公眾對助推型減碳政策的偏好研究：基于聯(lián)合實驗與機器學習方法

胡賽全 劉展余 雷玉瓊 劉 盼

一、引言

全球氣候變化引發(fā)的干旱、洪水、強風暴及森林火災等自然現(xiàn)象將嚴重威脅人類的生產(chǎn)生活(鄭石明等, 2021)。緩解這種威脅的關(guān)鍵是激勵公眾采取低碳的生產(chǎn)與生活方式(Kunreuther & Weber, 2014)。為此，政策制定者和研究者都一直致力于設(shè)計和優(yōu)化有利于促進公眾低碳行為的政策工具。其中，“助推(nudge)”策略備受政策制定者和研究者關(guān)注(Madrian, 2014; 傅鑫媛等, 2019)。助推是一種既不限制公眾決策自主性，也不改變公眾決策經(jīng)濟約束條件的策略，其通過改變決策情境來影響公眾行為(Thaler & Sunstein, 2008)。已有實證研究發(fā)現(xiàn)，不同的助推策略，如社會規(guī)范(social norms)、貼標簽(labeling)和反饋(feedback)等在促進公眾綠色出行(Kormos et al., 2015)、氣候友好型飲食(Brunner et al., 2018)及可持續(xù)電力消費(Henn et al., 2019)等低碳行為方面都具有良好效果。不僅如此，研究還發(fā)現(xiàn)，與傳統(tǒng)政策工具相比，助推策略具有明顯的低成本優(yōu)勢(Benartzi et al., 2017)。

考慮到助推策略在減碳上的有效性與低成本性，政策制定者急需將助推納入減碳政策工具中以應對氣候變化危機(Carlsson et al., 2021)。但出臺和實施任何新型公共政策，若想取得預期效果，都首先需要得到公眾的廣泛支持(Tannenbaum et al., 2017)。因為公眾對政策的負面反饋往往預示著政策失敗(張書維、李紓, 2018)。然而，與規(guī)制和稅收等傳統(tǒng)減碳政策相比，助推型減碳政策并不能輕易得到公眾支持(Carlsson et al., 2021)。原因是助推策略通常利用公眾的認知偏差來影響其態(tài)度與行為(Schubert, 2017)，公眾對其是否侵犯決策自主性仍有顧慮(Felsen et al., 2013; Hansen & Jespersen, 2013)。要促使公眾廣泛接受并支持助推型減碳政策，了解其政策偏好至關(guān)重要(De Jonge et al., 2018)。因為助推型減碳政策不僅是一種行為改變策略，更是一種行為公共政策，其能否順利出臺與實施，更多地是一個公共政策問題而非行為科學問題(景懷斌, 2021)。政策主體特征、政策制定程序等政策設(shè)計所需考慮的屬性都是公眾政策遵從行為的重要前因變量(李燕等, 2021)。

近年來，已有一些研究探索了部分政策設(shè)計屬性對助推型政策公眾偏好的影響。這些助推型政策設(shè)計屬性包括助推策略類型(Sunstein, 2016b)、替代策略類型(Hagman et al., 2022)、干預行為類型(Hagman et al., 2015)、預期受益群體(Hagman, 2018)、政策倡導者(Tannenbaum et al., 2017)、政策實施者(Arad & Rubinstein, 2018)和政策透明性(Yan & Yates, 2019)等。這些研究都有一個共同點，即只關(guān)注一到兩個政策設(shè)計屬性是否影響公眾的助推型政策偏好。然而，在現(xiàn)實世界中，公眾對一項政策的評價往往需要綜合考慮多個政策屬性后才做出，而非只考慮一到兩個政策屬性。因此，基于單一或雙因素組間實驗設(shè)計所得出的公眾政策偏好結(jié)論不能客觀反映現(xiàn)實世界中公眾的政策偏好(Felsen et al., 2013)。要反映真實的公眾政策偏好需基于多因素研究設(shè)計，但經(jīng)典組間實驗設(shè)計難以滿足這一需求。因為其需要將被試分配到不同實驗組，每組被試分別接受一種因素及其某個水平的處理。當實驗中涉及X個因素、每個因素有Y個處理水平時，則需將被試分為Y的X次方組。因素數(shù)量越多，所需要的被試數(shù)量與研究成本將呈指數(shù)級增長，這將導致研究者不得不在實驗設(shè)計因素數(shù)量與被試獲取成本之間權(quán)衡(Knudsen & Johannesson, 2019)。聯(lián)合實驗設(shè)計(conjoint experiment design)則能在不大量增加被試數(shù)量和成本的條件下同時研究多因素多水平的處理效應，有效彌補經(jīng)典組間實驗設(shè)計所導致的公眾政策偏好研究結(jié)論真實性不足這一缺陷。這一方法近年來已被廣泛應用到公眾對移民政策(Wright et al., 2016)、交通政策(Huber & Wicki, 2021)及氣候政策(Rinscheid et al., 2020)的偏好研究中。

盡管運用聯(lián)合實驗設(shè)計可以分析公眾綜合考慮多種助推型政策設(shè)計屬性時的偏好，但僅研究總體意義上的公眾政策偏好不足以反映不同群體在助推型減碳政策上的偏好異質(zhì)性。因為不同個體對助推型政策的評價受其自身特征影響(Loibl et al., 2018)，不考慮個體或群體政策偏好異質(zhì)性而實施的“一刀切”助推型政策會損失部分公眾的支持(Hagman et al., 2015)。在現(xiàn)有運用聯(lián)合實驗方法的實證研究中，常用的偏好異質(zhì)性分析方法有兩種：一是在回歸模型中設(shè)定處理變量與協(xié)變量的交互項(Gallego & Marx, 2017; Huber & Wicki, 2021)；二是對樣本進行分割并估計不同子樣本下的處理效應(Bechtel & Scheve, 2013; Rinscheid et al., 2020)。但這兩種方法有一個共同特點，即需要研究者預先指定用于異質(zhì)性分析的協(xié)變量。然而，此類協(xié)變量的選取過程往往是主觀的(Wager & Athey, 2018; 胡安寧等, 2021)，這可能使得用于異質(zhì)性分析的協(xié)變量并不是最重要的。要在分析助推型減碳政策的群體偏好異質(zhì)性時解決上述方法的不足，需要采用最新的機器學習方法(Abramson et al., 2020)。因為因果隨機森林等機器學習算法能通過不同協(xié)變量估計出個體處理效應，然后通過特征重要性評估技術(shù)選出對個體處理效應產(chǎn)生重要影響的協(xié)變量(胡安寧等, 2021)。

