中国农业碳排放空间格局及影响因素动态研究*

何艳秋, 陈 柔, 吴昊玥, 徐 杰, 宋 艺



中国农业碳排放空间格局及影响因素动态研究*

何艳秋1, 陈 柔1, 吴昊玥1, 徐 杰1, 宋 艺2

(1. 四川农业大学管理学院 成都 611130; 2. 西南科技大学城市学院 绵阳 621000)

研究农业碳排放空间格局及影响因素对中国制定农业分区碳减排政策意义重大。为弥补以往研究中静态分析法难以考察动态影响的缺陷, 将动态灰色关联法和回归模型结合, 应用2001—2016年统计数据, 从分析农业碳排放空间格局入手, 深入探讨省际农业碳排放空间格局成因和影响因素与空间差异的数量关系。研究发现: 中国农业碳排放强度省际差异大, 中部排放等级有所降低, 西部排放等级有所升高, 农业碳排放省际差异随农业经济水平、农业机械化、农业产业结构和农业人力资本等差异扩大而增加; 大部分排放等级上升的省市农业碳排放的长期主导因素为农地利用和农业生产技术(机械), 且种植业和畜牧业双发展; 大部分排放等级下降的省市农业碳排放的长期主导因素为反刍动物饲养和农业生产技术(人力), 且着重发展优势产业。因此, 中国未来较长时间内仍应重点关注农地利用减排, 进一步推动反刍动物饲养减排技术发展和充分发挥农业产业结构调整对减排的抑制作用等建议。

农业碳排放; 主导因素; 空间格局演变; 动态灰色关联法; 非线性分析; 分区减排

农业碳减排是提高农业应对气候变化的能力, 兼顾农业经济效益和环境友好, 最终实现农业可持续发展必不可少的重要环节。研究表明, 大气中甲烷浓度增加约有70%是人类生产活动的结果[1], 农业是排放甲烷的主要活动源。也有研究者预测, 如不采取有力措施降低和减少农业碳排放, 2050年农业碳排放量将再增加30%[2], 明显减弱全球减排行动的整体效果。中国农业温室气体排放约占全国总量的17%, 农业排放的甲烷和氧化亚氮分别占全国的50%和92%[3], 并且农业碳排放量还以平均每年5%的速度持续增长[4]。同时, 中国幅员辽阔, 农业区域分布范围广泛, 各地区由于农业生产条件和资源禀赋的巨大差异带来农业经济发展水平、农业产业结构和农业生产方式的不同, 进而引起各地区农业碳排放的显著差异。为实现中国区域农业的健康发展, 完成农业可持续发展和节能减排的双重目标, 有必要深入研究农业碳排放区域分布格局和其影响因素, 进而探讨如何通过差异化的减排措施提高农业碳减排的效果。

农业碳排放的全面测算是进行农业分区减排的基础, 关于农业碳排放测算的相关研究主要有两种思路: 一是对农业碳源进行全面测算。谭秋成[5]对除秸秆焚烧外的几乎所有农业碳源做了测算; 田云等[6]和吴贤荣等[7]在此基础上测算了16类主要农业碳源的排放总量; 而闵继胜等[8]在测算中国农业碳排放时, 不但种植和养殖品种更全面, 而且排放系数还考虑了区域差异, 测算结果更为准确。二是着重对某一类农业碳源进行精确测度。伍芬琳等[9]重点关注了农地翻耕的碳排放; 段华平等[10]对农业灌溉的碳排放进行了测度; 刘丽华等[11]和Lin等[12]均立足农业废弃物碳排放, 前者测算了6种作物秸秆焚烧的碳排放, 后者通过测算农业废弃物碳排放发现联合国气候变化框架公约下的农业排放源并不充分。

在对农业碳排放准确、全面测算的基础上, 部分学者对碳排放的区域分布进行了研究。其中, Neumayer[13]发现自然条件的巨大差异导致国际碳排放的分布差异; 随后, Lantz等[14]立足加拿大, 发现技术进步是引起地区碳排放差异的重要因素; Uchiyama[15]发现收入会影响各个国家碳排放库兹涅茨曲线的转折点, 发达国家转折点水平相对较低, 发展中国家转折点水平较高。与国外学者重点研究碳排放区域分布不同, 部分国内学者将视角延伸到中国农业碳排放的区域分布中, 并从不同角度分析了引起农业碳排放空间格局的原因。杨钧[16]发现农业从业人口、农业机械化水平和农村人力资本积累是引起中国东、中、西部农业碳排放差异的主要原因; 田云等[6]发现农业产业结构是引起省际农业碳排放差异的主要原因; 随后, 刘华军等[17]和田云等[18]从农业碳强度角度研究了中国农业碳排放的省际空间分布, 发现省际差异是碳排放整体空间差距的主要来源; 庞丽[19]立足农用能源, 发现农业经济发展水平和农业能源利用效率是引起农业碳排放省际差异的重要因素; 吴贤荣等[7]认为对外开放程度、劳动力文化水平也是引起地区碳排放差异不可忽视的因素。

从已有研究来看, 国外学者主要从全球视野考察碳排放的国际分布及其原因, 国内学者虽立足中国农业碳排放的地区分布, 但由于测算方法不统一, 所选影响因素指标不一致, 得出的结论也存在一定差异。并且学者们采用静态分析法和线性模型, 难以深入考察农业碳排放空间格局影响因素的动态影响过程和影响因素对农业碳排放地区差异的非线性影响。本文在借鉴已有成果的基础上, 基于动态灰色关联分析, 探讨了中国农业碳排放的空间格局和影响因素的动态影响过程, 以期为中国制定农业分区碳减排政策提供一定参考。

