文/賈銘 張亦達(dá)

一般來說，人們?yōu)榱烁玫墨@取公共交通服務(wù)、降低通勤成本，通常會(huì)選擇離地鐵站更近的住房，這可能導(dǎo)致距地鐵站更近的住房的價(jià)格更高（地鐵房溢價(jià)）。而共享單車使得距離地鐵站較遠(yuǎn)的公寓也相對更容易獲得公共交通服務(wù)。

所以，一個(gè)顯然的推論是：共享單車可能會(huì)推高距離地鐵站較遠(yuǎn)的住房的價(jià)格，降低距地鐵站較近的住房的溢價(jià)，從而縮小距地鐵不同距離的住房價(jià)格差。

(相關(guān)資料圖)

來自新加坡國立大學(xué)的Junhong Chu，英屬哥倫比亞大學(xué)的 Yige Duan,，鏈家研究院的Xianling Yang和Li Wang于2020年6月在《Management Science》發(fā)表論文“The Last Mile Matters: Impact of Dockless Bike Sharing on Subway Housing Price Premium”。文章研究了共享單車如何調(diào)節(jié)房價(jià)與地鐵距離之間的關(guān)系（房價(jià)梯度），并量化共享單車在解決“最后一公里”問題中的貨幣價(jià)值。

文章使用的是一個(gè)包含地鐵站附近約400000套轉(zhuǎn)售住房詳細(xì)信息的數(shù)據(jù)集。為了識(shí)別共享單車對地鐵房價(jià)溢價(jià)的因果效應(yīng)，作者利用ofo和摩拜在不同時(shí)點(diǎn)進(jìn)入中國10個(gè)主要城市為準(zhǔn)自然實(shí)驗(yàn)，進(jìn)行 i.住房層面的雙重差分（DID）和 ii.城市-月度層面的兩階段估計(jì)。

在DID中，通過共享單車進(jìn)入（該市）前后，距同一地鐵站不同距離住房價(jià)格的空間變化來識(shí)別影響；在兩階段方法中，直接估計(jì)每個(gè)城市不同時(shí)點(diǎn)的房價(jià)梯度，并比較單車進(jìn)入前后的梯度變化。

兩種方法得出一致結(jié)論：

共享單車的進(jìn)入顯著降低了29%的房價(jià)梯度（每公里梯度從4.2%降到3.0%），相當(dāng)于城市居民1年的可支配收入。即共享單車增加了較遠(yuǎn)距離住房的吸引力，縮小了距地鐵不同距離的公寓之間的價(jià)格差。在過去30年的時(shí)間里，每個(gè)家庭每年減少的通勤成本約為1893—2127元。

進(jìn)一步分析表明，這種影響是由對潛在買家的吸引力增加以及遠(yuǎn)離地鐵站的公寓初始掛牌價(jià)格相對上漲所驅(qū)動(dòng)的。不同的公寓、社區(qū)和城市存在異質(zhì)性。

文章投稿于2018年10月，2019年11月被接收，2020年6月正式刊出。

研究數(shù)據(jù)

1. 房價(jià)和住房特征

本文數(shù)據(jù)來源于一家中國房地產(chǎn)機(jī)構(gòu)，該機(jī)構(gòu)在所有10個(gè)城市中均占有最大的市場份額。數(shù)據(jù)包括2015年7月1日至2017年12月31日期間掛牌轉(zhuǎn)售的507975套住房，并跟蹤所有未售出的住房，直至2018年3月12日。

數(shù)據(jù)包含每套住房的詳細(xì)情況，面積、房間數(shù)、所處樓層、樓齡、裝修情況、窗戶朝向、地理位置，以及是否靠近公立學(xué)校（下文簡稱學(xué)區(qū)房）；還包括每套住房的歷史價(jià)格、當(dāng)前價(jià)格、交易狀態(tài)（售出或未售出）以及潛在買家的訪問次數(shù)。

同時(shí)，作者區(qū)分了初次掛牌價(jià)、調(diào)整后價(jià)格、最后的成交價(jià)。

賣家初次輸入的賣價(jià)為初次掛牌價(jià)；賣家調(diào)低或者調(diào)高初次掛盤價(jià)，為調(diào)整后的價(jià)格；如果住房最終通過中介成交，還會(huì)記錄交易日期和成交價(jià)。如果住房沒有通過中介成交，而是雙方線下直接達(dá)成交易（通常是為了節(jié)省傭金），那網(wǎng)站上最后的價(jià)格也可能是成交價(jià)，但房屋的在售狀態(tài)可能沒有更新。

