高房价对区域创新的抑制效应及其空间分异研究

张 超，张意博，魏学辉，王春杨

(1.河北工业大学 经济管理学院，天津 300401；2.重庆大学 经济与工商管理学院，重庆 400044)

创新是一个国家持续增长的核心动力，对我国顺利跨越“中等收入陷阱”至关重要。当前我国经济正加快由高速增长阶段向高质量发展阶段转变，以创新驱动经济增长似乎已经成为各级地方政府“共识”，“为创新而竞争”逐渐取代“为增长而竞争”成为地方政府竞争新范式［1］，各地纷纷围绕“创新驱动”和“产业高端化”等目标制定本地发展策略，其中，营造本地“地方品质”，提升本地创新环境，对地方下一步发展至关重要。硅谷、128公路的例子告诉我们，一个地区的创新“涌现”与本地创新环境密切相关，现阶段各级地方政府也乐于在城市和区域层面塑造本地创新地理环境。房价作为重要的地方品质指标和创新成本来源，深刻影响着本地创新地理环境［2］。

1998年我国全面推行住房商品化后，中国城市房价进入了“快车道”。2000—2017年，中国住宅商品房平均销售价格从1 948元/平方米上升到7 614元/平方米①，在17年的时间里上涨了约3倍。从时间上看2008年和2012年为房价加速上升“拐点”，在空间上东部沿海地区与内地房价差异逐步扩大，“北上广深”四大城市更是远远高出平均水平。持续走高的房价会拖累地区创新的步伐。首先，城市房价的上涨会导致投资结构的扭曲，其对创新资金的“挤占效应”会抑制地区的技术创新水平［3-4］。其次，过高的房价加剧城市居民的“生活成本”，限制“潜在”人力资本向本地迁入，从而使得本地创新后劲不足［5-6］。第三，高企的房价提升本地服务业运营成本，对服务业集聚存在显著的抑制作用，从而会制约城市创新创业活动［7］。尽管现有研究已经对房价抑制创新的机制、影响程度等进行了深入探讨，但仍存在若干不足。首先，从研究方法上看，既有研究普遍缺乏空间视角，房价和创新在空间上均存在较强的“空间依赖”特性，房价影响区域创新并非仅局限于“本地”，而是具有“空间传递效应”。这就要求对房价和创新关系的探究必须具备“空间思维”，在空间计量的实证分析框架下探讨房价创新的影响机制。其次，从研究问题上看，目前既有研究聚焦于探讨“房价是是否对本地创新产生显著抑制作用？”“房价对本地创新的抑制程度有多大？”等问题，而对“房价对区域创新的抑制效果在空间上有何差异？”“为推动我国创新发展，哪些地区将是房价规制的重点区位？”等问题缺乏有效探讨。对于我国这样一个地域辽阔、区域差异巨大的发展中大国而言，地域发展环境千差万别，发展水平不尽一致，地理区位差异在经济机制运行的作用不容忽视。一方面，在房价“普涨”背景下，房价升高引发的创新“抑制”在地域上也必然呈现巨大差异，只有承认和明晰“抑制效应”的空间差异，才能有针对性地制定基于房价规制的创新政策。另一方面，大量与房价相关的规制政策是“本地化”的，地方政府在诸如住房限购政策、土地供给量及供给结构、土地出让速度、建筑容积率等方面具有相当大的自由度，但房价对创新的影响却是“全局性”的，如何从“全局”创新视角评估不同地区房价规制政策也是亟待深入探讨的议题。这就要求在充分考虑变量空间依赖性的基础上对房价抑制创新的“空间效应”进行多维度空间分解。

本文将基于全国285个地级市2004—2013年10年面板数据，分别在地理距离和人口流动权重矩阵下运用动态空间面板模型探讨房价对创新的“抑制效应”，并对空间效应进行多维度空间分解，识别房价对创新“抑制效应”的空间差异，以期为推进创新发展的区域创新环境联动机制提供依据。

