生态系统恢复与农村居民收入：来自中国山水工程的证据

《Ecological Economics》：Ecosystem restoration and rural incomes: Evidence from China's Shan-Shui Initiative

　　

• 生态修复可以提升农村收入，但收益是有条件的。
• 随着实施深入和支持措施完善，收入增益逐步增强。
• 生态系统服务、基础设施和旅游将生态修复与收入增长联系起来。
• 在经济更发达、生态约束较弱的地区，收益更为显著。
• 基于机器学习的合成控制法提高了对这些效应的识别精度。

1. 引言

生态系统退化被广泛认为是环境可持续发展的重大挑战（Farley和Voinov，2016；Rudel等，2005）。经济增长对土地、水、森林及其他自然资源施加了越来越大的压力，导致全球范围的环境恶化。中国也不例外。作为中国拥有大面积生态脆弱区的国家之一，中国面临着包括水土流失、栖息地退化和生物多样性丧失在内的严峻挑战（Gao等，2020；Sutton等，2016）。

对此，生态修复已成为全球政策议程的核心。2021年，联合国启动了生态系统恢复十年计划，强调将修复作为应对气候变化、生物多样性丧失和粮食安全问题的关键策略（Strassburg等，2020）。中国通过启动多项修复项目来强化治理框架下的环境保护，其中山水工程通过针对地理区域中多种环境资产的修复，推动生态系统的大规模恢复。

然而，该政策面临的根本性挑战尚未得到解决。大多数山水工程试点项目位于生态脆弱、经济相对欠发达的农村和山区。这些地区既是生态修复的重点区域，也是农村生计的主要来源地，土地利用、资源依赖和 economic activity 紧密交织（Nguyen等，2015）。因此，修复工作通过多种渠道直接影响农村收入。这引出三个问题：（1）山水工程对农村收入有何影响？（2）这些效应通过哪些机制发挥作用？（3）这些影响在不同地区之间是否存在差异？解决这些问题对于有效的政策设计至关重要，因为收入增长可能促进当地对修复工作的支持。因此，识别该工程的收入效应并明确其内在机制，对于使环境保护举措与农村发展相协调是必需的。

现有关于生态修复的文献主要聚焦于治理和工程设计（Bradbury等，2021；Zhao等，2021）。相关研究还探讨了山水工程，并发现其实施后环境结果得到改善。这些研究强调了该工程的文化内涵（Xiaohong等，2023）、区域治理安排（Yu和Ni，2023；Xia等，2025b）、概念框架（Zheng和Zhuang，2021）、技术途径（Fu等，2023）以及制度保障（Liu等，2023）。近年来，研究转向定量评估，考察该工程对碳汇潜力、生态用地面积、水源涵养（Wang等，2025）、植被覆盖指数（Cheng等，2024）和生态系统服务（Fu和Yan，2023）的影响。总体而言，生态修复政策研究已积累了大量关于环境结果的经验证据。

一些研究考察了生态修复举措的经济影响。它们通常评估环保监管中不同政策工具的有效性，包括金融工具和各类税收及产业政策（Ferraro和Pattanayak，2006；Villalobos等，2023；Thomas等，2024；Zimmert等，2024；Zhang和Xu，2024）。相当一部分研究聚焦于十二五及其更早阶段，特别关注环境治理对产业调整和区域经济增长的影响。例如，Uchida等（2009）发现，十一五期间实施的生态修复政策促进了工业化。当具体到山水工程时，此类研究仍局限于区域层面，主要关注环境可持续发展（Li等，2023）、资源利用（Zhang等，2023a）和环境商品（Zhang等，2023b）。虽然这些研究将分析从生态指标扩展到了经济结果，但其主要关注点仍是宏观或区域层面的经济绩效。因此，关于修复项目微观层面影响的证据仍然有限。

随着文献扩展，越来越多的关注投向环境治理对农村收入的影响。现有证据表明这些效应具有异质性。一方面，生态修复项目可以改善环境质量并提高家庭收入（Yang等，2020）。另一方面，包括植树造林、限制放牧和禁渔在内的举措可能会减少农业产出，导致农村收入下降（Brown等，2019）。当替代生计项目和补偿等配套措施不足时，此类政策可能会扩大城乡发展差距，削弱对修复项目的支持（Arriagada等，2012；Alix-Garcia等，2012）。在某些情况下，不利的收入影响可能持续存在，从而降低生态治理的有效性（Sims和Alix-Garcia，2017）。

总体而言，尽管对生态修复政策影响农村家庭收入的研究日益受到关注，但文献对此关系尚未达成共识，现有证据仍相对有限。在此背景下，在当前政策环境下此类权衡是否持续存在仍是一个开放性问题（Yin等，2010）。

在实证评估这些效应方面，可以采用多种方法。例如，双重差分法（DID）广泛用于评估政策效应。然而，其有效性需要满足一些可能较为严格的假设，包括平行趋势和随机政策分配（Angrist和Pischke，2009）。在环保项目的背景下，这些假设往往难以成立。试点地区通常基于资源禀赋、基准环境状况和地方能力进行选择，而这些因素也可能与收入轨迹及其他感兴趣的结果相关。当选择与潜在结果路径相关时，传统DID估计量可能出现偏差。

合成控制法（SCM）在此情境下提供了有用的替代方案。Abadie和Gardeazabal（2003）提出的合成控制法构建未处理单元的加权组合，尽可能复现处理单元干预前的结果路径和观测特征。这一加权平均作为处理单元的反事实，干预后处理单元与其合成控制之间的差距则提供了政策效应的估计。合成控制法已用于研究多种政策情境（Cavallo等，2013；Born等，2019；Severnini，2023），特别适用于处理分配非随机且处理单元数量有限的情形。

当政策分配并非随机时，处理组和对照组在修复项目启动前可能存在显著差异，导致结果呈现异质性趋势。因此，传统约简型方法（如DID方法）的识别假设难以成立，因为它们产生的估计量对模型设定敏感（De Chaisemartin和Haultfoeuille，2020；Goodman-Bacon，2021；Sun和Abraham，2021；Rambachan和Roth，2023）。在县级政策定位明确的情境下，这些顾虑更为突出。因此，近期研究开始借助基于机器学习和正则化的工具来扩展合成控制法，以增强反事实构建的有效性。Doudchenko和Imbens（2016）提出了广义合成控制框架，放宽了对权重和其他约束的传统限制。这些变革扩大了可行合成控制的范围，并提高了该方法在复杂干预情境中的适用性。Ben-Michael等（2021）认为，当处理单元和对照单元在多个维度上存在差异，需要从相对庞大的供体池构建可比反事实时，基于机器学习或正则化的合成控制方法可以实现比标准合成控制法更好的干预前拟合。基于此逻辑，我们采用了一种改进的带有正则化的合成控制方法。该方法主要依赖干预前结果路径的信息构建反事实，并使用正则化算法选择供体单元及其权重。

尽管在评估生态修复政策对环境结果和社会经济指标影响方面取得了显著进展，但现有知识仍可通过聚焦于政策效应、估计方法和具体传导机制来进一步拓展，这构成了我们论文的三大贡献。

首先，现有大多数研究在评估政策效应时侧重生态绩效，而忽视了环保举措和修复努力对当地经济和农村收入的影响。然而，协调环境保护与收入增长对于促进政策实施和保障大规模生态系统修复工程的长期可持续性至关重要，因此需要仔细分析所有政策效应。更具体地说，我们依托可持续生计框架，考察修复可能影响收入的三个渠道，包括生态系统服务价值、基础设施建设和旅游增长。这一分析为环境保护与农村家庭生计收益之间的关系提供了重要洞见。

