基于碳汇功能的省域农业碳排放及减排潜力研究

王雅楠　张琪琳　陈伟

摘 要：种植业既是“碳源”又是“碳汇”，在农业碳减排中发挥着关键作用。通过测算1997—2020年中国30个省份三种粮食作物的碳排放量与碳汇量，构建了各省碳排放环境学习曲线，并根据历史增速模拟和现有政策模拟对我国30个省份的农业碳减排潜力进行了预测。结果表明，1997—2020年间，三种粮食作物种植过程产生的碳排放总量呈现波动趋势，且水稻种植过程产生的碳排放量远高于小麦和玉米;三种粮食作物碳汇总量呈东高西低的特征，东部、中部分别以水稻、玉米碳汇量为主，西部南方、北方省份间存在差异，分别以水稻、玉米碳汇量为主。人均农业GDP增长对降低碳强度有积极作用，粮食作物本身拥有的碳汇作用能够在一定程度上实现碳减排，但仅依靠作物碳汇对实现种植业碳减排影响较小。历史增速模拟和现有政策模拟下，2030年中国平均农业碳排放减排潜力分别为80.34%和79.83%，且西部、中部省份具有较高的减排潜力。

关键词：碳排放;碳汇;碳减排潜力;环境学习曲线

基金项目：国家社会科学基金项目“经济集聚促进区域节能减排的影响机理与协同政策研究”（20CJY023）;陕西省社会科学基金项目“陕西省种植业碳减排潜力、影响机制及减排政策研究”（2019S010）。

[中图分类号] F323.22 [文章编号] 1673-0186（2022）005-0058-018

[文献标识码] A      [DOI编码] 10.19631/j.cnki.css.2022.005.005

随着我国经济的快速发展和农业现代化的推进及化学农业、石油农业、机械农业的迅速发展，我国粮食总产量不断增加，农业碳排放也随之增加。我国各地区温室气体排放总量约有17%是由于传统农业生产过程中温室气体的排放而造成[1]。改革开放以来，我国的农业碳排放保持不断上升趋势，且每年的平均增加率维持在5%[2]。IPCC第4次评估报告显示，农业是温室气体的第二大重要来源。我国种植业产值占农业总产值的50%以上，是农业的主要组成部分且主要以粮食作物为主，其中小麦、玉米和水稻种植面积超过粮食作物种植面积一半以上。然而我国粮食生产的资源环境代价太高，近30年，伴随我国粮食总产量增长90%，化肥消费量、温室气体排放量分别增长180%和103%。种植业碳排放成为农业碳排放的主要来源，包括农作物种植过程产生的碳排放和生产要素投入所产生的碳排放。党的十九大以来，提出继续推进绿色发展，建设美丽中国目标。2019年中央“一号文件”提出加强农村污染治理和生态环境保护，推动农业农村绿色发展。农村生态环境治理和保护成为实现农业绿色发展的主要方向，种植业碳减排成为实现农业绿色发展的重要举措。因此，从种植业碳减排着手研究其减排潜力、影响因素和对策是实现农业绿色发展、促进农业可持续发展的重要举措。基于此，本文对我国各省份三种粮食作物的种植业碳排放及碳吸收进行测算，建立环境学习曲线对种植业碳减排潜力进行评估，通过设置情景预测各省2030年的碳强度，进而针对不同省份提出种植业碳减排策略，本文研究成果对实现农业绿色发展、促进农业可持续发展、实现我国碳减排目标具有重大意义。

一、文献综述

不少学者已经在农业碳排放的测算研究中取得了一定进展，相较于工业碳排放，农业碳排放的来源更为广泛，已有研究通过对农业碳排放进行不同角度的测算，得到了不同的结论。学者们认为农业碳排放主要源于植物种植过程耗费的能源[3]，通过化肥、农药、灌溉和种子种植消耗的能源等来衡量农作物种植的农业碳排放[4]。此外，还考虑了农业废弃物、农业能源、畜禽粪便、水稻生长以及生物燃烧等多方面引起的碳排放[5-7]。国内学者在借鉴国外研究成果的基础上，基于我国的农业生产实践对我国农业生产中的碳排放进行了初步研究和估算。根据IPCC的计算方法，可将碳排放系数用作种植业碳排放量的测算[8-10]。在计算种植业碳排放的总量时，可以从农作物碳排放与农业生产资料使用过程碳排放两个方面来考虑[11]。在对种植业碳排放量和排放强度进行测算时还可以排除来自地域、熟制差异的影响[12]。还有一些学者将农业碳排放的碳源划分成化肥、农药、农膜、农用柴油、翻耕、农业灌溉六类[13-14]，不过对于这六种排放量的排序有不同的观点。

