基于回归模型和FAHP模型的池州市居民对“渔光互补”的选择意愿和满意度调查研究

Research on the Willingness and Satisfaction of Residents in Chizhou City to Choose “Fishery Photovoltaic Complementarity” Based on Regression Model and FAHP Model

摘要: 利用二元Logistic回归模型和FAHP模型，以池州市居民作为调研对象，通过卡方检验和共线性诊断选出了影响池州市居民对“渔光互补”选择意愿的因素，借助SPSS软件建立二元回归模型，结果显示：是否为本地居民、对项目的了解程度、项目的可行性、政府的支持程度这四个因素对池州市居民是否愿意支持“渔光互补”项目的发展均有正向影响。通过对影响池州市居民对“渔光互补”模式的相关因素进行归类分析，利用模糊层次分析法计算指标得分，从而判断出重要因素，即“渔光互补”模式利于渔业发展。综合以上数据分析以及国家宏观政策，提出了有效的建议，对项目的发展有一定的参考价值。

Abstract: Using the binary logistic regression model and FAHP model, taking Chizhou residents as the research object, the factors influencing the willingness of Chizhou residents to choose “fishery and photovoltaic complementation” were selected through chi-square test and collinearity diagnosis, and the binary regression model was established with the help of SPSS software, and the results showed that the four factors of whether they were local residents, the degree of understanding of the project, the feasibility of the project and the degree of government support had a positive impact on whether the residents of Chizhou were willing to support the development of the “fishery and photovoltaic complementation” project. By classifying and analyzing the relevant factors influencing the “fishery-PV complementation” model of Chizhou residents, the index score was calculated by using the fuzzy analytic hierarchy process, so as to determine the important factor, that is, the “fishery-PV complementation” model is conducive to the development of fisheries. Based on the above data analysis and national macro policies, effective suggestions are put forward, which have certain reference value for the development of the project.

1. 引言

在当前全球能源结构转型与环境保护的双重压力下，寻求可持续发展的新能源模式已成为世界各国的共同关注点。“渔光互补”模式作为一种创新的渔业养殖与新能源光伏发电的结合方式，因其具备显著的经济、环境和社会优势而备受关注。

“渔光互补”模式是一种创新的能源与农业结合方式，它巧妙地将太阳能光伏发电和水产养殖融为一体。具体来说，就是在鱼塘上方安装光伏板阵列，这样既能利用这些光伏板产生的电力来供电，又能在它们下面的水域里进行鱼虾等水产品的养殖。此外，这样的设计还为鱼类提供了一个遮阳的环境，有助于提高养殖效率。这种模式实现了水面上发电、水中养鱼的双重效益。中国作为全球最大的水产养殖国家之一，其渔业总产量中有79.8%来自于这种创新模式[1]，尽管水产养殖面积已超过703.6万公顷，但该行业仍主要依赖资源消耗型增长模式。这种传统方式带来了显著的环境影响、高能源消耗以及低生产效率等问题，逐渐引起了人们的关注[2]。随着中国光伏发电行业的持续发展，光伏电站的布局已从传统的陆地区域拓展至水域。为了更高效地利用资源，中国创新推出了“渔光互补”模式，这是一种将水上光伏发电与水下养殖相结合的新型产业模式。这种模式不仅优化了空间使用，节省了宝贵的土地资源，而且通过光伏设施为养殖区提供环境调节，实现了渔业增产、电力供应和环境保护的三重效益。这为我国的渔业经济和绿色发展开辟了全新的道路[3]。

目前，由于各地区的地形和政策不同，国内学者对渔光互补项目的生态效益尚未得出具体结论，大部分研究结果仅基于理想情况。徐洪钢[4]运用能值分析理论指出项目的能值产出远大于投入，经济性非常合理，并且具有较强的可持续性和良好的环境资源利用率。该项目周围自然环境破坏程度较小，同时具有活力和强大的可持续发展能力。相比国内情况，国外渔光互补项目发展尚未成熟，主要处于“光伏+”项目准备完善阶段。Tomekovic和Filipan采用了软件分析手段，以评估静态投资指标下的投资回报率[5]。