1 文献回顾

从作用机制看，房价上涨主要通过3种渠道抑制地区创新，即资本的“错配效应”、创新人才的“挤出效应”、创业精神和创业活力的“阻滞效应”。

首先，房价上升将通过资本“错配效应”抑制地区创新。在房价高企的背景下，房地产相关行业利润率上升，从而引发具备创新能力的制造业为追求高额报酬率而转向房地产行业［8-9］，同时激励企业将本来用于持续创新研发的投资转向房地产领域进行套利［10］，缩减用于研发的资金，最终抑制地区整体创新产出［4］。此外，房价上涨还可通过挤占信贷资金来抑制创新。当房价快速上涨且实体制造业等投资收益较低时，金融机构在追逐资金高回报率的驱使下往往倾向于将资本配给房地产企业，并且会加重非房地产行业的融资约束，导致实体经济企业尤其是科技创新型企业“信贷资金”缩水并弱化制造业投资效率［11］，最终诱发经济“脱实向虚”并抑制本地创新［12］。

其次，房价上升还可通过对创新人才的“挤出效应”抑制创新“涌现”。在创新驱动发展阶段，掌握创意资本的人才逐渐成为最稀缺的资源，创新创意人才的区位选择对区域竞争力提升起决定性作用，投资布局则从属于人才迁移。区域竞争的焦点也逐渐由产业转向创意人才，而在人才的区位选择过程中，房价、环境、公共服务及文化氛围等地方品质逐渐成为家庭尤其是创新、创意人才关注的重点［2］。创新创意人才的迁移不仅仅与产业规模、工资水平、失业率等“生产性因素”有关，而且还与房价、环境质量、文化等“生活性因素”相关。工资差异甚至可视为对不同城市气候、适宜环境等“生活性因素”差异的补偿［13］。作为一个城市最核心的“生活性资源”，房价对本地创意人才“挤出效应”不容小觑。新经济地理学模型在理论机制上阐明了房价对本地劳动力及产业存在“挤出效应”［14-15］，WANG和YANG［16］进一步构建了纳入住房消费的自由企业家模型，在理论上阐明高涨房价对本地企业家存在“挤出效应”。对美国和德国等国家的研究也支持了这一论断［17-18］。基于中国城市数据的实证研究同样显示，高企的房价将促使非农产业从业人口向其他地区转移［19］，从而导致人力资本错配并进一步抑制地区创新能力［20］。尽管从短期来看房价差异具有产业或劳动力的空间分类效应，但从长期看当房价过高使企业通过创新和提高竞争力也难以抵消其成本上升时，则会导致创新下降［21］。此外，对我国而言，城市居民户籍及相关福利均绑定于住房之上，高企的房价还增加了人口迁移“空间粘性”，从而极大限制了人力资本的自由迁移。

最后，高房价的预期会抑制富有冒险精神者的创业活动［22］。在房价高企的压力下，最富创新意识的年轻人往往选择先买房再创业，从而制约了城市创新创业活动的涌现［23］。高企的房价还提升了本地服务业运营成本，对服务业集聚存在显著的抑制作用［6］，而创业孵化类生产性服务业是城市创业的关键载体。此外，创业资金还将因房价上涨而被吸引至房地产行业，导致创业资金错配［24］。HURST和LUSARDI［25］的研究也证实了这一结论，即在房价上涨较快的地区，其本地劳动力创业活跃度相对较低。

通过文献梳理可以总结出高房价影响地区创新的内在逻辑(见图1)。但是，现有研究缺乏空间视角，而事实上，房价和创新在空间上均存在较强的“空间依赖”特性，忽略空间效应会导致高房价影响地区创新的评估中存在估计偏差。

图1 高房价影响地区创新的内在逻辑Fig.1 Internal logic of high housing price affecting regional innovation

