城镇化对长江经济带农业碳排放的影响及其耦合关系研究

耿亮，彭灵通，魏玻，安彧

（湖北工业大学 理学院，湖北 武汉 430068）

农业是中国第一大基础性产业，以占世界9%的耕地养活了占世界1/5 的人口[1]。改革开放以来，中国城镇化率已由1978 年的17.92%上升到2020 年的63.89%，城镇化进程中的人口流动、能源消耗等因素将加大碳排放进而影响绿色农业的发展[2]。《国家新型城镇化规划（2014—2020 年）》明确表明“城镇化是解决三农问题的重要途径”，揭示了新型城镇化与农业现代化发展的共生性特征[3]。党的十九大报告指出，农业现代化与城镇化需同步发展。作为乡村振兴战略重要目标的农业现代化，意味着在实现农业强、农民富的同时，还得重视绿色农业的发展[4]。长江经济带是中国重要的农业生产区，农业增加值约占全国的40%，在全国农业发展中具有重要地位[5]。伴随着化肥、农药等农用物资的大量使用，长江经济带生态环境受到严重影响，农业可持续发展面临巨大压力。在长江经济带发展座谈会上，习近平总书记指出长江经济带的发展不仅要正确把握生态环境保护和经济发展的关系，还要积极推动新型城镇化建设，实现区域协调发展[6]。因此，在“双碳”背景下，研究城镇化对长江经济带农业碳排放的影响及其耦合关系，对于适应农业现代化发展需求和城镇化发展趋势具有重要意义，对推动城镇化水平与区域农业绿色发展具有一定的指导价值。

1 文献综述

关于城镇化对碳排放的影响研究，大致可分为两类：一类倾向于对城镇化和碳排放的关系检验。如RAFIQ等[7]认为城镇化与碳排放间不具备显著相关性；张腾飞等[8]认为倒“U”型曲线符合中国城镇化水平与碳排放间的关系；范建双等[9]通过引入城镇化水平二次项，发现“U”型曲线显著存在于城镇化与碳排放二者关系间。另一类倾向于相关因素在城镇化过程中对碳排放的影响。如COLE 等[10]证实影响碳排放的重要因素包括城镇化；LIDDLE[11]发现城镇化对节约交通能源有所助益，进而减少碳排放；林美顺[12]认为在城镇化进程中发展第三产业、降低能源强度等是减少碳排放的有效手段。

农业碳排放方面，现有研究可分为两类：一类聚焦于农业碳排放的测算，主要从农田利用[13]、农药使用[14]、农机灌溉[15]等方面对农业碳排放量进行测算。另一类聚焦于相关因素对农业碳排放的影响，主要从经济发展水平[16]、经济增长[17]、农业产业结构[18]等角度展开。关于城镇化对农业碳排放的影响研究较少[19-20]，主要基于全国视角，围绕人口城镇化单一维度展开，整体分析略显不足。

鉴于此，基于2000—2020 年长江经济带面板数据，构建城镇化和农业碳排放指标体系，采用偏最小二乘法与耦合协调度模型对两者的影响机制及其耦合协调关系进行深入探究，为推进区域城镇化水平与农业现代化、促进农业碳减排与高质量发展提供一定参考。与以往研究相比，创新点在于：指标上，综合人口—经济—社会—空间—生态环境五大维度测算城镇化水平，弥补单一维度的不足。思路上，将城镇化引入农业碳排放的影响因素，丰富了农业碳排放影响因素的研究。对象上，在长江经济带战略层面上进行考察，是对农业碳排放影响因素的分析扩展，也是对现有研究的有益拓展。方法上，结合层次分析法和熵值法进行主客观综合赋权，弥补单一赋权的局限性。

2 指标构建与研究方法

2.1 数据来源与处理

原始数据来自2001—2021 年《中国统计年鉴》《中国农村统计年鉴》《国民经济和社会发展统计公报》以及长江经济带各省市历年统计年鉴。针对部分无法直接获取的统计数据，采用二次计算（人均、地均）处理得到；针对个别缺失数据，采用年均增长率法进行补充。

