文/贾铭 张亦达

一般来说，人们为了更好的获取公共交通服务、降低通勤成本，通常会选择离地铁站更近的住房，这可能导致距地铁站更近的住房的价格更高（地铁房溢价）。而共享单车使得距离地铁站较远的公寓也相对更容易获得公共交通服务。

所以，一个显然的推论是：共享单车可能会推高距离地铁站较远的住房的价格，降低距地铁站较近的住房的溢价，从而缩小距地铁不同距离的住房价格差。

(相关资料图)

来自新加坡国立大学的Junhong Chu，英属哥伦比亚大学的 Yige Duan,，链家研究院的Xianling Yang和Li Wang于2020年6月在《Management Science》发表论文“The Last Mile Matters: Impact of Dockless Bike Sharing on Subway Housing Price Premium”。文章研究了共享单车如何调节房价与地铁距离之间的关系（房价梯度），并量化共享单车在解决“最后一公里”问题中的货币价值。

文章使用的是一个包含地铁站附近约400000套转售住房详细信息的数据集。为了识别共享单车对地铁房价溢价的因果效应，作者利用ofo和摩拜在不同时点进入中国10个主要城市为准自然实验，进行 i.住房层面的双重差分（DID）和 ii.城市-月度层面的两阶段估计。

在DID中，通过共享单车进入（该市）前后，距同一地铁站不同距离住房价格的空间变化来识别影响；在两阶段方法中，直接估计每个城市不同时点的房价梯度，并比较单车进入前后的梯度变化。

两种方法得出一致结论：

共享单车的进入显著降低了29%的房价梯度（每公里梯度从4.2%降到3.0%），相当于城市居民1年的可支配收入。即共享单车增加了较远距离住房的吸引力，缩小了距地铁不同距离的公寓之间的价格差。在过去30年的时间里，每个家庭每年减少的通勤成本约为1893—2127元。

进一步分析表明，这种影响是由对潜在买家的吸引力增加以及远离地铁站的公寓初始挂牌价格相对上涨所驱动的。不同的公寓、社区和城市存在异质性。

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

研究数据

1. 房价和住房特征

本文数据来源于一家中国房地产机构，该机构在所有10个城市中均占有最大的市场份额。数据包括2015年7月1日至2017年12月31日期间挂牌转售的507975套住房，并跟踪所有未售出的住房，直至2018年3月12日。

数据包含每套住房的详细情况，面积、房间数、所处楼层、楼龄、装修情况、窗户朝向、地理位置，以及是否靠近公立学校（下文简称学区房）；还包括每套住房的历史价格、当前价格、交易状态（售出或未售出）以及潜在买家的访问次数。

同时，作者区分了初次挂牌价、调整后价格、最后的成交价。

卖家初次输入的卖价为初次挂牌价；卖家调低或者调高初次挂盘价，为调整后的价格；如果住房最终通过中介成交，还会记录交易日期和成交价。如果住房没有通过中介成交，而是双方线下直接达成交易（通常是为了节省佣金），那网站上最后的价格也可能是成交价，但房屋的在售状态可能没有更新。

2. 到地铁的距离

作者手动收集了每个城市的地铁网络信息和每个地铁站的地理位置坐标、投入运营的日期。然后将住房数据和地铁数据匹配（具体的计算和匹配方法见原文附录A），保留据地铁站3公里范围内的住房信息，剔除超过3公里的住房（12%）——因为如果住房和地铁站的距离超过3公里，购房者就不太可能使用共享单车通勤。

但是，按地理位置坐标匹配的住房信息和地铁数据（测地距离：即根据经纬度测得的两点间最短距离）可能和住房到地铁站的实际步行距离有差异。

因此，匹配数据可能导致住房匹配到的地铁站并非实际上最近的地铁站。因此，作者再次手动确定了公寓到地铁站的实际步行距离，剔除了匹配数据和步行数据不一致的结果（3.8%）。

