2025, Vol. 46
2. 西北大学经济管理学院, 西安 710127
2. School of Economics & Management, Northwestern University, Xi'an 710127, China
党的二十大报告明确提出要“积极稳妥推进碳达峰碳中和”. 作为农业大国, 我国农业活动产生的碳排放占全国碳排放总量的比例高达13%[1]. 为缓解农业碳减排的紧迫形势, 需要对农业活动的碳源和碳汇效应进行精准评估, 以确保减排固碳政策的科学制定和有效实施[2]. 作为研究碳源/汇效应的重要理论模型之一, 碳足迹是对人类活动引发的直接或间接碳排放的度量[3]. 作物种植碳足迹可进一步评估农作物生产活动对自然环境产生的压力[4], 能够从生命周期视角反映碳排放的全过程[5], 这对精准把握碳排放来源具有重要作用. 黄土高原作为我国重要的生态屏障, 是落实黄河流域生态保护与高质量发展战略的主体区域[6], 也是生态环境高度脆弱的农业区, 具有悠久的农耕历史[7]. 近年来, 人类间接和直接的作物生产活动给该地区带来了极大的碳足迹压力[8]. 因此, 准确测度并厘清黄土高原作物种植碳足迹的变化规律, 揭示关键因素产生的影响效应并科学预测作物种植碳足迹的未来趋势, 对研究区落实“双碳”目标、实现农业低碳转型具有重要的现实意义.
既有研究围绕作物种植碳足迹问题展开了广泛讨论. 就研究内容而言, 国外着重关注谷物、水果[9]、小麦面包和牛奶[10]等特定农产品以及有机农场等特定生产环境[11]中产生的碳足迹；国内多基于国家[12~15]或省级层面[5, 16], 围绕作物种植碳足迹的评估核算、时空格局及动态变化等方面展开探究. 就研究视角而言, 学者们多从碳源视角评估农作物生产活动中的碳足迹[9~16]. 事实上, 无论是从全球来看[17]还是就中国而言[4], 作物种植都具有显著的碳汇效应[18]. 因此, 仅从碳源视角评估作物种植碳足迹, 不仅无法全面评估作物种植活动在碳中和进程中的作用, 还可能导致研究结果出现偏误[2]. 就研究方法而言, 学者们主要采用生命周期评价(LCA)[3~5]、投入产出(EIO)[19, 20]、生命周期评价和EIO相结合(EIO-LCA)[21]等方法核算碳足迹. 虽然EIO-LCA方法结合了EIO和LCA方法的优点[22], 但在从整个生命周期的角度进行分析时, 其忽略了农作物产生的碳汇, 因此具有局限性[2]. 由于LCA方法能将农作物的碳汇效应考虑在内[23], 因此已被广泛用作农业碳足迹的核算评估.
作物种植碳足迹时空变化驱动因素也是学界关注的焦点. 既有研究多采用典型对应分析(CCA)[13]、STIRPAT因式分解模型[2]、相关分析[3, 16]、固定效应模型[24]、岭回归和LMDI分解模型[25]等计量方法评估变量对作物种植碳足迹的影响. 然而, 这些方法只能得出影响因素的平均值或总体估计值, 忽略了时间和空间异质性[14]. 地理时空加权回归(geographical and temporal weighted regression, GTWR)模型可以从时空两个维度揭示碳足迹区域差异驱动因素的影响效果及动态变化情况[26], 进而为不同区域制定差异化的作物种植碳减排策略提供科学指导.
综上所述, 既有成果为本研究提供了重要的参考与启示, 但仍存在一定拓展空间. 第一, 从研究视角看, 既有研究多从碳源视角评估作物种植碳足迹, 对作物种植的碳汇效应关注有限. 第二, 从研究内容看, 现有文献多聚焦作物种植碳足迹的评估测度及时空变化, 但对未来发展趋势关注不足. 第三, 现有研究对作物种植碳足迹影响因素的时空异质性关注有限. 鉴于此, 本文以黄土高原为案例地, 首先, 基于LCA方法从碳源/汇双重视角对作物种植碳足迹进行科学测度；其次, 运用空间分析方法识别碳足迹的集散特征与演化规律；再次, 采用GTWR模型揭示碳足迹影响因素的时空异质性；最后, 借助灰色预测模型预测研究区以及各省份作物种植碳足迹的未来变化趋势, 以期为黄土高原不同区域制定差异化的作物种植低碳发展政策提供决策依据.
1 材料与方法 1.1 研究区概况黄土高原位于33°41'~41°16'N、100°52'~114°33'E范围内, 是中国旱区农业的典型区域. 根据区域内各市统计数据核算(http://www.stats.gov.cn/), 该区耕地面积和农业总产值分别由2010年的181 752 km2和2 563亿元增加至2021年的181 892 km2和5 937亿元. 尽管研究区近年来农业发展成效显著, 但农业化学品平均投入强度(化肥折纯量、农药农膜使用量之和与农作物总播种面积的比值)也由2010年的356 kg·hm-2增长至2021年的382 kg·hm-2. 必须引起高度关注的是：传统的化肥和农药施用方式, 以及大范围、高强度的耕作和灌溉等农地利用方式, 一方面严重威胁黄土高原的生态环境以及农业经济可持续发展[27], 另一方面使得区域作物种植面临高能耗、高排放的严峻形势[8]. 此外, 随着城镇空间快速扩张, 该区域土地利用格局发生了深刻变化, 导致黄土高原成为我国资源、经济与生态环境矛盾最为突出的地区之一[28]. 因此, 探究黄土高原作物种植碳足迹时空演变的驱动因素及未来发展趋势, 不仅可为制定针对性的作物种植低碳发展政策提供决策参考, 也是缓解研究区土地资源与生态环境矛盾约束、实现农业可持续发展的现实要求.
黄土高原在行政区划上包括山西、宁夏、陕西、河南、甘肃、内蒙古和青海等7个省(自治区), 下辖44个市(州). 由于郑州、海北、黄南和海南州仅包含1~3个县区, 综合考虑数据可得性, 本文研究范围不包括上述4市(州). 为更清晰展示研究区农业生产活动的空间分布情况, 采用ArcGIS软件并借助自然断点法, 将2021年各市耕地面积、农业总产值以及农业化学品投入强度数据由低到高分为5类(图 1).
|
图 1 研究区范围及农业发展现状 Fig. 1 Extent of the study area and current status of agricultural development |
基于研究区地级市层面农业生产与效益相关数据的可得性, 本文选取2010~2021年的面板数据为样本. 社会经济原始数据来自《中国环境统计年鉴》《中国城市统计年鉴》和各地市统计公报与统计年鉴, 部分缺失数据采用插值法补齐；研究区政区图来自国家基础地理信息系统(http://www.ngcc.cn/ngcc/).
