2024, Vol. 45
面对全球气候变化这一共同挑战, 中国主动作为, 积极应对, 于2020年正式提出“2030碳达峰”“2060碳中和”战略目标.虽如此, 根据国际能源署（IEA）发布的《2022年二氧化碳排放报告》, 2022年中国碳排放总量超过114×108 t, 仍然是世界第一大碳排放国, 减排任务艰巨.其中农业活动产生的碳排放量约占17%[1], 也是不容忽视的碳源.有研究表明, 中国农业已于2015年实现碳达峰, 峰值为103 855.15×104 t[2], 同时, 农业的“碳汇”属性使得农业自身有望实现净零排放（碳吸收完全抵消碳排放）目标, 甚至对其他行业产生外溢, 助推全国的碳中和进程.长江经济带是我国重要的农业生产区域, 以约占全国44%的耕地面积, 产生了45 479×104 t农业碳排放量, 约占全国农业碳排放总量的48.35%[2], 因此该区域农业绿色低碳发展对全国的碳达峰、碳中和进程具有重要意义.
自2020年中国提出“双碳”目标以来, 学者围绕碳达峰时间及峰值预测等问题展开了深入研究.相关研究的区别主要在于研究方法、研究对象和研究区域的选择上, 就研究方法来说, 应用最为广泛的是STIRPAT模型结合情景分析法[3~5], STIRPAT模型是研究碳排放及其影响因素之间因果关系的主要理论模型之一[6], 结合情景分析法可以分析不同情景模式下碳排放的变化趋势, 从而作出合理有据的路径决策.也有部分学者选择EKC模型[7]和灰色预测模型[8]等.在研究对象和研究区域的选择上, 学者们关注的领域各有不同, 起初主要从宏观层面以全国为样本进行预测[9~12], 随着研究的细化, 学者渐渐聚焦于某个区域、省（市）, 或者某个行业的碳排放预测, 如研究西北五省区[13]、黄河流域[5]和京津冀[14], 或者江苏省能源消费[15]和农业[16]及湖南省农地投入[17]的碳排放趋势等.
总体来看, 关于碳排放趋势预测的文献已十分丰富, 聚焦于农业领域的研究主要从全国[18]或者具体某个省份[19, 20]展开, 鲜见学者将农业碳汇与碳排放结合起来探讨农业碳中和趋势.鉴于此, 本文在农业碳补偿框架下, 选择STIRPAT模型和情景分析法, 分别预测基准情景下, 11个省市2022~2025年各自的农业碳排放量, 分析其农业“碳达峰”进程, 同时预测其农业碳汇量, 进而结合农业碳补偿率的概念, 推测各个省市的农业碳补偿潜力及碳中和进程, 总结不同省市农业减碳增汇的有效路径.
本文的边际贡献主要体现在两方面：一是将农业“碳汇”纳入碳补偿框架中, 预测了长江经济带农业碳补偿率的变化趋势, 能够弥补当前研究主要集中于农业碳排放趋势预测, 而忽视了农业的碳汇属性的不足.二是为保证预测结果的准确性, 本文分别预测了长江经济带11个省市各自的碳补偿潜力, 不仅能够更加全面和细致地掌握长江经济带的农业碳补偿潜力的变化趋势, 还能为长江经济带各省市制定细化的减排措施提供更有力的依据.
1 材料与方法 1.1 农业碳补偿率核算方法农业碳补偿率能够反映农业的净碳能力, 用农业碳汇与碳排放的比值表示, 大于1表示农业碳汇能够覆盖碳排放, 实现农业净零排放和碳中和目标[21].农业碳排放量和碳汇量的核算如表 1所示, 其中, 农业碳排放量核算采用应用最为广泛的IPCC系数法, 从农业能源利用、农用物资投入、水稻种植和畜禽养殖这4个方面展开测算[2, 22].农业碳汇量核算主要考虑农作物在生命周期中通过光合作用从大气中吸收并固定CO2形成的有机碳量[23, 24].
|
表 1 长江经济带农业碳排放量、碳汇量和碳补偿率核算1） Table 1 Accounting table of agricultural carbon emission, carbon sink, and carbon compensation rate in the Yangtze River Economic Belt |
1.2 STIRPAT扩展模型
本文采用STIRPAT扩展模型, 利用岭回归分析各省市农业碳排放的影响因素.York等[28]研究发现碳排放量与经济发展指标间关系复杂, 于是以IPAT与ImPACT模型为基础提出了STIRPAT模型, 对传统的IPAT模型进行了改进[3, 15], 该模型能够修正传统模型无法分析变量对环境的非线性变化影响这一不足, 且更具灵活性和扩展性. IPAT模型的一般表达式为：
|
(1) |
该表达式研究的是人口（P）、财富（A）和技术水平（T）对环境压力（I）的影响, 进一步STIRPAT模型可以写为：
|
(2) |
式中, a为模型系数, b、c和d为待估指数项, e为误差项, 将等式两边取对数后得到求和模式：
|
(3) |
为了识别各省市农业碳排放的影响因素, 本文结合农业的产业特性, 对式（3）进行扩展, 得到式（4）：
|
(4) |
式中, I为农业碳排放；P为乡村人口；A为富裕程度, 用农村居民人均可支配收入表征[18]；T为农业技术水平, 用农业机械总动力表征[29]；SA为农作物种植规模, 即农作物总播种面积；IA为农田灌溉能力, 用有效灌溉面积表征；FE为化肥施用量, 用农用化肥施用折纯量表示；FI为农业公共投资, 用地方财政农林水事务支出表示；AO为农业发展水平, 用农林牧渔业总产值表示；LL为畜牧业规模, 用大型牲畜数量表示[20]；β1 ~ β9为变量各自对应的待估指数.
1.3 岭回归本文数据使用的是时间序列数据, 首先采用普通最小二乘法OLS对式（4）进行估计, 然后利用方差膨胀因子（variance inflation factor, VIF）检验变量间是否存在共线性.结果显示（实证分析略）, 各个省市模型的变量间均存在严重的多重共线性, 因此不能继续采用OLS进行无偏估计.