1 研究方法与数据来源

1.1 农业碳排放测算方法

农业碳排放源主要有4类: 一是农地利用导致的碳排放, 包括化肥、农药、农膜等农用物资投入, 农用机械使用耗费柴油, 翻耕破坏土壤表层, 农业灌溉活动耗费电能。二是人工湿地的碳排放, 主要指水稻生长发育过程中产生甲烷。三是反刍动物养殖中肠道发酵和粪便管理的甲烷和氧化亚氮排放。四是农业废弃物的碳排放, 应包括农业废水和秸秆燃烧两种活动, 但由于农业废水排放量活动数据暂时无法获得, 所以仅测算秸秆燃烧排放。农业碳排放测算公式为:

1.1.1 农地利用碳排放测算

农地利用碳排放测算公式为:

表1 农地利用中各类排放源的碳排放因子

1.1.2 水稻种植碳排放测算

水稻种植碳排放测算公式为:

表2 中国各省市水稻种植的碳排放因子

1.1.3 反刍动物养殖碳排放测算

反刍动物养殖碳排放测算公式为:

表3 各类反刍动物饲养的碳排放因子表

1.1.4 秸秆燃烧碳排放测算

秸秆燃烧碳排放测算公式为:

表4 主要农作物秸秆燃烧的碳排放因子表

本文的研究时段为2000—2015年, 农业碳排放测算所需活动数据均2001—2016年《中国农村统计年鉴》、《中国统计年鉴》。

1.2 动态灰色关联分析模型

本文重点考察各影响因素对农业碳排放可能存在的非线性影响, 而灰色关联法是一种通过变量曲线几何形状的相似程度来判断变量关联度的方法, 以分析非线性问题为主, 所以采用此方法。在灰色关联法3种关联度系数中, 灰色综合关联度系数建立在灰色绝对关联度系数与灰色相对关联度系数的基础上, 是一个既能够体现曲线间相似程度, 又能反映曲线相对于初始点变化速率程度的指标, 所以最终选择计算灰色综合关联度系数。同时, 考虑中国5年一期规划, 以5年作为窗口长度向后移, 以考察各影响因素的动态影响过程。计算中为避免各指标量纲不一致对结果造成的不利影响, 先对指标数据进行标准化。灰色综合关联度模型为:

式中:

式中:0表示参考序列,x表示对照序列。

1.3 中国农业碳排放总量和强度空间标准差系数的计算

通过计算农业碳排放总量和强度的空间标准差系数考察中国农业碳排放的空间分布, 标准差系数计算公式为:

2 中国农业碳排放空间分布格局分析

2.1 中国农业碳排放总量和强度的空间格局

由图1可知, 中国农业碳排放总量的空间标准差系数经历了两个没有明显上升或下降趋势的“平稳期”, 且两个时期之间的空间差异有所缩小, 第1个“平稳期”是2000—2005年, 农业碳排放总量的标准差系数均在0.72左右, 第2个“平稳期”是2006—2015年, 农业碳排放总量的标准差系数均在0.67左右。但农业碳排放强度的空间标准差系数呈明显上升趋势, 从2000年的0.79上升到2015年的1.24, 说明中国各省市农业碳排放强度的差异在逐年上升。

图1 2000—2015年中国农业碳排放总量和强度的标准差系数

2.2 中国农业碳排放结构的空间格局

为分析中国区域农业碳排放的结构差异, 按国务院发展研究中心的划分标准, 将中国分为东北(吉林、辽宁、黑龙江)、北部沿海(北京、天津、河北、山东)、东部沿海(上海、江苏、浙江)、南部沿海(福建、广东、海南)、黄河中游(陕西、山西、河南、内蒙古)、长江中游(湖北、湖南、江西、安徽)、西南(云南、贵州、四川、重庆、广西)和西北(甘肃、青海、宁夏、西藏、新疆)八大地区。虽未就31个省市的碳排放结构进行细致分析, 但八大区域划分时充分考虑了各省市的空间毗邻性、资源禀赋相似性、经济发展水平相似性和社会结构相仿性, 已能反映全国碳排结构的区域格局变化。

由图2可知, 八大区域农业碳排放结构存在一定差异, 且随时间推移, 结构差异并无明显缩小, 八大区域反刍动物饲养碳排放占各区域农业总碳排放的比重均有不同程度下降, 而农地利用、秸秆燃烧和水稻种植的碳排放占比均有所上升。2000—2015年, 农业碳排放以反刍动物饲养为主的地区由北部沿海、黄河中游、西北和西南缩减为西北和西南两地, 以农地利用碳排放为主的地区由东部沿海和南部沿海两地扩展到了东部沿海、南部沿海和北部沿海3地, 以秸秆燃烧碳排放为主的地区由东北和长江中游两地延伸到东北、长江中游和黄河中游3地, 而八大区域水稻种植碳排占农业碳排总量的比重都非常低, 也无明显变化。

2.3 中国农业碳排放空间等级变动分析

为进一步分析中国各省市农业碳排放空间格局的演变, 根据各省市农业碳排放总量和强度的不同进行排放等级划分。首先, 利用单个样本的K-S检验对2000年和2015年全国各省市的农业碳排放总量和强度进行正态性检验, 结果均接受原假设, 所有序列均服从正态分布。其次, 根据正态分布原理, 按表5标准进行等级划分。