1.3 研究方法 1.3.1 作物种植碳足迹测算本文的作物种植碳足迹是指耕地系统吸收作物种植碳排放所需要的植被面积, 采用LCA方法进行核算. 参考相关研究[2~4], 本文只关注与耕地直接相关的作物生长的全生命周期, 不包括生产、运输及消费等环节. 本文将作物种植生命周期的边界界定为3个环节：第一个环节的核心是各种耕地利用活动, 包括化肥、农药、农膜、农业机械、翻耕和灌溉这6个方面, 每种耕地利用活动均会产生相应的碳排放. 第二个环节的核心是稻谷种植活动, 这一环节会释放甲烷, 甲烷进一步转化为碳当量. 第三个环节的核心是农作物生长过程, 这一环节小麦等粮食作物和油料等经济作物在生长过程中通过光合作用吸收CO2；作物成熟后产生秸秆, 秸秆燃烧过程产生碳排放. 各环节示意图与边界如图 2所示.
|
图 2 作物种植碳足迹生命周期环节与边界 Fig. 2 Crop cultivation carbon footprint life cycle links and boundaries |
基于上述分析, 作物全生命周期碳排放从耕地利用、稻谷种植和秸秆燃烧这3个方面进行测算, 计算公式如下：
|
(1) |
式中, CEt和CEit分别为整个研究区以及地级市i在t年产生的碳排放总量(105 t), 本文n=40；Ecit、Erit和Esit分别为地级市i在t年耕地利用活动、稻谷种植活动和秸秆燃烧过程产生的碳排放总量(104t)；碳排放系数和数据参考来源如表 1所示.
|
表 1 作物种植碳排放源、系数与参考来源1) Table 1 Carbon emission sources, coefficients, and references of crop cultivation |
1.3.1.2 作物种植碳吸收测算
根据黄土高原农作物的生长周期和特点, 选取玉米、小麦、稻谷、大豆和薯类这5种粮食作物以及蔬菜、油料、烤烟和棉花这4种经济作物对碳吸收量进行评估. 参考相关研究[3, 30], 根据农作物的产量和碳吸收率等指标来计算不同农作物的碳吸收量, 计算方法为：
|
(2) |
式中, CAt为整个研究区在t年产生的碳吸收总量(105 t), CAitj为地级市i第j种农作物全生命周期过程中碳的吸收量(104 t). Kitj为第j种农作物的产量(t), Cj为第j种农作物的碳吸收率(%)；Vj为第j种农作物的含水系数；Rj为第j种农作物的根冠比；Hj为第j种农作物的经济系数；本文m=9.
1.3.1.3 作物种植碳足迹测算在计算作物种植碳收支的基础上, 参考相关研究[2, 3], 作物种植碳足迹计算公式为：
|
(3) |
|
(4) |
式中, CFt为整个研究区或地级市在t年产生的碳足迹(万hm2)；CEt和CAt分别为区域在t年产生的碳排放量与碳吸收量(104 t)；NEP为1 hm2农作物吸收的碳当量(t·hm-2)；St为区域在t年的耕地面积(103 hm2).
1.3.2 核密度估计借助核密度估计分析工具可以识别作物种植碳足迹的空间集聚特征及演化规律. 本文通过对作物种植碳足迹空间分异的核密度估计, 可以得到作物种植碳足迹分布水平高低、分布水平的差距大小和极化程度. 该方法假定随机变量x的密度函数为[32]：
|
(5) |
式中, N为观测值的个数, xi为独立同分布的观测值, x为均值, k为核函数, h为带宽.
1.3.3 时空地理加权回归(GTWR)模型借助GTWR模型可以有效识别碳足迹影响因素的时空异质性. GTWR模型在考虑空间异质性的基础上引入时间维度, 能有效处理时空非平稳特征, 其表达式为[26]：
|
(6) |
式中, yi为地级市i的作物种植碳足迹, (ui, vi, ti)为地级市i的时空坐标, ui、vi、ti分别为经度、纬度与时间坐标；a0(ui, vi, ti)表示地级市i的回归常数, 即截距项；xik为第k个自变量在地级市i的值(本文k=7)；βk(ui, vi, ti)为地级市i第k个回归系数, 即第k个变量对作物种植碳足迹的影响程度；εi为随机误差项.
1.3.4 灰色预测模型基于灰色预测理论的GM(1, 1)模型, 由于其信息要求低、操作简单以及建模精度高等优点, 在动态预测研究中应用十分广泛. 该方法基于少量和数列不完整数据进行数学建模, 通过对原始数据累加生成, 揭示数据背后的内在规律, 从而进行准确预测[33]. 本文选用GM(1, 1)模型对作物种植碳足迹进行预测, 其预测原理及步骤如下.
(1) 原始序列设置
|
(7) |
(2) 在原始序列基础上进行累加, 得到累加序列 
|
(8) |
式中, 
(3) GM(1, 1)微分方程的动态建模
|
(9) |
式中, a为发展灰数, b为内生控制灰数.
(4) GM(1, 1)微分方程的白化微分方程为：
|
(10) |
|
(11) |
(5) 对步骤(2)进行求解, 得到公式(12)
|
(12) |
从而得到预测序列：
(6) 模型精度验证 为了验证模型的拟合效果, 用后验差比C值对预测结果进行精度验证. 该值越小越好, 一般C值小于0.36说明模型精度等级好；C值小于0.5说明模型精度合格；C值小于0.65说明模型精度基本合格；如果C值大于0.65, 则说明模型精度等级不合格.