基于以上論述，本文擬采用聯(lián)合實驗設(shè)計，在探索公眾對助推型減碳政策的偏好時綜合考慮多種政策設(shè)計屬性，并采用機器學習方法分析不同群體在助推型減碳政策偏好上的異質(zhì)性。

二、理論基礎(chǔ)與分析框架

(一)助推型政策設(shè)計的屬性

為確定助推型減碳政策設(shè)計的屬性，本部分基于Hagman (2018)提出的“助推接受模型”構(gòu)建屬性分析框架。助推接受模型指出，公眾是否接受一項助推型政策，受政策設(shè)計的一系列屬性影響，這些屬性主要包括受益者、助推目標、選項架構(gòu)師、助推技術(shù)、透明性和替代技術(shù)。其中，受益者是指預期從助推型政策中受益的群體，這一屬性在現(xiàn)有研究中主要體現(xiàn)為政策試圖保護的對象。例如，Hagman (2018)將助推型政策的保護對象分為“社會群體”和“公民個體”兩類，發(fā)現(xiàn)公眾更偏好保護公民個體的助推型政策。助推目標是指助推型政策試圖促進或抑制的行為，這一屬性通常體現(xiàn)為助推型政策試圖干預的行為類型。例如，Yan和Yates (2019)將助推型政策干預的行為分為退休儲蓄、碳補償和器官捐贈三類，發(fā)現(xiàn)公眾對干預退休儲蓄行為的助推型政策接受程度最高。選項架構(gòu)師是指倡導和支持助推型政策的主體，這一屬性在現(xiàn)有研究中主要體現(xiàn)為政策倡導者和實施者兩種角色。如Tannenbaum等(2017)將助推型政策的選項架構(gòu)師界定為倡導者，包括左翼和右翼政黨兩類，發(fā)現(xiàn)自由派公眾更偏好左翼政黨倡導的助推型政策，保守派公眾更偏好右翼政黨倡導的助推型政策。Arad和Rubinstein (2018)將助推型政策的選項架構(gòu)師界定為實施者，包括政府與非政府主體兩類，發(fā)現(xiàn)公眾更支持非政府主體實施的助推型政策。助推技術(shù)是指助推型政策用來影響公眾行為的心理機制類型，這一屬性主要體現(xiàn)為助推型政策使用的具體助推策略。例如，Sunstein等(2018)將助推型政策中所運用的助推策略分為運動式教育、貼標簽、默認選項及潛意識廣告等類型，發(fā)現(xiàn)公眾偏好采用運動式教育、貼標簽等信息供給型助推策略的政策。透明性是指助推型政策影響公眾行為的機制是否公開，這一屬性反映了政策對公眾決策自主性的威脅程度。因為助推型政策是否侵犯公眾決策自主性，取決于政策意圖和政策影響公眾行為的作用機制是否透明(Bovens, 2008)。例如，Yan和Yates (2019)發(fā)現(xiàn)在器官捐贈領(lǐng)域，公開政策意圖和影響機制的助推型政策的感知自主性明顯高于其他助推型政策。替代技術(shù)是指助推型政策的備選政策類型。這一屬性是否影響公眾政策偏好主要體現(xiàn)在Hagman等(2022)的研究中，其將備選政策類型分為“無干預措施”和“禁令”兩類，且發(fā)現(xiàn)當助推型政策的備選政策類型是“禁令”時，公眾對助推型政策的接受度更低。

雖然助推接受模型較為完整地反映了助推型政策設(shè)計應包含的屬性，但為了更貼近減碳政策場景，本文對其做出兩方面調(diào)整：(1)將選項架構(gòu)師屬性界定為實施者而非倡導者，這是因為倡導者屬于政策倡議環(huán)節(jié)而非政策設(shè)計環(huán)節(jié)的核心屬性。(2)將公民社會參與當作助推型政策設(shè)計的一個新屬性，原因是公民社會參與會影響助推型政策的知識資源并傳遞公眾對政策倫理的關(guān)切。諸多研究認為，應當關(guān)注這一政策設(shè)計屬性(Reisch & Sunstein, 2016; Sunstein et al., 2019)。綜上所述，本文將受益者、助推目標、公民社會參與、實施者、助推技術(shù)、透明性和替代技術(shù)這七項視為公眾評價助推型減碳政策時應當綜合考慮的關(guān)鍵政策設(shè)計屬性。這些屬性的處理水平將在下一小節(jié)中討論。

(二)助推型政策設(shè)計屬性的處理水平

7個助推型減碳政策設(shè)計屬性的處理水平見表1。第一個屬性是受益者，在既有研究中，助推型政策受益者通常被分為“公民個體”和“社會群體”兩類(Hagman, 2018; Hagman et al., 2015)。本文關(guān)注的助推型減碳政策屬于后者，因為減碳政策具有親社會意圖(Hagman et al., 2015)。要探索公眾如何偏好具有不同受益者的助推型減碳政策，需對受益者類型做更具體的劃分。本文將助推型減碳政策的潛在受益者設(shè)置為“動植物”和“人類”兩個水平，因為這分別對應“自然中心主義”和“人類中心主義”這兩種環(huán)保動機(Fritsche & H?fner, 2012)。其中，動植物為參照水平(1)在分析公眾對助推型減碳政策的偏好時，參照水平的設(shè)置不影響結(jié)果解讀。因為本文分析的是公眾對同一政策設(shè)計屬性下多個水平的相對偏好，參照水平的設(shè)置只會改變基準線，但不會影響各處理水平AMCE值的排序。。

