楊木旺 孫斌藝 趙子良

摘要：高房價(jià)遏制了科技創(chuàng)新能力，但科技創(chuàng)新能力的提升對(duì)房價(jià)的推高作用尚未明確。以此為新視角的探究，首先根據(jù)經(jīng)濟(jì)學(xué)理論推演研究假設(shè)，而后構(gòu)建中國31個(gè)省份2006年至2017年間的科技創(chuàng)新能力和房價(jià)的混合面板數(shù)據(jù)，采用因子分析法修正科技創(chuàng)新能力指標(biāo)體系，選用Ward法進(jìn)行區(qū)域異質(zhì)性分析，進(jìn)一步結(jié)合區(qū)域異質(zhì)性建立多元線性計(jì)量模型分析了科技創(chuàng)新能力對(duì)房價(jià)的影響因素和傳導(dǎo)機(jī)制。研究發(fā)現(xiàn)：從全國范圍看，科技創(chuàng)新能力顯著推高了房價(jià)，主要原因是科技投入中R&D人數(shù)的顯著增加，而科技創(chuàng)新能力的產(chǎn)出和研發(fā)經(jīng)費(fèi)投入的正向影響較小;R&D人數(shù)的傳導(dǎo)機(jī)制是通過直接效應(yīng)和部分中介效應(yīng)正向影響房價(jià);考慮區(qū)域異質(zhì)性，R&D人數(shù)增加在各省份均推高了房價(jià)，且科技創(chuàng)新能力非發(fā)達(dá)區(qū)域效應(yīng)更大;在科技創(chuàng)新能力發(fā)達(dá)的7個(gè)省份中，R&D人員出現(xiàn)“聚集效應(yīng)”，其他省份出現(xiàn)“溢出效應(yīng)”。

關(guān)鍵詞：科技創(chuàng)新能力;房價(jià);區(qū)域異質(zhì)性;R&D人員;傳導(dǎo)機(jī)制

一 、研究背景與問題提出

2007年國家統(tǒng)計(jì)局公布全國商品房平均銷售價(jià)格為3 863.90 元/平方米，到2016年平均銷售價(jià)格為7 476.00元/平方米，上漲93.5%。該十年間，各省及直轄市房價(jià)交替上漲，上海196%居首，北京138%，廣東88%，遼寧74%最低，普遍上漲過快過大。日光盤、地王熱、開發(fā)商坐地漲價(jià)……類似樓市“高燒”現(xiàn)象屢見不鮮。因而在2017年，中央經(jīng)濟(jì)工作會(huì)議明確了中國樓市發(fā)展方向?yàn)椤胺€(wěn)房價(jià)”，強(qiáng)調(diào)要促進(jìn)房地產(chǎn)市場(chǎng)平穩(wěn)健康發(fā)展，堅(jiān)持“房子是用來住的，不是用來炒的”的定位。2016年5月30日，習(xí)近平總書記在“科技三會(huì)”（全國科技創(chuàng)新大會(huì)、兩院院士大會(huì)、中國科協(xié)第九次全國代表大會(huì)）上強(qiáng)調(diào)“綜合判斷，我國已經(jīng)成為具有重要影響力的科技大國”。2018年5月，習(xí)總書記在中國科學(xué)院第十九次院士大會(huì)、中國工程院第十四次院士大會(huì)上指出“堅(jiān)持建設(shè)世界科技強(qiáng)國的奮斗目標(biāo)，在更高層次、更大范圍發(fā)揮科技創(chuàng)新的引領(lǐng)作用”?，F(xiàn)今中國科技創(chuàng)新成果量子衛(wèi)星、高鐵、大飛機(jī)、掃碼支付、共享單車和網(wǎng)購等正加速惠及全世界。

2015—2018年間，各省份或直轄市均出臺(tái)了一系列的相關(guān)政策文件加快區(qū)域科技創(chuàng)新能力的發(fā)展和建設(shè)。2015年，廣東省《關(guān)于加快科技創(chuàng)新的若干政策意見》明確完善科技企業(yè)孵化器建設(shè)用地政策、資金補(bǔ)助制度和補(bǔ)償制度[1];浙江省《推動(dòng)“大眾創(chuàng)業(yè)、萬眾創(chuàng)新”的若干意見》表示從該年起在全省市縣聯(lián)動(dòng)推廣應(yīng)用創(chuàng)新券制度，實(shí)施財(cái)政獎(jiǎng)勵(lì)，鼓勵(lì)企業(yè)和創(chuàng)業(yè)者的研發(fā)活動(dòng)和科技創(chuàng)新[2]。2017年，上海市《上海市科技創(chuàng)新計(jì)劃專項(xiàng)資金管理辦法》明確上海實(shí)施創(chuàng)新驅(qū)動(dòng)的發(fā)展戰(zhàn)略，加快建設(shè)具有全球影響力的科技創(chuàng)新中心的目標(biāo)[3];天津市《天津市科技創(chuàng)新“十三五”規(guī)劃》明確制定政策措施35項(xiàng)，面向高校和科研院所的政策措施25項(xiàng)[4];福建省《落實(shí)全國科技創(chuàng)新大會(huì)精神近期若干重點(diǎn)任務(wù)分工實(shí)施方案》明確重點(diǎn)組織實(shí)施云計(jì)算、大數(shù)據(jù)和物聯(lián)網(wǎng)技術(shù)等19個(gè)科技重大專項(xiàng)，加大對(duì)科研人員的激勵(lì)力度[5]。2018年，北京市《加快科技創(chuàng)新構(gòu)建高精尖經(jīng)濟(jì)結(jié)構(gòu)系列文件的通知》明確加快科技創(chuàng)新，構(gòu)建高精尖經(jīng)濟(jì)結(jié)構(gòu)，發(fā)展集成電路產(chǎn)業(yè)、節(jié)能環(huán)保產(chǎn)業(yè)、科技服務(wù)業(yè)等10多個(gè)產(chǎn)業(yè)[6];江蘇省《科技創(chuàng)新工作會(huì)議》表示已推出4個(gè)方面30條政策，主要涵蓋“著力改革科研管理”和“著力推進(jìn)科技與產(chǎn)業(yè)融合發(fā)展”，加快高端人才引進(jìn)政策和制度[7]。

