2025, Vol. 46
2. 河南省土地整治与生态重建工程技术研究中心，郑州 450002
, JIE Xiao-lei1 , LI Ling1,2
, LI Xing-ming1 , WU Yong1 , LI Dong-hao1 , LIU Jian-wei1
2. Henan Provincial Engineering Research Center for Land Remediation and Ecological Reconstruction, Zhengzhou 450002, China
随着人类活动的日益频繁，世界面临着严峻的气候和环境变化问题. 为了积极应对气候变化，中国政府在2020年提出了“双碳”目标的发展战略[1，2]. 农业为人类生存发展提供根本保障，一直受到各国政府和人们的高度重视. 中国作为一个历史悠久的人口大国，农业发展一直是重中之重. 农业作为碳排放的重要源头之一，有着碳源和碳汇的双重效应[3]，并且农业碳排放量在我国碳排放总量中占比较高，高达17%[1]，减排行动刻不容缓. 同时，农业面源污染作为农业生产过程产生的重要环境问题，其产生不确定性强、涉及面积大且控制难度高等一直是制约农业环境治理的难题[4，5]. 农业生产过程中的碳排放主要集中在种植业和畜牧业[6，7]，而农业面源污染主要产生于种植业、养殖业和农村生活[8]，两者有着高度重合之处，例如化肥和农药的使用、饲养牲畜所产生的粪便等，会产生诸如氨氮等面源污染物，以及甲烷和二氧化碳等温室气体，因此两者存在着协同控制的可能. 农业的减污和降碳作为一项共同目标来完成，将加快农业的低碳转型和可持续发展.
20世纪90年代，有学者在进行温室气体减排研究中发现，减排措施的实施可以有效减少污染物的排放[9]. 在此之前，减污和降碳两项工作长期以来被作为相互独立的政策措施. 21世纪初，联合国政府间气候变化专门委员会（IPCC）在有关报告中明确指出，温室气体减排和环境污染治理存在“协同效应”，有共同的治理效益[10]，引发相关领域学者对于减污和降碳的之间关系的深刻思考. 经研究表明，减污和降碳除各自的直接效益外，会产生相互影响的附带效益，这种相互促进的效益即为协同效应[11]. 这种协同效应主要体现在两个方面，一是减污和降碳往往存在共同的污染源和相同的污染频率[11]，二是污染物治理的措施也能有效控制温室气体排放[12]. 在此基础上，结合绿色低碳可持续发展理念，学者们将减污降碳协同推进理念应用到社会各界各领域. 例如，傅京燕等[13]和向梦宇等[14]在电力产业探究减污降碳的协同效应. 孙慧等[15]通过强化企业减污降碳协同推进，实现产业链向标杆企业学习的联动效应. 彭思源等[16]在海绵源头设施运行阶段，探索实现海绵城市建设的减污降碳协同增效. 吴雪萍等[17]探究能权交易对于减污降碳协同增效的影响机制. 此外，研究区域涉及我国各地市、经济带和省份等，例如，原伟鹏等[18]研究PM2.5和碳排放在中国各地市的协同驱动和时空演变. 李汶豫[19]等探究长江经济带生态环境与减污降碳的空间协同异质性，得出降水量、空气流通系数以及产业结构升级等为协同效应的主要驱动因素. 狄乾斌等[20]研究利用广东省经济发展带动减污降碳的协同增效，避免减污降碳协同推进的落后对于经济发展的抑制.
基于以往学者的研究，发现关于减污降碳协同效应研究的成果丰富，体系成熟，涉及多领域多产业，但有关于农业特别是农业碳排放和农业面源污染的减污降碳协同效应研究相对较少. 同样，两者存在着同源同根的特性，可以在降低污染物排放的同时减少温室气体的排放，以实现农业减污降碳的协同推进[21]. 目前的研究主要集中在工业和能源产业，且存在着评估方法和驱动因素等方面的差异[22]. 首先，评估方法方面，主要有耦合协调模型[23]、综合指标方法[18]、ArcMap的空间分析方法[24]和多因素探讨协同效应[12，25]等. 其次是驱动因素方面的差异，有学者从能源结构、居民受教育程度及产业结构等维度出发，识别协同防控的阶段[25]；也有学者从产业、要素和环境这3个维度选取驱动因素[26]；还有学者着眼于农业碳排放，选取了农业生产条件、农业产业集聚和财政支农力度等指标进行研究[27]. 目前关于减污降碳协同效应的研究已经较为丰富，驱动因素的选取和评估方法已经趋于成熟，但多聚焦于国家各省和地市，以县区为单元的研究较少，且缺乏因地制宜的时空驱动分析. 综合考量自然和人文综合因素，从多空间尺度和时间维度，以作为粮食主产区的河南为研究区域进行研究，可以较好地分析和探索农业减污降碳的可靠路径.
在此基础上，本文以2010~2022年河南省158个县区为研究单元，综合考量农业生产过程中的自然社会经济多重因素，采用耦合协同模型、非参数核密度估计和地理加权回归等模型和方法，分析小尺度下的作为粮食主产区的河南各县区，在农业生产过程的减污降碳协同效应的时空演变及驱动因素，以期为以河南省等粮食主产区为主体的农业集聚区域，实现农业绿色低碳转型和高质量可持续发展提供实证参考和政策建议.
