De Willingness To Pay voor Groene Stroom;

De ‘Willingness To Pay’ voor Groene Stroom; Een Contingent Valuation Onderzoek onder Nederlandse Huishoudens

Bart Verbeet

De ‘Willingness To Pay’ voor Groene Stroom; Een Contingent Valuation Onderzoek onder Nederlandse Huishoudens (Afstudeerscriptie)

Bart Verbeet 332577 – Universiteit van Tilburg

13 januari 2006

Examencommissie: Prof. dr. A.J. de Zeeuw Dr. ing. W.J.M. van Groenendaal Dr. M.J.M. Kerkhofs

i

Samenvatting Groene stroom kan tegen dezelfde prijs verkregen worden als grijze stroom. Er zijn echter redenen te bedenken waarom huishoudens meer willen betalen voor groene stroom dan voor grijze stroom. De vraag die in deze scriptie centraal staat luidt derhalve: “Wat is de ‘Willingness To Pay’ (WTP) van Nederlandse huishoudens voor groene stroom ten opzichte van grijze stroom in zowel een vrijwillig scenario als een publiek scenario en is dit afhankelijk van de manier van opwekking?” Het antwoord op deze vraag is verkregen middels de ‘Contingent Valuation Method’ (CVM). Dit is een directe waarderingsmethode waarbij (milieu)waarden verkregen worden door het stellen van vragen aan individuen. De vragen in het onderzoek zijn opgesteld volgens de ‘Double Bounded Dichotomous Choice’ (DBDC) methode en werden in het onderzoek voorafgegaan door informatie over groene stroom, een manier van opwekking (bio-energie, windenergie of zonne-energie) en een scenario (vrijwillig of publiek). In totaal waren er dus zes verschillende vragenlijsten (drie alternatieve stroomopties maal twee scenario’s: zes versies), iedere respondent kreeg één vragenlijst. De DBDC methode werkt simpelweg door het stellen van een volgende soort vraag: ‘Bent u bereid xx Euro te betalen voor ….?’ Afhankelijk van het antwoord (Ja/Nee) krijgen respondenten nogmaals dezelfde vraag maar dan met een hogere of lagere waarde. Dit zijn hypothetische vragen en het grootste kritiekpunt op de CVM is dan ook de hypothetische vraagstelling, dit leidt namelijk veelal tot overschatting. De respons (N=1253) is geanalyseerd met het logit model. De toepassing van het logit model resulteert uiteindelijk in logit functies. Uit deze functies is af te leiden wat de kans is dat een huishouden groene stroom afneemt (in plaats van grijze stroom) bij een bepaalde waarde. Vanuit de logit functies kunnen gemiddelden worden bepaald, de gemiddelde WTP waarden. Uit het onderzoek blijkt dat mensen meer willen betalen in het publieke scenario dan in het vrijwillige scenario, dit komt overeen met de economische principes. Tussen de drie gemiddelde WTP waarden van de drie publieke versies is geen significant verschil en zijn huishoudens, aldus het onderzoek, gemiddeld bereid (WTP) 9 Euro per maand extra te betalen voor groene stroom (dus ongeacht of dit is opgewekt met bio-energie, windenergie of zonneenergie). In het vrijwillige scenario willen huishoudens gemiddeld 3,80 Euro per maand extra betalen voor groene stroom uit windenergie of bio-energie (er is geen significant verschil tussen deze twee stroomopties). Voor zonne-energie zijn huishoudens bereid aanzienlijk meer te betalen, gemiddeld 8,54 Euro. Dit komt omdat mensen bij het verbruik van zonne-energie de mogelijkheid hebben zonnepanelen op hun eigen dak te plaatsen (eigen controle). De gevonden waarden moeten wel met enige voorzichtigheid geïnterpreteerd worden vanwege hypothetische bias, aangezien dit veelal tot overschatting leidt. Mocht er sprake zijn van overschatting dan is deze systematisch en kan wel met zekerheid gesteld worden dat huishoudens ongeveer 5 Euro (9-3,8) meer willen betalen voor groene stroom in een publiek scenario dan in een vrijwillig scenario.

ii

Dankwoord Het ‘Contingent Valuation’ onderzoek dat centraal staat in deze afstudeerscriptie is mogelijk gemaakt door de financiële steun van de Universiteit van Tilburg en de RMNO (Raad voor ruimtelijk, milieu- en natuuronderzoek)1. Bij deze bedank ik beide partijen hiervoor. Daarnaast wil ik Aart de Zeeuw hartelijk danken voor zijn rol als begeleider en voor het verwerven van de financiële middelen. Willem van Groenendaal en Marcel Kerkhofs bedank ik voor het plaats nemen in de examencommissie en tevens bedank ik laatstgenoemde persoon voor zijn onmisbare hulp bij de statistische analyse.

Bart Verbeet

1

De RMNO is een sectorraad die de Regering adviseert over het te voeren onderzoekbeleid op het gebied van ruimtelijke ordening, milieu, natuur en landschap (www.rmno.nl). iii

Inhoudsopgave Samenvatting Dankwoord Lijst van Figuren Lijst van Tabellen

ii iii vi vii

1 – Inleiding

1

2 – Groene stroom in Nederland 2.1 – Huidige situatie duurzame elektriciteitsmarkt 2.2 – Doelstellingen 2.3 – Duurzame elektriciteitsopties 2.3.1 – Windenergie 2.3.2 – Zonne-energie 2.3.3 – Bio-energie 2.4 – Onrendabele top 2.5 – Subsidieregeling Milieukwaliteit ElektriciteitsProductie

3 3 5 5 5 6 6 7 8

3 – Milieuwaardering 3.1 – Theorie 3.2 – Milieukwaliteitveranderingen 3.3 – Waarderingsmethoden 3.3.1 – Indirecte waarderingsmethoden 3.3.2 – Directe waarderingsmethoden

10 11 15 17 17 17

4 – De Contingent Valuation Methode 4.1 – Betrouwbaarheid 4.1.1 – ‘Embedding’ effect 4.1.2 – Sequentie effect 4.1.3 – Informatie bias 4.1.4 – Hypothetische bias 4.1.5 – Ongelijkheid WTA en WTP 4.1.6 – Strategische bias 4.1.7 – Sampling bias 4.1.8 – Interviewer bias 4.1.9 – Betaalmethode bias 4.1.10 – ‘Elicitation’ effecten 4.2 – Validiteit 4.2.1 – Inhoudelijke validiteit 4.2.2 – Criteria validiteit 4.2.3 – Construct validiteit

19 20 20 21 21 22 23 24 24 24 25 25 27 27 28 28

5 – Ontwerp Contingent Valuation onderzoek 5.1 – Identificatie veranderingen in kwantiteit/kwaliteit 5.2 – Identificatie betrokken personen 5.3 – Data collectie 5.4 – Steekproef 5.5 – Scenario en informatiecomponent

30 30 31 31 31 32

iv

5.6 – Ontwerp CV-vragen 5.6.1 – Hulpvragen 5.7 – Pretest en implementatie onderzoek

33 34 34

6 – Data analyse methode (logit model) 6.1 – Het model 6.2 – Model uitbreiding: ‘Double Bounded Dichotomous Choice’ model 6.3 – Schatting van de parameters in het model 6.4 – Achtergrondvariabelen

36 36 40 41 41

7 – Beschrijving respons

43

8 – Resultaten statistische analyse 8.1 – Resultaten ‘Single Bounded Dichotomous Choice’ model 8.2 – Resultaten ‘Double Bounded Dichotomous Choice’ model 8.2.1 – Resultaten DBDC model met extra variabelen

45 45 49 50

9 – Interpretatie van de resultaten 9.1 – Schatting WTP en waarderingstheorie 9.2 – Schatting WTP en methodologische issues 9.2.1 – Systematische overschatting WTP 9.3 – Schatting WTP en praktijk

54 54 54 55 57

10 – Conclusies en aanbevelingen

59

Referenties

61

Bijlagen 1 – CentERpanel dataverzameling 2 – Vragenlijsten Groene Stroom 3 – Percentages Respons 4 – Verklaring der variabelen 5 – Output statistische analyse SBDC model 6 – Output statistische analyse DBDC model 7 – Correlaties significante variabelen

65 67 71 72 73 76 86

v

Lijst van figuren Figuur 3.1: Milieukosten bezien als baten Figuur 3.2: Nutsmaximalisatie Figuur 3.3: Inkomens- en substitutie-effecten van een prijsdaling Figuur 3.4: CV en EV Figuur 3.5: ‘Compensating Surplus’ Figuur 3.6: ‘Equivalent Surplus’

10 12 12 14 15 16

Figuur 4.1: Methodologische issues

19

Figuur 6.1: Kansdichtheidsverdeling verdeeld volgens logistische kansverdeling Figuur 6.2: Cumulatieve verdelingsfunctie Figuur 6.3: Logit curve en gemiddelde maximale WTP

37 38 40

Figuur 8.1: Logit curven SBDC model bio_publiek Figuur 8.2: Logit curven SBDC model bio_vrijwillig Figuur 8.3: Logit curven SBDC model wind_publiek Figuur 8.4: Logit curven SBDC model wind_vrijwillig Figuur 8.5: Logit curven SBDC model zon_publiek Figuur 8.6: Logit curven SBDC model zon_vrijwillig Figuur 8.7: Logit curven DBDC model publieke versies Figuur 8.8: Logit curven DBDC model vrijwillige versies

46 46 47 47 47 48 49 49

Figuur 9.1: E* in theorie

54

vi

Lijst van tabellen Tabel 2.1: Duurzame elektriciteitsproductie in Nederland Tabel 2.2: Vermeden CO2 emissie door duurzame productie Tabel 2.3: Doelstellingen overheid m.b.t. duurzame energie Tabel 2.4: Onrendabele toppen duurzame elektriciteitsopties Tabel 2.5: MEP-Subsidiebedragen

3 4 5 7 8

Tabel 3.1: ‘Hicksian’ monetaire bepalingen voor prijsveranderingen Tabel 3.2: Monetaire bepalingen voor milieukwaliteitveranderingen

15 16

Tabel 5.1: Waarden in CV-vragen Tabel 5.2: Testwaarden in CV-vragen

33 35

Tabel 7.1: Responsaantallen Tabel 7.2: Respons eerste bod in percentages

43 44

Tabel 8.1: Verdriedubbeling SBDC Tabel 8.2: Logit functies SBDC model bio_publiek Tabel 8.3: Logit functies SBDC model bio_vrijwillig Tabel 8.4: Logit functies SBDC model wind_publiek Tabel 8.5: Logit functies SBDC model wind_vrijwillig Tabel 8.6: Logit functies SBDC model zon_publiek Tabel 8.7: Logit functies SBDC model zon_vrijwillig Tabel 8.8: E*mean SBDC model Tabel 8.9: Logit functies DBDC model Tabel 8.10: Verschillen schattingen SBDC en DBDC Tabel 8.11: Logit functies DBDC model inclusief variabele NINC Tabel 8.12: Logit functies DBDC model inclusief variabele NINCHH Tabel 8.13: Logit functies DBDC model inclusief variabele INCHIGH2 Tabel 8.14: Logit functies DBDC model inclusief variabele EDU5EN6 Tabel 8.15: Logit functies DBDC model inclusief variabele SOCKLASSE

45 46 46 46 47 47 48 48 49 50 51 51 52 52 52

Tabel 9.1: Betrouwbaarheidsintervallen E* Tabel 9.2: Significante verschillen E* Tabel 9.3: Gemiddelde schattingen E*

56 56 57

vii

_________________________________________________________WTP Groene Stroom_____

Hoofdstuk 1 – Inleiding De energiemarkt is in de afgelopen jaren onderhevig geweest aan grote veranderingen, voornamelijk als gevolg van twee oorzaken. Ten eerste is de energiemarkt sinds 2004 volledig geliberaliseerd: zowel consumenten als ondernemers zijn vrij in het kiezen van hun leverancier voor elektriciteit en gas. Het doel van deze liberalisering is het genereren van een concurrerende elektriciteitsmarkt met als resultaat een efficiënte marktprijs. Ten tweede is er de snelle opkomst van duurzame energie. Deze opkomst is voor een deel veroorzaakt door de liberalisering, een concurrerende markt geeft namelijk incentives voor productdifferentiatie. Een belangrijkere oorzaak voor de opkomst van duurzame energie is de bewustwording van de globale klimaatverandering en het vooruitzicht op uitputting van fossiele brandstoffen. Het Kyoto-protocol speelt hierbij een belangrijke rol. Nederland is hierbij de verplichting aangegaan om haar emissie van broeikasgassen in de periode 2008-2012 gemiddeld met 6% te reduceren ten opzichte van 1990. Deze verplichting heeft ertoe geleid dat de overheid het doel heeft gesteld dat in 2020 minimaal 10% van het binnenlandse energieverbruik duurzaam moet worden opgewekt. Om deze doelstelling te behalen heeft de overheid een breed scala aan stimuleringsinstrumenten in werking gesteld: fiscale regelingen en subsidies moeten zowel de vraag als het aanbod van duurzame energie stimuleren. De stimulering aan de vraagzijde is succesvol: in 2004 hadden al 3 miljoen huishoudens gekozen voor groene stroom. Dit is niet verrassend aangezien de overheid groene stroom subsidieert waardoor leveranciers groene stroom tegen dezelfde prijs als grijze stroom kunnen aanbieden. Het verbruik van groene stroom kost consumenten dus niets meer dan het verbruik van grijze stroom terwijl de productie duurder is. Er is daarentegen ook een aantal leveranciers dat groene stroom aanbiedt tegen een veel hogere prijs dan grijze stroom. Deze stroom is echter 100% groen en is nog beter voor het milieu dan ‘normale’ groene stroom, aangezien ‘normale’ groene stroom niet volledig groen hoeft te zijn. In het vervolg van dit hoofdstuk hebben we het over ‘normale’ groene stroom, in het volgende hoofdstuk worden de definities gegeven. Het binnenlandse aanbod van groene stroom is ver achtergebleven bij de vraag en de overheid gaat zich de komende jaren meer toeleggen op stimulering van de aanbodszijde. De reden waarom de overheid zeer actief is op de elektriciteitsmarkt is dat de productie van grijze stroom gepaard gaat met vervuilende emissies (broeikasgassen) die het milieu aantasten. Het milieu is een publiek goed (geen uitsluitbaarheid en geen rivaliteit) en de overheid heeft de taak dit ‘goed’ te beschermen. Wanneer groene stroom voor consumenten duurder zou zijn dan grijze stroom dan zou, theoretisch bezien, niemand groene stroom aanschaffen. Dit is te verklaren aan de hand van een prisoner’s dilemma in de milieucontext met als onafwendbare collectieve suboptimale einduitkomst dat geen enkel rationeel individu zich milieuvriendelijk gedraagt.2 Deze theorie stelt dus dat zonder subsidies de vraag naar groene stroom nihil zou zijn. Er zijn echter verschillende redenen te bedenken waarom deze theorie niet hoeft te gelden en consumenten wel bereid zijn meer te betalen voor groene stroom. Het is bijvoorbeeld zeer goed mogelijk dat de aanschaf van groene stroom een bepaald (warm) gevoel geeft waaraan individuen een bepaald nut ontlenen. Een andere reden kan zijn dat huishoudens groene stroom verbruiken omdat de rest het ook doet, zij willen voorkomen met ‘scheve’ ogen aangekeken te worden. Een derde mogelijke verklaring ligt in het feit dat mensen zich zorgen maken om het milieu en daarom groene stroom aanschaffen in plaats van grijze stroom. Dit onderzoek richt zich niet op de vraag waaróm, maar hoevéel mensen bereid zijn meer te betalen voor groene stroom. Wellicht gaat de overheid er ten

2

Hardin, G. (1968). ‘The Tragedy of the Commons’, Science, 1248, pp. 162 – 243 -1-

_________________________________________________________WTP Groene Stroom_____ onrechte vanuit dat volledige subsidiering noodzakelijk is en kan de aanbodzijde makkelijker gestimuleerd worden vanuit de consument zelf omdat hij bereid is meer te betalen. Deze bereidheid zal voor twee verschillende scenario’s worden onderzocht, een vrijwillig scenario en een publiek scenario. In het vrijwillige scenario kunnen huishoudens kiezen of ze grijze of groene stroom afnemen, waarbij groene stroom duurder is dan grijze stroom. In het publieke scenario vervalt deze keuze en krijgen alle huishoudens stroom die in dezelfde mate ‘groen’ is. Deze mate van duurzaamheid is afhankelijk van een belasting die alle huishoudens moeten betalen. Binnen de scenario’s onderzoeken we tevens of de bereidheid tot betalen afhankelijk is van de manier waarop de groene stroom wordt opgewekt. We maken hierbij onderscheid tussen bio-energie, windenergie en zonne-energie. De centrale vraag luidt derhalve als volgt: “Wat is de ‘Willingness To Pay’ (WTP) van Nederlandse huishoudens voor groene stroom ten opzichte van grijze stroom in zowel een vrijwillig scenario als een publiek scenario en is dit afhankelijk van de manier van opwekking?” Om deze vraag te beantwoorden zal gebruik gemaakt worden van de ‘Contingent Valuation Method’ (CVM). Dit is een waarderingsmethode die gebruikt wordt om te schatten wat de waarde is die consumenten hechten aan publieke goederen en die met name gebruikt wordt voor de waardering van milieugerelateerde goederen. Door huishoudens te vragen naar hun WTP voor groene stroom vraag je eigenlijk hetzelfde als wat ze bereid zijn te betalen voor een reductie van vervuilende emissie of langzamere klimaatveranderingen. Het onderzoek is hierdoor als CV-onderzoek (Contingent Valuation) te betitelen maar er wordt geen concreet item gewaardeerd omdat kwantificatie van het te waarderen goed niet mogelijk is: in welke mate emissiereductie plaatsvindt door het gebruik van grijze in plaats van groene stroom is niet duidelijk (bijvoorbeeld). De WTP waarden die met de CVM verkregen worden zijn hypothetische waarden, deze waarden worden namelijk geschat op basis van directe hypothetische vragen. Of de uitkomsten ook in de praktijk zullen gelden is dus niet met zekerheid vast te stellen, er is bij deze methode vaak sprake van overschatting. Wanneer we veronderstellen dat deze eventuele overschatting systematisch is, dan is wellicht wel met zekerheid vast te stellen wat de onderlinge verschillen tussen de resultaten zijn. Dus bijvoorbeeld hoeveel meer Nederlandse huishoudens bereid zijn te betalen voor groene stroom uit windenergie dan uit bio-energie in een publiek scenario. Hieronder volgt een korte uiteenzetting van de hoofdstukken die in deze scriptie zullen volgen. Allereerst volgt in hoofdstuk twee een beschrijving over groene stroom in Nederland in het algemeen. Hoofdstuk drie beschrijft vervolgens de theorie van milieuwaardering en daarna wordt in hoofdstuk vier de CVM uitvoerig beschreven, waarbij vooral de kritiek op deze methode belangrijk is. Na de beschrijving van de methode volgt de praktische toepassing, het ontwerp van het CV-onderzoek, in hoofdstuk vijf. In hoofdstuk zes wordt de methode besproken die is gebruikt om de resultaten te analyseren. Hoofdstuk zeven geeft een allereerste beschrijving van de respons en hoofdstuk acht de resultaten van de statistische analyse. In hoofdstuk negen worden de resultaten teruggekoppeld naar de theorie en de praktijk en tot slot volgt in hoofdstuk tien de conclusie.

-2-

_________________________________________________________WTP Groene Stroom_____

Hoofdstuk 2 – Groene stroom in Nederland In dit hoofdstuk zal een beschrijving worden gegeven van groene stroom in Nederland waarbij verschillende onderwerpen aan bod zullen komen: het aandeel groene stroom in Nederland (en wat dit betekent m.b.t. emissie); doelstellingen van de overheid; verschillende vormen van groene stroom; en de belangrijkste subsidieregeling oftewel, de financiering. Alvorens verder te gaan is het belangrijk enkele definities te geven. Groene stroom is elektriciteit opgewekt met behulp van onuitputbare duurzame bronnen zoals windenergie en zonne-energie en niet door verbranding van aardolie, aardgas of steenkool. Hierbij komen geen of minder vervuilende stoffen vrij dan bij de opwekking van grijze stroom. Groene stroom die wordt aangeboden tegen dezelfde prijs als grijze stroom is over het algemeen niet volledig vrij van vervuilende emissie maar op zijn minst emissieneutraal, dit wil zeggen dat vervuilende emissie wordt gecompenseerd. Groene energie is een breder begrip dan groene stroom en is te definiëren als energie uit bronnen die schoon en onuitputtelijk zijn. Groene energie wordt daarom ook wel hernieuwbare energie genoemd. Voorbeelden van groene energie zijn windenergie, zonne-energie, biomassa, waterkracht, aardwarmte en warmtepompen. Groene energie kan dus gebruikt worden voor de productie van elektriciteit en is daarmee een breder begrip dan groene stroom omdat dit laatste begrip alleen de elektriciteit omvat. Groene energie kan ook voor andere doeleinden dan elektriciteitsopwekking gebruikt worden zoals het opwarmen van water bijvoorbeeld (groene warmte). Er bestaat geen verschil tussen groene energie en duurzame energie en ook niet tussen groene stroom, groene elektriciteit, duurzame stroom en duurzame elektriciteit. Met grijze stroom (ofwel conventionele stroom) bedoelen we stroom opgewekt door verbranding van fossiele brandstoffen zoals aardolie, aardgas en steenkool. 2.1 – Huidige situatie duurzame elektriciteitsmarkt Momenteel verbruiken ongeveer 3 miljoen huishoudens groene stroom, dit is ongeveer 40% van alle huishoudens. Uit een onderzoek van TNS NIPO (2003)3 blijkt dat de mensen die groene stroom verbruiken (44%, N=873) dit doen omdat het beter voor het milieu is (84%), en omdat het niet duurder is (13%). Tevens werd ondersteuning om groene energie te bevorderen genoemd. Slechts 2% van deze mensen is van plan weer over te stappen naar grijze stroom. Een groot deel van de groene stroom die huishoudens verbruiken wordt geïmporteerd, ongeveer 50%. Het aanbod blijft dus ver achter bij de vraag. In onderstaande tabel staan gegevens over de mate van duurzame elektriciteitsproductie in Nederland Tabel 2.1: Duurzame elektriciteitsproductie in Nederland 1995

2000

2001

2002

2003

2004*

Productie Totaal 71853 81043 Duurzame Productie 720 1,0% 1215 - Waterkracht 85 12% 88 - Windenergie 56 8% 317 - Zon-PV 0 0,0% 1 - Bio-energie ** 579 80% 809

89467 2674 142 829 8 1695

93715 2936 117 825 13 1980

95862 3629 110 946 17 2556

96705 3645 72 1318 31 2225

100726 4956 97 1876 33 2950

stroomeenheden in GWh

* Voorlopige gegevens

1990

1,5% 7% 26% 0,1% 67%

3,0% 5% 31% 0,3% 63%

3,1% 4% 28% 0,4% 67%

3,8% 3% 26% 0,5% 70%

3,8% 2% 36% 0,9% 61%

4,9% 2% 38% 0,7% 60%

** Totaal bio-energie uit AVI's, biomassaverbranding en biomassavergisting

Bron: CBS Statline (2005)

3

Mulder, S.H. & De Vries, J. (2003) ‘Hoe kan Maatschappelijk Verantwoord Consumeren worden bevorderd?’, Amsterdam, TNS NIPO Consult in opdracht van VROM

-3-

_________________________________________________________WTP Groene Stroom_____ De vetgedrukte percentages in de tabel geven het aandeel duurzame elektriciteitsproductie van de totale elektriciteitsproductie weer. In de tabel is eveneens te zien welk aandeel de verschillende vormen van duurzame elektriciteitsproductie hebben ten opzichte van de totale duurzame elektriciteitsopwekking. Windenergie en bio-energie hebben verreweg het grootste aandeel. De tabel laat zien dat in 2004 bijna 5% duurzaam werd opgewekt en een duidelijke stijgende trend waarneembaar is. De opwekking van elektriciteit met behulp van duurzame bronnen heeft (onder andere) als voordeel dat de CO2 emissie afneemt. Naast CO2 zijn er ook nog andere schadelijke stoffen die vrijkomen bij de opwekking van grijze elektriciteit, zoals zwaveldioxide en stikstofoxide. Deze schadelijke stoffen veroorzaken zure regen maar hebben een minder grote impact op het milieu dan de emissie van CO2. In onderstaande tabel staan de aantallen kton CO2 die vermeden zijn door elektriciteitsproductie op duurzame wijze in plaats van met behulp van fossiele brandstoffen. Tabel 2.2: Vermeden CO2 emissie door duurzame productie CO2 in kton

- Waterkracht - Windenergie - Zon-PV - Bio-energie + Totaal vermeden Aandeel Totale emissie

1990

1995

2000

2001

2002

2003

2004*

55 36 0 1053 1144 0,72%

56 201 1 1199 1457 0,84%

83 482 5 1881 2451 1,44%

70 493 8 2183 2754 1,56%

65 563 11 2762 3401 1,93%

43 789 19 2477 3328 1,86%

57 1106 20 3051 4234 -

* Voorlopige gegevens

Bron: CBS Statline (2005)

Ter verduidelijking van de getallen volgt een cijfervoorbeeld: een modaal gezin verbruikt jaarlijks ongeveer 3200 kWh elektriciteit. Met de 4956 GWh duurzaam opgewekte elektriciteit kunnen dus ongeveer 1,5 miljoen huishoudens van stroom voorzien worden. De opwekking van 3200 kWh stroom met behulp van fossiele brandstoffen gaat gepaard met de uitstoot van ongeveer 1700 kg CO2.4 Ongeveer dezelfde hoeveelheid CO2 komt vrij wanneer 710 liter benzine aan autorijden wordt verbruikt. Een auto met een gemiddeld verbruik van 1 op 10 liter kan hier ruim 7000 km mee rijden. Om deze hoeveelheid CO2 te compenseren zijn ongeveer 85 bomen met een levensduur van 20 jaar nodig. De emissie die is vermeden door de productie van duurzame elektriciteit bedroeg in 2004 4234 kton CO2. Dezelfde hoeveelheid emissie komt dus ook vrij bij een autorit van ruim 1,7 miljard km. Ten compensatie zijn hier ruim 200 miljoen bomen met een levensduur van 20 jaar voor nodig. Deze getallen gelden echter niet als maatstaven, het zijn slechts grove schattingen maar de hoeveelheden zeggen voldoende over de impact van grijze stroom, of anders gezegd: de noodzaak van duurzame energie. De afname van vervuilende emissie is belangrijk omdat deze emissie zeer schadelijk is voor het klimaat. De uitstoot van CO2 heeft een belangrijk aandeel in het broeikaseffect, en een groot deel van alle CO2 uitstoot op de wereld komt vrij door de opwekking van energie. Gevolgen van het broeikaseffect zijn een stijgende zeespiegel en andere klimaatveranderingen zoals grotere schommelingen in temperatuur en zwaardere stormen. De gevolgen zijn niet exact te voorspellen en we gaan hier verder voorbij aan de exacte gevolgen van de uitstoot van CO2 en andere schadelijke stoffen die vrij komen bij de opwekking van grijze elektriciteit. Het mag duidelijk zijn dat de afname van CO2 emissie zeer belangrijk is om bepaalde situaties te voorkomen, een voorbeeld wat deze relevantie aantoont is het Kyoto-protocol. De overheid heeft derhalve een aantal doelstellingen op haar agenda staan. 4

Menkveld, M. (2005). ‘Verificatie CO2-meter voor de Stichting Face’, ECN Beleidsstudie C-01-106 -4-

_________________________________________________________WTP Groene Stroom_____ 2.2 – Doelstellingen Met betrekking tot een duurzame samenleving heeft de overheid een aantal concrete doelstellingen: Tabel 2.3: Doelstellingen overheid m.b.t. duurzame energie Jaar

Doel

2010 2010 2020

9% duurzame elektriciteitsproductie van de totale binnenlandse productie 5% duurzaam energieverbruik van het totale binnenlandse verbruik 10% duurzaam energieverbruik van het totale binnenlandse verbruik

In de inleiding is kort vermeld dat de overheid de taak heeft het milieu te beschermen omdat het milieu een publiek goed is. Deze reden volstaat hier en we gaan voorbij aan een beschrijving van de redenen die de overheid er op nahoudt bovenstaande doelstellingen te hanteren. Van bovenstaande doelstellingen is voornamelijk de eerste relevant in de context van dit onderzoek, het verbruik van groene stroom behoeft namelijk duurzame elektriciteitsproductie. Het verbruik van elektriciteit maakt ongeveer een vijfde deel uit van het totale energieverbruik. Momenteel wordt al bijna 5% van de binnenlands geproduceerde elektriciteit duurzaam geproduceerd. In het energierapport 2005 van het Ministerie van Economische zaken wordt dan ook vermeld dat mede dankzij de MEP-subsidieregeling de 9% doelstelling haalbaar is maar dat de kosten van de MEP-subsidieregeling sterker stijgen dan voorzien.5 De MEP-subsidieregeling (Milieukwaliteit ElektriciteitsProductie) is een regeling die de productie van duurzame energie stimuleert. Deze regeling geldt als de belangrijkste aanbodstimulering en moet een grote bijdrage leveren aan het behalen van de doelstellingen. De MEP-subsidieregeling zal later in dit hoofdstuk worden beschreven, eerst volgt een beschrijving van de drie verschillende vormen van duurzame elektriciteitsopwekking die in dit onderzoek terug komen. 2.3 – Duurzame elektriciteitsopties De duurzame elektriciteitsopties die in het onderzoek terug komen zijn zonne-energie, windenergie en bio-energie. Deze vormen zijn gekozen omdat de laatste twee het grootste aandeel in Nederland hebben (zie tabel 2.1) en dus verreweg de belangrijkste rol spelen met betrekking tot het behalen van de doelstellingen. Zonne-energie is meegenomen omdat deze vorm, samen met windenergie, een van de bekendste vormen is bij Nederlandse huishoudens. Daarnaast geloven mensen eerder dat ze daadwerkelijk groene stroom verbruiken wanneer ze zonnepanelen op hun dak hebben staan (TNS NIPO, 2003). Behalve deze vormen zijn er andere vormen zoals waterkracht en stortgas maar daar gaan we verder niet op in. 2.3.1 – Windenergie Energie van langsstromende lucht (windenergie) kan door ingenieus gevormde rotorbladen worden omgezet in een draaiende beweging. De rotorbladen zitten vast aan een as die verbonden is met een generator en meestal zit tussen de rotorbladen en generator een tandwielkast die de draaiende beweging versnelt. De opbrengst is enerzijds afhankelijk van de rotordiameter en de hoogte van de turbine en anderzijds van de hoeveelheid wind. Een goed opgestelde windturbine levert per 750 kW vermogen ongeveer stroom voor 500 huishoudens, dus ongeveer 1,6 GWh per maand. 5

Ministerie van Economische Zaken (2005). ‘Energierapport 2005: nu voor later’, Den Haag -5-

_________________________________________________________WTP Groene Stroom_____ In 2005 stonden er bijna 1700 windmolens in Nederland met een totaal vermogen van 1096 MW. De productie van deze windmolens bedraagt ongeveer 2400 GWh, hiermee kunnen ruim 700.000 huishoudens van stroom worden voorzien. De overheid heeft als doel om in 2020 ongeveer een vijfde deel van alle duurzame energie met windturbines te genereren. Een tussendoelstelling is om in 2010 minimaal 1500 MW vermogen windenergie op het vasteland te hebben opgesteld. Om dit te realiseren is in 2001 een overeenkomst gesloten tussen het rijk, de provincies en de Vereniging van Nederlandse Gemeenten genaamd BLOW (Bestuursovereenkomst Landelijke Ontwikkeling Windenergie). In deze overeenkomst staat per provincie een taakstelling die door de provincies en gemeenten gerealiseerd moet worden. Naast BLOW zijn er een aantal andere acties door de overheid ondernomen: oprichting van een centrale helpdesk om informatie en specifieke kennis te verstrekken aan gemeenten en provincies; bevordering van stroomlijning en integratie van procedures om procedures sneller af te handelen; en het oprichten van TaskForce Wind voor projecten die bestuurlijk zijn vastgelopen. Daarnaast zijn er net zoals bij waterkracht verschillende stimuleringsregelingen. Naast windenergie op land is het tevens mogelijk windenergie op zee op te wekken. De Noordzee biedt hier goede mogelijkheden toe vanwege vaak voorkomende harde wind en geringe waterdiepte. De overheid heeft als doel om in 2020 6000 MW aan windturbines op zee te hebben geplaatst. Een aanzet hiernaar is het proefproject ‘Near Shore Windpark’ voor de kust bij Egmond aan Zee. Dit project heeft een vermogen van 100 MW en is bedoeld om kennis en ervaring op te doen. 2.3.2 – Zonne-energie De zon kan op twee manieren worden gebruikt om energie op te wekken: via zonneboilers die water verwarmen voor huishoudelijk gebruik en via zonnepanelen die zonlicht kunnen omzetten in elektriciteit. Een zonneboiler levert dus geen stroom maar voorkomt wel het verbruik van stroom omdat minder of geen water opgewarmd hoeft te worden. Afhankelijk van het soort boiler voorkomt dit gas- of elektriciteitsverbruik. De besparing van elektriciteit ten opzichte van een elektrische boiler bedraagt ongeveer 1300 kWh. Een zonnepaneel bestaat uit zonnecellen die meestal gemaakt zijn van silicium, dat uit twee lagen bestaat. Wanneer er licht op de zonnecellen schijnt dan gaat er tussen die twee lagen elektrische stroom lopen. De technische term voor dit systeem met ‘photovoltaïsche’ cellen is PV-systeem. Wanneer zonnepanelen goed zijn afgesteld, levert een set van vier panelen ongeveer 320 kWh per jaar aan elektriciteit. De overheid wil dat op tenminste de helft van de nieuw te bouwen woningen zonnepanelen komen. Dit moet bereikt worden middels subsidiemaatregelen en prestatieafspraken. De overheid streeft naar 1500 MW piekvermogen aan PV-systemen in 2020. Het piekvermogen is het vermogen dat een systeem maximaal kan leveren bij volle zonnesterkte. Dit vermogen kan worden geleverd met 15 miljoen zonnepanelen en kan ongeveer 400.000 huishoudens voorzien van stroom. In 2020 wil de overheid tevens dat er 1.000.000 zonneboilers in gebruik zijn. 2.3.3 – Bio-energie Bio-energie is energie die kan worden vrijgemaakt uit afval en biomassa. De energie kan op verschillende manieren worden vrijgemaakt, zoals door verbranding en vergassing. De energieopbrengst is grotendeels afhankelijk van de grondstof en het omzettingsproces. Momenteel wordt het merendeel van de duurzame energie in Nederland geleverd door afvalverbrandingsinstallaties (AVI’s) en het bij- en meestoken in centrales.