最后, 可得到如表6所示的中国各省市2000—2015年农业碳排放等级变动情况表。从该表可见, 2000—2015年中国农业碳排放空间等级分布格局有一定程度的变动, 排放等级升高和降低省市数量之和在全国31省市中的比重为38.8%, 仍有61.2%的省市农业碳排放等级未发生变化。其中, 高排放区由中国的北部内蒙古、南部云南向西北和中部部分地区扩张; 中高排放区由原来的连片式布局逐渐集中到东北黑龙江、北部河北, 以及西部甘肃、四川; 中等排放区延伸到更多的中部省市以及东部沿海上海; 中低排放区由东北辽宁和南部广东等地扩展到北京、天津、江苏等发达地区; 低排放区收缩到南部沿海的浙江、福建和海南一带。可见, 中部地区排放等级有降低趋势, 西部地区排放等级有升高趋势, 高排放区、中等排放区和中低排放区所含省市增多, 中高排放区和低排放区所含省市减少, 全国农业碳排放省际分布的两极分化情况更为明显。

图2 2000年和2015年中国不同区域不同排放源的农业碳排放比重

NE、NC、EC、SC、MY、MC、SW和NW分别为东北、北部沿海、东部沿海、南部沿海、黄河中游、长江中游、西南和西北区域。NE, NC, EC, SC, MY, MC, SW and NW are areas of Northeast, Northern Coast, Eastern Coast, Southern Coast, the Midstream of Yellow River, the Midstream of Changjiang River, Southwest and Northwest of China.

表5 中国各省市农业碳排放空间等级划分标准

: 农业碳排放总量;: 农业碳排放强度;1: 农业碳排放总量均值;2: 农业碳排放强度均值;1: 农业碳排放总量标准差;2: 农业碳排放强度标准差。: total amount of agricultural carbon emission;: agricultural carbon emission intensity;1: average of total amount of agricultural carbon emission;2: average of agricultural carbon emission intensity;1: standard deviation of total amount of agricultural carbon emission;1: standard deviation of agricultural carbon emission intensity.

3 中国农业碳排放空间格局影响因素动态分析

结合Grossman等[23]的思路和Ehrlich等[24]的IPAT模型, 将农业碳排放地区分布影响因素分为外部因素和内部因素两大类, 其中, 内部因素包括农地利用、水稻种植、反刍动物饲养和秸秆燃烧, 外部因素由农业经济规模、农业经济水平、农业经济结构和农业生产技术组成, 农业经济规模由农业增加值衡量, 农业经济水平由人均农业增加值衡量, 农业经济结构由传统农业占比衡量, 农业生产技术由农用机械化水平和农村人力资本水平两部分组成, 农用机械化水平用一产从业人员人均动力功率衡量,农村人力资本水平参考钱雪亚等[25]的测算方法。

3.1 动态灰色关联视角下中国农业碳排放影响因素的重要性排序

按5年规划作为窗口期, 测算结果见表7。

从静态角度来看, 2001—2015年3个“五年”规划期, 所有因素对全国农业碳排放影响的重要性排序为:农地利用>农业生产技术(机械)>水稻种植、农业经济规模、农业经济水平>秸秆燃烧>反刍动物养殖、农业生产技术(人力)>农业经济结构。从动态角度来看, “十五”期间, 4个内部因素和5个外部因素对农业碳排放影响的重要性差别不大, 灰色综合关联系数均在0.65左右; 而到“十一五”期间, 除农业经济结构对农业碳排放影响的重要性无显著变化外, 其余因素的重要性都明显上升; 但到“十二五”期间, 除水稻种植、农业经济结构和农业生产技术(人力) 外, 其余因素对农业碳排放影响的重要性都有所降低。从各影响因素对农业碳排放影响力的长期趋势来看, 除反刍动物饲养和秸秆燃烧变动不大外, 其余所有因素对农业碳排放影响的重要性都有不同程度上升, 上升比较明显的因素是农地利用、水稻种植、农业生产技术(机械)和农业生产技术(人力), 四大因素“十二五”期间对农业碳排放的灰色综合关联系数较“十五”期间分别上升了0.13、0.32、0.19和0.26。

表6 2000—2015年中国各省市农业碳排放等级演变表

表7 2001—2015年不同时期中国农业碳排放影响因素的动态灰色综合关联系数

各影响因素对农业碳排放影响的重要性变动与国家政策有较大关系。“十一五”期间国家公布农业税减免政策, 极大地拉动了农民种地的积极性, 农户对高产的追求导致化肥、农药、农膜的大量投入, 促进了农地利用和种植业碳排放的增长。同时, 农业生产的机械化程度也有明显提升, 大中型拖拉机数量“十一五”期间年均增速比“十五”期间高9%, 联合收割机数量也以年均2位数增长, 农机的大规模使用增加了对化石能源的需求, 造成农业机械化对农业碳排放影响力显著提升。另外, 国家提出强化农村劳动力职业技能培训的措施, 在改善农业综合生产力的同时, 也使农业生产技术(人力)成为影响这一时期农业碳排放的重要因素。“十一五”期间农业生产规模和水平快速发展, 农业增加值和人均农业增加值分别为“十五”的1.7倍和3.3倍, 两因素对农业碳排放影响力有所增加。到“十二五”, 农业发展“十二五”规划正式提出农业治污减排的具体措施, 针对化肥、农药的过量投放问题, 从施用技术和补贴有机农业两方面提出了解决方案, 土地利用对农业碳排放影响的重要性有所下降。同时, 畜禽养殖业减排工作也正式纳入国家节能减排体系, 种养循环技术、规模化养殖管理技术、畜禽饲料研发技术和畜禽粪便处理技术的发展, 使反刍动物饲养对农业碳排放影响的重要性也有小幅下降。另外, 农业机械化水平增速较“十一五”期间所有下降, 大型拖拉机数量的年均增速降低为8.3%, 人均动力机械也降低了1%, 使农业生产技术(机械)对农业碳排放的影响力有所降低。农业经济结构调整对农业碳排放影响的重要性开始显现, 灰色综合关联度系数较“十一五”增加了0.09。而水稻种植碳排放虽然在农业碳排放总量中占比较低, 但其对农业碳排放的影响也不容忽视。

