韧性与效率：评估中国气候适应政策对城市绿色发展的影响

《Sustainable Cities and Society》：Resilience and Efficiency: Assessing China’s Climate Adaptation Policy Impact on Urban Green Development

　　气候变化导致生态系统退化，影响城市绿色发展效率（GDE）。中国2016年实施的气候适应城市试点政策（CACP）通过提升城市气候适应性和绿色创新能力，显著提高GDE，贡献值达0.6999。异质性分析表明政策效果在环保型城市、适度扩张城市和东部地区更显著。研究采用贝叶斯优化-双机器学习-自助法模型，有效处理高维数据和模型误设问题，为气候脆弱城市提供可持续发展路径参考。

　　全球气候变化的加剧正在对生态系统造成严重破坏，这种破坏深刻地改变了资源投入与可持续绿色产出之间的关系，进而导致全球城市绿色发展效率（GDE）的下降。面对这一全球性挑战，气候适应型城市试点政策（CACP）应运而生，成为一项关键的举措，旨在通过生态系统的恢复和绿色发展效率的提升，推动城市的可持续发展。然而，目前关于CACP如何具体影响GDE的机制尚不明确。为此，本研究选取了2003年至2021年间中国276个地级市作为研究样本，进行了一项准自然实验，以探讨CACP的实施效果。研究构建了一个基于贝叶斯优化、双机器学习和自助法（Bootstrap）的混合模型，用于识别和验证CACP对GDE的影响。与传统方法相比，该模型在处理高维数据和模型误设、减少参数选择偏差以及提供稳健的因果推断方面表现出显著优势。研究结果显示，CACP的实施显著提升了GDE，其政策贡献值约为0.6999。机制分析表明，CACP通过增强城市气候适应能力、提升绿色创新能力，进而改善GDE。此外，异质性分析显示，CACP对GDE的提升效果在环保型城市、适度城市扩张和东部城市中更为明显。本研究为政策制定者，特别是气候脆弱型城市，提供了可行的框架，以探索城市绿色发展的路径。研究结论表明，气候试点项目能够有效应对生态可持续性方面的挑战。

城市作为人类经济活动、居住和各种资源要素的中心，面临着区域气候变化和城市集聚效应的双重不利影响。通过实施CACP建设气候适应型城市，已被证明是缓解气候变化带来的不利影响和潜在风险的有效方法。除了保障城市系统的安全运行，它还在提升城市竞争力和长期可持续性方面发挥着重要作用。因此，有必要对CACP对城市可持续发展的影响进行定量评估。在主流的政策评估方法中，双重差分（DID）和双机器学习（DML）已被广泛应用于实证研究。例如，王和陈（2024）以及张等人（2024）使用了DID模型，发现CACP显著提高了城市适应能力。同样，傅等人（2024）揭示了CACP的实施对公共健康结果产生了显著改善。另一方面，黄等人（2025）构建了一个DML框架，证明了建立大数据试点区促进了包容性和绿色区域增长。周等人（2025）也采用DML方法，展示了此类试点政策加速了流域资源型城市的转型。与传统模型相比，DML在处理模型误设和高维数据问题方面具有优势。然而，其应用受到特定规范性约束的影响。切尔诺佐胡科夫等人（2018）指出，DML依赖于对干扰函数的估计，而显著的估计偏差会直接污染因果效应的估计。除了确保机器学习（ML）模型的估计偏差不过度，还需要关注过拟合的风险。过拟合可能导致模型过度提取干扰信息，并错误识别特征变量，从而对模型设定和估计结果产生不利影响。然而，大多数使用DML的研究并未充分探讨在调用ML时的模型设定问题，这可能导致显著的估计偏差或过拟合（魏和夏，2024；马尔基等人，2025）。因此，本研究采用以超参数优化为中心的方法，构建一个更适合ML参数设置和过拟合测试的模型。为了解决这些问题，本研究提出了一种更稳健的方法，通过引入超参数优化技术来提升机器学习模型的性能，并避免过拟合。此外，为了确保结果的稳健性，我们采用自助法重采样过程来估计系数分布和显著性水平，从而通过识别潜在的估计偏差实现结果的统计验证。