-6-

_________________________________________________________WTP Groene Stroom_____ Het doel van de overheid is dat in 2020 42% van alle duurzame energie wordt opgewekt door duurzame bio-energie. In februari 2005 heeft de Tweede Kamer het Actieplan Biomassa goedgekeurd. Dit plan heeft als doel meer biomassaprojecten te realiseren. De installatie van de stuurgroep BERK (BioEnergieRealisatieKoepel) is een belangrijke steunpilaar bij het plan en moet de toepassing van bio-energie verder bevorderen. 2.4 – Onrendabele top De productie van duurzame elektriciteit via bovenstaande vormen is duurder dan de productie van grijze stroom. Jaarlijks wordt door ECN (Energieonderzoek Centrum Nederland) in samenwerking met KEMA het verschil in kostprijs tussen grijze en duurzame elektriciteitsopwekking berekend, de zogenaamde onrendabele top. Deze onrendabele top verschilt per methode, omdat ook de kostprijs sterk verschilt per methode. De onrendabele toppen variëren ook over de tijd: door innovatie worden de verschillende methoden steeds efficiënter. In onderstaande tabel staan de onrendabele toppen van de beschreven vormen aldus het ECN en KEMA. Tabel 2.4: Onrendabele toppen duurzame elektriciteitsopties bedragen in eurocent per kWh

Centrales - bijstoken mengstromen - meestoken zuivere biomassa - meestoken diermeel Afvalverbrandingsinstallaties - Laag rendement 16,5% - Standaard 23% - Upgraded 28,5% - Hoog rendement 28% Windenergie - wind op land - wind op zee Zelfstandige Bio-energie centrales - kleinschalig (<5 MWe) - grootschalig (ca. 30 MWe) Zon-PV, golf- en getijdenenergie * tot 1 juli

2003

2004

2005/2006*

2006**

2007

2.9 7.7 -

2,7 - 3,1 7 2.1

2,7 - 3,1 7 2.1

3.6 6.6 3

3.6 6.6 3

2.8

-

-

1.8 1.5 1.7 2.6

1.8 1.5 1.7 2.6

7.8 9.7

7.7 9,2 - 11,4

7.7 9,2 - 11,4

6.5 9,3 - 11,1

6.5 9,3 - 11,1

19.7 8.5 p.m.

15.9 10.5 p.m.

15.9 10.5 p.m.

14.5 10.7 p.m.

14.5 10.7 p.m.

** na 1 juli

Bron: ECN KEMA (2004) ‘Onrendabele Toppen van Duurzame Elektriciteitsopties’

Zonne-energie (en golf- en getijdenenergie) is pro memorie in de tabel opgenomen: tijdens het onderzoek is nieuwe informatie beschikbaar gekomen waardoor ECN en KEMA geen objectieve basis hebben kunnen vaststellen voor het berekenen van onrendabele toppen van zonne-energie. De kostprijs van elektriciteit uit zonne-energie met behulp van PV-systemen is echter dusdanig hoog dat de onrendabele top boven het maximale subsidiebedrag ligt, de kostprijs van zonne-energie is meer dan 9,7 eurocent per kWh. Vanuit de berekeningen van de onrendabele toppen wordt door ECN en KEMA advies uitgebracht over de hoogte van de MEP-subsidie. Dit advies wordt veelal overgenomen door de overheid in de MEPsubsidieregeling.

-7-

_________________________________________________________WTP Groene Stroom_____ 2.5 – Subsidieregeling Milieukwaliteit Elektriciteitsproductie (MEP) Voorheen werd de stimulering van duurzame energie gefinancierd uit de reguliere elektriciteitsbelasting (REB), dit heet sinds 2004 gewoon de elektriciteitsbelasting (EB). Deze stimuleringsgelden vloeiden echter veelal naar buitenlandse producenten van duurzame elektriciteit en handelsbedrijven in het buitenland. Deze buitenlandse producenten konden al zonder subsidies rendabel produceren waardoor deze stimulering geen enkele bijdrage had aan de groei van het aandeel duurzame elektriciteit in Europa. De MEP-subsidieregeling vervangt deze stimuleringsgelden en is alleen bedoeld voor producenten in Nederland. Deze subsidieregeling maakt het mogelijk dat groene stroom tegen dezelfde prijs als grijze stroom geleverd kan worden, dit doen de meeste energieleveranciers dan ook. De Mepsubsidie wordt verleend aan producenten van duurzame (hernieuwbare) elektriciteit en elektriciteit uit warmtekrachtkoppeling (WKK). De MEP-subsidieregeling is een langlopende steun (10 jaar) en verhoogt de investeringszekerheid en het investeringsklimaat voor duurzame elektriciteitsopwekking. Naast de MEP-subsidie zijn er natuurlijk ook nog andere subsidies en fiscale instrumenten om de productie en ontwikkeling van duurzame energie te bevorderen waar zowel bedrijven als non-profitorganisaties en particulieren gebruik van kunnen maken. Zo is er bijvoorbeeld de EIA (energie-investeringsaftrek), de MIA (milieu-investeringsaftrek), Vamil (willekeurige afschrijving milieu-investering) en EOS (energie onderzoek subsidie). Omdat de MEP-subsidieregeling daadwerkelijk is bedoeld ter overbrugging van de meerkosten die de productie van duurzame elektriciteit (ten opzichte van de productie van grijze stroom) met zich meebrengt zullen we hier alleen verder ingaan op deze subsidieregeling en niet op de andere regelingen. In onderstaande tabel staan de MEPsubsidiebedragen. Tabel 2.5: MEP-Subsidiebedragen bedragen in eurocent per kWh

Centrales - bijstoken mengstromen - meestoken zuivere biomassa - meestoken diermeel Windenergie - wind op land - wind op zee Zelfstandige Bio-energie centrales - kleinschalig (<5 MWe) - grootschalig (ca. 30 MWe) Zon-PV, golf- en getijdenenergie

2003*

jan-04*

jul-04*

2005

Jan-06

Jul-06

2007

2.9 4.8 4.8

2.9 4 0

2.9 5.5 0.6

2.9 7 2.1

2.9 7 2.1

3.6 6.6 3

3.6 6.6 3

4.9 6.8

4.8 6.7

6.3 8.2

7.7 9.7

7.7 9.7

6.5 9.7

6.5 9.7

6.8 6.8 6.8

6.7 6.7 6.7

8.2 8.2 8.2

9.7 9.7 9.7

9.7 9.7 9.7

9.7 9.7 9.7

9.7 9.7 9.7

* REB vrijstelling van toepassing, bedragen hierdoor lager dan Onrendabele Top

Bron: ECN KEMA (2004) ‘Onrendabele Toppen van Duurzame Elektriciteitsopties’

Wanneer de vetgedrukte bedragen vergeleken worden met die uit tabel 2.4 dan valt op te merken dat deze tot een bepaalde hoogte overeenkomen. Deze hoogte van 9,7 eurocent per kWh, is het maximale subsidiebedrag. Dit maximum is ingesteld omdat de regeling zich voornamelijk richt op grotere installaties. De energieopbrengst per geïnstalleerd vermogen is namelijk relatief laag bij kleine systemen (zie bijvoorbeeld de onrendabele top van een kleinschalige bio-energie centrale in tabel 2.4). De MEP-subsidieregeling die in 2003 zijn intrede heeft gedaan wordt gefinancierd door een heffing, de MEP-heffing. Per elektriciteitsaansluiting in Nederland wordt deze heffing in rekening gebracht. In 2003 was de MEP-heffing 34 Euro per jaar, in 2004 39 Euro en momenteel 52 Euro. Toen de heffing werd ingevoerd werd tegelijkertijd de heffingskorting -8-

_________________________________________________________WTP Groene Stroom_____ op de EB voor consumenten met hetzelfde bedrag verhoogd. De verhogingen van de MEPheffing in 2004 en 2005 gingen gepaard met een evenredige verhoging van de heffingskorting op de EB. In 2003 was de EB voor groene stroom ook nog eens lager dan voor grijze stroom, dit verschil is echter sinds januari 2005 opgeheven. Het instellen van de MEP-heffing heeft er dus niet toe geleid dat consumenten meer zijn gaan betalen, maar dat de overheid minder ontvangt aan EB. De invoering van de MEP-subsidieregeling heeft dus eigenlijk alleen geleid tot een verschuiving van de belastinguitgaven, de MEP-heffing dient slechts als begroting. De inkomsten zijn echter structureel lager dan begroot omdat de hoeveelheid aansluitingen lager is dan het aantal waarvan in 2002 aanvankelijk werd uitgegaan. Daarnaast was er geen rekening gehouden met inactieve aansluitingen. Een niet-structurele oorzaak voor het verschil tussen inkomsten en uitgaven is het succes van de MEP-subsidie: de productie van duurzame elektriciteit is sneller gestegen dan men had verwacht. Om dit verschil binnen de perken te houden heeft de overheid maatregelen genomen: aanvragen na 10 mei 1005 voor nieuwe projecten van wind op zee en grootschalige zuivere biomassa worden op nul gezet. Deze projecten zullen veel budget claimen en zijn aldus de overheid niet noodzakelijk om de doelstelling van 9% duurzame elektriciteit in 2010 te halen. Het Ministerie van Economische Zaken vermeldt hierover op haar website het volgende: “Als de overheid meer zou doen, zou ze Sinterklaas spelen met het geld van de burger.” (www.ez.nl/content.jsp?objectid=32387& faq=32420) Maar hoe weet de overheid wat de burger wil uitgeven aan duurzame elektriciteit? Hoe waardeert de burger het gebruik van groene stroom en de daarmee gepaard gaande voordelen?

-9-

_________________________________________________________WTP Groene Stroom_____

Hoofdstuk 3 – Milieuwaardering Milieuwaardering is in de afgelopen decennia uitgegroeid tot een levendige wetenschap, voornamelijk omdat de meeste economen de waardering van het milieu als wenselijk zien. Milieu is echter een ruim begrip en kan omschreven worden als het leefklimaat van mens, dier en plant. Milieuwaardering betreft echter alleen de waardering van milieugoederen en services die het nut van de mens beïnvloeden. Hiermee doelen we op alles wat met het milieu, ons leefklimaat, te maken heeft: alle dieren en planten maar dus ook aarde, water, lucht en wind. Een voorbeeld van een milieuservice is bijvoorbeeld de lucht die wij inademen. In het vervolg zullen we voor het gemak naar milieu-items verwijzen in plaats van milieugoederen en services. Dit hoofdstuk beschrijft waarom milieuwaardering als wenselijk wordt gezien, wat de theorie achter milieuwaardering is en welke verschillende milieuwaarderingsmethoden er zijn. De belangrijkste motivatie voor de waardering van het milieu is dat het mogelijkheden biedt milieu-invloeden te betrekken in kosten-batenanalyses (Perman et al., 1999). Daarnaast wordt milieuwaardering gebruikt om milieuschade te kunnen doorberekenen in economische vooruitgang en om milieuschade (rechtelijk) toe te kunnen rekenen aan de partij(en) die verantwoordelijk is(zijn). We vervolgen deze beschrijving vanuit eerstgenoemde motivatie omdat deze verreweg de belangrijkste is. In de milieueconomie staat een kosten-batenanalyse waarbij milieuwaardering een belangrijke rol speelt te boek als de ‘environmental cost-benefit analysis’ (ECBA). In de ECBA wordt naast de ‘standaard’ kosten en baten van een project eveneens de waarde van een milieuverslechtering of milieuverbetering van het project meegerekend. De standaard kosten en baten hebben hierbij betrekking op de normale input en outputeenheden die het milieu niet beïnvloeden. Hierbij horen echter wel de verbruikte energie als input en de extractie van bijvoorbeeld kolen als output. Naast deze standaard kosten en baten worden dus ook de milieukosten meegerekend. Deze kosten kunnen in principe negatief zijn (milieuverbetering) maar we veronderstellen ze hier als positief en ze betreffen dus de waarde van een milieuverslechtering die een project teweegbrengt. Milieukosten kunnen gezien worden als het verloren gaan van bepaalde baten die een individu ervaart voordat een project uitgevoerd wordt. Milieukosten kunnen ingedeeld worden in gebruikerswaarden en nietgebruikerswaarden, deze kunnen vervolgens verder worden ingedeeld zoals in onderstaande figuur. Hierbij wordt veronderstelt dat milieukosten alleen betrekking hebben op individuen (en niet op dieren en planten). Figuur 3.1: Milieukosten bezien als baten

Use Value

Non Use Value

Direct Use

Indirect Use

Option Use

Bequest

Existence

Value

Value

Value

Value

Value

Gebaseerd op: Bateman & Turner (1993)

- 10 -

_________________________________________________________WTP Groene Stroom_____ - ‘Direct Use Value’: de waarde die een individu hecht aan het daadwerkelijke gebruik van een bepaald milieu-item. - ‘Indirect Use Value’: de waarde die een individu hecht aan het indirecte gebruik van een bepaald milieu-item. - ‘Option Use Value’: de waarde die een individu hecht aan het eventuele toekomstige gebruik van een bepaald milieu-item. - ‘Bequest Value’: de waarde die een individu hecht aan het behoud van een bepaald milieuitem voor zijn of haar nakomelingen. Dit is dus een potentiële toekomstige gebruikerswaarde of niet-gebruikerswaarde voor nakomelingen. - ‘Existence Value’: de waarde die een individu hecht aan het feit dat een bepaald milieu-item er is en ook blijft bestaan. Deze waarde is onafhankelijk van het eventuele toekomstige gebruik ervan door het individu. De waarde van de milieukosten is de som van al deze waarden. Daarbij is het natuurlijk niet uitgesloten dat voor sommige projecten en voor sommige individuen al deze waarden of sommige waarden gelijk zijn aan nul. De ‘option use value’ en ‘bequest value’ zijn het resultaat van incomplete informatie: door onzekerheid over toekomstige situaties hechten zij waarde aan het behoud van bepaalde milieu-items. In de literatuur is er geen eenduidige categorisatie van milieukosten en we gaan verder voorbij aan de verschillen. Doel is duidelijk te maken dat milieukosten uit verschillende aspecten kunnen bestaan. In het volgende deel volgt een beschrijving van de theorie die ten grondslag ligt aan milieuwaardering en de bepaling van de milieukosten. 3.1 – Theorie6 De theorie achter milieuwaardering is een uitbreiding van de theorie van het consumentengedrag: hoe gaan individuen om met milieu-items. Hierbij wordt verondersteld dat milieu-items deel uitmaken van de nutsfunctie, het milieu is dus bepalend voor het individuele nut. De milieukosten kunnen daarom in de nutsfunctie tot uiting worden gebracht en vervolgens in een monetaire bepaling worden uitgedrukt. Dit laatste wordt gerealiseerd door bepaling van het consumenten surplus: het deel onder de vraagcurve minus de kosten. Voor een individu geldt namelijk dat een verandering in het consumenten surplus (bijvoorbeeld als gevolg van een prijsdaling) beschouwd kan worden als de monetaire bepaling van een verandering in het nut. Middels een model zullen we een welvaartsverandering van een individu als gevolg van een prijsdaling aantonen. Vervolgens wordt ditzelfde model toegepast op veranderingen in de kwaliteit van het milieu (milieuverbeteringen/verslechteringen). Model Stel dat er twee soorten producten zijn: C1 en C2 waarbij C2 staat voor alle andere goederen dan goed C1 en P1’ de prijs van goed C1 is. We veronderstellen dat de prijs van C2 de

6

De theorie in dit hoofdstuk is gebaseerd op: Perman, R., Ma, Y., McGilvray, J. & Common, M. (1999). ‘Natural Resource & Environmental Economics’, England Pearson Education Ltd. - 11 -

_________________________________________________________WTP Groene Stroom_____ monetaire eenheid is en dat een individu inkomen Y0 heeft. Dit individu heeft de volgende ‘budget constraint’: P1’ C1 + C2 = Y0 Een nutsmaximaliserend individu kiest de kwantiteiten C1 en C2 waarbij U = U (C1 , C2) wordt gemaximaliseerd. Dit is de individuele nutsfunctie die onderworpen is aan de ‘budget constraint’. Het nut wordt daar gemaximaliseerd waar de nutsfunctie raakt aan de ‘budget constraint’: Figuur 3.2: Nutsmaximalisatie Y, C2

Y0

C2’ U0 C1’

0

Y0/P1’ C1

De verticale as in deze figuur staat voor het inkomen in monetaire eenheden, C2 dus, en de horizontale as voor de kwantiteit C1. Wanneer geen geld zou worden besteed aan goed C1, dan kan het volledige inkomen worden besteed aan C2, deze hoeveelheid is gelijk aan het inkomen. Het nut wordt gemaximaliseerd bij C1’ en C2’ waarbij het nut gelijk is aan U0. Stel nu dat de prijs van C1 daalt van P1’ naar P1’’. De ‘budget constraint’ verandert hierdoor naar: P1’’ C1 + C2 = Y0 Deze nieuwe ‘budget constraint’ (Y0 - Y0/P1’’ in figuur 3.2) leidt ertoe dat het nut gemaximaliseerd wordt op een ander punt: Figuur 3.3: Inkomens- en substitutie-effecten van een prijsdaling Y, C2

U0 U1

Y0 C2’’ C2’

0

2

1

3

C1’ C1* C1’’

Y0/P1’’

Y0/P1’ - 12 -

C1

_________________________________________________________WTP Groene Stroom_____ Het nut wordt na de prijsdaling gemaximaliseerd bij C1’’ en C2’’ (punt 2), het nut is hierbij gestegen naar U1. Deze verandering kan worden opgesplitst naar een inkomenseffect en een substitutie-effect: - Substitutie-effect: de verandering van C1’ naar C1* (punt 3). Omdat C1 relatief goedkoper wordt zal een individu meer C1 consumeren en minder C2 consumeren. Deze verandering is dus het gevolg van de nieuwe prijsverhouding, het individu blijft hierbij op dezelfde indifferentiecurve (U0). De nutsfunctie is hetzelfde als de indifferentiecurve: over de hele curve heeft een individu hetzelfde nut en is indifferent wat betreft de positie op deze curve. - Inkomenseffect: de verandering van C1* naar C1’’ (punt 2). Omdat C1 goedkoper is geworden kan er meer aan beide goederen worden besteed. Deze verandering is dus het gevolg van de prijsdaling, het individu begeeft zich hierdoor naar een hogere nutsfunctie. Deze nutsveranderingen als gevolg van een prijsverandering kunnen monetair worden uitgedrukt door middel van de twee ‘Hicksian’ bepalingen: de ‘compensating variation’ (CV) en de ‘equivalent variation’ (EV). Hicks (1941) ontwikkelde deze twee bepalingen om op een relatief eenvoudige wijze nutsveranderingen monetair uit te drukken. Kort gezegd is de CV de verandering in het inkomen waardoor een prijsverandering wordt gecompenseerd en de EV de verandering in het inkomen dat gelijk is (equivalent) aan een voorgestelde prijsverandering. We zullen deze twee bepalingen verduidelijken vanuit het tot nu toe beschreven model en gaan uit van de prijsdaling van P1’ naar P1’’. De CV is in dit geval dat deel van het inkomen dat, samen met de prijsdaling, het individu op een gelijke nutsfunctie laat. Oftewel, de CV is de maximale waarde dat een individu bereid is te betalen om de prijsdaling te laten gebeuren, dit geven we aan met WTP (‘Willingness To Pay’). De EV is in dit geval dat deel van het inkomen dat een individu extra moet krijgen om zijn of haar nutsniveau te behouden zonder de prijsdaling. Oftewel, de EV is de minimale waarde dat een individu bereid is te accepteren wanneer de prijsdaling niet doorgaat, dit geven we aan met WTA (‘Willingness To Accept’). Vanuit het bovenste deel van de figuur op de volgende pagina kunnen deze twee bepalingen worden herleid. Zoals gezegd eindigt een individu na de prijsdaling in punt 2. Wanneer we de relatieve prijzen constant houden aan deze nieuwe prijsverhouding en het inkomen reduceren totdat het individu weer op de originele nutsfunctie U0 zit, eindigt deze in punt 3. Dit is niets anders dan een parallelle verschuiving van de nieuwe ‘budget constraint’ totdat deze aan de originele nutsfunctie raakt (zie figuur 3.4). Het inkomen wat hiervoor nodig is, is gelijk aan Y0 - Y1, dit is de CV van een prijsdaling. De CV meet dus de verandering van U0 naar U1 in monetaire eenheden en is theoretisch gelijk aan wat mensen bereid zijn te betalen om de prijsverandering te bewerkstelligen (WTP). Wanneer we de prijzen constant houden aan de originele prijsverhouding en het inkomen laten toenemen totdat het individu op nutsfunctie U1 terecht komt, eindigt deze in punt 4 (vanuit punt 1). Dit is niets anders dan een parallelle verschuiving van de originele ‘budget constraint’ totdat deze aan de nieuwe nutsfunctie raakt (zie figuur 3.4). Het inkomen wat hiervoor nodig is, is gelijk aan Y2 - Y0, dit is de EV van een prijsdaling. De EV meet dus de verandering van U0 naar U1 in monetaire eenheden en is theoretisch gelijk aan wat mensen bereid zijn te accepteren wanneer de prijsdaling niet doorgaat (WTA).

- 13 -

_________________________________________________________WTP Groene Stroom_____ Figuur 3.4: CV en EV Y, C2

U0

U1

Y2 Y0 Y1 C2’’ C2’

0

4 2 3

1

C1’ C1* C1’’

Y0/P1’’

C1

C1** Y0/P1’ Price Of C1 Hicksian Demand (at U = U1) 4

P1’ Hicksian Demand (at U = U0)

1

2

P1’’ 3

Marshallian Demand (Y0) 0

C1’ C1* C1’’

C1

C1**

De CV en de EV meten beide de verandering van U0 naar U1 in monetaire eenheden maar verschillen omdat ze uitgaan van verschillende prijsverhoudingen en beginpunten. Welk verschil dit in monetaire eenheden oplevert kan worden verduidelijkt door het onderste deel van figuur 3.4 waarin de ‘Hicksian’ en ‘Marshallian’ vraagfuncties staan weergegeven. De ‘Marshallian’ vraagfunctie geeft de verandering in de vraag naar C1 als gevolg van een verandering in de prijs van C1 (P1) waarbij het inkomen en alle andere prijzen constant blijven (zie figuur). Deze vraagfunctie wordt herleid door de verandering van punt 1 naar punt 2. Hierbij wordt dus geen rekening gehouden met het inkomens- en substitutie-effect. De ‘Hicksian’ vraagfunctie geeft de relatie tussen de vraag naar een bepaald goed en de prijs van dit goed, hierbij blijven alle andere prijzen gelijk en blijft het nut onveranderd. Het verschil met de ‘Marshallian’ vraagfunctie is dat het inkomenseffect wordt uitgesloten bij de ‘Hicksian’ vraagfunctie. Deze vraagfunctie geeft dus enkel het substitutie-effect van een prijsverandering en wordt daarom ook wel aangeduid als de ‘compensated demand function’. In het onderste deel van de figuur is deze functie herleid door de verandering van punt 1 naar punt 3: het substitutie-effect als gevolg van de prijsdaling. Hierbij blijft de prijs van C2 dus gelijk en het nut onveranderd op U0. Een tweede ‘Hicksian’ vraagfunctie kan worden herleid door de verandering van punt 2 naar punt 4. De twee ‘Hicksian’ vraagfuncties bepalen de omvang van de CV en EV. De CV is het gebied links van de meest linkse ‘Hicksian’ vraagfunctie tussen P1’ en P1’’. De EV is het gebied links van de meest rechtse ‘Hicksian’ vraagfunctie tussen P1’ en P1’’. Duidelijk is te

- 14 -

_________________________________________________________WTP Groene Stroom_____ zien dat het gebied links van de ‘Marshallian’ vraagfunctie, het ‘Marshallian Consumer Surplus’ (MCS), tussen de twee ‘Hicksian’ vraagfuncties ligt. Voor een prijsdaling geldt dus CV < MCS < EV wat gelijk is aan WTP < MCS < WTA. De gehele bovenstaande analyse is eveneens uit te voeren voor een prijsstijging waarbij geldt dat CV > MCS > EV en WTA > MCS > WTP. In onderstaande tabel staan deze relaties weergegeven. Tabel 3.1: ‘Hicksian’ monetaire bepalingen voor prijsveranderingen Prijsdaling Prijsstijging

CV

EV

WTP WTA

WTA WTP

In principe kan dus op een correcte wijze worden bepaald wat de waarde is van een nutsverandering wanneer de WTP of WTA van individu bekend is. De vraag is nu welke bepaling, de CV of de EV, moet worden gebruikt in een bepaalde situatie. Dit is afhankelijk van de omstandigheden en het doel van de analyse. Wanneer we blijven in termen van WTP en WTA is het de vraag of een individu vanuit een bepaalde situatie recht heeft op iets of juist niet. In het volgende deel vertalen we de prijsverandering naar een verandering in kwaliteit van het milieu. 3.2 – Milieukwaliteitveranderingen In deze paragraaf wordt de hiervoor beschreven theorie toegepast op het milieu: in plaats van een prijsverandering treedt er een verandering in de kwaliteit van het milieu, deze verandering leidt eveneens tot een nutsverandering. We vervangen goed C1 voor E. E staat voor de kwaliteit van het milieu en wordt gekenmerkt als publiek goed: geen rivaliteit en geen uitsluitbaarheid. Consumenten kunnen hierdoor niet hun eigen consumptieniveau van E bepalen. De nutsfunctie van een individu is nu U = U (E , C2). Er zijn eveneens twee monetaire bepalingen die een nutsverandering als gevolg van een verandering in E kunnen weergeven: ‘compensating surplus’ (CS) en ‘equivalent surplus’ (ES). De analyse van deze bepalingen zijn nagenoeg gelijk aan de analyse van de CV en EV. Het verschil wordt bepaald door de gebondenheid van een individu aan het niveau van E, een individu kan immers niet zelf het niveau van E bepalen. Beide bepalingen zullen worden verklaard middels een figuur, te beginnen met het CS: Figuur 3.5: ‘Compensating Surplus’ C2

U0 U1

Y0 YN 2 3

1

0

E’

E’’

E

- 15 -

_________________________________________________________WTP Groene Stroom_____ Initieel is het nut van een individu gelijk aan U0 omdat het niveau van E gelijk is aan E’. Stel dat vanwege een bepaald beleid E stijgt van E’ naar E’’, dit is dus een verbetering in de kwaliteit van E. Een stijging van E is in principe hetzelfde te interpreteren als een prijsdaling van E waardoor de ‘budget constraint’ naar rechts draait vanuit Y0, het nut van individu stijgt hierdoor naar U1. Evenals bij de prijsdaling verschuiven we deze nieuwe ‘budget constraint’ parallel naar beneden, deze wordt hierbij echter niet vastgezet op het punt waar deze raakt aan U0 maar waar deze snijdt met U0 waar het niveau van E gelijk aan E’’ is (punt 3). Dit laatste is vanwege het feit dat een individu niet zelf het niveau van E kan bepalen. Het CS is gelijk aan Y0 - YN, dit is de maximale WTP van een individu voor de verbetering van E: het nut van een individu blijft gelijk wanneer de verbetering optreedt en hij/zij Y0 - YN inlevert. Het ES zullen we eveneens via een figuur herleiden: Figuur 3.6: ‘Equivalent Surplus’ C2

U0

YN

U1

Y0 4

2

1

0

E’

E’’

E

Wederom gaan we uit van een stijging van E’ naar E’’. Ditmaal verschuiven we originele ‘budget constraint’ parallel totdat deze snijdt met punt 2, deze snijdt U1 daarnaast ook bij punt 4. Het ES is gelijk aan YN - Y0, dit is de maximale WTA van een individu als de verbetering niet doorgaat. Dezelfde theorie is eveneens om te draaien: bij een verslechtering van E is het CS gelijk aan de WTA en de EV gelijk aan de WTP: Tabel 3.2: Monetaire bepalingen voor milieukwaliteitveranderingen

Milieu Verbetering Milieu Verslechtering

CS

ES

WTP WTA

WTA WTP

Evenals de theorie die uitgaat van prijsveranderingen is de monetaire bepaling hier afhankelijk van de richting van de verandering (verbetering of verslechtering) en de uitgangssituatie. In principe is het mogelijk zowel WTP als WTA te gebruiken om de waarde van eenzelfde goed/service te bepalen maar de WTP wordt echter sterk geprefereerd, dit zal in het volgende hoofdstuk worden verklaard. Om de waarden van deze monetaire bepalingen te achterhalen zijn verschillende methoden ontwikkeld, de volgende paragraaf zal hieraan besteed worden.