2.2 指标体系构建

2.2.1 城镇化指标体系构建

参考相关文献资料[21-23]，综合人口、经济、社会、空间和生态环境五大维度考虑，共选取23 项指标构建城镇化水平测度指标体系（表1）。主观赋权法过于依赖个体经验，易受主观因素的影响，客观赋权法会在数据量较少时出现结果不准确问题[24-25]。因此，为提高指标赋权的科学性，将AHP 和熵值法相结合进行主客观综合赋权，避免了单一赋权法的局限性。

表1 城镇化水平测度指标体系

2.2.2 农业碳排放指标体系构建

目前，关于农业碳排放测度方法主要有IPCC 推荐的物料平衡法与碳转化系数法等。其中，物料平衡法更适用于石油等能源消耗碳排放的测度，而农业碳排放源主要包括化肥、农药、塑料薄膜等，多数学者采用碳转化系数法进行测度[26-28]。针对农业种植业生产过程中引起的碳排放情况，采用碳转化系数法测度，各类碳源的碳转化系数如表2 所示。

表2 农业碳排放源的碳转化系数

由于农机生产碳排放较复杂，故其计算公式为：

式中：C8代表农机生产碳排放量，C6代表折算后的农作物总播种面积碳排放量，C7代表折算后的农机总动力碳排放量。故农业碳排放总量计算公式为：

式中：C表示农业碳排放总量，Cn表示各类碳源的碳排放量。

参考相关研究成果[29-31]，从投入、产出、效益三大维度选取10 项指标构建农业碳排放综合指标评价体系（表3）。

表3 农业碳排放测度指标体系

2.3 研究方法

2.3.1 层次分析法

层次分析法（AHP）是一种将与决策相关的元素分解成不同层次，并进行定性和定量分析的决策方法。采用两两比较的方法建立判断矩阵A=(aij)p×p，其中指标i与指标j的重要性之比为aij。

式（3）～（5）中：CI表示一致性指标，λmax表示判断矩阵的最大特征值，RI表示随机一致性指标，CR表示一致性比例，p表示判断矩阵中的指标个数，Cj表示第j项指标的AHP 权重。

2.3.2 熵值法

熵值法根据各项指标值的变异程度对系统整体的影响来确定指标的权重。计算流程如下：

（1）选取指标：假定年份数为y，地区数为d，指标数为p，那么Xkij即为第k年期间i地区的第j项指标值。本文中y=21，d=11，p=23。

（2）数据标准化：运用极差法分别对负向、正向指标分别进行标准化处理，以实现指标数据量纲的统一。计算公式为：

正向指标：

式（6）、（7）中：Akij代表Xkij消除量纲影响后的标准化数值，minXkij代表第j项的最小值，maxXkij代表第j项的最大值。

（3）指标权重计算：

式（8）～（11）中：Pkij表示第k年i地区的第j项指标占该指标的比重，Ej、Dj分别表示第j项指标的熵值和差异程度，Wj表示第j项指标的熵值法权重。

最后将AHP 和熵值法进行结合，得到各指标的综合权重Kj。

2.3.3 偏最小二乘法

偏最小二乘法通过成分提取对变量包含的信息进行重组，适用于解决变量多重共线性和样本点数量不足等问题[32-33]。该方法原理为：

在研究自变量和因变量之间的关系时，构建数据矩阵X=(xij)np和Y=(yij)nq，其中包含了p个自变量x、q个因变量y和n个观测样本点，并分别提取第一主成分因子t1和u1，要求二者携带各自矩阵的变异信息和相关程度尽可能达到最大[34]。通过迭代回归，在方程达到满意精度时终止，否则继续进行第二主成分因子的提取，直至能显著解释变量变化。其中，变量投影重要性（VIP）是评估驱动因子重要性的关键指标。当VIP值小于0.8时，表明自变量对因变量来说是不重要因素；当VIP值在0.8 和1.0 之间时，表明自变量对因变量来说是重要因素；当VIP值大于1.0 时，表明自变量对因变量来说是极重要因素[35]。

2.3.4 耦合协调度模型

耦合度是指多个系统或要素之间互相影响的动态关系，耦合协调度则是基于这种关系形成的，能够更好地描述多个系统或要素之间的耦合协调发展水平。参考相关研究[36-37]，构建城镇化与农业碳排放之间的耦合度模型，其数学表达如下：

