从“中国城市居民的生态系统服务偏好”这个标题，第一反应是：又一个问卷调查？但做环境研究的人都知道，这类全国尺度的偏好调查，价值远不止描述“大家更喜欢公园还是湿地”这么简单。它背后是一整套关于“人对自然需求怎么测、怎么建模、怎么用”的方法论，最终指向的是城市绿色空间的规划、生态补偿标准的制定，甚至是一笔财政预算该往哪儿倾斜。
这篇文章想把这条线完整拆开：这个调查到底在测什么、问卷和抽样怎么设计、拿到数据后怎么分析、实际应用在中会遇到哪些坑，以及我个人踩过之后总结出的几件事。适合正在准备相关课题的研究生、做城市生态规划或景观设计的从业者，以及想用偏好数据支撑公共决策的伙伴参考。
1. 这个调查到底在测什么：生态系统服务偏好的概念拆解
1.1 什么是生态系统服务偏好，为什么偏偏要“偏好的数据”
生态系统服务这个概念，往简单说就是自然给人类提供的各种“好处”：干净的饮用水、可呼吸的空气、调节气候的林地、让人心情愉悦的公园绿地。学术界把它分成供给服务、调节服务、支持服务和文化服务四大类。过去几十年，主流研究侧重的是“自然能提供什么”，比如通过遥感反演一片森林的固碳量，或者用模型计算湿地净化了多少氮磷。这类客观供给量数据很重要，但它只回答了“有没有”，回答不了“够不够、值不值、居民到底领不领情”。
偏好数据填补的正是这个空白。它测量的是人对不同生态系统服务的主观排序和支付意愿。举个例子：同一个城市，统计年鉴里绿化覆盖率是40%，但居民出门能真正走进去、坐下来歇脚的公园绿地可能连10%都不到；再比如，同样一块地，是修成开放式草坪还是种满遮荫大树，不同年龄段、不同收入群体的选择很可能完全不同。如果没有偏好数据，规划者就只能按“面积越大越好”的假设去决策，结果往往是大草坪人满为患，角落里的密林无人问津。所以，偏好调查本质上是在给“自然的价值”打一个来自需求侧的分。
1.2 四种主要服务类型：城市居民到底关心哪些
如果按教科书框架硬套，供给服务里城市居民关心的是本地食品供给和干净水源，调节服务关心的是空气净化、降温降噪，支持服务关心的是生物多样性和土壤保持，文化服务关心的是游憩空间、景观美学和场所认同。理论上四类都重要，但放到城市场景里，居民感知强度差别巨大。
从已有全国调查数据看，文化服务往往是居民感知最直接、排序最高的。原因很简单：城市居民接触自然的日常场景，大概率是下楼遛弯、周末去公园搭帐篷，而不是参与碳汇核算。调节服务中的“降温”和“空气净化”属于“用了不知道”的隐形福利，需要通过科普和可视化才能转化为偏好。而供给服务在城市里更微妙，阳台种菜、社区菜园这类活动参与度在上升，但主流样本中更多表现为对食品安全和本地食材的支付意愿，而不是自给自足。支持服务（如生物多样性）则呈现出“高收入群体更关心、低收入群体相对无感”的分层特征。
理解这个结构，能帮问卷设计者避免一个常见错误：不要平均用力，把四类服务各设一堆题目。合理做法是，以文化服务和调节服务为核心，把供给、支持服务嵌入特定情景（比如社区花园改造、湿地修复计划），这样既贴合城市居民的真实感知，又能覆盖理论框架的要求。
2. 全国调查的设计思路与抽样逻辑
2.1 为什么要做全国尺度的调查，地域差异会怎么影响偏好
做全国而不是单城市调查，核心动机是捕捉偏好异质性的空间规律。中国城市大致可以按气候带、经济发展水平、城市规模划分出好几类典型场景：广州的偏好里，遮阴和降温权重一定高于哈尔滨；上海这样高密度建成区，居民对“下楼即达的小微绿地”的渴求比低密度城市强烈得多；而在一些快速城镇化中的三线城市，居民可能把“绿地面积大不大”当成第一指标，还没开始细分“亲水栈道”和“疏林草地”的差异。
