間游走、產(chǎn)業(yè)技術(shù)關(guān)聯(lián)兩種機制主要通過“人口流動”實現(xiàn)，而創(chuàng)新“先發(fā)地區(qū)”的“模仿效應(yīng)”主要發(fā)生在“地理鄰近”區(qū)域間，因此，考察兩種權(quán)重矩陣下創(chuàng)新“空間依賴效應(yīng)”大小即可獲知本地對周邊地區(qū)創(chuàng)新影響是創(chuàng)新溢出的結(jié)果還是創(chuàng)新模仿的結(jié)果。在地理距離權(quán)重矩陣設(shè)定下，本地區(qū)創(chuàng)新專利數(shù)上升1個單位，周邊地區(qū)專利數(shù)上升0.667個單位；而在人口流動矩陣設(shè)定下，本地區(qū)創(chuàng)新專利數(shù)上升1個單位，周邊地區(qū)專利數(shù)僅上升0.073個單位。從這個意義上講，區(qū)域創(chuàng)新似乎更傾向于向地理鄰近地區(qū)溢出，而非人流聯(lián)系緊密地區(qū)，即就我國各地級市而言，“創(chuàng)新空間依賴”主要源于地區(qū)間創(chuàng)新模仿。兩種權(quán)重矩陣下，房價對創(chuàng)新影響均顯著為負，說明本地房價上漲將通過抑制本地創(chuàng)新從而間接拖累周邊地區(qū)創(chuàng)新。

第四，當考慮其他地區(qū)房價對本地創(chuàng)新產(chǎn)出影響時，無論是基于地理區(qū)位關(guān)系還是人口流動關(guān)系，發(fā)現(xiàn)“外圍”地區(qū)房價(W×HPRICE)對本地創(chuàng)新將產(chǎn)生顯著的負影響。從空間滯后(W×PATENT)系數(shù)的大小來看，在地理距離矩陣和人口流動矩陣下，其他地區(qū)房價波動對本地創(chuàng)新產(chǎn)出的影響系數(shù)分別為-7 210.2和-2 722.9，說明越是與本地地理區(qū)位接近的地區(qū)，其房價上漲對創(chuàng)新產(chǎn)出的增長的負效應(yīng)就越強，地區(qū)之間呈現(xiàn)明顯的“創(chuàng)新空間競爭”特征；反過來也說明，降低本地房價水平不僅可以通過直接效應(yīng)帶動本地創(chuàng)新產(chǎn)出，同時可以通過“空間競爭效應(yīng)”促進“周邊”地區(qū)創(chuàng)新。計量結(jié)果表明，一個地區(qū)的房價上漲能夠顯著抑制本地創(chuàng)新投入或創(chuàng)新資源向本地轉(zhuǎn)移，從而拖累本地創(chuàng)新。同時，區(qū)域創(chuàng)新產(chǎn)出呈現(xiàn)出顯著的區(qū)際負溢出效應(yīng)，地理鄰近地區(qū)的“模仿效應(yīng)”和人力資本游走均為重要的溢出機制，且地區(qū)間創(chuàng)新“模仿效應(yīng)”相對影響程度更高。

在存在空間溢出效應(yīng)時，房價的變動不僅會引起本地創(chuàng)新隨之變化，同時也會對其“緊密聯(lián)系”地區(qū)的創(chuàng)新產(chǎn)生影響，并通過循環(huán)“空間傳遞效應(yīng)”引起創(chuàng)新“連鎖調(diào)整”。以空間自回歸模型(模型2)為例，房價對創(chuàng)新的邊際效應(yīng)矩陣可表示成

其中，In是n階單位矩陣，yi表示第i個地區(qū)的創(chuàng)新水平，xi表示第i個地區(qū)的房價，W為n×n的空間權(quán)重矩陣。根據(jù)LESAGE和PACE［34］的定義，邊際效應(yīng)矩陣的行和表示當?shù)貏?chuàng)新水平所接收到的總效應(yīng)，即所有地區(qū)房價變動給當?shù)貏?chuàng)新水平帶來的影響之和；邊際效應(yīng)矩陣的列和表示當?shù)胤績r變動所引致的總效應(yīng)，即當?shù)胤績r變動給所有地區(qū)的創(chuàng)新水平帶來的影響之和；邊際效應(yīng)矩陣主對角線上的元素表示直接效應(yīng)，即本地房價對本地創(chuàng)新水平的影響；總效應(yīng)與直接效應(yīng)之差為間接效應(yīng)，即周邊地區(qū)房價變動給當?shù)貏?chuàng)新水平帶來的影響(行和減去主對角線元素)，或者本地房價對周邊地區(qū)創(chuàng)新水平的影響(列和減去主對角線元素)。在LESAGE和PACE［34］給出平均效應(yīng)③包括平均總效應(yīng)、平均直接效應(yīng)和平均間接效應(yīng)。測度后，行和與列和的區(qū)別不復(fù)存在，行和(或列和)間的差異也被忽略，代之以直接效應(yīng)、間接效應(yīng)和總效應(yīng)來測度變量間的“空間效應(yīng)”。

