更多知情公民做出更好的气候政策决策吗 ？

更多知情公民做出更好的气候政策决策吗 ？ Michael M. Lokshin Iv á n Torre Michael Hannon Miguel E. Purroy 政策研究工作文件 10921 Abstract 这项研究探讨了对灾难事件感知与对气候变化信念之间的关系。利用2023年过渡生活调查的数据，研究发现，与传统观点相反，对过去灾难事件更为准确的认识与较低的气候变化担忧程度相关。文章提出，增强的威胁敏感性可能是过度估计灾害影响趋势和气候变化担忧加剧的共同基础。 关于气候变化的担忧。研究结果挑战了这样一个假设：即更加知情的公民必然会导致更好的气候政策决策。相反，研究表明，心理因素，如焦虑和风险感知，在塑造气候态度方面起着关键作用。阐明这些动态有助于社会促进对面临地球和人类物种紧急挑战的更细致和建设性的公众对话。 这篇论文是由欧洲和中亚地区首席经济学家办公室出品。它是世界银行为提供研究开放访问并为全球发展政策讨论做出贡献而进行的一项更大努力的一部分。该政策研究工作论文也在网上发布于http://www.worldbank.org/prwp。作者可以联系mlokshin@worldbank.org。 该政策研究工作论文系列发布正在进行中的研究成果以促进关于发展问题的交流与讨论。该系列的一个目标是迅速传播这些发现，即使这些成果的呈现尚未完全成熟。这些论文标有作者姓名，并应按此引用。本文中的观点、解释和结论完全是作者的观点。它们不一定代表国际复兴开发银行/世界银行及其附属组织的观点，也不代表世界银行执行董事会成员或他们所代表的政府的观点。 更多知情公民做出更好的气候政策决策吗 ？ Michael M. Lokshin 、 Iv á n Torre 、 Michael Hannon 和 MiguelE. Purroy1 JEL: Q54, D83, Q58 感知; 科学传播; 焦虑 1. Introduction 2011年3月11日，日本太平洋海域发生里氏9.0级地震，引发的海啸席卷了日本本州岛，导致超过19,500人死亡。此次海啸破坏了福岛第一核电站冷却系统的电力供应，导致反应堆熔化。此次核事故按国际核与辐射事件规模被评为最高级别7级。世界核协会 2023). 尽管没有报告死亡或辐射病病例，福岛灾难的响应在全球范围内产生了变革性的影响。Latre et al. 2017).2日本暂停了其 54 个核能装置中的 21 个 （Mounfield 2017). 德国决定在2022年前关闭所有核电站，中国台湾地区决定在2025年前关闭，意大利则撤销了重启核能计划的决定。法国作为一个核能发电占比约70%的国家，决定在2025年前将核能在能源结构中的比例减少至50%。瑞士议会决定在2034年前全面退出核电，西班牙则确认将在2035年前关闭所有核电站。公众意见在支持这些往往代价高昂的改革中发挥了关键作用，这些改革改变了全球能源格局。3 本文探讨了人们对重大全球事件了解程度与其对气候变化态度之间的关系。我们通过受访者对四起灾难死亡人数的回答来评估其意识，这四起灾难分别是1984年的博帕尔化学工厂事故、1986年的切尔诺贝利核电站事故、2010年的海地地震以及2011年的福岛核电站事故。4这个问题询问：“您能否估计这些灾难导致了多少人死亡？”并为受访者提供了六个关于每次事故死亡人数的选择——少于100人、少于1000人、1万人、10万人、百万及以上以及不清楚。 低估了1984年博帕尔化学泄漏事故的死亡人数（大约70%的受访者认为死亡人数被低估）以及2010年海地地震的影响（约61%的受访者认为影响被低估）。 受访者严重高估了核事故导致的死亡人数。超过75%的受访者认为切尔诺贝利核电站事故造成的死亡人数超过了1万人，几乎有17%的受访者认为事故导致的死亡人数达到了10万甚至更多，但实际估计的死亡人数从与事故直接相关的50人到辐射暴露终身累计的总共4000人不等。