食物浪费与按量付费的垃圾处理系统

《Journal of the Agricultural and Applied Economics Association》：Food waste and pay-as-you-throw systems

　　摘要

本研究通过比较基于体积和基于重量的方法，评估了按量付费（PAYT）方案在管理家庭食物浪费方面的有效性。利用效用最大化框架和韩国家庭（2019-2022年）的调查数据，我们发现基于重量的PAYT通过创建更强的激励措施来采用食物保存技术和实践，从而更有效地减少食物浪费，因为处理费用取决于废物的重量。该研究还强调了公众意识宣传活动在减少食物浪费对环境影响方面的作用，表明关于可持续实践的教育可以进一步提高这些系统的效果。研究结果为政策制定者设计有效的食物浪费管理计划提供了指导。

1 引言

家庭食物浪费是一个日益严重的问题，可以通过各种管理策略来解决。两种常见的方案是基于体积和基于重量的按量付费（PAYT）系统。基于体积的系统根据家庭从商店提前购买的废物容器或袋子的数量或大小收费。基于重量的系统则根据废物的重量收费，需要用可以测量重量的路边收集箱。基于重量的系统可能更有效，因为费用直接反映了废物的数量，从而提供了更强的减少废物和阻止压实的激励，而压实是基于体积的系统中的一个常见问题。虽然有很多文献研究了城市固体废物（MSW）的PAYT，但很少有研究关注家庭食物浪费。MSW的研究表明，基于重量的系统显著减少了废物（Bartelings & Sterner, 1999; Dahlén & Lagerkvist, 2010; Houtven & Morris, 1999; Linderhof et al., 2001; Noehammer & Byer, 1997; Sasao et al., 2021; Skumatz, 2008; Watkins et al., 2012）。家庭食物浪费是由多种因素复杂相互作用造成的，包括消费者的决定、对食物使用的了解以及获得保存技术的机会。在这项研究中，食物浪费被定义为购买的食物与实际消费的食物之间的差异。有几个模型解释了家庭食物浪费的行为，特别是Katare等人（2017年）和Hamilton与Richards（2019年）的研究。Katare等人（2017年）研究了食物浪费税和激励措施的影响，将其归因于有限的食物知识和储存条件。Hamilton与Richards（2019年）将浪费视为一个家庭效用最大化问题，其中食物使用的效用损失影响决策。尽管这些模型很有启发性，但它们没有比较基于体积和基于重量的处理系统。由于没有直接评估家庭食物浪费的这些系统的研究，本文提供了理论和实证分析来填补这一空白。利用韩国食品消费行为调查（CBSFs）的数据，我们的理论和实证分析表明，特别是那些使用RFID技术的基于重量的系统，在减少家庭食物浪费方面比基于体积的系统更有效。这为寻求改进食物浪费管理的政策制定者提供了关键见解。

2 文献综述

本文献综述提供了关于家庭食物浪费的现有研究的概述，涵盖了微观经济理论和实证研究。第一部分讨论了在效用最大化框架下的家庭食物浪费，包括Katare等人（2017年）、Lusk和Ellison（2017年）、Hamilton和Richards（2019年）以及Drabik等人（2019年）的研究。第二部分回顾了关于家庭食物浪费的实证研究。Lusk和Ellison（2017年）总结了多项先前的关键研究，涵盖了理论和实证方法。

2.1 食物浪费模型

家庭食物浪费被定义为购买的原始或新鲜食物与实际消费的食物之间的差异。家庭花费时间（Lusk & Ellison, 2017, 2020）、利用努力（Hamilton & Richards, 2019）或物质和人力资本（Katare等人, 2017）来准备或保存购买的食物。Katare等人（2017年）将食物浪费建模为购买的食物、人力资本（如 meal planning 和 portion control）以及物质资本（如先进的冷藏或真空密封）的函数。购买的食物越多，浪费就越多，而这两种资本都会减少浪费。家庭在包括购买食物成本、处理废物成本和使用资本成本在内的预算约束下最大化效用。Katare等人（2017年）还探讨了食物浪费税的福利效应，并确定了带有政府激励的社会最优处理税。Lusk和Ellison（2017年）将食物浪费衡量为原始食物被延用的程度以及将购买投入转化为食物的生产力。他们的模型表明，更高的工资可能会增加食物浪费，而花费更多时间在准备食物上可以减少浪费（Lusk & Ellison, 2017, 2020）。Hamilton和Richards（2019年）研究了调整市场价格以改善家庭食物效用的政策如何影响家庭食物浪费。他们模拟了新鲜和加工食品，并假设新鲜食品是易腐的，浪费是未消费的部分。消费者在平衡食物消费和增加效用所需的努力时最大化效用。虽然这些模型很有启发性，但它们没有比较基于体积和基于重量的处理系统。由于没有研究直接评估家庭食物浪费的这些系统，本文提供了理论和实证分析来解决这一空白。利用韩国食品消费行为调查（CBSFs）的数据，我们的理论和实证分析表明，特别是那些使用RFID技术的基于重量的系统，在减少家庭食物浪费方面比基于体积的系统更有效。这为寻求改进食物浪费管理的政策制定者提供了关键见解。与我们的理论框架一致，基于重量的系统通过将费用直接与废物重量联系起来，创造了更强的激励。这种定价结构更透明地反映了处理成本，鼓励家庭采取节约食物的行为。虽然基于重量的系统解决了经济激励问题，但必须辅以公众意识倡议和适应性政策才能最大化效果。我们的结果显示，将费用与废物产生量对齐只是解决方案的一部分；通过教育培养人们对食物浪费环境影响的认识是必不可少的。政府应推广可持续实践，包括改进储存、消费和处理习惯。结合使用RFID技术的基于重量的系统与教育和适应性政策，可以显著提高食物浪费管理的有效性和韧性。本研究在三个方面做出了贡献。首先，我们通过明确纳入食物浪费处理系统（包括基于体积和基于重量的PAYT方案）来扩展效用最大化框架，为其相对有效性提供了理论基础。其次，我们利用韩国的数据填补了实证研究的空白，这两种系统在那里已经在不同地区实施。第三，我们提供了关于基于重量系统在减少家庭食物浪费方面的优势的政策相关见解。总体而言，该研究加深了对食物浪费管理的理论和实证理解，支持基于重量系统的优势，并提供了政策指导。本文的结构如下：第2节回顾相关文献，第3节发展了消费者食物浪费模型，第4节详细介绍了数据和估计方法，第5节展示了结果，第6节总结了政策含义。

2.1 食物浪费模型

家庭食物浪费被定义为购买的原始或新鲜食物与实际消费的食物之间的差异。家庭投入时间（Lusk & Ellison, 2017, 2020）、利用努力（Hamilton & Richards, 2019）或物质和人力资本（Katare等人, 2017）来准备或保存购买的食物。Katare等人（2017年）将食物浪费建模为购买食物、人力资本（如 meal planning 和 portion control）以及物质资本（如先进的冷藏或真空密封）的函数。购买的食物越多，浪费就越多，而这两种资本都会减少浪费。家庭在包括购买食物成本、处理废物成本和使用资本成本在内的预算约束下最大化效用。Katare等人（2017年）还探讨了食物浪费税的福利效应，并确定了带有政府激励的社会最优处理税。Lusk和Ellison（2017年）将食物浪费衡量为原始食物被延用的程度以及将购买投入转化为食物的生产力。他们的模型表明，更高的工资可能会增加食物浪费，而花费更多时间在准备食物上可以减少浪费（Lusk & Ellison, 2017, 2020）。Hamilton和Richards（2019年）研究了调整市场价格以改善家庭食物效用的政策如何影响家庭食物浪费。他们模拟了新鲜和加工食品，假设新鲜食品是易腐的，浪费是未消费的部分。消费者在平衡食物消费和增加效用所需的努力时最大化效用。降低食物利用的边际成本但提高新鲜食品价格的政策可能会在价格弹性需求较高的家庭中增加浪费，而提高加工食品价格可以在两种食品是替代品且利用较高的情况下增加新鲜食品的消费并减少浪费。据我们所知，没有研究比较过基于重量和基于体积的按量付费（PAYT）系统在家庭食物浪费方面的效果。本研究通过开发一个概念模型来比较这两种PAYT方法在减少食物浪费方面的有效性，从而填补了这一空白。理论结果为实证模型提供了信息，并为设计有效的PAYT系统提供了见解，比较了基于重量和基于体积的方法。

