基于面板数据的PVAR模型分析安徽省城镇化对农业碳排放的影响

曾 珍 韩纪琴 吴义根

(1．南京农业大学 经济管理学院，南京 210095;2．池州学院 商学院，安徽 池州 247000)

十九大报告指出：要推动新型城镇化和农业现代化同步发展。农业现代化是实施乡村振兴战略的重要目标，不仅要实现农业强，农民富，更要注重农业发展的绿色化。国家统计局公告显示：2019年底，中国的城镇化率已达60.60%[1]。城镇化过程中的人口流动、土地开发、产业转移和能源消耗等都会加大碳排放从而影响到绿色农业的发展。2020年是我国全面建成小康社会实现之年，中央一号文件再次强调要治理农村环境污染，推进农业高质量发展[2]。面对中国城镇化的发展态势和农业现代化的高质量发展要求，评估城镇化对农业碳排放的影响具有重要意义，特别是对于安徽省这样的农业大省具有一定的指导价值。

在农业发展由数量型向质量效益型转变的迫切需求下，农业碳排放问题成为国内外学术界研究的焦点，研究内容主要集中在农业碳排放的测算及区域碳排放的影响因素两大方面。在农业碳排放的测算上，目前的研究普遍认为土地利用变化、畜牧养殖和农作物生产过程是造成农业碳排放的主要来源，并分别从农地利用[3-4]、畜牧养殖[5]、粪肥排放和生物质燃烧[6]、肠道发酵和农业废弃物管理[7]、农药和塑料薄膜使用[8]、农业机械和灌溉[9]等方面根据不同地区的特点测算了农业碳排放量。在区域碳排放的影响因素上，已有研究主要从技术进步[10]、经济发展水平[11]、产业结构[12]、能源结构和效率、国际贸易和投资[13]和城镇化[14-15]等角度展开。

其中，关于城镇化与碳排放的关系研究，最早于20世纪90年代开始，研究结论存在很大差异。部分学者认为城镇化对碳排放是正向促进效应，如Parikh等[16]用多元回归的分析方法发现城镇化在83个发展中国家显著促进碳排放。Wang等[17]研究报道，1989—2009年东盟国家城市人口增加1.0%，碳排放增加0.2%。Zhang等[18]和张腾飞等[19]的研究也证明中国的城镇化与碳排放是正向相关关系。但有学者研究表明城镇化对碳排放的关系呈现先上升后下降的“倒U型”[20-21]，也有研究认为两者之间是与之相反的“正U型”[14,22]。Xu等[23]基于1990—2011年中国30个省市的面板数据，论证了城镇化对于碳排放的影响存在区域差异，在东部地区呈现“倒U型”，中部地区呈现“正U型”，西部地区两者相关关系不显著。可以看出，大多数文献都是探讨城镇化对总体碳排放的影响，很少文献聚焦到对农业碳排放的影响，在少有的探讨城镇化和农业碳排放关系的研究中，仅讨论了城镇化对农业碳排放的直接影响[24]。

综合已有研究报道，城镇化对农业碳排放具有“制动”与“驱动”双重效应，见图1。

图1 城镇化对农业碳排放的影响效应[25]

关于人口城镇化、土地城镇化和农业碳排放三者之间的交互影响，尤其1个变量受到冲击后对其他变量产生影响的研究鲜有报道。基于此，本研究以2000—2017年安徽省16个地级市农业碳排放数据为基础，从人口城镇化和土地城镇化2个视角，分析安徽省整体和各区域(皖南、皖中和皖北)农业碳排放受城镇化的影响，旨在深入到市级层面探究两者之间的关系，提出不同地区相应的发展思路，以期为转型时期的安徽省发展决策提供一定的参考。

1 研究方法和数据来源

1.1 研究方法

采用Love 等[26]构建的面板向量自回归(PVAR)模型，构建PVAR模型如下：

(1)

