基于倾向值匹配法的区域生态补偿绩效评估研究

徐大伟　李斌

摘要

从上世纪90年代起，中国在全国和各区域范围内实施了大量以生态补偿为理论基础的环境保护项目。同时，伴随着生态补偿项目的实施，生态补偿的相关研究也在不断推进。目前，中国对于生态补偿的研究主要集中在理论体系的构建、机制的探索、补偿对象、补偿方式以及补偿金确定等补偿前阶段的研究，而较少涉及对现有补偿项目绩效评估等补偿后阶段的研究，特别是缺少标准经济学范式的绩效评估研究。因此，本文在提出了区域生态补偿绩效评价的必要性与理论意义的基础上，通过引入熵值法、倾向值匹配法、面板数据回归方法等经济学技术对区域生态补偿绩效进行评估。本文以辽东山区生态补偿财政项目为案例，运用熵值法对经济、社会、生态状况相近的27县综合生态绩效进行计算、比较，经过统计分析初步发现绩效最好的县均是政策影响县，但也存在诸如清河、灯塔、弓长岭等补偿县的生态绩效并没有较大提升；通过对补偿政策组与非补偿政策组以及按行政区划分的生态绩效比较发现，补偿政策以及行政归属对生态绩效影响是显著的；运用面板回归方法，发现在控制了行政区划、时间、环保投资和森林资源现有存量后，补偿政策的效应为0.475。为避免样本选择问题，文章引入Kernel内核匹配法得出平均处理效应为0.783。两方法均支持补偿政策有效的结论。最后，为考察生态补偿绩效影响因素，对补偿政策组样本进行面板回归并与全样本回归结果进行比较。研究认为，行政区划与财政赤字占比分别在1%水平上显著，且财政赤字占比效应为正。由于现阶段生态补偿政策依然包含过多行政色彩，所以第二产业占比、林业占比、人均GDP等经济因素只有人均GDP在10%水平上显著。另外，通过年份时间变量的引入，考察了各年平均生态绩效的变化情况，并发现政策效应在逐渐趋于收敛，这也从另一个角度证实了补偿政策的实际效果。

关键词倾向值分析；熵值法；生态补偿；绩效评估

中图分类号F062.2；F326.2文献标识码A文章编号1002-2104（2015）03-0034-09doi：10.3969/j.issn.1002-2104.2015.03.005

生态补偿是人类在保护环境、改善生态环境的过程中，逐渐提出的一种以经济学为理论基础的制度安排，按照“中国环境与发展国际合作委员会”对生态补偿的定义：“生态补偿是一种以保护生态服务功能、促进人与自然和谐相处为目的，根据生态系统服务价值、生态保护成本、发展机会成本，运用财政、税收、市场等手段，调节生态保护者、收益者和破坏者经济利益关系的制度安排。”国外生态补偿主要采取对生态服务支付的形式，比如：加拿大联邦政府的“永久性草原覆盖恢复计划”（PPCRP）、美国的保护与储备计划（CRP）、环境质量激励项目（EQIP）以及欧盟的农业环境保护项目[1]。自上世纪90年代起，中国在11个省（自治区）的685个县（单位）和24个国家级自然保护区开展了征收生态环境补偿费的试点。2012年，已有27个省（区、市）建立了省级财政森林生态效益补偿基金，资金规模达51亿元；有30个省（区、市）建立了矿山环境恢复治理保证金制度，累积缴纳保证金612亿元；还有包括对草原、湿地、流域、水源地、海洋以及重点生态功能区的专项补贴。作为一种公共财政支出，如此大规模的补偿资金投入是否达到预期效果，是否对生态环境的改善起到显著作用是决策者必须关注的问题，这为开展生态补偿绩效评价研究提供了现实需要。

目前，中国对于生态补偿的研究主要集中在理论体系构建、机制探索、补偿对象、补偿方式以及补偿金确定等方面，即关注的是补偿前阶段的研究，而较少涉及对现有补偿项目绩效的评估，即补偿后阶段的研究。现有生态绩效评估的研究也限于方法、数据、指标确定等方面的制约，还难有科学、客观准确的标准研究。这些研究的缺陷主要表现为两方面：第一，没有就一个案例给出具体的指标和明确的生态综合绩效值，无法进行进一步的定量统计分析；第二，较少应用经济学的前沿评估方法。由于中国地域辽阔，并没有全国性的生态补偿政策，补偿的实施主要以区域为主，相应研究也主要关注区域补偿政策对本区域发展的效果。因此，本文选择辽宁东部山区森林生态补偿作为案例，通过应用倾向值分析方法对生态补偿政策效应以及影响因素进行评估，以期为全国其他补偿项目绩效评估提供参考。

