2024, Vol. 45
农业温室气体减排对于中国实现双碳目标意义重大.当前农业温室气体排放核算的边界不断拓展, 从关注农作物生长过程温室气体排放, 如水稻CH4排放和N2O排放等[1 ~ 4], 到农作物全生命周期过程温室气体排放, 如农药和化肥等生产资料的生产过程CO2排放[5, 6].不同省份种植结构、耕种措施和管理水平等方面的巨大差异[7], 导致中国农业温室气体排放具有显著的空间异质性, 因此有必要系统解析农业温室气体排放的时空变化规律, 为制定区域差异化农业温室气体减排政策提供科学依据.
已有研究在农业温室气体排放清单核算的基础上进一步采用Kaya碳排放恒等式、核密度估计法和基尼系数识别了影响农业温室气体排放的农业生产效率、劳动力、农业生产结构和农业经济等因素[7 ~ 9].还有一些学者发现不同地区农业温室气体排放呈现不同的时空格局变化[7, 8, 10 ~ 12], 如2000~2014年间, 东三省的空间相关性有增强趋势[13], 2000~2020年间山东省16地市农业碳排放量及排放强度均呈现一定的区域差异, 且有扩大趋势[14].随后进一步的研究结果表明, 中国各省份农业温室气体排放并非孤立, 因受到相邻省份发展的影响而具有明显空间溢出特征[15], 但是对于影响中国农业温室气体排放时空异质性及其空间溢出效应的因素还有待进一步系统识别和解析.
中国从2015年开始积极采取各种措施推进农业绿色发展以来, 中国各省份不同作物种植结构、种植面积、灌溉和施肥管理等方面都产生了巨大变化[16, 17], 新时代农业温室气体排放的时空格局的影响还有待揭示.基于此目标, 本研究在编制2000~2020年中国31省份农业全生命周期温室气体排放清单的基础上, 结合空间自相关分析和标准差椭圆方法解析温室气体排放的时空异质性, 通过构建囊括自然地理、经济发展、农业发展和劳动力等多层次指标体系, 引入地理探测器模型和空间计量分析方法解析温室气体排放时空异质性及其空间溢出效应的影响因素, 以期为全局温室气体减排策略制定以及农业绿色低碳发展提供参考.
1 材料与方法 1.1 农业温室气体排放核算农业温室气体排放核算既需要关注农作物种植过程的直接排放[2], 还需要关注农业生产所需各种物资生产和使用过程产生的间接排放[9], 包括化肥、农药、农膜、柴油和农业灌溉等, 具体测算公式如下：
|
(1) |
式中, CE表示i项农业活动投入物资碳排放总和, i表示各项农业活动投入物资种类；ADi表示第i种农业活动投入物资的使用量；FEi表示第i种农业活动投入物资的排放因子, 各碳源对应的温室气体排放系数和参考文献来源见表 1.
|
表 1 农业温室气体排放核算因子 Table 1 Agricultural greenhouse gas emission accounting factors |
为了便于对比和分析, 参照IPCC 2007年第四次评估报告的参数结果, 将CO2、CH4和N2O统一换算成标准C, 其中1 t CO2中含有0.273 t标准C, 1 t CH4和N2O所引发的温室效应分别等同于6.818 t和81.273 t标准C所产生的温室效应.
1.2 中国农业温室气体排放空间格局解析 1.2.1 空间自相关检验本研究采用莫兰指数I进行检验与判断因变量之间的空间相关性, 以满足后续空间分析方法的基本假设和前提, 具体如下：
|
(2) |
式中, xi和xj分别表示区域i和j的值；x表示碳排放量的平均值；Wij表示空间权重矩阵W中的元素.
