Per Stups zum Energiesparen?: Eine Meta-Analyse zu den kausalen Effekten von verhaltensökonomischen Interventionen auf den Energieverbrauch privater Haushalte

Mark Andor; Gunther Bensch; Katja Fels; Nadine Kneppel

doi:10.1515/pwp-2018-0039

Article

Per Stups zum Energiesparen?

Eine Meta-Analyse zu den kausalen Effekten von verhaltensökonomischen Interventionen auf den Energieverbrauch privater Haushalte

Mark Andor , Gunther Bensch , Katja Fels and Nadine Kneppel

Published/Copyright: November 13, 2019

Published by

Become an author with De Gruyter Brill

Submit Manuscript Author Information Explore this Subject

From the journal Perspektiven der Wirtschaftspolitik Volume 20 Issue 4

Zusammenfassung

Zahlreiche Länder und Staatengemeinschaften in aller Welt haben sich verpflichtet, ihren Energieverbrauch drastisch zu senken. Wie dies geschehen soll, ist bislang jedoch eine offene Frage. Vor diesem Hintergrund untersuchen die Autoren in einer Meta-Analyse, welche Potenziale verhaltensökonomische Interventionen haben, den Energieverbrauch von privaten Haushalten zu reduzieren. Konkret geht es um vier verhaltensökonomische Interventionen, genannt Feedback, Sozialer Vergleich, Selbstbindung sowie Labeling. Die Meta-Analyse fußt dabei auf insgesamt 83 Artikeln, die über eine systematische Suche identifiziert wurden. Diese Studien legen nahe, dass Feedback, Sozialer Vergleich sowie Selbstbindung den Stromverbrauch privater Haushalte im Durchschnitt um 2 bis 4 Prozent reduzieren. Für das Labeling erlauben die vorliegenden Studien bislang keine Berechnung des zu erwartenden Durchschnittseffektes, doch es kann ein effektives Instrument darstellen. Vor einer flächendeckenden Einführung von als kosteneffizient eingeschätzten Maßnahmen zum Energiesparen empfehlen die Autoren eine systematische Ex-ante-Evaluation in der jeweiligen Zielregion.

Schlüsselwörter: Verhaltensökonomik; Energienachfrage; Energieeffizienz; verhaltensbasierte Regulierung

JEL-Klassifikation: D12; D91; L94; Q41; Q58

Danksagung

Wir danken dem Ministerium für Ländlichen Raum und Verbraucherschutz Baden-Württemberg und dem Forschungszentrum Verbraucher, Markt und Politik | CCMP an der Zeppelin Universität für die Förderung des Forschungsprojekts. Des Weiteren bedanken wir uns bei den Mitarbeitern des CCMP für die gute Zusammenarbeit und viele hilfreiche Kommentare, insbesondere Sabine Bietz, Micha Kaiser, Julius Rauber und Lucia Reisch. Zudem danken wir Marvin Gleue, Mandy Kurth, Tobias Larysch, Charlotte Plinke, Heiko Röhrs, Lara Roetzel, Fabian Streib, Marc Teipel und Maximilian Zettler für die hervorragende Unterstützung.

Literaturverzeichnis

Abrahamse, W., L. Steg, C. Vlek und T. Rothengatter (2005), A review of intervention studies aimed at household energy conservation, Journal of Environmental Psychology 25(3), S. 273–91. 10.1016/j.jenvp.2005.08.002Search in Google Scholar

Allcott, H. (2011), Social norms and energy conservation, Journal of Public Economics 95(9–10), S. 1082–95.10.1016/j.jpubeco.2011.03.003Search in Google Scholar

Allcott, H. (2015), Site selection bias in program evaluation, The Quarterly Journal of Economics 130(3), S. 1117–65. 10.1093/qje/qjv015Search in Google Scholar

Allcott, H. (2016), Paternalism and energy efficiency: An overview, Annual Review of Economics 8, S. 145–76. 10.1146/annurev-economics-080315-015255Search in Google Scholar

Allcott, H. und J. B. Kessler (2019), The welfare effects of nudges: A case study of energy use social comparisons, American Economic Journal: Applied Economics, im Erscheinen.10.1257/app.20170328Search in Google Scholar

Allcott, H. und S. Mullainathan (2010), Behavior and energy policy, American Association for the Advancement of Science 327(5970), S. 1204–05.10.1126/science.1180775Search in Google Scholar

Allcott, H. und T. Rogers (2014), The short-run and long-run effects of behavioral interventions: Experimental evidence from energy conservation, American Economic Review 104(10), S. 3003–37.10.1257/aer.104.10.3003Search in Google Scholar

Allcott, H. und D. Taubinsky (2015), Evaluating behaviorally motivated policy: Experimental evidence from the lightbulb market, American Economic Review 105(8), S. 2501–38. 10.1257/aer.20131564Search in Google Scholar

Anderson, C. D. und J. D. Claxton (1982), Barriers to consumer choice of energy efficient products, Journal of Consumer Research 9(2), S. 163–70. 10.1086/208909Search in Google Scholar

Anderson, K., K. Song, S. Lee, E. Krupka, H. Lee und M. Park (2017), Longitudinal analysis of normative energy use feedback on dormitory occupants, Applied Energy 189, S. 623–39. 10.1016/j.apenergy.2016.12.086Search in Google Scholar

Andor, M. A., G. Bensch, K. M. Fels und N. Kneppel (2018), Meta-Analyse kausaler Effekte von verhaltensökonomischen Interventionen auf den Energieverbrauch privater Haushalte, Projektbericht an das Ministerium für Ländlichen Raum und Verbraucherschutz Baden-Württemberg und das Forschungszentrum Verbraucher, Markt und Politik | CCMP an der Zeppelin Universität. Search in Google Scholar

Andor, M. A. und K. M. Fels (2018), Behavioral economics and energy conservation – a systematic review of nonprice interventions and their causal effects, Ecological Economics 148, S. 178–210.10.1016/j.ecolecon.2018.01.018Search in Google Scholar

Andor, M. A., A. Gerster, J. Peters und C. M. Schmidt (2017), Social norms and energy conservation beyond the US, Ruhr Economic Papers 714.10.2139/ssrn.3234299Search in Google Scholar

Andor, M. A., A. Gerster und S. Sommer (2017b), Consumer inattention, heuristic thinking and the role of energy labels, Ruhr Economic Papers 671.10.2139/ssrn.2795579Search in Google Scholar

Arvola, A., A. Uutela und U. Anttila (1993), Billing feedback as means to encourage household electricity conservation: A field experiment in Helsinki, Proceedings of eceee Summer Study, S. 11–21.Search in Google Scholar

Ayres, I., S. Raseman und A. Shih (2013), Evidence from two large field experiments that peer comparison feedback can reduce residential energy usage, Journal of Law, Economics, and Organization 29(5), S. 992–1022. 10.1093/jleo/ews020Search in Google Scholar

Baldwin, R. (2014), From regulation to behaviour change: Giving nudge the third degree, Modern Law Review 77, S. 831–57. 10.1111/1468-2230.12094Search in Google Scholar

Bandura, A. (1986), Social foundations of thought and action: A social cognitive theory, Upper Saddle River, Prentice Hall.Search in Google Scholar

Bauer, T. K., M. Fertig, und C. M. Schmidt (2009), Empirische Wirtschaftsforschung. Eine Einführung, Berlin und Heidelberg, Springer. Search in Google Scholar

Becker, L. J. (1978), Joint effect of feedback and goal setting on performance: A field study of residential energy conservation, Journal of Applied Psychology 63(4), S. 428–33. 10.1037/0021-9010.63.4.428Search in Google Scholar

Benartzi, S. et al. (2017), Should governments invest more in nudging? Psychological Science 28(8), S. 1041–55.10.1177/0956797617702501Search in Google Scholar

BMWi, Bundesministerium für Wirtschaft und Energie (2016), Der Nationale Aktionsplan Energieeffizienz (NAPE): Mehr aus Energie machen, online verfügbar unter www.bmwi.de/DE/Themen/Energie/Energieeffizienz/nape,did=672148.html. Search in Google Scholar

Boockmann, B., C. M. Buch und M. Schnitzer (2014), Evidenzbasierte Wirtschaftspolitik in Deutschland: Defizite und Potentiale, Perspektiven der Wirtschaftspolitik, 15(4), S. 307–23.10.1515/pwp-2014-0024Search in Google Scholar

Borenstein, M., H. Cooper, L. V. Hedges und J. C. Valentine (2009a), Effect sizes for continuous data, in: H. Cooper, V. Hedges und J. C. Valentine (Hrsg.), The Handbook of Research Synthesis and Meta-Analysis, New York, Russell Sage Foundation, S. 221–35.Search in Google Scholar

