中部地区农业碳排放与劳动力规模的关联研究

李文艳， 李炳军， 马文雅

（河南农业大学信息与管理科学学院，郑州 450002）

近年来，随着全球经济的快速发展，温室气体导致的一系列诸如冰川消融，海平面上升等全球变暖问题日益严重. 目前，中国17%的温室气体、50%的CH4来自农业部门，农业碳排放已经成为我国碳排放的重要来源［1］. 中国已经取代美国成为世界第一碳排放大国，面临的碳减排任务十分艰巨. 碳排放过量已成为我国走可持续发展道路的一块绊脚石，加快农业绿色发展是《国家质量兴农战略（2018—2022）》确定的重点任务之一［2］. 因此，在此背景下发展低碳农业必不可少，研究农业碳减排问题具有重要意义. 目前有关于农业碳排放的研究十分丰富，主要围绕以下两个方面展开.

一方面是农业碳排放现状及驱动因素分析［3-4］. 其中，李波等［5］运用Kaya恒等式研究了影响我国农业碳排放的因素，发现影响因素对农业碳减排的作用程度大小依次为：劳动力规模、农业结构、农业生产效率. 胡婉玲等［6］通过EKC 检验发现农业生产效率和农村人口对中西部地区具有减排作用，农业产业结构、产业结构、地区经济发展水平和城镇化则具有增排作用. 黄燕等［7］分析发现产业结构、农业经济发展水平、农业劳动力规模、人均耕地面积、劳动力文化水平对中国农业碳排放影响程度依次减弱. 丁宝根等［8］通过LMDI模型研究了影响长江经济带农业碳排放的因素，发现农业生产效率、农业劳动力规模是抑制该地区农业碳排放的因素，而农业经济水平、农业生产结构则具有促进作用. 孟军和范婷婷［9］运用改进的碳排放系数法估算农业碳排放并通过LMDI模型分析发现，农业经济水平、农业生产效率分别是促进和抑制黑龙江省农业碳排放的最主要因素. 旷爱萍和胡超［10］通过LMDI模型分析发现，农业生产效率、农业生产结构、就业结构分别是抑制广西农业碳排放增长的影响因素.

另一方面是从农业经济、农业技术、农业结构等某一具体因素对农业碳排放的影响方面进行分析研究［11-12］. 李波等［13］运用综合协整理论和误差修正模型证明了湖北省农业碳排放与农业经济增长之间存在长期稳定的关系，发现各省农业碳排放差距日益明显是区域间农业经济发展、生产条件和发展战略差异造成的. 赵先超和宋丽美［14］通过模型实证了湖南省农业经济增长能够促进农地利用碳排放量、碳排放强度的增长. 张亚飞和张立杰［15］通过构建脱钩弹性模型对比发现，新疆农业碳排放与农业经济增长响应程度弱于福建. 陈银娥和陈薇［16］构建并联立了农业碳排放与农业机械化、产业升级之间关系的方程组，得出了农业机械化抑制农业碳排放，产业升级促进农业碳排放的结论. 李成龙和周宏［17］研究了不同路径下的技术进步对农业碳排放的影响，发现机械型技术进步和生物型技术进步分别对碳排放产生促进和抑制作用. 董明涛［18］运用灰色关联分析，研究了我国农业碳排放强度与产业结构的关联程度.

上述学者们的研究十分丰富，有涉及国家层面、省级层面的，也有从农业经济、产业结构等影响因素去具体研究其分别与农业碳排放关系的. 从上述文献可以看出，虽然学者一致认为劳动力规模对农业碳排放具有负向作用，但现有研究都是将种植业、林业、畜牧业、渔业的总劳动力规模作为影响农业碳排放的一个整体因素，并没有深入研究农业不同行业劳动力规模对农业碳排放的抑制程度. 因此，本文首先测算中部地区及各省份的农业碳排放量，其次，从农业各行业劳动力规模的角度出发，利用灰色关联模型来研究种植业、林业、畜牧业、渔业劳动力规模分别与农业碳排放的关联度，并将各行业对农业碳排放量的抑制程度及原因进行详细分析和讨论，以期为碳减排提供更具体、更有针对性的政策依据，从而更有效率地发展低碳农业.