第二個屬性是助推目標，本文將三種常見的低碳行為作為該屬性的處理水平。這些低碳行為分別是氣候友好型飲食、綠色出行和可持續(xù)電力消費(Brunner et al., 2018; Kormos et al., 2015; Lokhorst et al., 2015)。其中，氣候友好型飲食為參照水平。

第三個屬性是公民社會參與，本文選擇大學與研究機構(gòu)、私營企業(yè)協(xié)會和環(huán)境保護組織這三種公民社會組織作為該屬性的處理水平。這些組織類型通常代表不同公民社會形態(tài)參與到氣候政策制定過程中(Bernauer et al., 2016)。其中，大學與研究機構(gòu)為參照水平。

第四個屬性是實施者，本文選取地方非政府組織、地方政府、中央政府和國際組織這四種組織作為該屬性的處理水平。設(shè)置這四種處理水平既能檢驗公眾對非政府組織與政府組織這兩類政策實施者的偏好(Arad & Rubinstein, 2018; Treger, 2021)，還能檢驗公眾對不同層級政策實施者的偏好(Christensen & Rapeli, 2021)。其中，地方非政府組織被選為參照水平。

第五個屬性是助推技術(shù)，本文選取運動式教育、社會規(guī)范、可見性增強、貼標簽、默認選項、反饋、積極框架這七種助推策略作為該屬性的處理水平。這些助推策略都是現(xiàn)有助推文獻討論最為頻繁的(Sunstein, 2016a; Sunstein et al., 2018)。其中，運動式教育為參照水平。

第六個屬性是透明性，本文將透明性屬性設(shè)置為兩個處理水平，分別是“低透明性以確保最佳政策效果”和“高透明性以確保公眾知情權(quán)”。因為這兩個處理水平反映了助推型政策實施中存在的政策有效性和政策倫理兩種價值導向(Bovens, 2008; Schubert, 2017)。其中，“低透明性以確保最佳政策效果”為參照水平。

第七個屬性是替代技術(shù)，本文選擇“無干預措施”“稅收”和“禁令”作為該屬性的處理水平。設(shè)置這三個處理水平能檢驗公眾對助推型政策所具備的低成本性與低強制性特征的偏好。因為與“禁令”這一替代策略相比時，助推型政策的低強制性特征能被凸顯(Hagman et al., 2022)；與“稅收”這一替代策略相比時，助推型政策的低成本性特征能被凸顯(Benartzi et al., 2017)。其中，“無干預措施”為參照水平。

表1 助推型減碳政策設(shè)計的屬性及其處理水平

三、研究方法

聯(lián)合實驗設(shè)計假定被評價對象由一系列相互獨立且可處理成不同水平的屬性構(gòu)成。通過組合設(shè)置被評價對象的不同屬性及其處理水平，聯(lián)合實驗方法可生成若干關(guān)于被評價對象的假設(shè)性概述(profiles)并將不同概述隨機呈現(xiàn)給被試。在被試對概述進行評價后，研究者能檢驗被評價對象的屬性及其處理水平與被試評價結(jié)果之間的因果效應。這些因果效應能反映公眾對被評價對象在不同屬性及其處理水平上的偏好。

與經(jīng)典實驗方法相比，聯(lián)合實驗具有三方面優(yōu)勢。(1)有較高外部效度。聯(lián)合實驗能較大程度地模擬現(xiàn)實世界的決策情境，并從被試的選項權(quán)衡中推斷其隱含的偏好，這種偏好通常難以通過自我報告的測量方式揭示(Caruso et al., 2009)。(2)有助于緩解社會期許偏差。聯(lián)合實驗將評價對象所有屬性以組合方式呈現(xiàn)，使那些能造成社會期許偏差的屬性不容易被評價者感知到(Horiuchi et al., 2021)。(3)能降低多屬性多水平研究設(shè)計的成本但不影響因果效應估計的有效性。聯(lián)合實驗無需為每個屬性及其處理水平的組合分配大量被試，在允許一些屬性及水平的組合只被觀測一次或不被觀測(Stenhouse & Heinrich, 2019)的同時，還能通過平均邊際因子效應(Average Marginal Component Effect， AMCE)來有效估計多屬性多水平的處理效應(Hainmueller et al., 2014)。

要估計聯(lián)合實驗中多屬性多水平AMCE，實驗設(shè)計需滿足四項前提假定(Hainmueller et al., 2014)。一是穩(wěn)定性和無延滯效應，即被試的評價結(jié)果只受當前概述評價任務(wù)所呈現(xiàn)內(nèi)容的影響，而不受先前所呈現(xiàn)且已評價完的任務(wù)的影響。換句話說，當被試需完成多次概述評價任務(wù)時，不同任務(wù)中各屬性及其處理水平與其評價結(jié)果之間的因果效應必須一致。二是無順序效應，即被試在同一個評價任務(wù)中對多個概述進行評價時，不同概述的呈現(xiàn)順序不影響其中各屬性及其處理水平與評價結(jié)果之間的因果效應。三是概述生成的隨機化，即概述中的屬性及其處理水平是隨機組合生成。這將確保每個屬性及其不同處理水平都有相似的概率被組合成概述。四是各屬性間完全獨立隨機化，即不同屬性各處理水平之間可以任意組合而不影響被評價對象概述的邏輯可行性。在同時滿足上述四項假定的前提下，聯(lián)合實驗可通過AMCE來估計多屬性多水平的處理效應。但假定四在現(xiàn)實中通常難以滿足，因為屬性間完全獨立的情境相對較少。為解決這一問題，Hainmueller等(2014)提出了另一個假定——“條件獨立隨機化”，即一些屬性的部分水平之間并非獨立，但其他屬性水平可以任意組合(2)以個體的屬性為例，職業(yè)屬性的水平為“醫(yī)生”時，學歷屬性的水平為“小學”的可能性幾乎為0。。當實驗不滿足完全獨立隨機化，但滿足條件獨立隨機化時，多屬性多水平的處理效應可以通過“條件平均邊際因子效應”來反映。條件平均邊際因子效應是指在給不滿足邏輯可行性的水平組合設(shè)置權(quán)重的條件下所估計的平均邊際因子效應。是否滿足假定一和假定二依賴事后統(tǒng)計檢驗，是否滿足假定三和假定四則只取決于事前實驗設(shè)計。