因此, 本文选择岭回归（ridge regression, RR）对式（4）进行回归分析.岭回归又称脊回归, 是1970年由Hoerl等[30]提出的针对于复共线性数据分析, 它的实质是一种改良的最小二乘估计法, 可以解决OLS求解系数向量时遇到的矩阵无法求逆的问题[31], 通过放弃OLS的无偏性, 引入有偏估计, 目的是提高估计结果的稳定性, 代价是损失了部分信息, 估计结果的精确度也下降了.并且虽然岭回归的残差平方和（RSS）比OLS大, 但它对离群点的数据的耐受性要远远强于OLS[32~34].与经典的OLS的正规方程组相比, 岭回归矩阵中加入了对角元素k, k通常称为岭系数（ridge efficient）.在岭回归中岭系数k的取值对回归结果十分重要, 当k取0时即为OLS估计, k值越大, 回归结果的偏误越大[35], 因此为了有效缓解共线性, 同时使得系数估计的偏误越小, 有必要选择一个使得各个参数的估计系数趋于稳定且显著的同时, 相对来说更小的k值, 同时拟合优度R2也不能太小.
在岭回归分析中, 解释变量的筛选也会影响回归结果, 通常通过观察岭迹剔除不合适的变量, 基本原则有：①剔除岭迹上标准化岭回归系数比较稳定且绝对值很小的解释变量；②剔除掉岭回归系数不稳定, 且随着k值的增加, 振动趋于零的解释变量；③剔除掉标准化岭回归系数很不稳定的解释变量[36].
1.4 数据来源为更准确探究农业碳补偿率现状, 本研究对象包含长江经济带沿线11省市的地级及以上城市, 共108个城市, 由于行政体制的变化, 本文剔除掉毕节巢湖和铜仁这三市样本[37].本研究数据来源于各城市统计年鉴（2012~2022年）及统计公报、《中国城市统计年鉴》（2012~2022年）等, 部分缺失数据采用线性插值法补齐.本研究的时间范围之所以选择2011~2021年, 是因为多数城市缺失2010年及以前的统计年鉴, 导致数据搜集困难.
本文分省市讨论各自的农业碳补偿潜力, 需采用时间序列数据, 因此重新搜集省级面板数据, 并将时间范围拓宽至2006~2021年, 重新测度省级层面的农业碳补偿率, 样本的增加也能使得后文的拟合方程更加准确.数据来源于《中国农村统计年鉴》（2007~2022年）和国家统计局等.
2 农业碳排放、碳汇和碳补偿率的演进特征 2.1 农业碳排放、碳汇和碳补偿率的变化趋势图 1（a）描述了2011~2021年长江经济带农业碳排放量、碳汇量和碳补偿率的变化趋势.观测期内长江经济带农业碳排放呈现“缓慢上升-持续下降-略有回升”的特征, 大致呈倒“U”型, 并在2015年实现“达峰”, 峰值为33 312.65×104 t. 2011~2020年减少至29 462.67×104 t, 2021年出现小幅回升, 但总体来看下降趋势明显.结合图 1（b）的碳排放结构来看, 碳排放下降主要归因于畜禽养殖产生的碳排放大大减少了近2 000×104 t, 其次农业能源和农用物资产生的碳排放也有小幅下降, 但水稻种植与之相反, 增排了280×104 t. 出现这一现象主要是因为2015年我国出台了全国农业绿色可持续发展规划（2015~2030年）, 提出控制畜禽养殖污染排放, 并且首次将“控肥、控药、控水”措施从研究开发提升至实际应用[18].长江经济带是我国水稻的重要种植区域之一, 可见, 该区域水稻种植碳减排潜力巨大, 未来该区域必须积极引入低碳稻作技术, 同时加强节水、减肥、低碳和高产的水稻耕作技术的攻关, 以实现水稻种植碳排放“由增入减”.
|
图 1 长江经济带农业碳排放、碳汇和碳补偿率的变化趋势 Fig. 1 Change trend of agricultural carbon emission, carbon sink, and carbon compensation rate in the Yangtze River Economic Belt |
由图 1（a）可发现, 长江经济带农业碳排放量始终高于碳汇量, 这表明整体来看长江经济带仍是“净碳排”区域.虽如此, 碳排放与碳汇的差距却逐渐在缩小, 从2011年的8 852.70减少至2021年5 966.65×104 t, 这主要是得益于碳排放的下降, 而碳汇量涨幅较小, 可见未来农业低碳绿色发展的重心仍应放在减排上来, 同时辅以增汇技术研发, 才有望实现农业净零排放, 达成农业“碳中和”目标.
2.2 农业碳补偿率的区域差异首先对数据进行标准化, 再运用核密度估计法, 分析核密度的分布位置、形态、延展性和极化现象, 进一步明晰长江经济带农业碳补偿率的城市差异、极化特征等, 结果如图 2所示.农业碳补偿率主峰的中心位置在0.1左右, 对应碳补偿率为0.626, 且逐渐右移、升高, 说明总体呈上升趋势.主峰右侧出现3~5个“矮、窄”, 对应碳补偿率大于1的副峰, 且副峰呈“先左移, 后右移”总体右移趋势, 表明农业碳补偿率的极化现象突出, “净碳汇”和“净碳排”城市之间差距较大, 但“净碳汇”城市较少, 2021年仅有29个, “净碳排”城市仍占主导地位.同时, 变化节点出现在2016年, 可见2016年长江经济带“共抓大保护, 不搞大开发”方针有效推动了流域内城市的农业减碳增汇行动.
|
图 2 长江经济带农业碳补偿率核密度 Fig. 2 Kernel density of agricultural carbon compensation rate in the Yangtze River Economic Belt |
首先, 本文选择扩展的STIRPAT模型, 运用岭回归, 分别探究长江经济带11个省市农业碳排放的影响因素及作用大小, 并结合情景分析法, 预测未来各省市农业碳排放的“达峰”情况.
3.1.1 扩展STIRPAT模型统计回归分析首先应用Stata对式（4）进行OLS多元回归分析, 并检验变量是否存在多重共线性.结果如表 2所示, 除上海的农业技术水平、浙江和贵州的农田灌溉能力、安徽的农作物种植规模以及江苏、安徽、湖北、湖南、重庆、四川和贵州的畜牧业规模外, 其余变量的方差膨胀因子（VIF）均大于10, 表明每个省市的模型变量间均存在严重的多重共线性, 不能继续采用OLS进行回归分析.
|
|
表 2 各变量的方差膨胀因子 Table 2 VIF of variables |
因此, 本文选择岭回归方法对式（4）进行统计回归分析, 首先对所有的解释变量作岭迹分析, 得到岭迹（其中横轴表示岭系数k, 纵轴表示标准化岭回归系数）, 再通过变量的岭迹分析, 剔除掉不符合筛选原则的变量[36], 最后做岭回归, 从而得到更为稳定、准确的预测模型.
