甘肃省迭部县居民森林生态环境支付意愿影响因素分析

张 颖，李晓格

北京林业大学经济管理学院，北京 100083

自党的十八大以来，我国把生态文明建设提升到了国家的战略高度，对生态环境保护的重视不断加强，对生态环境服务价值评价和支付意愿的研究也逐步升温[1-3].具体到森林生态环境服务价值评价和支付意愿的研究，最早可追溯到1997年Costanza在Nature上发表的论文[2].公众对于生态环境的理解、认识和参与是生态环境保护和资源环境管理的基础，但是，关于他们的支付意愿如何，影响因素有哪些，以及森林生态环境的价值定量评估研究并不多见[4-5].因此，开展森林生态环境支付意愿的研究，并对影响支付意愿的主要因素进行分析，对提升公众森林生态环境保护意识、加强森林资源管理、促进林业可持续发展等具有重要意义.

目前，有关公众支付意愿的研究主要集中在城市[5-7]、森林[8-9]、湿地[9-12]、农田[13-14]、流域[12,15-16]、国家公园等方面[7]，尤其对生态服务价值补偿及资源保护与开发补偿的研究较多，采用的方法主要有条件价值法(CVM)、选择性试验法、Logit回归、Probit回归、Mixed Logit回归和最优尺度回归等[9-16].在公众对生态环境支付意愿的研究方面，公众个体特征，如性别、年龄、个人收入水平、文化教育程度、家庭年收入、职业等对支付意愿有显著影响，且公众对不同生态环境支付意愿的差别较大，分别从10元/(人·a)到几百元/(人·a)不等[4-15].具体到森林生态环境支付意愿的研究，一些学者运用结构方程的方法分析公众支付意愿和影响因素，得出支付意愿与公众满意度、关注度、重视度之间存在中高度相关关系，满意度与关注度、重视度存在负相关关系[16].还有一些学者对公众对于森林生态环境保护不愿支付的原因进行了分析，认为主要原因是公众存在“搭便车”和“对政府环境治理缺乏信任”[17-18]等.森林生态环境与一般生态环境一样，属于公共物品，影响公众支付意愿的因素较多[18].目前，绝大部分研究仅对支付意愿的单个影响因素进行分析，缺少“群组”研究和“系统”研究[19-20]，存在一定的不足.实际上，“群组”研究和“系统”研究能够对共同作用于同一目标的多个平行共变结构进行分析，并回答多个影响因素对总体的影响是否具有等同性，并从总体上判断各影响因素的重要程度[21]，这明显优于单个因素对支付意愿影响的分析，有利于从整体上进行不同影响因素之间的比较，选出最优的决策模型.鉴于此，该研究以甘肃省迭部县为例，在相关研究基础上，采用结构方程方法中的多群组结构方程模型，探讨公众对森林生态环境支付意愿的影响因素及其大小，并分析相关原因，以期为生态环境保护和资源环境管理等提供参考.

1 研究地概况与问卷调查

1.1 研究地概况

迭部县隶属于甘肃省甘南藏族自治州，地处秦岭西，岷山、迭山山系之间的高山峡谷之中，青藏高原东部边缘的甘川交界处，辖区面积 5 108.3 km2.迭部县森林资源丰富，林地面积39.94×104hm2，森林覆盖率61.61%，植被覆盖率超过87%，拥有 1 671 种高等植物，大熊猫等国家重点保护珍稀动物27种.全县境内拥有152种菌类植物(属低等植物)和127种药用植物.据迭部县国民经济和社会发展统计公报资料显示，2017年，迭部县常住人口5.4×104人，包括藏族、汉族、回族、蒙古族等多个民族，其中藏族占总人口的72%.2017年迭部县实现地区生产总值11.79×108元，人均GDP为21 839元，低于当年全国人均GDP(59 660元)水平.从林业生产来看，2017年迭部县实现林业总产值1.23×108元[8]，占地区生产总值的10.43%.从生态区位来看，迭部县是青藏高原东部重要的生态屏障和长江上游地区重要的水源涵养地，生态环境保护地位十分重要.因此，开展森林生态环境支付意愿的研究，对了解当地居民生态环境保护支付意愿、提升居民的生态环境保护意识等具有重要意义.