2.2 食物浪费实证研究

几项实证研究调查了家庭食物浪费。使用美国的调查数据，Neff等人（2015年）和Qi与Roe（2016年）研究了消费者对食物浪费的认识和知识。Secondi等人（2015年）使用Flash Eurobarometer调查分析了欧盟27国的食物浪费行为，发现发达国家产生的废物更多，65岁及以上的人产生的废物较少，受教育程度较低的人产生的废物也较少。Lanfranchi等人（2016年）调查了意大利西西里的家庭，确定“冰箱里放太久的食品”和“购买过多的食物”是主要原因，这与Katare等人（2017年）和本文的发现一致。Hoover（2017年）在丹佛、纳什维尔和纽约市报告了类似的结果，发现蔬菜和水果浪费最多，68%的废弃物是可以食用的，浪费量随家庭规模的增加而增加，较小家庭的人均废物量也更多。EK和Miliute-Plepiene（2018年）研究了环境政策对瑞典家庭食物浪费的影响。他们使用差异-in-difference方法评估了在各市政区实施食物废物收集的效果。研究结果表明有积极的溢出效应，食物浪费增加了5-10%，由于废物管理策略实施缓慢而逐渐上升。Alacevich等人（2021年）研究了分离有机和非有机家庭废物的政策的影响。通过分析全面的家庭数据，他们发现废物分离减少了家庭总体废物产生量。Ellison和Lusk（2018年）发现社会人口统计因素（如收入、性别、SNAP参与度和年龄）影响家庭食物浪费。Meal planning和准备成本也会影响浪费。Landry和Smith（2019年）以及Yu和Jaenicke（2020年）通过估计卡路里摄入量分析了美国家庭食物浪费。Landry和Smith（2019年）认为价格工具可能会减少浪费，因为食物浪费对价格具有弹性。Yu和Jaenicke（2020年）使用USDA FoodAPS数据和包括收入、教育、消费和健康结果在内的随机生产前沿模型，确定家庭收入和规模是关键因素。Werkman等人（2025年）表明过度购买是良好供应者身份与食物浪费之间的联系，而在购买点的干预措施，如食物交换和针对性信息，可以有效减少过度购买，强调了根据个人动机量身定制策略的必要性。家庭在食物浪费中起着关键作用，但处理行为的心理驱动因素仍被低估。Nguyen等人（2022年）使用食物浪费层次结构将行为分类为可持续的（例如，堆肥、绿色垃圾桶、动物饲料）或不可持续的（例如，一般废物、回收垃圾桶、水槽）。他们调查了1027名受访者，发现可持续实践与回收习惯、环境自我认同感和感知控制有关，而不便、公寓生活和较高收入——这些因素削弱了感知控制或影响社会规范——与不可持续的处理有关。这些结果强调了在设计有效的食物浪费干预措施时行为规范和感知努力的重要性。Kim和Lee（2020年）使用CBSF分析了韩国家庭食物浪费，强调了两个要点。首先，超过60%的家庭每天产生的食物浪费少于500克，存在地区差异，表明政策应具有地域针对性。其次，对食物浪费和环境问题的认识是关键，强调了教育和宣传活动（Kim & Lee, 2020）。我们的研究也使用了CBSF数据，但在理论、范围和政策含义上有所不同。我们区分了基于重量和基于体积的PAYT系统，开发了一个正式的效用最大化模型，并使用了4年（2019-2022年）的数据来捕捉时间和地区效应。我们使用了有序logit和区间回归模型来估计实际减少量而不是概率。与Kim和Lee（2020年）不同，我们直接比较了基于重量和基于体积的PAYT系统，并发现基于重量的系统（包括RFID定价）在收入中性条件下更有效。差异反映了政策基线和PAYT结构，而不是矛盾。

3 家庭食物浪费模型

本节介绍了一个家庭食物浪费模型，以比较基于体积和基于重量的PAYT系统。我们扩展了Katare等人（2017年）的效用最大化模型，以包括不同类型的PAYT。家庭从消费食物C中获得效用，C定义为购买的新鲜/原始食物F与食物浪费W之间的差异，即u=u(C)=u(F-W)，其中u是一个定义明确、可二次微分的效用函数。食物浪费取决于F和保存努力X，包括人力和物质资本W(F,X)，且有?W?F>0和?W?X<0。因此，更多的食物会增加浪费，而更好的保存措施会减少浪费。在没有PAYT的情况下，家庭在预算约束下选择F和X以最大化效用。F和W以重量（千克或磅）计量，以便后续讨论。

3.1 无按量付费系统的家庭食物浪费

家庭通过选择最佳的F（新鲜食物）和X（保存努力）水平来最大化效用，受到预算约束的限制。具体来说，家庭问题如下：

maxF,Xu(F-W(F,X)) $\mathop{\max }\limits_{F,X}\,u(F-W(F,X))$
s.t.pF+rX=M, $s.t.\,{pF}+{rX}=M,$(1)

其中p是新鲜食物的价格，r是保存努力X的成本，M是家庭的收入。一阶条件（FOCs）为：

$\frac{\partial L}{\partial F}=\frac{\partial u}{\partial C}\left(1-\frac{\partial W}{\partial F}\right)-\lambda p=0,$(2)
$\frac{\partial L}{\partial X}=-\frac{\partial u}{\partial C}\frac{\partial W}{\partial X}-\lambda r=0,$(3)
$\frac{\partial L}{\partial \lambda }=M-{pF}-{rX}=0.$(4)

从方程（2）我们可以得出1λ?u?C?(1??W?F)=p $\frac{1}{\lambda }\frac{\partial u}{\partial C}\left(1-\frac{\partial W}{\partial F}\right)=p$，这意味着购买的食物F的额外货币价值减去废物W（即消费C）等于其价格p。从方程（3）我们得出?1λ?u?C?W?X=r $-\frac{1}{\lambda }\frac{\partial u}{\partial C}\frac{\partial W}{\partial X}=r$，所以从保存中获得的消费的边际价值等于其成本r。方程（4）确保了预算约束的遵守。让我们设最优选择为 F0* ${F}_{0}^{* }$、X0* ${X}_{0}^{* }$ 和 W0*= ${W}_{0}^{* }=$（F0* ${F}_{0}^{* }$、X0* ${X}_{0}^{* }$）。通过征收食物浪费税或费用 t $t$，预算变为 pF+rX+t(1?e)W(F,X)=M，其中 e $e$ 代表导致负效用 h?(e) $h(e)$ 的处理努力。这些努力包括分离可回收物、堆肥、压缩或脱水废物，这些都不包含在 X $X$ 中。假设 0 0，$\frac{{\partial }^{2}h(e)}{\partial {e}^{2}}$ > 0，并且当 e 趋近于 1 时 h?(e) 无限大 ${\mathrm{lim}}_{e\to 1}h(e)=\infty$，因此完全消除食物浪费是不可能的。家庭的目标是最大化效用 u(F-W(F,X))?h(e) $u(F-W(F,X))-h(e)$。对于 L=u(F-W(F,X))?h(e)+λ(M?pF?rX?t(1?e)W(F,X)) $L=u(F-W(F,X))-h(e)+\lambda (M-{pF}-{rX}-t(1-e)W(F,X)$ 的成本函数（C.F.s）为：

