《Machines》：QR-DESO-Based Active Disturbance Rejection Control for PMSGs Under Aperiodic and Periodic Disturbances
编辑推荐：
在快速城市化与气候变化背景下，评估城市森林发展及相关政策的实施成效具有重要意义。该研究以中国地级市为研究对象，构建了涵盖森林网络、森林健康、生态福利与发展协调四个维度的城市森林发展成效（UFDE）评价体系，并采用层次分析法（AHP）—熵权法对UFDE进行测度。
在快速城市化与气候变化背景下，评估城市森林发展及相关政策的实施成效具有重要意义。该研究以中国地级市为研究对象，构建了涵盖森林网络、森林健康、生态福利与发展协调四个维度的城市森林发展成效（UFDE）评价体系，并采用层次分析法（AHP）—熵权法对UFDE进行测度。在此基础上，借助国家森林城市政策（NFCP）分期推进所形成的准自然实验，论文应用双重机器学习（DML）识别该政策的因果效应。结果表明，NFCP显著提升UFDE，且这一结论在不同模型设定与稳健性检验下均保持稳健。同时，政策效应表现出显著异质性，在东部与中部地区以及湿润气候区更为明显，而在西部与干旱地区相对较弱。在方法层面，该研究引入DML以提高因果识别精度；在测度层面，实现了多维度、综合性的评价。研究为评估环境政策有效性提供了新的分析框架，并为优化城市生态治理与推动绿色发展提供了经验证据。
该文发表于《Machines》，但就正文内容而言，研究主题并非永磁同步发电机控制，而是中国国家森林城市政策（NFCP）对城市森林发展成效（UFDE）的影响评估，标题与摘要、正文内容明显不一致。依据摘要与全文，研究背景聚焦于全球气候变化加剧、城市化快速推进的宏观情境下，城市经济增长与生态保护之间的平衡问题。城市森林作为城市绿色基础设施的重要组成部分，在改善空气质量、调节城市气候、提升生态系统服务功能以及增进居民福祉等方面具有不可替代的作用。随着可持续发展理念不断深化，城市绿色空间已成为实现联合国可持续发展目标的重要路径。中国自2004年启动国家森林城市建设，逐步形成具有明确标准与评价体系的国家森林城市政策。该政策通过制度化考核、激励约束机制和示范带动作用，引导地方政府加大城市规划、生态修复与绿化建设投入。已有研究虽已关注环境政策、绿色发展和污染治理，但仍存在若干不足：一是多聚焦于空气净化、碳汇等单一生态功能，缺乏对城市森林发展成效这一综合概念的系统量化；二是较少直接考察政策对城市森林发展本身的驱动机制；三是传统多期双重差分（DID）方法在处理高维控制变量、非线性关系和分期实施政策时存在局限，尤其容易受异质处理效应与“负权重”问题干扰。因此，开展一项兼顾综合测度与稳健因果识别的研究，具有明显理论与现实必要性。
研究人员以中国地级市为样本，围绕NFCP是否有效提升UFDE这一核心问题开展实证研究。研究首先构建了城市森林发展成效评价框架，从森林网络、森林健康、生态福利和发展协调四个维度对城市森林建设进行系统刻画；随后利用国家森林城市政策在不同城市分批推进这一制度安排，将其视为准自然实验，采用双重机器学习（DML）方法识别政策因果效应，并进一步考察地区、城市规模、政府干预强度、资源禀赋与自然气候条件等多维异质性。研究结论显示，NFCP总体上显著提升了地级市UFDE，且这一结果在工具变量部分线性模型（PLIV）、DID、平行趋势检验、替代指标、替代估计方法、异常值处理以及控制其他生态政策后仍然成立。与此同时，政策效应在东部、中部和湿润地区更强，在西部与干旱地区不显著或较弱。该研究的重要意义在于，一方面从方法上将DML引入城市生态政策评估，增强了复杂政策环境中的因果识别能力；另一方面从实践上为优化中国城市生态治理、推进因地制宜的绿色发展提供了经验依据。