变量的筛选过程本文以上海市为例进行说明, 图 3（a）展示了包含所有变量的岭迹, 发现变量lnIA、lnAO和lnLL的岭回归系数绝对值非常小, 振动趋于零, 故将其剔除.剔除变量后重新进行岭回归, 剩余6个变量的岭迹如图 3（b）所示, 当岭系数k大于0.3时, 各变量的回归系数值趋于稳定, 综合考虑变量的显著性和R2的大小, 本文取k = 0.32, 此时R2 = 0.918, F统计量为16.696, 且通过了1%的显著性检验, 表明模型可以较好地解释上海市农业碳排放与各变量之间的关系.
|
（a）上海包含所有变量的岭迹图, （b）剔除掉不合适的变量后剩余变量的岭迹图 图 3 上海市岭迹 Fig. 3 Ridge trace of Shanghai |
除上海外其余10个省市的岭迹如图 4所示, 剔除部分变量后重新进行岭回归, 当岭系数k分别为0.32、0.4、0.25、0.4、0.4、0.5、0.2、0.42、0.08和0.25时, 与之对应的江苏、浙江、安徽、江西、湖北、湖南、重庆、四川、贵州、云南的岭迹趋于平稳, 此时各自模型对应的R2 = 0.717、0.935、0.930、0.856、0.795、0.816、0.700、0.734、0.715和0.863, 各省市的岭回归估计结果见表 3, 结果可见模型拟合效果较好.
|
图 4 江苏、浙江、安徽、江西、湖北、湖南、重庆、四川、贵州和云南的岭迹 Fig. 4 Ridge trace of Jiangsu, Zhejiang, Anhui, Jiangxi, Hubei, Hunan, Chongqing, Sichuan, Guizhou, and Yunnan |
|
|
表 3 各省市岭回归估计结果1） Table 3 Ridge regression estimation results of all provinces and cities |
根据岭回归估计结果, 得出各省市农业碳排放拟合方程, 以上海为例, 上海农业碳排放影响因素有lnP、lnA、lnT、lnSA、lnFE和lnFI, 且均通过了显著性检验, 模型拟合效果较好.上海、江苏、浙江、安徽、江西、湖北、湖南、重庆、四川、贵州和云南对应的岭回归方程分别为：
|
(5) |
|
(6) |
|
(7) |
|
(8) |
|
(9) |
|
(10) |
|
(11) |
|
(12) |
|
(13) |
|
(14) |
|
(15) |
从拟合方程来看, 各省市农业碳排放的影响因素, 以及各自的作用方向和影响程度不尽相同, 除江苏、浙江、重庆和四川外, 乡村人口与农业碳排放正相关, 农村居民富裕程度、农业技术水平、农作物种植规模、农田灌溉能力、化肥施用量、农业公共投资、农业发展水平、畜牧业规模基本与农业碳排放正向相关, 符合实际情况.
将回归变量系数代入到拟合方程中, 计算出农业碳排放量的拟合值, 与实测值进行对比由于篇幅限制, 本文仅展示江苏、江西、湖南、四川四省的对比结果.从图 5可知, 各省市拟合值和实测值的变化趋势相同, 其中, 江苏省的绝对误差区间在13×104 ~209×104 t, 相对误差区间在0.288%~4.037%；江西省的绝对误差和相对误差分别为3×104 ~268×104 t和0.053%~5.739%；湖南省的分别为8×104 ~245×104 t和0.134%~3.949%；四川省的分别为0.268×104 ~288×104 t和0.005%~5.758%, 整体来看, 各省市预测模型较好解释了农业碳排放的大小和趋势.
|
图 5 江苏、江西、湖南和四川农业碳排放量实测值与拟合值对比 Fig. 5 Comparison of measured and fitted values of agricultural carbon emissions in Jiangsu, Jiangxi, Hunan, and Sichuan |
为探究长江经济带农业“碳达峰、碳中和”前景, 本文结合各省市农业发展环境和现实情况, 在基准情景下对2022~2025年各省市的驱动因素分别设定变化率（如表 4）, 以识别长江经济带农业绿色低碳发展的现实路径.基准情景是指以长江经济带各省市过往的农业发展特征为基础, 在假设当下的经济与技术环境不变, 并且政府不出台新的减排措施的前提下, 对农业及各项相关指标的发展采用趋势外推[4].因此, 本文在进行情景设置时, 主要依据的是政府已经出台, 并且与未来农业发展密切相关的政策文件, 以保证预测结果的科学性.具体设置依据如表 4所示.
|
|
表 4 基准情景下各省市模型变量2022~2025年变化率设定1）/% Table 4 Change rate of the provincial and municipal model variables from 2022 to 2025 under the benchmark scenario/% |
乡村人口（P）：乡村人口数与城镇化率具有相反的增长率[19, 20], 因此本文参考邹秀清等[38]的研究, 以各省市常住人口城镇化率来设定基准情景下乡村人口的年均增速, 分别为-0.480%、-0.356%、-0.782%、-1.081%、-1.018%、-0.353%、-1.350%、-0.939%、-1.411%、-1.648%和-4.121%.以上海为例, 根据上海“十四五”规划, 2025年上海常住人口城镇化率将达到90%, 2021年该指标为89.3%, 据此设定基准情景下, 2022~2025年上海乡村人口增速为-0.480%.
农村居民人均可支配收入（A）：浙江、江西、湖北、重庆、四川、贵州和云南的增速按照各自的“十四五”农业农村规划进行设定, 分别为5.941%、6.237%、4.770%、6.745%、8.101%、8.000%和8.950%.以浙江为例, 依据《浙江省农业农村现代化“十四五”规划》, 2025年农村居民人均可支配收入目标值为44 000元, 2021年该指标为35 247元, 据此设定增速为5.941%.另外, 上海、安徽和湖南设定农村居民人均可支配收入增速与居民人均可支配收入增长同步, 分别为5.000%、7.000%和6.500%.