?L?F=?u?C(1??W?F)?λ(p+t(1?e)?W?F)=0，$\frac{\partial L}{\partial F}=\frac{\partial u}{\partial C}(1?\frac{\partial W}{\partial F})?\lambda(p+t(1-e)\frac{\partial W}{\partial F)}=0$，(5)
?L?X=??u?C?W?X?λ(r+t(1?e)?W?X)=0，$\frac{\partial L}{\partial X}=-\frac{\partial u}{\partial C}\frac{\partial W}{\partial X}-\lambda(r+t(1-e)\frac{\partial W}{\partial X)}=0$，(6)
?L?e=??h?(e)?e+λtW=0，$\frac{\partial L}{\partial e}=-\frac{\partial h(e)}{\partial e}+\lambda{tW}=0$，(7)
?L?λ=M?pF?rX?t(1?e)W(F,X)=0。$\frac{\partial L}{\partial \lambda}=M-{pF}-{rX}-t(1-e)W(F,X)=0$。(8)

从方程（5）中，我们可以求解出最优的新鲜食物购买量：

1λ?u?C(1??W?F)=p+t(1?e)?W?F。$\frac{1}{\lambda}\frac{\partial u}{\partial C}(1-\frac{\partial W}{\partial F})=p+t(1-e)\frac{\partial W}{\partial F}$。(9)

方程（9）表明，额外新鲜食物的货币价值等于其价格 p $p$，加上废物处理的边际成本 t?W?F $t\frac{\partial W}{\partial F}$，以及处理所需的努力 (1?e) $(1-e)$。由于 t>0 $\frac{\partial W}{\partial F}\gt 0$ 且 (1?e)>0 $(1-e)\gt 0$，购买新鲜食物的边际成本在没有PAYT系统的情况下会增加。因此，家庭在基于重量的PAYT下会选择更少的新鲜食物 F $F$。从方程（6）中，最优保存努力的条件是：

?1λ?u?C?W?X=r+t(1?e)?W?X。$-\frac{1}{\lambda}\frac{\partial u}{\partial C}\frac{\partial W}{\partial X}=r+t(1-e)\frac{\partial W}{\partial X}$。(10)

方程（10）显示，通过保存而增加的额外消费的货币价值 ?1λ?u?C?W?X $-\frac{1}{\lambda}\frac{\partial u}{\partial C}\frac{\partial W}{\partial X}$，等于保存的边际成本 r $r$，加上减少废物处理的边际效益 t(1?e)?W?X $t(1-e)\frac{\partial W}{\partial X}$。由于 ?W?X<0 $\frac{\partial W}{\partial X}\lt 0$ 且 (1?e)>0 $(1-e)\gt 0$，保存的有效机会成本降低，这导致家庭在PAYT下增加保存努力 X $X$。方程（7）通过将努力的边际负效用与减少废物支付的节省相等同来确定处理食物 Waste 的最优努力 1λ?h?(e)?e=tW $\frac{1}{\lambda}\frac{\partial h(e)}{\partial e}={tW}$。总之，PAYT通过降低新鲜食物的购买量、增加保存努力以及分配更多精力来管理废物，从而改变了家庭的激励机制。

3.2 边际成本比较：基于重量与基于体积的PAYT

为了评估基于重量或基于体积的PAYT系统哪种更有效地减少食物浪费，我们比较了每种系统下的废物边际成本。在基于重量的系统中，税收是根据废物的重量来征收的。该系统中新鲜食物购买和保存努力的边际成本分别为：

M_CweightF=p+tw(1?ew)?W?F，$M{C}_{\mathrm{weight}}^{F}=p+{t}_{w}(1-{e}_{w})\frac{\partial W}{\partial F}$，(11)
M_CweightX=r+tw(1?ew)?W?X。$M{C}_{\mathrm{weight}}^{X}=r+{t}_{w}(1-{e}_{w})\frac{\partial W}{\partial X}$。(12)

这里，tw ${t}_{w}$ 是每单位重量的税率，(1?ew) $(1-{e}_{w})$ 代表减少废物的努力。边际成本包括食物价格加上由于减少废物而产生的额外成本，这部分成本按 (1?ew) $(1-{e}_{w})$ 进行缩放，其中 ew ${e}_{w}$ 是努力程度。相比之下，基于体积的PAYT系统根据废物体积收费，通常是通过预先购买的袋子或容器来实现。使用转换因子 δ，$\delta$，体积转换为 δW。基于体积的系统的边际成本为：

M_CvolumeF=p+tvδ(1?ev)?W?F，$M{C}_{\mathrm{volume}}^{F}=p+{t}_{v}\delta (1-{e}_{v})\frac{\partial W}{\partial F}$，(13)
M_CvolumeX=r+tvδ(1?ev)?W?X，$M{C}_{\mathrm{volume}}^{X}=r+{t}_{v}\delta (1-{e}_{v})\frac{\partial W}{\partial X}$，(14)其中 tv ${t}_{v}$ 是每单位废物体积的收费标准，δ $\delta$ 将重量转换为体积，考虑到了食物的密度。两种系统之间的主要区别在于减少废物的努力程度。在基于体积的系统中，家庭需要通过压缩、脱水或使用更小的容器来付出更多的努力 ev ${e}_{v}$，而在基于重量的系统中，努力程度最小，ew ${e}_{w}$ ≈ 0，因为税收直接与重量挂钩，减少重量的选择有限，因此 (1?ew) > (1?ev)。$(1\,-\,{e}_{w})\gt (1\,-\,{e}_{v})$。

有效性取决于 δ $\delta$ 的精确度。如果 δ $\delta$ 确切已知，那么 tw≈tvδ ${t}_{w}\,\approx \,{t}_{v}\delta$。在韩国，δ $\delta$ = 1.33（1升 = 0.75千克，根据2015-164号环境部行政命令），其中 tw=130韩元/千克 ${t}_{w}\,=\,130\frac{\mathrm{KRW}}{\mathrm{kg}}$，tv=70韩元/升，${t}_{v}\,=\,70\frac{\mathrm{KRW}}{\mathrm{liter}}$，因此 tvδ≈93韩元/千克 ${t}_{v}\delta \,\approx \,93$。因此，基于重量的税收单位费率更高。所以，M_Cweight>M_Cvolume $M{C}_{\mathrm{weight}}\,\gt \,M{C}_{\mathrm{volume}}$，因此在基于重量的PAYT下，家庭购买的食物较少，保存的食物更多，产生的废物也较少。与PAYT系统相关的一个担忧是废物分流的潜在问题，即家庭可能通过不当处理食物废物来逃避费用——例如，将较重或体积较大的物品放入普通废物箱中。然而，在韩国，这个问题通过严格执行《废物控制法》得到了有效缓解（Latino等人，2025年）。该立法对不遵守规定的行为处以重罚，从而确保了正确的食物废物处理实践，并保持了PAYT激励措施的有效性。

3.3 收入中性的PAYT系统比较

为了比较基于体积和基于重量的PAYT系统的有效性，我们使用了一个收入中性的框架，遵循(Suits & Musgrave, 1953)关于税收效率的研究。我们分析了当两种系统收取相同总费用时，最大化效用的食物废物处理结果。设 Wweight* ${W}_{\text{weight}}^{* }$ 和 Wvolume* ${W}_{\text{volume}}^{* }$ 分别表示基于重量和基于体积的PAYT下的最优食物废物处理量。在这两种情况下，家庭都在预算约束和相关PAYT定价结构的限制下最大化效用。在基于重量的系统中，家庭按每单位重量支付 tw ${t}_{w}$，因此总费用为 Rweight=twWweight* ${R}_{\text{weight}}={t}_{w}{W}_{\text{weight}}^{* }$。注意 Wvolume* ${W}_{\text{volume}}^{* }$ 是以重量计量的，但费用是根据体积来收取的。家庭可以通过努力 ev ${e}_{v}$（例如，压缩、脱水）来减少体积，因此即使重量相同，基于体积的费用也可能更低，这削弱了减少实际废物的动力。在收入中性条件下，两种PAYT系统从家庭那里收取相同的总费用，即

twWweight*=tvV(Wvolume*)?tv=twWweight*V(Wvolume*)。${t}_{w}{W}_{\mathrm{weight}}^{* }={t}_{v}V({W}_{\mathrm{volume}}^{* })\,\Rightarrow \,{t}_{v}={t}_{w}\frac{{W}_{\mathrm{weight}}^{* }}{V({W}_{\mathrm{volume}}^{* })$。(15)

