根据IPCC数据显示^[1], 农业生产过程中的碳排放量巨大, 是仅次于化石燃料的第二大碳源, 因此降低农业生产过程中的碳排放量、促进农业绿色低碳发展, 对早日实现碳达峰、碳中和目标具有十分重要的意义。新疆地处我国西北, 生态环境敏感脆弱, 一旦破坏, 恢复难度巨大, 因此着力降低新疆地区的农业碳排放, 对于促进区域可持续发展, 维护生态环境, 具有重要现实意义。

对于农业碳排放国内外学者做了很多研究, 大致可以分为两个方面: 1)农业碳排放量的计算。Johnson等^[2]的研究表明农业活动产生包括CO₂在内的3种主要温室气体; Thamo等^[3]基于澳大利亚政府推荐的排放清单、农作物种植过程中的碳排放量估算和田间实地测量3种方法计算了农业碳排放; 李波等^[4]从能源物资投入角度测算了中国农业的碳排放量变化情况; 闵继胜等^[5]从能源物资投入角度测算了中国农业的温室气体排放变化情况; 高鸣等^[6]基于Malmquist指数测算了中国农业碳排放的空间分异规律; 田云等^[7-8]、张颂心^[9]、张丽琼等^[10]的研究表明不同阶段省际间的农业碳排放存在较大差异。目前关于农业碳排放的测算方式已经较为成熟, 小范围内主要依靠色谱箱等仪器进行测量^[11], 较大范围内由于成本限制等原因, 一般采用模型进行估算。2)农业碳排放的影响因素。Lal^[12]研究认为耕种方式对于碳排放量的影响至关重要; 李国志等^[13]的研究认为经济增长是农业碳排放的主要驱动因素; 程琳琳等^[14-15]、武春桃^[16]的研究认为城镇化和产业聚集对农业碳排放具有重要影响; 董明涛^[17]认为农业产业结构同农业碳排放存在一定程度的关联; 魏玮等^[18]、王惠等^[19]的研究认为农业技术进步对于减缓碳排放起到了重要作用; 仇伟等^[20]认为环境规制、技术进步是抑制农业碳排放的重要原因; 刘丽辉等^[21]认为农业人口规模的减少将促进农业碳减排。此外, 还有学者^[22]研究了气候变化对农业碳排放的影响以及农业的碳减排潜力^[23-24]。有多种因素可以同时对农业碳排放产生影响, 但不同区域的影响方式不尽相同^[25-26]。目前以全国作为研究区域已有较多研究, 新疆也出现一些相关研究。祝宏辉等^[27]、苏洋等^[28]测算新疆农业碳排放并利用Tapio脱钩模型对新疆农牧业碳排放与农业经济增长之间的脱钩关系进行分析; 冉锦成等^[29]在测算碳排放基础上, 构建STIRPAT模型, 运用情景分析法对未来新疆农业碳排放峰值进行相关预测。本研究在上述研究的基础上做了两方面的延伸, 一是分析讨论了降水对农业碳排放效率的影响, 二是对农业碳排放效率的影响因素进行动态量化。这对进一步探明新疆区域的农业碳排放规律, 制定农业碳减排政策具有重要意义。

本研究首先基于新疆所有市县的数据测算农业碳排放量, 分析不同区域碳排放效率的时空分异规律; 随后根据现有研究筛选出农业碳排放效率的影响因子, 利用随机森林模型对影响因子进行定量分析; 最后针对性地提出农业碳减排的政策建议。

1.   数据来源与研究方法

1.1   研究区概况和数据来源

本文将以新疆维吾尔自治区(75°~95°E, 35°~50°N)作为研究对象, 包括: 4个地级市、5个地区、5个自治州共14个地级行政单位, 下辖105个县(市、区) (图1)。数据来源于2011—2020年《新疆统计年鉴》《中国农业年鉴》等, 计算和数据的可视化利用Excel、R、Geoda、Arcgis等软件完成。

图  1  研究区概况

Figure  1.  Studying area

下载: 全尺寸图片 幻灯片

1.2   农业碳排放的测算

借鉴已有的研究成果^[9,30-34], 选取农业生产中使用的化肥量、农用地膜使用量、农业机械总动力、灌溉、翻耕等5项数据来测算碳排放, 测算公式如下:

