2025, Vol. 46
推进农业农村领域的减污降碳工作, 是我国实现“双碳”目标的重点环节. 2022年6月, 国家发展改革委印发的《农业农村减排固碳实施方案》提出, 要坚持以降低排放强度为主、控制排放总量为辅的方针, 积极探索农业减排固碳的路径. 2023年10月, 习近平主席在进一步推动长江经济带高质量发展座谈会上强调, 要扎实推进土壤污染防治, 强化耕地数量、质量和生态“三位一体”保护, 从源头上降低污染物排放总量. 现代农业已经成为我国第二大碳排放源, 随着降污固碳专项行动的持续推进, 碳排放问题已经成为农业领域的重要研究课题[1~3]. 农业是碳排放和碳固存的主要贡献者, 对实现碳减排目标具有重要意义. 一方面, 农业生产活动所产生的碳排放占全国碳排放总量的13%左右, 其减排潜力有待挖掘[4, 5]；另一方面, 借助旱地、稻田、森林和草地等生态系统进行生物固碳能够吸收约30%的人为碳排放, 具有巨大的固碳能力[6~8]. 研究农业碳排放现状的目的, 不仅在于评估政府作为治理主体在农业环境治理方面的投入产出成果和管理行为的成效[9], 更是为了探究区域协调农业生产与自然环境之间关系的能力.
目前, 国内外学者对农业碳排放的研究主要集中在以下3个方面：①碳排放量测算及足迹追踪. 农业碳排放主要来源于功能性肥料投入[10~12]、作物秸秆燃烧[13~15]、禽畜粪便污染[16~18]以及农用机械尾气[19~21]等. 通过对农业碳足迹进行溯源, 能够揭示跨区域经济联系和人类日常活动对自然环境所产生的影响. 这有助于降低农业对气候变化的贡献, 提升农产品的生态价值和市场竞争力[22~24]. ②农业生产率分析及碳排放绩效评价[25]. 提高生产率可通过生产步骤优化、技术创新和设备更新等途径来实现[26]. 提升农业碳生产率恰好为协调农业经济增长与碳排放之间的矛盾提供了契机[27]. 对农业碳排放绩效进行评价, 可以衡量在定量劳动力、资本和土地等资源要素投入下, 农业生产活动在创造更多经济效益的同时, 降低碳排放所获得的成效[28]. ③农业碳排放的影响因素分解与脱钩效应研究[29~31]. 农业作为一个具有碳排放和碳汇功能的特殊行业, 对自然环境的影响具有双向性[32]. 除了明确碳排放的来源、数量及变化特征外, 探究导致碳排放量急剧上升的因素, 有助于更深入地客观评价现有减排政策的有效性以及未来降碳规划的合理性[33, 34].
上述研究为我国农业碳减排政策的制定提供了借鉴, 但仍存在以下不足：一是农业碳排放测算体系不够完善, 现存研究重点聚焦于种植业和畜牧业物质投入所产生的碳排放, 忽略了秸秆焚烧和农作物生长环节的碳排放. 二是多数研究仅从速度脱钩或数量脱钩单一视角探究碳排放与经济因素的脱钩关系, 少有学者对两种脱钩结果进行比较分析以揭示其内部联系. 鉴于此, 本研究从农用物质投入、畜禽养殖、秸秆焚烧和作物种植这4个方面对2000~2022年长江经济带11个省市的农业碳排放量进行测算, 分析农业碳排放强度的时空演化趋势和收敛情况, 在厘清农业碳排放主要影响因素的基础上, 运用Tapio脱钩模型和环境库兹涅茨曲线模型探讨农业碳排放和农民经济收入之间的脱钩效应及演变特征, 以期通过揭示环保部门减污固碳工作所导致碳排放变化的实际效果, 为后续减排规划的制定提供理论依据.
1 材料与方法 1.1 数据来源长江经济带包含江西省、湖北省、湖南省、上海市、江苏省、浙江省、安徽省、重庆市、四川省、云南省和贵州省这11个省市. 其行政面积仅为全国的21.4%, 但2023年地区生产总值却占全国的46.7%, 第一产业增加值占全国的42.7%, 对全国经济增长的贡献率高达48.8%. 因此, 在长江流域农业产值持续增长的背景下, 梳理该地区农业碳排放现状, 不仅能够促进流域内农业经济发展与生态环境保护的良性循环, 同时也对该地区产业联动和全国经济繁荣具有重要意义. 因此, 本研究选取长江经济带2000~2022年农业碳排放相关数据作为研究样本. 数据来源于各省市研究年份的《统计年鉴》《国民经济和社会发展统计公报》《中国农村统计年鉴》以及中国碳核算数据库等资料.
1.2 碳排放核算农业碳排放源呈现出多样化和复杂性的特征, 统一标准的制定颇具难度[35]. 考虑到实际情况和数据的可获取性, 本研究从农用物质投入、畜禽养殖、秸秆焚烧和作物种植这4个方面对农业碳排放量进行核算. 本研究所探讨的农业碳排放强度是指由农业经济效益所产生的碳排放量[36]. 农业碳排放量（C）和农业碳排放强度（P）计算公式如下所示：
|
(1) |
|
(2) |
式中, C表示农业碳排放总量；i表示第i种类型的碳源；Ei表示第i类碳源的数量；pi表示第i类碳源的碳排放系数；Gn表示农业生产总值. 各类碳源的碳排放系数如表 1所示.
|
表 1 农业主要碳源的碳排放系数 Table 1 Carbon emission coefficient of agricultural main carbon source |
1.3 碳排放收敛性分析
碳排放强度属于效率类指标, 在“双碳”目标持续稳步推进的背景下, 不同区域的碳排放强度大概率会趋于某一相近水平. 收敛模型能够较为准确地对不同地区实现碳减排目标的进展状况进行评价. 因此, 采用收敛模型来揭示城市群碳排放强度的长期变化特征具有较高的适用性[40].