2 结果与分析 2.1 作物种植碳足迹时空格局及演化规律 2.1.1 时序变化特征根据公式(1)~(4)计算研究区和各省2010~2021年的作物种植碳足迹, 并借助Origin软件进行可视化, 结果如图 3. 图 3(a)显示, 整个研究区的作物种植碳足迹总体呈现先升后降的变化趋势, 由2010年的468.56万hm2增长至2013年的485.89万hm2并达到峰值, 最终在2021年下降为458.79万hm2. 相比2010年, 2021年碳足迹下降了9.77万hm2, 下降幅度达2.09%. 数据反映研究区的作物种植碳足迹得到了有效抑制, 这与区域全面实施退耕还林(草)生态工程息息相关. 已有研究表明：实施生态工程以来, 研究区的耕地面积在2000~2020年间减少了12 282.45 km2, 其中90%转为林地和草地等生态用地[34], 这在一定程度上减少了作物种植碳足迹.
|
图 3 作物种植碳足迹时序变化特征 Fig. 3 Characteristics of temporal changes of crop cultivation carbon footprint |
图 3(b)显示, 省级层面作物种植碳足迹表现出不同的变化趋势. 山西表现出先降后增的变化趋势, 陕西则表现出先增后降的变化趋势. 两省碳足迹增减变化受不同时段农业政策和雨热条件等因素影响较大. 持续出台的农业扶持政策在一定程度上致使内蒙古的碳足迹呈持续上升趋势. 甘肃是退耕还林(草)生态工程在黄土高原的重要实施区, 因此碳足迹在研究期内持续下降. 宁夏、河南、青海的碳足迹在研究期内基本保持稳定.
2.1.2 空间格局及演化规律根据公式(1)~(4)计算各市作物种植碳足迹. 为了厘清作物种植碳足迹的空间格局及其区域差异, 借助ArcGIS软件中的自然断点法将2010年的作物种植碳足迹数值由低到高划分为5级. 同时, 以2010年的断点值为分界点, 将2015年和2021年的碳足迹数值采用同一区间划分为5级. 进一步借助ArcGIS软件并根据公式(5)计算2010年、2015年和2021年的碳足迹核密度值. 对上述结果进行可视化, 得到图 4. 选择上述时点进行考察的原因在于：第一, 我国于2014年开始实施第2轮退耕还林工程, 考虑到工程实施对作物种植碳足迹的影响可能存在滞后性, 因此选择滞后1期即2015年作为样本时点. 第二, 选择2021年作为另一时点, 可以规避疫情对作物种植活动的影响, 继而客观反映作物种植碳足迹的现状. 第三, 以5 a左右间隔期的面板数据展开分析, 能够客观反映并捕捉不同阶段作物种植碳足迹的动态变化规律.
|
图 4 作物种植碳足迹空间分布及演化特征 Fig. 4 Spatial distribution and evolutionary characteristics of crop cultivation carbon footprint |
总体来看, 黄土高原作物种植碳足迹表现出明显的空间异质性特征. 图 4(a)显示, 2010年定西、天水、巴彦淖尔、榆林、渭南和运城等6市的碳足迹高. 黄河及其支流流经上述区域, 河水冲击形成土壤肥沃、便于灌溉的耕地, 因此6市的作物种植碳足迹在研究区处于最高级别. 2015年, 天水的作物种植碳足迹等级下降一位[图 4(b)], 这可能与新一轮退耕还林政策有关. 天水不仅积极制定新一轮退耕还林规划(2014~2020年), 还坚持将新一轮退耕还林工程与与农业低碳转型相结合. 在上述举措下, 天水的作物种植碳足迹得到有效缓解. 2021年, 定西和运城退出碳足迹高值区, 鄂尔多斯新晋为碳足迹高值区[图 4(c)]. 上述变化可能的原因是：定西高标准农田建设规划(2021~2030年)中的“绿色生态”原则以及运城的数智农田建设, 促进了区域农业绿色低碳发展, 进而在缓解两市作物种植碳足迹进程中发挥了积极作用. 近年来鄂尔多斯的粮食播种面积逐步扩大(据测算, 2021年相比2010年增幅达38.97%), 一定程度上加剧了该区的作物种植碳足迹压力. 因此, 鄂尔多斯须在确保粮食产量的前提下, 加大农业低碳技术的推广运用以减轻作物种植碳足迹. 综合来看, 西宁、乌海、石嘴山、包头、铜川、济源、太原和阳泉等8市的作物种植碳足迹较低. 西宁的主导产业以服务业为主, 且海拔高、气温低, 因此不适宜大面积作物种植. 剩余7市以煤炭、冶金、钢铁和化工等产业为主. 因此, 上述8市的作物种植碳足迹在研究区处于较低级别.
图4(d)和4(e)报告了2010年和2015年碳足迹的核密度估计结果. 显示研究区的作物种植碳足迹形成了以榆林、运城、渭南、定西和天水等区域为核心的点状高值中心. 以上区域拥有土壤肥沃、便于灌溉的耕地, 耕地利用强度大, 但耕作技术、秸秆处理技术以及农业化学品的低碳化使用率较低, 加大了榆林等地的作物种植碳足迹压力. 2021年, 点状分散型格局逐渐向带状集聚型格局演化, 形成了“定西-庆阳-延安-忻州-大同”以及“西安-渭南-运城-临汾-榆林-巴彦淖尔”两条条带状高值中心集聚区[图 4(f)]. 这表明研究区的碳足迹已经从孤立个体向区域联结转变, 上述变化趋势的启示意义在于：为避免碳足迹在区域间出现“此消彼长”现象, 研究区在减少碳足迹的进程中应强化邻近地市间合作并实施协同治理政策, 继而促进研究区同步实现作物种植减排固碳.