式中：C代表耦合度，U代表城镇化系统的综合得分，E代表农业碳排放系统的综合得分。在式（13）基础上形成的耦合协调度模型如下所示：

式中：D代表耦合协调度，T代表系统间的综合评价指数，α、β代表待定系数。由于城镇化与农业碳排放相互影响、地位同等，故取α=β=0.5。

借鉴相关研究[38-39]，C、D的等级划分标准如表4所示。

表4 耦合度与耦合协调度的等级划分标准

3 结果与分析

3.1 长江经济带各省市城镇化水平分析

3.1.1 各省市城镇化时序演变分析

2000—2020 年，长江经济带各省市城镇化水平呈现出波动性增长的态势，并且各省市之间存在显著差异（表5）。以2020 年为例，各省市城镇化水平按照从高到低的顺序排列如下：江苏（97.32%）、安徽（95.94%）、四川（95.43%）、 浙江（95.14%）、 云南（93.77%）、 湖南（92.18%）、 江西（90.60%）、 贵州（89.85%）、 上海（88.68%）、湖北（88.51%）、重庆（84.95%）。其中，江苏城镇化进程不断加快，城镇化水平稳居前列，超过长江经济带平均水平5 个百分点，表明江苏城镇的人口空间承载力、经济社会发展潜力、生态环境承载力得到进一步提升。而重庆位于西南边陲，自然本底较差，一定程度上导致城镇分布呈现西密东疏状态。从重庆近年来发展趋势看，其正逐渐进入城镇化稳定发展阶段，仍将有巨大的城镇化发展潜力。

表5 长江经济带各省市城镇化水平演变

3.1.2 各省市城镇化各维度演变分析

总体上，2000—2020 年长江经济带各省市生态环境城镇化占比逐渐降低，仍占据较高水平；社会与经济城镇化占比呈现先降后升趋势；人口与空间城镇化占比先升后降，逐渐稳定在18%左右（图1），说明各省市城镇化发展已经从单纯关注城镇人口空间占比的“量”转向关注多维度方面的“质”，实现综合发展。根据城镇化各维度占比数据分析可知，重庆主导类型已经从空间城镇化转变为生态环境城镇化；云南、贵州、安徽、湖北、湖南主导类型由人口城镇化转变为经济和社会城镇化并重发展；四川、上海、江苏、浙江主导类型由空间城镇化转变为经济和社会城镇化并重发展；江西主导类型由人口城镇化转变为生态环境城镇化。城镇化主导类型与其发展阶段息息相关，各省市城镇化主导类型可根据发展顺序划分为：人口城镇化→空间城镇化→生态环境城镇化→经济城镇化→社会城镇化。

图1 长江经济带各省市城镇化各维度占比变化

3.2 长江经济带农业碳排放空间异质性分析

采取每5 年为一个时间段，将整个观测期划分为2000—2004 年、2005—2009 年、2010—2014 年和2015—2020 年4 个阶段。考虑到各省市碳排放量差异较大，采用自然断点法进行等级划分，依次分为最高级、次高级、一般级、次低级和最低级五个等级，实现各类别之间的差异最小化。同时借助ArcGIS 软件生成的相关数据结果示于图2。

图2 长江经济带农业碳排放空间分布

由图2 可知，观测期内，农业碳排放等级一直处在最高级的是安徽省，由于安徽是我国重要的粮食主产区之一，水稻种植面积广泛，致使其农业碳排放量较高；相反地，农业碳排放等级一直处在最低级的是上海市，其排放量呈现下降趋势，从2000—2004 年的112 080 万吨减少到2015—2020 年的87 548 万吨。一方面农地资源相对紧张，农业生产规模有限，导致上海农业碳排放量明显低于其他省市；另一方面，上海是我国的第一大城市，非农产业的蓬勃发展迫使其必须转向发展绿色低碳的现代都市化农业，从而大幅减少了农业碳排放量。总体上，2000—2004 年和2005—2009 年，各省市农业碳排放量波动变化，只有湖南的排放等级发生改变，由最高级下降为次高级。在2010—2014 年，除上海和浙江外，各省市农业碳排放量相较于前一阶段均呈现增加趋势，其中，重庆和浙江的排放等级由次低级下降至最低级，江西由一般级下降至次低级，江苏由最高级下降至次高级。而在2015—2020 年，多数省市农业碳排放量均呈现增加趋势，其中贵州由次低级升为一般级，云南由一般级升为次高级，湖南由次高级升为最高级，而重庆、浙江由最低级变回为次低级，江西由次低级变回为一般级，江苏由次高级变回为最高级。

