Peaking process and decoupling analysis of carbon emissions of crop production in China
-
摘要: 判断种植业碳达峰进程, 可为温室气体减排提供农业领域的数据支撑。考虑农用物资、水稻种植、土壤管理和秸秆燃烧4类排放源, 本文对2000—2020年中国30省(市、自治区)种植业碳排放进行核算, 分类别、分量级对达峰进程展开初步探索, 利用Tapio脱钩指数探讨种植业碳排放与农业产值之间的关系。结果显示: 全国种植业碳排放量年均为23 326.860万t, 在2015年达到峰值26 264.777万t, 达峰后年均变化率为−1.560%, 尚处于平台期。根据达峰进程, 可将30省(市、自治区)分为下降期(北京、天津等13地)、平台期(山西、重庆等10地)、达峰期(河南、安徽等7地)。从全国层面来看, 种植业碳排放与农业产值的长期关系表现为弱脱钩, 短期关系已由弱脱钩转变为强脱钩。就省域层面而言, 短期关系自多种类型并存格局演化为强脱钩主导的极化态势。应根据达峰阶段及特点, 分区域、分类型制定全局减排策略, 加快我国种植业碳排放达峰转降进程。Abstract: Exploring the peak process of carbon emissions from crop production provides a basis for mitigating greenhouse gas emissions. Previous studies found that carbon emissions from crop production in China reached an inflection point in 2015. Nonetheless, determining whether a peak has been reached is unreliable without verifying the specific peaking process using statistical approaches. To better understand the peaking process, this study calculated the carbon emissions from crop production in 30 Chinese provinces from 2000 to 2020, considering four carbon sources: agricultural materials, rice paddies, soil management, and straw burning. The peak carbon emissions process was then explored at the national and provincial levels. The Tapio decoupling index was used to verify the relationship between carbon emissions and economic output. The results showed that: (1) The total carbon emissions from crop production in China had an annual average of 233.269 Mt, increasing from 200.020 Mt to 242.819 Mt during the study period, peaking at 262.648 Mt in 2015. The average annual rate of change after reaching the peak was −1.560%, indicating that emissions entered a plateau. Over time, agricultural materials became the primary emissions source (34.6%), whereas soil management contributed the least (11.6%) in 2020. (2) Carbon emissions from crop production were positively correlated with the cropping scale. Only two provinces, Hunan and Henan, had the highest emissions of over 20 Mt; five provinces, such as Hubei and Shandong, had the highest emissions distribution of 15–20 Mt, and other five provinces, like Jiangxi and Sichuan, had the highest emissions ranging from 10 to 15 Mt. In contrast, the highest emissions in 18 provinces were less than 10 Mt, especially in Beijing, Tianjin, and Qinghai, with emission peaks below 1 Mt. As far as the peaking process, the carbon emissions in 13 provinces, including Beijing and Tianjin, were in a state of decline, those of 10 provinces, such as Shanxi and Chongqing, entered a plateau, and those of seven provinces like Henan and Anhui had not met their peak yet. (3) At the national level, the long-term relationship between carbon emissions and economic output showed weak decoupling, whereas the short-term relationship changed from weak to strong decoupling. At the provincial level, the short-term relationship evolved from multi-type coexistence to strong decoupling. Consequently, it is recommended that the emission mitigation of crop production in China should be accelerated by source and phase based on the peaking process and emission magnitude. Provinces with emissions in peaking and plateauing states require additional attention, as their subsequent developments determined the overall emission reduction. In comparison, flexible space for emission mitigation can be provided to the provinces in declining states, as many of them are accompanied by low emissions and optimistic momentum. However, three high-emission provinces, Hubei, Jiangxi, and Shandong, also reached their peak emissions and began to decline, which may serve as examples of provinces with similar conditions. These findings provide local solutions for accelerating the peaking process of carbon emissions from crop production in China.
-
应对气候变化、温室气体减排是当前世界各国面临的共同挑战。作为占据全球碳排放总量28%的经济体[1], 我国在全球变暖问题上始终秉持负责任大国的态度, 积极采取系列减排措施、不断更新减排承诺。低碳成为未来若干年内国内经济发展的环境约束, “碳达峰” “碳中和”也逐渐成为相关产业的发展导向。源于以煤炭为主的能源消费结构, 工业、火电行业历来是我国碳排放的主要来源, 然而, 近年对化肥、农药、柴油等高碳物资的依赖导致种植业高排放特征也逐渐凸显, 加之作物自然生产过程涉及甲烷、氧化亚氮等高增温潜势温室气体排放, 推进种植业低碳转型已成为我国碳达峰、碳中和的重要内容。基于上述考虑, 全面核算我国种植业碳排放、判断达峰进程, 把握种植业碳排放与经济产出的脱钩关系, 将有助于为碳达峰、碳中和(“双碳”)目标的实现提供农业领域的数据参考。
学界已对种植业碳排放核算展开大量研究, 可归纳为样地观测、模型模拟和排放系数等主要方法[2], 排放系数法因技术简单、易于横向对比而被广泛应用于全国、省域尺度的研究[3]。相关文献可归纳为两种角度: 一是关注某类碳源, 例如稻田[4]、土壤[5]、农业废弃物处理[6-7], 有利于深入考察特定环节温室气体排放现状及减排方向[8]。二是在生命周期分析基础上测量多类碳源产生的排放总量[9-10], 这类估算角度更加常见。李波等[11]基于化肥、农药、农膜、翻耕、灌溉、柴油6项排放因子对中国1993—2008年的农业碳排放进行核算, 为种植业碳排放提供了基础核算框架。Zhang等[12]从农用物资、能源消耗、土壤、稻田等方面分析了粮食作物生产过程的碳排放源, 碳源清单较早期研究已有明显完善。根据核算结果, 一些学者指出我国种植业碳排放在2015年达最高点, 已基本趋于达峰状态[13-15]。
