复合物理气候风险（CPRI）对林业生态全要素生产率（forestry TFP）的影响与传导机制：基于双重机器学习（DML）的中国省级证据

《Frontiers in Forests and Global Change》：The impact of climate risk on forestry ecological total factor productivity: evidence from double machine learning

　　

与气候变化相关的极端气候事件对林业生产效率的威胁日益增长，然而关于其对林业生态全要素生产率（forestry TFP）及潜在传导路径的系统经验证据仍有限。研究人员使用2012—2023年中国30个省份面板数据，以复合物理气候风险指数（CPRI）衡量省级物理气候风险，该指数以急性极端事件为主，包含极端寒冷、极端高温、极端降雨和极端干旱暴露，并排除低碳转型过程中由政策、技术和市场变化引起的转型风险。研究人员应用双重/去偏机器学习（DML）模型估计气候风险对林业TFP的影响，并对潜在传导路径、调节效应和非线性进行探索性检验。结果表明，气候风险与较低的林业TFP显著相关。负向间接关联通过森林病害、虫害和鼠害控制缺口扩大以及公众对一般污染问题搜索关注的挤出进行传导。资本市场对能源密集型产业的暴露和区域碳排放强度显著改变与气候风险的边际关联，气候风险还表现出阈值效应和区域异质性。这些发现表明，林业气候适应政策应加强森林病害、虫害和鼠害的监测与控制，并在极端气候事件期间维持连续的环境信息沟通，同时根据区域结构暴露和适应能力调整治理。

研究背景方面，气候变化正在重塑自然生态系统和经济生产系统，极端高温、强降雨和持续干旱等事件使生产系统同时面临物理损害、运营不确定性和资源配置扭曲。气候相关风险通常分为物理风险和转型风险；该研究聚焦物理气候风险，并以复合物理气候风险指数（CPRI，由极端低温日数、极端高温日数、极端降雨日数和极端干旱日数等权重合成的物理风险指标）衡量以急性极端事件为主的省级气候风险，不直接衡量长期慢性物理风险，也不包含碳政策、低碳技术和市场转型引致的转型风险。林业比常规工业部门更依赖气候条件，林木资产空间固定、生产周期常跨年甚至数十年，难以通过迁移产能或快速替代投入规避极端天气冲击；林业还承担碳汇、水源涵养、生物多样性保护和生态产品供给功能。因此，林业生态全要素生产率（forestry TFP，衡量林业将劳动、资本、土地和能源等投入转化为经济与生态产出的综合效率）是资源分配效率、技术进步和绿色发展质量的重要指标。既有研究多集中于宏观经济、制造业、碳密集型产业或农业，针对气候敏感型林业的部门经验证据有限；森林灾害管理和公共环境关注是否构成传导路径也缺乏检验；已有结论方向混合，情境因素和非线性机制解释不足。中国地域广阔、气候带多样，且将林业碳汇作为双碳目标和生态文明建设的重要组成部分，因而为检验上述问题提供了代表性场景。研究人员基于2012—2023年中国30个省份面板数据，构建CPRI与林业TFP指标，采用双重/去偏机器学习（DML，利用交叉拟合与正交化降低函数形式误设和正则化偏差的因果估计方法）考察气候风险对林业TFP的影响、传导机制和边界条件，得到气候风险显著抑制林业TFP的结论，并识别出森林病害、虫害和鼠害控制缺口以及公众污染关注挤出两条负向间接路径，同时发现资本市场能源密集型产业暴露、区域碳排放强度、贸易开放度阈值和区域适应能力差异会改变气候风险的边际效应。其意义在于为气候风险的经济后果提供林业部门证据，揭示灾害管理覆盖和社会治理资源配置的作用，并为差异化林业气候适应政策提供依据。

关键技术方法方面，样本为中国30个省份2012—2023年面板数据，共360个省—年观测，排除西藏；数据来自中国林业统计年鉴、中国林业和草原统计年鉴、中国统计年鉴、中国能源统计年鉴、中国环境统计年鉴、省级统计年鉴、国家气候中心气候风险指数数据库、国家林业和草原局森林生态产品价值评估和百度指数平台等。研究人员用超效率EBM（Epsilon-Based Measure）模型测度林业TFP，用CPRI测度物理气候风险，采用DML估计基准效应，用Delta法和省级聚类协方差检验中介效应，用中心化交互项检验调节效应，用ENSO强度×历史温度异常敏感性的DML-PLIV进行内生性敏感性检验，用Hansen面板门槛模型检验贸易开放度阈值，并按林业管理保护能力、数字经济和环境保护强度分组进行异质性检验。