最后纳入数据集的，包括399840套住房和1422个地铁站。

3. 单车进入时间

ofo和摩拜进入每个城市的日期（见原文附录B表B1）来自两个公司的官方网站和公开的互联网信息，并与Cao等人（2018）报告的日期进行了交叉验证。同时，将ofo和摩拜进入较早的那个日期定义为共享单车进入该城市的日期。

Hall（2018）等人使用谷歌趋势（Google Trend）做Uber在美国的渗透率的代理变量，本文使用关键词“共享单车”的每日百度搜索指数做共享单车在每个城市的渗透率的代理变量。附录B表B2显示，在多个城市，该指数在ofo和摩拜单车进入日期前后达到峰值。

4. 数据特征描述

数据特征的描述性统计如表1所示。

表格的上半部分报告了住房的价格信息（挂牌价、调整价、成交价）和看房次数；表格中间部分报告了住房特征；下半部分报告了共享单车到地铁站的距离。

总共有399840套公寓的617271条价格记录，价格均值为31536元/平方米，到地铁的匹配距离和步行距离分别为1.08公里和1.62公里，55%的住房在共享单车进入之前上市，45%的公寓在共享单车进入之后上市。

另外，每套住房的平均面积为90.5平米，2.2个房间，平均高度为9层，楼龄为14年，一半属于学区房，每套住房平均看房次数为6.3次，13%基本装修、20%精装修，其它没有装修或缺失装修信息。

表1 数据特征

实证策略

本文的目的是研究共享单车如何调节房价与地铁距离之间的关系，并量化对通勤成本的影响。

对房价的影响可以直接估计，但由于没有通勤成本的数据，对通勤成本的影响只能从房价梯度的变化中间接估计。其原理是让家庭在房价和通勤成本之间进行权衡：他们要么选择住得离地铁站近，享受更低的通勤成本，但支付更高的房价; 要么选择住得离地铁站远，享受更低的房价，但支付更高的通勤成本。

所以，在均衡状态下，房价与到地铁的距离负相关，距离地铁站较近和较远的住房的价格差实际上反映了（capitalize）通勤成本的差异。那么，由于共享单车降低了通勤成本，价格差也将缩小，导致房价与地铁距离之间的梯度趋于平缓。

在没有随机对照实验或者更好识别策略（例如断点回归）的情况下，作者使用了城市住房层面的双重差分（DID）和城市-月度层面的两阶段估计两种方法识别共享单车对房价和地铁距离之间关系的因果影响。

1. 城市住房层面的双重差分（DID）

i, c, t分别代表住房、城市、时间；Pict是c城住房i在t时的每平米价格；DISTist是住房i在t时距最近的地铁站s的距离；BIKEct是c城在t时是否存在共享单车；Xit是住房特征，包括面积、楼层、楼龄、房间数、装修状态、窗户朝向、是否学区房、住房密度（以最近的地铁站3公里半径内的住房数量度量），以及挂牌价和最新价。δs和θcym是地铁站和城市-年-月的固定效应，εict是误差项。

特别是，纳入地铁固定效应不仅考虑了可能影响自行车骑行适宜性的社区条件（例如，环境、地形、天气），而且还解决了每个地铁站周围共享单车供需不均的问题。

城市-年-月固定效应控制城市政策的影响，例如对住房市场或者共享单车公司的监管。但是城市-年-月固定效应并没有完全吸纳“单车是否进入（bike）”的影响，因为共享单车可能在月中进入该城。此外，控制住房特征使得类似住房的价格可比。

模型（1）的经济意义如下：

在共享单车进入之前（BIKEct=0），房价相对于距地铁站距离的梯度为β1（即当Dist变化一个单位时Pict的变化百分比），预计为负值：其他条件相同的情况下，每远离地铁站一公里，平均房价降低-100β1%。

在共享单车进入后，梯度变为β1+β3：在其他条件不变的情况下，每远离地铁站一公里，平均房价下降-100(β1+β3)%。因此，β3识别了共享单车对房价梯度的影响，正的β3意味着共享单车使房价梯度更平滑，即降低了地铁附近住房的价格溢价，缩小了（距地铁站不同距离的住房的）价格差。

