秦岭陕西段农业碳排放时空分布特征与低碳化水平评价

徐薇 毛永亮 衡筱

摘 要：秦岭陕西段不同地区农业碳排放的时空分布特征与低碳化发展水平对我国如期完成“双碳”目标具有重要的战略意义。将秦岭陕西段6市农业作为研究单元，首先，从农作物耕作活动碳排放、畜牧养殖碳排放和农田土壤碳排放3个维度构建农业碳排放衍生指标体系，以此测算秦岭陕西段6市的农业碳排放量;其次，对农业碳排放时空分布特征进行分析，采用TOPSIS法对各地农业低碳化水平进行评价。结果显示，秦岭陕西段农业碳排放量时间上呈上升趋向，空间上分为4个区域，即商洛与安康处于轻型区域，汉中、西安属于中型区域，宝鸡属于重型区域，渭南处于超重型区域。2003-2022年间各地农业低碳化水平处于较低水平的是渭南，较高水平是商洛、安康与汉中。

关键词：农业碳排放;时空分布特征;低碳化化水平;TOPSIS法

中图分类号：F061.5 文献标志码：A 文章编号：1009-9107（2024）03-0140-09  DOI：10.13968/j.cnki.1009-9107.2024.03.15

引 言

2013年IPCC的第五次评估报告显示，农业活动温室气体排放量为全球的14％，并且农业生产活动所造成的CH4和N2O排放占人类活动的47％和58％，农业是全球温室气体排放的主要来源之一。目前，中国正处于传统农业和初级现代化农业并存逐步向全面现代化农业转变的关键时期，农机作业常态化，对化肥、农药等农用物资的依赖仍将处于较高水平，这在促进农业生产效率大幅提升的同时，一定程度上也加剧了温室气体排放。为了展现一个大国的责任担当，2015年中国在签署《联合国气候变化框架公约》时提出，力争在2005年的基础上，到2030年中国全行业实现碳减排60％～65％。为此，分析和研究农业碳排放成因和分布规律，降低农业碳排放水平也是助力实现乡村振兴战略、建设美丽中国的内在需要。

国内外学者基于IPCC制定的《2006年国家温室气体清单指南》测算区域内的农业碳排放，采用能值测算［1］、实地监测［2］、碳足迹动态研究［3-4］、模型模拟［5］、生命周期评价法LCA［6］、基于衍生指标与TOPSIS法［7］、系数法和超效率SBM模型［8］、BP神经网络算法［9］、非线性时变因子［10］与Tapio脱钩模型［11］等方法。随着在碳排放领域的相关研究不断深入，研究视角越发细致，形成了大量能反映我国农业碳排放现状与特征的研究成果，同时在对减排问题的探索上也取得了一定进展。部分学者从农业生产环节开始研究农业碳排放的测算并研究农业碳排放量的影响因素，发现农地利用活动中的化肥、农膜、农药、农用柴油［3］、灌溉与翻耕［12］、农业机械消耗［13］、电能消耗［14］、农田利用和管理环节与农业废弃物处理［3］等生产环节对农业碳排放有重要影响。也有学者从农业碳排放来源上选取水稻种植过程甲烷排放［15］以及小麦、玉米、大豆、薯类、油菜、稻谷、蔬菜等主要农作物［16］与畜牧养殖［17］的产量数据计算出区域内的农业碳排放量等。碳减排潜力的评估方面主要通过构建碳排放权区域分配指标体系［18］、农业碳排放强度［19］、农业碳排放衍生指标［7］、情境假设［20］、碳排放变化趋势［21］与生态足迹法进行综合评估［22］，对碳排放较高的区域制定相应的减排政策。