城市绿色发展主要致力于平衡经济增长、环境保护和生态管理，旨在实现以效率、协调和可持续性为核心的目标。在这些维度中，绿色发展效率（GDE）尤为重要。它强调以较低的投入、较低的资源消耗和较低的污染实现较高的经济产出。现有研究大多聚焦于GDE的三个方面：概念定义、测量方法和影响因素。在GDE的概念定义方面，李和曾（2019）以及钱和刘（2013）将其描述为反映国家或地区经济活动中产出与投入之间关系和内在联系的比率。王（2025）认为，提高GDE本质上需要环境治理与经济发展之间的协同整合。在测量方法方面，李等人（2024）系统地使用了包括CRITIC-熵权、TOPSIS、障碍度模型和聚类分析在内的综合评估技术，对长江流域城市GDE进行了评估。李等人（2025）采用耦合协调模型，研究了技术创新能力与区域绿色低碳发展的协调关系。在分析影响因素时，发现诸如交通基础设施状况（凌等人，2024）、政府环境关注度（郭和乔，2024）、工业数字化转型（王等人，2024）以及碳交易市场建设（何等人，2024）等要素对城市GDE产生了显著影响。

尽管现有文献从多个维度探讨了GDE的影响路径和变化特征，但其气候维度的研究仍显不足。沃尔顿等人（2025）发现，政府应对气候变化的政策能够显著调节环境污染，直接产生大量的绿色效益。这些政策还增强了城市对气候风险的适应能力，降低了企业的能源利用强度（李等人，2025），引导绿色投资与融资，并促进技术转型（曹等人，2025），这些都是平衡经济与生态效益、提升GDE的关键因素。通过关注这一维度，本研究旨在深入探讨CACP对GDE的影响及其传递机制，从而弥补现有研究的不足。

现有文献的综述显示，当前关于CACP与GDE关系的研究存在若干关键局限：首先，GDE的定义仍然模糊，缺乏普遍接受的标准。现有的GDE测量研究较为零散，采用了多样且不一致的评估方法。其次，关于CACP政策的定量研究仍显不足，已有研究大多集中于气候领域，较少关注CACP与城市绿色发展的关联。此外，气候适应能力作为CACP的直观体现，可能对城市可持续性具有重要影响，但很少有研究将其纳入分析框架作为潜在的传递路径。第三，现有尝试量化CACP政策效果的研究主要依赖传统计量经济学模型，这些模型可能无法准确捕捉城市系统的复杂性和多维性。当引入多个变量时，这些模型容易陷入维度陷阱和多重共线性。此外，它们通常需要对变量关系做出先验假设，增加了模型误设的风险。第四，许多应用DML模型的研究未能充分解决机器学习算法的选择及其拟合性能的问题。主观的超参数设置可能削弱结果的可靠性，而过拟合或欠拟合则可能引入最终估计的偏差。此外，对结果统计显著性的稳健性检验往往缺失，增加了虚假显著性的风险。

为了解决这些问题，本研究提出了一系列调整和方法论创新，可能带来以下边际贡献：首先，本研究采用了一个包含非期望产出的Slack-Based Measure（SBM）模型，构建了一个城市GDE指数。从技术角度看，这种方法更贴近本研究中对GDE核心内涵的定义，有助于更准确地描绘经济增长与环境保护之间的平衡。以这个细化的指数作为结果变量，我们进一步探讨了CACP对GDE的影响，并分析其背后的传递机制，从而弥补了现有研究的空白。其次，以气候风险缓解为目标，我们提出了一种创新性的渐进式气候防御体系，包括四个阶段：灾前源头治理（减排与污染管理）、灾中系统自我修复、灾后安全与恢复、以及面向未来的基础设施与创新支持。该框架用于量化城市气候适应能力（UCR），并将其作为分析模型中的关键中介机制纳入研究。第三，为了更好地控制混杂变量，同时解决多重共线性和维度陷阱问题，本研究采用了DML框架来评估CACP在高维数据设置下的影响。此外，为了提升模型拟合效果并减少主观参数选择的影响，我们构建了一个新的“贝叶斯优化-双机器学习-自助法”流程。这种方法降低了随机性风险，增强了实证结论的稳健性。第四，为了考察政策效果在不同地区的异质性，并为未来的针对性政策实施提供依据，我们将城市按照其环境保护状况、城市扩张速度和地理位置进行分类。这使得我们能够进行空间差异化分析，探讨CACP对GDE的影响是否在不同类型和地区的城市中存在显著差异。

本文的结构如下：第二章介绍了政策背景和研究假设；第三章描述了模型、变量选择和数据来源；第四章分析了实证结果；第五章总结了全文并提供了建议。