“双碳”目标下江西省农业碳排放量测算、影响因素分析与预测研究

黄和平,李紫霞,黄 靛,谢美辉,王智鹏

(1.江西财经大学经济学院,江西 南昌 330013;2.南昌航空大学信息工程学院,江西 南昌 330063;3.南昌工程学院工商管理学院,江西 南昌 330099;4.江西农业大学经济管理学院,江西 南昌 330045)

农业部门产生的碳排放在很大程度上影响了经济、社会和生态效益之间的平衡,全球碳排放总量中农业碳排放量占比达13%[1]。中国是温室气体排放大国[2],江西省是中部地区的农业大省[3],农业是支撑其经济发展的保障[4]。农业现代化进程不断加快,导致大量的温室气体排放,引发了绿色低碳农业与经济增长之间的矛盾。推进农业碳达峰碳中和是加快“双碳”目标实现以应对气候变化的重要举措,也是落实乡村振兴战略的重要途径。农业系统碳排放研究及达峰预测对江西省乃至中国达成“双碳”目标[5]、实现乡村振兴战略、推动美丽中国建设有重要作用。

为了提升农业生产适应气候变化的能力,农业碳排放与碳减排问题备受国内外学者关注。国内关于这方面的研究主要包括以下4个方面:(1)农业碳排放核算。主要包括排放因子法[6]、质量平衡法[7]、实测值法[8]和模型法[9]等测算方法,其中排放因子法运用相对较广,主要原因是其数据获取较为方便且可较精准地反映农业各碳排放源的情况。(2)农业碳排放影响因素。周一凡等[10]认为,农业碳排放量的增长主要是该行业经济不断发展所致;胡婉玲等[11]认为,对于全国及东部地区,生产效率、农业产业结构和农村人口是3个主要减排因素;韦沁等[12]研究得出,农业产业结构优化、农业人口整体减少等因素会抑制农业碳排放量增长;刘琼等[13]认为,畜禽养殖碳排放与各类农村居民收入之间存在长期协整和动态响应关系。(3)农业碳排放减排机制。韦玉琼等[14]认为,养殖业碳排放量最高但也最具减排潜力;田云等[15]认为,河南农业碳减排补偿金额在全国居第1位,而西藏、青海和福建排后3位。(4)农业碳排放预测。目前主要采用环境库兹涅茨曲线、STIRPAT模型、灰色预测模型和LEAP模型等传统方法进行预测[16],这些方法存在不确定性较高或偏差较大等问题,且对于波动以及复杂非线性变化趋势的刻画较弱。而XGBoost决策树的集成模型是大多数研究者进行预测的首选工具[17-18]。综合来看,学者们通过不同的测算方法、影响因素分析和预测模型,致力于提升农业生产适应气候变化的能力,以实现低碳农业目标。

目前关于碳排放的研究主要以全国作为研究区域,而关于江西省农业碳排放的研究存在不足。曹俊文等[3]研究得出,在抑制江西省农业碳排放增长方面,农业生产效率发挥的作用最大;张小友等[19]则认为江西省农业碳减排效果一直未达理想要求,主要原因之一是该省耕地利用强度加大。2022年江西省农业农村厅发布的《江西省农业农村减排固碳实施方案》提出了稻田甲烷减排行动、化肥减量增效行动、畜禽低碳减排行动等农业农村减排固碳“八大行动”,要求到2030年农业农村发展全面绿色低碳转型取得显著成效。该研究在上述研究的基础上做了以下2个方面的延伸:一方面,由于目前尚少有学者对江西省农业碳排放的计算、影响因素和排放预测同时进行研究,笔者选择江西省2000—2020年主要农业生产数据作为样本进行碳排放研究,将研究内容聚焦在农业碳排放预测上,并将秸秆焚烧碳排放纳入农业碳排放指标中;另一方面,在方法论上,对既有的农业碳排放预测方法进行改进,采用XGBoost模型对江西省农业碳排放总量进行预测,为农业减污降碳和碳达峰研究提供依据。

1 研究方法与数据来源

在采用联合国政府间气候变化专门委员会(IPCC)碳排放模型对江西省农业碳排放量进行测算的基础上,结合农业生产总值计算碳排放强度。然后通过LMDI模型进行农业碳排放影响因素分解,最后采用XGBoost预测模型对农业碳排放量进行预测,得出江西省总体及11个地级市的农业碳排放现状。

