拼车对环境有好处吗?基于美国城市卫星数据与调查数据的证据
《Journal of Urban Economics》:Is ride-sharing good for environment? Evidence from combining satellite and survey data on U.S. cities
【字体:
大
中
小
】
时间:2026年07月09日
来源:Journal of Urban Economics 4.0
编辑推荐:
小西良文|小野明摘要我们估算了网约车进入市场对交通相关空气污染的因果效应,同时厘清了其通过美国城市中通勤方式变化所产生的中介效应。为此,我们采用了两种实证方法。首先,在主要结果回归分析中,我们利用基于卫星的详细NO2浓度数据以及新构建的基于谷歌趋势的网约车存在度指标,并采用分阶段
小西良文|小野明摘要我们估算了网约车进入市场对交通相关空气污染的因果效应,同时厘清了其通过美国城市中通勤方式变化所产生的中介效应。为此,我们采用了两种实证方法。首先,在主要结果回归分析中,我们利用基于卫星的详细NO2浓度数据以及新构建的基于谷歌趋势的网约车存在度指标,并采用分阶段差异差异设计。其次,为探究其中介机制,我们使用家庭层面的通勤方式数据开展两项辅助回归:一是网约车进入与通勤方式的关系,二是通勤方式与环境NO2浓度之间的关系。对于后者的识别,我们结合地理因素指标与排除一个地区的Uber正式进入后的区域平均暴露程度来构建工具变量。我们发现了有力的证据表明:(i)在人口高度密集的城市中,网约车有助于改善空气质量,而在低密度到中等密度的城市中则没有显著影响;(ii)这种空气质量改善确实是通过通勤方式选择的相应变化而实现的。我们的研究结果为“网约车的环境影响取决于其与公共交通的互补性”这一假设提供了强有力的实证支持。
引言在过去十年中,Uber、Lyft等网约车服务迅速发展,为全球众多城市的交通领域带来了创新。经济学家们试图量化这一交通创新带来的各种经济收益:消费者从Uber的拥堵收费中获得的收益(Cohen等人,2016年;Castillo,2025年),以及从信息不对称减少中获得的收益(Liu等人,2021年);司机则从Uber的补偿机制以及灵活的工作方式中获得收益(Angrist等人,2021年;M.Keith Chen等人,2019年)。经济学家们还反驳了一些针对这些网约车公司的批评观点,发现Uber的进入增加了公共交通的乘客量(Hall等人,2018年),减少了酒后驾车、致命事故以及因袭击和扰乱秩序而被捕的情况(Dills和Mulholland,2018年;Anderson和Davis,2026年),并且虽然使出租车司机的相对收入减少了约10%,但对他们的劳动供给并没有显著影响(Berger等人,2018年)。然而,与这些经济利益相比,越来越多的研究开始记录网约车服务带来的负面环境影响(Diao等人,2021年;Erhardt等人,2019年;Kong等人,2020年;Rayle等人,2016年;Tarduno,2021年;Krishnamurthy和Ngo,2024年)。本文旨在明确并实证探讨文献中一个重要但尚未解决的问题:网约车对环境究竟是利还是弊?已有大量证据表明,网约车增加了道路和高速公路的拥堵,尤其是在城市地区(Erhardt等人,2019年;Tarduno,2021年)。也有可靠的证据表明,这种由拥堵引发的道路状况恶化与空气污染加剧之间存在因果关系(Krishnamurthy和Ngo,2024年)。这类研究被认为证实了网约车可能通过某种行为路径增加道路交通量和空气污染。这一路径在学术界和非学术界都得到了广泛认可。例如,一项工程学研究估计,网约车在完成不同订单之间的“空驶”每趟会额外增加47%的排放量,而替代本可由公共交通或其他低排放出行方式承担的里程则会使每趟排放量增加69%(忧思科学家联盟,2020年)。然而,仅仅确定这一路径上的因果关系并不足以回答上述问题,因为令人困惑的是,人们也普遍认为,在许多美国城市,网约车进入市场后,整体空气质量反而有所改善,而非恶化(Kim和Sarmiento,2021年;Konishi,2024年)。Krishnamurthy和Ngo(2024年)也记录了这一现象。