3.2 动态灰色关联视角下中国农业碳排放空间格局原因分析

从表8可以看出, 大部分排放等级由低变高地区农业碳排放的长期主导因素为农地利用和农业生产技术(机械)。沿海北京、天津和上海等发达地区, 第一产业占比历来较低, 随着农业生产技术(机械)和农业经济水平对农业碳排放影响的重要性提高, 排放分区等级由低升为中低。中部河南和西北新疆农业碳排放长期主导因素相同, 且反刍动物饲养对农业碳排放影响的重要性都有明显上升, 排放等级也都由中高变为高。其中, 河南既是中国重要的粮食作物产地, 也是畜牧大省, 2015年河南耕种收综合机械化水平达77.5%[26], 高于全国平均水平。西北新疆不仅是中国牧区之一, 也是中国棉花主产区, 近年来, 大力发展畜牧业, 2015年羊的出栏量仅次于内蒙古, 且以耕种收为主的棉花全程机械化水平和畜牧业机械化水平快速提升。中部江西以发展优势养殖为主, 是中国最大的毛驴养殖基地, 并逐步向肉驴养殖延伸, 不仅反刍动物饲养对农业碳排放的灰色综合关联系数增加了0.26, 农业经济规模和水平的灰色综合关联系数也有明显增加, 使其排放等级上升。

表8 2001—2015年中国各省市中农业碳排放等级升高省市的排放主导因素

表中括号内的数字带“+”表示2001—2015年各因素与农业碳排放灰色关联系数增加, 带“-”表示该期间各因素与农业碳排放灰色关联系数减少。“+” means an increase of the gray correlation coefficient, “-” means a reduction of the grey correlation coefficient.

从表9可以看出, 大部分排放等级由高变低地区农业碳排放的长期主导因素为反刍动物饲养和农业生产技术(人力), 农地利用对农业碳排放影响的重要性显著降低。山东、陕西、安徽和贵州省排放等级均由中高降为中等。其中, 山东和安徽是中国粮食主产区, 随着畜牧业的发展, 农地利用对农业碳排放影响的重要性显著降低, 灰色综合关联度系数分别降低0.12和0.11。其中, 山东通过“网上学校”、“云课堂”等方式提高畜牧业的人力资本, 使农业生产技术(人力)对农业碳排放影响的重要性提升, 安徽大力推进化肥和农药减量增效, 进一步降低了农地利用对农业碳排放影响的重要性。贵州凭借饲草资源丰富的优势, 大力发展香猪、关岭牛、黔北麻羊等地方畜禽优良品种, 使反刍动物饲养对农业碳排放的灰色综合关联系数增加0.3, 但其生态养殖思路使农地利用对农业碳排放的灰色综合关联系数降低0.14。陕西以水果种植为优势, 并通过延伸水果产业链进一步加大其发展, 水果种植的规模化和技术水平得到进一步提升, 但反刍动物饲养对农业碳排放的灰色综合关系系数降低0.06。江苏和广西农业碳排放的各影响因素对其影响的重要性都有所降低, 仅反刍动物饲养的灰色综合关联度系数分别增加0.04和0.02, 两地排放等级下降。

表9 2001—2015年中国各省市农业碳排放等级降低省市的排放主导因素

表中括号内的数字带“+”表示2001—2015年各因素与农业碳排放灰色关联系数增加, 带“-”表示该期间各因素与农业碳排放灰色关联系数减少。“+” means an increase of the gray correlation coefficient, “-” means a reduction of the grey correlation coefficient.

由表10可知, 随着排放等级的降低, 各影响因素对农业碳排放的平均灰色综合关联度系数有降低趋势, 高排放区、中高排放区、中排放区、中低排放区和低排放区所含省市的平均灰色综合关联系数分别为0.945、0.92、0.85、0.815和0.81。

其中, 高排放区内蒙古是中国主要牧区, 2015年牲畜存栏量比“十一五”末增长25.8%, 农牧业综合机械化水平高达81.4%, 反刍动物饲养和农业生产技术(机械)对农业碳排放的灰色综合关联度系数均有明显上升。云南省以经济作物种植为主, 橡胶、咖啡、花卉产量居全国第一, 甘蔗、茶叶产量居全国第二, 蚕桑产量居全国第五, 种植规模仍有扩大, 农地利用对农业碳排放的灰色综合关联度系数显著增加了0.16。