国内外关于碳排放的现有研究成果对农业碳排放的研究奠定了基础，但是现有研究也存在着一定不足：第一，当前对于农业碳排放方面的研究主要以全国或较大地域为研究范围，而我国各个地方的农业环境差别较大，研究地方的农业碳排放可以对不同区域的减排提出相关建议;第二，秦岭陕西段6市农业区域是构成秦巴山区主要部分，秦巴山区有着丰富的自然资源，土地肥沃、气候适宜，逐渐成为了长江上游最主要的新时代农业发展地区，是我国重要的粮食生产区，更是具有发展潜力的地区;第三，秦巴山区各省经济发展水平差距较大，不同区域间农业发展水平差距也比较大，内部农业影响因素错综复杂，因此聚焦特定区域农业碳排放进行研究具有极大的实践应用价值。本文在测算秦岭陕西段6市农业碳排放量的基础上通过低碳化评价方法对研究区域进行划分，对秦岭陕西段6市的农业碳减排提出了相关建议。

一、秦岭陕西段各地农业碳排放量测算

秦岭陕西段位于中国西北地区陕西省南部地区，与河南省、湖北省、四川省及重庆市多个省市相邻，文中秦岭陕西段各农业地区特指陕西省渭南市、西安市、宝鸡市、安康市、商洛市与汉中6市所属农业区域。

本文所采用的数据为2003-2022年的《陕西省统计年鉴》。以秦岭陕西段6市为研究对象，文中涉及到的农业碳排放各项指标来自于统计年鉴农业部分，碳排放系数与计算模型通过整理和分析已发表的文献获得，所使用碳排放系数的选取依照秦岭陕西段各地区农业生产实际情况进行确定。

联合国粮农组织（FAO）和当前已有研究认为，农业碳排放来自于农作物耕作活动碳排放、农田土壤N2O排放、畜牧养殖中动物产生的CH4和N2O排放、水稻种植CH4排放和秸秆焚烧碳排放等5个方面［24］。由于陕西省已经实现了秸秆还田利用，故本文在计算农业碳排放量时未将秸秆焚烧产生的碳排放纳入核算体系，将水稻种植过程产生的碳排放归入农田土壤碳排放进行计算。综上所述，本文将从农作物耕作活动碳排放、农田土壤N2O 排放、畜牧养殖（主要包括肠道发酵和粪便排放）产生的CH4和N2O进行农业碳排放的影响因素分析。

1.农作物耕作活动碳排放。主要来源于以下5个方面：（1）使用化肥直接或间接产生的碳排放;（2）各种农作物种植产生的碳排放;（3）使用农业机器所产生的碳排放（本文选取农业机械总动力计算农业机器产生的碳排放）;（4）农业灌溉所产生的碳排放（本文选取有效灌溉面积为农业灌溉面积）;（5）田间农膜使用产生的碳排放。具体碳排放系数见表1。

参考李波［24］、宋德勇［25］等人对农业碳排放的计算，农作物耕作活动碳排放计算公式如下：

Et=Gf A+SmC+Pm D+FaE+AiF（1）

式（1）中A、C、D、E、F 均为转换系数，Et为农业活动碳排放总量，Gf为化肥使用量，Sm为农作物种植面积，Pm为农业机械总动力，Fa为有效灌溉面积，Ai为农膜使用量。

2.农田土壤碳排放。在利用土地进行农业活动的同时会对土壤表层造成破坏，致使 N2O 气体从土壤流失排放到大气中。由于N2O和C在化学性质上的不同，不能直接计算碳排放量，故将N2O排放量转化为C排放量再进行计算（1吨N2O=81.27吨C）。各农作物的排放系数如表2所示：

农田土壤碳排放的计算公式如下：

Et=XaA+XbB+XcC+XdD+XeE+XfF（2）

式（2）中，Et为农田土壤碳排放总量，Xi分别为不同的农作物品种，A、B、C、D、E、F分别为不同农作物品种的碳排放系数。

3.畜牧养殖碳排放。养殖时反刍类动物所食饲草会在肠道发酵从而产生CH4，这与动物的粪便所产生的CH4、N2O共同构成畜牧养殖碳排放的主要来源。根据IPCC报告和当前的研究结果认为，牛（奶牛、非奶牛）、羊（绵羊、山羊）、驴、骡、猪、马与家禽等动物是产生CH4和N2O的主要动物，各种动物的碳排系数如表3所示。由于CH4、N2O与C在化学性质上的不同，故本文将CH4和N2O转化为C排放量再进行计算（1吨CH4=6.82吨C）。

