（原標(biāo)題：共享單車(chē)?yán)土说罔F站周邊房?jī)r(jià)？）

文/賈銘 張亦達(dá)

一般來(lái)說(shuō)，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(chē)使得距離地鐵站較遠(yuǎn)的公寓也相對(duì)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(chē)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?jī)r(jià)格差。

來(lái)自新加坡國(guó)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(chē)如何調(diào)節(jié)房?jī)r(jià)與地鐵距離之間的關(guān)系（房?jī)r(jià)梯度），并量化共享單車(chē)在解決“最后一公里”問(wèn)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(chē)對(duì)地鐵房?jī)r(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(guó)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(guò)共享單車(chē)進(jìn)入（該市）前后，距同一地鐵站不同距離住房?jī)r(jià)格的空間變化來(lái)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?jī)r(jià)梯度，并比較單車(chē)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(chē)的進(jìn)入顯著降低了29%的房?jī)r(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(chē)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(guò)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(duì)潛在買(mǎi)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(duì)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?jī)r(jià)和住房特征

本文數(shù)據(jù)來(lái)源于一家中國(guó)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(chǎng)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(jiǎn)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(mǎi)家的訪問(wèn)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(mài)家初次輸入的賣(mài)價(jià)為初次掛牌價(jià)；賣(mài)家調(diào)低或者調(diào)高初次掛盤(pán)價(jià)，為調(diào)整后的價(jià)格；如果住房最終通過(guò)中介成交，還會(huì)記錄交易日期和成交價(jià)。如果住房沒(méi)有通過(guò)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(méi)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(yíng)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(jiàn)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(guò)3公里的住房（12%）——因?yàn)槿绻》亢偷罔F站的距離超過(guò)3公里，購(gòu)房者就不太可能使用共享單車(chē)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(cè)地距離：即根據(jù)經(jīng)緯度測(cè)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(chē)進(jìn)入時(shí)間

ofo和摩拜進(jìn)入每個(gè)城市的日期（見(jiàn)原文附錄B表B1）來(lái)自兩個(gè)公司的官方網(wǎng)站和公開(kāi)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(chē)進(jìn)入該城市的日期。

Hall（2018）等人使用谷歌趨勢(shì)（Google Trend）做Uber在美國(guó)的滲透率的代理變量，本文使用關(guān)鍵詞“共享單車(chē)”的每日百度搜索指數(shù)做共享單車(chē)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(chē)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(chē)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(chē)進(jìn)入之前上市，45%的公寓在共享單車(chē)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(méi)有裝修或缺失裝修信息。

免責(zé)聲明：信息網(wǎng)轉(zhuǎn)載此文目的在于傳遞更多信息，不代表本站的觀點(diǎn)和立場(chǎng)。文章內(nèi)容僅供參考，不構(gòu)成投資建議。如果您發(fā)現(xiàn)網(wǎng)站上有侵犯您的知識(shí)產(chǎn)權(quán)的作品，請(qǐng)與我們?nèi)〉寐?lián)系，我們會(huì)及時(shí)修改或刪除。

Tags：[db:TAG標(biāo)簽](1451316)

轉(zhuǎn)載請(qǐng)標(biāo)注：信息網(wǎng)——共享單車(chē)?yán)土说罔F站周邊房?jī)r(jià)？