2. 到地鐵的距離

作者手動(dòng)收集了每個(gè)城市的地鐵網(wǎng)絡(luò)信息和每個(gè)地鐵站的地理位置坐標(biāo)、投入運(yùn)營的日期。然后將住房數(shù)據(jù)和地鐵數(shù)據(jù)匹配（具體的計(jì)算和匹配方法見原文附錄A），保留據(jù)地鐵站3公里范圍內(nèi)的住房信息，剔除超過3公里的住房（12%）——因?yàn)槿绻》亢偷罔F站的距離超過3公里，購房者就不太可能使用共享單車通勤。

但是，按地理位置坐標(biāo)匹配的住房信息和地鐵數(shù)據(jù)（測地距離：即根據(jù)經(jīng)緯度測得的兩點(diǎn)間最短距離）可能和住房到地鐵站的實(shí)際步行距離有差異。

因此，匹配數(shù)據(jù)可能導(dǎo)致住房匹配到的地鐵站并非實(shí)際上最近的地鐵站。因此，作者再次手動(dòng)確定了公寓到地鐵站的實(shí)際步行距離，剔除了匹配數(shù)據(jù)和步行數(shù)據(jù)不一致的結(jié)果（3.8%）。

最后納入數(shù)據(jù)集的，包括399840套住房和1422個(gè)地鐵站。

3. 單車進(jìn)入時(shí)間

ofo和摩拜進(jìn)入每個(gè)城市的日期（見原文附錄B表B1）來自兩個(gè)公司的官方網(wǎng)站和公開的互聯(lián)網(wǎng)信息，并與Cao等人（2018）報(bào)告的日期進(jìn)行了交叉驗(yàn)證。同時(shí)，將ofo和摩拜進(jìn)入較早的那個(gè)日期定義為共享單車進(jìn)入該城市的日期。

Hall（2018）等人使用谷歌趨勢（Google Trend）做Uber在美國的滲透率的代理變量，本文使用關(guān)鍵詞“共享單車”的每日百度搜索指數(shù)做共享單車在每個(gè)城市的滲透率的代理變量。附錄B表B2顯示，在多個(gè)城市，該指數(shù)在ofo和摩拜單車進(jìn)入日期前后達(dá)到峰值。

4. 數(shù)據(jù)特征描述

數(shù)據(jù)特征的描述性統(tǒng)計(jì)如表1所示。

表格的上半部分報(bào)告了住房的價(jià)格信息（掛牌價(jià)、調(diào)整價(jià)、成交價(jià)）和看房次數(shù)；表格中間部分報(bào)告了住房特征；下半部分報(bào)告了共享單車到地鐵站的距離。

總共有399840套公寓的617271條價(jià)格記錄，價(jià)格均值為31536元/平方米，到地鐵的匹配距離和步行距離分別為1.08公里和1.62公里，55%的住房在共享單車進(jìn)入之前上市，45%的公寓在共享單車進(jìn)入之后上市。

另外，每套住房的平均面積為90.5平米，2.2個(gè)房間，平均高度為9層，樓齡為14年，一半屬于學(xué)區(qū)房，每套住房平均看房次數(shù)為6.3次，13%基本裝修、20%精裝修，其它沒有裝修或缺失裝修信息。

表1 數(shù)據(jù)特征

實(shí)證策略

本文的目的是研究共享單車如何調(diào)節(jié)房價(jià)與地鐵距離之間的關(guān)系，并量化對通勤成本的影響。

對房價(jià)的影響可以直接估計(jì)，但由于沒有通勤成本的數(shù)據(jù)，對通勤成本的影響只能從房價(jià)梯度的變化中間接估計(jì)。其原理是讓家庭在房價(jià)和通勤成本之間進(jìn)行權(quán)衡：他們要么選擇住得離地鐵站近，享受更低的通勤成本，但支付更高的房價(jià); 要么選擇住得離地鐵站遠(yuǎn)，享受更低的房價(jià)，但支付更高的通勤成本。

所以，在均衡狀態(tài)下，房價(jià)與到地鐵的距離負(fù)相關(guān)，距離地鐵站較近和較遠(yuǎn)的住房的價(jià)格差實(shí)際上反映了（capitalize）通勤成本的差異。那么，由于共享單車降低了通勤成本，價(jià)格差也將縮小，導(dǎo)致房價(jià)與地鐵距離之間的梯度趨于平緩。

