劉貞，朱開偉，賁可蒙，呂指臣，蒲剛清

(1．重慶理工大學低碳能源研究中心，重慶市400054;2．清華大學能源環(huán)境經濟研究所，北京市100084)

0 引言

近100多年來，全球平均氣溫經歷了冷－暖－冷－暖2次波動，總體為上升趨勢。進入80年代后，全球氣溫明顯上升，1980—1981年全球平均氣溫比100年前上升了0.48℃ 。導致全球變暖的主要原因是人類在近1個世紀以來大量使用礦物燃料(如煤、石油等)，排放出大量的CO2等多種溫室氣體。根據國際氣候變化委員會的推斷，如果減少CO2排放的政策不迫切落實，到2100年地球上的平均氣溫預計將增加0.8～3.5℃［1］。此外，化石燃料(主要包括煤、石油、天然氣)將逐漸枯竭，而像印度這樣的發(fā)展中國家對能源的需求也在顯著地增加。這種不斷惡化的局勢，伴隨著世界市場上石油價格飆升，預計將導致國家之間為了獲得更多能源而進行激烈競爭。因此，許多國家為了獲得一個可持續(xù)的能源供應，都在大力發(fā)展可再生能源的有關法律和激勵機制。例如，2007年3月，歐盟領導人在原則上達成協議:2020年，歐盟國家20%的能源都應來自可再生能源，同時各國都應減少溫室氣體的排放。

目前，關于可再生能源投資的研究已經很多。如曾曉斌(2012)分析了我國新能源投資的特點、存在的風險和問題，提出了相應的建議，以提高新能源投資的效益和效率［2］;史運杰(2012)從投資方向、投資方式，以及投資主體幾個方面對我國可再生能源投資情況做了具體分析［3］;段宇平等(2015)從風險角度探討了我國可再生能源的對外投資機遇［4］;董娟(2014)分析了可再生能源的投資規(guī)模、投資結構變化趨勢，并據此對未來可再生能源的投資方向及趨勢進行了分析［5］。然而，迄今為止，很少有研究關注個人對可再生能源投資的支付意愿，同時，關于可再生能源投資的分析，沒有評估出可再生能源投資的經濟效益。本文采用選擇實驗法，通過考慮各種屬性來評估可再生能源投資的效益。

選擇實驗的應用最早由 Louviere-Hensher［6］和Louviere-Woodworth［7］報道，20 世紀 90 年代，選擇實驗才逐漸被運用到環(huán)境問題研究中，后來陸續(xù)運用于評估農業(yè)景觀價值、公用林地價值及改善流域水質環(huán)境的價值等，如張小紅(2012)運用選擇實驗法對湘江水污染治理中居民的支付意愿進行了實證分析［8］，但鮮見運用于評估可再生能源投資的價值。而大部分選擇實驗的研究都采用多項式Logit模型(multinomial logit model)，而本文采用了 MNP(multinomial probit model，MNP)模型。MNL模型允許概率在一個簡單的封閉范圍內選擇，但Logit模型中的各個選項相關性較弱(IIA假設)。為了克服這一問題，相關文獻提出了解決方法，如廣義極端值模型法、異方差極端值模型法和MNP模型法。

本文首次嘗試運用行為經濟實驗平臺(individual，organization and society laboratory，IOSLAB)系統(tǒng)進行選擇實驗研究，并采用MNP模型完成關于可再生能源投資的評估。MNP模型具有較高靈活性，允許相關結構在一定的誤差范圍內。該方法可以假設所有的參與者對每個屬性的價值具有相同偏好。模型最明顯的優(yōu)點就是能夠模擬出群體中難以觀察的不同參數的價值［9］。同時，本文使用IOSLAB系統(tǒng)的實驗平臺來對受訪者進行調查，該平臺不僅解決了人工統(tǒng)計數據的繁瑣，而且對受訪者的訪問不受時間、地點等各種因素的限制，只要1臺筆記本外加帶有安卓系統(tǒng)的設備就可以開始調查，而且可以通過無線數據給受訪者發(fā)放各種信息，也避免了調查問卷丟失以及評估問題不同的可能性。

1 選擇實驗

選擇實驗法在測量可再生能源的各種屬性的經濟價值是可行性的，因為其涉及了超過特征變化范圍的建模選擇，而不只提供為評估支付意愿(willing to pay，WTP)的單一選擇。研究確定了2個屬性:空氣污染和就業(yè)。表1描述了這2個屬性和價格屬性的定義，以及屬性的每個級別的劃分。

