基于XGBoost-SHAP模型的长江中游粮食主产区农业生产碳平衡时空分异及驱动因素

引用本文

吕添贵, 袁梦涵, 黄贤哲, 付舒斐, 赵巧, 陈安莹. 基于XGBoost-SHAP模型的长江中游粮食主产区农业生产碳平衡时空分异及驱动因素[J]. 环境科学, 2026, 47(10): 6697-6711.

LÜ Tian-gui, YUAN Meng-han, HUANG Xian-zhe, FU Shu-fei, ZHAO Qiao, CHEN An-ying. Spatiotemporal Differentiation and Driving Factors of Agricultural Carbon Balance in the Main Grain Producing Areas of the Middle Reaches of the Yangtze River Based on the XGBoost-SHAP Model[J]. Environmental Science, 2026, 47(10): 6697-6711.

基于XGBoost-SHAP模型的长江中游粮食主产区农业生产碳平衡时空分异及驱动因素

吕添贵¹, 袁梦涵¹, 黄贤哲¹, 付舒斐², 赵巧², 陈安莹¹

1. 江西财经大学公共管理学院，南昌 330013;
2. 江西财经大学数字经济学院，南昌 330013

收稿日期: 2025-08-18; 修订日期: 2025-10-28

基金项目: 国家自然科学基金项目（42261049）；江西省自然科学基金项目（20232BAB203061）；江西省社会科学基金项目（25GL12）

作者简介: 吕添贵（1986~），男，博士，教授，主要研究方向为自然资源管理，E-mail：lvtiangui@163.com

通信作者: 袁梦涵, E-mail：yuanmenghan2002@163.com

摘要: 辨识粮食主产区农业生产碳收支平衡体系是推动农业绿色转型的有效技术支撑. 基于“动-静”结合视角测算2005~2023年长江中游粮食主产区农业生产碳收支平衡水平，分别探究其静态平衡水平和动态平衡水平的时空分异特征. 在比较4种机器学习模型精度的基础上，采用XGBoost与SHAP模型识别农业生产碳收支动态平衡水平变化的主要影响因素与影响程度，为制定针对性的农业碳减排策略提供科学依据. 结果表明：①长江中游粮食主产区农业生产碳收支静态平衡水平整体呈缓慢下降趋势，区域内部呈现显著市际差异，41.935%的城市呈U型演变，38.710%呈倒U型演变. ②2023年农业生产碳收支动态平衡指数显著提升，其中仅有荆门、益阳和新余等6个城市FDBI < 0（2020~2023年）. 在空间分区上，以2014年为分界点，空间格局从“东南部高平衡、西北部低平衡”演变为高平衡区域“南北双核”集聚的格局. ③农业生产碳收支动态平衡水平主要受：乡村人口数、农地规模、农业从业人员与第一产业结构影响. 其中，乡村人口数影响呈“V型”趋势；农地规模在0.160~0.231 hm²·人^-1区间内具规模报酬递增效应；农业从业人员与一产结构则均在超临界值后呈现系统性负向效应. ④在农业从业人口数量较多与农地经营规模较小的组合情境下，对碳收支动态平衡值的预测贡献相对有限. 研究表明，长江中游粮食主产区部分城市仍存在碳收支失衡情况，需针对关键影响因素实施差异性的农业碳减排策略，以促进区域农业生产的绿色低碳发展.

关键词: 农业生产碳平衡影响因素 XGBoost模型夏普利加性解释（SHAP）长江中游粮食主产区

Spatiotemporal Differentiation and Driving Factors of Agricultural Carbon Balance in the Main Grain Producing Areas of the Middle Reaches of the Yangtze River Based on the XGBoost-SHAP Model

LÜ Tian-gui¹ , YUAN Meng-han¹ , HUANG Xian-zhe¹ , FU Shu-fei² , ZHAO Qiao² , CHEN An-ying¹

1. School of Public Administration, Jiangxi University of Finance and Economics, Nanchang 330013, China;
2. School of Digital Economics, Jiangxi University of Finance and Economics, Nanchang 330013, China

Abstract: Establishing a carbon balance system for agricultural production in major grain-producing regions serves as a crucial technical foundation for advancing green agricultural transformation. This study evaluates the carbon balance levels of agricultural production in the Yangtze River Midstream Grain Production Zone from 2005 to 2023 using a dynamic-static integrated perspective. It analyzes both static and dynamic equilibrium patterns across time and space, compares four machine learning models, and employs XGBoost and SHAP models to identify key factors influencing changes in dynamic equilibrium levels, thereby providing scientific support for targeted agricultural carbon reduction strategies. Key findings include: ① The static carbon balance in the Yangtze River Midstream Grain Production Zone showed an overall gradual decline, with significant regional disparities. Among 31 cities, 38.710% exhibited inverted U-shaped trends, while 41.935% followed U-shaped patterns. ② The dynamic carbon balance index demonstrated substantial improvement in 2023, with only six cities including Jingmen, Yiyang, and Xinyu maintaining FDBI values below 0 (2020-2023). Spatially, the region transitioned from a "high balance in the southeast, low balance in the northwest" pattern to a "dual-core north-south cluster" configuration after 2014. ③ The dynamic equilibrium level was primarily influenced by rural population size, farmland scale, agricultural workforce, and primary industry structure. The rural population showed a "V-shaped" trend in its impact; agricultural land scale demonstrated increasing returns to scale within the range of 0.160-0.231 hectares per capita; both agricultural employment and primary industry structure exhibited systematic negative effects beyond critical thresholds. ④ The combination of large agricultural workforce and small-scale land operations contributed minimally to predicting dynamic carbon balance equilibrium. The research indicates that some cities in the Yangtze River Midstream Grain Production Zone still face carbon imbalance issues, necessitating differentiated agricultural carbon reduction strategies targeting key influencing factors to promote sustainable regional agricultural development.

Key words: carbon balance of agricultural production influencing factors XGBoost model SHapley Additive exPlanations(SHAP) main grain producing areas in the middle reaches of the Yangtze River

农业生产碳平衡是反映农业系统碳中和能力与耕地绿色转型潜力的核心环节，也是农作物生产过程中碳源-碳汇多因子协同作用的综合映射^[1]. 然而，农业生产碳平衡问题逐渐成为全球普遍存在的农业气候问题之一，对粮食安全、农产品质量安全及农业生态系统稳定性形成胁迫与潜在生态风险. 事实上，农业生产碳平衡的动态演进影响作物产量、土壤健康水平与地块经营可持续性^[2]. 长江中游粮食主产区因化肥、农机等高碳持续投入持续加码，导致区域“高排低汇”失衡加剧，成为制约农业绿色转型与“双碳”目标协同落地的关键瓶颈^[3]. 中央政府提出强化农业生产碳治理与耕地绿色转型，保障粮食等重要农产品供给能力^[4，5]. 为此，如何科学掌握农业生产碳平衡水平的空间分布及其影响机制，已成为当前农业碳治理研究的热点问题之一^[6~8].

国内外学者围绕农业碳排放研究展开诸多探讨，构建涵盖“核算-评价-分析-调控”的研究脉络. 在核算方式方面，采用模型估算法与直接系数法^[9，10]. 在评价体系方面，对农业碳排放总量、强度、效率以及碳源汇平衡的深入分析^[11~13]，结合区域差异比较、空间自相关探测和长时序演变研究^[14]，揭示了碳排放的时空格局特征与演变规律. 在影响因素方面，多采用障碍度模型、地理探测器与STIRPAT模型等^[15~17]，研究影响农业碳排放为自然因素与社会经济因素共同作用的结果. 在管理调控方面，基于影响因素分析结果，提出侧重于不同农业生产方式的社会经济与农业技术政策^[18]. 此外，研究尺度上涵盖从国家宏观战略到省、市、县等不同行政层级的实践探索，为多尺度理解与治理提供了重要参考^[19~21]. 综上，已有研究为农业生产碳收支平衡概念界定、评价测度及影响因素探究等提供良好理论参考. 然而，当前研究多侧重于对碳源汇与碳效应单一维度的孤立分析，未能有效破解粮食主产区农业碳平衡管理的系统性协同难题^[22]. 尤其是在“动-静”结合视角下农业生产碳收支平衡水平的分区、影响因素及其驱动机制的研究尚显不足，无法真实反映农业生产碳收支平衡水平演变规律，难以响应农业绿色转型下粮食安全的现实需求. 基于此，本研究从“动-静”协同视角切入，测算2005~2023年长江中游粮食主产区农业生产碳平衡水平，系统解析其时空演变格局与动态特征. 在此基础上，为克服传统方法的局限性综合运用XGBoost机器学习模型与SHAP值分解方法，探究多维度影响因素对农业生产碳平衡的贡献程度及其非线性作用路径. 以期为揭示区域农业生产碳平衡的形成机制和协同推进粮食安全保障与农业“双碳”目标提供理论参考.