1.2.2 标准差椭圆方法标准差椭圆空间统计方法(standard deviational ellipse, SDE) 是一种用于可视化地理要素空间分布特征的空间分析方法[24], 本研究基于标准差椭圆的形状、方向和大小变化, 识别农业温室气体重心分布以及时空演化过程, 参数计算公式如下：
平均重心：
|
(3) |
方位角：
|
(4) |
x轴标准差：
|
(5) |
y轴标准差：
|
(6) |
式中, (xi, yi) 表示研究对象的空间区位, Wi表示权重, 
本研究在系统调研[8, 9, 25]基础上, 从经济发展水平、农村劳动人口、农业投资和自然地理环境方面等4个层次构建指标体系(表 2), 系统评估不同因素对农业温室气体排放空间异质性的影响.
|
|
表 2 农业温室气体排放空间异质性评价体系 Table 2 Agricultural greenhouse gas emission spatial heterogeneity assessment system |
1.3.2 地理探测器
地理探测器是分析空间差异性及其成因的重要工具, 广泛应用于资源环境和社会经济等方面研究[26 ~ 30].本研究采用地理探测器模型的因子探测模块和交互探测模块开展单一因子和复合因子对温室气体排放空间差异的影响, 前者主要用于识别所选取的各因子是否是造成农业温室气体排放空间差异的关键因子, 并定量评估各指标的影响力；后者则可以分析各因子两两交互作用对农业温室气体排放的影响.测算公式如下：
|
(7) |
式中, q表示各因子对农业温室气体排放的解释力, q值取值区间在[0, 1], 越大表示因子对农业温室气体排放空间分布的解释力越强.在本研究中N表示与农业温室气体排放对应的研究区单元数, σ2表示农业温室气体排放变化方差.
1.3.3 空间计量分析该方法主要用于评估区域间的相互作用关系, 定量评估各地区农业温室气体排放的空间关联性, 具体评估步骤如下：
(1) 空间权重矩阵的设计
用于评估一个地区有哪些邻近地区, 以及邻近程度, 用式(8)的矩阵表示：
|
(8) |
式中, wij表示区域i与区域j的邻近关系；w1j表示区域1与区域j的邻近关系；wi1表示区域1与区域i的邻近关系, 在该矩阵中区域与区域自身的邻近关系为零, 即矩阵的对角线元素为零.
(2) 空间面板模型构建
常见空间面板模型包括空间滞后模型(spatial lag model, SLM)、空间误差面板模型(spatial error model, SEM)和空间杜宾模型(spatial Dubin model, SDM).本研究首先根据Elhorst[31]提出的空间面板模型选择方法, 进行拉格朗日乘数检验(LM检验), 检验结果显示SEM模型和SLM模型的P值均小于0.01(表 3), 说明农业温室气体排放存在显著的空间溢出效应, 且存在空间关联性, 采用SDM模型能更好地解释农业温室气体排放的空间溢出效应.
|
|
表 3 空间面板模型设定LM检验结果 Table 3 Set LM test results for spatial panel model specification |
其次采用Hausman检验进行随机效应模型与固定效应模型的选取, 检验结果为0 < P < 0.001, 因此选择固定效应模型.最后, 本研究使用似然比(LR)检验对空间杜宾面板模型的两个假设H0：θ = 0或H0：θ + λβ= 0来检验空间杜宾模型是否可以简化, 从而确定模型形式.检验结果0 < P < 0.001, 所以本研究选择双固定效应模型进行分析, 最终模型结构如下：
|
(9) |
式中, yit表示在区域i、时刻t上的因变量；i表示不同的区域, i=1, 2, 3, …, N；t表示不同的时期, t=1, 2, 3, …, T；Xit表示外生解释变量矩阵；参数β表示X对因变量yit的影响系数；Wij表示权重矩阵, 用来表示不同区域间的关系；其中：θ、λ与β均表示相应的空间自相关系数, ci和at表示空间固定和时间固定, vit表示随机扰动项.
1.4 数据来源农业温室气体排放核算所需的2000~2020年中国31省(市、自治区)的农业活动数据来源于历年的《中国农业统计资料》《中国农村统计年鉴》, 由于中国港、澳、台缺失数据过多, 所以暂未纳入本研究范围.
农业温室气体排放空间分析所需的地区生产总值和第一产业固定资产投资数据来源于2000~2020《中国统计年鉴》；各省份进出口农产品数量、乡村人口数和农村居民经营净收入数据来源于2000~2020的《中国农村统计年鉴》《中国农业统计资料》, 自然地理指标数据来自于中国科学院资源环境科学与数据中心(https://www.resdc.cn), 其中坡度数据由DEM数据计算得出.
