城市绿化政策的影响：来自中国国家花园城市计划的证据

《Land Use Policy》：The impact of urban greening policies: Evidence from China’s National Garden City Program

　　摘要

城市绿化已成为一种广泛采用的政策策略，旨在改善环境质量和提高城市宜居性。然而，大规模政府主导的绿化计划的有效性及其生态效果尚未得到充分评估，特别是在快速城市化的国家中。中国的国家花园城市计划（NGCP）已在全国范围内实施超过三十年，是世界上最广泛的城市绿化政策倡议之一。然而，其在不同地区和城市类型的实际影响及其潜在机制仍不清楚。本研究使用2000年至2022年间293个地级城市的面板数据，应用分层差分-in-differences（DID）模型来估计NGCP对城市绿化的因果效应。结果表明，NGCP显著提高了城市绿化覆盖率，但对归一化差异植被指数（NDVI）的改善并不显著。政策影响在空间上存在差异，北部和南部城市以及地级市有显著改善，而西北部和青藏地区的改善则不明显。中介分析表明，产业结构调整有助于提高建成区的NDVI，而财政投资并不是一个显著的途径。这些发现表明，政府主导的绿化政策可以有效地扩大城市绿地的数量，但未必能提高绿地质量。研究强调了多维评估框架和情境敏感的治理策略对于提升城市绿化计划生态效果的重要性。研究结果还为政策制定者提供了证据，以改进城市绿化政策的实施和评估，从而提高未来绿化倡议的生态效果。

1. 引言

随着政府越来越多地依靠绿地、绿色基础设施和基于自然的解决方案来应对包括热应力、洪水、生物多样性丧失和环境质量下降在内的多种城市挑战，城市绿化已成为全球城市重要的政策议程（Fei等人，2025年；Kabisch等人，2017年；Hu等人，2023年；Dong等人，2025年）。在欧洲，绿色基础设施已被纳入更广泛的生物多样性和空间规划战略中，强调将生态系统和基于自然的解决方案融入空间发展（欧盟委员会，2013年）。新加坡提出了“自然中的城市”愿景，以扩展和重新连接整个岛屿的自然栖息地（国家发展部，2021年），而纽约市将绿色基础设施纳入雨水治理，以减轻合流 sewer 溢出并提升环境性能（纽约市环境保护局，NYC DEP，2010年）。在市级层面，墨尔本等城市实施了长期的城市森林战略，以增加树木冠层覆盖率并提高城市气候韧性（墨尔本市政府，2012年）。这些例子表明，城市绿化已从景观改善项目发展成为城市环境治理中的重要政策工具。随着城市绿化越来越依赖于基于绩效的政策工具和政府主导的实施，一个重要的问题是行政评估系统是否真正激励了生态改善，还是主要鼓励实现可测量的绿化目标。

尽管城市绿化倡议在全球范围内得到推广，但政策驱动的绿化计划的生态效果仍是一个有争议的问题。国际研究已经考察了政府主导的城市绿化倡议，包括绿色基础设施政策、基于自然的解决方案、城市林业计划和基于地点的环境干预措施。现有研究普遍认为，这些政策可以改善生态系统服务、城市韧性和环境质量，尽管其有效性取决于治理安排、实施能力和当地的社会经济条件（Anguelovski等人，2019年；Frantzeskaki等人，2019年；Meerow和Newell，2017年）。越来越多的政策评估研究表明，政策结果不仅取决于政策设计，还取决于实施能力、机构协调、财政支持和治理安排（Andersson等人，2014年；Bulkeley等人，2014年；Kabisch等人，2017年）。尽管一些倡议取得了可测量的环境改善，但其他倡议由于政策实施通常优先考虑行政目标而非生态绩效而产生了有限的生态效果（Frantzeskaki等人，2025年；Wolch等人，2014年）。然而，大多数证据来自欧洲和北美，而对快速城市化国家（如中国）的长期全国性绿化政策的严格评估仍然有限。