如果只在某个城市做调查，得到的结果只代表那一个样本；一旦要回答“全国城市绿色空间怎么布局”“生态转移支付怎么定”这类问题，就必须有可比的跨区域数据。所以全国调查的意义不是把样本拼起来求一个“全国平均值”，而是通过统一工具、分层抽样，识别出“哪些偏好是跨区域稳定存在的”，哪些是“地方特定的”。后者的存在，反而是地方制定差异化政策的需求证据。
2.2 问卷设计的心机：从陈述偏好到选择实验，怎么让居民“说实话”
早期研究常用李克特量表，直接问“你是否愿意为改善空气质量支付100元/年”。这种陈述偏好法看似简单，毛病也大：存在明显的社会期望偏差，受访者为了显得自己有环保意识，会高估支付意愿；而且没有真实的权衡过程，随便说一个数不用付钱，回答自然不严肃。
所以目前全国调查的主流工具转向了选择实验法。核心设计是构造一个虚拟的“城市绿地提升方案”，每个方案由几个属性构成，比如绿地面积、距家距离、设施类型、生物多样性水平、所需额外税费（或捐款金额）。每个属性取几个水平，用正交或D-efficient设计生成若干组选择卡片，让受访者在两三个方案加“维持现状”里做选择。这样一来，居民每选一次，都是在各属性之间的真实权衡，研究者可以用随机效用模型反推每个属性的边际意愿支付。
这么说听着抽象，举个例子你就懂了。假设一张卡片上，方案A是“使用楼下500米的社区口袋公园，内有塑胶步道和儿童设施，新增年税费50元”，方案B是“使用3公里外的城市综合公园，有湖景和大量乡土植物，新增年税费80元”，方案C是“维持现状，不增加费用”。一个带孩子、时间紧张的年轻家长大概率选A，而一个退休且愿意为生态出力的老人大概率选B。大量这类细分选择汇总后，模型就能告诉你：距离每减少1公里，相当于每年愿意多支付多少钱；儿童设施和自然景观的相对权重到底谁高。
还有个容易被忽视的设计点：属性水平必须贴近实际。如果你的“绿地面积”水平设计成“增加10%、30%、50%”，居民很难感受；更直观的方式是换算成“相当于多少个足球场”，或者配合示意图。调研里图片材料的标准化也很关键，否则视觉偏好会干扰对真实属性的判断。
3. 数据采集与分析的实操全流程
3.1 样本量、分层抽样与线上线下的取舍
全国调查最现实的约束是“钱”和“人”。样本量方面，选择实验法没有绝对标准，但一般建议每个城市至少300到500个有效样本，全国20个左右城市就是6000到10000份。太少，后续做分城市分群体的潜在类别分析就很勉强；太多，经费和时间线绷不住。关键是先想清楚分析层次：只出全国模型，6000份足够；要做城市间对比，每个城市至少300份起步。
抽样最怕的是“方便抽样”。现实中很多团队图省事，用在线调查平台发问卷链接，结果样本严重偏向年轻、高学历、高收入群体，而这种群体恰恰对生态服务偏好更强、支付意愿更高，模型系数会系统性偏大。稳妥的路线是分层配额抽样：按城市级别、城区/近郊、年龄、性别、收入等配额控制。线上渠道（如问卷平台样本库）适合触达年轻人和在职群体，线下拦访和入户适合补充老年人、低学历、低数字化程度人群。混合模式虽然管理成本高，但样本代表性比纯线上高一个档次。
问卷实施里还有个细节：选择实验的题量控制。一组属性三到四个方案，做8到12个选择任务已经接近普通人的注意力极限。超过这个数量，受访者容易进入“机械点选”状态，数据质量断崖式下跌。建议把选择任务拆分为阻塞设计，不同受访者随机看其中6到8个，再配合一两个注意力检验题（比如“请选择左侧方案”），能有效筛掉无效答卷。