1.3.1 σ收敛σ收敛是指随着时间的推移, 某一区域内各省市的碳排放强度呈现持续减小的趋势. 标准差能够有效体现所研究数据集的离散程度, 揭示出碳排放的变异和收敛规律. 因此, 本研究对长江经济带上、中、下游及整体的农业碳排放强度进行σ收敛分析, 计算公式如下所示：
|
(3) |
式中, σt表示农业碳排放强度在t时期的标准差, N表示省（市）个数, Cit表示i省（市）在t时期的农业碳排放强度. 当σt+1 > σt时, 该地区农业碳排放强度存在σ收敛.
1.3.2 β绝对收敛农业碳排放强度较高省市的碳减排速度往往高于碳排放强度较低的省市, 即减排速率与初始碳排放强度呈正相关关系[41]. 农业碳排放β绝对收敛是指随着时间的推移, 不同地区的碳排放强度差距呈现不断缩小的趋势, 最终会收敛至同一稳态水平. β绝对收敛回归方程、收敛速度v和收敛半程周期τ的计算公式如下所示：
|
(4) |
|
(5) |
|
(6) |
式中, Ci, t+T和Ci, t表示i省（市）在t+T和t时期的农业碳排放强度；T表示时间跨度；γ表示常数项；β表示估计系数；eit表示残差项.
1.4 碳排放驱动因素分解对数平均迪氏指数分解模型（LMDI）是衡量碳排放影响因素的一种分解方法[42], 此模型能够将碳排放总量进行分解, 明确各因素的贡献值, 精准评估其对碳排放的影响[43]. 因此, 本研究以LMDI模型为基础, 构建长江经济带农业碳排放恒等式. 具体公式如下所示：
|
(7) |
式中, C表示农业碳排放总量；Gn、Gz和Gd分别表示农业总产值、农林牧渔业总产值和地区生产总值；Pz和Px分别表示年末地区常驻人口数和乡村人口数；α、β、γ、δ和ε分别表示农业生产效率、农业产业结构、地区产业结构、经济发展水平和城镇化水平.
设基期农业碳排放总量为C0, T时期农业碳排放总量为Ct, 则基期至T时期农业碳排放量的变化值ΔC = Ct - C0 = Δα + Δβ + Δχ + Δδ + Δε + ΔPx, 各影响因素对农业碳排放的贡献值表达式为：
|
(8) |
将贡献值逐年累加可得到相应影响因素的累计贡献值. 若某一影响因素的累计贡献值为正数, 则表明该因素导致的碳排放量变化是正效应, 即该因素对碳排放具有驱动作用；若某一影响因素的累计贡献值为负数, 则表明该因素引起的碳排放量变化是负效应, 即该因素对碳排放具有抑制作用.
1.5 碳排放脱钩状态分析 1.5.1 Tapio脱钩模型——基于速度脱钩视角Tapio脱钩模型是一种用于评估经济增长与环境压力之间关系的分析工具, 其主要应用于研究经济活动与环境指标之间的脱钩状态[44]. 因此, 本研究采用Tapio脱钩模型, 探讨长江经济带农业碳排放与农村居民人均可支配收入的脱钩情况. 弹性脱钩值e的计算公式如下所示：
|
(9) |
式中, C和Gn分别表示农业碳排放总量和农村居民人均可支配收入；ΔC和ΔGn分别表示农业碳排放总量和农村居民人均可支配收入在现期和基期的差值. 本研究依据农业碳排放量变化率、农村居民人均可支配收入变化率和弹性脱钩值的大小, 将脱钩状态分为8种类型, 如表 2所示.
|
|
表 2 脱钩状态划分标准 Table 2 Criteria for division of decoupling type |
1.5.2 面板EKC检验——基于数量脱钩视角
环境库兹涅茨曲线（EKC曲线）是一种用于解释经济发展与资源环境成本关系的理论模型[45]. 该曲线表明, 当经济发展水平达到拐点后, 受技术进步和服务完善等因素的影响, 环境污染水平由原本的由低到高趋势转变为由高到低的趋势, 呈现出倒“U”型. 此外, 学者还发现EKC曲线不仅有倒“U”型, 还存在线型、正“U”型、正“N”型和倒“N”型[46]. EKC曲线的一般形式如下所示：
|
(10) |
式中, 因变量C表示环境质量指标；I表示经济发展水平；α0、α1、α2和α3表示回归系数；Z表示除经济产出外的一组影响变量；ε表示随机误差项.
1.5.3 速度脱钩与数量脱钩的联系脱钩分析旨在判别某一地区在发展过程中是否实现了环境保护和经济发展的平衡. 若仅基于单一标准的脱钩度量, 则会陷入脱钩状态从“两难局面”提前过渡到“双赢区间”的误判. 以环境指标为纵轴, 经济水平为横轴, 二者之间的关系曲线一般呈现倒“U”型（图 1）. 过曲线顶点A作垂线, 将其划分为两个区间：①在左侧的“两难区间”范围内, 碳排放量随着经济增长而增加, 面临着是以牺牲环境来换取经济增长, 还是以经济增长为代价来改善环境的难题. ②在右侧的“双赢区间”范围内, 碳排放量随经济增长而降低, 环境压力与经济增长的关联性逐渐减弱, 可以通过制定更严格的环境经济政策, 助力实现可持续发展.
|
图 1 Tapio脱钩与EKC曲线关系 Fig. 1 Relationship between Tapio decoupling and EKC curve |
速度脱钩与数量脱钩的关系如下.
（1）当e < 0且ΔC/C < 0时, 位于A点右侧的“双赢区间”, 在速度标准和数量标准中均呈现出碳排放量随经济增长而下降的趋势, 表现为强脱钩状态.
（2）当0≤e < 0.8且ΔC/C > 0时, 位于A、B两点之间, 在速度标准上呈现弱脱钩状态, 而在数量标准上未能实现脱钩.
（3）当e≥0.8且ΔC/C > 0时, 位于B点左侧的“两难区间”, 在速度标准和数量标准中均呈现出碳排放量随经济增长而增加的趋势, 表现为负脱钩或增长连接状态.