在这种背景下，中国为研究快速城市化背景下城市绿化政策的治理效果提供了特别重要的背景（Wang，2018年）。自1992年由住房和城乡建设部启动以来，国家花园城市计划（NGCP）已成为该国最具影响力的城市环境治理倡议之一（Zhao，2009年）。该计划不仅依靠监管指令，还通过国家评估和指定系统鼓励地方政府改善城市绿化。该计划建立了一整套评估标准，以促进城市绿地的规划、建设和管理，旨在改善城市生态环境并提高公民福祉。在过去三十年中，已有400多个城市被指定为国家花园城市，使该计划成为中国向更绿色城市发展过渡的关键政策工具。NGCP政策在过去三十年中经历了从数量导向向质量导向的治理方式的根本转变。早期版本的NGCP强调人均绿地率和绿化覆盖率等定量指标。2016年的评估标准扩展到包括56个详细指标，而2022年的修订将这些指标简化为四个主题维度的18个指标，即生态宜居性、健康与舒适度、安全与韧性以及景观特征。这次修订反映了从简单基于面积的指标向强调生态系统功能、文化遗产保护、空间韧性和城市绿地功能的指标的转变（Wang等人，2026年）。政策文本分析进一步表明，NGCP的目标已逐渐从实现定量合规转向提升生态服务性能；然而，在跨部门协调和建立长期监督机制方面仍存在挑战（Hu等人，2023年）。例如，一些城市通过系统规划实现了建成区绿化的持续增加，例如临沂市开发了由湿地公园、绿道和社区花园组成的三层绿色网络（Du，2023年）。其他城市如平湖市将文化遗产元素融入城市景观设计中，优先保护历史公园并提升了城市绿地的社会价值（Zhang等人，2023年）。

现有研究从多个角度考察了NGCP，但未能考虑到NGCP在不同城市的交错实施和时间异质性（Han和Wan，2023年）。与政策变化类似，早期的NGCP研究主要集中在政策对扩大城市绿地面积的贡献上，强调绿化覆盖率和人均绿地的可测量改善（Hu等人，2023年；Xue，2024年）。最近的研究探讨了其对生态、经济和社会结果的多维效应。例如，学者们使用投入-产出和计量经济模型来量化绿化投资的经济效益（Pang等人，2023年）。多源数据的使用，包括Landsat影像和移动信号数据（Peng等人，2020年），提高了影响评估的精度。然而，现有研究对当地社会经济条件和机构能力如何塑造政策效果的关注有限，尽管相关政策研究已经证明了这些背景因素的关键重要性（Chen和Jiang，2020年；Liu等人，2024年）。评估中国国家花园城市倡议有效性的研究仍然有限，很少有研究考察其长期动态、生态影响或对当地社会经济发展的影响。

本研究使用2000年至2022年间293个地级城市的面板数据，结合NDVI遥感数据，应用多期差分-in-differences模型来实证研究政策的动态效应、空间异质性和潜在机制。本研究从定量和定性的角度使用两个互补指标来评估城市绿化：绿化覆盖率和NDVI。绿化覆盖率是国家花园城市计划（NGCP）中使用的官方评估指标之一，主要反映城市绿地的数量；而NDVI用于量化绿地质量。绿地质量是一个多维概念，由于数据可用性，本研究使用NDVI作为操作指标，主要反映植被绿色度和光合作用活动，但它不能直接捕捉绿地的其他维度，如生物多样性、生态系统功能或长期生态韧性。绿化覆盖率指标仅限于建成区，因为建成区内的绿化条件更直接反映政策驱动的城市建设和景观管理。相比之下，建成区外的绿地可能受到天然森林、山脉或其他生态景观的强烈影响，这些因素与政策干预关系较小，因此可能掩盖政策效果。在区域和国家层面，遥感植被指数已被广泛用于评估环境变化，因为它们提供了一致的空间覆盖和长期观测数据，这是传统统计系统难以获得的（Pettorelli等人，2005年；Zhou等人，2011年）。这种比较有助于评估新建成的建成区内的城市绿地是否达到或超过周围自然植被的植被条件。

本研究提出了三个研究问题：NGCP如何影响中国的绿地数量和绿地质量特征？政策效果是否在不同地区和行政层级上有所不同？NGCP通过哪些中介途径间接影响绿地数量和绿地质量？通过整合生态和社会经济视角，研究结果有助于优化中国绿色城市评估系统的设计和实施，并为促进可持续的城市生态治理提供了实证证据。更广泛地说，本研究提供了关于基于绩效的政策评估如何塑造地方实施行为的实证证据，并强调了将行政评估系统与生态结果对齐的重要性，而不仅仅是与可测量的绿化目标对齐。

2. 方法论

本研究使用2000年至2022年间中国293个地级城市的面板数据来评估国家花园城市计划（NGCP）的影响。在这些城市中，有223个城市在不同年份被指定为国家花园城市，而70个城市从未获得该称号，作为对照组。为进一步考察空间差异，样本被划分为四个区域：中国北部、中国南部、中国西北部和青藏地区。鉴于后两个地区的城市数量较少且生态特征相似，将它们合并为一个类别进行分析。图1展示了研究区域和区域分类，图2总结了方法论框架。