5约92%的受访者认为福岛事故导致的死亡人数远超实际估计的零辐射相关死亡人数。15%的受访者估算总死亡人数以百万计，接近30%的受访者估算总死亡人数以十万计。 我们构建了一个模型，将受访者对气候变化的看法与其愿意为应对气候变化政策支付的意愿与他们对四次全球灾难导致死亡人数综合指数的认知联系起来。我们采用工具变量（IV）方法来减轻系统性非响应偏差的影响。敏感性分析确认了我们的结果在多种替代模型设定、聚合方法和变量定义范围内的稳定性。 这篇论文提供了证据来挑战一个普遍假设，即更加知识渊博的公民必然能够做出更好的政治决策，尤其是在应对气候变化方面。人们普遍认为基于无知制定的政策可能会带来不必要的风险；我们的研究结果表明，在某些情况下，恰恰相反的情况可能是真实的。我们展示出，具有不同知识水平的个人在某些情境下可能能够做出更为理性的决策。不太准确对与灾难相关的死亡的看法往往成立更准确关于社会对气候变化风险的信念，人们如 果对灾难导致伤亡的准确认知较高，则往往不会像科学家认为的那样重视气候变化。 这些发现挑战了公众知情程度提高就会促使有利于社会利益的决策这一传统观点。在某些情况下，对灾难性风险的夸大感知可能比更有效地激发应对关键全球挑战所需紧迫感更为有效。我们的研究结果表明，公众对这种关系的理解需要更加细致入微。 知识、风险感知和政策偏好对于有效应对像气候变化这样的复杂社会挑战是必要的。 本文结构如下。第2节讨论了与研究相关的文献和理论背景。第3节描述了用于实证分析的数据，该部分结果在第4节中呈现。第5节展示了实证结果，第6节进行了敏感性分析。第7节提供了对我们发现的总体讨论。第8节总结了论文的关键见解及其研究成果的意义。 2. 相关文献和理论背景 一个普遍持有的观点认为，基于无知制定的政策可能会导致不必要的风险，从而可能损害公共利益。这一视角可以追溯到Republic，在其中，柏拉图批评民主制度依赖于无知公民的意见，而忽视了信息不足的观点。这一观点与现代“信息赤字”理论不谋而合。知情的专家律师 (柏拉图 1997 科学传播的“信息不足模型”，认为信息不足是公众理解和参与科学或技术问题（如）的主要障碍。Suldovsky 2017). 当代学者回应了这一观点 ， 认为公众的无知构成了 a) 。错误的信念对有效治理的重大威胁 (布伦南 2016 年 ， 卡普兰 2007 年 ， 索明 2016 年例如 ， 关于 COVID - 19 ， 可能阻止了可以拯救生命的行动 (Roozenbeek 等人。 2020,Loomba 等人 2021) 。然而 ， 最近的研究挑战了这一观点 (Kellstedt et al. 2008)。例如 ，Kahan et al. (2012)证明 “公众中科学素养和 techno-metacognitive 能力最高的人并不是最关注气候变化的群体，而是文化极化程度最高的群体。” 动机推理、文化认知和意识形态倾向在塑造个体对风险及政策偏好的感知中起的作用比知识更为显著。Kahan 等人。 2011 年 ， Kahan 2013 年 ， Drummond 和 Fischhoff 2017 年) 。此外 ， 认知回归、算术、教育和基础科学知识都可以放大党派偏见和政治两极分化 (Hannon 2022). 认为 “(2022)一个更加聪明且受教育程度更高的公民群体未必会减少 polarization、导致更好的 政策决策或提升民主质量。总体而言，几乎没有证据表明公众对气候变化的冷漠主要是由于缺乏知识。Hornsey 等人 2016;Kahan et al. 2012;Kellstedt et al. 2008;Malka et al. 2009). 3. 