1 材料与方法 1.1 研究区概况与数据来源 1.1.1 研究区域概况河南省位于中国中东部，共有158个县区，具有自东向西由耕地向草地和林地过渡的地类特征，大部分地区地处暖温带，气候适宜，水系众多，适宜多种农作物生长和生猪繁殖. 作为粮食主产区的河南，同时也是畜禽产品生产大省（图 1）. 2020年，河南省夏粮总产量、播种面积均居全国第一，根据“三调”数据，河南省耕地面积为751.41×104 hm2，其中水田为68.20×104 hm2，占9.08%；水浇地为459.13×104 hm2，占61.10%；旱地为224.08×104 hm2，占29.82%. 畜禽产业方面，2021年河南省生猪存栏和出栏数为4 392和5 802万头，在全国排名分别为第一和第三，同时，河南省畜禽种业产值位居全国第一，是全国生猪制种供种第一大省. 河南省农牧产业发达，与此同时，环境污染也不容忽视，在生产过程中产生的碳排放和面源污染也制约着河南省农业高质量可持续发展.
|
图 1 研究区域 Fig. 1 Study area |
本文主要的研究对象为河南省158个县区，核算农业碳排放和农业面源污染的原始数据主要来自于2010~2022年《河南省统计年鉴》，以及河南省各地市统计局统计的统计数据. 结合数据的可获得性和为保证数据的时效性，选取2010~2022年进行河南省各县区的相关指标核算，存在的缺失数据采用插值法进行测算和补充.
1.2 驱动因素为综合反映研究区减污降碳协同效应的时空驱动特征，本研究从产业、要素和环境这3个方面，共选取7个驱动因素进行驱动分析（表 1）. 产业方面选取：农业集聚水平、农业产业结构和作物种植结构[26]，本研究通过产业平均地理集聚度来获取研究区农业集聚水平[28]. 要素方面选取耕地规模化程度和有效灌溉率[27]. 环境方面选取财政支农力度和城镇化率[4，27]. 为消除价格因素的影响，本文以2010年为基期对各年产值和支出指标进行平减处理.
|
表 1 驱动因素变量说明 Table 1 Description of driver variables |
1.3 研究方法 1.3.1 农业碳排放测算
农业碳排放过程复杂，排放源众多，难以形成统一的测算标准[29]. 结合河南省粮食主产区和畜禽产品生产大省的特点，参考宁静等[6]的研究，本文的碳排放核算主要分为：农业生产投入物质、农作物种植、畜禽养殖和秸秆露天燃烧这4个方面[30]. 本文农用生产投入物质的碳排放核算以种植业为主，参考丁宝根等[31]和李波等[32]的研究，碳源包括有化肥、农药、农膜、柴油使用量、农作物播种面积和有效灌溉面积；农作物种植的碳排放核算结合河南省农作物种植情况，选取小麦、玉米、豆类、油料和蔬菜作为碳源；畜禽养殖的碳排放核算，其排放系数参考刘杨等[33~35]的研究，以牛、羊、家禽的肠胃发酵和粪便为碳源；秸秆露天燃烧碳排放核算，其作物草谷比、露天焚烧比、燃烧效率和排放因子参考程琳琳等[36]学者研究，以小麦和玉米秸秆的露天燃烧为碳源进行核算（表 2）. 在计算时，将农业生产投资产生的碳排放换算为标准CO2，转换系数为44/12，并根据IPCC第四次报告公布的100 a全球变暖潜能值，将CH4和N2O进行换算处理，其中CO2为1，CH4和N2O分别为25和298[7].
|
|
表 2 农业碳排放过程中碳源及排放气体 Table 2 Carbon sources and emitted gases in the agricultural carbon emission process |
1.3.2 农业面源污染测算
结合河南省农业污染物分布和现状，采取清单分析法[37~39]，并以农田化肥、畜禽养殖、农村生活和农田固废作为河南省农业面源污染主要来源[8，40]，选取了15个污染单元（表 3）. 本研究基于赖斯芸[41]的研究确定河南省各污染单元的流失系数，并结合产污率[42]来计算排污系数，以测算河南省各县区面源污染.
|
|
表 3 农业面源污染单元和排污系数 Table 3 Agricultural surface pollution units and discharge coefficients |
1.3.3 耦合协调模型
农业碳排放和农业面源污染作为两个负向指标，在减污降碳的系统内相互关联、相互影响，具有较强的关联性. 耦合度是用作表示子系统间相互作用强度的指标[43]，协调度为子系统间同步变化的程度[44]. 本研究基于耦合协调模型，以耦合协调度来获取农业减污降碳的协同效应. 具体公式如下：
| $ C=\frac{2 \sqrt{U_1 U_2}}{U_1+U_2}=\sqrt{\left[1-\left(U_2-U_1\right)\right] \frac{U_1}{U_2}} $ | (1) |
| $ T=\beta_1 U_1+\beta_2 U_2 $ | (2) |
| $ D=\sqrt{C \times T} $ | (3) |
式中，
农业碳排放和农业面源污染在时间上具有一定的变化趋势，为具体研究其时间变化趋势，本文选取核密度来展示两者协同度在时间上的变化形态，通过MATLAB R2022a软件来构建其时间变化的三维核密度曲线.
1.3.5 时空地理加权回归时空地理加权回归（GTWR）是在地理加权回归（GWR）的基础上，考虑时间因素的影响[45]，能够结合时间和空间维度来捕捉各变量的变化信息，减少非平稳性，使得回归的结果更具参考性[46，47]. 因此本文选择GTWR探究不同驱动因素对农业碳排放和农业碳排放的协同度在时空上的作用效果，其具体研究公式参考Huang[48]等的研究：
| $ Y_i=\beta_0\left(u_i, v_i, t_i\right)+\sum\limits_{k=1}^n \beta_k\left(u_i, v_i, t_i\right) x_{i k}+\varepsilon_i $ | (4) |
式中，
基于收集到的统计数据，核算出2010~2022年河南省农业碳排放和面源污染排放量（图 2）. 从图 2中可知，河南省农业碳排放和农业面源污染随时间先缓慢增加，达到峰值后，随时间下降后呈现平稳的趋势. 具体可知，ACE和ANP排放量在2010~2015年缓慢增加，到2015年达到峰值，2016~2019年呈现逐渐下降的趋势，后在2020~2022年呈现平稳态势，这与常青等[49]和李兴明等[50]学者的研究吻合. 中国自2015年以来提出农业绿色低碳转型发展，各地区积极开展规模化种植，提高畜禽排泄物的循环利用技术，减少农用投入物质的使用量，从源头和技术上积极改善污染物排放，减少农业碳排放，农业经济得到绿色循环低碳发展.