对禽畜数量来说，由于官方数据给出的禽畜数量为期末头数，但不同种类禽畜的饲养周期差异、繁殖与宰杀均会对当年养殖量产生影响，据禽畜出栏率、平均生命周期和饲养周期对禽畜饲养量进行调整，计算牛、马、驴、骡、山羊和绵羊以及猪和家禽的年平均饲养量。其中，牛、马、驴、骡、山羊和绵羊的出栏率均小于1，采用上年年末与本年年末出栏量之和的均值为当年牲畜平均饲养量，计算时按公式（3）进行计算：

M=（mt-1+mt）/2（3）

式（3）中，M表示年均饲养量（头／匹），m为年出栏量（头／匹）。

考虑到猪和家禽的出栏率均大于1，猪与家禽的年均饲养量计算时按公式（4）进行计算：

M=（d×m）/365（4）

式（4）中，d表示禽畜平均生命周期（天），m为禽畜年出栏量（头／只）。本研究中涉及猪和家禽的d分别为200天和55天。

结合《IPCC 国家温室气体清单指南》和《中国温室气体清单研究》的参数，再结合公式（3）与公式（4），畜牧养殖碳排放的计算公式如下：

CEa=∑ni=1Nai×（C1，ai+C2，ai）（5）

式（5）中，CEa为动物的碳排放总量，Nai为第i种动物的数量，C1，ai表示第i种动物在肠道发酵时的CH4排放系数，C2，ai为第i种动物排粪便的CH4排放系数。

通过对上述三部分碳排放进行加总即可得到不同地区农业碳排放的总量。

二、农业低碳化水平评价方法

TOPSIS法是一种多指标评价法，其思想是将评价对象的各指标数据在坐标系中画出，找到最优（差）解，计算各评价方案与最优（差）解之间的欧式距离，得到评价方案与最优（差）理想解的接近程度。但由于欧式距离衡量的是数据曲线间的距离关系，无法体现评价数据的动态变化信息，故本文尝试构建基于动态自然权重的TOPSIS法，利用数据序列本身的变化信息对评价指标进行赋权。

1.决策矩阵构造。设m个市区n年的农业碳排放衍生指标值构成的原始评价信息矩阵为决策矩阵X：

X=（xij）m×n i=1，…，m;j=1，…，n（6）

为消除量纲对结果可能造成的影响，对决策矩阵进行标准化处理，由于文中构建的评价指标均为越小越优型，故决策矩阵V=（vij）m×n的标准化过程如下：

V=（max-X）/（max-min）（7）

2.加权决策矩阵构造。将衍生指标对应碳源的排放量占全省当年农业碳排放量的比例作为评价指标的权重wij，得到加权决策矩阵。

P=（Pij）m×n=（wij×vij）m×n i=1，2，…，m;j=1，2，…，n（8）

正负理想解表达式。最优（差）解。最优解为各评价指标值最小， Sj+和 Sj-分别表示最优解和最差解。

S+j=min1≤1≤i≤mpij j=1，2，…，n

S-j=max1≤1≤i≤mpij  j=1，2，…，n（9）

用欧氏距离计算各评价对象与最优（差）解的距离。

Sd+i=∑nj=1（S+j-pij）2 i=1，2，…，m

Sd-i=∑nj=1（S-j-pij）2 i=1，2，…，m（10）

评价方案与最优解相对贴近度。TOPSIS法将贴近度值大小作为排序依据，贴近度值越大，评价方案越接近最优解，在文中表示农业低碳化水平越高，反之亦然。相对贴近度λ薸为：

λi=Sd-iSd+i+Sd-i（11）

三、秦岭陕西段农业碳排放总量时间变化趋势

通过上文描述的公式对秦岭陕西段各地区2003-2022年农业排放总量进行测算，图2是根据测算结果绘制的近20年农业碳排放量的变化趋势图。

从碳排放的总趋势来看，图1中秦岭陕西段6市农业碳排放量整体呈现上升趋势，研究期间内农业碳排放总量为先上升后下降的趋势，在2003-2016年间农业碳排放量在2010年与2011年短暂下降后呈现快速上升趋势。2016年达到农业碳排放量的最大值341.41万吨，2016年相比2003年农业碳排放量增长了97.85万吨。2017-2022年呈下降趋势，其中的原因可能是在碳达峰碳中和目标提出后秦岭陕西段各地对农业结构进行了相关调整。