农业技术水平（T）：农业科技进步是实现农业机械现代化, 减少碳排放的核心, 本文依据各省市农业科技进步贡献率的变化率设定农业技术进步的增速, 上海、浙江、安徽、江西、湖北、湖南、重庆、贵州和云南的增速分别为0.227%、1.076%、0.563%、1.393%、0.401%、0.878%、1.207%、1.755%和0.660%.
农作物种植规模（SA）：作物产量与作物播种面积息息相关, 2006~2021年上海农作物播种面积和粮食产量的下降趋势均十分明显, 并且具备强相关性.因此本文将粮食产量的年均增速设定为农作物总播种面积的增速, 为-1.071%；同理设定安徽增速为-0.540%；根据江苏“十四五”规划, 2025年江苏的粮食播种面积稳定在5 333×103 hm2以上, 2021年该指标为5 428×103 hm2, 据此设定江苏增速为-0.439%；据《湖北省推进农业农村现代化“十四五”规划》, 2025年全省主要粮食作物水稻播种面积稳定在2 333×103 hm2左右, 小麦面积稳定在1 000×103 hm2左右, 玉米面积稳定在767×103 hm2左右, 2021年湖北小麦播种1 052×103 hm2, 水稻2 270×103 hm2, 玉米763×103 hm2, 据此设定湖北增速为0.077%.
农田灌溉能力（IA）：高标准农田通过田块整治、沟渠配套、节水灌溉等措施, 能够大大改善农田生态环境, 提升农田有效灌溉率, 因此本文将高标准农田的建设面积增速设定为农田灌溉能力的增速.据规划, 安徽到2025年预计建成4 167×103 hm2高标准农田, 2021年该指标为3 673×103 hm2, 据此设定增速为3.201%；农田灌溉水有效利用系数一定程度上也能反映农田的灌溉能力, 江西、湖北、湖南、重庆、贵州和云南的农田灌溉能力增速按照农田灌溉水有效利用系数的增速设定, 分别为2.050%、0.327%、1.035%、0.392%、0.940%和0.890%.
化肥施用量（FE）：据规划, 上海2025年化肥施用量要比2020年下降9%, 2020年该指标为6.89×104 t, 据此推断, 上海化肥施用量的年均增速为-1.869%；根据规划, 江苏到2025年化肥施用量较2020年削减3%, 2020年和2021年化肥施用折纯量分别为280.75×104 t和275.56×104 t, 据此设定江苏年均增速为-0.295%；据规划, 浙江2025年单位播种面积施肥强度目标为364.5 kg·hm-2, 2021年该指标为339 kg·hm-2, 据此设定浙江增速为1.843%；根据方案, 江西到2025年全省农用化肥施用量实现稳中有降, 全省有机肥施用面积占比增加5个百分点以上, 据此设定江西增速为-1.224%；关于云南2025年的化肥施用量暂没有相关政策文件的支撑, 于是本文将2011~2021年云南化肥施用折纯量的年均增长率近似地作为2022~2025年的增长率, 即为-0.676%.
农业公共投资（FI）：《上海市财政支持做好碳达峰碳中和工作的实施意见》指出, 要加强上海财政支持政策与国家和本市“十四五”规划纲要衔接, 正确处理高质量发展和高水平保护的关系. 因此本文设定基准情景下, 农业公共投资年均增速与经济增长保持一致, 即上海、安徽、江西、湖北、湖南和四川的增速分别为5.000%、6.500%、7.000%、6.500%、6.500%和6.000%.
农业发展水平（AO）：江苏、安徽、江西和四川农林牧渔业总产值增速与地区生产总值增长保持一致, 分别为5.5%、6.500%、7.000%和6.000%；重庆和贵州的增速按照第一产业增加值的增速设定, 分别为3.436%和4.450%；云南增速按照农林牧渔业总产值的增速设定, 为5.940%.
畜牧业规模（LL）：根据《浙江省畜牧业高质量发展“十四五”规划》, 到2025年, 生猪存栏将达到780×104头, 奶牛存栏5.1×104头, 湖羊存栏136.5×104只, 2021年浙江生猪存栏640.23×104头, 牛存栏16.69×104头, 绵羊存栏114.34×104只, 据此设定浙江畜牧业规模的年均增速为4.553%；据规划, 四川到2025年, 生猪出栏达到6 000×104头, 2 021年生猪出栏6 314.8×104头, 据此设定四川增速为-1.270%.
3.1.3 农业碳排放预测结果与分析图 6描述了基准情景下, 2006~2021年长江经济带各省市农业碳排放的历史值和2022~2026的预测值.其中, 上海、浙江、四川的峰值均出现在2006年, 且变化轨迹较为相似.具体来看, 上海农业碳排放低于500×104 t, 排名最末, 峰值出现在2006年463.00×104 t, 随后持续下降至2020年的最低值324.50×104 t, 2021~2025年虽略有回升, 但整体仍呈下降趋势.根据预测模型, 2022年上海碳排放的回升源于乡村人口减少和农业技术进步带来的增碳效应.浙江农业碳排放整体排名第9, 峰值同样出现在2006年2 710.86×104 t, 随后持续下降至2021年的2 155.66×104 t, 但根据预测结果, 2022~2025年出现持续小幅度回升, 这主要源于浙江农村居民财富、农业技术进步、农用化肥、畜牧业规模的增碳效应.四川农业碳排放排名逐渐由第2下降至第6, 在2006年达到峰值5 285.03×104 t, 并且整体仍呈下降趋势, 2025年更是降至4 449.29×104 t. 四川减碳成果主要源于乡村人口减少、农作物播种面积和化肥施用量下降.
|
红色部分表示2022~2025年的预测值 图 6 2006~2025年长江经济带各省市农业碳排放实测值及预测值 Fig. 6 Measured and forecast value of agricultural carbon emissions in all provinces and cities in the Yangtze River Economic Belt from 2006 to 2025 |
江苏和重庆峰值均出现在2012年, 但具体变化有所不同.其中, 江苏农业碳排放处于前列, 观测期内呈波浪起伏状, 峰值出现在2012年5 411.71×104 t, 2022~2025年碳排放处于下行轨道, 2025年低于了5 000×104 t, 排名下降至第4名, 减碳成果主要来源于乡村人口和农作物规模下降、化肥施用较少.同样重庆也在2012年达到峰值1 700.36×104 t, 随后便处于下行趋势, 排名下降至第10, 主要来源于农业经济发展水平和农业技术进步的减碳效应.