在沒有隨機(jī)對照實(shí)驗(yàn)或者更好識(shí)別策略（例如斷點(diǎn)回歸）的情況下，作者使用了城市住房層面的雙重差分（DID）和城市-月度層面的兩階段估計(jì)兩種方法識(shí)別共享單車對房價(jià)和地鐵距離之間關(guān)系的因果影響。

1. 城市住房層面的雙重差分（DID）

i, c, t分別代表住房、城市、時(shí)間；Pict是c城住房i在t時(shí)的每平米價(jià)格；DISTist是住房i在t時(shí)距最近的地鐵站s的距離；BIKEct是c城在t時(shí)是否存在共享單車；Xit是住房特征，包括面積、樓層、樓齡、房間數(shù)、裝修狀態(tài)、窗戶朝向、是否學(xué)區(qū)房、住房密度（以最近的地鐵站3公里半徑內(nèi)的住房數(shù)量度量），以及掛牌價(jià)和最新價(jià)。δs和θcym是地鐵站和城市-年-月的固定效應(yīng)，εict是誤差項(xiàng)。

特別是，納入地鐵固定效應(yīng)不僅考慮了可能影響自行車騎行適宜性的社區(qū)條件（例如，環(huán)境、地形、天氣），而且還解決了每個(gè)地鐵站周圍共享單車供需不均的問題。

城市-年-月固定效應(yīng)控制城市政策的影響，例如對住房市場或者共享單車公司的監(jiān)管。但是城市-年-月固定效應(yīng)并沒有完全吸納“單車是否進(jìn)入（bike）”的影響，因?yàn)楣蚕韱诬嚳赡茉谠轮羞M(jìn)入該城。此外，控制住房特征使得類似住房的價(jià)格可比。

模型（1）的經(jīng)濟(jì)意義如下：

在共享單車進(jìn)入之前（BIKEct=0），房價(jià)相對于距地鐵站距離的梯度為β1（即當(dāng)Dist變化一個(gè)單位時(shí)Pict的變化百分比），預(yù)計(jì)為負(fù)值：其他條件相同的情況下，每遠(yuǎn)離地鐵站一公里，平均房價(jià)降低-100β1%。

在共享單車進(jìn)入后，梯度變?yōu)棣?+β3：在其他條件不變的情況下，每遠(yuǎn)離地鐵站一公里，平均房價(jià)下降-100(β1+β3)%。因此，β3識(shí)別了共享單車對房價(jià)梯度的影響，正的β3意味著共享單車使房價(jià)梯度更平滑，即降低了地鐵附近住房的價(jià)格溢價(jià)，縮小了（距地鐵站不同距離的住房的）價(jià)格差。

為了確定共享單車對地鐵房價(jià)溢價(jià)的因果關(guān)系，作者利用ofo和摩拜交錯(cuò)進(jìn)入中國的10個(gè)城市作為準(zhǔn)自然實(shí)驗(yàn)。

ofo和摩拜是（當(dāng)時(shí)）最大的兩家公司，市場合計(jì)占比超過90%。10個(gè)城市的總?cè)丝跒?5200萬，擁有成熟的地鐵系統(tǒng)。這10個(gè)城市非常適合此項(xiàng)研究，因?yàn)閱诬囋谶@10個(gè)城市的進(jìn)入既快到可以認(rèn)為是外生的，又慢到可以為DID產(chǎn)生足夠的變化。而且，ofo和摩拜始終是10個(gè)城市中第一個(gè)進(jìn)入的共享單車公司。

本質(zhì)上，本文的DID識(shí)別依賴于距同一地鐵站不同距離相似的住房價(jià)格在站內(nèi)、月內(nèi)的空間變化。所以，估計(jì)結(jié)果對范圍較廣的干擾因素是穩(wěn)健的。

2. 城市-月度層面的兩階段估計(jì)

在DID模型中，不包括住房固定效應(yīng)，因?yàn)楹芏嘧》恐挥幸粋€(gè)觀察值。如果未觀察到的住房特征或其他宏觀因素對距離同一地鐵站不同距離的住房產(chǎn)生不同影響，則可能會(huì)使估計(jì)有偏。由于本文的研究重點(diǎn)是共享單車進(jìn)入城市如何降低房價(jià)梯度，因此更合適的分析單位是城市-月度。

因此，通過進(jìn)行城市-月度層面的兩階段估計(jì)。

第一步，通過等式（2a）為329個(gè)城市-月度子樣本估計(jì)一個(gè)房價(jià)梯度；第二步，使用等式（2b）比較共享單車進(jìn)入前后的梯度：