从秦岭陕西段6市农业碳排放的来源看，农作物耕作活动碳排放20年来一直处于上升过程，2003年农作物耕作活动碳排放量为104.51万吨，2020年最高为172.41万吨，2022年为147.15万吨，耕作活动中农业机械化水平的发展、农业化肥的使用、农业塑料薄膜与农业灌溉活动消耗的电能都加大了农作物耕作活动碳排放;农田土壤碳排放量20年间较为稳定，2003年土壤碳排放量为40.67万吨，2016年最高为71.38万吨，2022年为38.94万吨;畜牧养殖碳排放在20年间围绕100万吨上下波动，2003年畜牧养殖碳排放为98.38万吨，2009年最高为120.10万吨，2022年畜牧养殖碳排放量最低为67.86万吨。通过查阅20年间的统计年鉴发现其原因是陕西省牲畜量与农作物耕作面积近20年保持稳定水平。

四、秦岭陕西段农业碳排放空间变化特征

自然断点法是在对数值进行排序后，归纳其中的规律再对数值进行分类的统计方法，可以最大限度地显示类与类之间的差异。秦岭陕西段6市在时间、空间上农业碳排放量存在较大的差异，基于测算的农业碳排放数据使用ArcGIS 10.8软件中的自然断点方法分为4类进行分析。为了凸显秦岭陕西段农业碳排放在时间、空间上的变化特征，绘图时以所在区域占总体农业碳排放的比重分为4个等级进行绘制。本文的研究跨度为2003-2022年20年间农业碳排放量，以5年为一个小跨度可以更直观展现其在空间上的变化趋势，因此本文绘制了2007、2012、2017及2022年共4幅农业碳排放空间分布图（见图2）。

从图2可见，在2007年农业碳排放量的空间分布图中，商洛与安康的占比最低处于第1类，汉中为第2类，宝鸡、西安为第3类，渭南最高为第4类;在2012年农业碳排放量分布图中安康的农业碳排放量占比较2007年上升为第2类，商洛的占比为第1类，汉中与安康为第2类，宝鸡、西安的为第3类，占比最高的仍为渭南第4类;在2017年农业碳排放量分布图中占比分布与2012年相同。在2022年农业碳排放量分布图中变化较大的为西安呈现占比下降，商洛的占比为第1类，汉中、西安、安康为第2类，宝鸡为第3类，渭南最高为第4类。从时间总体上看秦岭陕西段碳排放占比较高的区域为渭南，其次为宝鸡;占比最低的为商洛，其次为西安、汉中与安康。

根据自然数断点法中农业碳排放量占总体的比重按从低到高将秦岭陕西段农业碳排放共分为4类。根据占比的大小分为4个等级：其中占比第1类的为轻型、占比第2类的为中型、占比第3类的为重型、占比第4类的为超重型。根据图2空间分布图得到如表4所示的农业碳排放等级结构图。

秦岭陕西段6市农业碳排放量在2003-2022年间经历了3个阶段：稳定阶段、初步分化阶段、快速调整阶段。2003-2007年间为稳定期，以轻型和重型为主。轻型为商洛与安康，重型为宝鸡与西安，中型为汉中，超重型为渭南。2007-2017年为初步分化期，主要以中型与重型为主。轻型为商洛，中型为汉中与安康，安康由轻型转为中型，重型为宝鸡与西安，超重型为渭南;2017-2022年间为快速调整期，主要以中型为主，轻型为商洛，中型为西安、汉中以及安康，重型为宝鸡，超重型为渭南。总体看2003-2022年20年间商洛一直处于轻型，汉中一直处于中型，宝鸡一直处于重型，渭南一直处于超重型，安康与西安的碳排放量经过了多次调整。