2.1. 数据和变量

建成区边界数据来源于《环境研究快报》（Environmental Research Letter）上发表的30米全球不透水区域（GAIA）数据集（Gong等人，2020年；Li等人，2020年），该数据集提供了所有样本城市的年度建成区划分。其次，绿化指标包括归一化差异植被指数（NDVI）和绿化覆盖率。NDVI数据来自地理空间数据云（http://www.gscloud.cn/）和NASA的LAADS DAAC，空间分辨率为250米，覆盖整个研究时期（2000-2022年）。每月NDVI数据使用最大值合成（MVC）方法进行处理，并汇总为年平均值，以确保数据可靠性和时间可比性，从而评估植被动态。MVC在遥感中得到广泛应用，因为它通过选择合成期间每个像素观察到的最大NDVI值来减少云层、大气变化和气溶胶污染的影响。这种方法提供了更可靠的植被条件估计，并已在大规模植被监测研究中得到广泛应用。绿地覆盖率数据来自《中国城市统计年鉴》。

社会经济控制变量基于城市绿化和环境政策评估（Kabisch等人，2017年；Wolch等人，2014年）进行选择。包括GDP、城市化率、人口、建成区面积、行政区域、产业结构和景观投资，以捕捉经济发展、城市扩张、城市规模、产业转型和对城市绿化的财政支持等方面的差异。表1提供了依赖变量和控制变量的定义和测量方法。变量定义与测量方法

| 类别 | 变量 | 定义 | 测量方法 |
|------------|----------------------------------|------------------------------------------------------|---------------------------------------------------------|
| 因变量 | NDVI | 全市范围内每年平均NDVI值，基于250米分辨率MODIS卫星数据计算 | |
| | 建筑区绿化 | 根据250米NDVI数据与全球城市边界数据集叠加得出的划定建筑区内每年平均NDVI值 | |
| | 绿化覆盖率 | 建筑区的绿色覆盖率，数据来源于《中国城市统计年鉴》 | |
| 控制变量 | 城市化率 | 城市人口占总人口的比率 | |
| | GDP | 来自《城市统计年鉴》的城市GDP，按2000年不变价格进行折算并进行对数转换 | |
| | 行政区域面积 | 城市的总行政面积（平方公里），来源于统计年鉴 | |
| | 建筑区面积 | 通过多时相全球城市边界数据集得出的建筑区面积 | |
| | 人口 | 城市人口（百万），来源于统计年鉴 | |
| | 产业结构 | 三次产业附加值与二次产业附加值的比率 | |

数据质量通过移除信息严重缺失的城市，并通过地方统计年鉴、政府报告和线性插值补充不完整的数据来确保。货币变量使用GDP平减指数折算至2000年不变价格。为了减轻异常值的影响，应用了5%的极值处理。

2.2. 分析方法

2.2.1. NDVI的时空分析
归一化植被指数（NDVI）是一种广泛用于监测植被生长状况、覆盖率和辐射校正的指标（Rouse等人，1973年）。它已被广泛用于评估城市绿化和生态变化（Martinez和Labib，2023年）。在本研究中，结合了地理信息系统（GIS）和遥感技术，分析了22年间每个像素的植被变化方向和速率。通过对像素级别的NDVI趋势进行拟合，计算出全市范围的年平均值，并识别出时空模式，从而精确检测出绿化热点和生态变化的关键时期。

2.2.2. 多期差异法分析
差异法（DID）是一种在政策评估中广泛使用的准实验方法，已被应用于环境和城市政策研究（Chen和Jiang，2020年；Jiang等人，2023年）、环境检查（Feng等人，2020年；Jiang等人，2024年）、区域支持政策（Jiang等人，2024年）以及城市绿化政策（Anguelovski等人，2019年；Frantzeskaki等人，2025年；Kabisch等人，2017年；Li等人，2015年）。鉴于National Garden City Program（NGCP）在不同城市和年份的交错实施，以及认识到经济发展和基线绿化条件的地区差异可能会影响政策实施的难易程度和政策效果的大小，本研究采用了最新的交错DID估计方法，并应用适用于在不同时间实施的政策的多期DID框架（Callaway和Sant’Anna，2021年；Sun和Abraham，2021年），以估计NGCP对城市绿化的因果影响。每个被认定城市的政策实施年份是根据中国住房和城乡建设部发布的官方国家花园城市命名公告确定的。根据这些官方记录，每个被认定城市都被赋予一个唯一的命名年份。使用2000年至2022年所有地级城市的数据，将223个被认定城市作为干预组，而具有相似经济和地理特征的非认定城市作为对照组。利用第2.1节中定义的NDVI和绿化覆盖率指标，交错DID模型估计NGCP对城市绿化不同维度的因果影响。交错DID模型表示如下：
$$
\mathbf{Y}_{it} = \alpha + \beta_1 \mathbf{D}_{it} + \beta_2 \mathbf{X}_{it} + \beta_3 \mathbf{Z}_{it} + \epsilon_{it}
$$
其中，$\mathbf{X}_{it}$表示城市，$\mathbf{Y}_{it}$表示因变量（即城市绿化水平）；$\mathbf{D}_{it}$是一个二元变量，在年份$t$城市$i$被认定为国家花园城市时取值为1。为了在隔离时间影响的同时评估NGCP的有效性，本研究引入了城市级处理指标（$\mathbf{T}_{it}$）和时间指标（$\mathbf{M}_{it}$）。1992年至2019年间，共有223个地级城市被认定为国家花园城市。因此，当城市$i$被认定为国家花园城市时，$\mathbf{T}_{it}$取值为1，否则为0；对于每个城市，认定前的年份编码为$\mathbf{M}_{it} = 0$，认定后的年份编码为$\mathbf{M}_{it} = 1$。基于这些定义，关键的解释变量$\mathbf{D}_{it}$被构造为交互项：$\mathbf{D}_{it} = \mathbf{T}_{it} \times \mathbf{M}_{it}$。$\mathbf{Z}_{it}$是社会经济控制变量向量；$\epsilon_{it}$代表年份和城市固定效应；$\beta$表示NGCP的平均处理效应。使用普通最小二乘法（OLS）回归上述模型的参数。需要注意的是，包含了城市固定效应以控制时间不变的地理特征，包括特定位置的生态和气候条件，而年份固定效应捕捉了共同的时间冲击。由于城市级气候数据的一致性有限，我们没有在基线模型中明确包括详细的气候变量。