(一)實驗程序與內(nèi)容

本文利用Qualtrics調(diào)查平臺制作電子問卷。問卷第一部分是導語。導語首先將該研究描述為一個旨在了解公眾對減碳政策態(tài)度的調(diào)查，然后告知被試需要完成一系列選擇任務(wù)，每個任務(wù)包含兩項減碳政策的概述，被試需選出更支持的一項。最后是向被試承諾本次實驗過程的匿名性及數(shù)據(jù)使用的學術(shù)性。問卷第二部分是七種政策設(shè)計屬性描述、助推型減碳政策概述的具體呈現(xiàn)、公眾政策偏好及協(xié)變量的測量。

1.政策概述評價任務(wù)設(shè)計與呈現(xiàn)

繼政策設(shè)計屬性描述后，被試需完成多個概述評價任務(wù)。設(shè)置多個概述評價任務(wù)主要有兩個目的：一是通過比較不同概述中政策設(shè)計屬性及其處理水平的因果效應差異，可以檢驗實驗設(shè)計是否滿足穩(wěn)定性和無延滯效應的前提假定一(Hainmueller et al., 2014)；二是為了使更多的政策設(shè)計屬性及其處理水平組合能被納入評估(Bansak et al., 2018)。但為避免被試因完成過多概述評價任務(wù)而產(chǎn)生疲勞感，本文將概述評價任務(wù)數(shù)量限定為6個(Christensen, 2021)。對于每個概述評價任務(wù)來說，其設(shè)計方式主要有兩種：一是配對設(shè)計，即評價任務(wù)中概述并排呈現(xiàn)，被試能同時比較兩個概述然后評價；二是單一設(shè)計，即評價任務(wù)中概述先后呈現(xiàn)，被試一次只能對單個概述進行評價。本研究采用配對設(shè)計來呈現(xiàn)助推型減碳政策概述，因為配對設(shè)計更有助于凸顯概述間的差異(Davidai & Shafir, 2020)且更接近現(xiàn)實決策情境(Hainmueller et al., 2015)。為確保概述生成的隨機化，每個政策設(shè)計屬性及其處理水平都通過Dropp (2014)開發(fā)的HTML和JavaScript生成(3)不同被試看到的政策概述中的設(shè)計屬性順序為隨機呈現(xiàn),但同一被試看到不同評價任務(wù)中政策概述中的設(shè)計屬性順序相同，這是為了避免被試頻繁接受陌生信息而產(chǎn)生認知緊張(Horiuchi et al., 2020)。。

2.公眾政策偏好測量

在每對助推型減碳政策概述呈現(xiàn)之后，是對公眾政策偏好的測量。目前學界通常使用選擇法、評分法和排序法等方法來測量被試政策偏好(Orme, 2009)。本文參照Hainmueller和Hopkins (2015)的做法，同時使用選擇法和評分法來測量被試政策偏好。選擇法具體是指被試在閱讀一對政策概述(A與B)后需回答 “你更喜歡A與B中哪種助推型減碳政策？”。被選擇和未被選擇的政策概述分別被賦值為1和0，賦值結(jié)果將作為本文的因變量“公眾政策偏好”。評分法具體是指被試需分別對兩項政策概述進行1-7的程度打分，具體問題為“你在多大程度上支持助推型減碳政策A(或B)？”。這兩個問題的得分將按照7分量表的中間值轉(zhuǎn)化為二分變量，即大于4賦值為1，否則賦值為0。該變量將作為另外一個因變量“公眾政策支持”，主要用于穩(wěn)健性檢驗。

問卷最后，被試報告了年齡、性別、收入水平、教育程度及社會經(jīng)濟地位等人口統(tǒng)計信息。同時考慮到公眾文化世界觀會影響其對助推策略的評價(Hagman et al., 2015; Jung & Mellers, 2016)，且公眾氣候變化風險感知程度會影響其對減碳政策重要性的判斷(Debono et al., 2012)，本文使用Kahan和Haven (2012)的文化認知量表(短版)中的相關(guān)題項測量被試文化世界觀中的個體主義-集體主義傾向，并使用Debono等(2012)的氣候變化風險感知指數(shù)量表中的相關(guān)題項測量被試的氣候變化風險感知。

(二)樣本與數(shù)據(jù)采集

根據(jù)Stefanelli和Lukac (2020)提供的統(tǒng)計功效預測模型，將政策設(shè)計屬性設(shè)置為7，每個被試完成的概述評價任務(wù)設(shè)置為6，且在80%的統(tǒng)計功效下得到0.05的效應量，本實驗樣本量最少需要720個?？紤]到實施聯(lián)合實驗通常存在20%左右的樣本流失率(Hainmueller & Hopkins, 2015)，本實驗計劃招募900名被試。這些被試都從Prolific網(wǎng)絡(luò)眾包平臺上招募。既有研究表明，線上眾包平臺所招募被試的代表性并不遜色于線下渠道(Mullinix et al., 2015)；而在諸多線上被試招募平臺中，Prolific平臺上的樣本具有多樣性且問卷填寫質(zhì)量相對較高(Peer et al., 2017)。

四、數(shù)據(jù)分析

(一)公眾對助推型減碳政策的偏好分析

本部分通過分析7個政策設(shè)計屬性及其水平的處理效應來反映公眾對助推型減碳政策的偏好。這些屬性及其水平的處理效應可直接通過AMCE來估計，因為本文實驗設(shè)計滿足“完全獨立隨機化”的前提假定(5)在本研究中，聯(lián)合實驗的“各屬性間完全獨立隨機化”前提假定已得到滿足，所有助推型減碳政策設(shè)計屬性的處理水平均能任意組合而不影響政策概述的現(xiàn)實性。如有需要可向作者聯(lián)系索取概述組合方案列表。。AMCE是指“當被評價對象的某一屬性從參照水平變?yōu)榱硪凰?，且其他屬性的水平同時發(fā)生改變時，個體偏好的平均變化程度”。AMCE可以通過個體層面的聚類標準誤OLS來計算(Ganter, 2021)。本文采用Hainmueller和Hopkins (2015)公開的Stata程序代碼來實現(xiàn)上述計算過程，結(jié)果見圖1。

