文/賈銘 張亦達

一般來說，人們為了更好的獲取公共交通服務、降低通勤成本，通常會選擇離地鐵站更近的住房，這可能導致距地鐵站更近的住房的價格更高（地鐵房溢價）。而共享單車使得距離地鐵站較遠的公寓也相對更容易獲得公共交通服務。

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

(相關資料圖)

來自新加坡國立大學的Junhong Chu，英屬哥倫比亞大學的 Yige Duan,，鏈家研究院的Xianling Yang和Li Wang于2020年6月在《Management Science》發表論文“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節房價與地鐵距離之間的關系（房價梯度），并量化共享單車在解決“最后一公里”問題中的貨幣價值。

文章使用的是一個包含地鐵站附近約400000套轉售住房詳細信息的數據集。為了識別共享單車對地鐵房價溢價的因果效應，作者利用ofo和摩拜在不同時點進入中國10個主要城市為準自然實驗，進行 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。

在DID中，通過共享單車進入（該市）前后，距同一地鐵站不同距離住房價格的空間變化來識別影響；在兩階段方法中，直接估計每個城市不同時點的房價梯度，并比較單車進入前后的梯度變化。

兩種方法得出一致結論：

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

進一步分析表明，這種影響是由對潛在買家的吸引力增加以及遠離地鐵站的公寓初始掛牌價格相對上漲所驅動的。不同的公寓、社區和城市存在異質性。

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

研究數據

1. 房價和住房特征

本文數據來源于一家中國房地產機構，該機構在所有10個城市中均占有最大的市場份額。數據包括2015年7月1日至2017年12月31日期間掛牌轉售的507975套住房，并跟蹤所有未售出的住房，直至2018年3月12日。

數據包含每套住房的詳細情況，面積、房間數、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校（下文簡稱學區房）；還包括每套住房的歷史價格、當前價格、交易狀態（售出或未售出）以及潛在買家的訪問次數。

同時，作者區分了初次掛牌價、調整后價格、最后的成交價。

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

2. 到地鐵的距離

作者手動收集了每個城市的地鐵網絡信息和每個地鐵站的地理位置坐標、投入運營的日期。然后將住房數據和地鐵數據匹配（具體的計算和匹配方法見原文附錄A），保留據地鐵站3公里范圍內的住房信息，剔除超過3公里的住房（12%）——因為如果住房和地鐵站的距離超過3公里，購房者就不太可能使用共享單車通勤。

但是，按地理位置坐標匹配的住房信息和地鐵數據（測地距離：即根據經緯度測得的兩點間最短距離）可能和住房到地鐵站的實際步行距離有差異。

因此，匹配數據可能導致住房匹配到的地鐵站并非實際上最近的地鐵站。因此，作者再次手動確定了公寓到地鐵站的實際步行距離，剔除了匹配數據和步行數據不一致的結果（3.8%）。

最后納入數據集的，包括399840套住房和1422個地鐵站。

3. 單車進入時間

ofo和摩拜進入每個城市的日期（見原文附錄B表B1）來自兩個公司的官方網站和公開的互聯網信息，并與Cao等人（2018）報告的日期進行了交叉驗證。同時，將ofo和摩拜進入較早的那個日期定義為共享單車進入該城市的日期。

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，本文使用關鍵詞“共享單車”的每日百度搜索指數做共享單車在每個城市的滲透率的代理變量。附錄B表B2顯示，在多個城市，該指數在ofo和摩拜單車進入日期前后達到峰值。

4. 數據特征描述

數據特征的描述性統計如表1所示。

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

總共有399840套公寓的617271條價格記錄，價格均值為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入之前上市，45%的公寓在共享單車進入之后上市。

另外，每套住房的平均面積為90.5平米，2.2個房間，平均高度為9層，樓齡為14年，一半屬于學區房，每套住房平均看房次數為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 數據特征

實證策略

本文的目的是研究共享單車如何調節房價與地鐵距離之間的關系，并量化對通勤成本的影響。

對房價的影響可以直接估計，但由于沒有通勤成本的數據，對通勤成本的影響只能從房價梯度的變化中間接估計。其原理是讓家庭在房價和通勤成本之間進行權衡：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; 要么選擇住得離地鐵站遠，享受更低的房價，但支付更高的通勤成本。

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

在沒有隨機對照實驗或者更好識別策略（例如斷點回歸）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兩種方法識別共享單車對房價和地鐵距離之間關系的因果影響。