五、秦岭陕西段农业碳排放结构测算结果及分析

1.秦岭陕西段农业碳排放量测算结果。通过上文描述的公式对秦岭陕西段6市2003-2022年农业碳排放量进行测算，得到秦岭陕西段各年间三种碳排放源对应产生的碳排放量（见表5），限于篇幅表5仅展示间隔期限为5年部分年份的测算结果。

2022年与2007年相比农作物耕作活动碳排放处于增长期，西安增长量为3.02万吨，宝鸡增长量为8.25万吨，渭南增长量为15.48万吨，商洛为负增长降低了0.48万吨，安康增长量为2.37万吨，汉中增长量为1.38万吨，渭南与西安农作物耕作活动碳排放长期处于较高水平，分析其原因可能为渭南与西安属于关中平原，一直以来是秦岭地区粮食的主产地，在机械使用与农作物耕作活动方面相比于其他地区更为频繁;2022年与2007年相比畜牧养殖碳排放中总体趋势看均在逐渐下降，西安下降了14.51万吨，宝鸡下降了8.23万吨，渭南下降了7.34万吨，商洛下降了9.65万吨，安康下降了2.56万吨，汉中下降了4.49万吨;2022年与2007年相比农田土壤碳排放处于稳定期变化幅度较小，西安下降了1.9万吨，宝鸡下降了1.09万吨，渭南增长量为2.78万吨，商洛下降了0.57万吨，安康增长量为0.44万吨，汉中增长量为0.53万吨。

2.秦岭陕西段农业碳排放结构测算及分析。秦岭陕西段6市农业碳排放结构是由各类碳源产生碳排放量占当年农业碳排放总量比例计算得来（见表6），限于篇幅，表6仅展示部分年份农业碳排放结构。农作物耕作活动碳排放是农业碳排放的主要来源，在2007、2012、2017、2022年的比重分别为0.437、0.502、0.521、0.579，总体看呈现上升趋势，农业机械化的普及是该排放量提高的主要原因，大规模的使用现代化农业机械、农药和农用塑料薄膜的使用占主要因素;畜牧养殖碳排放在2007、2012、2017、2022年的比重分别为0.420、0.339、0.350、0.267，畜牧养殖碳排放在研究区域内呈现下降趋势;农田土壤碳排放在2007、2012、2017、2022年的比重分别为0.143、0.159、0.130、0.154，20年间的差距较小，其中原因是这些年间水稻、春小麦、冬小麦、大豆、玉米、蔬菜、棉花这些农作物的耕作面积没有太大变动。

3.秦岭陕西段农业碳排放低碳化水平评价。根据陕西省碳排放各市贴近度值的得分，将农业低碳化水平由低到高划分为一级、二级和三级，得分区间依次为（0，0.3］、（0.3，0.7］和（0.7，1］，得分越低表明该市农业的低碳水平越高。6市农业低碳化水平Topsis评价计算结果见表7。从结果看渭南市农业位于第三级，低碳化水平最差，碳排放长期处于最高值。数据充分显示渭南地区的农业机械总动力、化肥使用量与农膜使用量远高于其他市，其农作物耕作活动碳排放高于其他市;西安与宝鸡农业处于第二级，低碳化水平不高;处于第一级的为商洛、安康和汉中，其中商洛农业整体低碳化水平最高接近于0，其次为安康，最后为汉中。

六、结论与建议

本文使用秦岭陕西段各地区2003-2022年的统计数据，从农作物耕作活动碳排放、农田土壤碳排放与畜牧养殖碳排放三个方面测算了近20年的农业碳排放量。以此为基础，对秦岭陕西段各地农业碳排放时空演变机制进行分析，并构建了农业碳排放衍生指标和农业低碳化水平评价体系，测算各地农业低碳化水平，得到结论如下：

1.从时间上看，秦岭陕西段6市在2003-2022年20年间农业碳排放量总体，呈现先上升后下降的趋势。基于测算的结果，秦岭陕西段中农作物耕作活动碳排放是农业碳排放产生的主要来源，并且农作物耕作活动碳排放还有增长的趋势;其次占比较高的为畜牧养殖碳排放，总体上看处于波动趋势，2006年为最高值;农田土壤碳排放在20年间情况基本稳定。