作为生产活动的副产品, 碳排放与经济发展的关系一直是学界讨论热点, 较为常用的方法是脱钩模型。脱钩原指多个物理量之间的相互关系减弱的现象, Zhang[16]最早将其应用于经济与环境的关系研究; 世界经合组织(OECD)[17]将脱钩理论引入到农业政策发展研究中; Tapio[18]则对OECD脱钩模型加以改良, 提出包含强脱钩、增长耦合、弱脱钩等8种类型的脱钩指数。从已有研究来看, 脱钩分析在工业和能源碳排放研究领域较为常见[19-20], 一些学者基于脱钩模型预测不同部门碳达峰可能性[21-22]。在农业碳排放研究中, 陈柔等[23]发现2006—2015年中国各省农业碳排放与经济增长之间主要呈弱脱钩状态, 田云等[24]指出长江经济带的农业经济与碳排放之间的关系总体为弱脱钩和强脱钩。
综合而言, 种植业碳排放核算领域已形成丰富而深入的研究成果, 为达峰情况判断与后续衍生研究提供了可靠支撑, 但仍存在一些缺憾: 多数研究已对排放总量展开时序分析, 普遍发现中国种植业碳排放在2015年达到拐点, 但缺乏对达峰态势的深入探讨, 对于省域层面的碳排放量演进分析同样点到即止, 对各省减排阶段的认知仍待深挖, 相关结果尚无法满足对各地种植业碳排放达峰进程判断的数据需求。同时, 种植业碳排放与经济产出的关系尚未厘清, 其将会随着经济扩张转而上升, 还是已经与经济增长相互脱钩, 二者关系需待检验, 才能对达峰与否做出初步判断。
鉴于此, 本文尝试以2000—2020年中国30省(市、自治区)为研究范围, 基于农用物资、水稻(Oryza sativa)种植、土壤管理和秸秆燃烧4方面排放源头核算省域种植业碳排放, 根据达峰进程判断标准, 分类别、分量级对省域种植业碳达峰进程展开探索。在此基础上, 利用Tapio脱钩模型验证种植业碳排放与经济产出之间的关系, 以期为我国种植业碳排放达峰状态的判断形成数据支撑, 也为其与农业经济之间的深度关系探讨提供实证依据。
1. 研究方法与数据来源
1.1 种植业碳排放核算方法及达峰进程判断标准
种植业碳排放即为种植业直接或间接导致的温室气体排放, 包括二氧化碳、甲烷、氧化亚氮3种主要排放类型。碳排放核算要求确定具体碳源类别及排放系数, 涉及农用物资、水稻种植、土壤管理和秸秆燃烧4类主要排放源, 各类源头涵盖若干细项, 称之为排放因子, 具体核算方法参考Wu等[15]的研究。根据全球增温潜势, 1单位甲烷、氧化亚氮分别等同于9.2727、81.2727单位标准碳的增温效应[25], 据此统一折算, 便于后续分析。尽管我国2030年碳达峰目标针对二氧化碳排放而设, 但2060年碳中和目标涵盖氧化亚氮、甲烷等非二氧化碳温室气体, 种植业作为氧化亚氮、甲烷的重要排放源, 理应提前对自身施压、率先做出贡献, 这也是本文讨论碳达峰进程时囊括非二氧化碳温室气体的原因。
已有研究[26]将碳排放状态判断方法模型(evaluation model on the status of CO2 emission, ESC)、历史排放及统计学判断结果相结合, 给出达峰状态判断参考值: 若碳排放量在峰值排放量±1%内浮动, 则认为处于达峰期。平台期和下降期的界定, 以达峰后排放量连续多年的年均变化率与−2%比较, 如果达峰后年均变化率为−1%~−2%, 则认为碳排放仍处于平台期; 如果达峰后年均变化率<−2%, 则认为已经进入下降期。
1.2 脱钩分析
脱钩原指多个物理量之间相互关系减弱的现象, 世界经合组织(OECD)将这一概念用于反映环境危害与经济绩效之间的联系。Tapio[18]对OECD脱钩模型进行了改良, 提出包含8种状态的Tapio脱钩指数。本文采用该方法定义种植业经济产出的碳脱钩指数, 如式(1)所示。
$$ \varepsilon = \frac{{\Delta E/E}}{{\Delta A/A}} = \frac{{\left( {{E_i} - {E_0}} \right)/{E_0}}}{{\left( {{A_i} - {A_0}} \right)/{A_0}}} $$ (1) 式中: ε为种植业碳排放的经济产出增长弹性, 即脱钩指数; ΔE表示种植业碳排放变化量, E表示种植业碳排放, Ei和E0分别为当期和基期的种植业碳排放量; ΔA为经济产出变化量, 根据我国统计口径, 采用农业产值变化量作为代理变量; A表示经济产出, Ai和A0分别为当期和基期的农业产值。脱钩指数为一定期间内种植业碳排放变化率与农业产值变化率之比, 反映种植业碳排放变化对于经济产出变化的敏感程度。根据指数取值与经济含义, 可划分为如图1所示的8种脱钩状态。
![]()
图 1 基于指标变化率与弹性值的种植业经济产出的碳排放Tapio脱钩类别划分(ε为脱钩指数, ΔE/E表示种植业碳排放变化率, ΔA/A表示农业产值变化率)Figure 1. Classification of Tapio decoupling states of carbon emission of crop production based on the changing rate and elasticity (ε is decoupling index, ΔE/E is the change rate of carbon emissions of crop production, ΔA/A is the change rate of agricultural output value)在依托固定基期(2000年)进行Tapio脱钩指数测算之余, 还将对考察期间分段、测算各段脱钩指数。将固定基期长期分析与分段短期测算相结合, 既能反映考察期间的总体脱钩过程, 又能体现不同时段下脱钩状态的细微变化特征[27]。
1.3 数据来源与处理
研究所需的2000—2020年中国30省(市、自治区)的种植业碳排放核算所涉活动数据及农业总产值数据, 均来源于历年《中国统计年鉴》《中国农村统计年鉴》和各省统计局。港、澳、台、西藏数据缺失过多, 暂未纳入研究范围。基于2000年不变价格对农业总产值进行平减, 以消除通货膨胀带来的影响。
2. 结果与分析
2.1 中国种植业碳排放时序演进及达峰进程
2.1.1 全国种植业碳排放时序演进及达峰进程
在核算2000—2020年中国种植业碳排放的基础上, 分别以基期排放量和考察期间最高排放量为基准计算年均变化率, 对应时序演进如图2所示。
![]()
图 2 2000—2020年中国种植业碳排放演进过程Figure 2. Evolution of carbon emissions of crop production in China from 2000 to 2020种植业碳排放演变历程是碳源组合变化的表征。农用物资碳排放自2000年的6000.423万t增至2015年的9078.750万t, 在排放总量中的占比由30.0%增至34.6%, 其变化轨迹是期间我国农业化学化、机械化程度不断加深的写照; 2016年起, 下降势头显露, 末期降至7853.327万t, 占比缩减为32.3%, 尽管化肥、农药减量、农机节能减排成效已有所显现, 农用物资对碳排放的贡献仍位于各类碳源第一梯队。21年间, 水稻种植碳排放占比自31.9%降至25.3%, 总量由6384.133万t降为6143.292万t, 其排放量取决于各地水稻播种面积和自然生产条件, 故年际波动相对轻微。土壤管理碳排放基数较小, 由基期的2667.707万t平稳增至2014年的3316.370万t, 自2015年起逐年回落, 2020年降为2826.654万t, 占比自13.3%降至11.6%。区别于其他碳源, 秸秆燃烧碳排放总量由4949.770万t增至7463.640万t, 占比自2000年的24.7%增至2020年的30.7%, 均呈稳定上升态势, 表明种植业废弃物处理活动的环境负外部性仍待重视。对比期初与期末, 水稻种植和土壤管理的排放占比降幅分别为−6.6%和−1.7%, 秸秆燃烧和农用物资排放占比均有所上升, 增幅依次是6.0%、2.3%。随着时间推移, 种植业碳排放的首要源头已经由水稻种植更替为农用物资, 如延续各碳源发展态势, 秸秆燃烧将在未来取代农用物资成为首要排放源。
全国种植业碳排放年均为23 326.860万t, 历经3个演进阶段: 2000—2003年, 排放量在19 000万~20 000万t之间波动, 期间农业低水平、低效益特征逐渐显现, 农民生产积极性不强, 作物种植规模缺乏稳定性, 碳排放自然得到抑制; 2004—2015年间, 排放量自20 795.624万t平稳升至26 264.777万t, 随着惠农政策陆续颁布, 作物播种面积稳定扩张, 含碳农资投入快速增密, 能源消耗持续加大, 在推动作物产量不断上升的同时, 农业废弃物也随之增加, 处理方式却未得到明显改进, 导致作物种植全过程、各环节的排放量稳步提高。2015年后, 排放总量开始回落, 2020年降至24 281.913万t, 表明种植业碳排放已得到有效控制, 初步呈现负向增长态势, 主要原因是政府对高产作物品种与低碳生产技术的研发、应用、推广, 加之对化肥、农药、农膜等高碳农资的使用限制等, 作物种植方式已经在向低碳高效方向逐渐转型。
基于基期排放量计算年均变化率, 2001—2003年间年均变化率均为负值, 2004年转为正值并平稳上升, 2012年后年均变化率转降, 这一趋势持续至考察期末, 与前文分析一致。再基于峰值排放量测算年均变化率, 发现2020年的年均变化率为−1.560%, 尚属于达峰平台期, 但若继续保持下降势头, 将顺利度过平台期并进入下降期。
2.1.2 省域种植业碳排放时序演进及达峰进程
在了解全国种植业碳排放达峰进程的基础上, 对各省达峰进程展开初步判断。按照演进特征与前文所述判断标准, 可将30省(市、自治区)归类到下降期、平台期和达峰期3种状态, 并根据排放量级对省域进行划分, 绘制省域种植业碳排放总量与结构的时序演进图(图3)。
![]()
