在“动机–能力–触发机制”治理框架下，政策工具如何影响农村人类居住区的改善：物质整合与发展顺序的考量

《Journal of Cleaner Production》：Mixing and sequencing matter: How policy instruments shape rural human settlements improvement under the “Motivation–Capacity–Trigger” governance framework

　　摘要：世界各国政府采取了多种政策工具来改善农村人类居住环境（RHS），但这些工具如何相互作用、组合以及应如何优先考虑仍然缺乏足够的理解。本研究基于Fogg行为模型（FBM），开发了一个综合框架，涵盖了激励增强、能力建设和基于触发器的政策工具。利用2005-2023年间中国30个省份的面板数据，我们结合了必要条件分析（NCA）、定性比较分析（fsQCA）和Geodetector方法来评估RHS政策工具的有效性。研究结果显示，RHS的表现和政策工具的强度都有持续的改善，并且存在明显的空间分层异质性（SSH）。在NCA下，某些工具显示出一定的必要性，但没有一种单一的政策工具在所有情况和表现水平上都是不可或缺的。fsQCA没有确定任何单一条件是绝对必要的，而是九种前置条件共同产生了七条有效路径，这些路径可以分为四种配置类型，凸显了经济激励、社会示范、技术支持、基础设施建设以及评估反馈的突出作用。政策实施的优先级因配置不同而异，表明应针对现有的政策组合进行调整，而不是遵循统一的顺序。从空间上看，中国东部-中部和西部表现出不同的配置路径和实施优先级，这表明SSH从RHS的结果延伸到了实现高性能的政策机制。总体而言，RHS的改善更多依赖于具体情境下的政策工具组合、互补性和优先级的安排。

引言：人类居住环境为生产、生计活动和社会互动提供了空间基础，因此与人类福祉和发展紧密相关（?ivkovi?, 2019）。自从Doxiadis（1970）提出“人类居住环境科学”概念以来，学术界对这一领域的关注一直在不断增加（Fang et al., 2022）。农村人类居住环境（RHS）作为更广泛的人类居住系统的一部分，包含了维持农村生产和生计的各种物质和非物质要素（Afshar, 1998）。改善这些条件对于非城市地区的生态改善和农村复兴至关重要。以往的研究涵盖了广泛的方面，包括村庄规划、居住模式和自然资源管理（Savchenko and Borodina, 2017; Singh and Sarkar, 2022; van Dam et al., 2002），以及住房、基础设施、环境质量和居民生活满意度（Huang et al., 2025; S?umel et al., 2016; Savchenko and Borodina, 2017）。总的来说，早期的研究加深了对RHS的理解，并为可持续农村发展的文献做出了贡献。与城市地区相比，农村地区在社会经济条件上普遍处于不利地位。更重要的是，全球化加速和城市化使全球农村地区面临一系列相互关联的挑战，包括劳动力从农村向城市的迁移导致的人口流失、住房空置率上升、传统文化侵蚀和环境退化（Tang et al., 2017）。越来越多的证据表明，RHS的恶化不仅仅是一个环境问题，而是一个涉及生计、基础设施、生态条件和社会参与的复杂治理挑战（Kotus and Rzeszewski, 2013; Ma et al., 2026）。因此，包含旨在指导和促进RHS改善的目标一致的政策工具组合是一种重要的应对这些相互关联挑战的手段。

政策组合有多种定义方式，Bouma等人（2019）对其概念进行了全面综述。最基本地说，政策组合是指在一系列综合政策安排中结合多种政策工具，以实现特定的政策目标（Camaioni et al., 2019; Howlett, 2009, 2014; Li and Taeihagh, 2020）。政策设计研究进一步强调，这种组合的有效性不仅取决于其组成部分，还取决于它们之间以及不同政策设计层次之间的协调性（Howlett et al., 2017; Howlett & del Rio, 2015）。最近的研究越来越多地关注政策组合的具体特征，特别是政策工具随时间的顺序安排（Tchorzewska et al., 2025）以及工具之间的相互作用如何影响政策结果（Martínez-Moya et al., 2025; Petrin and Radicic, 2023）。基于这些文献，我们将政策组合定义为在给定的治理阶段内相互兼容和互补的一组政策工具，共同寻求促进RHS的改善。具有不同程度连续性、一致性和演变性的政策组合已在全球农村治理中得到广泛应用。在欧盟，农村发展政策结合了财政支持、农业环境支付、基础设施相关措施和公共服务提供，以实现多种农村发展目标（Camaioni et al., 2019）。日本同样结合了规划干预、环境资源管理和社区参与，以应对农村人口减少、居住地衰退和环境压力（Zollet and Qu, 2024）。在实践中，单一且短期的政策工具往往不足以解决复杂的社会和环境问题（Nu?ez-Jimenez et al., 2022），因此政府倾向于结合多种工具来实现公共政策目标（Kern and Howlett, 2009）。这样的组合通常涉及多个战略目标和不同政策工具之间的相互作用（Flanagan et al., 2011），这意味着它们的效果可能在多个层面上发挥作用并随时间发展。尽管单个工具具有不同的治理功能，但它们也可能相互强化，其相互作用共同塑造了整体治理结果（Howlett & del Rio, 2015; Rogge and Reichardt, 2016）。同时，政策系统的相互依赖性意味着组合工具并不一定能改善政策绩效：相互作用可能会产生协同效应，但也可能产生阻碍实现政策目标的紧张关系或权衡（Cejudo and Michel, 2021）。关于政策组合效应的实证研究越来越多地结合了定性和定量方法，应用于创新政策（Wang et al., 2022）、建设用地强度政策（Zhang et al., 2023）、森林保护（Fischer et al., 2023）和能源政策（Liu et al., 2026）等领域。总体而言，这类文献指出了政策组合效应的两个重要维度：首先是性能提升，即工具组合是否以及如何改善目标结果；其次是实施顺序——工具引入或优先级的顺序如何影响其随时间的有效性（Tchorzewska et al., 2025）。然而，关于RHS的研究在这两个维度上的关注相对有限。因此，本研究探讨了政策工具组合如何改善RHS的表现，以及在不同政策配置中应如何优先考虑这些工具。