3.2 数据分析利器：从描述统计到离散选择模型，再到潜在类别分析
拿到数据后，常规第一步是清洗和描述统计，但真正的核心分析在偏好建模。基础框架是随机效用理论，最常用的是Multinomial Logit模型，甚至直接用logit的简化形式也能得到可用的边际效用估计。公式上，受访者n选择方案j的概率由属性值X和误差项决定，从一堆选择中可以解出每个属性的权重系数。
再往上走，普通MNL有一个硬性假设：所有受访者的偏好系数相同。这个假设在实际中基本不成立。年轻人和老年人对儿童设施的态度差异巨大，所以进阶做法是随机参数Logit（也叫混合Logit），让系数服从某个分布，输出“平均偏好”的同时还能看出异质性。另一种思路是潜在类别分析，先按回答模式把受访者分成几个“类别”，比如“实用主义者”“生态爱好者”“价格敏感型”“无感人群”，然后分别估计各类别系数。这个输出对城市规划特别友好，因为它能直接说“你这个城市有大约35%居民属于生态爱好者，他们愿意为生物多样性支付溢价”。
我觉得实操中比较实用的组合是：先跑一个MNL摸清方向和显著性，再用潜在类别模型识别细分群体，最后用随机参数Logit做稳健性检验。三个模型层层递进，输出的故事完整，也经得起审稿人的考验。计算工具方面，R里的mlogit、Apollo包解决80%需求，操作不复杂但需要注意数据格式；Stata的asclogit、lclogit也能做。没有软件基础的，用Python的statsmodels搭multinomial logit也能入门，但随机参数这部分还是得上专门包。
4. 我踩过的坑与偏好数据使用的避坑指南
4.1 问卷落地时的典型问题：社会期望偏差、锚定效应、顺序效应
理论上都知道这些偏差存在，实际操作中才是重灾区。
社会期望偏差在生态支付意愿里极其顽固。直接问“你愿意每年多交多少钱用于湿地保护”，答案动辄翻倍。缓解办法除了前述选择实验，还可以嵌入真实约束的措辞，比如明确写“该费用将从家庭年支出中扣除”，甚至加上“需要家庭成员讨论”。骗过理性没问题，骗过直觉有点难。
锚定效应往往来自问卷前序题目。如果前面有一道题提到“本地居民月均收入8000元”，后面再给支付意愿选项，受访者的出价会被这个数字牵引。最安全的办法是让属性水平和锚定信息尽量自然，比如把费用水平设定为10元、50元、100元、200元这种有规律的增量，减少“参考点”的随机扰动。
顺序效应则藏在选项排序里。如果方案A永远是“绿地面积更大”，受访者可能形成惯性选择，根本不再细读属性。解决办法是属性水平做随机旋转，甚至卡片顺序都随机化。我用过一次教训深刻的网络问卷，就因为固定顺序导致方案A被选爆，后期只能做加权校正，麻烦至极。所以编程出题时，务必把选择卡片做完全随机排列。
4.2 数据解读时最容易犯的三个错误
第一个错误是拿全国平均偏好指导单个城市。全国模型系数是几十个城市混合后的“平均水平”，放在具体城市可能完全失准。比如全国数据显示“增加绿地面积”的效用很高，但在上海这种建成区饱和、增量极难的城市，更现实的属性可能是“优化设施”或“缩短距离”。正确的解读方式是把城市哑变量或随机截距放进模型，看看偏差方向，再决定政策重点。
第二个错误是混淆“支付意愿”和“真实支付行为”。选择实验得到的支付意愿带有假想性，普遍高于真实行为，通常要打折扣或单独校准。报告里一定要说明这是陈述性支付意愿，不能直接当价格建议。如果用于定价和补偿标准，最稳妥的做法是叠加“接受者意愿”（WTA）或做竞价实验来交叉验证。
