中国畜牧业温室气体排放的脱钩与预测分析*

王 欢,乔 娟



中国畜牧业温室气体排放的脱钩与预测分析*

王 欢,乔 娟**

(中国农业大学经济管理学院 北京 100083)

面对日益严峻的温室气体排放形势, 中国做出到2030年左右二氧化碳排放达到峰值的承诺, 其中畜牧业成为重要减排领域, 因此, 研究中国畜牧业温室气体排放现状及趋势尤为必要。基于2000—2014年省级面板数据, 在参考《省级温室气体排放清单指南》测算畜牧业温室气体排放量基础上, 借助Tapio脱钩模型分析畜牧业温室气体排放与经济发展之间的关系, 采用LMDI模型分解其影响因素, 并构建不同情景对2020年畜牧业温室气体排放目标进行分析。研究结果表明: 畜牧业温室气体排放量总体呈下降趋势, 非奶牛减排明显, 是下降主因, 但其仍处于50%水平之上, 排放量达18 180.54万t; 羊、生猪、奶牛排放量增加, 分别为7 072.56万t、6 202.69万t、4 359.97万t。畜牧业温室气体排放脱钩效应比较理想, 全国以弱脱钩状态为主, 但经历波动变化、相对平稳、持续上升3个发展阶段, 脱钩状态不稳定。综合效应在国家层面呈倒“U”型特征, 但在省份间差异明显; 生产效率效应是国家和省份减排的最大贡献者, 经济发展效应则是增排的最主要推动因素; 综合效应差异主要来自产业结构效应和劳动力效应的不同。2020年畜牧业温室气体排放远超管控目标, 预测区间端点值分别超过目标12.84%和34.71%, 减排压力大。因此, 应调整产业结构, 适当进口畜产品; 针对不同地区脱钩状态差别化治理, 提高养殖效率; 明确畜牧业减排目标, 分解管控任务。

畜牧业; 温室气体排放; 脱钩模型; LMDI模型; 情景预测

随着中国经济的快速发展, 社会对畜产品需求日益增大, 使畜牧业得到快速发展, 但同时伴生的养殖污染也带来了一系列的生态环境问题, 其中, 温室气体排放增加带来的环境影响尤为突出[1]。从世界范围来看, 1961—2010年因畜产品需求增加, 全球畜牧业温室气体排放增加51%[2]。而畜牧业作为温室气体排放的重要来源, 其排放量占农业排放总量的50.30%[3], 占全球温室气体排放总量的14.50%[4]。对中国而言, 2011年畜禽温室气体排放总量已达34 547.71万t(CO2当量), 其中动物肠胃发酵产生的CH4占52.11%, 畜禽粪便处理产生的CH4与N2O分别占11.22%、36.67%[5]。可见, 畜牧业温室气体减排已成为亟需关注的重点领域。

如何测算温室气体排放量是研究的首要问题, 目前主要存在两种测算方法和系数, 分别来自经济合作与发展组织(OECD)和政府间气候变化专门委员会(IPCC), 其中后者逐渐得到广泛认可和应用[6-10]。但只测算出温室气体排放值并不能反映实际情况, 为此学者们引入脱钩理论进行分析, 期望发现温室气体排放与经济发展之间的相互关系。该理论认为某一时期内经济财富增长速度快于经济活动造成的环境恶化速度, 就表明两者存在脱钩关系[11]。比如陈瑶等[5]分析发现中国畜牧业温室气体排放与畜牧业产值之间主要为强脱钩和弱脱钩两种状态, 舒畅等[12]认为中国生猪养殖业生态足迹与经济发展间主要是强脱钩、弱脱钩、强负脱钩和弱负脱钩的关系。综合来看, 中国畜牧业温室气体排放脱钩稳定性差, 脱钩状态反复。究竟是何原因引起这种变化, 部分学者展开了温室气体排放的影响因素分析。陈苏等[10]利用对数平均迪氏指数法(LMDI)分解后发现经济效应对畜禽温室气体排放促进作用最大, 而强度效应的抑制作用最大, 其次是劳动力效应和结构效应; 陈瑶等[5]同样指出经济因素是最大因素, 短期内效率因素是中国畜牧业低碳化发展的最主要诱因, 而从长期来看劳动力因素是最主要因素; 潘丹等[13]研究表明环保技术的提高和劳动力转移是养殖污染下降的主要因素, 产业结构转变和经济发展则会增加养殖污染; Tian等[14]利用多元回归分析后认为优化生产结构、加强低碳生产方式和经营规模、提高生产效率, 是实现湖南畜牧业减排和健康发展的关键。