就主要技术方法而言，研究使用2003—2022年中国地级市面板数据，样本数据主要来源于《中国林业统计年鉴》《中国林业和草原统计年鉴》《中国城市统计年鉴》、各省市统计年鉴、地方林业统计公报以及国家林业和草原局发布的国家森林城市名单等。研究先通过层次分析法（AHP）与熵权法相结合构建UFDE综合指数，并以耦合协调度衡量发展协调维度；再利用国家森林城市政策分期实施形成的准自然实验，在双重机器学习（DML）框架下使用Lasso、Elastic net和Ridge等算法估计干扰项函数，识别政策净效应；同时辅以部分线性工具变量模型（PLIV）、双重差分（DID）、事件研究和平行趋势检验，以及主成分分析（PCA）、替代因变量、城市—时间交互固定效应、缩尾处理和控制国家园林城市政策等稳健性分析。
在研究结果部分，论文首先在“4.1 Benchmark Regression”中报告了基准回归结果。研究人员利用基于Lasso的DML模型发现，仅控制城市与年份固定效应时，NFCP对UFDE的影响已显著为正；逐步加入控制变量、控制变量平方项以及省份固定效应后，政策系数虽有变化，但始终保持显著正向。最终模型表明，实施NFCP的城市UFDE平均提高约4.0%。这一结果说明，在控制多维混杂因素、潜在非线性关系及宏观层面遗漏变量后，NFCP能够显著促进城市绿化、生态福利提升与绿色发展。
在“4.2 Addressing Endogeneity”中，研究进一步处理潜在内生性问题。研究人员构造“其他省份累计获批国家森林城市数量”作为工具变量，认为其通过政策示范和横向竞争影响本地申报成功概率，但不会直接影响本地UFDE。PLIV估计结果显示，NFCP系数在10%水平上仍显著，表明基准结果并非由明显内生性偏误驱动。与此同时，DID模型估计也显示NFCP显著提高UFDE。事件研究结果表明，政策实施前处理组与对照组之间不存在显著差异趋势，而在政策实施当年及之后，系数显著转正，由此支持平行趋势假设，增强了DID结果的可信度。
在“4.3 Heterogeneity Analysis”中，研究对政策效应的空间与条件差异进行了系统分析。“4.3.1 Regional Heterogeneity”显示，NFCP在东部与中部地区的干预效应分别为0.065和0.067，均在1%水平显著，而西部地区系数仅为0.012且不显著。这表明政策红利主要在经济基础更好、财政能力更强、生态建设条件更优的东中部地区得到实现。“4.3.2 City Size Heterogeneity”显示，无论大城市还是小城市，NFCP均显著促进UFDE，说明政策效果并不受城市规模的绝对限制。“4.3.3 Heterogeneity in Government Intervention Intensity”表明，在“大政府”与“小政府”城市中，政策系数均显著为正且大小接近，说明NFCP的促进作用并不因地方政府干预强度差异而发生明显分化。“4.3.4 Heterogeneity in Resource Endowments”显示，在资源型与非资源型城市中，政策系数均为0.036，均表现为正向推动，只是资源型城市统计显著性略弱，提示资源禀赋差异并未构成政策作用的根本障碍。“4.3.5 Heterogeneity in Natural Climatic Conditions”则揭示了最突出的异质性：湿润地区政策系数达0.102且在1%水平高度显著，而干旱地区系数仅为0.018且不显著。这说明自然气候条件，尤其是水资源与湿度约束，是影响国家森林城市政策成效的重要边界条件。
