东北三省农业碳排放时空分异特征及其关键驱动因素*

钱凤魁 ,王祥国 ,顾汉龙** ,王大鹏 ,李鹏飞

(1.沈阳农业大学土地与环境学院 沈阳 110161;2.耕地立体保护与监测重点实验室 沈阳 110161;3.土肥资源高效利用国家工程研究中心 沈阳 110161;4.辽宁省自然资源事务服务中心 沈阳 110011;5.辽宁省城乡建设规划设计院有限责任公司 沈阳 110000)

二氧化碳排放不断增加导致的气候问题是当今全球面临的重大挑战之一,减少温室气体排放、发展绿色经济是各国应对温室效应的重大挑战和举措[1]。我国作为世界上最大的温室气体排放国,17%的碳排放来源于农业生产活动,为控制农业碳排放规模、科学推动农业农村绿色发展进程,2022 年中央一号文件提出加强农业面源污染综合治理、深入推进农业投入品减量化等多种措施[2]。1998—2018年,我国种植业碳排放总体呈上升趋势[3],随后有所下降,但在农用物资投入方面仍面临污染范围广、排放不合格等问题[4]。

目前,诸多学者围绕农业碳排放测算及驱动因素等开展了广泛研究,并从“碳源-碳汇”双重效应、土地利用变化、农业产业类型等多重视角进行了农业碳排放效应研究[5-7],通过碳排放清单、时空演变差异等方法对国家和省域不同尺度研究区进行了碳排放测算[8-11]。常用碳排放驱动因素分解方法包括LMDI (Logarithmic Mean Divisia Index)指数分解模型[12]、Kaya 恒等式[13-14]、STIRPAT (Stochastic Impacts by Regression on Population,Affluence and Technology)模型[15]、Divisia 指数分解法[16]、投入产出结构分解模型(I-O SDA)[17]、结构分解分析(SDA)[18]等方法。上述研究成果虽然丰富了我国农业碳排放研究体系,但仍存在一些不足,而LMDI 指数分解模型的分解出残差项为零,且分解结果精确,因此其被广泛应用于各个领域[19-20]。诸多研究成果也在实践中验证了LMDI 指数分解模型的优越性,但包含其在内的大多数驱动因素分解方法侧重于单因素对碳排放效应的影响,缺少多种驱动因素之间的交互作用对碳排放影响的分析。地理探测器具有无需线性假设、可探测多种驱动因素之间交互作用关系等优点,被广泛运用在经济、人口、能源等方面的研究之中[21-23],但在农业碳排放方面少有应用。

东北三省作为我国最大的农业主产区和商品粮基地,粮食年产量占全国20%以上,农用物资投入总量较大,因此有必要对东北地区系统开展农业碳排放格局特征研究,为区域层面农业碳排放研究提供理论和方法借鉴。

本研究以农业生产活动中6 个主要物资投入数据作为主要碳源,测算分析2000—2019 年东北三省农业碳排放效应时空分异特征,通过LMDI 指数分解模型解析农业碳排放效应的影响因素,最后运用地理探测器探讨碳排放驱动因素交互作用关系,以期为东北三省有效实施农业碳减排政策提供理论与技术支撑。

1 研究方法与数据来源

1.1 研究区概况

研究区为东北三省,包括黑龙江省、吉林省和辽宁省。该区域作为全国最大的商品粮基地,2020年粮食产量为13 682.80 万 t,占全国粮食总产量的20.44%。近年来,该地域农用物资投入虽有所减缓,但总量依旧处于较高水平。2019 年全域化肥、农膜和农药使用量分别为1347.36 万 t、23.85 万 t 和16.40万 t,分别占全国该物料总投入量的24.93%、9.90%和11.78%,相比2000 年分别增加48.39%、40.34%和93.42%,3 种农用物资投入增长所导致的碳排放增量高达468.87 万 t,因此开展该区域农业碳排放效应研究对制定控制农业面源污染及全国农业碳减排路径和对策具有重要意义。

1.2 数据来源

2000—2019 年研究区市域农药、农膜、化肥、农用柴油、农业灌溉、农业翻耕、种植业总产值、农林牧副渔总产值和农业劳动力规模数据均来自中国统计年鉴、中国农村统计年鉴以及各省(市)统计年鉴。其中,农药、农膜、化肥和农用柴油数据均以所在年份实际使用量为基准。