式中: $ {E}_{\mathrm{n}} $表示农业碳排放总量; $ {\mathit{E}}_{i} $表示第i种碳源; A_i表示该碳源的碳排放系数, 具体见表1。

表  1  农业碳排放源及碳排放系数

Table  1.  Agricultural carbon emission sources and carbon emission coefficients

碳源 Carbon source	碳排放系数 Carbon emission coefficient	参考来源 Reference source	数据来源 Data source
化肥 Fertilizer	0.90 kg(C)·kg−1	美国橡树岭国家实验室 Oak Ridge National Laboratory, USA	统计年鉴 Statistical Yearbook
农膜 Agriculture film	5.18 kg(C)·kg−1	南京农业大学农业资源与生态环境研究所 Institute of Agricultural Resources and Ecological Environment, Nanjing Agricultural University	由统计年鉴数据折算 Converted from Statistical Yearbook data
农业机械 Agricultural machinery	P×16.47 kg(C)·hm−2+ W×0.18 kg(C)·kW−1	中国碳排放交易网 China Carbon Emission Trading Network	统计年鉴 Statistical Yearbook
农业灌溉 Agricultural irrigation	2.6648 kg(C)·hm−2	West, et al.[31]	由统计年鉴数据折算 Converted from Statistical Yearbook data
农业翻耕 Agricultural ploughing	3.1260 kg(C)·hm−2	黄华等[32] Huang, et al.[32]	统计年鉴 Statistical Yearbook
P为农业播种面积, W为农业机械总动力。P is the agricultural planting area, W is the total power of agricultural machinery.

下载: 导出CSV 

| 显示表格

1.3   农业碳排放空间分异规律分析方法

利用全局莫兰指数分析农业碳排放空间分异特征:

式中: $ I $表示莫兰指数(Moran’s I); $ {z}_{i} $是要素$ i $的属性与其平均值的偏差($ {x}_{i} $−$\overline{X} $), $ {x}_{i} $是某一地区的农业碳排放效率; $ {w}_{i,j} $是要素$ i $和$ j $之间的空间权重; ${S }_{0}$是所有空间权重的聚合。

在计算时, 需要将$ {x}_{i} $进行归一化处理, 因此莫兰指数($ I $)的取值范围在[−1, +1]之间, 大于0表示属性空间正相关, 小于0表示负相关, 当取值为0则表示不存在空间自相关性。

当存在全局相关性时, 利用局部莫兰指数计算空间聚集关系:

式中: $ {I}_{i} $表示局部莫兰指数; $ {Z}_{i} $=($ {x}_{i} $−$\overline{X} $), $ {x}_{i} $是某一地区的农业碳排放效率, $\overline{X} $是碳排放效率的平均值; $ {Z}_{j} $=($ {x}_{j} $−$\overline{X} $), $ {x}_{j} $表示非第$ i $个区域($ j\ne i $)农业碳排放效率, $\overline{X} $是所有地区农业碳排放效率的平均值; ${w}_{ij}$是要素$ i $和$ j $之间的空间权重。

公式(4)中的$ {S}^{2} $计算方法如下:

以公式(4)中的$ {Z}_{i} $为$ {x} $轴, 以$ \sum _{j\ne i}^{n}{w}_{ij}{Z}_{j} $为$ y $轴, 可以将平面划分为4个象限, 统计其中置信度大于95%的区域(非随机分布), 可以确定空间聚集关系。

1.4   农业碳排放效率的计算

相对于农业碳排放总量, 人们往往更关心排放出的碳能带来多少收益, 因此本研究将农业产值(元)和碳排放(t)的比值定义为农业碳排放效率, 该数值越高, 代表该区域以更少的排放量创造了更多的农业产值, 能有效反映碳约束条件下该区域的农业生产效率。计算公式如下:

式中: $ {C}_{{\rm{e}}} $表示农业碳排放效率, $A_{\rm{p}}$表示农业产值, $ {C}_{{\rm{p}}} $表示碳排放量。

1.5   农业碳排放影响因素分析

1.5.1   影响因素选取

根据现有的研究^[33-36], 产业结构、经济水平、城镇化水平、农业规模化程度、农业产业结构、自然灾害、气候条件等因素对于农业碳排放效率有较为显著的影响。结合区域数据可获得性, 本研究选取如下变量分析其与农业碳排放效率之间的关系, 详见表2。

