基于政策文本分析的中国城市生物多样性治理进展研究
摘要：城市生物多样性治理是全球生物多样性议题不可或缺的重要内容。政策文本制定是推进城市生物多样性治理的重要手段，开展政策文本的系统性研究，有助于了解治理进展和状况，但目前尚缺乏对中国城市生物多样性政策文本的系统性分析。
基于派森(python)语言，以1993年以来654份中国城市生物多样性治理政策文本为分析数据，通过机器学习的K-means无监督分类方法对地方政策文本进行聚类，并分别分析了中央政策文本和地方政策文本的分布特征、事权演变特征、内容特征、性质特征。结果表明，整体上，中国的城市生物多样性治理已取得主流化趋势明显、认识提升明显、工作框架基本形成等阶段性成果，但还存在政策层级较低、区域不均衡、缺乏多部门联动、性质失衡、针对性和创新性较弱、内容较空洞和要求欠科学等不足。最后，提出了加速主流化并完善工作框架、加强科学研究并推动政策升级、依托国家重大战略和重大工程并促进实践加速等提升治理水平的可能路径。研究成果能为中国未来的城市生物多样性治理及其政策制定提供借鉴。
城市生物多样性是“在人类住区及其边缘发现的生物的多样性和丰富性(包括遗传变异)以及生境的多样性”[1]125。生物多样性是生态系统功能的基础，它与生态系统服务之间存在一系列错综复杂但总体而言正向促进的联系[2]。城市生物多样性能帮助提升城市人群的身体健康、心理健康、社会健康，有助于改善城市地区的健康福祉水平[3-4]。保护城市生物多样性有着重要的意义和价值。
当前，全球正在经历“第六次生物大灭绝”，加强生物多样性保护已成为各国共识。城市生物多样性尤其需要得到更多关注，一方面，它是高强度人类活动与丰富生物多样性并存的区域[5]，也能够支持更多的受威胁物种[6]；另一方面，城市中人类活动强度更高，其生物多样性也受到更严峻的威胁。在国际上，通过城市自然保护地进行城市生物多样性保护的研究和实践已较常见[7-8]。
城市生物多样性保护的效能高度依赖于城市的公共管理政策。城市绿色空间是城市生物多样性的主要载体[9]，与绿色空间规划、设计、管理等相关的城市公共政策决定着城市生物多样性的保护成效，从城市生物多样性治理的专项政策出发，讨论城市生物多样性保护十分必要。在国际上，相关的研究针对日本[10]、马来西亚[11]等国展开，也有比较全球多国、多城市治理经验的讨论[12]。
中国在城市生物多样性治理方面也持续付出了努力。早在1993年，国务院办公厅就明确了城市生物多样性管理的事权部门为原建设部[13]，多年来一直通过行政治理手段推动城市生物多样性保护，专项政策文本能集中反映城市生物多样性治理上的努力和部署。但目前中国的相关研究多聚焦于影响机理阐释[14]、规划设计路径[15]、调控保育策略[16]等方面，还缺乏从专项政策顶层设计的层面进行系统研究。政策文本内容挖掘是厘清政策主题分布、梳理演变轨迹等的重要方法[17]，在人居环境学科中也已被应用于国土空间规划[18]、城中村改造[19]、风景名胜区制度[20]等方面，其科学性得到了充分证明。在这样的背景下，有必要运用政策文本内容挖掘方法对中国的城市生物多样性治理专项政策进行系统性分析。
鉴于此，立足政策顶层设计层面的视野，本文旨在回答有关中国的城市生物多样性治理专项政策的如下问题。1)具有怎样的分布特征、事权特征、内容特征和性质特征？2)取得了哪些经验成效，尚存在怎样的不足？3)未来走向如何？
1研究数据与方法
1.1数据
检索条件为：
1)检索数据库为“北大法宝·法律法规数据库(www.pkulaw.com/law)”，该数据库收录自1949年起至今的全部法律法规；
2)检索文件类型包括“中央法规”“地方法规”2类①；
3)检索与城市生物多样性直接关联的法律政策文本，即“城市”“生物多样性”2个关键词在政策文本的同句中出现；此外，鉴于1993起就由原建设部承担城市生物多样性治理事权，因此还增加了以“生物多样性”为关键词、由住房和城乡建设部(含原建设部)印发这一检索方式。
数据检索时间为2021年9月6日，共检索到现行有效的中央政策文本93部、地方政策文本792部，经逐一研读、剔除无关项后，最终建立了包括52部中央政策文本和602部地方政策文本的数据集。
1.2方法
中央政策文本数量较少，内容相对聚焦，因此在数据编码后进行人工研读分析。地方政策文本采用机器学习和人工研读相结合的方法进行分析。
1)政策文本分类。
基于派森(python)语言进行机器学习的无监督分类，提取政策文本中的名词以完成主题内容分类，提取动词进行政策性质分类。
主题内容分类的主要过程为：(1)通过结巴(jieba)库对政策文本分词，在scikit-learn库中建立TF-IDF(词频-逆文档频率)模型以精准提取高频特定关键名词，并形成602行×52222列的归一化关键词矩阵；(2)采用文本分析中的无监督分类算法k-means方法，依据轮廓系数(silhouettecoefficient)法确定最优聚类个数，将政策文本生成5个主题内容聚类；(3)在不同聚类下，将各篇文章中TF-IDF值最高的200个关键词汇总并按词频排序，人工判读后形成聚类标签。
性质分类的流程基本一致，但参考相关研究[19]，增加了提取动词感情色彩的环节，以文本中高频出现动词的感情色彩将政策文本分为“强制类”“鼓励类”“引导类”3类，当同一份文本出现多种词汇，则以总频次高的词汇色彩类型确定(表1)。
2)政策文本内容判别。
通过政策文本的优势关键词来判别其核心内容。方法为：根据发布时间、地域、部门级别等不同的分类模式将政策文本分类，分别提取其关键词并计算其优势度。计算公式为：
式中，Dij为i分类模式下的q分类中关键词j的优势度；Fij为i分类模式下的q分类中关键词j出现的频次；Ft为关键词j在所有政策文本中出现的频次。当Dijq＞0.5时，则认定在i分类模式下，j是q分类中优势关键词。这一算法能很好地识别出在特定分类模式下，某一分类在出现频次上更具优势的关键词，进而反映该分类的内容特征。