1. 城市住房層面的雙重差分（DID）

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

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

城市-年-月固定效應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管。但是城市-年-月固定效應并沒有完全吸納“單車是否進入（bike）”的影響，因為共享單車可能在月中進入該城。此外，控制住房特征使得類似住房的價格可比。

模型（1）的經濟意義如下：

在共享單車進入之前（BIKEct=0），房價相對于距地鐵站距離的梯度為β1（即當Dist變化一個單位時Pict的變化百分比），預計為負值：其他條件相同的情況下，每遠離地鐵站一公里，平均房價降低-100β1%。

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

為了確定共享單車對地鐵房價溢價的因果關系，作者利用ofo和摩拜交錯進入中國的10個城市作為準自然實驗。

ofo和摩拜是（當時）最大的兩家公司，市場合計占比超過90%。10個城市的總人口為15200萬，擁有成熟的地鐵系統。這10個城市非常適合此項研究，因為單車在這10個城市的進入既快到可以認為是外生的，又慢到可以為DID產生足夠的變化。而且，ofo和摩拜始終是10個城市中第一個進入的共享單車公司。

本質上，本文的DID識別依賴于距同一地鐵站不同距離相似的住房價格在站內、月內的空間變化。所以，估計結果對范圍較廣的干擾因素是穩健的。

2. 城市-月度層面的兩階段估計

在DID模型中，不包括住房固定效應，因為很多住房只有一個觀察值。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生不同影響，則可能會使估計有偏。由于本文的研究重點是共享單車進入城市如何降低房價梯度，因此更合適的分析單位是城市-月度。

因此，通過進行城市-月度層面的兩階段估計。

第一步，通過等式（2a）為329個城市-月度子樣本估計一個房價梯度；第二步，使用等式（2b）比較共享單車進入前后的梯度：

其中，βcym是c城市y年m月的房價梯度，δc 是城市固定效應。

結果

1. 主要結果

使用最小二乘（OLS）估計模型（1）并報告按地鐵站聚類的穩健標準誤。

在基準估計中，將 DISTist定義為測地距離，將BIKEct定義為ofo和摩拜中較早一個進入的時間，Pict為價格。如果一套住房曾經調整過價格，它將有多個觀察值，納入初始價格和最終價格兩個指標。結果如表 2 所示。

表2（a）列顯示了共享單車對地鐵房價的平均影響。

系數-0.042表明，在單車出現之前，靠近地鐵站的住房有價格溢價。每遠離地鐵站一公里，房價平均下降4.2%。距離和單車是否進入的交互項系數為0.012，意味著共享單車的進入使溢價降低了1.2個百分點并將梯度拉平29%。在共享單車進入后，地鐵房仍有溢價，但溢價為單車進入前的71%。

表2 共享單車和地鐵房溢價

按照平均房價31536元/平方米和平均面積90.5平米計算，單車進入前的估計價格梯度相當于每公里119868元。即住房每距離地鐵近1公里，則平均溢價119868元。

而溢價的經濟意義可以解釋為一個家庭愿意為獲得距離地鐵近1公里的住房愿意支付的費用，或者也可以理解為居住期間離地鐵遠1公里的通勤費用的總補償。而共享單車進入后，房價梯度下降了相當于34248元。考慮到2016年中國城鎮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計顯著性，還具有顯著的經濟意義。

（b）（c）列分別考察了ofo和摩拜的影響。

ofo的進入，使得房價梯度每公里降低1.3個百分點，摩拜為1.1個百分點，均接近（a）列的估計值。（d）列使用百度搜索指數為代理變量，發現搜索指數每增加1000，每公里梯度降低1個百分點。

因為有的住房只有一個觀測值，所以不同于傳統DID，模型（1）不能納入住房的固定效應。這帶來的一個問題是，單車進入前后可能有一些沒有觀測到的住房異質性特征影響估計結果。

為了解決這個問題，作者估計了一個具有網格固定效應的模型。

具體來說，使用住房的地理坐標將樣本區域劃分為173175個10米×10米的網格，每個網格內平均有2.3套公寓（同一網格內的多個公寓通常是同一棟樓的不同樓層）。共享單車對房價梯度的影響為0.012（表2的e列），與使用地鐵站固定效應的結果相似。因此，未觀察到的住房特征應該不太可能影響估計結果。