表  2  农业碳排放影响因素指标体系

Table  2.  Index system of influencing factors of agricultural carbon emission

指标 Index	度量方式 Measurement	单位 Unit
耕地规模 Cultivated land scale	农作物播种面积 Crop planting area	×103 hm2
非城镇化水平 Non-urbanization level	乡村人口/总人口 Rural population/total population	%
农村经济发展水平 Rural economic development level	农业产值/从事农业人员 Agricultural output/persons engaged in agriculture	×104·person−1
农业规模化程度 Process of large-scale argricultural production	农作物播种面积/从事农业人员 Crop sown area/agricultural personnel	hm2·person−1
农业电气化程度 Agricultural electrification degree	农村用电量/乡村人口 Rural electricity consumption/rural population	×104 kWh·person−1
经济发展水平 Economic development level	地区生产总值 Regional GDP	×104 ¥·person−1
农业机械化水平 Agricultural mechanization level	机械总动力/农作物播种面积 Total mechanical power/crop planting area	kW·hm−2
产业结构高级化 Advanced industrial structure	第二、三产业/地区生产总值 Secondary and tertiary industries/regional GDP	%

下载: 导出CSV 

| 显示表格

地区生产总值和农业生产效率能代表当地经济发展情况。通常来说, 经济水平高的地区, 农业生产中农用物资的使用量也较高, 进而增加碳排放, 降低碳排放效率; 另一方面经济水平高的地区农业产值也较高, 从而提高碳排放效率。

耕地规模、农业规模化程度反映了区域农业的集聚发展情况。一般来说, 农业规模越大, 则当地的绝对碳排放量也越高, 但是规模化越高的区域, 也有利于引进先进的农业管理技术, 从而节约农业物质投入量, 降低碳排放量, 提高碳排放效率。

农业机械化水平、产业结构高级化、农业电气化水平反映了区域农业生产方式。这一类指标考察不同的生产方式对农业碳排放效率的影响。

城镇化水平的提升会促进二、三产业的快速发展, 同时二、三产业的发展也会反过来影响农业生产方式, 因此本研究将该变量纳入。

1.5.2   影响效果的测算

根据目前的研究, 农业碳排放受到诸多要素的影响, 传统回归模型预设条件过多, 会造成多重共线性和自由度下降等问题, 随机森林算法不对数据进行假设, 能避免上述问题, 使结果更加稳健^[37]。

1)模型的建立

随机森林的计算过程如图2。

图  2  随机森林计算过程示意图

Figure  2.  Schematic diagram of random forest calculation process

下载: 全尺寸图片 幻灯片

单棵决策树中, 农业碳排放效率为连续响应变量, 根据预测的农业碳排放效率和实际农业碳排放效率之间残差平方和最小原则, 选出最优的单棵决策树(确定特征向量)。随后对样本进行多次随机抽样, 生产多棵决策树, 然后将不同决策树的预测结果进行平均(接合器), 输出随机森林模型。

决策树特征向量计算公式:

式中: $ \hat{{q}_{{R}_{1}}} $和$ \hat{{q}_{{R}_{2}}} $是划分后两组样本的均值, 公式为:

式中: R₁和R₂是分裂后的不同区域, $ {q}_{i} $是农业碳排放效率的实际值, $\hat{{q}_{{R}_{1}}}和\hat{{q}_{{R}_{2}}}$为农业碳排放效率预测值, 目标是使农业碳排放效率的预测值与实际值的样本总残差平方和(RSS)最小, 重复上述过程500次, 建立随机森林模型。

2)特征向量的偏依赖模型

为解析特定变量对于目标的边际效应, 例如对于特征向量$ x={\left(\begin{array}{cccc}{x}_{1}& {x}_{2}& \cdots & {x}_{p}\end{array}\right)}^{\mathrm{\text{'}}} $, 假设y=f(x), 但函数f(·)无解析表达式, 则第一个特征变量x₁对y的边际效应:

式中: $ \dfrac{\partial y}{\partial {x}_{1}} $依赖于其他变量$ ({x}_{2},\cdots ,{x}_{p}) $的取值, 因此将函数$ y=f\left({x}_{1},{x}_{2},\cdots ,{x}_{p}\right) $中, 其他变量$ ({x}_{2},\cdots ,{x}_{p}) $对于y的影响通过积分平均消除:

式中: 期望算子${{E}}_{{x}_{2},\cdots ,{x}_{p}}f(\cdot)$对变量$ ({x}_{2},\cdots ,{x}_{p}) $求期望, 因此所得结果$ {\textit{ϕ}}\left({x}_{1}\right) $只是x₁的函数。由于f(·)无解析表达式, 很难计算此期望, 因此用样本均值代替总体均值可得:

对于任意给定x_i, 都可以计算$ \hat{{\textit{ϕ}}}\left({x}_{i}\right) $, 并画出偏依赖图。

2.   新疆区域碳排放效率实证分析

2.1   新疆农业总体碳排放情况

为探究新疆农业碳排放的总体情况, 将2010—2019年不同地区的农业碳排放总量进行累加, 所占比例如图3所示。根据统计年鉴中的分类, 将新疆分为3级行政区划, 分别为自治区级、自治州级(包含地级市)和县市级, 不同颜色代表不同的行政级别。圆堆积图能直观显示碳排放量的层级结构及同一层级的相对比例^[38], 图中比例尺为县市一级碳排放比例尺, 其他级别的碳排放量进行了等比放大, 确保相同级别之间可以互相比较。

图  3  2010—2019年新疆农业累积碳排放量

Figure  3.  Cumulative carbon emissions from agriculture in Xinjiang from 2010 to 2019

下载: 全尺寸图片 幻灯片

2.1.1   排放量占比靠前的区域

农业碳累积排放量占比前三的地州分别为生产建设兵团、阿克苏地区和喀什地区, 2010—2019年碳累积排放量分别为1019.86万t、521.10万t和516.31万t, 占全疆农业碳总排放量的27.75%、14.18%和14.05%, 合计占总排放量的55.97%。生产建设兵团下属14个师, 每个师约有6~9个团, 由于范围较大, 排放量也较多; 阿克苏地区下属9个县市, 喀什地区下属12个县市, 两地累积碳排放量接近。从市域级别来看, 排放量前3的分别是乌鲁木齐市、乌苏市、阿克苏市, 其中乌鲁木齐市最高, 为226.49万t, 占全疆总量6.16%。从县域级别来看, 排放量前3的分别是沙湾县、沙雅县、莎车县, 其中沙湾县最高, 为120.08万t, 占全疆总量3.43%。

2.1.2   排放量占比靠后的区域

农业碳累积排放量占比靠后的3个地区分别是伊犁哈萨克自治州、博尔塔拉蒙古自治州和克孜勒苏柯尔克孜自治州, 排放量分别为127.65万t、117.96万t和25.99万t, 占比分别为3.47%、3.21%和0.71 %, 可以看出伊犁哈萨克自治州和博尔塔拉蒙古自治州的排放量较为接近, 而克孜勒苏柯尔克孜自治州的排放量远小于前两地, 三地排放量累积占全疆总排放量的7.39%。从单独县市的排放数据来看, 排放量占比靠后的3个市县分别为塔什库尔干塔吉克自治县、乌恰县和阿合奇县, 排放量分别为1.17万t、0.43万t和0.28万t, 累积占比为0.05%左右。

2.2   新疆农业碳排放结构分析

2010—2019年新疆农业碳排放情况如图4所示。从时间构成来看, 农业碳排放总量是逐步增长的, 从2010年的292.24万t, 增加到2019年的379.69万t, 10年间增加29.93%, 年均增速为3.33%。总体来看, 化肥使用、农膜使用、农业翻耕、农业灌溉、农业机械使用的碳排放量也是逐年增加的, 年均增速分别为5.53%、0.37%、3.30%、3.30%和3.46%, 其中增长较快的是化肥使用和农业机械使用带来的碳排放量。从类别构成来看, 使用化肥造成的碳排放占比最高, 达58.06%; 其次为农膜的使用, 达39.03%; 而机械使用、灌溉、翻耕产生的碳排放相对较低, 占比分别为2.82%、0.03%和0.05%。

图  4  2010—2019年新疆农业碳排放结构

Figure  4.  Xinjiang’s agricultural carbon emission structure from 2010 to 2019

下载: 全尺寸图片 幻灯片

化肥使用无论从增速还是占比上来说都是造成农业碳排放增加的最主要因素。农膜使用的碳排放量占比较大, 但增速比较平缓。农业翻耕、农业灌溉、农业机械碳排放等占农业碳排放量比例较小, 但增速较快。