本文以辽东山区2009-2012年27个农业县为例进行分析，利用熵权法、面板回归方法以及倾向值匹配法，在得出生态绩效综合值的基础上对其进行比较分析，通过生态绩效考察生态补偿政策的实际效应，并最终考察生态补偿绩效的影响因素。

1相关研究评述

对生态补偿的研究主要是两大领域，即补偿前研究（理论探索、前期评估、补偿机制研究、补偿标准、方式的确定）和补偿后研究（效果评估、经验总结、案例分析）。对于前者国内外研究成果相对较多，体系比较健全，主要原因在于该领域以理论、模型方法的构建为主，开展研究受客观条件制约较少。对于后者，目前的研究相对较少，而国外的研究无论是方法的应用、数据的搜集还是效果评估的科学性都值得国内学习。在国外，生态补偿主要采取生态服务价值支付（PES）的形式，相应绩效的研究也多以案例研究为主。Chevillat，et al.研究了瑞士生态补偿区实施效果[2]。Hein，et al.对印度尼西亚森林可持续利用经济效益案例进行研究[3]。Clifton和Julian研究了印度尼西亚海洋国家公园直接补偿支付效果[4]。Matulis和Brett Sylvester对哥斯达黎加PES项目目标与现实差距进行了评估[5]。Zammit和Charlie评估了澳大利亚森林保护基金和环境监管项目运行效果[6]。Vidal，et al.评估了墨西哥Monarch Butterfly Biosphere保护区2001至2012年森林生态保护绩效[7]。除了案例分析，也有从理论概述角度对生态补偿绩效的研究。Levrel，et al.对美国生态补偿各种方式的适应性、绩效评价、生态替代标准的适用性及生态补偿的成本进行了研究[8]。Aradottir，et al从理论角度就生态服务支付政策对植被、土地、社会等效应进行了论述[9]。Adhikari，et al通过对11个国家26个案例的评述，重新阐述了影响PES实施效果的主要因素并提出从公平、参与、民生、环境可持续等四个角度评估PES的产出效果[10]。至于评估方法，由于PES项目的多学科交叉性，国外相关领域的学者应用了环境工程、生态学、项目评估、地理学等领域的方法来评估补偿绩效。Brady，et al通过基于代理人的Ariplis模型模拟了农民用地决策改革的政策后果以及对现实农业区生态服务、生物多样性等方面的伴生影响[11]。Huber，et al将多学科的方法综合应用于瑞士Jura Moutains的PES项目效果评价，研究了项目对当地生态、社会、经济状况的影响[12]。Crookes，et al通过系统动力模型评估了市场机制对南非生态修复的经济效力与风险的作用[13]。Duncan，et al运用Bayes模型推断基期数据，从而对植被修复工程的长期效果进行再评估[14]。由于国外的研究主要是针对生态服务价值支付（PES）项目，从概念上与国内生态补偿综合评估有一定区别。虽然，研究方法先进、科学，但研究对象仅针对某一类指标（比如生态环境指标、经济指标、社会指标），较少涉及生态补偿综合指标。另外，应用社会科学特别是经济科学范式的研究并不多见，主要还是环境、生态领域的定性和定量研究。

从国内来看，补偿绩效的研究主要分为方法探讨、定性概述、定量研究三大类。蒋爱军等在阐述开展国家级公益林绩效评价必要性和原则的基础上，提出了绩效评价的主要指标体系和标准方法，并以湖南试点为例进行了分析[15]。吴水荣和顾亚丽从森林生态补偿对森林经营者的影响、是否有效地促进森林生态服务供给、以及是否有助于缓减贫困等三个方面的效果进行评价[16]。张来章等对当前黄河流域水土保持生态补偿主要的实践活动进行了分析和评价，但没有提出实质性的评价方法和数量结果[17]。汪峰对四川省退耕还林政策绩效进行了研究[18]。李佳通过统计调查的研究方法对石羊河流域生态补偿效果进行了评价与分析[19]。张宝林采用1993-2011年和1991-2011年的数据分别对两类国家林业治沙重点工程公共投资绩效进行实证研究[20]。但是，这些研究多停留于方法的探究与文字、数字的叙述和罗列，而定量研究的方法和范式的选用比较陈旧，估算的有效性不甚理想。