2 结果与讨论 2.1 中国农业温室气体排放时空动态变化特征 2.1.1 时间特征分析2020年中国农业温室气体排放总量为3.68亿t, 略低于2000年的3.76亿t. 本研究期间, 农业温室气体排放呈现出先增加后下降的趋势, 并在2014年达到峰值, 约为4.58亿t.根据温室气体排放时序变化特征将其分为“缓慢上升-大幅上升-大幅下降”3个阶段(图 1), 这种趋势与Yang等[32]和Liu等[33]研究的结果相一致.
|
图 1 2000~2020年农业温室气体排放变化趋势与增速 Fig. 1 Trends and growth rates of agricultural greenhouse gas emissions from 2000 to 2020 |
2000~2003年期间农业温室气体排放呈现出缓慢上升的趋势, 年均增速为0.4%, 主要原因是此期间城市发展建设占用了大量耕地, 以及干旱造成减产因素, 导致中国粮食生产出现大滑坡[34], 农民为降低产量变化的影响从而加大化肥等生产物资使用量；随后, 国家连续出台一系列强农惠农富农政策, 在“工业反哺农业、城市支持农村”的基本方针下, 粮食生产逐渐恢复和发展, 伴随农药和化肥等农业生产物资使用量增大, 其温室气体排放在2004~2014年大幅上升, 年均增速高达1.2%, 排放总量较2004年增长了14.2%, 其中53.5%的增长来自农药和化肥的温室气体排放.为了提高效益和减少排放, 2015年政府部门制定了《到2020年化肥使用量零增长行动方案》《到2020年农药使用量零增长行动方案》[17], 促进化肥和农药减量增效, 取得了明显成效[35], 2015~2020年, 化肥和农药相关的温室气体排放累计减少了86.03%, 是温室气体排放下降的主要原因.在生态优先, 转变发展方式的政策支持[17]下, 中国农业温室气体排放2015年后呈现大幅下降的趋势, 年均变化-3.8%, 至2020年, 温室气体排放较2014年峰值减少了19.7%.
2.1.2 空间特征分析2000~2020年, 中国农业温室气体排放总体空间分布呈现中部和南部偏高特征(图 2), 并在空间上形成了3个高排放区：以河南为中心的中部高排放区域、以广东为中心的南部高排放区域和以四川为中心的西南部高排放区域, 这些高排放区集聚了中国约70%的农业温室气体排放, 排放重心分布于河南省(图 3).同时, 农业温室气体排放还具有显著的空间集聚特征, 历年全局Moran's I值均通过了5%水平下的显著性检验, 且均为正值, 表明中国31个省市的农业温室气体排放在空间上存在着显著的正自相关关系.
|
基于自然资源部标准地图服务网站GS(2020)4619号标准地图制作, 底图边界无修改 图 2 主要年份中国各省农业温室气体排放量 Fig. 2 Greenhouse gas emissions from agriculture in various provinces of China in major years |
|
图 3 2000~2020年中国农业温室气体排放重心迁移路径 Fig. 3 Migration path of China's agricultural greenhouse gas emission center from 2000 to 2020 |
中国各省份农业温室气体排放变化存在较大差异, 2000年中国农业温室气体排放超过0.25亿t的省份仅包括3个, 大小为：山东 > 江苏 > 河南[图 2(a)], 而至2015年, 温室气体排放超过0.25亿t的省份增加至4个, 大小为：河南 > 山东 > 江苏 > 河北[图 2(d)].同时, 2000~2015年间, 一级标准差椭圆的横轴和纵轴均呈现空间拓展[图 2(a)~2(d)], 面积相较2000年增长34%, 说明中国农业温室气体的主要排放区域逐渐扩大, 西部、北部各省份温室气体排放快速增长, 导致中国温室气体排放重心逐渐向西部偏移幅度明显, 并向北部进行小幅度偏移.2020年, 温室气体排放超过0.25亿t的省份减少到2个, 大小为：河南 > 江苏[图 2(e)], 而其他各省份之间的排放量都大幅度降低, 省份间差异逐渐缩小, 空间呈现高排放区高度集聚, 其他区域均匀化分布特征, 导致一级标准差椭圆在空间上进一步拓展, 面积相较2020年增长42%.各省份中, 较重心偏北的省份温室气体减排幅度较大, 如河北省较2015年减排998.3万t, 黑龙江省较2015年减排313.1万t, 相比之下, 重心偏东的省份温室气体减排幅度也相对较大, 如山东省较2015年减排639.8万t, 安徽省较2015年减排374.5万t, 由此导致空间重心明显向西部偏移, 向南部进行小幅度偏移.