房价在地理空间上存在交互影响，房价波动从最先感应到外部冲击的区域传递到周边以及联系更加紧密的其他区域［26-27］，MEEN［28］和WOOD［29］将房价波动传递的内在机制总结为家庭迁移、财富转移、空间套利、住房成本和搜寻成本、区域房价影响因素的领先滞后关系和空间异系数性等6类。而这种房价波动的空间依赖效应在城市群内部表现得尤为显著，部分学者将这种效应称之为“涟漪效应”或“波纹效应”［30］。创新在地理空间上也具有“传递效应”或“溢出效应”［31-32］，即一个地区的创新能力往往会辐射到周边地区。同时，房价与创新之间的互动关系也依赖于地理空间传递，这种“空间传递效应”主要通过人口跨区流动实现，包括高房价对创新人才挤出效应［6］、高房价对劳动力的分类筛选效应［33］等。一个城市的房价上升对本地创新的影响会通过空间“蔓延”到更大的范围，且其对创新的影响程度在不同的“蔓延圈层”存在差异性。既有空间计量研究在探讨变量间空间影响时大都沿用LESAGE和PACE［34］的处理方式，即通过计算平均直接效应、平均溢出效应以及平均总效应等捕捉变量间“地理空间无差别”关系，而相对忽视直接效应、溢出效应以及总效应在地理空间上的差异，而空间效应的地区差异恰恰是我国制定“地方差别化政策”的重要依据。因此，为避免造成激励机制扭曲和研发资源错配，不同地区实施差异化的房价规制政策和创新发展政策将是必要的。

总体来看，已有研究在探讨高房价对创新影响的抑制效应分析中仍存在诸多不足：一是在计量方法上，未考虑空间效应的模型估计可能会低估房价对创新的抑制效应；二是已有研究缺乏地理空间视角，忽视抑制效应的空间特征和空间异质性，从而不能提出有针对性的政策启示。基于此，本文利用动态空间自回归模型和空间杜宾模型估计了房价对区域创新的“抑制效应”，并对空间效应进行多维度分解，识别出房价对创新“抑制效应”的空间差异。本文主要贡献在于两点：①在动态空间面板分析框架下探讨房价对区域创新的“抑制效应”，评估结果更加准确可信；②通过基于不同空间权重矩阵的构建，可以识别房价对创新的空间影响机制；③在不同空间权重矩阵下对“抑制效应”的直接效应、溢出效应和总效应进行空间分解，从而识别房价抑制区域创新的空间差异。

2 计量模型设计与实证结果分析

2.1 变量和数据

在变量选择上，被解释变量区域创新(PATENT)以发明专利授权量来衡量，发明专利作为创新的产出反映了创新活动的最终效果，并且数据具有可比性和易获得的特征，是目前国内外最常使用的衡量指标［35-36］。核心解释变量为房价(HPRICE)，以地区销售房屋平均价格衡量，反映了当地的土地和住房成本。控制变量包括：反映本地市场效应的本地市场规模、反映价格指数效应的劳动力成本、反映地区间交易成本的本地通达性和对外开放程度、反映本地生活性资源的环境质量以及反映创新源质量的人力资本和产业高端化水平等。

本文构建了全国285个地级市2004—2013年10年面板数据，获得2 850个样本。需要特别说明的是，囿于数据可得性及与其他数据一致性所限，剔除了若干地级市单元。其中，发明专利数据来自中国知识产权局的在线专利检索系统。解释变量指标均源于历年《中国区域经济统计年鉴》和《中国城市统计年鉴》。主要变量描述性统计如表1所示。由表1可知，从变量离散程度看，表征“价格指数效应”的劳动力成本指标标准差最大，变化波动最为明显；而人口密度和房价水平的波动性较小，分别为0.3和0.23。