相对于财政绩效、公共政策绩效研究，生态补偿政策方面的绩效研究在定量方法上还有待进步、拓展。因此，本文将试图在该领域的绩效评价方面有所突破，结合生态补偿理论的实际，运用熵权法计算综合综合绩效，引入倾向值匹配分析法，并对辽东山区农业县开展生态补偿政策绩效评估。

2测算方法、模型及数据处理

2.1生态补偿财政绩效的测算方法

从目前的研究来看，绩效评价的定量方法主要是专家打分Delphi法、AHP层次分析法、主成份分析法、DEA数据包络法以及熵值法。本文采用熵值法对生态综合绩效进行定量分析与测算。

2.2政策效果倾向得分匹配方法

分组政策效果的估计存在一个严重的问题——样本选择性问题，即样本在干预组与控制组的分配并不是随机的，实际分配过程往往要遵循一定的准则、标准。为避免样本选择性问题造成的内生性，Rosenbaum和Rubin创立了“倾向值匹配方法”[21]进行政策评估。

2.3绩效影响因素的实证模型

本文运用面板回归方法分别对全样本27县以及补偿16县生态绩效影响因素进行考查，核心解释变量包括：补偿政策虚拟变量、行政区划虚拟变量（补偿政策以外的上级行政因素）、赤字占比（财政补贴需求）、人均GDP、第二产业占比、林业占比；控制变量包括：年度完成环保投资额（环保努力程度）、当年森林面积存量。

2.4数据来源及处理

2.4.1生态绩效估算数据

根据《辽宁省人民政府关于对东部生态重点区域实施财政补偿政策的通知》，本文确定以岫岩县等16个辽东山区农业县为例，选取同一行政区内，社会经济相近但未获得财政补偿的11农业县作为对照组，并将时间变量设定为生态补偿政策实施后的四年数据（2009-2012年）。数据主要来自于2009-2012年的《中国林业统计年鉴》和《辽宁统计年鉴》。

2.4.2回归方程数据

通过个案排秩方法对生态绩效值进行正态变换，并通过对年份设置虚拟变量，以考察时间效应，最后根据样本是否属于政策组设置政策虚拟变量。模型设定中的其他变量数据均来自于2009-2012年的《中国林业统计年鉴》以及《辽宁统计年鉴》。

3生态补偿政策绩效计算及差异分析

3.1生态绩效指标的理论基础

根据生态补偿理论，

生态补偿的核心原则是：“谁收益，谁补偿；谁污染，谁补偿。”同时，需要明确的是，生态补偿的目就是利用经济方法协调各方利益关系，最终达到生态效益的最大化，而不仅是经济效益的最大化。

国内关于生态补偿的概念和内涵理解不一，主要分歧集中在生态补偿的补偿内容上，即生态补偿的客观对象是什么？对什么进行生态补偿？将什么纳入补偿标准的确定？目前，广为认可的补偿类型是服务补偿、资源补偿、破坏补偿、发展补偿、保护补偿等5方面内容。从补偿内容看，可以认为生态补偿政策有两个主要目的：一是促进生态环境的改善；二是促进公平的发展权利。因此，本文在构建生态绩效时，将重点体现这两方面指标。

3.2生态绩效的测算及政策效果分析

首先，根据表1设计的指标体系，运用熵权法计算权重，得出辽东山区27县2009-2012年生态补偿综合绩效

。限于篇幅，27县各年生态综合绩效值不在正文列出。

（1）经济发展状况。GDP增长率作为经济发展水平、发展速度的重要指标被引入对发展状况的评价；同时，考虑公平发展的问题，还引入了城镇、农村的平均工资。

（2）生态环境保护。本文选取人均森林面积、当年植树造林面积作为林地状况指标，以环境污染治理年度完成投资总额反映当地环保努力程度、工业二氧化硫排放量反映第二产业环境治理状况，从而考察环保行为对当地工业经济发展状况的影响。