1 理论分析框架 1.1 农业碳平衡内涵和关系

事实上，农业生产作为碳源汇活动的载体，其平衡状态深刻影响着区域生态环境与全球气候变化进程. 农业生产碳平衡研究是连接农业活动、气候变化与可持续发展目标的关键科学桥梁. 由于农业生产系统既是一个具有明确空间边界的碳源-碳汇集合体，又是一个随时间演化的开放系统. 单一视角无法同时解决“当下是否公平”与“未来能否持续”的问题. 因此如图 1所示，农业生产碳平衡的研究需综合考虑时间与空间两个维度，以“动-静”结合的视角探究其内在机制与演变规律^[23，24]. 其中，静态平衡视角侧重于在特定时间截面，剖析农业生产系统与外部环境交互所产生的碳源汇结构. 核心在于评估区域间的“公平性”：若某地区农业生产碳排放量在区域整体碳排放量中所占的比例超过其碳汇所占的比例，表明该地区的农作物生产活动产生负外部性，挤占了区域整体排放空间，增加其他区域减排压力，此状态视为失衡；反之，若其碳汇占比高于碳排放占比，则表明该区域对整体碳平衡产生净正贡献，生态环境压力相对较小，此状态视为平衡. 而动态平衡视角则聚焦于农业生产碳平衡的时序演化规律及其长期可持续性，其关键判据在于分析碳源与碳汇相对变化的长期趋势与强度：若存在碳汇效应明显增加态势，则视为动态平衡；反之，若存在碳源效应明显增加态势，则视为动态失衡.

图 1 粮食生产碳收支静态平衡水平与动态平衡水平关系 Fig. 1 Relationship between static balance and dynamic balance of carbon income and expenditure in grain production

欣喜的是，碳收支动态平衡视角揭示了农业生产碳源汇相对变化的长期趋势与强度是评判其可持续性的关键. 然而，这种动态演化并非自发产生，而是深刻植根于区域人地系统的核心要素及其相互作用之中. 具体而言，人力资本水平决定了农业生产者采纳低碳技术、优化管理方式的意愿与能力^[25，26]；农业经济则直接塑造了生产活动的碳源汇强度与模式；而耕地利用方式更是直接影响土壤固碳潜力与农田排放强度^[27，28]. 这三者相互交织，共同构成了驱动农业生产碳收支动态平衡演化的核心动力机制^[29]. 因此，深入剖析人力资本积累、农业经济转型与耕地利用优化对碳源汇动态变化的差异化影响路径与协同效应，是理解区域农业碳平衡长期演化规律、识别调控关键节点、进而实现可持续管理的理论基础.

1.2 农业生产碳平衡水平分区

本质上，受不同地区农业自然条件与社会策略政策的影响，农业生产碳平衡存在地区差异. 在开展农业生产碳平衡治理时，区域异质性是政策有效性的首要约束. 长江中游粮食主产区内部自然与社会水平跨度较大. 若仅以单一阈值判定“平衡”或“失衡”，则既难以捕捉潜在风险，亦可能忽视“由坏转好”的先行示范，进而造成治理资源的错配与政策红利的耗散^[30，31]. 因此，综合静态平衡指数的初末期大小和动态平衡指数表征的演化趋势进行分区可准确反映不同地区农业生产碳平衡水平分布及演化特征，有利于优化资源配置与治理效能（图 2）.

图 2 研究区类型划分示意 Fig. 2 Classification of research areas

理论上，研究初期t₁的各城市农业生产碳收支静态平衡水平分为“平衡”与“失衡”状态，t₂同理. 具体而言，当t₁时碳静态平衡水平处于平衡状态时，[t₁，t₂]：①t₂时碳静态平衡水平处于平衡状态且[t₁，t₂]碳动态平衡水平处于平衡状态；②t₂时碳静态平衡水平处于平衡状态但[t₁，t₂]碳动态平衡水平处于失衡状态；③t₂时碳静态平衡水平处于失衡状态且[t₁，t₂]碳动态平衡水平处于失衡状态. 当t₁静态平衡水平为失衡状态时同理. 基于上述不同农业生产碳平衡水平演化特征，将时间区间[t₁，t₂]内的研究区划分为平衡提升、平衡衰退、平衡异变、失衡加剧、失衡缓和与失衡良变共计6类^[23].

2 材料与方法 2.1 研究区概况

长江中游粮食主产区是我国重要的农业生产区，涵盖湖南省、湖北省及江西省（图 3）. 该区以长江冲积平原为主体，地势平坦、土壤肥沃^[32]，河网密布、湖泊众多，属雨热同期的亚热带季风气候，光热资源丰富. 依托自然禀赋，约占全国24%农业用地，生产约35%的粮食产量，贡献42%以上的农业增加值^[33]. 尽管该区整体上具备优越的自然禀赋和高产出的农业生产能力，但其内部在资源禀赋、生态环境约束与农业生产结构等方面存在显著的空间异质性. 这种异质性决定了进行科学、合理的平衡分区对于深化区域研究、优化资源配置和制定精准政策尤为重要. 因此，对长江中游粮食主产区进行平衡分区研究，是优化区域资源配置、实施精准农业政策与实现区域农业可持续发展的必然选择.

图 3 长江中游粮食主产区区位 Fig. 3 Location of main grain producing areas in middle reaches of Yangtze River

2.2 研究方法 2.2.1 农业生产碳源测度

本质上，农业生产碳源是指农作物全生命周期生产过程中，由人为农业活动直接或间接引致的温室气体排放总量^[34~36]，其核心构成包括农用物资排放、水稻甲烷排放和土壤氧化亚氮排放^[37~39]. 为比较分析，将CH₄和N₂O排放量依据全球增温潜势系数进行等效换算（表 1）.

表 1 农作物生产碳排放类别、计算公式及数据说明 Table 1 Category, calculation formula, and data description of carbon emissions from crop production