表1 主要变量的描述性统计Tab.1 Descriptive statistics of the main variables

2.2 模型选择

基于开放经济条件下的新经济地理学框架，借鉴LUCIO等［37］的模型形式，本文设定如下基础模型形式。

其中：PATENT表示地区创新水平；HPRICE表示房价，以地区销售房屋平均价格衡量；TRADE表示地区开放水平，以地区出口额衡量；POLL表示地区环境质量，以本地污水排放量衡量；ROAD表示本地基础设施条件，以区域交通里程数衡量；HUMAN表示地区人力资本条件，以本地在校大学生数量衡量；DENSITY表示地区人口密度；GDP代表地区市场潜力，以本地经济规模衡量；β0是截距项，β1～β8是待估计参数，μi和λt分别为空间异质性和时间异质性，ε为随机扰动项。

本文的研究重心在于搭建起区域房价影响创新的“空间桥梁”，需要考察地理邻近和联系紧密地区房价水平对本地区创新产出的影响，而且房价波动和创新在空间上同时存在显著的“空间依赖”性，这一点在既有研究中已经得到充分的证实。因此，本文分别构建了空间自回归(SAR)和空间杜宾模型(SDM)，据此捕捉房价和区域创新的空间溢出效应［34，38］。模型形式如下。

其中，W表示空间权重矩阵，分别为基于地理距离和城市间人口流动②在本文所构建的人口流动矩阵中，城市间联系以2017年春节前后15天人口城市间迁徙流量的平均值表征。这种迁徙流量数据通过百度迁徙数据获得。百度迁徙数据可以通过手机用户的定位信息映射人口流动轨迹，塑造出人口流动过程中产生的起止节点，是包含流出地(origin)和流入地(destination)的网络流量数据。两种不同的空间权重矩阵。空间权重矩阵与变量相乘则构成空间变量，利用空间权重加权的自变量反映周边地区相关变量对本地创新的空间溢出效应。需要说明的是，构建地理距离和人口流动空间权重矩阵时均未选取阈值，亦即每个地区的“邻居”数均为284个，各“邻居”权重分别使用距离的倒数和人口流动的数量；在进行模型估计时，对空间权重矩阵都进行了行标准化。

在对上述模型估计前，需要确定模型中是否包含个体效应以及个体效应的形式。其中，个体效应检验的F统计量为9.738，两种空间权重矩阵下的Hausman检验统计量分别为279.71和234.75，在1%的显著性水平上均拒绝了原假设。因此，采用固定个体效应模型形式进行估计。

2.3 实证结果分析

表2给出了上述3个模型的估计结果(被解释变量：发明专利授权量)。模型(1)是未考虑创新的空间溢出效应的面板回归模型，包括混合面板回归模型和固定效应模型。模型(2)是考虑了区域间创新溢出效应的空间自回归模型，模型(3)是考虑了区域间房价溢出效应的空间杜宾模型，空间权重矩阵分别选择了地理距离权重矩阵和人口流动权重矩阵，模型(2)和模型(3)的估计均采用极大似然法(ML)。

表2 房价对区域创新影响的回归结果Tab.2 Regression results of the impact of house price on regional innovation

第一，从模型(1)的估计结果来看，在不考虑其他地区创新产出对本地创新影响的条件下，本地房价水平对地区创新产出具有显著的负向影响(分别为-529.39和-692.28)，即本地房价上涨将使本地创新环境恶化，从而抑制本地创新投入及创新资源向本地区转移。

第二，嵌入空间相互作用的空间自回归模型估计结果(模型2)显示，无论是基于地理距离权重矩阵还是基于人口流动权重矩阵，创新能力空间滞后系数ρ1均在1%显著水平上显著为正，这表明地级市尺度下的区域创新具有明显的空间依赖特性，在人力资本空间游走、产业技术关联及创新“先发地区”的“示范效应”3种机制作用下，本地区域创新能力与地理邻近或人流联系紧密地区的创新能力高度相关，总体表现出显著的“空间集群”特征。