1.3 研究方法

1.3.1 农业碳排放效应测算

根据农业碳排放特性,采用政府间气候变化专门委员会碳排放系数方法进行估算,基于前人研究成果[10],对农药、化肥、农膜和农用柴油等能源物资使用产生的碳排放和农业翻耕导致的土壤碳库破坏等带来的间接碳排放进行综合测算,从而得到东北三省农业碳排放量。以农业碳排放总量及强度(单位耕地面积物资投入所产生的碳排放量)表征碳排放效应,公式如下:

式中:C为农业碳排放总量,Ci为各碳源的碳排放量,Ti为各碳排放源的使用量,δi为各碳排放源的碳排放系数;I为农业碳排放强度,G为耕地面积。各碳排放源的碳排放系数如表1 所示。

表1 农业碳源碳排放系数Table 1 Carbon emission factors of different agricultural carbon sources

1.3.2 农业碳排放效应驱动因素分解

本研究采用LMDI 指数分解模型将农业碳排放影响因素分解为农业生产效率、农业产业结构、农业经济发展水平和农业劳动力规模4 个方面[8],公式如下:

式中: TOPI 为种植业总产值;TAOV 为农林牧副渔总产值;L为农业劳动力,即农业人口数量;APE 为农业生产效率因素;AIS 为农业产业结构因素;AEDL 为农业经济发展水平;ALFS 为农业劳动力规模因素。鉴于此,农业碳排放量可表示为:

对上述等式两边同时取对数:

又因为:

式中: ∆为对应指标的总变化,t为目标年份,0 为基准年份。基于此,对式(4)−(7)采取差分分解,可得各分解因素贡献值表达式如下:

∆C

则总效应()为:

1.3.3 地理探测器

地理探测器具备可避免诸多统计方法对空间位置指标处理的局限性、没有过多的假设条件等优势,因此被广泛应用[21-23]。其中,因子探测器可以定量检测各驱动因素对农业碳排放量空间分异的影响程度,公式如下:

式中:q为驱动因素对碳排放总量的解释程度,取值区间为[0,1],q值越大表明该驱动因素对碳排放量的影响越大;h=1,···,L,L为影响因素的分类数;N为东北三省地级市个数;Nh为分类为h的地级市个数;σ2为东北三省农业碳排放总量的方差;为分类为h的地级市农业碳排放总量的方差。

交互探测器可以识别不同驱动因素之间的交互作用。首先,计算各驱动因素独立对农业碳排放的影响程度;再计算驱动因素两两叠加对碳排放的影响程度。通过比较各驱动因素独立影响的q值及驱动因素两两叠加后的q值,以判断两因素之间是否存在交互作用,以及交互作用的强弱、方向、线性还是非线性等,两个因子间交互关系如表2 所示。

表2 驱动因素交互作用结果类型Table 2 Types of interaction between two covariates

1.3.4 空间自相关

空间自相关包含全局空间自相关和局部空间自相关两部分。全局空间自相关通过全局莫兰指数(Moran’sI)定性分析总体空间依赖和空间异质程度[29],本研究运用空间自相关法测度各市域农业碳排放量空间集聚状态,其计算公式如下:

式中:n为地级市数量;xm和xn分别为第m和第n个地级市的碳排放量值;为碳排放量均值;Wmn为空间权重矩阵,本研究基于变量距离带建立空间权重。

2 结果与分析

2.1 东北三省农业碳排放效应时空变异特征分析

2.1.1 农业碳排放效应时间变异特征分析

东北三省农业碳排放总量在2000—2019 年整体呈现“先上升、后下降”的态势(图1 和图2),由2000 年的1048.19 万t 逐年增长至2015 年的1759.66万t。在2015 年达到峰值后逐年下降,碳排放总量在2019 年降至1594.61 万 t。研究期各碳源碳排放贡献度变化趋势相同,化肥、农业机械、农膜、农药、农业灌溉和农业翻耕导致的碳排放量年均增长率分别为2.55%、3.77%、2.12%、4.92%、5.43%和2.34%,其排放量分别占农业碳排放总量的75.12%、9.62%、8.39%、5.38%、1.02%和0.47%。总体来说,东北三省农业碳排放量的变化可划分为“波动上升期—过渡期—平稳下降期” 3 个阶段。

