公众对电力来源清洁化的支付意愿

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

刘晓^,, 徐建华^,北京大学环境科学与工程学院,北京 100871

Public willingness to pay for cleaner power sources

LIU Xiao^,, XU Jianhua^,College of Environmental Sciences and Engineering, Peking University, Beijing 100871, China

通讯作者: 徐建华,女,内蒙古乌兰察布人,博士,副教授,研究方向为环境政策与管理、风险规制与治理。Email: jianhua.xu@pku.edu.cn

收稿日期:2019-12-17修回日期:2020-04-15网络出版日期:2020-12-25

基金资助:

国家重点研发计划项目.2016YFC0207705

Received:2019-12-17Revised:2020-04-15Online:2020-12-25
作者简介 About authors
刘晓,女,山东潍坊人,硕士研究生,研究方向为资源与环境经济学、环境政策与管理。Email: shawliu@pku.edu.cn

摘要
电力来源清洁化对于中国的环境保护和能源安全有重要意义。了解公众对电力来源清洁化的偏好及支付意愿可为政府制定能源改革政策提供支撑。本文采用离散选择实验法研究了公众对电力来源清洁化的偏好和支付意愿,分析了电力来源结构、环境影响（CO₂、SO₂排放量）、电价等属性对偏好的影响以及不同特征个体间偏好的差异。基于在中国10个主要城市收集到的1008份有效问卷,本文运用Mixed Logit模型和Latent Class模型分析了数据。结果发现：①公众对电力来源的偏好存在地域差异;②电力来源带来的环境影响以及电价的增加均与公众对电力清洁化偏好程度呈负相关;③不同特征的个体对电力来源的偏好也不同,年龄越大、收入越高、居住地越靠近城市和越重视环保的受访者,越偏好清洁的电力来源;④公众愿意为SO₂或CO₂排放量降低30%的清洁电力多支付31%的电价,公众的环保态度对该支付意愿的影响（差异为26%左右）大于社会经济特征（如年龄）对支付意愿的影响（差异为15%左右）。基于此,本文建议在各地采用精细化的政策促进电力来源清洁化,以及增强公众的环保意识,尤其是低收入群体、年轻群体和乡村群体,从而提高公众对清洁可再生能源的接受度和支付意愿。
关键词： 电力来源结构;环境影响;公众选择偏好;离散选择实验;异质性;支付意愿;潜在分类模型

Abstract

Switching to cleaner power sources is important for China’s environmental protection and energy security. Understanding public preference for power sources and willingness to pay for cleaner power sources can provide information for the government to develop energy policies. This study used a discrete choice experiment to explore public preference and willingness to pay for cleaner power sources, analyzed the influence of attributes such as power source structure, associated environmental impacts (carbon dioxide and sulfur dioxide emissions) and electricity price change on preference, and characterized preference heterogeneities among different demographic and socioeconomic groups. A total of 1008 valid responses was collected in 10 selected cities, and mixed logit models and latent class models were used to analyze the data. The following results are obtained. (1) The public in different regions have different preferences for power sources. (2) Environmental impacts associated with the power sources and increase in electricity prices are negatively associated with public preference for cleaner power sources. (3) Preferences for power sources are different among different groups of people. Those who are older, with higher income, living closer to the city, and with pro-environmental attitudes prefer cleaner power sources. (4) The public is willing to pay 31% more for cleaner power sources that reduce sulfur dioxide or carbon dioxide emissions by 30%. The impact of public environmental attitude on the willingness to pay (the difference is about 26%) is greater than socioeconomic characteristics such as age (the difference is about 15%). Based on these findings, we suggest that precise policies be designed across regions, and efforts be put on raising public environmental awareness, especially for those with lower income, are younger, and live in rural areas, to improve public acceptance of and willingness to pay for renewable energy.

Keywords：power source structure;environmental impact;public preference;discrete choice experiment;heterogeneity;willingness to pay;latent class model

PDF (4009KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
刘晓, 徐建华. 公众对电力来源清洁化的支付意愿. 资源科学[J], 2020, 42(12): 2328-2340 doi:10.18402/resci.2020.12.06
LIU Xiao, XU Jianhua. Public willingness to pay for cleaner power sources. RESOURCES SCIENCE[J], 2020, 42(12): 2328-2340 doi:10.18402/resci.2020.12.06

1 引言

中国的能源消费以化石燃料为主,化石燃料不可再生,其燃烧过程会排放温室气体和大气污染物。为保证能源安全以及解决环境问题,中国制定了逐步降低煤炭消费比重、增加可再生能源和核电消费比重的目标^[1]。电力行业是化石能源的主要消费者,2016年,中国发电消耗的煤炭占煤炭消费总量的42%（以标准煤计）。电力行业是温室气体和大气污染物的主要排放行业,2017年,该行业CO₂和SO₂排放量分别占全国排放总量的41%和14%^[2,3]。电力来源的清洁化对解决中国环境问题具有重要意义。

推动电力来源清洁化的主要措施为发电来源与工艺过程清洁化。中国针对可再生能源和清洁化工艺制定和实施了各种经济激励政策^[4],这些政策对于推动中国电力来源清洁化起了重要作用^[5]。但是,发展清洁可再生能源和使用清洁化工艺带来了巨大的补贴需求和财政压力。据财政部估算,至2016年底,可再生能源补贴累计存在约520亿元资金缺口^[6],脱硫等清洁煤电电价补贴已累计发放9196亿元^[7]。为了使清洁的电力来源得到持续发展,最终还需要通过价格反映清洁电力减少污染排放的外部效益。

在电力行业,改革的重点之一是推进电价改革。各地在推进电力用户与发电企业之间的电力直接交易,其中参与电力交易的用户多为工商业企业,参与电力交易的供给方是发电企业的上网电量。没有参与直接交易和竞价交易的上网电量,以及居民、农业、重要公用事业和公益性服务等用电,继续执行政府定价^[8],本文关注的对象为居民用电。如果政府想要调整清洁电力来源的定价,需要考虑居民对电力来源清洁化的支付意愿。由于政府对电价的补贴分为可再生能源电价补贴与污染物排放量削减后的清洁煤电电价补贴,因此通过调整用电价格减缓补贴压力时,应考虑公众对二者的偏好及支付意愿,从而协调发展能源改革及传统能源清洁化战略。从公众的角度,已有研究显示,公众普遍对可再生能源发电及污染物减排有着较强的支付意愿^[9]。因此,考虑公众对电力来源清洁化的支付意愿,有助于政府设计更有效的综合减排措施并确定最佳定价策略。

针对中国公众对电力来源的偏好及支付意愿的研究,本文进行了系统检索,发现已发表的相关研究较少,并且尚未发现量化偏好异质性程度的研究。本文利用离散选择实验法,研究中国主要城市的公众对电力来源清洁化的支付意愿,包括对电力来源组合及环境影响的支付意愿,并将个体特征差异产生的公众偏好异质性程度,通过支付意愿的差异量化体现,从而为改进能源改革政策提供建议。

2 文献综述

已有文献关于电力来源偏好的研究较少,本文将文献检索范围扩大到整个能源领域的选择偏好研究,梳理了关于电力来源偏好的研究成果,分析了能源领域中个体特征对选择偏好的影响。

2.1 关于电力来源偏好的研究

国内已有关于电力来源偏好的研究较少,主要分析其他国家公众对电力来源的偏好。比如Bergmann等^[10]分析了苏格兰乡村公众对不同新能源项目的偏好,并检验了项目对景观、生物多样性和空气质量的影响、带来的新增工作岗位数以及需要支付的电费变化等属性变量对偏好的影响。Ediger等^[11]分析了土耳其居民的家庭能源消费情况以及对电力来源的偏好,并检验了用电价格、发电产生的环境问题等属性对偏好的影响。Firestone等^[12]研究了美国居住在发电站附近的公众对电力来源项目的偏好,并检验了家与发电站的距离等属性对偏好的影响。这些研究的关注重点是属性之间的权衡,并没有关注具体建设怎样的新能源项目以及怎样的发电情景。Greenberg^[13]研究了美国公众对火电、水电、风电等不同电力来源种类的偏好,但没有研究电力来源属性对偏好的影响,只分析了不同种族、年龄等群体之间偏好的差异。Sergi等^[14]重点检验了长期和短期暴露在空气污染下的公众对电力排放污染物的削减偏好,集中分析了公众对电力的环境属性偏好,没有识别能源偏好。本文从实际出发,考虑中国主要的电力来源种类及比例,分析公众对清洁的电力来源结构及环境影响的偏好、支付意愿及影响因素,为政府制定能源改革政策和改善环境提供支撑。

2.2 个体特征对选择偏好和支付意愿的影响

公众的选择偏好除了受所选事物的属性影响外,也受自身特征的影响。这种源于个体的人口统计学以及社会经济特征等差异,被称为个体的异质性^[15]。分析促使偏好出现异质性的个体特征变量可揭示偏好对应的人群特征,便于识别目标群体,进而制定有针对性的政策。

在能源领域关于选择偏好的研究中,研究者对受教育程度^[16]、年龄^[13,16,17]、环境意识^[17,18]、收入^[19,20]等个体特征对偏好的影响进行了分析,发现不同特征的群体有着不同的偏好。如,Achtnicht^[21]发现高学历的受访者偏好采用隔热系统进行房屋节能改造,而低学历的受访者更偏好直接采用加热系统。Orlov等^[20]发现缺乏资金的家庭对纯电动汽车的偏好更低。有研究发现个体特征差异与偏好差异的相关性。近来Hammit等^[22]利用这种相关性,通过控制个体特征变量,检验公众对降低死亡率的支付意愿是否符合一致性。Sergi等^[14]分析了地区特征变量对电力支付意愿的影响,如居住在空气质量差的城市的公众比居住在空气质量较好的城市的公众愿意多支付30%的电价,但是没有量化分析个体特征变量对电力来源偏好的影响。

个体间偏好的差异可由不同特征的个体对不同属性的支付意愿来体现,本文量化分析不同特征的群体对电力的环境属性的支付意愿差异,以更清晰地揭示个体特征对偏好的影响。本文除设置个体人口统计学变量、社会经济变量和认知态度变量之外,还对比分析了不同地区公众的偏好。

3 数据与方法

本文使用离散选择实验法解析公众对电力来源的偏好。离散选择实验法能够从每个受访者获取更多的信息,计算物品属性的经济价值,并且可以对福利进行一致性估计,成本低,也更具灵活性^[23,24]。因此,问卷设计的核心为选择实验。在数据收集方面,研究尽可能抽取符合实际的样本。数据分析方面,本文运用Mixed Logit模型^{[16,21,25,26]}分析公众对电力来源的偏好及其异质性的影响因素,运用Latent Class模型^{[15,18,26,27]}对不同地区的人群进行分类,直观地显示电力来源偏好与群体特征的关系。

3.1 问卷设计

电力来源选择实验是问卷的核心。在设计选择实验时,考虑到补贴电力来源清洁化中与公众效用相关的属性有价格、能源种类及环境影响,本文设置的属性变量有电力来源结构、价格的变化和对环境的影响（大气污染物排放变化和温室气体排放变化）。每个属性有多种水平,具体设置如表1。

Table 1
表1
表1属性及水平
Table 1Attributes and scenarios of change

属性	水平
电力来源组合	（基准-火电）/水电/核电/风电和太阳能发电/ 均衡电力
气候变化相关物质的排放（CO₂）	+70% / +30% / 相比现状不变 / -30% / -70%
会影响健康的物质的排放（SO₂）	+70% / +30% / 相比现状不变 / -30% / -70%
电价	+20% / +10% / 相比现状不变 / -10% / -20%

新窗口打开|下载CSV

每个省市的电力来源组合基准值参考该省2014年实际电力来源结构而设,比如在北京市发放的问卷中,将2014年北京市电力来源结构设为基准值,即火电占比97%。属性水平依据国家或联合国相关机构提出的发展情况或目标而定。电力来源占比的调整幅度根据《能源发展战略行动计划（2014—2020年）》^[28]提出的2020年非化石能源占一次能源消费比重的目标,设定为15%。以某种来源命名的电力组合（如水电、核电、风电和太阳能发电等）表示：相较于基准值,火电占发电总量的比例降低15%,该来源的电力占比提高15%。这样受访者在进行电力来源比较时,每次只需考虑两种电力来源。“均衡电力”是指火电占比相比基准值减少15%,由水电、核电、风电和太阳能发电3种能源均分,即各提高5%,表示可再生能源均衡发展。污染物排放量和电价的现状均指当地的现实水平。《国家应对气候变化规划（2014—2020年）》^[29]提出2013年已实现全国单位国内生产总值CO₂排放比2005年累计下降近30%,联合国政府间气候变化专门委员会提出在21世纪末实现年度CO₂排放减少70%的目标,据此本文的选择实验的CO₂排放量水平选择以30%和70%作为其减排和增排百分比的下限和上限。SO₂排放水平的设定参照CO₂排放水平的设定。根据表1的属性及其水平,通过Sawtooth软件运用D-efficient设计原理,生成10组随机选择情景。北京市发放问卷的情景示例如图1。

图1

新窗口打开|下载原图ZIP|生成PPT
图1选择情景示例

Figure 1An example of scenarios presented for public choice

问卷共设置了16组选择情景,其中6组为固定组,用于问卷质量控制和检验,10组为随机组,用于选择偏好分析。首先,问卷向受访者介绍了多种电力来源、不同电力来源结构及发电工艺可能带来的温室气体和污染物排放情况,及其对环境和健康造成的不同程度影响。不同电力来源的发电成本不同,电价也不同。同时,问卷介绍了中国目前以煤电为主要电力来源现状以及电力来源多样化的目标。问卷在选择情景前设置示例,讲解选择情景各部分的含义,作出选择前需要综合衡量4个属性在受访者心中的重要程度。选择情景之后,问卷设置了关于人口统计学、社会经济特征信息与认知态度等问题,主要包括年龄、性别、学历、收入、是否有孩子、家庭用电情况、对气候变化和大气污染的认知、是否患有呼吸系统疾病、是否关注空气质量信息、对政府调整能源结构目标的支持度和信任度等。