第三，进一步地，使用不同的空间权重矩阵可以识别房价“抑制效应”空间传导的机制路径，即不同空间权重矩阵下的估计结果可被视为不同机制路径的结果差异。在创新扩散的3种机制中，人力资本空间游走、产业技术关联两种机制主要通过“人口流动”实现，而创新“先发地区”的“模仿效应”主要发生在“地理邻近”区域间，因此，考察两种权重矩阵下创新“空间依赖效应”大小即可获知本地对周边地区创新影响是创新溢出的结果还是创新模仿的结果。在地理距离权重矩阵设定下，本地区创新专利数上升1个单位，周边地区专利数上升0.667个单位；而在人口流动矩阵设定下，本地区创新专利数上升1个单位，周边地区专利数仅上升0.073个单位。从这个意义上讲，区域创新似乎更倾向于向地理邻近地区溢出，而非人流联系紧密地区，即就我国各地级市而言，“创新空间依赖”主要源于地区间创新模仿。两种权重矩阵下，房价对创新影响均显著为负，说明本地房价上涨将通过抑制本地创新从而间接拖累周边地区创新。

第四，当考虑其他地区房价对本地创新产出影响时，无论是基于地理区位关系还是人口流动关系，发现“外围”地区房价(W×HPRICE)对本地创新将产生显著的负影响。从空间滞后(W×PATENT)系数的大小来看，在地理距离矩阵和人口流动矩阵下，其他地区房价波动对本地创新产出的影响系数分别为-7 210.2和-2 722.9，说明越是与本地地理区位接近的地区，其房价上涨对创新产出的增长的负效应就越强，地区之间呈现明显的“创新空间竞争”特征；反过来也说明，降低本地房价水平不仅可以通过直接效应带动本地创新产出，同时可以通过“空间竞争效应”促进“周边”地区创新。计量结果表明，一个地区的房价上涨能够显著抑制本地创新投入或创新资源向本地转移，从而拖累本地创新。同时，区域创新产出呈现出显著的区际负溢出效应，地理邻近地区的“模仿效应”和人力资本游走均为重要的溢出机制，且地区间创新“模仿效应”相对影响程度更高。

在存在空间溢出效应时，房价的变动不仅会引起本地创新随之变化，同时也会对其“紧密联系”地区的创新产生影响，并通过循环“空间传递效应”引起创新“连锁调整”。以空间自回归模型(模型2)为例，房价对创新的边际效应矩阵可表示成

其中，In是n阶单位矩阵，yi表示第i个地区的创新水平，xi表示第i个地区的房价，W为n×n的空间权重矩阵。根据LESAGE和PACE［34］的定义，边际效应矩阵的行和表示当地创新水平所接收到的总效应，即所有地区房价变动给当地创新水平带来的影响之和；边际效应矩阵的列和表示当地房价变动所引致的总效应，即当地房价变动给所有地区的创新水平带来的影响之和；边际效应矩阵主对角线上的元素表示直接效应，即本地房价对本地创新水平的影响；总效应与直接效应之差为间接效应，即周边地区房价变动给当地创新水平带来的影响(行和减去主对角线元素)，或者本地房价对周边地区创新水平的影响(列和减去主对角线元素)。在LESAGE和PACE［34］给出平均效应③包括平均总效应、平均直接效应和平均间接效应。测度后，行和与列和的区别不复存在，行和(或列和)间的差异也被忽略，代之以直接效应、间接效应和总效应来测度变量间的“空间效应”。

两种空间模型估计得到的空间效应如表3所示，无论是在地理距离矩阵还是人口流动矩阵下，房价上涨不仅对本地创新有显著的负向影响，而且还显著拖累了周边地区创新步伐。

表3 SAR和SDM模型下房价影响创新的空间效应Tab.3 Spatial effects of housing price on innovation under SAR and SDM models

从表3空间自回归模型的空间效应估计结果看，基于地理距离权重矩阵和基于人口流动权重矩阵的直接效应分别为-923.3和-717.2，地理距离权重下的直接效应略大于人口流动权重下的直接效应，而地理距离权重下的间接效应远大于人口流动权重下的间接效应，且两者不在一个数量级上。从表3空间杜宾模型的空间效应估计结果看，基于地理距离权重矩阵和基于人口流动权重矩阵的直接效应分别为-129.966和-105.93，两者差距不大，然而从空间溢出的角度来看，基于地理距离矩阵的间接效应-21 543.7，显著大于基于人口流动矩阵的间接效应-2 928.63，两者差距明显。以上结果均表明，房价上涨对周边地区创新产生的抑制效应在地理邻近地区之间表现得更强，而在人口流量联系紧密地区表现相对较弱。这一结论也与前文得到的区域创新可能更倾向于向地理邻近地区溢出一致。

2.4 稳健性检验

从前文回归结果看，一个地区的房价对本地创新及周边创新产出的影响均显著为负，然而需要说明的是，以地区发明专利数作为衡量区域创新的唯一指标将不可避免地存在一定的片面性，将使得结论的可信度不足。本文选择“城市创新力指数”作为衡量区域创新的指标，以检验结论的稳健性。“城市创新力指数”来源于复旦大学产业发展研究中心所编制的《中国城市和产业创新力报告2017》，这份报告计算了2005—2016年全国338个城市的创新力指数。为保持样本城市的一致性，本文选取其中2005—2014年285个城市创新力指数数据。空间模型估计结果如表4所示，空间效应估计结果如表5所示。

表4 稳健性检验：回归结果（被解释变量：城市创新力指数）Tab.4 Robustness test：regression results(dependent variables：urban innovation index)

表5 稳健性检验：SAR和SDM模型下房价影响创新的空间效应Tab.5 Robustness test：spatial effects of housing price on innovation under SAR and SDM models

以“城市创新力指数”为被解释变量的稳健性检验估计结果显示，在空间自回归模型(4)中，无论采取何种矩阵，城市创新力指数的空间滞后系数均显著为正，而地理距离权重矩阵下“城市创新力指数”空间滞后项系数明显高于人口流量权重矩阵下的空间滞后项系数，这也验证了前文关于“创新溢出效应更有可能在地理距离联系紧密与人口流量联系紧密的区域间发生，而地理距离联系紧密地区间的创新溢出效应更强”这一结论。空间杜宾模型(5)同样报告了与表2中模型(3)类似的结果，即本地房价上涨对本地和“外围”地区创新产生显著的负影响，且地理距离矩阵下房价空间滞后项系数明显高于人口流量矩阵下的系数。这也进一步表明，本地房价上涨不仅显著抑制了本地创新能力，而且还通过空间溢出机制抑制了地理邻近地区和人口流量联系紧密地区的创新能力，而且这种创新拖累效应在地理距离联系紧密地区表现更强。此外，表5空间效应估计结果同样显示了这一规律，地理距离权重矩阵下的间接效应与总效应绝对值均显著高于人口迁移矩阵结果，这也进一步证实了房价上涨对周边地区创新产生的抑制效应可能更多通过地理空间传递这一结论。

3 房价上涨抑制区域创新的空间效应分解

LESAGE和PACE［34］提出的直接效应和间接效应仅仅是研究对象所有空间单元上的“平均”空间效应，这种处理方式在地理空间单元数量较多的情况下可以精简计量报告结果，还可以极大简化模型估计过程中的逆矩阵运算。然而这种处理方式会丧失对空间效应的统计分布及地区差异特征等信息的“捕捉”，而对于地区个数适中的数据模型，分析直接效应、间接效应以及总效应的分布特征及空间差异比报告其均值更有意义。就房价对创新的抑制效应而言，在房价“普涨”背景下，房价升高引发的创新“抑制”在地域上也必然呈现巨大差异，只有承认和明晰“抑制效应”的空间差异，才能有针对性地制定基于房价规制的创新政策。为此，重新考虑边际效应矩阵(4)，计算此矩阵的每一个元素，识别不同地区空间单元变量间影响的“空间效应”，这样可得到中国不同地区房价上涨对本地及周边区域创新的“抑制效应”。为得到不同地区“空间效应”的显著性水平，本文遵循LESAGE和PACE［34］的方法，利用模型极大似然估计结果，从多元正态分布中随机抽取参数模拟值，并据此计算各地区的空间效应，且重复此过程2 000次，从而得到其经验分布以及显著性水平。R语言软件生成的计算结果表明，各地区空间“抑制效应”均显著。由此，本文计算的空间效应的描述性统计特征如表6所示。