兩種空間模型估計得到的空間效應(yīng)如表3所示，無論是在地理距離矩陣還是人口流動矩陣下，房價上漲不僅對本地創(chuàng)新有顯著的負向影響，而且還顯著拖累了周邊地區(qū)創(chuàng)新步伐。

表3 SAR和SDM模型下房價影響創(chuàng)新的空間效應(yīng)Tab.3 Spatial effects of housing price on innovation under SAR and SDM models

從表3空間自回歸模型的空間效應(yīng)估計結(jié)果看，基于地理距離權(quán)重矩陣和基于人口流動權(quán)重矩陣的直接效應(yīng)分別為-923.3和-717.2，地理距離權(quán)重下的直接效應(yīng)略大于人口流動權(quán)重下的直接效應(yīng)，而地理距離權(quán)重下的間接效應(yīng)遠大于人口流動權(quán)重下的間接效應(yīng)，且兩者不在一個數(shù)量級上。從表3空間杜賓模型的空間效應(yīng)估計結(jié)果看，基于地理距離權(quán)重矩陣和基于人口流動權(quán)重矩陣的直接效應(yīng)分別為-129.966和-105.93，兩者差距不大，然而從空間溢出的角度來看，基于地理距離矩陣的間接效應(yīng)-21 543.7，顯著大于基于人口流動矩陣的間接效應(yīng)-2 928.63，兩者差距明顯。以上結(jié)果均表明，房價上漲對周邊地區(qū)創(chuàng)新產(chǎn)生的抑制效應(yīng)在地理鄰近地區(qū)之間表現(xiàn)得更強，而在人口流量聯(lián)系緊密地區(qū)表現(xiàn)相對較弱。這一結(jié)論也與前文得到的區(qū)域創(chuàng)新可能更傾向于向地理鄰近地區(qū)溢出一致。

2.4 穩(wěn)健性檢驗

從前文回歸結(jié)果看，一個地區(qū)的房價對本地創(chuàng)新及周邊創(chuàng)新產(chǎn)出的影響均顯著為負，然而需要說明的是，以地區(qū)發(fā)明專利數(shù)作為衡量區(qū)域創(chuàng)新的唯一指標將不可避免地存在一定的片面性，將使得結(jié)論的可信度不足。本文選擇“城市創(chuàng)新力指數(shù)”作為衡量區(qū)域創(chuàng)新的指標，以檢驗結(jié)論的穩(wěn)健性。“城市創(chuàng)新力指數(shù)”來源于復(fù)旦大學(xué)產(chǎn)業(yè)發(fā)展研究中心所編制的《中國城市和產(chǎn)業(yè)創(chuàng)新力報告2017》，這份報告計算了2005—2016年全國338個城市的創(chuàng)新力指數(shù)。為保持樣本城市的一致性，本文選取其中2005—2014年285個城市創(chuàng)新力指數(shù)數(shù)據(jù)?？臻g模型估計結(jié)果如表4所示，空間效應(yīng)估計結(jié)果如表5所示。

表4 穩(wěn)健性檢驗：回歸結(jié)果（被解釋變量：城市創(chuàng)新力指數(shù)）Tab.4 Robustness test：regression results(dependent variables：urban innovation index)

表5 穩(wěn)健性檢驗：SAR和SDM模型下房價影響創(chuàng)新的空間效應(yīng)Tab.5 Robustness test：spatial effects of housing price on innovation under SAR and SDM models