2.2 作物种植碳足迹演化驱动因素 2.2.1 影响因素筛选在重点参照相关成果的基础上, 结合黄土高原作物种植活动现状, 本文选取如下影响因素：①农地经营规模(Scale). 小规模、细碎化的农地经营模式使得统防统治、测土配方等环境友好型化学品施用技术成本极高；适度扩大农地经营规模能提升机械化水平并降低农业化学品使用强度, 有助于促进种植业减排固碳[35]. 用农作物总播种面积与种植业从业人数的比值(hm2·人-1)表征农地经营规模, 其中种植业从业人数(万人)采用农业总产值占农林牧副渔总产值的比例(%), 从第一产业从业人数(万人)中剥离得到[36]. ②财政支农政策力度(FSA). 财政支农政策将在提升农业机械化、促进农业化学品绿色低碳使用方面发挥积极作用[37], 进而可能减缓作物种植碳足迹, 用财政支农支出占农业总产值的比例(%)表示. ③土地质量(Quality). 良好的土地质量能为作物种植活动提供便利, 进而可能提升耕地利用强度, 增加作物种植碳足迹, 用灌溉面积占农作物总播种面积的比例(%)表示[38]. ④农业经济发展水平(PGDP). 随着农业经济水平提升, 地区将通过增加低碳技术研发和推广等手段控制作物种植碳排放[38], 进而可能减少碳足迹, 用农业总产值与种植业从业人数的比值(万元·人-1)表示. ⑤城镇化水平. 城镇化进程将促进技术进步与产业结构升级, 高污染、高排放等不合理的农业耕作方式将相继进行低碳转型, 进而可能抑制作物种植碳排放[39], 用城镇人口占常住人口的比例(%)表示. ⑥复种指数(Replant). 单位面积耕地年复种次数也会影响作物种植碳足迹, 用农作物总播种面积与耕地面积的比例(%)表示[40]. ⑦种植结构(Structure). 不同农作物生长特点不同, 对化肥等农业化学品的需用量有一定差异, 进而可能会对作物种植碳足迹产生影响, 用粮食作物播种面积占农作物总播种面积的比例(%)表示[38]. ⑧化肥投入强度(FII)和农业机械投入强度(AMII). 化肥投入强度增大将会增加碳排放, 进而可能增加作物种植碳足迹压力；但农业机械化水平提升将会使得农业生产活动更加高效、低耗, 一定程度上能减少作物种植碳足迹. 分别用化肥施用量(折纯)、农业机械总动力与农作物总播种面积的比值表示化肥和农业机械投入强度(kg·hm-2和kW·hm-2)[37].
2.2.2 影响因素检验在对影响因素进行回归前, 采用Stata软件进行相关性和多重共线性检验. 表 2显示, 除农业经济发展水平和种植结构外, 其他因素均会对碳足迹产生显著影响. 进一步对通过显著性检验的7个影响因素的共线性问题进行诊断, 表 3显示所有影响因素的方差扩大因子(variance inflation factor, VIF)以及VIF的平均值均小于2, 表明变量间不存在严重的多重共线性问题.
|
|
表 2 影响因素相关性分析结果1) Table 2 Results of correlation analysis for influencing factors |
|
|
表 3 影响因素多重共线性检验结果 Table 3 Results of multiple covariance test for influencing factors |
2.2.3 影响因素回归结果与分析
借助GTWR模型对通过检验的7个变量进行回归, 借助ArcGIS软件将回归结果可视化, 以客观呈现各变量对碳足迹的时空异质性影响, 结果如图 5.
|
图 5 作物种植碳足迹影响因素的时空异质性 Fig. 5 Spatial and temporal heterogeneity of factors influencing the crop cultivation carbon footprint |
农地经营规模的影响效应. 图 5(a)显示, 就西安、咸阳和铜川等8市而言, 农地经营规模对作物种植碳足迹有显著的负向影响. 上述8市在扩大农地经营规模的过程中, 积极使用绿色低碳的农业化学品以及节能高效的翻耕和灌溉技术, 从而有效抑制了作物种植碳足迹. 图 5(b)显示, 西宁、海东和巴彦淖尔等6市(州)的碳足迹对农地经营规模表现出高度敏感性. 数据反映以上区域的农地经营规模每增加一单位, 碳足迹增加值将超过10 000 hm2. 相比2010年, 2021年银川、吴忠、平凉、固原和庆阳这5市的农地经营规模对碳足迹的影响由负转正；与此同时, 临汾的农地经营规模对碳足迹的影响效应则由正转负[图 5(c)].
财政支农水平的影响效应. 图 5(f)显示, 山西(除吕梁)、河南3市、呼和浩特、鄂尔多斯和包头的财政支农水平对作物种植碳足迹均表现出显著的正向影响. 这表明对上述区域而言, 增加财政支农占比并未有效抑制作物种植碳足迹. 侧面反映以上地区亟需优化财政支农政策, 以确保财政支农资金在使用过程中向低碳、绿色领域倾斜[37]. 定西和天水这2市的碳足迹对财政支农水平表现出高度敏感性, 即财政支农水平每增加一个百分点, 碳足迹将至少减少800 hm2[图5(d)和5(e)]. 相比2010年, 2021年西宁和吕梁的财政支农水平对碳足迹的影响效应由正转负[图 5(f)], 这表明优化财政支农政策可以有效抑制作物种植碳足迹.
土地质量的影响效应. 综合图5(g)~5(i)可知, 随着时间推移, 土地质量对研究区中南部和东部的作物种植碳足迹表现出愈发明显的正向影响. 以上区域拥有大量地势平坦、土壤肥沃的耕地, 增加有效灌溉面积在农作物总播种面积的占比将会激发作物生产活动, 最终增加碳足迹[3].
城镇化的影响效应. 图5(j)和5(k)显示, 2010年和2015年, 除兰州和白银等极少数城市外, 城镇化水平对作物种植碳足迹均表现出显著的抑制作用, 即提升城镇化水平有助于减少作物种植碳足迹. 提升城镇化水平有助于引导劳动力、土地和资本等要素合理有序流动, 激发要素重新配置, 同时促进技术进步以及生产方式变革, 进而降低作物种植碳足迹[39]. 2021年, 城镇化水平在所有区域均表现出显著的抑制作用, 且这种作用从中心区域向东南部逐渐增强、向西部逐渐减弱[图 5(l)]. 这是因为东南部城市化水平较高, 因此要素配置效率、低碳技术研发和运用水平远超西部[2].
复种指数的影响效应. 正向影响主要位于研究区中南部和东部[图5(m)~5(o)], 以上区域是黄土高原主要的作物种植区, 区域地形平坦、水源较充足. 高强度的农地利用活动导上述区域耕地的固碳能力下降, 碳排放增加[37, 40], 削弱了耕地的碳汇和生产功能[41], 最终导致作物种植碳足迹大幅增加.
化肥投入强度的影响效应. 时间维度看, 负向影响的城市数量逐渐减少, 由2010年的21个锐减至2021年的13个[图5(p)和5(r)]. 这表明随时间推移, 化肥投入强度对作物种植碳足迹的抑制作用逐渐减弱. 空间格局上, 西宁、石嘴山、乌海和包头等地的化肥投入强度对作物种植碳足迹一直呈现较强的正向影响, 侧面反映以上地区亟需通过培训和补贴措施激励农户采用环境友好型化肥施用技术, 从而促进化肥施用活动向低碳化转型.