3.2 数据收集

本文使用判断式抽样方法,在全国范围内选择地理位置与大气环境质量不同的城市,其次在城市内部选择尽量符合实际人口结构的样本。

在城市选择上,根据全年空气质量情况和空气质量波动情况两个指标将2015年全国341个城市划分为高污染、波动大,中等污染、波动较大,和轻污染、波动小3类。本文参考生态环境部环境督查的区域划分,尽可能使样本城市的地理区位覆盖不同区域。在考虑地理区位的基础上,依据空气质量类别选出10个主要城市作为目标城市,具体城市及其各项指标情况见表2。

Table 2
表2
表2所调查城市区位、空气质量情况、样本数
Table 2Location, air quality and samples size of the surveyed cities

城市	区域	污染天数	波动情况	空气质量分类	设定样本量	有效样本量
北京	华北	106(14^th)	71(6^th)	高污染,波动大	100	105
乌鲁木齐	西北	72(33^rd)	59(17^th)	高污染,波动大	100	102
哈尔滨	东北	67(41^st)	73(4^th)	高污染,波动大	100	106
西安	西北	44(72^nd)	38(78^th)	中等污染,波动较大	100	92
成都	西南	43(78^th)	39(72^nd)	中等污染,波动较大	100	102
上海	华东	38(94^th)	34(113^rd)	中等污染,波动较小	100	105
重庆	西南	35(103^rd)	34(117^th)	中等污染,波动较小	100	95
银川	西北	25(139^th)	31(136^th)	轻污染,波动小	100	96
兰州	西北	12(180^th)	21(205^th)	轻污染,波动小	100	107
广州	华南	7(199^th)	20(217^th)	轻污染,波动小	100	98
总计	—	—	—	—	1000	1008

注：括号内的序号表示对应城市在全国341个城市中“污染天数”与“波动情况”由大到小的排名。

新窗口打开|下载CSV

本文于2017年在所选城市调研,实际共得到1661份问卷。调研开展的地点为各城市的商场、公园、景区、广场及居民小区。研究对调查人群的年龄进行分段配额,保证18岁以上各年龄段人群均有覆盖,且50岁以下人群比例略高于50岁以上人群。同时,研究保证每个城市在空气质量优良、轻度-中度污染以及重度污染以上等3种天气下均分样本实施调查。此外,研究要求访员尽可能在同一区域分散抽样,以达到更好的人群覆盖。

本文随后进行问卷的信度检验。研究利用6组“固定”情景选择结果,检验受访者偏好一致性与传递性,同时检验受访者注意力。传递性检验上,本文设计了3个情景,两两组合成3组选择题,检验受访者的选择是否符合偏好的传递性条件,结果显示全国样本总计通过率为98.8%。注意力检验上,受访者选择正确答案的比率高达90%。最后研究得到通过信度检验的1008份问卷（其在各城市的分布见表2）,保障数据能准确地反映公众真实偏好。

3.3 数据分析模型

本文的数据分析模型基于选择实验法确定。选择实验法最早由Louviere等^[30,31]提出,将个人选择的效用表示为：

（1）

U = V + ε

个人选择的效用

U

可以分为反映人群代表性偏好的固定效用

V

和显示个人偏好特质的随机效用

ε

。Louviere等^[31]以Lancaster^[32]的需求理论、福利理论和消费者理论作为离散选择实验法的理论基础,假设每个物品的价值是由本身的多个属性特征决定的,消费者的选择可以表示为以效用最大化为目的时,不同属性水平的组合。从理论出发,本文将所有相关选项的集合设为a。a的附属集用A表示,每个选项用j表示。A的成员用x=(

x_{1}

x_{2}

x_{3}

,…,

x_{k}

)表示,每个成员有k个属性水平。每个选项被估计的规模价值计算方程如下：

（2）

V_{j} = β_{oj} + \sum_{k} β_{kj} \times x_{k}

式中：

V_{j}

表示每个选项j的效用;

β_{kj}

是属性

x_{k}

在选项j估值中的比重;

β_{oj}

是截距项。

解释变量不随方案而变和解释变量随方案而变的两种情况经常同时发生。这种混合情形使用灵活的模型,如Mixed Logit模型^[25]、Latent Class模型^[33]。Mixed Logit模型假设每个受访者的偏好与特征均不同,虽精确但计算较复杂^[34];Latent Class模型则放宽了这一假设,认为群体间有差异而群体内部同质,结果有时更具参考性^[33]。本文结合Mixed Logit模型与Latent Class模型的结果,以获得更全面准确的结论。

受访者选择某一情景的概率是由各类属性的不同水平决定的。

（3）

P_{ij} = \int L_{ij} (β) f (β | θ) d β

（4）

L_{ij} (β) = \frac{e^{V_{ij} (β)}}{\sum_{j = 1}^{J} e^{V_{ij} (β)}}

式中：属性对受访者选择的影响用系数

β

来表示;

V_{ij} (β)

是效用的观测部分;

β

随着人群中决策者变化而变化,形成密度函数

f (β | θ)

;

θ

是密度分布的参数,体现了

β

在不同决策者间的变化情况,即异质性;

j

表示选项;i表示受访者;

L_{ij} (β)

表示多项Logit模型。基于

β

的条件概率对所有可能的

β

积分,产生了选择的Mixed Logit概率

P_{ij}

^[24]。

McFadden等^[25]在构建Mixed Logit模型时主要考虑了两种不可观测异质性的来源：没有被研究者们记录的选项特点和未被模型测量的决定偏好的消费者特征。本文中,公众在没有得到相关信息的情况下,难以对能源结构的其他特点进行衡量,因此未被记录的选项异质性作用可以忽略。Hess等^[15]研究得出个人选择的实际差异来自个体特征,因此本文重点分析消费者特征对公众电力来源选择偏好异质性的影响。

根据以上理论,本文构建了一个基础模型（模型1）和5个分析异质性来源的应用模型（模型2-6）,现举模型1和模型2为例。

模型1：

（5）

\begin{array}{l} U_{ij} (X) = \sum_{i, stru} β_{i, stru} X_{j}^{stru} + β_{i, bill} X_{j}^{bill} + \\ β_{i, S O_{2}} X_{j}^{S O_{2}} + β_{i, C O_{2}} X_{j}^{C O_{2}} + ε_{ij} \end{array}

式中：

U_{ij} (X)

表示受访者

i

选择

j

选项的效用;

\sum_{i, stru} β_{i, stru} X_{j}^{stru}

表示研究的4种类型能源结构给受访者带来的效用;

β_{i, bill} X_{j}^{bill}

表示电价给受访者带来的效用;

β_{i, S O_{2}} X_{j}^{S O_{2}}

表示电力的SO₂排放量给受访者带来的效用;

β_{i, C O_{2}} X_{j}^{C O_{2}}

表示电力的CO₂排放量给受访者带来的效用;