其中，βcym是c城市y年m月的房價(jià)梯度，δc 是城市固定效應(yīng)。

結(jié)果

1. 主要結(jié)果

使用最小二乘（OLS）估計(jì)模型（1）并報(bào)告按地鐵站聚類的穩(wěn)健標(biāo)準(zhǔn)誤。

在基準(zhǔn)估計(jì)中，將 DISTist定義為測地距離，將BIKEct定義為ofo和摩拜中較早一個(gè)進(jìn)入的時(shí)間，Pict為價(jià)格。如果一套住房曾經(jīng)調(diào)整過價(jià)格，它將有多個(gè)觀察值，納入初始價(jià)格和最終價(jià)格兩個(gè)指標(biāo)。結(jié)果如表 2 所示。

表2（a）列顯示了共享單車對地鐵房價(jià)的平均影響。

系數(shù)-0.042表明，在單車出現(xiàn)之前，靠近地鐵站的住房有價(jià)格溢價(jià)。每遠(yuǎn)離地鐵站一公里，房價(jià)平均下降4.2%。距離和單車是否進(jìn)入的交互項(xiàng)系數(shù)為0.012，意味著共享單車的進(jìn)入使溢價(jià)降低了1.2個(gè)百分點(diǎn)并將梯度拉平29%。在共享單車進(jìn)入后，地鐵房仍有溢價(jià)，但溢價(jià)為單車進(jìn)入前的71%。

表2 共享單車和地鐵房溢價(jià)

按照平均房價(jià)31536元/平方米和平均面積90.5平米計(jì)算，單車進(jìn)入前的估計(jì)價(jià)格梯度相當(dāng)于每公里119868元。即住房每距離地鐵近1公里，則平均溢價(jià)119868元。

而溢價(jià)的經(jīng)濟(jì)意義可以解釋為一個(gè)家庭愿意為獲得距離地鐵近1公里的住房愿意支付的費(fèi)用，或者也可以理解為居住期間離地鐵遠(yuǎn)1公里的通勤費(fèi)用的總補(bǔ)償。而共享單車進(jìn)入后，房價(jià)梯度下降了相當(dāng)于34248元?？紤]到2016年中國城鎮(zhèn)居民的平均可支配收入為33616元。所以，共享單車的影響既具有統(tǒng)計(jì)顯著性，還具有顯著的經(jīng)濟(jì)意義。

（b）（c）列分別考察了ofo和摩拜的影響。

ofo的進(jìn)入，使得房價(jià)梯度每公里降低1.3個(gè)百分點(diǎn)，摩拜為1.1個(gè)百分點(diǎn)，均接近（a）列的估計(jì)值。（d）列使用百度搜索指數(shù)為代理變量，發(fā)現(xiàn)搜索指數(shù)每增加1000，每公里梯度降低1個(gè)百分點(diǎn)。

因?yàn)橛械淖》恐挥幸粋€(gè)觀測值，所以不同于傳統(tǒng)DID，模型（1）不能納入住房的固定效應(yīng)。這帶來的一個(gè)問題是，單車進(jìn)入前后可能有一些沒有觀測到的住房異質(zhì)性特征影響估計(jì)結(jié)果。

為了解決這個(gè)問題，作者估計(jì)了一個(gè)具有網(wǎng)格固定效應(yīng)的模型。

具體來說，使用住房的地理坐標(biāo)將樣本區(qū)域劃分為173175個(gè)10米×10米的網(wǎng)格，每個(gè)網(wǎng)格內(nèi)平均有2.3套公寓（同一網(wǎng)格內(nèi)的多個(gè)公寓通常是同一棟樓的不同樓層）。共享單車對房價(jià)梯度的影響為0.012（表2的e列），與使用地鐵站固定效應(yīng)的結(jié)果相似。因此，未觀察到的住房特征應(yīng)該不太可能影響估計(jì)結(jié)果。

為了進(jìn)一步研究動(dòng)態(tài)影響，表2（f）列按月報(bào)告了估計(jì)結(jié)果。

結(jié)果顯示，單車進(jìn)入1個(gè)月后，對房價(jià)梯度的影響開始顯現(xiàn)，并且隨著時(shí)間推移，影響越來越大。從長期來看，共享單車將梯度降低了1.3個(gè)百分點(diǎn)，與（a）列的估計(jì)結(jié)果一致。

表2（g）列報(bào)告了城市月度層面的兩階段估計(jì)。

單車進(jìn)入后，房價(jià)梯度平滑了1.4個(gè)百分點(diǎn)，與控制地鐵固定效應(yīng)和城市-年-月固定效應(yīng)的DID結(jié)果沒有顯著差異。