2 结果与分析 2.1 农业碳排放现状 2.1.1 农业碳排放与农业经济增长的时序演变特征长江经济带2000~2022年农业碳排放量测算结果和农业增加值如图 2所示. 农业碳排放结构数据显示, 长江经济带碳排放类型占比按数值大小排序为：秸秆焚烧（47.58%） > 粮食种植（31.99%） > 畜牧养殖（11.47%） > 农用物质投入（8.96%）. 在研究期内, 长江经济带农业碳排放总量呈现出先升后降的倒“U”型波动变化, 并在2017年达到峰值（41 577.73万t）. 由此可见, 我国“十二五”期间推行的智能农业、减肥降药、秸秆还田、沼气处理和低碳运输等专项举措的效果开始逐渐显现. 长江经济带农业碳排放总量从2000年的35 457.62万t增长到2022年的41 234.84万t, 累计增加16.29%, 年均增速为0.74%. 农业碳排放总量的时序变化大致可分为两个阶段：第一阶段为2000~2017年, 农业碳排放总量持续上涨, 年均增长率为0.95%, 农业增加值高速增长, 年均增速高达9.22%. 此阶段我国以追求经济增长为主要目标, 种植业和养殖业规模迅速扩张, 传统粗放型的农业生产方式被广泛应用, 致使该阶段的农业碳排放总量和农业增加值呈现逐年上升的趋势. 第二阶段为2017~2022年, 碳排放总量整体上表现出波动下降趋势, 年均增速为-0.18%. 农业增加值增速放缓, 年均增速为7.54%. 此阶段传统的农业模式逐渐被规模化技术驱动的农业模式所取代. 生产效率的提高在满足日益增长的国内需求的同时, 也为农用机械制造、农产品加工和冷链物流运输等行业创造了机会, 推动了整个农业经济市场的发展. 因此, 该阶段达到了农业总产值增加而农业碳排放总量下降的理想状态.
|
图 2 长江经济带农业碳排放结构变化 Fig. 2 Structural changes in agricultural carbon emissions in the Yangtze River Economic Belt |
限于篇幅, 表 3仅列举出各省市2000年、2011年和2022年的农业碳排放量. 从中可知农业碳排放量始终排在前6位的省份包括：湖南省、江苏省、四川省、安徽省、江西省和湖北省. 与2000年相比, 各省市农业碳排放量都出现了明显的增减变化. 其中, 湖北省等7省呈现上升趋势, 且安徽省的涨幅最大, 高达79.60%；浙江省等4省则呈现下降趋势, 且上海市的降幅最大, 达到58.72%. 从空间分布的演变趋势来看, 相较于2000年, 中游和下游地区的农业碳排放量占长江经济带碳排放总量的比例略微增加, 分别增涨0.94%和1.55%；虽然上游地区的部分省份表现出农业碳排放量上升的趋势, 但其所占比例有所下降, 下降幅度为2.49%.
|
|
表 3 各省、市农业碳排放量 Table 3 Carbon emissions from agriculture in various provinces and cities |
2.1.2 农业碳排放与农业经济增长的空间分异特征
为了明晰2000~2022年长江经济带11个省市农业碳排放强度与农业经济水平的空间变化差异, 本研究绘制出2000年、2007年、2015年和2022年长江经济带11个省市农业碳排放强度和农业增加值的时空演变图（图 3和图 4）.
|
图 3 2000~2022年长江经济带省域农业碳排放空间变动分布 Fig. 3 Spatial distribution of changes in agricultural carbon emissions in the provincial-level regions of the Yangtze River Economic Belt from 2000 to 2022 |
|
图 4 2000~2022年长江经济带省域农业增加值空间变动分布 Fig. 4 Spatial distribution of changes in the added value of agriculture in the provincial-level regions of the Yangtze River Economic Belt from 2000 to 2022 |
由图 3可知, 在2000~2022年, 长江经济带11个省市的农业碳排放强度总体呈下降态势. 其中, 上海市、浙江省和江苏省的农业碳排放强度始终处于较低水平, 安徽省、江西省、湖南省和湖北省的碳排放强度始终较高. 由图 4可知, 在2000~2015年, 各省市的农业增加值均有大幅度提升；在2015~2022年, 各省市的农业增加值增速相对稳定；在2000~2022年, 四川省、江苏省、湖南省和湖北省的农业增加值增速较快, 浙江省、上海市、重庆市和贵州省的农业增加值增速较慢.
2.2 收敛性分析 2.2.1 σ收敛检验由2000~2022年长江经济带农业碳排放强度σ收敛分析可知（图 5）, 从整体来看, 部分年份并不存在σ收敛, 这是由于长江经济带11个省市的经济产出水平存在较大差异, 从而导致整体农业碳排放强度也存在较大差异. 从城市群来看, 除了上游地区各省市农业碳排放强度的差异演变不存在收敛趋势外, 中游和下游地区均呈现明显的收敛特征. 因此, 从省级层面而非整体层面进行分析得出的结论可能更可靠.
|
图 5 收敛分析 Fig. 5 Convergence analysis |
由长江经济带农业碳排放强度β绝对收敛检验结果可知（表 4）, β系数均小于0且通过了显著性检验, 这表明上游、中游、下游及长江经济带整体区域的农业碳排放强度均存在β绝对收敛, 即碳排放强度较高的省市, 其碳减排速度比碳排放强度较低的省市更快, 城市群内各个省市的碳排放强度差距逐渐缩小. 长江经济带整体区域的半程收敛周期为4.452 9 a, 即减少实际水平与稳态水平之间差距的一半需要4.452 9 a. 其中, 上游地区半程收敛周期为1.750 2 a, 中游地区半程收敛周期为6.669 8 a, 下游地区收敛速度相对最慢, 半程收敛周期高达8.342 0 a.
|
|
表 4 绝对收敛检验结果1） Table 4 Result of absolute convergence test |
2.3 农业碳排放影响因素分析
本研究在构建LMDI分解模型时引入城镇化水平、农业化水平及现代化水平这3个层面的影响因素. 其中, 农村人口规模和城镇化水平用来衡量人口迁移对农业碳排放所带来的影响；农业生产效率和农业产业结构用来体现地区对农业的重视程度；地区产业结构和经济发展水平反映当地产业体系的现代化水平. 由农业碳排放影响因素的LMDI分解结果可知（图 6）, 在研究期内, 由于影响因素的总抑制作用小于总驱动作用, 导致长江经济带农业碳排放总量整体呈上升趋势.
|
图 6 长江经济带农业碳排放影响因素分解结果 Fig. 6 Decomposition results of agricultural carbon emissions in the Yangtze River Economic Belt |
经济发展水平和城镇化水平为促进碳排放的负向驱动因素. 其中, 经济发展水平为最大的农业碳排放驱动因素, 该因素分别对上游、中游、下游以及长江经济带造成超过26 966.03万、39 242.59万、28 726.62万和90 240.73万t的碳排放. 随着经济发展和城镇化进程的加速, 居民消费能力大幅提升, 饮食结构也发生了变化. 居民对农、畜产品的日常需求呈现出多样化和高品质化的特点, 这在刺激农牧产业纵深发展的同时, 也在一定程度上造成了农业碳排放量的增加. 此外, 现行畜牧业的农业生产模式存在环境负外部性, 农业生产规模的扩大, 势必导致农产品加工及销售环节碳排放量的上升.