式中：yit=(cqsn,urpop,urland)′，包含3个变量的列向量；i和t分别表示城市和时间；cqsn，碳排放强度；urpop和urland表示人口城镇化和土地城镇化；m，滞后阶数；βj，各滞后项系数，表示对yit的解释程度；fi，个体固定效应向量；de,t，时间效应向量；eit，随机扰动项；其中安徽省16个地级市异质性是通过个体固定效应来衡量的，而时间效应反映每个时期特定冲击效应。

按照一般的分类方法，将安徽省分成3大区域：皖南、皖中和皖北地区。分区域来了解人口城镇化、土地城镇化对农业碳排放影响的差异性。

1.2 变量与数据说明

1.2.1变量说明

城镇化测度上，分成人口城镇化和土地城镇化。人口城镇化的测算方法是计算非农人口占在业人口的比例，土地城镇化是计算地区建成区面积占地区总面积的比例。

目前，对于农业碳排放核算方法较多，本研究主要核算农业种植业生产过程中带来的农业碳排放强度，即各市农业碳排放量与该市农业总产值的比值，为了消除价格因素带来的影响，农业总产值已经平减，基期为2000年。主要参考梁青青[9]和尧波等[27]的碳排放系数转化法来对安徽省各市(县)农业碳排放进行估算，安徽省农用地碳源主要来自于塑料薄膜、化肥、农药、农机和农田灌溉等环节，见表1。

另外,农机生产的碳排放较复杂,具体计算公式如下：

C7=(C5×16.47)+(C6×0.18)

(2)

式中:C7，农机使用引起的碳排放量，kg；C5，农作物的播种面积折算的碳排放量,kg；C6，农业机械总动力折算的碳排放量,kg。因此，农业碳排放总量即各碳源碳排放之和:

C=∑nCn

(3)

式中:C，农业碳排放总量,kg；Cn，各类碳源的碳排放量,kg。

表1 农业碳排放各类碳源的转化系数

1.2.2数据来源

本研究对象为2000—2017年安徽省16个地级市的数据。考虑到2011年巢湖市撤市合并，本研究将2000—2010年巢湖市数据中的庐江县归合肥市，无为县归芜湖市，含山县与和县归马鞍山市。并且，由于2015年枞阳县划到铜陵市，为保证统计的一致性和连续性，从2015年起将铜陵市里的枞阳县数据仍然归入到安庆市。涉及到的关于城镇化及农业碳排放的原始数据均来自2000—2018年的安徽省统计年鉴[31]，部分无法直接获得的统计数据，通过对原始数据计算得出。表2是各个变量的统计性描述。

表2 安徽省地级市相关变量的描述性统计分析

2 基于PVAR模型的实证检验及分析

2.1 数据平稳性检验

本研究依据Harris等[32]的方法(简称HT检验)，考虑到存在时间趋势和截面相关，要进行数据平稳性检验。为了减少数据的异方差，在检验之前将原序列分别取自然对数，新的序列为：人口城镇化对数(Lurpop)、土地城镇化对数(Lurland)和农业碳排放强度对数(Lcqsn)。HT检验、LLC检验和费雪ADF检验结果均表明3个变量序列是平稳的。

2.2 PVAR结果分析

使用MMSC统计量法[33]，选择PVAR模型的最优滞后阶数为1阶，接着使用Helmert Procedure(前项均值差分法)去除PVAR动态面板模型中的个体固定效应，进而选取滞后变量作为工具变量估计系数[24]。

由表3可知，在被解释变量为Lcqsn的方程中，人口城镇化滞后1期Lurpop(t-1)对农业碳排放强度产生了极显著负向影响(P≤0.01)。土地城镇化滞后1期Lurland(t-1)对农业碳排放强度产生显著正向影响(P≤0.05)，可能是土地城镇化程度越高，对以化肥与农药为代表的土地节约型技术依赖度越高，导致碳排放强度增加。农业碳排放强度滞后1期对其自身的影响为正，达到了显著水平，这说明农业碳排放强度自身累积效应比较大，土地城镇化滞后1期Lurland(t-1)对人口城镇化有极显著正向影响，即土地城镇化程度越高，人口城镇化程度也越高，人口城镇化滞后1期Lurpop(t-1)对自身有正向累积效应。而在第3个方程中，人口城镇化滞后1期Lurpop(t-1)对土地城镇化影响为正，但不显著，原因可能是目前，中国土地城镇化远远快于人口城镇化[34]，快速发展的城市建设带动了农村人口向城市的转移。