碳源类别	测算公式	公式说明
农用物资排放	$E_{m a t e r i a l} \sum_{i = 1}^{I} \sum_{m = 1}^{M} E_{i m} = \sum_{i = 1}^{I} \sum_{m = 1}^{M} h_{i m} ∙ δ_{m}$	式中， $E_{m a t e r i a l}$ 为农用物资碳排放量（t）； $E_{i m}$ 和 $h_{i m}$ 分别为城市i因子m的碳排放量与各类农用物资（包括化肥、农药、农膜、农用柴油、农业灌溉和农业翻耕）量； $δ_{m}$ 为因子m的碳排放系数，文中 $M = 6$ ；各类农用物资碳排放系数分别为：化肥0.895 6 kg·kg^-1、农药4.394 1 kg·kg^-1、农膜5.18 kg·kg^-1、农业柴油0.592 7 kg·kg^-1、灌溉266.48 kg·hm^-2，翻耕312.60 kg·hm^-2
水稻甲烷排放	$E_{C H_{4}} = \sum_{i = 1}^{I} S_{i} ∙ f_{i}$	式中， $E_{C H_{4}}$ 为稻田甲烷排放总量（t）； $S_{i}$ 和 $f_{i}$ 分别为研究区i的水稻种植面积与对应排放系数. 各省份水稻甲烷排放系数为：江西省42.2 g·m^-2、湖北省38.23 g·m^-2、湖南省35.01 g·m^-2
土壤氧化亚氮排放	$E_{N_{2} O} = E_{s d} + E_{s i}$	式中， $E_{N_{2} O}$ 为土壤氧化亚氮排放总量（t）； $E_{s d}$ 为直接排放； $E_{s i}$ 为间接排放
	$E_{s d} = (N_{f e r} + N_{s t r a w}) \times e f_{s d}$	式中， $N_{f e r}$ 为氮肥氮输入量（t）； $N_{s t r a w}$ 为秸秆还田氮输入量（t）； $e f_{s d}$ 为直接排放系数；土壤氧化亚氮直接排放系数为：0.017 8 kg·kg^-1
	$N_{s t r a w} = \sum_{k = 1}^{K} N_{s t r a w, k}$ $= \sum_{k = 1}^{K} [(\frac{Y_{k}}{H_{k}} - Y_{k}) \times r_{k} \times J \times b_{k} + \frac{Y_{k}}{H_{k}} \times r_{k} \times g_{k} \times b_{k}]$	式中， $N_{s t r a w}$ 为秸秆还田氮输入量（t）； $K$ 为农作物种类数，文中K=13； $N_{s t r a w, k}$ 和 $Y_{k}$ 分别表示作物 $k$ 的秸秆还田氮输入量（t）和经济产量（t）；J为秸秆还田率； $H_{k}$ 、 $g_{k} 、 b_{k}$ 、 $r_{k}$ 为作物 $k$ 的经济系数、根冠比、秸秆含氮量、经济产品部分的干质量比. 相关系数详见表 2
	$E_{s i} = E_{a t m o s} + E_{l e a c h}$ $= (N_{f e r} + N_{s t r a w}) \times V \times e f_{a t m o s}$ $+ (N_{f e r} + N_{s t r a w}) \times L \times e f_{l e a c h}$	式中， $E_{a t m o s}$ 为大气氮沉降排放； $V$ 为沉降率， $e f_{a t m o s}$ 为对应排放因子； $E_{l e a c h}$ 为土壤氮淋溶排放；L为淋溶率； $e f_{l e a c h}$ 为对应排放系数. 沉降排放系数为：0.01 kg·kg^-1；淋溶排放系数为：0.007 5 kg·kg^-1；沉降率与淋溶率分别为10%和20%

表 1 农作物生产碳排放类别、计算公式及数据说明 Table 1 Category, calculation formula, and data description of carbon emissions from crop production

2.2.2 农业生产碳汇测度

事实上，农作物碳汇是农作物在生长过程中通过光合作用而吸收二氧化碳量^[40]. 根据长江中游粮食主产区农业生产现实过程，选取13种农作物进行估算. 计算公式如下：

C A = \sum_{k = 1}^{K} C A_{k} = \sum_{k = 1}^{K} \frac{c_{k} Y_{k} (1 - {\dot{r}}_{k})}{H_{k}}

(1)

式中， $C A$ 为农作物碳汇量（t）； $C A_{k}$ 为作物k的碳吸收量（t）； $c_{k}$ 为作物k的碳吸收率； $Y_{k}$ 为作物k的经济产量（t）；K为作物种类数； ${\dot{r}}_{k}$ 为含水率（%）. 相关系数详见表 2^[41，42].

表 2 各农作物碳排放及碳吸收量核算参数 Table 2 Accounting parameters of carbon emission and carbon absorption of each crop

2.2.3 农业生产碳平衡水平测算

（1）农业生产静态平衡水平测算农业生产静态平衡水平通过解析碳排与碳汇的空间占比关系，显化区域间隐性碳转移，进而甄别碳赤字区与碳盈余区，为跨域生态补偿提供基准^[22，23]. 计算公式如下：

F S B I_{i} = \frac{C A_{i}}{C A} / \frac{C E_{i}}{C E}

(2)

式中， $F S B I_{i}$ 为i市农业生产碳收支静态平衡指数； $C A_{i}$ 为各地市（县）农业生产碳汇量；CA为研究区农业生产碳汇总量；CE_i为各地市（县）农业生产碳排放量；CE为研究区农业生产碳排放总量.

（2）农业生产动态平衡水平测算农业生产碳收支动态平衡水平是诊断区域农业碳系统时间演进性的核心指标，利用一定地区、一定时期内农业生产碳排放与碳吸收变化率之间的差值解析碳平衡状态趋向恶化或改善的动态轨迹，为评估气候变化适应性与政策干预有效性提供量化工具链^[23]. 计算公式见式（3）.

F D B I_{i} = R_{i} (C A) - R_{i} (C E) = \frac{Δ C A_{i}}{C A_{i} (t_{1})} - \frac{Δ C E_{i}}{C E_{i} (t_{1})}

(3)

式中， $F D B I_{i}$ 为i市农业生产碳收支动态平衡指数； $R_{i} (C A)$ 和 $R_{i} (C E)$ 分别为i市的农业生产碳吸收与碳排放变化率； $Δ C A_{i}$ 与 $Δ C E_{i}$ 为i市一定时期内农业生产碳吸收和碳排放变化量； $C A_{i} (t_{1})$ 和 $C E_{i} (t_{1})$ 分别为i市在 $t_{1}$ 时的农业生产碳吸收和碳排放. 一般地， $F D B I_{i}$ > 0表示动态平衡，粮食生产碳平衡水平提升； $F D B I_{i}$ < 0表示动态失衡，农业生产碳平衡水平下降.

2.2.4 XGBoost模型

采用极限梯度提升（XGBoost）算法进行模型构建^[43]. XGBoost算法作为一种决策树集成算法，可用于解决分类和回归问题，擅于捕捉变量之间复杂的交互作用及非线性关系，并通过正则化防止模型过拟合. 其数据处理能力优于多数传统的机器学习算法^[44~46]. XGBoost模型同样在农业碳排放研究中表现出高预测精确度和处理高维数据的能力，能够识别关键驱动因素，在预测精确度和计算效率上具有明显优势，为碳减排政策提供依据. 其目标函数如下：

L (φ) = \sum l (y_{i}, {\hat{y}}_{i}) + \sum Ω (f_{k})

(4)

式中， $L (φ)$ 为目标函数； $\sum l (y_{i}, {\hat{y}}_{i})$ 为误差项，以此计算农业生产碳收支动态平衡系数预测值与实际值的差距； $\sum Ω (f_{k})$ 为正则化惩罚项，用以限制各回归树的复杂度，避免过拟合. 利用Python构建XGBoost模型，对解释变量进行量化分析，探究影响长江中游粮食主产区农业生产碳收支动态平衡系数的关键因素，揭示关键因素与农业生产碳收支动态平衡之间响应关系.

2.2.5 夏普利加性解释（SHAP）

本研究采用SHAP（SHapley Additive exPlanations）值模型作为核心解释工具，用以揭示各影响因素加入模型时的平均边际贡献，衡量对模型预测结果的贡献程度^[47~49]. 较于传统特征重要性评估方法，SHAP值模型具备显著优势：其一，它提供了一个统一的理论框架，能够一致性地解释各类复杂模型的预测结果并实现特征重要性排序^[50，51]；其二，其计算严格满足可解释性领域的一致性公理，确保特征重要性评估结果在不同模型或模型版本间具有稳健性与可比性.

φ_{i} (v) = \sum_{S \subseteq N / {i}} \frac{|S|! (|N| - |S| - 1)!}{|N|!} [v (S ⋃ \{i\}) - v (S)]

(5)

式中， $φ_{i} (v)$ 为特征 $i$ 的SHAP值； $N$ 为所有特征的集合； $S$ 为不包含特征 $i$ 的特征子集； $v (S)$ 的函数值为当特征集合 $S$ 存在时模型的预测输出. SHAP值的正负性决定特征向量对预测目标影响的方向，其绝对值大小反映该特征对预测目标影响的强度.