其次，现有实证研究主要依赖双重差分法等传统约简型政策评估方法。尽管这些方法广泛用于评估一般性政策结果，但其在生态修复试点情境下的适用性并不直接。这是因为试点地区的选择往往取决于资源禀赋、环境条件、地方治理能力和既有发展水平，这意味着处理组和对照组在修复项目实施前可能已存在显著差异。此外，被选为试点的地区在收入增长和发展轨迹上可能表现出显著异质性。这些特殊性可能在估计时引入偏差，除非用于评估政策效应的方法能够容纳地区间的干预前差异。因此，这需要采用比DID更适合特定情境的方法论。我们依赖基于机器学习的控制方法来构建灵活且可信的反事实。通过更充分地利用干预前结果轨迹，该方法改进了政策前拟合，放宽了标准合成控制法对协变量和权重结构的一些限制，并增强了在强政策选择性和异质性地方发展路径特征情境中的适用性。为减少因过拟合导致虚假政策效应的风险，我们进一步使用政策实施前的一年作为外部测试集，以检验估计结果的稳定性。

最后，现有山水工程经济后果的研究往往聚焦于特定地区和平均处理效应，而忽视了不同区县之间政策效应的差异。我们估计了这些差异，并关注相关的传导机制。具体而言，我们研究该工程的影响是否随区域经济发展水平、生态脆弱程度以及用于实施试点的修复措施类型而变化。我们的工作通过展示生态修复更可能在何处及何种条件下产生生计收益，拓展了现有文献，并为更差异化的实施策略提供了政策建议，使绿色发展目标更好地与地方条件和生态特征相协调。

2. 政策背景与理论基础

2.1. 政策背景

中国在环境保护和生态修复方面的政策框架逐步从相对分散的模式演变为更集成的治理模式。早期的修复举措主要通过独立项目实施，如退耕还林还草和京津风沙源治理工程。尽管这些项目在改善当地环境条件方面发挥了重要作用，但它们通常针对相对狭隘的目标集，且缺乏跨区域协调。随着政策目标从严格的污染控制和保护扩展到更广泛的可持续发展，这类碎片化方法的局限性日益明显。对此，中国的生态修复框架已转向更全面的治理模式，强调协调和综合管理。

山水林田湖草沙一体化保护和修复工程正是在这一转型过程中推出的。2015年，政府生态文明体制改革总体方案中提出了这些环境资产构成"生命共同体"的理念。中央政府随后批准了这一倡议，标志着其从广泛的概念框架过渡为正式政策。2016年，中国多个部委联合发布了关于推进山水林田湖生态保护修复的通知，正式启动了试点修复项目。与针对单个环境资产的早期项目不同，山水工程采取整体性视角，将这些商品视为更广泛生态系统中相互关联的组成部分。

经过近十年的实践，该工程为政策制定者提供了关于有效环境管理和生态修复实践的重要经验与启示。该工程关键阶段的历程总结如图1所示。图1：山水工程在近年"五年规划"期间的发展历程。

"十三五"时期是该工程的探索阶段。在2016至2018年间，政策制定者共批准了三批、25个试点项目。总投资额达到2600亿元，其中中央政府出资500亿元，其余由地方政府承担。这些项目主要分布在被视为环境安全关键区域的地区，重点在于保护与修复。就成效而言，这一阶段为后续工程的扩展提供了初步经验。同时，试点阶段也暴露出若干问题，凸显了未来实施中需改进的方面。例如，部分项目覆盖范围过大，某些地方项目缺乏统一的规划，一些地区的投资力度也显得过度。

"十四五"时期的特征是进一步扩大。在试点阶段的基础上，中央政府向更多项目提供财政支持，并推动中央与地方更广泛的参与。在此期间，政策框架日趋规范，出台了统一的指导文件和配套法规，同时加强了监测与跨区域协调机制。这些进展标志着该工程从试点项目向更加标准化政策框架的过渡。这一转变具有重要意义，因为它反映了生态修复工作在规模和持续性方面的提升。山水工程所涵盖地区的地理分布如图2所示。图2：山水工程涵盖的地理区域。

2.2 理论基础与假设

2.2.1 生态修复与农村收入

山水工程所涵盖的众多项目位于生态脆弱且经济欠发达地区。虽然此类区域的修复工程可以产生可观的环境效益，但也可能通过土地利用变化和获取资源的途径改变影响农民生计。这是因为农村家庭收入是内生性的，取决于在资源禀赋、市场机会和政策约束的基础上，农业、旅游相关活动及其他非农就业之间的选择。

根据家庭时间配置理论，家庭在劳动与休闲之间分配时间，同时面临不同收入来源之间的权衡（Becker, 1965）。当农村市场不完全时，生产与劳动供给决策往往具有不可分性（Benjamin, 1992）。此外，职业选择理论表明，从传统低回报活动向更高回报非农就业的转型取决于预期回报、进入壁垒和调整成本（Banerjee and Newman, 1993）。因此，农村收入取决于家庭如何在替代性创收活动之间配置劳动力。基于此框架，我们采用以下农村家庭劳动配置模型。

假设在第??期，一个代表性农村家庭选择消费水平????、休闲???、农业劳动??????、旅游相关劳动??????及其他非农就业??????，以最大化其效用，即：

(1) max_{????,???,??????,??????,??????} ??(????,???)

我们令??????表示可支配收入，并假设其满足以下条件：

(2) ???? = ??????

(3) ?????? = ????(??????; ????, ????, ????) + ????(??????; ????, ????, ????, ????) + ????(??????; ????, ????, ????) + ???? ? ??(??????, ??????; ????, ????)

其中，????(·)为净农业收入，假定其取决于农业劳动??????、可用自然资源????、环境资产价值????和基础设施状况????。此外，????(·)表示旅游相关非农活动的净收入，除????和????外，还取决于旅游相关劳动??????、旅游及相关服务需求????和家庭非农转型能力????。另外，????(·)为非农就业收入，除????和????外，被假定为市场机会????和非农劳动??????的函数。最后，????代表政策转移支付，如农民获得的补偿金；??(·)为从农业转向非农就业的转换成本。

我们假设农民在不同活动中投入的总时间量为固定值，即：

(4) ?? = ??? + ?????? + ?????? + ??????

因此，人均可支配收入定义为：

(5) ?????? = ??????/????

其中????表示家庭规模。

在此框架下，环境保护与生态修复工程对农村收入的影响源于约束与机遇的共同作用。一方面，修复工程可能在短期内限制对自然资源????的获取，从而减少农业收入。如果补偿机制不足，或家庭在转向替代性创收活动方面面临较高成本，则传统收入来源的损失可能难以弥补。这可能导致短期内可支配收入下降，并增加陷入贫困的可能性（Zhang et al., 2019; Platts et al., 2023）。

另一方面，此类工程也可能通过提升环境资产价值????、改善公共服务供给从而提升基础设施????以及促进旅游业发展，为家庭转向替代性创收活动创造机遇。与此同时，基础设施和市场连通性的改善可以降低此类转型相关的进入成本（????/?????? < 0），同时增加转移支付????，从而进一步促进农村收入增长。据Asher和Novosad（2020）研究，交通和公共服务供给的改善可以降低交易成本，促进农村家庭获取非农就业机会。类似地，Yang等人（2020）和Wang与Pan（2025）认为，此类改善有助于形成更具韧性的生计组合，并从长期角度促进收入增长。此外，Gao等人（2025）的研究表明，补偿方案、公益型环保岗位等政策工具可以提供转移支付和额外就业机会，部分抵消因农业受限造成的收入损失。此外，旅游业的扩展还可以带动住宿、餐饮、交通、零售及其他服务业的发展，从而为农村家庭创造额外的就业和经营机会。在此条件下，家庭倾向于将劳动力从农业重新配置到旅游相关及其他活动，以最大化效用（Staton et al., 2022; Blanton et al., 2024）。生态修复工程对农村收入的影响如图3所示。图3：生态修复工程对农村收入的影响。