从减排效应上看，与其他产业部门相比，由于种植业强大的碳汇功能，在减排效应上比其他产业部门更具有优势[15-17]。一方面，在粮食作物生长过程中，其碳汇作用十分显著，农作物可以通过吸收大气中的二氧化碳，减缓温室效应，年净吸收CO2的质量约为22.8亿吨[18]，其中，水稻、小麦、玉米三种粮食作物的年均碳汇量远大于其他作物[19]，共占我國农业碳汇的80%左右[20]，采用轮作模式还可以进一步提高其净碳汇价值[21]。同时，农作物在生产过程中还具有调节区域小气候、净化空气等诸多改善生态环境的作用。另一方面，可以通过提高农用物资的利用率、采取农业低碳技术来降低农业碳排放，农业技术的改善还能够改良土壤结构和种植环境，可进一步降低碳排放[22-23]。因此，关注种植业碳减排对实现我国碳减排目标具有重大意义[24-25]。

我国各时期的农业碳减排潜力水平地区差异明显[26]，当前各省份所具备的碳减排潜力仍存在较大差异[27]，各省份的农业碳减排潜力水平还受到自身经济、产业状况、所处环境及相邻省份发展情况的影响，且我国农业碳减排长期处于弱退耦，需进一步提高减排的有效性[16]。已有研究利用数据包络分析方法对种植业碳减排潜力进行了测算，结果表明提高能源利用效率和减少农业投入的能源消耗是有效的减排策略[28]。具体来看，提高各省份有效灌溉率和城镇化率能够有效提高本省农业碳减排潜力[29];进一步地，由于种植业的减排增汇对气候和环境有较大影响，因此从技术角度进行减排增汇对实现碳减排具有重大意义[30]。同时，开展农业贸易、建立完善的生态补偿机制也可以实现农业碳减排[31-32]。此外，使用免耕、氮肥减施、间歇灌溉、秸秆还田等农艺措施[33-34]及农地利用减排、农业产业结构调整[35]等对于实现农业碳减排具有重要意义。CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2

综上所述，已有研究在种植业碳排放的测算、减排潜力和减排政策方面取得了很好的成果，在此基础上提出了很多有效可行的政策建议，但也存在着有待进一步改善和拓展的空间，已有文献的缺陷在于：一是已有研究在对种植业碳减排潜力测算时主要侧重于从生产要素投入所产生碳排放的角度进行测算，没有区分不同农作物本身的碳排放差异，测算结果忽略了种植业碳排放的客观性;二是已有研究在对种植业碳减排潜力测算时，仅从碳排放的角度通过计算效率来进行测算，没有把种植业的碳汇功能考虑进去，测算的结果不能准确衡量一个地区的种植业碳减排潜力。本文选取我国三大粮食作物：小麦、玉米、水稻为碳减排潜力测算指标，并将小麦细分为春小麦、冬小麦，水稻细分为旱稻、中稻和一季晚稻、雙季晚稻，在测算三种粮食作物碳排放和碳吸收的基础上，分析我国各省份种植业碳排放的减排潜力，并对2030年各省份减排潜力进行预测，根据种植业碳排放的特点、结合碳减排目标提出完善的减排政策建议，为促进农业可持续发展、发挥农业在节能减排中应有作用提供一定的参考价值。

二、理论分析

种植业碳排放主要来源于农业生产过程中生产要素投入以及作物生长两个方面。对于粮食作物而言，生产过程中的能耗以及工业投入品的生产与使用均会引起碳排放，其中，以农用化肥、农用柴油、农药、农用塑料薄膜以及土地灌溉所直接或间接导致的碳排放为主。氮肥的生产、运输及过度滥用在农业碳排放体系中占据极大比重;农药的生产与滥用以及低质量农药的使用会导致土壤、大气等遭受污染，在造成碳排放的同时，还会破坏土壤的固碳作用，降低农业的碳汇能力;农用塑料薄膜作为农业生产中重要塑料制品，在其生命周期的每个阶段都会造成温室气体排放;农用柴油发动机排出的废气、农业灌溉耗费的机械和电力也会增加碳排放。此外，作物生长过程中自身进行呼吸作用、土壤微生物分解有机物等过程也会产生氧化亚氮、甲烷等温室气体从而增加碳排放，不过，不同作物排出的主要温室气体存在差异，其引起的碳排放的增加也不尽相同。

由于各地的经济基础、自然条件和资源禀赋等方面不同，各地种植业碳排放量、减排能力和减排效率存在较大差异，这种差异最终会使种植业碳减排潜力不同。农业碳减排潜力主要从农业经济发展和农业碳汇两个角度进行测算。农业经济发展包括农业生产技术的发展，以及农业生产、经营、管理等技术的改进，不仅包括自然科学技术的进步，还包括社会科学技术的进步。农业经济发展水平可以用人均农业GDP来衡量。在农业经济发展的初期，其增长主要依赖于劳动要素的增加，农用机械、化肥农药等要素投入变动幅度相对较小，农业结构相对不合理，单位面积碳排放强度可能呈现上升、稳定或下降的趋势;随着农业经济的发展，劳动要素的产出贡献率逐渐降低，农业增长开始依赖于化肥、农药等物质投入的增加，一方面促进了单位面积的产出，另一方面也使得农业碳排放量剧增;当农业经济发展到一定水平，先进的机械和技术将被大力推广，从而避免农业生态环境的恶化，农用物资例如化肥等投入相应逐步减少，同时，农业结构得到优化调整，这一阶段农业产出继续保持着增长的态势，但农业碳排放在一定程度上开始减少。农业碳汇则指农作物生长周期中的碳吸收。农作物在生长过程中通过光合作用吸收大气中的CO2，并以农作物生物量的形式贮存有机碳，成为大气的碳汇;农作物遭受病虫害等破坏后会向大气释放出已经固定的碳从而成为大气CO2的碳源。因此，可以通过促进农业的碳吸收，并减少农业作为碳源的输出，从而减少农业碳排放，使农业表现为碳汇功能，缓解大气中CO2的积累。

