国家森林城市建设如何提升城市可持续性与韧性？——来自中国准自然实验的证据

　　本文通过多期双重差分（DID）模型，系统评估了中国国家森林城市建设（NFCC）政策对城市可持续性与韧性（USR）的促进作用，并深入揭示了人力资本（HC）、人工智能（AI）和政府支持（GS）三条关键中介路径的异质性影响，为绿色城市治理提供了重要的理论与实证依据。

　　

引言

随着全球城市化进程的快速推进，资源短缺、环境恶化和极端气候等问题日益凸显，城市可持续性（Urban Sustainability, US）与城市韧性（Urban Resilience, UR）已成为关乎城市长期发展的核心议题。在此背景下，国家森林城市建设（National Forest Cities Construction, NFCC）作为中国推动绿色转型的重要政策，自2004年实施以来，旨在通过大规模绿化、生态修复和智慧化管理提升城市环境质量与综合治理能力。然而，现有研究多聚焦于NFCC的生态或社会经济成效，对其如何系统性影响城市可持续性与韧性（Urban Sustainability and Resilience, USR）的内在机制尚缺乏深入探讨。本研究基于2000–2023年中国300个地级市的面板数据，构建多期DID模型与熵权TOPSIS评价体系，首次全面解析NFCC对USR的直接影响及其通过人力资本（Human Capital, HC）、人工智能（Artificial Intelligence, AI）和政府支持（Government Support, GS）三条路径的传导效应，填补了现有文献在机制分析与异质性检验方面的空白。

文献综述与理论假设

NFCC政策通过提升城市绿化覆盖率、优化环境治理结构，直接促进城市生态系统的服务功能与资源分配效率。基于可持续发展理论（Sustainable Development Theory, SDT），US强调经济、社会与环境三维度的均衡发展；而韧性理论（Resilience Theory, RT）则关注城市面对外部冲击时的适应与恢复能力。NFCC不仅改善城市硬件设施，还通过吸引高素质人才、推动技术革新和强化制度保障，间接增强US与UR的协同提升。据此，本文提出系列假设：H1–H3分别验证NFCC对USR、US和UR的直接促进作用；H4–H7聚焦HC路径，探讨NFCC通过吸引和积累人才对USR的正向传导；H8–H11围绕AI路径，分析智能技术在城市管理与风险应对中的双重角色；H12–H15关注GS路径，检验政府财政投入与资源配置效率对政策效果的调节作用。理论框架显示，三条路径共同构成NFCC影响USR的内在机制，但各路径的作用方向与强度可能存在显著差异。

研究设计

本研究构建了包含6个二级指标和22个三级指标的USR评价体系，通过熵权TOPSIS法计算各城市USR、US及UR的综合得分。核心解释变量为NFCC政策的虚拟变量（处理组城市在政策实施后取值为1），控制变量包括人口密度（pd）、对外开放度（doow）、互联网发展水平（nd）和基础设施（inf）等。机制变量分别采用高校学生占比（HC）、机器人安装密度（AI）及政府财政支出占比（GS）进行度量。模型采用多期DID设定，基准回归方程如式（1）–（3）所示，同时通过式（4）–（15）检验HC、AI和GS的中介效应。数据来源于《中国城市统计年鉴》、CNRDS平台等，并对缺失值进行插补处理，确保样本覆盖的完整性与一致性。

结果与分析

描述性统计显示，各变量分布合理，无异常值干扰。空间分析表明，NFCC政策实施呈现由东部向中西部、由大城市向中小城市扩散的趋势，而USR水平在东部沿海城市显著较高，且随时间推移整体提升。基准回归结果验证了H1–H3：NFCC对USR、US和UR均产生显著正向影响（系数分别为0.007、0.011和0.05，p<0.01），且控制变量加入后模型拟合优度（R²）均超过0.75，证实政策的稳健促进作用。平行趋势检验满足DID模型前提， placebo test 进一步排除了不可观测因素的干扰。

异质性分析揭示，NFCC效应存在区域与城市规模差异：东部地区政策效果最强（系数0.007，p<0.01），中小城市响应更为敏感（系数0.005，p<0.01），而超大城市的边际收益相对较低（系数0.004，p<0.1），反映出发达地区与大型城市因基础条件优越，政策增量效果有限。

机制检验结果呈现复杂图景：

• •
  HC路径：NFCC初期对HC产生负向调整（系数-0.074，p<0.1），但长期通过人才积累显著促进USR（中介系数0.001，p<0.01）、US（系数0.001，p<0.01）和UR（系数0.001，p<0.01），支持H5–H7。
• •
  AI路径：NFCC显著推动AI技术应用（系数0.064，p<0.01），但AI对US产生负向中介效应（系数-0.004，p<0.01），拒绝H10；而对UR呈正向促进（系数0.002，p<0.01），支持H11，体现AI在风险应对中的优势。
• •
  GS路径：政府支持虽受NFCC推动（系数0.019，p<0.01），但其对USR、US和UR均呈现负向传导（系数分别为-0.013、-0.008，p<0.01），拒绝H13–H15，提示当前GS可能存在资源配置低效问题。

结论与政策建议

NFCC政策通过直接改善城市生态环境与间接激活HC、AI等内生机制，整体提升了中国城市的可持续性与韧性。然而，GS路径的负面效应警示需优化政府投入效率。针对区域与规模异质性，建议：

1. 1.
   深化绿色转型战略，建立政策缓冲机制以缓解短期调整成本；
2. 2.
   推动AI技术与绿色低碳模式融合，规避高能耗对US的初期抑制；
3. 3.
   优化GS的资源配置效能，引入市场与社会资本提升投资效率；
4. 4.
   实施差异化政策，东部地区侧重智能治理与高端人才培育，中西部及中小城市优先完善基础设施与行政效能。

研究局限在于未纳入微观主体行为数据，未来可结合多层级数据进一步验证机制有效性。本研究为全球城市化进程中的绿色治理提供了中国经验的理论支撑与实证范式。