|
图 2 2010~2022年河南省农业碳排放和农业面源污染时间变化特征 Fig. 2 Characteristics of temporal changes in agricultural carbon emissions and agricultural surface source pollution in Henan Province from 2010 to 2022 |
基于ArcGIS软件，采用自然断点法，将2010~2022年河南省各县区的农业碳排放和农业面源污染排放量平均值划分5个层次，从大到小分别为高值区、次高值区、中值区、次中值区和低值区，以展示其空间分布状况（图 3）. 农业碳排放（ACE）高值区和次高值区主要分布在河南省西北部，且呈现集中分布状况，其中最高值区域为宜阳县，高达714.308 8×104 t，主要是因为宜阳县是粮食种植大县，常年小麦种植保持在4×104 hm2以上，各类农业资源消耗量大，使得农业碳排放较高. 中值区和次中值区分布则比较分散，呈现面状分布，而低值区主要分布在西北部，并且低值区的县区最多，占河南省158个县区的41.77%. 农业面源污染（ANP）的高值区和次高值区主要分布在北部，且主要分布在鹤壁市，这主要与其农业生产密集有关，作为河南省的农业生产强市，其农业人均产粮、人均肉蛋奶产量多年位居河南省首位. 而中值区和次中值区分布较为分散，低值区主要分布在西北部和西部，这与ACE的分布具有一定的相似性. 其中次中值区的县区较多，占河南省各县区的34.18%. 总体来看，河南省农业碳排放和农业面源污染强度较高，减污降碳刻不容缓.
|
图 3 河南省农业碳排放和农业面源污染空间分布 Fig. 3 Spatial distribution of agricultural carbon emissions and agricultural surface source pollution in Henan Province |
本研究采用核密度估计法，利用MATLAB R2022a软件绘制出河南省2010~2022年农业碳排放和农业面源污染协同度随时间变化的三维核密度曲线（图 4）. 从图 4中可知，协同度分布的峰值主要在0.7~0.9，中心有向右倾斜的趋势，说明河南省农业碳排放和农业面源污染协同度较高，且有不断提高的趋势. 从峰值特征来看，在2010~2022年间，协同度分布的峰值呈现上升态势，且波峰形状逐渐变窄，从较宽波峰逐渐变为尖峰，说明各地区协同度差异在逐渐变小. 从波峰数量来看，2010~2015年间，协同度分布的曲线只存在一个波峰，说明这段时间内协同度没有出现极化现象，2016~2022年间，分布呈现双峰状态，且出现左拖尾现象，说明存在部分地区的协同度低于整体水平，与其他地区差异明显，其中2021~2022年，双峰特征有所减弱，说明两极分化现象逐渐缩小，但仍存在区域协同度差异现象. 从整体上看，2010~2022年河南省ACE和ANP的协同度不断提高，且出现双峰分布的态势，区域间的农业发展出现差异化，协同度较低的地区增多后逐渐减少，各地区间协同度差距逐渐缩小.
|
图 4 河南省农业碳排放和农业面源污染协同度的核密度估计曲线 Fig. 4 Kernel density estimation curves for the synergy of agricultural carbon emissions and agricultural surface pollution in Henan Province |
本研究对2010年、2014年、2018年和2022年河南省各县区的农业碳排放和农业面源污染的协同度进行进一步分析，利用ArcGIS软件，采用自然断点法，将其划分为5个层次，从大到小分别为：高值区、次高值区、中值区、次中值区和低值区，以进一步发现其空间分布规律（图 5）. 首先，对于高值区域，2010年，协同度高值区主要分布在南部和西北部，且分布较为分散，大部分地区为次高值区和中值区；2014年，高值区在西部、南部和北部均有分布，次高值区分布较多，相较于2010年，高值区和次高值区占比增多；2018年，高值区有所减少，次高值区向西部偏移；2022年，高值区和次高值区进一步减少，次中值区增多，协同度向中等水平聚拢. 其次，对于中值区域，2010年占比较高，2014年中值区域减少，协同度在大部分地区呈现较高值状态，且在0.946 6以上；2018年，中值区域增多，主要分布在东南部和北部，到2022年，中值区域占比进一步增大，数量较多. 最后，对于低值区域，从时空上看，低值区分布规律性较差，且数量较少，其中2010年低值区分布在西南部，2014年低值区分布在西部，2018年低值区分布在中部，2022年低值区分布在南部. 从整体上看，河南省农业碳排放和农业面源污染的协同度数值在大部分地区较高，且有随时间向中等水平聚拢的趋势，地区差异有所减弱，结合绿色低碳发展战略，可以较好地推进减污降碳的政策和措施.
|
图 5 河南省农业碳排放和农业面源污染协同度（SCN）空间分布 Fig. 5 Spatial distribution of synergistic degree of agricultural carbon emission and agricultural surface source pollution (SCN) in Henan Province |
对各驱动因素进行DF和ADF检验，通过原始序列和一、二阶差分项检验后，检验统计量小于1% 临界值，不存在单位根，各驱动因素检验的P值均趋于0，结果均拒绝原假设，为平稳序列，可以对驱动因素进行回归分析.
