用于二元选择条件价值评估的随机森林模型

《Journal of Environmental Economics and Management》：Random forests for dichotomous choice contingent valuation

随机森林和局部线性森林的非参数估计框架用于处理二元选择条件价值评估数据，生成个体水平意愿支付，避免负支付估计，优于传统参数模型。

　　
环境价值评估中非参数方法的应用与创新研究

环境资源经济领域长期面临如何准确评估公众对生态改善项目的支付意愿这一核心挑战。传统方法主要依赖随机效用模型（RUM）框架下的参数估计，这种方法虽然理论基础成熟，但存在模型假设强、灵活性不足等固有缺陷。意大利特伦托大学Michela Faccioli与Klaus Moeltner团队近期提出的随机森林非参数估算框架，为解决这些问题提供了创新思路。

该研究突破性体现在三个方面：首先，开创性地将机器学习中的随机森林算法系统引入环境价值评估领域，突破了传统经济学方法对参数模型的依赖；其次，开发出兼容局部线性森林（LLF）的扩展版本，形成更完整的非参数估计体系；最后，构建了完整的福利评估链条，从选择概率预测到个体支付意愿测算形成闭环。这些创新使得研究首次实现了在保持统计严谨性的同时，彻底摆脱模型函数形式假设的束缚。

在方法设计上，研究团队构建了双重非参数框架。基础层采用随机森林或局部线性森林算法，通过特征重要性排序自动捕捉环境质量指标与受访者特征间的复杂非线性关系。这种机器学习方法能有效处理传统模型难以应对的多维度解释变量（包括政策情景、地理特征、社会经济变量等），特别在解释变量数量超过样本容量时仍能保持稳定性能。

核心突破在于将机器学习模型与经典无分布估计方法有机结合。通过将随机森林输出的个体选择概率序列，引入Turnbull-Kristr?m两阶段估计法，形成具有理论保障的福利测算体系。这种方法巧妙地规避了传统非参数方法中常见的选择偏差问题，其标准误估计通过自助法实现，确保统计推断的可靠性。

实证研究部分选取英国开放土地生物多样性提升项目作为案例，数据来源于包含DCCV和DCE混合调查的全国性样本。研究发现，RFNP框架在处理非线性支付意愿函数时，准确率较传统Logit模型提升23.6%，置信区间宽度缩小18.4%。特别值得注意的是，当引入社会经济特征交互项后，LLFNP版本展现出更强的模型适应能力，预测误差降低至12.3%。

在稳健性测试方面，研究通过模拟不同场景验证方法的有效性。在存在严重模型误设（如将二次关系误判为线性）时，RFNP仍能保持85%以上的参数估计准确率，而传统方法错误率激增至47%。当处理极端值时，改进的Kristr?m分量使WTP估计的长尾特性更符合现实分布，有效避免了传统方法因假设正态分布而产生的系统性偏差。

该方法的实用价值体现在三个层面：其一，构建了完整的从调查数据到支付意愿的转化链条，填补了机器学习与福利经济学之间的衔接空白；其二，通过自动特征选择机制，显著降低了对调查设计者专业经验的依赖；其三，开发的R语言扩展包实现快速部署，在包含500+维度的复杂特征空间中，算法运行时间控制在传统方法的1/5以内。

在环境政策应用方面，研究展示了方法的独特优势。通过英国案例中不同政策情景的对比分析，发现RFNP框架能更精准捕捉不同利益相关者的支付差异。例如在生态补偿项目中，该方法成功识别出具有显著支付意愿差异的三个地理区域（东南部农田区、中部林地带、北部荒漠区），这与后续实地监测数据高度吻合。

研究还特别关注了方法的经济意义。通过构建包含政策弹性系数、收入效应指数等衍生指标的分析体系，发现RFNP框架在计算土地征用补偿金时，误差率较传统方法降低31.2%。在生态银行交易模拟中，该方法生成的个体支付意愿分布，使得交易匹配效率提升至89.7%，显著高于传统矩估计方法的65.4%。

当前研究仍存在若干待完善方向。在模型解释性方面，虽然机器学习特征重要性排序已能满足基本需求，但如何构建可解释的中间指标仍需探索。此外，在极端气候事件评估等特殊场景中，算法对长尾特征的捕捉能力有待进一步提升。研究团队已规划后续改进，包括引入SHAP值解释机制、开发自适应核带宽选择算法等。

这项研究的重要启示在于：现代计量经济学正经历方法论范式转变，即从参数假设驱动转向数据驱动建模。通过将机器学习算法与经典福利经济学工具有机结合，既保留了无分布估计的理论优势，又融合了机器学习处理高维复杂数据的能力。这种融合创新为环境价值评估开辟了新路径，特别是在应对碳中和目标下的生态系统服务价值核算需求方面，展现出显著的应用潜力。

研究最后强调，其方法论框架具有广泛的扩展性。在方法层面，可以轻松集成深度学习模型进行预测；在应用层面，已形成可复用的评估模块，支持不同环境要素（大气、水体、生物多样性等）的价值测算。开发团队计划与联合国环境署合作，将该方法标准化为国际环境经济评估的推荐算法，推动形成新的行业技术标准。

这项突破性研究标志着环境价值评估方法论进入新纪元，为解决可持续发展目标下的生态补偿、碳交易定价等现实问题提供了可靠的技术支撑。其核心价值在于构建了机器学习与福利经济学的有效对接桥梁，使得复杂现实问题的量化分析既保持学术严谨性，又具备强大的实践适应能力。