表6 中国285个地级市房价对区域创新“抑制效应”的描述性统计Tab.6 Descriptive statistics of“inhibition effect”for 285 prefectures in China

此外，在不同的空间权重矩阵下对矩阵(4)的估计还有助于识别房价“抑制效应”空间传导的机制路径。房价对创新的抑制作用的“空间传递”主要通过人力资本空间游走和“地理邻近”区域间的“模仿效应”两种渠道展开，房价“创新抑制效应”是创新模仿和创新溢出两种机制共同作用的结果，其中，空间距离邻近的区域更容易开展创新模仿，而地区间人口流量较大的区域更容易通过人力资本游走的方式实现创新溢出。在不同权重矩阵下对矩阵(4)内各元素进行估计，可大致识别出不同机制下“抑制效应”空间传导的结果。为简化分析，本文仅针对空间杜宾模型的空间效应分解，表7列出了地理距离和人口流动权重矩阵下房价对区域创新“抑制效应”空间分异结果(依据总效应绝对值的高低，选取前15位城市列出)。首先，从地理距离权重矩阵下房价对区域创新“直接效应”上看，本地房价上涨对本地创新抑制效应最强的城市主要分布在两大区域，其一为中原地区的山东半岛、中原城市群、江苏中部和安徽北部等，主要包括滨州、德州、安阳、鹤壁、南京、郑州、青岛等城市。其二为珠三角到海峡西岸区域，主要包括广州、厦门、深圳、泉州、中山、汕头、东莞等城市。对这些城市而言，房价上升对本地创新的拖累最强。而地理距离权重矩阵下房价对区域创新的“间接效应”和“总效应”在空间上均呈现显著的“梯度分异”特征，即“高强度”空间效应“核心区”大致呈“钻石型”，其四个端点分别为德州、洛阳、长沙和苏州，区域中心在安徽亳州，包含68个地级市，在这一区域房价上涨对我国整体区域创新的拖累将更大，这一区域也恰恰是最邻近国内市场、人口及创新资源的区域；而空间效应的次一级“核心区”同样呈“钻石型”，其四个端点分别为唐山、平凉、深圳和苏州，区域中心在河南驻马店，包含72个地级市。这意味着，地区间的创新模仿效应使得这一“钻石型”区域房价上涨对我国整体区域创新的拖累将更大，即在这个区域实施房价规制政策能更有效地推进我国整体创新，而这一区域也恰恰是最邻近国内市场、人口及创新资源的区域。

