朱家明，冮建伟，凌佳亨

(1. 安徽财经大学 统计与应用数学学院，安徽 蚌埠 233000；2. 安徽财经大学 金融学院，安徽 蚌埠 233000；3.湘潭大学 公共管理学院，湖南 湘潭 411105)

2014年至2018年我国共享单车市场发展如火如荼，ofo、摩拜等迅速扩展至全国各大城市，2018年初单车投放2300万辆、覆盖约200个大中型城市。共享单车凭借移动互联网与大数据技术，解决了人们最后一公里的难题，方便了人们的交通出行；另一方面又对传统交通行业造成冲击，增加了社会管理难度。袁朋伟等通过Nested Logit模型研究得出影响人们选择共享单车的主要因素是接驳时间的节约[1]191-196；谭袁针对共享单车底线竞争问题提出运营商必须加强自律性[2]36-40；SvenjaReiss通过慕尼黑GPS数据研究得出，合理的调度方案能够很大提高供给能力[3]341-349。郭鹏等提出共享单车为公民带来出行便利的同时，也极大增加了城市治理的难度，需要社会与政府协同治理[4]1-10。

综上所述，国内外学者对共享单车造成的社会问题、运营模式、盈利能力等作出了许多有益探讨，但是面对发展如此迅速、涉及面如此广泛的新兴行业，仅从定性角度推理其造成的问题以及盈利方式、公司效益等是十分片面的。所以，选取共享单车市场萌芽较早的纽约市面板数据，定量分析共享单车对社会经济、交通、环境各层面产生的影响，从而对机构投资和政府决策提供合理建议，并对我国共享单车行业的外部效应评估具有重要意义和借鉴价值。

一、数据来源与模型假设

数据来源于美国联邦统计局与纽约移动公报。为了便于问题研究和解决，提出以下几个假设：第一，实施共享单车后，中心城区内外出行方式的变化比例相同[5]87-95；第二，出行方式有习惯偏好，在中心城区外围的出行方式会影响进入中心城区的出行方式[6]209-222；第三，就业人员的数量能够反映社会经济状况[7]69-74；第四，数据来源准确可靠。

二、基于BP神经网络建立“出行方式选择模型”

(一)研究思路

要分析共享单车工程对社会的影响，关键在于预测如果没有共享单车工程，人们出行结构本应该是怎样演变的，进而对比分析共享单车对出行结构的影响，为后面分析其对交通、经济与环境的影响做好基础性准备。

人们的出行方式一般来说是有习惯偏好的，在中心城区外围区域的出行方式很可能是进入中心城区所采用的方式，按区域划分的出行结构之间可能存在一定联系。基于上述分析，选取中心城区以外区域的汽车出行量、公共交通出行量做自变量，分别以进入中心城区的汽车数量、公交数量、骑行数量作因变量，利用BP神经网络分别对因变量做出预测，现将各符号意义说明如下。

Y1：进入中心城区的汽车量(千辆/日)；Y2：进入中心城区的公共交通系统乘坐量(千次/日)；Y3：进入中心城区的骑行量(千次/日)；X1：中心城区以外的汽车出行量(千辆/日)；X2：中心城区以外的公共交通系统乘坐量(千次/日)。

(二)模型建立与求解

1.绘制Y1与X1、X2的散点图

如图1所示，它们之间无明显的线性关系，而单层的BP神经网络能够以任意的精度逼近任何非线性连续函数，所以我们可利用BP神经网络的强非线性映射能力来反映X1、X2对Y1的综合影响[8]60-64。

图1 进入中心城区的汽车量与外围区域交通方式关系图

样本数据的高度离散性会降低BP神经网络的逼近效果，所以需要进行插值处理，使得数据平滑性更好。采用三样条插值法，以X1为x轴，以X2为y轴，分别以Y1、Y2、Y3为z轴。然后利用插值后的数据训练BP神经网络，利用训练后的网络模拟仿真，仿真情况如图2。

图2 BP神经网络仿真情况

图2所示，预测所得数据分布在Fit直线附近且大部分点都落在这条直线上，说明拟合效果不错。对误差进行JB检验得出误差项高斯分布，表明所建立的预测模型具有很好的稳定性，可以对样本外的数据进行预测。

利用训练好的网络进行预测，得到表1的结果。

表1 汽车用量仿真结果分析表

年份Y1仿真结果误差误差率(%)19988428410.74019998428402.29020008358314.3912001700738-37.98-520027977951.540200383280230.16420048258241.35020058108036.89120068068033.35020077957941.3002008759765-6.08-12009770773-3.25020107767715.321