表10 2001—2015年中国各省市农业碳排放等级不变省市的排放主导因素

排放等级Emission level省(市)Province (city)排放主导因素的变动Changes in dominant factor of carbon emission重要性增加较快因素Factor with fast-growing importance重要性减少较快因素Factor with fast-reducing importance长期主导因素Long-term dominant factor平均灰色综合关联度Average gray correlation 湖北Hubei水稻种植、农业经济结构—水稻种植、农业经济规模Rice cultivation, agricultural economic structure-rice cultivation, agricultural economy scale水稻种植(+0.11)Rice cultivation (+0.11)农业经济结构(-0.08) Agricultural economic structure (-0.08)水稻种植、农业生产技术(人力)Rice cultivation,human capital0.86 青海Qinghai农地利用、农业经济规模—反刍动物、农业生产技术(人力)Farming land utilization, agricultural economy scale-ruminant, human capital—农地利用(-0.16) Farming land utilization(-0.16)反刍动物、农业生产技术(人力) Ruminant, human capital0.86 宁夏Ningxia农地利用、农业生产技术(人力)—反刍动物、农业生产技术(机械)Farming land utilization, human capital-ruminant, mechanization反刍动物(+0.22) Ruminant (+0.22)农地利用(-0.14) Farming land utilization(-0.14)反刍动物、农业生产技术(机械) Ruminant, mechanization0.85 西藏Tibet农地利用、农业经济结构—农地利用、农业经济水平Farming land utilization, agricultural economic structure-farming land utilization, agricultural economy level农地利用(+0.10)、反刍动物(+0.19)Farming land utilization (+0.10), ruminant (+0.19)农业经济结构(-0.23) Agricultural economic structure(-0.23)反刍动物、农业生产技术(机械) Ruminant, mechanization0.87 中低Medium low辽宁Liaoning农地利用、农业经济规模Farming land utilization, agricultural economy scale水稻种植(+0.05)Ricecultivation (+0.05)反刍动物(-0.14) Ruminant(-0.14)农地利用、农业生产技术(机械)Farming land utilization, mechanization0.82 广东Guangdong农地利用、农业生产技术(机械)Farming land utilization, mechanization农业生产技术(人力) (+0.06)Human capital (+0.06)农地利用(-0.12) Farming land utilization(-0.12)农地利用、农业生产技术(机械)Farming land utilization, mechanization0.81 低Low浙江Zhejiang农地利用、农业生产技术(机械)—农地利用、农业经济水平Farming land utilization, mechanization-farming land utilization, agricultural economy level农业经济水平(+0.06) Agricultural economy level (+0.06)反刍动物(-0.10) Ruminant(-0.10)农地利用、农业生产技术(机械)Farming land utilization, mechanization0.80 海南Hainan农地利用、农业生产技术(机械)—秸秆燃烧、农业经济水平Farming land utilization, mechanization-straw combustion, agricultural economy level农业经济水平(+0.05) Agricultural economy level (+0.05)农地利用(-0.26) Farming land utilization(-0.26)农地利用、农业生产技术(机械)Farming land utilization, mechanization0.82 福建Fujian农地利用、农业生产技术(机械)Farming land utilization, mechanization农业生产技术(机械) (+0.07)Mechanization(+0.07)农地利用(-0.14) Farming land utilization(-0.14)农地利用、农业生产技术(机械)Farming land utilization, mechanization0.81

表中括号内的数字带“+”表示“十五”期间到“十二五”期间各因素与各地区农业碳排放灰色关联系数的增加, 带“-”表示该期间各因素与各地区农业碳排放灰色关联系数的减少。“+” means an increase of the gray correlation coefficient, “-” means the reduction of the grey correlation coefficient.

中高排放区的黑龙江、河北、四川、重庆和甘肃对农业碳排放影响的重要性增长较快因素均为农地利用或反刍动物饲养。黑龙江和河北省农业碳排放的长期主导因素为农地利用和农业生产技术(机械)。四川省不仅是中国重要的水稻种植区, 畜禽资源也较丰富, 2015年肉猪出栏量仍为各省之首, 反刍动物饲养对农业碳排放的灰色综合关联系数显著提高0.13。重庆市反刍动物饲养取代农地利用成为农业碳排放的主导因素, 2015年畜牧业总产值比2010年增长66.23%, 反刍动物饲养的灰色综合关联系数增加0.08。甘肃省中药材种植面积全国第一, 畜牧业也稳定增长, 2015年牛、羊、猪、禽出栏量同比增长6.2%、9.5%、3.0%和10.1%, 反刍动物饲养对农业碳排放的灰色综合关联系数提高0.09。

中等排放区的绝大部分地区农地利用或反刍动物饲养对农业碳排放的灰色综合关联度系数有所降低。其中, 吉林、湖北和湖南3个粮食主产区农业碳排放的长期主导因素为农地利用和水稻种植, 而宁夏、青海和西藏三大牧区农业碳排放的长期主导因素为反刍动物饲养和农业生产技术, 粮食主产区和牧区的农业发展向各自优势产业倾斜。而山西省以发展特色肉牛产业为主, 反刍动物饲养对农业碳排放的影响力有所增加, 但农地利用对农业碳排放的灰色综合关联度系数显著降低0.13。

中低和低排放区各影响因素对农业碳排放影响的重要性增幅较小, 但农地利用、反刍动物饲养的灰色综合关联度系数却有显著降低。辽宁省既是中国粮食主产区之一, 也借助畜牧业南猪北移战略和镰刀弯地区农牧交错带粮改饲发展机遇, 种植业和畜牧业交错发展。广东、海南和福建省均以经济作物种植为主, 3地农地利用对农业碳排放的灰色综合关联度系数均显著下降。浙江省除反刍动物饲养外, 各影响因素对农业碳排放的灰色综合关联系数变动不大, 反刍动物饲养的灰色综合关联度系数降低0.1。

4 农业碳排放区域格局影响因素建模

为进一步验证影响因素对农业碳排放空间格局的影响, 探讨相互间的数量规律, 建立回归模型:

式中:为全国省际农业碳排放强度标准差, 衡量农业碳排放空间差异; 自变量1为各地人均农业增加值标准差, 衡量农业经济水平差异;2为各地一产从业人员人均动力功率标准差, 衡量农业生产机械化水平差异;3为各地种植业与畜牧业增加值之比标准差, 衡量农业产业结构差异;4为人力资本水平的标准差, 衡量农业生产技术差异。a、1、2、3和4指待估计的回归系数。回归估计结果见表11。