1.1 农业碳排放测算

采用IPCC发布的碳排放相关系数[20-21],并利用已有研究成果,主要从种植业、畜禽养殖业2个方面对农业碳排放量进行测算。

1.1.1种植业碳排放

种植业碳排放主要包括农业物资投入碳排放(化肥、农药、农用薄膜、农业灌溉及农业机械)、农田土壤利用碳排放、秸秆焚烧碳排放。借鉴田云等[22]的研究成果,构建农业物资投入和农田土壤利用碳排放测算公式:

C=∑Ci=∑Ti×δi。

(1)

式(1)中,C为农业碳排放总量, 万t;Ci为各源类碳排放量,万t;Ti为各源类活动水平;δi为各源类碳排放系数。

基于彭立群等[23]的研究成果,秸秆露天燃烧的碳排放量计算公式为

(2)

式(2)中,E为秸秆焚烧的碳排放量,万t;k为农作物类别;Pk为农作物k的产量,万t;Ck为农作物k的草谷比;Rk为农作物k秸秆露天焚烧比例;F为焚烧效率;FE,k为农作物k秸秆露天燃烧的各源类碳排放因子。

种植业碳排放量测算所需的各类系数见表1～2。IPCC在2013年发布的评估报告显示,CH4和N2O 转化为CO2的100 a增温潜势系数分别为28和265。

表1 种植业碳排放源及碳排放系数

表2 各类农作物的草谷比、燃烧效率和露天焚烧比例[23]

化肥、农药的碳排放系数来源为美国橡树岭国家实验室(ORNL),农膜的碳排放系数来源为南京农业大学农业资源与生态环境研究所(IREEA),农业机械的碳排放系数来源为IPCC。农田土壤利用各源类及农业灌溉的碳排放系数参考刘杨等[24]的研究成果;秸秆燃烧各源类的碳排放系数参考彭立群等[23]的研究成果。1)P为农业播种面积,W为农业机械总动力。

1.1.2畜禽养殖碳排放

牛、羊等反刍动物肠道发酵形成的CH4和N2O是畜禽养殖碳排放的主要来源。参考IPCC和联合国粮农组织(FAO)的相关报告,由于禽类胃肠发酵几乎不产生CH4,笔者未对其进行测算。畜禽养殖碳排放计算公式为

(3)

式(3)中,Clive为养殖业CH4或N2O年排放总量,万t;Ni为i种畜禽年平均饲养量,头(只);δi为i种畜禽CH4或N2O排放系数(表3)。

表3 畜禽养殖碳排放源、CH4和N2O排放系数[26]

鉴于各畜禽养殖周期不一致,依据畜禽出栏率[25]对畜禽年均饲养量进行调整。其中,生猪、兔及家禽的出栏量大于1,平均生命周期依次为200、105和55 d[26]。若出栏率≥1,平均饲养量依据出栏量进行调整,即

Ni=Di×Mi/365。

(4)

式(4)中,Ni为i种畜禽年平均饲养量, 头(只);Di为i种畜禽平均生命周期,d;Mi为i种畜禽年生产量(出栏量),头(只)。

若出栏率小于1,畜禽的年平均饲养量依据年末存栏量进行调整,即

Ni=(Ci,t+Ci,t-1)/2。

(5)

1.2 农业碳排放强度及碳排放结构

农业碳排放强度可以用来衡量农业碳排放的水平[26],其计算公式为

CI=C/PGD。

(6)

式(6)中,CI为农业碳排放强度, t·万元-1;C为农业碳排放量,t;PGD为农牧业生产总值,万元。

碳排放结构(Ri)的计算公式为

Ri=Ci/C。

(7)

式(7)中,Ci为i种源类碳排放量, 万t;C为农业碳排放总量,万t。

1.3 农业碳排放分解及影响因素模型

辨析农业系统中的碳排放影响因素,有助于实现农业的绿色发展[28]。根据Kaya碳排放恒等式的基本形式并借鉴已有研究[11],将碳排放量作如下变形:

(8)