因此，基于以上推论，我们可以提出以下假设：

H1：生态修复工程对农村收入具有正向影响。

2.2.2 机制分析

基于上述框架，我们预期山水工程将通过影响耕地及相关活动的回报率、转向非农就业的成本以及本地服务需求的规模来影响农村收入。相应地，我们聚焦于环境资产价值、基础设施状况和旅游业发展三个中介变量，评估生态恢复与农村收入之间关系的内在机制。

首先，该工程可能通过提升环境资产价值来增加农村收入。山水工程包括退耕还林还草、流域管理以及水体、森林和草地保护等项目。从设计上讲，这些措施提高了环境资本的价值（Fu and Yan, 2023）。在之前讨论的家庭劳动配置框架中，这一路径通过改变土地和自然相关活动的相对回报率，从而影响劳动配置。两个机制尤为相关。一方面，修复通过改善自然栖息地提高了调节性生态系统服务（Liu et al., 2023）。对于严重依赖自然资源的家庭而言，生态系统服务的改善可以通过提高水资源可利用性和缓解土壤侵蚀来降低对冲击的脆弱性。从这个意义上说，较高的环境资产价值可以作为一种保障基本生计的安全网。

另一方面，增强自然资本可以创造更高回报的生计机会。环境质量和生态便利设施的改善可以支撑生态农业和生态旅游的发展，扩大非农就业机会（Barbier, 2010）。通过多元化收入来源并促进劳动力向更高回报活动再配置，这些变化可以提高家庭收入并减少贫困。因此，基于此逻辑，我们提出第二个假设如下：

H2：生态恢复工程通过提升环境资产价值来增加农村收入。

农村地区是山水工程的主要实施地点，但与城市地区相比，其基础设施通常相对落后。交通、通信和能源供应方面的限制可能制约项目的实施。为此，地方政府往往在修复活动之外加大基础设施投资，重点关注交通线路和信息网络。Balietti等人（2024）认为，此类投资可以通过提高资本生产率来改善基本服务供给。基础设施的改善可以增强连通性、降低交易成本、改善劳动力和资本的分配，这些均与农村收入增长密切相关（Shamdasani, 2021）。

基础设施通过多个渠道影响农村收入。在上述框架中，更发达的基础设施可以提高农业回报率，同时降低转向旅游相关及其他非农就业的成本，有助于扩大农村居民可行的创收机会集。据Asher和Novosad（2020）研究，交通和通信的改善可以促进市场获取和非农就业。通过扩大就业和经营机会，这些变化可以提升非农收入（Felkner et al., 2022）。对于主要从事农业的家庭而言，更好的道路、能源供应和数字连接可以降低投入成本和营销成本，并便于获取更先进的技术，从而有助于提高生产效率。Xia等人（2025a）指出，这些效应可以为提高农业生产力和收入提供重要动力。据此，我们提出以下假设：

H3：生态恢复工程通过改善本地基础设施来增加农村收入。

山水工程的选址通常以丰富的环境资产禀赋为特征，包括丰富的自然景观和多样的生态系统。这些特征赋予了其在发展生态旅游方面的比较优势。该工程进一步提升了这些资产的价值，增加了吸引力并吸引更多游客。结果是旅游业及相关行业持续扩大（Le et al., 2019）。

旅游业发展可以通过创造非农就业机会，在生态修复与农村收入之间建立直接联系。生态旅游可以在项目区创造就业岗位，如护林员、导游、挑夫以及餐饮和住宿服务人员，这些岗位往往能提供比农业更稳定的收入（Snyman, 2012）。这些效应还可产生更广泛的本地溢出效应。游客流量的增加提高了对本地商品和服务的需求，推动旅游价值链各环节——包括餐饮、住宿、交通和休闲服务，以及林产品、中药材及相关健康服务的销售——的回报增长（Hampton et al., 2018）。农村家庭可以直接通过小型经营活动受益，也可以通过劳动力和其他要素需求的增长间接受益。这些联系通过多元化收入来源和减少对农业的依赖来改善生计。

在家庭劳动配置框架中，这一路径通过扩展生计机会以及劳动力从农业向旅游相关及其他非农活动再配置来发挥作用。因此，我们的最后一个假设是：

H4：生态恢复工程通过促进本地旅游业发展来增加农村收入。

3. 研究设计

3.1 模型设定

3.1.1 基准回归模型

评估修复工程对农村收入的影响需要合适的估计策略。双重差分法（DID）在实证研究中广泛用于评估政策效应。然而，其有效性依赖于两个关键假设。第一，处理组和控制组必须满足平行趋势假设。第二，处理分配必须是随机的，或至少是条件外生的（Angrist and Pischke, 2009）。在环境保护与修复的背景下，这些条件很难成立。项目选址通常基于资源禀赋、基线环境条件和本地能力，这些均可能与政策前收入水平和在没有政策干预下本应出现的收入轨迹相关联。在这种情况下，DID可能会将处理效应与既有差异混淆，产生有偏估计。

相比之下，合成控制法（SCM）在此情境下提供了更具可比性的反事实。它通过对所谓的"供体池"中的观测值赋予不同权重来构建合成控制——供体池由控制组中的单位组成——使合成控制的前期结果轨迹与相应的处理单位尽可能接近。处理组单位与其合成对应体在干预后的差距便可用来估计政策效应。但需注意，SCM并不能自动消除因非随机政策分配而产生的所有内生性，其识别仍然依赖于某些条件。

# 合成控制法（SCM）与山水工程评估：中文译文

## 引言与方法论框架

在本研究的语境下，核心要求是：在处理组单位的干预前结果变量演化过程中，能够充分捕捉塑造其后续轨迹的主要系统性因素。只要 donor pool 中各单位的加权组合能够合理重现处理组单位干预前的结果路径，那么由此生成的合成控制单元就可以作为该处理组单位在政策缺失情况下本应遵循的反事实路径的一个合理近似。由于识别策略锚定于干预前的拟合程度，SCM 特别适用于处理非随机分配的情境，且主要实证挑战在于构建可信的反事实趋势的场景。在本研究中，我们进一步实施了一种基于机器学习的 SCM 方法，使用正则化算法来选择 donor 单位及其权重，以便基于干预前的结果信息构建反事实路径，而无需引入额外的协变量。相对于 DID（双重差分法），后者更直接依赖于平行趋势假设，该方法更侧重于重现处理组单位干预前的结果轨迹，从而在本文的设定下提供一个更贴合处理组单位本身的反事实路径。

在我们的研究设定中，SCM 将山水工程实施的每一个地区（县级）——即每个处理组地区——与一组未接受处理的县级单位的加权组合进行比较，该组合能够最佳地重现处理组地区干预前的人均收入轨迹。当此类合成控制单元在政策实施前能够紧密追踪处理组地区的走势时，两组地区在干预后的差异即可被解释为估计的政策效应。

## 建模过程

为了对这一过程进行建模，我们关注项目在整体时间范围 T 内，来自 $N+j$ 个地区的农村人均可支配收入，记为 $y_{i,t}$。其中，前 $j$ 个地区作为处理组，包括实施山水工程的各县。1 剩余的 $N$ 个地区代表未纳入该项目的县级单位，它们作为控制组，标记为 $i = j+1, \ldots, N+j$。政策在第 $T_0$ 期启动，$1 \leq T_0 \leq T$，这意味着即使在处理组中的县，在 $t = 1, \ldots, T_0 - 1$ 期间也不受任何政策干预的影响。

两类地区观测到的结果汇总于公式 (6) 中，而相应的反事实结果则给出在公式 (7) 中：

**(6)** $y^{(\text{data})} = (y_{p,\text{pre}}^{(0)},\ y_{p,\text{after}}^{(1)},\ y_{c,\text{pre}}^{(0)},\ y_{c,\text{after}}^{(0)})$

**(7)**
$$y_{i,t}^{(\text{data})} = \begin{cases} y_{i,t}^{(0)} & \text{if } W_i = 0 \text{ or } t \leq T_0 \\ y_{i,t}^{(1)} & \text{if } W_i = 1 \text{ and } t > T_0 \end{cases}$$