表3 安徽省PVAR模型的GMM估计结果(n=256)

2.3 脉冲响应分析

为进一步理清城镇化对农业碳排放影响的传导机制和路径，需要观测脉冲响应趋势，设定持续10期的脉冲响应来分析。由图2(a)～(c)可知，安徽省土地城镇化对人口城镇化有长期正向促进作用，而土地城镇化对农业碳排放的影响虽为正，但这种影响不显著，说明安徽省土地城镇化并没有直接导致农业碳排放的增加。

图2 安徽省地级市脉冲响应冲击图(蒙特卡洛模拟1 000次)

由图2(d)和(f)可知，人口城镇化带动了土地城镇化发展。人口城镇化的冲击效应对农业碳排放产生显著负向影响，这种负向影响逐渐增大，说明伴随着人口城镇化进程，农业碳排放强度会逐渐降低，即人口城镇化有利于缓解农业碳排放的强度。

2.4 方差分解

由表4可知，在第2期，人口城镇化对农业碳排放强度变动的贡献大约2.1%，而土地城镇化的贡献约为0.7%，农业碳排放强度对自身冲击的贡献度为97.2%。第3期各自贡献分别为4.6%、1.4%和94.1%。随着时间的延续，人口城镇化对农业碳排放强度的贡献逐渐增大，在第10期达到13.3%，土地城镇化的贡献在第5期达到最大值后略有下降，第10期的贡献为1.5%。总体来讲，农业碳排放强度的变动受人口城镇化的影响要高于土地城镇化的影响，而其最大的影响因素是来自于自身。

在第1期人口城镇化对自身冲击为100%，在第2期农业碳排放对人口城镇化变动的影响为3.1%，人口城镇化对自身冲击的影响降为92.3%，土地城镇化对人口城镇化变动的影响为4.5%，农业碳排放强度在第7期达到最大值后略有下降，而土地城镇化对人口城镇化变动的贡献逐渐增大，第10期的贡献达到37.1%，土地城镇化影响了人口城镇化。从土地城镇化角度发现，人口城镇化对土地城镇化变动的贡献在第4期达到最大值为4.9%，然后逐渐下降，第10期贡献下降为3.0%，人口城镇化并不是土地城镇化的最主要因素。

总体而言，安徽省人口城镇化对农业碳排放的冲击效应为负，而土地城镇化对农业碳排放的冲击效应为正，可能是因为人口城镇化降低农业从业人口，减小农业的生产规模。而土地城镇化伴随着农用耕地的减少，造成农业的土地要素使用压力，使得农业生产过程中增加复种指数，更多地使用化肥、农药和机械设备，导致农业碳排放的增加。同样，城镇化过程中土地扩大的速度要快于人口增加的速度，土地扩张带动人口城镇化的进程。

2.5 城镇化对农业碳排放影响的区域异质性分析

由表5可知，安徽省3个区域农业碳排放的估计结果存在较大差异，分区域考察是很有必要的。方程(1)中，皖南地区的3个滞后变量对农业碳排放的影响系数及符号与全省的一致，但绝对值高于全省数据。方程(1)3个滞后变量的系数均显著，人口城镇化对农业碳排放强度为负向影响，而土地城镇化对农业碳排放强度为极显著的正向影响，农业碳排放强度具有正向累积效应。皖中和皖北地区的人口城镇化和土地城镇化对农业碳排放未有显著影响。可能是人口城镇化和土地城镇化对农业碳排放的制动和驱动作用相当，正负效应相互抵消。此外，安徽省各地级市城镇化水平呈现显著区域差异，皖中和皖北地区城镇化水平相对于皖南较低，这可能与其资源较为贫乏、经济发展水平较低等因素有关。在方程(2)中，3个滞后变量在3个区域以及安徽省整体3个模型中系数符号一致，但绝对值大小不一样，皖南地区土地城镇化对人口城镇化的影响显著低于皖中地区，而且人口城镇化对自身影响不显著。在方程(3)中，皖南和皖中2个地区的人口城镇化对土地城镇化的影响显著为正，皖中地区人口城镇化对土地城镇化影响系数是皖南地区的3倍，原因可能是皖南地区人口密度相对较小，皖中和皖北地区人口密度大、农业人口多，且坐落在经济发展的中心合肥市附近，合肥市吸引着大量的农业人口涌入，城区建设扩张较快。