方程（15）表明，基于体积的费用率 tv 必须调整，以便在与基于重量的系统产生相同的收入。然而，由于家庭更容易减少体积（ev>ew）$({e}_{v}\,\gt \,{e}_{w})$，基于体积的系统下的废物边际成本更低。因此，在基于重量的PAYT下，减少实际食物浪费的激励更强。即使在税收收入相同的情况下，我们也预计 Wweight*
4. 来自韩国的实证证据

韩国（以下简称韩国）是比较基于重量和基于体积的食物废物处理方案的理想案例，原因有二。首先，韩国拥有世界上最先进的食物废物管理系统之一（kim, 2022；marshall, 2022），到2022年通过分类收集和转化成动物饲料、堆肥或沼气实现了接近100%的回收率（kim, 2022）。其次，政府采取了进步的政策来解决食物废物问题。2005年，韩国禁止了食物废物的填埋（marshall, 2022），到2013年，全国范围内的法规要求所有居民使用指定的处理方案（marshall, 2022）。这一立法和系统化的框架使得不同废物处理方法能够得到严格的评估。韩国使用了三种食物废物处理系统：rfid、容器/袋装和公共食物废物收集箱。在rfid系统中，家庭将废物放入装有rfid芯片的路边垃圾桶中，这些芯片可以称重并相应地收费。在容器/袋装系统中，居民购买可生物降解的袋子或容器来存放食物废物，并将其放入指定的垃圾桶中（marshall, 2022）。截至2022年，20%的家庭使用了rfid，23%使用了容器/袋装，约28%使用了公共收集箱（表1）。表1. 2019–2022年的食物废物管理情况。

表格1显示，2019年至2022年间，不同类型的食物废物处理方法的使用频率和比例。

注：作者的计算基于2019至2022年韩国农村经济研究所进行的《食品消费行为调查》。a. 基于重量的射频识别（rfid）食物废物收集箱。b. 可重复使用的塑料容器，家庭将食物废物放入其中，基于体积收费。c. 1升、2升和5升的塑料袋，可以预先购买，基于体积收费。d. 公共食物废物收集箱位于公寓或多户住宅中；食物废物费用平均分配。e. 其他方法包括家庭堆肥（用作肥料）和自我管理的废物处理方法，这在农村地区较为常见。韩国农村经济研究所进行了cbsf（lee, 2022）调查，提供了关于基于重量（rfid）和基于体积（容器/袋装）系统的准实验数据。cbsf包括了有关家庭食物消费、购物和废物行为的详细信息，以及人口统计数据。自2013年以来，已经对超过3000户韩国家庭进行了面对面的年度访谈（lee, 2022）。我们使用了2019年至2022年的数据，因为2019年食品废物相关的问题有所修订，而2022年是最新可用年份。cbsf是一项重复的横截面调查，而非面板调查；许多家庭每年都会更换，因此无法构建面板数据。

4.1 数据

表2显示，超过85%的受访者是女性，约60%的人居住在城市地区。三年间，每次购物的平均支出从2019年的56,370韩元增加到2022年的61,976韩元（约相当于45–50美元），家庭每周购物约1.6次。大多数受访者同意减少食物废物有利于环境和节约资源。大约70%的家庭在家用烹饪，尽管这一比例在2022年下降到了66%。超市和大型折扣店是主要的购物场所。值得注意的是，人均食物废物量从2019年的498克（1.1磅）增加到2022年的621克（1.37磅），这表明虽然人们意识到减少食物废物有益，但实际减少的废物量并没有减少。表2提供了基本统计信息。

表2中的变量包括：
- 2019年、2020年、2021年和2022年的平均年龄（岁）
- 女性比例
- 单身家庭比例
- 城市居民比例
- 每次购物的平均支出（韩元）
- 每家庭每天的平均食物废物量（克）
- 对食物废物的态度（5分制）

注：作者的计算基于2019至2022年韩国农村经济研究所的《食品消费行为调查》。a. 基于重量的射频识别（rfid）食物废物收集箱。b. 可重复使用的塑料容器，家庭将食物废物放入其中，基于体积收费。c. 可预先购买的1升、2升和5升的塑料袋，基于体积收费。d. 公共食物废物收集箱位于公寓或多户住宅中；食物废物费用平均分摊。e. 其他方法包括家庭堆肥（用作肥料）等，这在农村地区较为常见，以及自我管理的废物处理方法。韩国农村经济研究所进行了cbsf调查（lee, 2022），提供了比较基于重量（rfid）和基于体积（容器/袋装）系统的准实验数据。 ${w}_{\text{weight}}^{* }\lt {w}_{\text{volume}}^{* }$。这意味着，即使在收入中性条件下，基于重量的payt系统也能在减少食物浪费（按重量计算）方面取得更大的成效。这一理论结果与第4节中的实证证据一致，其中使用基于rfid的重量付费系统的家庭产生的食物废物显著较少。收入中性的比较为支持采用或扩展基于重量的payt系统提供了明确的经济依据。 4. 来自韩国的实证证据 韩国（以下简称韩国）是比较基于重量和基于体积的食物废物处理方案的理想案例，原因有二。首先，韩国拥有世界上最先进的食物废物管理系统之一（kim, 2022；marshall, 2022），到2022年通过分类收集和转化成动物饲料、堆肥或沼气实现了接近100%的回收率（kim, 2022）。其次，政府采取了进步的政策来解决食物废物问题。2005年，韩国禁止了食物废物的填埋（marshall, 2022），到2013年，全国范围内的法规要求所有居民使用指定的处理方案（marshall, 2022）。这一立法和系统化的框架使得不同废物处理方法能够得到严格的评估。韩国使用了三种食物废物处理系统：rfid、容器 袋装和公共食物废物收集箱。在rfid系统中，家庭将废物放入装有rfid芯片的路边垃圾桶中，这些芯片可以称重并相应地收费。在容器 袋装系统中，居民购买可生物降解的袋子或容器来存放食物废物，并将其放入指定的垃圾桶中（marshall, 2022）。截至2022年，20%的家庭使用了rfid，23%使用了容器 袋装，约28%使用了公共收集箱（表1）。表1. 2019–2022年的食物废物管理情况。 表格1显示，2019年至2022年间，不同类型的食物废物处理方法的使用频率和比例。 注：作者的计算基于2019至2022年韩国农村经济研究所进行的《食品消费行为调查》。a. 基于重量的射频识别（rfid）食物废物收集箱。b. 可重复使用的塑料容器，家庭将食物废物放入其中，基于体积收费。c. 1升、2升和5升的塑料袋，可以预先购买，基于体积收费。d. 公共食物废物收集箱位于公寓或多户住宅中；食物废物费用平均分配。e. 其他方法包括家庭堆肥（用作肥料）和自我管理的废物处理方法，这在农村地区较为常见。韩国农村经济研究所进行了cbsf（lee, 2022）调查，提供了关于基于重量（rfid）和基于体积（容器 袋装）系统的准实验数据。cbsf包括了有关家庭食物消费、购物和废物行为的详细信息，以及人口统计数据。自2013年以来，已经对超过3000户韩国家庭进行了面对面的年度访谈（lee, 2022）。我们使用了2019年至2022年的数据，因为2019年食品废物相关的问题有所修订，而2022年是最新可用年份。cbsf是一项重复的横截面调查，而非面板调查；许多家庭每年都会更换，因此无法构建面板数据。 4.1 数据 表2显示，超过85%的受访者是女性，约60%的人居住在城市地区。三年间，每次购物的平均支出从2019年的56,370韩元增加到2022年的61,976韩元（约相当于45–50美元），家庭每周购物约1.6次。大多数受访者同意减少食物废物有利于环境和节约资源。大约70%的家庭在家用烹饪，尽管这一比例在2022年下降到了66%。超市和大型折扣店是主要的购物场所。值得注意的是，人均食物废物量从2019年的498克（1.1磅）增加到2022年的621克（1.37磅），这表明虽然人们意识到减少食物废物有益，但实际减少的废物量并没有减少。表2提供了基本统计信息。 表2中的变量包括： - 2019年、2020年、2021年和2022年的平均年龄（岁） - 女性比例 - 单身家庭比例 - 城市居民比例 - 每次购物的平均支出（韩元） - 每家庭每天的平均食物废物量（克） - 对食物废物的态度（5分制） 注：作者的计算基于2019至2022年韩国农村经济研究所的《食品消费行为调查》。a. 基于重量的射频识别（rfid）食物废物收集箱。b. 可重复使用的塑料容器，家庭将食物废物放入其中，基于体积收费。c. 可预先购买的1升、2升和5升的塑料袋，基于体积收费。d. 公共食物废物收集箱位于公寓或多户住宅中；食物废物费用平均分摊。e. 其他方法包括家庭堆肥（用作肥料）等，这在农村地区较为常见，以及自我管理的废物处理方法。韩国农村经济研究所进行了cbsf调查（lee, 2022），提供了比较基于重量（rfid）和基于体积（容器>
4. 来自韩国的实证证据