他们发现,在加利福尼亚州,Uber进入市场后,那些“平均县”的工作日高速公路交通流量和PM2.5浓度有所下降,尽管在人口密集的县,高峰时段的交通流量和PM2.5浓度却有所上升。如果这些发现属实,那就意味着一定存在另一种相反的路径,使得网约车能够减少道路交通量和空气污染。Hall等人(2018年)提供了一个重要的实证发现,似乎为这种替代路径提供了线索:即网约车进入市场往往会增加人们对公共交通的互补性使用,尤其是在美国的大城市中。实际上,我们可以很容易地构建出一个单中心城市的数值示例,说明在該城市中,网约车的综合使用可能会减少整体的道路交通量和空气污染,但同时又会增加城市核心区域的这两项指标(具体示例见附录B)。问题在于,这种替代路径在现实中是否真的存在,如果存在,其在平均进入城市的程度上是否足以抵消前者路径的影响。本文的目标就是探讨这个问题,通过实证方法厘清后者路径上的因果关系链条,即网约车进入市场、通勤模式与整体空气污染之间的关系。为此,我们分两步进行。第一步是利用时间上和城市间的差异,采用分阶段差异差异设计,可靠地估算网约车对环境空气质量的因果效应。我们的基本实证策略是,使用2010年至2018年这9年间348个都市区每月的空气污染数据,进行双向固定效应回归分析。这样做的目的是以更可靠且更符合我们目标的方式复制Kim和Sarmiento(2021年)的研究成果。这一步骤的实证策略与以往的研究类似(Berger等人,2018年;Hall等人,2018年;Li等人,2021年;Ward等人,2019年;Kim和Sarmiento,2021年),但我们采取了几种新的方法来加强所需估计量的识别度。首先,我们利用Google上Uber和Lyft的关键词搜索趋势,构建了一个衡量网约车进入某个都市区的新指标(为简洁起见,我们将其称为“实际进入指标”)。这一指标的覆盖范围比Uber的官方发布数据更广,更能反映当地实际存在的、具有行为意义的网约车服务情况,同时也有助于避免错误地反驳批评者的观点。我们在第2节“背景与事实依据”和第3节“数据”中进一步阐述了这些观点。其次,我们使用基于卫星的二氧化氮浓度数据,以提高对网约车对交通相关空气污染影响的识别能力。我们之所以不使用美国环境保护署的监测数据,是因为存在多种原因。监测站点在空间分布上不均匀,不一定位于污染严重的地区(Fowlie等人,2019年),而且还会随时间发生变化,这使得难以持续一致地比较数据。此外,可能存在“未被监测的污染问题”,即地方政府可能有动机战略性地选择监测站点的位置,或避免记录污染严重的时段(Zou,2021年;Grainger和Schreiber,2019年)。使用基于卫星的NO2数据有助于我们避免这些问题,从而能够持续且一致地在不同城市间跟踪交通相关的空气污染情况。第三,我们使用都市区层面的人口密度作为衡量交通相关行为变化中不可观测趋势的充分统计量,然后应用de Chaisemartin-D’Haultfoeulle(dCDH,2020年;2024年)估计器,按人口密度四分位数对各个子样本的都市区进行异质性动态处理效应估算。这样做可以避免由于处理效应的异质性或网约车进入城市的时间恰好与居民交通行为预期发生变化的时间重合而导致的偏差。我们的第二步是利用美国社区调查中的家庭层面数据,可靠地估算通勤方式变化对环境空气污染的中介效应(在中介分析文献中,这也被称为“因果中介效应”或“间接效应”(Imai等人,2010a年;Imai等人,2010b年;Huber,2019年))。由于调查数据仅为年度数据,我们无法基于实际进入时间进行精确的识别,因此转而利用家庭层面和公共使用微观数据区域层面的城市内部及城市间差异,仅使用2012年和2016年的数据。这两年非常适合用作对照期和处理期,因为在2012年时,我们的样本中网约车服务还不太突出,而到了2016年,它几乎在所有进入市场的城市中都已变得具有行为意义。估算网约车进入市场对通勤方式的影响相对简单——我们利用都市区层面的处理-对照结构,对年度家庭层面通勤方式指标与实际进入时间进行双向固定效应-差异差异回归分析。另一方面,估算通勤方式对环境空气质量的中介效应则颇具挑战性,因为我们需要找到与网约车进入无关、且不会直接影响环境空气质量的通勤方式变化的外生变量(Fr?lich和Huber,2017年;Huber,2019年)。