2.2 温室气体排放空间异质性的影响因素解析2000~2020年, 农业产值(X11)和乡村人口(X12)是中国温室气体排放空间异质性的主导影响因子, 其影响因子解释力q的平均值分别为0.899和0.849.此外, 地区生产总值(X5)和农业固定投资(X8)对空间异质性的影响也相对较大, 但其时间变化存在较大差异：地区生产总值的影响力从2000年的0.754降低至2020年的0.566, 而农业投资的影响力则从2000年的0.363上升至2020年的0.752(图 4).排放主要集中在以农业产业为主且乡村劳动力充足的省份, 可见“高排放”、“低效益”的传统农业生产模式仍然存在, 并且地区生产总值对农业温室气体排放的影响力在逐渐减弱, 说明中国近几年逐渐优化农业产业结构, 以降低经济发展对资源环境的压力, 这与目前相关研究的结果相一致[36].
|
X1表示年平均气温, X2表示全年降雨量, X3表示坡度, X4表示高程DEM, X5表示地区生产总值, X6表示人均地区生产总值, X7表示农村居民经营净收入, X8表示农业投资, X9表示农产品出口数量, X10表示农产品进口数量, X11表示农业产值, X12表示乡村人口, X13表示城镇化率, 0~1.0表示影响因子解释力q数值大小 图 4 农业温室气体排放主导影响因子解释力主要年份变化趋势 Fig. 4 Explanation of the main factors influencing agricultural greenhouse gas emissions and trend over the principal years |
多因子交互作用的影响力明显高于单因子(表 4), 大部分因子交互后呈现双因子增强特征, 少部分因子交互后呈现非线性增强特征.通过对关键时间节点多因子交互影响情况进行分析可以发现, 乡村人口(X12)和地区人均生产总值(X6)的交互影响最大, q值达到0.993~0.997, 这意味着地区乡村人口越多, 粮食需求量越高, 种植面积越大, 农业生产需要消耗更多的资源, 例如化肥等；而地区人均生产总值越高, 意味着地区经济水平较高, 可以使用更多的农业资料如化肥等, 从而增加农业温室气体排放.
|
|
表 4 代表年份主导交互因子结果 Table 4 Interactive results of dominant factors for representative years |
乡村人口(X12)和高程DEM(X4)的交互影响力次之, q值为0.985~0.991, 它们的影响力随着时间推移呈现下降趋势, 而乡村人口(X12)和农产品出口(X9)的交互影响力逐渐增加, 并在2015年以后取代乡村人口(X12)和高程DEM(X4)这一对影响因子, 成为次要交互影响因子.这是因为乡村人口数量差异会影响农业生产和消费方式, 并且乡村人口聚集的地区为发展粮食商品化、满足农产品出口需求提供了充足的劳动力资源, 因而地区农产品出口需求水平不同, 农业生产规模以及农用物资使用量存在差异, 进而影响地区农业温室气体排放水平, 与目前相关研究结果相一致[37, 38].
综上, 在推动农业低碳转型的过程中, 需要综合考虑这些因素交互作用的影响, 制定相应的政策和措施, 以实现减缓农业温室气体排放的目标.
2.3 温室气体排放空间溢出的影响因素解析农业生产活动受到生产要素的跨区域流动等因素的影响, 其温室气体排放空间溢出效应显著, 即各省份排放的影响因素受到邻近省份的影响.本研究采用拟合度较高的空间杜宾模型来进一步识别农业温室气体排放空间溢出的影响因素.如表 5所示, 大部分影响因子可以解释温室气体排放的空间溢出效应, 如乡村人口、农业产值、农产品出口等, 这些因子相关系数均为正值, 且通过了1%的显著性水平检验, 表明中国各省份农业温室气体排放在这些影响因子的作用下对邻近省份排放存在显著的正溢出效应, 即本省农业温室气体排放增加1%, 将导致邻域省份农业温室气体排放增长0.17%.