2.3   新疆农业碳排放效率的时空分异规律

挑选2010年、2013年、2016年和2019年的农业碳排放效率数据进行分析, 利用Arcgis软件进行数据可视化(图5)。阿拉尔市、米泉市、图木舒克市、五家渠市和石河子市由于统计数据的缺失, 因此未纳入讨论范围。

图  5  2010—2019年新疆农业碳排放效率时空格局演化过程

Figure  5.  Spatiotemporal pattern of agricultural carbon emission efficiency in Xinjiang from 2010 to 2019

下载: 全尺寸图片 幻灯片

总体来看农业碳排放效率呈现出不断增长的态势。农业碳排放效率上限不断上涨, 更多的区域向高效率区间集中。从增长速度来看, 大致可以分为两个阶段: 第一阶段为2010—2013年, 呈现出快速增长态势; 第二阶段为2013—2019年, 增速放缓, 呈现出缓慢上涨态势。

具体各年来看: 1) 2010年, 全疆农业碳排放效率在50元∙t⁻¹以下的地区有47个, 占比为55.29%; 碳排放效率在50~100元·t⁻¹的区域有29个, 占比为34.12%; 碳排放效率在100~150元∙t⁻¹的区域有8个, 占比为9.41%; 碳排放效率超过150元∙t⁻¹的区域有1个。全疆农业碳排放效率处于较低水平。农业碳排放效率最低的是奎屯市, 为10.79元∙t⁻¹; 农业碳排放效率最高的是鄯善县, 为155.83元∙t⁻¹。2) 2013年, 全疆农业碳排放效率在50元∙t⁻¹以下的地区有28个, 占比为32.94%; 农业碳排放效率在50~100元∙t⁻¹的地区有39个, 占比为45.88%; 农业碳排放效率在100~150元∙t⁻¹的区域有12个, 占比为14.12%; 农业碳排放效率超过150元∙t⁻¹的区域有6个, 占比为7.06%。新疆农业碳排放效率增速较快, 大部分区域的农业碳排放效率集中在50~100元∙t⁻¹区间。农业碳排放效率最低的是乌鲁木齐市，为3.17元∙t⁻¹; 农业碳排放效率最高的是若羌县, 为378.98元∙t⁻¹。3) 2016年, 全疆农业碳排放效率在50元∙t⁻¹以下的地区有25个, 占比为29.41%; 农业碳排放效率在50~100元∙t⁻¹的地区有43个, 占比为50.59%; 农业碳排放效率在100~150元∙t⁻¹的区域有9个, 占比为10.59%; 农业碳排放效率超过150元∙t⁻¹的区域有8个, 占比为9.41%。新疆农业碳排放效率增速较快, 大部分区域的农业碳排放效率集中在50~100元∙t⁻¹区间。农业碳排放效率最低的是乌鲁木齐市, 为1.67元∙t⁻¹; 农业碳排放效率最高的是若羌县, 为307.17元∙t⁻¹。当年农业碳排放效率超过200.01元∙t⁻¹的区域达到了4个。4) 2019年, 全疆农业碳排放效率在50元∙t⁻¹以下的地区有26个, 占比为30.59%; 农业碳排放效率在50~100元∙t⁻¹的地区有38个, 占比为44.71%; 农业碳排放效率在100~150元∙t⁻¹的区域有7个, 占比为8.24%; 农业碳排放效率超过150元∙t⁻¹的区域有14个, 占比为16.47%。大部分区域的农业碳排放效率依然集中在50~100元∙t⁻¹区间内, 同时农业碳排放效率超过150元∙t⁻¹的区域大幅增长。农业碳排放效率最低的是乌鲁木齐市, 为1.80元∙t⁻¹; 农业碳排放效率最高的是伊宁县, 为509.67元∙t⁻¹。当年农业碳排放效率接近或高于225.00元∙t⁻¹的区域达到了3个, 农业碳排放效率整体提升较大。