农业生产效率、农业产业结构、地区产业结构和农村人口规模对碳排放具有明显的抑制作用. 其中, 农业生产效率是减少农业碳排放的最有效影响因素, 该因素对上游、中游、下游以及长江经济带分别累计减少了11 361.84万、13 002.03万、19 574.68万和46 587.96万t的农业碳排放量. 上述因素能够有效抑制农业碳排放的原因在于：随着地区产业发展的重心从农业向科技产业偏移, 大量农村劳动力转移到非农行业, 机械投入水平逐渐超过劳动力投入水平. 人口流失不仅直接推动了农业生产效率的显著提升, 也间接加快了农业生产活动向信息化管理的转型升级.
2.4 农业碳排放脱钩特征分析 2.4.1 速度脱钩从分年份Tapio脱钩弹性指数（图 7）及脱钩状态（表 5）来看, 长江经济带农业碳排放脱钩状态的变化大致可以划分为3个阶段：第一阶段为2000~2007年, 在该阶段, 我国将高产量设定为主要目标, 实施以户为单位的小规模机械化生产, 主要依赖农民个体和畜力劳动. 这导致各地区生产效率普遍较低, 同时碳排放量也相对较低. 因此, 该阶段农业碳排放增速低于农业产值增速, 整体呈现出强弱脱钩交替出现的脱钩状态. 第二阶段为2008~2015年, 长江流域各地区脱钩效应一直维持着弱脱钩状态. 此阶段农业智能化装备在农业生产、加工运输和经营管理环节中实现普及应用, 生产模式由粗放低效型向绿色集约型转变. 生产效率的大幅提升伴随着能源需求量的增加, 加快了农业碳排放量的增速. 第三阶段为2017~2022年, 该阶段随着土地流转, 农业土地规模化程度得以加深, 达成了农业生产、加工和销售等环节的信息化管理. 长江流域各地区的脱钩状态由弱脱钩向强脱钩效应转变, 农民经济收入增速略高于农业碳排放增速, 但强脱钩状态不稳定, 这意味着各省市的减污固碳工作初步取得了阶段性成果.
|
图 7 2000~2022年农业碳排放脱钩弹性指数走势 Fig. 7 Trend of agricultural carbon emission decoupling elasticity index from 2000 to 2022 |
|
|
表 5 农业碳排放与农民经济收入的脱钩状态1） Table 5 Decoupling of agricultural carbon emissions from economic income of farmers |
2.4.2 数量脱钩
图 8展示了长江经济带11个省市农村居民人均可支配收入的时序演变. 在构建农业碳排放的环境库兹涅茨曲线（EKC曲线）时, 现有研究大多局限于探究农业产值、农民经济收入和农业生产效率等单个变量对碳排放的影响, 而忽略了其他诸多因素如产业结构、资源禀赋、技术因素和消费模式等变量对碳排放的影响. 为此, 本研究在明确农业碳排放主要影响因素的基础上（图 6）, 选取城镇化水平、农业化水平和现代化水平这3个影响因素作为控制变量, 加入原有EKC曲线, 构建EKC曲线模型如下：
|
(11) |
|
图 8 各省、市农村居民人均可支配收入 Fig. 8 Per capita disposable income of rural residents in various provinces and cities |
式中, i表示省份；t表示年份；C表示农业碳排放总量；I表示农村居民人均可支配收入；URB表示城镇化水平, 为城镇人口与年末常住人口的比值；ARG表示农业化水平, 为农业总产值与地区生产总值的比值；MOD表示现代化水平, 为农业机械总动力与乡村人口的比值；δi表示地区差异的固定效应, φt表示时间非观测效应, εit表示随机干扰项.
本研究采用LLC检验和IPS检验对各变量进行单位根检验；采用Pedroni检验对各变量进行面板协整检验；根据BIC准则确定最优阶数后运用格兰杰因果检验来探究各变量间是否存在因果关系. 结果显示：序列为一阶单整, 且各变量间均存在长期均衡关系, 满足进行面板回归分析的条件. 除lnC和ln（ARG）之间存在双向因果关系外, lnI、（lnI）2、（lnI）3、ln（URB）和ln（MOD）均为lnC的单向格兰杰原因, 即各变量均为影响农业碳排放的关键因素.
本研究依据F检验、LM检验以及Hausman检验结果判断面板数据适合固定效应模型, 通过修正Wald检验和伍德里奇检验结果发现残差存在异方差和序列自相关问题. 因此, 本研究采用固定效应模型对二次型EKC曲线和三次型EKC曲线进行面板回归检验（模型一和模型二）. 从回归结果来看, 虽然三次型EKC曲线的R2略大于二次型EKC曲线, 但三次型EKC曲线的系数不如二次型EKC曲线显著. 因此, 本研究认为二次型EKC曲线更能体现长江经济带农业碳排放与农村居民人均可支配收入之间的关系. 为克服异方差和序列自相关问题, 本研究采用修正固定效应模型（SCC）和面板校正标准误方法（PCSE）修正模型（模型三和模型四）. 由于模型四的R2较高, 且回归系数的显著性最好, 因此, 本研究认为模型四的拟合效果最佳. 具体回归结果如表 6所示.
|
|
表 6 EKC曲线的面板回归和稳健性回归1） Table 6 Panel regression and robust regression of EKC curves |
由模型四的回归结果可知, 二次型EKC曲线拐点对应的农村居民人均可支配收入为9 261.30元. 农村居民经济水平每上升1%碳排放将上升2.119%；城镇化水平每提高1%碳排放将减少0.445%；农业化水平每增加1%碳排放将增加0.360%；现代化水平每上升1%碳排放将上升0.293%. 从总体来看, 长江经济带农村居民人均可支配收入的均值在2016年跨越拐点, 2000~2016年处在农业碳排放随农民经济水平增加而增长的上升阶段, 2016~2022年处于农业碳排放量随着农民经济水平提高而降低的理想阶段. 这与2017年长江经济带农业碳排放总量达到峰值的测算结果相吻合.
