下载文档原格式
论文公众对助推型减碳政策的偏好研究：基于联合实验与机器学习方法胡赛全 刘展余 雷玉琼 刘 盼【摘要】助推策略在促进公众低碳行为方面具有效果佳且成本低的优势，但将其广泛运用到减碳政策中将引发公众对决策自主性可能被侵犯的担忧。
助推型减碳政策要获得更高程度的公众支持，需要系统了解公众对助推型政策设计中多个属性的偏好。
论文采用联合实验设计，从受益者、助推目标、公民社会参与、实施者、助推技术、透明性及替代技术这七个政策属性切入，分析了公众对助推型减碳政策的偏好，并使用机器学习方法探索了不同群体在助推型减碳政策偏好上的异质性。
研究发现，公众偏好受益者为人类，助推目标为绿色出行及可持续电力消费行为，公民社会的参与以环保组织及大学与科研机构为代表，助推技术以运动式教育、积极框架与反馈策略为主，透明性高且用以取代税收政策的助推型减碳政策。
公众对助推型减碳政策实施者属性中的四种类型无显著的偏好差异。
不同文化世界观、不同气候变化风险感知的群体在助推型减碳政策偏好上具有较大差异。
上述发现对助推型减碳政策的制定与推广有相应政策启示。
【关键词】助推 助推型减碳政策 公众政策偏好 联合实验 机器学习【中图分类号】Ｄ６３ 【文献标识码】Ａ【文章编号】１６７４－２４８６（２０２２）０３－００４０－２２一、引言全球气候变化引发的干旱、洪水、强风暴及森林火灾等自然现象将严重威 胡赛全，湖南大学公共管理学院副教授、公共政策与社会治理研究所所长；刘展余，湖南大学公共管理学院硕士研究生；雷玉琼，湖南大学公共管理学院教授、副院长；通讯作者：刘盼，湖南大学公共管理学院副教授。
感谢匿名评审专家、编委会专家和编辑部对论文提出的宝贵意见。
本文文责自负。
基金项目：中央高校基本科研业务费专项资助（项目编号：５３１１１８０１０２６８），国家自然科学基金青年项目“启发式决策视角下的公众环境知行差距研究”（项目编号：７５１２０２００１４５８）。
公众对助推型减碳政策的偏好研究：基于联合实验与机器学习方法◆胁人类的生产生活（郑石明等，２０２１）。
贝叶斯网络模型在决策分析中的应用近年来，随着数据的爆炸式增长，数据分析在各个领域的应用变得越来越普遍。
在决策分析领域，贝叶斯网络模型已经成为了一种非常有力的工具。
贝叶斯网络可以帮助我们将各种因素联系起来，预测事件的可能性，并帮助我们做出正确的决策。
接下来，我们将详细的介绍一下贝叶斯网络模型在决策分析中的应用。
一、什么是贝叶斯网络模型贝叶斯网络是一种概率图模型，通过图的节点和边来表示变量之间的联系，节点表示变量，边表示变量之间的依赖关系。
贝叶斯网络模型可以用来推断变量之间的关系，并进行预测。
其基本思想是，对于一个事件来说，我们不仅仅知道其中某些因素的概率，还要考虑这些因素之间的关系，从而得到事件发生的概率。
因此，贝叶斯网络模型可以帮助我们在不确定性的情况下，处理事实和数据之间的关系。
二、贝叶斯网络模型的应用1、风险预测贝叶斯网络模型可以用来进行风险预测，从而帮助我们做出更加明智的决策。
例如，在银行信贷风险评估中，我们可以利用这种模型来建立一个信用评级系统。
我们可以将客户申请的贷款金额、收入、已有贷款的还款情况、年龄、性别等因素作为节点，然后使用大量的数据对这些节点进行训练，从而得到一个准确的风险评估模型。
2、医疗诊断贝叶斯网络模型还可以用来进行医疗诊断。
我们可以将各种疾病、症状、家族史、饮食、运动等因素作为节点，然后使用医疗数据进行训练，从而得到一个准确的诊断模型。
这种模型可以帮助医生更加准确地诊断疾病，并提供更好的治疗方案。
3、工业决策贝叶斯网络模型还可以用来进行工业决策。
例如，在石油开采行业，我们可以将工程中的各种因素，如油藏性质、地质结构、工程参数等作为节点，并使用大量的数据进行训练，从而得到一个准确的决策模型。
这种模型可以帮助决策者更好地做出决策，提高开采效率。
三、贝叶斯网络模型的优势相比于其他模型，贝叶斯网络模型具有以下优势：1、深入分析因素之间的关系贝叶斯网络从本质上就是一种因果推断的模型，在分析过程中，它能够深入分析各个因素之间的关系，与其他模型相比，它更加准确、可靠。
