模型设定

（一）效应变量编码

本书中，根据福利指标的特点，将所有的福利指标均视为分类变量，而非连续变量。这是由于，一定的休耕面积和休耕时间（休耕年限或持续年限）是选择休耕区域和种植类型的前提：如果休耕面积为0，讨论休耕时间、休耕区域或是种植类型都是没有意义的；同样地，如果休耕时间为0，讨论休耕面积、休耕区域或是种植类型也是没有意义的。由此可知，受访者在选择集内权衡不同的休耕方案时，也是以一定的休耕面积和休耕年限为前提的。此时，如果将休耕面积或休耕时间作为连续变量处理，暗含的假定是：受访者对休耕时间、休耕面积的偏好是固定斜率的，不存在边际效用变动的可能。但是，我们并不能找到支撑这一假定的理论和现实证据。休耕制度的建立在国内尚属首次，仍处于探索试点阶段，政府和民众对于扩大休耕面积或增加休耕年限的判断都很谨慎。我们有理由认为，民众对于休耕面积和休耕年限的边际效用存在变动的可能。由此，在本书中的休耕时间、休耕区域指标应被视为离散的分类变量，并做出如下假设：休耕面积、休耕年限对个体效用的影响是非线性的。为检验这一假设，休耕面积、休耕年限、休耕区域、种植类型四个变量在本书中均被视为无序分类变量。

对分类变量的处理可以使用虚拟变量或效应变量的编码方式。以休耕面积为例，如果休耕面积增加1万亩、2万亩、5万亩，实际上将能够使得效用分别增加1.0个单位、3.5个单位、4.5个单位。表5-1是以休耕面积等于1万亩为对照组，展示了线性编码和两种非线性编码的方式。

表5-1 变量的线性编码、虚拟变量编码、效应变量编码示例

首先，如果使用线性编码，效用函数中将只有一个变量，即休耕面积（area）。此时，休耕面积从1