- 16 -

_________________________________________________________WTP Groene Stroom_____ 3.3 – Waarderingsmethoden Om de monetaire bepalingen die de milieukosten representeren in concrete waarden uit te drukken, zijn er verschillende methoden ontwikkeld. Hierbij wordt onderscheid gemaakt tussen directe en indirecte methoden. De indirecte methode schat waarden door het gedrag van consumenten in bestaande markten te analyseren, deze methode wordt ook wel de ‘revealed preference method’ genoemd. De directe methode schat waarden door het stellen van vragen aan consumenten, deze methode wordt de ‘stated preference method’ genoemd. In deze paragraaf wordt kort uiteengezet welke waarderingsmethoden het meest gebruikt worden. We beginnen de beschrijving met de indirecte methoden. 3.3.1 – Indirecte waarderingsmethoden7 ‘Travel Cost Method’ (TCM) De TCM is een methode waarbij de waarde van de milieukosten wordt gebaseerd op basis van de kosten die mensen maken om bepaalde milieu-items te ervaren, de reiskosten zijn hierbij het uitgangspunt. De TCM is voor het eerst verschenen in artikelen van Hotelling (1947). De methode is echter ontwikkeld in de papers van Clawson (1959) en Clawson en Knetsch (1966). In beginsel werd deze methode gebruikt om de waarde van nationale parken te schatten door reiskosten van bezoekers te analyseren. Tegenwoordig wordt de methode nog steeds op de reiskosten gebaseerd maar worden meerdere factoren in de analyse betrokken. ‘Hedonic Pricing Method’ (HPM) De HPM schat de waarde van milieu-items door huizenprijzen met elkaar te vergelijken en werd voor het eerst gebruikt in de jaren ’70. Deze methode wordt veel toegepast bij de waardering van luchtkwaliteit. Met behulp van data over huizenprijzen, luchtkwaliteit en verschillende factoren die van invloed zijn op de huizenprijzen (zoals grootte, nabijheid van winkels, criminaliteit in omgeving etc.) afkomstig van een representatieve steekproef kan de relatie tussen huizenprijzen en luchtvervuiling bepaald worden. Behalve luchtvervuiling kunnen ook andere items zoals geluidsoverlast en bossen met deze methode worden gewaardeerd. 3.3.2 – Directe waarderingsmethoden ‘Contingent Valuation Method’ (CVM) De CVM is een methode die wordt gebruikt om te schatten wat de waarde is die consumenten hechten aan publieke goederen en voornamelijk gebruikt wordt voor de waardering van milieu-items. Deze methode wordt toegepast wanneer markten ontbreken (wat het geval is bij publieke goederen) en ‘revealed preference’ methoden zoals de TCM en HPM niet toepasbaar zijn. Bij de CVM wordt direct aan individuen gevraagd naar hun bereidheid iets te betalen (WTP) dan wel te ontvangen (WTA) ter compensatie van een bepaald scenario, de CVM is daarom een ‘stated preference’ methode. Op verschillende wijze kan naar aanleiding van dit hypothetische scenario gevraagd worden of ze bereid zijn te betalen (te accepteren) zodat het scenario zich (niet) voordoet. Dit kan middels een open vraag maar ook via gesloten vragen door bedragen voor te leggen. 7

Voor meer informatie over directe waarderingsmethoden zie: Champ, P.A., Boyle, K.J. & Brown, T.C. (Eds.) (2003). ‘A Primer on Nonmarket Valuation’, Boston Kluwer Academic Publishers - 17 -

_________________________________________________________WTP Groene Stroom_____ In dit onderzoek zal de CVM gebruikt worden, de keuze voor deze methode wordt verklaard door de centrale vraag zelf: wat is de WTP van huishoudens voor groene stroom? De WTP voor groene stroom komt niet tot uiting in een markt omdat, vanwege subsidies, de prijs van ‘normale’ groene stroom gelijk is aan grijze stroom. De WTP voor groene stroom kan dus slechts op directe wijze achterhaald worden. Wanneer het precies duidelijk zou zijn welke veranderingen optreden door het gebruik van groene in plaats van grijze stroom en deze veranderingen ook te meten zouden zijn dan zou (theoretisch gezien) ook de HPM gebruikt kunnen worden om te bepalen hoe mensen groene stroom waarderen. Echter, zoals in de inleiding al is vermeld, zijn deze veranderingen niet te kwantificeren. De TCM is vanzelfsprekend niet van toepassing.

- 18 -

_________________________________________________________WTP Groene Stroom_____

Hoofdstuk 4 – De Contingent Valuation Methode (CVM) De CVM is oorspronkelijk een idee van Ciriacy-Wantrup (1947). Hij meende dat de bestrijding van bodemerosie extra baten genereerde die als publieke goederen konden worden beschouwd en dat de waarde van deze extra baten achterhaald kon worden middels onderzoek waarbij individuen naar hun ‘Willingness To Pay’ voor deze baten gevraagd werd. Het eerste CV-onderzoek werd echter uitgevoerd door Davis (1963). Hij schatte de baten van het jagen op ganzen in een onderzoek onder ganzenjagers.8 In dit hoofdstuk zal de CVM worden beschreven en vooral worden ingegaan op de betrouwbaarheid van de methode. Allereerst zal een link worden gelegd met de theorie uit het vorige hoofdstuk. Tabel 3.2 in het vorige hoofdstuk geeft samengevat weer wat met de CVM geschat kan worden: afhankelijk van of het hypothetische scenario een milieuverbetering of verslechtering betreft en of de hypothetische vraag WTA of WTP betreft, schat de CVM het ES of CS. Met de CVM kunnen zowel gebruikerswaarden als niet-gebruikerswaarden worden achterhaald. De CVM wordt echter voornamelijk gebruikt voor het achterhalen van nietgebruikerswaarden en bestaanswaarden. Of de werkelijke waarde van het CS of ES met de CVM wordt geschat, is afhankelijk van of mensen daadwerkelijk in staat zijn hun preferenties aan te duiden door het beantwoorden van vragen over hypothetische keuzes. Vanwege deze hypothetische vraagstelling is de CVM veel bekritiseerd. Daarnaast zijn er vele andere factoren die de resultaten van een CV-onderzoek beïnvloeden: verschillende methodologische issues spelen een rol. Deze hebben betrekking op de validiteit en betrouwbaarheid van de CVM, in onderstaande figuur staan deze issues weergegeven, Figuur 4.1: Methodologische issues methodological issues

reliability (errors)

random

validity

non-random (biases)

*

general biases

strategic information hypothetical biases biases biases

part-whole biases

questionorder bias

procedural biases

instrument biases

sampling interviewer bias bias

payment elicitation vehicle effects bias

* content validity

criterion validity

convergent validity

construct validity

theoretical validity

Gebaseerd op: Bateman & Turner (1993) 8

Davis, R. (1963).‘The Value of Outdoor Recreation: an Economic Study of the Marine Woods’, Harvard University PhD Thesis - 19 -

_________________________________________________________WTP Groene Stroom_____ 4.1 – Betrouwbaarheid De betrouwbaarheid verwijst naar de consistentie of reproduceerbaarheid. Betrouwbaarheid vereist ten eerste dat in herhaalde metingen, als de daadwerkelijke waarde niet is veranderd, de uitkomsten gelijk zijn en ten tweede dat wanneer de daadwerkelijke waarde wel verandert, de uitkomsten evenredig veranderen (Loomis, 1990). Het verwijst naar de mate waarin de variantie van de respons (de WTP of WTA waarden) is veroorzaakt door willekeurige oorzaken, de zogenaamde ‘random error’ (Mitchel en Carson, 1989). Dit is namelijk essentieel voor nauwkeurige statistische analyses. Varianties veroorzaakt door nietwillekeurige oorzaken zijn juist het probleem. Deze niet-willekeurige oorzaken noemen we biases (onzuiverheden), er zijn drie categorieën biases: procedurele biases, instrumentele biases en algemene biases. Alle biases uit deze drie categorieën gelden als kritiekpunten op de CVM, hieronder worden ze besproken. 4.1.1 – ‘Embedding’ effect (‘part-whole’ bias) Het ‘embedding’ effect wil zeggen dat er voor eenzelfde milieu-item andere waarden worden gevonden wanneer het item op zichzelf wordt gewaardeerd, dan wanneer het als onderdeel van een groter geheel wordt gewaardeerd (Kahneman en Knestch, 1992). Er zijn verschillende termen voor dit effect (‘part-whole’ bias, ‘embedding’ effect, ‘scope’ effect, ‘disaggregation’ bias, ‘sub-additivity’ bias) die allemaal op verschillende manieren worden gedefinieerd maar grotendeels een overeenkomstige betekenis hebben. Dit zullen we verduidelijken aan de hand van een voorbeeld. In de studie van Desvousges et al. (1993) werden drie verschillende scenario’s gebruikt om de bestrijding van vogelsterfte als gevolg van olievervuiling te waarderen. De scenario’s verschilden alleen in de aantallen vogels (2000, 20.000 en 200.000) die gespaard bleven met één bepaald reddingsprogramma. De drie verkregen WTP waarde verschilden niet significant: het ‘embedding’ effect. Naast de betrouwbaarheid (omdat er geen consistentie is) tast het ‘embedding’ effect ook de geldigheid aan, want het is maar de vraag wat de werkelijke waarde is van de verschillende gevonden waarden. Er zijn vele studies geweest naar het ‘embedding’ effect waarin dit effect is aangetoond. Mitchell en Carson (1989) concluderen dat het ‘embedding’ effect alleen een probleem vormt bij het waarderen van ‘non-use values’. Kahnemann en Knestch (1992) concluderen daarentegen dat het ‘embedding’ effect tevens problemen veroorzaakt bij het waarderen van ‘use values’. Daarnaast komt het ‘embedding’ effect niet alleen voor bij de waardering van publieke goederen maar eveneens bij private goederen (Venkatachalam, 2004). Een verklaring voor het ‘embedding’ effect is dat de CVM resultaten zijn beïnvloed door een ‘warm glow’ (Kahnemann en Knestch, 1992). Dit is een bepaald (goed) gevoel wat individuen krijgen bij het betalen van een bepaald bedrag voor iets. Door het ‘embedding’ effect wordt de CVM door sommigen als ongeschikt geacht voor het waarderen van ‘non-use values’ omdat het in strijd is met fundamentele principes van micro-economie en dus theoretisch ongeldig. In principe prefereert een individu namelijk meer van een goed/service dan minder en is een individu bereid meer te betalen voor een grotere hoeveelheid vergeleken met een kleinere hoeveelheid (Desvousges et al., 1993). Voorstanders van de CVM zijn het echter niet eens met het argument dat de CVM theoretisch ongeldig is vanwege het ‘embedding’ effect. Een simpele reden voor het optreden van het ‘embedding’ effect is terug te vinden in de marginale utiliteitstheorie: het nut van een individu daalt bij de consumptie van een extra eenheid wanneer het nut gemaximaliseerd is (Hanemann, 1994). Voorstanders van de CVM argumenteren veelal dat het ‘embedding’ zich voordoet als gevolg van foutieve omschrijving van het te waarderen goed (Hanemann, 1994; Carson et al., 2001). Beschrijvingen waarbij respondenten geen verschil kunnen maken tussen

- 20 -

_________________________________________________________WTP Groene Stroom_____ de verschillende mogelijke niveaus van het te waarderen item (kwalitatief/kwantitatief) zorgen voor ‘embedding’ effecten. Andere redenen naast deze fundamentele gebreken van het ontwerp zijn: ontoepasselijke implementatie van het onderzoek; ongeschikte sample; en het onvermogen van respondenten de onderzoeksvragen te begrijpen. Mitchell en Carson (1989) stellen enkele toepassingen voor om het ‘embedding’ effect te minimaliseren: het beschrijven van verschillende kwalitatieve/kwantitatieve niveaus; gebruik van kaarten en foto’s; respondenten de mogelijkheid te bieden hun bod te herzien. Het ‘embedding’ effect is zowel empirisch en theoretisch bewezen maar kan dus middels goed ontwerp geminimaliseerd worden. 4.1.2 – Sequentie effect (‘question order’ bias) Het sequentie effect doet zich voor wanneer de volgorde waarin milieu-items worden gewaardeerd, van invloed is op de WTP waarde ervan. Dit effect doet zich dus voor in onderzoeken waarbij meerdere items worden gewaardeerd. Een studie waaruit dit effect blijkt is die van Samples en Hollyer (1990) waarin zeehonden en walvissen worden gewaardeerd. De studie resulteerde in een lagere WTP waarde voor zeehonden bij het scenario waar eerst naar walvissen werd gevraagd en vervolgens naar zeehonden. De mate waarin respondenten bekend zijn met het te waarderen item speelt echter een belangrijke rol: bekendheid leidt tot minder ‘sequencing’ (Boyle et al., 1993). Het sequentie effect is aldus Carson et al. (2001) het resultaat van inkomens- en substitutie-effecten. Respondenten kunnen goederen voor elkaar substitueren en hebben na waardering van het eerste item minder over voor het volgende item Dit effect wordt veroorzaakt door een slecht ontwerp en is makkelijk te voorkomen door respondenten te informeren over de vragen die gaan komen en ze de kans te geven hun antwoorden te herzien nadat alle vragen zijn ingevuld (Mitchell en Carson, 1989). 4.1.3 – Informatie bias De informatievoorziening in de CVM is uitermate belangrijk omdat, naast betrouwbaarheid, ook de geldigheid voornamelijk afhangt van de informatie die middels scenario’s aan de respondenten wordt gegeven (Venkatachalam, 2004). Een scenario in een CV-onderzoek bevat twee belangrijke soorten elementen: het ‘value-enhancing’ element en de ‘valueneutral’ elementen. Deze laatste elementen bevatten informatie over hoe het te waarderen item zich manifesteert. Het ‘value-enhancing’ element geeft bijvoorbeeld aan in welke mate het te waarderen item kan veranderen en bestaat uit drie verschillende onderdelen: informatie over het te waarderen goed, de budgettaire beperking en informatie over gerelateerde milieuitems die waardering van het item in kwestie kan beïnvloeden. Een voorbeeld is het informeren over substituten of complementen van het te waarderen goed die de waarde van het te waarderen goed kunnen beïnvloeden. Wanneer het bestaan van substituten niet kenbaar wordt gemaakt dan kan de WTP worden overgewaardeerd en het niet kenbaar maken van complementen leidt tot onderwaardering (Whitehead en Blomquist, 1990). Studies over de invloed van informatie over substituten, budgettaire beperkingen en complementen tonen echter tegenstrijdige resultaten: de invloed van verschafte informatie is divers. Belangrijk is dat de invloed van verschafte informatie op de WTP waarde voornamelijk afhangt van de kennis van de respondenten (Venkatachalam, 2004). Bij het ontwerp van een CV-onderzoek dient een link gelegd te worden tussen de kennis van de respondenten en de extra informatie die van invloed is op de WTP waarde. Er zijn verscheidene onderzoeken geweest naar de effectiviteit van verschillende mate van informatieverschaffing die weinig significante resultaten geven (Bateman en Turner, 1993).

- 21 -

_________________________________________________________WTP Groene Stroom_____ De optimale informatieverschaffing is niet vast te stellen. Het is belangrijk dat de informatie door respondenten als waar wordt beschouwd, deze informatie hetzelfde is voor alle respondenten en niet dusdanig dat gemakkelijker een bepaald (voor de onderzoeker gunstig) resultaat wordt verkregen (manipulatie). 4.1.4 – Hypothetische bias Vanwege de hypothetische vraagstelling in een CV-onderzoek kan sprake zijn van hypothetische bias, dit is het grootste technische probleem van de CVM. Deze bias verwijst naar het mogelijke verschil tussen de hypothetische betaling op basis van hypothetische markten (de CVM uitkomst dus) en de eventuele uiteindelijke daadwerkelijke betaling (Cummings et al., 1986). Vele studies hebben aangetoond dat de hypothetische WTP groter is dan de daadwerkelijke WTP (zie bijvoorbeeld: Duffield en Petterson, 1991; Seip en Strand, 1992; Neill et al., 1994; Foster et al., 1997). Er zijn daarentegen ook enkele studies die het tegendeel beweren (zie bijvoorbeeld: Bishop en Heberlein, 1979). Deze laatste groep is echter schaars. Wel dient vermeld te worden dat veel studies over hypothetische bias laboratorium experimenten met betrekking tot private goederen waren. Deze experimenten hebben verschillende nadelen zoals studenten als respondenten, het gebruik van private goederen (en dus geen relevante resultaten die gebruikt kunnen worden bij de voorziening van publieke goederen) en het ontbreken van budgettaire beperkingen (in laboratorium experimenten krijgen deelnemers geld toegewezen en zijn ze niet gebonden aan inkomen). De meeste experimentele studies concluderen dat hypothetische bias een significant probleem is in WTA onderzoeken, maar dat het tot een minimaal niveau kan worden gebracht bij WTP onderzoeken door het beschrijven van een accurate, levensechte en geloofwaardige hypothetische markt (Bateman en Turner, 1993). Hypothetische bias kan verklaard worden door de relatie tussen houding en gedrag. Veel studies zijn hieraan onderworpen om hypothetische bias aan te tonen (zie bijvoorbeeld: Heberlein en Black, 1976; Hanley, 1990). Deze relatie kan het beste worden uitgelegd aan de hand van het Fishbein-Azjen model. Kort samengevat komt dit model erop neer dat houding geen perfecte voorspeller is voor het gedrag omdat de intentie (intentie volgt uit een houding en gaat vooraf aan uiteindelijk gedrag) wordt beïnvloed door subjectieve normen en de ervaren controle op bepaald gedrag. Fishbein en Azjen (1977) hebben drie manieren bedacht om de link tussen houding en gedrag te maximaliseren en dus hypothetische bias te minimaliseren. Ten eerste moet het scenario overeenkomen met wat gewaardeerd wordt: scenario misspecificatie moet voorkomen worden. Ten tweede geldt hoe minder fases voorafgaan aan het gedrag hoe beter het gedrag te voorspellen is: intenties zijn beter dan houding maar houding is beter dan overtuigingen. Een voorbeeld is dat mensen een sociaal wenselijke houding aannemen maar zich niet zo gedragen. Tot slot speelt het ‘familiarity issue’ (bekendheid) een belangrijke rol bij de hypothetische bias. Hoe bekender een respondent is met het item in kwestie, hoe lager het niveau van de hypothetische bias is (Mitchell en Carson, 1989). Hypothetische bias is een voor de hand liggende bias maar kan grotendeels worden voorkomen door alleen WTP scenario’s te gebruiken die accuraat, levensecht en geloofwaardig zijn. Daarnaast is het bewezen dat het gebruik van ‘cheap talk’ en ‘consequentialism’ effectief is in CV-onderzoeken (Bulte et al., 2005). ‘Cheap talk’ is in dit geval het informeel informeren over de methode en (hypothetische) biases, en ‘consequentialism’ is het wijzen op de consequenties van een respons. Het gebruik van WTP in plaats van WTA scenario’s heeft de voorkeur in CV-onderzoeken, dit geldt eveneens als kritiek op de CVM. De volgende paragraaf zal hier op ingaan.

- 22 -

_________________________________________________________WTP Groene Stroom_____ 4.1.5 – Ongelijkheid WTA en WTP Uit de theorie kan afgeleid worden dat zowel WTA als WTP gebruikt kan worden voor de waardering van eenzelfde item. Theoretisch en empirisch is echter gebleken dat de waarde van WTA altijd groter is dan de waarde van WTP wanneer eenzelfde item wordt gewaardeerd (zie bijvoorbeeld: Shogren et al., 1994; Hanemann, 1991; Coursey et al., 1987; Bishop en Heberlein, 1979). Het verschil tussen WTA en WTP bepaling tast zowel de geldigheid als de betrouwbaarheid van de CVM aan (Mitchell en Carson, 1989). Er zijn verschillende redenen te geven voor dit verschil. Een eerste oorzaak is het inkomenseffect, omdat WTP gebonden is aan het inkomen en WTA niet (Willig, 1976). Individuen houden rekening met wat zij te besteden hebben wanneer hun WTP wordt gevraagd, maar houden geen rekening met hun vraagelasticiteit wanneer naar hun WTA gevraagd wordt. Hanemann (1991) stelt dat naast het inkomenseffect tevens het substitutie-effect voor het verschil zorgt. Shogren et al. (1994) hebben dit met een experiment weten aan te tonen door de waardering van twee private goederen met de waardering van een publiek goed te vergelijken. Hierbij waren de private goederen makkelijk substitueerbaar. Het experiment wees uit dat het verschil tussen WTA en WTP bij de private goederen op den duur verdween terwijl het verschil voor het publieke goed robuust bleef. De invloed van het substitutie-effect was hiermee aangetoond, maar ook dat bekendheid een rol speelt bij waardering. Een andere verklaring voor het verschil tussen WTA en WTP is de ‘prospect theory’ (Kahneman en Tversky, 1979). Deze theorie stelt dat het verlies van een bepaald goed groter is dan de winst door aanschaf van hetzelfde goed. Verlies in inkomen veroorzaakt namelijk een relatief grote nutsverandering ten opzichte van een winst in het inkomen. Het verschil tussen WTA en WTP is dus groter voor ‘loss averse individuals’ (Brookshire en Coursey, 1987). Eigendomsrechten en transactiekosten zijn een andere oorzaak voor het verschil tussen WTA en WTP. Individuen zien de WTA voor het ontnemen van een bepaald eigendomsrecht veelal als illegaal en/of onmogelijk (Mitchell en Carson, 1989). Dit is bewezen door de veelal hoge protest respons in WTA scenario’s. Dit zijn antwoorden die onwerkelijke waarden aannemen waarmee respondenten als het ware protesteren tegen het voorstel. De transactiekosten zijn van mindere betekenis voor het verschil. Deze kosten kunnen door een individu niet worden meegerekend bij zijn of haar WTP maar wel bij de WTA omdat de transactiekosten door de verkoper gedragen worden. De bekendheid van de CVM techniek zelf kan ook verschil tussen WTA en WTP veroorzaken. Experimenten wijzen uit dat herhaalde proeven resulteren in convergentie tussen WTA en WTP omdat respondenten het experiment gaan begrijpen (Coursey et al., 1987). Hierdoor kan geconcludeerd worden dat het verschil tussen WTP en WTA groter is voor individuen die hun keuze wegens tijdgebrek niet kunnen optimaliseren. De WTP is bij voorbaat begrijpelijker omdat individuen meer gewend zijn goederen en services te kopen dan te verkopen. De studies die gedaan zijn naar het verschil tussen WTA en WTP concluderen over het algemeen dat grotere verschillen worden veroorzaakt door de zwakke experimentele kenmerken van de CVM (Venkatachalam, 2004), zoals hypothetische vragen/betalingen en niet-representatieve respondenten (studenten). Een CVM onderzoek dient zo realistisch mogelijk ontworpen te worden om het verschil te kunnen minimaliseren. Er zijn echter enkele meta-analyses (Zie bijvoorbeeld: Horowitz en McConnel, 2002) die tegenstrijdige resultaten vertonen. Bijvoorbeeld dat het verschil in WTA en WTP niet wordt veroorzaakt door zwakke experimentele kenmerken maar door de voorkeuren van individuen die onderling sterk verschillend zijn. Feit is en blijft dat respons verschillend is voor WTA en WTP scenario’s en

- 23 -

_________________________________________________________WTP Groene Stroom_____ dit dus veroorzaakt wordt door verschillende oorzaken. Deze oorzaken zijn door zowel theoretische als empirische studies aangetoond. De WTA kan volgens Hanemann (1991) 5 maal groter zijn dan de WTP. De studie van Brookshire en Coursey (1987) bewijst echter dat het verschil kan oplopen van 2.4 maal tot 61 maal groter. De empirische en theoretische studies naar het verschil tussen WTA en WTP hebben tot een belangrijke conclusie geleid: de WTA is geen goede bepaling voor het consumenten surplus en dus is WTP een betere maatstaf in de CVM (Cummings et al., 1986; NOAA Panel, 1993; Bateman and Turner, 1993). 4.1.6 – Strategische bias In een CV-onderzoek zijn twee vormen van strategisch gedrag mogelijk: ‘free-riding’ en ‘overpledging’ (Mitchell en Carson, 1989). ‘Free-riding’ treedt op wanneer een individu zijn of haar werkelijke WTP voor een publiek goed onderwaardeert in de verwachting dat anderen genoeg zullen betalen en hij/zij uiteindelijk niets hoeft te betalen. ‘Overpledging’ (overwaarderen) gebeurt wanneer een individu verwacht dat zijn of haar respons invloed heeft op de voorziening van het item in kwestie maar geen basis is voor de bekostiging van dit item. Laboratorium experimenten geven geen eenduidig resultaat over het optreden van strategische biases en er zijn er maar weinig experimenten exclusief gericht op deze biases. De meeste studies nemen als standpunt dat strategische bias geen belangrijk probleem is in CV-onderzoeken (Venkatachalam, 2004). Mitchell en Carson (1989) geven de volgende redenen waarom strategisch gedrag van respondenten zwak is: de benodigde informatie voor strategisch gedrag is groot; respondenten in CV-onderzoeken krijgen de impressie dat zij onderdeel van een veel grotere groep zijn en dus het idee hebben dat hun respons geen invloed heeft; betalingsmethoden in CV-onderzoeken herinneren respondenten aan hen budgettaire beperkingen; en de onderwaardering van de werkelijke WTP kan ontmoedigd wanneer respondenten de impressie hebben dat het item in kwestie niet tot stand komt door onderwaardering. Behalve bovengenoemde punten is het bewezen dat gebruik van de respons format ‘dichotomous choice’ strategisch gedrag minimaliseert (zie paragraaf 4.1.10). Daarnaast stellen Mitchell en Carson (1989) dat CV-onderzoeken dusdanig ontworpen moeten worden zodat geen tekens worden gegeven voor strategisch gedrag. 4.1.7 – Sampling bias Sampling bias is het gevolg van een niet representatieve steekproef. Het is daarom belangrijk de relevante populatie te definiëren en daaruit een steekproef te nemen die als representatief kan worden beschouwd. Hoewel de relatie tussen de populatie en de steekproef niet perfect is kunnen aanpassingen nodig zijn mocht blijken dat de steekproef niet representatief is. Sampling bias kan ook veroorzaakt worden door aggregatie effecten. Deze effecten doen zich voor wanneer bijvoorbeeld de totale economische waarde van een ruimtelijk vast milieu-item zoals een bos alleen wordt geschat door onderzoek op de locatie zelf. Hierbij worden namelijk de niet-gebruikerswaarden genegeerd en alleen de gebruikerswaarden geschat. Dit probleem kan dus eenvoudig voorkomen worden door nauwkeurige definiëring van de relevante populatie. 4.1.8 – Interviewer bias Het karakter van de interviewer of de techniek van de interviewer kan de respons op verschillende manieren beïnvloeden. Wanneer de interviewer het te waarderen goed in

- 24 -

_________________________________________________________WTP Groene Stroom_____ kwestie moreel wenselijk vindt dan zal hij of zij de vragen dusdanig stellen dat hoge WTP waarden volgen. Een effect wat de interviewer zelf niet in de hand heeft is wanneer hij of zij als intelligent of aantrekkelijk wordt beschouwd door de respondent. Hierdoor zal deze persoon eerder geneigd zijn een hogere waarde te geven. De interviewer bias kan makkelijk worden voorkomen door het gebruik van mail, en gedeeltelijk door het gebruik van de telefoon. Deze methoden hebben weer als nadeel dat geen verhelderende informatie kan worden verschaft wanneer respondenten dit nodig hebben. Daarnaast kan het gebruik van mail en telefoon leiden tot onzuivere respons omdat respondenten niet de tijd nemen hun waarde te overwegen. Een hoog aantal respondenten dat geen waarde geeft komt hierdoor ook vaker voor. Er is per definitie geen betere of slechtere methode, het is zaak de verschillende alternatieven af te wegen. 4.1.9 – Betaalmethode bias (‘payment vehicle’ bias) In een CV-onderzoek dient aangegeven te worden op welke manier de WTP waarden geïnd zullen worden (belasting, fee, prijsstijging, donatie etc.). De keuze van deze manier kan echter bepalend zijn voor de uitkomst. Vele studies hebben bijvoorbeeld bewezen dat de WTP hoger is wanneer een inkomensbelasting wordt voorgesteld in plaats van een toegangsprijs (zie bijvoorbeeld: Desvousges et al., 1983; Brookshire en Coursey, 1987). Het feit dat de keuze van betalingsmethode de WTP beïnvloedt moet gezien worden als een verandering van het te waarderen goed zelf. Controversionele methoden moeten daarom vermeden worden en de methode die het meest voor de hand ligt dient gekozen te worden. Dit is de methode die in het echt ook gebruikt zou worden. 4.1.10 – ‘Elicitation’ effecten De vragen in een CV-onderzoek kunnen op verschillende manieren gesteld worden: er zijn verschillende respons formats die aangeduid worden met ‘elicitation techniques’. In de literatuur zijn vier belangrijke vormen te onderscheiden: ‘bidding game’; ‘payment card’; ‘open-ended’; en ‘dichotomous choice’. In deze paragraaf worden allereerst de verschillende methoden beschreven en vervolgens de voor- en nadelen van deze methoden opgesomd. Hierbij wordt er vanuit gegaan dat de WTP als standaard wordt gebruikt in de CVM. Respons Formats - ‘Open-ended’ (OE): het vragen van respondenten naar de maximale bijdrage die ze bereid zijn te betalen voor het voordoen van een bepaald scenario. De respondenten zijn hierbij vrij in het antwoorden en niet gebonden aan bepaalde waarden, het is dus een open vraag. - ‘Bidding game’ (BG): respondenten wordt gevraagd of ze bereid zijn een bepaald bedrag te betalen voor het zich voordoen van een bepaald scenario. Wanneer respondenten ‘ja’ antwoorden dan wordt dezelfde vraag nog een keer gesteld met een hoger bedrag totdat ze ‘nee’ antwoorden. - ‘Payment card’ (PC): respondenten worden geconfronteerd met een kaart (de payment card) waarop verschillende WTP waarden staan. De respondenten dienen uit deze waarden te kiezen wat hun maximale WTP voor het zich voordoen van een bepaald scenario is. - ‘Dichotomous choice’ (DC): evenals bij de ‘bidding game’ worden respondenten gevraagd of ze bereid zijn een bepaald bedrag te betalen. De respondenten dienen hierbij ‘ja’ of ‘nee’ te