CI=C/PGD,P,

综上，下行方向裂缝的开裂程度较上行方向更严重，纵缝尤为明显，这与上下行的行车荷载大小相吻合。且下行方向出现车辆超载的情况，根据刘彦光等学者的研究[4 ]，超限重载车是引发纵缝的主要因素之一。

(9)

AI=PGD,P/PGD,A,

(10)

IS=PGD,A/PGD,

(11)

EDL=PGD/PT,

(12)

URB=PT/PR。

(13)

式(8)～(13)中,C为农业碳排放量,万t;PGD,P为农牧业GDP,万元;PGD,A为农牧渔林业GDP,万元;PT为地区总人口,万人;PR为农村总人口,万人;CI为农业生产效率;AI为农业产业结构;IS为地区产业结构;EDL为地区经济发展水平;URB为城镇化水平。

采用LMDI加和分解方式对式(8)进行进一步分解,以量化各因素对碳排放的影响大小,具体为

ΔC=Ct-C0=ΔCI+ΔAI+ΔIS+ΔEDL+ΔURB+ΔP。

(14)

式(14)中,ΔC为农业碳排放变化总量,万t;t为时期(t=1,2,3,…,n);“0”表示基期;ΔCI、ΔAI、ΔIS、ΔEDL、ΔURB、ΔP分别为农业生产效率、农业产业结构、地区产业结构、地区经济发展水平、城镇化水平和农村人口对农业碳排放从基期到t时期变化量的贡献值,万t。

1.4 农业碳排放量预测

1.4.1XGBoost算法

XGBoost即极限梯度提升算法,广泛适用于监督学习范畴,采用训练数据对目标变量进行预测[29],具有准确度高、不易过拟合等特点[30-31]。将包含p个特征和容量为q的数据记为

T={(xi,yi)(|D|∈q,xi∈Rp,yi∈R)}。

(15)

式(15)中,D为监督学习数据集;R为实数域。回归树模型函数[32]可表示为

(16)

(17)

1.4.2贝叶斯优化过程

贝叶斯优化(Bayesian optimization,BO)是一种基于模型的序贯优化[33],该算法分为先验函数与采集函数2个核心过程。该研究中先验函数采用高斯过程回归,采集函数采用改进概率(probability of improvement,PI)[34]。

1.4.3模型框架

上述基于贝叶斯优化XGBoost的农业碳排放量预测模型如图1所示。首先,运用农业碳排放量数据生成数据集,接着将数据进行归一化,并采用双重插值法对缺失值进行处理。其次,将处理后的数据集导入XGBoost模型进行运算。再次,选择贝叶斯优化算法进行超参数调优。该研究采取单步预测的方式对碳排放量进行预测,每一步训练好的XGBoost模型可用于未来碳排放量预测,输入历史碳排放量(前8 a碳排放量)特征数据,预测下一年的碳排放量数据,将预测数据放入模型中进行再次训练,得到新的XGBoost模型,用于预测下一年的碳排放量,以此循环直至预测到2050年,预测训练停止。

图1 基于贝叶斯优化XGBoost的碳排放量预测模型

1.5 数据来源

以2000—2020年江西省及11个设区市为研究样本,研究涉及的原始数据均来自于2001—2021年《江西统计年鉴》《改革开放三十年农业统计资料汇编》及江西省各设区市统计年鉴。对于研究周期内缺失的部分数据,分别从江西统计局统计数据库、各设区市《国民经济和社会发展统计公报》获取,个别缺失年份数据采用多重插补法对缺失值进行填补。