2. 非線性估計(jì)

前文的估計(jì)假設(shè)距地鐵站不同距離的房價(jià)梯度為常數(shù)。然而，非參數(shù)估計(jì)（原文附錄B圖B3）顯示的房價(jià)梯度在單車進(jìn)入前后都是非線性的。為了反應(yīng)這種非均勻模式，作者將連續(xù)變量DISTist替換為住房分別坐落在距地鐵0-0.5公里、0.5-1公里、1-1.5公里、1.5-2公里、2-3公里范圍內(nèi)的離散變量，以2-3公里為參考組。

如圖1所示，藍(lán)實(shí)線表示單車進(jìn)入前的系數(shù)估計(jì)，紅虛線表示單車進(jìn)入后的系數(shù)估計(jì)，箱型圖表示相應(yīng)的95%的置信區(qū)間。

圖1 距離分段估算的房價(jià)梯度

與表2的結(jié)果一致，估計(jì)的房價(jià)梯度為負(fù)，共享單車進(jìn)入后的房價(jià)梯度更為平滑。但是，斜率和變化（兩線間的差值）不均勻：單車進(jìn)入前后距地鐵0.5-2公里內(nèi)的斜率最陡，共享單車的進(jìn)入使得梯度曲線發(fā)生了“旋轉(zhuǎn)”，意味著離地鐵越近的住房，房價(jià)溢價(jià)的下降幅度越大。

3. 影響的異質(zhì)性

共享單車對房價(jià)溢價(jià)的影響可能因公寓、社區(qū)和城市不同而不同。

作者繼續(xù)引入住房到地鐵的距離、共享單車的進(jìn)入以及公寓或者社區(qū)的調(diào)節(jié)項(xiàng)三項(xiàng)交互檢驗(yàn)城市內(nèi)的異質(zhì)性。

表3的（a）和（b）列分別報(bào)告了按住房面積和樓層劃分的共享單車的影響。

距離*共享單車的交互項(xiàng)系數(shù)，表示所有住房的平均影響。距離*共享單車*調(diào)節(jié)項(xiàng)的系數(shù)表示隨著調(diào)節(jié)項(xiàng)增加一個(gè)標(biāo)準(zhǔn)差，對房價(jià)的影響的變化，或者表示該調(diào)節(jié)項(xiàng)具有該屬性。

作者發(fā)現(xiàn)單車的影響收斂于之前估計(jì)的平均效果，但是對面積更大和樓層更高的住房的影響更大：住房面積每增加一個(gè)標(biāo)準(zhǔn)差（42.7平米)，影響高于平均影響63.6%；樓層增加一個(gè)標(biāo)準(zhǔn)差（7.8層），影響比平均影響高30.8%。更大和更高的住房往往價(jià)格更高。

影響的方向與下述一致：單車進(jìn)入前，由于通勤成本和價(jià)格更高，人們并不想住在更大或者樓層更高但距離更遠(yuǎn)的公寓。但是共享單車進(jìn)入后，使得這些類型的住房更具吸引力，推動(dòng)了對它們的需求。

表3的（c）列報(bào)告了共享單車對學(xué)區(qū)房的影響。

距離*共享單車*調(diào)節(jié)項(xiàng)的系數(shù)代表共享單車對學(xué)區(qū)房和非學(xué)區(qū)房的不同影響。系數(shù)不顯著，意味著共享單車對住房的影響與它是否是學(xué)區(qū)房無關(guān)。這可能是兩種矛盾的考量互相平衡的結(jié)果：一方面，共享單車為父母提供了一種便捷的通勤方式；另一方面，低于12歲的孩子不允許使用共享單車——考慮到中國的各種競爭性考試，父母更有可能選擇住在離地鐵更近的地方以節(jié)約孩子的通勤時(shí)間。

作者檢驗(yàn)了通勤條件如何影響共享單車的效果，（d）和（e）列報(bào)告了結(jié)果。

通過兩種方法衡量通勤條件：住房附近的地鐵站是否為中轉(zhuǎn)站，以及住房三公里半徑內(nèi)的地鐵站數(shù)量。交互項(xiàng)系數(shù)和三項(xiàng)交互項(xiàng)系數(shù)均為正且顯著。這表明共享單車對房價(jià)溢價(jià)的影響對于通勤條件更好的住房影響更強(qiáng)，這進(jìn)一步佐證了共享單車和地鐵的互補(bǔ)性。