图 3 2000—2020年中国30省(市、自治区)种植业碳排放总量、结构及达峰进程纵轴表示种植业碳排放, 横轴表示年份, 从左至右为2000—2020年。每幅堆积柱状图的纵轴区间统一标注于最左侧, 图幅下方依次呈现对应省份、基期(2000年)排放量(×104 t)→峰值排放量(×104 t)→末期(2020年)排放量(×104 t)和达峰后年均变化率。The vertical axis denotes carbon emissions of crop production, and the horizontal axis denotes time, from 2000 to 2020. The range of the vertical axis of the line graph by province is marked on the left side, and the corresponding provinces, emissions (×104 t) in 2000 → peak emissions (×104 t) → emissions (×104 t) in 2020, and annual average change rates after peaking are presented below each bar graph.Figure 3. Amount, composition, and peaking process of carbon emissions of crop production in 30 Chinese provinces between 2000 and 2020种植业碳排放量与生产规模呈正向相关: 仅湖南、河南2省的最高排放量超过2000万t; 位于1500万~2000万t的省份包括湖北、山东、黑龙江、安徽和江苏, 而江西、四川等5地的最高排放量分布于1000万~1500万t; 多数地区的最高排放量低于1000万t, 如浙江、云南等8省处于500万~1000万t, 上海、海南等10地则低于500万t, 尤其是北京、天津、青海, 排放峰值在100万t之下。由于种植结构、技术水平差别迥异, 各地种植业碳排放结构截然不同: 北京、天津、河北、内蒙古、山东、陕西、甘肃、青海、新疆9地的农用物资碳排放对当地种植业碳排放贡献超过50%, 其余省份的农用物资碳排放占比分布于10%~50%。相较而言, 水稻种植碳排放在黑龙江、江西、湖北、湖南、广东、广西、海南等地的排放结构中占比较高, 在江西排放结构中的占比已逾50%。土壤管理碳排放基数相对较小, 占比普遍处于5%~15%的区间。山西、江苏、安徽、河南等地的秸秆燃烧碳排放占比较高, 当地秸秆资源体量较大、处理频繁, 露天焚烧率相对较高, 导致碳排放居高不下。综合而言, 种植业碳排放表现出各异的分布等级与排放结构, 需考虑省域资源禀赋与排放特征实施差异化减排路径。
根据整体发展趋势及达峰后年均变化率, 北京、天津等13省(市)处于下降期, 种植业碳排放最高点出现在考察期间, 达峰后呈平稳下降趋势, 与峰值水平相比, 2020年的年均变化率低于−2%, 已顺利度过平台期。具体而言, 北京、天津、青海、上海、海南、贵州、甘肃的排放量均在500万t以下, 浙江、福建和云南的排放量均在1000万t以下, 分别属于低排放和较低排放等级, 海南、浙江等东部地区地势平坦、光热条件优良, 便于应用低碳高效种植技术和开展规模化经营, 加之上海、天津、北京等地农业体量较小, 多属于都市农业, 环境保护要求严格, 含碳农资投入强度相对较小, 农业废弃物处理方式较为绿色, 多重因素导致各碳源排放量出现不同程度缩减, 种植业碳排放顺利达峰并转入下降期; 青海、甘肃等地的农业发展重心并非作物种植, 排放基数本身不高, 减排的空间与难度相对较小, 碳排放同样已经进入下降期。江西、湖北和山东的种植业碳排放为1000万~2000万t, 分别在2015年、2016年达到考察期间最高点, 其后迅速下降, 表明我国原农业部出台的“一控两减三基本”要求在这些地区已经得到切实落地, 作物种植活动中的高投入、高能耗、高排放现象已有明显改善。
处于平台期的地区包括山西、重庆等10省(市、自治区)。观察排放总量可以发现, 年均排放量处于1000万t以下的省份与1000万t以上的省份平分秋色, 且过半省份为粮食主产区或特色农业发达地区。这些地区的排放量均已达峰, 多集中在2015年、2016年。黑龙江、吉林、辽宁3省位于东北平原, 生产条件优越, 近年生态保护力度和涉农财政投入不断加大, 有益于生产方式集约化、低碳化转型, 但从种植结构而言, 当地粮食作物占据主导地位, 而秸秆燃烧碳排放主要源于水稻、玉米(Zea mays)、小麦(Triticum aestivum)粮食作物, 水稻种植过程还涉及甲烷排放, 种植结构特征客观上决定当地种植业碳达峰转降存在较大难度。四川、重庆、山西、陕西等地水稻种植和土壤管理所致温室气体未见明显减少, 仅农用物资碳排放近年出现一定降幅, 且仍存在农资减量、能源减排空间。此外, 四川、陕西的秸秆燃烧碳排放近年偶有上升, 各项碳源综合表现导致种植业碳排放整体下降速度较慢。湖南、广西的水稻种植碳排放在排放结构中贡献较大, 其与气候条件、种植规模、田间管理等因素息息相关, 短时间内难以实现大幅缩减。因此, 尽管这10地的种植业碳排放已达峰值, 但达峰后年均下降率绝对值低于2%, 需警惕反弹现象, 属于减排重点关注地区。
处于达峰期的地区包括宁夏、新疆等7省(自治区), 宁夏、新疆和内蒙古的农用物资及土壤管理碳排放量尚未形成稳定下降势头, 种植业碳排放量仍在峰值的±1%范围之内浮动, 故仍被归结为达峰期范畴。河南的种植业碳排放结构中, 仅农用物资和土壤管理碳排放在考察末期出现降幅, 稻田甲烷碳排放近年保持在140万t左右, 而秸秆燃烧碳排放在2017年突破1000万t后呈继续扩张态势, 亟待引起重视。广东的种植业碳排放量尽管在基期已达最高值, 但后续演进趋势始终波动不定, 安徽、江苏等地均具有排放基数过大的特征, 当地水热条件优越, 是我国核心水稻产区, 难以避免稻田甲烷排放, 近年水稻种植引致的碳排放仍居高位(且安徽的水稻种植碳排放仍呈扩张趋势), 加之对化肥、农药等高碳农资的依赖程度较强, 农业废弃物处理方式有待绿色转型, 是未来长期内我国种植业低碳转型的攻坚地区。
2.2 中国种植业碳排放与经济产出的关系分析
2.2.1 种植业碳排放与经济产出的数量关系
为把握种植业碳排放与农业产值的数量关系, 将两项指标置于同一坐标轴中, 以2000—2020年间全国均值为原点, 根据30省(市、自治区)年均种植业碳排放与年均农业产值, 将各地划分为高排高产(第1象限)、高排低产(第2象限)、低排低产(第3象限)、低排高产(第4象限) 4类(图4)。
![]()
图 4 基于种植业碳排放和农业产值的省域类型划分1: 湖南; 2: 河南; 3: 安徽; 4: 江苏; 5: 山东; 6: 湖北; 7: 黑龙江; 8: 江西; 9: 广东; 10: 广西; 11: 四川; 12: 河北; 13: 吉林; 14: 云南; 15: 浙江; 16: 辽宁; 17: 福建; 18: 内蒙古; 19: 新疆; 20: 陕西; 21: 山西; 22: 重庆; 23: 贵州; 24: 甘肃; 25: 海南; 26: 宁夏; 27: 上海; 28: 天津; 29: 北京; 30: 青海。1: Hunan; 2: Henan; 3: Anhui; 4: Jiangsu; 5: Shandong; 6: Hubei; 7: Heilongjiang; 8: Jiangxi; 9: Guangdong; 10: Guangxi; 11: Sichuan; 12: Hebei; 13: Jilin; 14: Yunnan; 15: Zhejiang; 16: Liaoning; 17: Fujian; 18: Inner Mongolia; 19: Xinjiang; 20: Shaanxi; 21: Shanxi; 22: Chongqing; 23: Guizhou; 24: Gansu; 25: Hainan; 26: Ningxia; 27: Shanghai; 28: Tianjin; 29: Beijing; 30: Qinghai.Figure 4. Provincial classification based on carbon emissions of crop production and agricultural output value图4显示, 低排高产型表明作物种植过程兼顾低碳与增产, 是碳排放与经济产出最为理想的关系状态, 仅辽宁和云南处于该象限, 其生产规模较大、种植结构较优, 在形成低排放的同时, 也得以实现经济产出的保障。高排低产型仅江西1省, 当地农资使用强度过高、秸秆处理方式不够理想, 碳排放已经超过相应种植规模下的适宜状态。高排高产型包括湖南、河南、江苏等11省(自治区), 均属于农业大省, 根据其在第1象限的分布特征, 又可细分为3种类型: 一是经济产出主导型, 包括山东、河南、河北3省, 其作物种植规模较大, 难以避免过量农资消耗和秸秆处理活动, 各环节势必产生较多碳排放, 但因其规模集约经营程度较高, 且较为重视投入要素的合理配置与使用, 使得经济产出与碳排放的比例优于第1象限其他地区; 二是经济环境平衡型, 包括江苏、广东、四川3省, 其种植业碳排放与经济产出之间的关系较为均衡; 三是环境代价主导型, 包括湖南、安徽、湖北、黑龙江和广西5省(自治区), 其表现更接近于第2象限的地区, 同样是推进种植业碳减排的关键区域。低排低产型包括青海、上海、北京等16地, 当地优势产业并非种植业, 碳排放和经济产出均低于平均水平。
2.2.2 全国种植业碳排放与经济产出的脱钩分析
前文从数量角度分析了种植业碳排放与农业产值的关系, 下文将从速度角度展开探讨, 即依托种植业碳排放变化率与农业产值变化率的关系判断脱钩状态。在基于固定基期(2000年)进行长期脱钩指数测算的同时, 以5年为界对考察期分段并测算各段脱钩指数, 结果如图5所示。
![]()
图 5 2000—2020年中国种植业碳排放与农业产值的脱钩状态Figure 5. Decoupling states between carbon emissions of crop production and agricultural output value in China between 2000 and 2020根据长期脱钩指数, 中国种植业碳排放与农业产值的关系在多数年份呈弱脱钩状态。2001—2003年, 种植业碳排放负向增长而农业产值正向增长, 表现为强脱钩, 其他年份两项指标变化率均为正, 二者比值始终处于0~0.8, 关系为弱脱钩。早期考察年份与基期的间隔时间较短, 导致脱钩指数波动性较强, 随着时间推移, 碳排放变化率先增后降, 农业产值增长率累积上升, 使得后期脱钩指数呈稳定下降趋势, 若二者继续保持自身发展势头, 其长期关系将从弱脱钩顺利过渡到强脱钩。