|
|
表 5 空间面板杜宾模型回归结果1) Table 5 Space panel Dubin model regression results |
农业产值和农村人口作为空间异质性的主导影响因子, 显著促进了邻省温室气体排放增长.模拟结果表明, 农业产值增长1%, 将会引起本省农业温室气体排放增长0.35%, 邻省农业温室气体排放增长0.39%；农村人口增长1%, 本省农业温室气体排放增长0.079%, 而邻省农业温室气体排放将增长0.431%(表 6).一方面可能由于相邻地区农业产业通过相互关联、相互合作呈现集群发展现象, 本地区农业经济迅速发展以及进城务工人员返回乡村会活跃周边地区农业生产活动[39]；另一方面可能由于本地区农村人口增长, 增加了农产品以及肥料、农药等农业物资需求, 促进了相邻省份相关产品以及物资生产温室气体排放增加[40].
|
|
表 6 直接效应和间接效应分解结果1) Table 6 Direct effects and indirect effects decomposition results |
本省份的城镇化水平提升1%, 将会引起本地区农业温室气体排放增长0.198%(表 6), 这可能是因为在城乡融合过程中, 乡村劳动人口向城市转移, 农业生产者为应对劳动力短缺, 增加了农业机械使用量, 导致柴油等能源碳排放量增长[41, 42]；而邻省农业温室气体排放将降低0.351%(表 6), 这是因为城镇化推进了基础设施互联互通以及基本公共服务体系一体化, 农业生产从分散式转向规模式, 促进农村能源结构转型, 从而形成了绿色低碳的农业生产空间格局[43, 44].
3 建议针对本文研究结果, 对区域农业温室气体减排提出两点建议：一是多维度、多层次展开顶层设计, 一方面根据不同地区的经济和社会发展水平, 制定差异化的减排目标和政策, 例如发达地区可能更注重绿色低碳农业技术创新和产业升级, 而发展中地区可能需关注农业可持续发展和节水灌溉设施建设；另一方面, 针对各地区农业产业结构、农业生产模式差异性, 制定相应的减排政策. 二是区域协同控制策略和资源整合, 针对农业温室气体排放的空间溢出效应, 需要在省域间实施资源整合和信息共享, 制定省际合作框架, 促使各地区共享最佳实践和技术, 共同应对区域性温室气体排放挑战.
以上建议旨在推动绿色低碳农业发展策略更具体、切实可行, 同时考虑到各地区的特殊情况和差异, 以实现更全面、均衡的温室气体减排效果, 从而实现“双碳”目标.
4 结论结果显示, 2000~2020年中国农业温室气体排放时间上呈现“缓慢上升-大幅上升-大幅下降”的发展历程；其中2015年是排放量明显下降的拐点；空间上, 集中分布在河南、山东和江苏等中部省份, 且呈现出重心向西部和北部转移的趋势.使用地理探测器分析发现乡村人口数和农业产值是主导农业温室气体排放空间差异性的因素.空间计量分析结果表明中国农业温室气体排放具有显著空间溢出效应, 本地农业经济发展以及乡村人口数的增加不仅会造成本地区农业温室气体排放增长, 也会增加邻近区域农业温室气体排放；而本地区城镇化水平提高会带动邻近省份农业温室气体排放下降.