1 理论方法与数据来源

1.1 灰色关联分析理论

灰色系统理论是一种系统的分析方法，能够解决贫信息不确定性的问题. 灰色关联分析方法的基本思想是根据系统行为序列与系统因素序列曲线几何形状的相似程度来判断不同序列之间是否具有紧密联系.折线的几何特征越相似，系统行为序列与系统因素序列之间的关联度就越大，系统行为序列受到系统因素序列的影响程度也就越大，则该系统因素序列即为主要的影响因素，反之则为次要影响因素［19-20］.

分别为系统行为特征序列X0与系统因素序列Xi的始点零化像，由

2）灰色相对关联度. 灰色相对关联度表示系统行为特征序列X0与系统因素序列Xi相对于始点的变化速率之间的联系，变化速率越接近，灰色相对关联度越大，反之则越小. 令

分别为序列X0与Xi的初值象. 则

分别为序列X′0与X′i的始点零化像. 由

得X0与Xi的灰色相对关联度：

3）灰色综合关联度. 灰色综合关联度既可以体现系统行为特征序列X0与系统因素序列Xi的相似程度，又能反映出X0与Xi相对于始点的变化速率的接近程度，能够较为全面地表征序列之间的联系是否紧密，其表达式为：

其中，ε0i和γ0i分别为系统行为特征序列X0与系统因素序列Xi的灰色绝对关联度和灰色相对关联度，θ∈[0 ,1] .

1.2 数据来源

农业碳排放指由于在农业生产的过程中，使用农药、化肥、能源等农业资源以及处理农业废弃物等物资，从而导致的温室气体排放［22］. 目前我国尚未有农业碳排放的官方统计数据，需要根据农业能源消耗量、能源碳排放系数和碳排放公式进行计算. 根据IPCC（2007）评估报告和李波、田云等［23-24］的方法，农业碳排放主要来源于农业生产中化肥、农药、农膜、柴油的使用以及翻耕和农业灌溉过程中所释放的温室气体. 农业碳排放的估算公式如下：

式中：E为农业碳排放总量；Ei各农业碳源的碳排放量；Ti为各农业能源消耗量；δi为各农业碳排放源的碳排放系数；i分别表示化肥、农药等农业碳源.

中部六个省份的劳动力规模数据以及测算各省碳排放所用数据分别来自各省统计年鉴. 其中，计算碳排放所用到翻耕面积使用当年农作物总播种面积代替，农业灌溉面积使用农业有效灌溉面积的数据来代替. 根据李波等［5］的研究成果，各农业碳排放源及系数如表1 所示. 基于数据的可获取性与完整性，选取2008—2018年中部六省的数据作为本文的时间样本序列.

表1 农业碳排放源、系数及参考来源Tab.1 Agricultural carbon emission source，coefficient and reference sources

2 农业碳排放测算结果分析

2.1 各省农业碳排放测算结果分析

按照公式（7），表2中测算出中部及中部六个省份2008—2018年的农业碳排放量，从表2中2008—2018年的均值数据来看，中部地区的均值为2 443.01万t. 其中，河南省的农业碳排放为820.217 万t，达到33.57%，在六个省份中占比最高，主要源于河南是农业大省，是整个中部地区播种面积最大的省份，其化肥、农药、农膜等的物质投入较多，客观上导致了其农业碳排放处于较高水平. 由于湖北和安徽两省的农业耕地面积、人力、物力等各项投入非常接近，农业碳排放均值分别为442.538、445.896 万t，占比分别为18.11%，18.25%，相差非常小. 湖南省的农业碳排放均值为355.642 万t，占中部农业碳排放均值的14.56%，低于湖北和安徽两省，主要原因是湖南的农业规模，各项投入等都相对较小于这两省. 山西、江西两省由于其自身农地资源相对有限，农业生产规模较小，农业碳排放量要远低于其他省，其均值占比分别仅为6.57%，8.93%.