短期脱钩指数较长期脱钩指数更为敏感, 能展示更近时段的细微脱钩特征。总体来看, 全国种植业碳排放与农业产值的短期关系由弱脱钩稳定转变为强脱钩。2005—2017年间, 碳排放变化率为正, 2018—2020年间保持负值, 农业总产值一直正向增长, 导致2018—2020年间的脱钩状态为强脱钩, 其余年份为弱脱钩。从脱钩状态转变过程来看, 当把对比间隔缩小为5年后, 近年种植业的环境负外部性已经与经济产出显著脱钩, 说明我国作物种植已经逐渐脱离资源消耗高、环境代价高的状态, 逐渐向高效低碳的理想情形转轨。
2.2.3 省域种植业碳排放与经济产出的脱钩分析
在分析全国层面的脱钩关系特征基础上, 以5年为间隔测算省域分段短期脱钩指数, 表1呈现了脱钩指数、脱钩状态、种植业碳排放变化率和农业产值变化率。
表 1 2000—2020年中国30省(市、自治区)种植业碳排放与农业产值的脱钩状态Table 1. Decoupling states between carbon emissions of crop production and agricultural output value in 30 provinces (city or autonomous region) from 2000 to 2020 in China省份
Province2000—2005 2005—2010 2010—2015 2015—2020 ΔE/E ΔA/A ε s ΔE/E ΔA/A ε s ΔE/E ΔA/A ε s ΔE/E ΔA/A ε s 北京 Beijing −0.197 0.066 −2.973 a −0.011 0.130 −0.088 a −0.279 −0.103 2.713 c −0.427 −0.359 1.190 e 天津 Tianjin 0.137 −0.020 −6.745 g 0.088 0.199 0.440 b −0.051 0.207 −0.245 a −0.175 0.167 −1.048 a 河北 Hebei 0.308 0.313 0.985 d −0.016 0.228 −0.072 a 0.058 0.205 0.285 b −0.160 0.170 −0.940 a 山西 Shanxi 0.226 0.084 2.682 f 0.181 0.227 0.800 b 0.123 0.237 0.520 b −0.045 0.184 −0.243 a 内蒙古 Inner Mongolia 0.400 0.213 1.878 f 0.473 0.205 2.314 f 0.360 0.373 0.963 d −0.013 0.146 −0.088 a 辽宁 Liaoning 0.222 0.341 0.652 b 0.171 0.144 1.189 d 0.050 0.445 0.112 b −0.071 0.057 −1.252 a 吉林 Jilin 0.310 0.410 0.757 b 0.192 0.290 0.662 b 0.295 0.329 0.898 d −0.035 0.259 −0.134 a 黑龙江 Heilongjiang 0.136 0.478 0.285 b 0.738 0.255 2.890 f 0.278 0.356 0.781 b −0.069 0.192 −0.362 a 上海 Shanghai −0.282 −0.090 3.150 c −0.005 0.012 −0.456 a −0.116 −0.087 1.330 c −0.205 −0.216 0.950 e 江苏 Jiangsu −0.016 0.164 −0.095 a 0.062 0.197 0.317 b 0.023 0.210 0.108 b −0.034 0.108 −0.314 a 浙江 Zhejiang −0.187 0.113 −1.656 a −0.084 0.167 −0.505 a −0.091 0.111 −0.817 a −0.087 0.168 −0.517 a 安徽 Anhui 0.057 0.024 2.414 f 0.163 0.276 0.589 b 0.151 0.250 0.606 b −0.042 0.156 −0.272 a 福建 Fujian −0.082 0.187 −0.435 a −0.052 0.224 −0.232 a −0.050 0.237 −0.213 a −0.136 0.212 −0.643 a 江西 Jiangxi 0.124 0.209 0.590 b 0.105 0.175 0.604 b 0.054 0.262 0.204 b −0.093 0.247 −0.376 a 山东 Shandong 0.112 0.186 0.604 b 0.059 0.189 0.311 b 0.032 0.218 0.145 b −0.082 0.214 −0.381 a 河南 Henan 0.175 0.267 0.658 b 0.243 0.279 0.869 d 0.111 0.241 0.460 b −0.030 0.249 −0.121 a 湖北 Hubei 0.051 0.144 0.352 b 0.121 0.216 0.559 b 0.078 0.240 0.324 b −0.116 0.231 −0.501 a 湖南 Hunan 0.006 0.218 0.026 b 0.099 0.241 0.410 b 0.055 0.210 0.264 b −0.089 0.192 −0.461 a 广东 Guangdong −0.078 0.254 −0.308 a 0.003 0.196 0.013 b 0.007 0.222 0.031 a −0.060 0.272 −0.221 a 广西 Guangxi 0.085 0.308 0.276 b −0.016 0.289 −0.055 a 0.015 0.296 0.051 b −0.074 0.347 −0.212 a 海南 Hainan 0.018 0.354 0.050 b 0.220 0.422 0.522 b 0.001 0.348 0.003 a −0.203 0.302 −0.672 a 重庆 Chongqing 0.036 0.199 0.181 b 0.021 0.327 0.064 b 0.029 0.253 0.116 b −0.037 0.239 −0.155 a 四川 Sichuan −0.002 0.113 −0.016 a 0.052 0.167 0.309 b 0.023 0.226 0.101 b −0.065 0.350 −0.186 a 贵州 Guizhou 0.041 0.135 0.301 b 0.056 0.188 0.296 b 0.122 0.396 0.309 b −0.178 0.456 −0.391 a 云南 Yunnan 0.113 0.245 0.461 b 0.102 0.324 0.315 b 0.177 0.350 0.506 b −0.130 0.400 −0.324 a 陕西 Shaanxi 0.055 0.372 0.148 b 0.223 0.349 0.641 b 0.136 0.321 0.425 b −0.063 0.261 −0.239 a 甘肃 Gansu 0.206 0.353 0.585 b 0.340 0.320 1.065 d 0.334 0.317 1.056 d −0.201 0.304 −0.659 a 青海 Qinghai −0.046 0.182 −0.250 a 0.280 0.372 0.754 b 0.198 0.274 0.721 b −0.236 0.252 −0.936 a 宁夏 Ningxia 0.157 0.402 0.390 b 0.279 0.473 0.589 b 0.042 0.274 0.155 b −0.030 0.190 −0.156 a 新疆 Xinjiang 0.257 0.270 0.954 d 0.465 0.392 1.188 d 0.469 0.420 1.118 d −0.027 0.306 −0.087 a ΔE/E表示种植业碳排放变化率, ΔA/A表示农业产值变化率, ε表示脱钩指数, s表示脱钩状态, a为强脱钩, b为弱脱钩, c为衰退脱钩, d为增长连接, e为衰退连接, f为扩张负脱钩, g为强负脱钩。ΔE/E is the change rate of carbon emissions of crop production, ΔA/A is the change rate of agricultural output value, ε is the decoupling index. s denotes the decoupling states, a denotes the strong decoupling, b denotes the weak decoupling, c denotes the recessive decoupling, d denotes the expansive coupling, e denotes the recessive coupling, f denotes the expansive negative decoupling, and g denotes the strong negative decoupling. 不同阶段种植业碳排放与农业产值的脱钩格局各异, 具体而言:
2000—2005年间, 脱钩类型较为多元, 集中于弱脱钩、强脱钩和扩张负脱钩3类, 江苏、浙江、福建、广东等省份均处于强脱钩阶段, 其种植业碳排放呈下降趋势, 农业产值则保持增加, 这与东南沿海地区的技术水平、发展定位与功能导向息息相关; 内蒙古、山西、安徽3地属于扩张负脱钩类型, 种植业碳排放与农业产值均呈上升态势, 且前者增幅大于后者, 导致环境代价扩张速度快于经济产出速度; 河北、新疆2地的种植业碳排放与农业产值为增长连接关系, 即二者均有所增加, 且增幅较为相近, 表现出作物增产依赖于高排放、高消耗的粗放式生产特征; 天津、上海分别呈强负脱钩和衰退脱钩; 多数地区的种植业碳排放增幅低于农业产值增幅, 属于弱脱钩状态。
2005—2010年间, 黑龙江进入扩张负脱钩阶段, 其种植业碳排放增速大于产值增速; 辽宁、河南、甘肃加入增长连接行列; 内蒙古仍保持扩张负脱钩状态; 其余省份分布于强脱钩和弱脱钩类型, 数量较前一阶段有明显增加, 且弱脱钩省份数量更胜一筹, 表明这一阶段多数省份在农业经济稳定增长之余, 种植业碳排放也呈下降势头。