根据赵宇铭等^[39]的研究, 新疆地区除伊犁州及克孜勒苏自治州小部分区域属于半干旱区域外, 其余地区都属于干旱区。整体来看, 北疆地区的降水量高于南疆地区, 但南疆地区的农业碳排放效率整体高于北疆。结合新疆气象局对干旱区域的划分以及2019年农业碳排放效率来看, 极端干旱区域的农业碳排放效率处于较高水平, 例如年均降水量常年靠后的吐鲁番市、且末县、鄯善县等地, 2019年的农业碳排放效率分别是254.62元∙t⁻¹、97.76元∙t⁻¹、214.51元∙t⁻¹, 在全疆处于较高水平。相对湿润区域的农业碳排放效率在全疆处于中等水平。例如年均降水量常年靠前的新源县、昭苏县、特克斯县等地, 2019年的农业碳排放效率分别是127.80元∙t⁻¹、96.37元∙t⁻¹、118.78元∙t⁻¹。塔克拉玛干沙漠是中国最大的沙漠, 分布在巴音郭楞蒙古自治州、阿克苏、喀什、和田等4个区域, 其中巴音郭楞蒙古自治州、喀什、和田的农业碳排放效率较高, 而阿克苏地区的农业碳排放效率较低。

2.4   新疆农业碳排放效率空间集聚效应

对2019年新疆农业碳排放效率进行空间相关性分析, 全局空间莫兰指数为0.296, 说明存在空间相关性, 随后利用Geoda进行数据计算和可视化(图6)。

图  6  2019年新疆农业碳排放效率的LISA集聚图

Figure  6.  LISA agglomeration map of Xinjiang’s agricultural carbon emission efficiency in 2019

下载: 全尺寸图片 幻灯片

如图6所示, 具有空间相关性的区域共有14个, 其中高高聚集的区域有6个, 低低聚集的区域有6个, 低高聚集的区域有2个。高高聚集的区域是尼勒克县、伊宁市、察布查尔锡伯自治县、巩留县、和田县与和田市6个区域, 说明这些区域的农业碳排放效率整体较高, 通过分析原始数据发现, 这些地区的农业产值并不高, 碳排放效率较高的原因是物质投入较少。低低聚集的区域是福海县、和布克赛尔蒙古自治县、托里县、沙湾县、奎屯市和新和县等6个区域, 这些地区农业产值相对较高, 但相应的碳排放更多, 造成这些区域出现低低聚集。低高聚集的区域有两个: 精河县和霍城县, 说明这两个地方碳排放效率较低, 但周边地区效率高, 可能是由于高值区域对低值区域产生了不利的虹吸效应造成的。

2.5   新疆农业碳排放效率的影响因素

2.5.1   模型参数的优化与预测效果评估

按表2中选取的影响因素建立数据集, 将数据集中70%的数据(619条)作为训练集, 其中30%的数据作为测试集。建立模型, 并优化相关参数。

如图7所示, 决策树数量从1增加到300时, 模型袋外误差从1823.01下降到904.41, 随后继续增加决策树的数量, 模型袋外误差依然在900左右波动, 说明此时, 继续增加决策树数量也无法继续降低模型误差(也不会提高), 因此本研究将决策树数量定为500。

图  7  决策树数量对袋外误差的影响

Figure  7.  Effect of the number of decision trees on the out-of-bag error

下载: 全尺寸图片 幻灯片

如图8所示, 在候选影响要素中, 每次随机选择其中的5个构建单棵决策树, 预测的农业碳排放效率和实测值均方误差最小, 为884.07, 因此将模型候选变量个数设定为5 (mytrees=5)。

图  8  决策树候选变量(影响因素)个数对农业碳排放量预测均方误差的影响

Figure  8.  Influence of the number of candidate affecting factors (variables) in decision tree on the mean square error of agricultural carbon emission prediction

下载: 全尺寸图片 幻灯片

如图9所示, 横轴为测试集中实际的农业碳排放量, 纵轴为随机森林模型预测的碳排放量, 除个别极值外, 绝大多数点的拟合效果较好, 理想状态下拟合线呈现45°分布。此时农业碳排放量的实际值略低于预测值, 模型的拟合优度R²=0.56, 说明模型具有较好的模拟效果, 选取的影响因素较为合理。

图  9  农业碳排放模型预测值与实际值对比

Figure  9.  Comparison of model predicted value and actual value of agricultural carbon emission

下载: 全尺寸图片 幻灯片

2.5.2   新疆农业碳排放效率的影响因素

图10表示, 去掉某一个变量后, 袋外误差上升的百分比, 该值越大, 表明变量越重要。横轴为去除的变量, 纵轴为去除该变量后袋外误差上升的百分比。农业规模化程度、农村经济发展水平、耕地规模、农业电气化程度对农业碳排放效率的袋外误差影响较大。因此, 本文选取这4项因子具体分析其对农业碳排放效率的影响。