农业机械投入强度的影响效应. 大部分城市均表现出负向影响, 即提升农业机械投入强度有助于抑制作物种植碳足迹. 当借助节能高效的农业机械完成施肥、喷药、灌溉和翻耕等作业时, 作物种植活动将更加高效和低耗[37], 一定程度上减少了碳足迹. 图 5(u)显示, 平凉、庆阳、宝鸡、西安、咸阳、铜川和渭南的农业机械投入强度对作物种植碳足迹呈现强正向影响, 侧面反映出以上地区亟需将耗能、低效的农业机械向节能高效化和低碳化转型.
综上所述, 作物种植碳足迹的时空格局演化是复杂的变化过程, 从原有空间格局向现有格局的演变过程中会受到多重因素影响, 不同影响因素对作物种植碳足迹的影响效应存在显著的时间和空间异质性特征. 具言之：①农地经营规模对作物种植碳足迹的影响以正向为主, 随着时间演进, 这一影响效应的影响范围逐渐蔓延至整个研究区. ②绝大多数城市的财政支农水平在促进农业生产方式变革以及耕作技术、施肥技术和灌溉技术的绿色低碳化方面发挥了积极影响, 最终有助于减少作物种植碳足迹. ③城镇化引导劳动力、土地和资本等要素优化配置, 进而促进技术进步以及生产方式变革；农业机械化水平使农业生产活动更加高效和低耗, 以上两个因素在多数地区均能显著降低作物种植碳足迹. ④提升复种指数以及增加有效灌溉面积均会加剧作物种植碳足迹, 尤其是在中南部和东部地区. ⑤化肥投入强度对作物种植碳足迹的影响以正向为主, 随着时间演进, 这一影响效应的影响范围逐步向中东部蔓延.
2.3 黄土高原作物种植碳足迹趋势预测本文利用灰色预测模型, 预测研究区和不同省份在2030年碳达峰之际作物种植碳足迹的发展趋势, 模型预测的后验差比C值如表 4所示. 模型验证结果显示, 研究区和7个省份的作物种植碳足迹预测结果均通过了精度验证, 其中研究区、陕西、甘肃和河南的拟合效果非常好, 保证了预测结果的可靠性. 借助Origin软件对通过精度验证的预测结果进行可视化, 结果如图 6所示.
|
|
表 4 模型精度验证与拟合效果 Table 4 Model accuracy validation and fitting effect |
|
图 6 作物种植碳足迹趋势预测 Fig. 6 Forecasting trends in the carbon footprint of crop cultivation |
图 6(a)显示, 黄土高原作物种植碳足迹将呈现逐年下降趋势, 预计将由2021年的458.79万hm2下降至2030年的427.10万hm2. 相比2021年, 2030年碳足迹将会减少31.69万hm2, 减少幅度达6.91%. 这一变化趋势将是多种因素综合作用的结果. 一方面, 持续推进的退耕还林(还草)等生态工程, 将会在减少耕地利用活动和降低耕地利用强度方面发挥积极作用. 另一方面, 随着绿色低碳型化肥、农药和农膜等投入品的研发、推广和大范围使用, 以及先进耕作技术、秸秆处理技术和农业机械化水平的深入推进, 作物种植碳足迹将会显著降低. 分区域看, 作物种植碳足迹在未来将呈现差异性变化趋势. 图 6(b)显示, 宁夏、青海和河南的作物种植碳足迹将保持稳定状态；陕西和甘肃的作物种植碳足迹均将呈现逐年下降趋势, 这与整个研究区未来发展趋势保持一致. 然而, 山西和内蒙古的作物种植碳足迹将表现出上升趋势, 分别由2022年的135.24万hm2和60.73万hm2增加至2030年的141.67万hm2和61.86万hm2；相比2022年, 2030年增幅分别为4.75%和1.86%.
3 讨论 3.1 GTWR模型的拟合效果分析回归结果的拟合优度是判断拟合效果的重要指标. 表 5显示, OLS模型的解释力度仅为47.63%, 有进一步提升空间；地理加权回归模型(简称GWR)的解释力度达到92.31%. 相较OLS和GWR模型, GTWR模型的解释力度显著提升至93.08%. 综合来看, 拟合优度R2和调整后R2从小到大排序均为：OLS < GWR < GTWR. 这表明本文选择的GTWR模型不仅可以反映影响因素的时空异质性, 还提升了模型解释力. 刘雪琪等[40]和Ma等[42]研究也表明GTWR模型具备更好的拟合效果, 这与本文的结论一致.
|
|
表 5 模型拟合效果 Table 5 Model fitting effect |
3.2 政策启示
本文从时空格局及演化规律、影响因素的时空异质性以及未来变化趋势这3个方面对作物种植碳足迹展开探索, 研究结果对于减少黄土高原作物种植碳足迹有如下启示.
首先, 与中国[2, 43]以及云南[3]等地的作物种植碳足迹呈现逐年上升趋势不同, 本文发现黄土高原作物种植碳足迹自2013年以来整体呈现下降趋势, 这与研究区推行的生态工程息息相关. 未来应在统筹考虑粮食安全与作物种植减排固碳的基础上, 继续推进该工程, 以缓解作物种植碳足迹. 此外, 本文着重关注了作物种植碳足迹的演化规律, 发现碳足迹已经从孤立个体向区域联结转变. 据此建议黄土高原各区域打破行政“藩篱”, 强化邻近地市间合作, 实施协同治理政策以便同步实现作物种植减排固碳.
其次, 各影响因素的影响效应具有显著的时空异质性特征, 忽略这一点可能无法提出针对性和差异化的减排固碳方案. 对大部分城市而言, 财政支农政策能显著抑制作物种植碳足迹, 这与刘琼等[37]研究的结论一致. 但山西和河南的财政支农政策并未在减缓作物种植碳足迹进程中发挥积极效应. 侧面反映以上地区亟需对财政支农资金进行结构性优化和调整, 确保支农资金在使用过程中向低碳农地利用方式和技术研发应用等领域倾斜. 此外, 西安、咸阳、铜川、渭南、宝鸡和庆阳等地的化肥投入强度和农业机械投入强度均正向促进了作物种植碳足迹, 侧面反映以上城市一方面要激励农户采用测土配方施肥等环境友好型施用技术, 另一方面亟需实现农业机械的节能化和低碳化转型. 本文另一个重要发现是, 提升城镇化水平能显著抑制作物种植碳足迹, 这与何婷婷等[39]研究的结论一致. 因此研究区在未来的城镇化进程中, 应进一步为土地、劳动力和资本等要素的优化配置和农业低碳技术进步提供保障.