Borenstein M., L. V. Hedges, J. P. T. Higgins und H. R. Rothstein (2009b), Introduction to Meta-Analysis, Chichester, John Wiley and Sons.10.1002/9780470743386Search in Google Scholar

Bosworth, S. und S. Bartke (2014), Implikationen von Nudging für das Wohlergehen von Konsumenten, Beitrag zum Zeitgespräch, Wirtschaftsdienst 11, S. 777.Search in Google Scholar

Bovens, L. (2009), The ethics of nudge, in: T. Grüne-Yanoff und S. O. Hansson (Hrsg.), Preference Change: Approaches from Philosophy, Economics and Psychology, Dordrecht, Springer, S. 207–19. 10.1007/978-90-481-2593-7_10Search in Google Scholar

Brounen, D. und N. Kok (2011), On the economics of energy labels in the housing market, Journal of Environmental Economics and Management 62(2), S. 166–79. 10.1016/j.jeem.2010.11.006Search in Google Scholar

Buryk, S., D. Mead, S. Mourato und J. Torriti (2015), Investigating preferences for dynamic electricity tariffs: The effect of environmental and system benefit disclosure, Energy Policy 80, S. 190–95. 10.1016/j.enpol.2015.01.030Search in Google Scholar

Chetty, R. (2015), Behavioral economics and public policy: A pragmatic perspective, American Economic Review 105(5), S. 1–33.10.1257/aer.p20151108Search in Google Scholar

Clee, M. A. und R. A. Wicklund (1980), Consumer behavior and psychological reactance, Journal of Consumer Research 6(4), S. 389–405. 10.1086/208782Search in Google Scholar

Cohn, L. D. und B. J. Becker (2003), How meta-analysis increases statistical power, Psychological methods 8(3), S. 243–53.10.1037/1082-989X.8.3.243Search in Google Scholar

Costa, D. und M. Kahn (2013), Energy conservation ‘nudges’ and environmentalist ideology: Evidence from a randomized residential electricity field experiment, Journal of the European Economic Association 11(3), S. 680–702. 10.1111/jeea.12011Search in Google Scholar

Damgaard, M. T. und C. Gravert (2018), The hidden costs of nudging: Experimental evidence from reminders in fundraising, Journal of Public Economics 157, S. 15–26.10.1016/j.jpubeco.2017.11.005Search in Google Scholar

Delmas, M. A. und N. Lessem (2014), Saving power to conserve your reputation? The effectiveness of private versus public information, Journal of Environmental Economics and Management 67(3), S. 353–70. 10.1016/j.jeem.2013.12.009Search in Google Scholar

Delmas, M. A., M. Fischlein und O. I. Asensio (2013), Information strategies and energy conservation behavior: A meta-analysis of experimental studies from 1975 to 2012, Energy Policy 61, S. 729–39. 10.1016/j.enpol.2013.05.109Search in Google Scholar

Department of Energy and Climate Change (2013), Removing the hassle factor associated with loft insulation: Results of a behavioural trial, online verfügbar unter www.gov.uk/government/uploads/system/uploads/attachment_data/file/236858/DECC_loft_clearance_trial_report_final.pdf.Search in Google Scholar

DerSimonian, R. und N. Laird (1986), Meta-analysis in clinical trials, Controlled Clinical Trials 7(3), S. 177–88.10.1016/0197-2456(86)90046-2Search in Google Scholar

Dolan, P. und R. Metcalfe (2015), Neighbors, knowledge, and nuggets: Two natural field experiments on the role of incentives on energy conservation, Becker Friedman Institute for Research in Economics Working Paper 2589269.10.2139/ssrn.2589269Search in Google Scholar

Ernst, A. et al. (2017), Verbraucherpolitik für die Energiewende, in: acatech, Leopoldina und Akademienunion (Hrsg.), Schriftenreihe zur wissenschaftsbasierten Politikberatung, München, acatech.Search in Google Scholar

Ferraro, P., J. Miranda und M. Price (2011), The persistence of treatment effects with norm-based policy instruments: Evidence from a randomized environmental policy experiment, American Economic Review 101(3), S. 318–22. 10.1257/aer.101.3.318Search in Google Scholar

Ferraro, P. und M. Price (2013), Using nonpecuniary strategies to influence behavior: Evidence from a large-scale field experiment, Review of Economics and Statistics 95(1), S. 64–73. 10.1162/REST_a_00344Search in Google Scholar

Fielding, K., A. Spinks, S. Russell, R. McCrea, R. Stewart und J. Gardner (2013), An experimental test of voluntary strategies to promote urban water demand management, Journal of Environmental Management 114, S. 343–51. 10.1016/j.jenvman.2012.10.027Search in Google Scholar

Frondel, M., A. Gerster und C. Vance (2017), The power of mandatory quality disclosure: Evidence from the German housing market, Ruhr Economic Papers 684.10.2139/ssrn.2796532Search in Google Scholar

Frondel, M. und C. Vance (2013), Energy efficiency: Don’t belittle the rebound effect, Nature 494, S. 430. 10.1038/494430cSearch in Google Scholar

Gilbert, B. und J. Graff Zivin (2014), Dynamic salience with intermittent billing: Evidence from smart electricity meters, Journal of Economic Behavior and Organization 107, S. 176–90. 10.1016/j.jebo.2014.03.011Search in Google Scholar

Gleerup, M., A. Larsen, S. Leth-Petersen und M. Togeby (2010), The effect of feedback by text message (SMS) and email on household electricity consumption: Experimental evidence, Energy Journal 31(3), S. 113–32.10.5547/ISSN0195-6574-EJ-Vol31-No3-6Search in Google Scholar

Hansen, P. und A. Jespersen (2013), Nudge and the manipulation of choice: A framework for the responsible use of the nudge approach to behaviour change in public policy, European Journal of Risk Regulation 4(1), S. 3–28. 10.1017/S1867299X00002762Search in Google Scholar

Hansen, P. (2016), The definition of nudge and libertarian paternalism: Does the hand fit the glove?, European Journal of Risk Regulation 7(1), S. 155–74. 10.1017/S1867299X00005468Search in Google Scholar

Harding, M. und A. Hsiaw (2014), Goal setting and energy conservation, Journal of Economic Behavior and Organization 107, S. 209–27. 10.1016/j.jebo.2014.04.012Search in Google Scholar

Hedges, L. V., J. Gurevitch und P. S. Curtis (1999), The meta-analysis of response ratios in experimental ecology, Ecology 80(4), S. 1150–56.10.1890/0012-9658(1999)080[1150:TMAORR]2.0.CO;2Search in Google Scholar

Heinzle, S. (2012), Disclosure of energy operating cost information: A silver bullet for overcoming the energy-efficiency gap?, Journal of Consumer Policy 35(1), S. 43–64.10.1007/s10603-012-9189-6Search in Google Scholar

Herrnstein R. J., G. Loewenstein, D. Prelec und W. Vaughan Jr. (1993), Utility maximization and melioration: Internalities in individual choice, Journal of Behavioral Decision Making 6, S. 149–85. 10.1002/bdm.3960060302Search in Google Scholar

Higgins, E. T. (1996), Knowledge activation: Accessibility, applicability, and salience, in: E. T. Higgins und A. W. Kruglanski (Hrsg.), Social Psychology: Handbook of Basic Principles, New York, Guilford Press, S. 133–68.Search in Google Scholar

Higgins, J. P. T. und S. Green (2011), Cochrane Handbook for Systematic Review of Interventions, Version 5.1.0, The Cochrane Collaboration, online verfügbar unter: www.cochrane-handbook.org. Search in Google Scholar

Higgins, J. P. T., S. G. Thompson, J. J. Deeks und D. G. Altman (2003), Measuring inconsistency in meta-analyses, BMJ: British Medical Journal 327(7414), S. 557–60.10.1136/bmj.327.7414.557Search in Google Scholar

Houde, S. (2014), How consumers respond to environmental certification and the value of energy information, NBER Working Paper 20019.10.3386/w20019Search in Google Scholar

Houle, D., C. Pelabon, G. P. Wagner und T. F. Hansen (2011), Measurement and meaning in biology, Quarterly Review of Biology 86, S. 3–34.10.1086/658408Search in Google Scholar

Houwelingen, J. H. van und W. F. van Raaij (1989), The effect of goal-setting and daily electronic feedback on in-home energy use, Journal of Consumer Research 16(1), S. 98–105. 10.1086/209197Search in Google Scholar