上述文献为本文提供了理论借鉴和研究思考, 总结发现尚存以下不足: 第一, 已有研究多是基于国家总体或个别省份层面展开分析, 缺少对省级层面的比较研究, 不利于观察省际间畜牧业温室气体排放情况及脱钩状态, 进而无法了解国家减排政策在各省的落实效果。第二, 采用的温室气体排放因子主要参考IPCC的标准, 但其与根据中国实际情况制定的《省级温室气体排放清单指南》(以下简称《指南》)存在较大差异, 从而产生测算偏误。第三, 已有研究尚无在国家制定减排承诺下展开预测分析, 未就既有发展趋势是否能如期完成目标进行研究。而少数学者将情景预测运用到碳排放[15]、耕地保有量[16]和建设用地总量[17]目标管控分析中取得较好成效, 如果在畜牧业温室气体排放研究中纳入目标管控分析, 则更能明确国家减排任务和压力、把握畜牧业发展趋势。

为此, 本文依据《指南》提供的系数, 在测算2000—2014年中国总体和区域畜牧业温室气体排放量的基础上, 运用脱钩理论分析畜牧业温室气体排放与其产值之间的关系, 采用LMDI模型分解影响因素, 并展开2020年畜牧业温室气体排放目标预测分析, 以期为中国畜牧业减排提供现实依据和畜牧业低碳绿色发展提供决策参考。

1 研究方法与数据来源

1.1 畜牧业温室气体排放量的测算

目前, 畜牧业温室气体排放量测算方法主要使用IPCC提供的估算方法, 其可靠性已得到众多研究证明。本文亦采用此方法, 选取牛、羊、马、骡、驴、骆驼、生猪、家禽和兔等动物作为测算对象, 具体方法如下:

1.2 Tapio脱钩模型

Tapio脱钩模型是在OECD脱钩模型基础上发展而来, 采用弹性测度脱钩程度。该方法克服了OECD脱钩模型在基期选择上的困境, 是目前研究经济脱钩关系的最主要研究方法[15]。本文基于Tapio脱钩模型分析畜牧业温室气体排放与经济增长脱钩关系, 公式如下:

式中:为脱钩弹性;G、G1分别为第年和第-1年的畜牧业温室气体排放量, 万t;H、H1别为第年和第-1年的畜牧业生产总值, 代表经济增长状况, 亿元。借鉴相关研究成果, 将脱钩状态划分为8个类别[18], 如表1所示。

表1 畜牧业温室气体排放Tapio脱钩类型划分

: greenhouse gas emission;: output value of animal husbandry.

1.3 畜牧业温室气体排放影响因素的LMDI分解

Ang[19]在综合比较各种因素分解方法的基础上, 指出LMDI方法满足因素可逆, 能消除残差项, 克服其他方法分解后存在残差项或对残差项分解不当的缺点, 使模型更具说服力。为此, 本文采用LMDI方法构建畜牧业温室气体排放影响因素分解公式:

式中:为畜牧业温室气体排放量, 万t;为畜牧业生产总值, 亿元;为农业总产值, 亿元;为农业从业劳动力人数, 万人。

由于LMDI的“加和分解”和“乘积分解”最终结果一致, 而前者能较为清晰地分解出影响因素[10]。因此, 本文采用“加和分解”对畜牧业温室气体排放进行分解。

式中:0为基期畜牧业温室气体排放量, 万t;G为期畜牧业温室气体排放量, 万t; Δ表示畜牧业温室气体排放变化量, 万t。, 表示畜牧业单位产值温室气体排放强度, 代表生产效率;, 表示畜牧业产值占农业总产值比重, 代表产业结构;, 表示单位农业从业劳动力产值, 代表经济发展;, 为农村劳动力, 代表就业规模。其中:

1.4 畜牧业温室气体排放预测方法

借鉴相关研究, 本文通过选取不同情境下的脱钩状态和经济发展速度, 预测2020年温室气体排放状况(G), 并进行目标管控分析。预测公式如下:

1.5 数据来源

本文样本选择2000—2014年中国各省级地区(不含香港、澳门和台湾)的面板数据, 均来自《中国农村统计年鉴》(2000—2015)、《中国畜牧业年鉴》(2000—2015)。为消除价格因素影响, 将相关产值折算为1999年可比价。表2对各指标进行了基本的统计性描述。

表2 畜牧业温室气体排放量测量指标的统计性描述

2 结果与分析

2.1 畜牧业温室气体排放变化

根据公式(1), 测算出2000—2014年中国畜牧业温室气体排放量(表3)。分析表3可知, 中国畜牧业温室气体排放量由2000年的37 785.24万t下降到2014年的35 815.76万t, 降幅为5.21%。其中, 2000—2006年为快速增长阶段, 生猪、奶牛、非奶牛、羊的出栏量都不同程度增加, 共同拉动温室气体排放增加; 2007—2014年为“迅速下降—略微回升”阶段, 温室气体排放迅速降至2011年的34 821.75万t谷底后, 回升到2014年的35 815.76万t, 前期主要原因是非奶牛和羊出栏量的减少引起温室气体排放减少, 后期主要原因是2011年之后生猪、奶牛产业政策刺激使出栏量增加从而带动温室气体排放略微回升。

同时, 非奶牛是畜牧业温室气体排放的主要来源, 也是畜牧业温室气体减排的主要贡献者, 尽管其所占比例在逐年下降, 但仍处于50%水平之上; 羊排放的温室气体所占比例比较稳定, 保持在19%左右; 生猪排放的温室气体所占比例呈缓慢增长趋势, 逼近羊所占的比例; 奶牛排放的温室气体所占比例最少, 但上升幅度大。

表3 2000—2014年中国畜牧业温室气体排放情况1)

1)实证中未涉及马、骡、驴、兔、骆驼和家禽, 理由有3点: 一是仅内蒙古、新疆、甘肃、青海、宁夏5个省区有骆驼且数量很少, 故予以剔除; 二是历年这些畜禽种类的温室气体排放之和仅占总排放量的3.5%左右, 去除不影响结论; 三是国家未出台这些种类生产相关规划, 缺乏后文分析所需数据。1) There are three reasons for the absence of horses, mules, donkeys, rabbits, camels and poultry in the empirical study. First, only five provinces and regions, which are Inner Mongolia, Xinjiang, Gansu, Qinghai and Ningxia, have a small number of camels, so they are eliminated. Second, the total greenhouse gas emission of these livestock and poultry species accounts for only about 3.5% of the total emissions over the years. Third, the state has not promulgated these kinds of production related planning, and lacks the data needed for subsequent analysis.

2.2 畜牧业温室气体排放脱钩分析

根据公式(2), 中国畜牧业温室气体排放与畜牧业产值之间的脱钩状况如表4, 其具有明显的阶段性特点, 可分为3个阶段。

1)波动变化阶段(2000—2006年): 该阶段呈现“扩张连接—弱脱钩—扩张负脱钩—弱脱钩”的波动式变化。2000—2001年畜牧业温室气体排放量与畜牧业产值均呈增长状态, 但前者增幅小于后者, 脱钩弹性减小; 2002—2003年温室气体排放增量大于产值增量, 脱钩弹性增大, 尤其是2003年达到1.565,形成扩张负脱钩状态; 2004—2006年, 畜牧业产值增长迅速, 超过温室气体排放量增幅, 脱钩弹性下降, 又返回到弱脱钩状态。

2)相对平稳阶段(2007—2011年): 该阶段主要特征为“强脱钩—弱脱钩—强脱钩”的相对平稳式变化。2007—2008年畜牧业温室气体排放量均相继下降, 增幅分别为-0.127、-0.107, 从而形成强脱钩状态; 2009—2010年温室气体排放量与畜牧业产值增加, 并较稳定, 形成弱脱钩状态; 2011年温室气体排放量小幅减小, 而畜牧业产值保持稳定, 为强脱钩状态。