2.从空间维度看秦岭陕西段6市在2003-2022年间农业碳排放占比经历了三个阶段：稳定阶段、初步分化阶段、快速调整阶段。渭南是农业碳排放最高的地区，其次为西安、宝鸡、安康与汉中，商洛是排放水平最低的地区。

3.从各地20年的Topsis评价结果看，各地农业低碳化水平并不高，低碳化水平最高的为商洛，其次为安康与汉中，西安与宝鸡处于第二级低碳化水平较为一般，渭南长期处于最高水平。根据数据显示渭南的农业机械总动力、化肥使用量与农膜使用量远高于其他市，造成了该地区的农作物耕作活动碳排放高于其他地区。

在保证农业高质量发展和粮食生产安全前提下，中国农业碳排放总量将保持一定增长态势。因此，低碳农业发展应从降低特定农业活动碳排放强度入手。

第一，合理调整农业现代化的结构，渭南与宝鸡在耕地面积与其他市差异不大的基础上，农业机械总动力、农药使用量与农作物耕作活动远大于其他市，在渭南地区应提高农业产业集聚程度，推荐采用新技术、调整农业产业结构。

第二，科学安排牲畜养殖业生产布局，对宝鸡等地区单位牲畜粪便管理碳排放高的地区，应充分利用禽畜规模养殖场直联直报平台。对安装粪污处理设备且禽畜粪污综合利用率达标的养殖场给予农业用水用电价格优惠政策，强化政策保障。

第三，农田土壤碳排放继续保持当下发展水平，适当调整蔬菜、小麦、稻谷、玉米、大豆与棉花的产业布局，提高机械使用的效率。

参考文献：

［1］ NURSE J，BASHER D，BONE A，et al.An Ecological Approach to Promoting Population Mental Health and Well-being—A Response to the Challenge of Climate Change［J］.Perspect Public Health，2010，130（01）：27-33.

［2］ GOLDSTEIN B，HAUSCHILD M，FERNANDEZ J，et al.Testing the Environmental Performance of Urban Agriculture as A Food Supply in Northern Climates［J］.Journal of Cleaner Production，2016，135（01）：984-994.

［3］ 尚杰，杨滨键.区域农业碳足迹动态影响效应研究——以潍坊市种植业为例［J］.农村经济，2020（05）：75-82.

［4］ 黄祖辉，米松华.农业碳足迹研究——以浙江省为例［J］.农业经济问题，2011（11）：40-47.

［5］ WANG G，LIAO M，JIANG J.Research on Agricultural Carbon Emissions and Regional Carbon Emissions Reduction Strategies in China［J］.Sustainability，2020，12（07）：26-27.

［6］ 王钰，乔濮超，赵鑫，等.中国小麦、玉米碳足迹历史动态及未来趋势［J］.资源科学，2018，40（09）：1800-1811.

［7］ 田成诗，陈雨.中国省际农业碳排放测算及低碳化水平评价——基于衍生指标与TOPSIS法的运用［J］.自然资源学报，2021，36（02）：395-410.

［8］ 张颂心，王辉，徐如浓.科技进步、绿色全要素生产率与农业碳排放关系分析——基于泛长三角26个城市面板数据［J］.科技管理研究，2021，41（02）：211-218.

［9］ 胡振，龚薛，刘华.基于BP模型的西部城市家庭消费碳排放预测研究——以西安市为例［J］.干旱区资源与环境，2020，34（07）：82-89.

［10］ 李治，贾馥君，李国平，等.陕西省碳排放强度收敛性及趋势演进分析［J］.生态经济，2021，37（03）：23-30.

［11］ 白义鑫，王霖娇，盛茂银.黔中喀斯特地区农业生产碳排放实证研究［J］.中国农业资源与区划，2021，42（03）：150-157.

［12］ 张小平，王龙飞.甘肃省农业碳排放变化及影响因素分析［J］.干旱区地理，2014，37（05）：1029-1035.

［13］ 尧波，郑艳明，胡丹，等.江西省县域农业碳排放的时空动态及影响因素分析［J］.长江流域资源与环境，2014，23（03）：311-318.