Hunter, J. E. und F. L. Schmidt (2000), Fixed effects vs. random effects in meta-analysis models: Implications for cumulative research knowledge, International Journal of Selection and Assessment 8, S. 275–92.10.1111/1468-2389.00156Search in Google Scholar

Jensen, O., A. Hansen und J. Kragh (2016), Market response to the public display of energy performance rating at property sales, Energy Policy 93, S. 229–35. 10.1016/j.enpol.2016.02.029Search in Google Scholar

Kahneman, D. (2003), Maps of bounded rationality: Psychology for behavioural economics, American Economic Review 93(5), S. 1449–75.10.1257/000282803322655392Search in Google Scholar

Karlin, B., R. Ford und J. Zinger (2015), The effects of feedback on energy conservation: A meta-analysis, Psychological Bulletin 141, S. 1205–47.10.1037/a0039650Search in Google Scholar

Kasperbauer, T. J. (2017), The permissibility of nudging for sustainable energy consumption, Energy Policy 111, S. 52–57.10.1016/j.enpol.2017.09.015Search in Google Scholar

Katzev, R., L. Cooper und P. Fisher (1980), The effect of feedback and social reinforcement on residential electricity consumption, Journal of Environmental Systems 10(3), S. 215–27. 10.2190/M8W4-JUYV-NB03-CUFLSearch in Google Scholar

Kelley, G. A. und K. S. Kelley (2012), Statistical models for meta-analysis: A brief tutorial, World Journal of Methodology 2(4), S. 27–32.10.5662/wjm.v2.i4.27Search in Google Scholar

Kirchgässner, G. (2017), Soft paternalism, merit goods, and normative individualism, European Journal of Law and Economics 43(1), S. 125–52.10.1007/s10657-015-9500-5Search in Google Scholar

Köszegi, B. und A. Szeidl (2012), A model of focusing in economic choice, The Quarterly Journal of Economics 128(1), S. 53–104.10.1093/qje/qjs049Search in Google Scholar

Kurz, T., N. Donaghue und I. Walker (2005), Utilizing a social-ecological framework to promote water and energy conservation: A field experiment, Journal of Applied Social Psychology 35(6), S. 1281–300. 10.1111/j.1559-1816.2005.tb02171.xSearch in Google Scholar

Laibson, D. (1997), Golden eggs and hyperbolic discounting, The Quarterly Journal of Economics 112(2), S. 443–78.10.1162/003355397555253Search in Google Scholar

Lehner, M., O. Mont und E. Heiskanen (2016), Nudging – A promising tool for sustainable consumption behaviour? Journal of Cleaner Production 134, S. 166–77.10.1016/j.jclepro.2015.11.086Search in Google Scholar

Lokhorst, A. M., C. Werner, H. Staats, E. van Dijk und J. E. Gale (2013), Commitment and behavior change: A meta-analysis and critical review of commitment-making strategies in environmental research, Environment and Behavior 45(1), S. 3–34.10.1177/0013916511411477Search in Google Scholar

Lynham, J., K. Nitta, T. Saijo und N. Tarui (2016), Why does real-time information reduce energy consumption?, Energy Economics 54, S. 173–81. 10.1016/j.eneco.2015.11.007Search in Google Scholar

Mizobuchi, K. und K. Takeuchi (2013), The influences of financial and non-financial factors on energy-saving behaviour: A field experiment in Japan, Energy Policy 63, S. 775–87. 10.1016/j.enpol.2013.08.064Search in Google Scholar

Mountain, D. (2012), Real-time feedback and residential electricity consumption: The Newfoundland and Labrador pilot, QSEP Research Report 449.Search in Google Scholar

Nakagawa, S., D. W. Noble, A. M. Senior und M. Lagisz (2017), Meta-evaluation of meta-analysis: Ten appraisal questions for biologists, BMC Biology 15(1), S. 1–14.10.1186/s12915-017-0357-7Search in Google Scholar

Newell, R. und J. Siikamaki (2014), Nudging energy efficiency behavior: The role of information labels, Journal of the Association of Environmental and Resource Economists 1(4), S. 555–98. 10.1086/679281Search in Google Scholar

Nisan, M. und G. Horenczyk (1990), Moral balance: The effect of prior behaviour on decision in moral conflict, British Journal of Social Psychology 29(1), S. 29–42.10.1111/j.2044-8309.1990.tb00884.xSearch in Google Scholar

O’Donoghue, T. und M. Rabin (1999), Doing it now or later, American Economic Review 89(1), S. 103–24.10.1257/aer.89.1.103Search in Google Scholar

O’Donoghue, T. und M. Rabin (2008), Procrastination on long-term projects, Journal of Economic Behavior & Organization 66(2), S. 161–75.10.1016/j.jebo.2006.05.005Search in Google Scholar

OECD (2017), Tackling Environmental Problems with the Help of Behavioural Insights, Paris, OECD Publishing. Search in Google Scholar

Ölander, F. und J. Thøgersen (2014), Informing versus nudging in environmental policy, Journal of Consumer Policy 37(3), S. 341–56. 10.1007/s10603-014-9256-2Search in Google Scholar

Partlett, C. und R. D. Riley (2017), Random effects meta‐analysis: Coverage performance of 95 % confidence and prediction intervals following REML estimation, Statistics in Medicine 36(2), S. 301–17.10.1002/sim.7140Search in Google Scholar

Pigott, T. D. (2009), Handling missing data, in: H. M. Cooper, L. V. Hedges und J. C. Valentine (Hrsg.), The Handbook of Research Synthesis and Meta-Analysis, New York, Russell Sage Foundation, S. 399–416.Search in Google Scholar

Reisch, L. A. (2013), Elemente einer verhaltensorientierten Energienachfragepolitik, in: M. Held, G. Kubon-Gilke und R. Sturn (Hrsg.), Grenzen der Konsumentensouveränität, Jahrbuch Normative und institutionelle Grundfragen der Ökonomik 12, Marburg, Metropolis-Verlag, S. 139–59. Search in Google Scholar

Reisch, L. A. und C. R. Sunstein (2017), Verhaltensbasierte Regulierung (Nudging), in: P. Kenning, A. Oehler, L. A. Reisch und C. Grugel (Hrsg.), Verbraucherwissenschaften, Wiesbaden, Springer Gabler, S. 341–65. 10.1007/978-3-658-10926-4Search in Google Scholar

Rohling, M. und R. Schubert (2013), Energy labels for household appliances and their disclosure format: a literature review, IED Working Paper 21. Search in Google Scholar

Rosenthal, R. und M. R. DiMatteo (2001), Meta-analysis: Recent developments in quantitative methods for literature reviews, Annual Review of Psychology 52(1), S. 59–82. 10.1146/annurev.psych.52.1.59Search in Google Scholar

RWI (2017a), Meta-Analyse kausaler Effekte von verhaltensökonomischen Interventionen auf den Energieverbrauch privater Haushalte, RWI Projektberichte.Search in Google Scholar

RWI (2017b), Energiesparen in privaten Haushalten – Ein Randomized Controlled Trial zur Wirkungsevaluierung einer Endverbrauchersensibilisierung, RWI Projektbericht für ein Forschungsprojekt gefördert durch die Stiftung Mercator.Search in Google Scholar

Schmidt, C. M. (2014), Wirkungstreffer erzielen – Die Rolle der evidenzbasierten Politikberatung in einer aufgeklärten Gesellschaft, Perspektiven der Wirtschaftspolitik 15(3), S. 219–33.10.1515/pwp-2014-0017Search in Google Scholar

Schnellenbach, J. (2011), Wohlwollendes Anschubsen: Was ist mit liberalem Paternalismus zu erreichen und was sind seine Nebenwirkungen?, Perspektiven der Wirtschaftspolitik 12(4), S. 445–59.10.1111/j.1468-2516.2012.00381.xSearch in Google Scholar

Schubert, R. und Stadelmann, M. (2015), Energy-using durables – why consumers refrain from economically optimal choices, Frontiers in Energy Research 3(7), S. 1–13. 10.3389/fenrg.2015.00007Search in Google Scholar

Schultz, P. Wesley, M. Estrada, J. Schmitt, R. Sokoloski und N. Silva-Send (2015), Using in-home displays to provide smart meter feedback about household electricity consumption: A randomized control trial comparing kilowatts, cost, and social norms, Energy 90(1), S. 351–58. 10.1016/j.energy.2015.06.130Search in Google Scholar

Seligman, C., J. Darley und L. Becker (1978), Behavioral approaches to residential energy conservation, Energy and Buildings 1(3), S. 325–37. 10.1016/0378-7788(78)90012-9Search in Google Scholar