其次，从人口流动权重矩阵下房价对区域创新“直接效应”上看，本地房价上涨对本地创新抑制效应最强的城市主要分布在东北、西北和西南地区，包括银川、西安、昆明、成都、长春、太原、兰州、酒泉、呼和浩特、武汉、沈阳、嘉峪关等。但与地理距离权重矩阵下“间接效应”和“总效应”的“梯度分异”特征不同，人口流动权重矩阵下房价对区域创新的“间接效应”和“总效应”呈现“分散式”“层级化”特征。按房价抑制区域创新“间接效应”和“总效应”大小，可将全国地级市划分为4个不同层级。广州、北京、深圳、上海、成都5个城市的房价上升对创新抑制效应最强烈；其次为东莞、苏州、重庆、郑州、佛山、西安、杭州、长沙、武汉、南京、昆明、合肥、天津等13个城市；第三层级包括惠州、南宁、无锡、中山、济南、沈阳、宁波、贵阳、厦门、周口、石家庄、保定；第四层级包括太原、哈尔滨、青岛、阜阳、廊坊、温州、徐州、泉州、金华、常州、南昌、商丘、长春、咸阳、福州、衡阳等16个城市。这意味着，在人力资本迁移的作用下，地区间创新溢出效应使得广州、北京、深圳、上海、成都、东莞、苏州、重庆、郑州、佛山、西安、杭州等地房价上涨对我国整体区域创新的拖累更大，换言之，正是由于创新可以经由人力资本迁移而扩散到更广的区域，因此占据“流量”枢纽地位的城市将具备全国范围的控制力，未来针对“流量枢纽”城市的房价规制政策将能更有效地促进全国整体创新涌现。

表7 房价对区域创新“抑制效应”空间分异Tab.7 Spatial differentiation of“inhibition effects”of housing price on regional innovation

4 结论与启示

本文在空间自回归和空间杜宾模型中引入了地理距离和人口流动两类权重矩阵，运用空间面板计量方法估计了房价上涨对地区创新的抑制效应，并检验了该效应的“空间传导机制”。同时，创新性地在地理空间上对房价创新抑制效应进行了分解，并识别了“创新抑制效应”的区域分异。①地区房价上涨不仅将显著抑制本地创新，同时也将显著拖累与本地存在较强关联地区的创新。②房价对关联地区创新的抑制效应主要通过邻近地区间的“创新模仿效应”和人力资本游走两种机制实现，且相较于人口联系紧密地区而言，高企的房价对地理邻近地区的创新抑制更为明显。③房价对创新的抑制效应在地理空间上呈现出巨大差异。地理距离空间权重矩阵下“空间效应”分解结果显示，在区域间的“创新模仿”作用下，以德州、洛阳、长沙和苏州为四个端点的“钻石型”区域内约68个城市的房价上涨对我国整体区域创新的拖累最大。人口流动权重矩阵下“空间效应”分解结果则显示，在人力资本游走机制下，地区间创新溢出效应使得占据“流量枢纽”地位的广州、北京、深圳、上海、成都、东莞、苏州、重庆、郑州、佛山、西安、杭州等地房价上涨对我国整体创新的拖累将更大。这一结论为我国房价的空间精准调控提供了政策依据，为更好推动整体区域创新发展，未来我国房价规制政策应重点聚焦两类区域，其一是最邻近国内市场、人口及创新资源的“钻石型”区域，其二是人口迁移流量“枢纽型”区域。

基于以上结论，本文提出如下政策建议。①在当前中国经济由高速增长向高质量发展转型的新时期，各级政府应坚持“房子是用来住的，不是用来炒的”，建立房地产市场健康发展的长效机制。为实现本地经济高质量发展，地方政府逐步摒弃以土地财政、推高房价等方式刺激经济增长的传统发展模式，转向通过适度抑制房价增强本地吸引创新资金和人力资本等创新要素的“粘性”的全新发展模式。②鉴于房价抑制创新的空间差异性，中央应避免“一刀切”式的房地产调控政策，转而采取“差别化”的地方房价规制政策。对房价对全国整体创新抑制效应大的城市，如以德州、洛阳、长沙和苏州为四个端点的“钻石型”区域内城市和广州、北京、深圳、上海、成都、东莞等“流量枢纽型”城市应实施定向调控和精准调控。③应重视房价对创新抑制效应的空间联动性，地方政府房价规制政策应注重“点”与“面”结合，不仅要高度关注自身“房价属性”表现，还需关注与自身邻近区域、人口流动联系紧密地区的“房价属性”表现。对区域而言，应从整个城市群的视角审视房价对创新的抑制效应，尝试在城市群范围内建立城市间房价规制的联动机制。