三、研究方法与数据来源

基于农业碳排放和碳汇的概念，在已有研究的基础上，确定三种粮食作物的碳排放量和碳汇量的测算方式，进一步构建环境学习曲线，并选取科布·道格拉斯（Cobb-Douglas）乘法指数模型对环境学习曲线进行估计。

（一）三种粮食作物碳排放量的测算

本文综合多位学者研究成果，从以下两个方面确定种植业碳排放量：

一是生产要素投入所产生的碳排放。将种植业碳排放的碳源分为农用化肥、农用柴油、农药、农用塑料薄膜、农业灌溉五类，测算由农用化肥、农用柴油、农药和农用塑料薄膜的使用所产生的碳排放以及由农业灌溉所耗费的机械和电力引起的碳排放[36-37]。考虑到翻耕不适用于全部的粮食作物，不测算由于翻耕而产生的碳排放。二是种植小麦、玉米、水稻三种粮食作物产生氧化亚氮和甲烷气体所产生的碳排放。已有研究将水稻培养过程产生的甲烷气体纳入了农业碳排放测算体系中[38]。由于小麦、玉米、水稻为我国三大主要粮食作物，在农业生产中占据同等重要位置，且三种粮食作物的生长习性存在较大差异，不同作物在生长过程中产生的温室气体种类不同。因此，本文将三大粮食作物细分为春小麦、冬小麦、玉米、旱稻、中稻和一季晚稻、双季晚稻，将其产生的氧化亚氮和甲烷气体全部纳入种植业碳排放测算体系中，且在对种植业碳排放量进行加总时统一将C、CH4、N2O置换成标准C，置换标准为：1吨N2O所引发的温室效应相当于81.272 7吨C（298万吨 CO2）所产生的温室效应，1吨CH4所引发的温室效应相当于6.818 2吨C（25吨 CO2）所产生的温室效应[39]。

碳排放的测算方法如下：

C（t）为第t年三种粮食作物的碳排放总量，104吨;T表示各碳排放源的量，i表示碳源种类， σ表示各碳源碳排放系数。利用如下公式进行碳排放量测算：

各生产要素碳排放系数如表1所示，各类粮食作物排放气体类型及相应排放系数如表2所示。

（二）三种粮食作物碳汇量的测算

种植业生产部门的碳汇只考虑农作物生长周期中的碳吸收，即作物光合作用形成的净初级生产量。本文参照已有研究对农业碳汇量的测算方法[40-41]，测算三种粮食作物碳汇量，计算公式如下：

式中，E表示农作物全年碳吸收量;i为农作物品种;e为农作物进行光合作用合成单位有机质所需要的碳，即经济系数;Y为农作物经济产量;r为农作物含水量;H为农作物碳吸收率。粮食作物含水量、经济系数与碳吸收率如表3所示。CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2

（三）环境学习曲线（ELC）模型

1936年莱特（Wright）首次提出了学习曲线（Learning Curve）这一函数模型，用来表示累计平均工时与产量之间的边际关系[42]。学习曲线反映了生产单位产品的相关成本会随着经验积累和技术进步而不断降低。

环境学习曲线是指随着生产规模的扩大或生产过程的重复进行，单位产品（产值）的资源消耗和废弃物排放呈现出规律性变化的趋势，它可以反映出人类环境保护的全面进步。环境学习曲线一般通过阿尔钦（Alchian）模型，科布·道格拉斯（Cobb-Douglas）乘法指数[43]和沃默（Womer）的可变生产速率模型[44]进行估计，其中，Cobb-Douglas乘法指数模型结构简单且经济意义明显，因此，本文选取常用的科布·道格拉斯（Cobb-Douglas）方法进行估计，计算公式如下：

式中，Y为成本;xi为第i个学习因子;bi为第i个因子的学习系数;ε为误差项，在实际应用中通常会被忽略。

分析各省农业碳减排的环境学习能力时，以农业碳强度作为因变量，从碳排放和碳吸收两个方面选取关键减排指标作为自变量，从而建立含有两个独立变量（人均农业GDP、粮食作物碳汇量）的二因子科布·道格拉斯（Cobb-Douglas）指数模型。