3)持续上升阶段(2012—2014年): 该阶段是弱脱钩状态的上升式变化。2012—2014年畜牧业温室气体排放量逐渐回升, 增幅由0.003扩大到0.018, 畜牧业产值则小幅下降, 由0.045减少到0.042, 脱钩弹性相应由0.067快速上升到0.419, 但都处于弱脱钩状态。

进一步从省级层面分析畜牧业温室气体排放量与畜牧业产值的脱钩关系, 可了解地区间差异情况。表5显示, 各省份脱钩状态主要为弱脱钩、强脱钩和衰退脱钩3种类型。其中, 北京、天津、内蒙古、辽宁、吉林、黑龙江、湖北、湖南、重庆、四川、西藏、甘肃、青海、宁夏、新疆等15个省市区为弱脱钩, 表明这些省份的畜牧业产值增速大于畜牧业温室气体排放量增速, 治理效果初见成效, 但压力依然存在; 河北、山西、江苏、浙江、安徽、福建、江西、山东、河南、广东、广西、海南、贵州、云南、陕西等15个省市区为强脱钩, 处于理想状态, 表明这些省份的畜牧业产值增速为正的同时畜牧业温室气体排放量逐渐下降, 实现减排目标。此外, 上海的畜牧业温室气体排放与畜牧业产值为双降趋势, 且前者降幅大于后者, 为衰退脱钩。

表4 2000—2014年中国畜牧业温室气体排放量与畜牧业产值脱钩关系

: greenhouse gas emission;: output value of animal husbandry.

表5 2000—2014年各省份畜牧业温室气体排放量与畜牧业产值脱钩关系

2.3 畜牧业温室气体排放影响因素分解

借助LMDI模型, 得出生产效率效应、产业结构效应、经济发展效应和劳动力效应引起的温室气体排放变化(表6, 图1)。

表6 2000—2014年中国畜牧业温室气体排放影响因素分解

总体上, 生产效率效应和劳动力效应为负值, 对畜牧业温室气体排放具有抑制作用; 产业结构效应和经济发展效应为正值, 具有推动作用。在不同效应共同作用下, 综合效应呈倒“U”型趋势, 并且在2006年到达峰值7 109.36万t后急速下降, 于2008年实现负增长。表明2007年前后实行的一系列畜牧业政策开始产生作用, 减排效应凸显。

生产效率效应是畜牧业温室气体排放减少的最大贡献者。由2000年的-1 311.95万t减到2014年的-52 955.50万t。主要是因为良种繁育、饲料生产、疫病防治、养殖技术等体系相继构建, 以及养殖规模化、集约化进程加快, 生产效率得到大幅度提升。劳动力效应在2002年由正转负, 并逐渐减小, 2014年为-6 369.07万t, 成为温室气体减排的重要力量。随着城市化和工业化不断推进, 大量农业剩余劳动力转移到非农产业, 众多散户退出畜牧业, 养殖规模化提高。产业结构效应除2014年之外都为正值, 2008年达到最大值7 782.96万t后迅速下降为-273.70万t。表明产业结构是推动畜牧业温室气体排放的重要因素, 但这种影响在逐渐减小并开始转为抑制作用, 在2014年发生由“坏”到“好”的根本转变。经济发展效应都为正值, 是畜牧业温室气体排放的最大诱因, 且这种推动作用在逐渐扩大。2000—2014年的大部分年份, 经济发展效应的推动作用都超过生产效率效应的抑制作用, 从而成为主导减排成效的关键因素。2014年在生产效率效应、产业结构效应和劳动力效应“三效齐减”情况下, 经济发展效应仍处于增长状态, 达58 373.58万t。

进一步从省级层面分析发现(图1), 各效应的影响作用显著不同, 从而造成综合效应差异明显。河北、山西、上海、江苏、安徽、福建、江西、山东、河南、湖北、广东、广西、海南、重庆、贵州、云南等16个省区市综合效益为负值, 北京、天津、内蒙古、辽宁、吉林、黑龙江、浙江、湖南、四川、西藏、陕西、甘肃、青海、宁夏、新疆等15个省区市综合效益为正值, 其中安徽畜牧业温室气体减排最多, 达-6 445.54万t, 而内蒙古畜牧业温室气体排放最多, 达11 452.34万t。