ε_{ij}

是扰动项。在选择情景中,受访者根据4种属性的不同水平,作出效用最大化的选择,因此模型1反映公众对4种属性的偏好如何随属性水平的变化而变化。

模型2：

（6）

\begin{array}{l} U_{ij} (X) = \sum_{i, stru} β_{i, stru} X_{j}^{stru} + β_{i, bill} X_{j}^{bill} + β_{i, S O_{2}} X_{j}^{S O_{2}} + \\ β_{i, C O_{2}} X_{j}^{C O_{2}} + \sum β_{ij} X_{j}^{attribute} X_{i}^{character} + ε_{ij} \end{array}

模型2在模型1的基础上加入个人社会经济特征变量,包括收入、年龄、受教育水平和居民城乡类型。本文将个人特征变量（用

X_{i}^{character}

表示）分别与CO₂、SO₂和电价变量（用

X_{j}^{attribute}

表示）构建交互项并加和。加和项用

\sum β_{ij} X_{j}^{attribute} X_{i}^{character}

表示,反映具备不同个体特征的受访者在进行情景选择时,对电力的环境影响有着不同的偏好,从而识别偏好的异质性来源。以此类推,模型3加入个人对环境保护的认知态度变量,包括对气候变化重要性以及空气污染重要性的认知。模型4加入个人环境行为相关变量,包括是否患有哮喘、是否戴口罩、查看空气质量指数（AQI）的频率。模型5加入个人对政府政策的认知态度变量,包括个人认为空气污染改善情况、对改善能源结构的政策支持度以及政府信任度等。模型6在模型5的基础上将改善能源结构的政策支持度替换为减少碳排放的政策支持度。

Greene等^[33]对Latent Class模型进行了清晰地解释。Latent Class模型可以分为选择模型与分组模型。公式（7）为选择模型：

（7）

P_{ij | t} = \frac{\exp (β_{t}^{'} X_{ij})}{\sum_{j = 1}^{J} \exp (β_{t}^{'} X_{ij})} t = 1, \dots, T

式中：

P_{ij | t}

为个体i在

t

组内选择j选项的概率,组内的条件概率模型由属性变量决定;

β_{t}^{'}

为属性的效用参数向量,与属性变量矩阵

X_{ij}

相对应;

J

为选项集。

公式（8）为分组模型：

（8）

H_{it} = \frac{\exp (z_{i} X_{it}^{character})}{\sum_{t = 1}^{T} \exp (z_{i} X_{it}^{character})}, X_{it}^{character} = 0

式中：

H_{it}

表示个体i被分到j组的概率;个人特征变量

X_{it}^{character}

决定分组概率;

X_{it}^{character}

被标准化为零,用于鉴定其他各组个人特征水平;

z_{i}

是常数项,值为1。两个模型对应相乘再求和得到选择j选项的非条件概率

P_{ij}

：

（9）

P_{ij} = \overset{T}{\sum_{t = 1}} P_{ij | t} H_{it}

Mixed Logit模型与Latent Class模型的系数估计结果可用于计算受访者对某种属性的支付意愿。适用于Mixed Logit模型的支付意愿计算公式：

（10）

WT P_{attribute} = - \frac{β_{attribute}}{β_{bill}}

式中：

WT P_{attribute}

表示公众对某一种属性变量的支付意愿,反映了该种属性变量的单位变动造成的公众愿意支付的金额变化量;

β_{attribute}

是某种属性的系数;

β_{bill}

是电价的系数。研究根据某异质性的不同水平筛选样本,在多个新样本下分别分析模型1,从而量化该个体特征变量对偏好的异质性影响,对比不同异质性水平下的支付意愿。适用于Latent Class模型的支付意愿计算公式如下：

（11）

WT P_{attribute | c} = - \frac{β_{attribute | c}}{β_{bill | c}}

（12）

WT P_{a_weighted} = \overset{2}{\sum_{c = 1}} WT P_{attribute | c} S_{c}

式中：

WT P_{attribute | c}

表示在c组中的人群对某一种属性变量的支付意愿;

WT P_{a_weighted}

表示在该地区中人群对某一种属性变量的支付意愿;

S_{c}

表示地区中

c

组人群占比。

本文应用Stata15和SPSS软件进行数据分析。

4 实证结果

本文使用Mixed Logit模型与Latent Class模型分别分析了全国范围及不同地区的公众对电力来源清洁化的偏好及支付意愿,进而运用Mixed Logit模型分析个体特征变量对偏好的影响方向,以及在个体特征变量的不同水平下,公众对CO₂和SO₂减排的支付意愿,从而得到个体特征变量对环境偏好的影响程度。

4.1 公众对电力来源选择的偏好及其影响因素

公众对电力来源的偏好以及各因素对偏好的影响结果见表3。从模型1的结果可以看出受访者普遍排斥均衡电力来源,而对其他类型的电力来源没有显著的偏好。模型1同时分析了电力来源带来的电价变化和环境影响对公众对电力来源偏好的影响。结果发现,在1%的显著性水平下,电力来源对电价和环境的影响都显著地影响受访者对电力来源的偏好,并且属性水平均与偏好程度负相关。电价水平越低,受访者越偏好选择这种电力来源。环境影响方面,CO₂和SO₂排放量越低,受访者越偏好选择这种电力来源。

Table 3
表3
表3电力来源属性平均值及个体特征对偏好影响的结果
Table 3Impact of the attributes of power sources and individual characteristics on the preference of the respondents

	模型1	模型2	模型3	模型4	模型5	模型6
水电	-0.123	-0.156**	-0.135*	-0.151**	-0.150	-0.070
可再生能源电力	0.030	-0.000	0.010	0.003	0.022	0.017
均衡电力	-0.321***	-0.350***	-0.337***	-0.347***	-0.368***	-0.303***
核电	-0.088	-0.138*	-0.099	-0.105	-0.150	-0.005
电价	-3.668***	-6.270***	-4.645***	-4.154***	-7.597***	-4.065*
SO₂	-4.148***	-4.632***	-2.920***	-3.613***	-2.263***	-2.784***
CO₂	-3.541***	-2.941***	-2.025***	-3.195***	-1.455*	-3.931***
电价-居住地	—	-1.404**	—	—	—	—
电价-收入	—	0.232**	—	—	—	—
CO₂-居住地	—	0.094	—	—	—	—
CO₂-收入	—	-0.063	—	—	—	—
SO₂-居住地	—	0.384*	—	—	—	—
SO₂-收入	—	-0.057	—	—	—	—
电价-年龄	—	0.002	—	—	—	—
CO₂-年龄	—	-0.018**	—	—	—	—
SO₂-年龄	—	0.001	—	—	—	—
电价-学历	—	0.527**	—	—	—	—
CO₂-学历	—	0.070	—	—	—	—
SO₂-学历	—	0.067	—	—	—	—
电价-气候变化重视度	—	—	0.096	—	—	—
CO₂-气候变化重视度	—	—	-0.390***	—	—	—
SO₂-气候变化重视度	—	—	-0.127	—	—	—
电价-大气污染重视度	—	—	0.161	—	—	—
CO₂-大气污染重视度	—	—	0.045	—	—	—
SO₂-大气污染重视度	—	—	-0.159	—	—	—
电价-是否患哮喘	—	—	—	0.647	—	—
CO₂-是否患哮喘	—	—	—	0.038	—	—
SO₂-是否患哮喘	—	—	—	-0.641	—	—
电价-是否戴口罩	—	—	—	0.610**	—	—
CO₂-是否戴口罩	—	—	—	-0.138	—	—
SO₂-是否戴口罩	—	—	—	0.092	—	—
电价-查AQI频率	—	—	—	-0.441***	—	—
CO₂-查AQI频率	—	—	—	-0.004	—	—
SO₂-查AQI频率	—	—	—	-0.009	—
电价-感知空气改善	—	—	—	—	0.239	0.161
CO₂-感知空气改善	—	—	—	—	-0.144	0.141
SO₂-感知空气改善	—	—	—	—	-0.008	0.155
电价-发展可再生能源政策支持度	—	—	—	—	0.361	—
CO₂-发展可再生能源政策支持度	—	—	—	—	-0.290	—
SO₂-发展可再生能源政策支持度	—	—	—	—	-0.316*	—
	模型1	模型2	模型3	模型4	模型5	模型6
电价-对政府信任度	—	—	—	—	0.426	0.606
CO₂-对政府信任度	—	—	—	—	-0.126	0.000
SO₂-对政府信任度	—	—	—	—	-0.116	-0.085
电价-碳减排支持度	—	—	—	—	—	-0.501
CO₂-碳减排支持度	—	—	—	—	—	-0.005
SO₂-碳减排支持度	—	—	—	—	—	-0.354*
标准差	—	—	—	—	—	—
电价	3.228***	2.859***	2.997***	3.132***	-2.997***	-3.407***
SO₂	2.088***	1.995***	1.969***	2.066***	1.849***	2.004***
CO₂	1.861***	1.796***	1.694***	1.814***	1.604***	1.923***
样本量	32256	31424	32224	31968	16384	15680