由表 7可知, 长江经济带上游、中游和下游地区的农业碳排放量与农村居民人均可支配收入的关系符合传统EKC假说. 按照EKC曲线形状（图 9）可分为两种类型.
|
|
表 7 长江经济带上游、中游和下游EKC曲线1） Table 7 The EKC curves in the upper, middle, and lower reaches of the Yangtze River Economic Belt |
|
括号内为曲线顶点对应的横坐标和纵坐标 图 9 农业碳排放与农村居民人均可支配收入的拟合曲线 Fig. 9 Fitting curves of agricultural carbon emissions and per capita net income of farmers |
① 上游和中游地区的EKC曲线呈现倒“U”型, 即农业碳排放量随农村居民人均可支配收入的增长表现出“先上升、后下降”的两阶段特点. 其拐点对应的农村居民人均可支配收入分别为4 491.76元和8 604.15元. 在上游地区中, 重庆市、四川省、云南省和贵州省分别在2010年、2010年、2011年和2012年跨越拐点；在中游地区中, 湖北省、江西省和湖南省分别在2013年、2013年和2014年跨越拐点. 这表明上游地区和中游地区分别于2012年和2014年之后, 整体进入到农业碳排放随农村居民经济收入增长而降低的阶段, 在数量标准上表现出强脱钩状态. ②下游地区的EKC曲线呈现倒“N”型, 即农业碳排放量随农村居民人均可支配收入的提升, 呈现出“先快速减少、后平稳增加、再慢速减少”的三阶段特点. 两个拐点对应的农村居民人均可支配收入分别为1 619.71元和11 047.95元. 4个省份均在2000年之前跨越第一个拐点；上海市、浙江省、江苏省和安徽省分别在2008年、2010年、2012年和2016年跨越第二个拐点. 总体来看, 在2000~2016年, 下游地区位于第一个拐点和第二个拐点之间, 呈现出农业碳排放量增速小于农村居民经济收入增速的弱脱钩状态. 2017年后, 整体在数量上才进入强脱钩状态.
2.4.3 速度脱钩与数量脱钩的比较分析由速度脱钩和数量脱钩的结果可知（表 5和表 7）, 无论是从速度标准的角度, 还是数量标准的角度, 长江经济带农业碳排放与经济增长都未达到稳定的强脱钩状态, 处于“两难境地”和“双赢区间”之间摇摆的状态. 由图 9可知, 在2000年后, 长江经济带整体区域及上游、中游和下游地区的农业碳排放与农村居民经济收入水平的关系呈现倒“U”型, 且存在有效的EKC拐点对应的农村居民人均可支配收入水平. 故在讨论各城市脱钩状态时, 可将上游、中游和下游地区对应省市的门槛值依此赋值为4 491.76、8 604.15和11 047.95元, 作为农村地区经济发展水平高低的判断标准. 将Tapio弹性脱钩值的均值和农村居民人均可支配收入的均值作为样本量, 把脱钩状态划分为4类, 即绿色发展型（高经济水平强脱钩）、集约扩张型（高经济水平弱脱钩）、挖潜发展型（低经济水平强脱钩）和粗放扩张型（低经济水平弱脱钩）. 图 10展示了11个省市的脱钩状态分布情况.
|
图 10 长江经济带各省、市脱钩类型 Fig. 10 Decoupling types of provinces and cities in the Yangtze River Economic Belt |
（1）上游地区是农业发展研究的短板区域. 相较于发达地区, 该地区的经济发展水平相对滞后, 农业产业结构单一, 农业基础设施建设较为薄弱. 具体来说, 上游地区高原、山地、丘陵和盆地等地形并存, 由于缺乏科学合理的空间规划, 限制了规模化农业的发展以及农业机械的应用. 基于此, 探索丰产增效和减污降碳的协同生产模式, 成为降低碳排放的关键问题. 例如, 充分利用其丰富的劳动力和自然资源, 推动农业持断集聚, 构建产业合作体系, 以促进农业规模化和集聚发展；采用现代化的农业技术和设备, 如精准农业、智能灌溉系统、自动化设备等, 提高农业的投入产出率；加强农村道路、灌溉设施、仓储设施等基础设施的建设, 优化农产品运输和营销环节的效率.
（2）中游地区是农业发展研究的核心区域. 该地区自然条件优越、耕地和水资源丰富, 农业生产活动相对集中, 且农业在其产业结构中占据主导地位. 但高强度、粗放式的生产方式, 导致农业资源环境面临着刚性排放和旧账偿还的双重压力, 形成了农业增加值增速较快而碳排放强度持续高位的局面. 基于此, 探索多层次的综合固碳模式, 成为实现碳减排目标的重点任务. 例如, 采用秸秆还田、退化田地恢复和耕地轮作补贴等手段, 提高农田生态系统的碳汇能力；通过合理规划养殖规模, 选择低碳足迹饲料, 利用发酵、堆肥等技术将粪便转化为沼气或有机肥料, 挖掘畜牧业固碳能力；构建产学研合作平台, 鼓励金融机构推出创新型产品, 为固碳项目的融资活动提供支持.
（3）下游地区是农业发展研究的领先区域. 具体来说, 该地区注重发展高效集约型农业, 农业机械总动力占全国的比例早已超过农业用地面积占全国的比例, 农业现代化水平较高. 但在农产品供应链领域, 该地区低碳农业综合模式的集成度较低, 产业链之间的衔接不够顺畅. 基于此, 探究贯穿农业全产业链的绿色发展路径, 是落实碳减排计划的核心策略. 当前, 通过优化运输方式和距离、改善包装技术以及升级仓储管理等措施, 是提升农产品供应链低碳效率最直接且有效的途径. 此外, 还应持续推动农业碳排放权交易市场的发展, 积极开放农业碳排放交易试点, 以实现碳减排和碳汇资源的有效配置.