中国迅速推进了RHS政策的发展，现在拥有庞大而多样的政策组合。现有研究主要追踪了政策的发展过程，确定了政策演变的阶段，总结了政策内容和制度特征，并提出了相应的政策建议（Afrakhteh et al., 2016; Luo et al., 2021; Obara et al., 2011）。一些研究进一步表明，中国RHS政策组合的演变经历了多个阶段，从最初侧重于基础设施导向的干预，到纳入农民参与和行为激励，再到政策组合的逐步多样化（Cheng et al., 2024）。一个重要问题是，现有文献大多关注选定的案例，而全国范围内RHS政策工具的系统性分类仍然有限，特别是在其空间分布及其治理效果是否表现出空间分层异质性（SSH）方面。少数研究探讨了特定政策对RHS的影响，包括文化遗产保护（Guo and Sun, 2016）、固体废物管理（Han et al., 2019）、污水处理（Sadeghfam and Abadi, 2021）和卫生厕所改革（Dickin et al., 2017）。估计政策效果的共同方法包括差异-in-Differences（Chen et al., 2024）、回归不连续性（Repetto and Andrés, 2023）、合成控制方法（Cerulli, 2019）和中断时间序列分析（Nistal-Nu?o, 2017）。这些方法主要用于估计预先指定的干预措施的平均净效应或概率效应。然而，这种关系不应被解释为决定性的充分条件，因为统计上的正面效应并不意味着某个因素的存在就足以导致结果的发生。通过将必要条件分析（NCA）与定性比较分析（QCA）相结合，可以同时从必要性和充分性的角度评估条件，识别替代的有效配置，并捕捉多种工具共同塑造绩效的因果不对称性（Fiss, 2011; Ragin, 2008; Schneider and Wagemann, 2012）。这种分析逻辑与RHS政策组合的配置性质高度契合。此外，本研究使用Geodetector来评估不同配置中政策工具的相对实施优先级，以确定在哪些方面优先投入政策努力最能促进RHS的改善。为此，我们收集了中国各省RHS表现和政策工具强度的省份级数据，并结合了NCA、QCA和Geodetector来分析政策工具组合如何影响RHS结果。

然而，另一个重要问题是RHS应该如何衡量。现有研究开发了多种评估框架，包括“生产-生活-生态”（Qin et al., 2024）、“硬环境-软环境”（Zhao et al., 2019）、“环境健康-生活标准-政府服务-基础设施-生活条件”（Hu and Wang, 2020）、“经济-社会-环境”（Lin and Hou, 2023）、“农业土地-卫生-生态保护-经济发展”（Jin et al., 2025）、“农村生态环境-农村基础设施-公共服务-生活条件-经济环境”（Xu, 2023）以及“资源-利益相关者-治理”（Liu et al., 2024）。在方法论上，RHS质量采用了多种定量方法进行评估，包括熵加权（Hu and Wang, 2020）、层次分析法（Fang et al., 2022）、TOPSIS（Guo et al., 2023）和基于GIS的方法（Ouzounis et al., 2013）。然而，RHS指标体系的构建往往缺乏坚实的理论基础，导致测量结果差异很大，有时甚至相互矛盾或高度共线性。为了解决这一限制，本研究基于驱动-压力-状态-影响-响应（DPSIR）框架构建了一个时间序列RHS指数，并使用方差膨胀因子（VIF）来评估多重共线性，为后续的实证分析提供了坚实的基础。