为进一步检验各年份协同效应的空间相关性，利用StataMP18对2010~2022年河南省农业减污降碳协同效应进行全局Moran's I测算，以验证其空间相关性强度（表 4）. 结果显示协同效应的全局Moran's I均在P < 1%下达到显著性水平，且通过Z值的显著性检验，其中2014年和2015年的Moran's I数值低于0.2，其余年份均在0.3以上，表明河南省农业减污降碳协同效应空间自相关性较强，具有显著的聚集效应.
|
|
表 4 2010~2022年农业减污降碳协同效应Moran's I测算结果 Table 4 Results of Moran's I measurement of synergistic effect of agricultural pollution reduction and carbon reduction from 2010 to 2022 |
进一步利用Moran's I散点图对河南省农业减污降碳协同效应进行局部自相关分析，并选取2010年、2014年、2018年和2022年作为观察年份进行分析（图 6）. 散点图的原点一般代表当年的全局Moran's I指数，图中样本点距离原点越远显著性越强，反之，其显著性越差. 2010年，分布在第一象限和第三象限的样本点相对其余两个象限较多，说明样本点有高值与高值区集聚和低值与低值区集聚的特征，正相关性的样本点要多于负相关性的样本点，且各样本距离原点较远，显著性较强. 2014年，多数样本点距离原点较近，显著性较弱，正相关性的样本点多于负相关性的样本点. 2018年和2022年，协同效应的样本点以第一和第二象限为主，多数样本点距离原点较远，显著性较强，正相关的样本点数量多于负相关的样本点. 整体上，从2010年到2022年，正相关的样本点逐渐增多，显著性也有所增强，各地区间的具有较强的空间促进作用.
|
图 6 2010、2014、2018和2022年农业减污降碳协同效应Moran's I散点图 Fig. 6 Moran's I scatterplot of synergistic effects of agricultural pollution reduction and carbon reduction in 2010, 2014, 2018, and 2022 |
在空间相关性的基础上，利用GeoDa软件建立空间邻接权重矩阵，进行OLS回归中空间依赖性的诊断检验，发现LM检验的空间误差和空间滞后的拉格朗日乘数统计值分别为334.084和7.839，且均在P < 1%显著水平下拒绝简化，其稳健的统计值分别为348.858和2.612，分别在P < 5%和P < 10%显著水平下拒绝简化为空间误差模型（SEM）和空间滞后模型（SAR），基于此，SEM和SAR应同时存在，因此空间杜宾模型（SDM）是在结合SEM和SAR后的较好选择. 为进一步检验结果的稳健性，进行SDM的Hausman检验，检验结果统计量为514.70，表明应选用固定效用模型（表 5），并通过LR和Wald检验，结果均拒绝简化为SEM和SAR的假设，表明SDM是本研究较为适用的模型.
|
|
表 5 农业减污降碳协同效应影响因素空间计量模型估计结果 Table 5 Estimated results of spatial econometric modeling of factors influencing the synergistic effects of pollution reduction and carbon reduction in agriculture |
2.3.3 驱动因素空间异质性分析
本文基于黄波教授团队研发的GTWR插件，在ArcGIS软件上进行时空地理加权回归（GTWR）和地理加权回归（GWR）模型估计，以进一步比较模型估计结果的优劣（表 6）. 结果显示，GTWR估计结果的R2和调整R2均大于GWR估计结果，R2提升了0.111 004，且GTWR估计结果的AICc值小于GWR估计结果，下降了1 248.86. 整体上看，GTWR估计结果更优，能更好地在时空尺度上对驱动因素的影响进行拟合衡量.
|
|
表 6 回归模型估计结果 Table 6 Results of regression model estimation |
本研究对2010年、2014年、2018年和2022年河南省农业碳排放和农业面源污染协同度的各驱动因素进行回归分析，并对其GTWR回归系数各自求均值，通过ArcGIS软件，采用自然断点法分为5个层次（图 7）. 从农业集聚水平（AGG）来看，河南省各县区AGG的回归系数是以负值为主的，表明随农业集聚水平的提高，协同度会有所下降，这可能是农业集聚水平还未达到一定门槛值，各项农业投入和集聚会导致各类污染物排放的增加[28]. 从空间上看，呈现阶梯型分布，负高值区分布在西部，逐渐向东部增大，具有明显的空间异质性；从农业产业结构（IND）来看，河南省各县区IND的回归系数的负值主要分布在西部，而东部、南部和北部主要为正值，呈现阶梯式分布，这主要是因为河南省西部多以山地为主，不适合进行农业生产，对于正值区域，说明农业产值占比越高，地区的协同度越高；对于作物种植结构（CRO），河南省各县区CRO的回归系数的正值主要在南部、中部和北部，逐渐向西部降低和负向化，呈现阶梯式分布，西部仍是负高值区，北部、中部和南部是河南省粮食生产的主要区域，在作物生产中占比较高，说明在粮食生产主要区域，粮食种植面积越大，地区的协同度越高；从耕地规模化程度（LAN）来看，河南省各县区的LAN的回归系数以负值为主，负高值区域在河南省南部，逐渐向西部和北部增大，说明河南省各县区农业从业人员人均耕地面积越大，协同度越低；从有效灌溉率（IRR）来看，河南省各县区IRR的回归系数的正值主要分布在南部，逐渐向北部和西部负向化，负值区主要在北部和西部部分地区，呈现阶梯式分布. 农业灌溉存在双重影响，一方面，农业灌溉会导致化石能源和电能的消耗，另一方面，有效灌溉率的提高说明农业生产技术的进步，从回归结果看，河南省各县区的IRR总体上对农业生产地区呈现正向影响，对于河南省农业减污降碳协同效应呈现正向驱动特征；从财政支农力度（FIN）来看，河南省各县区的FIN回归系数正负均有分布，负高值区分布在河南省中部，呈现阶梯式分布，向四周逐渐增大和正向化. 河南省农业还是以传统农业为主，在传统农业下进行农业财政投入可能会导致农业减污降碳协同效应的降低[26]；从城镇化率（UR）来看，河南省各县区UR的回归系数以正值为主，高值区主要分布在河南省南部和东北部，西部和中部数值有所降低. 作为粮食主产区的河南，耕地面积占比较高，适合规模化种植以节约劳动资源和提高效率. 城镇化过程会导致农业从业人员数量减少，农机化水平提高，对于河南省减污降碳协同效应呈现正向驱动特征.