通過比較圖1中助推型減碳政策設(shè)計屬性各水平AMCE值，可得出以下結(jié)論：(1)在受益者屬性上，設(shè)置為“人類”水平的政策概述被選擇的可能性顯著高于設(shè)置為“動植物” 這一參照水平的政策概述(AMCE=0.029， SE=0.012，p=0.015)。(2)在助推目標屬性上，設(shè)置為“綠色出行”水平(AMCE=0.054， SE=0.014，p=0.000)與“可持續(xù)電力消費”水平(AMCE=0.090， SE=0.014，p=0.000)的政策概述被選擇的可能性顯著高于設(shè)置為“氣候友好型飲食”這一參照水平的政策概述。(3)在公民社會參與屬性上，設(shè)置為“私營企業(yè)協(xié)會”水平的政策概述被選擇的可能性顯著低于設(shè)置為“大學與研究機構(gòu)”這一參照水平的政策概述(AMCE=-0.029， SE=0.013，p=0.031)，設(shè)置為“環(huán)境保護組織”水平的政策概述被選擇的可能性則與設(shè)置為參照水平的政策概述無顯著差異(AMCE=0.013)。(4)在實施者屬性上，四種水平的政策概述被選擇的可能性均無顯著差異(AMCE>0.002)。(5)在助推技術(shù)屬性上，設(shè)置為“社會規(guī)范”水平(AMCE=-0.093， SE=0.021，p=0.000)、“可見性增強”水平(AMCE=-0.068， SE=0.020，p=0.001)、“貼標簽”水平(AMCE=-0.051， SE=0.020，p=0.009)、“默認選項”水平(AMCE=-0.045， SE=0.020，p=0.023)以及“反饋”水平(AMCE=-0.042， SE=0.020，p=0.034)的政策概述被選擇的可能性都顯著低于設(shè)置為“運動式教育”這一參照水平的政策概述；而設(shè)置為“積極框架”水平的政策概述被選擇的可能性與設(shè)置為參照水平的政策概述無顯著差異(AMCE=-0.022)。(6)在透明性屬性上，設(shè)置為“高透明性”水平的政策概述被選擇的可能性顯著高于設(shè)置為“低透明性”這一參照水平的政策概述(AMCE=0.107， SE=0.012，p=0.000)。(7)在替代技術(shù)屬性上，設(shè)置為“禁令”水平的政策概述被選擇的可能性與設(shè)置為“無干預措施”這一參照水平的政策概述無顯著差異(AMCE=0.015)，而設(shè)置為“稅收”水平的政策概述被選擇的可能性顯著高于設(shè)置為參照水平的政策概述(AMCE=0.026， SE=0.013，p=0.047)。

圖1 助推型減碳政策設(shè)計屬性及其各處理水平的AMCE值

上述結(jié)果表明：(1)在受益者屬性上，公眾偏好出于保護人類生產(chǎn)生活目的而設(shè)計的助推型減碳政策。(2)在助推目標屬性上，公眾偏好試圖干預綠色出行、可持續(xù)電力消費這兩類行為的助推型減碳政策。(3)在公民社會參與屬性上，公眾偏好由環(huán)境保護組織、大學與研究機構(gòu)這兩類組織代表公民社會參與政策制定過程的助推型減碳政策。(4)在實施者屬性上，公眾對不同主體實施的助推型減碳政策的偏好無顯著差異。(5)在助推技術(shù)屬性上，公眾偏好采用運動式教育、積極框架以及反饋等信息供給型助推技術(shù)的助推型減碳政策。(6)在透明性屬性上，公眾偏好高透明性、保障公眾知情權(quán)的助推型減碳政策。(7)在替代技術(shù)屬性上，公眾偏好試圖替代稅收政策的助推型減碳政策。

為確保AMCE值能準確反映助推型減碳政策設(shè)計屬性及其各處理水平與公眾政策偏好之間的因果效應，本文需對穩(wěn)定性及無延滯效應、無概述順序效應這兩個前提假定進行檢驗。第一，為檢驗是否滿足穩(wěn)定性和無延滯效應，本文首先構(gòu)建一個水平數(shù)為6的因子變量來反映政策概述所屬的任務(wù)次序；然后再將該變量與每一個政策設(shè)計屬性進行交互，交互項的系數(shù)可以反映不同概述評價任務(wù)中不同屬性處理水平的AMCE值差異(6)反映任務(wù)次序的因子變量的參照水平為“第一輪”，該變量與政策設(shè)計屬性進行交互時會生成5個分別代表“第二輪至第六輪”的虛擬變量。例如，該變量與助推目標屬性進行交互時，在回歸方程中表示為：β1第二輪×綠色出行+β2第二輪×可持續(xù)電力消費+…+β11第六輪×綠色出行+β12第六輪×可持續(xù)電力消費，β為交互項的系數(shù)。。結(jié)果顯示，除第五輪概述評價任務(wù)中替代技術(shù)中“禁令”水平的AMCE值(p=0.035)和第六輪概述評價任務(wù)中公民社會參與中“環(huán)境保護組織”水平的AMCE值(p=0.027)、替代技術(shù)中“稅收”水平的AMCE值(p=0.027)略低于第一輪概述評價任務(wù)中的對應屬性與水平的AMCE值外，其他政策設(shè)計屬性各水平的AMCE值無顯著差異。第二，為檢驗是否存在順序效應，本文構(gòu)建一個水平數(shù)為2的變量來反映政策概述在評價任務(wù)中所在的呈現(xiàn)位置；然后將其與每一個政策設(shè)計屬性進行交互，交互項的系數(shù)可以反映左右兩列政策概述中不同屬性處理水平AMCE值的差異。結(jié)果顯示，呈現(xiàn)在右邊的政策概述中僅有助推目標中“綠色出行”水平的AMCE值略低于呈現(xiàn)在左邊的政策概述中相應屬性及其水平的AMCE值(p=0.032)，其他設(shè)計屬性各水平的AMCE值無顯著差異。上述前提假定檢驗結(jié)果表明，實驗中6個評價任務(wù)具有穩(wěn)定性且沒有明顯延滯效應，評價任務(wù)中左右兩列政策概述沒有明顯順序效應，AMCE值能準確反映因果效應。