表11 中国农业碳排放区域格局影响因素的回归结果表

由表11可知, 4因素对农业碳强度地区差异的影响均显著, 且均为正向影响, 说明全国农业碳排放省际差异会随各地农业经济水平差异、农业机械化差异、农业产业结构差异和农业人力资本差异的扩大而增加, 而农业产业中种植业与畜牧业间比重的差异对农业碳排放空间格局的影响力相对其他因素来看较大, 其次是农业生产技术的差异, 而农业经济水平差异对地区农业碳强度差异的影响最小。该模型结果也进一步验证了前文动态灰色关联分析的结果。

5 结论和建议

5.1 结论

1)中国农业碳排放地区差异大。一方面, 由于各省市资源禀赋和生产条件不同, 农业碳排放强度差异随时间推移变大; 另一方面, 中国各区域农业碳排放结构存在一定差异, 且无明显缩小; 同时, 农业碳排放地区等级分布的两极分化情况更为明显, 中、高排放区主要集中在东北和中西部地区, 中、低排放区主要集中在沿海地区, 且中部排放等级有降低趋势, 西部排放等级有升高趋势。

2)从全国来看, 农地利用和农业生产技术(机械)对农业碳排放影响的重要性靠前; 从各影响因素重要性的动态变动来看, 农地利用是未来较长时间内碳减排的重点领域, 而反刍动物饲养减排已呈现一定成效。

3)从农业碳排放空间格局分布原因来看, 各影响因素重要性的增减变动确实会对中国农业碳排放的空间格局产生影响, 全国农业碳排放省际差异会随各地农业经济水平差异、农业机械化差异、农业产业结构差异和农业人力资本差异的扩大而增加。大部分排放等级上升省市农业碳排放的长期主导因素为农地利用和农业生产技术(机械), 且种植业和畜牧业双发展, 大部分排放等级下降省市农业碳排放的长期主导因素为反刍动物饲养和农业生产技术(人力), 且着重发展优势产业; 农业碳排等级不变省市的农业碳排放长期主导因素在农地利用、反刍动物饲养、农业经济结构和农业生产技术间转化。

5.2 建议

国家应根据省域农业发展条件和资源禀赋的差异性, 结合农业碳排放空间分布的特点, 建立和实施因地制宜的低碳农业发展措施和政策, 统筹考虑各区域农业碳排放与影响因素的不同关联特征, 坚持共同但有区别的减排原则, 制定面向各省域的农业减排目标, 以实现中国的整体减排任务。

1)农地利用在未来较长时间内仍应作为中国减排的重点, 尤其是粮食主产区, 应通过推广节能技术和测土配方施肥等措施, 降低过度开发农业资源、过量使用化肥、农药、农膜等行为, 通过开发粮食生产节能减排固碳技术和强化农机农艺深度融合等途径, 加强技术发展对农业碳排放的抑制作用, 并积极拓展 “气候智慧型农业项目”的实施范围, 实现中国粮食生产的增产和减排。

2)虽然反刍动物饲养减排已取得了一些成效, 但仍应进一步探索减排技术和种养结合的发展方式, 特别是牧区, 进一步创新种养循环技术、规模化养殖管理技术、畜禽饲料研发技术和畜禽粪便处理技术来提高饲料利用率、降低畜牧业废物的污染和加强畜牧业废物的再利用。同时, 在种养结合上, 积极拓展北方牧区、南方牧区和农牧交错区, 充分利用北方和南方的丰富草场资源, 实现规模化、精细化养殖, 推动特色养殖业的发展, 大力推进“种养结合、农牧循环”的发展模式, 实现畜牧业规模扩大和生态性提高的双重目标。

3)农业经济结构的减排效应已经有所显现, 应进一步发挥其在各区域减排中的作用, 对于第一产业占比较低的东部发达地区, 应进一步减少传统农业比重, 甚至将传统农业全部放在更具生产条件的中西部, 利用沿海经济优势, 大力发展现代农业和生态农业, 提高农业生产的多功能性, 努力朝着假日农业、旅游农业、休闲农业、观光农业、都市农业等效益更好, 碳排更少的方向发展。对于中西部地区, 应因地制宜发展优势特色农业产业, 加强各省市农业发展的分工协作和农业产业的配套, 实施绿色生产和生态养殖战略。

[1] MOSIER A R, DUXBURY J M, FRENEY J R, et al. Mitigating agricultural emissions of methane[J]. Climatic Change, 1998, 40(1): 39–80

[2] TUBIELLO F N, SALVATORE M, GOLEC R D C, et al. Agriculture, forestry and other land use emissions by sources and removals by sinks: 1990–2011 analysis[J]. FAO Statistics Division, 2014, 4(2): 375–376

[3] 李波, 张俊飚, 李海鹏. 中国农业碳排放时空特征及影响因素分解[J]. 中国人口·资源与环境, 2011, 21(8): 80–86 LI B, ZHANG J B, LI H P. Research on spatial-temporal characteristics and affecting factors decomposition of agricultural carbon emission in China[J]. China Population, Resources and Environment, 2011, 21(8): 80–86

[4] 冉光和, 王建洪, 王定祥. 我国现代农业生产的碳排放变动趋势研究[J]. 农业经济问题, 2011, 32(2): 32–38 RAN G H, WANG J H, WANG D X. Study on the changing tendency and counter-measures of carbon emission produced by agricultural production in China[J]. Issues in Agricultural Economy, 2011, 32(2): 32–38