2010—2015年间, 脱钩类型继续集中、分布规律有所增强。北京、上海呈衰退脱钩, 其种植业碳排放与农业产值均有所下降, 且前者下降速度快于后者, 这一现象折射出北京、上海作物生产规模逐渐缩减的发展历程; 除了早已进入增长连接阶段的甘肃、新疆之外, 内蒙古、吉林也加入该行列; 强脱钩区域仍然主要处于东南沿海一带; 弱脱钩省份数量高达19个, 占据绝对主导地位。
2015—2020年间, 北京、上海表现为衰退连接, 其余28地均已顺利过渡为强脱钩状态, 得以走出高污染、低产出困境。随着生产主体的生态保护意识日益增强, 作物种植愈发注重高效集约生产、资源环境保护, 高碳农资、农用能源的消耗量相对减少, 废弃物资源化、清洁化处理方式日益普及, 多数省份种植业碳排放与农业产值的链接已被打破。
经过21年演化, 中国种植业碳排放与农业产值的关系自多种类型并存格局演化为强脱钩主导的极化态势, 并向全域绝对脱钩状态稳定演进。
3. 讨论、结论与政策启示
3.1 讨论
中国种植业碳排放在2015年出现拐点, 这一结论与相关文献达成共识[13,15,28-30]。程琳琳[31]核算了1993—2016年的中国农业碳排放量, 同样发现排放量在2015年达到最高点, 为121 595万t二氧化碳(等同于33 162万t标准碳)。该结果略高于本文中2015年对应的26 265万t标准碳, 这是因为程琳琳的研究对象为广义农业, 所建核算体系不仅涉及种植业, 还涵盖畜禽养殖碳排放。吴义根等[32]测得2015年中国农业碳排放量为24 643万t, 略低于本文所测结果, 但同样考虑到核算体系的差异, 这一细微差别尚在合理范围内。通过横向对比, 可确认本文所测种植业碳排放量变动趋势与相关成果总体保持一致。
区别于已有研究停留于“农业碳排放在2015年达到最高点”的表层结论, 本研究将研究时期延伸到2020年, 基于达峰状态判断参考值[26]对我国种植业碳排放达峰进程进行分析, 发现尽管碳排放已出现拐点, 但达峰后年均变化率为−1.560%, 尚属于平台期, 这一结论从种植业层面对碳达峰研究领域有所丰富。从现实情况来看, 区别于工业碳排放和能源碳排放, 种植业碳排放与作物结构、种植规模和生产技术息息相关, 而省域内部种植规模和结构通常来说较为稳定, 随着我国对低碳农业的日渐提倡, 绿色生产技术应用日益广泛, 有13地的种植业碳排放已达峰值并转而下降, 回弹可能性相对较小。同时, 有10地进入平台期, 仍有7地处于达峰期, 需要继续加大种植业低碳转型力度, 确保顺利度过达峰期和平台期。从研究结果来看, 绝大多数地区已经实现种植业经济产出与碳排放的强脱钩, 意味着通过优化农资利用结构、改善废弃物处理模式、加强低碳技术应用, 可以顺利实现种植业碳达峰目标。
限于数据可获得性与研究能力, 研究仍存在一些局限: 1)聚焦于中国种植业碳排放现实情况, 仅结合政策动态、种植特征对达峰态势进行分析, 未对达峰驱动因素进行实证检视, 也未对未来潜在减排空间进行详细讨论。探索种植业的减排可能性对于“双碳”目标的实现具有重要意义, 其驱动因素有待探索, 贡献值域也有待估计。2)在种植业碳排放核算时, 参考Wu等[15]的研究, 相关系数来源于《省级温室气体清单编制指南》、IPCC清单及经典文献, 然而相关结果仍具不确定性。例如, 《省级温室气体清单编制指南》在考虑中国各区域地理环境、农业生产差异的基础上, 分区域提供了土壤氧化亚氮直接排放系数, 并建议在核算省域排放量时采用其所属区域的统一系数, 但是, 该系数无法反映区内省份之间土壤条件、生产特点的差异, 这可能导致核算结果略微存在偏差。后续研究可拓展研究视角与数据获取方式, 集成样地观测、大田试验、模型模拟、农户调查和统计数据, 发展和完善评估模型, 提高参数本土化程度, 以进一步优化种植业碳排放核算研究。
3.2 结论
基于农用物资、水稻种植、土壤管理、秸秆燃烧4类排放源, 核算2000—2020年中国30省(市、自治区)种植业碳排放, 分类别、分量级展开省域种植业碳达峰状态初步判断, 采用Tapio脱钩指数探讨碳排放量与农业产值的关系, 结果发现:
1)全国种植业年均碳排放量为23 326.860万t, 呈先降、再增、后降的发展态势, 达峰后年均变化率为−1.560%, 尚处于平台期。包括北京、天津在内的13个省(市、自治区)处于下降期, 处于平台期的省份包括山西、重庆等10省(市、自治区), 河南、安徽等7地尚处于达峰期。
2)根据年均碳排放与年均农业产值, 可将30个省份划分为低排高产型(辽宁、云南)、高排低产型(江西)、高排高产型(湖南、河南、江苏等11地)、低排低产型(青海、上海、北京等16地)。从全国层面来看, 种植业碳排放与农业产值的长期关系主要表现为弱脱钩, 短期关系已由弱脱钩稳定转变为强脱钩。从省域层面来看, 二者脱钩关系自多种类型并存格局演化为强脱钩主导的极化态势, 并向全域绝对脱钩状态稳定演进。
3.3 政策启示
就全局层面而言, 全国种植业碳排放已进入平台期, 与农业产值的长、短期脱钩状态分别呈弱脱钩、强脱钩, 若稳定延续其下降势头, 将在未来几年内平稳度过平台期并顺利转降。但是, 农业稳产增产对生产规模具有一定要求, 而生产过程无法完全规避温室气体排放, 因此, 仍需警惕种植业规模扩张可能带来的增排效应, 重点从农资使用、秸秆处理等高碳活动来源切入, 从种植结构调整、低碳技术应用等方面着手, 实现保供、稳产前提下的种植业低碳转型。
从省域层面来看, 种植业碳排放与经济产出的关系已普遍呈强脱钩状态, 因此暂时无需担忧低碳转型带来产出下降、产值缩减等风险, 粮食安全保障与种植业碳减排的共同实现成为可能。根据达峰阶段及特点, 分区域、分类型制定整体减排策略, 有助于加快我国种植业碳排放达峰转降进程: 1)对于属于达峰期的7地, 其年均变化率距临界值(−2%)仍有较大缺口, 如无政策干预, 距其进入平台期、进而转入下降期尚需较长时间, 尤其是广东、安徽、江苏、河南, 均属于高排放等级, 加快其达峰转降速度对我国种植业碳排放的整体减排局势具有关键意义, 由于这些地区属于产粮大省, 在形成大量稻田甲烷排放与秸秆燃烧碳排放的同时, 对高碳农资投入的依赖程度也较高, 应加强硝化抑制剂、配套栽培管理措施等的创新与应用, 积极推广秸秆资源化利用, 并继续研发引进低甲烷高产量水稻新品种, 推广应用适宜当地条件的低碳稻作技术与田间管理技术, 促进其碳排放尽快达峰。2)对处于平台期的10个省份, 尤其是分布于中等、较高和高排放等级的河北、黑龙江、湖南等地, 其后续发展趋势同样影响到全国种植业减排形势, 应当予以重点关注, 加快推进其度过平台期、顺利过渡到下降阶段; 从发展趋势来看, 山西、吉林、广西、河北、黑龙江、陕西6省的达峰后年均变化率已处于−1.3%至−1.7%之间, 湖南、辽宁、四川3省的达峰后年均变化率已降至−1.8%, 若能加强低碳高效技术的应用, 提高化肥、农药等高碳农资的有效利用率, 在确保稳产增产的前提下有效实现种植业各环节的排放控制, 提高其转入下降期的速度。3)就处于下降期的省份而言, 湖北、江西、山东属于高排放地区, 但其农业生产结构、技术均较为先进, 整体保持积极减排势头, 可作为生产条件相近地区的发展示范; 其他同样处于下降期的地区多属于中低排放等级, 当地农业在经济结构中占比份额不高、作物种植规模相对较小, 在整体减排格局中的地位不如前述地区, 可以适当给予弹性调整空间。
-
![]()
图 1 基于指标变化率与弹性值的种植业经济产出的碳排放Tapio脱钩类别划分(ε为脱钩指数, ΔE/E表示种植业碳排放变化率, ΔA/A表示农业产值变化率)
Figure 1. Classification of Tapio decoupling states of carbon emission of crop production based on the changing rate and elasticity (ε is decoupling index, ΔE/E is the change rate of carbon emissions of crop production, ΔA/A is the change rate of agricultural output value)
![]()
图 2 2000—2020年中国种植业碳排放演进过程
Figure 2. Evolution of carbon emissions of crop production in China from 2000 to 2020
![]()
图 3 2000—2020年中国30省(市、自治区)种植业碳排放总量、结构及达峰进程
纵轴表示种植业碳排放, 横轴表示年份, 从左至右为2000—2020年。每幅堆积柱状图的纵轴区间统一标注于最左侧, 图幅下方依次呈现对应省份、基期(2000年)排放量(×104 t)→峰值排放量(×104 t)→末期(2020年)排放量(×104 t)和达峰后年均变化率。The vertical axis denotes carbon emissions of crop production, and the horizontal axis denotes time, from 2000 to 2020. The range of the vertical axis of the line graph by province is marked on the left side, and the corresponding provinces, emissions (×104 t) in 2000 → peak emissions (×104 t) → emissions (×104 t) in 2020, and annual average change rates after peaking are presented below each bar graph.
Figure 3. Amount, composition, and peaking process of carbon emissions of crop production in 30 Chinese provinces between 2000 and 2020
![]()
图 4 基于种植业碳排放和农业产值的省域类型划分