其中，下标 $p$ 表示受政策冲击影响的地区，即处理组中的县；$c$ 代表控制组中的县；$pre$ 指政策实施前阶段；$after$ 指政策实施后的结果。此外，$W_i$ 用于指示在 $T_0$ 时刻是否在 $i$ 县启动了生态修复项目，即 $W_i = 0$ 表示第 $i$ 个县处于控制组，而 $W_i = 1$ 表示该期间处于处理组。$y_{i,t}^{(\text{data})}$ 是地区 $i$ 在时间 $t$ 的农村人均可支配收入，$t = 1, \ldots, T$。因此，$y_{i,t}^{(0)}$ 和 $y_{i,t}^{(1)}$ 分别表示第 $i$ 个县在山水工程未产生作用和产生作用两种情况下的人均收入。

在试点项目实施期间（即处理组）$t > T_0$ 时的政策结果是可观测的，由 $y_{p,\text{after}}^{(1)}$ 给出。然而，其反事实结果 $y_{p,\text{after}}^{(0)}$ 则无法直接获得。因此，评估政策影响需要对反事实结果进行估计。政策效应 $\tau_{i,t}$ 可计算为：

**(8)** $\tau_{i,t} = y_{p,\text{after}}^{(1)} - y_{p,\text{after}}^{(0)} = y_{i,t}^{(1)} - y_{i,t}^{(0)}$

要估计 $y_{p,\text{after}}^{(0)}$，我们需要构建合成控制。我们首先对控制组的结果分配权重并求和，再加上一个随机扰动项，从而得到 $y_{i,t}^{(0)}$，即：

**(9)** $\hat{y}_{i,t}^{(0)} = \beta + \sum_{j \in \text{control}} \omega_{ij} y_{j,t}^{(\text{data})} + \sigma_{i,t}$

其中 $\beta$ 为截距项，$\omega_{ij}$ 为权重，$\sigma_{i,t}$ 为随机扰动项，用于建模本文中未考虑的影响农村收入的其他因素。

由于山水工程分三批实施，我们需要将分析分为三个阶段，分别为每个阶段获取单独的合成控制，以估计相应的处理效应。遵循 Ben-Michael et al. (2022) 的方法，我们通过对每个阶段的处理组单位分配一组权重，并利用这些权重聚合未接受处理的单位，从而形成处理组单位的合成对应物。控制组的选择可总结如下：

**(10)** $C_{i,k} = \{ j : T_j > T_0 + k \}$

其中 $C_{i,k}$ 是对应于处理组单位 $i$ 在处理后第 $k$ 期的控制组单位集合，$j$ 是满足上述条件的单位集合，即在后处理第 $k$ 期尚未暴露于政策的单位。在我们的分析中，三批试点项目分别对应 $k = 4$、$k = 3$ 和 $k = 2$。

## 传统 SCM 与本研究面临的挑战

在传统 SCM 中，截距 $\beta$ 和权重 $\omega_{ij}$ 通过最小化干预前处理组观测数据与合成控制组之间的差异来估计。该优化问题对应的目标函数为：

**(11)** $\min_{\beta, \omega_i} \sum_{t=1}^{T_0} \left( y_{i,t} - \beta - \sum_{j \in \text{control}} \omega_{ij} y_{j,t} \right)^2$

同时，在求解最优权重时，通常对合成系数施加额外约束，要求权重非负且总和为 1。此外，还会引入协变量，要求协变量和结果变量满足相同的加权约束。然而，鉴于本研究的特殊性，传统 SCM 的某些特征难以直接应用。

**第一**，在本分析中起关键作用的年度县级农村人均可支配收入，受到多种因素的影响，包括异质性政策干预、地方发展水平差异以及统计标准的变动。因此，我们的数据表现出有限的时间稳定性和结构性断裂。这些特征阻碍了传统线性 SCM 实现紧密的干预前拟合，而拟合不良可能会掩盖真正的政策效应。Abadie et al. (2010) 指出，当估计的权重无法紧密重现处理组单位在政策前的轨迹时，可能产生插值偏差。在这种情况下，处理组单位与合成控制之间干预前的残余差异可能被误读为处理效应，从而削弱识别的有效性。

**第二**，县级协变量往往不完整且易受测量误差的影响。关键预测变量的缺失会削弱该方法捕捉县级系统性差异的能力，降低合成匹配的质量。在协变量集不完整的情况下，SCM 在有限样本中可能表现不佳，产生虚假的伪效应，反映的是模型误设或数据局限性，而非政策本身。这一关切与因果推断中的偏差-方差权衡密切相关 (Mühlbach and Nielsen, 2019)。在信息有限的情况下，改善一个维度上的拟合可能会增加另一个维度上的不稳定性，使得估计结果对预测变量和 donor pool 的选择变得敏感。

**第三**，区域经济结果通常在时间上具有持续性且在空间上具有相关性。时间自相关和空间依赖性意味着冲击并非独立的，但标准 SCM 并未明确考虑这些特征。忽略此类依赖性可能会低估反事实路径中的不确定性，产生过于乐观的诊断评估，从而降低推断的可靠性。

## 基于机器学习的合成控制方法

基于上述原因，我们遵循 Doudchenko 和 Imbens (2016) 的方法，采用基于机器学习的合成控制方法。与传统 SCM 相比，该框架放宽了对合成参数的关键约束。具体而言，它允许权重不必总和为 1，并允许负权重。该方法可以理解为 SCM 的正则化扩展，当处理组结果路径难以用 donor 单位的凸组合来近似时，该方法能够提高灵活性。我们使用弹性网络（elastic net）作为基准设定，并依赖 Lasso 回归进行稳健性检验。正则化有助于适应复杂的数据特征并捕捉预测变量之间的潜在关系，从而改善合成匹配的稳定性。

我们同样遵循标准的机器学习工作流。干预前时期被划分为训练集和验证集。我们在训练集上估计模型参数，并在验证集上评估预测性能，从而规范模型选择，减少过拟合，提高泛化能力。通过这一流程，所选定的合成控制能够更准确地重现政策前的收入动态，从而为反事实结果提供更可信的估计。

用于估计合成控制参数的弹性网络公式定义如下：

**(12)** $\min_{\beta, \omega} \left\{ \left[ y_{p,\text{pre}}^{(\text{data})} - \beta - \omega' y_{c,\text{pre}}^{(\text{data})} \right]^2 + \lambda \left[ (1-\alpha) \|\omega\|_2^2 + \alpha \|\omega\|_1 \right] \right\}$

其中 $\alpha$ 和 $\lambda$ 为调优参数，分别控制 L1 和 L2 正则化的权重以及正则化的强度。本质上，这些参数充当合成权重的惩罚项。此外，$\beta$ 为截距项，$\omega$ 为控制组的合成系数。$\|\omega\|_1$ 代表 L1 正则化项，用于稀疏化权重（即将部分权重缩减为零）；$\|\omega\|_2^2$ 为 L2 正则化项，有助于防止过拟合。一旦从公式 (12) 中获得最优的 $\beta$ 和 $\omega$，我们可将其代入公式 (9) 得到反事实结果 $y_{i,t}^{(0)}$，并计算政策效应 $\tau_{i,t}$。

超参数调优是构建弹性网络模型的关键步骤。遵循 Doudchenko 和 Imbens (2016) 以及 Clay et al. (2020)、Goh (2021) 等相关应用研究的做法，我们使用基于伪处理组的交叉验证程序来选择超参数，该程序专门针对合成控制设定进行了调整。其工作流程如下：