韩国（以下简称韩国）是比较基于重量和基于体积的食物废物处理方案的理想案例，原因有二。首先，韩国拥有世界上最先进的食物废物管理系统之一（kim, 2022；marshall, 2022），到2022年通过分类收集和转化成动物饲料、堆肥或沼气实现了接近100%的回收率（kim, 2022）。其次，政府采取了进步的政策来解决食物废物问题。2005年，韩国禁止了食物废物的填埋（marshall, 2022），到2013年，全国范围内的法规要求所有居民使用指定的处理方案（marshall, 2022）。这一立法和系统化的框架使得不同废物处理方法能够得到严格的评估。韩国使用了三种食物废物处理系统：rfid、容器/袋装和公共食物废物收集箱。在rfid系统中，家庭将废物放入装有rfid芯片的路边垃圾桶中，这些芯片可以称重并相应地收费。在容器/袋装系统中，居民购买可生物降解的袋子或容器来存放食物废物，并将其放入指定的垃圾桶中（marshall, 2022）。截至2022年，20%的家庭使用了rfid，23%使用了容器/袋装，约28%使用了公共收集箱（表1）。表1. 2019–2022年的食物废物管理情况。

表格1显示，2019年至2022年间，不同类型的食物废物处理方法的使用频率和比例。

注：作者的计算基于2019至2022年韩国农村经济研究所进行的《食品消费行为调查》。a. 基于重量的射频识别（rfid）食物废物收集箱。b. 可重复使用的塑料容器，家庭将食物废物放入其中，基于体积收费。c. 1升、2升和5升的塑料袋，可以预先购买，基于体积收费。d. 公共食物废物收集箱位于公寓或多户住宅中；食物废物费用平均分配。e. 其他方法包括家庭堆肥（用作肥料）和自我管理的废物处理方法，这在农村地区较为常见。韩国农村经济研究所进行了cbsf（lee, 2022）调查，提供了关于基于重量（rfid）和基于体积（容器/袋装）系统的准实验数据。cbsf包括了有关家庭食物消费、购物和废物行为的详细信息，以及人口统计数据。自2013年以来，已经对超过3000户韩国家庭进行了面对面的年度访谈（lee, 2022）。我们使用了2019年至2022年的数据，因为2019年食品废物相关的问题有所修订，而2022年是最新可用年份。cbsf是一项重复的横截面调查，而非面板调查；许多家庭每年都会更换，因此无法构建面板数据。

4.1 数据

表2显示，超过85%的受访者是女性，约60%的人居住在城市地区。三年间，每次购物的平均支出从2019年的56,370韩元增加到2022年的61,976韩元（约相当于45–50美元），家庭每周购物约1.6次。大多数受访者同意减少食物废物有利于环境和节约资源。大约70%的家庭在家用烹饪，尽管这一比例在2022年下降到了66%。超市和大型折扣店是主要的购物场所。值得注意的是，人均食物废物量从2019年的498克（1.1磅）增加到2022年的621克（1.37磅），这表明虽然人们意识到减少食物废物有益，但实际减少的废物量并没有减少。表2提供了基本统计信息。

表2中的变量包括：
- 2019年、2020年、2021年和2022年的平均年龄（岁）
- 女性比例
- 单身家庭比例
- 城市居民比例
- 每次购物的平均支出（韩元）
- 每家庭每天的平均食物废物量（克）
- 对食物废物的态度（5分制）

注：作者的计算基于2019至2022年韩国农村经济研究所的《食品消费行为调查》。a. 基于重量的射频识别（rfid）食物废物收集箱。b. 可重复使用的塑料容器，家庭将食物废物放入其中，基于体积收费。c. 可预先购买的1升、2升和5升的塑料袋，基于体积收费。d. 公共食物废物收集箱位于公寓或多户住宅中；食物废物费用平均分摊。e. 其他方法包括家庭堆肥（用作肥料）等，这在农村地区较为常见，以及自我管理的废物处理方法。韩国农村经济研究所进行了cbsf调查（lee, 2022），提供了比较基于重量（rfid）和基于体积（容器/袋装）系统的准实验数据。>这些方法适用于有序的CBSF数据，其中受访者报告的家庭食物浪费量位于预定义的范围内。有序Logit模型估计家庭食物浪费落入每个类别的概率，揭示了有序级别之间的可能性。区间回归模型则估计食物浪费的实际变化，考虑了真实值所在的区间。两者结合提供了关于解释变量如何影响家庭食物浪费的统计和定量见解。有序Logit模型非常适合估计解释变量如何影响食物浪费量。一些研究者将有序变量视为连续变量并使用线性回归（Menard, 2001），但当类别较少或间距不均匀时，这可能会产生问题（Williams & Quiroz, 2021）。在这种情况下，线性回归可能会产生有偏的估计和不可靠的显著性检验（Williams & Quiroz 2021; Winship & Mare, 1984）。有序Logit模型的一个关键特点是假设存在一个表示每个受访者确切食物浪费量的潜在连续变量。这个潜在变量通过阈值映射到有序类别。具体来说，对于受访者i，潜在变量yi* ${y}_{i}^{* }$ 的模型为：

??yi*=xi′?β+εi, ${y}_{i}^{* }\,={{\bf{x}}}_{i}^{^{\prime} }{\boldsymbol{\beta }}+{\varepsilon }_{i},$(16)其中yi* ${y}_{i}^{* }$ 是解释变量向量（例如表2中的社会经济因素），εi ${\varepsilon }_{i}$ 是假设遵循均值为零、方差为π23 $\frac{{\pi }^{2}}{3}$ 的标准逻辑分布的误差项。食物浪费类别的定义是j=1 ${j}=\,1$ 是最小的，j=2 ${j}=\,2$ 是下一个，依此类推，直到k个实证确定的类别。受访者i落入类别j的概率为：

