共享單車對(duì)社會(huì)經(jīng)濟(jì)與環(huán)境的影響
——基于紐約市1993—2015年面板數(shù)據(jù)的實(shí)證研究

朱家明，冮建偉，凌佳亨

(1. 安徽財(cái)經(jīng)大學(xué) 統(tǒng)計(jì)與應(yīng)用數(shù)學(xué)學(xué)院，安徽 蚌埠 233000；2. 安徽財(cái)經(jīng)大學(xué) 金融學(xué)院，安徽 蚌埠 233000；3.湘潭大學(xué) 公共管理學(xué)院，湖南 湘潭 411105)

2014年至2018年我國(guó)共享單車市場(chǎng)發(fā)展如火如荼，ofo、摩拜等迅速擴(kuò)展至全國(guó)各大城市，2018年初單車投放2300萬(wàn)輛、覆蓋約200個(gè)大中型城市。共享單車憑借移動(dòng)互聯(lián)網(wǎng)與大數(shù)據(jù)技術(shù)，解決了人們最后一公里的難題，方便了人們的交通出行；另一方面又對(duì)傳統(tǒng)交通行業(yè)造成沖擊，增加了社會(huì)管理難度。袁朋偉等通過Nested Logit模型研究得出影響人們選擇共享單車的主要因素是接駁時(shí)間的節(jié)約[1]191-196；譚袁針對(duì)共享單車底線競(jìng)爭(zhēng)問題提出運(yùn)營(yíng)商必須加強(qiáng)自律性[2]36-40；SvenjaReiss通過慕尼黑GPS數(shù)據(jù)研究得出，合理的調(diào)度方案能夠很大提高供給能力[3]341-349。郭鵬等提出共享單車為公民帶來(lái)出行便利的同時(shí)，也極大增加了城市治理的難度，需要社會(huì)與政府協(xié)同治理[4]1-10。

綜上所述，國(guó)內(nèi)外學(xué)者對(duì)共享單車造成的社會(huì)問題、運(yùn)營(yíng)模式、盈利能力等作出了許多有益探討，但是面對(duì)發(fā)展如此迅速、涉及面如此廣泛的新興行業(yè)，僅從定性角度推理其造成的問題以及盈利方式、公司效益等是十分片面的。所以，選取共享單車市場(chǎng)萌芽較早的紐約市面板數(shù)據(jù)，定量分析共享單車對(duì)社會(huì)經(jīng)濟(jì)、交通、環(huán)境各層面產(chǎn)生的影響，從而對(duì)機(jī)構(gòu)投資和政府決策提供合理建議，并對(duì)我國(guó)共享單車行業(yè)的外部效應(yīng)評(píng)估具有重要意義和借鑒價(jià)值。

一、數(shù)據(jù)來(lái)源與模型假設(shè)

數(shù)據(jù)來(lái)源于美國(guó)聯(lián)邦統(tǒng)計(jì)局與紐約移動(dòng)公報(bào)。為了便于問題研究和解決，提出以下幾個(gè)假設(shè)：第一，實(shí)施共享單車后，中心城區(qū)內(nèi)外出行方式的變化比例相同[5]87-95；第二，出行方式有習(xí)慣偏好，在中心城區(qū)外圍的出行方式會(huì)影響進(jìn)入中心城區(qū)的出行方式[6]209-222；第三，就業(yè)人員的數(shù)量能夠反映社會(huì)經(jīng)濟(jì)狀況[7]69-74；第四，數(shù)據(jù)來(lái)源準(zhǔn)確可靠。

二、基于BP神經(jīng)網(wǎng)絡(luò)建立“出行方式選擇模型”