ar2偏自相关系数推导AR(2)模型是一个自回归模型，它包含两个滞后变量。
在这个模型中，当前观测值与前两个观测值的自相关关系相互影响。
为了推导AR(2)模型的偏自相关系数，我们需要先了解“偏自相关系数（Partial Autocorrelation Coefficient, PACF）”的定义和计算方法。
偏自相关系数是指在自回归模型中，去除其他变量的影响，仅考虑该变量与当前变量的自相关关系的系数。
PACF的计算可以通过Yule-Walker方程或Durbin-Levinson算法完成。
在这里，我们将采用Durbin-Levinson算法。
假设我们有一个AR(2)模型：$y_t = \phi_1 y_{t-1} + \phi_2 y_{t-2} + \epsilon_t$其中，$\phi_1$和$\phi_2$为自回归系数，$\epsilon_t$为误差项。
要计算PACF，我们需要首先将模型转化为一个等价的MA（moving average）模型：$y_t = \sum_{j=0}^{\infty} \psi_j \epsilon_{t-j}$其中，$\psi_0 = 1$，$\psi_1 = \phi_1$，$\psi_2 = \phi_2$，$\psi_j = 0$（$j>2$）。
接下来，我们可以使用Durbin-Levinson算法计算PACF。
该算法的基本思想是，利用递推公式计算AR(p)模型的偏自相关系数，其中p为模型的阶数。
具体来说，对于AR(p)模型的偏自相关系数，我们可以将其表示为：$\phi_{kk} = \frac{r_k - \sum_{j=1}^{k-1}\phi_{k-1,j}r_{k-j}}{1 - \sum_{j=1}^{k-1}\phi_{k-1,j}\phi_{k-1,k-j}}$其中，$r_k$为自相关系数，$\phi_{k-1,j}$为AR(p-1)模型的第j个自回归系数，$\phi_{k-1,k-j}$为AR(p-1)模型的第k-j个自回归系数。
基于联系数的三角模糊数评估软件风险作者：吴朱军南振岐孙艳川来源：《科技创新与应用》2013年第10期摘要：针对软件风险的定量评估，提出了一种联系数和模糊数学理论相结合确定风险优先级的定量分析方法，用三角模糊数表征专家的判断信息，将三角模糊数转化为联系数，用联系数决策模型得出决策综合值，按决策值的大小得出风险优先级的排序。
相比单纯的三角模糊数多属性评估，一是既考虑了三角模糊数的中值，又兼顾了三角模糊数的上下确界，即联系数的差异度，更具客观性；二是对专家的权重向量进行三角模糊化的修正，克服了权重确定带来的主观偏差。
最后通过实例仿真验证了该方法对风险定量分析的可行性。
关键词：三角模糊数；联系数；软件风险评估引言软件风险评估主要是量化风险，确定风险的优先级，为制定风险应对计划和监控风险提供依据。
目前风险评估的度量准则主要是依据“风险暴露”（Risk Exposure）的量化值。
根据Boehm的定义，风险暴露表示为：RE=P（UO）L（UO），其中RE表示风险的影响，P （UO）表示令人不满意结果发生的概率，L（UO）表示不满意结果带来的损失[1-2]。
前者依赖于充足的历史数据，但在实际项目中，历史数据非常有限。
后者以专家的主观估计为依据，专家给出的信息通常有很大的模糊性，如果使用经典数学的方法来提取信息，将会造成信息丢失，从而导致评估结果的可信度和合理性大大降低。
由于专家对各风险项打分时给出的信息模糊性较大，因此，引入三角模糊数的多属性决策方法能很好的解决这一问题。
文献[3]研究了通过构建风险评估准则体系，采用三角模糊数多属性决策方法评估风险。
文献[4]研究了决策者对方案有偏好、属性值以三角模糊数形式给出、属性权重信息不能完全确知的三角模糊数多属性决策问题。
文献[5]将区间数按照某种定义方式转化成三参数模糊数，进行决策评价。
文献[6]研究了属性权重和属性值均以三角模糊数形式给出的多指标决策问题。
文献[7]针对方案的属性评估信息和属性权重是模糊语言形式的多属性决策问题，利用三角模糊数的性质，构造了集结决策者权威性和意见一致性的组合一致性指标。