許多研究顯示房價(jià)上漲對(duì)科技創(chuàng)新能力存在明顯遏制作用。羅尚忠提到高房價(jià)對(duì)科技新興產(chǎn)業(yè)及其初創(chuàng)企業(yè)的成本影響，使得創(chuàng)新創(chuàng)業(yè)成功率大大降低[8]。張召光通過實(shí)證分析得出房價(jià)的上漲會(huì)遏制城市的創(chuàng)業(yè)水平[9]。吳仲論證居住成本對(duì)人力資本的影響存在遏制作用，進(jìn)而對(duì)科技創(chuàng)新有遏制作用[10]。厲偉等利用中國35個(gè)大中城市的面板數(shù)據(jù)得出房價(jià)上漲整體阻礙了城市創(chuàng)新水平的提高[11]。但科技創(chuàng)新能力是否推高了房價(jià)，這方面的研究較少。

在當(dāng)前國際貿(mào)易摩擦的大經(jīng)濟(jì)環(huán)境背景下，如何穩(wěn)住房價(jià)、大力發(fā)展科技創(chuàng)新能力是兩個(gè)重要的問題，廣受學(xué)者關(guān)注。在過去10年間，全國各地大力發(fā)展科技創(chuàng)新的同時(shí)，房價(jià)逐年上漲;科技創(chuàng)新發(fā)展是否影響到了房價(jià)？如果科技創(chuàng)新能力對(duì)房價(jià)有影響，它的一級(jí)、二級(jí)指標(biāo)哪些推高了房價(jià)，哪些遏制了房價(jià)？全國31個(gè)省份的科技創(chuàng)新水平、經(jīng)濟(jì)水平和房價(jià)差異顯著，科技創(chuàng)新能力對(duì)房價(jià)影響的區(qū)域異質(zhì)性如何？對(duì)這些問題的解答，不僅有助于深入對(duì)房價(jià)影響因素的認(rèn)識(shí)和理解，也有助于為政策完善提供強(qiáng)有力的技術(shù)支撐并提供新的思路。為此，本文基于中國31個(gè)省份2006年至2017年間的科技創(chuàng)新能力和房價(jià)的310組混合面板數(shù)據(jù)，通過因子分析法修正科技創(chuàng)新能力指標(biāo)體系，利用Ward法進(jìn)行區(qū)域異質(zhì)性分析，采用多元線性計(jì)量模型創(chuàng)新性地實(shí)證分析科技創(chuàng)新能力對(duì)房價(jià)的影響和傳導(dǎo)機(jī)制。

本文的可能貢獻(xiàn)在于：（1）以省份的混合面板數(shù)據(jù)進(jìn)行深入研究，避免了一些學(xué)者聚焦于城市區(qū)域而帶來的政策制定與管理主體的不一致性，也即政策的引導(dǎo)和激勵(lì)一般在于省、直轄市或自治區(qū)層面。（2）利用系統(tǒng)聚類法對(duì)各省份的區(qū)域異質(zhì)性進(jìn)行研究和劃分，避免一些研究成果采用東部、中部、西部和東北部等地理區(qū)域劃分的不合理性。（3）以往有關(guān)科技創(chuàng)新與房價(jià)的研究主要集中在以高房價(jià)的視角分析對(duì)科技創(chuàng)新能力的影響及傳導(dǎo)機(jī)制，較少從大力發(fā)展科技創(chuàng)新能力的視角對(duì)推高房價(jià)的成因進(jìn)行探究，而本文彌補(bǔ)了這一不足，豐富了房價(jià)影響因素的研究。

二、理論分析與研究假設(shè)

經(jīng)典的經(jīng)濟(jì)學(xué)理論中研究產(chǎn)品的價(jià)格主要從供求關(guān)系角度進(jìn)行分析，即供不應(yīng)求，價(jià)格上漲，供過于求，價(jià)格下跌，同時(shí)還需要考慮經(jīng)濟(jì)環(huán)境的因素。從供給因素、需求因素、經(jīng)濟(jì)環(huán)境等三個(gè)維度，研究房價(jià)影響因素的相關(guān)文獻(xiàn)有：（1）地價(jià)的視角。Wang等認(rèn)為地價(jià)是房價(jià)驅(qū)動(dòng)的首要因素，在國內(nèi)各省市有著顯著的差別[12]。萬建香和黃智選取上海市2005—2016年的時(shí)間序列數(shù)據(jù)進(jìn)行實(shí)證分析，認(rèn)為土地供應(yīng)方式由雙軌制供應(yīng)到“招拍掛制度”的轉(zhuǎn)變推動(dòng)了房價(jià)的上漲，出讓地價(jià)對(duì)房價(jià)有顯著作用[13]。（2）商品房銷售面積的視角。湯文彬通過實(shí)證認(rèn)為房價(jià)與銷售面積負(fù)相關(guān)[14]。（3）人口的視角。Day通過分析英國的房價(jià)發(fā)現(xiàn)，由于人口自然增長率和凈遷移率的提高，家庭形成的速度隨著人口的強(qiáng)勁增長而增加，當(dāng)家庭形成率超過住房供應(yīng)量時(shí)，實(shí)際房價(jià)會(huì)隨著時(shí)間的推移而上升[15]。鄭基超等的實(shí)證結(jié)果表明人口因素是影響房價(jià)的重要變量[16]。（4）人均可支配收入的視角。Gattini和Hiebert在給歐洲央行的研究報(bào)告中提出實(shí)際房價(jià)與實(shí)際住房投資、實(shí)際人均收入等住房需求和供給基本要素有關(guān)[17]。胥玲對(duì)近40個(gè)城市的房地產(chǎn)數(shù)據(jù)進(jìn)行實(shí)證回歸分析，指出房價(jià)持續(xù)增長原因是過快的城鎮(zhèn)化步伐與快速增長的人均可支配收入[18]。（5）人均GDP的視角。鄭基超等通過對(duì)十年近40組季度數(shù)據(jù)進(jìn)行實(shí)證分析得到GDP增長、地價(jià)、人口結(jié)構(gòu)以及經(jīng)濟(jì)發(fā)展都與房地產(chǎn)價(jià)格呈正相關(guān)關(guān)系的結(jié)論[16]。王弟海等認(rèn)為房價(jià)上漲率由經(jīng)濟(jì)增長率、人口增長率和住房供給增長率決定;經(jīng)濟(jì)增長率和人口增長率越大，土地（或住房）供給增長率越小，則房價(jià)上漲率越大[19]。而大力發(fā)展科技創(chuàng)新能力，必然需要進(jìn)行相應(yīng)的人力、物力和財(cái)力的投入，而這些指標(biāo)與房價(jià)的影響因素有共同的交集;2017—2018年各城市相繼出臺(tái)吸引人才政策，該區(qū)域的房價(jià)又被推高，故有假設(shè)1。常規(guī)的認(rèn)知是科技創(chuàng)新給人類帶來了進(jìn)步，也讓商品性價(jià)比越來越高，越來越便宜，若按此推斷，科技創(chuàng)新發(fā)展應(yīng)該是可以遏制房價(jià)的上漲，故有假設(shè)2。

