江苏省畜禽养殖温室气体排放空间格局分析 *

芮菡艺，鞠昌华，朱 琳

(环境保护部南京环境科学研究所，江苏 南京 210042)

温室气体排放是当今世界关注的热点问题，不仅影响着气候变化，更关乎着经济发展、政治格局乃至公共健康安全[1-3]。畜禽养殖是温室气体排放的一个重要来源，随着我国畜禽养殖业的快速发展，畜禽养殖温室气体管控压力巨大，2005年，我国畜禽养殖温室气体排放量4.45×108t，约占温室气体净排放总量的6.32%[4]。

学术界对畜禽养殖温室气体排放进行了长期研究，并取得了诸多成果，主要集中在畜禽温室气体排放量估算和畜禽温室气体排放影响因素及减排政策两方面。2006年政府间气候变化专门委员会(Intergovernmental Panel on Climate Change, IPCC)编制了《2006年IPCC国家温室气体清单指南》，为牲畜和粪便管理过程中的温室气体排放量估算提供方法指南[5]，胡向东[6]、徐兴英等[7]针对我国畜牧业发展实际，对排放系数进行调整开展地区温室气体估算。在排放量测算基础上，学者通过迪氏对数指标分解法等数学模型及生命周期法等方法研究特定时间序列，对温室气体排放量的影响因素进行分解，并从养殖技术、清洁生产机制、政策制定等方面开展畜禽温室气体减排措施研究[8-11]。但对畜禽温室气体排放空间格局的研究仍较少，缺乏空间视角，忽略了空间要素的影响，而事实上识别地区间畜禽养殖温室气体排放关联性和差异性，对提出有针对性的温室气体减排措施具有重要意义。因此，本文基于江苏省县域畜禽养殖量数据，估算温室气体排放量，利用重心曲线和空间自相关，分析畜禽养殖温室气体排放空间分异特征，以期为温室气体减排政策制定提供参考。

1 研究区概况及研究方法

1.1 研究区概况及数据来源

江苏省位于我国东部沿海、长江淮河下游，介于北纬30°45′～35°20′，东经116°18′～121°57′之间，光热条件丰富，自然条件优越，经济发达，区位优势显著，温室气体排放管控工作尤为关键。畜牧业是江苏农业农村经济的重要组成部分，2014年全省畜牧业总产值1182.69亿元，占农林牧渔业总产值的18.36%[12]。

本文以县域为研究单元，县级行政区划界线矢量数据来自国家基础地理信息系统数据库，比例尺1∶4 000 000，由于该矢量数据年代较早，为1994年数据，对照现行行政区划进行编辑调整，与2012年《江苏省农村统计年鉴》畜禽养殖数据统计数据口径一致，共77个县域单元(包括市辖区、区和县)。温室气体排放量测算中各县域奶牛、其他牛、羊、猪、家禽年末存栏数以及兔年内出栏数来自2012年《江苏省农村统计年鉴》。

1.2 研究方法

1.2.1 畜禽养殖温室气体排放量测算方法 畜禽养殖温室气体排放主要包括3个部分：畜禽肠道发酵产生的甲烷(CH4)、畜禽废弃物存储或者管理中排放的甲烷以及氧化亚氮(N2O)。采用排放因子法，估算畜禽温室气体排放量。排放因子的确定，参照IPCC、胡向东及徐兴英等[5-7]研究成果见表1。

甲烷或氧化亚氮排放总量由源排放量加和求得，计算公式如下：

EGHG=∑EFj,k·Nk/106

(1)

式中：EGHG为畜禽温室气体(甲烷、氧化亚氮)排放总量，Gg/年；EFj,k为j排放源的第k种牲畜种群甲烷或氧化亚氮排放系数，kg/(头·年)；Nk为牲畜种类k的年末存栏数，头或只；j可以为动物肠道发酵或粪便管理；k为牲畜的种类。

表1 畜禽温室气体排放系数Table 1 Greenhouse gas emission factors of livestock and poultry breeding

为便于对比分析各县域温室气体排放量，引入全球暖化潜势(Global Warming Potential, GWP)，将各县域畜禽养殖排放的CH4、N2O折算成CO2当量(下文中的“排放量”无特别说明时，均指“排放的CO2当量”)。全球暖化潜势是根据某种温室气体在一定时间范围内产生的增温效应折换成等效的CO2，以百年时间尺度，CO2的全球暖化潜势定义为1，CH4为25，N2O为298，计算公式为：