具体来看, 全部省份的生产效率效应都为负值, 成为抑制畜牧业温室气体排放的主要因素。其中, 河南、山东和四川生产效率效应较大, 分别为-45 355.80万t、-37 554.26万t和-37 384.32万t, 上海、天津和北京生产效率效应较小, 分别为-67.40万t、-247.85万t和-507.13万t, 说明地区间差异明显, 传统农业区相比经济发达地区生产效率效应更大。产业结构效应方面, 只有湖南、甘肃、上海、福建、山西、新疆、江苏等7个省市区为负值, 对畜牧业温室气体排放具有抑制作用, 且作用较小。而剩余24个省份都为正值, 对畜牧业温室气体排放具有推动作用。表明在这些地区畜牧业具有比较优势, 农业结构向畜牧业倾斜, 使畜牧业温室气体排放增加。经济发展效应方面, 全部省份都为正值, 成为推动畜牧业温室气体排放的主要因素。但地区间差异明显, 最大的河南、四川、山东、内蒙古、云南、河北、湖南等7个省区的效应总和为全部效益的49.20%, 而上海、天津、北京分别仅为629.72万t、859.96万t、913.80万t, 占比0.56%, 可见传统农业区农业经济产值越高, 推动畜牧业温室气体排放的作用越大, 而经济发达地区畜牧业发展空间有限, 农业经济产值相对较低, 推动作用也相对较小。劳动力效应方面, 除新疆、甘肃、内蒙古等7个省区为正值外, 其余省份都为负值。畜牧业是劳动密集型产业, 在新疆等地为重要产业, 劳动力投入不断增加, 对畜牧业温室气体排放推动作用明显。但随着技术进步、养殖规模化, 以及非农就业机会增加, 四川、山东、河南等地农业劳动力大量向非农产业转移, 劳动力效应抑制作用显著。

图1 2000—2014年各省区市畜牧业温室气体排放影响因素分解

2.4 畜牧业温室气体排放预测与分析

2.4.1 情景设置

1)畜牧业温室气体排放目标: 在明晰目前中国畜牧业温室气体排放总量和影响因素的基础上, 本文着眼于长远, 进一步分析未来温室气体排放趋势以及防控形势。要分析到2020年畜牧业温室气体排放管控目标能否实现, 需首先确定2020年温室气体排放量。根据农业部颁布的《全国生猪生产发展规划(2016—2020年)》《全国奶业“十一五”发展规划和2020年远景目标规划》《全国草食畜牧业发展规划(2016—2020年)》, 测算出生猪、奶牛、牛和羊的温室气体排放量总计29 744.35万t。

2)经济增长速度和脱钩弹性确定: 选取2010—2014年5年间畜牧业产值增长速度的最大值(快)、平均值(中)、最小值(慢)作为经济增长预测速度。相应地, 选取同期畜牧业温室气体排放与畜牧业产值增长的脱钩弹性最大值(高)、平均值(中)、最小值(低)作为脱钩弹性预测值(表7)。

2.4.2 目标管控分析

利用公式(9)、(10)测算出结果后, 与温室气体目标排放量(29 744.35万t)比较(表8)。可以发现, 畜牧业温室气体排放预测值区间为33 563.08~40 067.71万t, 将其与温室气体排放目标相减, 缺口区间为3 818.72~10 323.36万t, 端点值分别超过目标12.84%和34.71%。因此, 无论何种情景下, 2020年中国畜牧业温室气体排放预测值将会超过管控目标, 只有最低的脱钩弹性和最快的经济增长速度才能形成最小的温室气体排放缺口。

表8 2020年中国畜牧业温室气体排放量预测值和缺口

l、m、s分别代表畜牧业产值增长速度快、中等和慢,l、m、s分别代表畜牧业温室气体排放与畜牧业产值增长脱钩弹性高、中等和低。l,mandsrespectively represent fast, medium and slow growth rates of output value of animal husbandry;l,mandsrespectively represent high, medium and low decoupling elasticity between greenhouse emissions and output value growth of animal husbandry of China.

