中国农业净碳汇时空分异与影响因素演进分析

2024-03-08张少鹏盛春光东北林业大学经济管理学院黑龙江哈尔滨150040

中国环境科学 2024年2期

贯君,张少鹏,任月,盛春光 (东北林业大学经济管理学院,黑龙江哈尔滨 150040)

全球气候变化已成为当今国际社会普遍关注的严峻问题.化石燃料燃烧和土地利用等人类活动导致了全球变暖,地表温度较工业化前升高1.1℃,全球温室气体排放量持续增加,而减排力度远远不足[1].我国于2020 年宣布力争在2030 年前实现碳达峰、2060 年前实现碳中和.增加碳汇和减少碳排是实现“双碳”目标的关键所在,而农业兼具碳源和碳汇双重属性,可以通过农作物和土壤微生物吸收大气中的温室气体,是唯一可以在短期内产生净碳汇的国民经济部门[2《].“十四五”全国农业绿色发展规划》也明确提出提高资源利用水平、增强减排固碳能力等目标.通过改善生产技术和种植模式等途径,农业碳汇可实现年均增长4‰,有望在2035 年扭转全球气候变暖趋势[3].因此,在“双碳”目标下探明农业净碳汇的时空格局及关键影响因素,对推动农业绿色低碳发展、释放农业增汇减排潜力具有重要意义.

目前,农业碳汇碳源领域的研究集中在净碳汇测算[4]、时空格局演变[5-7]、空间溢出效应检验[8-9]和影响因素分解[10-12]等方面;研究尺度由区域内部分异向区域间差异转变,涵盖国家[13-14]、区域[15-16]、省域[5,8]、市域[17]以及县域[6]等;研究行业涉及种植业[12]、海水养殖业[18]等.采取不同测度指标、方法获得的农业净碳汇核算结果差异较大,尚未形成一致结论,但学者普遍认为近几十年中国农业净碳汇量呈波动式增长[6],并存在显著的空间非均衡性[7,10].不同空间尺度下整体格局大致相近,省域呈由东向西逐次递减的分布格局[19],且具有显著的空间集聚和溢出效应[8-9];县域呈东南正碳汇、西北负碳汇的空间分异和集聚效应,并存在高值区域增多的改善趋势[6].不同行业净碳汇在空间格局和演变趋势上存在较大差异[20-21],中国海水养殖净碳汇量呈持续增长态势,但省际间差异较大[18],而种植业净碳汇量具有先增后减的倒“U”型特征[16],并呈现明显的“马太效应”[20].影响因素方面,学者们对保护性耕作能够直接影响农业净碳汇已基本达成共识[10,22],也有学者指出耕作措施[23]、稻草还田[24]等生产方式对净碳汇也具有较大影响.此外,学者普遍认为经济增长是影响农业净碳汇的主要因素,但在影响方式上结论并不一致.一种观点认为经济发展带来技术进步,使投入的农业生产物资质量提升,促进净碳汇增加,尤其在净碳汇水平较低时尤为显著[12],另一种观点则认为经济增长会导致消费增加,可能造成土地利用结构改变,影响林地草地面积,使农业净碳汇减少[9].也有研究指出农业机械化可通过跨区域作业克服土地产权不稳定、土地细碎化等限制,有助于实现农业规模化生产,降低碳排放强度[10,25].与此同时,邻近省域的农业内部结构、科技发展水平、工业化程度也有利于发挥农业碳汇效应[9],而城镇化和经济发展水平则表现出显著的抑制作用[9].除此之外,农业固碳效应的发挥还与劳动力教育水平[9,26]、财政支出[12,27]、农业保险政策[28]等因素有关.

以上成果为农业净碳汇研究奠定了良好基础,但仍存在一些不足:一是目前针对农业净碳汇的测度研究在广度和精度上仍存在欠缺,部分研究未能准确区分“碳”与“二氧化碳”,对温室气体排放量存在一定程度的低估,导致对净碳汇的核算存在较大误差;二是对中国省域农业净碳汇现状及特征把握不足,对农业净碳汇背后的影响因素缺乏系统且深入的剖析;三是受研究方法所限,传统计量研究得出的影响路径多以线性响应为主,而农业净碳汇与其影响因素之间是否存在非线性响应关系值得探索.针对上述不足,本文从农业物资利用、水稻种植、牲畜养殖、农地翻耕四方面估算温室气体排放总量,在此基础上测度并分析2002～2021 年中国31 个省份农业净碳汇总量和强度的时空演变趋势,并采用随机森林模型精准识别省域农业净碳汇的关键影响因素及时序演进趋势,探讨关键影响因素与净碳汇之间的非线性响应关系,以期为制定农业减排固碳政策和“双碳”目标实现提供科学参考.