2 江西省农业碳排放时空演变特征

2.1 碳排放时序特征

2000—2020年江西省农业碳排放总量及强度变化趋势见图2。2000—2020年江西省农业碳排放总量呈现先下降后上升再下降的波动变化趋势,总体呈上升趋势。2000年碳排放量为4 018.6万t,之后逐年下降,至2003年达最小值3 855.4万t,比2000年减少4.1%,年均下降1.4%,同比下降3.3%。这主要有以下几点原因:一方面,江西省在2003年出现罕见的大范围高温干旱,并且干旱一直持续到冬季,使得农产品产量下降,种植面积也有所减少,碳排放量随之降低;另一方面,由于该时期江西省农产品的品种结构比较单一,农产品流通滞后于生产,致使农产品销量下降,农产品的种植面积随之下降,这对于农业碳减排也有一定的效果。2004—2015年碳排放量逐步上升,至2015年达最大值5 028.8万t,比2000年增加25.1%,特别指出的是,2004年增速最高,同比增长10.3%。在此期间江西省农业碳排放量快速增加,其原因是中央提出的惠农政策提高了农民的生产积极性。2016—2020年农业碳排放量波动下降,比2000年增加12.1%。主要是因为全国范围内倡导的“化肥零增长”行动,降低了农资投入所产生的碳排放量;并且江西省在2014年获得了“全国首批生态文明先行示范区”的称号,绿色农业与循环经济得到了进一步发展。2000年江西省农业碳排放强度为0.709 t·万元-1,到2020年下降至0.110 t·万元-1,总体下降77.5%。由此可见,江西省农业绿色发展政策效果显著,农业增长方式正在由粗放型向低碳经济型的可持续农业转变。

图2 2000—2020年江西省农业碳排放总量及强度变化趋势

2000—2020年江西省农业各源类碳排放量变化见图3。农业碳排放源类贡献率由高到低依次为农田土壤利用、畜禽养殖、农资投入和秸秆焚烧。从逐年变化情况看,2017年后农田土壤利用碳排放量占比呈波动上升趋势,而畜禽养殖碳排放量占比呈波动下降趋势。这主要是因为近年居民生活质量上升,对绿色有机蔬菜等购买量增加,促使农产品种植规模扩大。而2018年的重大生猪疫情造成生猪存栏量大大下降,且在国际原油价格上涨的背景下,饲料成本增加,也使得牲畜养殖量下降。

图3 2000—2020年江西省农业各源类碳排放量变化

2.2 碳排放区域特征

图4显示,2000—2020年吉安、宜春和赣州的累计农业碳排放量居前3位,均超过1.3×108t;其次是上饶和抚州,累计农业碳排放量为1.0×108～1.3×108t;九江为0.7×108t,鹰潭、新余、景德镇、萍乡均低于0.3×108t。农业碳排放强度并不取决于资源总量的基数,能直接反映出不同地区低碳农业发展水平的差异。2000—2020年江西省11个地级市的年平均碳排放强度差异较大。江西省年平均碳排放强度为0.39 t·万元-1。各地级市比较而言,萍乡低于0.26 t·万元-1,景德镇和赣州介于0.26～0.32 t·万元-1之间,九江、抚州、南昌、鹰潭和新余介于0.32～0.39 t·万元-1之间;而吉安、鹰潭和宜春的平均碳排放强度高于0.39 t·万元-1,即高于全省平均水平。综上所述,农业碳排放强度的高低很大程度上取决于该地区农作物种植投入方向以及工业发展水平,吉安的碳排放强度占全省首位,这主要是因为农资投入碳排放量占比较大,应该合理选肥,掌握化肥减量的核心技术,并大力推广绿色虫害防控技术。

图4 2000—2020年江西省各地级市累计碳排放量及平均碳排放强度分级

根据图5所示的农业碳排放结构来看,江西省各地级市的农田土壤利用、畜禽养殖、农资投入、秸秆焚烧碳排放量平均占比分别在34.8%～50.4%、14.9%～31.0%、15.4%～26.2%、12.1%～20.3%之间,说明农田土壤利用的碳排放在这4类碳源中占比最高,景德镇、九江和上饶的农业碳排放中畜禽养殖碳排放占比最小,其余地级市均为秸秆焚烧碳排放占比最小。

图5 2000—2020年江西省各地级市累计碳排放量结构

2000—2020年江西省各地级市农业碳排放量及碳排放强度见表4～5。

表4 2000—2020年江西省各地市逐年农业碳排放量及其变异系数

2000—2003年各地级市碳排放量总体呈下降趋势,景德镇、赣州、吉安、宜春和上饶在2016年左右出现峰值;南昌、九江、萍乡、鹰潭和抚州在2013年左右出现峰值,然后波动变化;新余在2005年出现峰值,出现峰值的时间较早。