安徽和江西农业碳排放的排放量和变化轨迹几乎一致, 排放量排放大致在第4到第6之间, 2017年江西超过安徽后便处于领先地位, 并且两者均在2025年将达到最高值, 分别为4 939.88×104 t和5 069.59×104 t, 表明安徽和江西均尚未实现农业“碳达峰”.从变化轨迹看, 两者农业碳排放上行的趋势明显, 处在不断攀升的阶段.观其预测模型, 发现两者农业碳排放的影响因素及其作用方向较为相似, 增碳主要来源于农田灌溉能力提升、农业公共投资增加和农业经济发展水平提升.
湖南、湖北、贵州和云南在观测期内农业碳排放上行趋势明显, 其中, 湖南农业碳排放远高于其余省市, 基本维持在6 000×104 t以上, 排名第1, 从2011年的5 877.71×104 t上升至2021年的6 576.51×104 t, 且预测期内仍在增加, 表明湖南不仅尚未实现农业“碳达峰”, 且减碳压力显著大于其他省市.湖北在2017年达到峰值5 514.05×104 t, 2021年又降至5 185.46×104 t, 但根据预测, 2022~2025年会出现小幅回升, 排名第2.湖北和湖南碳排放的增加主要是源于农村居民财富、乡村人口、农业技术进步、农田灌溉能力和农业公共投资的增碳效应.贵州自2009年开始农业碳排放持续上升, 2025年预计将达到2 019.18×104 t.主要是因为农村居民财富、乡村人口和农业经济发展的增碳效应大于了农业技术进步和农田灌溉能力的减碳效应.云南2025年预计增加到3 258.23×104 t, 主要来源于农村居民财富、乡村人口、农业技术进步、农田灌溉能力和农业经济发展的增碳效应.
总体来看, 上海、浙江和四川于2006年实现农业碳达峰, 江苏和重庆于2012年实现农业碳达峰, 安徽、江西、湖北、湖南、贵州和云南尚未实现碳达峰.安徽、江西、湖北、湖南、贵州和云南农业碳排放处于上行轨道, 其余省市逐渐在下降, 至2025年, 大致形成：湖南 > 湖北 > 江西 > 江苏 > 安徽 > 四川 > 云南 > 浙江 > 贵州 > 重庆 > 上海；长江中游地区 > 下游地区 > 上游地区的格局.
3.2 农业碳汇预测 3.2.1 农业碳汇情景设置为预测农业领域实现“碳中和”的时间节点, 还需对农业碳汇量进行预测.本文农业碳汇量的估算仅与农作物产量相关, 因此设定农业碳汇变化率时仅需考虑粮食产量的变化.各省市碳汇2022~2025年变化率设定如表 5所示, 根据上文, 上海市农业碳汇的年均增速为-1.071%；浙江省出台《提升粮食生产能力打好粮食安全保卫战实施方案》, 提出力争到2025年, 全省粮食产量达到630×104 t以上, 2021年浙江省粮食产量621×104 t, 据此设定浙江年均增速为0.364%；同理设定湖南、贵州和云南增速分别为1.398%、-0.853%和0.254%.
|
|
表 5 各省市碳汇2022~2025年变化率设定/% Table 5 Change rate of carbon sink from 2022 to 2025/% |
江苏省2011~2021年农作物播种面积波动较小, 粮食产量上升趋势十分明显, 但江苏省“十四五”规划提出到2025年, 全省粮食综合生产能力大于3 700×104 t, 而2021年江苏粮食产量就达到3 745×104 t, 若根据该数据来确定2022~2025年粮食产量年增速不符合现实情况, 因此本文将2011~2021年粮食产量的年均增长率设定为江苏2022~2025年的增速, 即为1.102%；同理, 安徽、江西、重庆和四川的增速为2.120%、0.438%、0.266%和0.979%.
由上文可知, 2022~2025年湖北省农作物种植面积的年均增速为0.077%, 而湖北省农作物种植面积与粮食产量高度正相关, 因此未来该省粮食产量也应处于上升趋势, 据此设定湖北增速为0.077%.
3.2.2 农业碳汇预测结果与分析图 7描述了基准情景下, 2006~2021年长江经济带各省市农业碳汇的历史值和2022~2025的预测值.可见, 2006~2021年, 除上海和浙江外, 其余省市农业碳汇呈上升趋势, 其中, 安徽的上升幅度最大, 年均增速达到1.540%, 重庆、湖北和四川次之.这主要与上海和浙江缩减农作物种植规模, 粮食产量下降有关.预期2022~2025, 上海粮食产量仍会稳步下降, 而浙江通过出台保障粮食生产能力的文件, 预测粮食产量会上升, 使得碳汇增加.同时, 江苏、安徽、江西、湖北、湖南、重庆、四川和云南的碳汇量也会有不同程度的上升, 安徽的增速最快, 湖北省排最末.至2025年, 大致呈现安徽 > 江苏 > 四川 > 湖南 > 湖北 > 云南 > 江西 > 贵州 > 重庆 > 浙江 > 上海的格局.
|
红色部分表示2022~2025年的预测值 图 7 2006~2025年长江经济带各省市农业碳汇量实测值与预测值 Fig. 7 Measured and forecast value of agricultural carbon sinks in all provinces and cities in the Yangtze River Economic Belt from 2006 to 2025 |
农业碳补偿率即为农业碳汇与碳排放的比值, 因此根据农业碳排放和碳汇的预测值就能得出碳补偿率的预测值.图 8描述了基准情景下, 2006~2021年长江经济带各省市农业碳补偿率的历史值和2022~2025的预测值, 其中位于“1”处的直线为“农业碳中和线”, 超过该线即意味着农业碳汇能够完全抵消碳排放, 实现农业碳中和.可见, 上海、浙江、江苏、江西、湖南和湖北的农业碳补偿率始终低于1, 尚未实现农业净零排放.其中上海、浙江和江西直到2025年农业碳补偿率均低于0.5, 农业碳中和任务十分艰巨.虽如此, 江苏和湖南农业碳补偿率的上升趋势十分明显, 且江苏在2025年达到了0.928, 未来5年内有望实现碳中和.