注：*、**、***分别表示变量在10%、5%和1%水平上显著,下同。

新窗口打开|下载CSV

Mixed Logit模型假设不同个体对电力来源及属性的偏好不同,这由个体特征变量决定,这一假设也更加符合实际选择过程^[26]。在得到公众对电力来源及属性的整体偏好后,本文利用模型2-6分析了个人社会经济特征、环境认知态度和防范环境风险3个方面的个体特征对属性偏好的影响,估计结果如表3所示。由表3可得,电力来源结构变量中除均衡电力来源外,其余均不显著,因此本文在Mixed Logit模型中不考虑个人特征对电力来源结构偏好的影响。

个人社会经济特征方面,居住地越靠近城市、收入越高或学历越高的受访者,对电力的支付意愿越高。居住地越靠近城市的受访者越倾向选择SO₂排放水平低的电力,年龄越大的受访者越倾向选择CO₂排放水平低的电力。在环境认知态度方面,越重视气候变化的受访者,越显著地偏好CO₂排放量低的电力。受访者对能源结构优化政策或减少碳排放政策的支持度越高,越偏好选择SO₂排放量低的电力。防范环境风险方面,查看空气质量指数频率高和污染天气下选择戴口罩的人群有着较高的防范环境风险的意识,对电力的支付意愿也更高。

研究还对Mixed Logit模型的估计结果进行了稳健性检验。Mixed Logit模型5和模型6的区别是分别含有同一意义但不同表述的变量（能源政策支持度）——能源结构优化政策支持度与减少碳排放政策支持度。受访者被随机均分为2组回答二者中一个问题,因此两种样本同质。结果显示,模型5和模型6的显著性结果基本一致,因此估计结果稳健。

4.2 不同地区公众对电力来源选择的偏好差异及其影响因素

得到全样本公众对电力来源的整体偏好后,本文进一步探究地区间公众的电力来源偏好差异。本文整理了10个样本城市的经济、地理与大气环境的信息（表4）。据此,本文使用平方欧氏距离方法对10个样本城市进行系统聚类分析,得到树状图,如图2所示。当距离为15时,10个样本城市被分为3类：第Ⅰ类为北京、哈尔滨;第Ⅱ类为上海、广州、成都、重庆;第Ⅲ类为西安、银川、兰州、乌鲁木齐。本文分别对3类地区进行潜在分类分析,根据一致赤池信息量（CAIC）与贝叶斯信息量（BIC）的最小值确定每类地区在Latent Class模型中拟合度最佳的分组数。由表5可得,各地区的最佳分组数应为2。因此,将每个地区分为1组和2组。

Table 4
表4
表4所调查城市的经济、地理与环境特征信息
Table 4Economic, geographical, and environmental characteristics of the surveyed cities

地区	2016年GDP/亿元	经度/°	纬度/°	环境质量综合指数
北京	25669.13	116.40	39.90	6.75
哈尔滨	6101.61	126.53	45.80	6.28
上海	28178.65	121.47	31.23	4.66
广州	19547.44	113.27	23.13	4.81
重庆	17740.59	106.55	29.57	5.28
成都	12170.23	104.07	30.67	6.37
西安	6257.18	108.93	34.27	8.24
兰州	2264.23	103.82	36.07	6.48
银川	1617.71	106.28	38.47	7.00
乌鲁木齐	2458.98	87.62	43.82	7.56

注：GDP数据来自国家统计局,经纬度数据来自网上公开资料,环境质量综合指数来自2017年上半年全国各省区市空气质量检测报告。

新窗口打开|下载CSV

图2

新窗口打开|下载原图ZIP|生成PPT
图2城市聚类树状图

Figure 2City cluster tree diagram

Table 5
表5
表5各地区不同分组数的拟合度信息
Table 5Fitting degree of different number of groups by city cluster

城市	分组数	对数似然函数	一致赤池信息量	贝叶斯信息量
北京、哈尔滨	2	-398.781	969.062	942.062
北京、哈尔滨	3	-375.909	1037.651	992.651
上海、广州、成都、重庆	2	-824.155	1837.080	1810.080
	3	-799.630	1913.876	1868.876
	4	-768.412	1977.287	1914.287
西安、银川、兰州、乌鲁木齐	2	-449.214	1068.884	1041.884
西安、银川、兰州、乌鲁木齐	3	-424.812	1133.719	1088.719

新窗口打开|下载CSV

表6展示了各地区的分类结果,在1%的显著性水平下3个地区的人群都显著地偏好低电价、CO₂和SO₂排放量低的情景,这也与Mixed Logit模型的结果一致。但3个地区的公众的电力来源偏好不同。Ⅰ类地区的1组与Ⅱ类地区的2组人群都显著地排斥均衡电力,但Ⅱ类地区的1组人群显著地偏好均衡电力,2组人群显著地排斥均衡电力。Ⅰ类地区的2组人群显著地偏好可再生能源,但Ⅲ类地区的2组人群显著地排斥可再生能源。特别地,Ⅱ类地区人群对核电较为排斥。由此可见,各地区人群对电力来源的偏好各有特点,但对电价属性和环境影响属性的偏好一致。

Table 6
表6
表6各地区公众电力来源偏好及个体特征的分组
Table 6Preference on power sources of the public and individual characteristics in different city clusters