以“城市創(chuàng)新力指數(shù)”為被解釋變量的穩(wěn)健性檢驗估計結(jié)果顯示，在空間自回歸模型(4)中，無論采取何種矩陣，城市創(chuàng)新力指數(shù)的空間滯后系數(shù)均顯著為正，而地理距離權(quán)重矩陣下“城市創(chuàng)新力指數(shù)”空間滯后項系數(shù)明顯高于人口流量權(quán)重矩陣下的空間滯后項系數(shù)，這也驗證了前文關(guān)于“創(chuàng)新溢出效應(yīng)更有可能在地理距離聯(lián)系緊密與人口流量聯(lián)系緊密的區(qū)域間發(fā)生，而地理距離聯(lián)系緊密地區(qū)間的創(chuàng)新溢出效應(yīng)更強”這一結(jié)論?？臻g杜賓模型(5)同樣報告了與表2中模型(3)類似的結(jié)果，即本地房價上漲對本地和“外圍”地區(qū)創(chuàng)新產(chǎn)生顯著的負影響，且地理距離矩陣下房價空間滯后項系數(shù)明顯高于人口流量矩陣下的系數(shù)。這也進一步表明，本地房價上漲不僅顯著抑制了本地創(chuàng)新能力，而且還通過空間溢出機制抑制了地理鄰近地區(qū)和人口流量聯(lián)系緊密地區(qū)的創(chuàng)新能力，而且這種創(chuàng)新拖累效應(yīng)在地理距離聯(lián)系緊密地區(qū)表現(xiàn)更強。此外，表5空間效應(yīng)估計結(jié)果同樣顯示了這一規(guī)律，地理距離權(quán)重矩陣下的間接效應(yīng)與總效應(yīng)絕對值均顯著高于人口遷移矩陣結(jié)果，這也進一步證實了房價上漲對周邊地區(qū)創(chuàng)新產(chǎn)生的抑制效應(yīng)可能更多通過地理空間傳遞這一結(jié)論。

3 房價上漲抑制區(qū)域創(chuàng)新的空間效應(yīng)分解

LESAGE和PACE［34］提出的直接效應(yīng)和間接效應(yīng)僅僅是研究對象所有空間單元上的“平均”空間效應(yīng)，這種處理方式在地理空間單元數(shù)量較多的情況下可以精簡計量報告結(jié)果，還可以極大簡化模型估計過程中的逆矩陣運算。然而這種處理方式會喪失對空間效應(yīng)的統(tǒng)計分布及地區(qū)差異特征等信息的“捕捉”，而對于地區(qū)個數(shù)適中的數(shù)據(jù)模型，分析直接效應(yīng)、間接效應(yīng)以及總效應(yīng)的分布特征及空間差異比報告其均值更有意義。就房價對創(chuàng)新的抑制效應(yīng)而言，在房價“普漲”背景下，房價升高引發(fā)的創(chuàng)新“抑制”在地域上也必然呈現(xiàn)巨大差異，只有承認和明晰“抑制效應(yīng)”的空間差異，才能有針對性地制定基于房價規(guī)制的創(chuàng)新政策。為此，重新考慮邊際效應(yīng)矩陣(4)，計算此矩陣的每一個元素，識別不同地區(qū)空間單元變量間影響的“空間效應(yīng)”，這樣可得到中國不同地區(qū)房價上漲對本地及周邊區(qū)域創(chuàng)新的“抑制效應(yīng)”。為得到不同地區(qū)“空間效應(yīng)”的顯著性水平，本文遵循LESAGE和PACE［34］的方法，利用模型極大似然估計結(jié)果，從多元正態(tài)分布中隨機抽取參數(shù)模擬值，并據(jù)此計算各地區(qū)的空間效應(yīng)，且重復(fù)此過程2 000次，從而得到其經(jīng)驗分布以及顯著性水平。R語言軟件生成的計算結(jié)果表明，各地區(qū)空間“抑制效應(yīng)”均顯著。由此，本文計算的空間效應(yīng)的描述性統(tǒng)計特征如表6所示。

表6 中國285個地級市房價對區(qū)域創(chuàng)新“抑制效應(yīng)”的描述性統(tǒng)計Tab.6 Descriptive statistics of“inhibition effect”for 285 prefectures in China