| [1] | Huang X Q, Xu X C, Wang Q Q, et al. Assessment of agricultural carbon emissions and their spatiotemporal changes in China, 1997-2016[J]. International Journal of Environmental Research and Public Health, 2019, 16(17). DOI:10.3390/ijerph16173105 |
| [2] |
唐志伟, 张俊, 邓艾兴, 等. 我国稻田甲烷排放的时空特征与减排途径[J]. 中国生态农业学报(中英文), 2022, 30(4): 582-591. Tang Z W, Zhang J, Deng A X, et al. Spatiotemporal characteristics and reduction approaches of methane emissions from rice fields in China[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 582-591. |
| [3] |
于亚泽, 焦燕, 杨文柱, 等. 不同灌溉方式旱田土壤N2O排放和氮素淋溶特征[J]. 中国环境科学, 2021, 41(2): 813-825. Yu Y Z, Jiao Y, Yang W Z, et al. Characteristics of N2O emissions and nitrogen leaching from upland soils under drip or furrow irrigationl[J]. China Environmental Science, 2021, 41(2): 813-825. DOI:10.3969/j.issn.1000-6923.2021.02.036 |
| [4] |
冯小琼, 陈军辉, 姜涛, 等. 四川省2005~2014年农业源氨排放清单及分布特征[J]. 环境科学, 2017, 38(7): 2728-2737. Feng X Q, Chen J H, Jiang T, et al. Agricultural ammonia emission inventory and its spatial distribution in Sichuan Province from 2005 to 2014[J]. Environmental Science, 2017, 38(7): 2728-2737. |
| [5] | 夏龙龙. 中国三大主粮作物生产过程中温室气体和活性氮排放的评估及其减排潜力分析[D]. 北京: 中国科学院大学, 2017. |
| [6] |
王凯, 樊守彬, 亓浩雲. 北京市农业机械排放因子与排放清单[J]. 环境科学, 2020, 41(6): 2602-2608. Wang K, Fan S B, Qi H Y. Emission factors and emission inventory of agricultural machinery in Beijing under real-world operation[J]. Environmental Science, 2020, 41(6): 2602-2608. |
| [7] |
田云, 张俊飚, 尹朝静, 等. 中国农业碳排放分布动态与趋势演进——基于31个省(市、区)2002-2011年的面板数据分析[J]. 中国人口·资源与环境, 2014, 24(7): 91-98. Tian Y, Zhang J B, Yin C J, et al. Distributional dynamics and trend evolution of China's agricultural carbon emissions—An analysis on panel data of 31 provinces from 2002 to 2011[J]. China Population, Resources and Environment, 2014, 24(7): 91-98. DOI:10.3969/j.issn.1002-2104.2014.07.014 |
| [8] |
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. DOI:10.3969/j.issn.1002-2104.2011.08.013 |
| [9] |
田云, 张俊飚, 李波. 基于投入角度的农业碳排放时空特征及因素分解研究——以湖北省为例[J]. 农业现代化研究, 2011, 32(6): 752-755. Tian Y, Zhang J B, Li B. Research on spatial-temporal characteristics and factor decomposition of agricultural carbon emission based on input angle—taking Hubei Province for example[J]. Research of Agricultural Modernization, 2011, 32(6): 752-755. DOI:10.3969/j.issn.1000-0275.2011.06.025 |
| [10] | Tian P P, Li D, Lu H W, et al. Trends, distribution, and impact factors of carbon footprints of main grains production in China[J]. Journal of Cleaner Production, 2021, 278. DOI:10.1016/j.jclepro.2020.123347 |
| [11] |
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 H P. Agricultural carbon emissions in China: calculation, spatial-temporal comparison and decoupling effects[J]. Resources Science, 2012, 34(11): 2097-2105. |
| [12] |
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. |
| [13] |
范大莎, 杨旭, 吴相利, 等. 东北三省农田生态系统碳排放时空分异特征及驱动因素研究[J]. 环境科学学报, 2017, 37(7): 2797-2804. Fan D S, Yang X, Wu X, et al. Spatial-temporal differentiation of agro-ecosystem carbon emissions in northeast China and its driving factors[J]. Acta Scientiae Circumstantiae, 2017, 37(7): 2797-2804. |
| [14] |
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. |
| [15] |