变量的数据和定义 我们的数据来源于欧洲复兴开发银行（EBRD）和世界银行于2023年开展的生命变迁调查（Life in Transition Survey, LiTS），涵盖了欧洲和中亚的“转型”经济体以及中东和北非地区的若干比较国家。EBRD 2023). 2023年LiTS调查在欧洲、中亚和北非37个国家进行，包括每个国家约1000户家庭的全国代表性样本。6 3.1 对气候变化的看法 为了理解关于气候变化的信念和偏好 ， 我们研究了对这个问题的回答 ，“你个人有多确信气候变化是真实的 ？ ”为此 ， 我们构造一个二进制指标 ， 如果受访者回答 ， 则该值为 1“相当确信 ”or“完全相信 ” ，和 0 否则。我们编码了问题“你个人如何确信气候变化是人为的 ？ ”以相同的方式。为了了解受访者对气候变化潜在影响的认识，我们分析了两个问题的回答：“您认为气候变化在您的一生中会严重影响还是会严重影响您？ ”and“你认为气候变化会严重影响还是会严重影响今天的孩子 ？ ”如果受访者回答， 则两个虚拟变量的值为 1“Yes”如果对每个问题 “否 ” ， 则为 0 。 为了了解受访者的政策偏好是否转化为行动 ， 我们研究了一个问题 ，您对以下每个陈述同意或不同意的程度如何：如果额外的钱用于……我会愿意支付更多的税款？选项包括 “… … 减少 / 防止污染 ， 例如改善空气或水的质量 ， 或处理 废物 / 污水 ， “... 对抗全球变暖或温室效应 ， ”and“… … 防止植物或动物物种或生物多样性的丧失。 ”我们为每个类别创建了三个二元指标 ， 当受访者回答时 ， 它们的值为 1"同意"or“强烈同意 ”否则为 0 。 3.2 对灾难造成的死亡人数的看法 我们利用每次灾难中关于伤亡人数的回应来构建一个衡量伤亡人数高估程度的指数。对于每一场灾难，我们计算受访者估计值与实际死亡人数之间的差值（按数量级计算，例如，如果受访者的估计值为约10万，而实际死亡人数约为1000，则差值为两个数量级的高估）。我们将来自四场灾难的回应进行加权汇总，权重与每个回应的非响应次数成反比。形式上，我们的伤亡人数高估指数为：Oi定义为 ： where是的数量级∑=1死亡人数灾难d由答辩人估计i,is实际的秩序灾难的死亡人数d, and是 “不知道 ” 的数量关于灾难死亡人数问题的答案d. 由于只有39%的受访者提供了所有四项灾难的有效回答，我们使用有序随机森林机器学习技术推断了回答了至少两个与灾难相关问题的15%受访者的缺失回答（Ordered Random Forest Machine Learning technique）。Lechner 和 Okasa 2019).7我们估计四种特定灾难模型以预测受访者对每类伤亡给出答案的概率，条件是个体协变量（年龄、性别、教育水平、婚姻状况、宗教信仰、心理健康指标、主要信息来源、城市/农村位置、家庭构成、家庭收入以及事发地点的距离）。 我们在模型中包含这些变量的非线性组合以提高模型拟合度。随后，我们插入概率最高的类别对应的值。8 3.3 其他变量 我们使用世界发展指标（WDI）的数据来获取国家层面的指标，如人均GDP和人口规模。世界银行 2024 ). 我们根据事件的质心（发电站的位置或地震的震中位置）来确定距离灾难变量。我们构建的从受访者的主要抽样单位（PSU）到核电站的距离是基于由国家电力公司编制的每座正在运行的核电站坐标所构建的。国际原子能机构(2023 年) 。9表 1提供分析中所有变量的描述性统计信息。 4. 经验战略 我们通过估计以下方程来分析决定受访者对死亡人数评估的因素的影响：\[ \text{评价} = \beta_0 + \beta_1 \times \text{因素1} + \beta_2 \times \text{因素2} + \cdots + \beta_n \times \text{因素n} + \epsilon \]d: 𝜀𝜀𝑖𝑖𝑖𝑖here,w是一系列个体特征，如受访者的年