|
红色部分表示2022~2025年的预测值；位于“1.0”处的红色直线为“农业碳中和线”, 越过该线表示农业碳汇能够完全覆盖碳排放 图 8 2006~2025年长江经济带各省市农业碳补偿率实测值与预测值 Fig. 8 Measured and forecast value of agricultural carbon compensation rate in all provinces and cities in the Yangtze River Economic Belt from 2006 to 2025 |
反观安徽、重庆、四川和云南, 农业碳补偿率均大于1, 跨过了“农业碳中和线”.其中安徽除少部分年份外, 多数年份均大于1, 2025年达到了1.081, 为历年、各省市最高.究其原因, 安徽碳排放虽在增加, 但碳汇的增速大于了碳排放, 这表明在保证农业生产的同时, 若碳排放增加不可避免, 也可从提升农作物产量, 增加碳汇入手, 这样既满足了农业生产需要, 又能实现农业净零排放；重庆和四川分别于2022年和2023年正式实现农业碳中和, 且处于不断上升趋势, 这是因为重庆和四川碳排放在减少, 而碳汇在增加, 表明减碳和增汇是实现农业碳中和“1+1 > 2”的路径；云南2006~2024年均大于1, 但2022~2025年下降趋势明显, 2025年甚至低于了1, 这主要是云南碳汇增长速度慢于碳排放导致的, 未来云南应采取更多的措施减碳.
4 讨论结合以上分析, 长江经济带农业减碳增汇的有效路径可以从以下4点考虑.
一是继续在畜禽养殖减碳上下工夫, 推进畜禽粪污资源化利用；同时积极引入低碳稻作技术, 加强节水、减肥、低碳、高产的水稻耕作技术的攻关, 减低碳排的同时增加水稻产量, 开发水稻种植的减碳增汇潜力.
二是长江中、下游与上游地区碳补偿率差异如此大的原因主要在于碳排放, 要缩小区域差异, 中、下游未来的重心应放在如何减排上, 辅以增汇技术研发与应用；贯彻区域协调发展思想, “净碳汇”城市增加对“净碳排”城市的政策带动和技术溢出.
三是采用适宜的减排和增汇措施的组合协调, 平衡农作物种植规模和粮食产量之间的关系, 要在适度“减耕”的同时, 加强高标准农田建设, 提高农业生产效率, 在减耕的同时提升农作物产量；在农业技术进步的同时, 提升化肥、农药等农资的使用效率；平衡经济发展、粮食安全与农业绿色发展之间的关系, 在农业经济平稳运行、粮食稳定供给的同时实现农业减碳增汇.
四是安徽、重庆和四川作为碳中和省市, 应强化对周边省市农业减碳增汇行动的带动；云南应采取更多的措施减碳, 争取2025年后重回碳中和省市行列；上海、浙江、江西、湖南和湖北农业减碳增汇任务重, 应从提升绿色农业技术、适度降低农作物种植规模、强化农田灌溉水有效利用和优化农业公共投资上入手；江苏应在坚持现行政策措施的基础上, 进一步减少化肥施用量, 平衡农业经济发展与减碳增汇的关系.
5 结论（1）2011~2021年长江经济带整体农业碳排放变化大致呈倒“U”型, 并在2015年达峰, 峰值为33 312.65×104 t；畜禽养殖减排力度大是碳排放下降的主要动因, 但水稻种植反而在增碳；农业碳补偿率总体呈上升趋势, 但仍低于1, 整体上仍是“净碳排”区域, 碳排放与碳汇的差距逐年在缩小, 有望实现农业“碳中和”.
（2）长江经济带农业碳补偿率区域差异大, 仅长江上游地区农业碳补偿率超过1, 成为“净碳汇”区域；极化现象突出, “净碳汇”城市较少, “净碳排”城市仍占主导地位.
（3）上海、浙江、四川、江苏和重庆实现了农业碳达峰, 预测至2025年, 长江经济带农业碳排放大致形成：湖南 > 湖北 > 江西 > 江苏 > 安徽 > 四川 > 云南 > 浙江 > 贵州 > 重庆 > 上海的格局；农业碳汇大致呈现：安徽 > 江苏 > 四川 > 湖南 > 湖北 > 云南 > 江西 > 贵州 > 重庆 > 浙江 > 上海的格局.农村居民财富和农业机械总动力的增加、农田灌溉能力的提升、农业公共投资的增加、农业经济发展是农业增排的主要原因, 而农作物播种面积和化肥施用量的减少是促使农业减排的重要原因.
（4）上海、浙江、江苏、江西、湖南和湖北尚未实现农业碳中和, 但江苏在2026~2030年内有望实现.安徽、重庆、四川和云南跨过“农业碳中和线”, 安徽农业碳补偿率在2025年达到了1.081, 为历年、历省市最高, 重庆和四川分别于2022年和2023年正式实现农业碳中和, 且处于不断上升趋势, 云南农业碳补偿率下降趋势明显, 2025年低于了1.