另外，譯者在翻譯一些較難或者沒有英文版本的書刊名的時候，選擇了省譯。比如“《粵道貢國說》、《蘭倫偶說》《耶穌教難入中國說》”等，在英譯漢版本中均沒有翻譯出來。筆者認為在翻譯書刊名的時候，可以站在譯文接受者的角度，選擇重要并且有代表性的書刊名進行翻譯，沒有必要全部都翻譯出來。

此外，為確保上述結(jié)果的穩(wěn)健性，本文進行了以下補充分析：(1)控制協(xié)變量后估計助推型減碳政策設(shè)計屬性及其各處理水平的AMCE值。這是為了避免政策設(shè)計屬性各水平的處理效應受到隨機化設(shè)計未能控制的個體特征差異的影響(7)事后的平衡性檢驗發(fā)現(xiàn)，部分水平間的協(xié)變量存在輕微不平衡，但不存在系統(tǒng)性差異：(1)助推技術(shù)中“貼標簽”水平(p=0.045)和替代技術(shù)中“禁令”水平(p=0.022)的年齡均略低于參照水平。(2)助推技術(shù)中“社會規(guī)范”水平(p=0.027)和公民社會參與中“環(huán)境保護組織”水平(p=0.041)的女性比例略低于參照水平。(3)透明性中“高透明性”水平的教育程度略高于參照水平(p=0.036)。(4)受益者中“人類”水平(p=0.004)和替代技術(shù)中“稅收”水平的收入略高于參照水平(p=0.039)。(5)實施者中“中央政府”水平(p=0.014)、助推技術(shù)中“反饋”水平(p=0.003)和透明性中“高透明性”水平(p=0.029)的個體主義傾向略低于參照水平。。(2)排除部分樣本后估計助推型減碳政策設(shè)計屬性及其各處理水平的AMCE值。本文主要剔除英國樣本，因為英國是最早建立專門機構(gòu)應用并推廣助推型政策的國家(Lodge & Wegrich, 2016)，與其他國家樣本相比，英國樣本中對助推策略的認知可能存在區(qū)別。(3)以“公眾政策支持”為因變量，重復上述分析過程。上述三項分析后的結(jié)果與前文結(jié)果總體上一致，說明本文結(jié)果具有穩(wěn)健性。

(二)不同群體對助推型減碳政策的偏好異質(zhì)性分析

本部分將分析不同群體對助推型減碳政策的偏好異質(zhì)性，主要包含兩個步驟。第一步，使用機器學習估計助推型減碳政策設(shè)計屬性及其各水平在個體層面的處理效應。在聯(lián)合實驗中，屬性各水平在個體層面的處理效應可以通過個體邊際因子效應(Individual Marginal Component Effect， IMCE)來反映。IMCE可理解為“當被評價對象的某一屬性從參照水平變?yōu)榱硪凰?，且其他屬性的水平同時發(fā)生改變時，單個個體對被評價對象偏好的變化程度”。本文參考Abramson和Kocak (2020)的研究，使用因果隨機森林算法估計助推型減碳政策設(shè)計屬性及其各處理水平的IMCE值。具體而言，基于R語言的廣義隨機森林(Generalized Random Forests)程序包，本文選用一系列協(xié)變量作為預測特征，訓練出用于估計IMCE的預測模型。在訓練預測模型過程中，本文采用Abramson和Kocak (2020)提出的“配對分析策略”，即以參照水平為固定對照組，以其他水平為處理組依次訓練不同處理水平的IMCE預測模型。因為廣義隨機森林僅能估計雙水平設(shè)計的個體處理效應。例如，估計助推目標屬性及其各水平的IMCE值時，便要以“氣候友好型飲食”水平為對照組，依次以“綠色出行”“可持續(xù)電力消費”水平為處理組進行模型訓練，再用這兩個模型分別估計“綠色出行”“可持續(xù)電力消費”水平的IMCE值。

基于上述方法，本文估計了助推型減碳政策設(shè)計屬性及其各水平的IMCE值，并對IMCE取均值構(gòu)建出新的AMCE值。這些指標的描述性統(tǒng)計結(jié)果見表2。其中，第3列的AMCE (ML)是基于IMCE計算出的新AMCE值，第4列的AMCE (CS)是聚類標準誤OLS計算的原始AMCE值。這兩種算法得出的政策設(shè)計屬性及其各水平AMCE值誤差在0.007以內(nèi)，表明機器學習方法估計的結(jié)果具有較高可信度。第5列中多數(shù)政策設(shè)計屬性及其各水平的IMCE標準差遠大于IMCE的均值，即AMCE值，表明助推型減碳政策設(shè)計屬性各水平的個體處理效應異質(zhì)性較大。

表2 助推型減碳政策設(shè)計屬性及其各處理水平的AMCE及IMCE值描述性統(tǒng)計結(jié)果

第二步，計算助推型減碳政策設(shè)計屬性及其各處理水平在不同群體中的分組處理效應差異。在聯(lián)合實驗中，屬性及其各水平在不同群體中的分組處理效應可由分組平均邊際因子效應(Group Average Marginal Component Effect， GAMCE)，即不同群體的IMCE均值來反映。為了選擇最重要的協(xié)變量來區(qū)分群體，本文使用隨機森林算法提供的特征重要性評估技術(shù)分析了所有協(xié)變量在預測助推型減碳政策設(shè)計屬性及其各水平IMCE值時的重要性(Abramson et al., 2020; 胡安寧等, 2021)。分析結(jié)果顯示，重要性相對最高的協(xié)變量是年齡、文化世界觀與氣候變化風險感知。例如，在預測公民社會參與屬性的“私營企業(yè)協(xié)會”水平、實施者屬性的“地方政府”水平、透明性屬性的“高透明性”水平的IMCE值時，年齡、文化世界觀與氣候變化風險感知的重要性均位列前三?？紤]到以年齡來區(qū)分群體不具有重要的理論和政策意義，本文將圍繞文化世界觀和氣候變化風險感知這兩個特征變量來區(qū)分群體并分析不同群體在助推型減碳政策偏好上的異質(zhì)性。