- 25 -

_________________________________________________________WTP Groene Stroom_____ antwoorden. Wanneer er geen tweede ronde volgt spreken we van ‘single-bounded dichotomous choice’ (SBDC) die ook wel de ‘take-it-or-leave-it’ methode wordt genoemd omdat het gebaseerd is op alles of niets (Mitchell en Carson, 1989). Naast de SBDC is er de ‘double bounded dichotomous choice’ (DBDC), hierbij wordt naast de eerste ronde een tweede ronde gehouden en daarom ook wel ‘take-it-or-leave-it with follow up’ genoemd. Afhankelijk van het antwoord in de eerste ronde wordt de geboden waarde naar boven of beneden bijgesteld. De oudste methode is de BG en werd toegepast in het eerste CV-onderzoek van Davis (1963). Deze methode is daarna nog veel gebruikt in CV-onderzoeken, voornamelijk voor het waarderen van publieke goederen en voornamelijk in ontwikkelingslanden. De methode is geschikt voor het waarderingsvraagstuk maar dient met zorg te worden toegepast om betrouwbare resultaten te verkrijgen (Randall et al., 1974). Een groot voordeel van het systeem is dat het voor de respondenten een marktsituatie weerspiegelt en zij daardoor ‘makkelijk’ in staat zijn hun preferenties aan te geven (Cummings et al., 1986). Een ander voordeel is dat de methode leidt tot een schatting van de maximale WTP van de respondenten. Een nadeel is de vereiste selectie van startwaarden en de eventuele hoge implementatiekosten (omdat de vragen afhankelijk van elkaar zijn). De selectie van startwaarden kan leiden tot een startpunt bias. Deze bias doet zich voor wanneer het geschatte resultaat afhankelijk is van de startwaarden die aan respondenten zijn voorgelegd. Een ander nadelig effect is het ‘yea saying’ en ‘anchoring’. ‘Yea saying’ refereert naar de geneigdheid van respondenten om ‘ja’ te antwoorden op ieder bod wat zij krijgen. ‘Anchoring’ is een psychologische term die verwijst naar de tendens van individuen sterk te vertrouwen op gegeven informatie bij het maken van beslissingen. In een BG komt dit voor wanneer respondenten denken dat de gegeven waarde wel representeerbaar is voor het te waarderen beleid/goed/service. Zij zullen hierdoor hoge bedragen accepteren terwijl deze waarde boven hun maximale WTP ligt. De PC werd geïntroduceerd door Mitchell en Carson (1984). Het voordeel van deze methode is eveneens dat de maximale WTP wordt geschat: respondenten dienen hun maximale WTP te kiezen uit verschillende waarden. Het grote nadeel van deze methode is de kans op het optreden van range bias en center bias (Mitchell en Carson, 1989). Range bias doet zich voor wanneer de resultaten afhankelijk zijn van de range waarden die de respondenten is voorgelegd. Center bias treedt op wanneer respondenten zich focussen op de middelste waarde van alle waarden. Dit zijn beide verschillende vormen van ‘anchoring’. Evenals bij de BG dient een selectie van startwaarden plaats te vinden. Een ander nadeel is dat de PC methode niet ‘incentive compatible’ is: de keuze hoeft niet gemaakt te zijn op basis van een incentive die naar waarheid de voorkeur van een respondent weergeeft. Respondenten kunnen bij de PC methode makkelijk met opzet extra hoge of extra lage bedragen kiezen en daarmee de resultaten beïnvloeden. De OE methode is makkelijk toe te passen omdat er geen waarden voorgelegd hoeven te worden en daardoor ook niet resulteert in startpunt bias (Walsh et al., 1984). De OE methode wordt geschikt geacht wanneer het doel is een conservatieve waarde te schatten omdat respondenten geneigd zijn conservatief te antwoorden op open vragen naar hun WTP. Deze methode leidt hierdoor echter wel tot veel nulrespons of protestrespons (dit zijn de ‘0’ antwoorden) omdat respondenten het moeilijk vinden de vraag te beantwoorden of geen incentive hebben de vraag eerlijk te antwoorden, de methode is theoretisch dus niet ‘incentive compatible’ (Carson et al., 1996). Verder kan het voor mensen moeilijk zijn een bepaald bedrag te linken aan een bepaald beleid of voorziening van een publiek goed omdat ze er niet bekend mee zijn. Dit komt tot uiting in de verdeling van de antwoorden op open vragen in CV-onderzoeken. Deze verdeling is namelijk niet vlak maar geneigd pieken te vertonen op

- 26 -

_________________________________________________________WTP Groene Stroom_____ bepaalde intervallen. De OE methode kan ook makkelijk leiden tot strategische bias (Hanemann, 1994). In de jaren ‘70 werd door Bishop en Heberlein (1973) de SBDC geïntroduceerd. Het grootste voordeel van deze methode is dat de strategische bias geminimaliseerd wordt omdat de methode ‘incentive compatible’ is (Hanemann, 1994). De methode schat eveneens de maximale WTP. Evenals bij de BG kan deze methode tot startpunt bias leiden omdat een bepaalde waarde als startwaarde dient. De DC methode wordt minder geschikt geacht voor twee bepaalde situaties: wanneer het te waarderen goed zal worden aangeboden op vrijwillige basis en ten tweede wanneer een nieuw privaat/publiek goed wordt gewaardeerd (Carson et al., 1996). Dit leidt namelijk beide tot extreme strategische bias en hypothetische bias. Verder vereist deze methode veel respondenten. De SBDC is uitgebreid tot de DBDC door Hanemann (1984, 1985) en Carson (1985). Deze methode werd echter voor het eerst toegepast door Carson en Steinberg (1990) en vervolgens door Hanemann et al. (1991). Het grootste voordeel van deze methode is dat de maximale WTP waarde nauwkeuriger kan worden herleid en dat de methode (nog steeds) ‘incentive compatible’ is. De ‘double bounded’ methode is statistisch efficiënter dan de ‘single bounded’ (Hanemann et al., 1991). Nadelen van de DBDC zijn dat (evenals de SBDC) veel respondenten vereist zijn en de technieken om de respons te analyseren relatief ingewikkeld zijn. Verder speelt het startpunt bias, het ‘yea saying’ en ‘anchoring’ een rol bij de DBDC. Hoewel de DBDC methode is ontwikkeld om de problemen die gepaard gaan met de OE, BG en PC methoden uit te weg te gaan, heeft de DBDC methode zelf dus ook enkele nadelen. De DBDC wordt echter nog wel het meeste aangeraden in richtlijnen voor CVonderzoeken (Venkatachalam, 2004), hierna zal een vergelijking van de verschillende methoden volgen. Vergelijking respons formats Doordat verschillende methoden leiden tot verschillende WTP waarden is het de vraag of de uitkomsten de werkelijke WTP waarden zijn. De werkelijke WTP waarde is gelijk aan het ‘Hicksian’ consumentensurplus (CV of EV, zie vorige hoofdstuk). Dit is dezelfde waarde als wanneer het gewaardeerde item op een realistische, competitieve markt verhandeld zou worden. Verschillende studies hebben de methoden vergeleken met als voornamelijk doel het testen van de convergentie validiteit (‘convergent validity’). Deze term verwijst naar de overeenkomst tussen twee verschillende metingen voor dezelfde theoretische waarde. We zullen nu allereerst dieper ingaan op de classificatie binnen de geldigheid en vervolgens weer de draad oppakken bij de vergelijking van de methoden. 4.2 – Validiteit De validiteit verwijst naar de mate waarin de CVM ook de daadwerkelijke economische waarde achterhaald en is drievoudig: inhoudelijke validiteit (‘content validity’); criteria validiteit (‘criterion validity); en construct validiteit (‘construct validity’). 4.2.1 – Inhoudelijke validiteit (‘content validity’) De inhoudelijke validiteit verwijst naar mate waarin de geschatte waarde ook daadwerkelijk de waarde van het te waarderen goed beslaat. Analisten moeten voor zichzelf nagaan of ze de juiste vragen stellen om ook daadwerkelijk de waarde te achterhalen die van toepassing is op het te waarderen goed. In welke mate een CV-onderzoek inhoudelijk valide is hiermee dus

- 27 -

_________________________________________________________WTP Groene Stroom_____ deels subjectief. In 1989 concludeerden Garrod en Willis (1989) al dat het echter geen probleem is aan deze voorwaarde te voldoen dankzij de ontwikkelingen in de CVM. 4.2.2 – Criteria validiteit (‘criterion validity’) Een manier om de uitkomsten van een CV-onderzoek te testen op geldigheid is door een vergelijking te maken met een ‘echte’ waarde die tot stand is gekomen via marktwerking. Dit is echter veelal niet mogelijk. Een ander alternatief is een markt te creëren in een experiment zoals is vermeld in paragraaf 4.1.4 (hypothetische bias). 4.2.3 – Construct validiteit (‘construct validity’) De construct validiteit refereert naar de mate waarin de uitkomsten te vergelijken zijn met de uitkomsten van andere metingen die dezelfde waarde schatten. De construct validiteit is in te delen in twee varianten: theoretische validiteit (‘theoretical validity’) en convergentie validiteit (‘convergent validity’). De eerste verwijst naar de overeenkomst tussen de geschatte waarde vergeleken met theoretische verwachtingen. De laatste verwijst naar de overeenkomst van de geschatte waarde met geschatte waarden van andere schattingen van hetzelfde gewaardeerde item. Hierbij is te denken aan het schatten van dezelfde WTP middels de PC methode en via de OE methode, deze uitkomsten zouden in principe hetzelfde moeten zijn. Het testen van theoretische validiteit wordt veelal beperkt tot het analyseren van de geboden bedragen (‘bid curve functions’). Deze validiteit kan verder getest worden wanneer waarden van het consumentensurplus bekend zijn, dit is echter veelal niet het geval voor de te waarderen items (Bateman and Turner, 1993). Daarnaast kan nog worden gekeken of vergelijking met empirische resultaten mogelijk is. Het testen van convergentie validiteit wordt meestal gedaan door de CVM te vergelijken met andere methoden zoals de TCM en de HPM. Veelal blijkt dat dezelfde geschatte waarde via verschillende benaderingen binnen een bepaalde range ligt (zie bijvoorbeeld: Cummings et al., 1986; Mitchell en Carson, 1989). Een probleem is dat de vergeleken methodes veelal niet exact dezelfde waarde achterhalen. Een ander nadeel doet zich voor omdat geschatte waarden van TCM en HPM van ex-post situaties worden herleid en die van de CVM van ex-ante situaties. Vergelijking is dus niet perfect mogelijk en dient uiterst voorzichtig gedaan te worden. Vergelijking van verschillende methoden binnen de CVM leidt eveneens tot een ander groot probleem: wat is de juiste waarde? We vervolgen het deel ‘vergelijking respons formats’ waarbij dit probleem naar voren komt. Vergelijking respons formats (vervolg) Devousges et al. (1993) gebruikten de OE methode en de DC methoden in een van hun onderzoeken en kregen statistisch significant hogere WTP waarden bij toepassing van de DC methoden. Kealy en Turner (1993) vergeleken dezelfde methoden en maakten tevens onderscheid tussen private goederen en publieke goederen. Het verschil bleek alleen significant voor publieke goederen (in dezelfde richting als bij Devousges) maar niet voor private goederen. Andere studies tonen een vergelijkend resultaat (zie bijvoorbeeld: Brown et al., 1996; Ready at al., 1996). Jordan en Elnagheep (1994) concluderen dat de schattingen in hun onderzoek die met behulp van de PC methode zijn verkregen, efficiënter zijn dan die verkregen met een ‘referendum format’ (DC methode). De DC methode geeft hogere resultaten dan de PC methode vanwege ‘yea saying’ en startpunt bias aldus Kramer (1994).

- 28 -

_________________________________________________________WTP Groene Stroom_____ Uit vele onderzoeken blijkt dat er significante verschillen zijn tussen de methoden onderling. Veelal blijkt dat de WTP waarde verkregen met de DC methode hoger is dan de waarde geschat met de OE methode (conservatief), de PC methode zit hier veelal tussenin. Het verschil wordt veroorzaakt door verschillende redenen. Ten eerste is er eerder sprake van strategische bias bij de OE methode (voornamelijk understatement), bij de DC methode komt strategische bias minder voor omdat deze methode meer ‘incentive compatible’ is. Ten tweede wordt dit verschil veroorzaakt door ‘yea-saying’ bij de DC methode. Tot slot is er de tendens van respondenten om een lagere WTP waarde te geven wanneer zij geconfronteerd worden met ‘moeilijkere’ open vragen (Brown et al., 1996). Iedere methode heeft dus voor- en nadelen en de geschatte waarde verschilt per methode. Dit verschil kan echter ook gewijd worden aan de vraagfuncties die per individu verschillen, waardoor dus ook niet verwacht kan worden dat de verkregen waarde per methode gelijk is. De keuze van de methode in een CV-onderzoek hangt af van verschillende factoren zoals het te waarderen goed, maar ook van meer praktische zaken zoals de kosten, de aard van de respondenten en kennis van statistische analyses. De laatste jaren laat echter een trend zien richting het gebruik van de DC methode in plaats van de OE methode. In veel ‘richtlijnen’ staat de DC methode dan ook als wenselijk aangeschreven. Bij het ontwerp van een CV-onderzoek dienen alle bovenstaande punten in acht genomen te worden. Naar aanleiding van deze punten zijn verschillende richtlijnen opgesteld (zie bijvoorbeeld: Cummings et al., 1986; Bateman en Turner, 1992; NOAA panel, 1993). Deze richtlijnen zijn algemeen van aard en de toepasbaarheid is afhankelijk van socio-economische en institutionele factoren. In het volgende hoofdstuk zal het ontwerp van het CV-onderzoek worden beschreven op basis van een aantal stappen. Hierbij zijn bovenstaande punten in acht genomen en is niet de aandacht gericht op een bepaalde richtlijn. Na de analyse van de resultaten zullen we terugkomen op de betrouwbaarheid en validiteit van het onderzoek.

- 29 -

_________________________________________________________WTP Groene Stroom_____

Hoofdstuk 5 – Ontwerp Contingent Valuation onderzoek In dit hoofdstuk zal worden beschreven hoe de CVM in de praktijk kan worden gebracht en hoe dat zich vertaald naar dit onderzoek. Dit zullen we doen aan de hand van een aantal stappen die hieronder staan opgesomd9. Bij de uitwerking van deze stappen is het belangrijk de verschillende biases zoals beschreven in het vorige hoofdstuk goed in het achterhoofd te houden, veel biases kunnen namelijk voorkomen worden door een adequaat studieontwerp. 1) Identificeer de te waarderen kwantitatieve/kwalitatieve verandering van het milieuitem en maak een keuze tussen WTA/WTP. 2) Identificeer de betrokken personen. 3) Selecteer de data collectie methode (mail/telefonisch/interview). 4) Selecteer een steekproef. 5) Beschrijf scenario en informatiecomponenten: Beschrijf het te waarderen milieu-item. Verklaar methode waarop veranderingen bewerkstelligd zullen worden: Selecteer een betaalmethode (belasting/prijsstijging/donatie). Selecteer een ‘decision rule’, dit is de bepaling bij welke resultaten de veranderingen ook daadwerkelijk uitgevoerd worden. Selecteer een ‘time frame of payment’, dit is de bepaling van het aantal betalingen dat nodig is voor de veranderingen ook daadwerkelijk uitgevoerd worden. 6) Ontwerp de CV-vragen: - Selecteer een responsformat (OE, PC, DC etc.). - Zorg dat ‘nul’ respons en protestrespons toegelaten kunnen worden. - Ontwikkel hulpvragen, dit zijn vragen die zorgen voor informatie die nodig is om de respons te kunnen analyseren. 7) Pretest en implementeer het onderzoek. 8) Analyseer de resultaten. 9) Rapporteer de resultaten. 5.1 – Identificatie veranderingen in kwantiteit/kwaliteit Wanneer je mensen vraagt naar hun bereidheid te betalen voor iets dan dient hier wat tegenover te staan, iets waar ze beter van worden. Dus wanneer je mensen vraagt om meer te betalen voor groene stroom dan dient hier iets tegenover te staan, een verandering ten opzichte van de huidige situatie waarvoor mensen bereid zijn te betalen. Groene en grijze stroom zijn voor consumenten perfecte substituten, zij zullen geen enkel verschil merken in het verbruik tussen beide. Op de lange termijn zullen zij echter wel de gevolgen van het collectieve verbruik van grijze stroom merken. De vervuilende emissies (broeikasgassen) die gepaard gaan met de opwekking van grijze stroom veroorzaken namelijk een groot deel van de klimaatverandering. De gevolgen van de klimaatverandering zijn niet exact te voorspellen, maar aldus sommigen is het ‘worst case scenario’ funest voor het bestaan van de mensheid. Wanneer groene stroom wordt gebruikt in plaats van grijze stroom, zal de productie van grijze stroom afnemen en daarmee de uitstoot van vervuilende emissies 9

Gebaseerd op: Boyle, K.J. et al. (1993). ‘The Role of Question Order and Respondent Experience in Contingent Valuation Studies’, Journal of Environmental Economics and Management, 95, pp. S80 – 90

- 30 -

_________________________________________________________WTP Groene Stroom_____ en dus ook de snelheid waarmee klimaatverandering momenteel plaatsvindt. Deze afname zal sneller plaatsvinden wanneer meer in duurzame elektriciteit wordt geïnvesteerd waardoor groene stroom goedkoper wordt. De ontwikkeling van duurzame elektriciteit zal overigens niet alleen plaats vinden wanneer meer geld wordt geïnvesteerd in groene stroom, maar ook door ‘learning by doing’. Wat in dit onderzoek gewaardeerd wordt is het verbruik van groene stroom in plaats van grijze stroom. Dit onderzoek moet resulteren in een bedrag dat huishoudens gemiddeld bereid zijn te betalen voor groene stroom ten opzichte van grijze stroom. Wat er precies zal veranderen door het gebruik van groene in plaats van grijze stroom is dus niet nauwkeurig weer te geven: er is geen eenmalige kwantitatieve of kwalitatieve verandering en subjectiviteit speelt wellicht een rol. De nutsverandering die bij een individu kan optreden door het gebruik van groene stroom kan namelijk ook door persoonlijke redenen worden veroorzaakt (bijvoorbeeld een warm gevoel). In het onderzoek wordt wel een duidelijk onderscheid gemaakt tussen drie verschillende vormen van groene stroom (windenergie, bio-energie of zonne-energie). We willen immers weten of de bereidheid tot betalen afhankelijk is van de manier van opwekking. De keuze voor deze drie opties is omdat de eerste twee het meeste voorkomen in Nederland en verreweg de meeste groene stroom leveren. Zonne-energie is in het onderzoek opgenomen omdat dit samen met windenergie een van de bekendste vormen is. Uit tabel 3.2 is af te lezen welke bepaling op dit onderzoek van toepassing is: we zoeken het ‘compensating surplus’ voor een milieukwaliteitsverbetering, dit surplus is gelijk aan Y0 - YN in figuur 3.4. Voor een individu is dit de maximale WTP voor de verandering in milieukwaliteit, deze is echter (zoals gezegd) niet te kwantificeren. 5.2 – Identificatie betrokken personen Aangezien we willen weten wat Nederlandse huishoudens bereid zijn te betalen voor groene stroom zal een representatieve steekproef van alle Nederlandse huishoudens genomen worden. 5.3 – Data collectie De data zullen verkregen worden via CentERdata, een wetenschappelijk onderzoeksbureau verbonden aan de Universiteit van Tilburg.10 CentERdata beschikt over een vast panel, het CentERpanel, bestaande uit 2000 huishoudens die een aselecte steekproef van de Nederlandse samenleving representeren. Dit panel zal een elektronische vragenlijst toegestuurd krijgen, meer informatie over het CentERpanel staat in bijlage één. 5.4 – Steekproef Binnen een CV-onderzoek is het noodzakelijk een voldoende omvangrijke sample te hebben vanwege de hoge variantie in de respons. De standaard fout wordt namelijk kleiner naarmate de sample omvang toeneemt dus hoe meer, hoe beter. In de praktijk wordt vaak een zo groot mogelijke sample genomen afhankelijk van het budget. In dit onderzoek zal gebruik gemaakt worden van het CentERpanel waarbij de kosten afhankelijk zijn van het aantal vragen. De sample omvang is standaard iets meer dan 2000 huishoudens.

10

Voor meer informatie over CentERdata zie: www.centerdata.nl - 31 -

_________________________________________________________WTP Groene Stroom_____ 5.5 – Scenario en informatiecomponent Uit verschillende studies is gebleken dat het noodzakelijk is om voldoende specifieke informatie te verstrekken om betrouwbare resultaten te kunnen verkrijgen. Deze informatie dient te omschrijven wat gewaardeerd wordt, welke verandering er eventueel zal optreden en wat de effecten zijn voor de respondent. Hierbij dient de respondent herinnerd te worden aan substituten en alternatieven. Verder moet het duidelijk zijn op welke manier de betaling plaats zal vinden. Het doel is een betalingsmethode te kiezen die nauwelijks invloed heeft op de beoogde verandering. Eveneens moet duidelijk zijn of de voorgestelde veranderingen ook daadwerkelijk uitgevoerd zullen worden (‘decision rule’) en bij welk aantal betalingen (‘time frame of payment’). In de informatiecomponent wordt informatie gegeven over het verschil tussen grijze en groene stroom met betrekking tot de kosten. Hierbij wordt de nadruk gelegd op twee soorten kosten, de productiekosten en de milieukosten. Daarnaast wordt informatie verschaft over één van de drie duurzame energievormen, waarbij kort de voor- en nadelen worden opgesomd. Na deze informatie volgt een van de twee hypothetische scenario’s, er is één scenario voor de vrijwillige markt en één voor de publieke markt. Deze scenario’s zijn zo opgezet dat mensen denken dat de verandering hoe dan ook wordt doorgevoerd (een ‘time frame of payment’ is overbodig). Tevens is de betaalmethode duidelijk uit het scenario te achterhalen: de inning van eventuele extra bedragen voor groene stroom zullen ‘gewoon’ geïnd worden via de elektriciteitsrekening. Hierdoor kunnen huishoudens de eventuele extra kosten makkelijk plaatsen binnen hun vaste uitgaven. In totaal zijn er dus zes verschillende versies en dus zal de respons leiden tot zes uitkomsten: - WTP voor groene stroom uit bio-energie in een publieke markt - WTP voor groene stroom uit bio-energie in een vrijwillige markt - WTP voor groene stroom uit windenergie in een publieke markt - WTP voor groene stroom uit windenergie in een vrijwillige markt - WTP voor groene stroom uit zonne-energie in een publieke markt - WTP voor groene stroom uit zonne-energie in een vrijwillige markt

(bio_publiek) (bio_vrijwillig) (wind_publiek) (wind_vrijwillig (zon_publiek) (zon_vrijwillig)

De respondenten krijgen slechts informatie over één stroomvorm om overmatige informatieverstrekking te vermijden en het sequentie effect te voorkomen. In bijlage twee staan de informatiecomponenten en scenario’s zoals ze gebruikt zijn in het onderzoek als onderdeel van de vragenlijst. Omdat de scenario’s zeer belangrijk zijn voor de interpretatie van de resultaten staan deze hieronder weergegeven. Vrijwillig scenario Stel dat de overheid de subsidie op de productie van groene stroom afschaft. De mensen die nu groene stroom willen verbruiken zullen zelf de extra kosten (vanwege de hogere productiekosten) moeten betalen. Er blijven twee alternatieven over: - Of u kiest grijze stroom en blijft hetzelfde betalen als u nu voor stroom betaalt. (Herinner dat groene en grijze stroom momenteel bijna altijd even duur is.) - Of u kiest groene stroom uit windenergie (of bio-energie of zonne-energie) en gaat meer betalen dan u nu voor stroom betaalt. Hoe meer mensen groene stroom afnemen, des te meer geïnvesteerd zal worden in de productie van groene stroom uit windenergie (of bio-energie of zonne-energie). De hogere prijs die u betaalt voor de afname van groene stroom wordt gewoon in rekening gebracht op uw elektriciteitsrekening.

- 32 -

_________________________________________________________WTP Groene Stroom_____ Publiek scenario Stel dat de overheid een extra belasting in rekening gaat brengen op uw elektriciteitsrekening. Deze belasting zal volledig gebruikt worden om subsidie te verlenen aan producenten van groene stroom. Hoe hoger deze belasting is hoe meer subsidie de overheid ter beschikking kan stellen en des te meer elektriciteit geleverd kan worden uit windenergie (of bio-energie of zonne-energie). De keuze tussen grijze en groene stroom vervalt hiermee. U krijgt stroom aangeboden die zo ‘groen’ mogelijk geproduceerd wordt. In welke mate u groene stroom ontvangt is dus afhankelijk van datgene wat aan belasting wordt betaald. De overheid wil weten welke prijs de mensen voor deze belasting willen betalen. De belasting is uiteindelijk voor iedereen verplicht en wordt afhankelijk van deze vragenlijst bepaald.

5.6 – Ontwerp CV-vragen De vragen in het CV-onderzoek zijn opgesteld volgens de ‘Double Bounded Dichotomous Choice’ methode, deze keuze is met de paragraaf ‘respons formats’ grotendeels verantwoord. In deze paragraaf staat echter dat de DBDC methode minder geschikt is wanneer het te waarderen goed zal worden aangeboden op vrijwillige basis vanwege strategische en hypothetische bias, er is dan namelijk geen incentive om te betalen (voor groene stroom). In de inleiding is geschreven over de redenen die te bedenken zijn waarom mensen toch milieuvriendelijk gedrag vertonen en vandaar dat ook hier een vrijwillig scenario wordt toegepast. De waarden die zijn gebruikt in het onderzoek staan in onderstaande tabel. Deze waarden zijn uiteindelijk tot stand gekomen door de pretest, zie paragraaf 5.7. Tabel 5.1: Waarden in CV-vragen Lager Bod

Initiele Bod

Hoger Bod

1 3 5 7 10 12 15

2 4 6 8 11 15 20

3 5 7 9 12 18 25

Respondenten die na een ‘nee’ op het initiële bod ook ‘nee’ responderen op het lagere bod hebben een werkelijk WTP waarde lager dan deze waarde of de respons is protestrespons. Protestrespons zegt niets over de werkelijke waarde van een respondent en er zijn drie verschillende type protestrespondenten. Allereerst zijn er de respondenten die protesteren tegen sommige componenten van het CV-onderzoek. Zij zullen tweemaal ‘nee’ responderen of het onderzoek niet volledig invullen wat kan leiden tot een onzuivere lagere schatting. Vervolgens zijn er respondenten die het onderzoek niet begrijpen en zomaar iets invullen, dit zal leiden tot meer ruis. Tot slot zijn er de respondenten die strategisch antwoorden in een poging de resultaten te beïnvloeden. Sommigen zullen hun werkelijke waarden onderwaarderen en sommigen overwaarderen, het overall effect zal onverschillig zijn. Het is echter praktisch onmogelijk te achterhalen of respons daadwerkelijk protestrespons is. Vragen die dit trachten te achterhalen zijn onzinnig omdat deze evenzeer als protest beantwoord kunnen worden. We proberen protestrespons natuurlijk te voorkomen door een adequaat ontwerp van het CV-onderzoek maar om respondenten de kans te geven te ‘protesteren’ is er

- 33 -

_________________________________________________________WTP Groene Stroom_____ een open vraag in het onderzoek opgenomen waar respondenten opmerkingen en suggesties kwijt kunnen. Respondenten die aangeven niet bereid te zijn een bepaalde waarde te betalen beschouwen we in eerste instantie als ‘normale’ respondenten met interval [0, A Euro]. Wij vertrouwen dusdanig op het ontwerp dat respondenten die aangeven niets te willen betalen ook daadwerkelijk niet willen betalen voor de voorgelegde scenario’s. 5.6.1 – Hulpvragen Voor een adequate analyse van de respons zijn meer gegevens nodig dan alleen de respons op de WTP vragen zelf. Met alleen de respons op de WTP vragen kan dan wel bepaald worden wat Nederlandse huishoudens gemiddeld bereid zijn te betalen maar kunnen geen specifiekere uitspraken gedaan worden over de bereidheid van huishoudens met bepaalde kenmerken zoals bijvoorbeeld een heel hoog inkomen. Variabelen die van invloed zijn op deze respons, zoals bijvoorbeeld het inkomen en opleidingsniveau zijn nodig om specifiekere uitspraken te doen. Omdat we gebruik maken van het CentERpanel zijn veel van deze variabelen al voorhanden. CentERdata beschikt over de volgende gegevens van het panel die wij in de analyse zullen gebruiken: -

Geslacht Leeftijd Inkomen Kinderen Opleidingsniveau Sociale klasse

Al deze variabelen zullen worden gebruikt om uitspraken te doen omtrent de bereidheid van de WTP van Nederlandse huishoudens. Naast deze variabelen denken wij dat het maandelijkse stroomverbruik bepalend is voor de respons, de bereidheid meer te betalen is naar verwachting relatief: de bereidheid een bepaald bedrag te betalen is waarschijnlijk afhankelijk van welk aandeel dit bedrag heeft in de totale maandelijkse elektriciteits-lasten. Deze en de hierboven opgesomde variabelen zullen in het volgende hoofdstuk nader worden verklaard. Omdat de opgesomde variabelen bekend zijn behoeven deze niet met vragen te worden achterhaald. Er is derhalve alleen een extra vraag gesteld omtrent de stroomafname. De vragen zoals gebruikt in het onderzoek staan in bijlage twee. 5.7 – Pretest en implementatie onderzoek De vragenlijsten hebben we allereerst laten versturen naar 130 panelleden. Hiervan hebben 111 panelleden gerespondeerd. In de pretest zijn twee verschillende versies verstuurd, de twee scenario’s met voorafgaand informatie over bio-energie. We hebben slechts één stroomvorm gebruikt om respondenten te ‘sparen’ voor het daadwerkelijk onderzoek maar toch voldoende respons te verzamelen om zinnige uitspraken te kunnen doen. De keuze voor bio-energie was willekeurig. Het doel van deze pretest was tweeledig: ten eerste de helderheid en duidelijkheid van de vragenlijsten te achterhalen; en ten tweede ter bepaling van de geboden waarden zoals vermeld in tabel 5.1. Het eerste doel is bereikt middels de laatste twee vragen in de vragenlijst die betrekking hebben op de helderheid en duidelijkheid (zie bijlage 2). Van de 111 respondenten vonden slechts 5 mensen de informatie niet duidelijk en helder genoeg om de

- 34 -

_________________________________________________________WTP Groene Stroom_____ vragen te kunnen beantwoorden. De enkele opmerkingen gaven eveneens geen aanleiding aan te nemen dat men de vragen niet had begrepen. In onderstaande tabel staan de waarden die gebruikt zijn bij de pretest. Tabel 5.2: Testwaarden in CV-vragen Lager Bod

Initiele Bod

Hoger Bod

1 3 5 7 9 12 15

2 4 6 8 10 15 20

3 5 7 9 11 18 25

Uit de respons van de pretest lijkt er, afgezien van één respons, een duidelijke bovengrens te zijn: respondenten zijn schijnbaar niet bereid meer dan 25 Euro te betalen in het publieke scenario en niet meer dan 20 Euro in het vrijwillige scenario. Omdat deze waarden in de hoogste reeks zitten (onderste rij) hebben we de waarden afgezien één verandering gelijk gelaten. Alleen de reeks [9 – 10 – 11] is veranderd door [10 – 11 – 12] omdat de pretestrespons enkele tekenen van ‘framing’ rond de waarde 10 vertoonde: mensen ‘framen’ zich op de waarde 10 omdat het een ‘mooie’ waarde is. Behalve deze verandering is er na de pretest niets veranderd aan de vragenlijsten. De data analyse methode van de DBDC respons is relatief complex maar relevant voor het begrijpen van de uiteindelijk resultaten en daarom zal het volgende hoofdstuk hier volledig aan besteed worden.

