为了直观看房地产高的回报价值和企业创新投入的关系，描绘了两个被解释变量和解释变量（房价增长率）之间的散点图和拟合曲线，可以看出呈现出明显的负向关系，这初步印证了前述的逻辑，房地产的生机勃勃的发展和房价的快速上涨“挤出”了企业创新动力。

图3　房价增长率与研发投入之间散点图

为了验证结果的可靠性，我们进一步利用计量模型进行初步的检验，结果如第151页表4所示。从具体回归结果来看，不论被解释变量是研发投入的对数还是研发投入占总资产比重，也不论是OLS模型还是FE模型，房价的系数均显著为负，说明当房地产投资成为短期主要获利方式和渠道的时候，企业对这种“快富”偏爱就不言而喻，从而削减不确定性高且回报时间较长的研发投入，大量转向房地产投资。另外混合OLS和FE估计相比，固定效应估计系数更大，这也说明面板数据在考虑了固定效应，特别是考虑企业不随时间变化的信息估计结果更准确，从而后文主要以固定效应估计的结果为讨论的重点（余静文等，2015）。在控制变量方面：第一，企业规模与研发投入对数、研发投入占总资产比重呈显著的正向相关的关系，说明企业规模越大，企业研发投入绝对量和比重也越大，这支持了熊彼特假说（企业规模可以促进企业创新活动），与安同良等（2006）阐释的与小公司相比，大公司更多地会进行持续性研发活动且研发支出经费也相对较多的结论是一致的。第二，企业年龄所有模型均在1%显著水平与研发投入正相关，这个结果说明中国企业的生存年限越长其创新能力越强（周亚虹等，2012；张杰等，2011）。第三，以流动性衡量的融资约束对研发投入影响显著在固定效应模型中（FE）为负，这证明了随着融资约束的强化会不利于企业的研发投入，佐证了“银行信贷仍是中国本土企业从事创新活动的主要外部资金来源，当前不健全的要素市场使得我国企业在利用银行信贷进行创新活动时面临着普遍信贷约束，从而导致R&D投入不足和创新能力不高”的观点。第四，以利润率衡量的企业盈利能力的系数，多数模型通过了显著检验，这与已有文献的研究结果相同，企业自身的成长性和盈利能力能保证研发投入的持续性。第五，在所有制方面，国有企业在研发投入动力方面要显著（-0.187和-0.0001）差于民营企业，这与国有企业软预算约束所提供的“利润保证”而使得国有企业缺乏研发的动力，同时国企多重效率损失也证明了国企相对民营企业着眼于长期的创新动力不足（Zhang et al.，2003；吴延兵，2012；董晓庆等，2014）。^[6]另外在固定效应模型中，我们加入了所有制和房价的交互项，结果显示出国有企业相对于民营企业、外资企业在研发投入方面受房价变动的消极影响程度略为严重（系数显著为负），主要原因在于国有企业相比民营企业所受的信贷歧视和融资约束较弱（Cull et al.，2003；Brandt et al.，2003），有充足资金保证的国有企业也更倾向于回报率高而时间短的投资，其不光关心利润的问题甚至更多是声誉和品牌。^[7]第六，在行业方面，以房地产业为基准组，发现工业和公共事业行业相比其他行业对研发投入明显更多，所以不同行业的技术水平、创新环境以及产品需求等因素仍是造成行业之间研发差距的主因。在地区方面，东部地区研发投入显著多于中西部，与传统研究结论是一致的。^[8]

表4　计量结果：混合OLS和固定效应

续表

注：***，**，*分别代表1%，5%和10%的显著性水平。括号为t值。(www.daowen.com)

上述计量结果表明，房价增速的加快会明显导致企业研发投入的减少，然而遗漏变量、测量误差和互为因果关系会导致上述估计的内生性，如房价上涨和研发投入减少是源于一些不可观测的地区因素，例如地方政府的政策引导（王文春等，2014）。所以上述回归系数的可信度不足，应对内生性在此选择工具变量的方法来解决。工具变量的基本思想是寻找一个外生的、通过且仅通过内生变量（房价）而影响被解释变量（企业研发）的变量。本文认为，城市的土地供应状况是房价合适的工具变量。

参考已有研究，选择两个和城市土地供应状况相关的工具变量：一是借鉴陈斌开等（2013）和余静文等（2015）的做法，采用滞后一期的35个城市土地开发面积^[9]的对数值作为房价的工具变量，首先建设用地指标受中央管制，使得土地开发面积满足外生性，同时它反映了土地供给政策会直接影响房地产价格（陈斌开等，2013），论证两者呈现负向关系，土地开发面积增长率越高，住房价格增长率越低，但其与企业研发行为和研发投入多寡却没有任何直接影响，所以是一个合适的工具变量；二是借鉴陆铭等（2015）的方法，认为某一城市上一年度的人均土地出让面积^[10]的对数值，作为该城市当年房价的工具变量。另外我们绘出房价与两个反映土地供应变量的图形，也发现这两个反映土地供应的变量与房价呈现明显的负相关关系（相关系数分别为-0.272和-0.369），所以是两个合适的工具变量，则进一步采取两阶段最小二乘法，具体结果如第153页表5所示。

图4　房价与土地开发面积、土地出让面积之间关系

表5　计量结果：2SLS

从2SLS结果可见，对于两个工具变量，第一阶段回归检验工具变量联合显著性的F统计量均大于10，故可以认为不存在弱工具变量。同时，两个工具变量Anderson Canonical Correlation LR检验的P值分别为0.005和0.007，显著否定了第一阶段回归存在识别问题的原假设。另外，模型（9）至（16）中房价增长率的系数显著为负，说明前述证实的房价上涨会对企业创新具有抑制作用是可靠的。另外两个工具变量与前述未处理内生性的固定效应结果相比较，不论是在被解释变量为研发投入的对数值还是研发投入占总资产的比重的方程中，房价的系数绝对值要更大，这说明前述未处理内生性的结果低估了这种“挤出效应”，其余控制变量系数与上述结果是类似的。