本文主要通过问卷调查的方式获取数据并采用Logistic回归模型和FAHP模型研究池州市居民对“渔光互补”模式的选择意愿和满意度。

2. 基于Logistic回归的选择意愿分析

2.1. Logistic回归模型选择原因

Logistic回归是一种广义的线性回归分析模型，常用于事物影响因素的分析中，适用于处理二分类问题，即预测结果为0或1的场景。在我们的研究中，需要对某一特定现象进行是与否的判断，因此逻辑回归模型具有较好的适用性。同时，逻辑回归模型的系数可以反映各个特征变量对预测结果的影响程度，便于我们对模型进行解读和优化。此外，相较于支持向量机等复杂模型，逻辑回归模型的训练速度更快，更适合大规模数据集的处理。逻辑回归模型的参数较少，降低了过拟合的风险。本研究中，池州市居民是否愿意支持“渔光互补”项目在池州市的发展，只有“愿意”和“不愿意”两种情况，是二分变量，故将其作为因变量进行二元Logistic回归，分析其影响因素。

2.2. 预处理和变量赋值

在进行Logistic回归分析之前，我们先对影响居民选择意愿的因素进行了卡方检验，检验自变量和因变量是否有关系，并将不相关的因素剔除，不放入回归模型中，所有影响因素的卡方检验结果汇总如表1。

Table 1. Chi-square test table

表1. 卡方检验表

变量名称	变量与选择意愿的卡方值	p值	是否放入logistic模型中
地区	1.115	0.773	否
是否为本地居民	121.687	0.000	是
年龄	3.369	0.643	否
性别	0.369	0.544	否
学历	5.895	0.265	否
家庭月收入	6.542	0.088	否
对项目的了解程度	159.093	0.000	是
项目的可行性	170.979	0.000	是
政府的支持程度	210.151	0.000	是

由表1可知，“是否为本地居民”，“对项目的了解程度”，“项目的可行性”，“政府的支持程度”这几个变量的P值小于0.05，故将这几个变量放入Logistic模型中。

令池州市居民是否愿意支持“渔光互补”项目在池州市的发展为因变量Y，影响池州市居民是否愿意支持“渔光互补”项目的因素作为自变量X_i。建议影响因素赋值如表2。

Table 2. Influencing factor assignment table

表2. 影响因素赋值表

变量标签	变量	变量赋值
Y	项目选择意愿分析	不愿意 = 0
		愿意 = 1

续表

X1	是否为本地居民	0 = 外来务工常驻者
		1 = 本地居民
X2	对项目的了解程度	0 = 从未了解
		1 = 初步了解
		2 = 较为了解
		3 = 非常了解
X3	项目的可行性	0 = 没有
		1 = 有
X4	政府的支持程度	0 = 完全不支持
		1 = 不支持
		2 = 一般
		3 = 支持
		4 = 非常支持

2.3. 共线性诊断

与线性回归相似，在二元Logistic回归中，自变量的相关性不能太高，否则就会出现多重共线性，影响最后的估计结果，故我们使用线性回归中共线性诊断方法，判断自变量之间是否存在多重共线性。

Table 3. Coefficients for collinearity diagnosis

表3. 共线性诊断的系数

	未标准化系数		标准化系数			共线性统计
	B	标准错误	Beta	t	显著性	容差	VIF
(常量)	−1.882	0.055		−34.416	0.000
是否为本地居民	0.179	0.029	0.196	6.263	0.000	0.646	1.547
对项目的了解程度	0.257	0.034	0.265	7.593	0.000	0.521	1.920
项目的可行性	0.281	0.036	0.289	7.921	0.000	0.478	2.093
政府的支持程度	0.115	0.014	0.320	8.505	0.000	0.449	2.228