本研究的动机源于两个研究空白：首先，从政策组合的角度来看，关于政府在RHS中的干预知之甚少，特别是关于任何单一政策工具是否构成实现高RHS表现的必要条件，以及多种工具如何共同形成有效配置。其次，如何系统地捕捉RHS政策工具的强度和表现，并在不同的政策配置中确定实施优先级，仍然不够清楚。因此，本研究探讨了以下研究问题：

RQ1. 任何单一的RHS政策工具是否构成实现高RHS表现的必要条件，从而当该工具缺失或低于临界水平时无法实现高表现？

RQ2. 如何组合不同的政策工具以实现高RHS表现，以及在不同配置中应优先考虑哪些工具？

RQ3. RHS的表现和政策工具的强度随时间和空间如何演变，有效配置和实施优先级是否在不同空间层中有所不同？

为了解决这些问题，本研究基于Fogg行为模型（FBM）开发了一个综合分析框架，包括激励增强、能力建设和基于触发器的工具，并探讨了它们的配置如何影响RHS结果。我们测量了2005至2023年间中国30个省份的不同RHS政策工具的强度，并根据DPSIR框架构建了一个RHS指数。首先使用NCA来测试任何单一政策工具是否构成实现高RHS表现的不可补偿的约束，然后使用fsQCA来识别政策工具的替代充分配置。最后，使用Geodetector来评估不同配置中政策工具的相对重要性，并确定它们的实施优先级。

本文的其余部分安排如下：第2节发展了一个分析框架，用于分类RHS政策工具并揭示政策工具影响RHS的配置机制。第3节详细说明了分析中的方法论方法、变量测量和数据来源。第4节提供了关于政策工具配置、实施优先级及其空间异质性的实证结果。第5节总结了主要发现，并讨论了研究的局限性和未来研究的方向。

基于FBM的必要性视角下的政策工具和RHS：FBM认为，行为（表现）源自三个关键要素的联合作用——动机、能力和触发器（Fogg, 2009）。当行为者具备足够的动机、适当的能力，并且接触到适当的触发器时，目标行为更有可能发生。尽管该模型最初是为了解释个体行为而开发的，但它逐渐被扩展到复杂的政策系统中，在这些系统中，行政单位被视为集体行动者（Zhao等人）。本研究结合了NCA（条件-结果分析）和fsQCA（配置空间条件-结果分析）方法，来探讨不同的政策工具如何共同影响河流生态系统的性能。这两种方法解决的是不同的因果问题：NCA评估某一条件是否是实现某种结果的必要约束，而fsQCA则确定能够达到相同结果的替代条件配置（Ragin, 2000, 2009; Pappas and Woodside, 2021）。因此，NCA用于识别可能无法补偿的约束；而基于NCA的单一因素必要性分析则用于探究个别政策工具是否对河流生态系统的性能施加了必要约束。如3.1.1节所述，选择CE-FDH作为主要的天花板线技术，是因为政策工具的测量值具有离散且阶梯状的分布特征（Dul, 2016, 2024）。完整的条件-结果散点图见补充材料中的图S1，图中仅显示了主要的CE-FDH天花板线。相应的CR-FDH估计结果也包含在补充材料中。

混合因素：改善河流生态系统的配置路径
尽管政策干预在河流生态系统治理中受到了越来越多的关注，但对于多种政策工具如何协同作用以形成治理结果却知之甚少。现有研究已经证明了基础设施提供、财政投资、公众参与和环境治理对改善河流生态系统的重要性（Afshar, 1998; Fang et al., 2022; Huang et al., 2025），但这些干预措施通常是被单独研究的，未能充分探讨它们之间的替代关系或协同效应。

理论意义
本研究对河流生态系统治理和政策组合领域做出了三项贡献。首先，它提供了一种更具理论依据的河流生态系统测量方法。现有的指标涵盖了经济、社会、环境和基础设施等多个维度（Hu and Wang, 2020; Jin et al., 2025; Qin et al., 2024; Zhao et al., 2019），但这些指标之间的逻辑联系及其潜在的重叠性尚未得到充分关注。我们将这些指标按照DPSIR框架进行了分类。

作者贡献声明
陈丹玲：撰写——审稿与编辑、初稿撰写、方法论设计、数据收集、定量分析、概念化。
李 pupu：撰写——审稿与编辑、方法论设计、定量分析、概念化。
李子轩：撰写——审稿与编辑、方法论设计、定量分析、概念化。
李世亮：资源支持、方法论设计、数据收集、定量分析、数据整理。
卢新海：数据验证、研究设计、定量分析、概念化。
吕天宇：

利益冲突声明
作者声明没有利益冲突。

致谢
本研究得到了国家社会科学基金（项目编号25BGL308）、国家自然科学基金（项目编号42101307；42271270）以及中央高校基本科研业务费（项目编号2662025GGPY004）的资助。

作者列表：
陈丹玲 | 李 pupu | 李子轩 | 李世亮 | 卢新海 | 吕天宇 | 李佳