碳排放强度能够直接明了地反映国民经济“低碳化”或“高碳化”，所以我们可以将农业碳强度即单位产值碳的排放量作为因变量，用粮食作物碳排放总量（吨）与当年农业GDP（104元）总量的比值来衡量：

式中，Q为碳排放强度，吨/104元;C（t）为第t年的农业碳排放总量，吨，GDP（t）为第t年农业生产总值。

经济因素是导致各地区种植业碳排放增加的关键性因素[45-46]，因此，碳排放角度选取农业经济发展水平这一指标，用各省份当年人均农业GDP来衡量;农业本身既是“碳源”又是“碳汇”，在农作物生长过程中，作物可以通过吸收大气中的二氧化碳，减缓温室效应，因此，碳吸收角度选取粮食作物的碳汇量。碳强度环境学习曲线公式建立如下：

其中，YI为万元产值碳排放量;X1为第t年的人均农业GDP;X2为农作物碳汇量;bi（i=1，2）为各因子的环境学习系数;A0为初始碳强度，是由初始经济发展、结构和碳排放决定的一个固定值。

（四）数据来源

本文的研究对象选取中国大陆除西藏自治区外的30个省份，取1997—2020年间的数据作为样本。各省份三种粮食作物的农用化肥折纯量、农用柴油使用量、农药使用量、农用塑料薄膜使用量、耕地灌溉面积以及各类粮食作物播种面积和产量来自《中国农村统计年鉴》，人口数量采用年末人口数，来自《中国统计年鉴》，各省份各年农业GDP来自《中国农业年鉴》。对于数据收集过程中出现的缺失数据，使用平均值法予以补充。农用化肥折纯量、农用柴油使用量、农药使用量、农用塑料薄膜使用量数据均为各省份当年所有农作物实际使用量总和，耕地灌溉面积的数据为各省份当年所有农作物耕地灌溉面积总和。由于没有分作物的数据，因此，本文参考已有研究，将种植业产值近似看作农业产值的50%，并将三大粮食作物农用物资投入量以及灌溉面积看作为各省份农用物资投入总用量、灌溉总面积的一半[47-49]。

四、实证结果与分析

基于各省份三种粮食作物碳排放量以及碳汇量的测算，构建环境学习曲线，探究各省份农业碳减排的环境学习能力，进而通过历史增速模拟以及政策模拟预测2030年各省份农业碳排放的减排潜力。

（一）三种粮食作物碳排放量及碳汇量

对30个省份1997—2020年三种粮食作物种植过程产生的碳排放量进行测算，得到各年间各省份三大粮食作物碳排放量，部分结果如表4所示。可以看出，各省份间碳排放量差异较大，其中，北京、上海、天津、宁夏、青海都属于低碳排放省份，这五个省份三种粮食作物碳排放的总量占全国仅有1%左右。北京、上海、天津经济发展快速，农业生产转移现象较严重，因此农业碳排放量较低;宁夏属于温带大陆性气候、青海属于高原大陆性气候，这两地的小麦、玉米种植面积较小，气候、地形等原因使得三种粮食作物的农业碳排放较低。安徽、黑龙江、湖北、湖南、河南、江苏、山东都是高碳排放省，这些省份是我国粮食作物的主产区，因此碳排放量较大。从增长趋势来看，北京、上海、福建、浙江三种粮食作物的农业碳排放量总体呈下降趋势，内蒙古、吉林、黑龙江三种粮食作物的农业碳排放量总体呈上升趋势。

1997—2020年间，小麦、玉米、水稻三种粮食作物种植过程产生的碳排放量变化趋势如图2所示。水稻种植过程产生的碳排放量远高于小麦和玉米，三种粮食作物种植过程产生的碳排放总量呈现波动趋势。1997—2003年间，全国三种粮食作物种植过程产生的碳排放总量呈现下降态势，水稻种植过程产生的碳排放量下降最为明显。这段时期内，我国实行生态退耕政策，是耕地面积急剧减少期，是造成粮食作物生产过程产生的碳排放总量下降的直接原因。2003—2015年间，全国三种粮食作物生产过程产生的碳排放总量呈现逐年上升的态势，玉米、水稻种植过程产生的碳排放量均有明显上升。这一变化可能受到经济全球化的影响。我国加入WTO后，农业发展环境的转变使得农业发展进一步加快[50]，随之而来的就是农产品生产逐步上升带来碳排放量的增加。2015年后，全国三种粮食作物种植过程产生的碳排放总量呈现下降态势，可能的原因是，2015年，全国各省主动优化农业生产结构和区域布局以解决粮食品种的供需矛盾。全国开放的部分试点采取相应措施调整农业种植结构，这使得粮食作物尤其是玉米的播种面积和产量发生下降。2016年，试点范围扩大，“玉米改大豆”“粮改饲”“粮改油”等措施的实施，使得粮食作物的播种面积和产量进一步下降。

