财新传媒
位置:博客 > 香樟经济学术圈 > 共享单车包治拥堵?

共享单车包治拥堵?

推文人 | 华岳
原文信息:Timonthy Hamilton and Casey Wichman. 2018. "Bicycle Infrastructure and Traffic Congestion: Evidence from DC’s Capital Share” Journal of Environmental Economics and Management, 87: 72-93.
 
1 引言与背景
 
城市交通拥堵会带来一系列问题,空气污染即是其中一项。为了治理拥堵,美国政府出台了征收拥堵费,设置多人乘车专用车道,建设公共交通设施,设立经济燃油标准等一系列措施来减少汽车上路里程和时间,从而降低交通拥堵程度。而对于城市内共享单车系统(Citywide Bikeshare)的采用也正是基于这一考虑,共享单车在城市内部的某些区域可以成为汽车的良好替代,从而为降低拥堵和改善环境做出贡献。本文研究的主要问题即“共享单车的存在是否有效降低了道路拥堵程度”。需要说明的是,本文中所提到的“共享单车”不是国内现在可以随处取用和停放的共享单车,而是有固定的站点,需要站点取车,站点还车的那种“老式”共享单车。作者提出这种单车在北美地区现在越来越受欢迎。
 
2 数据与研究方法
 
华盛顿特区从2010年9月开始出现一种政府资助设立的“Capital Bikeshare”共享单车,目前在华盛顿特区的城区范围内有165个站点,站点位置的数据是公开可得的。本文的一大特色在于精细的交通拥堵数据,作者通过INRIX Traffic Data和Vehicle Probe Project搜集到华盛顿特区各个街道的交通拥堵数据,并且更加细致地将街道切割为不同的路段(road segments)。在因变量方面,作者构建了一个简单的“拥堵指数”如下:
 
某一路段的拥堵程度即该路段的参考速度(reference speed)除以该路段的实时观测速度(observed speed),参考速度一般由速度限制决定,个人不可控制且不影响拥堵,所以拥堵程度主要取决于观测速度。在因果识别方面,作者重点采用了Propensity Score Matching 来处理可能存在的选择性偏误(例如共享单车站点可能被有意设置在拥堵比较严重的,对于共享单车需求比较大的地段)。对于PSM如何操作的技术性介绍在此略过,有兴趣的读者可以参看原文。作者估计的主要模型为:
 
 
其中因变量CONG为census block group j中所有路段的平均拥堵程度(h, d, m, t分别代表半小时区间,天,月份以及年份),可以看出,模型中控制了不同层面的时间固定效应,并加入了当日是否降雨这一控制变量,Station即census block group j在某时点是否存在共享单车站点,β为我们感兴趣的系数。
 
 
3 主要结果
                            
从Matched Sample的结果来看,共享单车确实降低了城市拥堵程度,有站点的地区平均拥堵程度相比无站点区域低3%-4%。同时,作者通过加入衡量周边的census block group以及census block是否有共享单车站点的虚拟变量(下表中的Station_adj和Station_Kadj),发现如果某区域的周边区域存在共享单车站点,那么本区域内的拥堵程度也会增加,作者将其解释为一种溢出效应,即开车的司机倾向于躲避路上骑单车的人,所以如果某一区域骑车的人多,该区域司机可能会选择邻近区域道路通行。主要结果见下表:
 
作者随后进行了异质性分析,主要是使用了分位数回归方法来考察在不同拥堵水平上的“共享单车效应”,发现高拥堵地区受到共享单车的影响最为强烈。
 
4 关于共享单车福利效应的讨论
 
作者担心读者会质疑3%-4%的拥堵程度下降无足轻重,于是专门写了一章来讨论其福利效应。作者援引Schrank et al.(2015) 指出,即使很小的拥堵程度下降也可以带来相当可观的福利改进,具体到本文,4%的拥堵程度下降可以使得华盛顿特区的一名汽车司机的平均年交通成本下降57美元,所有司机的总成本下降1亿8200万美元。此外,拥堵下降带来的环境改善(二氧化碳排放的下降)可以折合为128万美元,这还不包括局部污染物(如SO2和NOX的)下降带来的福利改进。最后,作者指出转换出行方式带来的交通成本下降与健康状况改善也是福利改进的一部分,所以最终的(直接加间接)福利效应还会更大。
 
Abstract
 
This study explores the impact of bicycle-sharing infrastructure on urban transportation. We estimate a causal effect of the Capital Bikeshare on traffic congestion in the metropolitan Washington, D.C. area. We exploit a unique traffic dataset that is finely defined on a spatial and temporal scale. Our approach examines within-city commuting decisions as opposed to traffic patterns on major thruways. Empirical results suggest that the availability of a bikeshare reduces traffic congestion upwards of 4% within a neighborhood. In addition, we estimate heterogeneous treatment effects using panel quantile regression. Results indicate that the congestion-reducing impact of bikeshares is concentrated in highly congested areas.
推荐 0