??pij=Pr(yi=j)=Pr(κj?1
????=11+exp(?κj+xi′?β)?11+exp(?κj?1+xi′?β), $=\frac{1}{1+\text{exp}(-{\kappa }_{j}+{{\bf{x}}}_{i}^{^{\prime} }{\boldsymbol{\beta }})}-\frac{1}{1+\text{exp}(-{\kappa }_{j-1}+{{\bf{x}}}_{i}^{^{\prime} }{\boldsymbol{\beta }})},$(17)其中κj ${\kappa }_{j}$ 和 κj?1 ${\kappa }_{j-1}$ 分别是第j类和第(j?1)类的阈值。该模型的对数似然函数为：

ln?L=∑i=1Nwi?∑j=1kIj?(yi)?ln?pij, $\mathrm{ln}L=\sum _{i=1}^{N}{w}_{i}\sum _{j=1}^{k}{I}_{j}({y}_{i})\mathrm{ln}{p}_{{ij}},$(18)其中wi ${w}_{i}$ 是可选权重，Ij?(yi)=1 ${I}_{j}({y}_{i})=1$ 当yi=j 时，否则为0。虽然有序Logit模型可以估计受访者食物浪费落入某个类别的概率，但它不能直接测量实际变化。为此，我们使用区间回归，它可以处理具有上下界限（双边界）的区间审查调查响应（Cameron & Huppert, 1989; Cameron & Trivedi, 2005）。在方程（17）中可以估计个体食物浪费量，其中εi～N?(0,σ2) ${\varepsilon }_{i}\sim N(0,{\sigma }^{2})$，阈值κj ${\kappa }_{j}$ 表示每个区间的下限和上限（Roodman, 2011）。设yi ${y}_{i}$ 是受访者i报告的区间。潜在食物浪费量yi* ${y}_{i}^{* }$ 落入此区间的概率为：

????Pr(yi∈[Li,Ui])=Pr(Li?xi′?βσ< />
5 结果与讨论
为了评估基于重量和体积的废物处理方案的影响，我们使用2019-2022年的汇总数据估计了有序logit和区间回归模型。公共收集箱和其他废物处理方法被排除在外。因变量代表从1到7的食物浪费类别，数值越高表示每户每天产生的废物量越多（脚注1）。结果见表格3和4。系数显示了各种因素如何影响较高废物水平的可能性，有序logit模型的比值比提供了额外的见解。区间回归模型报告了食物浪费量的实际变化。为了考虑食物浪费的区域差异（kim & lee, 2020），我们使用了固定效应和随机效应模型。固定效应模型包括了17个城市和行政区域的区域虚拟变量，捕获了不随时间变化的区域因素，并隔离了区域内的变化。随机效应模型假设未观察到的区域特征与解释变量不相关，将区域变化视为误差项的一部分，并估计了区域内和区域间的变化。区域代表较大的行政单位，这些单位对基于重量或体积的系统有本地决策权。尽管系统分配并非完全随机，但在可比区域内是准随机的。包括了年份虚拟变量以控制时间效应并捕捉随时间的变化。控制变量由经济理论指导（第3节），包括基于重量的（rfid）系统的虚拟变量和家庭收入，遵循lusk和ellison（2017）的方法。其他变量来自先前的文献：心理因素，如对食物浪费的态度（nguyen等人，2022年）和 socio-demographics——性别（koivupuro等人，2012年）、年龄（karunasena等人，2021年）、家庭规模（ananda等人，2021年）和购物习惯（werkman等人，2025年）——以解释家庭食物浪费行为的变化。我们在表3和表4中展示了两组回归，包括带有固定和随机区域效应的有序logit和区间回归模型。表3仅考察了rfid（基于重量）和收入变量的理论模型。表4增加了上述额外的控制变量。这些模型揭示了家庭食物浪费减少的可能性和程度。估计的系数与理论预期大致一致。固定效应和随机效应的指定产生了一致的结果，尽管不同模型类型之间的幅度有细微差异。表3. 家庭食物浪费的有序logit和区间回归结果。有序logit 固定效应

有序logit 随机效应

区间回归 固定效应

区间回归 随机效应

rfid（基于重量）

?0.2024*** (0.055)

?0.2052*** (0.054)

?0.0643*** (0.015)

?0.0651*** (0.015)

收入

0.2639*** (0.012)

0.2641*** (0.012)

0.0720*** (0.004)

0.0722*** (0.003)

2020年虚拟变量

0.3501*** (0.062)

0.3493*** (0.063)

0.0666*** (0.018)

0.0665*** (0.018)

2021年虚拟变量

0.4871*** (0.062)

0.4865*** (0.063)

0.1074*** (0.018)

0.1075*** (0.018)

2022年虚拟变量

0.6584*** (0.067)

0.6567*** (0.064)

0.1829*** (0.019)

0.1830*** (0.018)

常数

0.0675** (0.027)

0.0168 (0.044)

var(_cons[region])

0.3114***

0.0246***

var(e.lfoodwaste)

对数（伪）似然

?8064

?8102

?8297

?8334

wald卡方

1211.6

600.4

1213.3

559.6

区域效应

固定

随机

固定

随机

注意：括号中的标准误差是稳健的，*p < 0.10，**p < 0.05，***p < 0.01。有序logit的临界点代表不同食物浪费类别之间的阈值。年份虚拟变量控制食物浪费行为的时间变化。表4. 家庭食物浪费的有序logit和区间回归结果。变量

有序logit 固定效应

有序logit 随机效应

区间回归 固定效应

区间回归 随机效应

rfid（基于重量）

?0.2064*** (0.056)

?0.2155*** (0.056)

?0.0687*** (0.015)

?0.0713*** (0.015)

性别（女性=1）

?0.0896 (0.072)

?0.0896 (0.077)

?0.0165 (0.020)

?0.0165 (0.021)

年龄

?0.0637*** (0.022)

?0.0645*** (0.022)

?0.0137** (0.006)

?0.0139** (0.006)

家庭成员数量

0.3205*** (0.032)

0.3172*** (0.032)

0.0815*** (0.009)

0.0807*** (0.009)

收入

0.0817*** (0.015)

0.0826*** (0.015)

0.0208*** (0.004)

0.0211*** (0.004)

平均食品支出

0.0426*** (0.006)

0.0422*** (0.006)

0.0120*** (0.002)

0.0119*** (0.002)

在家做饭

0.5765*** (0.059)

0.5793*** (0.057)

0.1226*** (0.016)

每周购物频率

0.2808*** (0.037)

0.2807*** (0.035)

0.07419*** (0.010)

0.07449*** (0.009)

对食物浪费的态度

?0.2015*** (0.040)

?0.2014*** (0.040)

?0.0464*** (0.011)

?0.0465*** (0.011)

单独家庭

?0.6870*** (0.082)

?0.6907*** (0.081)

?0.1826*** (0.023)

?0.1838*** (0.022)

2020年虚拟变量

0.4597*** (0.064)

0.4590*** (0.065)

0.0898*** (0.017)

0.0898*** (0.018)

2021年虚拟变量

0.6527*** (0.064)

0.6529*** (0.065)

0.1411*** (0.017)

0.1415*** (0.018)

2022年虚拟变量

0.8235*** (0.070)

0.8230*** (0.066)

0.2165*** (0.019)

0.2170*** (0.018)

常数

?0.0950 (0.077)

?0.1517* (0.082)

var(_cons[region])

0.3085***

0.0217***

var(e. lfoodwaste)

对数（伪）似然

7679

?7715

?7958

?7995

wald卡方

1815.0

1200.4

1605.8

1120.4

区域效应

固定

随机

固定

随机

注意：括号中的标准误差是稳健的，*p < 0.10，**p < 0.05，***p < 0.01。有序logit的临界点代表不同食物浪费类别之间的阈值。年份虚拟变量控制食物浪费行为的时间变化。表4. 家庭食物浪费的有序logit和区间回归结果。变量

有序logit 固定效应

有序logit 随机效应

区间回归 固定效应

区间回归 随机效应

rfid（基于重量）

?0.2064*** (0.056)

?0.2155*** (0.056)

?0.0687*** (0.015)

?0.0713*** (0.015)

性别（女性=1）

?0.0896 (0.072)

?0.0896 (0.077)

?0.0165 (0.020)

?0.0165 (0.021)

年龄

?0.0637*** (0.022)

?0.0645*** (0.022)

?0.0137** (0.006)

?0.0139** (0.006)

家庭成员数量

0.3205*** (0.032)

0.3172*** (0.032)

0.0815*** (0.009)

0.0807*** (0.009)

收入

0.0817*** (0.015)

0.0826*** (0.015)

0.0208*** (0.004)