在 2010–2022 年期间，我们依次将 donor pool 中的每个县指定为一个伪处理组单位，其余所有 donor 县则作为潜在的控制组。对于每个伪处理组单位和每组候选超参数，我们仅使用干预前的观测值拟合弹性网络合成控制，并计算观测结果与合成结果之间的差异。我们使用这一差异作为损失度量，用以衡量模型重现未接受处理结果路径的能力。为提高稳定性，我们在干预前样本中实施五折交叉验证。样本被均分为五折，每一折中一个子集被留作验证集，其余四个子集用于训练。该过程重复五次，使每个子集都作为一次验证集。对于给定的伪处理组单位和超参数组合，损失定义为五次折中验证损失的平均值。然后我们将这些损失在 donor pool 中的所有伪处理组单位上进行汇总。对于每组候选超参数组合，我们获得反映大量伪处理组单位练习中样本外预测性能的总损失。最优超参数通过最小化该总损失来选择。这种选择规则倾向于选择在许多未接受处理的县中均能实现一致的干预前拟合的参数值，从而降低对个别单位特异性的敏感性。

形式上，描述这一计算过程的步骤总结如下：

**(13)** $CV(\alpha, \lambda) = \frac{1}{N} \sum_{j=1}^{N} \left[ y_{i,T}^{(\text{data})} - \hat{\beta}(i; \alpha, \lambda) - \sum_{i \neq j} \hat{\omega}_{ij}(i; \alpha, \lambda) \cdot y_{j,T}^{(\text{data})} \right]^2$

**(14)** $(\alpha_{\text{opt}}, \lambda_{\text{opt}}) = \arg\min_{\alpha, \lambda} \{ CV(\alpha, \lambda) \}$

其中 $CV(\alpha, \lambda)$ 表示交叉验证损失函数，用于评估给定超参数组合 $(\alpha, \lambda)$ 的性能；$\hat{\beta}(i; \alpha, \lambda)$ 为构建合成控制时使用的截距项；$\sum_{i \neq j} \hat{\omega}_{ij}(i; \alpha, \lambda) \cdot y_{j,T}^{(\text{data})}$ 为控制组的加权平均预测值。此外，$(\alpha_{\text{opt}}, \lambda_{\text{opt}})$ 表示最优超参数组合。因此，流程 (14) 指定使损失函数 $CV(\alpha, \lambda)$ 最小化的参数为最优参数。

## 3.1.2 模型变量

在我们的实证分析中，我们使用了来自中国 21 个省的 1704 个县（区）的年度面板数据。数据取自《中国县市社会经济统计年鉴》的各期版本、《中国区域经济统计年鉴》、中国经济信息网统计数据库，以及各县（区）的统计公报。我们利用插值法估计缺失值，并删除缺失值占比较高的观测值。经过原始数据处理后，我们的最终样本包含 21 个省份的 1700 个县共 22,100 个观测值。研究中使用的变量的详细说明见表 1。

**表 1. 变量详细说明**

| 符号 | 变量 | 描述 |
|------|------|------|
| $income$ | 农村收入 | 县级农村人均可支配收入 |
| $Ecology$ | 环境资产 | 县级环境质量代理变量 |
| $Infra$ | 基础设施状况 | 县级建成区面积 |
| $Travel$ | 旅游发展 | 熵权法指标 |

我们使用县级（或区级）农村家庭人均可支配收入来衡量农村收入（$income$）。该变量适用于评估山水工程的收入效应，因为它直接反映了农村生计状况。为近似环境资产（$Ecology$）的价值，我们使用基于 Xu et al. (2021) 所用生态环境质量（EEQ）数据的环境质量指标。

---

**注：** 原文中脚注 1 及公式编号（6）–（14）均按原样保留。文中部分公式格式受原文排版限制可能略有偏差，建议读者参照原文核对具体数学表达。

这一选择基于环境资产价值、生态条件和生态系统整体功能之间的密切关系（De Groot 等，2002）。此外，Johnston 等（2011）指出，环境指标可作为环境资产价值的代理变量，因为它们与可观察的生态结果相关联。为近似基础设施状态（Infra），我们沿用已有研究，将建设用地作为城市发展和区域基础设施的代理变量（Zhong 等，2025）。具体而言，我们使用 Yang 和 Huang（2025）所用年度土地覆盖数据集得出的县级建设用地面积。最后，由于县级旅游发展的直接衡量指标有限，我们利用与旅游活动密切相关的变量构建代理指标（Travel）。借鉴已有将交通与消费与旅游联系起来的研究，包括 Khadaroo 和 Seetanah（2008）、Chang 等（2013）以及 Choi 等（2018），我们综合交通、批发零售销售、住宿及商务服务等指标。这些变量通过熵权法汇总，形成县级旅游发展的综合指标。详细的推导过程见附录 A.3.2。

描述性统计

接下来我们报告选定的描述性统计结果，并分析数据的时序趋势。从图 4 可以看到，人均农村居民收入总体均值为 12,548.41 元，自 2010 年至 2022 年稳步上升。最高值为 51,605 元，出现在 2022 年浙江省绍兴市柯桥区；最低值为 1,368 元，出现在 2010 年山西省临汾市隰县。

图 4. 人均农村居民收入的时序变化

县际比较显示，项目实施地区的平均水平相对较穷。处理县人均收入平均为 12,185.96 元，范围为 5,710.99 至 19,580.83 元；对照组县均值略高，为 12,505.82 元，范围为 5,808.87 至 19,934.89 元。这一模式反映了实证环境的一个重要特征：生态修复项目地区并非随机选择，其平均收入水平低于对照组县。相反，试点地区是根据资源禀赋、基线环境条件等因素选定的，这些因素与地方经济结果相关联。由于脆弱的生态条件会降低农业生产力并限制非农就业机会，处理县的收入水平往往较低。

因此，我们采用方差分析（ANOVA）程序检验这些差异是否具有统计显著性。结果显示，各县之间的收入差异具有显著性。为进一步在面板数据框架内评估该差异的稳健性，并控制共同年度冲击，我们估计了包含县域与年份效应的固定效应模型。该辅助模型仅用于检验县域固定效应是否联合显著。县域效应联合显著性检验表明，样本中区域收入差异具有统计显著性。该过程的详细描述见附录 A.4。

估计结果

4.1 基准结果

在训练阶段，我们使用政策实施前的年度数据估计弹性网络模型，并选取构成合成控制组的供体县，构建合成控制时使用的变量与第 3.1 节所述模型设定保持一致。具体而言，对于每一批试点地区，我们使用 2010 年至政策实施前一年的数据进行模型训练，并据此确定合成控制组。然后，我们使用政策实施当年至 2022 年的数据作为测试集，基于拟合模型和供体池预测处理县的反事实结果。这些预测代表在没有该政策情况下处理县本应遵循的收入路径。

图 5 按试点批次报告了处理组的观测结果与其合成对照的对比。面板（a）对应 2016 批次，面板（b）对应 2017 批次，面板（c）对应 2018 批次。在政策实施前，两条曲线紧密贴合，表明匹配良好。政策实施后二者开始分化，政策实施后的差距被解释为山水工程的估计收入效应。如图所示，不同批次试点地区在政策实施后呈现不同方向和幅度的偏离，表明修复项目对农村收入的影响存在异质性轨迹。具体而言，与对照组相比，2016 批次处理县收入增长 5.044%，2017 批次增长 1.895%，而 2018 批次则下降 0.900%。

图 5. 基准结果

该结果表明确认，较早批次与相对更强的政策效应相关联。根据我们的理论框架，此类批次差异可能反映政策暴露、项目构成、基线环境条件及基础设施初始状态的差异。一方面，政策暴露时长和项目构成可能影响实施进度、传导渠道以及政策效应的实现。另一方面，政策实施前的基线环境条件和基础设施初始状态可能影响将生态改善转化为经济收益的成本，从而塑造生态修复对农村家庭收入效应的幅度。

为进一步考察这些差异的来源，我们进行额外检验，聚焦于（1）政策实施后差异和（2）政策实施前初始条件的变化（详见附录 B）。结果显示，政策暴露时长和项目构成可在一定程度上解释各批次间政策效应的差异。相比之下，政策实施前的基线环境条件和基础设施状态并未在较早批次中系统性地显著更有利。因此，各批次政策效应差异主要由政策实施后因素驱动，特别是暴露时长和项目构成。一种可能的解释是，较长的政策暴露期使得生态修复投资、基础设施升级、制度调整及地方适应过程有更多时间转化为收入增长。此外，不同项目类型在实施周期、短期扰动、环境资产增值模式以及收益传导机制上存在差异，可能影响政策效应的时序和幅度。