1.2 问卷调查

该文主要采用问卷调查的方式进行研究.在问卷设计中，相关内容包括三部分：①居民的基本特征，包括性别、年龄、民族、教育程度、家庭人口数、家庭年收入、外出打工情况、是否为村干部等.②森林生态环境支付意愿的影响因素，包括森林生态环境补偿的预期收益、对森林资源认知、对森林生态环境服务价值认知、对森林生态环境补偿认知、资金技术因素影响、对森林生态环境保护目的认知、外部影响因素等.③森林生态环境支付意愿，主要为森林生态环境支付意愿大小等.各种指标的选取主要是在多次预调研的基础上，参考有关研究并按照心理学的要求进行设计[12-13,16].

问卷设计主要根据李克特的五点量表，采用结构化调查问卷，被调查者需要仔细阅读并选择最适宜的答案.每个问题包含5个选项，分别表示5种不同的支付意愿程度，即非常同意(计1分)、同意(计2分)、不一定(计3分)、不同意(计4分)、非常不同意(计5分).最终所得分数为不同问题得分的总和，分数代表此项调查的认同程度.问卷整体设计经过多次修改，最后确定不同的问题.

调查于2017年7月进行.课题组在调研之前对所有人员进行培训，对各问题不断修改、完善，并进行预调查，以确保调查内容科学、合理.调查采用分层随机抽样的方法，针对迭部县不同区域，共发放问卷300份，剔除不完整答案的问卷，共获得有效问卷291份，有效问卷率为97%.

1.3 描述性统计和信度检验

为了确保数据的质量，该研究对问卷的第一部分内容进行基本描述性统计分析，结果如表1所示.

从表1可以看出：此次调查的受访者中男性相对较多，占52.58%，女性占47.42%.年龄主要分布在30～50岁之间，占比为74.57%.被调查者中高中以下文化程度占50.51%，说明被调查者的受教育程度较低.在家庭年收入中，收入在3.6×104元以下的占比为45.36%，反映出被调查者收入水平不高.另外，在民族构成中，藏族占被调查者的68.73%，汉族占29.21%，有2.06%为其他民族.在外出打工情况调查中，不外出的占比最高，为67.70%，外出6个月以上的占比最低，为5.50%；在是否为村干部的调查中，有5.80%的被调查者回答为村干部.

表1 问卷基本信息统计Table 1 Basis information of the questionnaire

另外，该研究采用李克特量表信度系数法——克朗巴哈系数(Cronbach′sα)对回收问卷中第二、三部分的主要内容进行了信度检验[8-9]，结果见表2.

表2 信度分析结果Table 2 Reliability analysis results

从表2所示检验结果可以看出：问卷总体的克朗巴哈系数为0.948，说明此次调查数据的可信度较高[11].各变量数据的克朗巴哈系数均大于0.8，其中森林生态环境支付意愿的克朗巴哈系数高达0.954，说明其变量的内部一致性和可信度比较高.因此，此次问卷具有较高的可靠性和有效性，可进行模型构建和分析.

2 研究方法

2.1 结构方程模型

该研究主要采用结构方程模型(Structural Equation Model,SEM)进行研究.结构方程模型是基于变量的协方差矩阵来分析变量之间关系的一种统计方法，它包括测量模型和结构模型[21-22].结构方程涉及变量主要包括潜在变量、观察变量，其中，潜在变量亦称隐变量，无法直接观察并测量，需要通过设计若干指标间接加以测量.潜在变量可分为外因潜在变量和内因潜在变量，外因潜在变量在模型中不受其余任何变量的影响，但却可以影响其余变量；内因潜在变量可受到任何变量的影响.观察变量是能够以量表或问卷为介质，通过测量所获取的数据.

相对于其他传统模型而言，结构方程模型能够处置多个因变量，能够对观察变量和潜在变量之间、因子之间的关系予以精确地估计和衡量，设置的模型更具弹性，同时能够对模型整体和数据拟合度予以准确估计[22].