為了進一步研究動態影響，表2（f）列按月報告了估計結果。

結果顯示，單車進入1個月后，對房價梯度的影響開始顯現，并且隨著時間推移，影響越來越大。從長期來看，共享單車將梯度降低了1.3個百分點，與（a）列的估計結果一致。

表2（g）列報告了城市月度層面的兩階段估計。

單車進入后，房價梯度平滑了1.4個百分點，與控制地鐵固定效應和城市-年-月固定效應的DID結果沒有顯著差異。

2. 非線性估計

前文的估計假設距地鐵站不同距離的房價梯度為常數。然而，非參數估計（原文附錄B圖B3）顯示的房價梯度在單車進入前后都是非線性的。為了反應這種非均勻模式，作者將連續變量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公里范圍內的離散變量，以2-3公里為參考組。

如圖1所示，藍實線表示單車進入前的系數估計，紅虛線表示單車進入后的系數估計，箱型圖表示相應的95%的置信區間。

圖1 距離分段估算的房價梯度

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

3. 影響的異質性

共享單車對房價溢價的影響可能因公寓、社區和城市不同而不同。

作者繼續引入住房到地鐵的距離、共享單車的進入以及公寓或者社區的調節項三項交互檢驗城市內的異質性。

表3的（a）和（b）列分別報告了按住房面積和樓層劃分的共享單車的影響。

距離*共享單車的交互項系數，表示所有住房的平均影響。距離*共享單車*調節項的系數表示隨著調節項增加一個標準差，對房價的影響的變化，或者表示該調節項具有該屬性。

作者發現單車的影響收斂于之前估計的平均效果，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標準差（42.7平米)，影響高于平均影響63.6%；樓層增加一個標準差（7.8層），影響比平均影響高30.8%。更大和更高的住房往往價格更高。

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

表3的（c）列報告了共享單車對學區房的影響。

距離*共享單車*調節項的系數代表共享單車對學區房和非學區房的不同影響。系數不顯著，意味著共享單車對住房的影響與它是否是學區房無關。這可能是兩種矛盾的考量互相平衡的結果：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約孩子的通勤時間。

作者檢驗了通勤條件如何影響共享單車的效果，（d）和（e）列報告了結果。

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站，以及住房三公里半徑內的地鐵站數量。交互項系數和三項交互項系數均為正且顯著。這表明共享單車對房價溢價的影響對于通勤條件更好的住房影響更強，這進一步佐證了共享單車和地鐵的互補性。

表3 異質性和調節項

接下來用兩種方法檢驗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和距離*共享單車的交互項估計模型（1）。

第二，對每個城市分別估計模型（1）。

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

共享單車進入后，梯度減弱，上海、北京、深圳的房價梯度分別降低3.7、2.9和2.1個百分點。考慮到房價和可支配收入，共享單車對房價梯度的影響是巨大的。比如，北京的房價梯度下降52.7%，相當于2016年全是人均可支配收入的2.98倍。

4. 作用機制

單車增加了距地鐵站較遠的住房的吸引力，使得需求曲線向外移動。所以較遠公寓的賣家可能會提高掛牌價，并在交易談判中獲得更多的議價能力。利用房價和交易過程的詳細數據，作者對上述機制進行了檢驗。

作者用模型（1）估計了五個結果變量：初始掛牌價、潛在買家的看房頻次、最后價格、交易價格、調整價格。初始價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，最后價格和成交價表示市場均衡價格，價格調整的方向反應了交易雙方的議價能力。因此，共享單車對這些變量的影響代表了對供給側、需求側和市場均衡的影響。

結果如表4。

表4 作用機制

a列交互項的系數表示共享單車的進入使得初始價格的梯度降低1/3以上，意味著業主在設置掛牌價時，已經考慮了共享單車對房價的影響；

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

c列和d列分別報告了對最后價格和成交價的估計結果。兩列的交互項系數均為正且大小相似。成交價（0.013）約為房價梯度的27%，意味著單車進入后，將較近和較遠的住房價格差縮小了27%。

e列的距離項和交互項系數均為正（但不顯著）意味著單車進入對較近和較遠公寓的議價能力沒有顯著差異。

5. 對福利的影響

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

使用表2（a）列中的估計值推算單車進入后每個住房的總價（單價乘面積）和單車未進入的反事實價格，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因子，按30年攤銷，求得每年節約的通勤成本。