2.3 指标体系构建

基于“人力资本-农业经济-耕地利用”框架，选取乡村人口数（X₁）、城镇化率（X₂）、农业从业人员（X₃）、农村居民平均受教育年限（X₄）、农村居民人均可支配收入（X₅）、农村人均农业GDP（X₆）、农村居民恩格尔系数（X₇）、村庄道路硬化率（X₈）、农业机械化水平（X₉）、第一产业结构（X₁₀）与农地规模（X₁₁），探讨农业生产碳收支动态平衡的驱动因素（表 3）.

表 3 指标选取与计算 Table 3 Indicator selection and calculation

2.4 数据来源

以长江中游粮食主产区31个地级市（县）为研究对象，数据来源：2006~2024年间《江西统计年鉴》《湖南统计年鉴》《湖北统计年鉴》，以及各地市统计年鉴、社会经济统计公报以及EPS数据统计平台（https://olap.epsnet.com.cn）. 其中，灌溉为有效灌溉面积，化肥施用量为折纯量，翻耕为农作物实际播种面积，个别缺失数据采用均值插补、线性插补及趋势外推法补齐.

3 结果与分析 3.1 农业生产碳平衡水平分析 3.1.1 静态平衡水平分析

区内各市农业生产碳收支静态平衡在研究期间呈现不同演变模式，基于平衡指数的演变特征，可将31个地市归为4类典型模式：直升型、直降型、U型与倒U型（表 4）.

表 4 2005~2023年农业生产碳收支静态平衡指数演变趋势 Table 4 Evolution trend of static balance index of carbon income and expenditure in agricultural production from 2005 to 2023

整体而言，碳收支静态平衡水平由2005年的1.02下降至2023年的1.00，年均下降约0.11%，呈现缓慢下降态势[图 4（a）]. 其中，江西省碳收支静态平衡指数明显高于其余两省，但表现出一定下降趋势. 究其原因，江西省大力推行的生态农业和绿色农业政策，不仅促进了农业废弃物的资源化利用，还提高了农田的碳汇能力. 然而，随着农业生产的持续发展和人口的增长，导致碳收支静态平衡指数呈现下降趋势.

（a）整体与各省碳收支静态平衡指数，（b）各市碳收支静态平衡指数均值图 4 2005~2023年区域和整体农业生产碳收支静态平衡指数演化趋势 Fig. 4 Evolution trend of static balance index of regional and overall agricultural production carbon balance from 2005 to 2023

区域而言，粮食主产区呈现显著市际差异[图 4（b）]. 吉安、宜昌、鄂州与天门市明显低于其他城市. 根据平衡指数演变差异，将31个地市分为4类：直升型、直降型、U型与倒U型（表 4）. 其中U型城市数量最多，占41.935%，主要为湖北和湖南省城市；其次是倒U型城市，占比38.710%，大部分城市分布在研究区北部；直降型与直升型城市各3个. 值得注意的是，景德镇下降态势最为明显，由2005年的1.502下降至2023年的1.129，年均下降1.55%. 这归因于该地对农业资源挤压，进而导致耕地保护与补偿的失衡.

3.1.2 动态平衡水平分析

2005~2023年，长江中游粮食主产区农业生产碳收支动态平衡指数存在明显的时空差异. 为便于对比分析，本文把碳收支动态平衡指数水平划分为6个时间段来开展探究（图 5）. 总体来看，以2014年为分界，长江中游粮食主产区的农业生产碳收支动态平衡表现出“先降后增”的趋势.

图 5 2005~2023年长江中游粮食主产区农业生产碳收支动态平衡指数分布与演变趋势 Fig. 5 Distribution and evolution trend of carbon balance index of grain production in main grain producing areas in middle reaches of the Yangtze River from 2005 to 2023

2005~2008年期间，研究区31个地市的碳收支动态平衡指数均值为0.039，标准差为0.070，反映出研究初期不同地市的动态平衡状况存在显著差异. 具体而言，动态平衡指数FDBI < 0（2005~2008年）的有萍乡、吉安和岳阳等共计10个城市，主要分布于研究区南部地区. 而FDBI > 0（2005~2008年）的城市共有21个，其中，江西省碳收支动态平衡的整体水平显著高于其他省份的城市. 原因在于，江西省依托其丰富的农业资源和良好的生态环境，在农业生产过程中实现了较高的碳汇能力，同时有效控制了碳排放，使得碳收支动态平衡指数在初期就表现出较高的正值.

2011~2014年期间，研究区碳收支动态平衡指数的均值为0.011，而标准差为0.066. 同时动态平衡指数FDBI < 0（2011~2014年）的城市数量增加至16个，反映出该阶段研究区农业生产碳收支的动态平衡能力有所下降. 特别是湖南省的株洲市，其动态平衡指数持续为负，该地区的碳收支状况在逐步恶化.

2014~2017年期间，碳收支动态平衡指数的均值上升至0.046，标准差为0.070. 此外FDBI < 0（2014~2017年）的城市缩减至7个，主要分布于研究区南部. 表明通过合理的农业管理，提高农业资源利用效率，推广低碳农业技术，使得研究区的碳收支状况得到了显著改善. 同时，在FDBI > 0（2014~2017年）的城市中，湖北省碳收支动态平衡指数的整体水平显著高于其他省份. 究其缘由，湖北省依托于耕地规模化经营，从而有效控制农业碳排放. 此后，FDBI < 0的城市数在2017~2020年间呈现增长态势，并在2020~2023年降至最低值，仅有6个城市的碳收支动态平衡水平为负. 此外，2020~2023年研究区碳收支动态平衡指数的均值为0.054，相较于研究初期提升了38.5%. 结果表明，长江中游粮食主产区农业碳收支的整体平衡能力得到了显著增强，区域农业绿色低碳转型取得初步成效.

3.2 农业生产碳平衡水平分区时空分异

依据农业生产碳收支静态平衡指数的初末期大小与动态平衡指数表征的演化趋势，遵循图 2所确立的分区规则，本研究对长江中游粮食主产区碳平衡水平进行系统分区，结果如图 6所示. 该分区旨在识别研究区农业碳平衡水平的不同发展类型，深入揭示其时空演变规律，为后续分区分类管理和精准调控提供依据.

图 6 2005~2023年长江中游粮食主产区农业生产碳平衡水平分区空间分布 Fig. 6 Spatial distribution of carbon balance level of grain production in main grain producing areas in middle reaches of the Yangtze River from 2005 to 2023

总体而言，研究区农业生产碳平衡水平的时空格局以2014年为界呈现阶段性演变特征，研究初期农业生产碳平衡水平呈现“东南平衡，西北失衡”的空间分布规律，而后期平衡区域呈现“南北双核聚集”特征. 具体而言，2005~2008年，处于平衡提升型城市集中分布于东南部地区，约占研究区总数的45%. 而失衡良变的城市仅有襄阳、常德、岳阳与仙桃4市；2008~2011年，平衡提升型城市缩少至9个，约占研究区总数的29%，同时失衡良变型城市仅有湖北省的黄石与潜江；2011~2014年，失衡形势有所缓解，研究区多数城市处于平衡提升与失衡缓和状态，仅有湖北省天门及湖南省益阳为失衡加剧型城市；2014~2017年，平衡提升型城市呈现南北轴向的带状空间构型，同时仅湖北咸宁1市处于失衡缓和状态，失衡加剧型城市增加至7市，主要分布于湖北省与湖南省；2017~2020年，失衡加剧型城市缩少至衡阳1市，平衡提升型城市空间分布格局相对稳定；2020~2023年期间，研究区呈现农业生产碳平衡水平整体向好的趋势，平衡提升型城市数量显著增加，约占研究区总数的58%，其余城市均处于平衡异变与失衡加剧状态. 值得注意的是，尽管研究区整体农业生产碳平衡水平呈现向好趋势，但个别城市的失衡加剧现象仍需引起关注. 亟需通过制定针对性的政策措施、提升技术水平加以改进.