2.2.3. 平行趋势测试
有效的DID估计要求处理组和对照组在城市实施政策之前遵循平行趋势。鉴于NGCP的认定在多年中分批进行，因此必须确认处理组和对照组在各自的处理年份之前显示出相似的绿化轨迹。在使用建筑区NDVI（builtupNDVI）和城市绿化率（Greening）测量城市绿化水平时，回归分析中使用了国家花园城市选择前后五年的虚拟变量交互项作为解释变量。具体来说，为认定年份前三年和后五年构建了事件时间虚拟变量，认定年份之前的年份作为参考期。

2.2.4. 安慰剂（时间移动）测试
为了进一步检验估计政策效果的稳健性，进行了安慰剂（时间移动）测试。基于假设处理时间的安慰剂测试通常用于政策评估研究中，以评估估计效果是否可能源于巧合趋势而非干预本身（Bertrand等人，2004年；LaLonde，1986年）。具体来说，政策实施年份被人为提前2-10年，然后在这些假设的处理时间下重新估计DID模型。如果在这些安慰剂情景下估计的政策效果仍然不显著，基线结果就不太可能是由虚假的政策时间或未观察到的趋势驱动的。

2.2.5. 地区异质性分析
为了检验NGCP的效果是否因不同的空间和行政背景而异，我们在交错DID框架内进一步进行了异质性分析。具体来说，考虑到气候条件和生态环境的差异，样本被划分为中国的三个地理区域：中国北方、中国南方以及西北-青藏地区。此外，为了考虑行政地位和治理能力的差异，根据行政层级将城市分为三类：中央政府直辖区（即北京、上海、天津和重庆）、15个副省级城市（即广州、武汉、哈尔滨、沈阳、成都、南京、西安、长春、济南、杭州、大连、青岛、深圳、厦门和宁波）以及其他地级城市。使用相同的控制变量和固定效应，分别对每个子组估计基线DID模型，以便我们能够检验NGCP政策对不同地区和行政级别的城市绿化指标的影响。

2.2.6. 间接效应分析
为了探讨NGCP影响城市绿化的潜在机制，本研究考察了两种可能的间接途径：景观投资和产业结构调整。在交错DID框架内，通过引入这些变量作为潜在中介变量进行了中介分析。中介分析已在实证政策研究中得到广泛应用，用于通过识别中间途径来探索政策干预如何影响结果（Baron和Kenny，1986年；Imai等人，2010年）。景观投资反映了地方政府在城市景观和绿化上的财政支出，而产业结构则通过三次产业附加值与二次产业附加值的比率来衡量。分析分为两个步骤。首先，对整个样本估计中介模型，以测试NGCP是否通过这些途径影响城市绿化结果。然后，为了进一步检验这些机制是否因空间背景而异，分别对不同的地区子样本估计中介模型。通过比较不同组别中介路径的显著性和大小，这种方法允许我们评估NGCP对城市绿化间接效应是否因地区而异。

3. 结果

3.1. 城市绿化差异
- 全市NDVI比较：全市NDVI反映了整个城市行政边界内的植被覆盖情况。图3a展示了被认定城市和未认定城市之间的全市NDVI比较。尽管两组随时间的NDVI值都呈逐步上升趋势，但两者之间的差异相对较小。被认定城市的平均全市NDVI水平略高，但两组的轨迹大致平行。这种模式表明，虽然研究期间中国城市的整体植被状况有所改善，但认定本身并未导致全市植被动态的显著差异。