4 结论（1）长江经济带农业碳排放量在研究期内呈现前期快速增长, 后期缓慢下降的倒“U”型特征. 从时间维度来看, 农业碳排放量以年均1.15%的增速增长, 并在2017年达到碳排放峰值. 从排放结构上看, 主要排放源依次为：秸秆焚烧、粮食种植、畜牧养殖和农用物质投入. 从驱动因素上看, 农业碳排放影响因素的总抑制效果小于总驱动效果. 其中, 提高农业生产效率是降低碳排放最有效的途径, 经济发展水平的提高是推动碳排放量增长的最主要因素.
（2）长江经济带11个省市的农业碳排放强度整体呈现出下降趋势, 农业增加值增速均相对稳定. 其中, 下游地区碳排放强度始终处于较低水平, 上游地区碳排放强度相对较高. 上游地区农业碳排放强度仅存在β绝对收敛, 中游和下游地区农业碳排放强度均存在σ收敛和β绝对收敛. 这表明碳排放强度较高省市的碳减排速度相对较快, 碳排放强度较低省市的碳减排速度相对较慢, 各地区的碳排放强度差距正在逐渐缩小. 随着时间的推移, 各地区的农业碳排放强度最终会达到同一稳态水平.
（3）从数量脱钩视角来看, 长江经济带的EKC曲线呈现倒“U”型. 其中, 除云南省和贵州省外, 其余9个省市均在2017年前跨越拐点, 实现了农业碳排放与农村居民人均可支配收入增长的强脱钩. 从速度脱钩视角来看, 长江经济带农业碳排放的脱钩状态呈现出强弱脱钩交替出现的特征. 虽然2017年起持续出现强脱钩状态, 但在后期仍有年份反弹回弱脱钩状态. 从速度标准和数量标准的双重视角来看, 长江经济带农业碳排放与农民经济收入水平之间还未达到稳定的强脱钩状态.
| [1] |
陈少鹏, 段跃芳. 中国农业碳效应研究的现状、热点与趋势[J]. 地球科学进展, 2023, 38(1): 86-98. Chen S P, Duan Y F. Research on status, focus, and developing trend of agricultural carbon effect in China[J]. Advances in Earth Science, 2023, 38(1): 86-98. |
| [2] | Zhao L J, Liu Y, Shi J H. The environmental performance of agricultural production trusteeship from the perspective of planting carbon emissions[J]. China Agricultural Economic Review, 2023, 15(4): 853-870. DOI:10.1108/CAER-01-2023-0016 |
| [3] | Pereira J L S, Ferreira S, Pinheiro V, et al. Effect of magnesium sulphate addition to broiler litter on the ammonia, nitrous oxide, carbon dioxide and methane emissions from housing[J]. Atmospheric Pollution Research, 2019, 10(4): 1284-1290. DOI:10.1016/j.apr.2019.02.012 |
| [4] |
吴贤荣, 张俊飚, 田云, 等. 基于公平与效率双重视角的中国农业碳减排潜力分析[J]. 自然资源学报, 2015, 30(7): 1172-1182. Wu X R, Zhang J B, Tian Y, et al. Analysis on China's agricultural carbon abatement capacity from the perspective of both equity and efficiency[J]. Journal of Natural Resources, 2015, 30(7): 1172-1182. |
| [5] | 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 |
| [6] |
霍丽丽, 姚宗路, 赵立欣, 等. 我国农业农村减排固碳标准现状与体系构建[J]. 农业环境科学学报, 2023, 42(2): 242-251. Huo L L, Yao Z L, Zhao L X, et al. Current status and construction of a standard system for greenhouse gas emission mitigation and carbon sequestration in agricultural and rural areas of China[J]. Journal of Agro-Environment Science, 2023, 42(2): 242-251. |
| [7] |
王斌, 李玉娥, 蔡岸冬, 等. 碳中和视角下全球农业减排固碳政策措施及对中国的启示[J]. 气候变化研究进展, 2022, 18(1): 110-118. Wang B, Li Y E, Cai A D, et al. Global policies in agricultural greenhouse gas reduction and carbon sequestration and their enlightenment to China in the view of carbon neutrality[J]. Climate Change Research, 2022, 18(1): 110-118. |
| [8] | Li T X, Zhang F, Jiao Y Y, et al. Study on carbon sequestration capacity of typical crops in northern China[J]. Journal of Plant Biology, 2019, 62(3): 195-202. DOI:10.1007/s12374-018-0401-3 |
| [9] |
田云, 张姹娜. 中国农业能源碳减排成熟度评价及其动态演进[J]. 中国人口·资源与环境, 2023, 33(11): 57-66. Tian Y, Zhang C N. Evaluation and dynamic evolution of the carbon emission reduction maturity of China's agricultural energy[J]. China Population, Resources and Environment, 2023, 33(11): 57-66. |
| [10] |
邹金浪, 刘陶红, 姚冠荣, 等. 中国化肥减量降碳效应评估[J]. 中国环境科学, 2024, 44(1): 438-448. Zou J L, Liu T H, Yao G R, et al. Assessing the carbon emissions from fertilizer use reduction in China[J]. China Environmental Science, 2024, 44(1): 438-448. |
| [11] |
黄容, 高明, 黎嘉成, 等. 秸秆与化肥减量配施对菜地土壤温室气体排放的影响[J]. 环境科学, 2018, 39(10): 4694-4704. Huang R, Gao M, Li J C, et al. Effect of straw residues in combination with reduced fertilization rate on greenhouse gas Emissions from a vegetable field[J]. Environmental Science, 2018, 39(10): 4694-4704. |
| [12] | Kahrl F, Li Y J, Su Y F, et al. Greenhouse gas emissions from nitrogen fertilizer use in China[J]. Environmental Science & Policy, 2010, 13(8): 688-694. |
| [13] | Liu Y Z, Zhang J, Zhuang M H. Bottom-up re-estimations of greenhouse gas and atmospheric pollutants derived from straw burning of three cereal crops production in China based on a national questionnaire[J]. Environmental Science and Pollution Research, 2021, 28(46): 65410-65415. |
| [14] |
刘慧琳, 汪子博, 涂智鹏, 等. 基于多源卫星表征的中国秸秆露天燃烧CO2排放特征及驱动因子分析[J]. 环境科学学报, 2024, 44(2): 261-272. Liu H L, Wang Z B, Tu Z P, et al. CO2 emission characteristics and driving factors of open crop straw burning in China based on multi-source satellite observation[J]. Acta Scientiae Circumstantiae, 2024, 44(2): 261-272. |