2.2 模型构建

该研究主要分析对森林资源认知(FRC)、对森林生态环境服务价值认知(FVC)、对森林生态环境补偿认知(FPC)、居民参与森林生态环境补偿的预期收益(ER)、资金技术影响(FTI)、外部影响因素(EFI)、对森林生态环境保护目的的认知(FPP)与森林生态环境支付意愿(WTP)之间的关系，具体结构方程为

(1-B)η=τξ+e

(1)

式中：η为内生潜在变量，是指被调查者对森林生态环境的支付意愿；ξ为外生潜在变量，即对森林资源认知、对森林生态环境服务价值认知、对森林生态环境补偿认知、居民参与森林生态环境补偿的预期收益、资金技术影响、外部影响因素、对森林生态环境保护目的的认知；B为内生潜在变量之间的关系；τ为外生潜在变量影响内生潜在变量的程度；e为标识残差.

针对观测变量和潜变量间的关系，测量模型表示为

(2)

式中，X为外生潜在变量的观测变量，Y为内生潜在变量的观测变量，βX表示外生潜在变量和观测变量之间的关系，βY表示内生潜在变量和观测变量之间的关系，δ与ε表示观测变量获取的误差项[21].选取的观测模型方程如下：

Xi=βijξj+δj

(3)

式中：i为观测变量，i=1,2,3,…,34；j为潜在变量,j=1,2,3,…,7.即x1、x2分别表示对森林资源认知变量FRC1、FRC2，x3、x4、x5、x6、x7分别表示对森林生态环境服务价值认知变量FVC1、FVC2、FVC3、FVC4、FVC5，x8、x9、x10、x11分别表示对森林生态环境补偿认知变量FPC1、FPC2、FPC3、FPC4，x12、x13、x14分别表示生态环境补偿的预期收益变量ER1、ER2、ER3，x15、x16、x17、x18分别表示资金技术影响变量FTI1、FTI2、FTI3、FTI4，x19、x20、x21分别表示外部影响因素变量EFI1、EFI2、EFI3，x22、x23、x24、x25、x26、x27分别表示对森林生态环境保护目的的认知变量FPP1、FPP2、FPP3、FPP4、FPP5、FPP6.在此，所有观测变量共计34个，七大类潜在变量不同水平的变量为27个.

yj=βjηj+εj

(4)

式中，y1、y2、y3、y4、y5、y6、y7分别表示被调查者森林生态环境支付意愿WTP1、WTP2、WTP3、WTP4、WTP5、WTP6、WTP7.

运用Amos 17.0软件构建森林生态环境支付意愿的影响因素模型，并评价各因子的重要性.需要说明的是，在Amos 17.0软件中，将绘制图形的要素划分成以下类别：椭圆形表示潜在变量，矩形表示测量指标，圆形表示误差(e)，有向箭头表示要素间的关联性，各箭头上均加载回归权重系数[22].该研究采取β系数表示各潜在变量间的回归系数.在规定模型中，各潜在变量所对应的测量指标内均包括回归系数，其中，当回归系数等于1时，意味着所规定的潜在变量的度量单位等同于所对应的指标单位.此次调查的森林生态环境支付意愿影响因素模型见图1.

图1 森林生态环境支付意愿影响因素分析路径 Fig.1 The path map of factors influencing the willingness to pay for forest ecological environment

结构方程模型构建之后，需要通过各项模型适配指标来对模型的识别情况进行判断，并对假设模型与实际情况的一致性进行评价.卡方值(χ2)体现了模型对识别效果的拟合程度，它与自由度系数(df)密切关联，χ2/df值愈小，表示拟合程度愈佳.一般要求相对拟合指数(Comparative Fit Index,CFI)与拟合优度指数(Goodness of Fit Index,GFI)值介于0～1之间(实际使用中要求二者均大于0.9)，与1愈接近，说明其拟合效果愈佳.该研究检验了结构方程模型的拟合效果，且对参数进行估计，其适配度的检验结果如表3所示.