表4 安徽省各变量方差分解结果

表5 安徽省PVAR模型的GMM估计结果

综上，安徽省城镇化区域差异比较显著，皖中和皖北地区城镇化水平较皖南地区低，其主要原因在于皖南地区紧邻东部发达地区，拥有较大的地理区位优势，经济较为发达，且生态环境更为优越，人口密度相对较小。而皖北地区资源相对贫乏，工业化水平较为落后，人口密度大且农业人口多。在皖中地区，合肥市的发展建设很大程度带动了土地城镇化水平。皖南地区城镇化对农业碳排放的影响和安徽省保持一致，而皖中和皖北地区则呈现相反的影响趋势，人口城镇化对农业碳排放呈现正向影响，而土地城镇化呈现负向影响，两者效应均不显著。

由图3、图4和图5可知，皖南地区的农业碳排放强度对土地城镇化的一个标准差冲击立即产生一个正向影响，虽然呈现上升趋势，但这种影响不显著，冲击带来的影响会在第3期结束，这种影响持续时间不长，与安徽省稍微存在一些差异。而皖中和皖北地区的农业碳排放对土地城镇化的一个标准差分别产生了正向和负向的冲击，且冲击效应不显著。

图3 安徽省皖南地区脉冲响应冲击图(蒙特卡洛模拟1 000次)

图4 安徽省皖中地区脉冲响应冲击图(蒙特卡洛模拟1 000次)

图5 安徽省皖北地区脉冲响应冲击图(蒙特卡洛模拟1 000次)

皖南地区的农业碳排放强度对人口城镇化一个标准差产生显著负向冲击，冲击效应逐渐增加，一直持续到第10期，冲击效应的增速较快，持续时间较长，与安徽省全省的结果基本一致，但冲击效应增加的速度显著高于安徽省。皖中地区和皖北地区冲击影响为正，这种影响不显著。

皖南地区人口城镇化一个标准差的冲击对土地城镇化产生先正向后负向的影响，但不显著，皖北地区也不显著。而皖中地区在第1期达到最大值后逐渐衰减，但从第2期开始，这种冲击影响不显著。皖南地区土地城镇化一个标准差对人口城镇化的冲击效应为正，在第2期达到最大值后开始逐渐衰减，这种正向影响持续时间长且较为显著，皖中地区和皖南地区比较相似，皖中地区在第1期达到最大值后开始衰减，到了第6期这种影响几乎为0，而皖北地区影响不显著。

由表6可知，在第2期，皖南地区人口城镇化变量对农业碳排放强度变动的贡献占比1.0%，土地城镇化对农业碳排放变动贡献为0.4%，而农业碳排放强度对自身变动贡献最大为98.6%。皖中地区的人口城镇化对农业碳排放强度变动的贡献为2.2%，土地城镇化对农业碳排放强度变动的贡献为3.2%，而皖北地区人口城镇化对农业碳排放强度变动的贡献占1.4%，土地城镇化对农业碳排放强度变动的贡献为0.6%。皖南地区人口城镇化对农业碳排放强度的变动逐渐上升，在第10期达到最大值为3.9%，土地城镇化贡献不大，仅0.5%。而皖中地区人口城镇化对该地区农业碳排放强度变动的贡献一直在上升，到第10期已经达到9.4%，土地城镇化对农业碳排放强度变动的贡献度达到2.8%。在皖北地区，人口城镇化对农业碳排放强度变动的贡献最大值为4.6%，但是土地城镇化对农业碳排放变动的贡献一直在增大，到第10期达25.0%，占1/4。