表1 選擇實驗每個屬性的定義及其級別的劃分Table 1 Definition and level division of each attribute in choice experiment

選擇實驗運用了統(tǒng)計設計理論去構造選擇集，使評估的收益系數不受其他因素影響［10］。在本文中，研究采用“正交主效應設計”，其在選擇上能夠有效地排除個別屬性的影響。正交設計在運用效果上超越了顯示性偏好的隨機模型。然而，一個屬性通常與另一個屬性高度相關［11］。研究將通過SPSS12.0軟件包來完成正交主效應的設計［12］。

選擇實驗中，有3個選擇項，其中2個選擇項代表著可再生能源的屬性水平和特定的價格水平的投資組合，第3個選擇項代表著現狀。屬性和級別形成的選擇集的組合有34×52種可能性。要求受訪者從所有的組合中選擇是不切實際的，所以研究根據所要求解的估算系數，得出了所有選擇集的子集，并選取了36個選擇集，隨機分為6組，每組有6個選擇集。圖1給出了1個選擇集的例子，以及要求受訪者在現狀和2個選擇項之間選擇。

圖1 選擇集范例Fig.1 Selection set example

調查問卷由3個部分組成。第1部分是為了衡量受訪者對可再生能源的普遍認可度，使他們熟悉關于可再生能源評估的屬性，為了加深受訪者對可再生能源的理解，這一部分將提供一些關于可再生能源的彩色照片，如太陽能和風能發(fā)電。為了便于選擇實驗分析，第2部分將通過價格和其他屬性的權衡引出受訪者對可再生能源投資的支付意愿。最后一部分將涉及關于受訪者的社會經濟信息，如:收入、年齡、文化程度等。

由于預算所限，研究利用IOSLAB系統(tǒng)對100人進行了調查。本次調查是在重慶市進行的，重慶市是我國直轄市，且其城鎮(zhèn)水平可以代表我國的平均水平。調查是隨機選取的受訪者，目的是使得到的詳細問題和答案的范圍最大化。

2 模型

2.1 實驗仿真平臺

IOSLAB系統(tǒng)［13］是一套可用于經濟學、管理學、行為心理學課堂教學和現場實驗研究的便攜式經管實驗平臺。其建立了多終端無線串口通信平臺，以無線通信平臺模擬符合協議的各種類型實驗，同時擴大了無線串口通信的應用領域。

IOSLAB系統(tǒng)由一個服務端和多個終端共同組成。服務端可以進行數據處理、控制調查過程和處理調查結果等，其中控制調查過程只要是服務端與終端的數據交換。服務端給終端發(fā)送調查內容和命令，而終端則恢復服務端要求回復的調查信息。調查過程中的數據收發(fā)使用無線串口技術，整個流程都在服務端控制下進行。其總體結構如圖2所示。

該仿真平臺采用了多線程的事件處理機制，即將仿真平臺系統(tǒng)分成主線程、接收消息線程、發(fā)送消息線程、分發(fā)消息線程、處理消息線程和結果處理線程。其中主線程用于控制各個線程直線的協調工作;接收消息線程和發(fā)送消息線程用于對原始數據的收發(fā)，這些數據包括從服務端發(fā)送的指令、信息和從終端接收過來的信息等數據;分發(fā)消息線程主要用于對接收到的數據進行分類處理;處理消息線程是最重要的線程，主要對終端發(fā)送上來的數據進行集中處理，并將需要發(fā)送的數據交給發(fā)送消息線程，通過這些線程有效有序的控制調查過程的進行，如圖3所示。

圖2 仿真平臺系統(tǒng)總體結構圖Fig.2 System structure of simulation platform

圖3 仿真平臺系統(tǒng)多線程事件處理機制圖Fig.3 Multi-threaded event handling mechanism of simulation platform system

調查結束后，主線程啟動結果存儲線程，將本次調查結果保存到數據庫中。并且畫出實驗結果圖便于實驗者進行分析和評估，并且可將此實驗的所有信息輸出到Word文檔中或者用打印機打印出來。下圖給出了基于IOSLAB系統(tǒng)調查的操作步驟。