表3显示，模型的χ2/df值等于1.965(<2)，与要求的评价标准相符合.近似均方根误差(Root Mean Square Error of Approximation，RMSEA)与GFI和调整后的拟合优度指数(Adjusted Goodness-of-fit Index，AGFI)、CFI等指标值的评价标准不一致，表明其假设模型的拟合结果不符合评判标准，需要进一步修正或完善，以达到理想的拟合状态，此时模型的拟合路径见图2.

图2 森林生态环境支付意愿影响因素拟合路径Fig.2 The path map of factors influencing the willingness to pay for forest ecological environment

表3 各项指标的模型检验Table 3 Model test of various indexes

2.3 模型分析与修正

2.3.1探索性因子分析

探索性因子分析法(Exploratory Factor Analysis,EFA)可将复杂繁琐的多变量综合为少数几个主成分.该研究采取探索性因子分析方法找到观测变量的主成分数量，探究各主成分与各观测变量间的相关程度，根据分析结果对理论模型的合理性予以判定[14].运用SPSS 22.0软件对问卷所得数据进行探索性因子分析，统计结果表明，整体的Bartlett球形检验KMO值为0.875，说明调查数据适合进行因子分析[21].

根据方差和累积方差贡献率，共提取8个主成分，累积方差解释贡献率为78.77%，表明8个主成分能够解释原变量的绝大多数方差，方差贡献率计算结果如表4所示.

表4 所提取的8个主成分的解释总方差Table 4 Total variance of the 8 principal components extracted for interpretation

根据因子载荷矩阵得到各指标在不同主成分下的负荷量，采用方差法进行因子旋转之后，得到旋转成分矩阵表，共得到8个主成分.其中，居民森林生态环境支付意愿的观测指标在第1主成分的因子载荷值大于0.7，所以将其主成分定义为森林生态环境支付意愿影响因素;第2主成分定义为对森林生态环境补偿认知因素;第3主成分定义为对森林生态环境保护目的认知因素;第4主成分定义为预期收益因素;第5、6、7、8主成分分别定义为外部影响因素、森林资源认知因素、资金技术影响因素和对森林生态环境服务认知因素.提取的这8个主成分也说明了验证性因子分析结果与之前构建的理论模型存在较好的一致性，能够采用结构方程模型对森林生态环境支付意愿的影响因素进行分析.

2.3.2模型修正

模型修正手段包括两类：①修正初始模型，如果计算的指标值与评价标准条件不符，加以删除或修改；②根据模型拟合结果中的修正模块(modification模块)的结果进行修正.每次修正只改变一个参数值，以获得理想的结果[10].

图2的拟合路径显示，FRC(对森林资源认知)对WTP(森林生态环境支付意愿)的回归权重系数只有0.08，FPC(对森林生态环境补偿认知)对ER(预期收益)的回归权重系数仅为0.06，其数值极低，说明与结构方程要求的评价标准不相符合，需要删除森林资源认知对森林生态环境支付意愿及森林生态环境补偿认知对预期收益的关系路径.另外，参考修正模块的计算结果，考虑到实际情况与所计算结果，添加FTI(资金技术)对EFI(外部影响因素)的关系路径，并对模型进行进一步修正，修正后模型路径如图3所示.

根据修正后的模型拟合路径(见图3)对相关模型重新进行拟合，利用最大似然估计法(Maximum Likelihood Estimation,MLE)进行参数估计，此时模型的适配指标如表5所示.从绝对拟合适配统计量来看，各项检验指标基本都符合结构方程模型的评价标准，因此，该结构方程模型较好地拟合了实际调查数据[22-23].

表5 修正后各项指标的模型检验Table 5 Model test of various indexes after modify

2.3.2.1观测模型拟合分析

结构方程模型由结构模型与观测模型构成，表6为观测模型检验结果.由表6可知，各潜在变量与观测变量之间的回归系数均大于0.5，基本都在0.7以上，说明该研究的观测变量即调查题目能够反映潜在变量的状况[24].