3.3 城镇化对农业碳排放的影响分析

3.3.1 偏最小二乘回归分析

基于前文对长江经济带各省市城镇化和农业碳排放的定性分析，将23 项城镇化指标作为自变量x，将农业碳排放量作为因变量y，构建偏最小二乘回归模型（PLS模型），进一步定量分析城镇化对长江经济带农业碳排放的影响，回归结果如表6 所示。

表6 长江经济带各省市PLS模型回归情况

由表6 可知，各省市PLS 模型提取的有效成分对自变量与因变量的解释能力均较强，说明模型拟合效果较好。从回归方程来看，x2、x14、x22、x23的回归系数主要为负值，说明其具有抑制农业碳排放的效果；其余指标回归系数主要为正值，说明其具有促进农业碳排放的效果。当城镇化水平每提高1%，各省市农业碳排放量相应变化如下：重庆（+0.92%）、四川（+5.31%）、贵州（+22.51%）、云南（+11.27%）、江西（+7.7%）、湖北（+16.74%）、湖南（+12.50%）、上海（-3.23%）、江苏（+15.13%）、浙江（-12.37%）和安徽（+10.36%）。

3.3.2 变量投影重要性分析

为了更深入地研究各因素对农业碳排放的影响程度，运用SIMCA-P 软件进行VIP值的计算，具体结果见图3。各项因素对解释农业碳排放量的重要性程度存在显著差异，例如，x3在重庆、上海和江苏地区的VIP值小于0.8，因此可视为不重要因素，在四川和江西地区，VIP值位于0.8 至1 之间，可视为一般重要因素，而在贵州、云南、湖北、湖南、浙江和安徽地区，VIP值大于1，可视为极重要因素。综合来看，二、三产业就业人员占总就业人员比重（x4）、人均国内生产总值（x5）、城镇居民人均可支配收入（x8）、卫生技术人员（x9）、全社会固定资产投资总额（x11）、人均教育经费（x13）、万元GDP 能耗（x18）等因素在影响农业碳排放量方面扮演着极其重要的角色，这表明城镇化对长江经济带农业碳排放的影响主要体现在人口、社会、经济和生态环境城镇化这四个维度。

图3 长江经济带各省市变量投影重要性

3.4 城镇化与农业碳排放的耦合关系分析

3.4.1 各省市城镇化与农业碳排放的耦合度分析

长江经济带各省市呈现出较高的城镇化和农业碳排放之间的相互作用，在观测期内，这种相互作用的耦合度均高于0.6，并呈现出逐渐增强的趋势（图4）。耦合度主要处在磨合阶段与高水平耦合阶段，说明二者间具有较强的相互作用关系，且程度在逐渐增强。20 年间重庆、江西、上海和浙江一直处在高水平耦合阶段，耦合度分别由0.906 0、0.914 1、0.962 1 和0.959 3 增大到0.950 2、0.929 8、0.988 9 和0.984 2，其他各省市都经历了由磨合阶段向高水平耦合阶段的过渡。表明长江经济带城镇化与农业碳排放间存在较为良好的共振性，二者间差异较小，呈现出一种共振式的协调发展局面。

图4 各省市城镇化与农业碳排放耦合协调情况

3.4.2 各省市城镇化与农业碳排放的耦合协调度分析

由图4 可知，长江经济带城镇化和农业碳排放之间呈现出同步协调的发展状态，具体而言，二者的耦合协调度平均值从0.504 9 增大到0.800 1，从勉强协调发展为良好协调，表明城镇化对农业碳排放具有显著的正反馈作用。具体来看，各省市耦合协调度差异明显，其中，四川、上海、浙江由勉强协调转变为良好协调；江苏由勉强协调过渡为濒临失调，而后转变为良好协调，由0.512 3 增长到0.809 8；湖北、湖南由勉强协调转变为中级协调；重庆由轻度失调过渡到良好协调，而后转变为中级协调，从0.396 8 增长到0.784 5；江西、安徽由勉强协调过渡到良好协调，而后转变为中级协调；贵州由勉强协调过渡到濒临失调，而后转变为中级协调，从0.505 0 增长到0.770 7；云南情况最为复杂，首先由勉强协调过渡到濒临失调，而后转变为中级协调，继而过渡到初级协调，最终又回到中级协调，其耦合协调度由0.537 7 增长到0.774 9。