| [15] |
孙西勃, 廖程浩, 曾武涛, 等. 广东省秸秆燃烧大气污染物及VOCs物种排放清单[J]. 环境科学, 2018, 39(9): 3995-4001. Sun X B, Liao C H, Zeng W T, et al. Emission inventory of atmospheric pollutants and VOC species from crop residue burning in Guangdong province[J]. Environmental Science, 2018, 39(9): 3995-4001. |
| [16] |
於江坤, 蔡丽媛, 张骥, 等. 养殖业温室气体排放的影响因素及减排措施[J]. 家畜生态学报, 2015, 36(10): 80-85. Yu J K, Cai L Y, Zhang J, et al. Influencing factors to greenhouse gas emissions and the mitigation measures in aquaculture[J]. Acta Ecologae Animalis Domastici, 2015, 36(10): 80-85. |
| [17] |
翟郧秋, 张芊芊, 刘芳, 等. 我国畜禽养殖业碳排放研究进展[J]. 华南师范大学学报(自然科学版), 2022, 54(3): 72-82. Zhai Y Q, Zhang Q Q, Liu F, et al. The progress in the research on carbon emissions from livestock and poultry breeding in China[J]. Journal of South China Normal University (Natural Science Edition), 2022, 54(3): 72-82. |
| [18] |
何可, 李凡略, 刘颖. "双碳"目标下的畜禽养殖业绿色发展[J]. 环境保护, 2022, 50(16): 28-33. He K, Li F L, Liu Y. Green development of livestock and poultry farming under the goal of carbon peaking and carbon neutrality[J]. Environmental Protection, 2022, 50(16): 28-33. |
| [19] | Pajurek M, Mikolajczyk S, Warenik-Bany M. Engine oil from agricultural machinery as a source of PCDD/Fs and PCBs in free-range hens[J]. Environmental Science and Pollution Research, 2022, 30(11): 29834-29843. |
| [20] |
庞凯莉, 张凯山, 第宝锋, 等. 中国农业与工程机械尾气减排控制措施的费效分析[J]. 中国环境管理, 2019, 11(2): 55-61. Pang K L, Zhang K S, Di B F, et al. Cost-Benefit analysis of emission control measures for agricultural and industrial equipment in China[J]. Chinese Journal of Environmental Management, 2019, 11(2): 55-61. |
| [21] |
庞凯莉, 张凯山, 马帅, 等. 中国农业机械的使用特征及其尾气排放的时空分布[J]. 环境科学学报, 2021, 41(10): 4268-4279. Pang K L, Zhang K S, Ma S, et al. Spatiotemporal distribution of activity and its emissions for agricultural equipment in China[J]. Acta Scientiae Circumstantiae, 2021, 41(10): 4268-4279. |
| [22] |
孙锦, 刘源, 赵荣钦, 等. 基于投入产出的中国省际农业水-土-碳足迹流动分析[J]. 生态学报, 2022, 42(23): 9615-9626. Sun J, Liu Y, Zhao R Q, et al. The flow analysis of inter-provincial agricultural water, land and carbon footprints in China based on input-output model[J]. Acta Ecologica Sinica, 2022, 42(23): 9615-9626. |
| [23] |
叶文伟, 王城城, 赵从举, 等. 近20年海南岛热带农田生态系统碳足迹时空格局演变[J]. 中国农业资源与区划, 2021, 42(10): 114-126. Ye W W, Wang C C, Zhao C J, et al. Spatial and temporal evolution of carbon footprint of tropical farmland ecosystem in Hainan island in recent 20 years[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2021, 42(10): 114-126. |
| [24] |
田沛佩, 卢宏玮, 李丹, 等. 2008~2017年中国地级市化肥施用碳足迹的时空演变格局[J]. 中国环境科学, 2021, 41(2): 967-973. Tian P P, Lu H W, Li D, et al. Spatial-temporal patterns of carbon footprint of fertilizer application in China during 2008 to 2017[J]. China Environmental Science, 2021, 41(2): 967-973. |
| [25] |
龚斌磊. 中国农业技术扩散与生产率区域差距[J]. 经济研究, 2022, 57(11): 102-120. Gong B L. Technology diffusion and regional productivity gaps in China's agricultural sector[J]. Economic Research Journal, 2022, 57(11): 102-120. |
| [26] | Guesmi B, Monje C H J, Valenzuela M A, et al. Impact of public research investments on agricultural productivity in Chile[J]. Agribusiness, 2024, 40(1): 277-298. |
| [27] |
李自强, 叶伟娇, 梅冬, 等. 环境规制视角下农业基础设施对粮食生态全要素生产率的影响[J]. 中国生态农业学报(中英文), 2022, 30(11): 1862-1876. Li Z Q, Ye W J, Mei D, et al. Impacts of agricultural infrastructure on ecology total factor productivity of grain from the perspective of environmental regulation[J]. Chinese Journal of Eco-Agriculture, 2022, 30(11): 1862-1876. |
| [28] |
朱洪革, 曹博, 赵文铖. 中国农业全要素碳排放绩效时序演进及空间收敛特征[J]. 统计与决策, 2022, 38(9): 63-68. Zhu H G, Cao B, Zhao W C. Temporal evolution and spatial convergence characteristics of China's agricultural total factor carbon emission performance[J]. Statistics & Decision, 2022, 38(9): 63-68. |
| [29] | Balsalobre-Lorente D, Driha O M, Bekun F V, et al. Do agricultural activities induce carbon emissions? The BRICS experience[J]. Environmental Science and Pollution Research, 2019, 26(24): 25218-25234. |
| [30] | Ntim-Amo G, Qi Y, Ankrah-Kwarko E, et al. Investigating the validity of the agricultural-induced environmental Kuznets curve (EKC) hypothesis for Ghana: evidence from an autoregressive distributed lag (ARDL) approach with a structural break[J]. Management of Environmental Quality: An International Journal, 2022, 33(2): 494-526. |