3 结论与讨论

本文基于2000—2014年中国畜牧业面板数据, 在测算温室气体排放量的前提下, 借助Tapio脱钩模型分析畜牧业温室气体排放与经济发展之间的关系, 进而采用LMDI模型对影响畜牧业温室气体排放的影响因素进行分解, 并结合情景预测法对2020年中国畜牧业温室气体排放展开目标管控分析。主要得出以下结论:

1)畜牧业温室气体排放量总体呈下降趋势。根据《指南》标准测算, 2000—2014年期间, 中国畜牧业温室气体排量由37 785.24万t下降到35 815.76万t, 降幅达5.21%。其中, 非奶牛减排明显, 是下降主因, 但其排放量所占比例仍处于50%水平之上; 羊、生猪排放量趋同, 保持在19%左右; 奶牛排放量较少但增势明显。

2)畜牧业温室气体排放脱钩效应比较理想, 但脱钩状态不稳定。全国以弱脱钩状态为主, 但经历波动变化、相对平稳、持续上升3个发展阶段; 各省份脱钩状况较好, 15个强脱钩、15个弱脱钩以及1个衰退脱钩。

3)总体上, 综合效应在国家层面呈倒“U”型特征, 但在省份间差异明显。具体看, 生产效率效应是国家和省份减排的最大贡献者, 经济发展效应则是增排的最主要推动因素; 综合效应差异主要来自国家层面产业结构效应逐渐减小并转为抑制作用, 而24个省份仍为推动作用, 国家层面劳动力效应的抑制作用逐渐增强但仍有7个省份存在推动作用。

4)2020年畜牧业温室气体排放将会超过管控目标, 减排压力大。利用情景预测分析, 畜牧业温室气体排放预测值为33 563.08~40 067.71万t, 与29 744.35万t目标值相比存在较大缺口, 预测端点值分别超过目标12.84%和34.71%, 减排任务重。

本文结合《指南》给定的标准对中国畜牧业温室气体排放量进行测算, 所得结果较已有研究[5,10]更精确, 但大体发展趋势一致, 表明中国经过多年的产业调整和减排治理已收获一定成效。基于省份层面的进一步分析, 发现生产效率效应、产业结构效应、经济发展效应和劳动力效应在空间上的叠加, 形成了畜牧业温室气体排放综合效应的空间差异。这为中国畜牧业减排工作提供了决策依据。区别于以往文献, 本文引入情景预测法对中国畜牧业温室气体排放进行管控分析, 给出遵循现有发展条件可能会取得的结果, 为减排领域理论和实践工作者提供一个发展预期。因此, 结合研究结论和实际情况, 本文认为应利用农业供给侧结构性改革和新一轮畜禽养殖污染治理机遇, 调减生产效率低、废弃物管理能力不足的产能, 尤其是牛、猪等排放总量大的种类, 调整产业结构; 同时利用国际市场, 适度进口牛羊肉、猪肉等畜产品以替代国内养殖, 缓解排放存量。弱脱钩地区应加快选育优良品种和开发新型减排添加剂, 推广畜禽清洁养殖技术, 结合地区特点优化粪便管理方式, 降低排放强度; 强脱钩地区应尝试立法, 用制度手段巩固减排势头; 衰退脱钩地区应着力探索减排创新模式和方法, 总结经验、推广示范。应大力提高畜牧业养殖技术水平, 提升生产效率。同时, 借鉴工业、交通等行业有益做法, 出台畜牧业减排政策, 明确减排目标和计划, 分解减排任务到省, 切实落实管控责任。

研究结论对于中国畜牧业绿色发展和减排相关工作的推进具有一定的参考价值, 但与此同时, 中国畜牧业温室气体排放在各阶段的变化以及各省份间差异明显的更深层次原因有待进一步剖析。由于数据缺失的缘故, 本文所做的温室气体排放预测期较短, 这都是本文下一步拓展深化研究的空间。

[1] PETERSEN S O, BLANCHARD M, CHADWICK D, et al. Manure management for greenhouse gas mitigation[J]. Animal, 2013, 7(S2): 266–282

[2] CARO D, DAVIS S J, BASTIANONI S, et al. Global and regional trends in greenhouse gas emissions from livestock[J]. Climatic Change, 2014, 126(1/2): 203–216

[3] FAO. FAO Statistical Yearbook 2013 World Food and Agriculture[M]. Rome: Food and Agriculture Organization of the United Nations, 2013

[4] GERBER P J, STEINFELD H, HENDERSON B, et al. Tackling climate change through livestock: A global assessment of emissions and mitigation opportunities[R]. Rome: Food and Agriculture Organization of the United Nations, 2013