表6 安徽省皖南、皖中和皖北地区各变量的方差分解

综上所述，皖南地区土地城镇化显著加速人口城镇化，人口城镇化又显著降低农业碳排放，而皖中和皖北地区城镇化对碳减排的效应不显著。尤其是皖北地区，地理位置处于相对劣势，经济发展相对较弱，城镇化率虽然在增长，但其水平比其他2个地区要差。皖中地区包含省会合肥市，近些年随着城市建设的加速，带动皖中地区城镇化的发展，但整体来说城镇化率仍然低于皖南地区，对降低农业碳排放的作用不显著。皖南8个城市中有7个城市属于长三角城市群成员，相较于皖中和皖北地区，具有区位优势，城镇化率最高，交通更为便捷，旅游服务业发展迅速，通过吸引大量农村劳动力转移就业，产业结构得到优化。在融入长三角地区的发展进程中，积累一定的人力资本和知识创新，由此产生的技术扩散效应提高了全要素生产率，对农业碳排放起到显著的抑制效用。

3 讨论与结论

本研究主要考察人口城镇化和土地城镇化对安徽省农业碳排放的影响，通过构建PVAR模型，采用GMM的方法进行估计。并得出以下结论：

第一，根据PVAR模型回归系数和脉冲响应分析结果说明，人口城镇化会减少农业碳排放，土地城镇化会增加农业碳排放，说明不同渠道城镇化对农业碳排放的影响存在一定差异。这一结论和已有报道不一致，武春桃[24]研究认为土地城镇化能显著降低农业碳排放，而人口城镇化的碳减排作用并不显著。究其原因，可能在于研究对象、研究方法和数据选择均不同。武春桃[24]的研究是基于1997—2011年中国的省级面板数据，而本研究是基于安徽省2000—2017年的市级面板数据，因此，更加凸显本研究深入到市级层面探索城镇化和碳排放关系的必要性。从回归系数的大小来看，皖南地区的回归系数较大，皖北和皖中地区的较小，且未达到显著水平。脉冲响应强度也显示，皖南地区人口城镇化冲击效应大，持续时间长，冲击效应增加的速度快，而皖中和皖北地区冲击不明显，表明人口城镇化和土地城镇化对农业碳排放的冲击存在明显的区域差异。

第二，根据方差分解的结果，人口城镇化对农业碳排放变动的贡献在皖南、皖中和皖北三大区域中都出现增长的趋势，其中贡献最大的是皖中地区，农业碳排放的变动中人口城镇化的贡献率高达 9.4%，皖北次之，皖南贡献最小，最高仅为3.9%。同时，在土地城镇化对农业碳排放变动的贡献方面，3个区域也有所不同，皖北地区土地城镇化对农业碳排放变动的贡献呈上升趋势且最大为25.0%，皖中次之，皖南最小。

4 建 议

因此，提出两点建议：

第一，充分发挥人口城镇化对农业碳排放的制动作用，配置管理好农用土地资源。建立健全城乡间资源流通的渠道和相应的社保和教育等配套措施，以人为本，加速人口“进城”。根据不同地区实际情况制定好工业用地和商业用地的比例，完善土地征用制度和补偿制度，注重保护基本农田和林地等自然资源，保障安徽省全省森林面积，提升生态系统碳汇能力，转变农作物的耕种方式，避免对农林用地被过度挤占造成的碳排放增加。皖南地区要增强城市的综合承载力和可持续性，吸纳更多的农村劳动力。

第二，加强推进集约和节约，在有效利用资源、保护环境的前提下开展城镇化进程。鼓励农民使用农家肥和生物农药，推广农业清洁型生产技术，加大财政投入支持低碳农业。皖南地区要继续发挥自身区位优势，深入融合到长三角城市群发展战略，优化城镇布局。强化合肥作为中心城市的增长极作用，带动皖中、皖北地区城镇化建设。适度扩张皖北地区新的节点城市规模，适时调整行政区划，推进交通连接，促进皖南和皖北结对帮扶和园区共建，利用国家新型城镇化试点省的政策机遇，探索出农业大省集约、节能和低碳的新型城镇化道路。