［14］ 张若焰，陈儒，王秀娟，等现代烟草农业的碳效应核算与分析——以陕西省烟草合作社为例［J］.中国生态农业学报（中英文），2019，27（12）：1903-1915.

［15］ 李远玲，王金龙，杨伶.基于县域尺度的湖南省农业碳排放时空特征分析［J］.中国农业资源与区划，2022，43（04）：75-84.

［16］ 张巍.区域碳补偿标准及额度研究［J］.统计与决策，2019，35（24）：55-58.

［17］ 廖卫东，刘淼.西部地区农业碳排放的时空演变及EKC假说检验——基于西部大开发12省份动态面板数据模型的经验分析［J］.世界农业，2020（06）：62-70.

［18］ 田云，张银岭.中国农业碳排放减排成效评估、目标重构与路径优化研究［J］.干旱区资源与环境，2019，33（12）：1-7.

［19］ 田云，林子娟.巴黎协定下中国碳排放权省域分配及减排潜力评估研究［J］.自然资源学报，2021，36（04）：921-933.

［20］ 王勇，毕莹，王恩东.中国工业碳排放达峰的情景预测与减排潜力评估［J］.中国人口·资源与环境，2017，27（10）：131-140.

［21］ BAA B，LI Y，AOA B，et al.Investigating，Forecasting and Proposing Emission Mitigation Pathways for CO2 Emissions From Fossil Fuel Combustion Only：A Case Study of Selected Countries［J］.Energy Policy，2019，130：7-21.

［22］ YEO M J，KIM Y P.Changes of the Carbon Dioxide Emissions and the Overshoot Ratio Resulting From the Implementation of the 2nd Energy Master Plan in the Republic of Korea［J］.Energy Policy，2016，96：241-250.

［23］ 冯宗宪，王安静.中国区域碳峰值测度的思考和研究——基于全国和陕西省数据的分析［J］.西安交通大学学报（社会科学版），2016，36（04）：96-104.

［24］ 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（08）：80-86.

［25］ 宋德勇，卢忠宝.中国碳排放影响因素分解及其周期性波动研究［J］.中国人口·资源与环境，2009，19（03）：18-24.

Spatial and Temporal Distribution Characteristics of Agricultural Carbon Emission and Evaluation of Low-carbonization Level in Urban Areas of Shaanxi Province

XU Wei1，MAO Yongliang1，2，HENG Xiao2

（1.School of Biological and Environmental Engineering，Xian University，Xian 710065;2.College of Economics and Management，Northwest A&F University，Yangling，Shaanxi 712100，China）

Abstract：The spatial and temporal distribution characteristics of agricultural carbon emissions and the level of low-carbon development in different regions of the Qinling Mountains in Shaanxi Province are of strategic importance for China to achieve the “double carbon” target on schedule.This study takes agriculture in six cities in the Shaanxi section of Qinling Mountains as the research unit.First，we construct an agricultural carbon emission derivation index system from three dimensions：carbon emission from crop cultivation activities，carbon emission from livestock breeding and carbon emission from farmland soil，so as to measure the agricultural carbon emission in six cities in the Qinling Mountains and Shaanxi Province.Second，the spatial and temporal distribution characteristics of agricultural carbon emissions are analyzed，and then the TOPSIS method are used to evaluate the level of agricultural low-carbonization in each region.The spatial distribution of agricultural carbon emissions in Shaanxi section of the Qinling Mountains is divided into three regions：Shangluo and Ankang are in the light region，Hanzhong and Xian are in the medium region，Baoji is in the heavy region，and Weinan is in the super heavy region.The low level of agricultural decarbonization between 2003 and 2022 is in Weinan， and the high level is in Shangluo，Ankang and Hanzhong.

Keywords：agricultural carbon emission;spatial and temporal distribution characteristics;low-carbonization level;Topsls method

（责任编辑：王倩）

基金项目：陕西省科学技术厅创新能力支撑计划项目（2023-CX-RKX-105）

作者简介：徐薇，女，西安文理学院生物与环境工程学院讲师，主要研究方向为秦岭生态环境保护。