(一)研究思路

要分析共享單車工程對(duì)社會(huì)的影響，關(guān)鍵在于預(yù)測(cè)如果沒有共享單車工程，人們出行結(jié)構(gòu)本應(yīng)該是怎樣演變的，進(jìn)而對(duì)比分析共享單車對(duì)出行結(jié)構(gòu)的影響，為后面分析其對(duì)交通、經(jīng)濟(jì)與環(huán)境的影響做好基礎(chǔ)性準(zhǔn)備。

人們的出行方式一般來(lái)說是有習(xí)慣偏好的，在中心城區(qū)外圍區(qū)域的出行方式很可能是進(jìn)入中心城區(qū)所采用的方式，按區(qū)域劃分的出行結(jié)構(gòu)之間可能存在一定聯(lián)系?；谏鲜龇治觯x取中心城區(qū)以外區(qū)域的汽車出行量、公共交通出行量做自變量，分別以進(jìn)入中心城區(qū)的汽車數(shù)量、公交數(shù)量、騎行數(shù)量作因變量，利用BP神經(jīng)網(wǎng)絡(luò)分別對(duì)因變量做出預(yù)測(cè)，現(xiàn)將各符號(hào)意義說明如下。

Y1：進(jìn)入中心城區(qū)的汽車量(千輛/日)；Y2：進(jìn)入中心城區(qū)的公共交通系統(tǒng)乘坐量(千次/日)；Y3：進(jìn)入中心城區(qū)的騎行量(千次/日)；X1：中心城區(qū)以外的汽車出行量(千輛/日)；X2：中心城區(qū)以外的公共交通系統(tǒng)乘坐量(千次/日)。

(二)模型建立與求解

1.繪制Y1與X1、X2的散點(diǎn)圖

如圖1所示，它們之間無(wú)明顯的線性關(guān)系，而單層的BP神經(jīng)網(wǎng)絡(luò)能夠以任意的精度逼近任何非線性連續(xù)函數(shù)，所以我們可利用BP神經(jīng)網(wǎng)絡(luò)的強(qiáng)非線性映射能力來(lái)反映X1、X2對(duì)Y1的綜合影響[8]60-64。

圖1 進(jìn)入中心城區(qū)的汽車量與外圍區(qū)域交通方式關(guān)系圖

樣本數(shù)據(jù)的高度離散性會(huì)降低BP神經(jīng)網(wǎng)絡(luò)的逼近效果，所以需要進(jìn)行插值處理，使得數(shù)據(jù)平滑性更好。采用三樣條插值法，以X1為x軸，以X2為y軸，分別以Y1、Y2、Y3為z軸。然后利用插值后的數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，利用訓(xùn)練后的網(wǎng)絡(luò)模擬仿真，仿真情況如圖2。

圖2 BP神經(jīng)網(wǎng)絡(luò)仿真情況

圖2所示，預(yù)測(cè)所得數(shù)據(jù)分布在Fit直線附近且大部分點(diǎn)都落在這條直線上，說明擬合效果不錯(cuò)。對(duì)誤差進(jìn)行JB檢驗(yàn)得出誤差項(xiàng)高斯分布，表明所建立的預(yù)測(cè)模型具有很好的穩(wěn)定性，可以對(duì)樣本外的數(shù)據(jù)進(jìn)行預(yù)測(cè)。

利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，得到表1的結(jié)果。

表1 汽車用量仿真結(jié)果分析表

年份Y1仿真結(jié)果誤差誤差率(%)19988428410.74019998428402.29020008358314.3912001700738-37.98-520027977951.540200383280230.16420048258241.35020058108036.89120068068033.35020077957941.3002008759765-6.08-12009770773-3.25020107767715.321