图1 2000—2019 年东北三省农业碳排放总量与强度及其环比增速的历史变化Fig.1 Historical changes of total agricultural carbon emission and carbon emission intensity of the three northeastern provinces of China and their monthly growth rates from 2000 to 2019

图2 2000—2019 年东北三省农业6 个碳源的农业碳排放量历史变化Fig.2 Historical changes of carbon emissions of six carbon sources in agriculture in the three northeastern provinces of China from 2000 to 2019

2000—2009 年为波动上升期,碳排放量快速增加,由1048.19 万t 逐年增长至1476.48 万t,年平均增长量为47.59 万t,年增量除个别年份均为正效应,总体呈“两峰”特征(图1c)。2004 年碳排放量增幅为6.61%,达到第1 个增幅峰值,化肥作为主要碳源,在该年增幅为6.43%,是该时点碳排放增长的主要原因。2007 年碳排放量增幅为6.87%,出现第2 个增幅峰值,该现象的出现则主要是因为农药、化肥碳排放较上年有较大增长,分别增长21.92%和5.87%。

2010—2015 年为过渡期,农业碳排放量逐年增加,增长幅度呈下降趋势。2015 年达到全阶段峰值1759.66 万t,年均增速由前一阶段的4.54%下降至2.70%,年环比增速由2010 年的5.02%逐年下降至2015 年的0.18%。该阶段农业碳排放强度总体呈上升趋势,由585.08 kg·hm−2增长至655.61 kg·hm−2。化肥、农膜产生碳排放量的增幅呈现逐年递减的趋势,农药、农业机械、农业灌溉和农业翻耕4 类碳排放源产生的碳排放量呈波动状态,增长幅度亦不稳定。

2016—2019 年为平稳下降期,农业碳排放总量在2015 年达到峰值1759.66 万t 后,呈逐年递减的趋势,环比增速逐年负增长,由2016 年的−1.23%增大至−4.53%。碳排放强度总体变化趋势与碳排放总量趋同,由2016 年的645.66 kg·hm−2下降至2019 年的587.15 kg·hm−2,环比增速则由2016 年的−1.52%负增长至−4.82%,源于化肥、农药、农膜和农业机械的农业碳排放总体呈下降趋势,且保持碳排放强度增量呈连年负增长的趋势。

2.1.2 农业碳排放效应空间变异特征分析

2000—2019 年农业碳排放总量的全局空间自相关性分析结果表明(表3),研究期内各特征年份的Moran’sI值均通过显著性水平P=0.001 的检验。各特征年份的Moran’sI(0.8334～0.9419)均大于0.8,说明东北三省农业碳排放呈现显著的空间正向自相关性。总体趋势上,各特征年份全局Moran’sI指数波动增加,从2000 年的0.8334 上升至2019 年的0.9419,充分说明随着时间推移,东北三省农业碳排放空间自相关性逐渐增强,即空间集聚程度呈增强趋势。为进一步揭示研究区农业碳排放总量自相关差异程度与集聚原因,将各市域碳排放总量属性与空间位置进行LISA 空间集聚情况分析(表4),并将其划分为碳排放热点区和冷点区。因2019 年各地级市空间分异特征最为显著,故以该年数据总结碳排放冷、热点区特征。

表4 2000—2019 年东北三省各市农业碳排放总量LISA 空间集聚情况Table 4 Spatial agglomeration of total agricultural carbon emissions LISA in each city of the three northeastern provinces from 2000 to 2019

1)碳排放热点区,即“高-高”碳排放量集聚区,自身及周边地级市碳排放量处于高水平。研究区近20 年农业碳排放热点区空间分布呈扩张趋势,由松嫩平原逐步扩充至辽河平原,包括齐齐哈尔市、长春市等8 个地级市。热点区农业碳排放量总和达683.57 万t,占东北三省碳排放总量的42.80%,其主要表现为“耕地资源集聚、碳排放强度低”,该区域平均碳排放强度低于全域平均碳排放强度。但其中也存在个别地区呈现“耕地资源集聚、碳排放强度相对较高”的特征,四平市和沈阳市耕地面积分别为94.06 万hm2和85.92 万hm2,碳排强度分别为759.66 kg∙hm−2和870.89 kg∙hm−2(表 5)。极个别地区呈现“耕地资源匮乏、碳排放强度高”的特征。吉林市耕地面积65.59 万hm2,碳排放强度达980.86 kg∙hm−2,位居市级尺度碳排放强度第9 位,这与该区域过高的农药和化肥使用量有较大关系。