Sterne, J. A. et al. (2011), Recommendations for examining and interpreting funnel plot asymmetry in meta-analyses of randomised controlled trials, British Medical Journal 343, d4002.10.1136/bmj.d4002Search in Google Scholar

Sunstein, C. R. (2014), Nudging: A very short guide, Journal of Consumer Policy 37(4), S. 583–88.10.1007/s10603-014-9273-1Search in Google Scholar

Sunstein, C. R. und L. A. Reisch (2014), Automatically green: Behavioral economics and environmental protection, Harvard Environmental Law Review 38(1), S. 127–58.Search in Google Scholar

Thaler, R. H. und S. Benartzi (2004), Save more tomorrow: Using behavioral economics to increase employee saving, Journal of Political Economy 112, S. 164–87.10.1086/380085Search in Google Scholar

Thaler, R. H. und C. R. Sunstein (2003), Libertarian paternalism, American Economic Review 93(2), S. 175–79.10.1257/000282803321947001Search in Google Scholar

Thaler, R. H. und C. R. Sunstein (2009), Nudge: Wie man kluge Entscheidungen anstösst, Berlin, Econ Verlag.Search in Google Scholar

Tiefenbeck, V., L. Goette, K. Degen, V. Tasic, E. Fleisch, R. Lalive und T. Staake (2018), Overcoming salience bias: How real-time feedback fosters resource conservation, Management Science 64(3), S. 1458–76.10.1287/mnsc.2016.2646Search in Google Scholar

Tiefenbeck, V., T. Staake, K. Roth und O. Sachs (2013), For better or for worse? Empirical evidence of moral licensing in a behavioral energy conservation campaign, Energy Policy 57, S. 160–71. 10.1016/j.enpol.2013.01.021Search in Google Scholar

Veroniki, A. A. et al. (2016), Methods to estimate the between‐study variance and its uncertainty in meta‐analysis, Research Synthesis Methods 7(1), S. 55–79.10.1002/jrsm.1164Search in Google Scholar

Verplanken, B. und M. W. H. Weenig (1993), Graphical energy labels and consumers’ decisions about home appliances: A process tracing approach, Journal of Economic Psychology 14(4), S. 739–52. 10.1016/0167-4870(93)90019-HSearch in Google Scholar

Vooren, M., C. Haelermans, W. Groot, und H. M. van den Brink (2017), The effectiveness of active labor market policies: A meta-analysis, TIER Working Paper 17/01, Maastricht University.Search in Google Scholar

Weckmann, G., J. F. Chenot und K. C. Reber (2015), Metaanalysen lesen und interpretieren: Eine praktische Anleitung, Zeitschrift für Allgemeinmedizin 91(11), S. 469–73. Search in Google Scholar

Winett, R., J. Hatcher und T. Fort (1982), The effects of videotape modeling and daily feedback on residential electricity conservation, home temperature and humidity, perceived comfort, and clothing worn: Winter and summer, Journal of Applied Behavior Analysis 15(3), S. 381–402. 10.1901/jaba.1982.15-381Search in Google Scholar

Winett, R., M. Neale und H. Grier (1979), Effects of self-monitoring and feedback on residential electricity consumption, Journal of Applied Behavior Analysis 12(2), S. 173–84. 10.1901/jaba.1979.12-173Search in Google Scholar

World Bank (2018), World Bank Country and Lending Groups. Historical classification by income in XLS format, online verfügbar unter http://databank.worldbank.org/data/download/site-content/OGHIST.xls. Search in Google Scholar

A Anhang

A.1 Schlagwortkombinationen für die Datenbanksuche

Die Datenbanken EconLit, JSTOR, und ScienceDirect wurden anhand vorab festgelegter, identischer Schlagwort-Kombinationen durchsucht, die in Tabelle A.1 aufgelistet sind. Berücksichtigt wurden dabei folgende Suchfelder:

EconLit: Suchfelder „Title“, „Abstract“ und „Subjects (SU)“; Kategorien „Journals“ und „Working Paper“.
JSTOR: Journal-Artikel; Fachbereiche „Business“, „Economics“, „Environmental Science”, „Environmental Studies“, „Finance“, „General Science“, „Management & Organizational Behavior“, „Psychology“ und „Sociology“.
ScienceDirect: Suchfeld „Abstract, Title, Keywords“; ausschließlich Journal-Artikel, da keine entsprechende Kategorie für Working Paper existiert; Fachbereiche „Economics, Econometrics, Finance“, „Psychology“, „Social Sciences“, „Environment“ und „Energy“.

Tabelle A.1

Schlagwortkombinationen für die Datenbanksuche

Intervention	Schlagwortkombinationen
Sozialer Vergleich	„social norms“ OR „social learning“ OR „social modeling“ OR „social influence“OR „peer comparison“ OR „peer information“ OR „comparative energy information“
Selbstbindung	„commitment“ OR „pre-commitment“ OR „precommitment“ OR „pledge“ OR „behavioral contract“ OR „commitment contract“ OR „commitment devices“ OR „commitment approach“ OR „personal commitment“ OR „public commitment“ OR „self-control“ OR „self-regulation“ AND NOT „unit commitment“
Zielsetzung	„goal setting“ OR „goal-setting“ OR „consumption target“ OR „consumption goal“ OR „exogenous target“ OR „exogenous goal“ OR „target request“ OR „conservation request“ OR „conservation goal“ OR „conservation target“ OR “reduction goal“ OR „reduction target“ OR „savings goal“ OR „savings target“ OR „reference goal“ OR „goal assignment“ OR „self-set goal“ OR „assigned goal“ OR „reference point“
Labeling	„energy labeling“ OR „energy labelling“ OR „information label*“ OR „energy information“ OR „energy label“ OR „information acquisition“ OR „information disclosure“ OR „environmental certification“
Feedback	„feedback“
	AND „energy conservation“ OR „energy consumption“ OR „energy use“ OR „energy usage“ OR „energy demand“ OR „energy saving“ OR „electricity conservation“ OR „electricity consumption“ OR „electricity use“ OR „electricity usage“ OR „electricity demand“ OR „electricity saving“ OR „gas conservation“ OR „gas consumption“ OR „gas use” OR „gas usage“ OR „gas demand“ OR „gas saving“ OR „water conservation“ OR „water consumption” OR „water use“ OR „water usage“ OR „water demand“ OR „water saving“ OR „conservation behavior“

Quelle: Eigene Zusammenstellung
Anmerkung: Die in der Tabelle genannten Suchformeln müssen für die Expertensuche bei ScienceDirect um ein tak() AND tak() AND NOT tak() ergänzt werden. Bei EconLit muss anstatt von „tak()” die Suchbegriffskette dreimal angegeben werden für abstract („AB()“), title („OR TI()“) und subject („OR SU()“). Bei JSTOR muss einzeln in „Item Title“ und „Abstract“ gesucht werden. Die angegebenen Sternchen sind nur bei EconLit und JSTOR vonnöten. Alle Datenbanken suchen automatisch nach britischer und amerikanischer Schreibweise, so zum Beispiel bei „behavior“.

A.2 Ergebnisse der systematischen Suche

Die Datenbanksuche erzielte 2 255 Treffer, zu denen auch die beiden Überblicksarbeiten von Abrahamse et al. (2005) und Delmas et al. (2013) gehörten. Weitere fünf vorangegangene Überblicksarbeiten konnten mittels Expertenbefragung identifiziert werden. Diese sieben Überblicksarbeiten umfassten 169 Artikel, so dass die systematische Suche insgesamt 2 424 potenziell relevante Artikel lieferte. Von diesen wurden 651 als Duplikate erkannt und aussortiert.

Abbildung A.1

Überblick über den Such- und SelektionsprozessQuelle: Eigene Zusammenstellung

Von den restlichen 1 773 Artikeln hielten in einem ersten Schritt (der Durchsicht von Abstract und Titel) 202 den der Meta-Analyse zugrundeliegenden Kriterien stand. Nach der Prüfung der Volltexte verblieben 83 Artikel, die allen Kriterien entsprechen und in die Analyse einbezogen wurden. Studien, die mehr als eine Intervention untersuchen, werden in der untersten Zeile von Abbildung A.1 mehrfach gezählt.