將仿真結(jié)果和實(shí)際數(shù)據(jù)做圖形對(duì)比，如圖3。

圖3 汽車使用量預(yù)測(cè)模型對(duì)比分析圖

結(jié)合表1和圖3可知，預(yù)測(cè)所得2011—2015年進(jìn)入中心城區(qū)的汽車量數(shù)分別為：794、779、784、778、800(單位：千輛/日)，誤差率最大僅為5%。圖3中直觀可見，假設(shè)沒有實(shí)施共享單車計(jì)劃，汽車使用量本應(yīng)該呈上升趨勢(shì)，2015年可達(dá)800千輛/日，占總交通量的20.84%；然而實(shí)際上前往中心城區(qū)的汽車數(shù)量逐年下滑，2015年只有731輛/每日，占總交通量的19.04%，雖然汽車使用量在所有的交通工具總量中比例變化不大，但其相對(duì)于理論預(yù)期在2015年已減少了9.4%，說明共享單車確實(shí)對(duì)汽車使用有抑制作用。

2.基于同樣的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)原理

對(duì)公共交通系統(tǒng)的使用量做仿真模擬，得到仿真結(jié)果如表2。

表2 公共交通的仿真結(jié)果分析表

年份Y2仿真結(jié)果誤差誤差比率(%)199822942303-9.29-0.41199924312451-19.99-0.8220002517250511.920.47200123902423-33.03-1.38200224412496-54.85-2.25200323922419-26.89-1.1220042454242132.701.3320052472244626.171.0620062566253135.261.3720072683264736.051.3420082743265785.983.13200925862608-22.02-0.85201026622663-0.57-0.02

將表2仿真結(jié)果和實(shí)際數(shù)據(jù)繪制如圖4。

圖4 公共交通使用量預(yù)測(cè)模型對(duì)比分析圖

預(yù)測(cè)得到2011—2015年的使用量為2513、2532、2582、2522、2546(單位：千次/日)。由圖4可見，在沒有共享單車系統(tǒng)的情況下，對(duì)公交系統(tǒng)使用量的理論預(yù)期呈現(xiàn)下滑趨勢(shì)，2015年下降至2546千次/日，預(yù)測(cè)中應(yīng)該占總交通量的66.34%，然而實(shí)際上前往中心城區(qū)的公共交通數(shù)量上升顯著，2015年的實(shí)際值達(dá)到2983千次/日，占總交通量的77.71%。其在交通領(lǐng)域的市場(chǎng)占有率顯著上升，其相對(duì)于自身的理論預(yù)期值也增加了17.20%，說明共享單車對(duì)公共交通使用的促進(jìn)作用非常大。

3.對(duì)騎行的使用量仿真模擬

得到表3仿真結(jié)果和圖5對(duì)比分析圖。

表3 騎行數(shù)量的仿真結(jié)果分析表

年份Y3仿真結(jié)果誤差誤差比率(%)19982.82.80.010.4919992.92.7-0.18-6.93200022.2-0.20-9.8320012.52.6-0.14-5.7120023.23.6-0.36-11.2120034.43.80.5813.2220044.44.20.153.5120054.84.30.4910.2020066.66.30.294.3520076.57.5-0.99-15.2320088.58.8-0.31-3.61200910.910.50.403.65201011.711.8-0.05-0.44

圖5 騎行數(shù)量預(yù)測(cè)模型的對(duì)比分析圖

預(yù)測(cè)得到2011—2015年使用量為4.1、10.1、9.4、10.2、7.0(單位：千次/日)。由圖5可見，在沒有共享單車系統(tǒng)情況下，對(duì)騎行使用量的預(yù)測(cè)呈現(xiàn)下滑趨勢(shì)，2015年下降至7.0千次/日，預(yù)測(cè)中應(yīng)該占總交通量的0.18%，但是實(shí)際上前往中心城區(qū)的騎行數(shù)量穩(wěn)定上升，2015年的實(shí)際值為15.4千次/日，占總交通量的0.40%，其相對(duì)于自身的理論預(yù)期值也增加了120%，說明共享單車直接對(duì)騎行數(shù)量有推升作用，這與大多數(shù)人的預(yù)期是相符的。

三、利用Granger因果關(guān)系檢驗(yàn)、多元回歸建立“雇員—經(jīng)濟(jì)反映模型”