| [31] |
庞丽. 我国农业碳排放的区域差异与影响因素分析[J]. 干旱区资源与环境, 2014, 28(12): 1-7. Pang L. Empirical study of regional carbon emissions of agriculture in China[J]. Journal of Arid Land Resources and Environment, 2014, 28(12): 1-7. |
| [32] |
李华, 李秀英, 王磊, 等. "双碳"目标下肥料行业发展对策——基于2011-2020年碳减排与存在问题的分析[J]. 中国生态农业学报(中英文), 2023, 31(2): 206-213. Li H, Li X Y, Wang L, et al. Development measures of the fertilizer industry under the carbon peaking and carbon neutrality goals: analysis of carbon emission reduction and existing problems from 2011 to 2020[J]. Chinese Journal of Eco-Agriculture, 2023, 31(2): 206-213. |
| [33] |
杨帆, 韩玉花, 隗潇, 等. "双碳"背景下北京市农业温室气体排放评估及"十四五"时期减排潜力预测[J]. 环境科学, 2023, 44(10): 5456-5463. Yang F, Han Y H, Wei X, et al. Estimation of agricultural greenhouse gas emissions and emission reduction potential of Beijing during the 14th five-year plan period under the background of "carbon peak and neutrality"[J]. Environmental Science, 2023, 44(10): 5456-5463. |
| [34] |
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. |
| [35] |
胡永浩, 张昆扬, 胡南燕, 等. 中国农业碳排放测算研究综述[J]. 中国生态农业学报(中英文), 2023, 31(2): 163-176. Hu Y H, Zhang K Y, Hu N Y, et al. Review on measurement of agricultural carbon emission in China[J]. Chinese Journal of Eco-Agriculture, 2023, 31(2): 163-176. |
| [36] |
夏四友, 赵媛, 许昕, 等. 近20年来中国农业碳排放强度区域差异、时空格局及动态演化[J]. 长江流域资源与环境, 2020, 29(3): 596-608. Xia S Y, Zhao Y, Xu X, et al. Regional inequality, spatial-temporal pattern and dynamic evolution of carbon emission intensity from agriculture in China in the period of 1997-2016[J]. Resources and Environment in the Yangtze Basin, 2020, 29(3): 596-608. |
| [37] |
何艳秋, 戴小文. 中国农业碳排放驱动因素的时空特征研究[J]. 资源科学, 2016, 38(9): 1780-1790. He Y Q, Dai X W. Phase characteristics and regional differences in agriculture carbon emissions in China[J]. Resources Science, 2016, 38(9): 1780-1790. |
| [38] |
宁静, 王震, 杜国明, 等. 东北地区农业碳排放特征与农业经济的脱钩状态分析[J]. 经济地理, 2023, 43(11): 173-180. Ning J, Wang Z, Du G M, et al. Characteristics of agricultural carbon emissions in northeast China and its decoupling state with agricultural economy[J]. Economic Geography, 2023, 43(11): 173-180. |
| [39] |
吴昊玥, 何艳秋, 陈柔. 中国农业碳排放绩效评价及随机性收敛研究——基于SBM-Undesirable模型与面板单位根检验[J]. 中国生态农业学报, 2017, 25(9): 1381-1391. Wu H Y, He Y Q, Chen R. Assessment of agricultural carbon emission performance and stochastic convergence in China using SBM-Undesirable model and panel unit root test[J]. Chinese Journal of Eco-Agriculture, 2017, 25(9): 1381-1391. |
| [40] |
伍国勇, 刘金丹, 杨丽莎. 中国农业碳排放强度动态演进及碳补偿潜力[J]. 中国人口·资源与环境, 2021, 31(10): 69-78. Wu G Y, Liu J D, Yang L S. Dynamic evolution of China's agricultural carbon emission intensity and carbon offset potential[J]. China Population, Resources and Environment, 2021, 31(10): 69-78. |
| [41] |
夏文浩, 王铭扬, 姜磊. 新疆农业碳排放强度时空变化趋势与收敛分析[J]. 干旱区地理, 2023, 46(7): 1145-1154. Xia W H, Wang M Y, Jiang L. Spatiotemporal variation trends and convergence analysis of agricultural carbon emission intensity in Xinjiang[J]. Arid Land Geography, 2023, 46(7): 1145-1154. |
| [42] |
苗安康, 袁越, 吴涵, 等. 中国省域碳达峰路径与政策[J]. 环境科学, 2023, 44(8): 4623-4636. Miao A K, Yuan Y, Wu H, et al. Pathway and policy for China's provincial carbon emission peak[J]. Environmental Science, 2023, 44(8): 4623-4636. |
| [43] | Sun D Y, Cai S Q, Yuan X M, et al. Decomposition and decoupling analysis of carbon emissions from agricultural economic growth in China's Yangtze River economic belt[J]. Environmental Geochemistry and Health, 2022, 44(9): 2987-3006. |
| [44] |
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. |
| [45] |
李雅男, 丁振民, 邓元杰, 等. 中国城市工业化发展与PM2.5的关系: 兼论EKC曲线形成的内在机制[J]. 环境科学, 2020, 41(4): 1987-1996. Li Y N, Ding Z M, Deng Y J, et al. Relationship between urban industrialization and PM2.5 concentration in China and the internal mechanism of EKC[J]. Environmental Science, 2020, 41(4): 1987-1996. |
| [46] |
田云, 蔡艳蓉. 长江经济带农业碳排放EKC检验及其驱动因素分析[J]. 长江流域资源与环境, 2023, 32(11): 2403-2417. Tian Y, Cai Y R. EKC-based test for agricultural carbon emissions in Yangtze river economic belt and analysis of driving factors[J]. Resources and Environment in the Yangtze Basin, 2023, 32(11): 2403-2417. |