1 研究方法与数据来源

1.1 研究方法

1.1.1 农业碳排放的测算本研究基于大农业范畴考察农业生产过程产生的碳排放.其中,生产要素投入着眼于其终端消费量,而对生产对象则考察其全生命周期.综合多位学者研究[4,8-9],并考虑数据可获得性和连续性,从四方面测算农业碳排放:一是农业物资利用引起的碳排放.一方面考察农用机械耕作过程中化石燃料使用产生的碳排放,以及作物灌溉过程中将灌溉水提升消耗的电能引起的碳排放,测算方法和排放系数参考陈罗烨等[6]和李波等[11]的研究(表1);另一方面考察农用物资投入引起的碳排放,主要指化肥、农药、农膜在自身产品形成和后续使用中释放的碳,排放系数及其来源参考陈罗烨等[6]、田云等[4]的研究(见表1).二是水稻种植引起的碳排放.稻田是温室气体CH4的重要排放源,由于各地区水热条件差异极大,种植时间与生长周期不尽相同,碳排放水平也存在差异.为减少测算误差,利用兼顾周期与地区差异的CH4排放系数分别测算早稻、中稻、晚稻稻田CH4排放量来估算碳排放,排放系数参考闵继胜等[29]的研究.三是牲畜养殖引起的碳排放.主要考虑牲畜饲养过程中肠道发酵产生的CH4,以及牲畜粪便所引起CH4和N2O 排放,排放系数主要参考IPCC[30]和胡向东等[31]的研究(表2).四是农地翻耕引起的碳排放.农作物种植过程中对土壤表层的破坏会导致土壤中有机碳流失并释放到大气中,本文着重考察我国主要农作物的土壤N2O排放量,包括稻谷、小麦(春小麦和冬小麦)、大豆、玉米、蔬菜及其他旱地作物,排放系数参考田云等[4].农业碳排放量计算公式为:

表1 农业物资利用碳源碳排放系数Table 1 Carbon emission coefficients of agricultural material utilization

表2 主要牲畜品种碳排放系数[kg C/(头·a)][30-31]Table 2 Carbon emission coefficients of major livestock species [kg C/(head·a)] [30-31]

式中:E和Ei分别表示农业碳排放总量和各类碳源产生的碳排放量;Ti表示某种碳源消耗的绝对量;δi表示某种碳源的碳排放系数;i表示碳源种类.为便于碳排放量的比较和加总,本文将温室气体排放量统一置换为标准C.借鉴IPCC 第四次评估报告计算温室气体碳排效应的方法,1t CH4和N2O 产生的温室效应分别相当于 25t CO2(6.8182t C)和 298t CO2(81.2727t C).

1.1.2 农业碳汇的测算农业碳汇广义上包含森林碳汇、草地碳汇、耕地碳汇、土壤碳汇等.本文借鉴陈罗烨等[6]的定义,将农业碳汇界定为农作物在生长过程中通过光合作用对大气碳的固定.参考李克让[32]的研究,根据不同作物经济系数和碳吸收率估算农作物生育期内的碳吸收量,计算公式为:

式中:C表示农作物碳吸收总量;Cj表示某种农作物碳吸收率,即合成单位有机质(干重)所吸收的碳量;Dj、Yj和Hj分别表示某种农作物的生物产量、经济产量和经济系数;rj表示农作物经济产品部分的含水量;j表示农作物种类.本研究所选取的主要农作物种类、经济系数、碳吸收率和含水量如表3 所示[4,33].

表3 主要农作物经济系数、碳吸收率和含水量Table 3 Economic coefficients, carbon absorption rates, and moisture content of major crops

1.1.3 农业净碳汇的测算净碳汇能够综合反应碳排放与碳吸收之间的平衡关系,也是表征区域减排增效的重要指标.农业净碳汇是指农业生产中对二氧化碳的净吸收量,即农业碳汇和碳排放的差值;净碳汇强度是指单位生产总值的净碳汇量,本文采用农业净碳汇量与农业生产总值比值来表示.农业净碳汇量I的计算公式为:

式中:I为某地区农业净碳汇量.当I>0 时表示碳汇量大于碳排放量,即碳盈;当I<0 时表示碳汇量小于碳排放量,即碳亏;当I=0 时为碳汇量与碳排放量相等,即碳中和.