表3 異質(zhì)性和調(diào)節(jié)項(xiàng)

接下來用兩種方法檢驗(yàn)共享單車在不同城市的差異性影響。

第一，使用特定城市對距離的系數(shù)和距離*共享單車的交互項(xiàng)估計(jì)模型（1）。

第二，對每個(gè)城市分別估計(jì)模型（1）。

結(jié)果發(fā)現(xiàn)，所有城市的房價(jià)梯度斜率都是向下的，反映出靠近地鐵的房價(jià)更高，但是不同城市間有顯著差異。天津的房價(jià)梯度最大，其次是上海、大連、北京和武漢。重慶的梯度最低。

共享單車進(jìn)入后，梯度減弱，上海、北京、深圳的房價(jià)梯度分別降低3.7、2.9和2.1個(gè)百分點(diǎn)?？紤]到房價(jià)和可支配收入，共享單車對房價(jià)梯度的影響是巨大的。比如，北京的房價(jià)梯度下降52.7%，相當(dāng)于2016年全是人均可支配收入的2.98倍。

4. 作用機(jī)制

單車增加了距地鐵站較遠(yuǎn)的住房的吸引力，使得需求曲線向外移動(dòng)。所以較遠(yuǎn)公寓的賣家可能會(huì)提高掛牌價(jià)，并在交易談判中獲得更多的議價(jià)能力。利用房價(jià)和交易過程的詳細(xì)數(shù)據(jù)，作者對上述機(jī)制進(jìn)行了檢驗(yàn)。

作者用模型（1）估計(jì)了五個(gè)結(jié)果變量：初始掛牌價(jià)、潛在買家的看房頻次、最后價(jià)格、交易價(jià)格、調(diào)整價(jià)格。初始價(jià)格代表賣方對住房的估值，看房頻次代表買方興趣和購買意向，最后價(jià)格和成交價(jià)表示市場均衡價(jià)格，價(jià)格調(diào)整的方向反應(yīng)了交易雙方的議價(jià)能力。因此，共享單車對這些變量的影響代表了對供給側(cè)、需求側(cè)和市場均衡的影響。

結(jié)果如表4。

表4 作用機(jī)制

a列交互項(xiàng)的系數(shù)表示共享單車的進(jìn)入使得初始價(jià)格的梯度降低1/3以上，意味著業(yè)主在設(shè)置掛牌價(jià)時(shí)，已經(jīng)考慮了共享單車對房價(jià)的影響；

b列距離項(xiàng)的系數(shù)為負(fù)，意味著單車進(jìn)入前距離地鐵更近的公寓的訪問量更高，每遠(yuǎn)1公里，訪問量下降1.8%，交互項(xiàng)系數(shù)（0.016）意味著共享單車增加了對較遠(yuǎn)公寓的訪問量。而距離項(xiàng)的系數(shù)不再顯著，意味著單車進(jìn)入后，近距離的公寓在吸引力方面不再有顯著優(yōu)勢。

c列和d列分別報(bào)告了對最后價(jià)格和成交價(jià)的估計(jì)結(jié)果。兩列的交互項(xiàng)系數(shù)均為正且大小相似。成交價(jià)（0.013）約為房價(jià)梯度的27%，意味著單車進(jìn)入后，將較近和較遠(yuǎn)的住房價(jià)格差縮小了27%。

e列的距離項(xiàng)和交互項(xiàng)系數(shù)均為正（但不顯著）意味著單車進(jìn)入對較近和較遠(yuǎn)公寓的議價(jià)能力沒有顯著差異。

5. 對福利的影響

從特征價(jià)格法（hedonic price approach）來看，房價(jià)梯度可以解釋為遠(yuǎn)距離住房的通勤成本補(bǔ)償。梯度的降低可以解釋為共享單車進(jìn)入而導(dǎo)致通勤成本的降低。作者從房價(jià)梯度的變化中倒推降低的通勤成本。

使用表2（a）列中的估計(jì)值推算單車進(jìn)入后每個(gè)住房的總價(jià)（單價(jià)乘面積）和單車未進(jìn)入的反事實(shí)價(jià)格，兩者的差值為通勤成本。然后，將通勤成本總額按五年期定期存款利率（2.86%）和五年期國債利率（3.86%）作為最小和最大貼現(xiàn)因子，按30年攤銷，求得每年節(jié)約的通勤成本。