由于合成控制法在反事实轨迹估计中很大程度上控制了时间趋势和其他混杂因素，处理地区相对于反事实路径的偏离不能仅归因于共同趋势，因而更可能反映修复项目的影响。

4.2 外部验证

我们的基准结果为山水工程不同阶段观察到的收入效应提供了重要洞见。然而，与任何合成控制设计一样，过拟合仍是一个隐患。即便使用了正则化，模型仍可能受政策实施前阶段的特殊波动影响，从而影响政策实施阶段的预测反事实轨迹及估计的政策效应。这一问题在我们的研究环境中尤其相关。我们的数据集包含相对较少的预测变量，这些变量可能受测量误差和方法变化影响。在这种情况下，合成控制可能很好地匹配政策实施前的轨迹，却难以推广到政策实施后阶段。因此，即使在不存在真实处理效应的情况下，观测值与合成值之间也可能出现差距，导致估计有偏。

为检验过拟合是否驱动了基准结果，我们通过修改数据划分方法检验外部有效性。对每个批次，我们从训练窗口中移除项目正式启动前一年，并将其作为测试期。随后，我们使用较短的训练期重新估计合成控制，并将处理组该年度的观测收入与模型预测进行比较。由于政策尚未启动，如果测试年观测收入与估计收入差异较大，则表明泛化能力不足，并提示政策实施后的差距可能同时反映过拟合和处理效应。

图 6 报告了三个批次的外部验证结果。面板（a）和（c）显示，2016 和 2018 批次模型的测试年预测相对精确，表明不太可能过拟合。然而，如图面板（b）所示，2017 批次观测收入与估计收入差异较大。一种合理解释是预期行为。实践中，地方政府通常在正式实施前就开始政策宣传和补偿谈判。这些行动若影响家庭预期、转移支付或当地劳动力需求，农村收入可能在项目正式启动前就已发生变化。因此，此类预期效应可能导致 2017 批次出现测试年差距。

图 6. 外部有效性检验结果

遵循 Abadie（2021）关于合成控制设计中政策正式实施前可能发生政策相关反应的分析，用于识别的干预时间点应定义为结果变量可能受到影响的最早时期。基于这一逻辑，我们将 2017 批次的超参数调优与模型拟合程序提前一年。具体而言，我们使用 2010 至 2015 年作为前处理期重新调参，排除 2016 年不纳入匹配过程，并重新估计反事实路径。结果如图 7 所示，排除 2016 年后，2017 批次估计效应提升至 3.675%。这表明纳入 2016 年可能低估政策效应，因为农村收入可能已通过政策宣传、项目准备及其他实施前活动，在政策正式实施前即受到影响。因此，为确保有效的前处理期，我们采用 3.675% 作为 2017 批次的调整后估计值。

图 7. 2017 批次预期效应调整后的估计结果

4.3 政策分配与反事实有效性

为排除政策实施后轨迹由实施前特征而非政策效应驱动的可能性，我们借鉴相关研究中使用的前处理拟合诊断方法（如 Abadie 和 Gardeazabal, 2003）。这使我们能进一步检验处理县与其合成控制在政策实施前的收入差距。该检验的主要设定如下：

(15) Gap_{i,t} = y_{i,t} ? y_{s_i,t}

其中 Gap_{i,t} 表示处理单元与其合成控制在政策实施前的收入差距，y_{i,t} 为处理县 i 在 t 年的人均可支配收入，y_{s_i,t} 为处理县 i 在 t 年对应的合成控制值，且 t < T0。

随后，我们对 Gap_{i,t} 进行两类诊断检验。第一，我们依据以下设定检验处理县与其合成控制之间的平均政策实施前收入差距是否显著偏离零，即：

(16) Gap_{i,t} = η + σ_{i,t}

其中 η 表示平均政策实施前收入差距，σ_{i,t} 为误差项。式（16）用于检验政策实施前收入差距的零值假设，即对应原假设为 η = 0，检验平均政策实施前收入差距是否与零在统计上有显著差异。若无法拒绝该原假设，则表明政策实施前处理县与其合成控制之间的平均收入无显著差异。

第二，我们遵循 Hartman 和 Hidalgo（2018），采用等价性检验评估政策实施前差距是否处于可接受范围内。具体而言，借鉴 Liu 等（2024）关于反事实估计中政策实施前预测误差诊断的阈值设定，我们将等价性界限设定为政策实施前收入差距标准差的 ±0.36 倍，即：

(17) [?0.36×SD(Gap_{i,t}), 0.36×SD(Gap_{i,t})]

若 η 的 90% 置信区间完全落在该范围内，则可认为处理县与其合成控制在政策实施前的平均差距处于可接受范围内。结果（见附录 B）显示，2016、2017 和 2018 批次，以及 2017 批次预期效应调整后设定的政策实施前平均收入差距，均与零无显著差异。

这说明，在受政策影响的县与其合成对照组之间，不存在显著的政策实施前差异。此外，等价性检验表明，政策实施前的差距不仅缺乏统计显著性，而且始终处于实际可接受的范围内。这些结果表明，未受政策影响县的加权组合能够很好地重现受政策影响县在政策实施前的收入轨迹，这支持了其作为合理反事实近似的有效性，并降低了估计效应由政策实施前系统性收入差异驱动的可能性。

**4.4 稳健性检验**

**4.4.1 排除地理相邻的控制单位**

为了避免生态恢复和旅游发展产生的正向空间溢出效应带来的偏差，我们通过排除受政策影响县地理邻近地区的控制单位来进行稳健性检验。关于此程序的详细描述见附录B。结果显示，尽管估计值发生了一些变化，但三个批次的收入效应与基线结果在定性上仍保持一致。2017年批次中考虑预期效应的估计值也与调整后的基线结果一致。这证实了先前发现的稳健性。

**4.4.2 增加控制单位**

为了评估基线结果对供体池设定的敏感性，我们通过增加来自未纳入山水工程的171个县来扩大供体池，并重新调整模型超参数（更多细节见附录B）。对于2017年批次，我们还报告了考虑潜在预期效应的设定下的相应结果。这些结果表明，估计结果与基线发现大体一致，说明我们的结论对供体池范围的变化具有稳健性。

**4.4.3 替代机器学习算法**

为了检验本研究中所采用的机器学习算法可能带来的影响，我们用Lasso回归替代基线模型中使用的弹性网络算法来重建合成对照组。随后，在重新调整模型超参数后（详见附录B），我们进行了额外的稳健性检验。对于2017年批次，我们还报告了考虑预期效应的调整设定下基于Lasso的相应结果。结果表明，所有三个批次的估计结果总体模式与基线设定保持一致，说明我们的结论对机器学习算法的选择具有稳健性。

**4.5 预测区间检验**

作为我们的第四项稳健性检验，我们借鉴了Cattaneo等人（2021）和Chernozhukov等人（2021）的研究，进行了预测区间检验。具体而言，我们利用政策实施前期间的滚动伪样本外预测误差来量化反事实路径的不确定性，并评估政策实施后的政策效应是否超过了无政策情景下预测误差的正常范围。关于此程序的详细描述见附录B。结果表明，政策效应的总体方向和动态模式与基线设定的发现一致，表明我们的原始结果并非主要由模型的正常预测误差驱动。

