助推型减碳政策具有促进公众低碳生活和缓解气候变化的潜力。但推广和实施此类政策的前提是获得广泛的公众支持。鉴于政策叙事能够塑造公众对政策的认知和支持，有策略地设计和使用政策叙事可作为提高助推型减碳政策公众支持的有效途径。本文基于叙事政策框架研究政策叙事中的受害者与助推型减碳政策公众支持之间的关系。研究结果显示，将政策叙事中的受害者类型设定为人类而非野生动物会显著提高公众对助推型减碳政策的支持，增加政策叙事中的受害者数量会显著降低公众对助推型减碳政策的支持。但是当公众的心理应对机制由自动情绪调节转变为刻意情绪调节时，受害者数量对政策支持的负面影响会减弱。本文的研究结果意在为提高助推型减碳政策的公众支持提供实践启示。
刘展余
，复旦大学国际关系与公共事务学院博士研究生，研究方向为环境政策、数字政府；
雷玉琼
(通讯作者)，湖南大学公共管理学院副院长、教授、博士生导师，研究方向为政府治理。
全球气候变化对人类的经济发展、社会安全和生态环境构成了严峻的挑战(Arnell et al. , 2016)。缓解气候变化的关键在于激励公众采纳低碳的生产与生活方式(Kunreuther and Weber, 2014; Gosnell and Bazilian, 2021)。然而，受认知偏差影响，公众缺乏采纳低碳行为的内生动力(Zhao and Luo, 2021)。例如，公众往往将气候变化视为遥远且与自身无关的问题，对其不予关注( Sunstein, 2006; Moser,2007)。为解决上述问题，部分学者提出将“助推”策略融入减碳政策设计，构建助推型减碳政策，以提高公众采纳低碳行为的可能性( Yoeli et al. , 2017; Giest and Mukherjee, 2018; Carlsson et al. , 2021)。助推是一种通过改变决策环境来引导个体采纳特定预期行为的干预方式(Thaler and Sunstein, 2008)。常见的助推手段包括标签设定、提供反馈、默认选项以及同群比较等( Hansen and Jespersen, 2013; Yoeli et al. , 2017)。此类干预方式不会剥夺个体的选择自由(Weimer, 2020)，也不会给政策制定者带来过高的成本(Benartzi et al. , 2017)。此外，既有证据表明该措施能够有效推动公众采纳低碳行为(Kormos et al. , 2015; Henn et al. , 2019)。可见，在应对气候变化危机方面，制定和实施助推型减碳政策具有较好的前景。
值得注意的是，推广和实施新型公共政策的前提条件之一是获得公众的支持(Tannenbaum et al. , 2017)。未获得广泛公众支持的政策在执行阶段将会步履维艰(De Jonge et al. ,2018)。然而，助推型减碳政策在争取公众支持方面可能会面临一些阻碍(De Jonge et al. , 2018; Carlsson et al. , 2021)。原因有两方面。一方面，助推策略影响个体态度和行为的机制在于利用人类固有的认知偏差(Schubert, 2017; 景怀斌, 2021)。这一特征可能引发公众对决策自主性的担忧( Felsen et al. , 2013;Hansen and Jespersen, 2013; 付春野等, 2022)。越有效的助推型政策越有可能面临这种争议(Davidai and Shafir, 2020)。另一方面，推广和实施助推型减碳政策同样离不开人的决策。决策者可能存在的认知偏差和不公正也是公众所担忧之处(Tummers, 2023)。因此，探讨如何提高公众政策支持对于推广和实施助推型减碳政策而言至关重要。