0.0211*** (0.004)

平均食品支出

0.0426*** (0.006)

0.0422*** (0.006)

0.0120*** (0.002)

0.0119*** (0.002)

在家 $\text{pr}({y}_{i}\in [{l}_{i},{u}_{i}])=\text{Pr}\left(\frac{{L}_{i}-{{\bf{x}}}_{i}^{^{\prime} }{\boldsymbol{\beta }}}{\sigma }\lt {t}_{i}\lt \frac{{u}_{i}-{{\bf{x}}}_{i}^{^{\prime} }{\boldsymbol{\beta }}}{\sigma }\right),$(19)其中ti ${t}_{i}$ 是标准正态变量，li ${l}_{i}$, ui ${u}_{i}$ 是区间的下限和上限（roodman, 2011）。 5 结果与讨论 为了评估基于重量和体积的废物处理方案的影响，我们使用2019-2022年的汇总数据估计了有序logit和区间回归模型。公共收集箱和其他废物处理方法被排除在外。因变量代表从1到7的食物浪费类别，数值越高表示每户每天产生的废物量越多（脚注1）。结果见表格3和4。系数显示了各种因素如何影响较高废物水平的可能性，有序logit模型的比值比提供了额外的见解。区间回归模型报告了食物浪费量的实际变化。为了考虑食物浪费的区域差异（kim & lee, 2020），我们使用了固定效应和随机效应模型。固定效应模型包括了17个城市和行政区域的区域虚拟变量，捕获了不随时间变化的区域因素，并隔离了区域内的变化。随机效应模型假设未观察到的区域特征与解释变量不相关，将区域变化视为误差项的一部分，并估计了区域内和区域间的变化。区域代表较大的行政单位，这些单位对基于重量或体积的系统有本地决策权。尽管系统分配并非完全随机，但在可比区域内是准随机的。包括了年份虚拟变量以控制时间效应并捕捉随时间的变化。控制变量由经济理论指导（第3节），包括基于重量的（rfid）系统的虚拟变量和家庭收入，遵循lusk和ellison（2017）的方法。其他变量来自先前的文献：心理因素，如对食物浪费的态度（nguyen等人，2022年）和 socio-demographics——性别（koivupuro等人，2012年）、年龄（karunasena等人，2021年）、家庭规模（ananda等人，2021年）和购物习惯（werkman等人，2025年）——以解释家庭食物浪费行为的变化。我们在表3和表4中展示了两组回归，包括带有固定和随机区域效应的有序logit和区间回归模型。表3仅考察了rfid（基于重量）和收入变量的理论模型。表4增加了上述额外的控制变量。这些模型揭示了家庭食物浪费减少的可能性和程度。估计的系数与理论预期大致一致。固定效应和随机效应的指定产生了一致的结果，尽管不同模型类型之间的幅度有细微差异。表3. 家庭食物浪费的有序logit和区间回归结果。有序logit 固定效应 有序logit 随机效应 区间回归 固定效应 区间回归 随机效应 rfid（基于重量） ?0.2024*** (0.055) ?0.2052*** (0.054) ?0.0643*** (0.015) ?0.0651*** (0.015) 收入 0.2639*** (0.012) 0.2641*** (0.012) 0.0720*** (0.004) 0.0722*** (0.003) 2020年虚拟变量 0.3501*** (0.062) 0.3493*** (0.063) 0.0666*** (0.018) 0.0665*** (0.018) 2021年虚拟变量 0.4871*** (0.062) 0.4865*** (0.063) 0.1074*** (0.018) 0.1075*** (0.018) 2022年虚拟变量 0.6584*** (0.067) 0.6567*** (0.064) 0.1829*** (0.019) 0.1830*** (0.018) 常数 0.0675** (0.027) 0.0168 (0.044) var(_cons[region]) 0.3114*** 0.0246*** var(e.lfoodwaste) 对数（伪）似然 ?8064 ?8102 ?8297 ?8334 wald卡方 1211.6 600.4 1213.3 559.6 区域效应 固定 随机 固定 随机 注意：括号中的标准误差是稳健的，*p < 0.10，**p < 0.05，***p < 0.01。有序logit的临界点代表不同食物浪费类别之间的阈值。年份虚拟变量控制食物浪费行为的时间变化。表4. 家庭食物浪费的有序logit和区间回归结果。变量 有序logit 固定效应 有序logit 随机效应 区间回归 固定效应 区间回归 随机效应 rfid（基于重量） ?0.2064*** (0.056) ?0.2155*** (0.056) ?0.0687*** (0.015) ?0.0713*** (0.015) 性别（女性=1） ?0.0896 (0.072) ?0.0896 (0.077) ?0.0165 (0.020) ?0.0165 (0.021) 年龄 ?0.0637*** (0.022) ?0.0645*** (0.022) ?0.0137** (0.006) ?0.0139** (0.006) 家庭成员数量 0.3205*** (0.032) 0.3172*** (0.032) 0.0815*** (0.009) 0.0807*** (0.009) 收入 0.0817*** (0.015) 0.0826*** (0.015) 0.0208*** (0.004) 0.0211*** (0.004) 平均食品支出 0.0426*** (0.006) 0.0422*** (0.006) 0.0120*** (0.002) 0.0119*** (0.002) 在家做饭 0.5765*** (0.059) 0.5793*** (0.057) 0.1226*** (0.016) 每周购物频率 0.2808*** (0.037) 0.2807*** (0.035) 0.07419*** (0.010) 0.07449*** (0.009) 对食物浪费的态度 ?0.2015*** (0.040) ?0.2014*** (0.040) ?0.0464*** (0.011) ?0.0465*** (0.011) 单独家庭 ?0.6870*** (0.082) ?0.6907*** (0.081) ?0.1826*** (0.023) ?0.1838*** (0.022) 2020年虚拟变量 0.4597*** (0.064) 0.4590*** (0.065) 0.0898*** (0.017) 0.0898*** (0.018) 2021年虚拟变量 0.6527*** (0.064) 0.6529*** (0.065) 0.1411*** (0.017) 0.1415*** (0.018) 2022年虚拟变量 0.8235*** (0.070) 0.8230*** (0.066) 0.2165*** (0.019) 0.2170*** (0.018) 常数 ?0.0950 (0.077) ?0.1517* (0.082) var(_cons[region]) 0.3085*** 0.0217*** var(e. lfoodwaste) 对数（伪）似然 7679 ?7715 ?7958 ?7995 wald卡方 1815.0 1200.4 1605.8 1120.4 区域效应 固定 随机 固定 随机 注意：括号中的标准误差是稳健的，*p < 0.10，**p < 0.05，***p < 0.01。有序logit的临界点代表不同食物浪费类别之间的阈值。年份虚拟变量控制食物浪费行为的时间变化。表4. 家庭食物浪费的有序logit和区间回归结果。变量 有序logit 固定效应 有序logit 随机效应 区间回归 固定效应 区间回归 随机效应 rfid（基于重量） ?0.2064*** (0.056) ?0.2155*** (0.056) ?0.0687*** (0.015) ?0.0713*** (0.015) 性别（女性=1） ?0.0896 (0.072) ?0.0896 (0.077) ?0.0165 (0.020) ?0.0165 (0.021) 年龄 ?0.0637*** (0.022) ?0.0645*** (0.022) ?0.0137** (0.006) ?0.0139** (0.006) 家庭成员数量 0.3205*** (0.032) 0.3172*** (0.032) 0.0815*** (0.009) 0.0807*** (0.009) 收入 0.0817*** (0.015) 0.0826*** (0.015) 0.0208*** (0.004) 0.0211*** (0.004) 平均食品支出 0.0426*** (0.006) 0.0422*** (0.006) 0.0120*** (0.002) 0.0119*** (0.002)>
5 结果与讨论
为了评估基于重量和体积的废物处理方案的影响，我们使用2019-2022年的汇总数据估计了有序logit和区间回归模型。公共收集箱和其他废物处理方法被排除在外。因变量代表从1到7的食物浪费类别，数值越高表示每户每天产生的废物量越多（脚注1）。结果见表格3和4。系数显示了各种因素如何影响较高废物水平的可能性，有序logit模型的比值比提供了额外的见解。区间回归模型报告了食物浪费量的实际变化。为了考虑食物浪费的区域差异（kim & lee, 2020），我们使用了固定效应和随机效应模型。固定效应模型包括了17个城市和行政区域的区域虚拟变量，捕获了不随时间变化的区域因素，并隔离了区域内的变化。随机效应模型假设未观察到的区域特征与解释变量不相关，将区域变化视为误差项的一部分，并估计了区域内和区域间的变化。区域代表较大的行政单位，这些单位对基于重量或体积的系统有本地决策权。尽管系统分配并非完全随机，但在可比区域内是准随机的。包括了年份虚拟变量以控制时间效应并捕捉随时间的变化。控制变量由经济理论指导（第3节），包括基于重量的（rfid）系统的虚拟变量和家庭收入，遵循lusk和ellison（2017）的方法。其他变量来自先前的文献：心理因素，如对食物浪费的态度（nguyen等人，2022年）和 socio-demographics——性别（koivupuro等人，2012年）、年龄（karunasena等人，2021年）、家庭规模（ananda等人，2021年）和购物习惯（werkman等人，2025年）——以解释家庭食物浪费行为的变化。我们在表3和表4中展示了两组回归，包括带有固定和随机区域效应的有序logit和区间回归模型。表3仅考察了rfid（基于重量）和收入变量的理论模型。表4增加了上述额外的控制变量。这些模型揭示了家庭食物浪费减少的可能性和程度。估计的系数与理论预期大致一致。固定效应和随机效应的指定产生了一致的结果，尽管不同模型类型之间的幅度有细微差异。表3. 家庭食物浪费的有序logit和区间回归结果。有序logit 固定效应