|
图 7 驱动因素GTWR回归系数空间分布 Fig. 7 Spatial distribution of driver GTWR regression coefficients |
本文研究河南省各县区农业减污降碳协同效应及驱动因素旨在为河南省农业低碳绿色可持续发展提供建议和理论支持. 基于上述得出的结果，为推进河南省农业减污降碳协同治理，提出以下政策建议：
（1）提升农用化学物质使用效率，促进废弃资源再利用. 农用化学物质一直是农业污染的主要来源，应加快技术集成创新，推广高效精准施用的技术模式，可以通过提高技术研发投入，研制高效低污染的农用物资，再加以引导农民精准施用，从源头遏制农田污染的进一步扩散，促进农业减污降碳可持续推进. 农业废弃资源包括作物秸秆、废弃农膜、禽畜粪便等，是不容忽视的污染源头，应结合地方实际，合理控制用量，对于一些突出污染地区，开展专项整治工作，监督和回访废弃资源再利用的实施，从源头到处理形成废弃资源再利用制度体系，推动形成农业废弃资源再利用可持续运行机制.
（2）结合地方实际开展差异化减污降碳策略. 对于重点粮食种植地区，加强政策和资金倾斜力度，从有关部门到具体农户，建立责任化实施制度，整合各方资源，创建针对性的项目政策，并建立对应的奖惩措施. 加强具体实施主体的培养，给予科技和人才的高度投入，形成地方成熟的协同治理方式，并由此创建典型单位，带动周边地区学习和响应，结合市场需求建立由地方政府牵头引导的减污降碳协同治理交易平台，形成因地制宜的各方共同参与的减污降碳协同治理举措. 从河南省农业碳排放和农业面源污染整体出发，各地区不仅要解决地方性问题，还有加强地方交流合作，共同研究解决跨区域的污染问题，真正做到各地区农业协同融合发展.
（3）优化农业产业结构，加强农业技术创新，推动农业高质量发展. 各地区积极筹建高标准农田建设，落实农业生产功能区划分，针对性建设市场供需差异的生产力布局，打造高效率、高收益、低成本的农田产业链，进一步联合畜禽生产的突出企业，共同推动产业转型升级，实现农业产业绿色可持续性收益增长. 针对河南省灌溉用水条件，加强各地区水利设施建设，新建地理位置合理的水库设施，减小农田受旱概率，进一步夯实农田有效灌溉效率，在此基础上，翻新和改造具体田块的地下水灌溉设施，配套修整田间道路和排水设施，提高资源整体适配程度. 发挥各地区农业资源优势，整合农业经济发展趋势，提升农业生产设施水平，实现对河南省农业减污降碳协同治理的正向推动和可持续发展.
4 结论（1）河南省2010~2022年间农业碳排放和农业面源污染排放量呈现先缓慢增加，后缓慢下降又逐渐平稳的趋势. 河南省西北部是农业碳排放量高值区，以宜阳县最高，农业面源污染排放量的高值区分布在北部，两者的中值区较为分散，次中值区占比较高，空间异质性明显.
（2）河南省2010~2022年间农业碳排放和农业面源污染协同度具有缓慢降低和极化现象减弱的趋势. 从整体上看，河南省减污降碳的协同度较高，且空间异质性明显，呈现东部偏低，西部地区偏高的趋势，且各地区协同度向中等水平聚拢，极化现象有所减弱. 河南省各县区的农业面源污染和农业碳排放有着较好的协同效应，各地区协同度具有较强的空间异质性.
（3）从GTWR回归结果看，各驱动因素对河南省农业碳排放和农业面源污染协同度的影响差异化明显，空间上整体呈现阶梯式分布. 农业集聚水平和耕地规模化程度呈现负向调节作用，城镇化率呈现正向调节作用. 农业产业结构、作物种植结构和有效灌溉率的调节作用空间差异明显，正负影响均有分布，且回归系数负值区多分布在河南省西部，对于河南省其余粮食种植区域多呈现正向驱动作用. 此外，财政支农力度的回归系数负值区集中在河南省中部，对于河南省中部农业减污降碳具有显著负向驱动作用.