1: 湖南; 2: 河南; 3: 安徽; 4: 江苏; 5: 山东; 6: 湖北; 7: 黑龙江; 8: 江西; 9: 广东; 10: 广西; 11: 四川; 12: 河北; 13: 吉林; 14: 云南; 15: 浙江; 16: 辽宁; 17: 福建; 18: 内蒙古; 19: 新疆; 20: 陕西; 21: 山西; 22: 重庆; 23: 贵州; 24: 甘肃; 25: 海南; 26: 宁夏; 27: 上海; 28: 天津; 29: 北京; 30: 青海。1: Hunan; 2: Henan; 3: Anhui; 4: Jiangsu; 5: Shandong; 6: Hubei; 7: Heilongjiang; 8: Jiangxi; 9: Guangdong; 10: Guangxi; 11: Sichuan; 12: Hebei; 13: Jilin; 14: Yunnan; 15: Zhejiang; 16: Liaoning; 17: Fujian; 18: Inner Mongolia; 19: Xinjiang; 20: Shaanxi; 21: Shanxi; 22: Chongqing; 23: Guizhou; 24: Gansu; 25: Hainan; 26: Ningxia; 27: Shanghai; 28: Tianjin; 29: Beijing; 30: Qinghai.
Figure 4. Provincial classification based on carbon emissions of crop production and agricultural output value
![]()
图 5 2000—2020年中国种植业碳排放与农业产值的脱钩状态
Figure 5. Decoupling states between carbon emissions of crop production and agricultural output value in China between 2000 and 2020
表 1 2000—2020年中国30省(市、自治区)种植业碳排放与农业产值的脱钩状态
Table 1 Decoupling states between carbon emissions of crop production and agricultural output value in 30 provinces (city or autonomous region) from 2000 to 2020 in China
省份
Province2000—2005 2005—2010 2010—2015 2015—2020 ΔE/E ΔA/A ε s ΔE/E ΔA/A ε s ΔE/E ΔA/A ε s ΔE/E ΔA/A ε s 北京 Beijing −0.197 0.066 −2.973 a −0.011 0.130 −0.088 a −0.279 −0.103 2.713 c −0.427 −0.359 1.190 e 天津 Tianjin 0.137 −0.020 −6.745 g 0.088 0.199 0.440 b −0.051 0.207 −0.245 a −0.175 0.167 −1.048 a 河北 Hebei 0.308 0.313 0.985 d −0.016 0.228 −0.072 a 0.058 0.205 0.285 b −0.160 0.170 −0.940 a 山西 Shanxi 0.226 0.084 2.682 f 0.181 0.227 0.800 b 0.123 0.237 0.520 b −0.045 0.184 −0.243 a 内蒙古 Inner Mongolia 0.400 0.213 1.878 f 0.473 0.205 2.314 f 0.360 0.373 0.963 d −0.013 0.146 −0.088 a 辽宁 Liaoning 0.222 0.341 0.652 b 0.171 0.144 1.189 d 0.050 0.445 0.112 b −0.071 0.057 −1.252 a 吉林 Jilin 0.310 0.410 0.757 b 0.192 0.290 0.662 b 0.295 0.329 0.898 d −0.035 0.259 −0.134 a 黑龙江 Heilongjiang 0.136 0.478 0.285 b 0.738 0.255 2.890 f 0.278 0.356 0.781 b −0.069 0.192 −0.362 a 上海 Shanghai −0.282 −0.090 3.150 c −0.005 0.012 −0.456 a −0.116 −0.087 1.330 c −0.205 −0.216 0.950 e 江苏 Jiangsu −0.016 0.164 −0.095 a 0.062 0.197 0.317 b 0.023 0.210 0.108 b −0.034 0.108 −0.314 a 浙江 Zhejiang −0.187 0.113 −1.656 a −0.084 0.167 −0.505 a −0.091 0.111 −0.817 a −0.087 0.168 −0.517 a 安徽 Anhui 0.057 0.024 2.414 f 0.163 0.276 0.589 b 0.151 0.250 0.606 b −0.042 0.156 −0.272 a 福建 Fujian −0.082 0.187 −0.435 a −0.052 0.224 −0.232 a −0.050 0.237 −0.213 a −0.136 0.212 −0.643 a 江西 Jiangxi 0.124 0.209 0.590 b 0.105 0.175 0.604 b 0.054 0.262 0.204 b −0.093 0.247 −0.376 a 山东 Shandong 0.112 0.186 0.604 b 0.059 0.189 0.311 b 0.032 0.218 0.145 b −0.082 0.214 −0.381 a 河南 Henan 0.175 0.267 0.658 b 0.243 0.279 0.869 d 0.111 0.241 0.460 b −0.030 0.249 −0.121 a 湖北 Hubei 0.051 0.144 0.352 b 0.121 0.216 0.559 b 0.078 0.240 0.324 b −0.116 0.231 −0.501 a 湖南 Hunan 0.006 0.218 0.026 b 0.099 0.241 0.410 b 0.055 0.210 0.264 b −0.089 0.192 −0.461 a 广东 Guangdong −0.078 0.254 −0.308 a 0.003 0.196 0.013 b 0.007 0.222 0.031 a −0.060 0.272 −0.221 a 广西 Guangxi 0.085 0.308 0.276 b −0.016 0.289 −0.055 a 0.015 0.296 0.051 b −0.074 0.347 −0.212 a 海南 Hainan 0.018 0.354 0.050 b 0.220 0.422 0.522 b 0.001 0.348 0.003 a −0.203 0.302 −0.672 a 重庆 Chongqing 0.036 0.199 0.181 b 0.021 0.327 0.064 b 0.029 0.253 0.116 b −0.037 0.239 −0.155 a 四川 Sichuan −0.002 0.113 −0.016 a 0.052 0.167 0.309 b 0.023 0.226 0.101 b −0.065 0.350 −0.186 a 贵州 Guizhou 0.041 0.135 0.301 b 0.056 0.188 0.296 b 0.122 0.396 0.309 b −0.178 0.456 −0.391 a 云南 Yunnan 0.113 0.245 0.461 b 0.102 0.324 0.315 b 0.177 0.350 0.506 b −0.130 0.400 −0.324 a 陕西 Shaanxi 0.055 0.372 0.148 b 0.223 0.349 0.641 b 0.136 0.321 0.425 b −0.063 0.261 −0.239 a 甘肃 Gansu 0.206 0.353 0.585 b 0.340 0.320 1.065 d 0.334 0.317 1.056 d −0.201 0.304 −0.659 a 青海 Qinghai −0.046 0.182 −0.250 a 0.280 0.372 0.754 b 0.198 0.274 0.721 b −0.236 0.252 −0.936 a 宁夏 Ningxia 0.157 0.402 0.390 b 0.279 0.473 0.589 b 0.042 0.274 0.155 b −0.030 0.190 −0.156 a 新疆 Xinjiang 0.257 0.270 0.954 d 0.465 0.392 1.188 d 0.469 0.420 1.118 d −0.027 0.306 −0.087 a ΔE/E表示种植业碳排放变化率, ΔA/A表示农业产值变化率, ε表示脱钩指数, s表示脱钩状态, a为强脱钩, b为弱脱钩, c为衰退脱钩, d为增长连接, e为衰退连接, f为扩张负脱钩, g为强负脱钩。ΔE/E is the change rate of carbon emissions of crop production, ΔA/A is the change rate of agricultural output value, ε is the decoupling index. s denotes the decoupling states, a denotes the strong decoupling, b denotes the weak decoupling, c denotes the recessive decoupling, d denotes the expansive coupling, e denotes the recessive coupling, f denotes the expansive negative decoupling, and g denotes the strong negative decoupling. 