[5] 陈瑶, 尚杰. 中国畜牧业脱钩分析及影响因素研究[J]. 中国人口·资源与环境, 2014, 24(3): 101–107 CHEN Y, SHANG J. Disconnect analysis and influence factors of animal husbandry in China[J]. China Population, Resources and Environment, 2014, 24(3): 101–107

[6] 董红敏, 林而达, 杨其长. 中国反刍动物甲烷排放量的初步估算及减缓技术[J]. 农村生态环境, 1995, 11(3): 4–7 DONG H M, LIN E D, YANG Q C. Methane emitted from ruminants in China and the mitigation technologies[J]. Rural Eco-Environment, 1995, 11(3): 4–7

[7] ZHOU J B, JIANG M M, CHEN G Q. Estimation of methane and nitrous oxide emission from livestock and poultry in China during 1949–2003[J]. Energy Policy, 2007, 35(7): 3759–3767

[8] 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 CSAE, 2010, 26(10): 247–252

[9] 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

[10] 陈苏, 胡浩. 中国畜禽温室气体排放时空变化及影响因素研究[J]. 中国人口·资源与环境, 2016, 26(7): 93–100 CHEN S, HU H. Study on the spatial-temporal changes and influence factors of greenhouse gases emission from livestock and poultry in China[J]. China Population, Resources and Environment, 2016, 26(7): 93–100

[11] 易平, 方世明, 马春艳. 地质公园旅游经济增长与生态环境压力脱钩评价——以嵩山世界地质公园为例[J]. 自然资源学报, 2014, 29(8): 1282–1296 YI P, FANG S M, MA C Y. Decoupling evaluation between tourism economic growth and eco-environmental pressure of Songshan Global Geopark[J]. Journal of Natural Resources, 2014, 29(8): 1282–1296

[12] 舒畅, 乔娟. 我国养殖业生态足迹时空特征及脱钩效应研究——以生猪产业为例[J]. 生态经济, 2016, 32(1): 148–151 SHU C. QIAO J. Research on spatial-temporal characteristics and decoupling effect of the breeding ecological footprint in China: Taking pig breeding as an example[J]. Ecological Economy, 2016, 32(1): 148–151

[13] 潘丹, 孔凡斌. 鄱阳湖生态经济区畜禽养殖污染与产业发展的关系——基于脱钩和LMDI模型的实证分析[J]. 江西社会科学, 2015, 35(6): 49–55 PAN D, KONG F B. The relationship between livestock pollution and industrial development in Poyang Lake ecological economic zone: An empirical analysis based on decoupling and LMDI model[J]. Jiangxi Social Sciences, 2015, 35(6): 49–55

[14] TIAN J X, YANG H L, XIANG P A, et al. Drivers of agricultural carbon emissions in Hunan Province, China[J]. Environmental Earth Sciences, 2016, 75(2): 121

[15] 李忠民, 陈向涛, 姚宇. 基于弹性脱钩的中国减排目标缺口分析[J]. 中国人口·资源与环境, 2011, 21(1): 57–63 LI Z M, CHEN X T, YAO Y. Gap of emission reduction targets: Analysis based on elastic decoupling of China[J]. China Population, Resources and Environment, 2011, 21(1): 57–63

[16] 肖丽群, 吴群. 基于脱钩指数的2020年江苏省耕地保有量目标分析[J]. 资源科学, 2012, 34(3): 442–448 XIAO L Q, WU Q. Target analysis of cultivated land protection area in Jiangsu Province in 2020 based on decoupling index[J]. Resources Science, 2012, 34(3): 442–448

[17] 刘琼, 佴伶俐, 欧名豪, 等. 基于脱钩情景的中国建设用地总量管控目标分析[J]. 南京农业大学学报: 社会科学版, 2014, 14(2): 80–85 LIU Q, NAI L L, OU M H, et al. Analysis on control objective of construction land in China based on decoupling scene[J]. Journal of Nanjing Agricultural University: Social Science Edition, 2014, 14(2): 80–85

[18] TAPIO P. Towards a theory of decoupling: Degrees of decoupling in the EU and the case of road traffic in Finland between 1970 and 2001[J]. Transport Policy, 2005, 12(2): 137–151