最終估算每戶每年平均降低的通勤成本為1893—2127元。

假設(shè)樣本10個(gè)城市的公交車起步價(jià)為2元，每年按250個(gè)工作日計(jì)算，假設(shè)每戶有兩個(gè)通勤者，所以一年的通勤費(fèi)用最少為2000元（如果周末出行，成本更高）；共享單車的通勤成本為每月20元，每戶每年480元。

需要注意的是，如果要識(shí)別導(dǎo)致溢價(jià)下降、遠(yuǎn)處住房價(jià)格上升、近處住房價(jià)格下降的原因，要滿足“如果沒有共享單車進(jìn)入，則房價(jià)保持穩(wěn)定”的假設(shè)。但因?yàn)槌鞘?年-月的固定效應(yīng)非常顯著，所以平穩(wěn)性假設(shè)被拒絕。所以，影響遠(yuǎn)近住房價(jià)格變化的原因只是一個(gè)可供參考的解釋。

模型條件檢驗(yàn)和穩(wěn)健性檢驗(yàn)

作者對DID進(jìn)行平行趨勢檢驗(yàn)和共享單車進(jìn)入的外生性檢驗(yàn)，結(jié)果顯示通過。

模型（1）估計(jì)了單車進(jìn)入前第一個(gè)月到第六個(gè)月價(jià)格*距離的交互項(xiàng)，系數(shù)不顯著，意味著平行趨勢假設(shè)滿足。

作者從兩方面處理可能存在的內(nèi)生性問題。

第一，使用城市-年-月固定效應(yīng)，以控制可能影響單車進(jìn)入的時(shí)變和非時(shí)變因素。第二，單車在進(jìn)入城市前需要向市政當(dāng)局審批，而每個(gè)城市的批準(zhǔn)時(shí)間不一樣且與當(dāng)?shù)氐慕?jīng)濟(jì)、房價(jià)關(guān)系不太可能存在關(guān)聯(lián)。此外，作者還借鑒Zervas（2017）、Bertrand（2004）、Seamans and Zhu（2013）等人的方法，進(jìn)行了三種檢驗(yàn)。

但是，固定效應(yīng)并不能排除城市內(nèi)部的時(shí)變影響因素。

作者采取三個(gè)方法來解決這個(gè)問題。

第一，在模型1中加入特定行政區(qū)（10個(gè)城市有108個(gè)區(qū)）的年-月固定效應(yīng)。有助于控制地區(qū)層面隨時(shí)間變化的行政和政策相關(guān)因素，包括每個(gè)區(qū)每月平均的單車數(shù)量。估計(jì)結(jié)果（表7列a）與主回歸基本一致。

第二，使用住房的地理坐標(biāo)將樣本劃分為388個(gè)6*6公里的網(wǎng)格，平均每個(gè)網(wǎng)格包含3.7個(gè)地鐵站，并估計(jì)包含網(wǎng)格-年-月固定效應(yīng)的模型。這比地區(qū)-年-月固定效應(yīng)更精細(xì)，可以捕捉到每個(gè)網(wǎng)格特定的時(shí)變因素。估計(jì)結(jié)果與共享單車對房價(jià)溢價(jià)的估計(jì)結(jié)果一致（表7列b）。

第三，限制單車進(jìn)入前后的樣本周期，盡量規(guī)避掉社區(qū)層面不可觀測因素的影響。表7分別按報(bào)告了1年樣本周期（進(jìn)入前后183天，列c）和半年樣本周期（進(jìn)入前后90天，列d），結(jié)果依然顯著。

另外，如果預(yù)期到單車進(jìn)入，房價(jià)梯度可能在單車進(jìn)入之前就趨于平緩。

但表5的平行趨勢檢驗(yàn)并沒有發(fā)現(xiàn)此跡象。作者又使用ofo進(jìn)入大學(xué)校園（表7列e）、新建地鐵站的預(yù)期（表7列f），做了輔助檢驗(yàn)。均不支持單車進(jìn)入預(yù)期對房價(jià)產(chǎn)生影響的假設(shè)。

還有，地鐵擴(kuò)建也可能會(huì)增加近地鐵房的收益，從而削弱共享單車的影響。

通過將模型（1）的樣本限制在單車進(jìn)入前后三個(gè)月均沒有新地鐵站開通的城市以及在單車進(jìn)入前最后一個(gè)地鐵站開通和單車進(jìn)入后第一個(gè)地鐵站開通之間掛牌的公寓，子樣本統(tǒng)計(jì)結(jié)果仍然為正且具有統(tǒng)計(jì)顯著性（表7列g(shù)）。