CCO2-eqv=25CCH4+298CN2O

(2)

式中：CCO2-eqv为温室气体排放量(以CO2计)，Gg/年；CCH4为CH4排放量，Gg/年；CN2O为N2O排放量，Gg/年。

1.2.2 重心曲线 参照人口分布重心曲线[13]、耕地变化重心曲线[14]，本文提出江苏省畜禽温室气体排放的重心曲线，直观图示温室气体排放量不同级别的县域空间分布特征。采用等数量分级(Quantile)方法，将77个县域单元按畜禽温室气体排放量由小到大排列，再等分为5个级别，保证每一级别中单元数一致，在此1～5级单元数分别为16、16、15、15、15。在分级图基础上，利用ArcGIS的Mean Center工具，以各县域单元温室气体排放量为权重，求取各级别县域的重心，进而得到重心曲线。

1.2.3 空间自相关 采用空间自相关(Spatial Autocorrelation)测度畜禽温室气体排放数据空间关联特征，通过对同一变量在不同空间位置的值进行相关性分析，定量判断数据分布是否具有空间依赖性和空间异质性。其中全局空间自相关(Global Moran's I指数)用于探测畜禽养殖温室气体排放量在整个研究区域的空间关联模式，局部空间自相关(Local Moran's I指数)则用于识别各单个县域畜禽温室气体排放量与周围县域的关联程度，探索县域单元的空间异质性。

(1)Global Moran's I指数

(3)

Global Moran's I指数取值范围介于[-1,1]，越接近1表示空间单元间关系越密切，性质越相似，呈现集聚模式(高值聚集或低值聚集)，越接近-1则表示空间单元间差异程度越大，呈现离散模式，接近0则代表空间单元为随机模式，空间不相关。计算出Global Moran's I 后，还需要用p值和Z得分进行显著性检验[15]。

(2)Local Moran's I指数

(4)

相关参数意义同于Global Moran's I，同样必须用p值和Z得分进行显著性检验。根据Local Ii和显著性检验结果，局部空间关联常有5种模式，“高-高”集聚(High-High，HH型)和“低-低”集聚(Low-Low，LL型)，即空间单元i和周围单元的观测值都相对较高或都相对较低；“高-低”集聚(High-Low，HL型)，即空间单元i的观测值显著高于周围空间单元；“低-高”集聚(Low-High，LH型)，即周围空间单元的观测值显著高于空间单元i的观测值；不显著(Not Significant，NS型)，即集聚模式不明显。

2 结果与分析

2.1 畜禽温室气体排放量概要分析

根据估算，2012年江苏省畜禽养殖温室气体排放总量为10354.3 Gg CO2-eq，其中畜禽肠道发酵产生的甲烷为2097.1 Gg CO2-eq，畜禽粪便管理产生的甲烷为1763.6 Gg CO2-eq，畜禽粪便管理产生的氧化亚氮为6493.6 Gg CO2-eq，分别占总排放量的20.3%、17.0%和62.7%。从中看出：在温室气体来源方面，畜禽粪便管理产生的排放量远高于肠道发酵产生的排放量；从气体成分上看，排放的氧化亚氮折合的CO2当量高于甲烷折合的CO2当量。

各县域畜禽温室气体排放量见表2。由表2可知，77个县域空间构成的排放量数据集，标准方差达到114.2，数据离散程度高，其中排放量最大值出现在徐州邳州市(488.8Gg CO2-eq)，最小值为无锡锡山区(11.8 Gg CO2-eq)，最大值是最小值的41.4倍之多。说明江苏全省各县域畜禽温室气体排放量存在较大差距，最大值与最小值差异显著。

表2 各县域畜禽温室气体排放量 Table 2 Greenhouse gas emissions from livestock and poultry breeding in different counties

2.2 基于分级图的畜禽温室气体重心曲线

表3为江苏省县域畜禽温室气体排放量等数量分级结果，图1反映了排放量不同级别的县域空间分布及重心曲线。可以看出，排放量相对较小的1级、2级县域多集中在苏南、苏中地区，而排放量最大的5级集中分布在徐州、盐城、南通等地，位于苏北及沿海地区。从重心曲线上看，随着温室气体排放量从小到大(级别1-5)，相应的重心一直向北移动，表明江苏省畜禽温室气体排放量空间格局总体呈现北高南低的特征。