**5. 进一步分析**

**5.1 县级处理效应**

在基线设定中，我们将每个批次内的受政策影响县汇总，并使用处理组的平均结果来获得政策实施后的结果路径。这种方法有助于利用基于机器学习的合成控制法在拟合总体处理轨迹方面的预测优势。然而，对受政策影响县的结果取平均可能会掩盖处理组内部的异质性，进而影响训练期间分配给供体池单位的权重。为了检验这一问题，我们在县级层面重新估计了模型。具体而言，我们为每个受政策影响县定义一个独立的合成对照组，估计其对应的处理效应，然后通过在同一批次内对县特定的效应取平均来计算批次层面的平均处理效应。图8展示了相应的结果。

*（下载：下载高分辨率图像（236KB）下载：下载全尺寸图像）*

**图8. 假设县级合成对照组下的收入效应。**

该方法得出的估计平均效应为：2016年批次为4.858%，2017年批次为1.861%，2018年批次为?0.900%。尽管这些估计值与基线结果略有不同，但各批次间处理效应的方向和排序保持不变。这表明主要发现对受政策影响县汇总方式并不敏感，且基线设定中用于定义处理组的方法不影响训练期间所选定的供体池权重。同时，对县级效应取平均可能会掩盖每个处理组内处理效应的分布情况。因此，我们接下来重点关注县特定的年度处理效应，以评估基线发现是否反映了大多数受政策影响县的共同模式，还是主要由少数极端案例驱动。

结果展示于图9中。我们可以看到，尽管2016年和2017年批次的县级处理效应中存在少量异常值，但县特定的收入效应在大多数受政策影响县中呈现出一种普遍共享的模式。虽然2018年批次包含若干异常值，且可正可负，但具有正收入效应的单位数量与具有负效应的县数量大致相当。因此，该批次略为负的平均处理效应可以解释为受政策影响县的广泛共享结果，而非少数异常值的结果。因此，我们可以得出结论，尽管山水工程的政策效应在各县之间存在异质性，但观察到的平均县级效应反映了所有处理单位的共同趋势，而非由极端值驱动。

*（下载：下载高分分辨率图像（221KB）下载：下载全尺寸图像）*

**图9. 县特定的政策效应。**

此外，对于2017年批次，我们还从考虑预期效应的设定中估计了县级平均处理效应和县特定的处理效应。相应结果报告于附录C中，与本节的总体结论一致。

**5.2 机制分析**

我们的基线发现表明，山水工程有助于增加农民收入，且收益随时间持续。多项稳健性检验证实了这一结果，支持了我们的第一个假设。同时，估计效应在各试点阶段之间存在差异，表明政策影响取决于当地条件。因此，我们接下来研究生态系统恢复影响农民生计的传导渠道，重点关注环境资产价值、基础设施和旅游发展，即我们的假设H2至H4。为进行这些检验，我们参照Meng等人（2024）的研究，使用合成控制法。该设定与前述基线模型相同，仅将结果变量替换为相应的调节变量。

图10报告了该计划对环境资产价值的影响，其中面板（a）、（b）和（c）分别对应2016年、2017年和2018年批次。与合成对照组相比，2016年批次的环境商品价值增加了0.391%，2017年批次增加了0.521%，而2018年批次下降了0.420%。这些轨迹与此前观察到的收入效应一致，即前两个批次的环境服务价值均有所增长，且这两个批次在基线模型中也表现出正的收入效应。相比之下，2018年批次在资产价值方面没有增长，这与该批次相对较弱的收入效应一致。然而，尽管2019年和2020年观察到环境资产价值的下降，该计划在样本期末的影响转变为正向。这种模式表明，生态恢复的效益对最后一个批次而言需要更长时间才能显现，这可能反映了其较晚的实施时间。

*（下载：下载高分分辨率图像（251KB）下载：下载全尺寸图像）*

**图10. 生态恢复对环境资产价值的影响。**

这种增长背后的原因包括：山地生态系统恢复、排水网络和泵站基础设施改善、植被恢复等措施，这些措施有助于增强水土保持能力，从而提高环境商品的价值，支持环境可持续的农业生产，并有助于提高作物产量。因此，农民生计得到改善，这为我们的第二个假设提供了支持。

图11展示了山水工程对当地基础设施状况的影响，其中面板（a）、（b）和（c）分别对应2016年、2017年和2018年批次。如图所示，政策实施后的基础设施偏差在各批次间存在差异，且大体上与批次特定的收入效应一致，这支持了我们的第三个假设。具体而言，我们的基础设施状况指标在2016年批次中增加了4.727%，在2017年批次中几乎未变（增加0.189%），而在2018年批次中下降了1.763%。更好的基础设施主要通过市场扩展和成本降低来促进农民生计。首先，对交通网络和灌溉系统的投资促进了更好的连通性和基础服务供给，提高了生产和资源利用效率。此外，基础设施的改善降低了生产和交易成本，有助于提高资本的生产率并促进进入新市场。这些变化往往能提高农业回报，并促进向非农就业的转型，从而增加收入并改善生活水平。

*（下载：下载高分分辨率图像（208KB）下载：下载全尺寸图像）*

**图11. 生态恢复对基础设施的影响。**

最后，图12汇总了该计划对旅游发展的影响。我们可以看到，前两个批次在政策实施后表现出正向效应，表明山水工程促进了受政策影响县（或区）的旅游业。相比之下，2018年批次与负向结果相关，这与我们之前的结果一致，表明该计划与旅游相关的效益在我们考察的样本期间内尚未完全显现。正如2.2.2节中所讨论的，环境修复项目改善了景观，往往吸引游客前往试点地区。同时，更好的基础设施降低了旅游相关活动的成本，并使地区能够容纳更高的游客流量。旅游业的这种扩张增加了劳动力需求，并产生了额外的非农就业机会，包括餐饮、住宿、其他游客服务以及特色农产品销售。这些机会使收入来源多样化，并最终提高了农民收入。

*（下载：下载高分分辨率图像（207KB）下载：下载全尺寸图像）*

**图12. 生态恢复对旅游发展的影响。**

尽管2018年批次在短期内对旅游显示出恢复的负向效应，但这种模式似乎在样本期末出现逆转。这表明促进旅游的效果被延迟而非缺失，这可能反映了政策开始时间较晚以及项目实施所需时间。总体而言，这些发现在很大程度上支持了我们的最后一个假设。

为了评估考虑预期效应设定下（针对2017年批次）的传导渠道，我们重新调整了超参数并重新估计了模型（更多细节见附录C）。结果显示，在排除2016年作为政策实施前期间之后，与原始设定相比，生态恢复对环境资产价值和基础设施产生了更大的正向效应。此外，虽然估计的旅游业发展效应较低，但仍保持正向。这些结果为预期效应的存在提供了额外支持，强化了我们的先前提前发现。

**5.3 异质性分析**

如5.1节所示，山水工程在受政策影响县之间产生了异质性的收入效应。为了进一步检验这些差异的来源，我们进行了异质性分析，重点关注收入效应的三个潜在差异原因，包括经济发展水平、生态脆弱性和项目类型。具体而言，我们旨在观察政策效应是否在不同社会经济发达水平和不均衡基线环境条件的地区之间有所不同，以及检验不同的恢复方式是否产生差异化的收入效应。

为了区分不同的经济发展水平，我们遵循Abramovsky等人（2023）的方法，基于受政策影响县中观察到的平均夜间灯光强度的中位数将样本分为两类。2灯光强度高于（低于）该中位数的地区被视为经济发达（欠发达）地区。随后，我们估计各类别的特定收入效应。为确保一致性，我们采用此前使用的弹性网络设定，并应用与基线设定相同的参数调整程序。

图13展示了各试点批次中获得的整体结果。面板（a）和（b）分别总结了2016年批次在相对发达地区和欠发达地区的结果。两组均表现出正向的政策实施后差距，且发达县的效应更大，表明其收入增益更强。

第（c）（高发展水平）和第（d）（低发展水平）面板展示了2017队列的类似模式，即收入效应与当地社会经济状况呈正相关。这些结果表明，有利的市场条件、要素禀赋以及本地发展潜力在增强生态修复项目的收入效应方面发挥着重要作用。