由表6可知，被调查者对森林资源认知(FRC)的2个观测变量对森林资源认知的回归系数均大于0.7，解释效果良好，说明被调查者对森林资源有较好的认知.被调查者对森林生态环境服务价值认知(FVC)的5个观测变量回归系数均在0.6以上，解释效果良好.其中对森林生态服务价值的了解程度(FVC2)和对森林生态服务价值能提高林地总收入(FVC3)的回归系数均在0.85以上.因此，宣传森林生态服务价值、提升被调查者对森林生态服务价值的认知程度，可以进一步提高被调查者森林生态环境支付意愿.对森林生态环境补偿认知(FPC)的4个观测变量回归系数均在0.88以上，解释效果良好.因此，可以从森林生态环境补偿的角度对居民进行宣传和培训引导，提高被调查者的生态环境保护意识，进而提升被调查者森林生态环境的支付意愿.被调查者森林生态环境补偿预期收益(ER)的3个观测变量回归系数均大于0.7，解释效果良好，这也说明被调查者参与生态环境支付是期望相关收益增加.资金技术影响(FTI)的4个观测变量的回归系数在0.5以上，解释效果基本良好.其中被调查者认为林地适合生态环境建设(FTI4)的回归系数为0.847，表明如果居民有适合的林地资源，他们是愿意参与投资和学习相关技术并参与森林生态环境的保护.被调查者受外部环境因素影响(EFI)的3个观测变量的回归系数均大于0.6，解释效果良好.其中国家政策制度(EFI2)的影响最大，回归系数为0.888.因此，政策制度越完善，被调查者的权益保障越好，居民参与环境保护的意愿也会随之提高.支付意愿(WTP)的7个观测变量的回归系数均在0.75以上，解释效果良好，也说明被调查者提高森林资源认知、主动参与森林生态环境保护活动等有利于居民生态环境支付.被调查者参与生态环境保护目的(FPP)认知的6个观测变量的回归系数均在0.65以上，解释效果良好.其中，获得生态补偿收益及响应政府号召的系数较大，说明对居民来说收益和政策是影响其参与生态环境保护的主要影响因素.

表6 观测变量标准化的回归系数及其显著性检验结果Table 6 Standardized regression coefficients and its significance test of observation variable

2.3.2.2结构模型拟合分析

表7是潜在变量标准化的回归系数及其显著性检验结果.结果表明，各回归系数显著，均通过显著性水平检验，说明模型能够被识别[25-26].

由表7可知，外部环境影响因素(EFI)受居民森林生态环境支付意愿(WTP)的显著影响，具体回归系数为0.830，说明政策等外部环境对居民参与森林生态环境支付意愿影响最重要.被调查者森林生态环境服务价值认知(FVC)、森林生态环境补偿认知(FPC)的回归系数分别为0.760、0.650，表明被调查者对生态环境服务价值相关知识及政策的了解有利于提高他们的支付意愿.居民个人的资金技术影响(FTI)也受其支付意愿影响，回归系数为0.501.森林生态环境补偿预期收益(ER)也受森林生态环境支付意愿(WTP)的影响，但不是主要影响因素，回归系数较低，仅为0.335.观测变量中森林生态环境保护目的认知(FPP)对潜在变量森林生态环境补偿认知(FPC)、预期收益(ER)、外部环境影响因素(EFI)和资金技术影响(FTI)存在一定的影响，而资金技术影响(FTI)受森林生态环境保护目的认知(FPP)的影响最小，回归系数仅为0.283.

表7 潜在变量标准化的回归系数值及其显著性检验结果Table 7 Standardized regression coefficients and its significance test of latent variable

2.3.2.3假设检验分析

由表6、7参数估计与适配指数结果可以看出，所构建的结构模型具有较好的适配程度，理论模型中的各项假设通过了潜在变量的回归系数验证[27].表8为假设和验证结果之间的对应关系.