Anstatt auf Artikel beziehen wir uns im Folgenden auf eigenständige Studien. Tabelle A.2 zeigt, in welchem Verhältnis die einbezogenen Studien und Artikel zueinander stehen. Während der Großteil der Artikel die Ergebnisse einer Studie vorstellt, gibt es zwei Studien, deren Kurz- und Langfristeffekte auf zwei unterschiedliche Artikel verteilt besprochen wurden, sowie einige Artikel, die mehre Studien beinhalten. Dabei handelt es sich um unterschiedliche Interventionen mit unterschiedlichen Populationen, oder um unterschiedliche Populationen, die der gleichen Interventionen ausgesetzt wurden, oder um ein und dieselbe Population, die zu unterschiedlichen Zeitpunkten unterschiedlichen Interventionen erhält. Darüber hinaus gibt es unter anderem fünf Studien, die zwar alle im Rahmen von Kooperationen zwischen dem Dienstleister Opower und Energieversorgern in den Vereinigten Staaten generiert wurden, sich jedoch auf Populationen beziehen, die als statistisch unabhängig gelten können.

Seit März 2008 hat Opower sogenannte Home Energy Reports an die Kunden verschiedener kooperierender Energieversorger gesendet. Jedoch nutzt von den fünf einbezogenen Studien nur Allcott (2011) Daten von allen Projekten aus den Jahren 2008 und 2009. Ayres et al. (2013) untersuchen den Energiekonsum von Haushalten aus dem Sacramento County in Kalifornien und dem Puget Sound in Washington. Auch Costa und Kahn (2013) bestimmen den Einfluss solcher Reports auf der Grundlage von Daten eines einzelnen Energieversorgers aus dem Westen der Vereinigten Staaten. Die fünfte Studie untersucht Haushalte aus drei verschiedenen Regionen (Allcott und Rogers 2014). Gemäß der obigen Definition sind 95 Studien im Rahmen dieser Suche gefunden worden (Tabelle A.2).

Tabelle A.2

Artikel-Studien-Kombinationen und beispielhafte Artikel

Artikel-Studien-Kombinationen	Beispielhafte Artikel	Anzahl Studien
Mehrere Artikel, eine Studie	Ferraro et al. 2011, Ferraro und Price 2013	1
Ein Artikel, eine Studie	Tiefenbeck et al. 2013, Allcott und Rogers 2014	70
Ein Artikel, mehrere Studien	Houde 2014, Dolan und Metcalfe 2015	24
Gesamt		95

Quelle: Eigene Zusammenstellung

Aus den 95 Studien wurden zunächst insgesamt 638 Effektschätzer in diese Meta-Analyse aufgenommen, da sie grundsätzlich alle Auswahlkriterien erfüllen. Dennoch müssen in einem letzten Schritt vor der eigentlichen Analyse noch bestimmte Schätzer und damit auch komplette Studien ausgeschlossen werden. Ausschlussgründe sind in Tabelle A.3 aufgeführt.

Tabelle A.3

Weitere Ausschlüsse von Studien und Effektschätzern


Ausschlussgrund	Anzahl Ausschlüsse		Ausgeschlossene Studien
Ausschlussgrund	Schätzer	Studien	Ausgeschlossene Studien
RCT ausschließlich mit Vorher-Nachher-Vergleichen	38	6	Bekker et al. 2010, Bittle et al. 1979 a, Grønhøj und Thøgersen 2011, Kua und Wong 2012, Schultz et al. 2007, van Houwelingen und van Raaij 1989
Quasi-experimentelle Studien ausschließlich mit Vorher-Nachher-Vergleichen	19	1	Staats et al. 2004
Nicht-bevorzugte Effektschätzer	303	-	-
Effektschätzer nur qualitativ genutzt (da nur Trendanalyse des Verbrauchs)	6	1	Fielding et al. 2013
Verbleibende Schätzer und Studien	272	87

Quelle: Eigene Zusammenstellung

Hauptgrund ist die in Anhang ‎A.3 erläuterte Hierarchisierung der Effektschätzer, weswegen insgesamt 303 Schätzer ausgeschlossen wurden. Entsprechend der Logik der Hierarchisierung wurden hierbei keine kompletten Studien ausgeschlossen. Dies war hingegen der Fall bei sechs Studien, die zwar prinzipiell von den Autoren als randomisierte, kontrollierte Feldexperimente beschrieben werden, die Kontrollgruppe jedoch nicht in ihre Analyse aufnahmen. Stattdessen wurden lediglich einfache Vorher-Nachher-Vergleiche für die Treatmentgruppe angestellt. Aufgrund genereller zeitlicher Trends sind die so bestimmten Effekte in der Regel verzerrt und lassen keine Differenzierung zwischen zeitlichem Trend und eigentlichem Effekt der Intervention zu – dies lässt sich sehr gut an der Studie von Fielding et al. (2013) veranschaulichen, die zeitliche Trends des Wasserkonsums untersuchen. Da sie solche Trends tatsächlich finden, können sie die mit den untersuchten Interventionen einhergehenden Konsumveränderungen nicht analysieren. Die Studie kann daher keine kausalen Effekte der Interventionen messen und findet sich ebenfalls in der Tabelle unter den ausgeschlossenen Studien. Entsprechend der untersten Zeile von Tabelle A.1 gehen insgesamt 272 Schätzer aus 87 Studien in die weiteren Untersuchungen ein.

A.3 Berechnungsformeln der Effektgrößenstatistiken

Im Zusammenhang mit Effektgrößen von Interventionen wird üblicherweise die standardisierte Mittelwertsdifferenz (standardised mean difference, SMD) als Effektgrößenstatistik herangezogen. Diese kann jedoch nicht berechnet werden, wenn – wie in unserem Fall – zugrundeliegende Studien den Effekt lediglich als prozentuale Veränderung angeben. Wir nutzen daher alternativ den natürlichen Logarithmus der response ratio (lnRR) als standardisierte Effektgrößenstatistik, auch da die Voraussetzungen dafür, lnRR sinnvoll anzuwenden, in der vorliegenden Studie erfüllt sind: Es handelt sich bei den Hauptergebnisvariablen Strom-, Gas- und Wasserkonsum um Verhältnisskalendaten, die (i) mittels einer metrischen Skala gemessen werden (zum Beispiel kWh) und (ii) nur in seltenen Fällen den Wert null annehmen, der gleichzeitig das Minimum darstellt (Borenstein et al. 2009b, Houle et al. 2011).

Bei der Berechnung von lnRR wird zwischen den Fällen unterschieden, in denen nur ein Schätzer pro Interventions-Ergebnisvariablen-Kombination vorliegt, und denen, wo aufgrund einer fehlenden klaren Hierarchisierbarkeit mehrere Effektschätzungen für eine Kombination infrage kommen. Die Hierarchisierung erfolgte gemäß Tabelle A.4. Verschiedene Treatmentgruppen innerhalb eines Experiments, die denselben Interventionstyp testen, haben wir als unabhängige Gruppen gewertet; hier musste dementsprechend keine Hierarchisierung vorgenommen werden, so dass sie getrennt in die Berechnung des allgemeinen Effektes aufgenommen wurden.

Tabelle A.4

Hierarchisierung von Schätzern, die zu gepoolten Effektschätzern beitragen


gesamte Studienpopulation	>	Untergruppe der Studienpopulation
gesamter Energieverbrauch	>	Energieverbrauch für bestimmte Zwecke (zum Beispiel Heizen)
individualspezifischere fixe Effekte	>	weniger individualspezifische fixe Effekte
erweitertes Set an Kontrollvariablen	>	begrenztes Set an Kontrollvariablen
keine Interaktionsterme mit Intervention	>	Interaktionsterme mit Intervention
gesamter Beobachtungszeitraum	>	bestimmter Teil des Beobachtungszeitraums
Effekte auf Haushaltsebene	>	Effekte auf Individualebene
längerfristige Effekte	>	kurzfristige Effekte

Anmerkung: Das Zeichen „>“ drückt die Präferenz des linken gegenüber dem rechten Fall aus. Bzgl. des letzten Punktes wurden Kurzfristeffekte nicht gänzlich verworfen, sondern für eine spätere Heterogenitätsanalyse herangezogen, im Rahmen derer versucht wird, in den Resultaten Muster entlang bestimmter Charakteristika zu finden. Gleiches wäre prinzipiell auch für die Individualebene denkbar, jedoch ist die Anzahl der Studien, die beide Ebenen betrachten, so gering, dass sich eine solche Zusatzanalyse nicht anbietet.
Quelle: Eigene Zusammenstellung

In den Fällen, in denen mehrere Effektschätzungen für eine Kombination infrage kommen, werden „synthetische“ Effektgrößen berechnet, deren Formeln auf Borenstein et al. (2009b) basieren und in Tabelle A.5 genannt sind. Sowohl die in der Tabelle aufgeführten Punktschätzer als auch Standardfehler der jeweiligen Effektgrößen werden für die meta-analytischen Berechnungen benötigt.