- 建筑区NDVI比较：建筑区NDVI代表不透水面定义的建筑区内的植被活力，显示出不同的趋势。图3b显示了建筑区内NDVI的趋势。与全市指标类似，被认定城市和未认定城市的建筑区NDVI都随时间逐渐增加。然而，两组之间的差异仍然较小。相对相似的轨迹表明，城市化区域内的植被状况改善在各个城市中普遍发生，而并非因国家花园城市的认定而产生显著差异。

- 城市绿化覆盖率比较：绿化覆盖率是反映建筑区内绿色覆盖土地比例的关键行政指标。图3c比较了被认定为国家花园城市和未被认定城市之间的绿化覆盖率随时间的变化。两组都显示出绿化覆盖率逐渐增加的趋势，但被认定城市在整个研究期间一直保持较高的水平。2010年后，两组之间的差距开始缩小。这种收敛可能反映了未被认定城市更广泛地采用了绿化措施，而被认定城市的绿化空间在建筑区内接近饱和后，其改善效果有所减弱。

- 按地区和城市行政级别比较：首先，图4显示了按地区划分的城市绿化趋势的几个发现：1）所有三个地区的城市绿化趋势均呈上升趋势；2）南方城市的全市NDVI和建筑区绿化程度始终高于北方和西北-青藏地区的城市；3）北方和西北-青藏地区在整个研究期间保持相对较低的绿化水平。这些数字表明城市绿化轨迹存在显著的地区差异。此外，根据城市行政级别的差异，图5展示了不同行政层级（包括地级城市、副省级城市和中央政府直辖区）的绿化趋势。主要发现包括：1）大多数城市类型的城市绿化趋势随时间上升；2）地级城市的平均全市NDVI高于副省级和市级城市；3）早期建筑区NDVI遵循相似的模式，但在2016年后不同城市类型的数值趋于一致。相比之下，小型和中型城市虽然资源较为有限，但在国家花园城市计划的激励框架下显示出快速的改善，某些情况下NDVI平均值有所提高。

3.2.基线结果：国家花园城市计划（NGCP）对城市绿化的影响
表2展示了国家花园城市称号对城市绿化指标影响的基线回归结果。在所有模型规格中，无论是否包含控制变量，NGCP称号对全市NDVI（NDVI）或建成区NDVI（builtupNDVI）均无统计学上的显著影响。相比之下，该政策对绿化覆盖率（Greening）有显著的积极影响，无论是否包含控制变量。在控制变量中，经济发展水平（GDPln）和建成区面积对绿化指标有显著的负面影响。相反，人口规模和现有的绿化状况对全市NDVI有积极影响，而产业结构对建成区NDVI有积极影响。

表2. 多期DID模型的基线结果。

图6报告了平行趋势测试的结果。对于使用建成区NDVI（builtupNDVI）作为因变量的情况（图6a），方案4（builtupNDVI）的平行趋势测试显示，在政策实施前（例如，时期?5、?4、?3、?2），平行趋势不显著，系数稳定在0附近，表明平行趋势有效。政策实施后，系数仍然不显著，表明国家花园城市称号并没有在基于NDVI的城市绿化指标上产生可测量的改善。相比之下，使用绿化覆盖率（greening）作为因变量的方案6的平行趋势测试显示出，在国家花园城市称号正式实施之前，处理组和对照组之间存在一些差异。这一发现表明，严格意义上的平行趋势假设可能不完全适用于绿化覆盖率指标。然而，这种政策实施前的差异可能与国家花园城市称号过程的制度特征有关。由于该称号需要长期准备，包括城市景观改善、绿色基础设施投资和环境管理调整，地方政府可能在正式认定年份之前就开始了绿化活动。因此，观察到的政策实施前的变化可能部分反映了政策准备和预期效应，而不仅仅是识别假设的违反。

图6. a. 方案4（builtupNDVI）的平行趋势测试。图6b. 方案6（Greening）的平行趋势测试。

表3报告了通过人为将政策实施时间提前2-10年进行的安慰剂（时间移位）测试的结果。回归结果显示，在假设提前2、3、4、5、6和10年实施的情景中，核心变量“did_n”未达到统计学显著性；然而，在假设提前7、8和9年实施的情景中，它产生了显著的意义。这表明，如果政策提前7、8和9年实施，国家花园城市选择政策将对建成区NDVI产生显著的积极影响。此外，当使用绿化覆盖率作为因变量时，时间安慰剂测试表明，在假设提前2-10年处理的年份下，系数通常是积极的且具有统计学意义。这一发现意味着城市绿化覆盖率的改善可能在国家花园城市正式认定年份之前就已经开始，可能是由于与国家花园城市选择过程相关的准备工作和对政策的预期反应。然而，就影响系数而言，当政策提前8年实施时，政策的影响最大。