图13. 异质性分析；经济发展水平的作用。

与此相反，2018队列（面板（e）和（f））的结果与早期队列不同。发达地区和欠发达地区都显示出负面且相近的处理后差距，表明发展水平与收入效应之间没有明确的关联。这一模式与2018批次基准结果相一致。然而，若结合第5.1节所述的县级特定效应，则表明正面与负面效应大致按比例出现，导致平均结果略微偏负。因此，图13中分组的负面效应反映了每组内部异质的县级特定结果，而非少数极端负值。

综合来看，这些结果表明生态修复的收入效应取决于当地社会经济状况和政策实施时点。通常在经济更富裕的县，现有条件使生态改善更容易转化为实际收益。然而，2018队列偏离了这一模式，可能是因为其实施时间较晚，在2022年时短期政策效应尚未完全显现，加之批次内收入效应相互抵消。

为定义环境脆弱性指标，我们采用丁和彭（2021）使用的干旱指数（AI），该指数根据生态脆弱程度对县域进行分组。具体而言，将AI <1.5的地区归类为湿润且生态脆弱性较低，而AI >1.5的地区则归类为干旱。随后，我们为湿润和干旱地区的处理单元估计批次特定的合成控制，以评估生态脆弱性对生态修复收入效应的影响。如前所述，我们使用与基准设定相同的调优和训练程序以确保一致性。

图14报告了不同队列的分析结果。面板（a）和（b）分别展示了第一队列在相对湿润（生态脆弱性较低）与干旱（生态脆弱性较高）地区的结果。两组均表现出正的处理后差距，其中湿润地区的效应更大，表明生态脆弱性较低的县收入效应更强。与前例类似，2017批次的面板（c）（低脆弱性）和（d）（高脆弱性）得出了相似结论。我们看到，与生态脆弱性较高的地区相比，湿润地区的收入效应更强，表明有利的基线环境条件能够增强收入收益。这意味着在生态条件更稳定的地区，修复项目带来的改善更容易转化为农业生产率提升、生态旅游发展及相关非农就业机会，从而加快收入增长。

图14. 异质性分析；生态脆弱性的作用。

面板（e）和（f）汇总了2018队列的结果，两者之间的收入效应差异最大。虽然相对湿润气候地区的收入有所增长，但在生态脆弱性较高的地区，政策后差距为负，表明截至样本期末收入效应可能尚未完全显现。该结果总体上与最终队列效应较弱的早期证据相一致。我们认为这可能归因于干燥气候下农村家庭面临的高成本，以及在更恶劣环境中实施修复项目的更大难度。

最后，我们聚焦于修复项目的类型，将其作为估计收入效应异质性的第三个可能来源。我们首先利用政策文件、项目公告及其他公开记录，对2016至2018年间实施的25个试点项目的主要修复类型进行分类。随后，我们将每个处理县与其所承载的所有修复项目进行匹配，以识别该县关联的主要项目类型。基于此分类，我们将项目区分为：（1）主要以水土保持和流域管理为重点的项目；（2）以退化土地修复为目标的项目。处理县按此归类，各组分别估计收入效应。由于该分类仅适用于处理县而不涉及对照组，因此无需重新调优模型参数。

结果见图15。以水土保持和流域管理为重点的修复项目收入效应分别在面板（a）、（c）和（e）中对应2016、2017和2018队列展示，而面板（b）、（d）和（f）则报告了以退化土地修复为目标项目的结果。例如，对于2016队列，两种项目类型均关联正的处理后差距，表明在促进农村收入增长方面具有可比的有效性。对于2017队列，尽管土地修复项目的收入收益更大，但轨迹也非常相似。对于最终队列亦得出类似结论，其收入效应总体上相对于早期队列较弱。因此，不同项目类型估计的效应在方向和幅度上均相似，表明山水工程的收入效应不随项目类型而变化。

图15. 异质性分析；项目类型的作用。

6. 结论与政策启示

本文探讨中国山水工程是否提高了农村收入，以及在何种条件下生态修复能够转化为生计收益。利用县级年度数据及基于机器学习的合成控制方法，我们估计了三个试点队列在样本期内工程收入效应，并通过外部验证、替代供体池定义与机器学习算法、针对某试点批次的预期调整设定以及合成控制预测区间来检验结果的稳健性。

主要发现有三。第一，估计的收入效应随项目阶段变化。样本期内，2016与2017试点队列的人均农村可支配收入分别增加约5%和1.9%，而2018队列下降0.9%。在预期调整设定下，2017队列估计收入效应增至3.7%。鉴于跨队列政策效应差异来源的证据，这些结果表明试点队列间异质收入效应主要与政策暴露时长和项目构成差异有关。重要的是，此结论不仅由平均估计处理效应支持，也经多项稳健性检验验证。

第二，机制分析证实生态系统服务、基础设施和旅游业发展在驱动收入增长中的作用。对于2017队列，计入预期效应的设定结果同样支持这些传导渠道的相关性。该模式在前两个队列中尤为明显，表明山水工程不仅通过生态改善，还通过相关本地经济调整影响生计。更好的环境条件提升环境资产价值，改善基础设施，促进旅游业发展。这些变化提高作物产量，降低生产与交易成本，拓展非农就业机会，从而改善农村生计。

第三，收入效应依赖于当地条件。具体而言，社会经济发育水平较高以及生态脆弱性较低地区的收益往往更大。相反，收入效应不随主要修复项目类型变化。这表明收入增长较少依赖于特定干预类别，而更多取决于促进环境修复项目转化为更广泛生计机会的本地固有条件。

这些发现表明，中央政策的关键问题不仅在于生态修复是否提高平均收入，而在于何种制度与地方条件下此类收益能得以实现并维持。首先，生态修复收入效应在持续实施而非短期项目周期下更可能显现。这凸显了将山水工程嵌入稳定协调治理框架的重要性，包括实施、资金与部门间协调的连续性。较长实施期限不仅对生态恢复重要，对收入效应实现亦然。

其次，收入效应取决于环境条件改善能否通过更高环境资产价值、基础设施改善及旅游业发展转化为更广泛发展潜力。因此，政策设计应超越修复项目本身，支持帮助将政策转化为持续收入增长的传导渠道。

最后，由于生态修复收益在各地区间不均衡，统一政策不太可能产生平衡结果。由于在基础条件更有利地区收益更大，经济欠发达与生态脆弱地区需要更强政策支持。因此，差异化政策设计对于缓解生态修复相关收入收益的地区差异至关重要。

在解释估计结果时，跨区域溢出效应是一个重要考虑因素。尽管排除地理相邻县有助于减少邻区直接溢出影响，且不影响主要结论，但生态修复可能通过旅游、劳动力流动、流域联系及区域经济关联产生更广泛效应。因此，应置于更广阔空间背景下而非纯粹独立于跨区域互动的本地结果来评估生态修复收入效应。未来研究可利用流域边界、交通网络、旅游流及劳动力流动数据系统考察这些溢出。

CRediT作者贡献声明
韩晓旭：论文撰写–初稿、可视化、软件、形式化分析、概念化。
刘同泽：论文撰写–审阅与编辑、论文撰写–初稿、资金获取。
沈志强：论文撰写–审阅与编辑、论文撰写–初稿、方法论、形式化分析。
法瓦兹·巴德尔·阿尔胡桑：论文撰写–审阅与编辑、监督、方法论、形式化分析。
迈克尔·瓦尔达尼扬：论文撰写–审阅与编辑、方法论、形式化分析。

伦理批准声明
不适用。

复制其他来源材料的许可
不适用。

资金声明
本研究部分由国家自然科学基金委员会（项目编号：72404156）、教育部人文社会科学研究项目（项目编号：24YJCZH359）及山东省泰山学者基金（项目编号：tsqn202507221）资助。

韩晓旭 | 刘同泽 | 沈志强 | 法瓦兹·巴德尔·阿尔胡桑 | 迈克尔·瓦尔达尼扬