[5] 谭秋成. 中国农业温室气体排放: 现状及挑战[J]. 中国人口·资源与环境, 2011, 21(10): 69–75 TAN Q C. Greenhouse gas emission in China’s agriculture: Situation and challenge[J]. China Population, Resources and Environment, 2011, 21(10): 69–75

[6] 田云, 张俊飚, 李波. 中国农业碳排放研究: 测算、时空比较及脱钩效应[J]. 资源科学, 2012, 34(11): 2097–2105 TIAN Y, ZHANG J B, LI B. Agricultural carbon emissions in China: Calculation, spatial-temporal comparison and decoupling effects[J]. Resources Science, 2012, 34(11): 2097–2105

[7] 吴贤荣, 张俊飚, 田云, 等. 中国省域农业碳排放: 测算、效率变动及影响因素研究——基于DEA-Malmquist指数分解方法与Tobit模型运用[J]. 资源科学, 2014, 36(1): 129–138 WU X R, ZHANG J B, TIAN Y, et al. Provincial agricultural carbon emissions in China: Calculation, performance change and influencing factors[J]. Resources Science, 2014, 36(1): 129–138

[8] 闵继胜, 胡浩. 中国农业生产温室气体排放量的测算[J]. 中国人口·资源与环境, 2012, 22(7): 21–27 MIN J S, HU H. Calculation of greenhouse gases emission from agricultural production in China[J]. China Population, Resources and Environment, 2012, 22(7): 21–27

[9] 伍芬琳, 李琳, 张海林, 等. 保护性耕作对农田生态系统净碳释放量的影响[J]. 生态学杂志, 2007, 26(12): 2035–2039 WU F L, LI L, ZHANG H L, et al. Effects of conservation tillage on net carbon flux from farmland ecosystems[J]. Chinese Journal of Ecology, 2007, 26(12): 2035–2039

[10] 段华平, 张悦, 赵建波, 等. 中国农田生态系统的碳足迹分析[J]. 水土保持学报, 2011, 25(5): 203–208 DUAN H P, ZHANG Y, ZHAO J B, et al. Carbon footprint analysis of farmland ecosystem in China[J]. Journal of Soil and Water Conservation, 2011, 25(5): 203–208

[11] 刘丽华, 蒋静艳, 宗良纲. 农业残留物燃烧温室气体排放清单研究: 以江苏省为例[J]. 环境科学, 2011, 32(5): 1242–1248 LIU L H, JIANG J Y, ZONG L G. Emission inventory of greenhouse gases from agricultural residues combustion: A case study of Jiangsu Province[J]. Environmental Science, 2011, 32(5): 1242–1248

[12] LIN H W, JIN Y F, GIGLIO L, et al. Evaluating greenhouse gas emissions inventories for agricultural burning using satellite observations of active fires[J]. Ecological Applications, 2012, 22(4): 1345–1364

[13] NEUMAYER E. Can natural factors explain any cross-country differences in carbon dioxide emissions?[J]. Energy Policy, 2002, 30(1): 7–12

[14] LANTZ V, FENG Q. Assessing income, population, and technology impacts on CO2emissions in Canada: Where’s the EKC?[J]. Ecological Economics, 2006, 57(2): 229–238

[15] UCHIYAMA K. Environmental Kuznets Curve Hypothesis and Carbon Dioxide Emissions[M]. Tokyo: Springer, 2016

[16] 杨钧. 中国农业碳排放的地区差异和影响因素分析[J]. 河南农业大学学报, 2012, 46(3): 336–342 YANG J. Analysis on regional difference and affecting factors of agriculture carbon emission in China[J]. Journal of Henan Agricultural University, 2012, 46(3): 336–342

[17] 刘华军, 鲍振, 杨骞. 中国农业碳排放的地区差距及其分布动态演进——基于基尼系数分解与非参数估计方法实证研究[J]. 农业技术经济, 2013, (3): 72–81 LIU H J, BAO Z, YANG Q. Region disparities of agricultural carbon emissions in China and the dynamic evolution of their distribution — Empirical study on decomposition an monparametric estimation based onGini coefficient[J]. Journal of Agrotechnical Economics, 2013, (3): 72–81

[18] 田云, 张俊飚, 尹朝静, 等. 中国农业碳排放分布动态与趋势演进——基于31个省(市、区)2002—2011年的面板数据分析[J]. 中国人口·资源与环境, 2014, 24(7): 91–98 TIAN Y, ZHANG J B, YIN C J, et al. Distributional dynamics and trend evolution of China’s agricultural carbon emission — An analysis on panel data of 31 provinces from 2002 to 2011[J]. China Population, Resources and Environment, 2014, 24(7): 91–98

[19] 庞丽. 我国农业碳排放的区域差异与影响因素分析[J]. 干旱区资源与环境, 2014, 28(12): 1–7 PANG L. Empirical study of regional carbon emissions of agriculture in China[J]. Journal of Arid Land Resources and Environment, 2014, 28(12): 1–7

[20] 赵欣, 龙如银. 考虑全要素生产率的中国碳排放影响因素分析[J]. 资源科学, 2010, 32(10): 1863–1870 ZHAO X, LONG R Y. Analysis of factors of China’s carbon emissions considering the total factor productivity[J]. Resources Science, 2010, 32(10): 1863–1870

[21] DYER J A, KULSHRESHTHA S N, MCCONKEY B G, et al. An assessment of fossil fuel energy use and CO2emissions from farm field operations using a regional level crop and land use database for Canada[J]. Energy, 2010, 35(5): 2261–2269