第三个错误是忽视无效样本对潜在类别模型的污染。有些受访者所有选择都选第一个方案，或者全程随机点选，这类样本会被潜在类别模型识别成一个“完全无差异类”，虽然表面上能拟合，但实际上拉低了其他类别的样本纯度。清洗阶段除了设最短答题时间，还要做“重复选项比例”筛查，并优先排除注意力检验失败的问卷。
5. 这套数据能用来干什么：从城市规划到政策评估的落地场景
5.1 识别城市绿色空间的“短板”，指导公园绿地布局
规划上最直接的应用是“偏好地图”。拿本地调查数据建模后，可以把每个空间属性的边际效用投影到GIS图层上，识别出哪些片区居民对“近距离绿地”的偏好特别高，但实际可达性很差，那这就是典型的“绿地服务盲区”。优先级排序就不再凭感觉，而是按“偏好缺失指数=偏好权重 × 可达性差”来打分。
举个例子，假如某老城区居住人口偏老龄化，模型显示他们对“安静休息区”和“厕所设施”的偏好权重显著高于年轻人。如果规划部门还在按“标准化公园建设规范”均匀配置球场和儿童设施，就会南辕北辙。偏好数据能让设计回归到“为谁服务”，而不是“照规范交差”。
5.2 生态补偿、环境支付意愿测算与定价参考
生态补偿标准测算一直是难题，早年常用成本法和市场替代法，完全没考虑需求侧价值。偏好数据提供了一种“受益者付费”的视角：如果绿地提升带来的平均支付意愿是每年每户120元，那么据此测算区域总受益规模，就能作为财政补贴或专项债规模的参考。
还有一种情形是绿色基础设施的优先级论证。比如要在流域上游投资人工湿地，评估报告如果只写“预计削减COD多少吨”，决策者很难有感；但如果补一句“居民对水质改善的平均支付意愿为每年150元，流域受益家庭50万户，总支付意愿约7500万元，高于项目年均运营成本”，说服力完全不一样。当然，这仍然只是意愿层面，但要论证公共品的福利效果，这是最接近市场信息的替代指标。
5.3 还有三个容易被低估的应用方向
一是气候适应性规划。面对高温热浪，偏好数据显示居民对“树荫覆盖率”的支付意愿在南方城市尤其高，这能支撑“行道树优先于大草坪”的设计决策。二是社区参与式更新。做老旧小区改造时，用轻量版选择实验问卷（5个题以内）筛选居民偏好，比开三次居民代表会更能反映沉默多数的诉求。三是生态教育的成效评估。在湿地公园做前后对比调查，就会发现“去过自然解说步道的游客，对保护区支付意愿明显上升”，量化了生态体验对环保行为的促进效应。
6. 关于这套数据的几点切身感受
前后参与过几次这类全国性偏好调查之后，最大的感触是：做这个方向，真正的难点不在统计模型跑不跑得出，而在每一个“更前”的环节——怎么把抽象的生态系统服务翻译成居民一听就懂的场景，怎么在半年跨城市调研里守住一致性，怎么在数据清洗时忍住“差不多就行”的冲动。这些琐碎功夫，数据质量早晚会给你回报。
最后分享一个小技巧：出问卷之前，一定先找几个目标城市的普通居民做半结构式访谈。注意不要找学生，学生太容易听懂专业术语。让大妈大爷看一遍选择卡片里的属性描述，如果他们说“这个‘物种丰富度’我看不懂”，说明你没翻译到位，得改成“能看到的鸟和花草种类多少”之类的日常表达。这一步省下来，后面所有统计分析都是在漂亮地处理垃圾输入。
全国尺度的生态服务偏好数据，本身不会告诉政府“该在哪修公园”，但如果读懂它，它就会告诉你“居民在鱼和熊掌之间，到底怎么选”。对做规划和研究的朋友来说，掌握这套从设计、采集到建模、落地的闭环，会是未来几年很值钱的一项技能。