Tabelle A.5:

Verwendete standardisierte Effektgrößenstatistiken

	Berechnung basierend auf einem einzelnen Schätzer	Synthetische Effektgrößenberechnung basierend auf mehreren Einzelschätzern
*lnRR*
Punktschätzer der Effektgröße	lnRR=ln(X̅i,T/X̅i,C)=ln(pc100)	lnRRi=ln(1m×(∑j=1mX̅j,t/X̅j,c))
Standardfehler der Effektgröße	SE(lnRR)=ln(X-i,T/X-i,C)/t	SE(lnRR)i=1m2×(∑j=1mSElnRRj2+∑j≠k(ρjk×SElnRRj×SElnRRk))
*SMD*
Punktschätzer der Effektgröße	SMDi=(X̅i,T-X̅i,C)/si=βi/si	SMDi= 1m×(∑j=1mSMDj)
Standardfehler der Effektgröße	SE(SMD)i=SMDi/ti	SE(SMD)i=1m2×(∑j=1mSESMDj2+∑j≠k(ρjk×SESMDj×SESMDk))
*Legende*
β = Koeffizient aus Regressionsschätzungen zur Berechnung des Interventionseffekts C = Kontrollgruppenteilnehmer (control) i, j, k = extrahierte Schätzung m = Anzahl der in einen synthetisierten Schätzer einfließenden Einzelschätzer s = Standardabweichung der Ergebnisvariable nach der Intervention		SE = Standardfehler (standard error) SMD = standardisierte Mittelwertsdifferenz (standardised mean difference) t = Student-t-Statistik des Effektschätzers T = Treatmentgruppenteilnehmer X = Ergebnisvariable ρ = Korrelationskoeffizient zwischen Effektgrößenschätzungen

Quelle: Eigene Zusammenstellung

Unter den für die Berechnungen benötigten Variablen sind vor allem drei, die in Primärstudien nicht konsequent berichtet werden: s, t, und ρ. Da einige der Studien bereits Jahrzehnte zurückliegen, kam die Kontaktierung der Autoren nicht infrage. Stattdessen wurde (i) die Standardabweichung der Ergebnisvariable nach der Intervention s, falls möglich, anhand anderer Standardabweichungen approximiert (s. Tabelle A.5).

Wenn (ii) die Student-t-Statistik des Effektschätzers (oder zu ihrer Berechnung verwertbare p-Werte) nicht aus der Studie extrahiert werden konnten, haben wir den t-Wert entsprechend des berichteten Signifikanzniveaus (in der Regel durch Sternchen dargestellt) verwendet, da dies die genaueste Näherung ist, die in diesem Fall möglich ist. Dies ist ein verbreiteter Ansatz (siehe zum Beispiel Vooren et al. 2017, Karlin et al. 2015, und Rosenthal und DiMatteo 2001), der jedoch zu einem Verlust an Informationen und tendenziell zu einer Unterschätzung der Größe des Effekts führt, insbesondere wenn darüber hinaus statistisch insignifikante Ergebnisse mit t≈0 kodiert werden wie in den zitierten Arbeiten (Pigott 2009). Stattdessen haben wir zumindest für lnRR einen weniger verzerrenden Ansatz gewählt: Da, anders als bei SMD, auch die Standardabweichung selbst normiert ist, können insignifikante Studien, die einen t-Wert berichten, herangezogen werden, um den Maximalwert von SE(lnRR) innerhalb dieser Studien zu ermitteln, SE(lnRR)_max. Zensiert man all bei all denjenigen insignifikanten Studien, bei denen der t-Wert fehlt, den Standardfehler auf diesen Wert (SE(lnRR)_{insignifikant_t-fehlend} ≜ SE(lnRR)_max) und formt die Gleichung aus der Tabelle um, kann man ebenfalls einen weiterhin konservativen, aber vermutlich weniger stark verzerrten t-Wert ermitteln.

In den wenigen Fällen, in denen synthetische Effektgrößen berechnet werden mussten, ist zudem an sich (iii) der Korrelationskoeffizient zwischen Effektgrößenschätzungen, ρ, vonnöten. Dieser Koeffizient ist jedoch unbekannt und für die einbezogenen Studien kaum plausibel approximierbar. Es wird daher von einem Koeffizienten von 1 ausgegangen, d. h. perfekter Korrelation. Diese Annahme ist ebenfalls konservativ, da dadurch die Varianz vermutlich überschätzt und somit die Genauigkeit des Schätzers unterschätzt wird.

Sind die Effektgrößenstatistiken der einzelnen Studien einmal berechnet, gehen sie in die meta-analytische Berechnung anhand der üblicherweise angewandten Inverse-Varianz-Gewichtung mit zufälligen Effekten (inverse-variance random effects). Die hierbei zum Tragen kommende „between study variance“ wird mit der Methode von DerSimonian und Laird (1986) berechnet. Die Wahl einer Modellierung mit zufälligen statt fixen Effekten erscheint angemessen aufgrund der vermutlich ausgeprägten kontextuellen Variation zwischen den Studien (zum Beispiel im konkreten Interventionsdesign und Implementierungsprozess), und dem grundsätzlichen Vorteil, dass die Modellierung eine bessere Generalisierbarkeit auf Kontexte erlaubt, die nicht von den betrachteten Studien abgedeckt sind (Hunter und Schmidt 2000). Während die Methode von DerSimonian und Laird ihre Schwachstellen hat (Veroniki et al. 2016), vermögen alternative Ansätze noch nicht zu überzeugen (Partlett und Riley 2017). Des Weiteren sind die Unterschiede zwischen den bestehenden Methoden gering (Kelley und Kelly 2012).

A.4 Anleitung zum Lesen und Interpretieren der Forest plots

In einem Forest plot wie dem in Abbildung 1 sind alle jeweils aufgenommenen Studien untereinander aufgelistet. Da mitunter mehrere unabhängige Effektschätzer aus demselben Artikel auftauchen, werden diese wie folgt gekennzeichnet:

stX für Studie X innerhalb eines Artikels
GY für Treatmentgruppe Y, falls also mehrere separate Gruppen unterschiedlichen Interventionen (oder Interventionskombinationen) unterzogen wurden
c(Z) für den Fall, dass nicht mit einer reinen Kontrollgruppe verglichen wird, sondern mit einem anderen Treatment Z
aggr E., falls die Studie Strom- und Gasverbrauch für die entsprechende Intervention nur kombiniert betrachtet.

Darüber hinaus sind die Effekte nochmals aufgeteilt in solche, bei denen Studienteilnehmer nur die jeweilige Intervention durchlaufen („reiner Interventionseffekt“) und solchen, bei denen die jeweils untersuchte Intervention noch mit anderen kombiniert wurde („Effekt aus Kombination mit anderen Interventionen“). Neben jeder Studie wird rechts eine horizontale Linie und ein Quadrat dargestellt. Die Mitte des Quadrats zeigt den punktgenauen Wert des Ergebnisses der jeweiligen Studie an. Ein lnRR-Wert von 1 bedeutet, dass der Verbrauch zwischen Treatment- und Kontrollgruppe gleich ist, somit als nicht von der Intervention beeinflusst angesehen werden kann. Dies wird durch die vertikale Mittellinie als „Kein-Effekt-Linie“ dargestellt. Abweichungen von 1 sind prozentual zu verstehen, ein Wert von 0.95 entspricht somit einer Verbrauchsreduzierung um 5 Prozent. Je weiter ein Quadrat von der Mittellinie entfernt ist, desto stärker war der Effekt in der Studie.

Die Größe des Quadrats repräsentiert die Bedeutung (das „Gewicht“) der Studie für das Gesamtergebnis. Durch die unterschiedliche Gewichtung ist es möglich, in einer Meta-Analyse Studien unterschiedlicher Größe und Präzision zu berücksichtigen. Technisch entspricht das Gewicht der inversen Varianz des Effektes, d. h. je präziser in einer Studie der Effekt bestimmt werden kann, desto mehr Gewicht wird auf diese Studie in der Meta-Analyse gelegt.

Die Länge der horizontalen Linien links und rechts der Quadrate zeigt das Konfidenzintervall an. Hier kommt wieder die „Kein-Effekt-Linie“ ins Spiel. Wenn die Linie der Einzelstudie diese Mittellinie schneidet, ist das Ergebnis der Einzelstudie nicht signifikant (5-Prozent-Niveau). Befindet sich dagegen die komplette Linie auf einer Seite der Mittellinie, handelt es sich um einen signifikanten Effekt. Konfidenzintervalle werden in der rechten Spalte in Klammern hinter dem Punktschätzer des Effektes angegeben.