最后, 预测模型显示山西和内蒙古的作物种植碳足迹在未来将表现出明显的上升趋势. 对2010~2021年的作物种植历史数据进行深入分析发现, 两省作物种植碳排放主要来源于秸秆燃烧与化肥使用, 这与李明琦等[3]研究的结论类似. 分区域看, 内蒙古的作物种植碳足迹源头主要来自秸秆燃烧. 其中, 呼和浩特、包头、巴彦淖尔和鄂尔多斯这4市秸秆燃烧产生的碳排放在作物种植碳排放总量中的占比均超过50%. 山西各地级市的作物种植碳足迹源头主要来自秸秆燃烧和化肥使用, 二者合计在作物种植碳排放总量中的占比超过55%. 数据表明, 为抑制作物种植碳足迹上升趋势, 内蒙古和山西一方面要出台政策鼓励、支持农户采用秸秆还田措施以替代秸秆燃烧, 同时探索绿色、低碳和无公害的秸秆处理技术并推广运用, 以此抑制秸秆燃烧排放不断增加的发展态势. 另一方面, 支农专项资金应大力支持绿色低碳型化肥、农药和农膜的研发和运用, 同时推广测土配方施肥和缓控释肥等环境友好型施用技术, 继而助推农业化学品施用方式向绿色低碳化转型. 此外, 结合影响因素的回归结果, 农业机械化水平能显著抑制山西和内蒙古的作物种植碳足迹. 因此, 根据各地市农业发展的现实条件继而提升农业机械化水平, 也是抑制内蒙古和山西作物种植碳足迹上升势头的有效路径.
3.3 本文的边际贡献、不足与展望既有研究的案例地多聚焦于中国东部以及粮食主产区, 本文以旱区农业典型区域——黄土高原为案例地, 对作物种植碳足迹展开探索, 既丰富了相关主题的研究成果, 又从作物种植绿色低碳转型与高效发展视角为落实黄河流域生态保护与高质量发展战略提供了决策参考. 这对缓解研究区的土地资源与生态环境矛盾约束、实现农业可持续发展具有积极的现实意义.
本文在界定作物种植生命周期边界的基础上, 从碳源/汇双重视角, 对作物种植碳足迹进行科学测度. 此外, 相比传统计量模型, 本文采用的GTWR模型不仅能显著提升回归结果的解释力, 还可进一步识别作物种植碳足迹的时间和空间异质性特征. 本文不仅从区域、省级尺度识别了作物种植碳足迹的时序变化特征及原因, 还从市级尺度探究了作物种植碳足迹的区域差异, 捕捉并刻画了碳足迹空间格局的演化规律. 毋庸置疑, 落实“双碳”目标需要准确把握碳排放趋势, 预测不同区域的作物种植碳足迹发展趋势是制定针对性减排固碳措施的必然要求. 然而, 既有相关主题的研究内容多侧重对历史数据的分析, 但对未来变化趋势关注不足. 鉴于此, 本文着重关注了研究区以及各省份作物种植碳足迹的发展趋势, 为不同区域明确作物种植碳减排重点及方向提供了决策依据.
尽管如此, 本研究仍存在可完善的空间. 本文旨在探讨如何从人为活动视角减少作物种植碳足迹, 因此着重关注了社会经济层面各因素对作物种植碳足迹产生的影响. 尽管诸如气温、降水和地形等因素也会对作物种植碳足迹产生影响, 但这种影响是客观的, 短期内无法通过人为措施加以调控, 因此本文并未讨论这些因素可能产生的影响. 此外, 本文从宏观层面探究了各因素对作物种植碳足迹的影响, 但这些因素在诸如农户等微观层面会产生何种影响?影响程度与作用方向又会如何变化?上述问题还有待进一步深入探索. 未来可从宏观和微观两个层面出发, 一方面纳入气候等自然因素, 另一方面将研究对象扩展至农户等微观个体. 通过整合宏观社会经济数据以及微观农户调研数据, 系统、深入揭示作物种植碳足迹动态变化的影响机制.
4 结论(1) 2010~2021年, 黄土高原作物种植碳足迹总体呈下降趋势, 其中2010~2013年为波动上升阶段, 2013~2021年为下降阶段. 就省级层面而言, 山西表现出先降后增的变化趋势, 陕西则表现出相反的变化趋势；内蒙古的碳足迹持续上升, 宁夏则持续下降；其他区域的碳足迹在研究期内基本保持稳定. 就空间分布而言, 作物种植碳足迹高值区由榆林、运城、渭南、定西、巴彦淖尔和天水等城市逐渐向四周蔓延, 并由点状分散型格局逐渐演化形成条带状集聚型格局；低值区集中在西宁、乌海、石嘴山、包头、铜川、济源、太原和阳泉等西北部和东南角城市.
(2) GTWR模型的拟合效果显著优于传统计量模型. GTWR模型的回归结果表明, 作物种植碳足迹的时空格局及动态变化是多种因素在时间和空间两个维度发挥影响的结果. 财政支农水平和城镇化在促进要素优化配置、农业技术进步以及农业绿色低碳转型方面发挥了积极作用, 农业机械化水平使农业生产活动更加高效、低耗, 上述因素在多数城市均能抑制作物种植碳足迹. 农地经营规模、化肥投入强度对作物种植碳足迹的影响均以正向为主, 前者的影响范围逐步扩大至整个研究区, 后者的影响范围则向中东部蔓延. 提升复种指数以及增加有效灌溉面积均会加剧作物种植碳足迹, 尤其是在中南部和东部地区.