变量	Ⅰ类地区		Ⅱ类地区		Ⅲ类地区
变量	1组	2组	1组	2组	1组	2组
属性变量
电价	-4.114***	-2.256***	-1.214***	-6.668***	-5.761***	-3.715***
CO₂	-3.813***	-3.738***	-6.537***	-1.467**	-6.835***	-2.626***
SO₂	-2.422***	-7.240***	-6.846***	-4.299***	-5.601***	-3.305***
水电	-0.389	-0.0781	0.173	-0.433	0.140	-0.272
可再生能源电力	-0.319	0.864**	0.148	-0.088	0.173	-0.513**
均衡电力	-0.839***	0.546	0.166	-1.028***	0.759*	-0.665***
核电	-0.273	0.388	0.300	-0.525*	0.230	-0.454
个人特征向量
收入	-0.514	0	0.213	0	0.893**	0
居住地	-14.830	0	0.464	0	0.270	0
年龄	-0.103*	0	-0.007	0	0.067	0
学历	-0.017	0	-0.400	0	0.505	0
气候变化重视度	-0.193	0	-0.091	0	2.168*	0
大气污染重视度	-0.207	0	0.119	0	1.361**	0
检查AQI频率	1.185**	0	-0.262	0	0.674	0
发展可再生能源政策支持度	-2.708**	0	0.910**	0	-1.814**	0
常数项	28.290	0	-1.908	0	-17.260	0
各组占比	0.426	0.574	0.724	0.276	0.536	0.464

新窗口打开|下载CSV

Latent Class模型同样可以分析偏好异质性。与Mixed Logit模型结果不同的是,本文利用Latent Class模型将不同地区公众的电力来源选择偏好匹配对应的人群特征,得到了个体特征与电力来源偏好的相关性。在个人特征变量部分里,Latent Class模型将2组设为参考组,1组数值的正负则表示相对于2组而言,1组的人群特征数值更大（正）或更小（负）。分类结果特征总结如表7所示。

Table 7
表7
表7各地区公众电力来源偏好及个体特征分组结果总结
Table 7Summary of public preference for power sources and individual characteristics by city cluster

变量		Ⅰ类地区		Ⅱ类地区		Ⅲ类地区
变量		1组	2组	1组	2组	1组	2组
属性变量	电价	低电价	低电价	低电价	低电价	低电价	低电价
	CO₂	减排	减排	减排	减排	减排	减排
	SO₂	减排	减排	减排	减排	减排	减排
	可再生能源电力	—	偏好	—	—	—	反对
	均衡电力	反对	—	—	反对	—	—
	核电	—	—	—	反对	—	—
个人特征变量	收入	—	—	—	—	较高	较低
	年龄	较小	较大	—	—	—	—
	气候变化重视度	—	—	—	—	重要	不重要
	大气污染重视度	—	—	—	—	重要	不重要
	检查AQI频率	频率低	频率高	—	—	—	—
	发展可再生能源政策支持度	较不支持	较支持	较支持	较不支持	较不支持	较支持

新窗口打开|下载CSV

Ⅰ类地区中偏好可再生能源的2组人群,其年龄显著大于排斥均衡电力来源的1组人群,检查空气质量指数的频率更高,对提高可再生能源比例的政策支持度也更高。Ⅱ类地区的分类结果也显示出环保态度与电力来源偏好的相关性,1组人群对提高可再生能源比例政策的支持度,显著高于排斥核电与均衡电力来源的2组人群。另外,1组人群数量远大于2组人群数量,而各地区总人数基本相同,说明Ⅱ类地区人群对能源改革政策的支持率比其余两个地区高。类似地,Ⅲ类地区中偏好均衡电力来源的1组人群,其收入显著高于排斥可再生能源与均衡电力来源的2组人群,对气候变化和空气污染问题的重要性认识程度也更高,但对提高可再生能源比例的政策支持度更低。

与其他两个地区不同的是,Ⅱ类地区公众显著地排斥核电。对此,本文对Ⅱ类地区与其他两个地区在个体特征上作

t

检验,发现Ⅱ类地区公众感知空气污染的严重程度低于其他两个地区,但是Ⅱ类地区公众收入、学历显著高于其他两个地区,更加注重个人防护与健康（污染天气戴口罩）。

4.3 个体特征变量对支付意愿差异的影响

公众对某种属性的支付意愿反映了公众对其偏好程度。因此,个体特征变量对偏好异质性的影响程度可以由个体特征变量的差异导致属性的支付意愿差异而量化地表示。根据Mixed Logit模型的估计结果,公众愿意为SO₂或CO₂排放量降低30%的清洁电力来源平均多支付31%的电费。

为了得到个体特征差异导致的支付意愿差异,本文在控制其他变量的情况下,选择个人特征变量的两种相反水平,比较两种相反水平下受访者对CO₂或SO₂排放量降低30%的支付意愿差异（表8）：①发展可再生能源政策支持度和对气候变化的重视度两个环保态度变量,引起的个体对降低SO₂排放量的支付意愿差异,明显大于个体对降低CO₂排放量的支付意愿差异。此外,其他特征变量引起的对降低CO₂和SO₂排放量的支付意愿差异,则没有明显区别。②居住在城市的居民比乡村居民愿意为此多支付电价15%~18%。认为气候变化重要的公众比认为不重要的公众愿意多支付22%~30%。这是个体特征变量对偏好异质性的影响程度最大的情况。③60~68岁人群比25~30岁人群愿意多支付14%~16%。这是个体特征变量对偏好异质性的影响程度最小的情况。由此可得,公众对CO₂或SO₂排放量降低30%的支付意愿,在个体特征的两个相反水平的作用下,差别在14%~30%之间,电价差异为0.072~0.154元/kWh。以上个体特征变量选自Mixed Logit模型中个体特征与SO₂或CO₂交互项结果显著的变量。

Table 8
表8
表8个体特征差异下CO₂或SO₂排放量降低30%的支付意愿差异对比
Table 8Comparison of willingness to pay to reduce carbon dioxide or sulfur dioxide emissions by 30% between groups of people with different place of residence, age, awareness of climate change, and degree of support for renewable energy policies

个人特征变量的	居住地		年龄		对气候变化的重视度		发展可再生能源政策支持度
异质性	城市	乡村	25~30	60~68	不重要	很重要	反对或中立	支持
CO₂	+18%			+16%		+22%		+15%
SO₂	+15%			+14%		+30%		+24%

新窗口打开|下载CSV

其次,公众的地域性特征差异也是造成公众对电力来源与属性的偏好异质性的原因之一。在Latent Class模型结果下分析不同地区公众对电力来源与属性的支付意愿差异,结果如表9所示：①Ⅰ类地区公众对可再生能源的支付意愿高,排斥均衡电力程度最高;②Ⅱ类地区公众对减少CO₂和SO₂排放量的电力支付意愿高,排斥核电;③Ⅲ类地区公众对减少CO₂和SO₂排放量的电力支付意愿最低,排斥可再生能源。

Table 9
表9
表9各地区公众对电力来源属性的支付意愿
Table 9Public willingness to pay for power sources and attributes by city cluster （%）