- 35 -

_________________________________________________________WTP Groene Stroom_____

Hoofdstuk 6 – Data analyse methode (logit model) De meest gebruikelijke manier om ‘dichotomous choice’ data te analyseren is middels een logit model (Buckland et al, 1999). In dit hoofdstuk volgt een uiteenzetting van dit model. Het logit model past een logit analyse of logistische regressie toe (beide namen worden voor dezelfde methode gebruikt) en is toepasbaar wanneer de afhankelijke variabele, de uitkomst, een discrete variabele is. Het logit model gaat uit van de theorie van causale relaties: onafhankelijke variabelen zijn de verklarende variabelen voor de afhankelijke variabele. Het logit model gaat er vanuit dat de uitkomst het resultaat is van nutsmaximalisatie in situaties van discrete keuzes. Dit betekent dat het logit model een schatting maakt op basis van discrete keuzes van individuen en dat zij deze keuze hebben gemaakt omdat zij hier het meeste nut van ontlenen. Hierbij wordt de nutsfunctie voor het individu zelf als bekend verondersteld maar is deze niet volledig observeerbaar voor de analist. De niet observeerbare componenten worden als kansvariabelen beschouwt. Deze onbekende variabelen kunnen demografische factoren zijn maar ook bijvoorbeeld de beschikbaarheid van substituten en complementen. Het logit model in dit onderzoek wordt gebruikt om, aan de hand van microdata, de kans op een bepaalde binaire keuze te bepalen. Een binaire keuze bestaat uit twee alternatieven: voor of tegen; grijze of groene stroom. Deze keuze wordt in het model aangeduid met 1 voor de ene keuze en 0 voor de andere. Het model is dusdanig ontwikkeld dat de uitkomsten niet buiten interval [0 - 1] vallen. Het logit model is analytisch makkelijker te analyseren dan bijvoorbeeld het probit model. Het probit model is eveneens een discreet keuze model maar de kansvariabelen zijn verdeeld volgens een andere verdeling van de kansdichtheid. De kansdichtheidsverdeling geeft de dichtheid op een bepaalde kans weer, dit zal later in het model worden verduidelijkt. Bij het probit model is deze verdeeld volgens een standaard normale kansverdeling en bij het logit model volgens een logistische kansverdeling. Deze laatste is exponentieel en resulteert in een cumulatieve verdelingsfunctie van een gesloten vorm die hierdoor direct te berekenen is en geen numerieke benadering behoeft. De cumulatieve verdelingsfunctie zal eveneens later worden verduidelijkt. De resultaten geschat door zowel het probit als logit model verschillen minimaal en we gaan hier verder niet in op de technische verschillen tussen beide modellen. De keuze voor het logit model is omdat dit het meest gebruikelijk is in CV-onderzoeken en vergelijking met eventuele andere onderzoeken makkelijker is. 6.1 – Het model11 We beginnen het model met de bepaling van een gesimplificeerde individuele nutsfunctie. Stel dat een individu meer nut ontleent aan het verbruik van groene stroom dan aan het verbruik van grijze stroom. Naast het verbruik van stroom ontleent een individu nut aan inkomen. We geven het nut van een individu als volgt weer: u(g,y;s) In deze functie staat g voor de stroomsoort, y voor het inkomen en s voor alle andere observeerbare variabelen die de preferenties van een individu kunnen beïnvloeden zoals bijvoorbeeld leeftijd, geslacht en opleiding. De variabele g kan twee waarden aannemen: g = 1 staat voor het verbruik van groene stroom en g = 0 staat voor het verbruik van grijze stroom. Een individu dat groene stroom verbruikt heeft nut u1 (u1 ≡ u ( 1 , y ; s )) en een 11

Dit model is gebaseerd op artikelen van Hanemann (et al.) (1984), (1989), en (1991). - 36 -

_________________________________________________________WTP Groene Stroom_____ individu dat grijze stroom verbruikt u0 ( u0 ≡ u ( 0 , y ; s )). Voor de analist zijn u0 en u1 willekeurige variabelen met een bepaalde kansverdeling en een gemiddelde v ( g , y ; s ) dat afhankelijk is van observeerbare variabelen. De nutsfuncties zijn dus slechts tot op zekere hoogte waarneembaar en voor het overige met onzekerheid omgeven: u ( g , y ; s ) = v ( g , y ; s ) + εg

met g = 1, 0

In deze vergelijking komt deze onzekerheid tot uiting in de laatste term, εg geeft namelijk de niet observeerbare variabelen weer: ε1 en ε0 zijn kansvariabelen met een gemiddelde van nul. Gegeven deze vergelijking kan worden geformuleerd wanneer een individu bereid is een bepaald bedrag ( A ) te betalen voor het verbruik van groene stroom: v ( 1 , y - A ; s ) + ε1 > v ( 0 , y ; s ) + ε0 Alleen wanneer aan bovenstaande conditie wordt voldaan zal een individu groene stroom verbruiken. Dus wanneer het nut door verbruik groene stroom minus nut verbruik grijze stroom groter is dan afname nut door betaling van A. Hierbij moet wel vermeld worden dat het bedrag dat mensen bereid zijn te betalen geen eenmalige betaling is die voor een permanente verandering zorgt maar dat het bedrag A maandelijks betaald dient te worden. Deze opmerking heeft geen verdere consequenties voor het model. Vanuit bovenstaande conditie kan de individuele responskans worden geformuleerd, in dit geval de kans op een van de twee mogelijke uitkomsten: P1 ≡ Pr {Individu is WTP} = Pr ( v ( 1 , y - A ; s ) + ε1 > v ( 0 , y ; s ) + ε0 )

en

P0 ≡ Pr {Individu is niet WTP} = 1 - P1 We nemen aan dat ε1 en ε0 onafhankelijk van elkaar zijn en gelijk verdeeld: de kansvariabelen η ≡ ε1 - ε0 en ή ≡ ε0 - ε1 hebben dezelfde verdeling met gemiddelde nul, ze zijn dus symmetrisch. F η ( · ) is de cumulatieve verdelingsfunctie van η. De responskans is afhankelijk van het verschil in v (de observeerbare variabelen) en het verschil tussen ε1 en ε0 (de niet observeerbare variabelen): P1 = F η ( ∆v )

met ∆v = v ( 1 , y - A ; s ) - v ( 0 , y ; s )

In het logit model zijn deze kansvariabelen (η) verdeeld volgens een logistische kansverdeling, dit resulteert in de volgende kansdichtheidsverdeling: fη (∆v) = e - ∆v / ( 1 + e - ∆v )2 Figuur 6.1: Kansdichtheidsverdeling (η) verdeeld volgens logistische kansverdeling 0,5

0

∆v

- 37 -

_________________________________________________________WTP Groene Stroom_____ De bijbehorende cumulatieve verdelingsfunctie is hierdoor van een gesloten vorm: Fη ( ∆v ) = ( 1 + exp

- ∆v

) -1

Figuur 6.2: Cumulatieve verdelingsfunctie P1 1,0

0,5

∆v

De cumulatieve verdelingsfunctie geeft weer wat de kans op uitkomst g = 1 is termen van v. Om deze cumulatieve verdelingsfunctie te kunnen bereken zal v ( g , y ; s ) in een functionele vorm moeten worden geschreven, dit doen we met: v ( g , y ; s ) = αg + βy

met β > 0

In deze functie zijn α0 , α1 en β functies van s maar is de term s zelf voor de eenvoud weggelaten: ∆v = v ( 1 , y - A ; s ) - v ( 0 , y ; s ) = (α1 + β(y – A)) – (α0 + βy) = ( α1 – α0 ) – βA En dus P1 = F η ( ∆v ) = ( 1 + e P1 = ( 1 + e

- ( α – βA )

- (( α1 – α0 ) – βA)

) –1

en met α1 – α0 = α

) –1

Deze functie heet de logit functie en geeft de kans op uitkomst g = 1 gegeven een bepaalde waarde van A (Pr [g=1│A]). Deze functie is de cumulatieve verdelingsfunctie en ziet er dus hetzelfde uit als figuur 6.2 maar wordt nu de logit curve genoemd. Met behulp van de logit functie kunnen welfare analyses gedaan worden. Het doel van het CV onderzoek is immers te achterhalen wat het maximale bedrag is dat mensen bereid zijn te betalen voor een bepaald item, we berekenen het compensatie surplus. In het onderzoek kunnen individuen aangeven of ze bereid zijn een bepaald bedrag A te betalen voor de afname van groene stroom of niet. Deze waarde geeft de WTP maar is niet hetzelfde als de maximale WTP. De maximale WTP is als een onbekende variabele voor de onderzoeker en noteren we met E. Deze waarde kan in principe zowel positief als negatief zijn, we veronderstellen E echter als positief. Voor een individu met inkomen y en de kenmerken s zoeken we naar de waarde van E die voldoet aan de conditie: u ( 1 , y - E ; s )= u ( 0 , y ; s )

en dus geldt ook

v ( 1 , y - E ; s ) + ε1 = v ( 0 , y ; s ) + ε0 Wanneer aan deze conditie is voldaan dan geldt namelijk dat de waarde E gelijk is aan het nut dat het verbruik van groene stroom in plaats van grijze stroom oplevert: de waarde E is gelijk aan de maximale WTP voor dit verschil. E kan bepaald worden door bovenstaande conditie in functionele vorm te schrijven en vervolgens te herschrijven naar E: - 38 -

_________________________________________________________WTP Groene Stroom_____ α1 + β ( y - E ) + ε1 = α0 + βy + ε0




E = ( α1 - α0 ) / β + (ε1 - ε0) / β




E= α/β + η/β Een methode voor het verkrijgen van een concrete maatstaf is het gemiddelde van de logit curve te bepalen. De gemiddelde waarde van E is wanneer η gemiddeld is. Het verwachte gemiddelde van η is nul zodat de gemiddelde waarde voor E, deze noemen we E+, gelijk is aan: E+ = α / β Een andere manier is de mediaan van E te bepalen, deze noemen we E*. De mediaan is in dit geval het bedrag waarbij een individu indifferent is wat betreft de twee alternatieven: de kans dat een individu groene stroom kiest is 50%, dit is als volgt te formuleren: Pr ( u ( 1 , y – E* ; s ) ≥ u ( 0 , y ; s )) = 0,5

en dus geldt ook

Pr ( v ( 1 , y - E* ; s ) + ε1 ≥ v ( 0 , y ; s ) + ε0 ) = 0,5 Pr ( ∆v (E* ) ≥ η ) = F η (∆v (E* )) = 0,5

F η ( 0 ) = 0,5 dus

∆v (E* ) = 0

dus geldt wederom

v ( 1 , y - E* ; s ) + ε1 = v ( 0 , y ; s ) + ε0 E* = α / β In het beschreven model waarbij ∆v = α – βA zijn E* en E+ dus gelijk, het maakt dus niet uit op welke manier de waarde berekend wordt. Om deze waarde te interpreteren beschouwen we een alternatieve verklaring van de responskans. E wordt beschouwd als een kansvariabele (dus onbekend) en is afhankelijk van η, met cumulatieve verdelingsfunctie GE ( · ). A is afhankelijk van E omdat A alleen dan geaccepteerd zal worden wanneer deze lager is dan E. Des te hoger de waarde van E is, des te groter de kans is dat A onder deze waarde ligt: Pr { Individu is WTP A ( g = 1 )} ⇔ Pr { A ≤ maximale WTP } Pr { Individu is niet WTP A ( g = 0 )} ⇔ Pr { A > maximale WTP }

en omdat

Pr {Individu is WTP}≡ P1




P1 = Pr { E ≥ A } = 1 - GE ( A )

en met

P1 = F η ( ∆v )

volgt

P1 = F η ( ∆v (A)) = 1 - GE ( A )

- 39 -

_________________________________________________________WTP Groene Stroom_____ Dit betekent dat het bepalen van de logit curve geïnterpreteerd kan worden als het schatten van de parameters van de cumulatieve verdelingsfunctie GE ( · ). Figuur 6.3: Logit curve en gemiddelde maximale WTP P1 1,0

0,5

∆v

α/β

De gemiddelde waarde en de mediaan van E liggen daar waar E gelijk is aan α / β. Bij deze waarde is η gelijk aan nul en is het individu indifferent tussen grijze of groene stroom. 6.2 – Model uitbreiding: ‘Double Bounded Dichotomous Choice’ model In het onderzoek wordt gebruik gemaakt van de ‘double bounded dichotomous choice’ methode (DBDC): na de eerste vraag naar de WTP van waarde A volgt, afhankelijk van het antwoord, een lagere of hogere waarde van A. Deze methode leidt tot betrouwbaardere resultaten (Hanemann et.al., 1991). In deze uitgebreide versie van het model staat A voor het initiële bod, Au is het tweede bod wanneer het eerste bod is geaccepteerd en Ad is het tweede bod wanneer het eerste bod is afgewezen: Ad < A < Au. Vier verschillende uitkomsten zijn nu mogelijk: twee keer een acceptatie van het bod ( 11 ), een acceptatie en afwijzing ( 10 ), een afwijzing en acceptatie ( 01 ) en twee maal een afwijzing ( 00 ): P11 = Pr { A < Au ≤ E } = 1 - GE ( Au ) P10 = Pr { A ≤ E ≤ Au } = GE ( Au ) - GE ( A ) P01 = Pr { A ≥ E ≥ Ad } = GE ( A ) - GE ( Ad ) P00 = Pr { A > Ad > E } = GE ( Ad ) Deze vier vergelijkingen resulteren in eenzelfde vorm van de logit functie en curve als eerder is beschreven. Deze curve wordt nu echter op een nauwkeurigere wijze verkregen, omdat de kans afhankelijk van meerdere binaire keuzes wordt bepaald. In principe zouden de logit functies verkregen door het SBDC en DBDC model gelijk moeten zijn. Deze gelijkheid kan echter pas bereikt worden wanneer de dataset oneindig groot is. Aangezien dit niet het geval is zal de ‘double bounded dichotomous choice’ tot betere resultaten leiden omdat de locatie van de maximale WTP nauwkeuriger kan worden bepaald. De verwachte waarde van E van het uitgebreide model kan middels dezelfde methoden als hiervoor beschreven worden bepaald.

- 40 -

_________________________________________________________WTP Groene Stroom_____ 6.3 – Schatting van de parameters in het model De parameters in binaire kansmodellen kunnen het beste worden geschat met behulp van de ‘maximum likelihood estimation’ methode. Het gebruik van een ‘ordinary least squares’ (OLS) regressie is eveneens mogelijk maar minder geschikt vanwege twee redenen (Cummings et al., 1986). Allereerst is de error term in de OLS schatting heteroskedastisch: de variantie verschilt per observatie. Daarnaast kan de OLS schatting makkelijk leiden tot ‘onzin’ schattingen: uitkomsten die kleiner zijn dan 0 of groter zijn dan 1, deze uitkomsten zijn namelijk niet mogelijk omdat het interval van de kans op een bepaalde keuze [0 , 1] is. De logit functie kan het beste geschat worden met de ‘maximum likelihood estimation’. Deze methode berekent de gezamenlijke kans op een bepaalde uitkomst (0 of 1) gebaseerd op de gehele sample, bijvoorbeeld: P [ j1=1, j2=1, j3=0, j4=1, j5=0, ……, jn = 1,0 ] Met behulp van statistische software kan de ‘maximum likelihood estimation’ gebruikt worden om de logit functie te bepalen. We zullen in dit onderzoek gebruik maken van het programma Eviews. Eviews heeft een voorgeprogrammeerde functie waarmee een logit model geschat kan worden. Deze functie is echter alleen toepasselijk voor het SBDC model. De schatting van het DBDC model behoeft een zelf geprogrammeerde functie. In dit onderzoek wordt naast de schatting van wat een Nederlandse huishoudens gemiddeld bereid zijn te betalen (zie centrale vraag, hoofdstuk 1) ook gekeken of deze bereidheid verschillend is voor huishoudens met verschillende kernmerken. Kenmerken waarvan we verwachten dat ze de binaire keuze zullen beïnvloeden en die observeerbaar zijn, de zogenaamde achtergrondvariabelen. 6.4 – Achtergrondvariabelen Hieronder staan de observeerbare variabelen opgesomd waarvan we verwachten dat ze de binaire keuzes zullen beïnvloeden met daarachter een korte verklaring. - Inkomen: of mensen het prijsverschil ( A ) kunnen betalen is naar verwachting afhankelijk van het inkomen. - Elektriciteitsverbruik: de bereidheid om het prijsverschil te betalen is naar verwachting afhankelijk van de maandelijkse elektriciteitslasten, welke door het elektriciteitsverbruik worden bepaald. Het relatieve verschil speelt naar verwachting een bepalende factor. - Leeftijd: het is misschien zo dat oudere mensen minder bezorgd zijn over de toekomst van het klimaat dan jongere mensen vanwege twee redenen. Enerzijds omdat ze minder lang te leven hebben dan jongere mensen en anderzijds omdat ze misschien minder bewust zijn van klimaatveranderingen omdat dit een relatief recent probleem is en zij hieromtrent geen onderwijs hebben gehad. - Opleidingsniveau: hoger opgeleiden zijn wellicht bezorgder over het milieu dan minder opgeleide mensen, omdat zij de maatschappelijke gevolgen van een klimaatverandering eerder zullen begrijpen.

- 41 -

_________________________________________________________WTP Groene Stroom_____ - Kinderen: huishoudens met kinderen zullen misschien bezorgder zijn over de toekomst van het klimaat omdat zij het nageslacht ook een schoon milieu gunnen. Daarnaast hebben kinderen misschien een bepaalde invloed op ouders vanwege het onderwijs dat zij genieten, waarbij ze wellicht les hebben gehad over het broeikaseffect. - Stedelijkheidsgraad: deze factor kan van invloed zijn vanwege twee redenen. Cijfers van het CBS (CBS Statline 2005) tonen grofweg dat milieubezorgdheid toeneemt naarmate de stedelijkheidsgraad toeneemt. Hierdoor kunnen we verwachten dat mensen in meer stedelijke gebieden eerder geneigd zijn groene stroom te verbruiken. Daarnaast is het wellicht zo dat mensen in minder stedelijke gebieden bang zijn dat de productie van groene stroom ten koste gaat van de nabij hen gelegen ruimte omdat daar de mogelijkheden bestaan om windmolens te plaatsen of biomassa te kweken. Aan de ander kant is het denkbaar dat de sociale controle in minder stedelijke gebieden groter is en hierdoor minder free-ride gedrag zal voorkomen. De analyse zal moeten uitwijzen of bovengenoemde observeerbare variabelen daadwerkelijk van invloed zijn op de repons. Alvorens de resultaten van de statistische analyse te beschrijven wordt in het volgende hoofdstuk een beschrijving van de respons gegeven.

- 42 -

_________________________________________________________WTP Groene Stroom_____

Hoofdstuk 7 – Beschrijving respons Alvorens de resultaten van de statistische analyse te beschrijven geven we in dit hoofdstuk een eerste beschrijving van de resultaten. Het gaat hierbij om de responsaantallen, de ervaren helderheid en duidelijkheid, de opmerkingen en suggesties, de hulpvragen en een eerste indruk van de respons op de verschillende waarden. In totaal hebben 1253 van de 1870 benaderde panelleden (2000-130 van de pretest=1870) gerespondeerd, dit is ongeveer 67% van het totaal. Het aantal respondenten per versie is hierdoor niet gelijk. De responsaantallen staan in onderstaande tabel. Tabel 7.1: Responsaantallen Versie

Aantal Respondenten

- Bio-energie Publiek - Bio-energie Vrijwillig - Windenergie Publiek - Windenergie Vrijwillig - Zonne-energie Publiek - Zonne-energie Vrijwillig

232 212 201 199 200 202

Van de 1253 respondenten heeft ‘slechts’ iets meer dan 5% (65 respondenten) negatief geantwoord op de vraag “Was de beschreven informatie duidelijk en helder genoeg voor u om voorgaande vragen te kunnen beantwoorden?”. Hieruit concluderen we dat de kwaliteit en kwantiteit van de informatie (de informatiecomponent en het scenario) dusdanig is geweest dat het grootste deel van de mensen de vragen goed heeft begrepen. Dit blijkt tevens uit de opmerkingen en suggesties van de respondenten. Meerdere malen werd vermeld dat mensen wel bereid zijn iets te betalen maar niet de bedragen die ze werden voorgelegd. In totaal hebben 185 mensen een opmerking of suggestie gegeven. Uit deze opmerkingen en suggesties zijn enkele kenmerken te herkennen. Ten eerste hebben sommige mensen argwaan jegens elektriciteitsleveranciers en/of groene stroom, ‘ze vertrouwen het gewoonweg niet’. Vervolgens is er een groep mensen die andere alternatieven voor elektriciteitsopwekking voorstelt dan degene die aan hen zijn voorgelegd, hierbij wordt vaak naar kernenergie verwezen. Een ander deel van de opmerkingen en suggesties gaat over subsidie en de scenario’s, zij stellen zelf een ander (subsidie)systeem voor of geven af op de overheid. En tot slot is er een groep die de informatie niet gelooft en met andere informatie over CO2 emissie en het broeikaseffect komt. Naast deze vier kenmerkende opmerkingen zijn er ook nog de mensen die graag informatie willen geven over hun eigen situatie of mening. Met deze opmerkingen en suggesties is geen rekening gehouden bij de analyse van de resultaten, er blijkt geen significant verband tussen de respons en het feit of iemand opmerkingen en/of suggesties heeft. We verwachten echter wel dat de respondenten met opmerkingen eerder negatief zullen responderen op bepaalde waarden vanwege deze opmerkingen (kritiek) maar denken daarbij dat dit gewoon hun daadwerkelijke waarde reflecteert. Om een eerste indruk te geven van de resultaten staan in de tabel op de volgende pagina de percentages van de respons op het eerste bod.

- 43 -

_________________________________________________________WTP Groene Stroom_____ Tabel 7.2: Respons eerste bod in percentages € 2,00

€ 4,00

€ 6,00

€ 8,00

€ 11,00

€ 15,00

€ 20,00

- Ja - Nee - Ja - Nee

80,56% 19,44% 65,22% 34,78%

64,00% 36,00% 60,47% 39,53%

64,86% 35,14% 39,39% 60,61%

61,76% 38,24% 45,83% 54,17%

51,72% 48,28% 26,67% 73,33%

41,67% 58,33% 24,14% 75,86%

28,57% 71,43% 16,67% 83,33%

- Ja - Nee - Ja - Nee

67,86% 32,14% 60,87% 39,13%

61,54% 38,46% 59,26% 40,74%

61,76% 38,24% 40,00% 60,00%

48,28% 51,72% 46,15% 53,85%

52,00% 48,00% 24,24% 75,76%

50,00% 50,00% 41,94% 58,06%

40,74% 59,26% 11,76% 88,24%

- Ja - Nee Zonne-energie Vrijwillig - Ja - Nee

72,22% 27,78% 72,73% 27,27%

66,67% 33,33% 59,38% 40,63%

55,17% 44,83% 57,69% 42,31%

56,00% 44,00% 55,56% 44,44%

50,00% 50,00% 42,31% 57,69%

41,94% 58,06% 55,56% 44,44%

26,09% 73,91% 29,03% 70,97%

Bio-energie Publiek Bio-energie Vrijwillig Windenergie Publiek Windenergie Vrijwillig Zonne-energie Publiek

Duidelijk is dat, zoals men mag verwachten, de percentages ‘ja’-respons afnemen naarmate de waarden hoger worden. Tevens is af te lezen dat de percentages ‘ja’-respons bij de versies bio-energie en windenergie hoger zijn voor de publieke scenario’s, dit voldoet eveneens aan de verwachtingen (economisch principe). Dit laatste is echter niet het geval bij zonne-energie maar ook dit is te beredeneren: omdat zonnepanelen op het eigen dak kunnen worden geplaatst en op het eigen net aangesloten kunnen worden (deze informatie is in de informatiecomponent opgenomen) is de bereidheid vrijwillig te betalen wellicht groter dan bij de andere opties. De percentages respons op zowel het eerste als tweede bod is opgenomen in bijlage drie. Wat hieruit valt op te merken is een lichte trend van ‘ja ja’ en ‘nee nee’: mensen die bij de initiële waarde ‘ja’ responderen doen dit veelal ook bij het tweede bod en bij ‘nee’ idem. Een ander punt dat valt op te merken uit de tabel is dat de percentages bij de hoogste waarde (20 Euro) bij lange na niet nul zijn: we hebben dus geen bovengrens weten te bereiken. Hieruit kunnen we opmaken dat of sommige mensen bereid zijn nog meer dan 25 Euro te betalen (zie bijlage 3) of dat er sprake is van overwaardering. Hier komen we later op terug. Tot slot nog een percentage over de vraag naar het stroomverbruik in kWh. Slechts 59% (740 respondenten) heeft hier een antwoord op gegeven, de rest heeft gebruik gemaakt van de keuzeoptie ‘ik weet het niet’. De resultaten van de statistische analyse zullen moeten uitwijzen of met dit aantal een verband gelegd kan worden.

- 44 -

_________________________________________________________WTP Groene Stroom_____

Hoofdstuk 8 – Resultaten statistische analyse In het eerste deel van dit hoofdstuk zullen we de resultaten van het enkelvoudige model beschrijven, het SBDC model (alleen het eerste bod wordt meegenomen in de analyse). In het tweede deel worden zowel het eerste als tweede bod meegenomen, het DBDC model, en tevens een vergelijking tussen beide modellen gemaakt. In dit tweede deel worden ook verschillende variabelen aan het model toegevoegd. Een overzicht van de variabelen staat in bijlage vier. Alvorens de statistische analyses zijn uitgevoerd, zijn de data gecontroleerd op extreme waarnemingen, de zogenaamde outliers, die de resultaten negatief kunnen beïnvloeden. Hierbij zijn slechts enkele data van zeer hoge inkomens verwijderd omdat deze de uitkomsten sterk beïnvloedden: een respondent die 130.000 Euro per maand verdient en niet bereid is groene stroom af te nemen is zeer goed mogelijk maar heeft een te grote invloed op de schatting om als ‘normaal’ te beschouwen. 8.1 – Resultaten ‘Single Bounded Dichotomous Choice’ model De data van het SBDC model bestaan in principe uit één respons per huishouden: ieder huishouden respondeert alleen op het initiële bod. We kunnen echter tevens het tweede bod als eerste bod beschouwen en drie aparte logit functies schatten. Wanneer een respondent het initiële bod afwijst dan weet je namelijk dat diegene ieder hoger bod ook had afgewezen en wanneer een respondent het initiële bod accepteert dan weet je dat diegene ieder lager bod ook had geaccepteerd. Dusdanig redenerend kun je per waardereeks (zie tabel 5.1) volledige respons (alle 0‘en en 1’en) invullen en het tweede bod als initiële bod beschouwen, een voorbeeld hiervan staat in de tabel. Tabel 8.1: Verdriedubbeling SBDC Lager Bod Initiele Bod Hoger Bod

1 0

1 1 0 0

Lager Bod Initiele Bod Hoger Bod

1 0

1 1 1 0

1 1 0 0

1 0 0 0

Per versie kunnen dus drie logit functies geschat worden, dit zijn algemene responskansen: de kans op een bepaalde respons zonder rekening te houden met achtergrondkenmerken, deze kans geldt dus voor elk huishouden. Bij deze schatting wordt alleen het bod zelf in acht genomen en wordt (α - β A) van vergelijking P1 = ( 1 + e - ( α – βA ) ) – 1 geschat. Deze schattingen zijn per versie in aparte tabellen opgenomen, achter de bètacoëfficiënten staan de p-waarden. Deze zijn vetgedrukt wanneer ze kleiner dan 0,05 zijn, oftewel wanneer ze significant zijn met een betrouwbaarheidsniveau van 95%. Herinner dat E* de gemiddelde maximale WTP is, deze waarden staan eveneens in de tabel weergegeven. Omdat drie verschillende waarden van E* per versie worden geschat is eveneens E*mean in de tabel opgenomen, dit is het gemiddelde van de drie schattingen van E*. Na iedere tabel volgt een figuur met de curven van de betreffende logit functie, de logit curven. Deze logit curven verduidelijken de tabel en maken het makkelijker de resultaten visueel te interpreteren. De Eviews output van de geschatte logit functies staan in bijlage vijf.

- 45 -

_________________________________________________________WTP Groene Stroom_____ Tabel 8.2: Logit functies SBDC model bio_publiek Bio-energie Publiek (α-βA)=

Coefficient

C - β * BIDINITIAL C - β * BIDHIGH C - β * BIDLOW

C

β

p-waarde

E*

E *mean

1,360 0,632 1,304

0,115 0,075 0,121

0,0000 0,0002 0,0001

11,84 8,42 10,77

10,34

Figuur 8.1: Logit curven SBDC model bio_publiek 0,9

bio_publiek

0,8

P1(initial)

0,7

P1(high)

0,6

P1(low )

0,5 0,4 0,3 0,2 0,1 0 0,1

4,6

9,1

13,6

18,1

22,6

27,1

31,6

36,1

40,6

45,1

49,6

Tabel 8.3: Logit functies SBDC model bio_vrijwillig Bio-energie Vrijwillig (α-βA)=

Coefficient

C - β * BIDINITIAL C - β * BIDHIGH C - β * BIDLOW

C

β

p-waarde

E*

E *mean

0,731 0,723 0,691

0,129 0,128 0,147

0,0000 0,0000 0,0000

5,65 5,68 4,69

5,34

Figuur 8.2: Logit curven SBDC model bio_vrijwillig 0,8

bio_vrijw illig

0,7

P1(initial)

0,6

P1(high)

0,5

P1(low )

0,4 0,3 0,2 0,1 0 0,1

4,6

9,1

13,6

18,1

22,6

27,1

31,6

36,1

40,6

45,1

49,6

Tabel 8.4: Logit functies SBDC model wind_publiek Windenergie Publiek (α-βA)= C - β * BIDINITIAL C - β * BIDHIGH C - β * BIDLOW

Coefficient

C

β

p-waarde

E*

E *mean

0,708 0,352 0,828

0,277 0,065 0,078

0,0267 0,0041 0,0136

12,94 5,45 10,57

9,65

- 46 -

_________________________________________________________WTP Groene Stroom_____ Figuur 8.3: Logit curven SBDC model wind_publiek 0,8

w ind_publiek

0,7

P1(initial)

0,6

P1(high)

0,5

P1(low )

0,4 0,3 0,2 0,1 0 0,1

4,6

9,1

13,6

18,1

22,6

27,1

31,6

36,1

40,6

45,1

49,6

Tabel 8.5: Logit functies SBDC model wind_vrijwillig Windenergie Vrijwillig (α-βA)= C - β * BIDINITIAL C - β * BIDHIGH C - β * BIDLOW

C

β

p-waarde

E*

E *mean

0,603 0,216 0,680

0,11 0,083 0,143

0,0001 0,0007 0.0000

5,47 2,60 4,76

4,28

Figuur 8.4: Logit curven SBDC model wind_vrijwillig 0,7

w ind_vrijw illig

0,6

P1(initial)

0,5

P1(high)

0,4

P1(low )

0,3 0,2 0,1 0 0,1

4,6

9,1

13,6

18,1

22,6

27,1

31,6

36,1

40,6

45,1

49,6

Tabel 8.6: Logit functies SBDC model zon_publiek Zonne-energie Publiek (α-βA)= C - β * BIDINITIAL C - β * BIDHIGH C - β * BIDLOW

Coefficient

C

β

p-waarde

E*

E *mean

1,026 0,523 1,222

0,096 0,076 0,138

0,0006 0,0019 0,0002

10,52 6,87 8,87

8,75

Figuur 8.5: Logit curven SBDC model zon_publiek 0,9

zon_publiek

0,8

P1(initial

0,7

P1(high)

0,6

P1(low )

0,5 0,4 0,3 0,2 0,1 0 0,1

4,6

9,1

13,6

18,1

22,6

27,1

- 47 -

31,6

36,1

40,6

45,1

49,6

_________________________________________________________WTP Groene Stroom_____ Tabel 8.7: Logit functies SBDC model zon_vrijwillig Zonne-energie Vrijwillig (α-βA)=

Coefficient

C - β * BIDINITIAL C - β * BIDHIGH C - β * BIDLOW

C

β

p-waarde

E*

E *mean

0,879 0,348 1,020

0,079 0,054 0,112

0,0013 0,0094 0,0004

11,08 6,48 9,10

8,89

Figuur 8.6: Logit curven SBDC model zon_vrijwillig 0,8

zon_vrijw illig

0,7

P1(initial)

0,6

P1(high)

0,5

P1(low )

0,4 0,3 0,2 0,1 0 0,1

4,6

9,1

13,6

18,1

22,6

27,1

31,6

36,1

40,6

45,1

49,6

De bètacoëfficiënten in de tabellen verschillen significant van nul: de relatie tussen de respons en het bod is dus significant negatief voor alle SBDC modellen van elke versie. De likelihood ratio’s (LR-Stat, zie bijlage 5) van alle modellen geven ook weer dat de bètacoëfficiënten significant verschillen van nul (p-waarde LR-Statistic < 0,05). Bovenstaande figuren vertonen logit curven die van elkaar verschillen maar desondanks een redelijk gelijk verloop hebben. De verschillen tussen de logit functies per versie zijn naar verwachting ook niet groot omdat de constante termen en bèta’s overlappende betrouwbaarheidsintervallen hebben. Dit is geen toets maar geeft wel een indicatie dat de functies niet veel verschillen ten opzichte van elkaar. Het is wel opvallend dat E* geschat op basis van het tweede bod (BIDHIGH en BIDLOW) altijd lager is, hier is echter geen verklaring voor. Omdat de drie logit functies per versie hetzelfde schatten is het beter te kijken naar E*mean, hieronder staan de schattingen van E*mean van de verschillende versies. Tabel 8.8: E*mean SBDC model Versie

E *mean

Versie

Bio-energie Publiek Windenergie Publiek Zonne-energie Publiek

10,34 9,65 8,75

Bio-energie Vrijwillig Windenergie Vrijwillig Zonne-energie Vrijwillig

E *mean 5,34 4,28 8,89

Er is een duidelijk verschil tussen de publieke en vrijwillig versie van bio-energie en windenergie, dit voldoet aan de economische principes (publieke WTP > vrijwillige WTP). Dit verschil doet zich echter niet voor bij zonne-energie maar hier is al een verklaring voor gegeven in het vorige hoofdstuk (eigen beheer zonnepanelen). Daarnaast is het opvallend dat de geschatte waarden voor E*mean van de publieke versies niet veel van elkaar verschillen en dit, afgezien de versie zon_vrijwillig, eveneens geldt voor de vrijwillige versies (bio_vrijwillig en wind_vrijwillig). Een nauwkeurigere schatting van E* moet verkregen worden met het uitgebreidere DBDC model.