1.1.4 随机森林模型随机森林模型是Breiman 提出的基于决策树的机器学习算法[35].该模型的基本思想是在输入数据集的随机样本和特征子集上构建多个决策树,通过随机数据抽样和特征抽样的方式将决策树的结果进行组合来预测输出变量.相较于其他机器学习算法,随机森林模型不需要假定数据遵循特定概率分布或数据产生于特定模型,具有可解释性强、对数据异常值和噪声容忍度高等优点,并能有效回避变量共线性现象和过拟合问题[36].本研究采用R 语言构建随机森林模型,定量测度解释变量相对重要性,识别影响农业净碳汇量的关键因素,以探明关键因素与农业净碳汇之间的复杂响应关系.

本研究进行随机森林模型分析时,以农业净碳汇量(NCS)作为模型输出变量,其测算方法如上文所述;参考佘宗昀等[28]、魏梦升等[37]的研究,从经济、技术、规模、社会等方面选取以下指标作为模型输入变量:秸秆还田(JXJG)和免耕播种(JXMG),分别以机械化秸秆还田面积和机械化免耕播种面积测度,反映保护性耕作水平;农业劳动力受教育程度(EDU)采用教育年限法测算人均受教育年限[37];农田灌溉条件(IRRI),使用农田有效灌溉面积来衡量;农业受灾率(AD),以农业受灾面积占农作物总播种面积比重反映农业风险水平;农业劳动力数量(AL),以第一产业从业人数衡量人力资源投入量;城镇化率(UR),以城镇人口占总人口比重表示城镇化水平;产业结构(INS),以第一产业产值占GDP 比重反映第一产业的贡献度;机械化水平(AM),以农业机械总动力与农作物播种面积比值测度农业机械化程度;粮食单产(PY),以粮食总产量与粮食播种面积比值表示;农业经营规模(AS),以粮食播种面积占农作物总播种面积比重表示;农业经济发展(AE),以农林牧渔总产值与农村地区总人口的比值衡量;地区经济发展(PGDP),以人均地区生产总值衡量;农业技术进步(EC),采用SBM 模型Malmquist-Luenberger 指数测算,以种植业总产值、农业碳汇量作为期望产出,农业碳排放作为非期望产出,两者共同作为产出指标,选取农业劳动力投入(第一产业从业人数)、土地投入(农作物总播种面积)、机械投入(农业机械总动力)、化肥投入(化肥折纯量)和灌溉投入(有效灌溉面积)为投入指标.

1.2 数据来源

基于数据可获得性与口径一致性,选取中国31个省(市、自治区)2002～2021 年连续面板观测数据作为样本,研究未涉及港澳台.所有数据均来自历年《中国农村统计年鉴》、《中国农业机械工业年鉴》、《中国统计年鉴》、地方统计年鉴和国家统计局网站整理计算获得,部分缺失数据采用平滑法予以补齐,涉及价格因素的相关指标均以2002 年为基期进行平减处理.各变量的描述性统计如表4 所示.

表4 变量描述性统计Table 4 Descriptive statistics of variables

2 结果与讨论

2.1 农业净碳汇时空特征

2.1.1 农业净碳汇时序特征分析根据上文所述测算方法,对2002～2021 年中国农业碳排放量和碳汇量进行逐年测算,并以此为基础计算农业净碳汇量以及碳汇与碳排放的比值,结果如图1 所示.

图1 2002～2021 年农业净碳汇总量与结构变化Fig.1 Total and structural changes in agricultural net carbon sequestration from 2002 to 2021

图1 显示,考察期内我国农业净碳汇量基本呈现上升态势,但增速逐渐放缓,由2002 年的22965.13万t C增至2021年的49992.53万t C,增幅达117.69%,年均递增5.88%.碳排放量由2002 年的27896.07 万t C 降至2021 年的27495.88 万t C,减排1.43%,年均递减0.07%;碳汇量由2002 年的50861.20 万t C 增至2021 年的77488.40 万t C,增汇52.35%,年均递增2.62%;碳汇/碳排放在1.71～2.82 之间波动,说明每年农业活动产生的碳汇超过其碳排放2 倍以上.考察期内我国农业碳排放已基本达到峰值且较为稳定,得益于农业碳汇量的持续增长,农业净碳汇量大幅增加,说明我国农业减排增汇取得了一定成效.