表3 畜禽温室气体排放等数量分级结果Table 3 The quantile classification results of greenhouse gas emissions from livestock and poultry breeding

图1 畜禽养殖温室气体排放分级及重心曲线Fig.1 The quantile classification map and gravity curve of greenhouse gas emissions from livestock and poultry breeding

2.3 畜禽温室气体空间自相关分析

2.3.1 全局空间格局特征 采用Global Moran's I对畜禽温室气体排放进行全局空间自相关分析，结果显示Global Moran's I指数为0.5324>0，说明该空间变量呈空间正相关P值约为0<0.01，Z得分为7.759>2.58，即通过了显著性水平α=0.01(检验临界值为2.58)的检验，说明畜禽养殖温室气体排放在江苏省省域空间上存在着显著的正的空间自相关性，具有明显的空间集聚特征。

2.3.2 局部空间自相关分析 利用Local Moran's I计算江苏省2012年各县域畜禽温室气体排放量局部空间自相关，测度每个县域单元与其邻近单元的集聚或离散程度，并在显著性水平α=0.1下，绘制局部空间关联度图(图2)，图示各县域单元与其邻近单元同质和异质的局部特征变化。

由图2可见，江苏省各县域与邻近县域在畜禽温室气体排放上的相关性，表现为“高-高”集聚、“低-低”集聚和不显著三种情况，其中近75.3%的县域与周围邻近县域的关联度不明显，24.7%的县域与邻近县域表现出同质性，即高值与高值聚集、低值与低值聚集。

图2 县域畜禽温室气体排放量局部空间关联度 (显著性水平α=0.1)Fig.2 The regional spatial correlation map of greenhouse gas emission from livestock and poultry breeding of Jiangsu at county level (α=0.1)

从空间分布上看，全省畜禽温室气体排放呈现“双热点-双冷点”的空间格局。“双热点”，即排放量大的聚集区，主要分布在江苏省西北部和沿海地区，位于渠北农业区和沿海农业带，“双冷点”，即排放量小的聚集区，主要集中在江苏省南部沿江地区及太湖地区，位于沿江农业带和太湖农业区。

3 畜禽温室气体地区差别化管控

畜禽温室气体减排常采用畜禽养殖场的规划、畜禽舍的选型与结构设计、养殖机械设备的选型与使用、畜禽粪便无害化处理等措施，而基于畜禽温室气体构成来源及排放空间格局的综合分析，识别排放热点地区，判别各地区畜禽温室气体排放特征，更有利于提出有针对性的、差别化的畜禽温室气体管控措施。

表4 热点片区畜禽温室气体排放情况Table 4 Greenhouse gas emissions from livestock and poultry breeding in hot spot

畜禽温室气体排放热点区作为高值集聚区，是温室气体减排管控的重点区域。在此，对江苏省西北热点片区和沿海热点片区，分别计算不同畜禽种类的温室气体排放量，结果见表4。结果表明，两热点片区排放量大体相当，猪、家禽和羊排放量占比均位于前3位，但西北热点片区中牛养殖温室气体排放量明显高于沿海热点片区。因此，在采取合理规划布局，重视优化畜牧业产业结构，控制牲畜养殖量等共性管控措施基础上，应开展针对性分区治理。将沿海片区规划为畜禽粪便管控区，西北片区规划为畜禽粪便与反刍动物养殖双控区。沿海片区作为畜禽粪便管控区，主要强化配套建设畜禽养殖废弃物综合利用和污染治理措施，加强畜禽粪便无害化处理。在西北热点片区，同时还要重视牛养殖的温室气体排放，针对牛作为反刍动物，相比其他畜禽，肠道发酵甲烷排放量大的特性，从饲料秸秆处理、营养成分的改善，以及采用集约化高产饲养技术等方面，推广针对性畜禽温室气体管控技术。

在省域层面，针对江苏省畜禽粪便管理产生的温室气体排放量远高于肠道发酵产生的排放量的特点，结合畜禽养殖污染防治的要求，建议强化配套建设畜禽养殖废弃物综合利用和污染治理措施，加强畜禽粪便无害化处理，减少温室气体排放。