2)碳排放冷点区,即“低-低”碳排放量集聚区,自身及周边地级市碳排放量处于低水平。该集聚区农业碳排放效应随时间变化特征不显著,主要集中分布在东部长白山脉和北部大兴安岭附近,包括鞍山市、抚顺市、本溪市等19 个地级市。以2019 年为例(表5),冷点区总体呈现“耕地资源贫乏,碳排放强度低”、内部呈现“两极化”的特征。冷点区农业碳排放量总和为304.99 万t,占碳排放总量的19.10%。冷点区农业碳排放“耕地资源贫乏,碳排放强度高” 的特征,以辽宁省辽源市、葫芦岛市和通化市最为显著,碳排放强度高达1046.50 kg∙hm−2、1005.92 kg∙hm−2、984.44 kg∙hm−2,均高于全域平均碳排放强度。冷点区碳排放的“耕地资源贫乏,碳排放强度低”特征,以黑龙江省双鸭山市、鸡西市和大兴安岭地区最为显著,碳排放强度为317.74 kg∙hm−2、311.27 kg∙hm−2、180.32 kg∙hm−2,显著低于全域平均碳排放强度。该区域由于地形地貌条件限制了耕地资源面积及投入状况,主要依赖于“低农资投入、靠天吃饭”的耕作条件和习惯。

表5 2019 年东北三省各地级市农业碳排放总量、各碳源排放占比及碳排强度Table 5 Total amount of agricultural carbon emissions,proportion of carbon emissions from each carbon source and carbon emission intensity of each city in the three northeastern provinces of China in 2019

2.2 东北三省农业碳排放影响因素分析

利用LMDI 模型将农业碳排放驱动因素划分为农业生产效率因素、农业产业结构因素、农业经济发展水平因素和农业劳动力规模因素,以2000 年为基期,计算2001—2019 年各因素对碳排放的影响方向和贡献值(图3 和表6)。通过因子探测分析可知,4 个驱动因素的P值均小于0.05,表明各驱动因素具有高度显著性。在此基础上,交互探测各驱动因素之间的作用关系。

图3 2001—2019 年东北三省农业碳排放驱动因素对农业碳排放量的贡献率Fig.3 Contribution rates of driving factors to agricultural carbon emissions in the three northeastern provinces of China from 2001 to 2019

表6 2001—2019 年东北三省农业碳排放驱动因素分解Table 6 Decomposition of driving factors of agricultural carbon emissions in the three northeastern provinces of China from 2001 to 2019×104t

总体来看,农业经济水平的提高对农业碳排放表现为高度促进效应,其在农业碳排放效应驱动因素中始终占据重要地位。近20 年,研究区农业经济水平提升导致的碳累积排放量高达31 528.85 万t,其贡献率高达349.59%。农业生产效率、农业产业结构、农业劳动力对碳排放均呈抑制效应,抑制效应由强到弱依次为: 农业生产效率>农业产业结构>农业劳动力规模。2001—2019 年,农业生产效率的提高可以有效抑制农业碳排放,由此减少的碳排放总量累计达18 696.83 万t,合计贡献率约为−207.31%。农业产业结构合理调整以及农业劳动力规模减缩对农业碳减排具有推动作用,二者在2001—2019 年间分别累积减少了1944.82 万 t 和1868.35 万 t 的碳排放,合计贡献率分别为−21.56%和−20.72%。

探测结果(表7)表明,4 个驱动因素两两叠加形成的交互因子对碳排放的影响效果相较单因子均明显增强。从对碳排放的解释程度来看,ALFS∩APE、ALFS∩AIS 和ALFS∩AEDL 解释程度最高,对农业碳排放的解释力均不低于90%。从驱动因素间的相互作用关系来看,AEDL 同APE 和AIS 之间具有高度协同性,呈非线性增强特征,这表明含农业经济发展水平的关键交互因子对碳排放空间分异格局具有多重空间叠加交互效应。随着低碳农业科技发展、配方施肥技术推广应用以及农业产业结构的不断调整,农业生产效率不断提高,农业产业结构也实现了一定的优化,这表明农业经济的高速发展不断带动农业生产效率提高和农业产业结构的合理配置,而农业生产效率的科学发展和农业产业结构的优化也促进了农业经济水平提升。ALFS 同APE、AIS、AEDL 之间以及APE 同AIS 之间呈现双因子增强特征,其作用关系弱于AEDL 同APE、AIS 之间的协同程度,但总体来看,4 个驱动因素之间均存在协同作用关系。