假設(shè)1（H1）：房價(jià)上漲遏制科技創(chuàng)新能力，但科技創(chuàng)新能力提升推高了房價(jià)。

假設(shè)2（H2）：科技創(chuàng)新能力與房價(jià) “相互遏制”。

基于計(jì)量經(jīng)濟(jì)學(xué)理論，利用因子分析法和聚類分析法，較多學(xué)者和機(jī)構(gòu)在科技創(chuàng)新和指標(biāo)體系方面進(jìn)行了研究，按研究對(duì)象的區(qū)域選擇分類如下：（1）以城市為對(duì)象的研究成果。畢亮亮和施祖麟以長三角16個(gè)城市為研究對(duì)象，選用因子分析和聚類分析相結(jié)合的評(píng)估方法，對(duì)城市科技創(chuàng)新能力進(jìn)行評(píng)價(jià)，構(gòu)建了城市創(chuàng)新的競(jìng)爭(zhēng)力、研發(fā)潛力和經(jīng)濟(jì)支撐的主要指標(biāo)[20]。李惠芬從創(chuàng)新潛力、創(chuàng)新動(dòng)力、創(chuàng)新活力、創(chuàng)新實(shí)力方面構(gòu)建了18個(gè)指標(biāo)，給出了中國24個(gè)城市的排名[21]。張永凱和杜德斌應(yīng)用層次分析法（AHP）構(gòu)建了由投入能力、產(chǎn)出能力和支撐能力三個(gè)維度組成的科技創(chuàng)新體系，采用1996—2007年的數(shù)據(jù)測(cè)算了上海城市科技創(chuàng)新能力的發(fā)展?fàn)顩r[22]。鄒燕采用主成分分析方法和聚類分析方法對(duì)23個(gè)重點(diǎn)城市的創(chuàng)新能力進(jìn)行分類測(cè)評(píng)，構(gòu)建了知識(shí)創(chuàng)新能力、技術(shù)和產(chǎn)業(yè)創(chuàng)新能力、創(chuàng)新環(huán)境支撐能力等29個(gè)指標(biāo)[23]。（2）以省級(jí)區(qū)域?yàn)閷?duì)象的研究成果。Wang等采用固定檢驗(yàn)的方法，分析了江蘇、浙江和上海地區(qū)人力資源與科技創(chuàng)新的關(guān)系，研究發(fā)現(xiàn)人力資本對(duì)科技發(fā)展具有重要的促進(jìn)作用[24]。陳強(qiáng)等選取2010—2014年省級(jí)面板數(shù)據(jù)為樣本，構(gòu)建包含創(chuàng)新主體、創(chuàng)新環(huán)境和創(chuàng)新網(wǎng)絡(luò)三方面的創(chuàng)新能力指標(biāo)體系，研究了科技創(chuàng)新人力資源集聚度對(duì)區(qū)域創(chuàng)新能力的影響，發(fā)現(xiàn)人力資源集聚度、技術(shù)市場(chǎng)成交額、211工程高校占比和高技術(shù)產(chǎn)業(yè)產(chǎn)值占比與科技創(chuàng)新能力正相關(guān)[25]。（3）以國家為對(duì)象的研究。Furman等認(rèn)為創(chuàng)新能力最重要的影響因素是研究與發(fā)展（R&D）的人力資源與投資，它能夠借助發(fā)展、新技術(shù)和創(chuàng)新生產(chǎn)方式對(duì)創(chuàng)新能力產(chǎn)生重大影響[26]。Meiliene等認(rèn)為區(qū)域創(chuàng)新能力的主要指標(biāo)是創(chuàng)新企業(yè)數(shù)量、R&D的投資和區(qū)域的生產(chǎn)力水平，根據(jù)專家共同評(píng)估的結(jié)果顯示立陶宛企業(yè)的創(chuàng)新水平對(duì)國家競(jìng)爭(zhēng)力的影響最大[27]。當(dāng)然，最新權(quán)威性報(bào)告是由中國科學(xué)技術(shù)部發(fā)布的《中國區(qū)域創(chuàng)新能力監(jiān)測(cè)報(bào)告2016—2017》[28]，該報(bào)告的監(jiān)測(cè)對(duì)象是中國31個(gè)省份，基本指標(biāo)框架是創(chuàng)新環(huán)境、創(chuàng)新資源、企業(yè)創(chuàng)新、創(chuàng)新產(chǎn)出、創(chuàng)新績效等五方面;同時(shí)，比較權(quán)威的還有中國科技發(fā)展戰(zhàn)略研究小組發(fā)布各省份的《中國區(qū)域創(chuàng)新能力評(píng)價(jià)報(bào)告》[29-31]。以上研究，一方面為以省份為研究區(qū)域的科技創(chuàng)新能力指標(biāo)修正提供參考依據(jù)，另一方面也顯示出各省份間的顯著差異?？偨Y(jié)各省份大力發(fā)展科技創(chuàng)新能力的主要路徑為“人力”和“財(cái)力”，這也是推動(dòng)房價(jià)上漲的部分主要因素，故有假設(shè)3和假設(shè)4。

假設(shè)3（H3）：科技水平發(fā)達(dá)的區(qū)域，科技創(chuàng)新推高了房價(jià)。

假設(shè)4（H4）：科技水平非發(fā)達(dá)的區(qū)域，科技創(chuàng)新對(duì)房價(jià)的推高效應(yīng)更加顯著。

三、研究設(shè)計(jì)