此外，在不同的空間權(quán)重矩陣下對矩陣(4)的估計還有助于識別房價“抑制效應(yīng)”空間傳導(dǎo)的機制路徑。房價對創(chuàng)新的抑制作用的“空間傳遞”主要通過人力資本空間游走和“地理鄰近”區(qū)域間的“模仿效應(yīng)”兩種渠道展開，房價“創(chuàng)新抑制效應(yīng)”是創(chuàng)新模仿和創(chuàng)新溢出兩種機制共同作用的結(jié)果，其中，空間距離鄰近的區(qū)域更容易開展創(chuàng)新模仿，而地區(qū)間人口流量較大的區(qū)域更容易通過人力資本游走的方式實現(xiàn)創(chuàng)新溢出。在不同權(quán)重矩陣下對矩陣(4)內(nèi)各元素進行估計，可大致識別出不同機制下“抑制效應(yīng)”空間傳導(dǎo)的結(jié)果。為簡化分析，本文僅針對空間杜賓模型的空間效應(yīng)分解，表7列出了地理距離和人口流動權(quán)重矩陣下房價對區(qū)域創(chuàng)新“抑制效應(yīng)”空間分異結(jié)果(依據(jù)總效應(yīng)絕對值的高低，選取前15位城市列出)。首先，從地理距離權(quán)重矩陣下房價對區(qū)域創(chuàng)新“直接效應(yīng)”上看，本地房價上漲對本地創(chuàng)新抑制效應(yīng)最強的城市主要分布在兩大區(qū)域，其一為中原地區(qū)的山東半島、中原城市群、江蘇中部和安徽北部等，主要包括濱州、德州、安陽、鶴壁、南京、鄭州、青島等城市。其二為珠三角到海峽西岸區(qū)域，主要包括廣州、廈門、深圳、泉州、中山、汕頭、東莞等城市。對這些城市而言，房價上升對本地創(chuàng)新的拖累最強。而地理距離權(quán)重矩陣下房價對區(qū)域創(chuàng)新的“間接效應(yīng)”和“總效應(yīng)”在空間上均呈現(xiàn)顯著的“梯度分異”特征，即“高強度”空間效應(yīng)“核心區(qū)”大致呈“鉆石型”，其四個端點分別為德州、洛陽、長沙和蘇州，區(qū)域中心在安徽亳州，包含68個地級市，在這一區(qū)域房價上漲對我國整體區(qū)域創(chuàng)新的拖累將更大，這一區(qū)域也恰恰是最鄰近國內(nèi)市場、人口及創(chuàng)新資源的區(qū)域；而空間效應(yīng)的次一級“核心區(qū)”同樣呈“鉆石型”，其四個端點分別為唐山、平?jīng)觥⑸钲诤吞K州，區(qū)域中心在河南駐馬店，包含72個地級市。這意味著，地區(qū)間的創(chuàng)新模仿效應(yīng)使得這一“鉆石型”區(qū)域房價上漲對我國整體區(qū)域創(chuàng)新的拖累將更大，即在這個區(qū)域?qū)嵤┓績r規(guī)制政策能更有效地推進我國整體創(chuàng)新，而這一區(qū)域也恰恰是最鄰近國內(nèi)市場、人口及創(chuàng)新資源的區(qū)域。

其次，從人口流動權(quán)重矩陣下房價對區(qū)域創(chuàng)新“直接效應(yīng)”上看，本地房價上漲對本地創(chuàng)新抑制效應(yīng)最強的城市主要分布在東北、西北和西南地區(qū)，包括銀川、西安、昆明、成都、長春、太原、蘭州、酒泉、呼和浩特、武漢、沈陽、嘉峪關(guān)等。但與地理距離權(quán)重矩陣下“間接效應(yīng)”和“總效應(yīng)”的“梯度分異”特征不同，人口流動權(quán)重矩陣下房價對區(qū)域創(chuàng)新的“間接效應(yīng)”和“總效應(yīng)”呈現(xiàn)“分散式”“層級化”特征。按房價抑制區(qū)域創(chuàng)新“間接效應(yīng)”和“總效應(yīng)”大小，可將全國地級市劃分為4個不同層級。廣州、北京、深圳、上海、成都5個城市的房價上升對創(chuàng)新抑制效應(yīng)最強烈；其次為東莞、蘇州、重慶、鄭州、佛山、西安、杭州、長沙、武漢、南京、昆明、合肥、天津等13個城市；第三層級包括惠州、南寧、無錫、中山、濟南、沈陽、寧波、貴陽、廈門、周口、石家莊、保定；第四層級包括太原、哈爾濱、青島、阜陽、廊坊、溫州、徐州、泉州、金華、常州、南昌、商丘、長春、咸陽、福州、衡陽等16個城市。這意味著，在人力資本遷移的作用下，地區(qū)間創(chuàng)新溢出效應(yīng)使得廣州、北京、深圳、上海、成都、東莞、蘇州、重慶、鄭州、佛山、西安、杭州等地房價上漲對我國整體區(qū)域創(chuàng)新的拖累更大，換言之，正是由于創(chuàng)新可以經(jīng)由人力資本遷移而擴散到更廣的區(qū)域，因此占據(jù)“流量”樞紐地位的城市將具備全國范圍的控制力，未來針對“流量樞紐”城市的房價規(guī)制政策將能更有效地促進全國整體創(chuàng)新涌現(xiàn)。