从检验结果来看，构建的13个研究假设均是正相关关系，所以当结构变量间的回归系数大于0时，证明假设的结构变量间所存在的关系是成立的，大于0.5则证明相关关系较强.由表8可知，13个研究假设中有11个成立，有2个不成立.这2个不成立的关系表明，居民对森林资源认知(FRC)与森林生态环境支付意愿(WTP)不存在正相关关系，居民对生态环境服务价值认知(FVC)与森林生态环境补偿预期收益(ER)也不存在正相关关系.其他假设的标准化回归系数估计值均大于0，说明均存在正相关关系.

表8 研究假设与验证结果Table 8 Research hypothesis and verification results

3 多群组结构方程模型分析

3.1 基于性别的多群组分析

表9为不同性别下结构方程模型适配指标的拟合结果.结果显示，模型的适配检验符合模型评价标准，多群组结构方程模型与观测数据拟合较好[28-29].

表9 基于性别的各项指标模型检验Table 9 Model test of various indexes based on gender

表10是基于性别的多群组结构方程模型拟合结果.结果显示，假设H2、H3、H12中男性居民对森林生态环境支付意愿影响显著，女性居民影响不显著.

表10 基于性别的研究假设与验证结果Table 10 Research hypothesis and verification results based on gender

H5、H10、H9主要是资金技术、预期收益方面的假设，这几个假设的检验结果表明男性和女性群体对森林生态环境支付意愿的影响情况基本一致.假设H6、H11是居民参与生态环境保护的外部影响因素的影响程度，研究结果表明，女性居民较男性对支付意愿的影响更为显著.

3.2 基于民族的多群组分析

表11为不同民族的结构方程模型适配计算结果.结果显示，模型适配指标基本符合模型评价标准.具体来说，藏族、汉族的模型适配指标检验结果相差不大，其结果值分别为2.069和1.989，并无明显区别.计算过程中，由于其他民族统计数据较少，故仅对藏族、汉族两个民族的数据进行了检验.

表11 基于民族的各项指标模型检验Table 11 Model test of various indexes based on the nationality

表12所示拟合结果也显示，两组样本的各研究假设检验结果较为接近，也进一步说明不同民族的居民在各路径的影响情况基本一致，不同民族对森林生态环境支付意愿的影响差异较小.

表12 基于民族的研究假设与验证结果Table 12 Research hypothesis and verification results based on the nationality

3.3 基于年龄的多群组分析

此次调查中，年龄数据分为<30岁、30～40岁、41～50岁、51～60岁和>60岁共5组，分别拟合不同年龄段下的结构方程模型，将不同模型适配指标结果整理得出：5组模型的χ2/df在1.796～2.124之间，RMSEA在0.088～1.027之间，GFI在0.879～0.931之间，CFI在0.894～0.925之间，各模型适配指标基本符合模型评价标准，说明多群组结构方程模型与观测数据拟合程度较好[30-31].

表13为基于年龄的多群组结构方程模型的拟合结果.结果显示，对于认知的相关假设H2和H3，年龄在31～40岁和41～50岁之间的群体比其他年龄段群体的影响更为显著，也说明相比于其他年龄段而言，该群体更加关注生态环境保护.在预期收益相关假设H4、H9中，除>60岁群体影响不显著以外，其他群体影响均较为显著，说明不同群体对森林生态环境补偿的预期收益均比较关注.在资金技术(H5)和外部因素影响(H6)方面，除<30岁的群体影响不显著以外，其他群体均较为显著.在其他假设下，各群体之间的影响基本无差异.

表13 基于年龄的研究假设与验证结果Table 13 Research hypothesis and verification results based on the age

3.4 基于教育程度的多群组分析

将教育程度数据分为小学及以下、初中、高中、专科和大学及以上共5组，由各模型适配指标结果可知，5组模型的χ2/df在1.952～2.094之间，RMSEA在0.085～1.009之间，GFI在0.898～0.922之间，CFI在0.876～0.938之间.各模型适配指标基本符合模型评价标准，显示多群组结构方程模型与观测数据拟合程度较好[23,31].

表14是基于教育程度的多群组结构方程模型的拟合结果.结果显示，在所有认知程度方面，高中及以上学历水平群体对森林生态服务价值认知的影响较为显著，说明该群体对森林生态服务价值认知的程度较高.在其他研究假设情况下，各群体认知差异不明显.