为了构建这样的工具变量,我们结合了Uber的官方进入数据以及实证经济地理学文献中广泛使用的基于地理因素的工具变量(Baum-Snow,2007年;Duranton和Turner,2011年;Duranton和Turner,2012年;Faber,2014年;Redding和Turner,2015年),采用Bartik的转移份额设计思路。具体而言,我们利用Uber的官方进入日期,构建了一个排除一个地区的区域平均暴露时长指标,该指标能够反映整个区域的网约车服务普及情况,同时排除该城市自身的贡献。我们将这一时间因素与基于地理因素的工具变量相结合,同时调整每个公共使用微观数据区域的规模。从直觉上讲,这样的工具变量能够在公共使用微观数据区域层面创建出与假设的交通网络结构相对应的反事实暴露时长,从而预测通勤方式变化的时间和地点,同时不会过于受实际城市层面网约车渗透程度的限制。通过这些实证方法,我们得到了与上述步骤相对应的两组结果。首先,我们发现了有力的证据表明,在人口密度较高的都市区,网约车进入市场往往会降低环境NO2浓度(无论是月平均值还是最高值)。人口密度最高的都市区四分位数的估计值始终为负,标准误差相对较小,使用月平均值时估计值在?0.032对数点至?0.044对数点之间,使用月最高值时则在?0.049对数点至?0.059对数点之间。假设基于卫星的数据与环保署的监测数据之间存在线性关系,这些影响大致相当于使月平均NO2浓度降低0.50–0.69 ppb,月最高值浓度降低4.63–5.57 ppb。与使用郊区或非城市区域边界相比,使用城市区域边界得出的估计值略高;与使用月平均值相比,使用月最高值得出的估计值也更高。这表明网约车有助于降低大型都市区的高污染水平。我们还发现,网约车进入市场对人口密度较低和中等水平的都市区的环境NO2浓度没有显著影响。我们还使用dCDH估计器进行的动态处理效应事件研究也证实了这些发现。该事件研究表明,网约车仅对人口密度最高的都市区四分位数能降低环境NO2浓度,而且其影响程度会随着时间逐渐增加,不过由于样本量较小,估计值不够精确。对于其他密度四分位数,我们没有观察到网约车影响的明显迹象。其次,我们找到了证据,表明网约车对空气质量的影响至少部分源于其通过改变通勤模式所产生的中介效应。总体而言,网约车进入市场预计会使私人汽车通勤上班的概率降低0.84个百分点,而使公共交通通勤的概率增加0.16个百分点。在人口密度最高的都市区,这种影响最为显著,因为在这些地区,网约车进入市场被认为能降低NO2浓度。更重要的是,我们的工具变量估计结果显示,汽车通勤者所占比例每增加1个单位,NO2浓度就会上升0.013对数点(约1.3%),而公共交通通勤者所占比例的增加则会使NO2浓度下降0.007对数点(约0.7%)。从经济规模的角度来看,这些工具变量估计结果表明,如果在普通社区中还有1%的家庭将通勤方式从私人汽车改为公共交通,那么月平均NO2浓度将下降约0.30%。此外,我们还将这些估计值结合起来,计算出因果中介分析所暗示的网约车对空气质量影响的间接估计值。研究结果表明,通过因果中介分析得出的估计值在大小和方向上与打车服务进入对环境空气污染影响的直接估计值高度一致,不过预测的影响程度会因人口密度而存在显著差异。综合来看,我们可以确定打车服务进入、通勤方式变化与环境空气质量之间确实存在因果关系链。我们的研究补充了多个活跃的研究领域:(a)那些估算打车服务对各种经济成果的因果影响的实证研究(Anderson和Davis,2026;Angrist等人,2021;Berger等人,2018;M.Keith Chen等人,2019;Cohen等人,2016;Dills和Mulholland,2018;Hall等人,2018;Tarduno,2021;Krishnamurthy和Ngo,2024;Liu等人,2021);(b)大量研究公共交通基础设施在缓解污染或拥堵方面的作用的文献(Chen和Whalley,2012;Li等人,2019;Gendron-Carrier等人,2022;Gu等人,2021),以及Anas和Lindsey(2011)中引用的其他论文;(c)从结构角度研究打车服务进入出租车行业对总体均衡影响的经济学研究(Buchholz,2022;Fréchette等人,2019;Hall等人,2020;Rosaia,2025)。