根据熵权法计算权重，得出辽东山区27县2009-2012年生态补偿综合绩效。结果表明，生态补偿政策对生态绩效差异的影响较大。只有2009年，绩效最好的县是未受政策影响的海城市。之后年份，绩效最好的县均是政策影响县，但也存在诸如清河、灯塔、弓长岭的生态绩效并没有较大提升，生态绩效甚至连年落后于未实施生态补偿的县。

通过考察排名的分布情况，可以更加直观的观察政策效果，如表2所示。

从排名的总体分布情况来看，排名靠前的县，绝大多数都实施了生态补偿政策。以2009年为例，排名前14的县中有13个是生态补偿县，只有一个海城市排名靠前且未获生态补偿政策；而排名后13的县中有10个没有获生态补偿政策。从统计分布可以初步判断生态补偿政策对生态绩效有较大影响，而政策影响是否显著，是否受其他影响因素的影响，还需建立计量模型进行检验。

3.3生态绩效差异的分组检验

按照政策实施与否以及行政区划两个标准进行分组，通过对历年各组均值进行t检验，来判断政策以及行政区划对绩效的影响。各地区的行政管理、上级的施政目标、其他政策措施均有不同，因此，引入行政区划的分组形式，补充生态补偿政策以外的其他政策和行政管理的变异，从而使绩效影响因素的考察更加全面。

3.3.1政策组与非政策组生态绩效差异

将所有样本分成政策组与非政策组，对各组的熵绩效均值进行独立样本Bootstrap检验，如表 3所示。

从表3可见，政策组与非政策组之间在生态绩效的差异是非常显著的，显著水平达到了 0.1%。但是，这种显著的影响，并没有考虑其他影响因素，比如行政区划、社会发展状况、居民收入、财富等以及这些因素与政策的交互作用。

3.3.2行政区划对绩效差异的影响

为考察行政区划即上级行政制约作用，将考察各地级市的行政管辖对各县生态绩效的影响。因此，为剔除补偿政策因素的影响，分别对有政策和无政策的县生态绩效进行行政区划影响的考察。

为考察行政区划即上级行政制约作用，将考察各地级市的行政管辖对各县生态绩效的影响。因此，为了剔除补偿政策因素的影响，需要分别对有政策和无政策的县生态绩效进行行政区划影响的考察。由图1、图2可知，各市实施政策县的绩效均值呈现收敛趋势，而各市非政策县绩效均值处于一种发散状态。政策组中，丹东市一直处于高位，波动较大，而铁岭市和抚顺市却是逐年提升。对于非政策县，丹东的生态绩效依然较高，说明该市相对重视生态环境建设，属于自主保护型。而辽阳不论政策组还是非政策组，都排名最后，说明生态建设并不是该市行政管理的重要任务目标。

4生态补偿政策有效性的估计：基于倾向值分析

本文实证研究的逻辑是：首先，通过倾向值分析法（PSM）对政策的有效性进行检验，即考察补偿县与未补偿县在生态绩效上的差异。之后，在得出政策有效性的基础上，通过回归分析考察影响因素对生态绩效的边际影响。

4.1静态面板估计结果

为了与倾向值分析进行对比，并回应统计分析中提出的问题，首先运用面板数据估计方法对政策虚拟变量进行估计。在模型构建过程中，尽量加入可能的控制变量以消除遗漏变量造成的内生性问题。为与前面统计分析提出的交互问题对照，将考查政策变量与人均GDP以及政策变量与赤字占比的交互作用，估计结果见表4。

模型1为未引入交互项的估计结果，补偿虚拟变量系数为0.475，即从无补偿到有补偿可使生态绩效提高0475；考虑到生态绩效值在-2到2之间取值，这个效应比较大。另外，从统计角度看，该估计值在1%的水平上显著，因此认为回归结果支持政策有效的判断。至于模型2和模型3的交互项，结果并不支持存在交互作用。

4.2基于倾向得分匹配的估计结果

本文采用logit模型估计倾向值，得出各县各实施补偿政策倾向性得分，Kernel密度分布见图3。从图中可知，非补偿组集中于倾向得分较低（025左右）的位置，且其最大倾向值也不过08左右；而补偿组的kereal密度值大部分集中于09和1之间。这说明样本选择问题对于本案例生态补偿绩效政策的评价是比较重要的。