表4. 安慰剂测试结果（对于builtupNDVI和Greening）。

表5报告了区域异质性分析的结果。该政策在北部、南部或西北部-青海-西藏地区对建成区NDVI（builtupNDVI）没有统计学上的显著影响。然而，该政策在北部和南部地区对城市绿化覆盖率（greening）有显著的积极影响，表明国家花园城市政策的实施有效提高了这些地区的绿化表现。相比之下，在西北部和青海-西藏地区没有检测到绿化覆盖率的显著改善，这没有提供明确的实证证据表明该政策改善了这些地区的绿化结果。

表5. 不同地区和城市层级中NGCP效果的异质性。

表3还显示，假设政策提前2年、3年、4年、5年、6年、7年、8年、9年或10年实施的情况下，核心变量“did_n”未达到统计学显著性；然而，在假设提前7年、8年或9年实施的情况下，它产生了显著的意义。这表明，如果政策提前7年、8年或9年实施，国家花园城市选择政策将对建成区NDVI产生显著的积极影响。

表4. 随机分配测试结果。

表5进一步表明，在随机分组和随机时间分配的情况下，安慰剂政策变量（fake_did）对两个建成区NDVI模型均无统计学显著性。在随机分组的情况下，它对绿化覆盖率（Greening）也无显著性，但在随机时间分配的情况下变得显著，表明绿化覆盖率对非政策时间冲击敏感。总体而言，结果证实了NGCP称号对建成区NDVI的零效应是稳健的，不是由样本选择或任意时间假设驱动的。

表6a和表6b分别显示了景观财政投资和产业结构对城市绿化间接效应的中介效应测试结果。关于景观财政投资的中介效应，结果显示，通过景观投资和绿化影响建成区NDVI的政策中介效应链尚未完全建立。尽管景观投资和绿化对建成区绿化水平有积极影响，但政策对投资的监管效应仍不清楚。关于产业结构的中介效应，在使用建成区NDVI（builtupNDVI）作为因变量的分析中，中介效应链是完整的。该政策对产业结构（以三次产业附加值与二次产业的比率衡量）有显著的负面影响，而产业结构的变化反过来对建成区NDVI有显著的积极影响。国家花园城市计划对三次产业与二次产业比率的负面影响可能与传统预期相反，即绿化政策通常促进去工业化和服务部门的扩张。然而，国家花园城市计划在目标和实施机制上不同于传统的环境监管。该计划强调通过绿化建设、环境基础设施和更清洁的城市发展来改善城市环境，而不是限制工业生产。为了满足评估标准，地方政府可能会鼓励工业绿化、技术升级和制造业内的清洁生产。这些调整可以改善二次产业的环境表现，同时保持甚至增强其经济贡献，从而导致三次产业与二次产业比率的暂时下降。此外，产业结构转型通常是一个渐进的过程。尽管绿化政策可能从长远来看有助于服务部门的发展，但研究期间可能主要捕捉到了产业升级的短期至中期效应，而不是向服务导向型经济结构的完全转型。因此，估计的中介效应应解释为与政策实施相关的早期调整过程，而不是产业转型的最终方向。当使用绿化作为因变量时，总效应模型结果显示政策对绿化覆盖率有显著的积极影响。然而，在该模型中，产业结构没有表现出统计显著的中介效应。

表7显示，在北部、南部或西北部-青海-西藏地区，该政策对建成区NDVI（builtupNDVI）没有显著影响。然而，该政策在北部和南部地区对城市绿化覆盖率（greening）有显著的积极影响，表明国家花园城市政策的实施有效提高了这些地区的绿化表现。

表8显示，使用2000-2022年间293个地级市的面板数据，并采用分阶段差异（Difference-in-Differences）框架，本研究评估了中国国家花园城市计划（NGCP）对城市绿化的影响，使用了基于卫星的NDVI和官方报告的绿化覆盖率指标。结果表明，NGCP显著提高了官方报告的绿化覆盖率，但没有在全市或建成区NDVI上产生显著的改善。此外，政策效果在不同地区和城市行政层级上存在差异，而中介分析表明，产业结构调整而非财政投资是政策间接影响建成区NDVI的显著途径。

表9显示，景观财政投资对城市绿化有显著的中介效应。然而，产业结构在该模型中未表现出统计显著的中介效应。

表10显示，产业结构对城市绿化也有显著的中介效应。然而，NDVI没有显著变化这一事实表明，在行政上定义的绿化改善与生物物理植被状况的变化之间存在差异。这种脱节可以通过“古德哈特定律”（Goodhart’s Law）来解释，该定律指出当一个指标成为目标时，它就不再是一个好的衡量标准（Goodhart, 2015）。这种差异反映了基于目标的环境治理系统中存在的更广泛挑战，即政策绩效通常通过量化指标来评估。当行政目标成为政策实施的主要焦点时，地方政府可能会优先考虑那些在统计上容易衡量的干预措施，而不是投资于提高生态质量（Ran, 2017）。因此，报告的绿色覆盖面积的增加并不一定转化为植被活力的实际提升。

几种机制可以解释这些差异。首先，不同指标之间存在定义和测量上的差异。绿色覆盖率基于对建成区的行政定义，容易受到报告程序、会计规则调整以及政策驱动行为（如评估前夕加强绿化活动）的影响。相比之下，NDVI来源于卫星光谱反射率，反映的是生物物理植被的活力，而不是行政上定义的绿色区域。因此，通过低生物量干预（例如，种植草坪或稀疏的观赏灌木）迅速扩大可测量绿色面积的政策会迅速提高统计上的绿色覆盖率，而NDVI（对冠层密度和生物量更敏感）则基本保持不变（Martinez and Labib, 2023）。此外，最重要的是，评估驱动的绿化行为影响了政策的实施。在竞赛式激励机制下运作的地方政府可能会采取“以评估为导向”的绿化措施（例如，在检查前布置盆栽植物、将农业用地转为公园以达到统计目的，或者优先选择视觉上显眼且维护成本低的景观，而不是生态功能强的本地植被），这些措施虽然提高了绿色覆盖率的统计数据，但对植被生物量或NDVI的影响却很小（Li et al., 2015）。这种差异进一步凸显了“基于面积”的绿化指标与“基于生物物理”的绿化指标之间的结构性差异。

因此，虽然绿色覆盖面积显著增加，但NDVI没有变化这一发现并不相互矛盾。相反，它突显了政策对量化/行政绿化与生态/生物物理绿化影响的区别，表明仅通过面积或覆盖率指标来评估城市绿化可能会忽略绿色空间质量和可持续性的重要方面（Komarolya and Sho, 2025）。短期干预措施往往能改善前者，而后者则需要更长的时间范围和持续的生态投资。

4.2. 空间和行政异质性
先前的研究表明，政策效应在不同地区和治理背景下存在显著差异（He et al., 2022, Chen and Jiang, 2020, Liu et al., 2024）。我们的研究结果与这些研究一致，但发现了更细微的模式：北部和南部地区绿色覆盖率有显著改善，而在西北部和青藏地区则没有显著效果；在省级城市中观察到的响应比在市级城市中更强。几种机制可以解释这些模式。首先，不同地区的生态限制不同。西北部和青藏地区的城市面临降水量低、土壤条件差和高海拔等限制，绿地建设和维护成本很高，植被存活困难。在这种条件下，政策的边际绿化效益与湿润和资源丰富的地区相比有限。其次，财政能力和行政执行能力的差异也很重要。省级城市和许多地级城市可能具有更强的财务灵活性和项目协调能力，能够更有效地整合跨部门资源。相比之下，尽管市级城市的初始绿化水平较高，但随着可用土地的减少和生态效益要求的提高，边际回报逐渐下降。第三，政策激励与地方发展策略的相互作用。一些城市将绿化举措与其他发展目标（如旅游促进、历史公园修复）相结合，其投资通常侧重于视觉上显眼且易于行政统计的项目，而不是系统性地提高生态生物量，这可能是统计指标比NDVI改善更快的原因（Zhang et al., 2023）。上述发现表明，自然条件、财政资源和地方治理能力显著影响了政策的“可见性效应”和“生态深度效应”。未来的项目设计应考虑更多地区差异和资源敏感性的因素。

此外，尽管总体上有改善趋势，但不同城市之间仍存在显著异质性。一些城市的植被指标有很大提升，而另一些城市的变化很小甚至有所下降。这种差异表明，城市绿化政策的实施和生态结果在不同地点并不统一。因此，仅考察平均变化可能会掩盖政策实施和环境响应的重要差异。本研究中报告的平均处理效应可能掩盖了各个城市之间的显著差异。一些城市在政策实施后植被指标有所显著改善，而另一些城市的变化则很小。这些差异可能反映了财政能力、生态背景、城市发展阶段和地方实施条件的不同。

4.3. 产业结构和财政投资在中介路径中的不同作用
一些研究表明，专项财政投资是绿化倡议的关键驱动力（Han and Wan, 2023）。然而，我们的研究发现，在某些模型设定下，财政投资并不能稳定地中介NDVI的变化，而产业结构调整则表现出中介作用。这与部分研究结果一致，即环境政策通过对经济结构的改变影响生态结果（Liu et al., 2024），但与财政投资是主要传导机制的直觉相矛盾。财政投资的滞后结构和使用构成存在问题。市政支出可能更倾向于一次性建设（如景观美化、铺装、园林设施），而不是长期的生态维护（如土壤修复、灌溉、冠层管理），这导致绿色面积在统计上立即增加，但NDVI的增加有限。财政数据往往缺乏识别真正生态支出所需的详细分类。此外，产业结构调整会释放土地，减少生态压力，向服务型产业转型可以减少对工业用地的需求，为生态恢复创造机会，并降低污染强度。这些变化可以通过长期的空间重构对NDVI产生可测量的积极影响，使产业结构成为一个更稳定的中介变量。此外，还存在测量问题和潜在的内生性问题。财政投资与市政财政健康状况和治理质量因素密切相关，这些因素也会影响绿化结果。如果不完全解决内生性问题（例如，反向因果关系或遗漏变量），财政投资的中介效应可能被夸大或掩盖。未来的研究可以使用工具变量或DID+IV方法来更严谨地识别这些渠道。