表7 房價對區(qū)域創(chuàng)新“抑制效應(yīng)”空間分異Tab.7 Spatial differentiation of“inhibition effects”of housing price on regional innovation

4 結(jié)論與啟示

本文在空間自回歸和空間杜賓模型中引入了地理距離和人口流動兩類權(quán)重矩陣，運用空間面板計量方法估計了房價上漲對地區(qū)創(chuàng)新的抑制效應(yīng)，并檢驗了該效應(yīng)的“空間傳導(dǎo)機制”。同時，創(chuàng)新性地在地理空間上對房價創(chuàng)新抑制效應(yīng)進行了分解，并識別了“創(chuàng)新抑制效應(yīng)”的區(qū)域分異。①地區(qū)房價上漲不僅將顯著抑制本地創(chuàng)新，同時也將顯著拖累與本地存在較強關(guān)聯(lián)地區(qū)的創(chuàng)新。②房價對關(guān)聯(lián)地區(qū)創(chuàng)新的抑制效應(yīng)主要通過鄰近地區(qū)間的“創(chuàng)新模仿效應(yīng)”和人力資本游走兩種機制實現(xiàn)，且相較于人口聯(lián)系緊密地區(qū)而言，高企的房價對地理鄰近地區(qū)的創(chuàng)新抑制更為明顯。③房價對創(chuàng)新的抑制效應(yīng)在地理空間上呈現(xiàn)出巨大差異。地理距離空間權(quán)重矩陣下“空間效應(yīng)”分解結(jié)果顯示，在區(qū)域間的“創(chuàng)新模仿”作用下，以德州、洛陽、長沙和蘇州為四個端點的“鉆石型”區(qū)域內(nèi)約68個城市的房價上漲對我國整體區(qū)域創(chuàng)新的拖累最大。人口流動權(quán)重矩陣下“空間效應(yīng)”分解結(jié)果則顯示，在人力資本游走機制下，地區(qū)間創(chuàng)新溢出效應(yīng)使得占據(jù)“流量樞紐”地位的廣州、北京、深圳、上海、成都、東莞、蘇州、重慶、鄭州、佛山、西安、杭州等地房價上漲對我國整體創(chuàng)新的拖累將更大。這一結(jié)論為我國房價的空間精準調(diào)控提供了政策依據(jù)，為更好推動整體區(qū)域創(chuàng)新發(fā)展，未來我國房價規(guī)制政策應(yīng)重點聚焦兩類區(qū)域，其一是最鄰近國內(nèi)市場、人口及創(chuàng)新資源的“鉆石型”區(qū)域，其二是人口遷移流量“樞紐型”區(qū)域。

基于以上結(jié)論，本文提出如下政策建議。①在當前中國經(jīng)濟由高速增長向高質(zhì)量發(fā)展轉(zhuǎn)型的新時期，各級政府應(yīng)堅持“房子是用來住的，不是用來炒的”，建立房地產(chǎn)市場健康發(fā)展的長效機制。為實現(xiàn)本地經(jīng)濟高質(zhì)量發(fā)展，地方政府逐步摒棄以土地財政、推高房價等方式刺激經(jīng)濟增長的傳統(tǒng)發(fā)展模式，轉(zhuǎn)向通過適度抑制房價增強本地吸引創(chuàng)新資金和人力資本等創(chuàng)新要素的“粘性”的全新發(fā)展模式。②鑒于房價抑制創(chuàng)新的空間差異性，中央應(yīng)避免“一刀切”式的房地產(chǎn)調(diào)控政策，轉(zhuǎn)而采取“差別化”的地方房價規(guī)制政策。對房價對全國整體創(chuàng)新抑制效應(yīng)大的城市，如以德州、洛陽、長沙和蘇州為四個端點的“鉆石型”區(qū)域內(nèi)城市和廣州、北京、深圳、上海、成都、東莞等“流量樞紐型”城市應(yīng)實施定向調(diào)控和精準調(diào)控。③應(yīng)重視房價對創(chuàng)新抑制效應(yīng)的空間聯(lián)動性，地方政府房價規(guī)制政策應(yīng)注重“點”與“面”結(jié)合，不僅要高度關(guān)注自身“房價屬性”表現(xiàn)，還需關(guān)注與自身鄰近區(qū)域、人口流動聯(lián)系緊密地區(qū)的“房價屬性”表現(xiàn)。對區(qū)域而言，應(yīng)從整個城市群的視角審視房價對創(chuàng)新的抑制效應(yīng)，嘗試在城市群范圍內(nèi)建立城市間房價規(guī)制的聯(lián)動機制。