（一）數(shù)據(jù)來源與樣本選擇

選取中國31個(gè)省份（自治區(qū)/直轄市）2007—2016年的連續(xù)10年數(shù)據(jù)作為樣本;科技創(chuàng)新指標(biāo)體系選取基于第二節(jié)中的文獻(xiàn)梳理，遴選出8個(gè)核心指標(biāo)，分別是科研活動(dòng)機(jī)構(gòu)數(shù)、非R&D科技活動(dòng)人數(shù)、R&D活動(dòng)人數(shù)、專利申請(qǐng)量、專利授權(quán)量、研發(fā)經(jīng)費(fèi)占GDP比重、人均可支配收入、人均GDP;房價(jià)及影響因素選取地價(jià)、商品房銷售面積、人口、城鎮(zhèn)化率、人均可支配收入、人均GDP;科技創(chuàng)新指標(biāo)數(shù)據(jù)來自《中國科技統(tǒng)計(jì)年鑒（2007—2016）》，地價(jià)來自CRIC數(shù)據(jù)庫，房價(jià)及其他變量的數(shù)據(jù)均來自國家統(tǒng)計(jì)局。這樣便可以構(gòu)建31組連續(xù)的10個(gè)時(shí)間序列的共計(jì)310個(gè)混合面板數(shù)據(jù)。

（二）基于因子分析法的科技創(chuàng)新能力指標(biāo)變量修正及檢驗(yàn)

表1報(bào)告了采用上述方法的分析結(jié)果，即核心是將8個(gè)指標(biāo)變量標(biāo)準(zhǔn)化成均值為0、方差為1的標(biāo)準(zhǔn)數(shù)據(jù)，再進(jìn)行因子分析，模型通過KMO和Bartlett球形檢驗(yàn)，結(jié)果顯著。采用SPSS 23分析程序提取4個(gè)特征因子，提取方差達(dá)到97.45%。表中第2—5列是成分矩陣，再按最大方差法求旋轉(zhuǎn)后的成分矩陣如第6—9列所示，選取各因子成分矩陣中得分大于0.5且旋轉(zhuǎn)后成分矩陣正值的數(shù)據(jù)進(jìn)行分組（用下劃線標(biāo)記），因子分析的結(jié)果清晰明朗。因而可將科技創(chuàng)新能力關(guān)鍵指標(biāo)重構(gòu)為如下4個(gè)一級(jí)指標(biāo)和8個(gè)二級(jí)指標(biāo)。

因子1代表一級(jí)指標(biāo)“科技投入能力”，包括科研活動(dòng)機(jī)構(gòu)數(shù)、非R&D科技活動(dòng)人數(shù)、R&D活動(dòng)人數(shù)。

因子2代表一級(jí)指標(biāo)“科技經(jīng)濟(jì)環(huán)境”，包括人均GDP、人均可支配收入。

因子3代表一級(jí)指標(biāo)“科技產(chǎn)出能力”，包括專利申請(qǐng)量、專利授權(quán)量。

因子4代表一級(jí)指標(biāo)“科技研發(fā)經(jīng)費(fèi)”，包括研發(fā)經(jīng)費(fèi)占GDP比重。

4個(gè)一級(jí)指標(biāo)間相關(guān)性最低，共線性最低;這一指標(biāo)的修正為后續(xù)與房價(jià)控制變量的對(duì)比和合并提供基礎(chǔ)，并為后續(xù)層層深入探究科技創(chuàng)新能力對(duì)房價(jià)的影響提供保障。

指標(biāo)驗(yàn)證：（1）應(yīng)用修正的指標(biāo)體系，采用2016年的截面數(shù)據(jù)，對(duì)全國各區(qū)域進(jìn)行排名，結(jié)果與《中國區(qū)域創(chuàng)新能力評(píng)價(jià)報(bào)告》2016年公布結(jié)果基本一致。（2）應(yīng)用修正的指標(biāo)體系，在后續(xù)的區(qū)域異質(zhì)性分析中結(jié)果也非常穩(wěn)健。指標(biāo)體系的合理性通過雙重驗(yàn)證。

（三）變量定義與模型設(shè)計(jì)

借鑒Wang 等[12]、湯文彬[14]、Day[15]、Gattini和Hiebert[17]、鄭基超等[16]的思路，本文采用地價(jià)和商品房銷售面積表示房價(jià)的供應(yīng)變量，城鎮(zhèn)化率、人口和人均可支配收入表示房價(jià)的需求變量，人均GDP代表經(jīng)濟(jì)水平;科技創(chuàng)新指標(biāo)的一級(jí)指標(biāo)和二級(jí)指標(biāo)采用前述的因子分析法結(jié)果;為了研究科技從業(yè)人員的聚集效應(yīng)，構(gòu)造“R&D活動(dòng)人數(shù)機(jī)構(gòu)比”和“非R&D科技活動(dòng)人數(shù)機(jī)構(gòu)比”兩個(gè)變量;通過后續(xù)深入的分析發(fā)現(xiàn)科技投入的人員與房價(jià)之間具有內(nèi)生性，故構(gòu)造工具變量“大專及以上學(xué)歷人數(shù)”，詳細(xì)如表2所示。

四、實(shí)證檢驗(yàn)結(jié)果及分析

（一）描述性統(tǒng)計(jì)分析與相關(guān)性分析

采用前面構(gòu)建的310組混合面板數(shù)據(jù)，描述性統(tǒng)計(jì)分析和皮爾遜相關(guān)分析如表3所示。結(jié)果顯示中國31省份在2007—2016年間，房價(jià)與一級(jí)指標(biāo)科技投入能力（F1_INV）相關(guān)性為0.5，顯著高于其他一級(jí)指標(biāo);觀測(cè)最小值和最大值可見，房價(jià)（PRICE）、科技投入能力（F1_INV）、科技產(chǎn)出能力（F3_PROD）、科技研發(fā)經(jīng)費(fèi)（F4_COST）等變量在各區(qū)域差異十分顯著，這也為進(jìn)一步的區(qū)域異質(zhì)性研究提供了最直觀的依據(jù)。

（二）控制變量檢驗(yàn)

表4報(bào)告了房價(jià)控制變量實(shí)證遴選結(jié)果，利用計(jì)量模型（4），采用OLS方法，根據(jù)控制F檢驗(yàn)顯著性小于0.05時(shí)增加解釋變量、大于0.10時(shí)剔除解釋變量的原則，將各變量通過步進(jìn)法逐步優(yōu)選引入模型，模型的擬合優(yōu)度高（決定系數(shù)R2為0.87），T檢驗(yàn)同時(shí)滿足顯著性要求， 檢驗(yàn)結(jié)果顯示控制變量選擇合理。