- 48 -

_________________________________________________________WTP Groene Stroom_____ 8.2 – Resultaten ‘Double Bounded Dichotomous Choice’ model De schatting van P1 = ( 1 + e - ( α – βA ) ) – 1 in het DBDC model is gebaseerd op zowel het initiële bod als het tweede bod. A is hierbij dus gebaseerd op BIDINITIAL, BIDHIGH en BIDLOW en wordt hier BID genoemd: ( α - β A ) = C - β * BID. De coëfficiënten van de verschillende logit functies in de vorm van deze vergelijking staan in onderstaande tabel. Deze logit functies zijn evenals in de vorige paragraaf de algemene responskans. De output van de statistische analyses staan in bijlage zes. Na de tabel volgen twee figuren met de logit curven van de geschatte logit functies, één voor de publieke versies en één voor de vrijwillige versies. Tabel 8.9: Logit functies DBDC model C

β

p-waarde

0 E*

1,226 0,410 0,995 0,356 1,007 0,836

0,125 0,101 0,113 0,101 0,120 0,098

0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

9,78 4,07 8,81 3,52 8,42 8,54

Coefficient Versie

Bio-energie Publiek Bio-energie Vrijwillig Windenergie Publiek Windenergie Vrijwillig Zonne-energie Publiek Zonne-energie Vrijwillig

Figuur 8.7: Logit curven DBDC model publieke versies 0,9

DBDC publiek

0,8

bio_publiek

0,7

w ind_publiek

0,6

zon_publiek

0,5 0,4 0,3 0,2 0,1 0 0,1

4,6

9,1

13,6

18,1

22,6

27,1

31,6

36,1

40,6

45,1

49,6

Figuur 8.8: Logit curven DBDC model vrijwillige versies 0,8

DBDC vrijw illig

0,7

bio_vrijw illig

0,6

w ind_vrijw illig

0,5

zon_vrijw illig

0,4 0,3 0,2 0,1 0 0,1

4,6

9,1

13,6

18,1

22,6

27,1

31,6

36,1

40,6

45,1

49,6

De tabel laat zien dat alle bètacoëfficiënten significant verschillen van nul. Dezelfde onderlinge verschillen doen zich voor als bij het SBDC model maar de schattingen zelf zijn wel enigszins verschillend. In de volgende tabel staan de verschillende schattingen van E* uiteengezet. In de literatuur is aangetoond dat het DBDC model statistisch efficiënter is dan

- 49 -

_________________________________________________________WTP Groene Stroom_____ het SBDC model (zie hoofdstuk 4.1.10), wij gaan hier dan ook van uit. Ter vergelijking staan in de tabel de z-testwaarden en standaardfouten van de schattingen weergegeven.12 De E* van het SBDC model is de E* geschat op basis van de initiële respons, bij de uitvoering van een enkelvoudig model zou immers alleen deze respons voorhanden zijn. Tabel 8.10: Verschillen schattingen SBDC en DBDC Versie

model

Bio-energie Publiek Bio-energie Vrijwillig Windenergie Publiek Windenergie Vrijwillig Zonne-energie Publiek Zonne-energie Vrijwillig

SBDC DBDC SBDC DBDC SBDC DBDC SBDC DBDC SBDC DBDC SBDC DBDC

E* (initial) z-score C/β stdfout C/β z-score C z-score β 11,84 9,78 5,65 4,07 12,94 8,81 5,47 3,52 10,52 8,42 11,08 8,54

9,18 9,33 4,39 2,52 4,26 7,15 3,28 1,93 6,91 6,95 5,81 5,87

1,29 1,05 1,29 1,63 3,04 1,23 1,67 1,83 1,52 1,21 1,91 1,45

4,90 5,68 2,65 1,87 2,55 4,55 2,01 1,55 3,32 4,12 3,23 3,83

4,71 7,77 4,66 4,84 2,20 6,54 3,91 5,42 3,45 6,14 3,21 6,03

De z-testwaarden van E* (C/β) zijn bij vier DBDC modellen groter dan bij de SBDC modellen, deze zijn vetgedrukt. Afgezien bij wind_publiek zijn deze verschillen echter minimaal en de standaardfouten zijn naar verhouding (ten opzichte van E* ) eveneens ongeveer gelijk. Alleen bij de versies bio_vrijwillig en wind_vrijwillig zijn de z-testwaarden bij het DBDC model lager dan bij het SBDC model. Kijken we naar de afzonderlijke coëfficiënten dan is te zien dat alle z-testwaarden van de bètacoëfficiënten (aanzienlijk) groter zijn voor het DBDC model en twee z-testwaarden van C zijn kleiner bij het DBDC model (wederom bio_vrijwillig en wind_vrijwillig). Op basis van de z-testwaarden kan dus worden aangenomen dat het DBDC model statistisch beter is dan het SBDC model. Daarnaast schat het DBDC model E* op basis van twee ronden en is daarom nauwkeuriger bepaald dan bij het SBDC model (zie hoofdstuk 4.1.10). De E* geschat met het DBDC model is dus een betere schatting voor de gemiddelde WTP van Nederlandse huishoudens dan E* geschat met het SBDC model. 8.2.1 – Resultaten DBDC model met extra variabelen In hoofdstuk 6 is beschreven welke onafhankelijke variabelen (exogene) wellicht van invloed zijn op de respons. In deze paragraaf wordt de invloed van deze variabelen in het DBDC model getoetst. De volgende variabelen zijn aan het model toegevoegd: netto inkomen, netto verzamelinkomen, inkomenscategorie (hoog of laag), opleidingsniveau (hoog of laag), sociale klasse, leeftijd, geslacht, aantal kinderen en stroomverbruik per maand. De term (α - β A) in de logit functie P1 = ( 1 + e - ( α – βA ) ) – 1 wordt hierdoor uitgebreid met een extra coëfficiënt en variabele: -(α-βA) -(α-βA) -(α-βA) -(α-βA)

= C - β1 * BID + β2 * NINC = C - β1 * BID + β2 * NINCHH = C - β1 * BID + β2 * INCHIGH = C - β1 * BID + β2 * INCHIGH2

12

De z-testwaarde van C/β is verkregen door C - β * BID te herschrijven naar C – (C/C/β ) * BID
C – (C/gamma ) * BID waarbij gamma = C/β - 50 -

_________________________________________________________WTP Groene Stroom_____ -(α-βA) -(α-βA) -(α-βA) -(α-βA) -(α-βA) -(α-βA) -(α-βA)

= C - β1 * BID + β2 * EDU5EN6 = C - β1 * BID + β2 * SOCKLASSE = C - β1 * BID + β2 * AGE = C - β1 * BID + β2 * GESLACHT = C - β1 * BID + β2 * KIDS = C - β1 * BID + β2 * KWHPERMND = C - β1 * BID + β2 * STEDELIJKHEID

De resultaten van de coëfficiënten in deze logit functies staan in onderstaande tabellen gepresenteerd. De aandacht gaat hierbij uit naar de significantie van de β2-coëfficiënten. De pwaarden hiervan staan weergegeven in de tabellen en zijn wederom vetgedrukt wanneer deze minder dan 0,05 zijn. Tabel 8.11: Logit functies DBDC model inclusief variabele NINC C

β1

β2

NINC --> p-waarde

0 E*

500 E*

0,466 -0,565 0,635 -0,279 0,726 -0,221

0,135 0,110 0,113 0,102 0,127 0,102

0,00052 0,00064 0,00020 0,00038 0,00018 0,00060

0,0044 0,0023 0,2502 0,0881 0,0095 0,0038

3,45 -5,13 5,61 -2,73 5,70 -2,17

5,36 -2,21 6,48 -0,86 6,39 0,80

Coefficient Versie

Bio-energie Publiek Bio-energie Vrijwillig Windenergie Publiek Windenergie Vrijwillig Zonne-energie Publiek Zonne-energie Vrijwillig

1000 1500 2000 2500 E* E* E* E* 7,27 0,70 7,35 1,02 7,09 3,77

9,18 11,09 13,00 3,62 6,54 9,46 8,23 9,10 9,97 2,89 4,76 6,64 7,78 8,48 9,18 6,75 9,72 12,69

Met een betrouwbaarheidsniveau van 95% heeft de variabele netto inkomen (NINC, het inkomen van het huishoudhoofd13) geen significant effect op de respons bij de versies wind_publiek en wind_vrijwillig. De invloed van het netto inkomen is daarentegen ruim significant bij de andere versies. Met een betrouwbaarheidsniveau van 90% is het effect van het netto inkomen ook significant bij de versie wind_vrijwillig maar nog steeds niet bij de versie wind_publiek. In de volgende tabel is het netto inkomen vervangen door het netto verzamelinkomen (NINCHH, dit is het totale netto inkomen van het huishouden). Tabel 8.12: Logit functies DBDC model inclusief variabele NINCHH Coefficient Versie

Bio-energie Publiek Bio-energie Vrijwillig Windenergie Publiek Windenergie Vrijwillig Zonne-energie Publiek Zonne-energie Vrijwillig

NINCHH --> p-waarde

C

β1

β2

0,612 -0,069 0,670 -0,485 0,611 0,050

0,128 0,106 0,114 0,106 0,126 0,102

0,00031 0,00026 0,00014 0,00038 0,00018 0,00040

0,0237 0,0748 0,2891 0,0098 0,0064 0,0017

0 E*

500 E*

4,77 -0,65 5,90 -4,58 4,85 -0,49

5,96 0,56 6,52 -2,78 5,57 1,47

1000 1500 2000 2500 E* E* E* E* 7,15 1,78 7,15 -0,98 6,30 3,42

8,34 2,99 7,77 0,81 7,03 5,37

9,53 10,73 4,21 5,43 8,40 9,03 2,61 4,41 7,76 8,49 7,33 9,28

Met het netto verzamelinkomen in plaats van het netto inkomen als extra variabele is te zien dat bij sommige versies het effect meer significant is geworden maar bij sommige versies minder. Bij de versie wind_publiek is het effect evenals bij het netto inkomen verre van significant. Dit is tegenstrijdig en voldoet niet aan de verwachtingen. In bijlage zeven staan de correlaties tussen NINC en NINCHH waaruit blijkt dat deze bij de versie bio_vrijwillig en wind_vrijwillig het minst groot zijn (0,76 en 0,75). Dit verklaart waarom de bètacoëfficiënt 13

Het huishoudhoofd is degene op wiens naam het huur- of koopcontract van het huis staat. Als dat contract op meerdere namen staat, is het huishoudhoofd degene die het hoogste inkomen heeft. - 51 -

_________________________________________________________WTP Groene Stroom_____ van NINCHH in bovenstaande tabel bij bio_vrijwillig opeens minder significant is ten opzichte van vorige tabel en bij wind_vrijwillig meer. Tabel 8.13: Logit functies DBDC model inclusief variabele INCHIGH2 Coefficient Versie

Bio-energie Publiek Bio-energie Vrijwillig Windenergie Publiek Windenergie Vrijwillig Zonne-energie Publiek Zonne-energie Vrijwillig

C

β1

0,933 0,138 1,115 -0,058 0,506 0,257

0,126 0,103 0,114 0,101 0,124 0,105

INCHIGH2 --> β2 p-waarde 0,540 0,462 0,186 0,670 0,857 1,036

0,0423 0,1370 0,5435 0,0351 0,0043 0,0010

0 E*

1 E*

7,37 1,34 9,78 -0,58 4,07 2,31

11,64 5,83 8,15 6,04 10,96 9,18

Wederom is er, afgezien wind_publiek en in beperkte mate bio_vrijwillig, een duidelijke invloed op de respons afhankelijk van de inkomenscategorie van de respondent. INCHIGH2 is een dummy die 1 is wanneer het netto verzamelinkomen hoger is dan 1800 Euro. Het is hierom niet verwonderlijk de p-waarden van tabel 8.13 en 8.12 overeenkomsten vertonen omdat NINCHH en INCHIGH2 aan elkaar gerelateerd zijn. De relatie tussen INCHIGH en de respons is daarentegen niet significant (behalve voor bio_publiek). INCHIGH is een dummy die 1 is wanneer het netto verzamelinkomen hoger is dan 1150 Euro. Deze relatie ontbreekt waarschijnlijk omdat slechts 19 respondenten in deze categorie zitten. Tabel 8.14: Logit functies DBDC model inclusief variabele EDU5EN6 Coefficient Versie

Bio-energie Publiek Bio-energie Vrijwillig Windenergie Publiek Windenergie Vrijwillig Zonne-energie Publiek Zonne-energie Vrijwillig

C

β1

1,000 0,389 0,838 0,035 0,551 0,543

0,127 0,100 0,117 0,099 0,131 0,100

EDU5EN6 --> β2 p-waarde 0,624 0,075 0,447 0,697 1,321 0,647

0,0194 0,7969 0,1140 0,0233 0,0000 0,0227

0 E*

1 E*

7,86 3,88 7,14 0,35 4,20 5,42

12,78 4,63 10,96 7,36 14,27 11,88

Je zou verwachten omdat inkomen veelal gecorreleerd is aan opleidingsniveau dezelfde relaties te vinden tussen respons en EDU5EN6 als tussen respons en NINC. De versies waarbij de relatie tussen respons en EDU5EN6 significant zijn, zijn echter niet dezelfde als bij NINC maar wel als bij NINCHH en INCHIGH2 (bio_publiek, wind_vrijwillig, zon_publiek en zon_vrijwillig). Opvallend is dat bij de versie zon_publiek de significantie zeer groot is en bij de versie bio_vrijwillig helemaal geen significantie aanwezig is. Tabel 8.15: Logit functies DBDC model inclusief variabele SOCKLASSE Coefficient Versie

Bio-energie Publiek Bio-energie Vrijwillig Windenergie Publiek Windenergie Vrijwillig Zonne-energie Publiek Zonne-energie Vrijwillig

C

β1

0,909 0,282 0,355 -0,631 -1,215 -0,309

0,125 0,100 0,116 0,102 0,136 0,099

SOCKLASSE --> β2 p-waarde 0,090 0,040 0,184 0,279 0,684 0,312

- 52 -

0,4765 0,7527 0,1613 0,0491 0,0000 0,0227

1 E*

2 E*

3 E*

4 E*

5 E*

8,02 3,22 4,66 -3,47 -3,91 0,05

8,75 3,62 6,25 -0,72 1,13 3,20

9,47 4,02 7,83 2,02 6,16 6,36

10,2 4,42 9,42 4,76 11,2 9,52

10,92 4,81 11,01 7,50 16,24 12,67

_________________________________________________________WTP Groene Stroom_____ De invloed van de variabele SOCKLASSE is alleen significant bij de onderste drie versies in tabel 8.15. Opvallend is dat wederom de significantie bij versie zon_publiek zeer groot is. SOCKLASSE staat voor sociale klasse en bestaat uit vijf categorieën: 1 is laag en 5 is hoog. De andere variabelen (AGE, KIDS, GESLACHT, KWHPERMND en STEDELIJKHEID) hebben afgezien één significante relatie (bij versie wind_publiek) geen enkele invloed op de respons. De conclusie van deze paragraaf is dat de WTP voor groene stroom over het algemeen niet sterk afhankelijk is van andere variabelen dan de geboden waarde (A). Slechts het variabele inkomen is over het algemeen, uitgezonderd bij de versie wind_publiek, van invloed op de respons. Er is geen verklaring voor deze uitzondering. De andere toegevoegde variabelen hebben bij een aantal versies wel invloed op de respons maar deze aantallen zijn onvoldoende om algemene uitspraken te kunnen doen. Slechts wanneer het inkomen van een huishouden bekend is kan, afgezien bij wind_publiek, een nauwkeurigere voorspelling van E* gedaan worden. Hierbij neemt E* toe naarmate het inkomen toeneemt. Bekendheid van andere variabelen (EDU5EN6 en SOCKLASSE) kan slechts voor sommige versies tot nauwkeurigere voorspellingen van E* leiden. Klaarblijkelijk is E* dus vrij robuust. Het CentERpanel van CentERdata is representatief voor de Nederlandse samenleving en wordt up-to-date gehouden aan de hand van bevolkingsstatistieken van het CBS. Het panel is dus bij benadering de beste representatieve steekproef van alle Nederlandse huishoudens en dus is E* een schatting voor de gehele populatie. Alvorens we conclusies verbinden aan de schattingen van E* volgt in het volgende hoofdstuk een terugkoppeling met de beschreven theorie en naar de praktijk.

- 53 -

_________________________________________________________WTP Groene Stroom_____

Hoofdstuk 9 – Interpretatie van de resultaten In het vorige hoofdstuk zijn de schattingen van E* beschreven, de gemiddelde maximale WTP waarden van Nederlandse huishoudens. In dit hoofdstuk wordt allereerst beschreven wat deze schatting van E* inhoudt aldus de theorie uit hoofdstuk drie. Vervolgens wordt beschreven waarom deze schattingen niet de daadwerkelijke WTP van de respondenten hoeft te zijn en tot slot worden de schattingen praktisch belicht. 9.1 – Schatting WTP en waarderingstheorie Met behulp van een figuur gebaseerd op figuur 3.4 (‘Compensating Surplus’) is te zien wat de schatting E* theoretisch inhoud. Na de figuur volgt een verklaring. Figuur 9.1: E* in theorie C2

Uu00 = u ( 0 , y ) uU1= u ( 1 , y ) 1

Y0 YN* Y0 - E 2

1

0

3

E’ E’’ <——–> Verandering in situatie (subjectief)

E

Wanneer mensen groene stroom in plaats van grijze gaan verbruiken stijgt, bij een gelijkblijvend inkomen, hun nut van u0 naar u1 (hogere nutscurve). Deze nutsverandering doet zich voor vanwege een verandering in de situatie (door verbruik groene stroom i.p.v. grijze stroom) die, zoals beschreven in hoofdstuk vijf (paragraaf 5.1), niet concreet is weer te geven en waarbij subjectiviteit een rol speelt. Wat men maximaal bereid is te betalen voor deze nutsverandering is gelijk aan Y0 – ( Y0 - E* ) = E* per maand (het compensatiesurplus, zie hoofdstuk 3.2). 9.2 – Schatting WTP en methodologische issues In hoofdstuk vier is de contingent valuation methode uitvoerig besproken en veel aandacht besteed aan de methodologische issues. Ondanks dat veel van deze issues voorkomen kunnen worden door een adequaat ontwerp is het nagenoeg onmogelijk de grootste issue te voorkomen. Het grootste technische probleem is hypothetische bias, de kans op overschatting is hierdoor groot. Respondenten kunnen bijvoorbeeld sociaal wenselijk hebben gerespondeerd maar of ze zich ook dusdanig zullen gedragen is niet vast te stellen, houding is geen goede voorspeller voor het gedrag. De hypothetische scenario’s zijn (naar wij aannemen) accuraat, levensecht en geloofwaardig zodat respondenten zich deze scenario’s makkelijk hebben kunnen voorstellen. De respondenten zijn tevens gewezen op hun budgettaire beperkingen en de gevolgen van hun - 54 -

_________________________________________________________WTP Groene Stroom_____ respons (‘consequentialism’: op basis van dit antwoord wordt het belastingtarief vastgesteld). Daarnaast is gebruik gemaakt van de, theoretisch meest efficiënte, DBDC methode. Er is weinig reden te denken dat ‘yea saying’ een rol heeft gespeeld: uit de tabel in bijlage drie (percentages respons) blijkt dat de respondenten bij lage waarden vaker ‘ja’ responderen en dat dit afneemt naarmate de geboden waarden hoger worden. ‘Anchoring’ lijkt eveneens niet aan de orde omdat mensen bekend zijn met groene stroom: respondenten waarderen direct een product en geen vaag ontastbaar milieu-item. De startwaarden waren zeer divers zodat ook startpunt bias niet aan de orde lijkt. De DBDC methode wordt als de meest ‘incentive compatible’ methode van alle respons formats betiteld (zie hoofdstuk 4.1.10) maar wat de respondenten gedacht hebben bij het beantwoorden van de vragen weet je natuurlijk nooit. Er zijn enkele redenen om aan te nemen dat de respondenten de scenario’s en vragen goed hebben begrepen en hebben gerespondeerd op basis van hun werkelijke WTP waarde. Zoals in hoofdstuk zeven al is vermeld: slechts 5% van de respondenten heeft aangegeven de informatie niet duidelijk en helder genoeg te vinden om de vragen goed te kunnen beantwoorden. Uit de opmerkingen en suggesties blijkt dat sommige respondenten wel bereid zijn iets te betalen maar niet de gegeven waarden (A), hieruit blijkt ook dat de respondenten het hebben begrepen. Een nieuw argument dat hier aangevoerd kan worden is de overeenkomst tussen de schattingen en de economische principes: mensen zijn in principe bereid meer te betalen voor een publiek goed op basis van een publieke regeling dan op basis van een vrijwillige bijdrage. Afgezien bij de versies zon_publiek en zon_vrijwillig, waar overigens een rede voor is, komen de schattingen overeen met dit principe. Dit is een reden om aan te nemen dat in ieder geval de verhoudingen van de schattingen ten opzichte van elkaar kloppen, dit is onderdeel van de theoretische validiteit. Dit betekent dat als er sprake is van overwaardering deze systematisch is. De volgende paragraaf zal hier nader op ingaan. Een andere factor die de betrouwbaarheid van het onderzoek positief beïnvloed is dat de data zijn verkregen via het wetenschappelijk onderzoeksbureau CentERdata. Behalve dat zij beschikken over een representatief panel, beschikken zij over de kennis en expertise om onderzoeken dusdanig uit te zetten zodat de meest betrouwbare resultaten worden verkregen. Een voorbeeld hiervan is de relatief simpele lay-out van de vragenlijsten die ze standaard hanteren. Een simpele lay-out levert namelijk betrouwbaardere resultaten dan een ‘fancy’ layout (Dillman et al., 1998). Een ander voordeel is de bekendheid van het CentERpanel met onderzoeken. Het panel krijgt nagenoeg iedere week een vragenlijst toegestuurd en zij hebben te kennen gegeven bereid te zijn deze in te vullen en dit waarheidsgetrouw te zullen doen. Een vergelijking van dit onderzoek met een vergelijkbaar onderzoek is niet mogelijk (niet beschikbaar). Vergelijking met ‘echte’ waarden tot stand gekomen door marktwerking is niet mogelijk voor het publieke scenario en in zeer beperkte mate voor het vrijwillige scenario (zie hoofdstuk 9.3). Desondanks alle redenen die de betrouwbaarheid van het onderzoek bevestigen houden wij er rekening mee dat de schattingen systematisch overschat zijn door overwaardering. 9.2.1 – Systematische overschatting WTP Omdat alle schattingen verkregen zijn volgens dezelfde methode veronderstellen we dat eventuele overschatting systematisch is: als mensen hun WTP waarde hebben overgewaardeerd dan is dit bij iedere versie in dezelfde mate gebeurd. Om de verschillen van de schattingen ten opzichte van elkaar duidelijker te maken staan in onderstaande tabel de betrouwbaarheidsintervallen van E* van het DBDC model.14 14

De 90% betrouwbaarheidsintervallen zijn als volgt berekend: 90% betrouwbaarheidsinterval = C/β ± 1,645 * standaardfout C/β. - 55 -

_________________________________________________________WTP Groene Stroom_____ Tabel 9.1: Betrouwbaarheidsintervallen E* Versie

Bio-energie Publiek Windenergie Publiek Zonne-energie Publiek Zonne-energie Vrijwillig Bio-energie Vrijwillig Windenergie Vrijwillig

E*

90% betrouwbaarheidsinterval

9,78 8,81 8,42 8,54 4,07 3,52

8,06 6,78 6,43 6,15 1,39 0,52

11,50 10,84 10,41 10,93 6,75 6,52

Deze betrouwbaarheidsintervallen geven aan waar de gemiddelde WTP waarde met 90% zekerheid ligt en geven een indicatie of de geschatte waarden van elkaar verschillen. De betrouwbaarheidsintervallen van alle publieke versies en de versie zon_vrijwillig overlappen elkaar voor een groot deel. Ditzelfde geldt voor de intervallen van bio_vrijwillig en wind_vrijwillig. Of de geschatte waarden van E* significant van elkaar verschillen kan relatief eenvoudig statistisch getoetst worden omdat de waarden onafhankelijk van elkaar zijn. In onderstaande tabel staan de getoetste hypothesen met bijbehorende t-testwaarden.15 Tabel 9.2: Significante verschillen E* Hypothese, H0: E*1=E*2

t-testwaarde Verwerpen bij 10%

E * bio_publiek = E * bio_vrijwillig E * wind_publiek = E * wind_vrijwillig E * zon_publiek = E * zon_vrijwillig E * zon_vrijwillig = E * bio_publiek E * zon_vrijwillig = E * wind_publiek E * bio_publiek = E * wind_publiek E * bio_publiek = E * zon_publiek E * wind_publiek = E * zon_publiek E * bio_vrijwillig = E * wind_vrijwillig E * bio_vrijwillig = E * zon_vrijwillig E * wind_vrijwillig = E * zon_vrijwillig

3,05 2,18 0,07 0,77 0,15 0,74 1,06 0,26 0,18 1,88 1,84

Ja (0,00) Ja (0,02) Nee (0,94) Nee (0,44) Nee (0,88) Nee (0,46) Nee (0,29) Nee (0,79) Nee (0,86) Ja (0,06) Ja (0,07)

Uit de tabel blijkt dat alleen de E* van de versies bio_publiek en bio_vrijwillig, wind_publiek en wind_vrijwillig, bio_vrijwillig en zon_vrijwillig, en wind_vrijwillig en zon_vrijwillig significant van elkaar verschillen met een betrouwbaarheidsniveau van 90%. Deze resultaten komen overeen met de betrouwbaarheidsintervallen uit tabel 9.1. Er is dus geen significant verschil tussen de gemiddelde WTP waarden van de eerste vier versies in tabel 9.1 en tussen de gemiddelde WTP waarden van de laatste twee versies. Vanwege de niet significante verschillen berekenen we voor het publieke scenario één gemiddelde WTP door het gemiddelde van de drie publieke versies te nemen, deze noemen we E*publiek. Dit is legitiem omdat de schattingen gebaseerd zijn op steekproeven van ongeveer dezelfde omvang en onafhankelijk van elkaar zijn. E*publiek is 9,00 met betrouwbaarheidsinterval is [7,09–10,92]. De gemiddelde WTP in het vrijwillige scenario resulteert in twee waarden: E*vrijwillig(1) gebaseerd op de versies bio_vrijwillig en wind_vrijwillig, en E*vrijwillig(2)gelijk aan E* voor de versie zon_vrijwillig. E*vrijwillig(1) is 3,80 met betrouwbaarheidsinterval is [0,95–6,64]. Deze waarden staan nogmaals in onderstaande tabel weergegeven.