由图2 可见,考察期内我国农业碳排放总量虽小幅下降但伴随一定波动,大致呈现“下降-上升-下降”的三阶段变化过程.2002～2011 年为第一阶段,尽管2003、2004 年有所增长,但从2005 年起逐年下降,2011 年较2002 年减少1044.92 万t.该阶段内牲畜养殖和物资利用产生的碳排放占比超过三分之二.2012～2013 年为第二阶段,碳排放量在2013 年达到峰值29878.80 万t,2a 增长了11.28%.尽管能源利用和农业物资投入在这一阶段有所减少,但牲畜养殖的迅速增加导致碳排放总量仍然大幅增长.2014～2021 年为第三阶段,碳排放量持续下降,相比2013 年减少了7.98%.该阶段碳减排成效主要归功于能源与物资利用效率的不断提升以及大型牲畜养殖规模的缩减与结构优化.

图2 2002～2021 年农业碳排放结构变化Fig.2 Structural changes in agricultural carbon emissions from 2002 to 2021

图3 显示,考察期内我国农业碳汇整体呈现明显的逐年上升趋势.从内部构成来看,玉米、稻谷和小麦的碳汇量约占碳汇总量的三分之二,而蔬菜、油菜籽、花生、甜菜等经济作物的占比较小.不难发现,粮食作物产量的持续增加是碳汇不断增长的主要原因.从2004 年起,惠农型中央“一号文件”的连续颁布带动了种植产业的迅速复苏,我国粮食总产量持续增长,屡创新高,农业固碳效果显著.从2004～2021年,中央连续18a 不间断发布惠农型一号文件,促进了种植业的快速复苏,粮食产量稳步增长,农业固碳量持续提升.

图3 2002～2021 年农业碳汇结构变化Fig.3 Structural changes in agricultural carbon sequestration from 2002 to 2021

为考察各省份农业净碳汇变化趋势,绘制2002～2021 年净碳汇总量和强度热力图表征变化偏向(图4).从净碳汇量变化来看,黑龙江、内蒙古、河南、山东净碳汇增加量超过2000万t C.黑龙江省作为我国重要粮食生产基地和碳汇大省,在推动现代化、高效化的农业生产中,通过实施现代农业示范区建设、绿色种植技术推广等多项政策措施,20a 间净碳汇增长了4813.04 万t C,约相当于2002 年全国净碳汇总量的五分之一,是增加量最高的省份.而增速最快的省份为内蒙古和甘肃,增幅约30 倍和12 倍.净碳汇量下降的省份只有浙江、福建、海南、上海、北京5个省份,其中上海、北京、海南降幅超过1 倍.总体而言,尽管净碳汇量一直处于调整之中,但各省份农业生产已基本实现碳中和目标,并逐渐从低碳盈向高碳盈余转型,为我国实现碳达峰碳中和目标奠定了坚实基础.但从净碳汇强度来看,仅西藏、青海、内蒙古、新疆、甘肃、天津、吉林的净碳汇强度有所提升,而其他省份均呈下降趋势,尽管大部分省份净碳汇量有所增加,但并未跟上农业生产总值的增长速度,使得净碳汇强度下降.整体来看,中国大部分省份在过去20a 间农业绿色生产态势愈加明显,逐步走向偏向高碳盈的发展道路.

图4 2002～2021 年省域农业净碳汇总量与强度变化Fig.4 Total and intensity changes in provincial agricultural net carbon sequestration from 2002 to 2021

2.1.2 农业净碳汇空间格局分析根据测算结果,2002～2021 年各省农业净碳汇年均值约为1200万t C,最大值和最小值约为7000万t C 和-400万t C.参考薛彩霞等[5]的研究,本文将净碳汇量小于-100万 t C 的省份视为碳亏损区,将净碳汇量位于-100～100 万 t C 的省份视为碳中和区,将位于100～1200 万t C 的省份视为低碳盈余区,将超过1200万t C 的省份视为高碳盈余区;将净碳汇强度低于0、0～0.5、0.5～1.5 以及高于1.5t C/万元的省份分别视为微、低、中、高净碳汇强度地区.基于以上划分标准,分别绘制2002 年和2021 年省域农业净碳汇总量和强度空间分布图(图5).