有序logit 随机效应

区间回归 固定效应

区间回归 随机效应

rfid（基于重量）

?0.2024*** (0.055)

?0.2052*** (0.054)

?0.0643*** (0.015)

?0.0651*** (0.015)

收入

0.2639*** (0.012)

0.2641*** (0.012)

0.0720*** (0.004)

0.0722*** (0.003)

2020年虚拟变量

0.3501*** (0.062)

0.3493*** (0.063)

0.0666*** (0.018)

0.0665*** (0.018)

2021年虚拟变量

0.4871*** (0.062)

0.4865*** (0.063)

0.1074*** (0.018)

0.1075*** (0.018)

2022年虚拟变量

0.6584*** (0.067)

0.6567*** (0.064)

0.1829*** (0.019)

0.1830*** (0.018)

常数

0.0675** (0.027)

0.0168 (0.044)

var(_cons[region])

0.3114***

0.0246***

var(e.lfoodwaste)

对数（伪）似然

?8064

?8102

?8297

?8334

wald卡方

1211.6

600.4

1213.3

559.6

区域效应

固定

随机

固定

随机

注意：括号中的标准误差是稳健的，*p < 0.10，**p < 0.05，***p < 0.01。有序logit的临界点代表不同食物浪费类别之间的阈值。年份虚拟变量控制食物浪费行为的时间变化。表4. 家庭食物浪费的有序logit和区间回归结果。变量

有序logit 固定效应

有序logit 随机效应

区间回归 固定效应

区间回归 随机效应

rfid（基于重量）

?0.2064*** (0.056)

?0.2155*** (0.056)

?0.0687*** (0.015)

?0.0713*** (0.015)

性别（女性=1）

?0.0896 (0.072)

?0.0896 (0.077)

?0.0165 (0.020)

?0.0165 (0.021)

年龄

?0.0637*** (0.022)

?0.0645*** (0.022)

?0.0137** (0.006)

?0.0139** (0.006)

家庭成员数量

0.3205*** (0.032)

0.3172*** (0.032)

0.0815*** (0.009)

0.0807*** (0.009)

收入

0.0817*** (0.015)

0.0826*** (0.015)

0.0208*** (0.004)

0.0211*** (0.004)

平均食品支出

0.0426*** (0.006)

0.0422*** (0.006)

0.0120*** (0.002)

0.0119*** (0.002)

在家做饭

0.5765*** (0.059)

0.5793*** (0.057)

0.1226*** (0.016)

每周购物频率

0.2808*** (0.037)

0.2807*** (0.035)

0.07419*** (0.010)

0.07449*** (0.009)

对食物浪费的态度

?0.2015*** (0.040)

?0.2014*** (0.040)

?0.0464*** (0.011)

?0.0465*** (0.011)

单独家庭

?0.6870*** (0.082)

?0.6907*** (0.081)

?0.1826*** (0.023)

?0.1838*** (0.022)

2020年虚拟变量

0.4597*** (0.064)

0.4590*** (0.065)

0.0898*** (0.017)

0.0898*** (0.018)

2021年虚拟变量

0.6527*** (0.064)

0.6529*** (0.065)

0.1411*** (0.017)

0.1415*** (0.018)

2022年虚拟变量

0.8235*** (0.070)

0.8230*** (0.066)

0.2165*** (0.019)

0.2170*** (0.018)

常数

?0.0950 (0.077)

?0.1517* (0.082)

var(_cons[region])

0.3085***

0.0217***

var(e. lfoodwaste)

对数（伪）似然

7679

?7715

?7958

?7995

wald卡方

1815.0

1200.4

1605.8

1120.4

区域效应

固定

随机

固定

随机

注意：括号中的标准误差是稳健的，*p < 0.10，**p < 0.05，***p < 0.01。有序logit的临界点代表不同食物浪费类别之间的阈值。年份虚拟变量控制食物浪费行为的时间变化。表4. 家庭食物浪费的有序logit和区间回归结果。变量

有序logit 固定效应

有序logit 随机效应

区间回归 固定效应

区间回归 随机效应

rfid（基于重量）

?0.2064*** (0.056)

?0.2155*** (0.056)

?0.0687*** (0.015)

?0.0713*** (0.015)

性别（女性=1）

?0.0896 (0.072)

?0.0896 (0.077)

?0.0165 (0.020)

?0.0165 (0.021)

年龄

?0.0637*** (0.022)

?0.0645*** (0.022)

?0.0137** (0.006)

?0.0139** (0.006)

家庭成员数量

0.3205*** (0.032)

0.3172*** (0.032)

0.0815*** (0.009)

0.0807*** (0.009)

收入

0.0817*** (0.015)

0.0826*** (0.015)

0.0208*** (0.004)

0.0211*** (0.004)

平均食品支出

0.0426*** (0.006)

0.0422*** (0.006)

0.0120*** (0.002)

0.0119*** (0.002)

在家>研究局限性在于疫情对废弃物产生模式的影响以及韩国特有的背景，这些因素可能限制了研究结果的普遍适用性。尽管如此，关键的行为机制——边际处置成本和激励因素——很可能在其他制度环境中同样适用。未来的研究应该探讨这些机制的成本效益、采纳过程中的挑战、配套政策，以及收入或教育等社会经济因素对基于重量管理系统的效果的影响。

**利益冲突声明**
作者声明：我们与本手稿讨论的主题或材料相关的任何组织或实体均无关联，也未参与其中。

**数据可用性声明**
Lee, Kyeiim (2023) 《2022年韩国农村经济研究所（KREI）食品消费者行为调查》。数据在公开存储库中可获取，该存储库不提供DOI（数字对象标识符）。

**选择范围**：
每日食物浪费量 < 0.5公斤、0.5公斤 ≤ 食物浪费量 < 1公斤、1公斤 ≤ 食物浪费量 < 1.5公斤、1.5公斤 ≤ 食物浪费量 < 2公斤、2公斤 ≤ 食物浪费量 < 2.5公斤、2.5公斤 ≤ 食物浪费量 < 3公斤、以及食物浪费量 ≥ 3公斤。