| [1] |
吉雪强, 李卓群, 张跃松. 农地流转对农业碳排放的影响及空间特性[J]. 资源科学, 2023, 45(1): 77-90. Ji X Q, Li Z Q, Zhang Y S. Influence of rural land transfer on agricultural carbon emissions and its spatial characteristics[J]. Resources Science, 2023, 45(1): 77-90. |
| [2] |
田云, 尹忞昊. 中国农业碳排放再测算: 基本现状、动态演进及空间溢出效应[J]. 中国农村经济, 2022(3): 104-127. Tian Y, Yin M H. Re-evaluation of China's agricultural carbon emissions: basic status, dynamic evolution and spatial spillover effects[J]. Chinese Rural Economy, 2022(3): 104-127. |
| [3] |
渠慎宁, 郭朝先. 基于STIRPAT模型的中国碳排放峰值预测研究[J]. 中国人口·资源与环境, 2010, 20(12): 10-15. Qu S N, Guo C X. Forecast of China's carbon emissions based on STIRPAT model[J]. China Population, Resources and Environment, 2010, 20(12): 10-15. |
| [4] |
王勇, 韩舒婉, 李嘉源, 等. 五大交通运输方式碳达峰的经验分解与情景预测——以东北三省为例[J]. 资源科学, 2019, 41(10): 1824-1836. Wang Y, Han S W, Li J Y, et al. Empirical decomposition and forecast of peak carbon emissions of five major transportation modes: Taking the three provinces in Northeast China as examples[J]. Resources Science, 2019, 41(10): 1824-1836. DOI:10.18402/resci.2019.10.06 |
| [5] |
张国兴, 苏钊贤. 黄河流域交通运输碳排放的影响因素分解与情景预测[J]. 管理评论, 2020, 32(12): 283-294. Zhang G X, Su Z X. Analysis of influencing factors and scenario prediction of transportation carbon emissions in the Yellow River Basin[J]. Management Review, 2020, 32(12): 283-294. |
| [6] |
张江艳. 基于扩展STIRPAT模型LMDI分解的碳排放脱钩因素[J]. 环境科学, 2024, 45(4): 1888-1897. Zhang J Y. Research on carbon emission decoupling factors based on STIRPAT model and LMDI decomposition[J]. Environmental Science, 2024, 45(4): 1888-1897. |
| [7] |
赵忠秀, 王苒, Voss H, 等. 基于经典环境库兹涅茨模型的中国碳排放拐点预测[J]. 财贸经济, 2013(10): 81-88, 48. Zhao Z X, Wang R, Voss H, et al. The prediction of China's carbon emission turning point based on the classic EKC model[J]. Finance & Trade Economics, 2013(10): 81-88, 48. |
| [8] |
张峰, 殷秀清, 董会忠. 组合灰色预测模型应用于山东省碳排放预测[J]. 环境工程, 2015, 33(2): 147-152. Zhang F, Yin X Q, Dong H Z. Application of combination grey model in carbon emissions prediction in Shandong province[J]. Environmental Engineering, 2015, 33(2): 147-152. |
| [9] |
朱永彬, 王铮, 庞丽, 等. 基于经济模拟的中国能源消费与碳排放高峰预测[J]. 地理学报, 2009, 64(8): 935-944. Zhu Y B, Wang Z, Pang L, et al. Simulation on China's economy and prediction on energy consumption and carbon emission under optimal growth path[J]. Acta Geographica Sinica, 2009, 64(8): 935-944. |
| [10] |
刘建翠. 中国交通运输部门节能潜力和碳排放预测[J]. 资源科学, 2011, 33(4): 640-646. Liu J C. Energy saving potential and carbon emissions prediction for the transportation sector in China[J]. Resources Science, 2011, 33(4): 640-646. |
| [11] |
杜强, 陈乔, 杨锐. 基于Logistic模型的中国各省碳排放预测[J]. 长江流域资源与环境, 2013, 22(2): 143-151. Du Q, Chen Q, Yang R. Forecast carbon emissions of provinces in China based on Logistic model[J]. Resources and Environment in the Yangtze Basin, 2013, 22(2): 143-151. |
| [12] |
杨顺顺. 中国工业部门碳排放转移评价及预测研究[J]. 中国工业经济, 2015(6): 55-67. Yang S S. Evaluation and prediction on carbon emissions transferring across the industrial sectors in China[J]. China Industrial Economics, 2015(6): 55-67. |
| [13] |
邓小乐, 孙慧. 基于STIRPAT模型的西北五省区碳排放峰值预测研究[J]. 生态经济, 2016, 32(9): 36-41. Deng X L, Sun H. Forecast of the northwest five provinces' carbon emissions based on STIRPAT model[J]. Ecological Economy, 2016, 32(9): 36-41. |
| [14] |
韩楠, 罗新宇. 多情景视角下京津冀碳排放达峰预测与减排潜力[J]. 自然资源学报, 2022, 37(5): 1277-1288. Han N, Luo X Y. Carbon emission peak prediction and reduction potential in Beijing-Tianjin-Hebei region from the perspective of multiple scenarios[J]. Journal of Natural Resources, 2022, 37(5): 1277-1288. |
| [15] |
黄蕊, 王铮, 丁冠群, 等. 基于STIRPAT模型的江苏省能源消费碳排放影响因素分析及趋势预测[J]. 地理研究, 2016, 35(4): 781-789. Huang R, Wang Z, Ding G Q, et al. Trend prediction and analysis of influencing factors of carbon emissions from energy consumption in Jiangsu province based on STIRPAT model[J]. Geographical Research, 2016, 35(4): 781-789. |
| [16] |
邱子健, 靳红梅, 高南, 等. 江苏省农业碳排放时序特征与趋势预测[J]. 农业环境科学学报, 2022, 41(3): 658-669. Qiu Z J, Jin H M, Gao N, et al. Temporal characteristics and trend prediction of agricultural carbon emission in Jiangsu Province, China[J]. Journal of Agro-Environment Science, 2022, 41(3): 658-669. |
| [17] |
黎孔清, 陈俭军, 马豆豆. 基于STIRPAT和GM(1, 1)模型的湖南省农地投入碳排放增长机理及趋势预测[J]. 长江流域资源与环境, 2018, 27(2): 345-352. Li K Q, Chen J J, Ma D D. Growth mechanism and trend forecast of carbon emission from farmland inputs in Hunan province based on STIRPAT and GM (1, 1) model[J]. Resources and Environment in the Yangtze Basin, 2018, 27(2): 345-352. |
| [18] |
蔡景丽, 顾佳艳, 陈敏, 等. 2000-2020年中国种植业碳排放驱动因素及预测分析[J]. 环境科学与技术, 2023, 46(2): 159-167. Cai J L, Gu J Y, Chen M, et al. Drivers and prediction of carbon emissions in the China's planting industry from 2000 to 2020[J]. Environmental Science & Technology, 2023, 46(2): 159-167. |
| [19] |