[19] ANG B W. Decomposition analysis for policymaking in energy: Which is the preferred method?[J]. Energy Policy, 2004, 32(9): 1131–1139

Decoupling and predictive analysis of greenhouse gas emission from animal husbandry in China*

WANG Huan, QIAO Juan**

(College of Economics & Management, China Agricultural University, Beijing 100083, China)

With increasing greenhouse gas emission, China has committed to cap carbon dioxide emissions by 2030. As animal husbandry has become an important part of the emission reduction effort, it is necessary to analyze the current situation and trend in greenhouse gas emission due to animal husbandry in the country.Based on the 2000‒2014 provincial panel data and the Guidelines on Provincial Greenhouse Gas Emission Inventories, we estimated greenhouse gas emission due to animal husbandry and then used the Tapio decoupling model to analyze the relationship between greenhouse gas emission and the economic development due to animal husbandry. Furthermore, LMDI model was used to decompose the driving factors, and the greenhouse gas emissions target of animal husbandry in 2020 under different scenarios were also analyzed. The results suggested that greenhouse gas emission from animal husbandry decreased from 377.852 4 million tons in 2000 to 358.157 6 million tons in 2014, representing a drop of 5.21%. Emission reduction from non-dairy cattle was significant. However, it was still above the 50% threshold —181.805 4 million tons. Emissions from sheep, pigs and cattle were respectively 70.725 6 million tons, 62.026 9 million tons and 43.599 7 million tons, all of which still increased. The decoupling effect of greenhouse gas emission from animal husbandry was ideal. The whole country was under weak decoupling that underwent three stages of fluctuation —relative stability —increase. The decoupling condition for each province was good, among which 15 provinces had strong decoupling, 15 provinces had weak decoupling and 1 province had receding decoupling. The comprehensive effect tracked an inverted U-curve at the national level, which was quite different for the provinces. The efficiency of production was the main contributor to the national and provincial emission reductions, while the effect of economic development was the most important driving factor of emission. The difference in comprehensive effect mainly came from the difference in industrial structure and labor. In 2020, greenhouse gas emission from animal husbandry far exceeded planned target. The predicted range of greenhouse gas emission from animal husbandry was from 335.630 8 to 400.677 1 million tons. Then the predicted endpoint values were respectively 12.84% and 34.71% more than the target, which great increased the pressure of emission reduction. In this case, only the lowest decoupling elasticity and the fastest economic growth rate had the least greenhouse gas emission gap. Greenhouse gas emission reduction was an inevitable requirement for sustainable development in the world. Although the decoupling effect of greenhouse gas emission from animal husbandry in China was obvious under the effect of several factors, emission reduction was still an arduous task, requiring the formulation of practical measures to promote it. Therefore, this work suggested that China needed to adjust its industrial structure and import livestock products instead of promoting domestic production. There was the need to implement differential governance of decoupling in different regions and improving farming efficiency. Also, clear animal husbandry emission reduction objectives and task assignments to provinces were required.

Animal husbandry; Greenhouse gas emission; Decoupling model; LMDI model; Prediction

, E-mail: qiaojuan@cau.edu.cn

Sep. 9, 2018;

Dec. 9, 2018

F323; X24

A

2096-6237(2019)05-0793-10

10.13930/j.cnki.cjea.180826

王欢, 乔娟. 中国畜牧业温室气体排放的脱钩与预测分析[J]. 中国生态农业学报(中英文), 2019, 27(5): 793-802

WANG H, QIAO J. Decoupling and predictive analysis of greenhouse gas emission from animal husbandry in China[J]. Chinese Journal of Eco-Agriculture, 2019, 27(5): 793-802

* 国家社会科学基金项目(18BGL169)和生猪产业技术体系北京市创新团队项目(BAIC02-2018)资助

乔娟, 主要研究方向为农业经济理论与政策。E-mail: qiaojuan@cau.edu.cn

王欢, 主要研究方向为农业资源环境与农村经济。E-mail: wangh1127@163.com

2018-09-09

2018-12-09

* This study was supported by the Philosophy and Social Science Foundation of China (18BGL169) and the Beijing Pig Industry Technology System Innovation Team Project (BAIC02-2018).