属性变量	Ⅰ类地区	Ⅱ类地区	Ⅲ类地区
CO₂	-123.78	-164.55	-92.94
SO2	-209.29	-202.32	-92.80
可再生能源	21.98		-6.41
均衡电力	-8.69	-4.26	-1.24
核电		-2.17

注：百分数分别表示CO₂/SO₂的排放量降低或增加100%时,或电力完全来源于某种能源时,公众愿意支付的电价相比于现有电价的变化。

新窗口打开|下载CSV

5 结论与政策建议

5.1 结论

本文通过在中国的北京、上海等10个重要城市进行问卷调查,采用离散选择实验及Mixed Logit模型分析调查数据,揭示了中国不同地区的主要城市公众对电力来源的偏好及影响因素,并探究了偏好的异质性对属性支付意愿的影响。研究结论如下：

（1）公众普遍排斥均衡电力来源,CO₂和SO₂的排放量以及电价均与公众对电力来源的偏好程度负相关。

（2）北京和哈尔滨的受访者偏好可再生电力来源,其他地区的受访者没有明显偏好;上海、广州、成都和重庆的受访者排斥核电,对可再生能源政策支持度最高;西安、银川、兰州、乌鲁木齐等城市近半受访者排斥可再生电力来源。

（3）年龄较大、检查空气质量指数频率较高同时支持发展可再生能源政策的人群,偏好可再生能源;年龄较小、检查空气质量指数频率低、较不支持可再生能源政策的人群排斥均衡电力;收入较低、认为环境问题不重要的人群排斥可再生能源与均衡电力。

（4）个体特征对偏好异质性的影响可以通过支付意愿差异进一步量化体现出来。同一类特征存在差异的受访者们对CO₂和SO₂减排的支付意愿也有差异,差异区间为11%~30%（相当于电价0.056元/kWh~0.154元/kWh）。同时,公众对环保和能源政策的认知态度对支付意愿的影响大于社会经济特征,如年龄、收入等,对支付意愿的影响。

5.2 政策建议

本文研究结果有利于政府针对性地制定清洁电力来源的发展政策,促进能源改革。根据得到的公众电力来源偏好及影响因素,本文认为控制电价并发展CO₂和SO₂排放量低的电力来源结构会更加符合公众偏好。

（1）政府应在推广初期将电价控制在相对较低的水平,并且在公众的支付意愿内调整价格。政府应告知公众新的电力来源结构可以实现的环境与能源目标,比如温室气体和大气污染物的减排量等,以此促使公众提高对新型电力来源的支付意愿以及能源改革相关政策的支持度。

（2）基于个体特征对公众偏好的影响结果,政府需要对公众加强培养环境意识,尤其对乡村居民、年轻群体和低收入群体等,帮助他们树立起环境与健康息息相关以及可再生能源改善环境的意识,提高这部分人群对可再生能源电力的支持度。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

国家发改委, 国家能源局. 能源发展“十三五”规划
[R]. 北京: 国家发改委, 2016.

[本文引用: 1]

[ National Development and Reform Commission, National Energy Administration. The 13th Five-year Plan for Energy Development
[R]. Beijing: National Development and Reform Commission, 2016.]

[本文引用: 1]

[2]

中国电力企业联合会. 电力工业统计资料汇编2018
[R]. 北京: 中国电力企业联合会, 2018.

[本文引用: 1]

[ China Electric Power Enterprise Federation. Statistical Collection of Electric Power Industry 2018
[R]. Beijing: China Electric Power Enterprise Federation, 2018.]

[本文引用: 1]

[3]

中国电力企业联合会. 中国电力行业年度发展报告2018
[R]. 北京: 中国电力企业联合会, 2018.

[本文引用: 1]

[ China Electric Power Enterprise Federation. China Power Industry Annual Development Report 2018
[R]. Beijing: China Electric Power Enterprise Federation, 2018.]

[本文引用: 1]

[4]

国家发改委. 关于调整可再生能源电价附加标准与环保电价有关事项的通知
[EB/OL]. (2013-08-27) [2019-12-17]. http://www.nea.gov.cn/2014-09/29/c_133682226.htm.

URL [本文引用: 1]

[ National Development and Reform Commission. Notice on Matters Related to the Adjustment of Additional Standards for Renewable Energy Electricity Prices and Environmental Protection Electricity Prices
[EB/OL]. (2013-08-27) [2019-12-17]. http://www.nea.gov.cn/2014-09/29/c_133682226.htm.]

URL [本文引用: 1]

[5]

严良, 熊伟伟, 王小林, 等. 供需错配下能源替代路径优化
[J]. 资源科学, 2019,41(9):1655-1664.

[本文引用: 1]

[ Yan

, Xiong W

, Wang X

, et al. Energy substitution path optimization under supply and demand mismatch
[J]. Resources Science, 2019,41(9):1655-1664.]

[本文引用: 1]

[6]

国家发改委, 能源研究所, 国网能源研究院. 可再生能源电价改革方向分析
[R]. 北京: 国家发改委, 2017.

[本文引用: 1]

[ National Development and Reform Commission, Energy Research Institute, State Grid Energy Research Institute. Analysis of the Direction of Renewable Energy Price Reform
[R]. Beijing: National Development and Reform Commission, 2017.]

[本文引用: 1]

[7]

王山. 火力发电补贴
[EB/OL]. (2017-07-04) [2019-12-17]. http://news.bjx.com.cn/html/20170704/834878-2.shtml.

URL [本文引用: 1]

[ Wang

. Thermal Power Subsidies
[EB/OL]. (2017-07-04) [2019-12-17]. http://news.bjx.com.cn/html/20170704/834878-2.shtml.]

URL [本文引用: 1]

[8]

国务院. 关于进一步深化电力体制改革的若干意见
[R]. 北京: 国务院, 2015.

[本文引用: 1]

[ State Council. Several Opinions on Further Deepening the Reform of the Power System
[R]. Beijing: State Council, 2015.]

[本文引用: 1]

[9]

Chen D

, Cheng C

, Urpelainen

. Support for renewable energy in China: A survey experiment with internet users
[J]. Journal of Cleaner Production, 2016,112(5):3750-3758.

[本文引用: 1]

[10]

Bergmann

, Colombo

, Hanley

. Rural versus urban preferences for renewable energy developments
[J]. Ecological Economics, 2008,65(3):616-625.

[本文引用: 1]

[11]

Ediger V

, Kirkil

, ?elebi

, et al. Turkish public preferences for energy
[J]. Energy Policy, 2018,120(3):492-502.

[本文引用: 1]

[12]

Firestone

, Kirk

. A strong relative preference for wind turbines in the United States among those who live near them
[J]. Nature Energy, 2019,4(4):311-320.

[本文引用: 1]

[13]

Greenberg M

. Energy sources, public policy, and public preferences: Analysis of US national and site-specific data
[J]. Energy Policy, 2009,37(8):3242-3249.

[本文引用: 2]

[14]

Sergi

, Azevedo

, Xia

, et al. Support for emissions reductions based on immediate and long-term pollution exposure in China
[J]. Ecological Economics, 2019,158:26-23.