在这些研究中,我们的工作与Krishnamurthy和Ngo,2024;Kim和Sarmiento,2021以及Tarduno(2021)的研究最为相关。Krishnamurthy和Ngo(2024)利用加州的每小时高速公路交通数据和每日空气污染数据,借助县级层面打车服务逐步推广这一特点,采用了差分设计。Kim和Sarmiento(2021)采用了与我们类似的实证设计,运用Callaway-Sant’Anna估计方法,发现Uber的进入有助于改善空气质量(以空气质量指数和地面臭氧水平作为衡量标准),尤其是在夏季这种空气质量较差的时期。需要强调的是,虽然我们的研究结果与他们的相符,但我们的工作在研究范围、目标以及实证策略的设计和实施方面都有本质区别。具体而言,我们探讨了打车服务可能通过另一种行为路径来减少道路交通和空气污染,并找到了支持打车服务进入、通勤模式变化与整体空气污染减少之间存在因果关系的有力证据。有一些研究也探讨过这一路径,但没有像我们这样正式进行因果中介分析(关于打车服务环境影响的更多文献综述可见附录A)。最后,Tarduno(2021)利用2016年德克萨斯州奥斯汀市要求对司机进行指纹识别后Uber和Lyft突然退出市场的现象,来估算打车服务退出对交通的影响。他发现,打车服务退出使得交通拥堵——以车速作为衡量标准——平均减少了约2.3%,但这种影响在不同地区存在差异:城市外围地区的拥堵有所增加,而城市内部地区则有所减轻。这类差异化的拥堵效应对整体城市空气污染的影响尚不明确,其背后的空间差异原因也是如此。我们的论文提出了一个概念框架,用于解释导致这些差异化反应的机制,同时运用描述性分析和因果中介分析,为这一机制所具备的污染缓解作用提供了证据。
背景与研究动因
Uber Technologies Inc.(简称“Uber”)最初是一家开发智能手机应用程序的公司,旨在让打车服务变得像“点击按钮”那样简单。Uber于2010年7月在旧金山推出了首个打车服务,2011年5月在纽约推出。在初期阶段,Uber主要运营高端豪华轿车(“黑车”)的打车服务,后来又推出了价格更为亲民的UberX服务。UberX于2013年1月首次在旧金山推出,很快便……
为实现研究目标,我们进行了三种类型的回归分析:(1)空气质量与打车服务的关联;(2)通勤方式与打车服务的关联;(3)空气质量与通勤方式的关联。我们的研究样本涵盖了348个美国大都市统计区,这些区域的划分依据是2010年的人口普查数据,但不同回归分析所采用的聚合层级有所不同,以便充分利用所有可用的数据变化。对于第(1)种分析,我们使用大都市统计区层面的月度面板数据;对于第(2)种分析,使用家庭层面的年度面板数据;而对于第(3)种分析,则使用年度……
我们的实证策略采用了分层差分设计,这一设计理念借鉴了先前的多项实证研究(Berger等人,2018;Hall等人,2018;Li等人,2021)。在所有分析中,我们都以大都市统计区作为研究单位。我们的研究时间跨度为2010年至2018年,所有年份的数据都基于2009年的核心基础统计区边界。这样的时间范围和数据划分确保了每个被研究的统计区在其前后都有足够的先行数据和滞后数据可供分析。
目前,我们的研究结果与第2节(及附录B)中阐述的行为路径是一致的。但我们尚未能够确证确实存在如此路径上的因果关系链。首先,我们依据Imai等人2010a、2010b,Huber,2019以及VanderWeele(2016)提出的因果中介分析的潜在结果框架,明确我们的实证研究对象。设Y代表全市的空气质量,D代表打车服务在市场上的渗透程度。
结论
空气污染和交通拥堵是全球城市面临的两大问题。关于Uber和Lyft这类打车服务究竟是会加剧还是缓解空气污染和交通拥堵,目前还存在争议。这一争议引出了几个重要问题:(i)打车服务是否会导致通勤者改变出行方式?(ii)这种行为变化是否足以影响城市的空气质量?(iii)这种行为变化是会加剧还是缓解空气污染?
作者贡献说明
Yoshifumi Konishi:文章撰写与编辑、原始稿撰写、结果验证、研究监督、项目管理、方法设计、数据收集、资金筹措、正式分析、数据整理、概念构建。Akari Ono:文章撰写与编辑、数据可视化、结果验证、数据整理。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号