2.2 多項式Probit模型

本文中，隨機效用模型是通過選擇項中特定的效用函數去解釋個人選擇。在間接效用函數中，i代表每個受訪者，j代表在選擇集中選取的備選方案，則可以表示為

式中:間接效用函數Uij，可以被分解成確定性部分Vij和隨機部分eij。Vij是某個指定屬性的函數，Xij是指在備選方案j中被受訪者i選擇。eij不可觀測的因素，對受訪者i選擇方案j的影響。

多項式Probit模型中假設誤差eij服從均值為0的多元正態(tài)分布，其協方差矩陣為

則第1方案被選擇的概率為

式中:η21=ei2－ ei1，η31=ei3－ ei1，f(η21，η31)是關于協方差矩陣Ω的變形矩陣Ω1的二元正態(tài)分布。而給協方差矩陣的第1對角元素的每個元素增加1個屬性，其形式的變化不會影響所要觀察選擇項的概率分布。則Ω1可以表示為

第2個和第3個方案被選擇的概率可以類似得出。

2.3 效應函數和邊際支付意愿

這個模型的效用函數，除了誤差部分以外，可以表示成關于屬性的線性函數，則為［Z1，Z2，Z3］=［空氣污染，就業(yè)，價格］。其中，包含了2個選擇項的特定常量(CASCs)，其表示受訪者在選擇集中選擇A和B的模擬。而CASCs只獲得了該方案的選擇項信息，并沒有得到其屬性價值。

式中βs是估計每個屬性影響受訪者效用的參數，如果計算出邊際支付意愿(Marginal Willingness to Pay，MWTP)的每個屬性的水平，并假設其他所有變量保持常數，則可以通過微分方程計算出如下的 MWTP公式，為了簡潔起見，省略了i。

MWTPs的每個屬性表示價格和其屬性之間的邊際替代率。

3 實驗結果及分析

3.1 調查結果

本次調查是隨機對重慶市各個地區(qū)的人進行了訪問，總共有400(100×4)個選擇結果。圖5給出了受訪者對各種可再生能源的認識情況。當問到受訪者是否知道給出的每個可再生能源時，有67.4%的受訪者知道太陽能發(fā)電，風能、潮汐能和水力發(fā)電各有48.7%，50.1%，34.0%的受訪者了解，只有7.9%的受訪者知道生物質能。

圖5 各種能源的認識情況Fig.5 Understanding of renewable energy

3.2 估算結果

表2給出了MNP模型的估算結果。通過GHK仿真估計該模型［14-16］。使用Wald統(tǒng)計，估算方程從0到1%的水平在統(tǒng)計上顯著不同。從統(tǒng)計結果推測，所有屬性的系數都是重要的。而且，系數的變化軌跡與預期結果是相同的。例如，空氣污染系數和就業(yè)的系數都是遞增的。這意味著，這些屬性的水平增加，受訪者對公共事業(yè)的效用將增加。而價格屬性的系數是負的，調查結果中也顯示出:價格越高，受訪者的效用越低。

研究又進行了似然比實驗測試IIA的屬性是否可以保持。在假設誤差是不相關的條件下，似然比的檢驗值服從自由度為1的卡方分布，在進行IIA測試時，選擇了0.1的顯著性水平。因此IIA測試中，可以拒絕假設——誤差不相關。由于MNP模型不需要IIA的假設，因此，這是一個較合適的模型來估計本文的數據。

表2 MNP模型估算結果Table 2 Estimation results of MNP model

3.3 每個屬性的MWTP估計

表3給出了每個屬性的MWTP估算結果。每個月空氣污染的 MWTP是0.048 8元，每個月就業(yè)的MWTP是0.063元，而國家電力監(jiān)管委員會認為我國的家用電的平均價格大概是0.4元/(kW·h)。因此，空氣污染和就業(yè)的 MWTP價格分別是電力價格的12.2%，15.75%。

由于不確定性的存在，研究根據每個屬性的MWTP的點估計構建了置信區(qū)間［17］。所以在測量MWTPs時，Monte Carlo仿真技術［18］假設了95%的置信區(qū)間。表3也給出了95%的置信區(qū)間下的數據。