倾向得分匹配方法主要包括参数方法、非参数匹配方法，

参数方法主要包括1对1匹配、最近邻匹配、半径匹配、马氏距离匹配等；非参数方法主要包括基于内核的匹配估计量（Kernel）、局部线性回归（llr）等。

并通过比较各种方法的评估结果判断评估结果的稳定性。标准研究主要通过匹配变量的平衡性分析进行方法的确定，即通过对补偿组与非补偿组各匹配变量的标准偏差进行匹配平衡性检验来判断匹配效果的优劣。该检验的原理是通过控制匹配变量的差异，从而排除因变量差异对结果变量的影响，以便评估政策效应。根据Rosenbaum和Rubin的研究[22]，一般认为只要标准偏差的绝对值小于20就不会引起匹配的失效。

同时，为进一步检验匹配的效果，需要对处理组和控制组企业匹配变量的均值进行T检验，以判断二者是否存在显著差异。如果没有统计上的显著差异则可认为匹配效果满足要求；相反则必须改变匹配方法重新匹配[23]。本文选取参数方法的最近邻匹配法、半径匹配法、匹配估计量以及非参数方法的局部线性回归（llr）和内核匹配法进行平衡性分析，结果见表5。

从表5可知，非参数Kernel内核匹配法有三个协变量的标准偏差显著小于20%，只有dgdp的标准偏差略高于20%。而局部线性回归匹配方法llr有三个协变量的标准偏差绝对值显著大于20%；参数最近邻匹配方法dgdp变量的标准偏差为30.8%；半径匹配方法dgdp、farmincom、naturenum的标准偏差超过20%，并且forst也比较接近20%。这说明，Kernel内核匹配法的匹配效果是四种方法中最好的。

从表6可知，通过运用Kernel内核匹配法进行匹配，有25个补偿组样本和44个非补偿组样本落入共同支持区间，有39个补偿样本被剔除，这表明参与匹配的样本数是可以接受的。表7、8分别报告了运用kernel内核匹配法得出的辽东山区生态补偿的政策效应，即平均处理效应ATT为0.395，落入由0.039和0.841所围成的95%自助抽样置信区间。同时，95%置信区间并不包括0，这说明有95%的把握认为辽东山区生态补偿的政策效应是显著的。另外，ATT平均处理效应相对于未匹配前的平均绩效差距（0.950）小了0.555，这表明选择性偏差的效应比较大，在剔除之后，政策的效应只有0.395。

5生态补偿绩效影响因素分析

对于全样本回归而言，由于非补偿样本的引入，估计结果反映的是各因素对生态绩效的影响。为考察生态补偿绩效的影响因素，需要对补偿组进行面板回归，以考察什么因素影响补偿实施后生态绩效的大小。

5.1政策组短面板数据的检验及估计结果

首先确定面板模型类型：分别检验混合最小二乘法、固定效应、随机效应，可得固定效应优于混合效应，而随机效应优于固定效应。因此，本文将选择随机效应模型进行估计。

本文对短面板数据的异方差、自相关、截面相关性进行检验。经检验发现，该面板数据不具备截面相关性，但存在异方差和自相关。因此，采用随机效应聚类稳健的广义最小二乘法，该方法可以同时解决异方差和自相关问题，估计结果见表9。

5.2结果分析

从表9的参数估计结果来看，实施生态补偿16县的city变量系数绝对值更大，并且更显著，这反映了行政指令在生态补偿政策实施过程中的作用更加明显。对于全样本而言，生态绩效取决于各行政区的目标追求，而生态保护只是各市众多目标之一，这分散了行政效应；而对于补偿组，生态补偿政策的提出与实施本身就增加了一项行政任务。因此，各行政区会更加注重对这项工作的关注。另外，各县受上层地级市的行政管辖，各市都有自己的一套管理体制、规章制度、政治生态，政策执行的效率各有不同，也会造成生态补偿绩效的不同。这也与前面的统计结论相契合。

对于dgdp（财政赤字占比）而言，系数为正（3.782 303）且显著大于全样本系数（3.286 613），这表明生态补偿财政转移资金对缓解地方财政赤字的作用是明显的，而该资金又是以生态环境绩效的改善为要求，所以，

财政赤字占比越大，地方县对补偿资金需求越大，生态保护的行动越积极，绩效会随之改善。通过对补偿16县财政赤字的统计发现，所有县均处于财政赤字状况，这解释了为什么补偿组dgdp系数更大更显著。这个估计结果说明通过财政转移支付这种经济激励方式可以有效增加地方政府提供生态环境这种公共产品的动力。