提高特定政策公众支持的有效途径之一是借助政策叙事的力量(Mcbeth et al. ,2010; Shanahan et al. , 2013; Jones, 2014a, b; 郭跃等, 2020; 张扬和秦川申,2022)。政策叙事可视为政策制定者使用的一种语言和故事( Jones and McBeth,2010)，它定义了政策所要解决的问题、问题的根源，以及解决问题的工具(Denton,2017)。政策叙事有助于为某项政策解决方案提供合法性基础(Guy et al. , 2023)。因此，政策倡议者可通过调整政策叙事的形式和内容来塑造公众对特定政策的认知和支持(Shanahan et al. , 2011)。在政策叙事中，一种核心元素是“角色”，具体包括英雄、恶棍、受害者等(Jones et al. , 2014)。既有研究表明，改变政策叙事中的角色设定能够影响公众对政策的支持。例如，Jones(2014b)的研究发现，将政策倡议主体设定为政策叙事中的英雄能提高公众对所倡议减碳政策的支持程度。此外，Zanocco et al. (2018)的研究发现，将政策叙事中的恶棍设定为不同主体会在不同程度上提高公众对水力压裂法油气开采政策的支持程度。
在构建减碳政策叙事时，受害者是不可或缺的角色类型。描述受害者有助于更好地阐述政策问题的现状，这也是以气候变化受害者为核心的叙事已成为全球主流减碳政策叙事之一的原因(Bushell et al. , 2017)。因此，对于提高助推型减碳政策公众支持来说，探讨如何有效设计政策叙事中的受害者角色具有重要意义。实现这一目标需要解决诸多现实问题。首先，气候变化的受害者包含多种类型，如人类、野生动物等。选定一种受害者类型有助于明确政策问题的性质。因此，第一个亟待解决的问题是：在政策叙事中设定何种类型的受害者更有助于强化政策支持？在确定政策问题的性质后，便需描绘问题的规模。问题规模可通过受害者数量来反映。因此，第二个需要考虑的问题是：政策叙事中的受害者数量如何影响政策支持？最后，人类的认知系统是复杂且多变的。换言之，在不同时空下，面对相同信息，公众可能有截然不同的心理应对机制。因此，第三个要考虑的问题是：当公众心理应对机制发生变化时，政策叙事中的受害者数量与政策支持之间的关系如何变化？
为了回答上述三个问题，本文将开展实验研究从受害者类型效应、受害者数量效应，以及心理应对机制的调节效应这三个角度来检验政策叙事中的受害者与助推型减碳政策支持之间的关系。下文将按照以下结构展开：第二部分基于叙事政策框架提出研究假设；第三部分呈现三项随机化实验的设计以及假设检验结果；第四部分总结研究发现，并讨论这些发现对于提高助推型减碳政策公众支持的实际意义。
(一)政策叙事与叙事政策框架
叙事是一种围绕特定议题，以一种结构化的方式整合事件和角色的表达形式(Kreuter et al. , 2007)。根据既有研究，以叙事的方式来组织信息能更有效地塑造受众的认知和心智(Dahlstrom, 2014; Martinez-Conde et al. , 2019)。因为叙事是人类组织信息并以此认知世界的先天方式：人类大脑会本能地从海量信息中筛选出有意义的事件，并将其组织为连贯叙事(严进和杨珊珊, 2013)。通过这种信息处理模式，庞大的现实可被简化为可控且易于理解的事实存储在大脑中(Ramnani and Owen,2004)。得益于上述特征，叙事在诸多领域中都被视作一种改变个体态度和行为的有效方式。例如，叙事常被用于设计营销广告或公共传播内容，以此来让产品特征或传播内容深入人心(Downs, 2014; Escalas, 2004)。