[22] IPCC. Climate Change 2007: The Physical Science Basis: Working Group Ⅰ Contribution to the Fourth Assessment Report of The Intergovernmental Panel on Climate Change[M]. New York: Cambridge University Press, 2007

[23] GROSSMAN G M, KRUEGER A B. Economic growth and the environment[J]. The Quarterly Journal of Economics, 1995, 110(2): 353–377

[24] EHRLICH P R, WOLFF G, DAILY G C, et al. Knowledge and the environment[J]. Ecological Economics, 1999, 30(2): 267–284

[25] 钱雪亚, 张小蒂. 农村人力资本积累及其收益特征[J]. 中国农村经济, 2000, (3): 25–31 QIAN X Y, ZHANG X D. The accumulation of rural human capital and its profit characteristics[J]. Chinese Rural Economy, 2000, (3): 25–31

[26] 河南日报农村版. 河南: 推进农业机械化农民耕种轻松化[EB/OL]. https://www.tuliu.com/read-26830.html, 2016-04-19Henan Daily Rural Edition. Henan: Promoting agricultural mechanization Farmers’ cultivation is easy[EB/OL]. https:// www.t uliu.com/read-26830.html, 2016-04-19

Spatial dynamics of agricultural carbon emissions in China and the related driving factors*

HE Yanqiu1, CHEN Rou1, WU Haoyue1, XU Jie1, SONG Yi2

(1. College of Management, Sichuan Agricultural University, Chengdu 611130, China; 2. City College, Southwest University of Science and Technology, Mianyang 621000, China)

The reduction of carbon emission in agricultural lands is not only important in sustainable agriculture, but also inevitable for China to achieve an overall emission reduction targets and carbon emission control. It is also of great significance to conduct research into the spatial distribution and the driving factors of carbon emissions in agricultural lands in China. Studies that have focused on regional distributions of carbon emissions in agricultural lands adopted different measurement methods and used inconsistent driving indicators, therefore had reached different conclusions in different researches. Moreover, in order to compensate for the deficiency with static analysis methods in dealing with dynamic effects, we combined dynamic grey correlation method with regression model. It not only analyzed the non-linear impacts of carbon emission in agricultural lands and the influencing factors, but also analyzed the dynamic impacts of carbon emission in agricultural lands and the influencing factors. Based on the preceding researches, our study started by analyzing the spatial distribution of carbon emissions in agricultural lands in China, including total amount of carbon emission, carbon emission intensity, carbon emission structure and carbon emission level in agricultural lands. It then discussed in detail the causes of the spatial patterns of inter-provincial carbon emissions in agricultural lands and quantitative relationship between the influencing factors and spatial distribution. The study was a critical source of reference on zonal carbon emission reduction that could be useful in formulating carbon emission policies in China. The main conclusions of this paper were as follows: inter-provincial differences in carbon emission intensities in agricultural lands had increased with time. There was no significant reduction in structural differences in carbon emission among provinces or cities. The polarization of carbon emission level in agricultural lands was ever more severe. The level of carbon emissions in agricultural lands fell in the central region, but increased in the west. In contrast, farmland utilization and mechanization of agricultural production were more important factors driving carbon emission in agricultural lands. Some achievements were made in reducing ruminant emissions, with a widening gap among provinces or cities due to differences in agro-economic level, agricultural mechanization, agricultural structure and agro-human capital. The differences in inter-provincial carbon emissions of agricultural lands increased. Agriculture and animal husbandry, farmland utilization and mechanization of agricultural production technology were the leading factors driving the improvement in carbon emission in agricultural lands in most of the provinces and cities with more attention on agricultural development. In these regions, the development of superior industries, ruminant feeding and agricultural production techniques (human capital) were the dominant factors reducing carbon emissions. Finally, we forwarded three recommendations: First, there was need to focus on long-term carbon emission reduction in farmlands. Specifically, major grain-producing areas were to strengthen innovation of emission reduction technology and push forward with progress in emission reduction projects. Second, there was need for further attention on promoting technology of emission reduction in feeding ruminants and in exploring agricultural development models that combined farming with breeding, especially in pastoral areas. Third, there was need to fully exert the role of agro-economic structure in reducing carbon emission. The eastern, central and western regions were to adjust industrial structure in accordance with the level of development.

Carbon emission in agricultural land; Dominant factor; Spatial evolution pattern; Dynamic Gray Correlation Method; Nonlinear analysis; Zonal carbon emission reduction

, HE Yanqiu, E-mail: linxiatingqiu@126.com

Nov. 28, 2017;

Feb. 22, 2018

10.13930/j.cnki.cjea.171097

F323

A

1671-3990(2018)09-1269-14

2017-11-28

2018-02-22

* This study was supported by the National Natural Science Foundation of China (71704127), the National Social Science Foundation of China (16CJL35) and the Social Science “Thirteenth Five-Year Plan” Project of Sichuan Province (SC17TJ014).

* 国家自然科学基金青年项目(71704127)、国家社会科学基金青年项目(16CJL35)和四川省社会科学“十三五”规划项目(SC17TJ014)资助

何艳秋, 研究方向为农业资源环境。E-mail: linxiatingqiu@126.com

何艳秋, 陈柔, 吴昊玥, 徐杰, 宋艺. 中国农业碳排放空间格局及影响因素动态研究[J]. 中国生态农业学报, 2018, 26(9): 1269-1282

HE Y Q, CHEN R, WU H Y, XU J, SONG Y. Spatial dynamics of agricultural carbon emissions in China and the related driving factors[J]. Chinese Journal of Eco-Agriculture, 2018, 26(9): 1269-1282