图5 农业净碳汇总量和强度空间分布(2002 和2021 年)Fig.5 Spatial distribution of total volume and intensity in agricultural net carbon sequestration in 2002 and 2021

整体而言,我国农业净碳汇总量空间分布呈现由东向西递减的分布格局(图5(a)和5(b)).高值地区主要集中于我国东部地区,尤以东北地区、中部地区、环渤海地区省份为主,这些地区大多为我国粮食主产区.2008 年原农业部在粮食主产区开展农机化示范区建设,粮食生产机械化成效显著,该结果也反映出我国推行的一系列绿色农业技术和政策已初显成效,粮食增产与减排固碳并不冲突.从分布变化来看,与2002 年相比,2021 年的净碳汇空间分布仍以碳亏损区、碳中和区、低碳盈余区和高碳盈余区4 个类型为主.其中,高碳盈余区省份由2002 年的9 个增至2021 年的14 个,碳亏损区由新疆、西藏、青海3 个省份变为西藏和青海2 个省份.可以明显看出,中国农业净碳汇总量空间分布格局发生了显著变化,整体分布由低碳盈区为主转为高碳盈区为主,高碳盈区呈现少数集聚转为大范围集聚的扩大趋势.具体而言,除福建从低碳盈余区降为碳中和区外,其他地区均呈现向好趋势.新疆从碳亏损区升至低碳盈余区,新疆自20 世纪80 年代引入免耕播种技术,并不断完善农田灌溉条件、农业旱作技术研究与推广、鼓励有机农业生产等生产实践举措,使生态环境得到较大改善;天津、甘肃、内蒙古从碳中和区升至碳盈余区;湖北、云南、陕西从低碳盈余区升至高碳盈余区.此外,从碳排放和碳汇总量变化情况看,北京、上海、浙江、福建、广东、海南、西藏和青海的碳汇增长量小于其碳排放减少量,其减排速度不及增汇速度,这主要与当地产业结构调整有关,说明在关注净碳汇变化同时,也需要结合省份自身经济发展情况进行分析.

在农业净碳汇强度空间分布方面(图5(c)和5(d)),我国净碳汇强度存在明显空间集聚和非均衡特征.中、高净碳汇强度地区主要分布在我国东北、中部和西南地区,而低、微净碳汇强度主要位于西北与东南地区.从空间分布变化来看,高强度地区由黑龙江、吉林、陕西和广西变为黑龙江、吉林和内蒙古,微强度地区也由西藏、新疆、青海3 省变为西藏、青海和海南,中、低强度省份变动不大.黑龙江、吉林、内蒙古、新疆等省份净碳汇强度提升较大的主要原因在于其碳汇强度大幅增加且碳排放强度大幅下降,说明这些省份农业减排固碳取得了较好成效.而陕西、广西、四川、重庆、湖北、贵州等省份净碳汇强度下降,这与近年来这些地区的土地利用变化有关.湖北省旱作农业粮食生产持续增长,但大面积使用化学农药和肥料也引致大量碳排放.而重庆和陕西等省份的城市化率较高,城市建设用地不断扩张,使得原本建成区周边的农田逐渐纳入城市规划,导致这些地区的农业碳汇强度下降明显.此外,近年来洪涝自然灾害频发,土地退化和河道湖库水质污染等问题严重,不仅影响农业生产效率,还造成土壤结构破坏,导致碳汇流失.而广东、福建、浙江、江西、湖南农业净碳汇强度一直处于较低水平,这些省份位于我国南部地区,近年来随着城市化建设和产业园区规划项目的持续推广,农业用地不断减少,对农业技术投入不足导致农业生产力和经济效益相对落后,难以有效提高农业净碳汇强度.