表2 2008—2018年中部及各省农业碳排放量Tab.2 Agricultural carbon emissions in central China and the provinces from 2008 to 2018

2.2 各省农业碳排放变化趋势分析

从中部及各省2008—2018年农业碳排放量的变化趋势（图1）来看，中部与各省总体上都呈现出农业碳排放先增后减的变化趋势，这说明近些年，各省份采取的一系列减排措施初见成效. 其中，河南省碳排放以2015年为时间节点，2015年后保持持续下降状态，碳排放下降的时间点晚于其他省份，碳减排成效相对于其他省份较为滞后. 安徽省的碳排放在2014年达到峰值，此后持续下降，这得益于安徽省在2012年出台了“实施千万亩森林增长工程”的政策，正式启动推进生态强省建设，随着退耕还林战略的实施，农药使用量也得到了减少.“十二五”期间，湖北省已高度重视发展低碳农业的问题，因此，农业碳排放很大程度上得到了缓解. 对比湖北和安徽两省，在2008—2012年期间，湖北省的农业碳排放一直大于安徽省，而在2013年后安徽省的农业碳排放却超过了湖北，并且在2013—2018年间，安徽省农业碳排放都是始终大于湖北省. 这说明，近几年来，湖北省采取的一系列碳减排措施成效要优于安徽省，由此说明湖北省更加重视发展绿色农业，重视农业环境问题的整治，重视传统农业生产向绿色生产模式的转变，从而提升了农业绿色发展能力. 山西、江西、湖南省农业碳排放峰值分别出现在2013年、2013年、2016年. 在中部六个省份中，湖南出现碳排放的下降趋势最晚，且在2015—2016年间农业碳排放出现明显上升的趋势，此后两年下降得却较为缓慢，说明湖南省对农业碳减排的重视程度不够，采取的碳减排措施成效相对于其他省也欠佳.

图1 2008—2018年中部及各省农业碳排放变化趋势Fig.1 Trends of agricultural carbon emissions in central China and the provinces from 2008 to 2018

从图2单位劳动力农业碳排放量来看，中部地区的变化趋势大体上呈现先增后减的趋势，2008—2018年单位劳动力农业碳排放均值为0.48 t/人. 河南、湖北、安徽、江西这四省2008—2018年单位劳动力农业碳排放均值分别为0.50、0.55、0.58、0.57 t/人，都大于中部地区的0.48 t/人，说明了目前这些省份仍采用高消耗、高排放的模式进行农业生产. 而山西省2008—2018年单位劳动力农业碳排放均值仅为0.25 t/人，远低于中部地区，湖南省2008—2018年单位劳动力农业碳排放均值为0.41 t/人，也低于中部地区的均值，说明山西农业科技进步较快，湖南省农业科技进步快，农用物资利用效率也高. 由以上测算结果可知，中部地区整体上农业生产仍处于高投入、高排放的生产阶段，农业碳排放问题不容忽视且应该重视不同省份之间碳排放特征的显著差异.

图2 2008—2018年中部及各省单位劳动力农业碳排放变化趋势Fig.2 Trends of agricultural carbon emissions per capita in central China and the provinces from 2008 to 2018

3 农业碳排放与劳动力规模的灰色关联结果及分析

3.1 农业碳排放与各行业劳动力规模的灰色关联结果

根据上述灰色关联模型，即公式（1）～（3），分别得到中部及各省份种植业、林业、畜牧业、渔业劳动力规模与农业碳排放之间的灰色综合关联度，见表3.

表3 中部及各省农业碳排放量与农业各行业劳动力规模的灰色关联度Tab.3 Grey correlation degrees between agricultural carbon emissions and labor force scale in various agricultural industries in central China and the provinces

3.2 农业碳排放与各行业劳动力规模的灰色关联分析

从表3 可知，总体来看，中部劳动力规模对农业碳排放具有重要影响，农业各行业劳动力规模与中部地区的农业碳排放关联度均大于0.5，具有较大的关联效应. 其中，林业劳动力规模与碳排放高度相关，关联系数为0.788，对农业碳排放的抑制程度最强. 相比较而言，中部地区整体的林业规模较小，在农业中占比小，劳动力规模较小，所以对农业环境影响也较小，属于低碳行业. 因此，适当发展林业，促使劳动力向林业转移可以较好地抑制中部整体的农业碳排放. 畜牧业和渔业劳动力规模对农业碳排放的影响较大，关联度系数都大于0.6，说明是减排的主要因素，适当调整畜牧业与渔业的劳动力规模在一定程度上能够抑制农业碳排放. 种植业的劳动力规模与农业碳排放的关联系数仅为0.589，关联程度最低，对农业碳排放的抑制程度最弱，主要源于中部地区的种植业规模较大，劳动力规模庞大，在同时满足种植业生产的前提下，调整种植业的劳动力规模，对农业碳减排作用不大.