将仿真结果和实际数据做图形对比，如图3。

图3 汽车使用量预测模型对比分析图

结合表1和图3可知，预测所得2011—2015年进入中心城区的汽车量数分别为：794、779、784、778、800(单位：千辆/日)，误差率最大仅为5%。图3中直观可见，假设没有实施共享单车计划，汽车使用量本应该呈上升趋势，2015年可达800千辆/日，占总交通量的20.84%；然而实际上前往中心城区的汽车数量逐年下滑，2015年只有731辆/每日，占总交通量的19.04%，虽然汽车使用量在所有的交通工具总量中比例变化不大，但其相对于理论预期在2015年已减少了9.4%，说明共享单车确实对汽车使用有抑制作用。

2.基于同样的BP神经网络预测原理

对公共交通系统的使用量做仿真模拟，得到仿真结果如表2。

表2 公共交通的仿真结果分析表

年份Y2仿真结果误差误差比率(%)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

将表2仿真结果和实际数据绘制如图4。

图4 公共交通使用量预测模型对比分析图

预测得到2011—2015年的使用量为2513、2532、2582、2522、2546(单位：千次/日)。由图4可见，在没有共享单车系统的情况下，对公交系统使用量的理论预期呈现下滑趋势，2015年下降至2546千次/日，预测中应该占总交通量的66.34%，然而实际上前往中心城区的公共交通数量上升显著，2015年的实际值达到2983千次/日，占总交通量的77.71%。其在交通领域的市场占有率显著上升，其相对于自身的理论预期值也增加了17.20%，说明共享单车对公共交通使用的促进作用非常大。

3.对骑行的使用量仿真模拟

得到表3仿真结果和图5对比分析图。

表3 骑行数量的仿真结果分析表

年份Y3仿真结果误差误差比率(%)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

图5 骑行数量预测模型的对比分析图

预测得到2011—2015年使用量为4.1、10.1、9.4、10.2、7.0(单位：千次/日)。由图5可见，在没有共享单车系统情况下，对骑行使用量的预测呈现下滑趋势，2015年下降至7.0千次/日，预测中应该占总交通量的0.18%，但是实际上前往中心城区的骑行数量稳定上升，2015年的实际值为15.4千次/日，占总交通量的0.40%，其相对于自身的理论预期值也增加了120%，说明共享单车直接对骑行数量有推升作用，这与大多数人的预期是相符的。

三、利用Granger因果关系检验、多元回归建立“雇员—经济反映模型”

(一)研究思路

共享单车对经济的影响主要通过影响人们出行次数、出行的方式等影响经济。从微观上讲，出行次数多少关系着人们的外出聚餐、购物、旅游、工作等经济行为；从宏观上讲，出行方式会影响着汽车销售规模、公共交通系统的发展等。就业人数反映就业率，而就业率是衡量社会经济发展的最重要指标，所以，选取就业人数作为研究对象，将其作为模型的因变量。基于人们出行对经济影响的分析，选取纽约市总的汽车出行量、公交车出行量、及中心城区骑行量作为自变量，样本数据的范围是1993—2010年，所做的预测结果与2011—2015年实际值进行对比，各指标情况如下。

Y4：纽约市雇员数量(千人)；X3：纽约市总的汽车出行量(千辆/日)；X4：纽约市总的公共交通工具出行量(千辆/日)；Y3：进入中心城区的骑行量(千次/日)。

(二)利用Granger因果关系检验确定影响显著的自变量

前面对各变量经济联系的分析仅仅是一个合理假设，在实证分析之前还需要检验它们的统计意义，通过统计检验的变量才可以用之进行定量分析。这里采用Granger因果关系检验寻找可以解释因变量变动的自变量[9]75-78。

采用Augmented Dicky-Fuller (ADF检验模型)检验各变量的平稳性。

表4 各变量单位根检验表

变量序列检验类型滞后阶数ADF统计量P值结论YC、L1-3.0270.155非平稳DYN0-2.2400.028平稳X3C0-2.2380.201非平稳DX3N0-2.4550.018平稳X4C1-1.3960.558非平稳DX4C、L3-4.3370.023平稳X5C、L0-0.0290.992非平稳DX5N0-2.3010.025平稳

注：根据SCI准则判断最优滞后阶数；C表示截距项，L为趋势项，N表示无截距无趋势。

由表4检验结果显示，各变量均是一阶平稳，所以差分序列与原数列的因果关系是等价的，可以用差分序列来做Granger因果关系检验，直接推及原序列间的关系[10]1166-1174。最后的实验结果如表5。

表5 Granger因果关系检验结果

原假设观测值个数P值结果X3不是Y4的格兰杰原因Y4不是X3的格兰杰原因160.00拒绝0.22接受X4不是Y4的格兰杰原因Y4不是X4的格兰杰原因120.05拒绝0.02拒绝Y3不是Y4的格兰杰原因Y4不是Y3的格兰杰原因160.02拒绝0.52接受

由表5可见，三个自变量均是因变量的格兰杰原因，可以进一步建立回归方程。

(三)利用回归分析研究各度量对雇员人数的影响

经过一系列对多重共线性、自相关等问题的处理，所得回归方程如下。

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

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

(1)