部分年份各省份三种粮食作物碳汇量如表5所示。1997—2020年间，玉米、小麦碳汇量呈现上升趋势，其中，玉米碳汇量上升明显，水稻碳汇量呈现下降趋势，尤其是东部沿海地区水稻碳汇量下降明显。整体来看，我国东部地区粮食作物碳汇总量高，各省份碳汇量主要以水稻碳汇量为主，中部地区各省份碳汇量主要以玉米碳汇量为主，西部地区粮食作物碳汇量低，且南、北方省份碳汇量差异明显，南方省份以水稻碳汇量为主，碳汇总量高，北方省份以玉米碳汇量为主，碳汇总量低，全国粮食作物碳汇量呈东高西低的特征。各省份间碳汇量差异也较大，江苏、黑龙江、河南、山东、湖南都属于高碳汇的省份，粮食作物碳汇量高于其他省份，且呈现持续增长趋势。这些省份拥有碳汇优势的原因有很多，首先，种植条件优越，粮食作物总产量高;其次，农业技术发展不断推进，粮食作物单位面积产量不断提高。北京、上海、天津、海南、宁夏、青海都属于低碳汇的省份，其中，北京、上海、天津經济发展迅速，粮食作物种植面积小，粮食作物碳汇量低。宁夏、青海日照时间长，太阳辐射强，昼夜温差大;海南地处热带北缘，光温充足，光合潜力高，这三个省份粮食作物种植面积小，且农业生产发展水平低，粮食作物单产低，粮食作物碳汇量低。CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2

（二）各省份农业碳排放的减排潜力

本文使用环境学习曲线测算各省份农业碳排放的减排潜力。选取1997—2020年我国30个省份（不包括西藏、香港、澳门和台湾）的有关统计数据，以农业碳强度作为因变量，从碳排放和碳吸收两个方面选取关键减排指标作为自变量，分别为人均农业GDP（万元）和农作物碳汇量（万吨），建立各个省份的多因素环境学习曲线，分析各变量在各省市的碳减排的环境学习能力，以此作为各省农业碳减排预测分析的依据。

各省份环境学习曲线的系数如表6所示。从中可以看出，人均农业GDP对碳排放强度影响显著，且学习系数（b1）均大于零，即促进各省份人均农业GDP增长对降低碳强度有积极作用。其中，天津市的学习系数最高（2.765 8），吉林省的学习系数最低（0.525 9）。北京、天津、山西、黑龙江、上海、江苏、浙江、福建、江西、湖北、湖南、广东、海南、四川、陜西、甘肃、青海、宁夏、新疆十九个省份粮食作物碳汇量对碳排放强度影响显著，且学习系数（b2）小于零，即作物碳汇量升高反而会增加碳强度。由于作物碳排放和碳汇分别与播种面积和产量有关，因此，该结果能够说明，仅依靠作物碳汇对种植业碳减排影响较小，要实现种植业碳减排，还需进一步完成减碳增汇。

（三）各省份农业碳排放情景预测

以各省份碳排放的环境学习曲线为基础，分别根据历史增速和现有政策模拟各省份的碳强度，估算其未来的减排潜力。历史增速下，基于30个省份各要素的历史发展趋势进行模拟。计算1997—2020年各变量的平均增长率，预测2030年人均农业GDP和碳汇量。现有政策下，根据我国政府制定的若干政策文件并参考已有文献进行模拟，具体模拟过程为：计算1997—2020年全国各省份农业总产值的年均增长率，并假设2022—2030年各省份的农业总产值以此速度增长。同时，按照《国务院关于印发国家人口发展规划（2016—2030年）的通知》，到2030年人口总量将在14.5亿左右，假设2030年各省份人口比例等于2011—2020年的平均比例，可按比例计算2030年各省份的人口。据此，我们可以预测出2030年各省人均农业GDP。对碳汇量进行预测时，参考杨果和陈瑶通过1993—2011年的数据进行计算得到的农业碳汇量年均增加1.38%的结果[51]，对2030年碳汇量进行预测。各省份减排潜力预测结果如表7所示。

虽然我国制定了国家碳减排政策，但在农业领域中没有具体的碳减排文件规定，本部分按照2015年6月中国向联合国气候变化框架公约秘书处提交的《强化应对气候变化行动——中国国家自主贡献》中提到的“到 2030 年单位GDP CO2排放比2005年下降 60%～65% ”的目标要求进行分析。结果表明，历史增速模拟和现有政策模拟下2030年平均碳排放减排潜力分别为80.34%和79.83%，达到了单位GDP碳排放比2005年下降60%～65%的目标，且大部分省份的减排潜力都高于此平均水平。因此，提升农业经济发展水平，促进技术进步对实现农业减碳增汇、实现碳减排有着光明的前景。在两种情景预测下，吉林、上海的碳减排潜力均不明显，没有达到减排目标，可能的原因有：上海是经济中心，农业不是其发展的主导产业;吉林农业生产高度规模化，成本优越性容易造成生产要素的过度投入，种植过程产生的碳排放会保持在较高水平。此外，在两种情景预测下，其余各省份都达到了减排目标，在历史增速模拟下，贵州、广西、海南拥有较高的碳减排潜力;在现有政策模拟下，贵州、广西、海南、陕西、新疆拥有较高的碳减排潜力。