Die Raute unter den Einzelstudien zeigt das Gesamtergebnis der gepoolten Effekte in der Meta-Analyse. Durch die Lage des Mittelpunktes ist sofort ersichtlich, ob die Intervention tatsächlich zu einer Verbrauchsreduzierung geführt hat. Das Konfidenzintervall des Gesamtergebnisses wird durch die äußeren Punkte der Raute dargestellt. Durch die gemeinsame Betrachtung aller relevanten Studien in einer Meta-Analyse wird die Stichprobe größer als in den Einzelstudien, wodurch die Präzision der Abschätzung des Gesamteffektes erhöht wird, weswegen die Raute in der Regel relativ schmal ist. Ein eigenes statistisches Signifikanzniveau in Form eines p-Wertes wird zudem auf der linken Seite aufgezeigt. Ein p-Wert kleiner als 10 bzw. 5 Prozent wird üblicherweise als statistisch signifikant interpretiert, es ist somit äußerst unwahrscheinlich, dass der beobachtete Unterschied dem Zufall zuzuschreiben ist. Neben diesem Wert wird abschließend noch ein sogenannter I²-Wert („I-squared“) angegeben. Er vermittelt dem Leser, wie ähnlich (homogen) die zugrundeliegenden Studien selber sind, inwiefern sie also tatsächlich „in einen Topf geworfen“ werden können („Äpfel-und-Birnen“-Problem). Bei einem I²-Wert von 0 Prozent wäre die Variabilität der Studienergebnisse vollständig auf Zufallsschwankungen zurückzuführen. Bei einem Wert von 100 Prozent wäre die Variabilität allein durch Unterschiede zwischen den Studien zu erklären. Große Unterschiede in den Effektgrößen oder Konfidenzintervallen deuten auf systematische Unterschiede zwischen den Studien hin. Das schränkt die Vertrauenswürdigkeit des gepoolten Gesamtergebnisses ein (Higgins et al. 2003). Higgins und Green (2011) schlagen vor, einen Wert über 50 Prozent als Indiz für substantielle Heterogenität zu werten.^[12]

A.5 Vollständige Referenzen aller in die Meta-Analyse aufgenommenen Studien

Abrahamse, W., L. Steg, C. Vlek und T. Rothengatter (2007), The effect of tailored information, goal setting, and tailored feedback on household energy use, energy-related behaviors, and behavioral antecedents, Journal of Environmental Psychology 27(4), S. 265–76.Search in Google Scholar

Alahmad, M., P. Wheeler, A. Schwer, J. Eiden und A. Brumbaugh (2012), A comparative study of three feedback devices for residential real-time energy monitoring, IEEE Transactions on Industrial Electronics 59(4), S. 2002–13.Search in Google Scholar

Alberts, G., Z. Gurguc, P. Koutroumpis, R. Martin, M. Muuls und T. Napp (2016), Competition and norms: A self-defeating combination?, Energy Policy 96, S. 504–23.Search in Google Scholar

Allcott, H. (2011), Social norms and energy conservation, Journal of Public Economics 95(9–10), S. 1082–95.Search in Google Scholar

Allen, D. und K. Janda (2006), The effects of household characteristics and energy use consciousness on the effectiveness of real-time energy use feedback: A pilot study, Proceedings of ACEEE Summer Study, S. 1–12.Search in Google Scholar

Anderson, C. und J. Claxton (1982), Barriers to consumer choice of energy efficient products, Journal of Consumer Research 9(2), S. 163–70.Search in Google Scholar

Battalio, R., J. Kagel und R. Winkler (1979), Residential electricity demand: An experimental study, The Review of Economics and Statistics 61(2), S. 180–89.Search in Google Scholar

Becker, L. (1978), Joint effect of feedback and goal setting on performance: A field study of residential energy conservation, Journal of Applied Psychology 63(4), S. 428–33.Search in Google Scholar

Bekker, M., T. Cumming, N. Osborne, A. Bruining, J. McClean und L. Leland (2010), Encouraging electricity savings in a university residential hall through a combination of feedback, visual prompts, and incentives, Journal of Applied Behavior Analysis 43(2), S. 327–31.Search in Google Scholar

Benders, R., R. Kok, H. Moll, G. Wiersma und K. Noorman (2006), New approaches for household energy conservation – in search of personal household energy budgets and energy reduction options, Energy Policy 34(18), S. 3612–22.Search in Google Scholar

Bittle, R., R. Valesano und G. Thaler (1979), The effects of daily cost feedback on residential electricity consumption, Behavior Modification 3(2), S. 187–202.Search in Google Scholar

Bittle, R., R. Valesano und G. Thaler (1979), The effects of daily feedback on residential electricity usage as a function of usage level and type of feedback information, Journal of Environmental Systems 9(3), S. 275–87.Search in Google Scholar

Brandon, G. und A. Lewis (1999), Reducing household energy consumption: A qualitative and quantitative field study, Journal of Environmental Psychology 19(1), S. 75–85.Search in Google Scholar

Brent, D., J. Cook und S. Olsen (2015), Social comparisons, household water use, and participation in utility conservation programs: Evidence from three randomized trials, Journal of the Association of Environmental and Resource Economists 2(4), S. 597–627.Search in Google Scholar

Brounen, D. und N. Kok (2011), On the economics of energy labels in the housing market, Journal of Environmental Economics and Management 62(2), S. 166–79.Search in Google Scholar

Carroll, J., S. Lyons und E. Denny (2014), Reducing household electricity demand through smart metering: The role of improved information about energy saving, Energy Economics 45, S. 234–43.Search in Google Scholar

Delmas, M. und N. Lessem (2014), Saving power to conserve your reputation? The effectiveness of private versus public information, Journal of Environmental Economics and Management 67(3), S. 353–70.Search in Google Scholar

Dobson, J. und J. Griffin (1992), Conservation effect of immediate electricity cost feedback on residential consumption behaviour, Proceedings of ACEEE Summer Study, S. 33–35.Search in Google Scholar

Emeakaroha, A., C. Ang, Y. Yan und T. Hopthrow (2014), Integrating persuasive technology with energy delegates for energy conservation and carbon emission reduction in a university campus, Energy 76, S. 357–74.Search in Google Scholar

Ferraro, P., J. Miranda und M. Price (2011), The persistence of treatment effects with norm-based policy instruments: Evidence from a randomized environmental policy Experiment, American Economic Review 101(3), S. 318–22.Search in Google Scholar

Gans, W., A. Alberini und A. Longo (2013), Smart meter devices and the effect of feedback on residential electricity consumption: Evidence from a natural experiment in Northern Ireland, Energy Economics 36, S. 729–43.10.1016/j.eneco.2012.11.022Search in Google Scholar

Geller, E., J. Erickson und B. Buttram (1983), Attempts to promote residential water conservation with educational, behavioral and engineering Strategies, Population and Environment 6(2), S. 96–112.Search in Google Scholar

Grønhøj, A. und J. Thøgersen (2011), Feedback on household electricity consumption: Learning and social influence processes, International Journal of Consumer Studies 35(2), S. 138–45.Search in Google Scholar

Haakana, M., L. Sillanpää und M. Talsi (1997), The effect of feedback and focused advice on household energy consumption, Proceedings of eceee Summer Study, S. 1–11.Search in Google Scholar

Hahn, R., R. Metcalfe, D. Novgorodsky und M. Price (2016), The behavioralist as policy designer: The need to test multiple treatments to meet multiple targets, NBER Working Paper 22886.10.3386/w22886Search in Google Scholar

Harding, M. und A. Hsiaw (2014), Goal setting and energy conservation, Journal of Economic Behavior and Organization 107, S. 209–27.Search in Google Scholar

Hayes, S. und J. Cone (1981), Reduction of residential consumption of electricity through simple monthly feedback, Journal of Applied Behavior Analysis 14(1), S. 81–88.Search in Google Scholar

Heinzle, S. (2012), Disclosure of energy operating cost information: A silver bullet for overcoming the energy-efficiency gap?, Journal of Consumer Policy 35(1), S. 43–64.Search in Google Scholar

Houde, S. (2014), How consumers respond to environmental certification and the value of energy information, NBER Working Paper 20019.10.3386/w20019Search in Google Scholar

Houde, S., A. Todd, A. Sudarshan, J. Flora und K. C. Armel (2013), Real-time feedback and electricity consumption: A field experiment assessing the potential for savings and persistence, Energy Journal 34(1), S. 87–102.Search in Google Scholar

Hutton, R. und G. Mauser (1986), Effects of cost-related feedback on consumer knowledge and consumption behavior: A field experimental approach, Journal of Consumer Research 13(3), S. 327–36.Search in Google Scholar