进一步地,本文将农业净碳汇变化趋势明显的省份分为四种类型:第一类是长期稳定在高净碳汇水平的“碳生态友好型”地区,典型省份为河北、黑龙江、吉林、江苏、安徽、山东、河南、广西和四川.该类地区在农业生产中普遍具有较强的耕作基础,以生产粮食作物与经济作物为主,碳汇量巨大且经济效益较高,且农业机械化水平和耕地条件较好,能够较好控制农业要素投入、提高资源利用效率,净碳汇总量和强度均维持较高状态,能够兼顾农业经济发展和碳生态保护.第二类是净碳汇水平由低向高转变的“碳生态改善型”地区,典型省份为新疆、云南、甘肃和宁夏.该类地区并不具备极其优越的自然条件和农耕经验,但及时遏制和改善了低碳汇发展态势,扭转了自身产业结构劣势.第三类是由高向低转变的“碳生态恶化型”地区,典型省份为上海和北京.这些地区过于依赖农业能源利用与物资投入,导致净碳汇量不断下降,同时受其自身农业产业结构所限,经济作物种植比重较低,难以获得高经济效益,净碳汇强度持续下降.第四类是长期稳定在碳亏损区的“碳生态持续恶化型”地区,典型省份是西藏和青海.该地区净碳汇量持续下降,主要原因在于其自然环境恶劣,导致大部分土地不适合大规模粮食生产,相对落后的生产方式与恶劣的气候环境致使农业生产力水平和经济收入低下,占据主导地位的畜牧业引发了大量碳排放,故始终处于碳亏损区域.

2.2 农业净碳汇关键影响因素分析

2.2.1 随机森林模型适用性检验首先,本文对随机森林模型的适用性进行检验.以省域农业净碳汇作为自变量同时构建多元线性回归模型和随机森林模型,并选取通过显著性检验的10 个影响因素进行多元线性回归,拟合后的公式为:

式中:各系数均为标准化回归系数;y为农业净碳汇;x1～x10分别为秸秆还田、免耕播种、受教育程度、灌溉条件、产业结构、机械化水平、粮食单产、经营规模、农业发展水平、地区经济发展水平.其中,灌溉条件、机械化水平、地区经济发展水平与农业净碳汇呈负相关关系,其余均呈正相关.从影响程度来看,秸秆还田、灌溉条件和免耕播种对农业净碳汇的影响较大,而受教育程度、经营规模、农业发展水平、地区经济发展水平的影响较小.R2与调整后的R2分别为0.7349 和0.7310,均方根误差RSME 为0.5187,P<0.0000.

通过R 语言构建随机森林模型,其中70%的数据集被随机抽取为训练集,其余30%数据集为测试集,并通过设定固定随机值保证结果可复现.参数设置为:mtry(每个节点选取的预测变量个数)=4、ntree(决策树的数目)=500,其他参数默认.采用IncMSE 和IncNodePurity 两种方法对解释变量进行排序,其中 IncMSE 为模型的精度平均减少值,IncNodePurity 为模型节点不纯度平均减少值,二者值越大说明变量越重要.由图6 知,两种方法排序基本相近,以IncNodePurity 为例按重要性由高到低排序,依次为秸秆还田、灌溉条件、免耕播种、粮食单产、农业经营规模、产业结构、机械化水平、农业经济发展、受教育程度和地区经济发展.模型的Var 解释程度为93.86%,均方根误差为0.0034.

图6 2002～2021 年农业净碳汇关键影响因素重要性排序Fig.6 Ranking of the importance of key influencing factors on agricultural net carbon sequestration from 2002 to 2021

比较两种方法的回归结果,多元线性标准化回归系数的排序与随机森林模型重要性排序趋于一致,但个别因素略有差异.此外,随机森林模型的拟合精度和优度均较多元线性回归模型有所提升,能够更好刻画农业净碳汇与解释变量之间的响应关系.

2.2.2 关键影响因素响应关系分析综合不同模型分析结果,地区经济发展水平的影响较小,将其剔除后选取剩余9 个解释变量作为随机森林模型的输入变量,分析其对农业净碳汇的作用方式,并绘制偏依赖图展示关键影响因素与农业净碳汇之间的依赖关系(图7).结果表明,各个影响因素与农业净碳汇之间存在显著的非线性关系.

图7 关键影响因素对省域农业净碳汇量的影响程度Fig.7 Impact magnitude of key influencing factors on provincial agricultural net carbon sequestration

灌溉条件.随着农田灌溉条件的提升,农业净碳汇呈“上升-平稳-上升”波动(图7(a)).当有效灌溉面积在2000～4000khm2左右时,灌溉对净碳汇的影响趋于稳定,而当有效灌溉面积不足2000khm2或超过4000khm2后影响逐渐增强.已有研究发现不同灌溉模式下水能消耗与农田净碳汇具有强关联性[38],微喷灌、滴灌相较于传统漫灌具有低能耗、低碳排优势[39].该结果说明优化灌溉条件可以增强土地碳储存能力,应作为提升净碳汇的整改重点.