图  10  基于训练样本的农业碳排放效率的影响因素重要性(百分比越高, 重要性越大)

Figure  10.  Importance of influcening factors of agricultural carbon emission efficiency based on training samples (the factor with higher percentage is more important)

下载: 全尺寸图片 幻灯片

如图11所示, 农业规模化程度、耕地规模、农业电气化程度对农业碳排放效率大体都呈负作用, 而农村经济发展水平对农业碳排放效率大体都呈正作用。具体来看, 农业规模化程度越高, 则农业碳排放效率越低, 当农业规模化程度为0.12~2.02 hm²·人⁻¹时, 随着农业规模化程度的提高, 农业碳排放效率急剧降低, 当该值高于2.02 hm²·人⁻¹时, 对农业碳排放效率的影响较为平缓(图11a)。农村经济发展水平对农业碳排放效率呈现出显著的正向效果, 当该值为0.21万~9.72万元·人⁻¹时, 随着人均产值的增加, 碳排放效率剧烈增加, 但当该值大于9.72万元·人⁻¹时, 对农业碳排放效率的影响较为平缓(图11b)。耕地规模对农业碳排放效率在120~17 220 hm²时, 对农业碳排放效率有显著的负向影响, 随后当农作物播种面积大于17 220 hm²时, 对农业碳排放效率的影响较为平缓(图11c)。农业电气化水平对农业碳排放效率呈现出正“U”型影响, 具体来说, 当农业电气化水平为0.08×10⁴~0.16×10⁴ kWh·人⁻¹时, 农业电气化水平越高, 农业碳排放效率越低; 当农业电气化水平继续提高, 处于0.16×10⁴~0.60×10⁴ kWh·人⁻¹时, 农业碳排放效率随着农业电气化水平的提高而提高; 随后为0.65×10⁴~0.98×10⁴ kWh·人⁻¹时, 农业碳排放效率随着农业电气化水平的提高而降低; 当农业电气化水平>0.98×10⁴ kWh·人⁻¹时, 对农业碳排放效率的影响较小(图1d)。

图  11  农业规模化程度(a)、农村经济发展水平(b)、耕地规模(c)、农业电气化程度(d)对农业碳排放效率的影响

Figure  11.  Effects of process of large-scale agricultural production (a), rural economic development level (b), cultivated land scale (c) and degress of agricultural electrification (d) on agricultural carbon emission efficiency

下载: 全尺寸图片 幻灯片

3.   讨论

本研究基于国家、南京农业大学、美国橡树岭国家实验室等发布的碳排放系数, 计算了2010—2019年新疆的农业碳排放量, 此方法主要基于农业物资投入以及耕作方式计算。由于资金、设备、人力等因素限制, 没有实地测量, 因此该方法存在一定程度的偏差, 但此类估算方法在多种类型的研究中被广泛应用^[10,40-42], 计算方式成熟, 因此研究结果能为新疆区域农业碳减排提供依据, 具有现实意义。

新疆2010—2019年农业碳排放总量整体上呈现增长态势, 这与田成诗等^[42]、田云等^[43]、何艳秋等^[44]测算的全国、省际农业碳排放量变化趋势基本一致, 由于研究区域和测算方法有所不同, 因此增长速度也有所不同。

新疆农业碳排放的主要来源是化肥和农用地膜的使用, 这与胡婉玲等^[45]的研究结论一致, 由于研究区域和指标设置略有不同, 因此各个来源的比例稍有差别。

新疆农业碳排放效率一直保持增长, 这与吴昊玥等^[33]的研究结果一致。具体来看, 新疆农业碳排放效率一直保持增长态势, 但增长速度先快后慢。这可能是早期农业耕作方式粗犷, 投入物资、能源能快速提高农业产值(与原始数据变化情况相符合), 从而提高碳排放效率; 但农业产量后期提升难度较大, 单纯投入物质, 而不提升科技和管理水平, 会导致农业产值、碳排放效率增长速度下降。从空间维度来看, 农业碳排放效率发生高值聚集的区域主要是由于物质投入少, 而非农业产值高; 发生低值聚集的区域农业产值相对较高, 但物质投入更高(科技、管理水平低)。综合时空两个变化维度来看, 新疆农业生产依然较为依赖物质投入, 管理方式相对粗犷, 存在管理水平较低、科技投入不足等问题。