該結(jié)論的合理解釋是：（1）人均可支配收入是反映家庭或個(gè)人收入變化的重要指標(biāo)，在剛需旺盛和投資熱度高的條件下，選擇房屋進(jìn)行自住或投資是普通老百姓都認(rèn)可的事情，從而直接正相關(guān)于房價(jià)。人均可支配收入每增加1%，房價(jià)上漲0.225%。（2）隨著人口城鎮(zhèn)化率提高，年度人口流入累計(jì)量增加，在削弱人均GDP的同時(shí)推動(dòng)了房價(jià)的上漲。（3）地價(jià)是房價(jià)的主要成本之一，各省份的地價(jià)均占房價(jià)的50%以上;故地價(jià)是最相關(guān)的控制因素。（4）商品房銷售面積與房價(jià)為負(fù)相關(guān)，主要系商品房銷售面積能一定程度反映城市的庫存量或供給量;供過于求，價(jià)格下跌。表4最后一列顯示了各變量的方差貢獻(xiàn)率，由此得出的重要結(jié)論是：推高房價(jià)的影響因素按方差貢獻(xiàn)率由高到低分別是人均可支配收入、城鎮(zhèn)化率、地價(jià)和人口流入累計(jì)量，有削弱效應(yīng)的是商品房銷售面積。如西安、天津、海南等地2018年上演人才引進(jìn)政策大戰(zhàn)，區(qū)域房價(jià)均由于需求量顯著增長導(dǎo)致了房價(jià)快速上漲。

（三）科技創(chuàng)新能力影響的回歸結(jié)果及分析

表5報(bào)告了科技創(chuàng)新能力一、二級(jí)指標(biāo)對(duì)房價(jià)的影響分析?？萍紕?chuàng)新能力一級(jí)指標(biāo)是因子1代表科技投入能力（F1_INV），因子3代表科技產(chǎn)出能力（F3_PROD），因子4代表科技研發(fā)經(jīng)費(fèi)（F4_COST）;各因子間互不相關(guān)，很好地解決了自變量共線性的干擾。在控制房價(jià)的5個(gè)核心變量條件下，將它們分別帶入計(jì)量模型（5）—（7），即可得到三個(gè)一級(jí)指標(biāo)對(duì)房價(jià)影響的計(jì)量模型Model（1）—Model（3）。利用SPSS 23分析程序，同樣采用步進(jìn)法，控制F檢驗(yàn)顯著性和滿足T檢驗(yàn)的原則。結(jié)果顯示這3個(gè)一級(jí)指標(biāo)均與房價(jià)正相關(guān)，且科技投入對(duì)房價(jià)有11.7%的方差解釋貢獻(xiàn)，而科技產(chǎn)出和研發(fā)經(jīng)費(fèi)對(duì)房價(jià)的解釋均不足3%。從而可以確定科技創(chuàng)新一級(jí)指標(biāo)中科技投入能力是推高房價(jià)的主要原因。驗(yàn)證了H1假設(shè)，否定了H2假設(shè)。房價(jià)上漲遏制科技創(chuàng)新，但科技創(chuàng)新推高了房價(jià)。

科技創(chuàng)新能力二級(jí)指標(biāo)對(duì)房價(jià)的影響分析，主要采用計(jì)量模型（8）。在Model（4）—Model（6）中分別引入科技創(chuàng)新能力的3個(gè)二級(jí)指標(biāo)（科技活動(dòng)機(jī)構(gòu)數(shù)INV1、非R&D科技活動(dòng)人數(shù)INV2和R&D活動(dòng)人數(shù)INV3），考察其對(duì)房價(jià)的影響。結(jié)果顯示INV1、INV2、INV3均與房價(jià)正相關(guān)，方差貢獻(xiàn)率分別為11.9%、12.9%、14.2%。而將3個(gè)變量同時(shí)引入產(chǎn)生了很強(qiáng)的共線性問題。為此，將INV3作為因變量進(jìn)行數(shù)據(jù)回歸，得到的結(jié)論是INV1解釋了INV3數(shù)據(jù)的85%，INV2解釋了INV3數(shù)據(jù)的92.6%，同步將INV1— INV3帶入模型分析，通過步進(jìn)法僅有INV3引入，而INV2和INV1被排除，從而可知核心的變量是R&D人數(shù)（INV3）。

為了檢驗(yàn)科技從業(yè)人員的聚集效應(yīng)，采用計(jì)量模型（9），在Model（7）中引入變量“非R&D科技活動(dòng)人數(shù)機(jī)構(gòu)比”（INV2/INV1）和“R&D人數(shù)機(jī)構(gòu)比”（INV3/INV1），結(jié)果顯示聚集效應(yīng)未得到檢驗(yàn)，如表5的最后一列。

由此，可以得出重要的結(jié)論是：科技創(chuàng)新投入二級(jí)指標(biāo)中的R&D活動(dòng)人數(shù)是核心影響變量，在這10年間，正是它的快速增長推高了房價(jià)，實(shí)證結(jié)果顯示它解釋了14.2%的房價(jià)上漲現(xiàn)象。

（四）內(nèi)生性問題處理及穩(wěn)健性檢驗(yàn)

表6報(bào)告了內(nèi)生性問題的處理和穩(wěn)健性檢驗(yàn)分析結(jié)果。根據(jù)上文科技創(chuàng)新能力二級(jí)指標(biāo)R&D人數(shù)對(duì)房價(jià)具有正向推高效應(yīng)，但進(jìn)一步研究發(fā)現(xiàn)房價(jià)對(duì)R&D人數(shù)也正相關(guān)，故R&D人數(shù)作為解釋變量具有內(nèi)生性。采用工具變量法并結(jié)合《中國區(qū)域創(chuàng)新能力監(jiān)測(cè)報(bào)告2016—2017》指標(biāo)體系，選用大專及以上學(xué)歷人口數(shù)量（EDU）為工具變量。通過R&D人數(shù)對(duì)大專及以上學(xué)歷人數(shù)回歸，如Model（8），顯示工具變量與內(nèi)生變量相關(guān)。再次通過R&D人數(shù)對(duì)大專及以上學(xué)歷和外生變量組合的線性回歸如Model（9），也顯示工具變量與內(nèi)生變量相關(guān)，因而工具變量選擇有效。將工具變量替代內(nèi)生變量的回歸，如Model（10），實(shí)證結(jié)果與上文基本保持一致，說明科技創(chuàng)新能力推高房價(jià)的數(shù)據(jù)實(shí)證結(jié)果穩(wěn)健，結(jié)論準(zhǔn)確可靠。

