Socio-Economic and Institutional Drivers of Willingness to Pay for Sustainable Arsenic Mitigation in Rural India

Sintesi Tecnica: Driver Socio-Economici e Istituzionali della Disponibilità a Pagare per la Mitigazione Sostenibile dell'Arsenico nelle Zone Rurali dell'India

Problematica
Nonostante il riconoscimento diffuso dei gravi rischi per la salute pubblica associati all'acqua sotterranea contaminata da arsenico, l'adozione di tecnologie di mitigazione nelle regioni colpite, in particolare nelle zone rurali dell'India, rimane costantemente bassa. Questo studio affronta il critico disallineamento tra la consapevolezza dei rischi dell'arsenico e il reale comportamento di adozione a livello familiare. Mentre gli approcci tradizionali spesso enfatizzano la consapevolezza e la percezione dei rischi per la salute come driver primari, questa ricerca sostiene che l'adozione sia plasmata da un complesso intreccio di vincoli socio-economici, fiducia istituzionale, gerarchia sociale e oneri esperienziali legati all'accesso all'acqua. Lo studio si concentra sul Bihar rurale, un importante hotspot dove i livelli di arsenico nelle acque sotterranee superano frequentemente le linee guida dell'OMS, per investigare i determinanti della Disponibilità a Pagare (WTP - Willingness to Pay) per tecnologie di mitigazione sostenibili.

Metodologia
Lo studio impiega un quadro analitico integrato che combina l'analisi statistica tradizionale con tecniche di apprendimento automatico (ML) interpretabili per modellare il comportamento di WTP delle famiglie.

• Raccolta Dati: I dati primari sono stati raccolti da 340 nuclei familiari in tre villaggi colpiti dall'arsenico (Suarmarwa, Rampur Diara e Bhawani Tola) nel blocco di Maner, distretto di Patna, Bihar. Il sondaggio ha catturato caratteristiche demografiche, condizioni di sussistenza, oneri di accesso all'acqua, fiducia istituzionale, partecipazione sociale e percezioni del rischio.
• Definizione delle Variabili: La variabile dipendente, WTP, è stata dicotomizzata in "Bassa/Nessuna WTP" (≤ ₹25) e "Alta WTP" (> ₹25) sulla base della distribuzione osservata delle risposte. Le variabili indipendenti includevano socio-demografia (casta, istruzione, occupazione), indicatori economici (reddito, possesso di terre), metriche di accesso all'acqua (distanza, tempo, lavoro), fiducia istituzionale (governo, ONG, PRI) e percezioni del rischio (salute, economia, sociale).
• Approccio Analitico:
  1. Analisi Statistica: Sono state utilizzate statistiche descrittive, tabelle di contingenza e test Chi-Quadrato per valutare le associazioni. Il coefficiente di correlazione di rango di Spearman è stato impiegato per valutare le relazioni monotone, tenendo conto della natura ordinale dei dati.
  2. Modellazione Machine Learning: È stata valutata una suite di algoritmi di classificazione, tra cui la Regressione Logistica (LR), Support Vector Machines (SVC, NuSVC, Linear SVC), Random Forest (RF), Gradient Boosting, Alberi di Decisione, K-Nearest Neighbors, Naïve Bayes e Multi-layer Perceptron (MLP). I modelli sono stati addestrati su un 75% dei dati e validati su un set di controllo del 25%.
  3. Metriche di Prestazione: I modelli sono stati valutati utilizzando accuratezza, precisione, recall, F1-score, Area Sotto la Curva ROC (AUC) e Kappa di Cohen. L'F1-score è servito come metrica primaria per la selezione del modello, al fine di bilanciare falsi positivi e falsi negativi.
  4. Spiegabilità: SHapley Additive exPlanations (SHAP) sono state applicate al modello benchmark di Regressione Logistica per quantificare l'entità e la direzione dei contributi delle feature, garantendo che gli output del ML fossero allineati con l'inferenza statistica e offrissero interpretabilità rilevante per le politiche.