由表3可以看出，自变量的VIF值均小于5，说明自变量间不存在严重的多重共线性，接下来我们进行模型的建立。

2.4. 模型建立与结果分析

Logistic回归模型的因变量只能取“0”和“1”两个值，且因变量为虚拟变量，表明一种决策的两种可能性。本研究中，把选择“不愿意”定义为Y = 0，选择“愿意”定义为Y = 1。

将池州市居民愿意支持“渔光互补”项目在池州市的发展的概率设为p，则不愿意支持的概率为1-p，将p视作自变量的线性函数，将影响池州市居民选择“渔光互补”项目的各项因素引入以后，函数的表达式为：

$\log it\left(\text{p}\right)={\beta }_0+{\beta }_1{X}_1+{\beta }_2{X}_2+{\beta }_3{X}_3+{\beta }_4{X}_4$

表达式中，假定X₁为是否为本地居民，X₂为对项目的了解程度，X₃为项目的可行性，X₄为政府的支持程度。用SPSS软件进行分析，结果如表4：

Table 4. Results of logistic regression analysis

表4. Logistic回归分析相关结果

	B	标准误差	瓦尔德	自由度	显著性	OR值
X1	2.838	0.848	11.209	1	0.001	17.081
X2	1.123	0.484	5.390	1	0.020	3.074
X3	2.975	0.820	12.146	1	0.000	19.584
X4	2.248	0.471	22.823	1	0.000	9.470
常量	−8.083	1.487	29.548	1	0.000	0.000

根据表4，我们可以得到模型的公式为：

$\log it\left(\text{p}\right)=-8.083+2.838X_1+1.123X_2+2.975X_3+2.248X_4$

由分析结果可以看出：是否为本地居民、对项目的了解程度、项目的可行性、政府的支持程度这四个因素对池州市居民是否愿意支持“渔光互补”项目的发展均有正向影响，即本地居民比外来务工常驻者更愿意支持项目在池州市的发展，对项目了解程度更高的居民更愿意支持项目的发展，认为项目可行性高的居民更愿意支持项目的发展，认为政府对项目的支持程度更高的人更愿意支持项目的发展。并且由OR值可以看出对居民对“渔光互补”项目意愿影响最大的是项目的可行性，其影响程度排序为：项目的可行性 > 是否为本地居民 > 政府的支持程度 > 对项目的了解程度。

2.5. 模型检验

Table 5. Prediction results of the classification table

表5. 分类表预测结果

观测值		预测值
		项目选择意愿		百分比正确
		不愿意	愿意
项目选择意愿	不愿意	96	8	92.3
	愿意	8	340.8	97.7
总体百分比				96.5

由表5可知，池州市居民选择“渔光互补”项目的意愿情况的百分比预测值和实际情况的相符率为96.5%，预测模型的准确率较高。

Table 6. Summary of regression models

表6. 回归模型摘要表

−2对数似然	Cox-Snell R方	Nagelkerke R方
46.111	0.599	0.909

Cox-Snell R方和Nagelkerke R方评价自变量和因变量之间的关联性，由表6可知其值分别为0.599和0.909，表明自变量和因变量之间关联性较强。−2对数似然用来评价模型拟合的好坏，本模型中的−2对数似然值为46.111，说明模型整体拟合效果较好。

Table 7. Hosmer-Lemeshow test

表7. Hosmer-Lemeshow检验

卡方	自由度	显著性
2.639	7	0.916

Hosmer-Lemeshow检验为模型拟合指标，由表7可知本模型中Hosmer-Lemeshow检验的显著性大于0.05，说明通过检验，即二元Logistic回归模型能很好地表示变量之间的关系。

3. 基于FAHP模型的“渔光互补”模式满意度评价

3.1. FAHP模型简介

本研究运用了模糊层次分析法(FAHP)来对经过调整的指标体系进行深入分析，旨在对影响“渔光互补”模式的各种因素按照其重要性进行排序。FAHP是在模糊集理论的基础上对传统AHP(层次分析法)的丰富和发展。模糊集理论是由美国自动控制专家扎德教授首次提出的[6]，这种方法特别适用于对那些具有多个评价因素、多层次结构以及涉及模糊性因素的复杂系统进行全面分析。