4 小 结

在估算2012年江苏省县域畜禽温室气体排放量的基础上，采用重心曲线和空间自相关等方法对排放量数据进行分析，得出排放特征如下：(1)江苏省畜禽温室气体排放，从来源上看，畜禽粪便管理产生的排放量远高于肠道发酵产生的排放量；从气体成分上看，排放的氧化亚氮折合的CO2当量高于甲烷折合的CO2当量；(2)全省各县域畜禽温室气体排放量存在较大差距，最大值与最小值差异显著，总体呈现北高南低的特征；(3)根据全局和局部空间自相关计算参数，畜禽养殖温室气体排放在省域空间上存在着显著的正的空间自相关性(以显著性水平为0.01)，具有明显的空间集聚特征，并在县域尺度上存在四个聚集点(以显著性水平为0.1)，“高-高”关联的区域主要集中分布在徐州市、南通市和盐城市，“低-低”关联区域位于南京市市辖区、镇江市、扬州邗江区及苏州市，形成“双热点-双冷点”的空间格局。研究认为，识别地区间畜禽养殖温室气体排放关联性和差异性，了解排放量空间格局特征具有重要的现实意义，对畜禽温室气体差别化管控具有一定的启示意义。

本文从空间视角对江苏省畜禽温室气体排放格局进行了分析，但仅选取一年的统计数据，对畜禽温室气体排放这一动态过程仅是一个时间截面的研究，对空间格局在时间维度上的变化研究尚显不足，在长时间序列上探讨畜禽温室气体排放空间格局的动态变化是下一步研究方向。同时由于影响畜禽温室气体排放的因素较多，畜禽养殖数据难以精确统计，存在一定变动和误差，且我国还未制定统一的符合我国现状的畜禽温室气体的特定排放系数等条件限制，畜禽温室气体测算仍存在一定的不确定性，这些都待今后进一步研究确定。

[1] MEINSHAUSEN M, MEINSHAUSEN N, HARE W, et al. Greenhouse-gas emission targets for limiting global warming to 2 degrees C[J]. Nature, 2009, 458(7242):1 158-1 162.

[2] SARIGIANNIS D A, KONTOROUPIS P, NIKOLAKI S, et al. Benefits on public health from transport-related greenhouse gas mitigation policies in Southeastern European cities[J]. The Science of the Total Environment, 2017, 579:1 427-1 438.

[3] 张帆，刁其玉．畜牧业温室气体排放及其减排研究进展[J]．家畜生态学报，2015，36(11)：81-85．

[4] 国家发展和改革委员会应对气候变化司．中华人民共和国气候变化第二次国家信息通报[EB/OL][2017-05-08].http://qhs.ndrc.gov.cn/2cfg/201404/t20140415_606980.html.

[5] IPCC.2006年IPCC国家温室气体清单指南[R].日本:日本全球环境战略研究所,2006.

[6] 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．

[7] 徐兴英，段华平，卞新民．江苏省畜禽养殖温室气体排放估算[J]．江西农业学报，2012，24(6)：162-165．

[8] 刘丽辉.广东农业碳排放：时空比较及驱动因素实证分析[J].农林经济管理学报，2015，14(2)：192-198.

[9] Garnett, T, ERICKSEN P J.Livestock-related greenhouse gas emissions:impacts and options for policy makers[J]. Environmental Science & Policy, 2009, 12(4): 491-503.

[10] 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．

[11] 陈瑶，尚杰．四大牧区畜禽业温室气体排放估算及影响因素分解[J]．中国人口·资源与环境，2014，24(12)：89-95．

[12] 国家统计局江苏调查总队．江苏统计年鉴-2015[EB/OL][2017-11-02].http://www.jssb.gov.cn/2015nj/nj10/nj1006.html.2015-11-24．

[13] 葛美玲，封志明．中国人口分布的密度分级与重心曲线特征分析[J]．地理学报，2009，64(2)：202-210．

[14] 关兴良，方创琳，鲁莎莎．中国耕地变化的空间格局与重心曲线动态分析[J]．自然资源学报，2010，25(12)：1997-2006．

[15] DAVID W, JAY L．ArcView GIS与ArcGIS地理信息统计分析[M]．北京：中国财政经济出版社，2008：239-242．