Contributi Chiave

1. Quadro Integrato: Lo studio sviluppa un quadro innovativo che combina l'inferenza statistica con l'ML interpretabile e la spiegabilità basata su SHAP per scomporre la natura multidimensionale del comportamento di WTP.
2. Rivalutazione dei Driver: Esso mette sistematicamente in discussione l'assunto prevalente che la consapevolezza e la percezione dei rischi per la salute siano i driver dominanti dell'adozione. Al contrario, fornisce prove del fatto che la fattibilità socio-economica, la struttura sociale e la fiducia istituzionale svolgono ruoli più sostanziali.
3. Rigore Metodologico: Confrontando modelli lineari e non lineari, lo studio dimostra che i modelli lineari interpretabili (nello specifico la Regressione Logistica) possono performare in modo altrettanto robusto rispetto ai complessi classificatori non lineari, offrendo un equilibrio tra potere predittivo e interpretabilità politica.

Risultati

• Risultati Statistici: La WTP ha mostrato un'eterogeneità significativa tra i villaggi ed è stata fortemente associata a casta, occupazione, reddito e fiducia istituzionale. In particolare, variabili come genere, età, stato civile e la base consapevolezza dell'arsenico non hanno mostrato associazioni statisticamente significative con la WTP. Il rischio economico percepito è stato un predittore significativo, mentre il rischio per la salute percepito non lo è stato, confermando il dato secondo cui i vincoli economici spesso superano le preoccupazioni per la salute nel processo decisionale.
• Prestazioni dei Modelli: La Regressione Logistica è emersa come il modello più robusto e interpretabile, raggiungendo un'accuratezza di test di 0,753, un F1-score di 0,687, un AUC di 0,743 e un Kappa di 0,495. Sebbene i modelli non lineari come NuSVC e Random Forest abbiano mostrato prestazioni competitive, hanno mostrato segni di overfitting (ad esempio, la Random Forest con accuratezza di training di 1,000 scesa a 0,741 sui dati di test). La prestazione moderata di tutti i modelli (AUC ~0,70–0,74) suggerisce che il comportamento di WTP sia intrinsecamente complesso e dipendente dal contesto, con una significativa sovrapposizione tra adottanti e non adottanti.
• Interpretazione SHAP: L'analisi SHAP ha identificato la casta, la classe di possesso di terre agricole (AgLHC), il rischio sociale percepito e la fiducia nelle ONG come i predittori più influenti. Fondamentalmente, l'analisi ha rivelato effetti direzionali misti: sebbene un maggiore rischio economico percepito e il possesso di asset abbiano generalmente aumentato la WTP, livelli più elevati di determinate variabili di fiducia istituzionale e indici di partecipazione hanno talvolta correlato con una minore WTP, suggerendo che i vincoli strutturali e le inefficienze istituzionali possono agire come barriere anche quando l'impegno è elevato.

Significato e Rivendicazioni
Il documento sostiene che i suoi risultati sottolineano l'insufficienza degli approcci basati solo sulla consapevolezza per migliorare l'adozione di tecnologie di mitigazione dell'arsenico. Lo studio conclude che gli interventi efficaci devono affrontare l'accessibilità economica, la credibilità istituzionale e le vulnerabilità socio-economiche. Dimostrando che la WTP è profondamente radicata nelle gerarchie sociali e nelle dinamiche di governance piuttosto che nella sola percezione del rischio per la salute, la ricerca sostiene strategie di intervento specifiche per il contesto e basate sulla fiducia. Lo studio si pone come un passo verso la progettazione di strategie di mitigazione economicamente sostenibili e socialmente inclusive, enfatizzando che le soluzioni sostenibili richiedono l'affrontamento delle sfide socio-ambientali più ampie oltre la mera fornitura tecnologica. Gli autori mantengono un tono modesto, riconoscendo i limiti quali la natura trasversale dei dati e l'uso di misure di preferenza dichiarata, e invitano a una futura validazione tramite dati longitudinali e misure di preferenza rivelata.