为了确定共享单车对地铁房价溢价的因果关系，作者利用ofo和摩拜交错进入中国的10个城市作为准自然实验。

ofo和摩拜是（当时）最大的两家公司，市场合计占比超过90%。10个城市的总人口为15200万，拥有成熟的地铁系统。这10个城市非常适合此项研究，因为单车在这10个城市的进入既快到可以认为是外生的，又慢到可以为DID产生足够的变化。而且，ofo和摩拜始终是10个城市中第一个进入的共享单车公司。

本质上，本文的DID识别依赖于距同一地铁站不同距离相似的住房价格在站内、月内的空间变化。所以，估计结果对范围较广的干扰因素是稳健的。

2. 城市-月度层面的两阶段估计

在DID模型中，不包括住房固定效应，因为很多住房只有一个观察值。如果未观察到的住房特征或其他宏观因素对距离同一地铁站不同距离的住房产生不同影响，则可能会使估计有偏。由于本文的研究重点是共享单车进入城市如何降低房价梯度，因此更合适的分析单位是城市-月度。

因此，通过进行城市-月度层面的两阶段估计。

第一步，通过等式（2a）为329个城市-月度子样本估计一个房价梯度；第二步，使用等式（2b）比较共享单车进入前后的梯度：

其中，βcym是c城市y年m月的房价梯度，δc 是城市固定效应。

结果

1. 主要结果

使用最小二乘（OLS）估计模型（1）并报告按地铁站聚类的稳健标准误。

在基准估计中，将 DISTist定义为测地距离，将BIKEct定义为ofo和摩拜中较早一个进入的时间，Pict为价格。如果一套住房曾经调整过价格，它将有多个观察值，纳入初始价格和最终价格两个指标。结果如表 2 所示。

表2（a）列显示了共享单车对地铁房价的平均影响。

系数-0.042表明，在单车出现之前，靠近地铁站的住房有价格溢价。每远离地铁站一公里，房价平均下降4.2%。距离和单车是否进入的交互项系数为0.012，意味着共享单车的进入使溢价降低了1.2个百分点并将梯度拉平29%。在共享单车进入后，地铁房仍有溢价，但溢价为单车进入前的71%。

表2 共享单车和地铁房溢价

按照平均房价31536元/平方米和平均面积90.5平米计算，单车进入前的估计价格梯度相当于每公里119868元。即住房每距离地铁近1公里，则平均溢价119868元。

而溢价的经济意义可以解释为一个家庭愿意为获得距离地铁近1公里的住房愿意支付的费用，或者也可以理解为居住期间离地铁远1公里的通勤费用的总补偿。而共享单车进入后，房价梯度下降了相当于34248元。考虑到2016年中国城镇居民的平均可支配收入为33616元。所以，共享单车的影响既具有统计显著性，还具有显著的经济意义。

（b）（c）列分别考察了ofo和摩拜的影响。

ofo的进入，使得房价梯度每公里降低1.3个百分点，摩拜为1.1个百分点，均接近（a）列的估计值。（d）列使用百度搜索指数为代理变量，发现搜索指数每增加1000，每公里梯度降低1个百分点。

因为有的住房只有一个观测值，所以不同于传统DID，模型（1）不能纳入住房的固定效应。这带来的一个问题是，单车进入前后可能有一些没有观测到的住房异质性特征影响估计结果。

为了解决这个问题，作者估计了一个具有网格固定效应的模型。

具体来说，使用住房的地理坐标将样本区域划分为173175个10米×10米的网格，每个网格内平均有2.3套公寓（同一网格内的多个公寓通常是同一栋楼的不同楼层）。共享单车对房价梯度的影响为0.012（表2的e列），与使用地铁站固定效应的结果相似。因此，未观察到的住房特征应该不太可能影响估计结果。