在“4.4 Robustness Checks”中，研究从多个方面检验结论稳健性。“4.4.1 Test Based on Principal Component Analysis (PCA)”以主成分分析（PCA）重新测算UFDE，结果总体与基准回归一致，说明政策效应并不依赖AHP赋权的主观设定。“4.4.2 Alternative Dependent Variable”使用算术平均法重新构造AHP权重并替换因变量后，全国样本及东部、中部、湿润地区的正向效应仍然成立，西部与干旱地区仍不显著，进一步证明核心结论稳定。“4.4.3 City-by-Time Interaction Fixed Effects”加入城市—时间交互固定效应后，全国及东部、中部、湿润地区结果保持稳健，提示未观测的时变城市特征并未根本改变结论。“4.4.4 Substitution of the Estimation Method”将DML中的Lasso替换为普通最小二乘法（OLS）、Elastic net和Ridge回归后，核心结论依旧成立，说明结果并非由特定算法设定所驱动。“4.4.5 Treatment of Outliers”对变量进行5%和95%分位缩尾（Winsorization）处理后，估计结果仍然一致，表明异常值并未扭曲主要发现。“4.4.6 Controlling the Effects of Other Policies”进一步控制同期实施的国家园林城市政策（NGC）后，NFCP的估计系数与异质性结果基本不变，说明NFCP具有相对独立的政策效应，而非其他生态政策叠加所致。
讨论部分强调，该研究在理论、方法与政策层面均具有价值。从政策效应理论看，NFCP的显著正效应可被理解为环境规制与地方治理激励协同作用的体现。政策通过目标设定、考核约束和荣誉激励，改变地方政府的资源配置与治理优先序，使生态建设进入地方治理的重要议程，从而带动森林网络完善、绿化覆盖提升和生态服务能力增强。区域异质性则说明，统一政策在不同经济发展阶段与自然禀赋条件下的边际效果存在显著差异，特别是干旱地区受降水不足、蒸发强、后期维护成本高等“硬约束”限制，难以将政策推动快速转化为实际绿化成效。因此，未来政策设计应更加注重因地制宜，尤其在干旱及生态脆弱地区，应从单纯追求覆盖率转向“以水定绿”的节水型、近自然型城市绿化模式。方法上，DML相较传统DID更能处理高维混杂因素、非线性关系和政策分期实施情形，减少由选择性进入和模型设定偏误带来的识别风险。控制国家园林城市政策后结论仍成立，也说明NFCP在中国城市生态治理体系中具有不可替代的制度功能。总体而言，研究提示城市森林不仅是生态建设内容，也是提升宜居性、缓解气候变化的重要治理抓手，政策引导能够在相对较短时期内提升城市绿色基础设施水平。
研究结论部分可译述如下：该研究聚焦中国地级市城市森林发展成效（UFDE），运用层次分析法（AHP）—熵权法构建综合评价框架，并结合双重机器学习（DML）系统评估国家森林城市政策（NFCP）的实施效果与因果影响。研究发现，NFCP显著提高了地级市UFDE，且该结论在多种模型设定与检验条件下均保持稳定。这表明，以政策遴选和激励机制为核心的制度安排，能够有效引导地方政府优化资源配置、增加生态投入，并持续提升城市绿化水平。进一步地，政策效应在东部、中部及湿润气候地区更为显著，而在西部与干旱地区相对较弱。研究创新主要体现在三方面：其一，将DML引入城市生态政策评估，提高了高维、非线性情境下的因果识别精度与稳健性；其二，通过结合AHP与熵权法并引入耦合协调度模型，拓展了UFDE测度方式；其三，在识别总体政策效应基础上，进一步从区域差异、自然条件与政府规模等多维度考察异质性，为理解政策作用机制提供了更细致的经验证据。从实践意义看，研究建议持续完善NFCP考核与激励机制，推动生态建设由数量扩张转向质量提升；依据不同地区资源禀赋和发展阶段实行差异化政策，强化对西部及生态脆弱地区的财政和技术支持；合理界定政府与市场边界，鼓励社会资本参与生态建设；并加强不同生态政策之间的协同设计，避免政策重叠带来的效率损失。研究也指出，尽管DML具有识别优势，但结果仍受数据质量与变量选择影响，且当前分析主要聚焦平均处理效应，尚未深入揭示长期动态效应及微观机制，未来可结合遥感数据、企业数据或居民调查数据，进一步拓展城市森林政策综合影响的研究深度与广度。