为进一步分析各省市耦合协调度差异情况，基于2000 年、2005 年、2010 年、2015 年和2020 年等主要年份各省市耦合协调度结果，运用ArcGIS 软件采用自然断点法来直观地展示其差异情况，结果如图5 所示。

图5 城镇化与农业碳排放耦合协调度空间分布

由图5 可知，长江经济带城镇化与农业碳排放耦合协调度水平实现整体失调到协调转变。2000 年，仅重庆处于轻度失调阶段，其他省市均处于濒临失调或勉强协调阶段。2005 年，各省市均趋向于良性发展，耦合协调度水平所处阶段均得到提升或保持不变，其中重庆由轻度失调转变为勉强协调阶段；上海、浙江由濒临失调转变为初级协调阶段。2010 年，各省市仍趋于良性发展，除江西和上海外，各省市所处阶段均有所提升。2015 年，仅云南处于初级协调阶段，其他省市已转变为中级协调或良好协调阶段。2020 年，各省市均已达到协调阶段，其中四川、上海、江苏和浙江处于良好协调阶段，其余省市均处于中级协调阶段。

4 结论与讨论

4.1 结论

在区域一体化视角下，科学构建指标体系，利用空间格局分析工具，对长江经济带2000—2020 年城镇化与农业碳排放情况进行测度，采用偏最小二乘法与耦合协调度模型对二者的影响机制与耦合协调关系进行研究。主要结论如下。

（1）各省市城镇化水平整体呈波动增长趋势，按发展阶段顺序可分为：人口城镇化→空间城镇化→生态环境城镇化→经济城镇化→社会城镇化。

（2）农业碳排放空间差异明显。多数省市经历过等级演变，或由高至低，或由低至高，或低高往复；但安徽农业碳排放一直处在最高级，上海一直处在最低级，且排放量呈下降趋势。

（3）人口、社会、经济、生态环境城镇化对上海和浙江农业碳排放影响以抑制作用为主，对其他省市以促进作用为主。其中，二、三产业就业人员占总就业人员比重、人均国内生产总值、城镇居民人均可支配收入、卫生技术人员、全社会固定资产投资总额、人均教育经费、万元GDP 能耗是极重要的驱动因素。

（4）城镇化与农业碳排放之间耦合度较高，呈增长态势；耦合协调度空间差异显著，平均值从0.504 9 增大到0.800 1，由勉强协调转变为良好协调。截至2020 年，各省市均已达到协调阶段，其中四川、上海、江苏和浙江处于良好协调阶段，其余各省市均处于中级协调阶段。

4.2 讨论

研究城镇化对长江经济带农业碳排放的影响及其耦合关系，对推进长江经济带城镇化水平与农业现代化，促进区域农业碳减排与高质量发展提供重要的理论参考。长江经济带发展应确保落实《国家新型城镇化规划（2014—2020 年）》，充分考虑区域异质性，因地制宜制定政策，转变高速低质的发展特点，着力推动城镇化质量与内涵的提升。针对城镇化水平较高的省市，如江苏等，应在其自身优势基础上，加速推进传统粗放型发展模式的转变，促进多系统的协调发展。针对城镇化水平较低的省市，如重庆等，应加快建立健全的社会保障体系与城镇公共服务，避免因盲目追求高速发展、快速赶超而引起的空洞化与无序化发展问题。根据生态文明建设与有效解决“三农”问题的宗旨，首先，应转变农户的传统观念，增强绿色低碳生产意识；其次，完善政策惠农与财政支农体制机制，加大财政投入力度促进农业产业向集约化、绿色化及低碳化方向转型。促使各省市农业生产朝生态、绿色、有机的可持续发展道路迈进，并以此来降低农业碳排放，促进城镇化与农业低碳生产协调发展。

由于统计数据获取的局限性，多维度构建城镇化与农业碳排放综合评价指标体系时数据的系统性有待进一步完善。另外，依据陈胜涛等[40]的研究，农业碳排放不仅限于种植业，还应包括畜禽养殖业等，因此在农业碳排放的测度方面应进一步细化，要考虑农业整体产业的碳排放情况。未来研究可将城镇化对农业碳排放的影响机理进一步丰富与完善，对二者耦合关系的区域异质性进行深入探讨。