(一)研究思路

共享單車對(duì)經(jīng)濟(jì)的影響主要通過影響人們出行次數(shù)、出行的方式等影響經(jīng)濟(jì)。從微觀上講，出行次數(shù)多少關(guān)系著人們的外出聚餐、購(gòu)物、旅游、工作等經(jīng)濟(jì)行為；從宏觀上講，出行方式會(huì)影響著汽車銷售規(guī)模、公共交通系統(tǒng)的發(fā)展等。就業(yè)人數(shù)反映就業(yè)率，而就業(yè)率是衡量社會(huì)經(jīng)濟(jì)發(fā)展的最重要指標(biāo)，所以，選取就業(yè)人數(shù)作為研究對(duì)象，將其作為模型的因變量?；谌藗兂鲂袑?duì)經(jīng)濟(jì)影響的分析，選取紐約市總的汽車出行量、公交車出行量、及中心城區(qū)騎行量作為自變量，樣本數(shù)據(jù)的范圍是1993—2010年，所做的預(yù)測(cè)結(jié)果與2011—2015年實(shí)際值進(jìn)行對(duì)比，各指標(biāo)情況如下。

Y4：紐約市雇員數(shù)量(千人)；X3：紐約市總的汽車出行量(千輛/日)；X4：紐約市總的公共交通工具出行量(千輛/日)；Y3：進(jìn)入中心城區(qū)的騎行量(千次/日)。

(二)利用Granger因果關(guān)系檢驗(yàn)確定影響顯著的自變量

前面對(duì)各變量經(jīng)濟(jì)聯(lián)系的分析僅僅是一個(gè)合理假設(shè)，在實(shí)證分析之前還需要檢驗(yàn)它們的統(tǒng)計(jì)意義，通過統(tǒng)計(jì)檢驗(yàn)的變量才可以用之進(jìn)行定量分析。這里采用Granger因果關(guān)系檢驗(yàn)尋找可以解釋因變量變動(dòng)的自變量[9]75-78。

采用Augmented Dicky-Fuller (ADF檢驗(yàn)?zāi)Ｐ?檢驗(yàn)各變量的平穩(wěn)性。

表4 各變量單位根檢驗(yàn)表

變量序列檢驗(yàn)類型滯后階數(shù)ADF統(tǒng)計(jì)量P值結(jié)論YC、L1-3.0270.155非平穩(wěn)DYN0-2.2400.028平穩(wěn)X3C0-2.2380.201非平穩(wěn)DX3N0-2.4550.018平穩(wěn)X4C1-1.3960.558非平穩(wěn)DX4C、L3-4.3370.023平穩(wěn)X5C、L0-0.0290.992非平穩(wěn)DX5N0-2.3010.025平穩(wěn)

注：根據(jù)SCI準(zhǔn)則判斷最優(yōu)滯后階數(shù)；C表示截距項(xiàng)，L為趨勢(shì)項(xiàng)，N表示無(wú)截距無(wú)趨勢(shì)。

由表4檢驗(yàn)結(jié)果顯示，各變量均是一階平穩(wěn)，所以差分序列與原數(shù)列的因果關(guān)系是等價(jià)的，可以用差分序列來(lái)做Granger因果關(guān)系檢驗(yàn)，直接推及原序列間的關(guān)系[10]1166-1174。最后的實(shí)驗(yàn)結(jié)果如表5。

表5 Granger因果關(guān)系檢驗(yàn)結(jié)果

原假設(shè)觀測(cè)值個(gè)數(shù)P值結(jié)果X3不是Y4的格蘭杰原因Y4不是X3的格蘭杰原因160.00拒絕0.22接受X4不是Y4的格蘭杰原因Y4不是X4的格蘭杰原因120.05拒絕0.02拒絕Y3不是Y4的格蘭杰原因Y4不是Y3的格蘭杰原因160.02拒絕0.52接受