核心解释变量中sgdp（第二产业占比）为负但不显著，fgdp（林业占比）为正也不显著，其他核心解释变量均显著。从各县林业占比的变量统计特征来看，林业占GDP比重较小，林业并不是重要产业，因此对绩效的影响较小。而第二产业的系数为负，说明产业结构对当地的生态具有制约作用，但影响不显著。而这种不显著很可能跟生态绩效评价指标的选取有关，因为指标中并没有过多考虑与工业生产相关的污染指标。pgdp（人均GDP）为正却在10%显著水平上显著，说明经济发展水平对生态绩效起促进作用。无论从理论还是现实的观察，都有理由认为经济发展水平越高，人均GDP越高，社会对生态环境保护的诉求越强烈。

最后，从时间效应来看，截距项为-0.655且在5%的水平上显著，说明生态补偿政策实施第一年（2009年）的平均生态绩效为-0.655。而第二年（2010年）则增加了0517且在1%水平上显著；第三年（2011年）增加了0240 5且在5%水平上显著，这种变化说明了生态补偿政策在逐年增加东部山区的生态绩效，生态补偿绩效是显著的；而到第四年（2012）生态绩效平均提高虽然为正，但是已经不显著。这种现象与前面的统计分析相吻合，原因在于随着生态补偿政策实施的逐年深入，各县、各市已经探索出项目平稳实施的方式、方法，政策的效果常态化、均衡化，生态绩效趋于平稳并逐渐收敛，这反映了政策实施效果的演化路径。

6研究结论

第一，运用熵值法对案例关注的综合生态绩效进行计算、比较，经过统计分析初步发现绩效最好的县均是政策影响县，其中，凤城市在2010年、2011年连续两年位居第一，绩效逐年提升。但也存在一些问题，清河、灯塔、弓长岭的生态绩效并没有较大提升，生态绩效甚至连年落后于未实施生态补偿的县。

第二，通过对补偿政策组与非补偿政策组以及按行政区划分的生态绩效比较发现，补偿政策以及行政归属对生态绩效影响是显著的。但是，初步的统计分析并没有考虑其他综合因素的影响，结果需要更科学的方法进行检验。

第三，运用面板回归方法，发现在控制了行政区划、时间、环保投资和森林资源现有存量后，补偿政策的效应为0.475，并且在1%水平上显著。这表明，辽东山区森林生态补偿政策是显著有效的。

第四，为了避免计量回归方法可能存在的样本选择问题，文章引入倾向得分匹配方法，在选择了恰当的匹配变量后，使用logit模型估计了接受生态补偿政策概率作为匹配参照的倾向得分，并对四种典型匹配方法进行平衡性分析比较，最终确定运用Kernel内核匹配法对平均处理效应（ATT）进行估计。结果显示补偿组与非补偿组平均处理效应ATT约为0.783，这与统计分析以及面板计量分析一致，即生态补偿政策效应是显著的。

第五，为考察生态补偿绩效影响因素，对补偿政策组样本进行面板回归并与全样本回归结果进行比较，发现行政区划与财政赤字占比分别在1%水平上显著，且财政赤字占比效应为正。由于现阶段生态补偿政策依然包含过多行政色彩，所以第二产业占比、林业占比、人均GDP等经济因素只有人均GDP在10%水平上显著。另外，通过年份时间变量的引入，考察了各年平均生态绩效的变化情况，并发现政策效应在逐渐趋于收敛，这也从另一个角度证实了补偿政策的实际效果。

（编辑：田红）

参考文献（References）

[1]秦艳红，康慕谊. 国内外生态补偿现状及其完善措施[J]. 自然资源学报， 2007，（4）： 557-567.[Qin Yanhong，Kang Muyi. A Review of Ecological Compensation and Its Improvement Measures [J].Journal of Natural Resources， 2007，（4）： 557-567.]

[2]Chevillat V， Doppler V， Graf R， et al. Wholefarm Advisory Increases Quality and Quantity of Ecological Compensation Areas[J]. Agrarforschung Schweiz， 2012， 3（2）： 104-111.

[3]Hein L， VanderMeer P J. REDD+ in the Context of Ecosystem Management [J]. Current Opinion in Environmental Sustainability， 2012，4（6）：4-11.