吴贤荣, 张俊飚, 程琳琳, 等. 中国省域农业碳减排潜力及其空间关联特征——基于空间权重矩阵的空间Durbin模型[J]. 中国人口·资源与环境, 2015, 25(6): 53-61. Wu X R, Zhang J B, Cheng L L, et al. Potential of agricultural carbon reduction under climate change and its spatial correlation characteristics in China: based on the spatial durbin model[J]. China Population, Resources and Environment, 2015, 25(6): 53-61. DOI:10.3969/j.issn.1002-2104.2015.06.009 |
| [16] | 中华人民共和国农业农村部. 农业部关于印发《全国种植业结构调整规划(2016—2020年)》的通知[EB/OL]. http://www.moa.gov.cn/nybgb/2016/diwuqi/201711/t20171127_5920851.htm, 2017-11-27. |
| [17] | 中华人民共和国农业农村部. 农业部关于印发《到2020年化肥使用量零增长行动方案》和《到2020年农药使用量零增长行动方案》的通知[EB/OL]. http://www.moa.gov.cn/nybgb/2015/san/201711/t20171129_5923401.htm, 2017-11-29. |
| [18] |
陈舜, 逯非, 王效科. 中国氮磷钾肥制造温室气体排放系数的估算[J]. 生态学报, 2015, 35(19): 6371-6383. Chen S, Lu F, Wang X K. Estimation of greenhouse gases emission factors for China's nitrogen, phosphate, and potash fertilizers[J]. Acta Ecologica Sinica, 2015, 35(19): 6371-6383. |
| [19] | Liu Y Z, Gu W Y, Liu B B, et al. Closing greenhouse gas emission gaps of staple crops in China[J]. Environmental Science & Technology, 2022, 56(13): 9302-9311. |
| [20] | West T O, Marland G. A synthesis of carbon sequestration, carbon emissions, and net carbon flux in agriculture: comparing tillage practices in the United States[J]. Agriculture, 2002, 91(1-3): 217-232. |
| [21] | Solomon S, Qin D, Manning M, et al. Climate change 2007: the physical science basis[R]. Cambridge: Cambridge University Press, 2007. |
| [22] | Dubey A, Lal R. Carbon footprint and sustainability of agricultural production systems in Punjab, India, and Ohio, USA[J]. Journal of Crop Improvement, 2009, 23(4): 332-350. DOI:10.1080/15427520902969906 |
| [23] | 省级温室气体清单编制指南(试行)[R]. 北京: 国家发展改革委, 2011. |
| [24] |
潘晓东, 李品, 冯兆忠, 等. 2000~2015年中国地级市化肥使用量的时空变化特征[J]. 环境科学, 2019, 40(10): 4733-4742. Pan X D, Li P, Feng Z Z, et al. Spatial and temporal variations in fertilizer use across prefecture-level cities in China from 2000 to 2015[J]. Environmental Science, 2019, 40(10): 4733-4742. |
| [25] | Li M, Peng J Y, Lu Z X, et al. Research progress on carbon sources and sinks of farmland ecosystems[J]. Resources, Environment and Sustainability, 2023, 11. DOI:10.1016/j.resenv.2022.100099 |
| [26] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [27] |
丁悦, 蔡建明, 任周鹏, 等. 基于地理探测器的国家级经济技术开发区经济增长率空间分异及影响因素[J]. 地理科学进展, 2014, 33(5): 657-666. Ding Y, Cai J M, Ren Z P, et al. Spatial disparities of economic growth rate of China's National-level ETDzs and their determinants based on geographical detector analysis[J]. Progress in Geography, 2014, 33(5): 657-666. |
| [28] |
田娟娟, 张金锁. 基于地理探测器的中国碳排放时空分布特征及驱动因素研究[J]. 生态经济, 2022, 38(7): 13-20, 27. Tian J J, Zhang J S. Research on spatial-temporal distribution and the driving factors of CO2 emissions in China based on geographic detector[J]. Ecological Economy, 2022, 38(7): 13-20, 27. |
| [29] |
邵嘉豪, 李晶, 闫星光, 等. 基于地理探测器的山西省2000~2020年NPP时空变化特征及驱动力分析[J]. 环境科学, 2023, 44(1): 312-322. Shao J H, Li J, Yan X G, et al. Analysis of spatiotemporal variation characteristics and driving forces of NPP in Shanxi Province from 2000 to 2020 based on geodetector[J]. Environmental Science, 2023, 44(1): 312-322. |
| [30] |