由表5可見，三個(gè)自變量均是因變量的格蘭杰原因，可以進(jìn)一步建立回歸方程。

(三)利用回歸分析研究各度量對(duì)雇員人數(shù)的影響

經(jīng)過一系列對(duì)多重共線性、自相關(guān)等問題的處理，所得回歸方程如下。

Y4=2730-0.0898X3+0.1953X4-7.81Y3

+[AR(1)=1.14,AR(2)=-0.55]

(1)

對(duì)回歸的誤差項(xiàng)進(jìn)行協(xié)整性檢驗(yàn)：

表6 協(xié)整性檢驗(yàn)結(jié)果

變量序列檢驗(yàn)類型滯后階數(shù)ADF統(tǒng)計(jì)量P值結(jié)論誤差項(xiàng)N1-2.100.038平穩(wěn)

如表6所示，式(1)的隨機(jī)誤差項(xiàng)是平穩(wěn)序列，表示式(1)有著長(zhǎng)期穩(wěn)定的關(guān)系，可以預(yù)測(cè)未來(lái)一段時(shí)期雇員變動(dòng)狀況。根據(jù)式(1)預(yù)測(cè)2011年—2015年在沒有共享單車的情況下雇員人數(shù)本應(yīng)該的變化情況，與實(shí)際值進(jìn)行對(duì)比作圖6如下。

圖6 雇員人數(shù)對(duì)比圖

圖6顯示，在2011年開始，在有共享單車的情況下紐約市雇員人數(shù)顯著增長(zhǎng)，漲幅遠(yuǎn)超原來(lái)的預(yù)期，這表明共享單車工程為社會(huì)經(jīng)濟(jì)發(fā)展做出了突出貢獻(xiàn)。到2015年末，紐約市實(shí)際雇員人數(shù)達(dá)到4225千人，原預(yù)期只有3739.62千人，實(shí)際增長(zhǎng)超過預(yù)期13%。

四、“汽油—毒氣減排模型”的環(huán)境影響

(一)研究思路

共享單車通過減少交通中汽油使用來(lái)減少有害氣體排放，有利于資源節(jié)省和環(huán)境優(yōu)化，它是通過兩種途徑實(shí)現(xiàn)的：第一，共享單車通過增加騎行減少機(jī)動(dòng)車開行，直接減少汽油消耗，減少的汽油量可以通過騎行的里程折算[11]59-61；第二，共享單車改變了人們出行意愿，使得人們減少開私家車而增加乘坐公共交通工具，對(duì)社會(huì)整體來(lái)說，公共交通工具相比開私家車更少的消耗汽油，從而減少有害物質(zhì)產(chǎn)生，這是共享單車對(duì)汽油減少的間接影響，也是主要的作用途徑[12]3496-3502[13]117-123。

為了方便敘述，對(duì)模型中用到的符號(hào)加以說明：β：家庭轎車行駛1英里的平均耗油量(單位：L)；m1：共享單車帶來(lái)的騎行里程增加(單位：英里/日)；m2：共享單車帶來(lái)的汽車行駛里程減少(單位：英里/日)；L1：一次騎行出行的平均英里(單位：英里)；L2：一輛汽車一次出行的平均英里(單位：英里)；w1：共享單車帶來(lái)騎行次數(shù)增加(單位：千次/日)；w2：共享單車帶來(lái)的汽車使用次數(shù)減少(單位：千輛/日)；Q：共享單車工程減少的汽油消耗總量(單位：L/日)。

(二)“汽油—毒氣減排模型”建立與求解

經(jīng)過上述分析，得出如下公式：

查閱相關(guān)資料得知：汽車發(fā)動(dòng)機(jī)每燃燒1升汽油，要消耗15升新鮮空氣，同時(shí)排出150～200ml的一氧化碳(CO)、4～8毫升的碳?xì)浠衔铩?～20毫升的氧化氮等污染物。我們這里取產(chǎn)生污染物范圍的中值，即消耗一升汽油，會(huì)產(chǎn)生175ml CO、6ml hydrocarbon、12ml NO[12]3496-3502， 帶入公式，各種污染物的排放量為：