最終估算每戶每年平均降低的通勤成本為1893—2127元。

假設樣本10個城市的公交車起步價為2元，每年按250個工作日計算，假設每戶有兩個通勤者，所以一年的通勤費用最少為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，如果要識別導致溢價下降、遠處住房價格上升、近處住房價格下降的原因，要滿足“如果沒有共享單車進入，則房價保持穩定”的假設。但因為城市-年-月的固定效應非常顯著，所以平穩性假設被拒絕。所以，影響遠近住房價格變化的原因只是一個可供參考的解釋。

模型條件檢驗和穩健性檢驗

作者對DID進行平行趨勢檢驗和共享單車進入的外生性檢驗，結果顯示通過。

模型（1）估計了單車進入前第一個月到第六個月價格*距離的交互項，系數不顯著，意味著平行趨勢假設滿足。

作者從兩方面處理可能存在的內生性問題。

第一，使用城市-年-月固定效應，以控制可能影響單車進入的時變和非時變因素。第二，單車在進入城市前需要向市政當局審批，而每個城市的批準時間不一樣且與當地的經濟、房價關系不太可能存在關聯。此外，作者還借鑒Zervas（2017）、Bertrand（2004）、Seamans and Zhu（2013）等人的方法，進行了三種檢驗。

但是，固定效應并不能排除城市內部的時變影響因素。

作者采取三個方法來解決這個問題。

第一，在模型1中加入特定行政區（10個城市有108個區）的年-月固定效應。有助于控制地區層面隨時間變化的行政和政策相關因素，包括每個區每月平均的單車數量。估計結果（表7列a）與主回歸基本一致。

第二，使用住房的地理坐標將樣本劃分為388個6*6公里的網格，平均每個網格包含3.7個地鐵站，并估計包含網格-年-月固定效應的模型。這比地區-年-月固定效應更精細，可以捕捉到每個網格特定的時變因素。估計結果與共享單車對房價溢價的估計結果一致（表7列b）。

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

另外，如果預期到單車進入，房價梯度可能在單車進入之前就趨于平緩。

但表5的平行趨勢檢驗并沒有發現此跡象。作者又使用ofo進入大學校園（表7列e）、新建地鐵站的預期（表7列f），做了輔助檢驗。均不支持單車進入預期對房價產生影響的假設。

還有，地鐵擴建也可能會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入前后三個月均沒有新地鐵站開通的城市以及在單車進入前最后一個地鐵站開通和單車進入后第一個地鐵站開通之間掛牌的公寓，子樣本統計結果仍然為正且具有統計顯著性（表7列g）。

表7 替代解釋

最后，作者進行了穩健性檢驗。

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

第二，基準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，結果依然穩健（表8列d）。

第三，納入缺失建筑年齡的樣本（表8列e），結果依然穩健。

第四，本文使用的是公寓層面的數據估計單車進入前后的平均價格梯度變化，然后估計單車的影響。Bertrand et al. (2004) 和Donald and Lang （2007） 認為，標準誤應該在城市層面而不是地鐵站層面聚類。但按傳統的方法對本文的10個城市進聚類將導致結果低估。表8列f報告了城市層面的引導標準誤，結果依舊穩健。

表8 穩健性檢驗

結論和對管理的啟示

本文使用10個主要城市引入共享單車作為準自然實驗，并利用距同一地鐵站不同距離的住房的轉售價格變化發現，共享單車增加了較遠距離住房的吸引力，縮小了距地鐵不同距離的公寓之間的價格差，將房價梯度拉平了29%，相當于一個城市居民一年的可支配收入。

這種影響在不同的公寓、社區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。

對交易過程的進一步分析表明，是買賣雙方共同對共享單車的進入做出反應，才促進房產交易市場達到價格梯度更平滑的新均衡。

文章的主要貢獻如下：

第一，使用不同的方法識別了共享單車與地鐵房價的因果關系。

除了使用不同識別策略的DID和兩階段估計之外，作者還通過證偽檢驗（falsification tests）以排除“單車進入預期”的影響，并對未觀察到的住房特征、社區特征、共享單車進入時間、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行多種穩健性檢驗，最大程度的排除潛在的內生性問題。

第二，作者從供給側、需求側、市場均衡三個方面探討了作用機制。

業主和購房者對共享單車進入的反應，共同導致了房價梯度的降低。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，作者的研究結果對共享單車公司、房地產開發商、政策制定者和會騎自行車的人都有意義。

---

參考文獻：

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.

本文系未央網專欄作者:學說平臺 發表，內容屬作者個人觀點，不代表網站觀點，未經許可嚴禁轉載，違者必究！

關鍵詞：