为了进一步研究动态影响，表2（f）列按月报告了估计结果。

结果显示，单车进入1个月后，对房价梯度的影响开始显现，并且随着时间推移，影响越来越大。从长期来看，共享单车将梯度降低了1.3个百分点，与（a）列的估计结果一致。

表2（g）列报告了城市月度层面的两阶段估计。

单车进入后，房价梯度平滑了1.4个百分点，与控制地铁固定效应和城市-年-月固定效应的DID结果没有显著差异。

2. 非线性估计

前文的估计假设距地铁站不同距离的房价梯度为常数。然而，非参数估计（原文附录B图B3）显示的房价梯度在单车进入前后都是非线性的。为了反应这种非均匀模式，作者将连续变量DISTist替换为住房分别坐落在距地铁0-0.5公里、0.5-1公里、1-1.5公里、1.5-2公里、2-3公里范围内的离散变量，以2-3公里为参考组。

如图1所示，蓝实线表示单车进入前的系数估计，红虚线表示单车进入后的系数估计，箱型图表示相应的95%的置信区间。

图1 距离分段估算的房价梯度

与表2的结果一致，估计的房价梯度为负，共享单车进入后的房价梯度更为平滑。但是，斜率和变化（两线间的差值）不均匀：单车进入前后距地铁0.5-2公里内的斜率最陡，共享单车的进入使得梯度曲线发生了“旋转”，意味着离地铁越近的住房，房价溢价的下降幅度越大。

3. 影响的异质性

共享单车对房价溢价的影响可能因公寓、社区和城市不同而不同。

作者继续引入住房到地铁的距离、共享单车的进入以及公寓或者社区的调节项三项交互检验城市内的异质性。

表3的（a）和（b）列分别报告了按住房面积和楼层划分的共享单车的影响。

距离*共享单车的交互项系数，表示所有住房的平均影响。距离*共享单车*调节项的系数表示随着调节项增加一个标准差，对房价的影响的变化，或者表示该调节项具有该属性。

作者发现单车的影响收敛于之前估计的平均效果，但是对面积更大和楼层更高的住房的影响更大：住房面积每增加一个标准差（42.7平米)，影响高于平均影响63.6%；楼层增加一个标准差（7.8层），影响比平均影响高30.8%。更大和更高的住房往往价格更高。

影响的方向与下述一致：单车进入前，由于通勤成本和价格更高，人们并不想住在更大或者楼层更高但距离更远的公寓。但是共享单车进入后，使得这些类型的住房更具吸引力，推动了对它们的需求。

表3的（c）列报告了共享单车对学区房的影响。

距离*共享单车*调节项的系数代表共享单车对学区房和非学区房的不同影响。系数不显著，意味着共享单车对住房的影响与它是否是学区房无关。这可能是两种矛盾的考量互相平衡的结果：一方面，共享单车为父母提供了一种便捷的通勤方式；另一方面，低于12岁的孩子不允许使用共享单车——考虑到中国的各种竞争性考试，父母更有可能选择住在离地铁更近的地方以节约孩子的通勤时间。

作者检验了通勤条件如何影响共享单车的效果，（d）和（e）列报告了结果。

通过两种方法衡量通勤条件：住房附近的地铁站是否为中转站，以及住房三公里半径内的地铁站数量。交互项系数和三项交互项系数均为正且显著。这表明共享单车对房价溢价的影响对于通勤条件更好的住房影响更强，这进一步佐证了共享单车和地铁的互补性。

表3 异质性和调节项

接下来用两种方法检验共享单车在不同城市的差异性影响。

第一，使用特定城市对距离的系数和距离*共享单车的交互项估计模型（1）。

第二，对每个城市分别估计模型（1）。

结果发现，所有城市的房价梯度斜率都是向下的，反映出靠近地铁的房价更高，但是不同城市间有显著差异。天津的房价梯度最大，其次是上海、大连、北京和武汉。重庆的梯度最低。

共享单车进入后，梯度减弱，上海、北京、深圳的房价梯度分别降低3.7、2.9和2.1个百分点。考虑到房价和可支配收入，共享单车对房价梯度的影响是巨大的。比如，北京的房价梯度下降52.7%，相当于2016年全是人均可支配收入的2.98倍。

4. 作用机制

单车增加了距地铁站较远的住房的吸引力，使得需求曲线向外移动。所以较远公寓的卖家可能会提高挂牌价，并在交易谈判中获得更多的议价能力。利用房价和交易过程的详细数据，作者对上述机制进行了检验。

作者用模型（1）估计了五个结果变量：初始挂牌价、潜在买家的看房频次、最后价格、交易价格、调整价格。初始价格代表卖方对住房的估值，看房频次代表买方兴趣和购买意向，最后价格和成交价表示市场均衡价格，价格调整的方向反应了交易双方的议价能力。因此，共享单车对这些变量的影响代表了对供给侧、需求侧和市场均衡的影响。

结果如表4。

表4 作用机制

a列交互项的系数表示共享单车的进入使得初始价格的梯度降低1/3以上，意味着业主在设置挂牌价时，已经考虑了共享单车对房价的影响；

b列距离项的系数为负，意味着单车进入前距离地铁更近的公寓的访问量更高，每远1公里，访问量下降1.8%，交互项系数（0.016）意味着共享单车增加了对较远公寓的访问量。而距离项的系数不再显著，意味着单车进入后，近距离的公寓在吸引力方面不再有显著优势。

c列和d列分别报告了对最后价格和成交价的估计结果。两列的交互项系数均为正且大小相似。成交价（0.013）约为房价梯度的27%，意味着单车进入后，将较近和较远的住房价格差缩小了27%。

e列的距离项和交互项系数均为正（但不显著）意味着单车进入对较近和较远公寓的议价能力没有显著差异。

5. 对福利的影响

从特征价格法（hedonic price approach）来看，房价梯度可以解释为远距离住房的通勤成本补偿。梯度的降低可以解释为共享单车进入而导致通勤成本的降低。作者从房价梯度的变化中倒推降低的通勤成本。

使用表2（a）列中的估计值推算单车进入后每个住房的总价（单价乘面积）和单车未进入的反事实价格，两者的差值为通勤成本。然后，将通勤成本总额按五年期定期存款利率（2.86%）和五年期国债利率（3.86%）作为最小和最大贴现因子，按30年摊销，求得每年节约的通勤成本。

最终估算每户每年平均降低的通勤成本为1893—2127元。

假设样本10个城市的公交车起步价为2元，每年按250个工作日计算，假设每户有两个通勤者，所以一年的通勤费用最少为2000元（如果周末出行，成本更高）；共享单车的通勤成本为每月20元，每户每年480元。

需要注意的是，如果要识别导致溢价下降、远处住房价格上升、近处住房价格下降的原因，要满足“如果没有共享单车进入，则房价保持稳定”的假设。但因为城市-年-月的固定效应非常显著，所以平稳性假设被拒绝。所以，影响远近住房价格变化的原因只是一个可供参考的解释。

模型条件检验和稳健性检验

作者对DID进行平行趋势检验和共享单车进入的外生性检验，结果显示通过。

模型（1）估计了单车进入前第一个月到第六个月价格*距离的交互项，系数不显著，意味着平行趋势假设满足。

作者从两方面处理可能存在的内生性问题。

第一，使用城市-年-月固定效应，以控制可能影响单车进入的时变和非时变因素。第二，单车在进入城市前需要向市政当局审批，而每个城市的批准时间不一样且与当地的经济、房价关系不太可能存在关联。此外，作者还借鉴Zervas（2017）、Bertrand（2004）、Seamans and Zhu（2013）等人的方法，进行了三种检验。

但是，固定效应并不能排除城市内部的时变影响因素。

作者采取三个方法来解决这个问题。

第一，在模型1中加入特定行政区（10个城市有108个区）的年-月固定效应。有助于控制地区层面随时间变化的行政和政策相关因素，包括每个区每月平均的单车数量。估计结果（表7列a）与主回归基本一致。