表14 基于教育程度的研究假设与验证结果Table 14 Research hypothesis and verification results based on education level

4 讨论

该研究主要采用多群组结构方程模型分析了甘肃省迭部县居民森林生态环境支付意愿的影响因素，针对上述研究结果，以下问题值得思考：

a) 完善生态环境保护相关政策，落实生态环境补偿制度，有利于提高居民的森林生态环境保护支付意愿.实际上，对参与森林生态环境建设的居民给予一定的补贴，激励居民参与森林生态环境保护活动.对于资金不足而又积极参与森林生态环境建设的居民，应放宽贷款优惠政策，解决他们的实际问题等，也有利于提高他们的生态环境保护支付意愿[13].

b) 加强政策引导和宣传教育，提高居民对生态环境服务价值的认知程度，激发他们的环保意识.一方面，政府可以搭建生态环境专题网站、创建微信公众号、举办讲座、设立报刊专栏等，对森林生态环境服务价值进行宣传和普及，为广大居民提供更多的信息渠道；另一方面，政府可以通过举办生态环境保护专题活动，如植树造林、森林抚育管护、以资代劳等多种形式的活动等，引导居民积极参与，并加强舆论宣传，培养他们的生态环境服务有偿消费观，强化他们对生态环境保护的关注度和重视度等[16]，也有利于提高他们的森林生态环境保护支付意愿.

c) 基于个体的差异性来制定差异化的生态环境保护方案，有助于有效提高居民的生态环境保护支付意愿.应根据居民的性别、年龄、受教育程度等差异，采取有针对性的生态环境价值和保护的宣传策略.如对于女性群体侧重于生态环境服务知识的普及，对于男性群体侧重于生态价值补偿及收益等方面的宣传，从而提高他们生态环境保护意识等，并提高他们的森林生态环境保护支付意愿.

d) 从研究方法来看，采用结构方程模型分析的最大优点是可以同时处理许多因变量，并比较、评价不同的理论模型，也允许不同变量之间存在测量误差[22,32-33].当采用多群组结构方程模型分析时，可了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异，并选出最优的决策模型.但在分析过程中，如果采用过多的多群组结构方程模型，会对数据的量要求更大，如何在不扩大样本量的情况下，采用更多的多群组结构方程模型分析，这也是多群组结构方程模型分析过程中值得讨论和思考的问题.

5 结论

a) 居民对生态环境服务价值认知、对森林生态环境保护目的认知、对生态环境补偿认知和生态环境补偿预期收益、居民个人资金技术因素及外部影响因素与居民森林生态环境支付意愿存在正相关关系，且都存在显著影响.居民对森林生态环境补偿认知、生态环境补偿预期收益、外部影响因素和资金技术因素与居民生态环境保护目的的认知呈正相关关系.对森林生态环境服务价值认知与森林生态环境补偿认知呈正相关关系.这些发现有助于了解迭部县居民森林生态环境支付意愿的影响因素.这些影响因素在生态环境支付意愿影响研究中也具有一定的普适性和代表性.

b) 在居民森林生态环境支付意愿的不同影响因素中，最主要的影响因素是外部因素，其回归系数为0.830，具体包括相关政策、制度、法律法规以及被调查者的权益保障规定等，这些外部影响因素越完善，居民森林生态环境支付意愿越强；影响最小的是资金技术因素，回归系数仅为0.283.另外，研究结果也显示，被调查者对森林生态环境服务价值及补偿相关知识的认知程度也会影响其支付意愿.因此，应加强相关宣传，提高居民森林生态环境保护的认知程度.

c) 多群组结构方程模型计算结果显示，男性居民森林生态环境支付意愿相对于女性更高，且主要受对森林生态环境的认知程度的影响，女性更容易受外部因素的影响；不同年龄段的被调查者在森林生态环境服务价值认知、资金技术条件因素和外部影响因素方面存在差异性；不同教育程度的被调查者之间的差异主要体现在对森林生态环境服务价值认知和森林生态环境补偿的认知上.