政策叙事是一种以特定政策为议题的叙事类型。它是一种沟通工具( Jones and McBeth, 2010)，旨在塑造公众对政策议题的看法，并推动特定政策的实施(Shanahan et al. , 2013)。政策叙事定义了政策所要解决的问题、问题的根源，以及解决问题的工具(Denton, 2017)。政策叙事与政策过程之间存在着密切的关系(Shanahan et al. ,2011)。政策叙事不仅反映了政策制定和实施的结果，更深入地影响了政策的形成和执行。一方面，政策叙事是政策信息的传播媒介，它有助于政府向公众和利益相关者解释政策的目标、实施方法和潜在影响(郭跃等, 2020)。政策叙事的质量和效力会影响政策的接受程度和实施效果。另一方面，政策叙事有时会影响并引导政府决策议程的设置。通过在公众、决策者和利益相关者之间传播特定的叙事，政策倡议者可为某项议题获取关注度，从而影响政府决策的议程安排(曹志立和曹海军,2021)。因此，政策叙事可被视为政策过程的一个重要组成部分，它塑造了政策制定和实施的社会语境。
政策叙事具有明确的结构和元素，这一点在叙事政策框架中得到了全面的阐释。根据叙事政策框架，政策叙事通常有设定、角色、情节、寓意等元素。其中，“设定”是指与政策问题相关的事实或证据。“角色”是指与政策问题相关的行动者，通常包括提供解决方案的英雄、造成政策问题的恶棍，以及被政策问题伤害的受害者。“情节”则界定了设定与角色之间的关系并提供了因果机制。“寓意”是政策叙事所提倡的政策问题解决方案(李文钊,2017)。一段政策叙事至少要包含角色和寓意两种元素(Jones, 2014a; Shanahan et al. , 2018)。
在政策叙事中，角色元素有助于激活公众的情绪反应。这些情绪反应能够增强政策叙事的说服力(Jones et al. , 2014)。例如，政策叙事中的英雄角色能够为公众带来信任、希望等积极情绪。恶棍角色能够为公众带来愤怒、厌恶等消极情绪(Jones and Crow, 2017)。本文关注的受害者角色则能够为公众带来同情情绪(Husmann,2015)。根据气候变化传播相关研究，同情情绪能够激发公众对气候变化行动和政策的支持(Wolters et al. , 2022)。原因有两方面：一方面，同情情绪能够让公众对气候变化受害者的困境感同身受(von Mossner, 2017)，这种反应会拉近公众与气候变化问题的心理距离(Lu and Schuldt, 2016)；另一方面，同情情绪具有亲社会属性，它能鼓舞个体超越自身利益和关注他人利益( Eisenberg et al. , 2010)。在 Lu and Schuldt (2016)的实验研究中，同情情绪与气候政策公众支持之间的正向关系已得到了充分的验证。
(二)分析框架与研究假设
以上论述为建构政策叙事中的受害者和助推型减碳政策公众支持之间的因果关系提供了一个关键元素：同情情绪。后文将着眼于该元素，围绕本文须回应的三个问题提出三个层次的研究假设，框架如图1所示。
1. 政策叙事中的受害者类型
在政策叙事中，不同类型的受害者可能会引发公众不同程度的同情情绪。在气候变化问题上，有两种常被提及的受害者类型：首先是社会中的人类，例如太平洋岛国失去家园的居民(Farbotko and Lazrus, 2012)；其次是自然界中的野生动物，例如因气候变化而食物短缺的北极熊( Whitmarsh, 2008; Busch, 2016; Bushell et al. ,2017; Denton, 2017)。从公众的角度来看，这两种受害者有着不同的社会距离。社会距离是指不同主体在社会上联系的紧密程度，社会距离越小代表二者联系的紧密程度越高。既有研究表明，对于公众而言，与人类的社会距离小于与野生动物的距离(Manning et al. ,2018)。社会距离的差异会让公众更加重视人类的福祉，而非野生动物(Weinmann and Mishra, 2019; Law et al. , 2022)。因此，在气候变化背景下，将受害者设定为人类而非野生动物的政策叙事可能会更容易引发公众的同情情绪，从而提高对助推型减碳政策的支持。既有研究结果也支持了这一观点。例如，O'Neill and Nicholson-Cole (2009)发现，与北极熊的图片相比，饥饿儿童的图片更有可能让人们感受到气候变化问题的紧迫性。胡赛全等(2022)发现，公众更倾向于支持旨在拯救人类而非野生动物的助推型减碳政策。基于此，本文提出以下研究假设：