15

De t-testwaarden zijn als volgt berekend: │(E*1 - E*2 ) / (SE(E*1 )2 + SE(E*2 )2)1/ 2│ - 56 -

_________________________________________________________WTP Groene Stroom_____ Tabel 9.3: Gemiddelde schattingen E* Versie

Groene energie Publiek Wind/Bio-energie Vrijwillig Zonne-energie Vrijwillig

E*

90% betrouwbaarheidsinterval

*publiek

E E *vrijwillig(1) E *vrijwillig(2)

9,00 3,80 8,54

7,09 0,95 6,15

10,92 6,64 10,93

Vanwege de eventuele hypothetische bias moeten deze waarden met enige voorzichtigheid geïnterpreteerd worden omdat ze overschat kunnen zijn. Door de veronderstelling dat deze eventuele overschatting systematisch is kan wel met zekerheid gesteld worden dat Nederlandse huishoudens ongeveer 5 Euro meer willen betalen voor groene stroom in een publiek scenario dan in een vrijwillig scenario. In de volgende paragraaf volgt een vergelijking van bovenstaande schattingen van E* met de praktijk. 9.3 – Schatting WTP en praktijk In hoofdstuk twee is geschreven over het feit dat de overheid een aantal maatregelen heeft genomen om subsidieverlening met betrekking tot de MEP-subsidieregeling te beperken. Anders zou te veel geld worden uitgegeven aan de stimulering van de productie van duurzame energie dan gewenst. Wenselijk is voor de overheid het behalen van de duurzame elektriciteitsdoelstelling (9% duurzame elektriciteit in 2010) en het niet meer geld uitgeven dan begroot. Per huishouden wordt er op jaarbasis 52 Euro begroot ter financiering van de MEP-subsidieregeling. Dit komt neer op 4,33 Euro per maand per huishouden, er van uitgaande dat ieder huishouden een elektriciteitsaansluiting heeft. Volgens het onderzoek zijn huishoudens echter bereid meer dan 4,33 Euro per maand te betalen op publiekelijk niveau om subsidies ten behoeve van de productie van groene stroom mogelijk te maken. Ter verduidelijking van de bedragen: een modaal huishouden betaalt ongeveer 40 Euro per maand aan elektriciteitslasten bij een standaardleverancier (vaste leverancier voor de liberalisatie) voor groene of grijze stroom. Nederlandse huishoudens zijn, Volgend dit onderzoek, bereid gemiddeld tussen de 7,09 en 10,92 Euro (betrouwbaarheidsinterval E*publiek) per maand extra belasting op hun elektriciteitsrekening te betalen wanneer dit geld volledig wordt besteed om subsidie te verlenen aan producenten van groene stroom. Hierbij vervalt dan wel de keuze tussen grijze en groene stroom en wordt de stroom zo ‘groen’ mogelijk geleverd. Een mogelijk scenario staat in het volgend kader beschreven. De overheid stelt een extra belasting in op de elektriciteitsrekening van 7,09 Euro per maand (ondergrens). De MEP-heffing komt hierbij te vervallen en de korting ter compensatie van deze heffing vervalt eveneens. Deze extra belasting dient evenwel ter financiering van de MEP-subsidieregeling maar wordt nu direct verhaald en brengt meer op dan voorheen begroot. Hierdoor zal meer groene stroom in Nederland geproduceerd kunnen worden en kan deze op den duur goedkoper geproduceerd worden door leereffecten en schaalvoordelen. (Op welke manier groene stroom wordt geproduceerd doet er niet toe, er zijn geen significante verschillen tussen de gemiddelde WTP waarden.) De subsidie blijft dusdanig dat de onrendabele top overbrugd kan worden, elektriciteitsleveranciers kunnen dus zowel grijze als groene stroom tegen ongeveer dezelfde prijzen inkopen. Wanneer de productie van groene stroom goedkoper wordt kan er dus meer geproduceerd worden. De overheid kan op basis van het nationale aanbod groene stroom (geproduceerd door gesubsidieerde bedrijven) en de totale vraag naar stroom de verhouding grijze/groene stroom bepalen die aan de belastingbetalers geleverd moet worden. Deze verhouding kan als verplichting aan elektriciteitsleveranciers worden opgelegd waardoor iedereen in dezelfde verhouding zo ‘groen’ mogelijke stroom geleverd krijgt. Leveranciers zijn zelf verantwoordelijk bij welke producent zij hun elektriciteit inkopen en hierdoor blijft de markt gedecentraliseerd en concurrerend. - 57 -

_________________________________________________________WTP Groene Stroom_____ Het is niet het doel van dit onderzoek de resultaten te vertalen in beleid. Dit kader is bedoeld ter illustratie van een der mogelijkheden op basis van de resultaten van het onderzoek. Andere mogelijkheden zijn evenzeer goed mogelijk. Een feit is wel dat er geen significante verschillen zijn tussen de gemiddelde WTP waarden voor de verschillende, in het onderzoek opgenomen, groene stroomopties. Hierdoor kunnen het beste die opties gebruikt worden die het meest rendabel zijn (rekening houdende met de toekomst: leereffecten), onderscheid in groene stroomsoorten vervalt hierdoor. De geschatte resultaten op basis van het vrijwillige scenario kunnen in een bepaalde mate vergeleken worden met de praktijk. Er zijn namelijk enkele elektriciteitsleveranciers waarbij je voor meer geld ‘groenere’ stroom kunt krijgen dan de ‘normaal’ aangeboden groene stroom. Een bekend voorbeeld hiervan is NUON Natuurstroom. Na de liberalisering van de energiemarkt zijn veel huishoudens die NUON als standaardleverancier hadden overgestapt op NUON Groenstroom, dit kost namelijk niets meer dan grijze NUON Stroom. Huishoudens konden echter ook overstappen op het duurdere maar ‘groenere’ NUON Natuurstroom. Dit zou een modaal huishouden ongeveer 5 Euro per maand extra kosten. Behalve NUON Natuurstroom zijn er andere duurdere ‘groenere’ elektriciteitsleveranciers vergeleken met de ‘normale’ groene stroom van standaardleveranciers. Slechts een klein deel van de huishoudens verbruikt deze duurdere ‘groenere’ stroom (exacte cijfers hieromtrent ontbreken). Dit geeft aan dat weinig huishoudens op vrijwillige basis bereid zijn meer te betalen voor ‘groenere’ stroom. Het is nu dus maar de vraag of, wanneer de subsidie op de productie van groene stroom wordt afgeschaft, huishoudens op vrijwillige basis duurdere ‘normale’ groene stroom zullen nemen in plaats van de goedkopere grijze stroom, het zal afhankelijk zijn van de prijzen. Aldus het onderzoek zijn huishoudens vrijwillig bereid gemiddeld 3,80 Euro per maand extra te betalen voor groene stroom, eventuele hypothetische bias daargelaten. Wanneer een modaal gezin een jaar lang groene stroom verbruikt, opgewekt met de goedkoopste duurzame elektriciteitsoptie, dan kost dat minimaal 4 Euro per maand meer dan het verbruik van conventionele stroom (3200 kWh x 0,015 Euro / 12 mnd.). De laagste onrendabele top van de duurzame elektriciteitsopties is namelijk 1,5 eurocent per kWh (zie tabel 2.4). Slechts een heel klein deel van de huishoudens kan deze ‘goedkoopste’ groene stroom krijgen, de gemiddelde prijs van de totale hoeveelheid geproduceerde groene stroom is natuurlijk veel hoger (zie andere onrendabele toppen in tabel 2.4). Dus ook al zijn huishoudens vrijwillig bereid te betalen dan is het maar de vraag of leveranciers acceptabele prijzen kunnen aanbieden. Voor groene stroom uit zonne-energie zijn huishoudens, aldus het onderzoek, vrijwillig bereid gemiddeld 8,54 Euro per maand te betalen, afgezien eventuele hypothetische bias. Leverancier Echte Energie levert elektriciteit uit zonne-energie (zij noemen dit gele stroom) en dit kost een modaal gezin ongeveer 60 Euro per maand, dus ongeveer 20 Euro meer dan grijze of ‘normale’ groene stroom kost. Dus wederom: ook al zijn huishoudens vrijwillig bereid te betalen dan is het maar de vraag of leveranciers acceptabele prijzen kunnen aanbieden, waarschijnlijk niet.

- 58 -

_________________________________________________________WTP Groene Stroom_____

Hoofdstuk 10 – Conclusies en aanbevelingen Het doel van dit onderzoek was een waarde te vinden voor de ‘Willingness To Pay’ (WTP) van Nederlandse huishoudens voor groene stroom in tegenstelling tot grijze stroom in een vrijwillig en publiek scenario en daarnaast te kijken of deze waarde afhankelijk is van de manier van opwekking. Het onderzoek heeft geresulteerd in zes gemiddelde maximale WTP waarden (twee scenario’s en drie groene stroom opties). Daarnaast is ook gekeken naar de onderlinge verschillen tussen deze zes waarden. Op basis van de resultaten is geschat dat huishoudens gemiddeld bereid zijn 9,00 Euro per maand te betalen in een publiek scenario (zie paragraaf 5.5 voor de exacte scenario’s). Dit bedrag is een gemiddelde van de drie afzonderlijk geschatte WTP waarden: de gemiddelde WTP voor groene stroom uit bio-energie is 9,78 Euro, uit windenergie 8,81 Euro en uit zonne-energie 8,42 Euro. Omdat deze waarden niet significant verschillen ten opzichte van elkaar is het gemiddelde genomen en kan geconcludeerd worden dat huishoudens niet meer of minder willen betalen voor groene stroom uit bio-energie, windenergie of zonne-energie: de WTP is in het publieke scenario dus niet afhankelijk van de manier van opwekking. Het 90% betrouwbaarheidsinterval van dit gemiddelde is [7,09 – 10,92]. Ondanks het feit dat verschillende aspecten van het onderzoek de betrouwbaarheid van het onderzoek bevestigen gaan we er, vanwege de hypothetische kenmerken van de toegepaste methode, vanuit dat de geschatte WTP waarden overschat zijn, de resultaten moeten dus met enige voorzichtigheid geïnterpreteerd worden. In een vrijwillig scenario zijn huishoudens, afgezien voor zonne-energie, bereid aanzienlijk minder te betalen dan in het publieke scenario (dit voldoet aan de economische principes). Huishoudens zijn in een vrijwillig scenario bereid gemiddeld 3,80 Euro per maand te betalen voor groene stroom uit bio-energie of windenergie. Dit bedrag is het gemiddelde van de gemiddelde WTP waarden voor groene stroom uit bio-energie (4,07) en windenergie (3,52), er is namelijk geen significant verschil tussen deze twee waarden. Huishoudens willen aanzienlijk meer betalen voor groene stroom uit zonne-energie op vrijwillige basis: 8,54 Euro. Dit bedrag is veel hoger omdat huishoudens bij zonne-energie de mogelijkheid hebben zonnepanelen op hun dak te plaatsen en deze aan te sluiten op hun eigen elektriciteitsnet. Wederom gaan we er vanuit dat deze waarden enigszins overschat zijn en de resultaten met enige voorzichtigheid geïnterpreteerd moeten worden. Echter, ook al zouden de geschatte waarden niet overschat zijn, het is waarschijnlijk niet mogelijk om tegen deze bedragen groene stroom aan te bieden omdat de onrendabele toppen nog te hoog zijn. Dit is echter geen reden te ontkennen dat huishoudens ook vrijwillig bereid zijn te betalen voor groene stroom. De eventuele overschatting is systematisch (gelijk per versie) waardoor met zekerheid (90%) een uitspraak gedaan kan worden over het verschil tussen de WTP voor groene stroom in het publieke scenario en in het vrijwillige scenario. Huishoudens zijn bereid ongeveer 5 Euro per maand meer te betalen voor groene stroom in een publiek scenario dan in een vrijwillig scenario, afgezien zonne-energie. Veronderstellende dat de WTP waarde niet negatief kan zijn, is de WTP voor groene stroom in een publiek scenario dus minimaal 5 Euro. Dit is nog steeds meer dan momenteel per huishouden wordt begroot ter financiering van subsidies aan groene stroomproducenten (4,33 Euro/maand). De overheid hoeft dus geen sinterklaas spelen met het geld van de burger en kan dus meer uitgeven aan subsidies en dit direct verhalen bij huishoudens, zij zijn volgens dit onderzoek immers best bereid te betalen. Op basis van de resultaten is het voor de overheid wellicht verstandig eens te kijken naar het huidige financieringssysteem van de MEP-subsidieregeling en ook andere mogelijkheden - 59 -

_________________________________________________________WTP Groene Stroom_____ nader te onderzoeken (zoals bijvoorbeeld die in het kader in paragraaf 9.3) waarbij verantwoord meer subsidie kan worden verleend aan de productie van duurzame elektriciteit dan momenteel, huishoudens willen immers betalen. Omdat de WTP voor groene stroom op publiek niveau niet afhankelijk is van de, in het onderzoek meegenomen, manier van opwekking, is het wellicht verstandig bij een volgend onderzoek dit verschil weg te laten om nauwkeurigere resultaten te verkrijgen. Het probleem bij een waarderingsstudie blijft echter dat er altijd sprake is van hypothetische bias.

- 60 -

_________________________________________________________WTP Groene Stroom_____

Referenties - Bateman, I.J. & Turner, R.K. (1993). ‘Valuation of the Environment, Methods and Techniques: The Contingent Valuation Method’ in Turner, R.K. (Ed.), ‘Sustainable Environmental Economics and Management: Principles and Practice’ (pp. 120 – 191), London Belhaven Press - ‘Bestuursovereenkomst Landelijke Ontwikkeling Windenergie (BLOW)’(2001). Den Haag - Bishop, R.C. & Heberlein, T.A. (1979). ‘Measuring Values of Extra-Market Goods: Are Indirect Measures Biased?’, American Journal of Agricultural Economics, 61, pp. 926 – 930 - Boyle, K.J. et al. (1993). ‘The Role of Question Order and Respondent Experience in Contingent Valuation Studies’, Journal of Environmental Economics and Management, 95, pp. S80 – 90 - Brookshire, D.S. & Coursey, D.L. (1987). ‘Measuring the Value of a Public Good: an Empirical Comparison of Elicitation Procedures’, American Economic Review, 77, pp. 554 – 566 - Brown, T.C. et al. (1996). ‘Which Response Format Reveals the Truth About Donations to a Public Good?’, Land Economics, 72, pp. 152 - 166 - Bulte, E. et al. (2005). ‘The Effect of Varying the Causes of Environmental Problems on Stated WTP Values: Evidence from a field study’, Journal of Environmental Economics and Management, 49, pp. 330 – 342 - Carson, R.T. (1985). ‘Three Essays on Contingent Valuation (Welfare Economics, NonMarket Goods, Water Quality)’, Berkeley University of California PhD Thesis - Carson, R.T. et al. (1996). ‘Contingent Valuation and Revealed Preference Methodologies: Comparing the Estimates for Quasi-public Goods’, Land Economics, 72, pp. 80 – 99 - Carson, R.T. et al. (2001). ‘Contingent Valuation: Controversies and Evidence’, Environmental and Resource Economics, 19, pp. 173 – 210 - Champ, P.A., Boyle, K.J. & Brown, T.C. (Eds.) (2003). ‘A Primer on Nonmarket Valuation’, Boston Kluwer Academic Publishers - Coursey, D.L. et al. (1987). ‘The Disparity Between Willingness to Accept and Willingness to Pay Measures of Value’, The Quarterly Journal of Economics, 12, pp. 679 – 690 - Cramer, J.S. (2003). ‘Logit Midels From Economics and Other Fields’, Cambridge University Press - Cummings, R.G. et al. (Eds.) (1986). ‘Valuing Environmental Goods: a State of the Arts Assessment of the Contingent Valuation Mehtod’, Totowa N.J. Rowman & Allanheld

- 61 -

_________________________________________________________WTP Groene Stroom_____ - Davis, R. (1963).‘The Value of Outdoor Recreation: an Economic Study of the Marine Woods’, Harvard University PhD Thesis - Demars, A. (1992). ‘Logt Modeling; Practical Applications’, Sage University Papers, Series: Quantitative Applications in the Social Sciences 07-086 - Desvousges, W.H. et al. (1993). ‘Measuring Natural Resource Damages with Contingent Valuation: Tests of Validity and Reliabilit’ in Hausman, J.A. (Ed.), ‘Contingent Valuation: a Critical Assessment’, Amsterdam North Holland - Diamond, P.A. & Hausman, J.A. (1994) ‘Is Some Number Better than No Number?’, The Journal of Economic Perspectives, 8-4, pp. 5 – 64 - Dillman, D.A. et al. (1998). ‘Influence of Plain Versus Fancy Design on Response Rates for Web Surveys’, Washington State University - Duffield, J.W. & Paterson, D.A. (1991). ‘Inference and Optimal Design for a Welfare Measure in Dichotomous Choice Contingent Valuation’, Land Economics, 67, pp. 225 – 239 - Foster, V. et al. (1997). ‘Real and Hypothetical Willingness to Pay for Environmental Preservation: a Non-experimental Comparison’, Journal of Agricultural Economics, 48, pp. 123 – 138 - Garrod, G.D. & Willis, K.G., ‘Contingent Valuation Techniques: A Review of their Unbiasedness, Efficiency and Consistency’, University of Newcastle Working Paper No.10. Countryside Change Unit - Haneman, M.W. (1984). ‘Welfare Equations in Contingent Valuation Experiments with Discrete Responses’, American Journal of Agricultural Economics, 66, pp. 332 – 341 - Haneman, M.W. (1985). ‘Some Issues in Continuous and Discrete Response Contingent Valuation Studies’, North-eastern Journal of Agricultural Resource Economics, 14, pp. 5 – 13 - Haneman, M.W. (1989). ‘Welfare Evaluations in Contingent Valuation Experiments with Discrete Response Data: Reply’, American Journal of Agricultural Economics, 71, pp. 1057 – 1060 - Haneman, M.W. (1991). ‘Willingness to Pay and Willingness to Accept: How Much Can They Differ?’, American Economic Review, 81, pp. 635 – 647 - Haneman, M.W. et al. (1991). ‘Statistical Efficiency of Double-Bounded Dichotomous Choice Contingent Valuation’, American Journal of Agricultural Economics, 73, pp. 1255 – 1263 - Haneman, M.W. (1994). ‘Valuing the Environment Through Contingent Valuation’, The Journal of Economic Perspectives, 8-4, pp. 19 – 43 - Hanley, N.D. (1990). ‘Valuation of Environmental Effects: Final Report – Stage One’, Edinburgh Industry Department of Scotland and the Scottish Development Agency

- 62 -

_________________________________________________________WTP Groene Stroom_____ - Hardin, G. (1968). ‘The Tragedy of the Commons’, Science, 1248, pp. 162 – 243 - Heberlein, T.A. & Black, J.S. (1976). ‘Attitudinal specificity and the Prediction of Behaviour in an Field Setting’, Journal of Personality and Social Psychology, 33, pp. 434 – 479 - Hill, R.C., Griffiths, W.E. & Judge, G.G. (2001). ‘Undergraduate Econometrics’, New York John Wiley & Sons, Inc. - Horrowitz, J.K. & McConnell, K.E. (2002). ‘A Review of WTA/WTP studies’, Journal of Environmental Economics and Management, 44, pp. 426 – 447 - Jordan, J.L & Elnagheep, A.H. (1994). ‘Consequences of Using Different Question Formats in Contingent Valuation: a Monte Carlo Study’, Land Economics, 70, pp. 97 – 110 - Kahneman, D. & Knestch, J.L. (1992). ‘Valuing Public Goods: the Purchase of Moral Satisfaction’, Journal of Environmental Economics and Management, 22, pp. 57 – 70 - Kahneman, D. & Tversky, A. (1979). ‘Prospect Theory: an Analysis of Decisions under Risk’, Econometrica, 47, pp. 263 – 291 - Kealy, M.J. & Turnet, R.W. (1993). ‘A Test of the Equality of Closed-Ended and OpenEnded Contingent Valuations’, American Journal of Agricultural Economics, 75, pp. 321 – 331 - Liao, T.F. (1994). ‘Interpreting Probability Models; Logit, Probit and Other Generalized Linear Models’, Sage University Papers, Series: Quantitative Applications in the Social Sciences 07-101 - Loomis, J.B. (1994). ‘Comparative Reliability of the Dichotomous Choice and Open-Ended Contingent Valuation Techniques’, Journal of Environmental Economics and Management, 18, pp. 78 – 85 - Ministerie van Economische Zaken (2005). ‘Energierapport 2005: nu voor later’, Den Haag - Mitchell, R.C. & Carson, R.T. (1974). ‘A Contingent Valuation Estimate of National Freshwater Benefits: Technical Report to the U.S. Environmental Protection Agency’, Washington DC Resource for the Future - Mitchell, R.C. & Carson, R.T. (1989). ‘Using Surveys to Value Public Goods: the Contingent Valuation Method’, Washington DC Resource for the Future - Menkveld, M. (2005). ‘Verificatie CO2-meter voor de Stichting Face’, ECN Beleidsstudie C-01-106 - Mulder, S.H. & De Vries, J. (2003) ‘Hoe kan Maatschappelijk Verantwoord Consumeren worden bevorderd?’, Amsterdam, TNS NIPO Consult in opdracht van VROM - Neill, H.R. et al. (1994). ‘Hypothetical Surveys and Real Economic Commitments ‘, Land Economics, 70, pp. 145 – 154

- 63 -

_________________________________________________________WTP Groene Stroom_____

- ‘Onrendabele Toppen Van Duurzame Elektriciteitsopties’ (2004). ECN (KEMA) Beleidsstudie C–04–101 - Perman, R., Ma, Y., McGilvray, J. & Common, M. (1999). ‘Natural Resource & Environmental Economics’, England Pearson Education Ltd. - Randall, A. et al. (1974). ‘Bidding Games for Valuation of Aesthetic Environmental Improvements’, Journal of Environmental Economics and Management, 1, pp. 132 – 149 - Samples, K.C. & Hollyer J.R. (1990). ‘Contingent Valuation of Wildlife Resource in the Presence of Substitutes and Complements’ in Johnson, R.L. & Johnson, G.V. (Eds.), ‘Economic Valuation of Natural Resources: Issues, Theory and Application’ (pp. 177 – 192), Boulder Westview Press - Ready, R.C. et al. (1996). ‘Differences Between Continuous and Discrete Contingent Value Estimates’, Land Economics, 72, pp. 397 – 411 - Seip, K. & Strand, J. (1992). ‘Willingess to Pay for Environmental Goods in Norway: a Contingent Valuation Study with Real Payment’, Environmental and Resource Economics, 2, pp. 91 – 106 - Shogren, J.F. et al. (1994). ‘Resolving Differences in Willingness to Pay and Willingness to Accept’, American Economic Review, 84, pp. 255 – 269 - ‘Valuing environmental goods: an assessment of the contingent valuation method’ (1986). Totowa N.J. Rowman & Allanheld - Venkatachalam, L. (2004). ‘The Contingent Valuation Method: a Review’, Environmental Impact Assessment Review, 24, pp. 89 – 124 - Walsh, R.G. et al. (1984). ‘Valuing Option, Existence and Bequest Demands for Wilderness’, Land Economics, 60, pp. 14 – 29 - Whitehead, J.C. & Blomquist, G.C. (1997). ‘Measuring Contingent Values for Wetlands: Effects of Information about Related Environmental Goods’, Water Resources Research, 27, pp. 2523 – 2531 - Willig, R.D. (1976). ‘Consumer’s Surplus Without Apology’, American Economic Review, 66, pp 589 – 597 Geraadpleegde internetpagina’s: - www.ez.nl - www.vrom.nl - www.energieprijzen.nl - www.nuon.nl - www.ecn.nl -\www.energie.nl - www.senternovem.nl

- 64 -

_________________________________________________________WTP Groene Stroom_____

Bijlage 1 – CentERpanel dataverzameling Onderstaande tekst was onderdeel van de aangevraagde offerte voor het onderzoek en daarom geschreven in toekomstige tijd.16 1.1 - Het CentERpanel Voor de dataverzameling van onderzoek zal het CentERpanel worden ingezet. Hieronder wordt in het kort beschreven hoe dit panel is op gezet. Het werven en selecteren van de panelleden gebeurt in een drietal stappen: 1) Telefonische enquête: Mensen worden telefonisch benaderd met het verzoek mee te doen aan een (kort) telefonisch interview. Bij weigering wordt gevraagd of men alsnog een paar vragen wil beantwoorden in verband met eventuele selectieve non-respons. Indien men wel deelneemt aan het telefonische interview, dan wordt aan het einde van dit interview gevraagd of men in principe zou willen deelnemen aan langer lopend onderzoek. Als het antwoord positief is worden de kenmerken van de respondent (en zijn/haar huishouden) opgeslagen in een database. 2) Trekking: Als een huishouden stopt met deelname aan het CentERpanel, wordt uit de bovengenoemde database een huishouden getrokken met dezelfde kenmerken als het gestopte huishouden. De kenmerken waarop wordt vergeleken zijn: leeftijd van het hoofd van het huishouden, inkomen, woonvorm, regio en stedelijkheid. Regelmatig vindt er een vergelijking op eerder genoemde kenmerken plaats tussen de Nederlandse bevolking en het CentERpanel en wordt er daar waar nodig bijgestuurd om het panel zo representatief mogelijk te houden. 3) Brief: Na trekking krijgt het potentiële nieuwe huishouden een brief met informatie over het panel en de vraag of het huishouden deel wil deelnemen aan het panel. Zo ja, dan krijgt het huishouden de benodigde faciliteiten, zo nee, dan wordt een nieuw huishouden uit de database getrokken. Vragenlijsten worden ieder weekend (van vrijdag 17:00u tot en met dinsdag 24:00u) via Internet aan de panelleden voorgelegd. 1.2 - Opzet veldwerk en planning De vragenlijst zal worden voorgelegd aan panelleden in de doelgroep. Deze doelgroep bestaat uit degene(n) in het huishouden die belast is(zijn) met de energierekening en de keuze van energieleverancier. De zes verschillende versies van de vragenlijst worden willekeurig over de te selecteren panelleden toegewezen, De opdrachtgever wordt in de gelegenheid gesteld om de vragenlijst via Internet te testen alvorens het daadwerkelijke veldwerk wordt uitgevoerd. Voor het veldwerk zal een pilot worden uitgevoerd. 16

De offerte voor het onderzoek is opgesteld door mevr. C. Vis, hoofd afdeling Survey Onderzoek CentERdata. - 65 -

_________________________________________________________WTP Groene Stroom_____

Indien door onvoorziene omstandigheden de gegarandeerde netto respons van 1000 respondenten niet wordt bereikt, dan wordt de vragenlijst nogmaals voorgelegd aan de panelleden die de vragenlijst nog niet hebben ingevuld. Hiervoor worden uiteraard geen meerkosten in rekening gebracht. 1.3 - Oplevering data De verzamelde gegevens worden zo spoedig mogelijk, doch uiterlijk 10 werkdagen na afronding van het veldwerk aan de opdrachtgever opgeleverd. De standaard achtergrondgegevens worden zonder meerprijs met de data meegeleverd. Naast het gegevensbestand wordt tevens een codeboek opgeleverd.

- 66 -

_________________________________________________________WTP Groene Stroom_____

Bijlage 2 – Vragenlijsten groene stroom Wat tussen twee lijnen staat hebben de respondenten op één pagina ontvangen. Onderaan de ‘pagina’ staat weergegeven welke keuzeopties de respondenten hadden.

We vragen u allereerst de volgende informatie goed door te lezen alvorens aan de vragen te beginnen. Het kost u ongeveer 5 minuten deze informatie door te lezen en slechts een paar minuten om de vragen te beantwoorden. We vertrouwen erop dat u de vragen naar waarheid zult beantwoorden. (Keuzeoptie: verder)

Wat u betaalt voor elektriciteit is opgebouwd uit verschillende aspecten, in de onderstaande figuur staan deze aspecten weergegeven. Prijsopbouw Elektriciteit Kosten:

Belasting

Transport en Productie

Milieu

Grijze Stroom

?

Groene Stroom Consumentenprijs (Incl. BTW) Subsidie

Vervuiling

Milieukosten Het verbruik van groene i.p.v. grijze stroom van een modaal huishouden (3200kWh/jaar) bespaart ongeveer een uitstoot van 1700 KG CO2 per jaar. De uitstoot van CO2 heeft een groot aandeel in het broeikaseffect.

Dit deel betaalt U

De figuur toont enkele verschillen tussen de kosten van grijze en groene stroom: (Keuzeopties: verder of vorige)

• De productie van groene stroom is duurder dan de productie van grijze stroom. Vanwege overheidssubsidie zijn leveranciers in staat dezelfde prijs te berekenen voor zowel groene als grijze stroom (zie figuur), de meeste leveranciers doen dit dan ook. De subsidie wordt met belastinggeld gefinancierd. • Naast de 'makkelijk te observeren' kosten van grijze stroom zoals productiekosten, transportkosten en belastingen (BTW en energiebelasting) zijn er ook nog milieukosten: de opwekking van grijze stroom gaat gepaard met de emissie van schadelijke stoffen zoals CO2 en maakt gebruik van fossiele brandstoffen (aardolie, aardgas en steenkool) die op den duur kunnen opraken. De uitstoot van CO2 heeft een belangrijk aandeel in het broeikaseffect, en een groot deel van alle CO2 uitstoot op de wereld komt vrij door de opwekking van elektriciteit. Een modaal gezin verbruikt jaarlijks ongeveer 3200 kWh stroom. De opwekking van deze hoeveelheid stroom met behulp van fossiele brandstoffen (grijze stroom) gaat gepaard met de uitstoot van ongeveer 1700 kg CO2. Dezelfde hoeveelheid CO2 komt vrij wanneer u - 67 -

_________________________________________________________WTP Groene Stroom_____ 710 liter benzine aan autorijden verbruikt. Een auto met een gemiddeld verbruik van 1 liter op 10 km kan hier ruim 7000 km mee rijden. Om deze hoeveelheid CO2 te compenseren zijn ongeveer 85 bomen met een levensduur van 20 jaar nodig. (Keuzeopties: verder of vorige)

De effecten van het broeikaseffect zijn niet eenvoudig weer te geven in termen van geld maar bekend is dat deze effecten van grote invloed kunnen zijn op onze samenleving. Denkt u bijvoorbeeld eens aan de gevolgen van een permanente stijging van de zeespiegel. Dit kan er toe leiden dat de dijken verhoogd moeten worden om overstroming van Nederland te voorkomen. Denkt u ook eens aan klimaatveranderingen: grotere schommelingen in temperatuur en zwaardere stormen met alle mogelijke schade die daar het gevolg van is. De kosten hiervan komen uiteindelijk weer bij u terecht via hogere prijzen, belastingen en verzekeringspremies. Een stijgende zeespiegel is niet alleen voor Nederland een probleem. Voor een land als Bangladesh bijvoorbeeld, dat nu al moeite heeft om zich te beschermen tegen hoog water, is een stijgende zeespiegel desastreus. (Keuzeopties: verder of vorige) (versie bio-energie) Om het broeikaseffect tegen te gaan is het dus belangrijk om meer duurzame energie te gaan gebruiken, zoals bijvoorbeeld bio-energie. Bio-energie wordt vrijgemaakt uit plantaardig materiaal (biomassa) en wordt voornamelijk opgewekt door verbranding. Veelal wordt gebruik gemaakt van plantaardig afval zoals snoeiafval, houtafval, gft-afval en agrarisch restafval (stro en mest), maar daarnaast zijn er ook gewassen die speciaal worden geteeld/gekweekt voor bio-energie. Het nadeel van bio-energie uit gewassen is echter dat de kweek of teelt van deze biomassa ruimte vergt en in een land als Nederland is ruimte een schaars goed. Bio-energie is CO2-neutraal. Planten en bomen nemen CO2 op gedurende hun 'leven' en tijdens de verbranding komt er weer CO2 vrij: per saldo is dit dus CO2-neutraal. Door het gebruik van groene stroom uit bio-energie (i.p.v. grijze stroom) neemt de uitstoot van CO2 af. Op deze manier draagt u bij aan een milieuvriendelijke energievoorziening en nemen de risico's op de gevolgen van het broeikaseffect af. (Keuzeopties: verder of vorige) (versie windenergie) Om het broeikaseffect tegen te gaan is het dus belangrijk om meer duurzame energie te gaan gebruiken, zoals bijvoorbeeld wind-energie. Wind-energie wordt omgezet in elektriciteit door windmolens. Door het gebruik van groene stroom uit wind-energie (i.p.v. grijze stroom) neemt de uitstoot van CO2 af. Op deze manier draagt u bij aan een milieuvriendelijke energievoorziening en nemen de risico's op de gevolgen van het broeikaseffect af. Er zijn echter ook enkele negatieve effecten aan het gebruik van windmolens. Ten eerste zijn windmolens een gevaar voor vogels omdat zij tegen de rotorbladen kunnen aanvliegen. Bij de plaatsing wordt hier overigens wel rekening mee gehouden. Zo is bijvoorbeeld besloten dat er geen windmolens in de Waddenzee mogen worden geplaatst vanwege de vele vogels die daar leven. Een ander effect is de geluidsoverlast die windmolens kunnen veroorzaken vanwege het geluid dat de draaiende rotorbladen maken. Tot slot kan de opzichtigheid van windmolens een negatief effect zijn, dit is echter afhankelijk van wat men mooi of lelijk vindt. (Keuzeopties: verder of vorige)

- 68 -

_________________________________________________________WTP Groene Stroom_____ (versie zonne-energie) Om het broeikaseffect tegen te gaan is het dus belangrijk om meer duurzame energie te gaan gebruiken, zoals bijvoorbeeld zonne-energie. Zonne-energie wordt omgezet in elektriciteit door zonnepanelen. Door het gebruik van groene stroom uit zonne-energie (i.p.v. grijze stroom) neemt de uitstoot van CO2 af. Op deze manier draagt u bij aan een milieuvriendelijke energievoorziening en nemen de risico's op de gevolgen van het broeikaseffect af. Het nadeel van zonne-energie is dat de plaatsing van zonnepanelen ruimte vergt en in een land als Nederland is ruimte een schaars goed. Om ruimte te 'besparen' kan een deel van de panelen op uw eigen dak geplaatst worden. Hierdoor heeft zonne-energie naast duurzaamheid nog een ander voordeel: de panelen op het dak kunt u op uw eigen elektriciteitsnet aansluiten. Hierdoor heeft u de zekerheid altijd de beschikking te hebben over een bepaalde hoeveelheid stroom. Tot slot kan de opzichtigheid van zonnepanelen een negatief effect zijn, dit is echter afhankelijk van wat men mooi of lelijk vindt. (Keuzeopties: verder of vorige) (Scenario vrijwillig) Stel dat de overheid de subsidie op de productie van groene stroom afschaft. De mensen die nu groene stroom willen verbruiken zullen zelf de extra kosten (vanwege de hogere productiekosten) moeten betalen. Er blijven twee alternatieven over: • Of u kiest grijze stroom en blijft hetzelfde betalen als u nu voor stroom betaalt. (Herinner dat groene en grijze stroom momenteel bijna altijd even duur is.) • Of u kiest groene stroom uit bio-energie (of windenergie of zonne-energie) en gaat meer betalen dan u nu voor stroom betaalt. Hoe meer mensen groene stroom afnemen, des te meer geïnvesteerd zal worden in de productie van groene stroom uit bio-energie (of windenergie of zonne-energie). De hogere prijs die u betaalt voor de afname van groene stroom wordt gewoon in rekening gebracht op uw elektriciteitsrekening. (Keuzeopties: verder of vorige) (1e vraag scenario vrijwillig) Bent u bereid groene stroom af te nemen wanneer dit u xx euro per maand meer gaat kosten dan het u nu per maand kost? (groene stroom wordt dus xx euro duurder dan grijze stroom) Houdt u hierbij rekening met uw budget en overige lasten, bedenk dat dit bedrag ten koste kan gaan van andere uitgaven. (Keuzeopties: ja of nee en verder of vorige. Afhankelijk van het antwoord op eerste vraag volgt een van de volgende twee vragen als men verder gaat.) (2e vraag scenario vrijwillig) Bent u ook bereid groene stroom af te nemen wannneer het u xx euro per maand meer gaat kosten? (Keuzeopties: ja of nee. Alleen verdergaan is mogelijk na deze vraag.) (2e vraag scenario vrijwillig) Bent u dan bereid groene stroom af te nemen wanneer het u xx euro per maand meer gaat kosten? (Keuzeopties: ja of nee. Alleen verdergaan is mogelijk na deze vraag.)