因此，先前研究中的差异源于测量方法（统计指标与生物物理指标）、政策实施时机、实施能力和空间尺度的不同。NDVI可能与政策评估中使用的行政边界不完全吻合，从而导致测量效果的减弱。这些发现强调了需要建立综合的政策评估系统，该系统应结合多种指标，并更紧密地符合生态现实。

4.4. 限制
尽管本研究设计严谨且实施得当，但仍存在一些局限性，需要在未来的研究中进一步探讨。从方法论角度来看，本研究采用了传统的DID框架来估计国家花园城市计划的政策效应。尽管这种方法在政策评估中被广泛使用，但最近的研究提出了对异质处理时机更敏感的替代估计方法（例如，Callaway and Sant’Anna, 2021; Sun and Abraham, 2021）。此外，事件研究的结果表明，行政报告的绿色覆盖指标并不完全满足平行趋势假设。因此，对绿色覆盖率的估计效果应谨慎解读，未来的研究可以使用这些新的估计方法来进一步评估结果的稳健性。从数据角度来看，本研究使用遥感NDVI和官方报告的绿色覆盖率来评估政策效应，但没有直接验证这两种指标之间的一致性。虽然NDVI提供了绿色空间质量的客观测量，但官方报告的绿化统计数据也可能反映行政实施和报告实践。此外，目前尚无可比的城市级治理和制度数据，限制了我们解释政策效应对城市差异的原因。未来的研究可以整合更高分辨率的生态数据与治理相关指标，以更好地理解政策实施和生态结果的机制。

最后，本研究没有明确评估2016年和2022年对国家花园城市评估系统的修订的影响，因为所使用的模型只能捕捉到一个地方是否被命名为花园城市的后果。具有更长观察期和更详细城市级证据的后续研究可以对该计划的长期有效性进行更全面的评估。

5. 结论
本研究使用2000年至2022年293个地级城市的面板数据，评估了中国国家花园城市计划（NGCP）的长期影响。通过结合行政绿化统计数据和遥感NDVI，在交错差分框架下进行评估，结果显示NGCP显著增加了报告的城市绿色覆盖面积（绿色空间数量），但没有显著提高卫星观测到的NDVI（绿色空间质量）。政策效应在不同地区和城市层级上也存在差异，其中中介分析表明，产业结构调整在改善城市绿化结果方面比直接的景观投资起着更重要的作用。这些发现有助于扩展关于环境政策实施的文献，表明行政绿化指标的改善并不一定能转化为可测量的生态改善。我们的结果并不表明政府主导的绿化政策无效，而是表明仅靠行政动员不足以改善植被状况。城市生态结果是由多种因素共同决定的，包括生态限制、城市发展过程、治理能力、规划实践和长期维护。报告的绿色覆盖面积与卫星观测到的NDVI之间的差异突显了区分绿色空间数量和绿色空间质量的重要性，以及需要使用客观生态指标来评估政策实施。

这些发现具有若干政策启示。首先，未来的评估系统建议超越简单的绿色覆盖目标，纳入客观的生态指标，包括遥感植被数据以及生物多样性和生态系统服务指标。其次，绿化政策应从一次性指定转向持续监测和适应性管理，以促进长期生态绩效而非短期合规。第三，鉴于本研究发现的地区和行政异质性，绿化政策应采取更具地方适应性的实施策略，考虑当地生态条件、资源禀赋和治理能力，而不是依赖统一的国家标准。总体而言，成功的城市绿化不仅依赖于政府的承诺，还取决于制度能力和持续的生态管理。随着人类世城市化进程的加剧，中国大规模绿化实验的经验具有普遍意义。这些经验表明，政治意愿和行政动员虽然必要，但不足以保证生态恢复。真正的城市韧性需要一个重视科学证据、尊重地方生态限制并将行政激励与长期地球健康相一致的治理模式。

红字作者贡献声明：
王志芳：撰写 – 审稿与编辑、项目管理、方法论、调查、资金获取、概念化
张欣媛：正式分析、数据整理
尹晟辰：撰写 – 审稿与编辑、原始草稿撰写、可视化、调查、正式分析

北京清华大学建筑与景观学院，中国北京100871