（五）R&D人數(shù)的傳導(dǎo)機(jī)制及中介效應(yīng)檢驗(yàn)

表7報(bào)告了R&D人數(shù)對(duì)推高房價(jià)的傳導(dǎo)機(jī)制，結(jié)果顯示隨著R&D人數(shù)（INV3）的增加，在全國各區(qū)域，對(duì)人均可支配收入、地價(jià)、人均GDP、城鎮(zhèn)化率和年度人口流入累計(jì)量均有正向的影響，對(duì)商品房銷售面積具有負(fù)向的影響，從而推高了房價(jià)的上漲。從最后一列結(jié)果可知，R&D人數(shù)推高房價(jià)主要通過兩個(gè)路徑傳導(dǎo)，一是對(duì)房價(jià)直接正向影響，二是通過人均可支配收入、城鎮(zhèn)化率、地價(jià)、人均GDP、年度人口流入累計(jì)量和商品房銷售面積等中間變量的部分中介效應(yīng)推高了房價(jià)。

（六）基于Ward法的區(qū)域異質(zhì)性分析

根據(jù)描述性統(tǒng)計(jì)結(jié)果可知中國房價(jià)、科技創(chuàng)新能力和經(jīng)濟(jì)水平存在很大的省份間差異，故需要異質(zhì)性分析和分組以便深入研究各組區(qū)域間科技創(chuàng)新能力對(duì)房價(jià)影響的差異。因此本文采用離差平方和法（Ward法）進(jìn)行區(qū)域異質(zhì)性的系統(tǒng)聚類分析，測(cè)量采用平方根歐氏距離（Euclidean）;區(qū)域異質(zhì)性分析的變量為科技創(chuàng)新能力的四個(gè)一級(jí)指標(biāo)（投入能力、產(chǎn)出能力、研發(fā)經(jīng)費(fèi)、經(jīng)濟(jì)環(huán)境）和房價(jià)。當(dāng)選用2016年31個(gè)省份的數(shù)據(jù)，在僅考慮投入能力、產(chǎn)出能力和研發(fā)經(jīng)費(fèi)3個(gè)維度時(shí)，聚類分析的結(jié)果顯示北京、上海、天津、廣東、江蘇、浙江等6個(gè)省份為科技創(chuàng)新能力發(fā)達(dá)區(qū)域，該結(jié)果與《中國區(qū)域科技創(chuàng)新評(píng)價(jià)報(bào)告2016—2017》2017年9月，中國科學(xué)技術(shù)發(fā)展戰(zhàn)略研究院和科技部創(chuàng)新發(fā)展司發(fā)布科技創(chuàng)新能力排名，結(jié)果顯示北京、上海、 天津、廣東、江蘇和浙江的綜合指數(shù)得分高于全國平均水平（67.57分），處于第一梯隊(duì)。湖北、重慶、陜西、山東、四川、福建、遼寧、黑龍江、安徽、湖南、山西、甘肅、吉林和江西綜合科技創(chuàng)新水平指數(shù)在全國平均水平（67.57分）和50分之間，處于第二梯隊(duì);其他地區(qū)綜合科技創(chuàng)新水平指數(shù)在50分以下，屬于第三梯隊(duì)。，[29]的內(nèi)容一致，如圖1所示。這也說明因子分析法的科技創(chuàng)新能力指標(biāo)修正的合理性。當(dāng)引入經(jīng)濟(jì)環(huán)境和房價(jià)變量后，福建省被引入科技創(chuàng)新能力發(fā)達(dá)的高房價(jià)區(qū)域，結(jié)果如圖2所示。深入分析底層數(shù)據(jù)后，發(fā)現(xiàn)在2016年底福建省平均房價(jià)為9 218元/平米，高于江蘇省的房價(jià)8 805元/平米，同步參考《中國區(qū)域創(chuàng)新能力評(píng)價(jià)報(bào)告》（2015年2014、2015年各地區(qū)創(chuàng)新能力排名前10位的是：江蘇、廣東、北京、上海、浙江、山東、天津、重慶、安徽、 福建。、2016年2016年各地區(qū)創(chuàng)新能力排名前10位的是：江蘇、廣東、北京、山東、上海、浙江、四川、湖北、河南、遼寧。）[30-31]。全國科技創(chuàng)新能力與房價(jià)的區(qū)域劃分最合理的應(yīng)為2個(gè)組別，分別如下。

科技創(chuàng)新能力發(fā)達(dá)的高房價(jià)區(qū)域（Region1）：北京、上海、天津、廣東、江蘇、浙江、福建。

其他區(qū)域（Region2）：湖北、重慶、陜西、山東、四川、遼寧、黑龍江、安徽、湖南、山西、甘肅、吉林、江西、河南、寧夏、內(nèi)蒙、河北、廣西、海南、青海、云南、貴州、新疆、西藏。

（七）各區(qū)域分組回歸結(jié)果及分析

基于區(qū)域異質(zhì)性的分析結(jié)果，全國各省份分為2組，即科技創(chuàng)新能力發(fā)達(dá)的高房價(jià)區(qū)域（Region1）、其他區(qū)域（Region2）。表8分別分析了R&D人數(shù)（INV3）和工具變量大專及以上學(xué)歷人數(shù)（EDU）作為科技人員投入增加對(duì)房價(jià)的影響，并考慮科技從業(yè)人員的聚集效應(yīng)，形成模型Model（11）—Model（14）。

結(jié)果顯示，在2007—2016年間，R&D人數(shù)增加在各區(qū)域均推高了房價(jià);雖然工具變量在兩個(gè)區(qū)域組中顯著性未得到檢驗(yàn)，但系數(shù)均為正。深層次地分析INV3在各數(shù)據(jù)模型中的正相關(guān)系數(shù)，可知在科技創(chuàng)新能力發(fā)達(dá)區(qū)域的值為59.664，而在全國其他區(qū)域的值為300.903，說明在全國其他省份科技創(chuàng)新能力推高房價(jià)的效應(yīng)更加顯著。證實(shí)H3假設(shè)和H4假設(shè)正確，即科技創(chuàng)新能力發(fā)達(dá)的高房價(jià)省份，科技創(chuàng)新推高了房價(jià);但科技創(chuàng)新能力非發(fā)達(dá)的省份，科技創(chuàng)新能力對(duì)房價(jià)的推高效應(yīng)更加顯著。