五、结论与讨论

本文以小麦、玉米、水稻三种粮食作物为基础，测算了1997—2020年间的农业碳排放量与碳汇量，构建了碳排放环境学习曲线，对各省份的农业碳减排潜力进行了测算，并对各省份未来的减排潜力进行了情景分析，得到结论如下：

第一，各省份间粮食作物碳排放量差异较大，水稻种植过程产生的碳排放量远高于小麦和玉米。1997—2020年间，三种粮食作物种植过程产生的农业碳排放总量呈现波动趋势，其中，安徽、黑龙江、湖北、湖南、河南、江苏、山东都是高农业碳排放省份，这与我国不同地区农业发展水平、种植结构、气候条件等自然经济因素差异有较大关系。除此之外，近年来，农村耕地和基本农田不同程度的“非粮化”“非农化”对不同省份的农业生产构成了不同程度的威胁，不同省份间技术水平的差异也使其在实现农业生产低碳化、绿色化和现代化转型的过程中产生差异。我国农业碳排放存在显著的区域差异。

第二，粮食作物碳汇量整体呈东高西低的特征，东部、中部分别以水稻、玉米碳汇量为主，西部南方省份以水稻碳汇量为主，北方省份以玉米碳汇量为主，各省份间粮食作物碳汇量差异较大，江苏、黑龙江、河南、山东、湖南都属于高碳汇省份。近年来，各省份积极推进农业技术发展，不断改良作物品种、调优种植结构，促使粮食作物单位面积产量得到不断提升，经济技术发展快的省份在碳汇方面将不断占有更大的优势。分作物来看，水稻种植过程产生的碳汇量远远高于玉米、小麦种植过程产生的碳汇量。

第三，环境学习曲线回归结果显示，人均农业GDP对碳排放强度影响显著，促进各省人均农业GDP增长对降低碳排放强度有积极作用，农业经济发展能够带来技术进步、促进生态文明理念宣传，对碳减排影响明显。碳汇对降低碳强度有抑制作用，超过一半的省份粮食作物碳汇量对碳排放强度影响显著。尽管从理论上来说粮食作物本身拥有的碳汇作用能够在一定程度上实现碳减排，然而由于碳汇的增加是种植面积增加的结果，而种植面积的扩大又增加了碳排放，因此增加碳汇所形成的碳减排效应被抵消了，这表明仅依靠作物碳汇对实现种植业碳减排是不够的。各省在发展农业的过程中可以通过增加农业碳汇量的方式实现农业碳减排，但是要把“减碳”和“增汇”并行。从各省农业碳排放情景分析的结果来看，农业碳减排较难实现的省份主要集中在我国东部地区，东部地区普遍经济发展较快，农业转移现象较为突出，通过农业生产实现减碳增汇效果不明显。反之，我国中、西部地区由于聚集了较多粮食种植大省，农业碳减排潜力较为突出。CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2

本文的研究结果对我国从农业方面创新碳减排路径提供了重要启示。第一，要从碳源角度出发减少种植过程中的碳排放，通过积极推广资源节约型循环农业，实现废弃物资源化利用，减少生产资料投入以及农业废弃物产生的碳排放;大力发展有机农业，通过作物轮作、绿肥覆盖等措施减少农业生产过程的碳排放量。第二，单独依靠增加作物碳汇对实现种植业碳减排是不够的，要充分实现“减碳”与“增汇”的有机结合，改变传统农业管理方式，通过秸秆还田、推广保护性耕作、种植覆盖作物等方式充分发挥土壤的固碳作用，提高农业整体碳汇水平。第三，结合不同粮食作物生长习性，以及实际碳排放、碳汇情况，采取区域异质性固碳减排技术，对于以水稻碳汇为主的东部省份以及西部南方省份，采用间歇性节水灌溉、秸秆氮肥配施、免耕等稻田管理技术以促进稻田减排增汇、节能循环，提高水稻碳汇能力。第四，鉴于省份资源禀赋、地理位置、经济水平和现有产业结构的异质性，制定不同的省际碳减排目标，在全球低碳发展的大背景下，政府在制定各省份碳排放强度减排目标时，可通过税收补贴、财政政策等激励方式引导中西部部分以农业为主导产业的省份通过农业碳减排实现减排目标;利用农业的碳汇优势完成碳减排既能实现农业绿色发展、促进农业可持续发展，又能缓解经济欠发达省份的碳减排压力，最终实现我国低碳发展的长远目标。第五，发挥市场作用，培育农业碳排放交易市场机制，通过市场调节，碳交易能够充分发挥市场机制在资源配置中的作用，以低成本推动碳减排，助力实现“双碳”目标。

参考文献

[1]  XU B， LIN B. Factors affecting CO2 emissions in China's agriculture sector： Evidence from geographically weighted regression model[J]. Energy Policy， 2017， 104： 404-414.