H1： 将政策叙事中的受害者类型设定为人类而非野生动物更有助于激发公众的同情情绪，从而显著提高公众对助推型减碳政策的支持。
2. 政策叙事中的受害者数量
在政策叙事中，不同数量的受害者同样可能会引发公众不同程度的同情情绪。研究发现，受害者数量的增加往往伴随着同情情绪的减弱，这一现象被称为同情消退(Butts et al. , 2019)。同情消退现象可通过人类的一种心理应对机制——自动情绪调节(automatic emotion regulation)来解释(Cameron and Payne,2011)。该机制指出，同情情绪可能会对个体的认知产生负面影响(Scheffer et al. , 2022)。因此，当面对多个受害者时，为了避免强烈的同情情绪造成过度的认知负担，人类的情感系统会自动抑制同情情绪(Mauss et al. , 2007)。同情消退现象将会导致人们在面临多个受害者时反而更不愿意施以援手(Butts et al. , 2019)。例如，Västfjäll et al. (2014)发现，与一个贫困儿童相比，当参与者被要求给两个贫困儿童捐款时，参与者的捐赠水平更低。同情消退的负面影响同样在环保领域有所体现(Markowitz et al. , 2013)。因此，本研究认为当受害者数量增加时，政策叙事所能引发的同情情绪反而减少，从而损害公众对助推型减碳政策的支持。基于此，本文提出以下研究假设：
H2： 增加政策叙事中的受害者数量会抑制公众的同情情绪，从而显著降低助推型减碳政策支持。
3. 政策叙事受众的心理应对机制
上文提到，人类的自动情绪调节机制是导致受害者数量产生负面效应的关键。那么，只要个体从这种自动心理应对机制中脱离出来，如有意识地去体验情绪，受害者数量的负面效应便可能被缓解(Cameron and Payne， 2011)。既有的证据能够支持这一观点。例如，Cameron and Payne (2011)发现，指引参与者在观看受害者照片时刻意感受自己的情绪，能够缓解受害者数量增加带来的同情消退。上述结果可通过人类的另一种心理应对机制——刻意情绪调节( deliberate emotion regulation) 来解释。具体来看，人类的刻意情绪调节是与自动情绪调节相反的一种受控的、有意识的情绪调节过程(Mauss et al. , 2007)。在该机制中，个体需要投入注意力资源，刻意让自己的情绪状态朝着预期方向发展(Tamir et al. , 2020)。随着注意力的加入，个体在面对可能引起强烈情绪的信息时不会产生防御性的抑制。例如，人们在看悲剧电影时会主动体验悲剧电影带来的负面情绪而不会抑制它(Tamir, 2016)。因此，本研究认为，当公众应对政策叙事的心理机制转换为刻意情绪调节时，受害者数量与助推型减碳政策公众支持之间的负向关系会被缓解。基于此，本文提出以下研究假设：
H3： 心理应对机制与政策叙事中的受害者数量之间具有交互作用。增加政策叙事中的受害者数量会显著降低由自动情绪调节主导的公众的助推型减碳政策支持，不会显著降低由刻意情绪调节主导的公众的助推型减碳政策支持。
为了检验上述3个研究假设，本文于2023年7月开展了3项在线实验。3项实验的目的如下：实验1旨在检验政策叙事中的受害者类型对助推型减碳政策公众支持的影响以及同情情绪在其中的作用(假设1)；实验2旨在检验政策叙事中的受害者数量对助推型减碳政策公众支持的影响以及同情情绪在其中的作用(假设2)；实验3旨在拓展和复现实验2的结果，并检验心理应对机制的调节作用(假设3)。三项实验均采用Prolific线上众包平台的英国样本①，并通过Qualtrics在线调查平台的电子问卷实现随机分组。Prolific平台是一家专业化的英国学术研究众包平台，旨在为学术研究提供参与者招募服务。与国际上常用的其他众包平台，如Amazon Mechanical Turk相比，该平台参与者的答卷质量及多样性更具优势( Peer et al. ,2017)。以下将依次陈述三项实验的设计、过程、材料、测量及分析结果。
①三项实验所用样本的女性参与者占比、25~39岁参与者占比、大学及以上学历参与者占比高于2021年英国人口中这些群体的比例。这意味着女性、中青年、高学历群体在本研究中被更多地代表(见附表4)。本文将在结论部分讨论该情况造成的影响。
(一)实验1：受害者类型效应
1. 实验设计与参与者
该实验采用了单因素(受害者类型：人类受害者 vs. 野生动物受害者)的组间实验设计。为了确保实验设计具有足够的统计功效，实验所需样本量通过G∗Power软件计算。具体来看，本实验将效应量f设置为0.25(中等效应量)，统计功效设置为80%，显著性水平设置为0. 05，计算得出最少需要128个样本。本实验招募了140名参与者，其中8名参与者的问卷未通过质量核查(中途退出实验或完成问卷时间过短)，在数据分析时被剔除。最终，本实验获得132个有效样本。其中，68名参与者接受了人类受害者处理，64名参与者接受了野生动物受害者处理。本实验向参与者提供了1英镑的奖励。上述样本的平均年龄为35.98岁，其中62.88%为女性，83.33%拥有大学及以上学历，52.27%认为自己的社会经济地位处于平均水平。
2. 实验过程与材料
受害者类型操纵。本实验将参与者随机分入人类受害者组和野生动物受害者组。两组参与者都需要阅读一篇气候变化短文。该短文改编自Loy and Spence(2020)的操纵材料，短文向参与者介绍了人为气候变化这一事实并描述了气候变化的受害者。为了更好地操纵效果，操纵材料额外加入了受害者的图片。在人类受害者组阅读的短文中，气候变化的受害者被设定为因气候变化而食物短缺的非洲儿童(单词数=487)，并附带一张非洲儿童以食用仙人掌维生的图片。在野生动物受害者组所阅读的短文中，气候变化的受害者被设定为因气候变化而食物短缺的北极熊(单词数=477)，并附带一张瘦骨嶙峋的北极熊的图片①。
①若有读者需要更详细的实验信息，可联系本文作者获取实验材料及问卷示例。
同情情绪测量。本实验测量了参与者对受害者的同情情绪，以此来开展操纵检验以及中介效应分析。同情情绪通过9个题目来测量(见附表5)。代表性的题目包括“你对受害者有多深切的怜悯之情？”和“你在多大程度上为受害者的处境感到动容？”(α= 0. 90,Cameron and Payne,2011)。参与者需在5分量表上作答(1=一点也不，5=极度)。
助推型减碳政策支持测量。完成阅读任务和同情情绪测量后，参与者需阅读一种助推型减碳政策的简介，即绿色能源的默认选项(见附表5)。该政策将居民的默认电力合同改为绿色电力，但是居民依然可以选择传统电力。由于人类有着不愿意改变现状的认知偏差，该政策将会促使公众更多地采纳绿色电力( Pichert and Katsikopoulos, 2008)。简介的文本改编自Sunstein et al. (2018)的研究。之所以选择这种助推型减碳政策，是因为默认选项是行为改变效应最强的环保助推策略之一(Nisa et al. ,2019; Mertens et al. , 2021)。并且这种助推往往具有更高的争议性(Hansen and Jespersen, 2013; Davidai and Shafir, 2020)，研究其公众支持更具现实意义。阅读完助推型减碳政策的简介后，参与者需在5分量表上报告他们在多大程度上支持这项政策(1=强烈反对，5=强烈支持)。