3.3 农业生产碳平衡影响因子相关性分析

为探究影响因素间是否存在多重共线性，利用Spearman秩相关系数和方差膨胀因子（VIF）进行检验. 计算相关性时常用Pearson相关系数，但当两变量存在非线性关系时无法识别，考虑到各解释变量与农业生产碳平衡的复杂非线性关系，Pearson相关系数并非最佳的度量方式. 因此本文使用Spearman秩相关系数度量解释变量与碳平衡一级解释变量之间的相关性. 本文设置VIF大于10即具有多重共线性特征. 结果表明，农村居民平均受教育年限（X₄）的VIF值为10.756，村庄道路硬化率（X₈）VIF值为10.673，表明上述影响因素与碳收支动态平衡指数存在强共线性关系从而降低模型预测的精度，故将其剔除. 剔除后共计9个影响因子，各变量Spearman秩相关系数关系如图 7所示. 其中，乡村人口数、农业从业人员、农村居民恩格尔系数、第一产业结构与碳收支动态平衡指数呈负相关关系. 城镇化率、农村人均可支配收入、农村人均农业GDP、农地规模与碳收支动态平衡指数呈正相关关系. 此外，农业机械化水平（X₉）未通过显著性检验.

^*表示P < 0.05，^**表示P < 0.01，^***表示P < 0.001，空白表示统计结果不显著；X₁、X₂、X₃、X₅、X₆、X₇、X₉、X₁₀、X₁₁和Y分别表示乡村人口数、城镇化率、农业从业人员、农村居民人均可支配收入、农村人均农业GDP、农村居民恩格尔系数、农业机械化水平、第一产业结构、农地规模和农业生产碳平衡指数；色柱颜色深浅表示斯皮尔曼相关系数的大小和方向，具体数值对应见色柱图 7 各变量相关性系数及显著性 Fig. 7 Correlation coefficient and significance of each variable

3.4 基于机器学习的驱动因素探究 3.4.1 机器学习模型精度评价与比较

为科学评估模型的预测性能并严格避免时间序列数据中可能出现的信息泄露，本研究采用时序外样本测试的方法进行模型验证，进而比较预测结果与实际结果之间的偏差，评价结果如表 5所示.

表 5 模型结果比较 Table 5 Comparison of model results

对4个模型结果进行比较，XGboost模型效果最优，RMSE、MAE和MSE值较小，训练集和测试集R²较高；随机森林模型在可接受范围，但RMSE、MAE和MSE值相较于XGboost模型稍大，训练集和测试集R²略低；决策数与支持向量机模型表现一般，未达到预期水平. 因此，本研究选择XGboost模型作为最优预测模型，结合夏普利加性解释，以进一步探究各影响因素对农业生产碳收支动态平衡指数的贡献及作用方向.

3.4.2 驱动因素分析

采用8个变量解释长江中游粮食主产区农业生产碳收支动态平衡水平的重要性程度及作用方向（图 8）. 从重要性程度来看，乡村人口数（X₁）、农地规模（X₁₁）、第一产业结构（X₁₀）、农业从业人员（X₃）、农村人均农业人均GDP（X₆）、农村居民人均可支配收入（X₅）、农村居民恩格尔系数（X₇）与城镇化率（X₂）由高到低对农业生产碳收支动态平衡水平的影响依次减弱. 从影响方向来看，乡村人口数（X₁）、农地规模（X₁₁）、农村人均GDP（X₆）、农村居民人均可支配收入（X₅）、农村居民恩格尔系数（X₇）与城镇化率（X₂）居于大体相同的变化趋势，即该类影响因素取值越高，对于碳收支动态平衡水平的影响越正. 相反，第一产业结构（X₁₀）与农业从业人员（X₃）取值越低，对于碳收支动态平衡水平的影响越大. 究其原因是上述因素在某种程度上反映了农业生产结构的调整和农业生产效率的提升. 因此在推进城镇化的过程中，需保持农业生产的稳定和发展.

该图为各类影响因素SHAP值分布小提琴图；X₁、X₁₁、X₁₀、X₃、X₆、X₅、X₇和X₂分别表示乡村人口数、农地规模、第一产业结构、农业从业人员、农村人均农业人均GDP、农村居民人均可支配收入、农村居民恩格尔系数与城镇化率；横轴为SHAP值，SHAP值大于0，表示该影响因素对农业生产碳收支动态平衡指数预测值有正向影响，小于0繁殖；红色表示影响因素取值较高，蓝色表示影响因素取值较低；宽度则代表数据点的密度分布图 8 各影响因素的SHAP值结果 Fig. 8 Results of SHAP values of influencing factors

3.4.3 影响因素的偏依赖特征

偏依赖特征量化了在控制其余变量恒定条件下，某一特定自变量变动所引起的模型预测响应，从而剥离交互效应，呈现该变量对输出的独立边际贡献. 本研究选取贡献率排名前4的影响因素，揭示其对碳收支动态平衡水平的影响强度（图 9）.

图 9 关键驱动因素偏依赖特征水平 Fig. 9 Key drivers are dependent on the level of characteristics

乡村人口数（X₁）对碳收支动态平衡指数的影响经历了“V字形”的变化趋势. 当乡村人口数在64~230万人区间表现为负向边际效应. 究其原因，乡村人口数量偏低会导致农业生产方式趋于粗放与高碳化，农户依赖化肥、农药等工业化投入品替代人工管理，增加了直接碳排放. 而跨越该区间后，平衡水平随人口规模扩大持续攀升，逐渐积累的规模化经营条件与现代化生产要素开始发挥主导作用. 至297万人阈值达到碳收支动态平衡水平峰值拐点，随后呈现下降趋势. 这是因为过高的乡村人口规模会导致耕地资源的紧张程度加剧，进而迫使农业生产转向更高强度的投入模式.

农地规模（X₁₁）对碳收支动态平衡的影响表现出先波动上升而后趋于稳定的特征. 其中在0.160~0.231 hm²·人^-1区间呈现显著的规模报酬递增效应，驱动碳收支动态平衡水平加速提升，其内在机制在于随着农地规模的适度扩大，农业生产效率得以提升，有利于碳的固定与储存. 同时，较大规模的农地便于采用现代化的农业技术和设备，减少碳排放，进而促进了碳收支的动态平衡. 当规模突破0.260 hm²·人^-1拐点时，对碳收支动态平衡水平影响程度趋于平稳. 这表明当农地规模超过最优区间后，会抵消集约化所带来的碳减排效益，使得碳收支动态平衡进入平衡期.

第一产业结构（X₁₀）的扩大导致其对碳收支动态平衡水平影响由正转负，当第一产业结构（X₁₀）突破0.442%结构性阈值时，区域碳收支动态平衡水平呈现加速下降态势，最终在0.475%临界点对碳收支动态平衡水平呈负向影响. 在农业结构单一密化环境下，低碳技术推广往往面临更高门槛，而传统生产模式的制度惯性进一步强化高碳行动. 这表明合理调整产业结构，促进农业现代化转型，对于提升碳收支动态平衡水平具有重要意义.

农业从业人员（X₃）对碳收支动态平衡的影响呈现衰减式波动特征. 当农业从业人员规模（X₃）突破52万人后，其对碳收支动态平衡的正向影响进入持续衰减通道；待跨越70万人临界阈值时，影响性质发生根本逆转，转变为系统性负向效应. 其内在机制在于超过最优规模的农业劳动力的投入会阻滞土地流转与适度规模经营的形成，难以采用减排固碳技术. 这表明长江中游粮食主产区提升农业生产碳收支动态平衡的关键前提是优化农业内部人力资源配置.

3.4.4 影响因素的协同作用机制

为进一步揭示不同影响因素间交互作用对碳收支动态平衡水平的协同效应，本研究选取贡献率前4的影响因素（图 10）. 结果表明，影响因素间的交互作用模式呈现显著的异质性特征. 具体而言，在乡村人口数（X₁）值较低时，农地规模（X₁₁）的增加增强了乡村人口数（X₁）对预测模型的负面影响，表明乡村人口短缺情景下农地规模扩张会触发高碳技术替代与生态服务减弱. 同样，第一产业结构（X₁₀）高值区在农地规模（X₁₁）在较低之区域集中，且SHAP值为负值，体现在第一产业结构较高而农地规模较小的组合条件下，对碳收支平衡产生了抑制作用，反映出产业结构与资源规模错配所导致的负向协同效应. 原因在于第一产业占比高而农地规模小，通常对应传统粗放、效率较低的农业生产模式. 该模式会导致对维持或提升碳收支平衡产生抑制作用.

图 10 两两因素协同影响碳收支动态平衡预测值的变化趋势 Fig. 10 Two factors interact to influence the changing trend of carbon balance dynamic equilibrium prediction

4 建议

（1）优化乡村人口规模与空间分布，构建人口-资源-环境协调发展格局. 首先，针对乡村人口过度聚集区域，以阻断边际效益递减为目标发展，建立动态监测预警系统，在将超载人口有序分流到特色乡村产业节点的同时，引入数字农业技术；其次，针对乡村人口严重流失区域，以遏制“过疏化”导致耕地撂荒与碳源激增为目标，构建县级统筹的耕地托管与再配置机制，通过整合撂荒地块发展规模化低碳种植业，确保区域农业生产碳收支动态平衡水平不因人口流失而下降.

（2）推行农地适度规模经营，强化规模效益与低碳技术应用. 一是精准引导耕地集约化经营，通过土地流转政策创新与连片整治工程，推动耕地资源向家庭农场、专业合作社等新型主体集中，确保经营规模稳定于减排固碳高效区间；二是建立规模适配型技术推广体系，按经营规模梯度匹配低碳技术组合；三是强化规模扩张风险防控，对超规模经营主体实施生态约束，强制配套种养循环设施与耕地质量监测网络，防范规模不经济引致的碳汇衰减.

（3）提升农业从业人员素质与效率，推动劳动力结构转型. 一方面，强化绿色技能培训，提升从业人员低碳实践能力，建立覆盖全域和贯穿全产业链的农业绿色低碳生产技术培训体系；另一方面，构建绿色导向的激励机制与服务体系，驱动结构优化与行为转变，将从业人员绿色技能认证纳入农业补贴、项目扶持等政策的核心评价体系.

（4）深化第一产业结构调整与融合升级，降低高碳依赖. 一是科学调减高碳依赖型产业规模，大力发展资源节约型、环境友好型农业；二是强化科技创新与绿色技术应用支撑结构低碳转型，建立覆盖长江中游粮食主产区全域的农业资源环境与碳排放监测评估平台；三是深化农文旅和康养等多业态横向融合赋能低碳高值发展，依托融合业态，塑造具有地域特色和生态价值的农产品及服务品牌.

5 结论

（1）长江中游粮食主产区农业生产碳收支静态平衡指数整体变化较平稳，但区域内部差异显著，41.935%的城市呈U型演变，38.710%呈倒U型演变，其中景德镇市降幅最大，由1.502降至1.129，年均下降1.55%.

（2）长江中游粮食主产区农业生产碳收支动态平衡指数显著提升，其中仅有荆门、益阳和新余等6个城市FDBI < 0（2020~2023年）. 在空间分区上，以2014年为分界点，空间格局从“东南部高平衡、西北部低平衡”逐渐演变为高平衡区域向“南北双核”集聚的格局.

（3）农业生产碳收支动态平衡指数主要影响因素依次为：乡村人口数、农地规模、农业从业人员与第一产业结构. 偏依赖分析显示，各因素均呈现显著阈值效应：乡村人口存在最优规模拐点；农地规模在0.160~0.231 hm²·人^-1区间内具规模报酬递增效应，超阈值后趋稳；农业从业人员与第一产业结构比例则均在超临界值后呈现系统性负向效应.

（4）影响因素间交互效应呈现显著异质性：乡村人口低值区与农地规模扩张形成协同负效应，加剧高碳技术替代与生态服务衰减；农业从业人员高值区与农地规模低值区组合导致模型贡献度弱化，反映劳动力-土地资源错配的抑制效应；而第一产业结构扩张则显著削弱.

参考文献

[1]	杨屹, 苏越. 关中平原城市群碳收支时空分异特征及碳平衡驱动因素[J]. 中国环境科学, 2025, 45(7): 4034-4051. Yang Y, Su Y. Spatial and temporal variability of carbon budget in Guanzhong Plain urban agglomeration and the driving factors of carbon balance[J]. China Environmental Science, 2025, 45(7): 4034-4051.
[2]	Yang Z K, Zhang X S, Hu X R, et al. Spatial-temporal evolution of agricultural carbon balance at township scale and carbon compensation zoning: a case study of Guangshui City, Hubei Province[J]. Land, 2024, 13(6). DOI:10.3390/land13060820
[3]	吕添贵, 邱蓉, 李泽英, 等. 长江中游粮食主产区耕地碳源汇时空演化特征及驱动因素分析[J]. 农业工程学报, 2024, 40(18): 251-261. Lyu T G, Qiu R, Li Z Y, et al. Spatiotemporal evolution and driving factors of carbon sources and sinks on cultivated land in the main grain producing areas in the middle reaches of the Yangtze River[J]. Transactions of the Chinese Society of Agricultural Engineering, 2024, 40(18): 251-261.
[4]	宋洪远. 进一步深化农村改革推进农业农村现代化[J]. 南京农业大学学报(社会科学版), 2025, 25(4): 2-13. Song H Y. Further deepen rural reform and promote the modernization of agriculture and rural areas[J]. Journal of Nanjing Agricultural University (Social Sciences Edition), 2025, 25(4): 2-13.
[5]	赵兰兰, 李明亮, 李先东, 等. 中国省际秸秆还田与农业绿色低碳生产效率耦合协调空间网络分析[J]. 环境科学, 2025, 46(6): 3579-3591. Zhao L L, Li M L, Li X D, et al. Spatial network analysis of inter-provincial straw return coupled with agricultural green and low-carbon production efficiency coordination in China[J]. Environmental Science, 2025, 46(6): 3579-3591. DOI:10.13227/j.hjkx.202405229
[6]	张慧, 张力文, 何正弘. 东北农区农业净碳汇时空分布及驱动因素[J]. 农业资源与环境学报, 2024, 41(3): 505-517. Zhang H, Zhang L W, He Z H. The spatiotemporal distribution and driving factors of agricultural net carbon sink in northeast agricultural areas[J]. Journal of Agricultural Resources and Environment, 2024, 41(3): 505-517.
[7]	杨骞, 司祥慧, 王珏. 减排增汇目标下中国粮食生产效率的测度及分布动态演进[J]. 自然资源学报, 2022, 37(3): 600-615. Yang Q, Si X H, Wang J. The measurement and its distribution dynamic evolution of grain production efficiency in China under the goal of reducing pollution emissions and increasing carbon sink[J]. Journal of Natural Resources, 2022, 37(3): 600-615.
[8]	张德钢, 唐瑜梳. 粮食主产区政策对农业减污降碳协同的影响[J]. 资源科学, 2025, 47(6): 1358-1373. Zhang D G, Tang Y S. Effect of policies in major grain-producing areas on synergistic reduction of agricultural pollution and carbon emission[J]. Resources Science, 2025, 47(6): 1358-1373.
[9]	覃朝晖, 潘昱辰, 丁志国. 长江经济带农业碳排放多情景预测与减排路径模拟[J]. 长江流域资源与环境, 2025, 34(7): 1607-1620. Qin Z H, Pan Y C, Ding Z G. Multi-scenario prediction and emission reduction path simulation of agricultural carbon emissions in the Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2025, 34(7): 1607-1620.
[10]	吉雪强, 刘慧敏, 张跃松. 中国农地流转对农业碳排放强度的影响及作用机制研究[J]. 中国土地科学, 2023, 37(2): 51-61. Ji X Q, Liu H M, Zhang Y S. Study on the influence of rural land transfer on agricultural carbon emission intensity and Its mechanism in China[J]. China Land Science, 2023, 37(2): 51-61.
[11]	温涛, 孙鹏翔, 张林. 中国农业碳排放的动态演进与区域格局[J]. 经济地理, 2024, 44(10): 165-175. Wen T, Sun P X, Zhang L. Dynamic evolution and regional pattern of agricultural carbon emissions in China[J]. Economic Geography, 2024, 44(10): 165-175.
[12]	Wei X, Ma Q X, Chen X Q. Wave convergence principles of agricultural carbon emission efficiency: a multi-level urban agglomeration study[J]. Scientific Reports, 2025, 15(1). DOI:10.1038/s41598-025-06649-8
[13]	黄湲婷, 钟业喜, 毕曼玉. 鄱阳湖流域土地利用变化对碳源/汇时空格局的影响[J]. 长江流域资源与环境, 2025, 34(3): 546-557. Huang Y T, Zhong Y X, Bi M Y. Effects of land use change on spatio-temporal pattern of carbon source/sink in Poyang Lake Basin[J]. Resources and Environment in the Yangtze Basin, 2025, 34(3): 546-557.
[14]	任世鑫, 李二玲, 赵金彩, 等. 黄河流域耕地利用碳排放时空特征及影响因素研究[J]. 中国土地科学, 2023, 37(10): 102-113. Ren S X, Li E L, Zhao J C, et al. Spatial-temporal characteristics of carbon emissions from cultivated land use in the Yellow River Basin and the influencing factors[J]. China Land Science, 2023, 37(10): 102-113.
[15]	张军涛, 韩祁祺. 黄河流域农业碳排放时空演变特征及影响因素研究[J]. 环境科学研究, 2025, 38(4): 754-766. Zhang J T, Han Q Q. Spatiotemporal evolution characteristics and influencing factors of agricultural carbon emissions in the Yellow River Basin[J]. Research of Environmental Sciences, 2025, 38(4): 754-766.
[16]	田云, 王骁睿, 尹忞昊, 等. 中国农业净碳汇再测算: 现状特征、时空格局及其影响因素[J]. 中国农业科学, 2024, 57(22): 4507-4521. Tian Y, Wang X R, Yin M H, et al. Re-evaluation of China's agricultural net carbon sink: current situation, spatial-temporal pattern and influencing factors[J]. Scientia Agricultura Sinica, 2024, 57(22): 4507-4521.
[17]	柯楠, 卢新海, 匡兵, 等. 碳中和目标下中国耕地绿色低碳利用的区域差异与影响因素[J]. 中国土地科学, 2021, 35(8): 67-76. Ke N, Lu X H, Kuang B, et al. Regional differences and influencing factors of green and low-carbon utilization of cultivated land under the carbon neutrality target in China[J]. China Land Science, 2021, 35(8): 67-76.
[18]	周发明, 唐望, 彭柳林. 农业社会化服务试点政策的碳减排效果评估——来自准自然实验的证据[J]. 长江流域资源与环境, 2024, 33(9): 1918-1928. Zhou F M, Tang W, Peng L L. Evaluation of carbon reduction effectiveness of pilot policies for agricultural socialization services: evidence from quasi natural experiments[J]. Resources and Environment in the Yangtze Basin, 2024, 33(9): 1918-1928.
[19]	崔涵, 王丙参, 周明生. 中国农业碳排放时空演进及驱动因素[J]. 中国生态农业学报(中英文), 2024, 32(7): 1097-1108. Cui H, Wang B C, Zhou M S. Spatiotemporal evolution and driving factors of China's agricultural carbon emissions[J]. Chinese Journal of Eco-Agriculture, 2024, 32(7): 1097-1108.
[20]	刘杨, 刘鸿斌. 山东省农业碳排放特征、影响因素及达峰分析[J]. 中国生态农业学报(中英文), 2022, 30(4): 558-569. Liu Y, Liu H B. Characteristics, influence factors, and prediction of agricultural carbon emissions in Shandong Province[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 558-569.
[21]	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.
[22]	汤李琛, 曾贤刚, 陈慧, 等. 中国省际农作物生产碳公平及其驱动因素[J]. 中国环境科学, 2024, 44(12): 7063-7078. Tang L C, Zeng X G, Chen H, et al. Carbon fairness in inter provincial crop production and its driving factors in China[J]. China Environmental Science, 2024, 44(12): 7063-7078.
[23]	路昌, 王之语, 郭沁林, 等. 动—静"结合视角下黄河中下游粮食生产全周期碳平衡测度及分区[J]. 中国土地科学, 2024, 38(8): 109-123. Lu C, Wang Z Y, Guo Q L, et al. Measurement and zoning of the full-cycle carbon balance of food production in the middle and lower reaches of the Yellow River from the dynamic and static perspectives[J]. China Land Science, 2024, 38(8): 109-123.
[24]	唐菁, 易露, 曾庆均. 长江经济带农业碳补偿率的时空演进特征及碳补偿潜力预测[J]. 环境科学, 2024, 45(11): 6378-6391. Tang J, Yi L, Zeng Q J. Spatial and temporal evolution characteristics of agricultural carbon offset rate and prediction of carbon offset potential in the Yangtze River Economic Belt[J]. Environmental Science, 2024, 45(11): 6378-6391. DOI:10.13227/j.hjkx.202312030
[25]	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
[26]	付舒斐, 吕添贵, 朱丽萌, 等. 基于社会网络分析的乡村数字化转型及其对农业碳减排影响效应研究[J]. 自然资源学报, 2025, 40(8): 2252-2268. Fu S F, Lyu T G, Zhu L M, et al. Rural digital transformation and its impact on agricultural carbon emission reduction based on social network analysis[J]. Journal of Natural Resources, 2025, 40(8): 2252-2268.
[27]	戴小文, 陈逸, 何艳秋, 等. 中国农业净碳汇的时空分异及耦合特征分析: 以2000~2022年为例[J]. 环境科学, 2025, 46(8): 4839-4849. Dai X W, Chen Y, He Y Q, et al. Characterization of spatial and temporal divergence and coupling of net agricultural carbon sinks in China: a case study from 2000 to 2022[J]. Environmental Science, 2025, 46(8): 4839-4849. DOI:10.13227/j.hjkx.202407038
[28]	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
[29]	徐维祥, 郑金辉, 李续双. 中国农业环境效率时空演变及其驱动因素[J]. 生态学报, 2021, 41(21): 8364-8374. Xu W X, Zheng J H, Li X S. Spatio-temporal evolution and driving factors of agricultural environmental efficiency in China[J]. Acta Ecologica Sinica, 2021, 41(21): 8364-8374.
[30]	夏四友, 赵媛, 许昕, 等. 1997—2016年中国农业碳排放率的时空动态与驱动因素[J]. 生态学报, 2019, 39(21): 7854-7865. Xia S Y, Zhao Y, Xu X, et al. Spatiotemporal dynamics and driving factor analysis of agricultural carbon emissions rate in China from 1997 to 2016[J]. Acta Ecologica Sinica, 2019, 39(21): 7854-7865.
[31]	唐婷, 李超, 张雷, 等. 江苏省区域农业生态经济的时空变异分析[J]. 生态学报, 2014, 34(14): 4025-4036. Tang T, Li C, Zhang L, et al. Analysis the temporal and spatial change of regional agriculture ecological economic in Jiangsu Province[J]. Acta Ecologica Sinica, 2014, 34(14): 4025-4036.
[32]	吕添贵, 付舒斐, 胡晗, 等. 农业绿色转型约束下耕地绿色利用效率动态演进及其收敛特征研究——以长江中游粮食主产区为例[J]. 中国土地科学, 2023, 37(4): 107-118. Lyu T G, Fu S F, Hu H, et al. Dynamic evolution and convergence characteristics of cultivated land green use efficiency based on the constraint of agricultural green transition: taking the main grain producing areas in the Middle Reaches of the Yangtze River as an example[J]. China Land Science, 2023, 37(4): 107-118.
[33]	吕添贵, 陈安莹, 付舒斐, 等. 长江中游粮食主产区耕地系统韧性的空间关联网络演变特征及驱动因素[J]. 中国土地科学, 2025, 39(5): 107-119. Lyu T G, Chen A Y, Fu S F, et al. Spatial correlation network evolution characteristics and driving factors of cultivated land system resilience in the major grain producing areas of the middle reaches of the Yangtze River[J]. China Land Science, 2025, 39(5): 107-119.
[34]	何艳秋, 陈柔, 吴昊玥, 等. 中国农业碳排放空间格局及影响因素动态研究[J]. 中国生态农业学报, 2018, 26(9): 1269-1282. He Y Q, Chen R, Wu H Y, et al. Spatial dynamics of agricultural carbon emissions in China and the related driving factors[J]. Chinese Journal of Eco-Agriculture, 2018, 26(9): 1269-1282.
[35]	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.
[36]	吴昊玥, 孟越, 黄瀚蛟, 等. 中国耕地利用净碳汇与农业生产的时空耦合特征[J]. 水土保持学报, 2022, 36(5): 360-368, 376. Wu H Y, Meng Y, Huang H J, et al. Spatiotemporal coupling between the net carbon sequestration of cropland use and agricultural production in China[J]. Journal of Soil and Water Conservation, 2022, 36(5): 360-368, 376.
[37]	张婷, 蔡海生, 张学玲. 基于碳足迹的江西省农田生态系统碳源/汇时空差异[J]. 长江流域资源与环境, 2014, 23(6): 767-773. Zhang T, Cai H S, Zhang X L. Spatial-temporal dynamics of farmland ecosystem carbon source/sink based on carbon footprint in Jiangxi Province[J]. Resources and Environment in the Yangtze Basin, 2014, 23(6): 767-773.
[38]	吕添贵, 梁慧, 陈安莹, 等. 长江中游粮食主产区农田生态系统碳源汇时空演化特征及碳平衡分区[J]. 水土保持研究, 2025, 32(6): 337-347. Lyu T G, Liang H, Chen A Y, et al. Spatiotemporal evolution characteristics and carbon balance zoning of carbon sources and sinks of farmland ecosystems in major grain-producing areas in the middle reaches of the Yangtze River[J]. Research of Soil and Water Conservation, 2025, 32(6): 337-347.
[39]	魏珩, 吴路华, 杨东妮, 等. 中国农田生态系统碳源汇时空动态特征及其影响机制[J]. 生态学报, 2025, 45(15): 7277-7296. Wei H, Wu L H, Yang D N, et al. Spatiotemporal dynamic characteristics and driving impact mechanisms of carbon sources and sinks in Chinese cropland ecosystem[J]. Acta Ecologica Sinica, 2025, 45(15): 7277-7296.
[40]	李园园, 郗长军, 薛彩霞, 等. 陕西省保护性耕作净碳汇的时空演变及差异性分析[J]. 农业工程学报, 2023, 39(23): 123-132. Li Y Y, Xi C J, Xue C X, et al. Spatiotemporal evolution and distribution of net carbon sink under conservation tillage in Shaanxi Province, China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(23): 123-132.
[41]	韩召迎, 孟亚利, 徐娇, 等. 区域农田生态系统碳足迹时空差异分析——以江苏省为案例[J]. 农业环境科学学报, 2012, 31(5): 1034-1041. Han Z Y, Meng Y L, Xu J, et al. Temporal and spatial difference in carbon footprint of regional farmland ecosystem—taking Jiangsu Province as a case[J]. Journal of Agro-Environment Science, 2012, 31(5): 1034-1041.
[42]	田云, 张俊飚. 中国农业生产净碳效应分异研究[J]. 自然资源学报, 2013, 28(8): 1298-1309. Tian Y, Zhang J B. Regional differentiation research on net carbon effect of agricultural production in China[J]. Journal of Natural Resources, 2013, 28(8): 1298-1309.
[43]	Chen Y A, Hu B Q, Tang J L, et al. Comprehensive consolidation and ecological restoration projects drive the variation of ecosystem services and their terrain gradient effect in Jiangxi Province, China[J]. Ecological Engineering, 2025, 220. DOI:10.1016/j.ecoleng.2025.107728
[44]	王元庆, 李佳玥, 刘备, 等. 基于XGBoost-SHAP方法的建设项目碳排放空间异质性分析[J]. 环境科学, 2025, 46(7): 4090-4100. Wang Y Q, Li J Y, Liu B, et al. Spatial heterogeneity of carbon emissions from construction projects based on XGBoost-SHAP[J]. Environmental Science, 2025, 46(7): 4090-4100. DOI:10.13227/j.hjkx.202406040
[45]	王超龙, 薛莲, 张宜升, 等. 基于可解释性机器学习的滨海城市臭氧驱动因素[J]. 环境科学, 2025, 46(5): 2642-2653. Wang C L, Xue L, Zhang Y S, et al. Urban ozone driving factors based on explainable machine learning[J]. Environmental Science, 2025, 46(5): 2642-2653. DOI:10.13227/j.hjkx.202404320
[46]	叶淼, 朱琳, 刘旭东, 等. 基于连续小波变换、SHAP和XGBoost的土壤有机质含量高光谱反演[J]. 环境科学, 2024, 45(4): 2280-2291. Ye M, Zhu L, Liu X D, et al. Hyperspectral inversion of soil organic matter content based on continuous wavelet transform, SHAP, and XGBoost[J]. Environmental Science, 2024, 45(4): 2280-2291.
[47]	王火根, 胡梦婷, 刘小春. 基于机器学习和SHAP算法的我国粮食安全水平测度重构及可解释性分析[J]. 中国农业大学学报, 2025, 30(7): 264-274. Wang H G, Hu M T, Liu X C. Reconstruction and interpretability analysis of China's food security level based on machine learning and SHAP algorithm[J]. Journal of China Agricultural University, 2025, 30(7): 264-274.
[48]	董佳奇, 胡冬梅, 闫雨龙, 等. 基于可解释性机器学习的城市O₃驱动因素挖掘[J]. 环境科学, 2023, 44(7): 3660-3668. Dong J Q, Hu D M, Yan Y L, et al. Revealing driving factors of urban O₃ based on explainable machine learning[J]. Environmental Science, 2023, 44(7): 3660-3668. DOI:10.13227/j.hjkx.202208214
[49]	刘瑞雪, 李佳轩, 李云. 水库消落带植物多样性空间格局预测模型及环境解释——基于XGBoost-SHAP模型框架[J]. 生态学报, 2024, 44(21): 9652-9669. Liu R X, Li J X, Li Y. Prediction model and environmental interpretation for the spatial pattern of plant diversity in the water-level fluctuation zone of reservoir based on XGBoost and SHAP[J]. Acta Ecologica Sinica, 2024, 44(21): 9652-9669.
[50]	林娜, 全海琳, 李双桃, 等. 基于SHAP可解释特征优选的撂荒耕地遥感提取[J]. 农业工程学报, 2025, 41(14): 291-302. Lin N, Quan H L, Li S T, et al. Extracting abandoned farmland from remote sensing images using SHAP-interpretable feature optimization[J]. Transactions of the Chinese Society of Agricultural Engineering, 2025, 41(14): 291-302.
[51]	张慧玲, 张虹, 孙德亮. 融合XGBoost-SHAP的重庆市乡村生态旅游资源竞争力测度研究[J]. 长江流域资源与环境, 2025, 34(3): 585-599. Zhang H L, Zhang H, Sun D L. Competitiveness measurement of rural ecotourism resources in Chongqing with integrating XGBoost-SHAP[J]. Resources and Environment in the Yangtze Basin, 2025, 34(3): 585-599.


环境科学 2026, Vol. 47 Issue (10): 6697-6711	PDF