- 69 -

_________________________________________________________WTP Groene Stroom_____ (Scenario publiek) Stel dat de overheid een extra belasting in rekening gaat brengen op uw elektriciteitsrekening. Deze belasting zal volledig gebruikt worden om subsidie te verlenen aan producenten van groene stroom. Hoe hoger deze belasting is hoe meer subsidie de overheid ter beschikking kan stellen en des te meer elektriciteit geleverd kan worden uit bio-energie (of windenergie of zonne-energie). De keuze tussen grijze en groene stroom vervalt hiermee. U krijgt stroom aangeboden die zo ''groen'' mogelijk geproduceerd wordt. In welke mate u groene stroom ontvangt is dus afhankelijk van datgene wat aan belasting wordt betaald. De overheid wil weten welke prijs de mensen voor deze belasting willen betalen. De belasting is uiteindelijk voor iedereen verplicht en wordt afhankelijk van deze vragenlijst bepaald. (Keuzeopties: verder of vorige) (1e vraag scenario publiek) Bent u bereid xx euro per maand extra te betalen op uw huidige elektriciteitsrekening om subsidies mogelijk te maken voor de productie van groene stroom uit zonne-energie? Houdt u hierbij rekening met uw budget en overige lasten, bedenk dat dit bedrag ten koste kan gaan van andere uitgaven. (Keuzeopties: ja of nee en verder of vorige. Afhankelijk van het antwoord op eerste vraag volgt een van de volgende twee vragen als men verder gaat.) (2e vraag scenario publiek) Bent u ook bereid xx euro per maand extra te betalen om deze subsidies mogelijk te maken? (Keuzeopties: ja of nee. Alleen verdergaan is mogelijk na deze vraag.) (2e vraag scenario publiek) Bent u dan bereid xx euro per maand extra te betalen om deze subsidies mogelijk te maken? (Keuzeopties: ja of nee. Alleen verdergaan is mogelijk na deze vraag.)

Hoeveel stroom verbruikt u op jaarbasis in kWh? (Dit kunt u terugvinden op uw jaarafrekening, wij verzoeken u vriendelijk dit even op te zoeken, of anders het vakje 'ik weet het niet' te kiezen.) (Dit is overigens al bijna de laatste vraag.) (Keuzeopties: ‘invullen’ of ik weet het niet. Alleen verdergaan is mogelijk na deze vraag.)

Was de beschreven informatie duidelijk en helder genoeg voor u om voorgaande vragen te kunnen beantwoorden? (Keuzeopties: ja of nee en verder of vorige.)

Hebt u naar aanleiding van bovenstaande informatie en vragen nog opmerkingen en/of suggesties? (Keuzeopties: ja of nee en verder of vorige. Na ja en verder volgt een invulscherm.)

- 70 -

_________________________________________________________WTP Groene Stroom_____

Bijlage 3 – Percentages respons Bio-energie Publiek

Bio-energie Vrijwillig

Windenergie Publiek

Windenergie Vrijwillig

Zonne-energie Publiek

Zonne-energie Vrijwillig

1/2/3 E

3/4/5 E

5/6/7 E

7/8/9 E

- JaJa - JaNee - NeeJa - NeeNee - JaJa - JaNee - NeeJa - NeeNee

58,33% 22,22% 0,00% 19,44% 60,87% 4,35% 0,00% 34,78%

60,00% 4,00% 0,00% 36,00% 60,47% 0,00% 0,00% 39,53%

48,65% 16,22% 2,70% 32,43% 36,36% 3,03% 0,00% 60,61%

52,94% 8,82% 0,00% 38,24% 41,67% 4,17% 0,00% 54,17%

44,83% 6,90% 3,45% 44,83% 23,33% 3,33% 0,00% 73,33%

30,56% 11,11% 0,00% 58,33% 13,79% 10,34% 3,45% 72,41%

22,86% 5,71% 11,43% 60,00% 13,33% 3,33% 3,33% 80,00%

- JaJa - JaNee - NeeJa - NeeNee - JaJa - JaNee - NeeJa - NeeNee

50,00% 17,86% 0,00% 32,14% 52,17% 8,70% 0,00% 39,13%

53,85% 7,69% 3,85% 34,62% 48,15% 11,11% 0,00% 40,74%

41,18% 20,59% 2,94% 35,29% 32,00% 8,00% 4,00% 56,00%

48,28% 0,00% 0,00% 51,72% 42,31% 3,85% 0,00% 53,85%

48,00% 4,00% 0,00% 48,00% 21,21% 3,03% 0,00% 75,76%

31,25% 18,75% 0,00% 50,00% 35,48% 6,45% 0,00% 58,06%

18,52% 22,22% 0,00% 59,26% 8,82% 2,94% 0,00% 88,24%

- JaJa - JaNee - NeeJa - NeeNee - JaJa - JaNee - NeeJa - NeeNee

61,11% 11,11% 11,11% 16,67% 51,52% 21,21% 3,03% 24,24%

40,00% 26,67% 0,00% 33,33% 46,88% 12,50% 3,13% 37,50%

55,17% 0,00% 0,00% 44,83% 57,69% 0,00% 0,00% 42,31%

52,00% 4,00% 0,00% 44,00% 48,15% 7,41% 0,00% 44,44%

43,18% 6,82% 0,00% 50,00% 42,31% 0,00% 0,00% 57,69%

29,03% 12,90% 0,00% 58,06% 40,74% 14,81% 0,00% 44,44%

17,39% 8,70% 0,00% 73,91% 22,58% 6,45% 0,00% 70,97%

- 71 -

10/11/12 E 12/15/18 E 15/20/25 E

_________________________________________________________WTP Groene Stroom_____

Bijlage 4 – Verklaring der variabelen C

=

Constante term

BIDINITIAL BIDHIGH BIDLOW

= = =

Initiële Bod ( A ) 2e bod, hogere waarde ( Au ) 2e bod, lagere waarde ( Ad )

RESPONSINITIAL (dummy) RESPONSHIGH (dummy) RESPONSLOW (dummy)

= = =

Respons op initiële bod: 1 = Ja; 0 = Nee Respons op hogere waarde: 1 = Ja; 0 = Nee Respons op lagere waarde: 1 = Ja; 0 = Nee

KWHPERMND

=

Elektriciteitsverbruik per maand in kWh

NINC NINCHH INCHIGH

= = =

Netto Inkomen Gezamenlijk Netto Inkomen 1 = inkomen groter dan 1150,0 = inkomen 1150,- of minder 1 = inkomen groter dan 1800,0 = inkomen 1800,- of minder Sociale Klasse: 1 = laag; 5 = hoog

(dummy)

INCHIGH2

=

SOCKLASSE

=

EDUCAT1

(dummy)

=

EDUCAT2

(dummy)

=

EDUCAT3

(dummy)

=

EDUCAT4

(dummy)

=

EDUCAT5

(dummy)

=

EDUCAT6

(dummy)

=

EDU5EN6

AGE GESLACHT KIDS STEDLIJKHEID

=

(dummy)

1 = hoogst genoten educatie is basisonderwijs; 0 = andere educatie 1 = hoogst genoten educatie is VMBO; 0 = andere educatie 1 = hoogst genoten educatie is HAVO/VWO; 0 = andere educatie 1 = hoogst genoten educatie is MBO; 0 = andere educatie 1 = hoogst genoten educatie is HBO; 0 = andere educatie 1 = hoogst genoten educatie is WO; 0 = andere educatie 1 = EDUCAT5+EDUCAT6=1 0 = EDUCAT1+EDUCAT2+EDUCAT3+ EDUCAT4=1

= = =

Leeftijd in jaren 1 = man; 0 = vrouw Aantal kinderen in huishouden

=

1 = meer dan 2500 adressen/km2 (zeer sterk stedelijk); 2 = 1500 tot 2500 adressen/km2 (sterk stedelijk); 3 = 1000 tot 1500 adressen/km2 (matig stedelijk); 4 = 500 tot 1000 adressen/km2 (weinig stedelijk); 5= minder dan 500 adressen/km2 (niet stedelijk) - 72 -

_________________________________________________________WTP Groene Stroom_____

Bijlage 5 – Output statistische analyse SBDC model Output SBDC bio_publiek Afhankelijke var: RESPONSINITIAL Onafhankelijke var: C BIDINITIAL C BIDINITIAL LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

1.359730 0.114795 24.78937 6.39E-07

0.277354 0.024364

4.902515 4.711591

0.0000 0.0000

Afhankelijke var: RESPONSHIGH Onafhankelijke var: C BIDHIGH C BIDHIGH LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

0.632050 0.075077 16.11074 5.97E-05

0.252944 0.019805

2.498775 3.790869

0.0125 0.0002

Afhankelijke var: RESPONSLOW Onafhankelijke var: C BIDLOW C BIDLOW LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

1.304011 0.121115 16.72921 4.31E-05

0.282515 0.030290

4.615716 3.998475

0.0000 0.0001

Output SBDC bio_vrijwillig Afhankelijke var: RESPONSINITIAL Onafhankelijke var: C BIDINITIAL C BIDINITIAL LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

0.730551 0.129300 24.05415 9.37E-07

0.275226 0.027726

2.654371 4.663461

0.0079 0.0000

Afhankelijke var: RESPONSHIGH Onafhankelijke var: C BIDHIGH C BIDHIGH LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

0.726885 0.128056 29.38615 5.93E-08

0.276929 0.024715

2.624809 5.181262

0.0087 0.0000

Afhankelijke var: RESPONSLOW Onafhankelijke var: C BIDLOW C BIDLOW LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

0.691156 0.147312 21.07234 4.42E-06

0.274218 0.033467

2.520461 4.401670

0.0117 0.0000

Output SBDC wind_publiek Afhankelijke var: RESPONSINITIAL Onafhankelijke var: C BIDINITIAL Coefficient

Std. Error

z-Statistic

- 73 -

Prob.

_________________________________________________________WTP Groene Stroom_____ C BIDINITIAL LR statistic (1 df) Probability(LR stat)

0.707773 0.054713 4.996215 0.025403

0.277274 0.024829

2.552608 2.203606

0.0107 0.0276

Afhankelijke var: RESPONSHIGH Onafhankelijke var: C BIDHIGH C BIDHIGH LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

0.351877 0.064547 8.913203 0.002831

0.274742 0.022502

1.280753 2.868479

0.2003 0.0041

Afhankelijke var: RESPONSLOW Onafhankelijke var: C BIDLOW C BIDLOW LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

0.827746 0.078276 6.674211 0.009782

0.284561 0.031724

2.908848 2.467414

0.0036 0.0136

Output SBDC wind_vrijwillig Afhankelijke var: RESPONSINITIAL Onafhankelijke var: C BIDINITIAL C BIDINITIAL LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

0.603388 0.110165 18.01423 2.19E-05

0.299452 0.028191

2.014971 3.907782

0.0439 0.0001

Afhankelijke var: RESPONSHIGH Onafhankelijke var: C BIDHIGH C BIDHIGH LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

0.215759 0.083102 13.77887 0.000206

0.300849 0.024635

0.717166 3.373289

0.4733 0.0007

Afhankelijke var: RESPONSLOW Onafhankelijke var: C BIDLOW C BIDLOW LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

0.680086 0.143018 19.42592 1.05E-05

0.300808 0.034917

2.260864 4.095978

0.0238 0.0000

Output SBDC zon_publiek Afhankelijke var: RESPONSINITIAL Onafhankelijke var: C BIDINITIAL C BIDINITIAL LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

1.025913 0.097543 13.08076 0.000298

0.309124 0.028265

3.318769 3.451010

0.0009 0.0006

Afhankelijke var: RESPONSHIGH Onafhankelijke var: C BIDHIGH C(1)

Coefficient

Std. Error

z-Statistic

Prob.

0.523137

0.297811

1.756610

0.0790

- 74 -

_________________________________________________________WTP Groene Stroom_____ BIDHIGH LR statistic (1 df) Probability(LR stat)

0.076099 12.49521 0.000408

0.024531

3.102114

0.0019

Afhankelijke var: RESPONSLOW Onafhankelijke var: C BIDLOW C BIDLOW LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

1.221527 0.137702 14.06540 0.000177

0.329376 0.036450

3.708610 3.777812

0.0002 0.0002

Output SBDC zon_vrijwillig Afhankelijke var: RESPONSINITIAL Onafhankelijke var: C BIDINITIAL C BIDINITIAL LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

0.878990 0.079321 11.20387 0.000816

0.272126 0.024688

3.230088 3.213011

0.0012 0.0013

Afhankelijke var: RESPONSHIGH Onafhankelijke var: C BIDHIGH C BIDHIGH LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

0.347665 0.053650 7.020697 0.008057

0.260266 0.020662

1.335807 2.596574

0.1816 0.0094

Afhankelijke var: RESPONSLOW Onafhankelijke var: C BIDLOW C BIDLOW LR statistic (1 df) Probability(LR stat)

Coefficient

Std. Error

z-Statistic

Prob.

1.019902 0.112137 14.31907 0.000154

0.280556 0.031593

3.635287 3.549447

0.0003 0.0004

- 75 -

_________________________________________________________WTP Groene Stroom_____

Bijlage 6 – Output statistische analyse DBDC model Output DBDC bio_publiek Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW C BETA(1)

Coefficient

Std. Error

z-Statistic

Prob.

1.225716 0.125364

0.215921 0.016131

5.676701 7.771510

0.0000 0.0000

Output DBDC bio_vrijwillig Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW C(1) BETA(1)

Coefficient

Std. Error

z-Statistic

Prob.

0.410048 0.100754

0.219163 0.020808

1.870969 4.842091

0.0613 0.0000

Output DBDC wind_publiek Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW C(1) BETA(1)

Coefficient

Std. Error

z-Statistic

Prob.

0.995173 0.113000

0.218603 0.017280

4.552418 6.539498

0.0000 0.0000

Output DBDC wind_vrijwillig Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW C(1) BETA(1)

Coefficient

Std. Error

z-Statistic

Prob.

0.355783 0.101160

0.230206 0.018663

1.545497 5.420268

0.1222 0.0000

Output DBDC zon_publiek Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW C(1) BETA(1)

Coefficient

Std. Error

z-Statistic

Prob.

1.007447 0.119646

0.244365 0.019488

4.122707 6.139374

0.0000 0.0000

Output DBDC zon_vrijwillig Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW C(1) BETA(1)

Coefficient

Std. Error

z-Statistic

Prob.

0.835567 0.097886

0.218355 0.016240

3.826649 6.027433

0.0001 0.0000

- 76 -

_________________________________________________________WTP Groene Stroom_____ 6.1 – Output DBDC met toegevoegde variabelen Output DBDC bio_publiek met extra variabelen Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW NINC C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.465530 0.134841 -0.000515

0.359816 0.017080 0.000181

1.293800 7.894904 -2.846682

0.1957 0.0000 0.0044

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW NINCHH C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.612140 0.128387 -0.000306

0.345386 0.016402 0.000135

1.772337 7.827511 -2.261927

0.0763 0.0000 0.0237

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW INCHIGH C(1) BETA(1) BETA(2)

0.437484 0.127176 -0.949335

0.398837 0.016623 0.416058

1.096900 7.650482 -2.281737

0.2727 0.0000 0.0225

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW INCHIGH2 C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.933498 0.126622 -0.540042

0.266203 0.016127 0.265901

3.506718 7.851460 -2.030987

0.0005 0.0000 0.0423

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW EDU5EN6 C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.001711 0.127190 -0.624387

0.239882 0.016247 0.267113

4.175846 7.828482 -2.337534

0.0000 0.0000 0.0194

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW AGE C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.305524 0.125434 0.001535

0.500805 0.016138 0.009051

2.606851 7.772732 0.169608

0.0091 0.0000 0.8653

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW SOCKLASSE C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.909189 0.124621 -0.090356

0.489312 0.016135 0.126915

1.858098 7.723466 -0.711938

0.0632 0.0000 0.4765

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW - 77 -

_________________________________________________________WTP Groene Stroom_____ Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW GESLACHT C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.113629 0.125534 -0.159037

0.311494 0.016151 0.305905

3.575129 7.772731 -0.519890

0.0004 0.0000 0.6031

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW KIDS C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.161600 0.126817 -0.131045

0.227771 0.016227 0.135433

5.099854 7.815218 -0.967600

0.0000 0.0000 0.3332

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW KWHPERMND C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.520581 0.132074 2.72E-05

0.307483 0.021731 2.93E-05

4.945254 6.077672 0.929030

0.0000 0.0000 0.3529

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW STEDELIJKHEID C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.616608 0.125418 0.130481

0.374848 0.016284 0.098223

4.312701 7.701868 1.328418

0.0000 0.0000 0.1840

Output DBDC bio_vrijwillig met extra variabelen Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW NINC C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

-0.566234 0.110350 -0.000644

0.411637 0.021732 0.000211

-1.375566 5.077697 -3.053630

0.1690 0.0000 0.0023

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW NINCHH C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

-0.069092 0.105521 -0.000257

0.373144 0.021517 0.000144

-0.185162 4.904158 -1.781520

0.8531 0.0000 0.0748

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW INCHIGH C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

-0.150383 0.103682 -0.678193

0.455645 0.021266 0.474260

-0.330046 4.875509 -1.430003

0.7414 0.0000 0.1527

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW INCHIGH2 Coefficient

Std. Error

z-Statistic

- 78 -

Prob.

_________________________________________________________WTP Groene Stroom_____ C(1) BETA(1) BETA(2)

0.138066 0.103026 -0.462478

0.289921 0.021203 0.310996

0.476220 4.858944 -1.487084

0.6339 0.0000 0.1370

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW EDU5EN6 C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.389168 0.100270 -0.075230

0.237930 0.021264 0.292300

1.635636 4.715434 -0.257371

0.1019 0.0000 0.7969

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW AGE C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

-0.109908 0.100827 -0.010267

0.568947 0.020867 0.010191

-0.193178 4.831840 -1.007491

0.8468 0.0000 0.3137

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW SOCKLASSE C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.282490 0.100180 -0.039958

0.471312 0.020958 0.126821

0.599368 4.780148 -0.315078

0.5489 0.0000 0.7527

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW GESLACHT C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.607209 0.099466 0.261567

0.326729 0.020786 0.332266

1.858447 4.785341 0.787223

0.0631 0.0000 0.4312

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW KIDS C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.461866 0.099894 0.062284

0.236078 0.020781 0.124877

1.956412 4.806937 0.498760

0.0504 0.0000 0.6179

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW KWHPERMND C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.615586 0.091363 -2.62E-05

0.355548 0.024878 6.35E-05

1.731373 3.672428 -0.413300

0.0834 0.0002 0.6794

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW STEDELIJKHEID C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.624183 0.099405 0.072628

0.370482 0.020811 0.104439

1.684785 4.776663 0.695406

0.0920 0.0000 0.4868

- 79 -

_________________________________________________________WTP Groene Stroom_____ Output DBDC wind_publiek met extra variabelen Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW NINC C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.635139 0.113168 -0.000197

0.389376 0.017219 0.000171

1.631172 6.572308 -1.149758

0.1029 0.0000 0.2502

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW NINCHH C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.670344 0.113698 -0.000142

0.390081 0.017177 0.000134

1.718475 6.619280 -1.060027

0.0857 0.0000 0.2891

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW INCHIGH C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.181862 0.114577 0.204509

0.506773 0.017560 0.487719

2.332133 6.525052 0.419318

0.0197 0.0000 0.6750

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW INCHIGH2 C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.115312 0.114032 0.186048

0.311814 0.017517 0.306220

3.576852 6.509814 0.607563

0.0003 0.0000 0.5435

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW EDU5EN6 C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.838025 0.117300 -0.447043

0.247387 0.017586 0.282961

3.387507 6.670175 -1.579872

0.0007 0.0000 0.1141

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW AGE C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.193911 0.114440 0.003914

0.521273 0.017477 0.009361

2.290375 6.547986 0.418175

0.0220 0.0000 0.6758

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW SOCKLASSE C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.355307 0.115708 -0.183717

0.512533 0.017480 0.131158

0.693238 6.619357 -1.400727

0.4882 0.0000 0.1613

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW GESLACHT - 80 -

_________________________________________________________WTP Groene Stroom_____

C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.364764 0.115327 0.432222

0.414261 0.017523 0.403569

3.294459 6.581363 1.070999

0.0010 0.0000 0.2842

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW KIDS C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.031709 0.114681 0.051114

0.233119 0.017494 0.133754

4.425682 6.555306 0.382150

0.0000 0.0000 0.7024

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW KWHPERMND C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.376050 0.111355 -2.68E-07

0.424263 0.022635 7.91E-05

3.243387 4.919690 -0.003385

0.0012 0.0000 0.9973

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW STEDELIJKHEID C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.620558 0.115012 0.231182

0.362999 0.017504 0.107358

4.464362 6.570730 2.153368

0.0000 0.0000 0.0313

Output DBDC wind_vrijwillig met extra variabelen Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW NINC C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

-0.279239 0.102348 -0.000383

0.439031 0.019303 0.000225

-0.636034 5.302128 -1.705653

0.5248 0.0000 0.0881

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW NINCHH C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

-0.485333 0.105909 -0.000381

0.392708 0.019704 0.000147

-1.235864 5.375129 -2.583977

0.2165 0.0000 0.0098

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW INCHIGH C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.085336 0.101968 -0.316130

0.529826 0.018953 0.549096

0.161065 5.380158 -0.575728

0.8720 0.0000 0.5648

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW INCHIGH2 C(1)

Coefficient

Std. Error

z-Statistic

Prob.

-0.058224

0.296695

-0.196241

0.8444

- 81 -

_________________________________________________________WTP Groene Stroom_____ BETA(1) BETA(2)

0.101125 -0.669492

0.019274 0.317718

5.246681 -2.107188

0.0000 0.0351

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW EDU5EN6 C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.034874 0.099419 -0.697308

0.275971 0.018918 0.307300

0.126370 5.255293 -2.269141

0.8994 0.0000 0.0233

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW SOCKLASSE C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

-0.630585 0.101529 -0.278502

0.549616 0.018795 0.141536

-1.147319 5.402051 -1.967717

0.2512 0.0000 0.0491

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW GESLACHT C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.552034 0.102242 0.245514

0.336611 0.018685 0.334084

1.639977 5.471849 0.734887

0.1010 0.0000 0.4624

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW KIDS C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.469591 0.102165 0.131214

0.251450 0.018809 0.112716

1.867530 5.431657 1.164109

0.0618 0.0000 0.2444

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW KWHPERMND C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.940839 0.096609 0.000165

0.499523 0.028216 9.07E-05

1.883476 3.423950 1.815527

0.0596 0.0006 0.0694

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW STEDELIJKHEID C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.814684 0.100059 0.164119

0.404076 0.018789 0.116555

2.016164 5.325395 1.408079

0.0438 0.0000 0.1591

Output DBDC zon_publiek met extra variabelen Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW NINC C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.726205 0.127476 -0.000177

0.280887 0.021237 6.84E-05

2.585397 6.002588 -2.594442

0.0097 0.0000 0.0095

- 82 -

_________________________________________________________WTP Groene Stroom_____ Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW NINCHH C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.611319 0.126173 -0.000184

0.287276 0.021220 6.74E-05

2.127988 5.945919 -2.728358

0.0333 0.0000 0.0064

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW INCHIGH C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.566319 0.120799 -0.484932

0.503524 0.019689 0.504035

1.124711 6.135504 -0.962101

0.2607 0.0000 0.3360

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW INCHIGH2 C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.506032 0.124330 -0.857206

0.296884 0.020218 0.300071

1.704480 6.149370 -2.856674

0.0883 0.0000 0.0043

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW EDU5EN6 C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.551456 0.131160 -1.320713

0.270321 0.021615 0.304564

2.040001 6.068137 -4.336413

0.0414 0.0000 0.0000

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW AGE C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.166846 0.120495 0.003194

0.547497 0.019520 0.009698

2.131236 6.173023 0.329384

0.0331 0.0000 0.7419

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW SOCKLASSE C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

-1.214798 0.135833 -0.684018

0.525624 0.021031 0.139822

-2.311154 6.458674 -4.892053

0.0208 0.0000 0.0000

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW GESLACHT C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.294922 0.121770 0.375674

0.376050 0.019592 0.357410

3.443480 6.215293 1.051102

0.0006 0.0000 0.2932

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW KIDS C(1)

Coefficient

Std. Error

z-Statistic

Prob.

0.949461

0.264421

3.590716

0.0003

- 83 -

_________________________________________________________WTP Groene Stroom_____ BETA(1) BETA(2)

0.119396 -0.061248

0.019509 0.135705

6.120177 -0.451335

0.0000 0.6517

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW KWHPERMND C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.719771 0.126403 -0.000104

0.445216 0.024985 9.54E-05

1.616677 5.059090 -1.095215

0.1059 0.0000 0.2734

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW STEDELIJKHEID C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.273278 0.121333 0.089084

0.390055 0.019482 0.107647

3.264358 6.227906 0.827561

0.0011 0.0000 0.4079

Output DBDC zon_vrijwillig met extra variabelen Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW NINC C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

-0.220891 0.101577 -0.000604

0.437718 0.016566 0.000209

-0.504643 6.131825 -2.893106

0.6138 0.0000 0.0038

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW NINCHH C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

-0.049559 0.102062 -0.000399

0.366149 0.016771 0.000127

-0.135352 6.085549 -3.142953

0.8923 0.0000 0.0017

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW INCHIGH C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.227283 0.098397 -0.675708

0.563113 0.016217 0.568852

0.403620 6.067632 -1.187845

0.6865 0.0000 0.2349

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW INCHIGH2 C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.256722 0.104751 -1.035940

0.285946 0.016876 0.314500

0.897800 6.207226 -3.293929

0.3693 0.0000 0.0010

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW EDU5EN6 C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.543583 0.100231 -0.647433

0.252946 0.016495 0.284073

2.149004 6.076540 -2.279111

0.0316 0.0000 0.0227

- 84 -

_________________________________________________________WTP Groene Stroom_____ Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW AGE C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.444060 0.096285 0.012141

0.564668 0.016205 0.009944

2.557359 5.941869 1.220891

0.0105 0.0000 0.2221

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW SOCKLASSE C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

-0.309109 0.099491 -0.313970

0.554458 0.016341 0.137758

-0.557497 6.088217 -2.279142

0.5772 0.0000 0.0227

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW GESLACHT C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.902589 0.097837 0.095918

0.341761 0.016243 0.337269

2.640994 6.023152 0.284398

0.0083 0.0000 0.7761

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW KIDS C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.737372 0.097948 -0.138875

0.231236 0.016331 0.128225

3.188826 5.997723 -1.083060

0.0014 0.0000 0.2788

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW KWHPERMND C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

0.366032 0.086886 -0.000182

0.424352 0.020047 0.000118

0.862567 4.334075 -1.543591

0.3884 0.0000 0.1227

Afhankelijke var: RESPONSINITIAL+RESPONSHIGH+RESPONSLOW Onafhankelijke var: C BIDINITIAL+BIDHIGH+BIDLOW STEDELIJKHEID C(1) BETA(1) BETA(2)

Coefficient

Std. Error

z-Statistic

Prob.

1.054007 0.097836 0.077078

0.376250 0.016312 0.105859

2.801347 5.997944 0.728126

0.0051 0.0000 0.4665

- 85 -

_________________________________________________________WTP Groene Stroom_____

Bijlage 7 – Correlaties significante variabelen Bio_publiek NINC 1.000000 0.793234 0.594877 0.341636 0.404403

NINCHH 0.793234 1.000000 0.757004 0.280225 0.289936

INCHIGH2 0.594877 0.757004 1.000000 0.215401 0.261727

EDU5EN6 0.341636 0.280225 0.215401 1.000000 0.545505

SOCKLASSE 0.404403 0.289936 0.261727 0.545505 1.000000

NINCHH 0.756267 1.000000 0.724788 0.268212 0.264909

INCHIGH2 0.544957 0.724788 1.000000 0.248309 0.205784

EDU5EN6 0.304533 0.268212 0.248309 1.000000 0.584877

SOCKLASSE 0.290065 0.264909 0.205784 0.584877 1.000000

NINCHH 0.987004 1.000000 0.248477 0.052860 0.149883

INCHIGH2 0.182792 0.248477 1.000000 0.278945 0.263386

EDU5EN6 0.030291 0.052860 0.278945 1.000000 0.517185

SOCKLASSE 0.143309 0.149883 0.263386 0.517185 1.000000

NINCHH 0.747652 1.000000 0.733592 0.371700 0.242685

INCHIGH2 0.576461 0.733592 1.000000 0.289359 0.231795

EDU5EN6 0.441173 0.371700 0.289359 1.000000 0.498389

SOCKLASSE 0.354855 0.242685 0.231795 0.498389 1.000000

NINCHH 0.969988 1.000000 0.363000 0.184456 0.216378

INCHIGH2 0.272048 0.363000 1.000000 0.298915 0.348189

EDU5EN6 0.169919 0.184456 0.298915 1.000000 0.640141

SOCKLASSE 0.207656 0.216378 0.348189 0.640141 1.000000

NINCHH 0.767311 1.000000 0.735093 0.255126 0.381809

INCHIGH2 0.616963 0.735093 1.000000 0.195809 0.272694

EDU5EN6 0.221577 0.255126 0.195809 1.000000 0.535892

SOCKLASSE 0.424771 0.381809 0.272694 0.535892 1.000000

Bio_vrijwillig NINC 1.000000 0.756267 0.544957 0.304533 0.290065

Wind_publiek NINC 1.000000 0.987004 0.182792 0.030291 0.143309

Wind_vrijwillig NINC 1.000000 0.747652 0.576461 0.441173 0.354855

Zon_publiek NINC 1.000000 0.969988 0.272048 0.169919 0.207656

Zon_vrijwillig NINC 1.000000 0.767311 0.616963 0.221577 0.424771

- 86 -

_________________________________________________________WTP Groene Stroom_____

- 87 -