[2]  冉光和，王建洪，王定祥.我国现代农业生产的碳排放变动趋势研究[J].农业经济问题，2011（2）：32-38+110-111.

[3]  TRISTRAM O W， MARLAND G. A synthesis of carbon sequestration， carbon emissions， and net carbon flux in agriculture： comparing tillage practices in the United States[J]. Agriculture， Ecosystems and Environment， 2002， 91（1）： 217-232.

[4]  NURSE J. An ecological approach to promoting population mental health and well-being—A response to the challenge of climate change[J]. Perspectives in Public Health， 2010， 130（1）： 27-33.

[5]  JOHNSON J M F， FRANZLUEBBERS A J， WEYERS S L， et al. Agricultural opportunities to mitigate greenhouse gas emissions[J]. Environments Pollution， 2007， 150（1）： 107-124.

[6]  丛建辉，刘学敏，赵雪如.城市碳排放核算的边界界定及其测度方法[J].中国人口·资源与环境，2014（4）：19-26.

[7]  GOLDSTEIN B， HAUSCHILD M， FERNANDEZ J， et al. Testing the environmental performance of urban agriculture as a food supply in northern climates[J]. Journal of Cleaner Production， 2016， 135： 984-994.

[8]  梁龙，杜章留，吴文良，等.北京现代都市低碳农业的前景与策略[J].中国人口·资源与环境，2011（2）：130-136.

[9]  尚杰，杨滨键.种植业碳源、碳汇测算与净碳汇影响因素动态分析：山东例证[J].改革，2019（6）：123-134.

[10]  丁宝根，杨树旺，赵玉.长江经济带种植业碳排放时空特征及驱动因素研究[J].生态与农村环境学报，2019（10）：1252-1258.

[11]   郭旋，张良茂，胡荣桂，等.华中地区种植业生产碳排放驱动因素分析[J].长江流域资源与环境，2016（5）：695-701.

[12]  田云，张俊飚，丰军辉，等.中国种植业碳排放与其产业发展关系的研究[J].长江流域資源与环境，2014（6）：781-791.

[13]   李俊杰.民族地区农地利用碳排放测算及影响因素研究[J].中国人口·资源与环境，2012（9）：42-47.

[14]  胡婉玲，张金鑫，王红玲.中国种植业碳排放时空分异研究[J].统计与决策，2020（15）：92-95.

[15]  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（7）：1172-1182.

[16]  吴贤荣，张俊飚.中国省域农业碳排放：增长主导效应与减排退耦效应[J].农业技术经济，2017（5）：27-36.CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2

[17]   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（18）：3892-3902.

[18]  谢淑娟，匡耀求，黄宁生.中国发展碳汇农业的主要路径与政策建议[J].中国人口·资源与环境，2010（12）：46-51.

[19]   杜江，罗珺，王锐，等.粮食主产区种植业碳功能测算与时空变化规律研究[J].生态与农村环境学报，2019（10）：1242-1251.

[20]   陈罗烨，薛领，雪燕.中国农业净碳汇时空演化特征分析[J].自然资源学报，2016（4）：596-607.

[21]  白保勋，陈东海，徐婷婷，等.主要粮经作物与轮作模式净碳汇价值分析[J].生态经济，2021（9）：97-101.

[22]   MOSIER A R， HALVORSON H A， REULE C A， et al. Net Global Warming Potential and Greenhouse Gas Intensity in Irrigated Cropping Systems in Northeastern Colorado[J]. Journal of Environmental Quality， 2006， 35（4）： 1584-1598.

[23]   田云，张俊飚，吴贤荣，等.中国种植业碳汇盈余动态变化及地区差异分析——基于31个省（市、区）2000—2012年的面板数据[J].自然资源学报，2015（11）：1885-1895.

[24]  FAIS B， SABIO N， STRACHAN N. The critical role of the industrial sector in reaching long-term emission reduction， energy efficiency and renewable targets [J]. Applied Energy， 2016， 162： 699-712.

[25]  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（9）：1780-1790.

[26]   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（6）：53-61.

[27]   田云，林子娟.巴黎协定下中国碳排放权省域分配及减排潜力评估研究[J].自然资源学报，2021（4）：921-933.

[28]  贺亚亚，田云，张俊飚.湖北省农业碳排放时空比较及驱动因素分析[J].华中农业大学学报（社会科学版），2013（5）：79-85.

[29]  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（10）：1762-1773.

[30]   白若琦，白朴，吴益伟，等.种植业固碳减排潜力和技术对策研究[J].江苏农业科学，2017（22）：279-283.

[31]  潘安.中国农业贸易的碳减排效应研究[J].华南农业大学学报（社会科学版），2017（4）：25-33.

[32]  张新民.农业碳减排的生态补偿机制[J].生态经济，2013（10）：107-110.

[33]   陈松文，刘天奇，曹凑贵，等.水稻生产碳中和现状及低碳稻作技术策略[J].华中农业大学学报，2021（3）：3-12.

[34]  唐海明，李超，肖小平，等.不同耕作模式对双季稻田生态系统净碳汇效应及收益的影响[J].生态环境学报，2020（2）：215-222.