不同文化世界觀群體和氣候風險感知群體中助推型減碳政策設(shè)計屬性及其各處理水平的GAMCE見圖2(8)被試文化世界觀類別通過其文化世界觀量表得分來確定，其中文化世界觀得分高于中值(2.5)的被試定義為個體主義者(N=235)，低于中值的被試定義為集體主義者(N=486)。被試氣候變化風險感知類別通過其氣候變化風險感知量表得分來確定，其中得分高于均值(M=3.79)的被試定義為高風險感知者(N=405)，低于均值的被試定義為低風險感知者(N=327)。。通過對比不同文化世界觀群體中政策設(shè)計屬性及其各處理水平的GAMCE值，可發(fā)現(xiàn)以下兩方面異質(zhì)性：(1)在個體主義群體中，助推技術(shù)屬性GAMCE值最高的水平與全樣本中的對應屬性有差別。具體來看，在個體主義群體中，助推技術(shù)屬性GAMCE值最高的水平是“貼標簽”(GAMCE=0.019)。在全樣本中，GAMCE值最高的水平是“運動式教育”。(2)在個體主義群體中，受益者屬性中的“人類”水平和透明性屬性中的“高透明性”水平的GAMCE值均明顯高于全樣本中對應屬性與水平的GAMCE值。具體來看，在個體主義群體中，受益者屬性的“人類”水平和透明性屬性的“高透明性”水平的GAMCE值分別為0.040和0.126。而在全樣本中，這兩個屬性水平的GAMCE值則分別為0.028和0.106。

圖2 助推型減碳政策設(shè)計屬性及其各處理水平在不同文化世界觀和

通過對比不同氣候變化風險感知群體中政策設(shè)計屬性及其各水平的GAMCE值，也可發(fā)現(xiàn)兩方面異質(zhì)性：(1)在氣候變化低風險感知群體中，助推技術(shù)屬性GAMCE值最高的水平與全樣本中對應屬性有差別。具體來看，在低風險感知群體中，助推技術(shù)屬性中GAMCE值最高的水平是“積極框架”(GAMCE=0.002)。在全樣本中，該屬性中GAMCE值最高的水平則是“運動式教育”。(2)在氣候變化高風險感知群體中，受益者屬性中“人類”水平的GAMCE值均明顯高于全樣本中對應屬性與水平的GAMCE值。具體來看，在高風險感知群體中，受益者屬性中“人類”水平的GAMCE值為0.037。在全樣本中，該屬性水平的GAMCE值則為0.028。

上述結(jié)果表明，不同文化世界觀群體和氣候變化風險感知群體對助推型減碳政策的偏好都存在異質(zhì)性。具體來說，(1)在不同文化世界觀群體中，個體主義者對助推型減碳政策的偏好異于整體水平。與整體相比，個體主義者更偏好受益者為“人類”，助推技術(shù)采用“貼標簽”且透明性高的助推型減碳政策。(2)在不同氣候變化風險感知群體中，低風險感知者和高風險感知者對助推型減碳政策的偏好也異于整體水平。與整體相比，低風險感知者更偏好助推技術(shù)采用“積極框架”的助推型減碳政策；而高風險感知者則更偏好受益者為“人類”的助推型減碳政策。

五、結(jié)論與啟示

(一)結(jié)果討論

本文基于聯(lián)合實驗設(shè)計，從受益者、助推目標、公民社會參與、實施者、助推技術(shù)、透明性以及替代技術(shù)這7個屬性切入，分析了公眾對助推型減碳政策的偏好，并采用機器學習方法探索了不同文化世界觀群體和氣候變化風險感知群體對助推型減碳政策的偏好異質(zhì)性。具體研究發(fā)現(xiàn)可總結(jié)為兩部分：(1)公眾偏好以人類為受益者，以綠色出行與可持續(xù)電力消費為助推目標，由環(huán)境保護組織、大學與研究機構(gòu)代表公民社會參與政策制定，采用運動式教育、積極框架及反饋等助推技術(shù)，透明性高，且用來替代稅收政策的助推型減碳政策。在助推型減碳政策實施者這一屬性上，公眾對四種類型的實施者沒有明顯的偏好差異。(2)個體主義者更偏好受益者為“人類”，助推技術(shù)采用“貼標簽”且透明性高的助推型減碳政策。氣候變化低風險感知者更偏好助推技術(shù)采用“積極框架”的助推型減碳政策；而氣候變化高風險感知者則更偏好受益者為“人類”的助推型減碳政策。針對上述結(jié)果，本文展開以下討論。

在第一部分結(jié)果中，(1)公眾偏好以人類為受益者的助推型減碳政策。這表明公眾采納助推型減碳政策可能是受人類中心主義的環(huán)保動機驅(qū)動。(2)公眾偏好以綠色出行及可持續(xù)電力消費為助推目標的助推型減碳政策。這可能是因為這些低碳行為與公眾自身的基本需求相關(guān)性較小。有研究表明，助推型政策試圖干預的行為與飲食、健康等個體基本需求相關(guān)性越大，公眾對助推型政策的接受程度越低(Treger, 2021)。(3)公眾偏好由環(huán)境保護組織、大學與研究機構(gòu)代表公民社會參與政策制定過程的助推型減碳政策。該結(jié)果與Bernauer等(2016)的研究結(jié)論相吻合，將環(huán)境保護組織、大學與研究機構(gòu)等非營利性質(zhì)的組織納入氣候政策制定過程更有益于增強政策合法性。(4)公眾偏好采用運動式教育、積極框架及反饋等信息供給型助推技術(shù)的助推型減碳政策。這一發(fā)現(xiàn)不但符合學界對于助推技術(shù)的已有認知(李燕等, 2021)，還與Sunstein等(2018)的全球助推型政策接受度調(diào)查結(jié)果基本一致。(5)公眾偏好高透明性以保障公眾知情權(quán)的助推型減碳政策。這表明公眾在評價助推型減碳政策時更關(guān)注政策倫理而非政策效果。該結(jié)果為緩解兩種政策價值導向沖突提供了答案(Bovens, 2008)。(6)公眾偏好用于替代稅收政策的助推型減碳政策。這表明公眾在評價助推型減碳政策時可能更為關(guān)注其低成本特征。(7)公眾對實施者不同的助推型減碳政策無顯著的偏好差異。這表明政策實施者類別并不影響公眾對助推型減碳政策的評價，該評價模式與傳統(tǒng)減碳政策存在差別。在評價傳統(tǒng)減碳政策時，公眾更為偏好中央政府實施的減碳政策(Christensen & Rapeli, 2021)。