| [1] |
赵荣钦, 黄贤金, 郧文聚, 等. 碳达峰碳中和目标下自然资源管理领域的关键问题[J]. 自然资源学报, 2022, 37(5): 1123-1136. Zhao R Q, Huang X J, Yun W J, et al. Key issues in natural resource management under carbon emission peak and carbon neutrality targets[J]. Journal of Natural Resources, 2022, 37(5): 1123-1136. |
| [2] |
张华明, 元鹏飞, 朱治双. 黄河流域碳排放脱钩效应及减排路径[J]. 资源科学, 2022, 44(1): 59-69. Zhang H M, Yuan P F, Zhu Z S. Decoupling effects of carbon emissions and reduction path in the Yellow River Basin[J]. Resources Science, 2022, 44(1): 59-69. |
| [3] |
张卫建, 严圣吉, 张俊, 等. 国家粮食安全与农业双碳目标的双赢策略[J]. 中国农业科学, 2021, 54(18): 3892-3902. Zhang W J, Yan S J, Zhang J, et al. Win-Win strategy for national food security and agricultural double-carbon goals[J]. Scientia Agricultura Sinica, 2021, 54(18): 3892-3902. |
| [4] |
刘爽, 刘畅. 中国农业减污降碳协同效应及其影响机制研究[J]. 中国生态农业学报(中英文), 2024, 32(7): 1109-1121. Liu S, Liu C. Synergistic effect of agricultural pollution reduction and carbon reduction and its influence mechanism in China[J]. Chinese Journal of Eco-Agriculture, 2024, 32(7): 1109-1121. |
| [5] |
高林林, 吴用, 杨书涵, 等. 河南省氮素农业面源污染风险评价与关键管控区识别[J]. 农业机械学报, 2024, 55(3): 311-320. Gao L L, Wu Y, Yang S H, et al. Risk assessment of nitrogen agricultural non-point source pollution and identification of critical control areas in Henan province[J]. Transactions of the Chinese Society for Agricultural Machinery, 2024, 55(3): 311-320. |
| [6] |
宁静, 李亚洁, 王震, 等. 中国粮食主产省区农业碳排放特征及影响因素[J]. 水土保持研究, 2024, 31(1): 450-459. Ning J, Li Y J, Wang Z, et al. Characteristics and influencing factors of agricultural carbon emissions in Major Grain Producing Provinces in China[J]. Research of Soil and Water Conservation, 2024, 31(1): 450-459. |
| [7] |
田云, 尹忞昊. 中国农业碳排放再测算: 基本现状、动态演进及空间溢出效应[J]. 中国农村经济, 2022(3): 104-127. Tian Y, Yin M H. Re-evaluation of China's agricultural carbon emissions: basic status, dynamic evolution and spatial spillover effects[J]. Chinese Rural Economy, 2022(3): 104-127. |
| [8] | Zou L L, Liu Y S, Wang Y S, et al. Assessment and analysis of agricultural non-point source pollution loads in China: 1978-2017[J]. Journal of Environmental Management, 2020, 263. DOI:10.1016/j.jenvman.2020.110400 |
| [9] | Ayres R U, Walter J. The greenhouse effect: damages, costs and abatement[J]. Environmental and Resource Economics, 1991, 1(3): 237-270. |
| [10] |
冯素玲, 许德慧, 张榕. 数字金融发展如何赋能二氧化碳减排?——来自地级市的经验证据[J]. 当代经济科学, 2023, 45(4): 15-28. Feng S L, Xu D H, Zhang R. How does the development of digital finance reduce CO2 emissions?—Empirical analysis based on Prefecture-level cities[J]. Modern Economic Science, 2023, 45(4): 15-28. |
| [11] |
刘华军, 张一辰. 减污降碳协同效应的生成逻辑、内涵阐释与实现方略[J]. 当代经济科学, 2024, 46(3): 32-44. Liu H J, Zhang Y C. Synergistic effect of pollution reduction and carbon emission reduction: generating logic, connotation explanation and realization strategy[J]. Modern Economic Science, 2024, 46(3): 32-44. |
| [12] |
高庆先, 高文欧, 马占云, 等. 大气污染物与温室气体减排协同效应评估方法及应用[J]. 气候变化研究进展, 2021, 17(3): 268-278. Gao Q X, Gao W O, Ma Z Y, et al. The synergy effect assessment method and its application for air pollutants and greenhouse gases reduction[J]. Climate Change Research, 2021, 17(3): 268-278. |
| [13] |
傅京燕, 原宗琳. 中国电力行业协同减排的效应评价与扩张机制分析[J]. 中国工业经济, 2017(2): 43-59. Fu J Y, Yuan Z L. Evaluation of effect and analysis of expansion mechanism of synergic emission abatement in China's power industry[J]. China Industrial Economics, 2017(2): 43-59. |
| [14] |
向梦宇, 王深, 吕连宏, 等. 基于不同电力需求的中国减污降碳协同增效路径[J]. 环境科学, 2023, 44(7): 3637-3648. Xiang M Y, Wang S, Lü L H, et al. Synergistic paths of reduced pollution and carbon emissions based on different power demands in China[J]. Environmental Science, 2023, 44(7): 3637-3648. |
| [15] |
孙慧, 夏学超, 祝树森, 等. 企业降碳减污协同推进的产业链联动效应[J]. 中国人口·资源与环境, 2024, 34(3): 16-29. Sun H, Xia X C, Zhu S S, et al. Linkage effect of the industry chain on enterprises' synergistic promotion of carbon reduction and pollution control[J]. China Population, Resources and Environment, 2024, 34(3): 16-29. |
| [16] |
彭思源, 赵洪涛, 柴桦. 海绵城市源头设施运行阶段减污降碳及协同路径[J]. 环境科学, 2025, 46(3): 1548-1557. Peng S Y, Zhao H T, Chai H. Pollution and carbon emission reduction and synergistic pathways in the operation phase of sponge city source control facilities[J]. Environmental Science, 2025, 46(3): 1548-1557. |
| [17] |
吴雪萍, 邱文海. 用能权交易制度的减污降碳协同效应分析[J]. 环境科学, 2024, 45(8): 4627-4635. Wu X P, Qiu W H. Analysis of the synergistic effects of energy consumption permit trading scheme on pollution reduction and carbon abatement[J]. Environmental Science, 2024, 45(8): 4627-4635. |