從科技從業(yè)人員聚集效應(yīng)的檢驗(yàn)變量INV3/ INV1來看，區(qū)域組Region 1和Region 2的結(jié)果差異較大;R&D人數(shù)，在科技創(chuàng)新能力發(fā)達(dá)的高房價(jià)區(qū)域，隨著2007—2016年間的房價(jià)上漲而出現(xiàn)“聚集效應(yīng)”，而在全國其他區(qū)域出現(xiàn)“溢出效應(yīng)”;科技活動(dòng)中的R&D人員表現(xiàn)出“遷移現(xiàn)象”，即向科技創(chuàng)新能力發(fā)達(dá)的省份遷移。

（八）發(fā)達(dá)區(qū)域R&D人數(shù)與房價(jià)上漲的時(shí)間效應(yīng)和圖形分析驗(yàn)證

為了更進(jìn)一步分析科技創(chuàng)新能力發(fā)達(dá)且房價(jià)上漲較快省份的房價(jià)與R&D活動(dòng)人數(shù)發(fā)展趨勢(shì)，圖3—圖9給出了區(qū)域組Region 1中7個(gè)領(lǐng)先省份在2007年至2016年二者的時(shí)間曲線?？傮w而言，R&D人數(shù)與房價(jià)的上漲趨勢(shì)一致，但最近幾年北京、上海、浙江和福建的R&D活動(dòng)人數(shù)增速放緩，廣東增速最快;在北京、上海、天津、江蘇區(qū)域的R&D活動(dòng)人數(shù)曲線均位于房價(jià)平均水平的上方，說明這4個(gè)省份R&D人數(shù)的增速早于房價(jià)的增速，并帶動(dòng)了房價(jià)上漲;而廣東、浙江和福建二者出現(xiàn)了交叉式螺旋上漲。再次清晰地驗(yàn)證了R&D人數(shù)的增加顯著推高了房價(jià)的上漲。

五、結(jié)論與建議

本文基于中國31個(gè)省份2006年至2017年間的科技創(chuàng)新能力和房價(jià)的310組混合面板數(shù)據(jù)，通過因子分析法修正科技創(chuàng)新能力指標(biāo)體系;基于Ward法創(chuàng)新地將科技創(chuàng)新能力和房價(jià)進(jìn)行區(qū)域劃分;在遴選和控制宏觀房價(jià)的核心變量基礎(chǔ)上，層層剖析科技創(chuàng)新能力一、二級(jí)指標(biāo)在不同區(qū)域異質(zhì)性水平上對(duì)房價(jià)上漲的影響和傳導(dǎo)機(jī)制。本文得出的重要結(jié)論是：（1）在全國范圍內(nèi)，影響宏觀房價(jià)的上漲主要因素是人均可支配收入、城鎮(zhèn)化率、地價(jià)和年度人口流入累計(jì)量，同時(shí)科技投入增加對(duì)房價(jià)有顯著的正向沖擊，主要是通過R&D活動(dòng)人數(shù)的增加來實(shí)現(xiàn)。（2）R&D人數(shù)推高房價(jià)主要通過兩個(gè)路徑傳導(dǎo)，一是對(duì)房價(jià)直接產(chǎn)生正向影響，二是通過人均可支配收入、城鎮(zhèn)化率、地價(jià)、人均GDP、年度人口流入累計(jì)量和商品房銷售面積等中間變量的部分中介效應(yīng)推高了房價(jià)。（3）在科技創(chuàng)新發(fā)達(dá)且房價(jià)較高的北京、上海、天津、廣東、江蘇、浙江和福建等局部省份，科技創(chuàng)新能力推高房價(jià)效應(yīng)低于全國其他區(qū)域。（4）R&D人員在科技創(chuàng)新能力發(fā)達(dá)的7個(gè)省份中出現(xiàn)“聚集效應(yīng)”，在全國其他區(qū)域出現(xiàn)“溢出效應(yīng)”，表現(xiàn)為向科技創(chuàng)新能力發(fā)達(dá)的省份遷移。

根據(jù)以上研究結(jié)果可知：一邊是大力發(fā)展科技創(chuàng)新和人才引進(jìn)，伴隨推高了房價(jià);另一邊是房價(jià)越來越高，遏制了科技創(chuàng)新能力并導(dǎo)致人才遷移。較好的解決辦法是設(shè)置緩沖區(qū)，也即加強(qiáng)住房保障機(jī)制建設(shè)，特別是針對(duì)暫未首次置業(yè)的青年科技人才，通過住房保障機(jī)制使其“居有其所”，促進(jìn)其科研創(chuàng)新目標(biāo)的“自我實(shí)現(xiàn)”。參考文獻(xiàn)：

[1]廣東省人民政府.廣東省人民政府關(guān)于加快科技創(chuàng)新的若干政策意見[EB/OL].[2018-09-15].http：//zwgk.gd.gov.cn/006939748/201502/t20150226_570220.html， 2015.02.15.

[2]浙江省科學(xué)技術(shù)廳，浙江省財(cái)政廳.推廣應(yīng)用創(chuàng)新券 推動(dòng)“大眾創(chuàng)業(yè)、萬眾創(chuàng)新”的若干意見（試行）的通知[EB/OL]. [2018-09-16].http：//www.zjkjt.gov.cn/news/node03/detail0304/2015/0304_60694.htm， 2015.2.27.

[3]上海市科學(xué)技術(shù)委員會(huì)，上海市財(cái)政局. 上海市科技創(chuàng)新計(jì)劃專項(xiàng)資金管理辦法[EB/OL].[2018-09-16].http：//www.stcsm.gov.cn/gk/zc/zcfg/gfxwz/fkwwj/350173.htm，2017.7.3.

[4]天津市人民政府. 《天津市科技創(chuàng)新“十三五”規(guī)劃》2016年度主要目標(biāo)圓滿完成[EB/OL].[2018-09-15].http：//www.tj.gov.cn/xw/bum/201705/t20170503_3596502.html， 2017.05.03.