我们将目标问题分解为三个层次，第一层为目标层，第二层为准则层，第三层为指标层，如图1所示：

Figure 1. Evaluation hierarchy chart of the “fishery photovoltaic complementary” mode

图1. “渔光互补”模式的评价层次图

3.2. 模糊综合评价估计指标层分数

根据本次问卷设计的内容，制定评分等级的量化表为非常不认可“1”(20分)，比较不认可“2”(40分)，一般认可“3”(60分)，比较认可“4”(80分)，非常认可“5”(100分)对指标层进行分析，以行为态度因子为例。

Table 8. Frequency table of respondents’ evaluation attitudes towards the “fishery photovoltaic complementary” behavior model

表8. 被调查者对“渔光互补”模式行为态度的评价频数表

评分等级	1	2	3	4	5
“渔光互补”模式可取	16	29	23	120	95
促进生态渔业发展	29	14	36	77	127
满足一定渔民特殊需求	17	23	33	116	94

根据表8数据得到评价矩阵和该指标层各项指标分数：

$R_1=\left(\begin{array}{l}\frac{16}{283}\frac{29}{283}\frac{23}{283}\frac{120}{283}\frac{95}{283}\\ \frac{29}{283}\frac{14}{283}\frac{36}{283}\frac{77}{283}\frac{127}{283}\\ \frac{17}{283}\frac{23}{283}\frac{33}{283}\frac{116}{283}\frac{94}{283}\end{array}\right)$

$F_1=R_1\times \left(\begin{array}{l}20\\ 40\\ 60\\ 80\\ 100\end{array}\right)=\left(77.6078.3077.46\right)$

指标层各项指标的分数为：“渔光互补”模式可取77.60分、促进生态渔业发展78.30分、满足一定渔民特殊需求77.46分。

同理，可以得到主观规划因子、使用行为因子和行为意向因子的各指标层中各项指标的分数。

3.3. 层次分析法确定各要素的相对重要程度

3.3.1. 建立指标层的判断矩阵

以行为态度因子为例，设其所含3项指标，分别为，记判别矩阵为，通过两两比较，所得结果如表9所示[7]：

$A_{ij}=\frac{i指标的重要性分数}{j指标的重要性分数}=\frac{w_j}{w_j}$

Table 9. Judgment matrix of behavioral attitude factors

表9. 行为态度因子的判断矩阵

指标	“渔光互补”模式可取	促进生态渔业发展	满足一定渔民特殊需求
“渔光互补”模式可取	1.00	0.25	0.20
促进生态渔业发展	4.00	1.00	0.50
满足一定渔民特殊需求	5.00	2.00	1.00

$A_1=\left(\begin{array}{l}1.000.250.20\\ 4.001.000.50\\ 5.002.001.00\end{array}\right)$

3.3.2. 依据和积法计算指标层的权重

首先计算出“行为态度”类指标判断矩阵各列的总和，并按列标准化；再对按行相加的值进行归一化运算，判断矩阵最大特征向量即为单层次排序权重值向量。同理可计算出其他3个因子的指标权重值，如表10所示。

Table 10. Weight table of behavioral attitude factors

表10. 行为态度因子的权重表

指标	权重值(%)
“渔光互补”模式可取	9.82
促进生态渔业发展	33.39
满足一定渔民特殊需求	56.79

3.3.3. 判断矩阵的一致性检验

我们通常采用一致性指标(CI)和跟随机一致性指标(CR)来判断矩阵一致性程度的指标[8]。公式如下：

$CI=\frac{{\lambda }_{\max }-n}{n-1}$

$\lambda =\frac{1}{n}{\displaystyle \sum _{i=1}^n\frac{{\left(Aw\right)}_i}{{\text{w}}_i}}$

$A_w=\left(\begin{array}{cccc}{a}_{11}& a_{12}& \cdot \cdot \cdot & a_{1n}\\ a_{21}& a_{22}& \cdot \cdot \cdot & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{m1}& a_{m2}& \cdot \cdot \cdot & a_{mn}\end{array}\right)$