秸秆还田.机械化秸秆还田对农业净碳汇的正向影响呈波动上升趋势(图7(b)),说明目前秸秆机械还田产生了明显的正外部性效应.其原因可能在于:其一,相比于秸秆露天燃烧,机械还田可以一定程度上减少秸秆燃烧引起的碳排放,且间接减少的化肥投入还可降低N2O 排放[40];其二,秸秆碾碎能促进碳元素分解,增强土壤保水保肥能力和固碳效果,从而促进碳汇增加.张国等[41]指出我国秸秆还田存在碳生态盈余,农田生态系统碳汇功能及其固碳价值还在上升阶段,随着机械化水平提升,秸秆机械还田的碳效应将得以更大发挥.

免耕播种.机械化免耕播种对农业净碳汇具有显著的积极影响(图7(c)),且这种促进作用在免耕播种面积低于500khm2时尤为显著.使用专用农业机械实现秸秆及残茬覆盖地表、少耕或免耕播种可阻止水分挥发,在无需进行机械翻地和除草的情况下实现种子播种,降低对土地碳库的物理破坏程度,提高土壤固碳能力.该结果说明机械化免耕播种具有明显的增汇减排优势,有助于农业净碳汇提升.

粮食单产.随着粮食单产提升,农业净碳汇先波动上升后趋于稳定(图7(d)).可能的解释是,我国不同地区在农业生产技术、自然条件、生产要素投入方面差异较大.以黑龙江、山东为代表的粮食主产区已逐渐摆脱依靠要素投入提高粮食单产,而其他地区仍依赖石化类要素投入,因此其碳效应也不尽相同.鲁庆尧等[42]研究发现粮食主产区的单产提升能够降低碳排放,但在非粮食主产区则呈现先上升后抑制的趋势.该结果表明,只有摆脱对“石油农业”的依赖,才能够实现增产与固碳双赢.

农业经营规模.农业经营规模对净碳汇呈波动的正向影响(图7(e)),说明农业经营对碳减排具有明显的规模效应.农地经营规模的变化会使农业和非农地之间发生转化,而不同类型土地的碳汇、碳源能力存在较大差异,直接影响净碳汇的变化[43].原因在于农业经营规模的提高通常伴随着先进的生产技术和管理方式,有助于实现高产、高效、低耗的农业生产,进而通过提高生产效率减少碳排放.该结果说明扩大农业经营规模有利于加快农业现代化进程,使农业产业化、企业化、集约化的水平不断提升,进而促进净碳汇量增加.

产业结构.第一产业产值占GDP 比重对农业净碳汇的影响呈“促进-抑制-促进”的变化趋势(图7(f)).当一产占比小于20%时,提高一产比重有助于降低碳排放,一产比重增加通常意味着土地利用和管理方式转变,进而通过扩大农业生产规模、改善农业技术、合理利用农业废弃物等途径实现减排固碳.但农业生产活动本身就是温室气体的重要源头,当占比跨越20%门槛后,植被覆盖减少和土壤素质减弱等问题导致碳汇量不断降低,使得净碳汇量小幅回缩;而随着占比超过30%,产业结构的结构性降碳效应更为显著[44].

机械化水平.随着农业机械化水平的提高,农业净碳汇持续降低(图7(g)).该结果表明农业机械化对农业净碳汇的负面影响不容忽视.已有研究认为农业机械在促进碳减排上效果不佳,主要因为支农技术资金不足导致技术难推广,以及农业补贴体系混乱导致政策效果欠佳[43].此外,尽管农业机械对人力和畜力产生了替代效应,一定程度上减少了农业碳排放,但也导致对柴油等农业能源消耗剧增,加剧了温室气体排放[45].

农业发展水平.农业发展水平对净碳汇呈较平稳的正向影响(图7(h)).该结果证明了经济发展和减排固碳并非两个对立的命题.一方面,高水平的农业发展有助于维护生态平衡,如通过推广绿色生产技术可有效地降低资源消耗,采用农业轮作、间作可提高土壤保持力,提升土壤碳汇能力;另一方面,高水平农业发展可促进农村现代化进程,激发农民创造更加高效、低耗的生产方式和农业生产技术,从而实现农业生产低碳化.