[本文引用: 2]

[15]

Hess

, Stathopoulos

, Daly

. Allowing for heterogeneous decision rules in discrete choice models: An approach and four case studies
[J]. Transportation, 2011,39(3):565-591.

[本文引用: 3]

[16]

Achtnicht

, Madlener

. Factors influencing German house owners’ preferences on energy retrofits
[J]. SSRN Electronic Journal, 2012, DOI: 10.2139/ssrn.2100425.

[本文引用: 3]

[17]

Ziegler

. Individual characteristics and stated preferences for alternative energy sources and propulsion technologies in vehicles: A discrete choice analysis for Germany
[J]. Transportation Research Part A Policy and Practice, 2012,46(8):1372-1385.

[本文引用: 2]

[18]

杨欣, Michael

, 张安录. 基于潜在分类模型的农田生态补偿标准测算: 一个离散选择实验模型的实证
[J]. 中国人口·资源与环境, 2016,26(7):27-36.

[本文引用: 2]

[ Yang

, Michael

, Zhang A

. Estimation of farmland eco-compensation criteria based on latent class model: A case of a discrete choice experiment
[J]. China Population, Resources and Environment, 2016,26(7):27-36.]

[本文引用: 2]

[19]

Qian L

, Grisolia J

, Soopramanien

. The impact of service and government-policy attributes on consumer preferences for electric vehicles in China
[J]. Transportation Research Part A Policy and Practice, 2019,122:70-84.

DOI:10.1016/j.tra.2019.02.008 URL [本文引用: 1]

[20]

Orlov

, Kallbekken

. The impact of consumer attitudes towards energy efficiency on car choice: Survey results from Norway
[J]. Journal of Cleaner Production, 2019,214:816-822.

DOI:10.1016/j.jclepro.2018.12.326 URL [本文引用: 2]

[21]

Achtnicht

. Do environmental benefits matter? Evidence from a choice experiment among house owners in Germany
[J]. Ecological Economics, 2011,70(11):2191-2200.

DOI:10.1016/j.ecolecon.2011.06.026 URL [本文引用: 2]

Residential buildings strongly contribute to global CO(2) emissions due to the high energy demand for electricity and heating, particularly in industrialised countries. Within the EU, decentralised heat generation is of particular relevance for future climate policy, as its emissions are not covered by the EU ETS. We conducted a choice experiment concerning energy retrofits for existing houses in Germany. In the experiment, the approximately 400 sampled house owners could either choose a modern heating system or an improved thermal insulation for their home. We used standard and mixed logit specifications to analyse the choice data. We found environmental benefits to have a significant impact on choices of heating systems. However, they played no role in terms of insulation choices. Based on the estimated mixed logit model, we further obtained willingness-to-pay (WTP) measures for CO(2) savings. (C) 2011 Elsevier B.V.

[22]

Hammitt J

, Herrera-Araujo

. Peeling back the onion: Using latent class analysis to uncover heterogeneous responses to stated preference surveys
[J]. Journal of Environmental Economics and Management, 2018,87:165-189.

[本文引用: 1]

[23]

Hanley

, Mourato

, Wright R

. Choice modelling approaches: A superior alternative for environmental valuation
[J]. Journal of Economic Surveys, 2001,15(3):435-462.

DOI:10.1111/1467-6419.00145 URL [本文引用: 1]

[24]

Hoyos

. The state of the art of environmental valuation with discrete choice experiments
[J]. Ecological Economics, 2010,69(8):1595-1603.

[本文引用: 2]

[25]

Mcfadden

, Train

. Mixed MNL models for discrete responses
[J]. Journal of Applied Economics, 2000,15(5):447-470.

[本文引用: 3]

[26]

Mannering F

, Shankar

, Bhat C

. Unobserved heterogeneity and the statistical analysis of highway accident data
[J]. Analytic Methods in Accident Research, 2016,11:1-16.

[本文引用: 3]

[27]

Ferguson

, Mohamed

, Higgins

. How open are Canadian households to electric vehicles? A national latent class choice analysis with willingness-to-pay and metropolitan characterization
[J]. Transportation Research Part D: Transport and Environment, 2018,58:208-224.

[本文引用: 1]

[28]

国务院. 能源发展战略行动计划(2014-2020年)
[R]. 北京: 国务院, 2014.

[本文引用: 1]

[ State Council. Strategic Action Plan for Energy Development (2014-2020)
[R]. Beijing: State Council, 2014.]

[本文引用: 1]

[29]

国家发改委. 国家应对气候变化规划(2014-2020年)
[R]. 北京: 国家发改委, 2014.

[本文引用: 1]

[ National Development and Reform Commission. National Climate Change Plan (2014-2020)
[R]. Beijing: National Development and Reform Commission, 2014.]

[本文引用: 1]

[30]

Louviere J

, Hensher D

. Design and analysis of simulated or allocation experiments in travel choice modelling
[J]. Transportation Research Record, 1982,890:11-17.

[本文引用: 1]

[31]

Louviere J

, Woodworth

. Design and analysis of simulated consumer choice or allocation experiments: An approach based on aggregate data
[J]. Journal of Marketing Research, 1983,20:350-367.

DOI:10.1177/002224378302000403 URL [本文引用: 2]

[32]

Lancaster K

. A new approach to consumer theory
[J]. Journal of Political Economy, 1966,74(2):132-157.

DOI:10.1086/259131 URL [本文引用: 1]

[33]

Greene W

, Hensher D

. A latent class model for discrete choice analysis: Contrasts with Mixed Logit
[J]. Transportation Research Part B: Methodological, 2003,37(8):681-698.

DOI:10.1016/S0191-2615(02)00046-2 URL [本文引用: 3]

[34]

史恒通, 赵敏娟. 基于选择试验模型的生态系统服务支付意愿差异及全价值评估: 以渭河流域为例
[J]. 资源科学, 2015,37(2):351-359.

URL [本文引用: 1]

对流域生态系统服务进行全价值评估有利于相关流域治理政策的建立,实现流域的可持续发展。本文应用选择试验模型法,对我国流域生态系统服务的非市场价值进行评估,并以渭河流域陕西段为例进行实证研究。在生态功能属性和指标的合理选取基础上进行选择试验模型设计和问卷调查,进一步分析渭河流域城乡居民对流域生态系统服务的认知差异,以及测算相关样本的支付意愿,最终进行非市场价值估算。研究结果表明：①相对于城镇居民,农村居民不在意水土流失方面生态系统服务的改善,而更关心水资源数量和质量,以及自然景观和生态旅游条件等方面的改善;②渭河流域居民对水资源质量这一生态指标具有最高的支付意愿,对水土流失强度这一生态指标具有次高的支付意愿,而对自然景观这一生态指标具有最低的支付意愿;③陕西省渭河流域平均每户居民每年愿意为渭河流域生态系统服务的改善支付624.22元,且城镇居民的支付意愿（830.34元/户）明显高于农村居民（525.46元/户）。陕西省渭河流域生态系统服务每年的非市场价值为8.68亿元。

[ Shi H

, Zhao M

. Willingness to pay differences across ecosystem services and total economic valuation based on choice experiments approach
[J]. Resources Science, 2015,37(2):351-359.]

[本文引用: 1]