Table 11. Results of consistency test for judgment matrix

表11. 判断矩阵一致性检验结果

因子	最大特征根	CI值	RI值	CR值	一致性检验结果
行为态度因子	3.025	0.012	0.520	0.024	通过
主观规划因子	2.000	0.000	0.000	null	通过
使用行为因子	3.000	0.000	0.520	0.000	通过
行为意向因子	3.000	0.000	0.520	0.000	通过

通常情况下CR值越小，则说明判断矩阵一致性越好，一般情况下CR值小于0.1，则判断矩阵满足一致性检验；如果CR值大于0.1，则说明不具有一致性。由表11可得所有因子都满足一致性检验。

3.3.4. 重要性评价得分

根据权数计算得到表12：

Table 12. Importance evaluation score of “fishery photovoltaic complementary” mode

表12. “渔光互补”模式的重要性评价得分表

隐变量		观测变量
影响因子指数	排序	单项指数	权重值%	排序

续表

行为态度因子	77.79	1	“渔光互补”模式可取	77.60	9.82	2
			促进生态渔业发展	78.30	33.39	1
			满足一定渔民特殊需求	77.46	56.79	3
主观规划因子	77.63	2	他人对“渔光互补”模式的评价	77.24	20.00	2
			政府的宣传	78.02	80.00	1
使用行为因子	77.62	3	“渔光互补”模式，建造费用可接受	76.96	9.09	3
			“渔光互补”模式利于渔业	78.73	45.46	1
			政府的支持	77.17	45.46	2
行为意向因子	77.27	4	对“渔光互补”模式的兴趣程度	76.82	14.29	3
			愿意采取“渔光互补”模式	77.31	14.29	2
			支持“渔光互补”模式，长久发展	77.67	71.43	1

由表12可知，池州市居民对“渔光互补”模式的满意度影响最大的指标是“‘渔光互补’模式利于渔业”。同理对比影响因子，池州市居民对行为态度因子的认可度较高，因此池州市居民认为“渔光互补”模式有待进一步完善。

4. 建议

基于上述分析我们提出以下建议：

第一，在选择水产养殖与光伏结合的具体模式时，需要考虑地形地貌、气候条件、水域特性等因素，以确保光伏发电与水产养殖的最优结合。在设计和规划“渔光互补”项目时，应考虑到生态环保、水资源保护的要求，在保护自然环境的同时为当地居民创造更大的收益。

第二，考虑到技术和市场的快速变化，项目应保持一定的灵活性和可调整性，以便及时响应外部环境的变化。可以探索与旅游、休闲等其他产业的联动发展，打造多功能的综合体。

第三，由本文研究可以发现居民对项目的意愿度与项目的可行性、政府的支持程度有很大的关系，因此政府及有关部门可以加大对项目的支持力度，对项目进行适当的宣传，让当地居民了解项目的可行性与优越性。

5. 结束语

本文研究通过建立Logistic回归模型和FAHP模型对数据进行分析。首先对影响居民选择意愿的因素进行了卡方检验和共线性诊断，选取通过检验的自变量，建立了二元线性回归模型。通过模型的结果可以看出：是否为本地居民、对项目的了解程度、项目的可行性、政府的支持程度这四个因素对池州市居民是否愿意支持“渔光互补”项目的发展均有正向影响。建立层次结构模型接着构造判断矩阵继而进行一致性检验确保结果的有效性和可靠性，最后计算指标得分确定池州市居民对“渔光互补”模式的满意度影响最大的指标和影响因子。通过最后的分析可以发现：指标得分越大说明其影响程度越大。本研究针对安徽省池州市居民进行了调查，由于地域性和样本数量的限制，实际结果可能与分析理论存在一定冲突。但无论如何，我们构建的模型和判定方法适用于各个地域。因此，本文提出的建议和建模方式具有一定的参考价值和指导意义。

基金项目

国家级大学生创新创业训练计划项目(项目编号：202310371039)资助。