中国城市森林发展成效评估：基于双重机器学习(Double Machine Learning, DML)的因果推断方法研究

《Forests》：Evaluation of the Urban Forest Development Effectiveness in Chinese Cities: A Causal Inference Approach Based on Double Machine Learning

　　

在快速城市化与气候变化的背景下，评估城市森林发展及相关政策成效具有重要意义。研究人员以中国地级市为研究对象，构建了涵盖森林网络、森林健康、生态福利及发展协调性的城市森林发展成效(Urban Forest Development Effectiveness, UFDE)评价体系，并采用层次分析法–熵权法(Analytic Hierarchy Process–Entropy Weight Method)测算UFDE。在此基础上，利用国家森林城市政策(National Forest City Policy, NFCP)交错实施所形成的准自然实验(Quasi-natural Experiment)，应用双重机器学习(Double Machine Learning, DML)识别该政策的因果效应。研究结果表明，NFCP显著提升了UFDE，且此结论在各种模型设定与稳健性检验中均保持稳健。同时，政策效应呈现显著异质性：在东部与中部地区及湿润气候区更为显著，而在西部及干旱区相对较弱。在方法论上，本研究引入DML以提高因果识别精度；在测度上，实现了多维综合评估。研究为环境政策成效评估提供了新分析框架，并为优化城市生态治理与推动绿色发展提供了实证依据。

论文解读：中国城市森林发展成效评估——基于双重机器学习因果推断方法的研究

研究背景与问题提出

在全球气候变化加剧与快速城市化背景下，平衡经济增长与生态保护成为公共政策制定核心议题。城市森林作为城市绿色基础设施的核心组成部分，对改善空气质量、调节城市微气候、提升生态系统服务及居民福祉具有不可替代的作用。中国自2004年起实施国家森林城市政策(National Forest City Policy, NFCP)，通过制度化考核与激励约束引导地方政府加大生态修复与绿化投入。然而现有研究存在三方面局限：一是指标选取多聚焦于单一生态功能（如固碳或净化空气），缺乏对"城市森林发展综合成效"的系统测度；二是研究内容偏重污染控制绩效，未直接考察政策驱动下的城市森林发展本身；三是传统多期双重差分(Multi-period Difference-in-Differences, TWFE-DID)在处理高维控制变量、非线性关系及交错试点带来的异质性处理效应负权重问题上存在偏误。双重机器学习(Double Machine Learning, DML)可经由正交化放松严格外生性假设，有效消除选择性偏差。因此，研究人员以中国地级市为对象，构建UFDE综合评价指标体系，并采用DML识别NFCP对UFDE的因果效应，以填补上述研究空白。该论文发表于《Forests》。

主要关键技术方法

研究人员选取2003–2022年中国地级市面板数据，UFDE由森林覆盖率、建成区绿化覆盖率及其增长率、人均公园绿地面积、建成区人均绿地面积及二者耦合协调度(Coupling Coordination Degree)构成，通过层次分析法(Analytic Hierarchy Process, AHP)确定主观权重、熵权法(Entropy Weight Method)确定客观权重后线性组合（偏好参数λ=0.5）得到综合指数。NFCP处理变量依据国家林业和草原局公布的国家森林城市获评批次设定。控制变量包括人均GDP、对外开放水平、人口密度、城镇化率、产业结构高级化、财政压力、政府治理能力（是否为智慧城市二值变量）及年平均气温、城市平均海拔与地形崎岖度。缺失值少于10%者线性插值，超限样本剔除。基准DML模型采用部分线性模型(Partially Linear Model, PLM)， nuisance function用Lasso回归估计，辅以弹性网络(Elastic Net)与岭回归(Ridge Regression)做稳健性检验，实施两折交叉拟合(Cross-fitting)并重复20次取中位数。内生性检验采用DML部分线性工具变量模型(Partially Linear Instrumental Variable Model, PLIV)，工具变量取同年全国其他省份（不含本省）获批国家森林城市累计数；平行趋势检验采用事件研究法(Event Study Approach)；异质性按东中西区域、城市规模、政府干预强度（财政支出/GDP均值划分"大政府"/"小政府"）、资源型与非资源型城市、干湿气候区分组回归；稳健性检验包括主成分分析(Principal Component Analysis, PCA)重构UFDE、替换AHP算术平均赋权、加入城市-年份交互固定效应、更换ML估计算法(OLS/Elastic Net/Ridge)、5%与95%缩尾(Winsorization)及控制同期国家园林城市(National Garden City, NGC)政策。

研究结果

4.1 基准回归(Baseline Regression)