Ivanov, C., L. Getachew, S. Fenrick und B. Vittetoe (2013), Enabling technologies and energy savings: The case of EnergyWise smart meter pilot of Connexus Energy, Utilities Policy 26, S. 76–84.Search in Google Scholar

Jaeger, C. und Schultz, P. Wesley (2017), Coupling social norms and commitments: Testing the underdetected nature of social influence, Journal of Environmental Psychology 51, S. 199–208.Search in Google Scholar

Jain, R., J. Taylor und P. Culligan (2013), Investigating the impact eco-feedback information representation has on building occupant energy consumption behavior and savings, Energy and Buildings 64, S. 408–14.Search in Google Scholar

Jensen, O., A. Hansen und J. Kragh (2016), Market response to the public display of energy performance rating at property sales, Energy Policy 93, S. 229–35.Search in Google Scholar

Jeong, S., R. Gulbinas, R. Jain und J. Taylor (2014), The impact of combined water and energy consumption eco-feedback on conservation, Energy and Buildings 80, S. 114–19.Search in Google Scholar

Kantola, S., G. Syme und N. Campbell (1984), Cognitive dissonance and energy conservation, Journal of Applied Psychology 69(3), S. 416–21.Search in Google Scholar

Katzev, R. und T. Johnson (1983), A social-psychological analysis of residential electricity consumption: The impact of minimal justification techniques, Journal of Economic Psychology 3(3–4), S. 267–84.Search in Google Scholar

Katzev, R. und T. Johnson (1984), Comparing the effects of monetary incentives and foot-in-the-door strategies in promoting residential electricity conservation, Journal of Applied Social Psychology 14(1), S. 12–27.Search in Google Scholar

Kua, H. und S. Wong (2012), Lessons for integrated household energy conservation policies from an intervention study in Singapore, Energy Policy 47(1), S. 49–56.Search in Google Scholar

Lynham, J., K. Nitta, T. Saijo und N. Tarui (2016), Why does real-time information reduce energy consumption?, Energy Economics 54, S. 173–81.Search in Google Scholar

Matsukawa, I. (2004), The effects of information on residential demand for electricity, Energy Journal 25(1), S. 1–17.Search in Google Scholar

McCalley, L. T. und C. J. H. Midden (2002), Energy conservation through product-integrated feedback: The roles of goal-setting and social orientation, Journal of Economic Psychology 23(5), S. 589–603.Search in Google Scholar

McClelland, L. und S. Cook (1979), Energy conservation effects of continuous in-home feedback in all-electric homes, Journal of Environmental Systems 9(2), S. 169–73.Search in Google Scholar

Midden, C., J. Meter, M. Weenig und H. Zieverink (1983), Using feedback, reinforcement and information to reduce energy consumption in households: A field-experiment, Journal of Economic Psychology 3(1), S. 65–86.Search in Google Scholar

Mountain, D. (2012), Real-time feedback and residential electricity consumption: The Newfoundland and Labrador pilot, QSEP Research Report 449.Search in Google Scholar

Nilsson, A., C. Bergstad, L. Thuvander, D. Andersson, K. Andersson und P. Meiling (2014), Effects of continuous feedback on households’ electricity consumption: Potentials and barriers, Applied Energy 122(C), S. 17–23.Search in Google Scholar

Ölander, F. und J. Thogersen (2014), Informing versus nudging in environmental policy, Journal of Consumer Policy 37(3), S. 341–56.Search in Google Scholar

Peschiera, G. und J. Taylor (2012), The impact of peer network position on electricity consumption in building occupant networks utilizing energy feedback systems, Energy and Buildings 49, S. 584–90.10.1016/j.enbuild.2012.03.011Search in Google Scholar

Peschiera, G., J. Taylor und J. Siegel (2010), Response–relapse patterns of building occupant electricity consumption following exposure to personal, contextualized and occupant peer network utilization data, Energy and Buildings 42(8), S. 1329–36.Search in Google Scholar

Schleich, J., M. Klobasa, S. Golz und M. Brunner (2013), Effects of feedback on residential electricity demand – findings from a field trial in Austria, Energy Policy 61, S. 1097–106.Search in Google Scholar

Schultz, P. W., M. Estrada, J. Schmitt, R. Sokoloski und N. Silva-Send (2015), Using in-home displays to provide smart meter feedback about household electricity consumption: A randomized control trial comparing kilowatts, cost, and social norms, Energy 90(1), S. 351–58.10.1016/j.energy.2015.06.130Search in Google Scholar

Schultz, P. W., J. Nolan, R. Cialdini, N. Goldstein und V. Griskevicius (2007), The constructive, destructive, and reconstructive power of social norms, Psychological Science 18(5), S. 429–34.Search in Google Scholar

Seligman, C., J. Darley und L. Becker (1978), Behavioral approaches to residential energy conservation, Energy and Buildings 1(3), S. 325–37.Search in Google Scholar

Seyranian, V., G. Sinatra und M. Polikoff (2015), Comparing communication strategies for reducing residential water consumption, Journal of Environmental Psychology 41, S. 81–90.Search in Google Scholar

Shen, M., R. Young und Q. Cui (2016), The normative feedback approach for energy conservation behavior in the military community, Energy Policy 98, S. 19–32.Search in Google Scholar

Sipe, B. und S. Castor (2009), The net impact of home energy feedback devices, Energy Program Evaluation Conference.Search in Google Scholar

Staats, H., P. Harland und H. Wilke (2004), Effecting durable change: A team approach to improve environmental behavior in the household, Environment and Behavior 36(3), S. 341–67.Search in Google Scholar

Stinson, J., A. Willis, J. Williamson, J. Currie und R. Smith (2015), Visualising energy use for smart homes and informed users, Energy Procedia 78, S. 579–84.Search in Google Scholar

Dam, S. S. van, C. A. Bakker und J. D. M. van Hal (2010), Home energy monitors: Impact over the medium-term, Building Research & Information 38(5), S. 458–69.Search in Google Scholar

Verplanken, B. und Weenig, M. W. H. (1993), Graphical energy labels and consumers’ decisions about home appliances: A process tracing approach, Journal of Economic Psychology 14(4), S. 739–52.Search in Google Scholar

Waechter, S., B. Sütterlin und M. Siegrist (2015), The misleading effect of energy efficiency information on perceived energy friendliness of electric goods, Carbon Emissions Reduction: Policies, Technologies, Monitoring, Assessment and Modeling 93, S. 193–202.Search in Google Scholar

Wilhite, H. und R. Ling (1995), Measured energy savings from a more informative energy bill, Energy and Buildings 22(2), S. 145–55.Search in Google Scholar

Online erschienen: 2019-11-13

Erschienen im Druck: 2020-03-02

You are currently not able to access this content.

Articles in the same Issue

Frontmatter
Frontmatter
Editorial
„Früher war alles besser, früher war alles gut“
Unsere Welt in Zahlen
Lebenserwartung vor 50 Jahren und heute
Aus aktuellem Anlass
Die Schuldenbremse – eine falsche Fiskalregel am falschen Platz
Öffentliche Investitionen: Die Schuldenbremse ist nicht das Problem
Wissenschaft im Überblick
Die Förderung der individuellen Altersvorsorge und kollektiven Altersversorgung durch Steuervorteile
Das Gespräch
„Oft sind gerade die Brüche in den Daten spannend“
Beiträge aus der Forschung
Forschung und Entwicklung von Unternehmen in langfristiger Perspektive: Starkes Wachstum, alte Akteure?
Per Stups zum Energiesparen?
Das kurze Dritte Reich: Zur Frage der Kontinuität sozioökonomischer Strukturen zwischen der Weimarer Republik, dem Dritten Reich und der Bundesrepublik

https://doi.org/10.1515/pwp-2018-0039

Articles in the same Issue

Frontmatter
Frontmatter
Editorial
„Früher war alles besser, früher war alles gut“
Unsere Welt in Zahlen
Lebenserwartung vor 50 Jahren und heute
Aus aktuellem Anlass
Die Schuldenbremse – eine falsche Fiskalregel am falschen Platz
Öffentliche Investitionen: Die Schuldenbremse ist nicht das Problem
Wissenschaft im Überblick
Die Förderung der individuellen Altersvorsorge und kollektiven Altersversorgung durch Steuervorteile
Das Gespräch
„Oft sind gerade die Brüche in den Daten spannend“
Beiträge aus der Forschung
Forschung und Entwicklung von Unternehmen in langfristiger Perspektive: Starkes Wachstum, alte Akteure?
Per Stups zum Energiesparen?
Das kurze Dritte Reich: Zur Frage der Kontinuität sozioökonomischer Strukturen zwischen der Weimarer Republik, dem Dritten Reich und der Bundesrepublik