下载: 导出CSV
-
[1] 潘家华, 廖茂林, 陈素梅. 碳中和: 中国能走多快?[J]. 改革, 2021(7): 1−13 PAN J H, LIAO M L, CHEN S M. Carbon neutrality: how fast can China go?[J]. Reform, 2021(7): 1−13
[2] 林斌, 徐孟, 汪笑溪. 中国农业碳减排政策、研究现状及展望[J]. 中国生态农业学报(中英文), 2022, 30(4): 500−515 doi: 10.12357/cjea.20210843 LIN B, XU M, WANG X X. Mitigation of greenhouse gas emissions in China’s agricultural sector: Current status and future perspectives[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 500−515 doi: 10.12357/cjea.20210843
[3] WEST T O, BRANDT C C, BASKARAN L M, et al. Cropland carbon fluxes in the United States: increasing geospatial resolution of inventory-based carbon accounting[J]. Ecological Applications, 2010, 20(4): 1074−1086 doi: 10.1890/08-2352.1
[4] ZOU J, HUANG Y, JIANG J, et al. A 3-year field measurement of methane and nitrous oxide emissions from rice paddies in China: Effects of water regime, crop residue, and fertilizer application[J]. Global Biogeochemical Cycles, 2005, 19(2): 1−9
[5] BERTRAND G, BENOIT G, CLAIRE C, et al. Can N2O emissions offset the benefits from soil organic carbon storage?[J]. Global Change Biology, 2020, 27(2): 237−256
[6] WANG P, WANG W, ZHANG J. Carbon emission measurement using different utilization methods of waste products: Taking cotton straw resources of south Xinjiang in China as an example[J]. Nature Environment and Pollution Technology, 2018, 17(2): 383−390
[7] 石祖梁, 贾涛, 王亚静, 等. 我国农作物秸秆综合利用现状及焚烧碳排放估算[J]. 中国农业资源与区划, 2017, 38(9): 32−37 doi: 10.7621/cjarrp.1005-9121.20170905 SHI Z L, JIA T, WANG Y J, et al. Comprehensive utilization status of crop straw and estimation of carbon from burning in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(9): 32−37 doi: 10.7621/cjarrp.1005-9121.20170905
[8] 田云, 陈池波. 市场与政府结合视角下的中国农业碳减排补偿机制研究[J]. 农业经济问题, 2021(5): 120−136 doi: 10.13246/j.cnki.iae.2021.05.013 TIAN Y, CHEN C B. Research on the compensation mechanism of agricultural carbon emission reduction in China from the perspective of combination of market and government[J]. Issues in Agricultural Economy, 2021(5): 120−136 doi: 10.13246/j.cnki.iae.2021.05.013
[9] SMITH P, MARTINO D, CAI Z C, et al. Greenhouse gas mitigation in agriculture[J]. Philosophical Transactions of the Royal Society of London Series B, Biological Sciences, 2008, 363(1492): 789−813 doi: 10.1098/rstb.2007.2184
[10] TUBIELLO F N, SALVATORE M, ROSSI S, et al. The FAOSTAT database of greenhouse gas emissions from agriculture[J]. Environmental Research Letters, 2013, 8(1): 15009 doi: 10.1088/1748-9326/8/1/015009
[11] 李波, 张俊飚, 李海鹏. 中国农业碳排放时空特征及影响因素分解[J]. 中国人口·资源与环境, 2011, 21(8): 80−86 doi: 10.3969/j.issn.1002-2104.2011.08.013 LI B, ZHANG J B, LI H P. Research on spatial-temporal characteristics and affecting factors decomposition of agricultural carbon emission in China[J]. China Population, Resources and Environment, 2011, 21(8): 80−86 doi: 10.3969/j.issn.1002-2104.2011.08.013
[12] ZHANG D, SHEN J, ZHANG F, et al. Carbon footprint of grain production in China[J]. Scientific Reports, 2017, 7(1): 4126 doi: 10.1038/s41598-017-04182-x
[13] 王学婷, 张俊飚. 双碳战略目标下农业绿色低碳发展的基本路径与制度构建[J]. 中国生态农业学报(中英文), 2022, 30(4): 516−526 doi: 10.12357/cjea.20210772 WANG X T, ZHANG J B. Basic path and system construction of agricultural green and low-carbon development with respect to the strategic target of carbon peak and carbon neutrality[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 516−526 doi: 10.12357/cjea.20210772
[14] 严圣吉, 邓艾兴, 尚子吟, 等. 我国作物生产碳排放特征及助力碳中和的减排固碳途径[J]. 作物学报, 2022, 48(4): 930−941 doi: 10.3724/SP.J.1006.2022.12073 YAN S J, DENG A X, SHANG Z Y, et al. Characteristics of carbon emission and approaches of carbon mitigation and sequestration for carbon neutrality in China’s crop production[J]. Acta Agronomica Sinica, 2022, 48(4): 930−941 doi: 10.3724/SP.J.1006.2022.12073
[15] WU H, HUANG H, CHEN W, et al. Estimation and spatiotemporal analysis of the carbon-emission efficiency of crop production in China[J]. Journal of Cleaner Production, 2022, 371: 133516 doi: 10.1016/j.jclepro.2022.133516
[16] ZHANG Z. Decoupling China’s carbon emissions increase from economic growth: an economic analysis and policy implications[J]. World Development, 2000, 28(4): 739−752 doi: 10.1016/S0305-750X(99)00154-0
[17] Organisation for Economic Co-operation and Development. Sustainable Development: Indicators to Measure Decoupling of Environmental Pressure from Economic Growth[R/OL]. Paris: Organisation for Economic Co-operation and Development, (2002-05-16). https://www.oecd.org/env/indicators-modelling-outlooks/indicatorstomeasuredecouplingofenvironmentalpressurefromeconomicgrowth.htm
[18] TAPIO P. Towards a theory of decoupling: degrees of decoupling in the EU and the case of road traffic in Finland between 1970 and 2001[J]. Transport Policy, 2005, 12(2): 137−151 doi: 10.1016/j.tranpol.2005.01.001