受教育程度.受教育程度对农业净碳汇的影响呈先促进后抑制的趋势(图7(i)).受教育程度是影响农户技术采纳行为决策的重要因素,提升农村居民教育水平能够促进科学化、低碳化农业技术的应用[46];但受教育程度高意味着更容易获得非农就业机会[10],加剧城乡人口流动,可能引发农业生产人员流失、生产效率降低等问题,抑制净碳汇的作用逐渐显现.

2.2.3 关键影响因素演进分析为进一步探究关键影响因素演进规律,分别构建2002～2008 年、2009～2014 年、2015～2021 年3 个时间段分样本进行随机森林模型回归.表5 结果显示,不同时期内灌溉条件、秸秆还田和免耕播种的重要性相对较高且排名稳定,说明这些因素对于维护农业生态环境和促进农业绿色低碳发展具有重要作用,且不会因技术进步或政策变化发生较大改变.而地区经济发展水平的重要性始终排列末位,说明农业增汇降碳受地区经济水平的限制相对较小.

表5 农业净碳汇影响因素重要性演进Table 5 Evolution of the importance of factors influencing agricultural net carbon sequestration

随着时间推移,部分因素重要性发生了较大变化.2002～2008 年,灌溉条件是影响地区农业发展的最重要因素,秸秆还田、粮食单产和农业经营规模等因素的重要性也排名靠前,表明该时期高生产率和规模化生产仍是农业净碳汇的主要影响因素.需要注意的是,长期追求高单产和经营规模可能会导致环境恶化和资源浪费等问题,在实现高效农业生产的同时还需注重生态效益.2009～2014 年,灌溉条件继续排名第一,而粮食单产、产业结构的排名则有所下降,秸秆还田、免耕播种等因素的重要性逐渐攀升.说明该时期我国农业生产更加注重可持续发展理念,农业政策已开始转向生态经济建设和绿色发展.若过度追求粮食产量和产业结构升级,可能在短期内产生较高的经济效益,但从长期来看不利于农业可持续经营,而可持续农业理念的推广和应用对提升农业净碳汇愈发关键.2015～2021 年,灌溉条件依旧排列最高,农业机械化水平排名大幅上升,从第六位跃升至第四位,这说明随着我国农业现代化水平的不断提高,农业机械化水平的作用变得更加突出.农业机械化的进步可以有效地满足农业生产需求,支持农业生产的可持续发展和增汇固碳目标实现.

3 建议

3.1 鉴于大部分地区农业减排固碳效果已十分显著,应重点关注净碳汇潜力高的碳生态有恶化倾向或持续恶化的地区进行减排固碳,持续推进整体碳排放总量和强度下降,加强不同地区之间的经验交流与合作,推进农业净碳汇协同发展,实现优势互补、资源共享,促进全国农业净碳汇的长期稳定增长.

3.2 将提升农田灌溉条件、推广机械化秸秆还田和免耕播种作为提高农业净碳汇的重点措施.依据地区降水和土壤条件实施科学灌溉,加强灌溉基础建设和节水灌溉技术推广,提高灌溉水利用效率.推广高效集中化收储模式、创新秸秆能源化及秸秆还田等净碳汇潜力较高的利用途径,提高秸秆资源利用率.加快推广机械化保护性耕作技术,提高保护性耕作机具购置和关键环节补贴力度,充分调动农业生产主体积极性.加强农业生产环节的科学管理,适度扩大农地经营规模,进一步优化农业财政补贴结构,向节能环保型农业机械研发领域倾斜资金资助.利用政策和市场机制引导粮食生产向品质转变,借助现代农业科技促进粮食种植低碳生产,尽快摆脱对“石油农业”的依赖.

3.3 针对空间分布的非均衡性,各地政府应立足本土实际,制定差异化的农业减排固碳政策.对于“碳生态友好型”地区,应进一步优化农作物结构、推广高效节水灌溉技术、加强土壤养护与肥料管理;对于“碳生态改善型”地区,应注重提高农民种植技能与农业经营规模,打造以生态优势为基础的农业新产业;对于“碳生态恶化型”地区,应提高经济作物种植比重,减少化肥农药使用,推进农业生产机械化和低碳化;对于“碳生态持续恶化型”地区,应加大生态扶贫力度,优化牲畜饲喂和粪便处理技术,逐步实现碳达峰碳中和.