表3 每個屬性的MWTP估算結果Table 3 Estimation results of MWTP with different attributes

4 結論

(1)研究結果顯示，社會普遍認可發(fā)展可再生能源發(fā)電帶來的空氣污染減少和就業(yè)機會增加。個人每月為改善1%空氣污染的 MWTP為0.049元，個人每月為獲得額外的本地長期就業(yè)機會的MWTP是0.063元。此外，重慶市的所有居民在可再生能源發(fā)電上愿意支付約784.7萬元。與化石燃料電廠相比，每發(fā)展一個可再生能源發(fā)電廠將減少100%的空氣污染，同時增加30個新的本地的長期就業(yè)機會。

(2)本文表明了，利用選擇實驗對可再生能源投資分析的可行性。從決策的角度來看，本文為決策者在制定和實施適當的政策來解決可再生能源投資的問題提供了有用的信息。特別是可以用于具體的可再生能源投資的成本效益分析。而且，本文重視了MNP模型的使用，這個模型可以拋開IIA的假設對選擇實驗調查收集的數據進行合理分析。因此，本文可以為可再生能源投資的評估提供適當的參考。

［1］ Intergovernmental panel on climate change．IPCC special report on carbon dioxide storage［M］．New York:Cambridge University Press，2005．

［2］曾曉斌．我國新能源投資的“冷”思考［J］．價值工程，2012(1):122-123．Zeng Xiaobin．A reconsideration of the new energy investment in China［J］．Value Engineering，2012(1):122-123．

［3］史運杰．我國可再生能源投資分析［J］．時代金融，2012(3):87．Shi Yunjie．A analysis of renewable energy investment［J］．Times Finance，2012(3):87．

［4］段宇平，吳昊．中國全球能源投資分析［J］．中外能源，2015(3):9-15．Duan Yuping，Wu Hao．China’s overseas energy investment overview［J］．Sino-Global Energy，2015(3):9-15．

［5］董娟．全球可再生能源發(fā)展現狀及投資趨勢 分析［J］．當代石油化工，2014(8):25-31．Dong Juan．Development status of global renewable energy and analysis on its investment trends［J］．Petroleum ＆ Petrochemical Today，2014(8):25-31．

［6］ Louviere J，Hensher D A． Using discrete choice models with experimental design data to forecast consumer demand for a unique cultural event［J］．Journal of Consumer Research，1983，10(3):348-361．

［7］ Louviere J，Woodworth G． Design and analysisofsimulated consumer choice or allocation experiments:An approach based on aggregate data［J］．Journal of Marketing Research，1983，20(4):350-367．

［8］張小紅．基于選擇實驗法的支付意愿研究——以湘江水污染治理為例［J］．資源開發(fā)與市場，2012，28(7)600-603．Zhang Xiaohong．Study on willingness to pay based on choice experiment method:A case study of Xiangjiang river water pollution［J］．Resource Development＆ Market，2012，28(7):600-603．

［9］ Layton D F． Random coefficientmodelsforstated preference surveys［J］．Journal of Environmental Economics and Management，2000，40(1):21-36．

［10］Yoo S H，Kwak S J，Lee J S．Using a choice experiment to measure the environmental costs of air pollution impacts in Seoul．［J］．Journal of Environmental Management，2008，86(1):308-318．

［11］Adamowicz W，Hanley N，Wright R E，et al．Using choice experiments tovalue the environment［J］． Environmental ＆Resource Economics，1998，11(3-4):413-428．

［12］SPSS．SPSS conjoint 14.0［M］．Chicago:SPSS Inc．．2005．

［13］劉貞，施於人．微觀經濟與宏觀經濟 實驗原理、方法與案例［M］．北京:機械工業(yè)出版社，2012:21-22．

［14］ Geweke J．Bayesian inference in econometric models using Monte Carlo integration［J］．Econometrica，1989，57(6):1317-39．

［15］Keane M P．A computationally practical simulation estimator for panel data［J］．Econometrica，1994，62(1):95-116．

［16］Hajivassiliou V A，Mcfadden D L．The method of stimulated scores for the estimation of LDV models［J］．Econométrica Journal of the Econometric Society，1998，66(4):863-896．

［17］Park T，Loomis J B，Creel M．Confidence intervals for evaluating benefits estimates from dichotomous choice contingent valuation studies．［J］．Land Economics，1991，67(1):64-73．

［18］ Krinsky I，Robb A L．On approximating the statistical properties of elastic ties［J］．Review of Economics ＆ Statistics，1986，68(4):715-19．