第二，使用住房的地理坐标将样本划分为388个6*6公里的网格，平均每个网格包含3.7个地铁站，并估计包含网格-年-月固定效应的模型。这比地区-年-月固定效应更精细，可以捕捉到每个网格特定的时变因素。估计结果与共享单车对房价溢价的估计结果一致（表7列b）。

第三，限制单车进入前后的样本周期，尽量规避掉社区层面不可观测因素的影响。表7分别按报告了1年样本周期（进入前后183天，列c）和半年样本周期（进入前后90天，列d），结果依然显著。

另外，如果预期到单车进入，房价梯度可能在单车进入之前就趋于平缓。

但表5的平行趋势检验并没有发现此迹象。作者又使用ofo进入大学校园（表7列e）、新建地铁站的预期（表7列f），做了辅助检验。均不支持单车进入预期对房价产生影响的假设。

还有，地铁扩建也可能会增加近地铁房的收益，从而削弱共享单车的影响。

通过将模型（1）的样本限制在单车进入前后三个月均没有新地铁站开通的城市以及在单车进入前最后一个地铁站开通和单车进入后第一个地铁站开通之间挂牌的公寓，子样本统计结果仍然为正且具有统计显著性（表7列g）。

表7 替代解释

最后，作者进行了稳健性检验。

第一，基准回归选择的是据地铁站3公里以内的住房，作者分别使用距离地铁站2公里、4公里和5公路内的样本（表8列a, b, c）进行估计，单车的影响为正且显著。而且，系数随着半径的增加而减弱。这也间接佐证了共享单车确实是地铁短距离通勤的补充选项。

第二，基准回归使用的是住房与地铁站的测地距离（地铁站和住房之间的最短距离），作者使用住房与地铁站之间的步行距离，结果依然稳健（表8列d）。

第三，纳入缺失建筑年龄的样本（表8列e），结果依然稳健。

第四，本文使用的是公寓层面的数据估计单车进入前后的平均价格梯度变化，然后估计单车的影响。Bertrand et al. (2004) 和Donald and Lang （2007） 认为，标准误应该在城市层面而不是地铁站层面聚类。但按传统的方法对本文的10个城市进聚类将导致结果低估。表8列f报告了城市层面的引导标准误，结果依旧稳健。

表8 稳健性检验

结论和对管理的启示

本文使用10个主要城市引入共享单车作为准自然实验，并利用距同一地铁站不同距离的住房的转售价格变化发现，共享单车增加了较远距离住房的吸引力，缩小了距地铁不同距离的公寓之间的价格差，将房价梯度拉平了29%，相当于一个城市居民一年的可支配收入。

这种影响在不同的公寓、社区和城市之间是不同的，楼层越高、面积越大、距地铁越近，影响越显著。

对交易过程的进一步分析表明，是买卖双方共同对共享单车的进入做出反应，才促进房产交易市场达到价格梯度更平滑的新均衡。

文章的主要贡献如下：

第一，使用不同的方法识别了共享单车与地铁房价的因果关系。

除了使用不同识别策略的DID和两阶段估计之外，作者还通过证伪检验（falsification tests）以排除“单车进入预期”的影响，并对未观察到的住房特征、社区特征、共享单车进入时间、样本选择、距地铁站的距离、遗漏变量、测量误差和替代解释等因素进行多种稳健性检验，最大程度的排除潜在的内生性问题。

第二，作者从供给侧、需求侧、市场均衡三个方面探讨了作用机制。

业主和购房者对共享单车进入的反应，共同导致了房价梯度的降低。另外，梯度的降低还源于通勤成本的降低。

第三，量化了共享单车带来的通勤成本降低的货币价值，并间接证明了解决城市通勤最后一公里问题的好处。

因此，作者的研究结果对共享单车公司、房地产开发商、政策制定者和会骑自行车的人都有意义。

参考文献：

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.