(3) 黄土高原作物种植碳足迹预计在2030年将下降至427.10万hm2, 相比2021年下降幅度达6.91%. 省级层面作物种植碳足迹在未来将表现出差异性变化趋势, 陕西和甘肃呈现显著下降趋势, 宁夏、青海和河南基本保持稳定状态. 山西和内蒙古的作物种植碳足迹在未来将呈现显著上升趋势, 分析认为两省应从秸秆无公害处理、绿色低碳和环境友好型化肥施用技术研发推广以及因地制宜提升机械化水平等方面入手, 实现作物种植低碳转型与可持续发展.
| [1] |
张俊飚, 何可. "双碳"目标下的农业低碳发展研究: 现状、误区与前瞻[J]. 农业经济问题, 2022(9): 35-46. Zhang J B, He K. Current situation, misunderstandings and prospects of agricultural low-carbon development under the targets of carbon peak and carbon neutrality[J]. Issues in Agricultural Economy, 2022(9): 35-46. |
| [2] | Cui Y, Khan S U, Sauer J, et al. Exploring the spatiotemporal heterogeneity and influencing factors of agricultural carbon footprint and carbon footprint intensity: embodying carbon sink effect[J]. Science of the Total Environment, 2022, 846: doi: 10.1016/j.scitotenv.2022.157507.. |
| [3] |
李明琦, 刘世梁, 武雪, 等. 云南省农田生态系统碳足迹时空变化及其影响因素[J]. 生态学报, 2018, 38(24): 8822-8834. Li M Q, Liu S L, Wu X, et al. Temporal and spatial dynamics in the carbon footprint and its influencing factors of farmland ecosystems in Yunnan Province[J]. Acta Ecologica Sinica, 2018, 38(24): 8822-8834. |
| [4] |
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. |
| [5] |
张鹏岩, 何坚坚, 庞博, 等. 农田生态系统碳足迹时空变化——以河南省为例[J]. 应用生态学报, 2017, 28(9): 3050-3060. Zhang P Y, He J J, Pang B, et al. Temporal and spatial differences in carbon footprint in farmland ecosystem: a case study of Henan Province, China[J]. Chinese Journal of Applied Ecology, 2017, 28(9): 3050-3060. |
| [6] |
樊杰. 中国主体功能区划方案[J]. 地理学报, 2015, 70(2): 186-201. Fan J. Draft of major function oriented zoning of China[J]. Acta Geographica Sinica, 2015, 70(2): 186-201. |
| [7] |
赵亮, 刘宇, 罗勇, 等. 黄土高原近40年人类活动强度时空格局演变[J]. 水土保持研究, 2019, 26(4): 306-313. Zhao L, Liu Y, Luo Y, et al. Temporal and spatial evolution of human impact intensity on the Loess Plateau in recent 40 years[J]. Research of Soil and Water Conservation, 2019, 26(4): 306-313. |
| [8] | Xue J F, Yuan Y Q, Zhang H L, et al. Carbon footprint of dryland winter wheat under film mulching during summer-fallow season and sowing method on the Loess Plateau[J]. Ecological Indicators, 2018, 95: 12-20. DOI:10.1016/j.ecolind.2018.07.024 |
| [9] | Al-Mansour F, Jejcic V. A model calculation of the carbon footprint of agricultural products: the case of Slovenia[J]. Energy, 2017, 136: 7-15. DOI:10.1016/j.energy.2016.10.099 |
| [10] | Brankatschk G, Finkbeiner M. Crop rotations and crop residues are relevant parameters for agricultural carbon footprints[J]. Agronomy for Sustainable Development, 2017, 37(6). DOI:10.1007/s13593-017-0464-4 |
| [11] | Adewale C, Reganold J P, Higgins S, et al. Agricultural carbon footprint is farm specific: case study of two organic farms[J]. Journal of Cleaner Production, 2019, 229: 795-805. DOI:10.1016/j.jclepro.2019.04.253 |
| [12] | Fan J L, Guo D W, Han L, et al. Spatiotemporal dynamics of carbon footprint of main crop production in China[J]. International Journal of Environmental Research and Public Health, 2022, 19(21). DOI:10.3390/ijerph192113896 |
| [13] | Xu X M, Lan Y. Spatial and temporal patterns of carbon footprints of grain crops in China[J]. Journal of Cleaner Production, 2017, 146: 218-227. DOI:10.1016/j.jclepro.2016.11.181 |
| [14] | Zhang L, Xu X C. Difference in carbon footprint between single- and double-cropping rice production in China, 2003-2016[J]. Environmental Science and Pollution Research, 2021, 28(21): 27308-27317. DOI:10.1007/s11356-021-12543-3 |
| [15] | Cheng K, Yan M, Nayak D, et al. Carbon footprint of crop production in China: an analysis of national statistics data[J]. The Journal of Agricultural Science, 2015, 153(3): 422-431. DOI:10.1017/S0021859614000665 |
| [16] | Chu Y M, Xie L Y, Yuan Z J. Composition and spatiotemporal distribution of the agro-ecosystem carbon footprint: a case study in Hebei Province, North China[J]. Journal of Cleaner Production, 2018, 190: 838-846. DOI:10.1016/j.jclepro.2018.04.111 |
| [17] | Lal R. Residue management, conservation tillage and soil restoration for mitigating greenhouse effect by CO2-enrichment[J]. Soil and Tillage Research, 1997, 43(1-2): 81-107. DOI:10.1016/S0167-1987(97)00036-6 |
| [18] | Foley J A, Ramankutty N, Brauman K A, et al. Solutions for a cultivated planet[J]. Nature, 2011, 478(7369): 337-342. DOI:10.1038/nature10452 |
| [19] | Hubacek K, Giljum S. Applying physical input-output analysis to estimate land appropriation (ecological footprints) of international trade activities[J]. Ecological Economics, 2003, 44(1): 137-151. DOI:10.1016/S0921-8009(02)00257-4 |
| [20] |
彭军霞, 赵宇波, 焦丽华, 等. 建筑陶瓷碳计量与优化模型研究[J]. 环境科学, 2012, 33(2): 665-672. Peng J X, Zhao Y B, Jiao L H, et al. Modeling of carbon dioxide measurement and optimization on building ceramic industry[J]. Environmental Science, 2012, 33(2): 665-672. |
| [21] |
汪浩, 陈操操, 潘涛, 等. 京津冀区域生产和消费CO2排放的时空特点分析[J]. 环境科学, 2014, 35(9): 3619-3631. Wang H, Chen C C, Pan T, et al. Spatial temporal differentiation of product-based and consumption-based CO2 emissions and balance in the Beijing-Tianjin-Hebei region: an economic input-output analysis[J]. Environmental Science, 2014, 35(9): 3619-3631. |