| [18] |
原伟鹏, 孙慧, 王晶, 等. 中国城市减污降碳协同的时空演化及驱动力探析[J]. 经济地理, 2022, 42(10): 72-82. Yuan W P, Sun H, Wang J, et al. Spatial-temporal evolution and driving forces of urban pollution and carbon reduction in China[J]. Economic Geography, 2022, 42(10): 72-82. |
| [19] |
李汶豫, 文传浩, 苏旭阳, 等. 长江经济带城市减污降碳协同效应时空演化及驱动因素研究[J]. 环境科学研究, 2024, 37(8): 1641-1653. Li W Y, Wen C H, Su X Y, et al. Spatiotemporal evolution and driving factors of synergistic effect of urban pollution reduction and carbon reduction in Yangtze river economic belt[J]. Research of Environmental Sciences, 2024, 37(8): 1641-1653. |
| [20] |
狄乾斌, 梁晨露, 陈小龙. 广东省减污降碳与经济发展的动态协调效应[J]. 环境科学, 2025, 46(2): 669-681. Di Q B, Liang C L, Chen X L. Dynamic coordination effect of pollution reduction and carbon reduction and economic development in Guangdong Province[J]. Environmental Science, 2025, 46(2): 669-681. |
| [21] | Longo A, Hoyos D, Markandya A. Willingness to pay for ancillary benefits of climate change mitigation[J]. Environmental and Resource Economics, 2012, 51(1): 119-140. |
| [22] | Chen Y F, Miao J F, Zhu Z T. Measuring green total factor productivity of China's agricultural sector: a three-stage SBM-DEA model with non-point source pollution and CO2 emissions[J]. Journal of Cleaner Production, 2021, 318. DOI:10.1016/j.jclepro.2021.128543 |
| [23] | Nie C F, Lee C C. Synergy of pollution control and carbon reduction in China: spatial-temporal characteristics, regional differences, and convergence[J]. Environmental Impact Assessment Review, 2023, 101. DOI:10.1016/j.eiar.2023.107110 |
| [24] |
马伟波, 赵立君, 王楠, 等. 长三角城市群减污降碳驱动因素研究[J]. 生态与农村环境学报, 2022, 38(10): 1273-1281. Ma W B, Zhao L J, Wang N, et al. Study on driving factors of pollution and carbon reduction in the Yangtze River Delta Urban Agglomerations[J]. Journal of Ecology and Rural Environment, 2022, 38(10): 1273-1281. |
| [25] |
易兰, 杨田恬, 杜兴, 等. 减污降碳协同路径研究: 典型国家驱动机制及对中国的启示[J]. 中国人口·资源与环境, 2022, 32(9): 53-65. Yi L, Yang T T, Du X, et al. Collaborative pathways of pollution reduction and carbon abatement: typical countries' driving mechanisms and their implications for China[J]. China Population, Resources and Environment, 2022, 32(9): 53-65. |
| [26] |
朱洋洋, 齐振宏, 王璐, 等. 中国农业减污降碳协同效应的时空演进及驱动因素研究[J]. 生态与农村环境学报, 2024, 40(9): 1201-1212. Zhu Y Y, Qi Z H, Wang L, et al. Spatial and temporal evolution and driving factors of synergistic effects of agricultural pollution and carbon emission reduction in China[J]. Journal of Ecology and Rural Environment, 2024, 40(9): 1201-1212. |
| [27] |
吴昊玥, 黄瀚蛟, 何宇, 等. 中国农业碳排放效率测度、空间溢出与影响因素[J]. 中国生态农业学报(中英文), 2021, 29(10): 1762-1773. Wu H Y, Huang H J, He Y, et al. Measurement, spatial spillover and influencing factors of agricultural carbon emissions efficiency in China[J]. Chinese Journal of Eco-Agriculture, 2021, 29(10): 1762-1773. |
| [28] |
朱洋洋, 齐振宏, 田卓亚, 等. 长江流域主产区农业集聚对农业面源污染的影响——基于面板门槛模型的实证研究[J]. 中国农业大学学报, 2024, 29(3): 228-240. Zhu Y Y, Qi Z H, Tian Z Y, et al. Impact of agricultural agglomeration on agricultural non-point source pollution in the main production areas of the Yangtze River basin: an empirical study based on panel threshold modeling[J]. Journal of China Agricultural University, 2024, 29(3): 228-240. |
| [29] |
卢东宁, 张雨, 雷世斌. "双碳"目标背景下陕西农业碳排放驱动因素与脱钩效应研究[J]. 北方园艺, 2022(20): 133-140. Lu D N, Zhang Y, Lei S B. Study on driving factors and decoupling effect of agricultural carbon emission in Shaanxi Province under the background of "Double Carbon" target[J]. Northern Horticulture, 2022(20): 133-140. |
| [30] | Du Y Y, Liu H B, Huang H, et al. The carbon emission reduction effect of agricultural policy——Evidence from China[J]. Journal of Cleaner Production, 2023, 406. DOI:10.1016/j.jclepro.2023.137005 |
| [31] |
丁宝根, 杨树旺, 赵玉, 等. 中国耕地资源利用的碳排放时空特征及脱钩效应研究[J]. 中国土地科学, 2019, 33(12): 45-54. Ding B G, Yang S W, Zhao Y, et al. Study on spatio-temporal characteristics and decoupling effect of carbon emission from cultivated land resource utilization in China[J]. China Land Science, 2019, 33(12): 45-54. |
| [32] |
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. |
| [33] |
胡向东, 王济民. 中国畜禽温室气体排放量估算[J]. 农业工程学报, 2010, 26(10): 247-252. Hu X D, Wang J M. Estimation of livestock greenhouse gases discharge in China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(10): 247-252. |
| [34] |
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. |
| [35] |