关于降水对农业碳排放效率的研究相对较少, 本研究一定程度上充实了该类研究。新疆地处干旱、半干旱区域, 气候类型较为特殊。整体来看, 内部降水较低的南疆区域, 农业碳排放效率较高, 特别是降水极低的吐鲁番、鄯善县等地, 农业碳排放效率较高。内部降水较高的北疆区域, 农业碳排放效率较低, 而相对降水最高的新源县、昭苏县、特克斯县等地, 农业碳排放效率处于中等水平。这可能和新疆区域农业发展格局有关, 新疆农业碳排放效率较高的几个区域都不属于农业特别发达区域, 农业碳排放效率较高是由于物质投入少造成的; 极端干旱区域的农业发展水平落后, 因此化肥、农膜用量也小, 造成农业碳排放效率变高。北疆降水较多的区域, 农业发达, 农业产值较高, 也因此投入的农业物资较多, 造成这些区域的农业碳排放效率处于中等水平。

吴昊玥等^[33]、胡婉玲等^[45]、张广胜等^[46]、孟军等^[47]对农业碳排放效率的影响因素进行了研究分析, 为本研究的开展奠定了基础, 但上述研究由于模型的限制, 只能确定影响因素的系数, 无法动态量化某一影响因素对农业碳排放效率的影响, 本研究一定程度上扩展了该类研究的深度。具体到新疆来看, 农业规模化程度对农业碳排放效率具有显著的负向影响, 这是因为规模化程度越高, 农业机械的利用程度也越高, 同时规模化的种植也更倾向于大批量投入化肥、农膜等物质, 这些都会导致农业碳排放效率下降。通过偏依赖关系分析发现, 当农业规模达到一定程度后继续提高, 农业碳排放效率几乎不变。这可能是由于种植规模达到一定程度后, 农业生产中的科技投入、管理水平也提升了, 农业产值较快增长, 抵消了农业碳排放增加带来的不利影响。耕地规模对农业碳排放效率的影响也有类似的原因。农村经济发展水平则对农业碳排放效率具有显著的正向影响, 可能是因为经济发展水平高的区域, 科技投入、管理水平都更高, 生态环保意识也更强, 导致对农业碳排放效率显著提高。农业电器化程度前期对碳排放效率有负向影响, 这可能是由于电力农机的使用需要能源, 会增加碳排放; 但后期又具有显著的正向作用, 这可能是由于随着电力设备的不断投入, 农业朝智能化、高端化发展, 农业产值快速提高, 导致碳排放效率显著提升。由于负向影响因子, 农业规模化程度、耕地规模后期影响平缓, 建议进一步加大农业规模化程度、耕地规模, 在农业碳排放效率略微降低的同时, 进一步提高农业产值。正向影响因子, 农村经济发展水平和后期呈正向影响的农业电器化程度也需要进一步提高, 提升农业碳排放效率。

4.   结论

本研究基于发布的碳排放清单, 对新疆不同层级的99个行政单元2010—2019年的农业碳排放总量和碳排放效率进行测算, 得到各区域农业碳排放总量和碳排放效率的分布特征及动态演变趋势, 随后用随机森林模型动态量化农业碳排放效率的影响因素, 结果显示: 1) 2010—2014年新疆农业碳排放量增速较快, 2015—2019年农业碳排放量增速较慢, 年均增速3.33%。这说明新疆农业生产方式发生了一定程度上的转变。2)农业碳排放主要来源是化肥和农膜的使用, 二者相加占新疆农业碳排放来源的97.09%, 农业碳排放效率高的大多数区域农业物质投入少, 农业碳排放效率低的大多数区域农业产值较高, 但物质投入过大。两者结合来看, 新疆农业发展依然处于比较初级的阶段, 农业碳排放效率依然有较大的提升空间。3)降水量对农业碳排放效率的影响更多的是间接影响, 通过影响农业规模、农业生产技术, 从而影响农业碳排放效率, 因此相对干旱的吐鲁番、鄯善等地碳排放效率较高, 相对湿润的新源、昭苏、特克斯等地, 碳排放效率处于中等水平。4)应进一步加大农业规模化程度、耕地规模, 提高农村经济发展水平和农业电器化程度, 兼顾提升农业产值和农业碳排放效率。