研究结果部分，5.1 基准回归结果：在双向固定效应下，随机森林、支持向量回归、梯度提升、Lasso和弹性网五种学习算法均得到lnCPRI对林业TFP显著为负的系数，支持H1；以随机森林双向固定效应为基准，lnCPRI增加1个样本标准差0.187，林业TFP估计下降约0.066；传统双向固定效应模型系数为0.0515且不显著，表明结果对函数形式设定敏感。5.2 稳健性检验：替换为SBM效率、10折交叉拟合、缩短样本至2016—2023年、对主要变量1%缩尾、剔除极端干旱日数分量以及采用熵权法重新加权后，气候风险系数仍为负，范围约?0.503至?0.337，表明结论不依赖特定效率测度、交叉拟合折数、样本期、极端值或CPRI等权设定。5.3 中介结果：气候风险显著扩大森林病害、虫害和鼠害控制缺口（M1），路径(a)为0.209；控制缺口显著降低林业TFP，路径(b)为?0.541，间接效应ab为?0.113（p=0.078）；气候风险显著降低公众污染问题关注综合指数（M2，基于“环境污染”和“雾霾”百度搜索指数标准化等权平均），路径(a)为?1.553，公众关注显著提高林业TFP，路径(b)为0.096，间接效应ab为?0.149（p=0.005，95%置信区间约?0.253至?0.045），支持H2a和H2b。5.4 调节结果：资本市场对能源密集型产业暴露（W1，六大能源密集型行业上市公司市值占省级上市公司总市值）与lnCPRI交互项为0.904且显著，区域碳排放强度（W2，区域二氧化碳排放与GDP之比并取自然对数）交互项为0.211且在10%水平显著，说明二者显著改变气候风险的边际效应；原文强调这并不意味着扩大能源密集型产业或提高碳排放强度有益，也不代表金融系统的流动性缓冲。5.5 内生性敏感性检验结果：以ENSO强度与历史温度异常敏感性交互为工具变量，第一阶段系数为0.064，聚类稳健F统计量为10.579，偏R²为0.085；第二阶段lnCPRI系数为?1.391（p=0.067），负向关系在工具变量设定下仍成立。5.6 阈值效应结果：以贸易开放度为门槛变量，估计门槛为0.146，F统计量为7.670，Bootstrap p值为0.070，90%置信区间为0.071至0.292；当贸易开放度不高于0.146时，lnCPRI系数为0.181且显著，当高于0.146时系数为?0.102但不显著，两组系数差为0.283且显著（p=0.021），表明气候风险—林业TFP关系存在非线性转变。5.7 异质性分析：高林业管理保护能力组气候风险系数为?0.616且显著，低组为?0.032且不显著，组间差?0.584（p=0.045）；高数字经济组系数为?0.638且显著，低组为?0.034且不显著，组间差?0.605（p=0.040）；高环境保护强度组系数为?0.032且不显著，低组为?0.634且显著，组间差0.602（p=0.008），分别支持H5a、H5b和H5c。

讨论与结论部分，6.1 主要发现可译为：研究人员使用2012—2023年中国30个省份面板数据，应用双重机器学习考察以急性极端事件暴露为主的复合物理气候风险如何影响林业生态全要素生产率。结果表明，物理气候风险对林业TFP具有显著负效应。物理气候风险还通过扩大森林病害、虫害和鼠害控制缺口，以及挤出公众对一般污染问题的搜索关注，产生负向间接效应，进一步降低林业TFP。资本市场对能源密集型产业的暴露和区域碳排放强度显著改变物理气候风险的边际效应；前者不等同于一般产业结构，后者不代表金融系统。阈值和异质性分析进一步揭示非线性效应和区域差异化效应。这些结论仅适用于CPRI所捕获的物理气候风险，不能直接外推至转型风险。6.2 政策含义总结为：应协调物理气候风险与林业生产效率监测；缩小森林病害、虫害和鼠害控制缺口，加强灾害监测、防控覆盖和应急资源动员；在气候灾害期间维持环境信息供给和公众监督，防止一般污染治理议题被长期挤出；并根据区域结构暴露、外部网络连接和适应能力差异，因地制宜配置生态恢复、污染治理和林业应急准备资源。6.3 局限与未来研究指出：森林病害、虫害和鼠害控制缺口为总体防治率的补数，不能区分病害、虫害和鼠害，也不能直接衡量控制质量、灾害严重程度或经营者投入；公众污染关注指数仅包含两个关键词，未充分覆盖气候风险、森林保护或林业生态治理；能源密集型产业资本市场暴露仅覆盖上市公司，区域碳排放强度也不衡量金融发展；林业TFP中的不可欲产出系按林业总产值占区域GDP比重分配工业污染排放近似得到；CPRI主要捕捉事件驱动型物理气候风险，不含长期慢性物理风险和转型风险；分析限于省级层面，需县级或林场级数据进一步检验微观机制。