张宏泽, 崔文刚, 刘绥华, 等. 基于地理探测器和多源数据的耕地土壤重金属来源驱动因子及其交互作用识别[J]. 环境科学, 2023, 44(4): 2177-2191. Zhang H Z, Cui W G, Liu S H, et al. Identifying driving factors and their interacting effects on sources of heavy metal in farmland soils with geodetector and multi-source data[J]. Environmental Science, 2023, 44(4): 2177-2191. |
| [31] | Elhorst J P. MATLAB software for spatial panels[J]. International Regional Science Review, 2014, 37(3): 389-405. DOI:10.1177/0160017612452429 |
| [32] | Yang H, Wang X X, Bin P. Agriculture carbon-emission reduction and changing factors behind agricultural eco-efficiency growth in China[J]. Journal of Cleaner Production, 2022, 334. DOI:10.1016/j.jclepro.2021.130193 |
| [33] | Liu D D, Zhu X Y, Wang Y F. China's agricultural green total factor productivity based on carbon emission: an analysis of evolution trend and influencing factors[J]. Journal of Cleaner Production, 2021, 278. DOI:10.1016/j.jclepro.2020.123692 |
| [34] | 韩一军, 姜楠. 新时期中国粮食安全研究[M]. 北京: 中国农业科学技术出版社, 2017. |
| [35] | 中华人民共和国农业农村部. 化肥农药使用量零增长行动目标顺利实现我国三大粮食作物化肥农药利用率双双达40%以上[EB/OL]. http://www.moa.gov.cn/xw/zwdt/202101/t20210117_6360031.htm, 2021-01-17. |
| [36] |
吴昊玥, 周蕾, 何艳秋, 等. 中国种植业碳排放达峰进程初判及脱钩分析[J]. 中国生态农业学报(中英文), 2023, 31(8): 1275-1286. Wu H Y, Zhou L, He Y Q, et al. Peaking process and decoupling analysis of carbon emissions of crop production in China[J]. Chinese Journal of Eco-Agriculture, 2023, 31(8): 1275-1286. |
| [37] | Foong A, Pradhan P, Frör O, et al. Adjusting agricultural emissions for trade matters for climate change mitigation[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-30607-x |
| [38] |
杨桔, 祁春节. "一带一路"国家与中国农产品贸易与碳排放的关系实证分析[J]. 中国农业资源与区划, 2021, 42(1): 135-144. Yang J, Qi C J. An empirical analysis of the relationship between agricultural trade and carbon emissions between China and regions along "The Belt and Road" initiative[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2021, 42(1): 135-144. |
| [39] | 黑龙江省人民政府办公厅.黑龙江省人民政府办公厅关于支持返乡下乡人员创业创新促进农村一二三产业融合发展的实施意见[EB/OL]. https://www.hlj.gov.cn/hlj/c108007/201801/c00_30645124.shtml, 2018-01-08. |
| [40] |
齐元静, 唐冲. 农村劳动力转移对中国耕地种植结构的影响[J]. 农业工程学报, 2017, 33(3): 233-240. Qi Y J, Tang C. Effect of labor migration on cultivadted land planting structure in rural China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(3): 233-240. |
| [41] |
刘琼, 肖海峰. 农地经营规模与财政支农政策对农业碳排放的影响[J]. 资源科学, 2020, 42(6): 1063-1073. Liu Q, Xiao H F. The impact of farmland management scale and fiscal policy for supporting agriculture on agricultural carbon emission[J]. Resources Science, 2020, 42(6): 1063-1073. |
| [42] |
田云, 贺宜畅. 农村劳动力转移促进了农业碳减排吗——基于30个省份的面板数据检验[J]. 中国地质大学学报(社会科学版), 2023, 23(5): 61-73. Tian Y, He Y C. Does rural labor migration promote agricultural carbon reduction?——A panel data test based on 30 provinces[J]. Journal of China University of Geosciences (Social Sciences Edition), 2023, 23(5): 61-73. |
| [43] |
谢会强, 吴晓迪. 城乡融合对中国农业碳排放效率的影响及其机制[J]. 资源科学, 2023, 45(1): 48-61. Xie H Q, Wu X D. Impact and its mechanism of urban-rural integration on the efficiency of agricultural carbon emissions in China[J]. Resources Science, 2023, 45(1): 48-61. |
| [44] |
胡池群, 马晓钰, 刘家民. 城乡融合对农业碳排放强度的影响研究[J]. 农业现代化研究, 2023, 44(4): 668-679. Hu C Q, Ma X Y, Liu J M. Research on the impact of urban-rural integration on the carbon emission intensity of agriculture[J]. Research of Agricultural Modernization, 2023, 44(4): 668-679. |