在第二部分結(jié)果中，(1)個體主義者更偏好以人類為受益者和高透明性的助推型減碳政策。這可能是因為個體主義者在評價助推型政策時比其他群體更為關(guān)注人類自身福祉以及決策自主性(Nilsson et al., 2020)。(2)個體主義者更偏好采用貼標簽策略的助推型減碳政策。這或許是因為個體主義者更反對助推型政策對個體決策的直接干預(Jung & Mellers, 2016)，而貼標簽策略是一種施加于產(chǎn)品而非直接作用于人的策略。(3)氣候變化低風險感知者更偏好采用積極框架策略的助推型減碳政策。這可能是因為積極框架策略比常用的運動式教育成本更低(Benartzi et al., 2017)，更符合低風險感知者對氣候變化治理的資源投入態(tài)度。(4)氣候變化高風險感知者更偏好以人類為受益者的助推型減碳政策。這一結(jié)果可能的原因是公眾感知到的生存威脅越強，其更需要通過強化人類中心地位來獲取自尊和緩解生存焦慮(Fritsche & H?fner, 2012)。

(二)研究貢獻

本研究主要有兩方面貢獻：(1)理論貢獻。首先，本文系統(tǒng)性地梳理了受益者、助推目標、公民社會參與、實施者、助推技術(shù)、透明性以及替代技術(shù)這7個助推型減碳政策設(shè)計屬性的水平。這能幫助研究者建立對助推型政策設(shè)計的理論分析框架。其次，本文在檢驗公眾對助推型減碳政策的偏好時綜合考慮了上述7個政策設(shè)計屬性，并且分析了不同文化世界觀、不同氣候變化風險感知群體的政策偏好異質(zhì)性。所得出的豐富的結(jié)論能為助推型政策接受度研究領(lǐng)域的相關(guān)成果做出有益補充。(2)方法貢獻。首先，本文采用了聯(lián)合實驗設(shè)計來探索多因素多水平的處理效應。聯(lián)合實驗設(shè)計能有效解決經(jīng)典組間實驗設(shè)計在因素數(shù)量與被試招募成本之間的沖突。文中的實驗設(shè)計思路有助于推廣聯(lián)合實驗方法，豐富行為公共管理中實驗方法的知識圖譜(代濤濤、陳志霞, 2019)。其次，本文使用機器學習方法分析了聯(lián)合實驗中的處理效應異質(zhì)性。機器學習方法能夠評估不同協(xié)變量在預測處理效應時的重要性，與傳統(tǒng)處理效應異質(zhì)性分析方法相比，該方法能夠避免協(xié)變量選取的主觀性。文中處理效應異質(zhì)性分析的過程也可為其他學者應用該方法提供樣例。

(三)政策啟示

本文研究結(jié)論對于推廣助推型減碳政策具有以下啟示：(1)地方政府應當根據(jù)公眾對政策受益者、助推目標、公民社會參與、助推技術(shù)、透明性及替代技術(shù)的偏好設(shè)計助推型減碳政策推廣策略。在助推型減碳政策制定階段，地方政府應當聚焦綠色出行及電力消費等生活場景，并優(yōu)先采用運動式教育、積極框架與反饋等助推技術(shù)。在助推型減碳政策聽證階段，地方政府應當加大環(huán)保組織、大學與科研機構(gòu)的參與程度，并積極披露所用助推技術(shù)的作用機制。在助推型減碳政策宣傳階段，地方政府應當突出其對于人類的益處。(2)在文化世界觀和氣候變化風險感知有別的區(qū)域，地方政府應當根據(jù)當?shù)厝后w政策偏好的異質(zhì)性調(diào)整助推型減碳政策的宣傳策略和助推技術(shù)。在個體主義文化較強或氣候變化風險較高的地區(qū)，地方政府應當更加努力地宣傳助推型減碳政策對于人類的積極作用。在個體主義較強或氣候變化風險較弱的地區(qū)，地方政府應當更多利用貼標簽和積極框架這兩種助推策略。

(四)未來展望

為進一步促進助推型減碳政策的研究，未來研究可在本文基礎(chǔ)上做出以下改進：(1)嘗試采用多元化的激勵手段并招募更多來自亞洲的被試，以此來拓展研究結(jié)論的普適性。本文所用被試都招募自Prolific眾包平臺，他們大多是為了獲得報酬而參與研究，其經(jīng)濟動機可能會造成樣本自選擇偏差。此外，Prolific平臺上的被試大多源于西方國家，這可能會降低研究結(jié)論在東方國家，尤其是中國的適用性。(2)收集更多的協(xié)變量數(shù)據(jù)以此來更準確地估計個體處理效應。本文在預測個體處理效應時所用變量僅包含基本人口統(tǒng)計變量和兩個個體思維變量。這在一定程度上限制了個體處理效應的預測精度。(3)嘗試探索提升助推型減碳政策公眾接受度的非政策屬性因素。本文在研究助推型減碳政策公眾接受度時僅關(guān)注了政策屬性的作用，但公眾在決定是否接受一項政策時同樣受非政策屬性(如社會環(huán)境因素)的影響，要進一步提升公眾的政策接受度，也需要關(guān)注這些因素。(4)未來研究需探索不同政策設(shè)計對助推型減碳政策的短期與長期效果的影響。本文只關(guān)注了助推型減碳政策的公眾接受度，但要選出最佳的政策設(shè)計方案，需要充分了解不同助推型減碳政策的公眾接受度和有效性，因為助推型政策的有效性與認可度之間往往存在著沖突(Cadario & Chandon, 2019)。