[19] ZHOU X, ZHANG M, ZHOU M, et al. A comparative study on decoupling relationship and influence factors between China’s regional economic development and industrial energy-related carbon emissions[J]. Journal of Cleaner Production, 2017, 142: 783−800 doi: 10.1016/j.jclepro.2016.09.115
[20] YANG L, YANG Y, ZHANG X, et al. Whether China’s industrial sectors make efforts to reduce CO2 emissions from production? A decomposed decoupling analysis[J]. Energy, 2018, 160: 796−809 doi: 10.1016/j.energy.2018.06.186
[21] SHI C. Decoupling analysis and peak prediction of carbon emission based on decoupling theory[J]. Sustainable Computing: Informatics and Systems, 2020, 28: 100424 doi: 10.1016/j.suscom.2020.100424
[22] LI H, QIN Q. Challenges for China’s carbon emissions peaking in 2030: A decomposition and decoupling analysis[J]. Journal of Cleaner Production, 2019, 207: 857−865 doi: 10.1016/j.jclepro.2018.10.043
[23] 陈柔, 何艳秋, 朱思宇, 等. 我国农业碳排放双重性及其与经济发展的协调性研究[J]. 软科学, 2020, 34(1): 132−138 doi: 10.13956/j.ss.1001-8409.2020.01.21 CHEN R, HE Y Q, ZHU S Y, et al. Duality of agricultural carbon emissions and coordination with economic development in China[J]. Soft Science, 2020, 34(1): 132−138 doi: 10.13956/j.ss.1001-8409.2020.01.21
[24] 田云, 林子娟. 长江经济带农业碳排放与经济增长的时空耦合关系[J]. 中国农业大学学报, 2021, 26(1): 208−218 doi: 10.11841/j.issn.1007-4333.2021.01.21 TIAN Y, LIN Z J. Spatio-temporal coupling relationship between agricultural carbon emissions and economic growth in the Yangtze River Economic Belt[J]. Journal of China Agricultural University, 2021, 26(1): 208−218 doi: 10.11841/j.issn.1007-4333.2021.01.21
[25] Intergovernmental Panel on Climate Change. Climate Change 2013−The Physical Science Basis Working Group I Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change[M]. Cambridge: Cambridge University Press, 2014
[26] 张立, 万昕, 蒋含颖, 等. 二氧化碳排放达峰期、平台期及下降期定量判断方法研究[J]. 环境工程, 2021, 39(10): 1−7 doi: 10.13205/j.hjgc.202110001 ZHANG L, WAN X, JIANG H Y, et al. Quantitative evaluation on the status of CO2 emissions: peak period, plateau period, and decline period[J]. Environmental Engineering, 2021, 39(10): 1−7 doi: 10.13205/j.hjgc.202110001
[27] 孙睿. Tapio脱钩指数测算方法的改进及其应用[J]. 技术经济与管理研究, 2014(8): 7−11 SUN R. Improving Tapio decoupling measurement method and its applications[J]. Technoeconomics & Management Research, 2014(8): 7−11
[28] 田云, 尹忞昊. 中国农业碳排放再测算: 基本现状、动态演进及空间溢出效应[J]. 中国农村经济, 2022(3): 104−127 TIAN Y, YIN M H. Re-evaluation of China’s agricultural carbon emissions: basic status, dynamic evolution and spatial spillover effects[J]. Chinese Rural Economy, 2022(3): 104−127
[29] 胡婉玲, 张金鑫, 王红玲. 中国农业碳排放特征及影响因素研究[J]. 统计与决策, 2020, 36(5): 56−62 doi: 10.13546/j.cnki.tjyjc.2020.05.012 HU W L, ZHANG J X, WANG H L. Characteristics and influencing factors of agricultural carbon emission in China[J]. Statistics and Decision, 2020, 36(5): 56−62 doi: 10.13546/j.cnki.tjyjc.2020.05.012
[30] 黄晓慧, 杨飞. 碳达峰背景下中国农业碳排放测算及其时空动态演变[J]. 江苏农业科学, 2022, 50(14): 232−239 doi: 10.15889/j.issn.1002-1302.2022.14.033 HUANG X H, YANG F. Measurement of agricultural carbon emissions in China under the background of peak carbon dioxide emissions and its temporal and spatial dynamic evolution[J]. Jiangsu Agricultural Sciences, 2022, 50(14): 232−239 doi: 10.15889/j.issn.1002-1302.2022.14.033
[31] 程琳琳. 中国农业碳生产率时空分异: 机理与实证[D]. 武汉: 华中农业大学, 2018 CHENG L L. Spatio-temporal differentiation of agricultural carbon productivity in China: mechanism and empirical study[D]. Wuhan: Huazhong Agricultural University, 2018
[32] 吴义根, 冯开文. 中国省际农业碳排放的时空分异特征及关联效应[J]. 环境科学与技术, 2019, 42(3): 180−190 WU Y G, FENG K W. Spatial-temporal differentiation features and correlation effects of provincial agricultural carbon emissions in China[J]. Environmental Science and Technology, 2019, 42(3): 180−190
-
期刊类型引用(17)
1. 孟军，杨玉蓉. 黑龙江省水稻碳汇功能测算及碳中和趋势预测. 农业环境科学学报. 2025(01): 247-259 . 
百度学术
2. 王璨君，王沛，洪以群，陈秋华，罗巨英，徐华勤. 湖南省种植业碳足迹区域差异及其驱动因素分析. 农业现代化研究. 2025(02): 305-316 . 百度学术
3. 郭文强，谭乔阳，雷明，许新强. 中国农村碳排放强度时空演变趋势及影响因素分析. 河南科技大学学报(社会科学版). 2024(02): 87-96 . 百度学术
4. 彭宸，贾俊松，余清项，朱春敏. 中国农业碳排放的时空演化及影响因素分析. 环境科学研究. 2024(06): 1181-1192 . 百度学术
5. 董晓龙，郑兰钦，连海峰，田碧莲，陈志勇. 中国农业净碳汇的时空动态及其驱动因素. 水土保持学报. 2024(04): 198-208 . 百度学术
6. 张悦，刘奔跃，李大硕. 安徽农田生态系统碳足迹与经济增长的脱钩关系研究. 湖南农业科学. 2024(07): 65-69 . 百度学术
7. 师帅，周林庆. 中国农业碳中和评价——以2010—2020年为例. 浙江农业学报. 2024(08): 1920-1933 . 百度学术
8. 李文寒，柳飞扬，张梦，顾蕾，周国模. 浙江省种植业碳排放时空演变规律及驱动因素分析. 浙江农林大学学报. 2024(05): 898-908 . 百度学术
9. 刘畅，尚杰. 粮食生命周期碳排放研究现状与发展趋势. 中国农业气象. 2024(10): 1131-1145 . 百度学术
10. 费聿珉，赵忠伟. 加快构建低碳农业科技创新体系. 宏观经济管理. 2024(09): 55-61 . 百度学术
11. 安勇，侯苗，邹玉友. 农地流转对种植业低碳化发展水平的影响机制研究. 四川农业大学学报. 2024(05): 961-969 . 百度学术
12. 赵伟，李辉，李安全，陈鸿，简兴. 宿州市农业“三生”空间碳排放与脱钩效应. 河北环境工程学院学报. 2024(05): 1-8 . 百度学术
13. 苏萌，夏琳琳. 中国农业温室气体排放时空异质性的影响机制解析. 环境科学. 2024(11): 6775-6782 . 百度学术
14. 赵洪亮，陈思越，谢立勇. 辽宁省种植业碳排放影响因素及预测分析. 中国生态农业学报(中英文). 2024(11): 1818-1828 . 本站查看
15. 任洪杰，李辉尚，冯祎宇. 基于时空视角的广东省农业碳排放动态演化特征及发展趋势研究. 中国生态农业学报(中英文). 2023(08): 1287-1300 . 本站查看
16. 赵忠伟，费聿珉. 整体推进低碳农业发展. 宏观经济管理. 2023(11): 67-72+91 . 百度学术
17. 徐玥，王辉，韩秋凤. 徐州市农业碳排放时空特征与脱钩效应. 水土保持通报. 2023(05): 395-403 . 百度学术
其他类型引用(11)
计量
- 文章访问数: 1154
- HTML全文浏览量: 433
- PDF下载量: 94
- 被引次数: 28