分地区来看，各省劳动力规模与其农业碳排放关联度有所不同，影响程度存在差异，这与各省份多年来所形成的较稳定的各行业劳动力模式构成有关. 但各省种植业，林业，牧业、渔业的劳动力规模与农业碳排放的关联系数都在0.5以上，说明都具有重要影响.

3.2.1 河南、山西农业碳排放与劳动力规模的灰色关联分析 河南、山西两省的农业碳排放与农业各行业劳动力规模的关联度排序较为相似. 这两省农业碳排放与畜牧业劳动力规模的关联度均为最大，说明畜牧业劳动力规模对这两省碳排放的抑制作用较为明显，畜牧业属于低碳行业，调整畜牧业劳动力对这两省的农业碳减排起着举足轻重的作用. 与渔业的劳动力规模关联度均为最小，一方面，这两省的渔业在各自农业总产值中占比较低，河南仅为1%左右，而山西为0.5%左右，不足1%. 另一方面，由于地理位置的原因，这两省缺少发展渔业的各项资源，河流湖泊较少，发展渔业将会受到很大的限制，增加渔业劳动力规模，将会导致该行业的劳动力过剩. 因此，通过调整渔业的劳动力规模来降低河南、山西两省的农业碳排放将难以实现. 而种植业、林业劳动力规模与两省农业碳排放的关联度方面存在差异. 种植业劳动力规模与河南、山西两省农业碳排放的关联度分别为第三、第二. 种植业在两省各自农业总产值中的占比均为最大. 山西近年来种植面积有所扩大，对劳动力的需求也有所提升，而河南的种植业耕地面积却有所下降，故种植业在碳减排方面对山西省发挥的作用要更显著些. 林业劳动力规模与河南、山西的农业碳排放关联度也不同，分别为第二、第三. 其原因是林业在河南省的农业总产值中占比相较于在山西省的农业总产值中占比较小，仅为2%、山西为6%，且近5年来，占比一直持续下降，而山西一直在持续上升. 因此，相较于山西省，调整林业的劳动力规模对河南省的碳排放抑制作用效果较为明显.

3.2.2 湖北农业碳排放与劳动力规模的灰色关联分析 湖北省渔业、种植业、林业、畜牧业的劳动力规模与农业碳排放的关联程度依次减小. 渔业对该省的农业碳排放抑制作用最强，主要由于该省是千湖之省，发展水产具有得天独厚的资源优势，而目前对水资源的利用不够充分，若充分利用自身资源发展渔业，扩大劳动力就业规模，将对该省的碳减排发挥巨大作用. 种植业劳动力规模对该省农业碳排放关联度排第二位，表现出种植业劳动力规模对农业碳排放具有较高的抑制作用，该省可适当发展种植业，扩大种植业的就业规模，从而促进农业的低碳发展. 林业与农业碳排放的关联度比种植业的劳动力规模要小，排序为第三，表明林业劳动力规模对该省的碳排放影响相对较小，调整林业的劳动力规模对碳排放的抑制作用不明显，可考虑从其他行业入手. 畜牧业对该省的农业碳排放抑制作用最不明显，属于高碳行业，源于湖北主要种植水稻等农作物，能产生较多的秸秆，但水稻秸秆的消化利用率比较低，不能满足现代化高效的草食畜牧业生产的需求. 因此需要提高畜牧行业的科技水平，降低劳动力规模，则对湖北省的农业碳减排作用不明显.

3.2.3 安徽农业碳排放与劳动力规模的灰色关联分析 安徽省农业碳排放与种植业的劳动力规模关联度最大，说明种植业劳动力规模对该省碳排放的抑制作用较为明显，种植业属于低碳行业. 因此，种植业劳动力的调整对该省的农业碳减排起着举足轻重的作用. 畜牧业劳动力与该省的碳排放关联度排第二，说明畜牧业仍旧具备较高的发展潜力，所以，对农业碳排放的抑制作用较强. 林业劳动力与该省农业碳排放的关联度相较于种植业，关联程度较低，排序为第三，抑制效果相对较差，源于相较于其他省份，该省目前缺少绿色，林地面积与森林蓄积较少. 该省的人均森林面积仅为全国0.1 hm2/人的1/2. 该省农业碳排放受渔业劳动力的影响最小，主要由于渔业产业化程度低，规模狭小，难以接纳大规模的劳动力. 因此，调整渔业的劳动力规模对该省的农业碳减排的作用较弱.