表7 替代解釋

最后，作者進(jìn)行了穩(wěn)健性檢驗(yàn)。

第一，基準(zhǔn)回歸選擇的是據(jù)地鐵站3公里以內(nèi)的住房，作者分別使用距離地鐵站2公里、4公里和5公路內(nèi)的樣本（表8列a, b, c）進(jìn)行估計(jì)，單車的影響為正且顯著。而且，系數(shù)隨著半徑的增加而減弱。這也間接佐證了共享單車確實(shí)是地鐵短距離通勤的補(bǔ)充選項(xiàng)。

第二，基準(zhǔn)回歸使用的是住房與地鐵站的測地距離（地鐵站和住房之間的最短距離），作者使用住房與地鐵站之間的步行距離，結(jié)果依然穩(wěn)?。ū?列d）。

第三，納入缺失建筑年齡的樣本（表8列e），結(jié)果依然穩(wěn)健。

第四，本文使用的是公寓層面的數(shù)據(jù)估計(jì)單車進(jìn)入前后的平均價(jià)格梯度變化，然后估計(jì)單車的影響。Bertrand et al. (2004) 和Donald and Lang （2007） 認(rèn)為，標(biāo)準(zhǔn)誤應(yīng)該在城市層面而不是地鐵站層面聚類。但按傳統(tǒng)的方法對本文的10個(gè)城市進(jìn)聚類將導(dǎo)致結(jié)果低估。表8列f報(bào)告了城市層面的引導(dǎo)標(biāo)準(zhǔn)誤，結(jié)果依舊穩(wěn)健。

表8 穩(wěn)健性檢驗(yàn)

結(jié)論和對管理的啟示

本文使用10個(gè)主要城市引入共享單車作為準(zhǔn)自然實(shí)驗(yàn)，并利用距同一地鐵站不同距離的住房的轉(zhuǎn)售價(jià)格變化發(fā)現(xiàn)，共享單車增加了較遠(yuǎn)距離住房的吸引力，縮小了距地鐵不同距離的公寓之間的價(jià)格差，將房價(jià)梯度拉平了29%，相當(dāng)于一個(gè)城市居民一年的可支配收入。

這種影響在不同的公寓、社區(qū)和城市之間是不同的，樓層越高、面積越大、距地鐵越近，影響越顯著。

對交易過程的進(jìn)一步分析表明，是買賣雙方共同對共享單車的進(jìn)入做出反應(yīng)，才促進(jìn)房產(chǎn)交易市場達(dá)到價(jià)格梯度更平滑的新均衡。

文章的主要貢獻(xiàn)如下：

第一，使用不同的方法識(shí)別了共享單車與地鐵房價(jià)的因果關(guān)系。

除了使用不同識(shí)別策略的DID和兩階段估計(jì)之外，作者還通過證偽檢驗(yàn)（falsification tests）以排除“單車進(jìn)入預(yù)期”的影響，并對未觀察到的住房特征、社區(qū)特征、共享單車進(jìn)入時(shí)間、樣本選擇、距地鐵站的距離、遺漏變量、測量誤差和替代解釋等因素進(jìn)行多種穩(wěn)健性檢驗(yàn)，最大程度的排除潛在的內(nèi)生性問題。

第二，作者從供給側(cè)、需求側(cè)、市場均衡三個(gè)方面探討了作用機(jī)制。

業(yè)主和購房者對共享單車進(jìn)入的反應(yīng)，共同導(dǎo)致了房價(jià)梯度的降低。另外，梯度的降低還源于通勤成本的降低。

第三，量化了共享單車帶來的通勤成本降低的貨幣價(jià)值，并間接證明了解決城市通勤最后一公里問題的好處。

因此，作者的研究結(jié)果對共享單車公司、房地產(chǎn)開發(fā)商、政策制定者和會(huì)騎自行車的人都有意義。

---

參考文獻(xiàn)：

1.Cao G, Jin GZ, Zhou L-A (2018) Market expanding or market stealing? Platform competition in bike-sharing. NBER Working Paper No. 24938, National Bureau of Economic Research, Cambridge, MA.

2.Hall JD, Palsson C, Price J (2018) Is Uber a substitute or complement for public transit? J. Urban Econom. 108(November):36–50.

本文系未央網(wǎng)專欄作者:學(xué)說平臺(tái) 發(fā)表，內(nèi)容屬作者個(gè)人觀點(diǎn)，不代表網(wǎng)站觀點(diǎn)，未經(jīng)許可嚴(yán)禁轉(zhuǎn)載，違者必究！

關(guān)鍵詞：