由表5可知,江西省各地级市碳排放强度呈逐年下降趋势,2000—2020年各地级市下降幅度为73.45%～83.49%,与省级层面变化趋势相符。从变异系数来看,2000—2020年江西省11个地级市农业碳排放量年变异系数在59.7%～62.0%之间,而碳排放强度年变异系数在12.6%～21.0%之间,可以看出江西省各地级市的农业碳排放强度存在较大的差异性。碳排放量及碳排放强度的变异系数都呈逐年增加趋势,且碳排放强度变异系数的增幅更明显,这表明不同地区的绿色农业发展水平差异越来越明显,致力于发展绿色低碳经济的城市碳排放量下降速度较快,同时大力发展经济作物的地区碳排放强度下降速度也较快。

表5 2000—2020年江西省各地级市逐年农业碳排放强度及其变异系数

3 江西省农业碳排放影响因素分析

江西省农业碳排放影响因素的分解结果见图6。与2000年相比,2001—2020年江西省农业碳排放量累计增加11 933.4万t。农业生产效率、农业产业结构、地区产业结构及劳动力规模因素对农业碳减排作用有限。对农业碳减排影响最大的是农业生产效率提升,累计实现65 091.6万t碳减排。相比之下,农业产业结构优化、地区产业结构调整及劳动力规模因素对减排的作用有限,如不受其他因素影响,分别可产生99.3万、2 570.9万和974.3万t的年均碳递减量。2000—2020年江西省种植业和畜禽业生产总值占农业生产总值的比例下降8.0%,农村人口占比下降32.0%,这表明江西省不断推进产业结构调整,推广优良品种的栽培与养殖技术,提高城镇化水平,减排效果显著。导致农业碳排放量增加的主要因素是地区经济发展水平和城镇化率,分别累计增加125 113.6万和24 261.4 万t的碳排放量,表明江西省农业碳排放与经济发展未完全脱钩[35],未来一段时间内,江西省的经济发展仍会在很大程度上阻碍农业碳排放量的减少,减污降碳等工作有待进一步推进。

ΔCI、ΔAI、ΔIS、ΔEDL、ΔURB、ΔP、ΔC分别表示农业生产效率、农业产业结构、地区产业结构、地区经济发展水平、城镇化水平、农村人口对农业碳排放变化的贡献值、农业碳排放量。

由表6可知,2000—2020年江西省11个地级市农业碳排放量累计增加105.2万～2 246.4万 t。此外,各地级市农业生产效率、农业产业结构、地区产业结构、劳动力因素对碳减排作用有限,地区经济发展水平及城镇化因素则促进了农业碳排放量的增加。

表6 2000—2020年江西省各地级市农业碳排放影响因素的平均贡献值

值得注意的是,不同地级市的农业产业结构对农业碳减排的影响存在显著差异。仅萍乡和景德镇的农业产业结构对碳减排有促进作用,贡献值分别为80.6万和116.0万 t。这2个市的畜禽养殖规模扩大以及秸秆焚烧量增加导致碳排放量增加,为了推动畜牧业绿色低碳发展及秸秆综合利用,迫切需要实施精准饲喂,提高畜禽粪污处理水平,同时要健全秸秆收储运体系,以合力统筹推进农业农村现代化。

4 碳排放预测及达峰分析

碳排放序列的监督学习模型以前t期的碳排放值为输入特征数据,第t+1期的数据值为输出数据。为了进行模型训练,选择时间窗口t=8,并采用前向验证技术对模型进行评估,前向验证技术的步骤如下:首先,将除过去8 a外的所有数据用于模型训练,将近3 a的数据作为测试数据;然后,在训练数据集上进行训练并预测测试数据集的第1步,从而评估模型性能;接着,将测试集的真实观测值添加到训练数据集中,重新拟合模型,再让模型预测测试数据集的第2步;重复以上步骤,直到整个测试数据集都被预测完成,计算误差度量以评估模型的性能。通过调试和比较,选择时间窗口t=8,证明了该模型的可行性和有效性。

在进行模型预测时,为了提高预测的精度和鲁棒性,采用前向滚动窗口预测方法[36],该方法可以利用样本内数据作为特征数据传入模型,并得到一步预测值。接着,将这一步预测值扩充入样本数据中,以便将其作为新的样本数据传入模型,再次进行预测,从而得到更加准确的结果。这个过程可以重复多次,直到达到预设的预测步数。值得注意的是,这种方法可以在进行样本外预测时发挥作用,即在模型对未知数据进行预测时,可以使用样本内数据对模型进行“自我训练”,以提高模型的泛化能力和预测效果。