(2)

(2)式就是我們所求的騎行—汽油—環(huán)境影響模型。利用紐約移動(dòng)公報(bào)“Citi Bike & Taxis in Midtown”中的數(shù)據(jù)，求解出β=0.132，L1=0.959，L2=0.834，結(jié)合出行方式選擇模型的求解結(jié)果，計(jì)算出汽油消耗減少量如表7。

將表7結(jié)果帶入公式(2)，可得共享單車工程近5年來(lái)對(duì)環(huán)境污染物減少的貢獻(xiàn)情況，結(jié)果匯總?cè)绫?。

表7 汽油減少量求解表

年份w1m1w2m2Q(單位:L)20119.138753.2930.1425134.434473.1820123.243104.0328.4323707.173539.0820135.285059.6036.7630657.534714.6620144.804600.5246.8539069.155764.4020158.418064.4568.8857448.518647.71

表8 共享單車對(duì)環(huán)境的貢獻(xiàn)情況(單位：L)

年份COCHNO2011340111623320123152108216201341071402812014517717735520157496257514

由表8可見，至2015年共享單車工程減少紐約市CO排放量7496 L，CH排放量257 L，NO排放量514 L，且這種良好的趨勢(shì)逐年增強(qiáng)。

五、結(jié)論及建議

(一)結(jié)論

首先，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)出行方式進(jìn)行預(yù)測(cè)，描述假設(shè)不存在共享單車系統(tǒng)人們的出行結(jié)構(gòu)，與實(shí)際情況對(duì)比得出結(jié)論：共享單車減少了人們選擇汽車出行的意愿，增加了乘坐公共交通工具的意愿，騎行數(shù)量有巨大上升，所得結(jié)論符合人們的預(yù)期。其中，實(shí)際的汽車出行比預(yù)期值減少9.4%，公共交通系統(tǒng)增加17.2%，騎行數(shù)量更是超過預(yù)期120%，出行結(jié)構(gòu)的改變，即少汽車多公交的出行方式，顯然會(huì)減輕交通擁擠，提高道路通暢度[14]21-25。

其次，通過Granger因果關(guān)系檢驗(yàn)確定影響雇員數(shù)量變動(dòng)的幾個(gè)變量，對(duì)此做回歸分析，定量描述他們對(duì)雇員數(shù)量的影響，結(jié)果表明：實(shí)際雇員數(shù)量比理論預(yù)期多出13%，共享單車系統(tǒng)對(duì)社會(huì)經(jīng)濟(jì)起到了促進(jìn)作用[15]29-34。

最后，基于出行方式對(duì)空氣環(huán)境影響途徑的分析，將汽油作為中間變量，解出共享單車減少CO、CH、NO各7496 L、257 L、514 L，并且這種作用逐年加強(qiáng)。

(二)建議

基于以上分析，為企業(yè)或政府提出以下兩點(diǎn)建議。

首先，共享單車行業(yè)極具外部效應(yīng)，政府應(yīng)加大對(duì)該行業(yè)優(yōu)質(zhì)公司的扶持，使其更好服務(wù)于城市居民及社會(huì)各行各業(yè)[16]29-33。

其次，共享單車能夠顯著提高公共交通的使用率，共享單車與公共交通配合將成為該行業(yè)的成長(zhǎng)點(diǎn)，所以共享單車公司要注重公交車站、地鐵站處的單車調(diào)度工作，避免需求地?zé)o供應(yīng)、供應(yīng)處無(wú)需求的浪費(fèi)現(xiàn)象，提高服務(wù)質(zhì)量，穩(wěn)定客戶需求[17]25-28。