Leveraging machine learning to understand opposition to environmental tax increases across countries and over time
Umweltsteuernsteuern, die auf Kraftstoff, Straßennutzung oder Kohlenstoffemissionen besteuern, stoßen in der Öffentlichkeit häufig auf Widerstand. Können allgemein zugängliche Methoden des maschinellen Lernens dabei helfen, den Widerstand gegen Umweltsteuern vorherzusagen und zu verstehen? In dieser Studie wird der Random-Forest-Algorithmus verwendet, um den Widerstand gegen höhere Umweltsteuern auf der Grundlage von 41 theoretisch relevanten Merkmalen der Befragten vorherzusagen. Auf der Grundlage von national repräsentativen Umfragen sagen wir die individuelle Widerstand gegen Umweltsteuern in 28 Ländern für die Jahre 2010 und 2020 voraus (N=70,710). Persönliche Werte und Umwelteinschätzungen sind bei der Vorhersage von Steuerwiderstand tendenziell einflussreicher als demografische Merkmale, wobei sich die Schlüsselvariablen zwischen den Ländern und im Zeitverlauf unterscheiden. Mangelndes Engagement für umweltfreundliches Verhalten ist der wichtigste Prädiktor in Schwellenländern. In Ländern mit hohem Einkommen sind dagegen die Besorgnis über Umweltfragen und die Priorisierung von Arbeitsplätzen und Preisen einflussreich und haben in den letzten zehn Jahren an Bedeutung gewonnen. Politische Entscheidungsträger können diese Erkenntnisse nutzen, um die Kommunikation von Umweltsteuererhöhungen in verschiedenen Kontexten anzupassen um beispielsweise die Schaffung von Arbeitsplätzen zu betonen.