对回归的误差项进行协整性检验：

表6 协整性检验结果

变量序列检验类型滞后阶数ADF统计量P值结论误差项N1-2.100.038平稳

如表6所示，式(1)的随机误差项是平稳序列，表示式(1)有着长期稳定的关系，可以预测未来一段时期雇员变动状况。根据式(1)预测2011年—2015年在没有共享单车的情况下雇员人数本应该的变化情况，与实际值进行对比作图6如下。

图6 雇员人数对比图

图6显示，在2011年开始，在有共享单车的情况下纽约市雇员人数显著增长，涨幅远超原来的预期，这表明共享单车工程为社会经济发展做出了突出贡献。到2015年末，纽约市实际雇员人数达到4225千人，原预期只有3739.62千人，实际增长超过预期13%。

四、“汽油—毒气减排模型”的环境影响

(一)研究思路

共享单车通过减少交通中汽油使用来减少有害气体排放，有利于资源节省和环境优化，它是通过两种途径实现的：第一，共享单车通过增加骑行减少机动车开行，直接减少汽油消耗，减少的汽油量可以通过骑行的里程折算[11]59-61；第二，共享单车改变了人们出行意愿，使得人们减少开私家车而增加乘坐公共交通工具，对社会整体来说，公共交通工具相比开私家车更少的消耗汽油，从而减少有害物质产生，这是共享单车对汽油减少的间接影响，也是主要的作用途径[12]3496-3502[13]117-123。

为了方便叙述，对模型中用到的符号加以说明：β：家庭轿车行驶1英里的平均耗油量(单位：L)；m1：共享单车带来的骑行里程增加(单位：英里/日)；m2：共享单车带来的汽车行驶里程减少(单位：英里/日)；L1：一次骑行出行的平均英里(单位：英里)；L2：一辆汽车一次出行的平均英里(单位：英里)；w1：共享单车带来骑行次数增加(单位：千次/日)；w2：共享单车带来的汽车使用次数减少(单位：千辆/日)；Q：共享单车工程减少的汽油消耗总量(单位：L/日)。

(二)“汽油—毒气减排模型”建立与求解

经过上述分析，得出如下公式：

查阅相关资料得知：汽车发动机每燃烧1升汽油，要消耗15升新鲜空气，同时排出150～200ml的一氧化碳(CO)、4～8毫升的碳氢化合物、4～20毫升的氧化氮等污染物。我们这里取产生污染物范围的中值，即消耗一升汽油，会产生175ml CO、6ml hydrocarbon、12ml NO[12]3496-3502， 带入公式，各种污染物的排放量为：

(2)

(2)式就是我们所求的骑行—汽油—环境影响模型。利用纽约移动公报“Citi Bike & Taxis in Midtown”中的数据，求解出β=0.132，L1=0.959，L2=0.834，结合出行方式选择模型的求解结果，计算出汽油消耗减少量如表7。

将表7结果带入公式(2)，可得共享单车工程近5年来对环境污染物减少的贡献情况，结果汇总如表8。

表7 汽油减少量求解表

年份w1m1w2m2Q(单位: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 共享单车对环境的贡献情况(单位：L)

年份COCHNO2011340111623320123152108216201341071402812014517717735520157496257514

由表8可见，至2015年共享单车工程减少纽约市CO排放量7496 L，CH排放量257 L，NO排放量514 L，且这种良好的趋势逐年增强。

五、结论及建议

(一)结论

首先，利用BP神经网络对出行方式进行预测，描述假设不存在共享单车系统人们的出行结构，与实际情况对比得出结论：共享单车减少了人们选择汽车出行的意愿，增加了乘坐公共交通工具的意愿，骑行数量有巨大上升，所得结论符合人们的预期。其中，实际的汽车出行比预期值减少9.4%，公共交通系统增加17.2%，骑行数量更是超过预期120%，出行结构的改变，即少汽车多公交的出行方式，显然会减轻交通拥挤，提高道路通畅度[14]21-25。

其次，通过Granger因果关系检验确定影响雇员数量变动的几个变量，对此做回归分析，定量描述他们对雇员数量的影响，结果表明：实际雇员数量比理论预期多出13%，共享单车系统对社会经济起到了促进作用[15]29-34。

最后，基于出行方式对空气环境影响途径的分析，将汽油作为中间变量，解出共享单车减少CO、CH、NO各7496 L、257 L、514 L，并且这种作用逐年加强。

(二)建议

基于以上分析，为企业或政府提出以下两点建议。

首先，共享单车行业极具外部效应，政府应加大对该行业优质公司的扶持，使其更好服务于城市居民及社会各行各业[16]29-33。

其次，共享单车能够显著提高公共交通的使用率，共享单车与公共交通配合将成为该行业的成长点，所以共享单车公司要注重公交车站、地铁站处的单车调度工作，避免需求地无供应、供应处无需求的浪费现象，提高服务质量，稳定客户需求[17]25-28。