研究人员以DML-Lasso为基准模型，逐步加入双向固定效应、高维控制变量及其二次项、省份固定效应，NFCP系数分别为0.050（5%显著）、0.060（1%显著）、0.055（1%显著）、0.040（1%显著），表明NFCP使UFDE平均提升约4.0%，且在控制混淆因素后因果效应仍显著为正。

4.2 内生性处理(Addressing Endogeneity)

PLIV模型NFCP系数在10%水平显著；传统TWFE-DID模型NFCP系数在1%水平显著；事件研究法显示政策实施前各期系数不显著，实施当年及之后显著为正，通过平行趋势检验，证实基准结果稳健且不存在明显预处理差异趋势。

4.3 异质性分析(Heterogeneity Analysis)

• •
  4.3.1 区域异质性(Regional Heterogeneity)：东部（0.065，1%显著）与中部（0.067，1%显著）NFCP效应显著，西部系数为0.012且不显著，政策红利呈东、中强西弱的空间非均衡特征。
• •
  4.3.2 城市规模异质性(City Size Heterogeneity)：大城市（0.081，1%显著）与小城市（0.047，1%显著）NFCP效应均显著为正，政策效果不受城市规模绝对限制。
• •
  4.3.3 政府干预强度异质性(Heterogeneity in Government Intervention Intensity)："大政府"（0.045，5%显著）与"小政府"（0.041，1%显著）组均显著，系数接近，政策效果不因地方政府干预规模而极化。
• •
  4.3.4 资源禀赋异质性(Heterogeneity in Resource Endowments)：资源型城市（0.036，10%显著）与非资源型城市（0.036，1%显著）系数相同，NFCP对两类城市均有正向驱动。
• •
  4.3.5 自然气候条件异质性(Heterogeneity in Natural Climatic Conditions)：湿润型城市NFCP系数达0.102（1%显著），为各组最大；干旱型城市系数0.018且不显著，政策效应高度依赖气候水文条件。

4.4 稳健性检验(Robustness Checks)

• •
  4.4.1 基于主成分分析(PCA)的检验：用PCA重构UFDE后NFCP全样本仍显著促进UFDE，湿润区显著、干旱区不显著，东西部方向与基准一致。
• •
  4.4.2 替换被解释变量(Alternative Dependent Variable)：改用算术平均法算AHP权重重构UFDE，全样本及东、中、湿润区显著为正，西、干旱区不显著，与基准一致。
• •
  4.4.3 城市-年份交互固定效应(City-by-Time Interaction Fixed Effects)：控制后核心结论不变。
• •
  4.4.4 替换估计方法(Substitution of the Estimation Method)：分别改用OLS、Elastic Net、Ridge Regression做DML nuisance function估计，NFCP对全样本及东、中、湿润区影响仍显著为正，西与干旱区不显著。
• •
  4.4.5 异常值处理(Treatment of Outliers)：5%与95% Winsorization后结论不变。
• •
  4.4.6 控制其他政策影响(Controlling the Effects of Other Policies)：加入国家园林城市(NGC)虚拟变量控制后NFCP效应依然显著，说明NFCP具独立政策贡献。

讨论与结论总结

讨论部分指出，NFCP的正向效应可归因于中国式环境治理中的"约束–激励"框架——明确指标考核与地方官员晋升绩效关联促使地方政府将生态治理纳入优先议程，增加绿化资源配置。区域异质性源于东部与中部更强的财政能力与公众环境偏好，以及西部与干旱区受水资源硬约束导致造林存活率低、维护成本高昂从而弱化政策落地效果。方法上DML较传统DID更能处理高维混杂与交错试点异质性处理效应偏差，通过Neyman正交矩构造与ML拟合有效放松平行趋势假定。控制NGC后NFCP效应仍显著，证明其在中国城市生态治理中具有不可替代性。研究建议未来应差异化修订干旱及生态脆弱区绿化标准，推行"以水定绿"的近自然城市绿化模式。

结论(Conclusions)翻译浓缩：

NFCP显著提高了中国地级市UFDE，结论经多规格模型与稳健性检验稳定。政策效应在东部、中部及湿润气候区更明显，西部及干旱区较弱。方法论上引入DML提升高维非线性下因果识别精度；测度上构建AHP–熵权法结合耦合协调度的UFDE指数；分析维度上揭示了区域、自然条件与政府规模的多维异质性。实践层面建议完善NFCP考核激励机制推动从量的扩张转向质的提升，依据区域资源禀赋实施差别化支持，明确政府与市场边界引导社会资本参与，强化多生态政策间协同设计避免效率损失。研究局限在于未深入长期动态效应与微观机制（企业行为或居民福利），未来可结合遥感与微观调查数据拓展多维度综合影响评估及政策间协同/替代关系分析。