中国329个城市中的农业与环境协同效率：时空格局、动态分解及结构驱动因素

《Journal of Cleaner Production》：Agro-environmental synergy efficiency in 329 Chinese cities: Spatiotemporal patterns, dynamic decomposition, and structural drivers

　　• 为329个城市建立了整合碳排放和碳汇的城市级数据集。• 华北平原上存在一条持续的低效率带，且没有出现趋同现象。• 效率提升主要得益于管理改进，而非技术进步。• 西部地区的静态效率得分较高，但动态趋势持续下降。

引言
近年来，全球温室气体浓度的持续上升使得农业部门在气候治理议程中的重要性日益凸显（Franks和Hadingham，2012；Nsabiyeze等人，2024）。与能源消耗和工业生产等领域的碳治理不同，农业碳排放管理需要同时考虑粮食供应功能和生态系统服务功能（Hao等人，2023；Huang等人，2024；Liu等人，2023）。农业生产中的资源投入、土地利用和生态管理不仅影响温室气体排放水平，还直接影响区域碳封存能力和农业可持续性（Li等人，2026；Wang等人，2024）。在中国“双碳”目标背景下，农业的绿色转型不仅需要降低碳排放强度，还需要在提高农业生产力的同时维持生态系统碳封存能力。同时，中国的农业系统面临着多重压力，包括不断增长的粮食需求、农业生产扩张以及城市化带来的土地资源竞争（Feng等人，2024，2025a，2025b）。这些压力在农田保护、农业生产能力提升和维持生态碳汇之间造成了复杂的权衡。因此，平衡农业生产与有效的碳排放控制以及持续增强碳封存能力已成为可持续农业发展的核心挑战。

对农业生产与环境保护协同效率的科学评估为制定绿色发展政策提供了关键的实证基础。现有研究通常将碳排放视为不良产出，将碳汇视为理想的生态产出，并将其纳入数据包络分析框架（Ren等人，2022；Wu等人，2024）。这些研究还相对系统地理解了省级层面农业绿色全要素生产率的空间和时间差异及其增长来源（Bai等人，2024；Long等人，2023）。然而，大多数研究集中在省级单元上，这使得难以捕捉更细粒度空间尺度上的农业生产与环境效应的结构性差异。这一局限性在中国尤为明显（Li和Chen，2025；Teng等人，2025）。在中国，农业政策通常在中央政府的总体协调下制定，并通过涉及省级、市级和县级政府的多层治理体系实施。市级和县级政府主要负责政策执行，并根据地方情况推广绿色技术和农业环境治理（生态环境部和农业农村部，2018）。与此同时，城市层面的农业生产表现出显著异质性，不同类型的农业在要素配置、碳排放强度和碳汇能力方面存在差异（Lu等人，2025；Yang等人，2025）。在省级层面，这些差异往往被平均化，从而削弱了研究结果的空间相关性和政策意义。

在方法论上，现有关于农业绿色效率和农业生态效率的研究主要采用了数据包络分析（DEA）、随机前沿分析（SFA）以及基于资源消耗和环境压力的综合评估方法。其中，DEA及其扩展版本通过考虑不良产出（如碳排放）来评估农业系统在多个投入和产出方面的相对效率（Chen等人，2021）。相比之下，SFA通过指定生产函数来识别技术效率低下，但其结果对假设的功能形式非常敏感（DeLay等人，2022）。以往的研究一致显示了农业绿色效率的显著区域差异；然而，效率表现及其影响因素在不同空间尺度上仍存在高度异质性（Zhang等人，2024）。对于动态变化分析，Malmquist指数、Malmquist–Luenberger指数和生产率分解方法已被广泛用于识别效率提升的来源（Hamid和Wang，2022；Zhang等人，2024）。现有证据表明，农业绿色效率的提升受到资源条件、管理实践和技术进步的共同影响，尽管这些因素的贡献在不同地区有所不同（Zhang等人，2024）。在驱动机制的识别方面，现有研究主要运用计量经济学和空间计量经济学模型、地理检测器模型（Geodetector）以及机器学习方法来探讨效率差异的形成机制。计量经济学模型主要关注变量效应的方向（Wang等人，2025），空间方法强调区域异质性（Ye等人，2025），而机器学习方法则能够捕捉复杂的非线性关系（Hashemi和Karimi，2020）。总体而言，现有研究已经发展出了相对完善的方法论框架；然而，大多数分析仍停留在较大的空间尺度上，对于城市层面农业生产与生态系统之间的协调性探讨不足。

现有将效率分析扩展到城市层面的研究仍然存在一些未解决的问题。在碳排放数据方面，现有的降尺度方法可以分为三类：用于水文学的动态和统计降尺度方法（Huang等人，2021）、工业经济学中的自上而下的投入产出外推方法（Bianchi等人，2020；Wang等人，2019）以及统计学中从现有数据集推导目标尺度数据的数学近似方法（Meron等人，2020）。这些方法在其各自领域内已经得到广泛应用。一些研究根据行政区域或耕地面积将省级数据分解到城市层面（Song等人，2024；You等人，2018）。然而，尽管这些方法为重新分配排放提供了明确依据，但它们隐含了土地面积与排放强度之间的线性关系，可能导致系统性的方向偏差。在碳汇数据方面，现有研究在估算碳封存时通常只关注单一植被类型，缺乏对农业生态系统整体碳汇能力的全面评估。此外，这些研究主要依赖于汇总的统计年鉴数据，这些数据更新频率较低，提供的动态信息有限，难以准确反映城市层面土地利用变化对碳汇能力的影响（Jia等人，2025；Song等人，2024）。近年来，高分辨率遥感土地覆盖数据的进步为城市尺度上的碳汇动态估算创造了新机会。然而，如何有效地将这些数据纳入农业环境效率评估框架仍是一个需要进一步探讨的问题（Yang和Huang，2026）。此外，当碳排放和碳汇同时纳入效率测量时，两类数据在时间上往往不一致。碳排放数据通常是年度数据，而碳汇数据则依赖于低频遥感观测或插值估计。这样的方法可能无法准确捕捉年度土地利用变化，时间上的不一致性可能会降低同一决策期内碳源和碳汇指标之间的可比性。因此，开发一个考虑城市空间异质性、碳源和碳汇的动态特性以及时间一致性的农业环境协同效率评估框架对于提高该领域研究的准确性具有重要意义。