3.2.4 湖南、江西农业碳排放与劳动力规模的灰色关联分析 湖南、江西两省农业碳排放与种植业劳动力规模的关联度均为最大，与畜牧业的劳动力规模关联度均最小. 虽然种植业规模在两省中的占比均为最高，但是此行业仍旧缺少一定的劳动力来满足生产，所以，通过增加种植业劳动力能够对两省的农业碳排放起到很大的抑制作用. 相较于种植业，这两省的畜牧业规模较小，主要是由于养殖、放牧空间难以满足而使发展畜牧业受到局限. 由于很难在保证粮食作物产量的基础上通过削减耕地面积扩大养殖及放牧场地来发展畜牧业，所以，调整畜牧业劳动力规模对这两省的农业碳排放抑制效果不明显. 林业、渔业劳动力规模与湖南省和江西省的农业碳排放关联度分别各不相同. 林业劳动力与湖南和江西的农业碳排放关联度排名分别为第三、第二，说明林业劳动力对江西省的农业碳排放抑制效果强于湖南省，出现此现象的原因是林业仅占江西省农业总产值规模的1%左右，远小于湖南省7%的占比，林业在江西的发展潜力以及劳动力就业空间要大于湖南省，故调整林业劳动力规模在江西省发挥的碳减排作用要优于湖南省. 渔业劳动力规模与湖南省和江西省的农业碳排放关联程度分别为第二、第三. 这是由于渔业在湖南省农业总规模中占比仅为15%，占比较小，但湖南省河流湖泊众多，其中洞庭湖、湘江、沅水均等长江流域的湖泊，具有充分发展渔业的潜力，所以调整农业就业结构，增加渔业劳动力规模对湖南省的碳减排也能起到一定的积极作用. 相较于渔业，湖南省的畜牧业较不发达，主要因为湖南省很难在保证粮食作物产量的基础上通过削减耕地面积扩大养殖及放牧场地来发展畜牧业，养殖空间难以满足而使发展畜牧业受到局限.

4 结论与讨论

文中使用2008—2018年中部地区各省际面板数据，分别测算了中部及河南、山西、湖北、安徽、湖南、江西六个省份的农业碳排放量，运用灰色关联分析法，分析了各省农业碳排放与农业各行业劳动力规模间的灰色综合关联度，得到以下结论：首先，2008—2018年这11年间，中部地区及各省份农业碳排放均呈现明显的先增后减的变化趋势. 但有些省份碳排放下降趋势明显且下降时间较早，如湖北、山西. 有些省份下降趋势不明显且下降时间点较晚，如湖南、河南. 这说明中部地区一些省份在农业生产中，农业粗放式经营、化肥、农药投入量高、农业资源利用率较低、高排放等问题正在改善，而有些省份则转变得较为缓慢，各省份的农业发展并不一致. 这种现象的主要原因在于，我国农业技术进步较为缓慢，农业科技创新能力不足、当前各省发展现代化农业的需求难以得到满足. 因此，财政支农应向发展低碳农业技术方向倾斜；鼓励扶持技术型企业研发绿色环保型化肥、农药；积极引进先进、绿色的农业减排节能技术；提高机械、能源等物资的利用率；培养精英农业人才等.

其次，中部地区及各省份农业各行业劳动力规模与碳排放之间的关联度都大于0.5，关联度较高，适当调整劳动力规模与农业碳排放之间关联度较大的行业对农业碳减排意义非凡.

第三，种植业、林业、畜牧业、渔业各行业劳动力规模对中部地区农业碳排放的影响程度不同，按关联度排序，大小依次为：林业、畜牧业、渔业、种植业. 因此，应优化林业的劳动力结构层次，尽量适当地增加林业的劳动力规模，协调畜牧业、渔业、种植业的劳动力结构，如充分培养高层次的人才，充分利用劳动力，发展农业科技代替劳动力等，从而使劳动力规模向林业适当迁移.

最后，由于各省份长期以来所形成的较稳定的各行业劳动力模式构成有差异，因此，各省份农业各行业劳动力规模与农业碳排放的灰色关联度不同，抑制作用存在显著差异. 因此，政府在制定发展绿色农业以及低碳生产模式政策时，要根据各省农业生产发展状况，并兼顾劳动力资源的特征，充分考虑不同地区劳动力规模结构与农业碳排放关联度的差异，因地制宜地发展各省的低碳农业生产模式，使各省探索出契合自身特点的农业可持续发展之路.