表7 2001—2019 年东北三省农业碳排放驱动因素交互探测器结果Table 7 Results of interactive detector of driving factors of agricultural carbon emissions in the three northeastern provinces of China from 2001 to 2019

3 讨论与结论

3.1 讨论

本文基于2000—2019 年农用物资投入面板数据测算东北三省农业碳排放效应,在诸多学者通过LMDI 模型[12]、Kaya 恒等式[13-14]等方法探索单一驱动因子对碳排放效应影响的基础上,引入地理探测器探测各驱动因子之间的交互作用,进一步明晰驱动因子间的权衡协同关系。

本文农业碳排放测算结果同田云等[30]、李政通等[31]一致,同时本文研究尺度为地级市,农业碳排放总量的空间集聚特征更为显著,测算数据更为具体。东北三省2010 年前后碳排放强度及其环比增速出现极端情况,碳排放强度达历史低谷(585.08 kg∙hm−2),这可能与该年东北地区发生特大洪涝灾害有关,该现象的出现也说明农业具有弱质性[32],生产活动及碳排放效应易受极端自然灾害的影响。

相较于邱怡慧等[8]、田云等[20]的研究成果,本研究在明晰驱动因素单独对碳排放贡献程度的基础上,进一步明确了驱动因素之间存在较强的协同作用。研究结果表明稳定的农业经济增长可以持续带动东北地区农民增收,促进东北地区经济社会的持续发展,长久来看,其将始终是影响农业碳排放的重要驱动因素。从作用效果来看,农业生产效率提高对碳排放抑制效应逐年增强,但在2014 年后趋于稳定,难以进一步提升。农业产业结构优化与农业劳动力规模缩减直接抑制农业碳排放,其与农业经济发展水平分别交互的作用结果促进农业碳排放。尽管研究发现东北三省农业碳排放在短期内可能呈现一定的下降趋势,但碳排放总量依旧处于较高水平。

为促进东北地区农业碳减排、推进农业投入品减量化政策,本文对研究区农业碳排放的测算仅考虑农业生产活动中物资投入所导致的碳排放效应,并未考虑农田的直接排放,故测算结果仅为农业碳排放的一部分,但这并不影响本文主要结论的参考价值。本文强调耕地资源低碳利用的重要性，这既是国家政策要求，也是实现高质量农业发展的紧迫任务，本文取得的结论可以为农业碳减排和农业投入品减量化等政策的制定提供一定参考。

3.2 结论

1) 2000—2019 年东北三省农业碳排放总量整体呈现“先上升、后下降”的态势,碳排放增量变动可划分为“波动上升期—过渡期—平稳下降期”3 个阶段。6 种碳源的碳排放量呈现出不同程度增长,均保持高于2%的年均增长率,化肥施用是农业碳排放的主要来源。

2)东北三省农业碳排放总量在空间上呈现显著的空间自相关性,具有明显的空间集聚分布态势。农业碳排放热点区主要分布在东北平原区域,呈现总体“耕地资源集聚,碳排放强度低”、个别地区特征差异化的特征,集聚趋势和范围不断扩增。莫兰指数整体呈上升趋势,这也说明东北三省各地级市农业碳排放总量易受周边地区影响且影响程度不断加深。

3)东北三省农业碳排放总量受到多种因素的综合影响。驱动因素对碳排放效应的影响和贡献力大小排序为农业经济发展水平>农业生产效率>农业产业结构>农业劳动力规模。农业经济水平的提高对农业碳排放呈高度正向促进效应,农业劳动力规模呈现缩减趋势,故同农业生产效率和农业产业结构因素均表现为抑制效应。农业经济发展水平与农业生产效率、农业产业结构之间呈现非线性增强,劳动力规模与其他因素叠加均呈现出双因子增强的作用效果,这也说明驱动因素之间存在较强的协同性。