王树芬, 高冠龙, 李伟, 等. 2000—2020年山西省农业碳排放时空特征及趋势预测[J]. 农业环境科学学报, 2023, 42(8): 1882-1892. Wang S F, Gao G L, Li W, et al. Carbon emissions from agricultural and animal husbandry in Shanxi Province: temporal and regional aspects, and trend forecast[J]. Journal of Agro-Environment Science, 2023, 42(8): 1882-1892. |
| [20] |
高晨曦, 卢秋萍, 欧年青, 等. "双碳"目标下河南省农业碳排放影响因素及预测研究[J]. 中国生态农业学报(中英文), 2022, 30(11): 1842-1851. Gao C X, Lu Q P, Ou N Q, et al. Research on influencing factors and prediction of agricultural carbon emission in Henan Province under the Carbon Peaking and Carbon Neutrality goal[J]. Chinese Journal of Eco-Agriculture, 2022, 30(11): 1842-1851. |
| [21] |
吴昊玥, 何艳秋, 陈文宽, 等. 中国农业碳补偿率空间效应及影响因素研究——基于空间Durbin模型[J]. 农业技术经济, 2020(3): 110-123. Wu H Y, He Y Q, Chen W K, et al. Spatial effect and influencing factors of China's agricultural carbon compensation rate——based on spatial Durbin model[J]. Journal of Agrotechnical Economics, 2020(3): 110-123. |
| [22] |
徐清华, 张广胜. 农业机械化对农业碳排放强度影响的空间溢出效应——基于282个城市面板数据的实证[J]. 中国人口·资源与环境, 2022, 32(4): 23-33. Xu Q H, Zhang G S. Spatial spillover effect of agricultural mechanization on agricultural carbon emission intensity: an empirical analysis of panel data from 282[J]. China Population, Resources and Environment, 2022, 32(4): 23-33. |
| [23] |
杨果, 陈瑶. 中国农业源碳汇估算及其与农业经济发展的耦合分析[J]. 中国人口·资源与环境, 2016, 26(12): 171-176. Yang G, Chen Y. China's agriculture carbon sink estimation and its coupling analysis with agricultural economy development[J]. China Population, Resources and Environment, 2016, 26(12): 171-176. |
| [24] |
伍国勇, 刘金丹, 杨丽莎. 中国农业碳排放强度动态演进及碳补偿潜力[J]. 中国人口·资源与环境, 2021, 31(10): 69-78. Wu G Y, Liu J D, Yang L S. Dynamic evolution of China's agricultural carbon emission intensity and carbon offset potential[J]. China Population, Resources and Environment, 2021, 31(10): 69-78. |
| [25] |
田云, 张俊飚. 中国省级区域农业碳排放公平性研究[J]. 中国人口·资源与环境, 2013, 23(11): 36-44. Tian Y, Zhang J B. Fairness research of agricultural carbon emissions between provincial regions in China[J]. China Population, Resources and Environment, 2013, 23(11): 36-44. |
| [26] |
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. |
| [27] |
曾贤刚, 余畅, 孙雅琪. 中国农业农村碳排放结构与碳达峰分析[J]. 中国环境科学, 2023, 43(4): 1906-1918. Zeng X G, Yu C, Sun Y Q. Carbon emission structure and carbon peak of agriculture and rural areas in China[J]. China Environmental Science, 2023, 43(4): 1906-1918. |
| [28] | York R, Rosa E A, Dietz T. STIRPAT, IPAT and ImPACT: analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological Economics, 2003, 46(3): 351-365. |
| [29] |
黎孔清, 马豆豆, 李义猛. 基于STIRPAT模型的南京市农业碳排放驱动因素分析及趋势预测[J]. 科技管理研究, 2018, 38(8): 238-245. Li K Q, Ma D D, Li Y M. Driving factors and trends prediction of urban agricultural carbon emissions in Nanjing based on STIRPAT[J]. Science and Technology Management Research, 2018, 38(8): 238-245. |
| [30] | Hoerl A E, Kennard R W. Ridge regression: applications to nonorthogonal problems[J]. Technometrics, 1970, 12(1): 69-82. |
| [31] |
杨丽霞. 基于C-D函数和岭回归的粮食生产影响因素分析——以浙江省为例[J]. 地域研究与开发, 2013, 32(1): 147-151. Yang L X. Grain Yield factor analysis based on C-D function and ridge regression: a case study of Zhejiang province[J]. Areal Research and Development, 2013, 32(1): 147-151. |
| [32] |
高魏, 闵捷, 张安录. 基于岭回归的农地城市流转影响因素分析[J]. 中国土地科学, 2007, 21(3): 51-58. Gao W, Min J, Zhang A L. Analysis of factors influencing rural-urban land conversion based on ridge regression[J]. China Land Science, 2007, 21(3): 51-58. |
| [33] |
范德成, 王韶华, 张伟. 低碳经济目标下一次能源消费结构影响因素分析[J]. 资源科学, 2012, 34(4): 696-703. Fan D C, Wang S H, Zhang W. Analysis of the influence factors of the primary energy consumption structure under the target of low-carbon economy[J]. Resources Science, 2012, 34(4): 696-703. |
| [34] |
王海峰, 张智韬, Karnieli A, 等. 基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算[J]. 农业工程学报, 2018, 34(14): 124-131. Wang H F, Zhang Z T, Karnieli A, et al. Hyperspectral estimation of desert soil organic matter content based on gray correlation-ridge regression model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(14): 124-131. |
| [35] | 尹康. 常用统计软件关于岭回归计算原理的比较分析[J]. 统计研究, 2013, 30(2): 109-112. |
| [36] |
张智韬, 王海峰, Karnieli A, 等. 基于岭回归的土壤含水率高光谱反演研究[J]. 农业机械学报, 2018, 49(5): 240-248. Zhang Z T, Wang H F, Karnieli A, et al. Inversion of soil moisture content from hyperspectra based on ridge regression[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(5): 240-248. |
| [37] |
黄庆华, 时培豪, 胡江峰. 产业集聚与经济高质量发展: 长江经济带107个地级市例证[J]. 改革, 2020(1): 87-99. Huang Q H, Shi P H, Hu J F. Industrial agglomeration and high-quality economic development: examples of 107 prefecture-level cities in the Yangtze River Economic Belt[J]. Reform, 2020(1): 87-99. |
| [38] |
邹秀清, 葛天越, 孙学成, 等. 城乡收入差距、消费差异与碳排放效率——以京津冀地区为例[J]. 软科学, 2023, 37(7): 104-110. Zou X Q, Ge T Y, Sun X C, et al. Rural-urban income gap, consumption difference and carbon emission efficiency[J]. Soft Science, 2023, 37(7): 104-110. |