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. |
| [36] |
程琳琳. 中国农业碳生产率时空分异: 机理与实证[D]. 武汉: 华中农业大学, 2018. Cheng L L. Spatial and temporal differentiation of China's agricultural carbon productivity: mechanism and demonstration[D]. Wuhan: Huazhong Agricultural University, 2018. |
| [37] |
陈敏鹏, 陈吉宁, 赖斯芸. 中国农业和农村污染的清单分析与空间特征识别[J]. 中国环境科学, 2006, 26(6): 751-755. Chen M P, Chen J N, Lai S Y. Inventory analysis and spatial distribution of Chinese agricultural and rural pollution[J]. China Environmental Science, 2006, 26(6): 751-755. |
| [38] |
林江彪, 王亚娟, 樊新刚. 宁夏农业面源污染的经济驱动特征研究[J]. 干旱区资源与环境, 2021, 35(3): 58-65. Lin J B, Wang Y J, Fan X G. Research on economic driving characteristics of agricultural non-point source pollution in Ningxia[J]. Journal of Arid Land Resources and Environment, 2021, 35(3): 58-65. |
| [39] |
宋大平, 左强, 刘本生, 等. 农业面源污染中氮排放时空变化及其健康风险评价研究——以淮河流域为例[J]. 农业环境科学学报, 2018, 37(6): 1219-1231. Song D P, Zuo Q, Liu B S, et al. Estimation of spatio-temporal variability and health risks of nitrogen emissions from agricultural non-point source pollution: a case study of the Huaihe River Basin, China[J]. Journal of Agro-Environment Science, 2018, 37(6): 1219-1231. |
| [40] |
苟婷, 裴德富, 梁荣昌, 等. 基于输出系数法的农业面源氮磷排放特征分析[J]. 中国环境科学, 2023, 43(12): 6539-6550. Gou T, Pei D F, Liang R C, et al. Analysis of nitrogen and phosphorus emissions from agricultural non-point sources based on improved output coefficient method[J]. China Environmental Science, 2023, 43(12): 6539-6550. |
| [41] |
赖斯芸. 非点源污染调查评估方法及其应用研究[D]. 北京: 清华大学, 2004. Lai S Y. Study on non-point sources pollution investigation and evaluation method and its application[D]. Beijing: Tsinghua University, 2004. |
| [42] |
葛小君, 黄斌, 袁再健, 等. 近20年来广东省农业面源污染负荷时空变化与来源分析[J]. 环境科学, 2022, 43(6): 3118-3127. Ge X J, Huang B, Yuan Z J, et al. Temporal and spatial variation characteristics and source analysis of agricultural non-point source pollution load in Guangdong during the past 20 years[J]. Environmental Science, 2022, 43(6): 3118-3127. |
| [43] |
马艳, 王灵芝, 李诗瑶, 等. 高原特色农业绿色发展时空演化及耦合协调研究——以云南省为例[J]. 中国农业资源与区划, 2025, 46(2): 79-90. Ma Y, Wang L Z, Li S Y, et al. Study on spatiotemporal evolution and coupling coordination of plateau characteristic agricultural green development——A case study of Yunnan province[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2025, 46(2): 79-90. |
| [44] |
谢群, 卢泽花, 贠晓哲. 黄河流域水资源承载力与高质量发展的耦合协调及其驱动机制研究[J/OL]. 中国农业资源与区划. Xie Q, Lu Z H, Yun X Z. Research on coupling coordination and driving mechanism of water resource carrying capacity and high-quality development in the Yellow River Basin[J/OL]. Chinese Journal of Agricultural Resources and Regional Planning. https://link.cnki.net/urlid/11.3513.S.20240516.1435.013, 2024. |
| [45] |
许嘉俊, 杨晓军, 李睿. 城市居民生活碳排放及影响因素的时空异质性[J]. 中国环境科学, 2024, 44(3): 1732-1742. Xu J J, Yang X J, Li R. The spatial and temporal heterogeneity of carbon emission and its driving forces in urban households[J]. China Environmental Science, 2024, 44(3): 1732-1742. |
| [46] | Jiang F M, Chen B J, Li P H, et al. Spatio-temporal evolution and influencing factors of synergizing the reduction of pollution and carbon emissions-Utilizing multi-source remote sensing data and GTWR model[J]. Environmental Research, 2023, 229. DOI:10.1016/j.envres.2023.115775 |
| [47] |
刘佳明, 王洁. GTWR模型联合地理探测的长三角地区PM2.5驱动因素研究[J]. 长江流域资源与环境, 2024, 33(1): 139-149. Liu J M, Wang J. Research on the driving factors of PM2.5 in the Yangtze River Delta based on GTWR model combined with Geographical Detector[J]. Resources and Environment in the Yangtze Basin, 2024, 33(1): 139-149. |
| [48] | Huang B, Wu B, Barry M. Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices[J]. International Journal of Geographical Information Science, 2010, 24(3): 383-401. |
| [49] |
常青, 蔡为民, 谷秀兰, 等. 河南省农业碳排放时空分异、影响因素及趋势预测[J]. 水土保持通报, 2023, 43(1): 367-377. Chang Q, Cai W M, Gu X L, et al. Spatial-temporal variation, influencing factors, and trend prediction of agricultural carbon emissions in Henan Province[J]. Bulletin of Soil and Water Conservation, 2023, 43(1): 367-377. |
| [50] |
李兴明, 李玲, 范行行, 等. 河南省农业面源总磷污染时空演变特征及影响因素分析[J]. 农业资源与环境学报, 2025. Li X M, Li L, Fan H H, et al. Characterization of spatial and temporal evolution of total phosphorus pollution from agricultural non-point sources and analysis of influencing factors in Henan Province[J]. Journal of Agricultural Resources and Environment, 2025. DOI:10.13254/j.jare.2024.0199 |