中国农业碳排放驱动机制与经济脱钩效应

引用本文

张楠, 栾永吉, 王斯一, 唐靖. 中国农业碳排放驱动机制与经济脱钩效应[J]. 环境科学, 2026, 47(9): 5936-5949.

ZHANG Nan, LUAN Yong-ji, WANG Si-yi, TANG Jing. Driving Mechanism of Carbon Emissions in China's Agriculture and the Economic Decoupling Effect[J]. Environmental Science, 2026, 47(9): 5936-5949.

中国农业碳排放驱动机制与经济脱钩效应

张楠¹, 栾永吉², 王斯一³, 唐靖¹

1. 中国人民大学生态环境学院，北京 100872;
2. 北京字跳网络技术有限公司，北京 100006;
3. 中国环境科学研究院，北京 100012

收稿日期: 2025-04-22; 修订日期: 2025-10-14

基金项目: 国家社会科学基金项目（21BJY247）；中央级公益性科研院所基本科研业务费专项（2024YSKY-60）

作者简介: 张楠（1998~），女，博士研究生，主要研究方向为能源经济和绿色金融，E-mail：zhangnan1029@ruc.edu.cn

通信作者: 王斯一，E-mail：wang_si_yi@126.com

摘要: 农业是我国碳排放的重要领域，厘清其排放特征及驱动机制对于推进农业绿色低碳转型具有重要意义. 基于2011~2022年全国31个省域数据，运用IPCC排放系数法核算农业碳排放总量及强度，揭示其时空演变特征. 结果发现，全国农业碳排放总体呈波动上升态势，东中部地区排放总量占比近60%，而碳排放强度整体下降55.16%，显示农业碳效率持续提升. 进一步采用LMDI分解模型量化农业生产效率、经济发展水平和产业结构等因素对碳排放变化的贡献，并引入随机森林与SHAP方法识别驱动因素的非线性重要性，结果表明经济发展水平、化肥投入和农业机械总动力等是主要驱动因子. Tapio模型分析显示，2015年以来我国农业碳排放与经济增长关系逐步由弱脱钩向强脱钩转变，但区域间脱钩状态差异显著. 研究建议应因地制宜推动农业投入结构优化与绿色技术推广，强化多维监测与差异化减排政策，以加快农业低碳转型进程.

关键词: 农业碳排放区域差异驱动因素 LMDI分解随机森林脱钩效应

Driving Mechanism of Carbon Emissions in China's Agriculture and the Economic Decoupling Effect

ZHANG Nan¹ , LUAN Yong-ji² , WANG Si-yi³ , TANG Jing¹

1. School of Ecology and Environment, Renmin University of China, Beijing 100872, China;
2. Beijing Zitiao Network Technology Co., Ltd., Beijing 100006, China;
3. Chinese Research Academy of Environmental Sciences, Beijing 100012, China

Abstract: Agriculture is a significant sector of carbon emissions in China. Clarifying its emission characteristics and driving mechanisms is of great significance for promoting the green and low-carbon transformation of agriculture. Based on the panel data of 31 provincial regions across the country from 2011 to 2022, this study uses the IPCC emission coefficient method to calculate the total amount and intensity of agricultural carbon emissions, revealing their spatio-temporal evolution characteristics. Research findings indicate that the overall carbon emissions from agriculture across the country have shown a fluctuating upward trend. The total emissions from the eastern and central regions accounted for nearly 60%, while the overall carbon emission intensity decreased by 55.16%, suggesting a continuous improvement in agricultural carbon efficiency. The LMDI decomposition model was further adopted to quantify the contributions of factors such as agricultural production efficiency, economic development level, and industrial structure to the changes in carbon emissions. The random forest and SHAP methods were introduced to identify the nonlinear importance of the driving factors. The results showed that economic development level, fertilizer input, and total power of agricultural machinery were the main driving factors. The Tapio model analysis showed that since 2015, the relationship between agricultural carbon emissions and economic growth in China gradually shifted from weak decoupling to strong decoupling, but the decoupling status varied significantly among regions. The research suggests that efforts should be made to optimize the agricultural input structure and promote green technologies in a way that suits local conditions and strengthen multi-dimensional monitoring and differentiated emission reduction policies so as to accelerate the low-carbon transformation process of agriculture.

Key words: agricultural carbon emissions regional differences driving factors LMDI decomposition random forest decoupling effect

在全球气候变化加剧与“双碳”目标推进的背景下，农业作为重要的碳排放源之一^[1]，农业碳减排不仅是国际气候治理的责任担当，更是保障粮食安全与生态可持续性的必然选择^[2，3]. 近年来，中国农业碳排放总量呈波动增长态势，区域间碳排放总量与强度差异显著^[4~6]，这既反映了不同区域在资源禀赋、种植结构和技术水平上的多样性，也表明我国农业低碳转型尚存在较大的潜力与空间，探究农业碳排放的区域驱动因素并提出差异化路径，成为当前研究的热点问题.

已有研究围绕农业碳排放核算、驱动因素及脱钩效应等方面开展了大量探索. 部分学者利用生命周期评价与投入产出模型（IO）对农业碳足迹进行系统测算，揭示了不同作物及投入品对碳排放的贡献差异^[7~11]；另有研究运用IPAT、STIRPAT及LMDI等模型定量分析了农业碳排放的经济、社会和结构性驱动因素^[12~19]. 在区域层面，多项研究指出农业碳排放受经济发展水平、农业机械化率、化肥农药使用强度及城镇化进程等多重因素影响，驱动机制表现出明显的空间异质性^[20~29]. 然而，传统分解模型多基于线性假设，难以捕捉变量间复杂的非线性关系与交互效应；同时，现有研究对农业碳排放与经济增长脱钩的省域差异性探讨尚不充分.

基于此，本文选取2011~2022年中国31个省域为研究对象，综合采用LMDI分解与随机森林（random forest，RF）机器学习方法，系统探究中国农业碳排放的时空演变特征、驱动机制及其经济脱钩效应. 首先，基于IPCC排放系数法核算各省域主要农业碳源的碳排放总量与强度，揭示其时空分布格局；其次，采用LMDI方法分解农业生产效率、农业产业结构、地区经济发展水平、城镇化及农村人口等因素对碳排放变化的贡献；再次，引入随机森林模型及SHAP值解释框架，识别驱动因素的非线性重要性及变量交互效应；最后，利用Tapio弹性系数测算农业碳排放与经济增长的脱钩状态及区域差异.

本文的主要特点和创新点体现在：将LMDI分解与机器学习方法相结合，既保证了驱动机制分解的严谨性，又克服了传统模型忽略变量交互与非线性关系的不足，为后续制定差异化减排策略提供了量化参考；在全国尺度基础上深入探讨省域农业碳排放的驱动因素与脱钩差异，丰富了农业低碳转型区域异质性研究. 本研究不仅有助于深化对中国农业碳排放时空演变及复杂驱动机制的认识，也为推动区域精准减排、优化农业绿色发展路径提供了科学依据，对助力中国农业在粮食安全与碳达峰、碳中和战略目标中实现双重协同具有重要实践意义.

1 材料与方法 1.1 数据来源与处理

基于数据可得性，本研究以全国31个省域为研究对象（中国台湾、香港和澳门资料暂缺，下同），研究范围为2011~2022年. 农业碳源数据、经济数据和区域特征数据均来源于《中国统计年鉴》《中国农村统计年鉴》《中国环境统计年鉴》《中国能源统计年鉴》等. 为确保数据的连续性与可比性，本研究对部分年份缺失或不一致数据采用插值法处理. 对年份间较小缺口使用线性插值；若变量波动较小或缺失值集中于边界年份，则使用历史均值或区域均值替代法.

1.2 农业碳排放核算

农业碳排放主要来源于农地利用活动及农作物生长发育过程. 其中，农地生产活动的碳排放主要来自水资源、土地资源与能源开发利用的直接或间接排放，具体涵盖化肥、农药、农膜、农业机械柴油、农业灌溉及农田翻耕等碳源^[30~33]. 鉴于全国不同区域作物类型多样、种植面积差异显著，农作物生长发育过程的碳排放量核算存在较大数据获取难度，本研究暂未将其纳入核算范围.

基于农业“水-土-能-碳”耦合系统，依据IPCC经典碳排放计算理论，结合数据可获得性，本研究聚焦化肥、农药、农膜、柴油、灌溉及翻耕这6类农业生产过程中直接或间接产生的碳排放，采用排放系数法进行量化测算. 碳排放量计算公式如下：

C = \sum C_{i} = \sum T_{i} \times δ_{i}

(1)

式中，C为农业碳排放总量，C_i为第i种碳源碳排放量，T_i为碳源投入量，δ_i为碳源的碳排放系数. 具体的碳排放系数及来源见表 1，同时，用农业碳排放总量与农业总产值的比值衡量农业碳排放强度（AC）^[34~37].

表 1 碳源的碳排放系数 Table 1 Carbon emission coefficients of carbon sources

1.3 碳排放影响因素分析 1.3.1 LMDI分解模型

LMDI模型是研究碳排放影响因素的常用方法，具有分解完全无残差的特点. 基于扩展LMDI模型，对可能影响我国农业碳排放的驱动因素进行分解变形：

\begin{array}{l} C E = \sum_{j = 1}^{31} C E_{j} = \sum_{j = 1}^{31} \frac{C E_{j}}{P G D P_{j}} \times \frac{P G D P_{j}}{A G D P_{j}} \times \\ \frac{A G D P_{j}}{G D P_{j}} \times \frac{G D P_{j}}{R P_{j}} \times \frac{R P_{j}}{P_{j}} \times P_{j} \end{array}

(2)

\begin{array}{l} \frac{C E_{j}}{P G D P_{j}} = P I_{j}, \frac{P G D P_{j}}{A G D P_{j}} = A I_{j}, \\ \frac{A G D P_{j}}{G D P_{j}} = I S_{j}, \frac{G D P_{j}}{R P_{j}} = E D L_{j}, \frac{R P_{j}}{P_{j}} = U R B_{j} \end{array}\}

(3)

式中，CE、PGDP、AGDP、GDP、RP和P分别表示：农业碳排放量、种植业GDP、农牧渔林业GDP、地区GDP、地区总人口和农村总人口. PI、AI、IS、EDL、URB和P分别表示：农业生产效率、农业产业结构、产业结构、地区经济发展水平、城镇化和农村人口，反映了农业碳排放的影响因素，下标j为不同的省域.

为量化各影响因素对中国农业碳排放的影响大小，对式（2）和式（3）进行进一步地分解，本研究采用LMDI的加和分解方式对中国农业碳排放的影响因素进行分解，具体如下：

$ \begin{aligned} \Delta \mathrm{CE}= & \Delta \mathrm{CE}_t-\Delta \mathrm{CE}_0=\Delta \mathrm{PI}+\Delta \mathrm{AI}+\Delta \mathrm{IS}+ \\ & \Delta \mathrm{EDL}+\Delta \mathrm{URB}+\Delta P \end{aligned} $

(4)

式中，t表示t时间，0表示基期时间，ΔCE表示农业碳排放在基期到t时间的变化量. ΔPI、ΔAI、ΔIS、ΔEDL、ΔURB和ΔP分别表示：农业生产效率、农业产业结构、产业结构、地区经济发展水平、城镇化和农村人口对农业碳排放在基期到t时间的变化量的贡献值，即农业碳排放的影响因素.

根据LMDI分解方法，可以得到ΔPI、ΔAI、ΔIS、ΔEDL、ΔURB和ΔP的计算公式：

Δ P I = \sum \frac{C E_{t} - C E_{0}}{l n C E_{t} - l n C E_{0}} (l n P I_{t} - l n P I_{0})

(5)

Δ A I = \sum \frac{C E_{t} - C E_{0}}{l n C E_{t} - l n C E_{0}} (l n A I_{t} - l n A I_{0})

(6)

Δ I S = \sum \frac{C E_{t} - C E_{0}}{l n C E_{t} - l n C E_{0}} (l n I S_{t} - l n I S_{0})

(7)

Δ E D L = \sum \frac{C E_{t} - C E_{0}}{l n C E_{t} - l n C E_{0}} (l n E D L_{t} - l n E D L_{0})

(8)

Δ U R B = \sum \frac{C E_{t} - C E_{0}}{l n C E_{t} - l n C E_{0}} (l n U R B_{t} - l n U R B_{0})

(9)

Δ P = \sum \frac{C E_{t} - C E_{0}}{l n C E_{t} - l n C E_{0}} (l n P_{t} - l n P_{0})

(10)

1.3.2 机器学习模型

根据目前的研究，农业碳排放受到诸多要素的影响，传统回归模型预设条件过多，会造成多重共线性和自由度下降等问题，而RF算法不对数据进行假设，能避免上述问题，使结果更加稳健^[45，46]. 所以考虑在传统LMDI分解分析的基础上，将各项分解因子作为输入变量同步引入机器学习模型，用以增强模型的解释性与结构识别能力. 同时，利用SHAP方法对机器学习结果进行可解释性分析，并与LMDI结果进行对比验证，以识别农业碳排放的显性与隐性驱动因素，最终实现因果分析与预测建模的协同融合.

随机森林是2001年Breiman基于决策树提出的一种集成学习方法^[47]. RF模型对训练数据和解释变量进行随机抽样，生成多棵决策树，并通过对每棵决策树的预测结果取平均值或众数来汇总生成最终预测值. 随机森林具有不易过度拟合、抗噪性强和可解释性高等特点，且能够评估解释变量对预测变量的相对重要性，从而定量分析农业碳排放的驱动因素. 计算过程如图 1.

图 1 随机森林计算过程示意 Fig. 1 Schematic of the random forest calculation process

随机森林中每棵决策树的特征向量计算公式如下：

m i n_{j, m} [\sum_{q_{i} \in R_{1} (j, m)} (q_{i} - \hat{q_{R_{1}}}) + \sum_{q_{i} \in R_{2} (j, m)} (q_{i} - \hat{q_{R_{2}}})]

(11)

\hat{q_{R_{1}}} = m e a n [q_{i} |q_{i} \in R_{1} (j, m)]

(12)

\hat{q_{R_{2}}} = m e a n [q_{i} |q_{i} \in R_{2} (j, m)]

(13)

式中，j和m分别为决策树的特征向量，R₁（j，m）为特征m在节点j上分裂后得到的第一个子节点的样本集合，R₂（j，m）为特征m在节点j上分裂后得到的第二个子节点的样本集合，q_i为第i个样本实际测算值， $\hat{q_{R_{1}}}$ 和 $\hat{q_{R_{2}}}$ 分别为农业碳排放预测值. 该公式的目的是通过找到使两个子节点均方误差之和最小的分裂点，确保分裂后的子节点尽可能纯净，即每个子节点中的样本目标值之间的差异最小. 本文使用Python 3.13来构建中国各省域农业碳排放的随机森林模型，将数据集分为70%的训练集和30%验证集，从而探究农业碳排放的关键驱动因素的重要性.

虽然随机森林算法能够较为准确地识别农业碳排放的影响因素，但其实质上却是“黑箱”模型，难以直观反映各影响因素对农业碳排放的重要性和作用方向. SHAP值解释算法由Lundberg和Lee于2017年提出，是解释机器学习结果的有效方法^[48，49]. 其基于合作博弈中Shapley值的概念，考虑到了影响因素的贡献程度，能够量化各影响因素对农业碳排放的重要性及作用方向.

假设农业碳排放影响因素的集合为{x₁，x₂，…，x_p}；S为不包含影响因素x_i的子集， $|S|$ 为子集的大小；f（S）为子集S对应的模型输出结果；f（S∪{x_i}）为影响因素x_i加入到子集S后的输出结果. 因此，影响因素x_i的SHAP值计算公式如下：

$ \begin{aligned} \operatorname{SHAP}\left(x_i\right)= & \sum\limits_{S \subseteq\left\{x_1, x_2, \cdots, x_p\right\}} \frac{|S|!(p-|S|-1)!}{p!} \times \\ & {\left[f\left(S \cup\left\{x_i\right\}\right)-f(S)\right] } \end{aligned} $

(14)

式中，SHAP值实际上是在考虑所有可能的影响因素组合后，通过计算影响因素x_i加入前后模型输出结果变化值的加权平均，以此来确定影响因素x_i对农业碳排放的贡献度，与合作博弈中Shapley值的概念高度一致. SHAP值解释算法能够较为准确地识别农业碳排放的主要影响因素，有利于提供更高效、更精准的决策参考.

1.4 碳排放脱钩效应分析

农业碳排放脱钩是农业经济增长与其二氧化碳排放之间关系持续减弱直至消逝的理想过程，即碳排放量在经济增长的基础上逐渐减少. 为考察更精准的脱钩关系，采用Tapio脱钩模型测算脱钩指数^[50~52]，方法如下：

D_{t} = \frac{Δ C_{t}}{Δ G_{t}} = \frac{(C_{t} - C_{t - 1}) / C_{t - 1}}{(G_{t} - G_{t - 1}) / G_{t - 1}}

(15)

式中，t和t-1分别表示末期和基期，D_t为末期相对于基期农业经济增长与碳排放的脱钩指数，ΔC_t为农业碳排放增量，ΔG_t为农业产值增量. 综合相关研究，将碳排放脱钩状态分为8种类型，详见表 2.

表 2 脱钩状态与脱钩指数 Table 2 Decoupling status and decoupling index

2 结果与分析 2.1 中国农业碳排放现状 2.1.1 碳排放总量的区域差异及演变

根据2011~2022年农业碳排放核算结果可知（图 2），我国农业碳排放在空间上呈现显著的区域差异性，且在时间序列上表现出复杂的动态演进特征. 分区域看，东部、中部、西部和东北四大经济区的农业碳排放总量分别为36 938.74万、34 130.76万、36 128.35万和14 112.38万t，分别占全国农业碳排放总量的30.45%、28.13%、29.77%和11.64%. 其中，东中部地区合计占比近60%，是构成我国农业碳排放的主要来源区域，具有显著的碳排放聚集效应.

图 2 2011~2022年中国不同区域农业碳排放构成、总排放和省均排放对比 Fig. 2 A comparison of the composition of agricultural carbon emissions, total emissions, and provincial average emissions in different regions of China from 2011 to 2022

具体而言，由于种植规模较大、农业生产方式较为传统和农资投入强度较高等因素，尤其是化肥和灌溉的广泛使用，导致中部地区农业碳排放总量居全国前列，河南、安徽和湖北这3省累计排放超2.3亿t（表 3）. 东部地区虽然碳排放总量较高，但部分省域（江苏、山东和河北等）已初步体现出排放增长趋缓的态势，反映出一定的低碳转型成效. 西部地区碳排放总量低于中部和东部省域，部分省域（新疆、四川和云南等）受农业生产扩张与农用资源投入增加的影响，碳排放增长趋势较为明显，显示出较大的碳减排压力. 东北地区农业碳排放总量相对较小，黑龙江、吉林和辽宁等省域在农业结构优化与耕作制度改革推动下，农业碳排放规模趋于下降，表明该区域在低碳农业转型方面已取得初步进展.

表 3 2011~2022年各地区农业碳排放总量^1） Table 3 Total agricultural carbon emissions in various regions from 2011 to 2022

区域	省域	化肥碳排放量	薄膜碳排放量	柴油碳排放量	农药碳排放量	翻耕碳排放量	灌溉碳排放量	农业总碳排放
东部	北京	100.66	60.08	18.41	17.52	0.64	43.81	241.12
	天津	211.20	63.23	69.09	16.85	1.69	99.04	461.09
	河北	3 342.31	750.58	1 602.44	424.13	31.64	1 421.69	7 572.79
	江苏	3 257.58	698.12	752.90	436.58	28.48	1 285.72	6 459.38
	福建	1 206.31	355.93	586.46	302.27	7.10	335.63	2 793.71
	山东	4 610.47	1 797.61	1 088.38	818.17	41.26	1 633.43	9 989.32
	广东	2 540.51	278.62	574.31	596.00	16.87	566.77	4 573.08
	海南	498.49	173.48	133.46	186.44	2.86	89.65	1 084.39
	上海	96.12	100.41	82.36	22.99	1.18	58.83	361.89
	浙江	868.73	411.67	1 371.75	289.06	8.01	452.74	3 401.97
中部	山西	1 206.48	296.33	201.43	164.41	13.73	465.37	2 347.75
	安徽	3 374.88	606.22	524.93	590.04	33.30	1 386.36	6 515.72
	江西	1 380.48	324.00	205.79	475.08	20.99	644.54	3 050.88
	河南	7 231.79	961.50	755.56	693.25	54.67	1 687.36	11 384.12
	湖北	3 335.18	396.14	454.13	665.02	30.06	923.53	5 804.06
	湖南	2 541.92	506.50	308.99	662.24	31.70	976.86	5 028.22
西部	内蒙古	2 321.21	561.41	524.81	172.31	30.78	1 032.18	4 642.69
	广西	2 712.64	279.71	408.64	413.27	22.74	522.91	4 359.90
	贵州	976.33	290.46	76.28	68.74	20.36	356.94	1 789.12
	甘肃	931.03	1 037.32	269.10	334.62	14.96	421.55	3 008.58
	青海	83.93	43.96	45.96	9.83	2.10	68.39	254.16
	宁夏	417.06	100.61	153.23	14.46	4.50	165.94	855.79
	新疆	2 501.80	1 533.66	594.42	138.49	21.82	1 560.49	6 350.68
	重庆	1 002.85	266.19	148.39	104.44	12.86	220.69	1 755.42
	四川	2 515.76	775.41	328.93	313.02	36.49	901.10	4 870.70
	云南	2 264.87	700.85	420.97	304.38	26.16	583.91	4 301.14
	陕西	2 354.05	266.25	640.80	74.03	15.71	403.31	3 754.14
	西藏	53.58	10.18	32.33	5.01	0.98	83.96	186.03
东北	辽宁	1 538.46	807.01	472.76	318.38	15.86	509.05	3 661.54
	吉林	2 374.16	343.93	466.87	305.75	21.94	581.83	4 094.48
	黑龙江	2 577.00	473.56	1 002.18	438.67	51.71	1 813.25	6 356.36
1）数值以CO₂计，单位为万t

表 3 2011~2022年各地区农业碳排放总量^1） Table 3 Total agricultural carbon emissions in various regions from 2011 to 2022

进一步的省域层面分析表明（表 3），各区碳排放总量（以CO₂计，下同）存在梯度分布，全国碳排放量最高的省域分别为中部地区的河南（11 384.12万t）、东部地区的山东（9 989.32万t）和西部地区的新疆（6 350.68万t）；而西藏（186.03万t）、青海（254.16万t）和北京（241.12万t）排放量最小，表明极端地理条件和耕地规模对排放规模的制约作用.

从碳源结构看，各经济区农业碳排放的组成存在显著差异. 中部地区化肥碳排放占比55.88%，显著高于全国平均水平（50.48%），反映出其农业增产依赖高强度化肥施用的现实格局. 西部地区则在农膜（15.14%）与灌溉（18.77%）碳排放中占比较高，尤其是新疆、甘肃等典型干旱区，农业灌溉对能源的依赖显著增强了区域碳排放水平. 东北地区则表现出柴油与灌溉碳排放占比较大的特征，这主要与该区域农机作业强度高、耕作制度集中有关.

2.1.2 碳排放强度的时空演变

农业碳排放强度，即单位农业产值对应的碳排放量，是衡量农业绿色发展效率与资源环境协调水平的重要指标. 通过对2011~2022年全国及分区域碳排放强度变化的系统分析发现，我国农业碳排放强度整体呈现出“波动下降、区域分化”的演进特征.

从全国尺度看，2011~2022年间中国农业碳排放强度（以CO₂计，下同）呈阶段性下降趋势，由2011年0.256 t·万元^-1下降至2022年0.115 t·万元^-1，累计下降约55.16%，年均降幅为5.01%（图 3）. 在“十三五”后期及“十四五”初期下降幅度较为显著，反映出随着绿色农业政策深入实施与农业技术进步的推进，单位产出对应的碳排放水平持续降低，农业碳效率逐步提升. 这一趋势与全国农业向集约化、高效化转型的总体进程保持一致.

图 3 2011~2022年各区域碳排放强度变化 Fig. 3 Changes of carbon emission intensity in various economic zones from 2011 to 2022

从区域尺度看，四大区域农业碳排放强度水平呈现出“东部最低、东北最高”的空间格局，且随时间推移整体差异有所收敛：东部地区碳排放强度从2011年0.240 t·万元^-1下降至2022年0.106 t·万元^-1，降幅为55.76%，表明该区域农业生产向高效、低碳方向转型趋势显著；中部地区碳排放强度由0.263 t·万元^-1降至0.126 t·万元^-1，降幅为52.25%，呈现稳定下降趋势；西部地区由0.257 t·万元^-1下降至0.107 t·万元^-1，降幅为58.50%；东北地区则从0.292 t·万元^-1降至0.154 t·万元^-1，降幅为47.26%，碳排放效率提升相对滞后.

在省域层面，农业碳排放强度分布具有明显的区域梯度特征（图 4）. 2022年农业碳排放强度较低的省域依次为贵州（0.039 t·万元^-1）、海南（0.063 t·万元^-1）和四川（0.067 t·万元^-1），均低于全国平均水平（0.115 t·万元^-1）；而较高的省域依次为安徽（0.172 t·万元^-1）、内蒙古（0.197 t·万元^-1）和吉林（0.220 t·万元^-1），均超过全国平均水平的60%以上. 这种差异反映出农业发展阶段、资源禀赋与技术采纳率在区域间的不均衡性.

数值表示农业碳排放强度，以CO₂计，单位为t·万元^-1 图 4 中国各省域农业碳排放强度变化 Fig. 4 Changes in agricultural carbon emission intensity in various provinces of China

2.2 中国农业碳排放影响因素分析 2.2.1 线性影响因素

为深入剖析中国农业碳排放的时序演化机制，本文基于扩展的LMDI加法分解模型，构建由农业生产效率（PI）、农业产业结构（AI）、产业结构（IS）、地区经济发展水平（EDL）、城镇化率（URB）与农村人口（P）组成的驱动因子体系，对2011~2022年中国农业碳排放变化进行了系统分解与归因分析.

从全国总体结果看（图 5），2011~2022年我国农业碳排放总体变化量（以CO₂计，下同）为-703.36万t. 其中农业生产效率效应为-7 595.89万t，对碳排放的抑制作用最为显著，表明随着农业科技水平提升与资源利用效率改善，单位产值碳排放显著降低；农业产业结构效应总体为357.62万t，略推动碳排放，说明种植业比例或高碳作物占比有所回升；产业结构效应总体为-1 968.25万t，具有一定减排效应，反映第一产业比例下降带来的间接影响；地区经济发展水平（EDL）效应为8 501.35万t，为推动碳排放增长的第一驱动因子，显示出农业经济扩张对碳排放总量的正向拉动；城镇化效应为3 205.12万t，表明随着城乡结构转型，农村剩余劳动力减少可能刺激农业投入强度上升；农村人口效应为-2 893.61万t，则说明农村地区通过人口规模收缩间接抑制碳排放.

图 5 2011~2022年各驱动因素对各区域农业碳排放的贡献值 Fig. 5 Contribution values of each driving factor to agricultural carbon emissions in each economic zone from 2011 to 2022

进一步从经济区层面看，各区域农业碳排放驱动机制表现出高度异质性（图 5）. 东部地区受农业生产效率（-1 925.86万t）与产业结构（-845.55万t）双重驱动，形成碳减排压力，但同时受地区经济发展（1 958.62万t）与城镇化（784.13万t）影响较大，统计期内农业碳排放变化为-478.56万t，表明东部地区“经济拉动-效率抑制”并存的复合效应. 中部地区碳排放变化为-446.59万t，其中农业效率效应负向贡献最大（-2 230.95万t），经济发展（2 949.92万t）与城镇化（1 145.20万t）则形成主导拉动机制；但农村人口持续减少（-1 062.85万t）产生缓释作用. 西部地区则表现为净增排（199.76万t），虽有农业效率改善（-2 640.95万t）形成基础减排支撑，但受经济发展（2 835.26万t）与城镇化（963.63万t）双重强拉动，总体实现碳排放上升. 东北地区碳排放变化相对较小（22.03万t），农业效率与农村人口均呈负效应（合计约-1 280万t），但产业结构（101.67万t）和经济发展（757.54万t）对碳排放形成反向拉动效应，结构性问题明显.

在省域尺度上，农业碳排放驱动因素的差异性较为显著（图 6）. 山东表现出典型的“效率提升-经济扩张”双向作用机制，其中农业生产效率效应为-607.78万t，经济发展效应为633.83万t，形成一定程度的碳减排抵消；新疆则体现出区域扩张型排放特征，尽管农业效率改善显著（-309.80万t），但在经济发展（451.17万t）与城镇化（155.84万t）作用下，仍存在186.12万t的碳净增排；黑龙江在东北地区中呈现出最强的结构推动力，产业结构效应为159.60万t，为全国最高，显示出农业部门比例波动较大.

图 6 2011~2022年各省域农业碳排放贡献值 Fig. 6 Contribution values of agricultural carbon emissions in each economic zone from 2011 to 2022

LMDI分解结果表明我国农业碳排放增长的主要驱动力来自经济扩张与城镇化进程加速，而农业生产效率提升与农村人口下降构成碳排放的重要抑制机制. 区域间在各因子贡献上的显著分异也进一步凸显了制定差异化减排路径的重要性.

2.2.2 非线性影响因素

尽管LMDI分解模型可有效识别农业碳排放的主要线性驱动机制，然而农业系统本身具有高度复杂性和非线性特征，其碳排放过程往往受到多重因素的耦合作用与变量间交互影响. 因此，本文进一步引用RF机器学习模型，以识别农业碳排放的非线性驱动因素，实现对农业碳排放影响机制的多维识别与定量排序.

在变量选择上，本文基于2011~2022年省域尺度面板数据，参考已有研究^{[20，53，54]}，选择农业生产效率（V2）、农业产业结构（V3）、产业结构（V4）、地区经济发展水平（V5）、城镇化水平（V6），同时增加耕地规模（V7）、自然灾害水平（V8）、农业电气水平（V9）、地区农业发展水平（V10）、农业机械化水平（V11）、农药使用量（V12）、农用塑料薄膜使用量（V13）、化肥折纯量（V14）和柴油使用量（万t）（V15）在内的15项经济、资源、技术和社会变量作为自变量，与各省域碳排放量（V1）进行Pearson相关性分析，所得相关性热图如图 7所示.

系数越大表示相关性越强；**表示P < 0.01，*表示P < 0.05；V2：农业生产效率，V3：农业产业结构，V4：产业结构，V5：地区经济发展水平，V6：城镇化水平，V7：耕地规模，V8：自然灾害水平，V9：农业电气水平，V10：地区农业发展水平，V11：农业机械化水平，V12：农药使用量，V13：农用塑料薄膜使用量，V14：化肥折纯量，V15：柴油使用量，下同图 7 2011~2022年各农业指标与农业碳排放相关性热图 Fig. 7 Heat map of the correlation between various agricultural indicators and agricultural carbon emissions from 2011 to 2022

可以看出，农业碳排放量与以下变量呈现显著正相关关系（P < 0.01）：化肥使用量、农药使用量和农膜使用量，表明农业物化投入是碳排放的核心源头；农业机械总动力与柴油消耗量，表明农业机械化水平提升虽改善劳动效率，但能源消耗带来的碳排放压力不容忽视；第一产业GDP，表明农业经济规模扩大对碳排放总量的拉动作用. 与此同时，城镇化率与农业碳排放呈显著负相关，表明城镇化进程可通过劳动力结构转移与农业土地退出效应间接削弱农业碳排放水平.

在构建RF回归模型后，本文进一步选取2011年、2014年、2017年、2020年和2022年作为典型年份进行训练与验证. 在Python 3.13中基于筛选后的指标构建RF模型，生成的历年模型R²分别为0.90、0.92、0.91、0.91和0.92，表明所选变量体系具备良好的解释力. 结合SHAP分析结果（图 8），农业碳排放的非线性驱动因素重要性排序表现为：地区经济发展水平与化肥使用量始终是最关键的农业碳排放驱动因子，SHAP贡献度居第一和第二位，说明尽管绿色农业已广泛倡导，但农业增产仍高度依赖化肥；农业机械总动力与柴油使用量的重要性也较为突出，反映出我国农业“机械化-能源化”路径带来的碳代价显著；第一产业GDP与耕地规模亦是核心变量，表明土地利用扩张与农业产值增长共同塑造了碳排放趋势；城镇化率贡献度为负，且在2020年后其“减碳效应”更加明显，表明应重视城乡结构变化对农业碳排放的间接影响；其他变量如农业电气化水平、自然灾害频率、农膜与农药使用量等，虽个体贡献度较小，但在某些年份表现出突出的区域异质性影响，表明其间接作用突出.

图 8 历年农业碳排放驱动因素相对重要性 Fig. 8 Relative importance of the driving factors of agricultural carbon emissions over the years

2.3 农业碳排放与经济发展的脱钩状态 2.3.1 农业碳排放脱钩分析

农业碳排放与农业经济增长之间的关系，是衡量农业绿色转型成效的重要标志. 为刻画二者之间的动态耦合关系，本文基于Tapio弹性系数法对我国2011~2022年农业碳排放与农业产值增长之间的脱钩关系进行测度（表 4）.

表 4 2011~2022年中国农业碳排放脱钩^1） Table 4 Decoupling of agricultural carbon emissions in China from 2011 to 2022

从整体趋势看，我国农业碳排放与经济增长呈现出阶段性脱钩演化过程如下.

（1）2011~2015年为弱脱钩阶段（D_t=0.233）该时期农业碳排放年均增长率为5.96%，农业产值增长率为25.58%，二者呈现同步增长但碳排放弹性小于1，表明农业经济扩张仍带动碳排放上升，但绿色转型已有初步成效. 细分年度中，2014~2015年脱钩指数最低（D_t=0.154），为近年相对理想的增长结构.

（2）2015~2020年为强脱钩阶段（D_t=-0.492）表现农业经济增长伴随碳排放总量持续下降的态势. 该阶段农业碳排放下降幅度为-12.02%，农业经济增长率为24.45%，实现经济增长与环境压力之间的“解耦”. 细分年度中，2017~2018年脱钩指数最低（D_t=-0.595），农业碳减排效果最为显著. 该时期是我国农业绿色发展政策密集实施阶段，标志着农业低碳转型开始取得系统性成效.

（3）2020~2022年为持续强脱钩阶段（D_t=-0.169）碳排放年均降幅有所降低，为-2.53%，但农业产值仍保持15.03%的较高增速，二者保持负相关趋势，说明“十四五”以来农业绿色发展理念持续深化，碳排放增长压力进一步减缓.

从各年度具体指标看，研究期内全部年份均处于“强脱钩”或“弱脱钩”状态，未出现“扩张连结”或“负脱钩”等不利局面. 表明我国农业系统整体已初步实现经济增长与碳排放之间的脱钩转向，呈现出向绿色低碳发展过渡的积极趋势. 然而脱钩强度存在一定波动，2020~2022年间D_t值绝对值明显收窄，尤其在2021~2022年仅为-0.154，说明在农业经济快速恢复背景下，碳排放控制压力有所加大.

2.3.2 碳排放脱钩的时空特征

在Tapio脱钩模型测算的基础上，进一步从省域尺度系统分析中国农业碳排放与经济增长之间的脱钩关系及其时空演变格局. 结果表明（表 5），2011~2022年，中国各省域农业碳排放与农业经济增长的脱钩状态呈现明显的地域梯度和阶段性特征.

表 5 2011~2022年各省域农业碳排放脱钩状态^1） Table 5 Decoupling of agricultural carbon emissions in various provinces from 2011 to 2022

总体看，东部地区脱钩类型多表现为弱脱钩和扩张连结，如江苏、浙江、山东和河北等省域在3个时间段D_t值大多维持在0.4~1.2之间，表明农业经济增长与碳排放基本同步，尚未实现显著的强脱钩. 而北京、上海等地则因农业比例小，经济增长主要依赖服务业和高端制造业，表现出一定的衰退脱钩特征.

中部地区如河南、江西和安徽在2011~2015年多数表现为弱脱钩或扩张连结；2015~2020年，部分省域D_t值略有下降，显示碳排放增速逐渐放缓，经济增长带来的碳压力有所减弱. 值得注意的是，湖南在2015年后D_t值显著上升，转为衰退脱钩，表明农业碳排放在经济波动期出现下降.

西部地区则呈现显著的两极分化. 新疆、四川和宁夏长期维持在扩张连结或轻度扩张的脱钩区间，农业经济增长对碳排放仍有较强拉动效应. 青海、贵州和云南等省域D_t值远高于1.2，并在部分时期超过10，呈现出典型的衰退脱钩特征，主要因碳排放下降幅度大于农业产值下降幅度，反映出经济结构脆弱、农业生产稳定性差等问题. 同时，甘肃和内蒙古等省域在多个阶段D_t值为负，表现为强负脱钩，表明经济增长受抑制但碳排放反而增加，进一步凸显区域农业低碳转型的复杂性和挑战性.

东北地区脱钩表现相对多样. 黑龙江和吉林在2011~2015年D_t值显著高于1，显示农业碳排放在经济下行阶段仍保持增长，进入2020年后D_t值回落至接近1，逐步转入衰退连结或扩张连结状态. 辽宁省的D_t值从弱脱钩逐步上升至扩张连结，表明碳排放与农业经济增长趋向同步.

3 讨论 3.1 模型识别结果的协同性与差异性

基于LMDI分解与RF机器学习模型，分别从线性结构与非线性高维特征视角系统揭示了我国农业碳排放的主要驱动机制及其区域异质性. 结果表明，两类方法在主导驱动因子的识别上表现出较高的一致性，农业生产效率的持续提升和农村人口规模下降在全国范围内均显著抑制了碳排放，而地区经济发展水平、城镇化和农业产业投入则形成持续的排放推动效应.

从驱动因素看，LMDI分解结果表明，农业生产效率的提升显著抑制了碳排放增长，经济扩张及城镇化则持续推高农业碳排放，农业产业结构效应虽相对较小但在部分区域呈现积极拉动. 而随机森林模型结合SHAP分析，进一步揭示了化肥使用量、农业机械总动力、第一产业GDP和柴油与农膜投入在农业碳排放驱动中的核心地位，这与LMDI所揭示的生产效率和经济扩张拉动效应高度一致，同时也识别出农业电气化和耕地规模等对碳排放具有重要非线性影响的因素，弥补了传统LMDI对变量交互与非线性作用忽略的不足.

然而不同方法也揭示了驱动机制的不同层面. LMDI分解因结构性优越，能够直接量化单一因素对碳排放增减的边际贡献，但对变量间可能存在的非线性及交互效应缺乏敏感性. RF机器学习模型则通过不依赖任何数据分布假设的多树集成，刻画农业机械化与耕地面积、化肥使用量之间潜在的耦合放大效应，SHAP进一步量化了这些变量的边际重要性并揭示不同年份的动态变动，显示化肥使用量对碳排放的边际贡献在高投入省域更为突出，提示应关注“效率提升”与“投入强化”并存下的碳回弹风险. 表明LMDI分解与RF机器学习模型在驱动因素解析上具有一定互补性，为复杂农业碳排放系统的理解提供了多维视角.

3.2 区域特征的多样性与低碳转型的不均衡性

本文揭示了我国农业碳排放在总量、强度及驱动机制上的显著空间异质性. 中部地区部分省域受限于耕地面积大、传统化肥依赖高及农田灌溉用能占比高，农业效率虽有提升但经济与城镇扩张效应正向驱动相应强，使得其农业碳排放总量长期处于全国前列，说明该区域尚未实质性进入绿色转型的“降碳通道”. 东部地区虽农业排放总量较高，但单位产值碳排放强度下降更为显著，江苏、浙江和山东近10 a农业碳排放强度降幅均大于30%. LMDI结果显示这些省域农业效率及产业结构调整效应显著，对冲了经济扩张的增排压力，表现为明显的“效率主导型减排”特征. 然而机器学习模型同时指出该区域农业电气化与柴油消耗依旧是主要驱动因子，提示“能源替代路径”尚未彻底实现低碳化，存在由柴油驱动的机械化碳锁定风险.

在西部和东北地区，农业碳排放表现出典型的“强度高、结构脆弱”特征. 西部如新疆和甘肃等省域，尽管农业效率有所改善，但由于水资源依赖大规模灌溉和农膜覆盖，农业碳排放总量持续上升；Tapio脱钩指数长期处于扩张连结或弱脱钩状态. 东北地区在机械化耕作与第一产业主导的经济结构下，碳排放强度持续高位，RF模型结果表明该地区第一产业GDP与农机动力对碳排放的重要性远高于全国均值，揭示产业结构调整乏力与绿色技术渗透不足的双重问题.

4 建议

（1）深化绿色农业技术推广与适区集成应用. 聚焦农业高碳投入环节，强化精准施肥、病虫害绿色防控和农膜减量与回收技术的集成示范，推动农业电气化和新能源农机替代柴油机械，重点提升中部高投入区和西北灌溉区的农业资源利用效率.

（2）因地制宜构建区域差异化低碳转型路径. 持续推动东部地区农业产业链延伸与价值链升级，强化农业绿色认证体系；重点减少中部地区化肥、灌溉用能，逐步向节水节肥高效模式转型；优化西部和东北地区耕地布局，开展退耕还草还林与生态农业示范，减轻脆弱生态区农业碳压力.

（3）强化多元数据支持的农业碳排放监测与预测体系. 借助大数据、遥感与物联网技术，构建省域及地块级农业碳排放动态监测网络. 引入机器学习等智能算法增强碳排放预测与风险预警，为分区分作物碳达峰行动提供科学支撑.

（4）完善碳减排政策激励与协同治理机制. 将农业碳排放与乡村振兴、粮食安全统筹纳入区域发展考核体系，探索农业碳交易、绿色金融和生态补偿等激励手段，推动形成多层级、跨部门协同的农业低碳治理格局.

5 结论

（1）我国农业碳排放总体保持增长但碳效率持续提升. 2011~2022年我国农业碳排放总量呈现阶段性波动上升态势，东中部地区合计排放量占全国近60%，为农业碳排放的主要集聚区. 同期单位农业产值碳排放强度累计下降55.16%，全国农业逐步进入“高产量、低增碳”的绿色转型阶段.

（2）农业碳排放驱动机制呈现显著的区域异质性. 农业生产效率提升是全国层面碳排放抑制的首要因素，而地区经济发展水平和城镇化进程是主要的增排驱动. 分区域看，东部地区减排主要依赖农业效率和产业结构优化，中部地区则受经济扩张与高投入主导，西部与东北则表现出资源依赖型和机械化推动下的高碳特征.

（3）农业碳排放驱动因素存在明显的非线性与交互效应. 化肥、农药、农膜及农机动力等物化投入长期居于碳排放驱动的重要性前列，化肥的边际影响在高投入区域尤为显著，说明“增产依赖化肥-碳排放加剧”的路径尚未根本转型. 同时，耕地规模、自然灾害与农业电气化在部分年份对碳排放的边际效应显著，揭示了农业碳排放的复杂多元驱动特征.

（4）农业碳排放与经济增长已进入脱钩过渡期但区域差异显著. 2015年后我国农业碳排放与经济增长关系整体进入弱至强脱钩阶段，经济增长逐步“去碳化”. 但省域尺度显示部分中西部及东北地区仍处于扩张连结甚至衰退脱钩状态，反映出不同区域农业低碳转型基础与驱动力存在较大差异.

参考文献

[1]	金书秦, 林煜, 牛坤玉. 以低碳带动农业绿色转型: 中国农业碳排放特征及其减排路径[J]. 改革, 2021(5): 29-37. Jin S Q, Lin Y, Niu K Y. Driving green transformation of agriculture with low carbon: characteristics of agricultural carbon emissions and its emission reduction path in China[J]. Reform, 2021(5): 29-37.
[2]	师帅, 肖雨荀, 周林庆, 等. 中国省域农业碳中和评价及其空间关联特征[J]. 环境科学, 2025, 46(10): 6110-6118. Shi S, Xiao Y X, Zhou L Q, et al. Carbon neutrality evaluation and spatial correlation characteristics of provincial agriculture in China[J]. Environmental Science, 2025, 46(10): 6110-6118. DOI:10.13227/j.hjkx.202409002
[3]	Yang B, Wang Z Q, Zou L, et al. Exploring the eco-efficiency of cultivated land utilization and its influencing factors in China's Yangtze River Economic Belt, 2001-2018[J]. Journal of Environmental Management, 2021, 294. DOI:10.1016/j.jenvman.2021.112939
[4]	Zhang H S, Li S P. Carbon emissions' spatial-temporal heterogeneity and identification from rural energy consumption in China[J]. Journal of Environmental Management, 2022, 304. DOI:10.1016/j.jenvman.2021.114286
[5]	乔均, 台德进, 邱玉琢. 农业新质生产力赋能农业碳减排的机理与效应[J]. 当代经济管理, 2024, 46(12): 42-55. Qiao J, Tai D J, Qiu Y Z. Research on the mechanism and effect of agricultural new quality productive forces empowering agricultural carbon emission reduction[J]. Contemporary Economic Management, 2024, 46(12): 42-55.
[6]	彭宸, 贾俊松, 余清项, 等. 中国农业碳排放的时空演化及影响因素分析[J]. 环境科学研究, 2024, 37(6): 1181-1192. Peng C, Jia J S, Yu Q X, et al. Analysis of spatio-temporal evolution and influencing factors of agricultural carbon emission in China[J]. Research of Environmental Sciences, 2024, 37(6): 1181-1192.
[7]	丁也璐, 赵娜娜, 黎明, 等. 陕北农田作物生产碳源/汇及碳足迹空间特征[J]. 生态学报, 2024, 44(11): 4574-4583. Ding Y L, Zhao N N, Li M, et al. Carbon source/sink and carbon footprint estimation for field crop production and spatial characterization in northern Shaanxi Province[J]. Acta Ecologica Sinica, 2024, 44(11): 4574-4583.
[8]	张丹, 张卫峰. 低碳农业与农作物碳足迹核算研究述评[J]. 资源科学, 2016, 38(7): 1395-1405. Zhang D, Zhang W F. Low carbon agriculture and a review of calculation methods for crop production carbon footprint accounting[J]. Resources Science, 2016, 38(7): 1395-1405.
[9]	张悦, 刘奔跃, 李大硕. 安徽农田生态系统碳足迹与经济增长的脱钩关系研究[J]. 湖南农业科学, 2024(7): 65-69. Zhang Y, Liu B Y, Li D S. Decoupling relationship between carbon footprints of farmland ecosystems and economic growth in Anhui province[J]. Hunan Agricultural Sciences, 2024(7): 65-69.
[10]	苏畅, 武慧君, 栗萌, 等. 淮河流域主要粮食作物生产碳足迹时空特征分析[J]. 环境科学学报, 2025, 45(10): 452-462. Su C, Wu H J, Li M, et al. Spatiotemporal carbon footprints of primary grain production in the Huaihe River Basin[J]. Acta Scientiae Circumstantiae, 2025, 45(10): 452-462.
[11]	李子仪, 李俊杰, 周东朋, 等. 科技园区碳足迹及减排路径分析[J]. 环境科学, 2026, 47(1): 148-161. Li Z Y, Li J J, Zhou D P, et al. Analysis of carbon footprint and emission reduction path of a science and technology park[J]. Environmental Science, 2026, 47(1): 148-161. DOI:10.13227/j.hjkx.202412317
[12]	谷彦琛, 张楠, 吕连宏. 全球碳达峰进展评估及驱动因素比较[J]. 环境科学, 2026, 47(4): 2081-2090. Gu Y C, Zhang N, Lü L H. Comparative study on carbon emissions decoupling and driving factors between carbon peaking countries and China[J]. Environmental Science, 2026, 47(4): 2081-2090. DOI:10.13227/j.hjkx.202503318
[13]	张晓娇, 毛昭庆, 万思琦, 等. 云南省农业碳排放特征及驱动因素分析——基于Kaya恒等式扩展与LMDI指数分解方法[J]. 农学学报, 2025, 15(3): 101-108. Zhang X J, Mao Z Q, Wan S Q, et al. Characteristics and driving factors analysis of agricultural carbon emission in Yunnan province: based on expanded Kaya identity and LMDI decomposition method[J]. Journal of Agriculture, 2025, 15(3): 101-108.
[14]	李贝, 卢奕亨, 夏锐, 等. 中国农村能源碳排放演进趋势及关键影响因素分析[J]. 环境科学, 2026, 47(1): 36-46. Li B, Lu Y H, Xia R, et al. Evolution trend and key influencing factors of rural energy carbon emission in China[J]. Environmental Science, 2026, 47(1): 36-46. DOI:10.13227/j.hjkx.202411199
[15]	梁力军, 马梦泽, 冯江林. 基于STIRPAT模型的山地城市碳达峰预测与实证: 以重庆市数据为例[J]. 环境科学, 2026, 47(4): 2112-2120. Liang L J, Ma M Z, Feng J L. Prediction and demonstration of carbon peak in mountain cities based on the STIRPAT model: a case study of Chongqing data[J]. Environmental Science, 2026, 47(4): 2112-2120. DOI:10.13227/j.hjkx.202503185
[16]	Cui H R, Zhao T, Shi H J. STIRPAT-based driving factor decomposition analysis of agricultural carbon emissions in Hebei, China[J]. Polish Journal of Environmental Studies, 2018, 27(4): 1449-1461. DOI:10.15244/pjoes/77610
[17]	Ji M, Li J R, Zhang M D. What drives the agricultural carbon emissions for low-carbon transition? Evidence from China[J]. Environmental Impact Assessment Review, 2024, 105. DOI:10.1016/j.eiar.2024.107440
[18]	Xiong C H, Chen S, Xu L T. Driving factors analysis of agricultural carbon emissions based on extended STIRPAT model of Jiangsu Province, China[J]. Growth and Change, 2020, 51(3): 1401-1416. DOI:10.1111/grow.12384
[19]	Xiong C H, Yang D G, Huo J W. Spatial-temporal characteristics and LMDI-Based impact factor decomposition of agricultural carbon emissions in Hotan prefecture, China[J]. Sustainability, 2016, 8(3). DOI:10.3390/su8030262
[20]	史新杰, 谭雪勤, 周茹, 等. 基于机器学习的河南省农业碳排放驱动因素分析和情景预测[J]. 中国环境科学, 2025, 45(10): 5885-5893. Shi X J, Tan X Q, Zhou R, et al. Driving factors analysis and scenario prediction of agricultural carbon emissions in Henan Province based on machine learning[J]. China Environmental Science, 2025, 45(10): 5885-5893.
[21]	曹昱亮, 倪珣, 巩红禹. 长江经济带农业碳排放影响因素及脱钩效应[J]. 环境科学, 2025, 46(3): 1535-1547. Cao Y L, Ni X, Gong H Y. Influencing factors and decoupling effects of agricultural carbon emissions in the Yangtze river economic belt[J]. Environmental Science, 2025, 46(3): 1535-1547. DOI:10.13227/j.hjkx.202403263
[22]	范行行, 介晓磊, 李玲, 等. 河南省农业减污降碳协同效应及其驱动因素[J]. 环境科学, 2025, 46(8): 4864-4875. Fan H H, Jie X L, Li L, et al. Synergistic effect of agricultural pollution and carbon reduction and their driving factors in Henan Province[J]. Environmental Science, 2025, 46(8): 4864-4875. DOI:10.13227/j.hjkx.202407209
[23]	钱凤魁, 王祥国, 顾汉龙, 等. 东北三省农业碳排放时空分异特征及其关键驱动因素[J]. 中国生态农业学报(中英文), 2024, 32(1): 30-40. Qian F K, Wang X G, Gu H L, et al. Spatial-temporal differentiation characteristics and key driving factors of agricultural carbon emissions in the three northeastern provinces of China[J]. Chinese Journal of Eco-Agriculture, 2024, 32(1): 30-40.
[24]	黄天阳, 谢立勇, 邓天乐, 等. 基于LMDI模型的辽宁省农业碳排放效率及驱动因素分析[J]. 中国生态农业学报(中英文), 2025, 33(3): 424-434. Huang T Y, Xie L Y, Deng T L, et al. Analysis of the agricultural carbon emissions efficiency and driving factors in Liaoning Province based on the LMDI model[J]. Chinese Journal of Eco-Agriculture, 2025, 33(3): 424-434.
[25]	Han G H, Xu J H, Zhang X, et al. Efficiency and driving factors of agricultural carbon emissions: a study in Chinese state farms[J]. Agriculture, 2024, 14(9). DOI:10.3390/agriculture14091454
[26]	Han H B, Zhong Z Q, Guo Y, et al. Coupling and decoupling effects of agricultural carbon emissions in China and their driving factors[J]. Environmental Science and Pollution Research, 2018, 25(25): 25280-25293. DOI:10.1007/s11356-018-2589-7
[27]	Su H M, He A X. Temporal-spatial evolution and influencing factors of agricultural carbon emissions in Anhui Province, China[J]. Applied Ecology and Environmental Research, 2024, 22(6): 5541-5558. DOI:10.15666/aeer/2206_55415558
[28]	Tian Y, Zhang J B, He Y Y. Research on spatial-temporal characteristics and driving factor of agricultural carbon emissions in China[J]. Journal of Integrative Agriculture, 2014, 13(6): 1393-1403. DOI:10.1016/S2095-3119(13)60624-3
[29]	Zhou Y, Wang T, Peng R C, et al. Spatial-temporal characteristics and factors of agricultural carbon emissions in the belt and road region of China[J]. Polish Journal of Environmental Studies, 2021, 30(3): 2445-2457. DOI:10.15244/pjoes/127414
[30]	张再杰, 陆品妮. 农业碳排放的测度与脱钩弹性研究——以贵州省为例[J]. 农村经济与科技, 2022, 33(13): 1-3.
[31]	徐雯, 张锦华. 政策性农业保险的碳减排效应——来自完全成本保险和收入保险试点实施的证据[J]. 保险研究, 2023(2): 20-33. Xu W, Zhang J H. The carbon emission reduction effect of policy-based agricultural insurance: evidences from the implementation of total cost insurance and income insurance pilot program[J]. Insurance Studies, 2023(2): 20-33.
[32]	田云, 蔡艳蓉. "双碳"目标下的农业碳问题研究进展及未来展望[J]. 华中农业大学学报, 2024, 43(3): 75-88. Tian Y, Cai Y R. Research progress and future prospects of agricultural carbon issues under "Dual carbon" goal[J]. Journal of Huazhong Agricultural University, 2024, 43(3): 75-88.
[33]	薛媛, 李春华, 李静雯, 等. 中国农业碳排放时空特征及驱动因素分析[J]. 中国生态农业学报(中英文), 2024, 32(11): 1805-1817. Xue Y, Li C H, Li J W, et al. Analysis of spatial and temporal characteristics and drivers of agricultural carbon emissions in China[J]. Chinese Journal of Eco-Agriculture, 2024, 32(11): 1805-1817.
[34]	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.
[35]	徐嫚谦, 黄森慰, 邓珍香, 等. 国家生态文明试验区建设对农业碳排放强度的影响——基于30个省份面板数据的准自然实验[J]. 生态经济, 2024, 40(8): 208-216. Xu M Q, Huang S W, Deng Z X, et al. Impact of national ecological civilization pilot zone construction on agricultural carbon emission intensity: a quasi natural experiment based on panel data of 30 provinces[J]. Ecological Economy, 2024, 40(8): 208-216.
[36]	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.
[37]	袁世一, 杨淼. 中国农业碳排放强度的时空交互与跃迁机制[J]. 中国农业大学学报, 2025, 30(6): 236-247. Yuan S Y, Yang M. Spatiotemporal interaction and transition mechanism of carbon emission intensity in Chinese agriculture[J]. Journal of China Agricultural University, 2025, 30(6): 236-247.
[38]	IPCC. Climate change 2013: the physical science basis. Contribution of working group Ⅰ (WGI) to the fifth assessment report (AR5) of the Intergovernmental Panel on Climate Change[M]. Cambridge: Cambridge University Press, 2013.
[39]	戴小文, 何艳秋, 钟秋波. 中国农业能源消耗碳排放变化驱动因素及其贡献研究——基于Kaya恒等扩展与LMDI指数分解方法[J]. 中国生态农业学报, 2015, 23(11): 1445-1454. Dai X W, He Y Q, Zhong Q B. Driving factors and their contributions to agricultural CO₂ emission due to energy consumption in China: based on an expended Kaya identity and LMDI decomposition method[J]. Chinese Journal of Eco-Agriculture, 2015, 23(11): 1445-1454.
[40]	胡景心, 沙青娥, 刘慧琳, 等. 珠江三角洲二氧化碳源汇演变特征及驱动因素[J]. 环境科学, 2023, 44(12): 6643-6652. Hu J X, Sha Q E, Liu H L, et al. Evolution characteristics and driving forces of carbon dioxide emissions and sinks in the Pearl River Delta Region, China[J]. Environmental Science, 2023, 44(12): 6643-6652. DOI:10.13227/j.hjkx.202212240
[41]	张利国, 谭笑, 肖晴川, 等. 基于气候资源投入的中国农业生态效率测度与区域差异[J]. 经济地理, 2023, 43(4): 154-163. Zhang L G, Tan X, Xiao Q C, et al. Agricultural eco-efficiency measurement and regional difference in China based on the climate resource input[J]. Economic geography, 2023, 43(4): 154-163.
[42]	付伟, 徐媛媛, 王福利, 等. 中国省域农田生态系统碳足迹时空演变分析[J]. 生态经济, 2024, 40(1): 88-94. Fu W, Xu Y Y, Wang F L, et al. Temporal and spatial evolution of carbon footprint of farmland ecosystems in China[J]. Ecological Economy, 2024, 40(1): 88-94.
[43]	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.
[44]	李波, 张俊飚. 基于投入视角的我国农业碳排放与经济发展脱钩研究[J]. 经济经纬, 2012(4): 27-31. Li B, Zhang J B. Decoupling of China's agriculture carbon emissions and economic development based on the input perspective[J]. Economic Survey, 2012(4): 27-31.
[45]	Rahmati O, Pourghasemi H R, Melesse A M. Application of GIS-based data driven random forest and maximum entropy models for groundwater potential mapping: a case study at Mehran Region, Iran[J]. CATENA, 2016, 137: 360-372. DOI:10.1016/j.catena.2015.10.010
[46]	王奕森, 夏树涛. 集成学习之随机森林算法综述[J]. 信息通信技术, 2018, 12(1): 49-55. Wang Y S, Xia S T. A survey of random forests algorithms[J]. Information and Communication Technologies, 2018, 12(1): 49-55.
[47]	Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32. DOI:10.1023/A:1010933404324
[48]	Park J, Lee W H, Kim K T, et al. Interpretation of ensemble learning to predict water quality using explainable artificial intelligence[J]. Science of the Total Environment, 2022, 832. DOI:10.1016/j.scitotenv.2022.155070
[49]	Rodríguez-Pérez R, Bajorath J. Interpretation of compound activity predictions from complex machine learning models using local approximations and shapley values[J]. Journal of Medicinal Chemistry, 2020, 63(16): 8761-8777. DOI:10.1021/acs.jmedchem.9b01101
[50]	禹湘, 陈楠, 李曼琪. 中国低碳试点城市的碳排放特征与碳减排路径研究[J]. 中国人口·资源与环境, 2020, 30(7): 1-9. Yu X, Chen N, Li M Q. Research on carbon emission characteristics and reduction pathways of low-carbon pilot cities in China[J]. China Population, Resources and Environment, 2020, 30(7): 1-9.
[51]	郭文强, 于忠萍, 雷明, 等. 我国碳排放驱动因素分解及脱钩努力效应研究[J]. 环境科学研究, 2025, 38(2): 209-219. Guo W Q, Yu Z P, Lei M, et al. Decomposition of carbon emission drivers and decoupling effort effects in China[J]. Research of Environmental Sciences, 2025, 38(2): 209-219.
[52]	张思远, 甘京京, 张任涛, 等. 长三角生态绿色一体化发展示范区纺织行业碳排放驱动因素及其脱钩效应分析[J]. 环境科学, 2024, 45(12): 6796-6805. Zhang S Y, Gan J J, Zhang R T, et al. Analysis of carbon emission driving factors and decoupling effects in the textile industry of the demonstration zone of green and integrated ecological development of the Yangtze River Delta[J]. Environmental Science, 2024, 45(12): 6796-6805. DOI:10.13227/j.hjkx.202312208
[53]	刘亚祥, 梁涛, 刘玉昌. 基于随机森林的山东省农业碳排放影响因素研究[J]. 农业与技术, 2024, 44(21): 90-93.
[54]	邓路, 袁圣博, 白萍, 等. 基于机器学习算法的新疆农业碳排放评估及驱动因素分析[J]. 中国生态农业学报(中英文), 2023, 31(2): 265-279. Deng L, Yuan S B, Bai P, et al. Evaluation of agricultural carbon emissions in Xinjiang and analysis of driving factors based on machine learning algorithms[J]. Chinese Journal of Eco-Agriculture, 2023, 31(2): 265-279.


环境科学 2026, Vol. 47 Issue (9): 5936-5949	PDF