[35]  何艳秋，陈柔，吴昊玥，等.中国农业碳排放空间格局及影响因素动态研究[J].中国生态农业学报，2018（9）：1269-1282.

[36]  田云，張俊飚，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（6）：752-755.

[37]  段华平，张悦，赵建波，等.中国农田生态系统的碳足迹分析[J].水土保持学报，2011（5）：203-208.

[38]  吴贤荣，张俊飚，田云，等.中国省域农业碳排放：测算、效率变动及影响因素研究——基于DEA-Malmquist指数分解方法与Tobit模型运用[J].资源科学，2014（1）：129-138.

[39]  田云，张俊飚.中国农业生产净碳效应分异研究[J].自然资源学报，2013（8）：1298-1309.

[40]  谢鸿宇，陈贤生，林凯荣，等.基于碳循环的化石能源及电力生态足迹[J].生态学报，2008（4）：1729-1735.

[41]  李克让.土地利用变化和温室气体净排放与陆地生态系统碳循环[M].北京：气象出版社，2002：260-265.

[42]  WRIGHT TP. Factors affecting the costs of airplanes[J]. Aeronaut Sci， 1936， 3（4）：122-128

[43]  BEMIS JC. A model for examining the cost implications of production rate. Concepts[J]. Def Syst Acquis Manage， 1981， 4（2）： 84-94CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2

[44]  BADIRU A B. Computational survey of univariate and multivariate learning curve models[J]. IEEE Transactions ineering Eng Management， 1992， 39（2）： 176-188

[45]  尧波，郑艳明，胡丹，等.江西省县域农业碳排放的时空动态及影响因素分析[J].长江流域资源与环境，2014（3）：311-318.

[46]  文清，田云，王雅鹏.中国农业碳排放省域差异与驱动机理研究——基于30个省（市、区）1993～2012年的面板数据分析[J].干旱区资源与环境，2015（11）：1-6.

[47]  付佳，安增龙.黑龙江省种植业结构调整经济效益评价[J].浙江农业科学，2021（3）：623-626+631.

[48]  罗暄.湖南省农业产业结构与竞争力演进分析——基于动态偏离份额模型[J].湖南人文科技学院学报，2020（5）：74-79.

[49]  杨滨键，孙红雨.低碳绩效测度与动态效应研究——以山东省种植业为例[J].中国生态农业学报（中英文），2021（3）：581-589.

[50]  檀学文，张强.经济全球化对中国东部农业的影响[J].世界农业，2003（9）：10-13.

[51]  杨果，陈瑶.中国农业源碳汇估算及其与农业经济发展的耦合分析[J].中国人口·资源与环境，2016（12）：171-176.

Study on provincial agricultural carbon emission and emission reduction potential based on carbon sink function： Taking Chinas three main grain cropsas an example

Wang Yanan1    Zhang Qilin2   ChenWei1

（1.College of Economics and Management， Northwest A&F University， Yangling， Shaanxi 712100;

2.School of Economics and Finance， Xi'an Jiaotong University， Xi'an， Shaanxi， 710061）

Abstract： Planting industry is both a "carbon source" and a "carbon sink"， which plays a key role in agricultural carbon emission reduction.By calculating the carbon emissions and carbon sinks of three food crops in 30 provinces of China from 1997 to 2020， this paper constructs the provincial carbon emission environmental learning curve. According to the historical growth simulation and existing policy simulation， the agricultural carbon emission reduction potential of 30 provinces and regions in China is predicted. The results show that the total carbon emissions from the cultivation of the three food crops show a fluctuating trendduring the period 1997-2020.The carbon emissions from the cultivation of rice are much higher than those from wheat and maize.The total carbon sinks of the three food crops are characterized as high in the east and low in the west. Rice carbon sinks and maize carbon sinks are the main sources of carbon sinks in eastern and central provinces respectively.There are differences in the main sources of carbon sinks in the southern and northern provinces in the west， with rice and maize carbon sinks being the main sources respectively.The growth of agricultural GDP per capital has a positive effect on reducing carbon intensity. The carbon sinks possessed by food crops themselves can achieve carbon emission reduction to a certain extent.However， relying on crop carbon sinks alone has a relatively small impact on achieving carbon emission reduction in theplanting industry.Under the historical growth rate simulation and existing policy simulation， the average agricultural carbon emission reduction potential in China in 2030 is 80.34% and 79.83% respe ctively. The carbon emission reduction potential is higher in western and central provinces.

Key Words： carbon emission; carbon sink; carbon emission reduction potential; environmental learning curve

作者簡介：王雅楠，西北农林科技大学经济管理学院副教授，硕士生导师，管理学博士，研究方向：资源与环境政策;张琪琳，西安交通大学经济与金融学院硕士研究生，研究方向：资源与环境政策;陈伟（通信作者），西北农林科技大学经济管理学院副教授，博士生导师，管理学博士，研究方向：土地经济与管理。CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2