[5]中華人民共和國科技部.福建出臺(tái)實(shí)施方案落實(shí)全國科技創(chuàng)新大會(huì)精神[EB/OL].[2018-09-15].http：//www.most.gov.cn/dfkj/fj/zxdt/201706/t20170615_133581.htm， 2017.06.16.

[6]中共北京市委，北京市人民政府.關(guān)于印發(fā)加快科技創(chuàng)新構(gòu)建高精尖經(jīng)濟(jì)結(jié)構(gòu)系列文件的通知[EB/OL].[2018-09-15].http：//zhengce.beijing.gov.cn/library/192/33/50/438650/1425750/，2017.12.20.

[7]中華人民共和國科技部.江蘇省出臺(tái)新政 激勵(lì)科技創(chuàng)新[EB/OL].[2018-09-20].http：//www.most.gov.cn/dfkj/js/zxdt/201809/t20180911_141696.htm 2018.09.11.

[8]本刊編輯部，羅尚忠.房價(jià)上漲與科技創(chuàng)新[J].中國科技論壇，2016（12）： 1.

[9]張召光.人才住房政策對(duì)區(qū)域創(chuàng)新創(chuàng)業(yè)活動(dòng)的影響研究[D].深圳：深圳大學(xué)，2017.

[10]吳仲.居住成本、人力資本與城市創(chuàng)新能力的關(guān)系研究[D].上海：上海師范大學(xué)，2017.

[11]厲偉，洪濤，李彩云.房價(jià)上漲對(duì)中國城市創(chuàng)新產(chǎn)生抑制效應(yīng)了嗎？：基于中國35個(gè)大中城市面板數(shù)據(jù)的實(shí)證分析[J].商業(yè)研究，2017（11）：61-66.

[12]WANG S J，WANG J Y，WANG Y.Effect of land prices on the spatial differentiation of housing prices：Evidence from cross-county analyses in China[J].Journal of Geographical Sciences，2018，28（6）：725-740.

[13]萬建香，黃智.關(guān)于房價(jià)與土地供應(yīng)關(guān)系的研究：以上海市為例[J].價(jià)格理論與實(shí)踐，2018（2）：63-66.

[14]湯文彬.我國房地產(chǎn)價(jià)格影響因素實(shí)證分析[J].價(jià)格理論與實(shí)踐，2016（1）：119-121.

[15]DAY C.Population and house prices in the United Kingdom[J].Scottish Journal of Political Economy，2018，65（2）：127-141.

[16]鄭基超，倪澤強(qiáng)，孫韋.人口結(jié)構(gòu)對(duì)房價(jià)的影響：基于面板數(shù)據(jù)的分析[J].江淮論壇，2016（5）：22-27，52.

[17]GATTINI L，HIEBERT P.Forecasting and assessing Euro area house prices through the lens of key fundamentals[R].Working Paper Series European Central Bank（No 1249），2010.

[18]胥玲.中國城市房價(jià)和地價(jià)的決定因素及相互關(guān)系[J].財(cái)政研究，2009（11）：10-13.

[19]王弟海，管文杰，趙占波.土地和住房供給對(duì)房價(jià)變動(dòng)和經(jīng)濟(jì)增長的影響：兼論我國房價(jià)居高不下持續(xù)上漲的原因[J].金融研究，2015（1）：50-67.

[20]畢亮亮，施祖麟.長三角城市科技創(chuàng)新能力評(píng)價(jià)及“區(qū)域科技創(chuàng)新圈”的構(gòu)建：基于因子分析與聚類分析模型的初探[J].經(jīng)濟(jì)地理，2008，28（6）：946-951，954.

[21]李惠芬.城市創(chuàng)新力指標(biāo)體系的建構(gòu)及實(shí)證研究[J].南京社會(huì)科學(xué)，2010（7）：15-20.

[22]張永凱，杜德斌.上海城市科技創(chuàng)新能力的指標(biāo)體系及分析評(píng)價(jià)[J].科技與經(jīng)濟(jì)，2010，23（5）：21-24.

[23]鄒燕.創(chuàng)新型城市評(píng)價(jià)指標(biāo)體系與國內(nèi)重點(diǎn)城市創(chuàng)新能力結(jié)構(gòu)研究[J].管理評(píng)論，2012，24（6）：50-57.

[24]WANG Y D，VANHAVERBEKE W，ROIJAKKERS N.Exploring the impact of open innovation on national systems of innovation-A theoretical analysis[J].Technological Forecasting and Social Change，2012，79（3）：419-428.

[25]陳強(qiáng)，顏婷，劉笑.科技創(chuàng)新人力資源集聚對(duì)區(qū)域創(chuàng)新能力的影響[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，45（11）：1722-1730.

[26]FURMAN J L，PORTER M E，STERN S.The determinants of national innovative capacity[J].Research Policy，2002，31（6）：899-933.

[27]MEILIENE E，NEVERAUSKAITE S，AIDIS R.Methodological aspects of compiling countrys competitiveness through the aspect of technology-intensive innovative enterprises index[J].Procedia-Social and Behavioral Sciences，2015，213：173-178.

[28]中華人民共和國科技部.中國區(qū)域創(chuàng)新能力監(jiān)測(cè)報(bào)告2016-2017[M].北京：科學(xué)技術(shù)文獻(xiàn)出版社，2017.

[29]中國科技發(fā)展戰(zhàn)略研究小組，中國科學(xué)院大學(xué)中國創(chuàng)新創(chuàng)業(yè)管理研究中心.中國區(qū)域創(chuàng)新能力評(píng)價(jià)報(bào)告-2015[M].北京：科學(xué)技術(shù)文獻(xiàn)出版社，2015.

[30]中國科技發(fā)展戰(zhàn)略研究小組，中國科學(xué)院大學(xué)中國創(chuàng)新創(chuàng)業(yè)管理研究中心.中國區(qū)域創(chuàng)新能力評(píng)價(jià)報(bào)告-2016[M]. 北京：科學(xué)技術(shù)文獻(xiàn)出版社，2016.

[31]中國科技發(fā)展戰(zhàn)略研究小組，中國科學(xué)院大學(xué)中國創(chuàng)新創(chuàng)業(yè)管理研究中心.中國區(qū)域創(chuàng)新能力評(píng)價(jià)報(bào)告-2017[M].北京：科學(xué)技術(shù)文獻(xiàn)出版社，2017.