对江西省及11个地级市的农业碳排放强度按照上述方法进行训练并预测未来30 a的碳排放强度,结果如图7所示。根据预测结果,江西省及11个地级市的碳排放强度均在2030年前达到峰值。其中,新余农业碳排放达峰时间最早,在2005年已达峰;南昌、抚州和九江在2012年实现碳达峰;鹰潭和萍乡在2014年碳排放达到峰值;宜春、上饶和吉安在2015年达峰;赣州和景德镇在2016年达峰。2020年后,江西省碳排放量经历了短时间的上升后呈现波动下降趋势,其中宜春和新余震荡幅度较大,南昌、抚州及九江碳排放量有上升趋势,其他地区均在一段时间后趋于小幅的回落趋势。模型预测2030年江西省碳排放总量将达4 702.05万t。

决定系数R2也称拟合优度,其值越接近1,则模型的可信度越高,即预测值和真实值重合度越高[36]。从图7可见,江西省及11个地级市决定系数均大于0.90,其中江西省、九江和上饶的决定系数大于0.97,这表明样本中预测值和真实值非常接近,预测结果可信度较高,模型值得参考。

5 结论与启示

5.1 结论

对江西省农业碳排放特征、影响因素及达峰预测进行分析,得出以下结论:

第一,2000—2020年江西省农业碳排放总量呈现先下降后上升再下降的波动趋势,总体上呈上升趋势,这一时段农业碳排放强度呈下降趋势,这表明江西省农业生产正在向低碳绿色产业转型。

第二,农田土壤利用碳排放量在4类碳源中居于首位,畜禽养殖碳排放量次之,而占比最小的碳源为秸秆焚烧。江西省各地级市农业碳排放量及碳排放强度均存在一定的差异,其中宜春市农业碳排放量最大且平均碳排放强度最高,江西省农业生产效率、农业产业结构、地区产业结构及劳动力规模对农业碳减排作用有限,而农业碳排放量上升的主要因素为地区经济发展水平和城镇化率。

第三,预测结果表明,在其他条件不变的情况下,新余在2005年最早达峰,景德镇和赣州在2016年最晚达峰。2020年后,江西省碳排放量在攀升一段时间后呈现震荡回落趋势,其中宜春和新余震荡幅度较大,南昌、抚州及九江碳排放量均有上升趋势,其他地区均在一段时间后趋于小幅回落趋势。

5.2 启示

为了减缓气候变化并促进农业经济发展,江西省各地方政府应因地制宜,推动形成平衡协调的减排路径。

第一,江西省农业碳排放源类贡献率最高的是农田土壤利用,可见农田土壤固碳减排存在较大潜力。因此要以耕地土壤有机质提升为重点,实施有效的农田管理措施。江西省近年来鼓励农民采取秸秆还田、有机肥施用等措施,增加土壤碳汇,同时鼓励农民采用有机农业和绿色种植技术,减少农业生产中的化肥和农药使用,降低氮氧化物和甲烷等温室气体的排放,从而减少农业碳排放。

第二,宜春农业碳排放量最多且平均碳排放强度最高,可能是由于宜春粮食作物种植面积占比较大,而经济作物种植面积占比较小。因此,宜春可以鼓励农民采用高产、耐逆品种,实施农作物品种替代及化肥农药减量替代计划,同时发展优势新兴产业,为全市实现“双碳”目标夯实基础。

第三,从预测结果来看,2020年后南昌、抚州及九江碳排放量均呈持续上升趋势,应充分发挥当地资源优势,快速推进绿色低碳转型发展。其中,南昌优越的地理位置、便利的交通以及温和湿润的气候有利于推广绿色种植和低耗水灌溉技术,进而提高绿色农产品的比重;九江丰富的水资源利于推动节水灌溉技术,同时适宜的气候有利于发展当地特色有机绿色茶叶生产及水生农作物绿色种植;而抚州丰富的林果资源为发展有机果蔬、林业与生态农业提供了基础,进而增加碳汇能力,减少温室气体排放。