| [22] | Lenzen M, Crawford R. The path exchange method for hybrid LCA[J]. Environmental Science & Technology, 2009, 43(21): 8251-8256. |
| [23] | Jha G, Soren S, Mehta K D. Life cycle assessment of sintering process for carbon footprint and cost reduction: a comparative study for coke and biomass-derived sintering process[J]. Journal of Cleaner Production, 2020, 259: doi: 10.1016/j.jclepro.2020.120889.. |
| [24] | Liu Z, Tian J L, Wang K X, et al. The impact of farmland circulation on the carbon footprint of agricultural cultivation in China[J]. Economic Analysis and Policy, 2023, 78: 792-801. |
| [25] | Huang W B, Wu F Q, Han W R, et al. Carbon footprint of cotton production in China: composition, spatiotemporal changes and driving factors[J]. Science of the Total Environment, 2022, 821: doi: 10.1016/j.scitotenv.2022.153407.. |
| [26] | Liu J G, Li S J, Ji Q. Regional differences and driving factors analysis of carbon emission intensity from transport sector in China[J]. Energy, 2021, 224: doi: 10.1016/j.energy.2021.120178.. |
| [27] |
陈儒, 徐婵娟, 邓悦, 等. 黄土高原退耕区低碳农业生产模式研究[J]. 西北农林科技大学学报(社会科学版), 2017, 17(6): 55-65. Chen R, Xu C J, Deng Y, et al. Research on low carbon agricultural production modes in Loess Plateau[J]. Journal of Northwest A & F University (Social Science Edition), 2017, 17(6): 55-65. |
| [28] | Fu B J. Ecological and environmental effects of land-use changes in the Loess Plateau of China[J]. Chinese Science Bulletin, 2022, 67(32): 3769-3779. |
| [29] |
何艳秋, 成雪莹, 王芳. 技术扩散视角下农业碳排放区域溢出效应研究[J]. 农业技术经济, 2022(4): 132-144. He Y Q, Cheng X Y, Wang F. Study on the regional spillover effect of agricultural carbon emission based on the perspective of agricultural technology diffusion[J]. Journal of Agrotechnical Economics, 2022(4): 132-144. |
| [30] | Rong T Q, Zhang P Y, Zhu H R, et al. Spatial correlation evolution and prediction scenario of land use carbon emissions in China[J]. Ecological Informatics, 2022, 71: doi: 10.1016/j.ecoinf.2022.101802.. |
| [31] |
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. |
| [32] | Cao M K, Dent J B, Heal O W. Methane emissions from China's Paddyland[J]. Agriculture, 1995, 55(2): 129-137. |
| [33] |
尹建军, 胡静, 黄宇瑄. 长江中游城市群城市韧性时空演化特征及动态预测研究[J]. 长江流域资源与环境, 2023, 32(11): 2312-2325. Yin J J, Hu J, Huang Y X. Spatial-temporal evolution characteristics and dynamic prediction of urban resilience in urban agglomerations in middle reaches of Yangtze River[J]. Resources and Environment in the Yangtze Basin, 2023, 32(11): 2312-2325. |
| [34] | Liu K, Zhang C Z, Zhang H, et al. Spatiotemporal variation and dynamic simulation of ecosystem carbon storage in the Loess Plateau based on PLUS and InVEST models[J]. Land, 2023, 12(5). DOI:10.3390/land12051065 |
| [35] |
徐湘博, 李畅, 郭建兵, 等. 土地转入规模、土地经营规模与全生命周期作物种植碳排放——基于中国农村发展调查的证据[J]. 中国农村经济, 2022(11): 40-58. Xu X B, Li C, Guo J B, et al. Land transfer-in scale, land operation scale and carbon emissions from crop planting throughout the life cycle: evidence from China rural development survey[J]. Chinese Rural Economy, 2022(11): 40-58. |
| [36] |
王宝义, 张卫国. 中国农业生态效率的省际差异和影响因素——基于1996~2015年31个省份的面板数据分析[J]. 中国农村经济, 2018(1): 46-62. Wang B Y, Zhang W G. Cross-provincial differences in determinants of agricultural eco-efficiency in China: an analysis based on panel data from 31 provinces in 1996-2015[J]. Chinese Rural Economy, 2018(1): 46-62. |
| [37] |
刘琼, 肖海峰. 农地经营规模与财政支农政策对农业碳排放的影响[J]. 资源科学, 2020, 42(6): 1063-1073. Liu Q, Xiao H F. The impact of farmland management scale and fiscal policy for supporting agriculture on agricultural carbon emission[J]. Resources Science, 2020, 42(6): 1063-1073. |
| [38] |
谢会强, 吴晓迪. 城乡融合对中国农业碳排放效率的影响及其机制[J]. 资源科学, 2023, 45(1): 48-61. Xie H Q, Wu X D. Impact and its mechanism of urban-rural integration on the efficiency of agricultural carbon emissions in China[J]. Resources Science, 2023, 45(1): 48-61. |
| [39] |
何婷婷, 张丽琼. 新型城镇化对农业碳排放强度影响的空间效应和门槛特征[J]. 山西农业大学学报(社会科学版), 2022, 21(4): 23-37. He T T, Zhang L Q. Spatial effect of new urbanization on agricultural carbon emission intensity and threshold characteristics[J]. Journal of Shanxi Agricultural University (Social Science Edition), 2022, 21(4): 23-37. |
| [40] |
刘雪琪, 李波. 碳中和目标下中国农地利用效率的影响因素及时空异质性[J]. 华中农业大学学报(社会科学版), 2023(1): 197-209. Liu X Q, Li B. Spatio-temporal heterogeneity and influencing factors of agricultural land use efficiency in China from the goal of carbon neutrality[J]. Journal of Huazhong Agricultural University (Social Sciences Edition), 2023(1): 197-209. |
| [41] |
仇焕广, 刘乐, 李登旺, 等. 经营规模、地权稳定性与土地生产率——基于全国4省地块层面调查数据的实证分析[J]. 中国农村经济, 2017(6): 30-43. Qiu H G, Liu L, Li D W, et al. Farm size, tenure security and land productivity: an empirical study based on plot-level survey data from four provinces in China[J]. Chinese Rural Economy, 2017(6): 30-43. |
| [42] | Ma X L, Zhang J Y, Ding C, et al. A geographically and temporally weighted regression model to explore the spatiotemporal influence of built environment on transit ridership[J]. Computers, Environment and Urban Systems, 2018, 70: 113-124. |
| [43] | Xu B, Lin B Q. Factors affecting CO2 emissions in China's agriculture sector: evidence from geographically weighted regression model[J]. Energy Policy, 2017, 104: 404-414. |