基于这些空白，本研究提出了三个问题：(1) 在生产压力和生态约束条件下，如何在城市层面衡量农业生产系统的整体协同表现？同时揭示省级研究忽略的空间异质性？(2) 在农业环境协同效率的静态和动态演变过程中，是否存在显著的区域差异？效率追赶和技术前沿变化分别起到了什么作用？(3) 在农业绿色转型不同阶段，协同效率的空间差异关键驱动因素是否发生了结构变化？为回答这些问题，本研究基于2000–2022年中国329个地级城市的面板数据开发了一个农业环境协同效率（AESE）测量框架。与传统关注投入产出转换的农业生产效率不同，AESE衡量的是农业生产系统在粮食生产目标和环境约束下的协调表现。进一步发展了一个整合数据构建、效率测量和驱动因素识别的框架。首先，应用环境库兹涅茨曲线降尺度模型（EKCDM）将省级农业碳排放降尺度到城市层面，捕捉经济发展与环境压力之间的非线性关系。然后引入遥感土地覆盖数据来表征不同土地类型的生态碳封存能力。其次，使用基于松弛量的方向距离函数（SBM-DDF）在多个投入和产出条件下衡量静态AESE得分，考虑理想产出的增加和不良产出的减少。在此基础上，进一步构建了基于全球Malmquist-Luenberger（GML）指数的AESE增长指数（AGI），用于识别协同效率动态变化的来源。最后，利用地理检测器（Geodetector）识别AESE空间差异的驱动因素及其在不同发展阶段的演变。

本研究主要有三个贡献：首先，在数据构建和测量框架方面，通过整合碳排放降尺度和动态碳汇估算，本研究开发了一个城市级的农业环境数据集。这种方法解决了现有研究中存在的若干问题，包括粗略的排放分配、碳汇信息不足以及碳源和碳汇之间的时间不匹配。Li等人（2022）提出的EKCDM框架通过考虑农业发展与排放之间的非线性关系来估算农业碳排放，从而减少了传统比例分配方法的潜在偏差。同时，使用高分辨率土地覆盖数据估算农业碳汇，确保了AESE测量中碳排放与碳汇的时间和空间一致性。其次，在分析框架方面，本研究在城市层面整合了静态效率测量和动态变化分解，以考察AESE得分的差异及其演变来源。在测量城市级AESE得分并识别其空间差异后，进一步构建了AGI，区分了效率追赶和技术前沿变化对协同效率提升的各自贡献。这种方法将城市当前的效率表现与随时间变化的效率来源联系起来，提供了对区域差异演变机制的更深入理解。第三，从驱动机制分析的角度出发，本研究考虑了城市层面的异质性和农业发展的不同阶段，探讨了AESE得分空间差异的驱动机制。与主要关注区域平均值或单一时期因素的现有研究不同，本研究考察了AESE得分空间差异驱动因素在不同发展阶段的变化情况。

方法论和数据
图1展示了整体研究框架，包括城市级数据构建、AESE的静态和动态分析以及空间差异驱动因素的识别。

AESE得分的空间分布
2000年至2022年间AESE得分的平均空间分布（图2a）显示了协同效率的空间不平衡模式。效率较低的城市主要集中在华北平原和黄淮平原。本研究使用自然断点分类方法将全国城市的年度AESE得分分为五个等级。在329个城市中，有75个城市在整个研究期间至少有15年处于最低效率等级。其中，52个城市...

城市层面的证据
省级层面的现有研究表明，中国的AESE得分呈现出东部地区领先的空间模式，但整体提升幅度仍有限（Lu等人，2024）。虽然本研究在城市层面的证据在宏观层面验证了这一模式，但更细的尺度揭示了省级平均值未能捕捉到的两个结构特征。

结论
基于2000–2022年中国329个地级城市的面板数据，本研究构建了一个城市级AESE测量框架，该框架结合了基于EKCDM的碳排放降尺度和高分辨率遥感估算的碳汇。SBM-DDF模型用于测量静态的AESE水平，而GML指数则进一步用于构建AGI，以捕捉AESE的动态变化。随后采用Geodetector方法来识别CRediT作者贡献声明中的阶段性变化：

- 方 Xu：撰写 – 审稿与编辑；撰写 – 原始草稿；软件；方法论；资金获取；数据管理；概念化。
- 王建华：撰写 – 审稿与编辑；可视化；验证；资金获取；形式分析；概念化。
- 谭康业：撰写 – 审稿与编辑；可视化；资源；方法论；调查；数据管理。

**利益冲突声明**
我们声明在提交本手稿时不存在任何利益冲突。这意味着我们与其他个人或组织之间没有可能不当影响（或产生偏见）我们工作的财务和个人关系。

**致谢**
本工作得到了国家社会科学基金重大项目（项目编号：25&ZD282）和江苏省研究生研究与实践创新计划（项目编号：KYCX25_2654）的支持。

**作者名单**
方 Xu | 王建华 | 谭康业