Evaluación de la efectividad del desarrollo de bosques urbanos en ciudades chinas: un enfoque de inferencia causal basado en aprendizaje automático doble

En el contexto de la rápida urbanización y el cambio climático, evaluar el desarrollo forestal urbano y la eficacia de las políticas relacionadas reviste una gran importancia.

Este estudio toma como objeto de investigación las ciudades chinas de nivel de prefectura y elabora un sistema de evaluación de la eficacia del desarrollo forestal urbano (Urban Forest Development Effectiveness, UFDE), que abarca las redes forestales, la salud forestal, el bienestar ecológico y la coordinación del desarrollo. Se emplea el método del proceso jerárquico analítico con ponderación por entropía para medir la UFDE. Sobre esta base, aprovechando el experimento cuasi-natural formado por la implementación escalonada de la Política Nacional de Ciudades Forestales (National Forest City Policy, NFCP), este artículo aplica el aprendizaje automático doble (DML) para identificar los efectos causales de la política.

Los resultados muestran que la NFCP mejora significativamente la UFDE, y esta conclusión se mantiene sólida en diversas especificaciones del modelo y comprobaciones de robustez. Al mismo tiempo, los efectos de la política muestran una heterogeneidad significativa, siendo más pronunciados en las regiones orientales y centrales, así como en las zonas de clima húmedo, mientras que son relativamente más débiles en las regiones occidentales y áridas.

Desde el punto de vista metodológico, este estudio introduce el DML para mejorar la precisión de la identificación causal y, en términos de medición, logra una evaluación multidimensional y exhaustiva. Proporciona un nuevo marco analítico para evaluar la eficacia de las políticas medioambientales y ofrece evidencia empírica para optimizar la gobernanza ecológica urbana y promover el desarrollo verde.

Título Original:

"Evaluation of the Urban Forest Development Effectiveness in Chinese Cities: A Causal Inference Approach Based on Double Machine Learning"

Autor/es: