环境科学学报  2021, Vol. 41 Issue (12): 5174-5189
中国省域农业源非CO2温室气体排放的影响因素分析与峰值预测    [PDF全文]
李阳, 陈敏鹏    
中国人民大学农业与农村发展学院, 北京 100872
摘要:运用IPCC清单方法核算了中国各省(直辖市、自治区)农业源非二氧化碳(非CO2)温室气体(GHG)的排放, 基于Tapio弹性脱钩理论和情景预测法、STIRPAT模型和向量自回归模型(VAR)预测了其达峰时间和规模, 并结合对数平均迪氏指数(LMDI)模型、STIRPAT模型和固定效应模型识别了中国农业非CO2 GHG排放的影响因素.结果表明, 高情景和中情景下中国农业非CO2 GHG排放量整体呈上升趋势, 到2050年仍未达峰; 2018—2050年低情景下GHG排放量整体呈下降趋势, 其中, 低情景下已于2018年达峰, 峰值为0.73×109 t (以CO2-eq计, 下同); 北京市、上海市、江苏省、浙江省、福建省、广东省、海南省、重庆市、四川省和青海省农业生产与其农业非CO2 GHG排放呈强脱钩状态, 其余21个省(直辖市、自治区)呈弱脱钩状态; 除天津市和黑龙江省以外的29个省(直辖市、自治区), 经济和人口为农业非CO2 GHG排放的促进因素, 效率和结构为其抑制因素.
关键词非CO2温室气体    影响因素    峰值预测    时空特征    
Analysis of influencing factors and peak forecast of non-CO2 greenhouse gas emissions from provincial agricultural sources in China
LI Yang, CHEN Minpeng    
School of Agricultural Economics and Rural Development, Renmin University of China, Beijing 100872
Received 30 May 2021; received in revised from 1 September 2021; accepted 1 September 2021
Abstract: This study applies IPCC inventory method to estimate the non-carbon dioxide (non-CO2) greenhouse gases (GHG) emissions from agricultural sources in China at the provincial level from 1980 to 2018. It also predicts the peaking time and magnitude of non-CO2 GHG emissions from agriculture in China by applying scenario method based on Tapio elastic decoupling theory, STIRPAT model and vector autoregressive model (VAR), and identifies the influencing factors by combing with the logarithmic mean Divisia index (LMDI) model, STIRPAT model and fixed effect model. Results show that high and middle emission scenarios of non-CO2 GHG from agricututral source in China have an upward trend from 2018 to 2050, while low emission scenario has downward trend. Under the low emission scenario, non-CO2 GHG emission from agriculture in China peaked in 2018 at 0.73×109t. The non-CO2 GHG emissions from agriculture in China have decoupled with agriculture development in Beijing, Shanghai, Jiangsu, Zhejiang, Fujian, Guangdong, Hainan, Chongqing, Sichuan and Qinghai, and show a weak decoupling relationship with agricultural development in the other 21 provinces. In all provinces except Tianjin and Heilongjiang, the economic factor and population are the driving factors for the non-CO2 GHG emission from agriculture, while the efficiency factor and structural factor are curbing the growth of emissions.
Keywords: non-CO2 greenhouse gases    influencing factors    peak forecast    spatial and temporal characteristics    
1 引言(Introduction)

中国力争2060年前实现碳中和, 而实现碳中和的目标前需在推动碳排放达峰目标早日实现的基础上, 大力发展低碳、绿色、可持续的经济模式, 加快调整优化产业结构, 做好“碳源”和“碳汇”的平衡, 持续推进温室气体(GHG)减排, 打好污染防治攻坚战.我国是GHG排放大国, 其中, 农业部门排放的非二氧化碳(CO2) GHG已经成为GHG排放中仅次于能源活动、工业生产活动的第三大来源(生态环境部, 2019a).农业源非CO2 GHG包括稻田排放的甲烷(CH4)、农用地排放的氧化亚氮(N2O)、动物肠道发酵排放的CH4和动物粪便管理排放的CH4和N2O, 具备减排成本较低和减排潜力较大的特点(生态环境部, 2019a; 2019b).因此, 研究中国农业源非CO2 GHG排放情况的时空特征与影响因素对促进农业生产绿色转型与农村生态环境改善、推动中国在2030年前实现碳排放达峰和2060年前实现碳中和的减排目标具有重大意义.

经济发展与环境质量变化之间的关系并非耦合关系, 故经济合作与发展组织(OECD)提出了脱钩理论(OECD, 2002), Tapio(2005)基于此提出了弹性脱钩理论(图 1).国内外学者基于Tapio弹性脱钩理论对中国及各区域范围内农业GHG排放与经济脱钩的相关情况进行分析研究(李波等, 2012; 田云等, 2012; 陈瑶等, 2014; Luo et al., 2017).环境质量变化不仅与经济发展息息相关, 人口规模、产业结构和生产效率等因素也会对环境产生影响, 故对数平均迪氏指数(LMDI)方法(Ang, 2004; 2015)被用于对各区域、各行业的GHG排放情况进行影响因素分解研究.现有文献针对中国的绿色全要素生产率增长、生态效率评价、经济集聚与碳排放强度进行了相关研究(张广胜等, 2014; 高鸣等, 2015; 刘华军等, 2019), 对中国各省(直辖市、自治区)的农业源非CO2 GHG排放问题进行了系统性研究.例如, 李阳等(2021)将IPCC清单法与LMDI方法相结合, 以整体视角研究了中国1980—2018年农业源非CO2 GHG排放影响因素.

图 1 Tapio脱钩指标等级的细化分类 Fig. 1 Detailed classification of Tapio′s decoupling index level

本文以中国31个省(直辖市、自治区, 未统计港澳台)为研究对象, 基于省级尺度分析中国1980—2018年农业源非CO2 GHG排放的时空变化格局、脱钩情况、影响因素及未来达峰情况预测, 从时空维度为中国农业源非CO2 GHG减排与乡村振兴战略相衔接的政策及对策制定提供科学和数据基础.

2 研究方法(Study methods) 2.1 农业源非CO2温室气体排放核算方法

本研究采用IPCC清单法(IPCC, 2006; 国家发改委, 2011)核算了中国各省(直辖市、自治区)农业源非CO2 GHG排放量, 具体见式(1)。

(1)

式中, E为GHG总排放量(104 t, 以CO2-eq计), Ei为各农业源GHG排放量(104 t, 以CO2-eq计), EFiαi分别各农业源GHG排放因子和活动量, x为N2O和CH4的全球增温潜势(GWP100)换算因子, 分别为298和25(Solomon et al., 2007; Shang et al., 2011).本文排放因子根据《IPCC国家温室气体清单指南》和《省级温室气体清单编制指南(试行)》确定, 农业源GHG主要包括稻田CH4排放、农用地N2O排放、动物肠道发酵CH4排放及动物粪便管理CH4和N2O排放(李阳等, 2020; 2021).

本文采用均值离差法对中国各省(直辖市、自治区)农业源非CO2温室气体排放情况分区, 以2010年中国31个省(直辖市、自治区)农业源非CO2 GHG的均值、标准差为基准, 以“均值-标准差、均值、均值+标准差”划分为低排放区(< 803.22×104 t)、中排放区(803.22×104~2212.95×104 t)、较高排放区(2212.95×104~3622.67×104 t)及高排放区(>12863×104 t)4个区域.

2.2 农业源非CO2温室气体排放及农业总产值增长间的脱钩分析及峰值预测

本文基于Tapio模型分析了农业源非CO2 GHG排放量与农业总产值的脱钩关系及脱钩稳定性(齐静, 2012), 即:

(2)
(3)

式中, t、ΔE/E和ΔAGRI/AGRI分别为脱钩弹性值、环境压力和经济发展动力, Sd为脱钩稳定值, N为样本数, titi+1表示第i期和i+1期的脱钩指数.

本文选取中国各省(直辖市、自治区)在1980—2018年整体脱钩情况的脱钩弹性值和在此期间经济增长的最大值、平均值及最小值设置不同情景进行预测(李忠民等, 2011; 刘琼等, 2014).以2018年为基准年, 预测分析2030年和2050年中国农业源非CO2温室气体的排放情况, 公式分别见式(4)~(5)。

(4)
(5)

式中, VAGRIVE分别为中国农业经济发展预期增速和农业源非CO2 GHG排放预期增速, EnE2018分别为目标年份和基准年2018年的农业源非CO2 GHG排放量(104t, 以CO2-eq计), 为预测年距2018年的年份间隔数.

本文选取中国各省(直辖市、自治区)在1980—2018年农业总产值增速的最大值(发展增速高)、最小值(发展增速低)及平均值(发展增速中), 识别了3种代表性最强的情景, 即延续1980—2018年整体脱钩状态下的高情景(发展增速高)、中情景(发展增速中)和低情景(发展增速低).基于省级尺度预测不同情景下2030年和2050年中国各省(直辖市、自治区)农业源非CO2 GHG排放量, 加和后形成不同情景下2030年和2050年中国农业源非CO2 GHG排放总量.

2.3 基于LMDI的农业源非CO2温室气体排放的影响因素分析模型

本文基于Kaya恒等式的改进式(Kaya, 1989)和LMDI模型的加和分解方法(Ang, 2015), 将农业源非CO2 GHG排放影响因素分解为经济因素、效率因素、结构因素和人口规模因素, 分别见式(6)~(11)。

(6)
(7)
(8)
(9)
(10)
(11)

式中, Y为国内生产总值(GDP)(亿元), P为人口总量(亿人), Ei/AGRI为农业生产效率(农业碳排放强度), AGRI/Y为农业产业结构(农业总产值在GDP中的占比), Y/P为人均GDP, ΔEtEt0、和Etk分别为GHG总变化量、基期排放量和第k期排放量, ΔEL、ΔLA、ΔAP和ΔP分别为由经济因素、效率因素、结构因素和人口规模因素导致的GHG变化量.为避免偏差, 上述各式中指标均以各自初始值为底进行标准化处理.

2.4 基于STIRPAT的农业源非CO2温室气体排放的影响因素分析及峰值预测模型

本文采用STIRPAT模型(陈操操等, 2014; Lohwasser et al., 2020)构建中国农业源非CO2 GHG排放方程.STIRPAT模型以环境变化驱动因素分析框架IPAT等式为基础, 将其以随机形式表示(Dietz et al., 1997), 公式见式(12)。

(12)

式中, I为环境压力, PAT分别为人口规模、富裕程度和技术水平, 则αβγ分别为人口、收入和技术对环境压力的影响弹性, λ为模型系数, e为模型误差项.STIRPAT模型既允许将各系数作为参数来估计, 也允许对各影响因素进行适当分解.

在此基础上, 为深入剖析中国农业源非CO2 GHG排放的影响因素, 本文基于中国各省(直辖市、自治区)的农业生产和环境特点, 建立如下STIRPAT模型(York et al., 2003; 何小钢等, 2012), 具体见式(13)。

(13)

式中, I为中国农业源非CO2 GHG排放量(104t, 以CO2-eq计), P为各省(直辖市、自治区)的人口规模(万人), A为各省(直辖市、自治区)的人均收入水平, 以人均GDP(万元)来衡量, T为农业机械化水平, 用农业机械总动力(万kW)计量, 用以衡量农业生产的技术水平.

在此基础上, 引入农业有效灌溉面积G(104hm2)、农业总产值AGRI(万元)和农村人口规模RP(万人)等要素.其中, 农业有效灌溉面积反映了各省(直辖市、自治区)的农业生产经营规模, 是影响农业源非CO2 GHG排放的重要生产基础; 农业总产值反映了农业经济的发展规模和变化情况, 是影响农业源非CO2 GHG排放的重要宏观经济变量.农村人口规模能在一定程度上表明当地的城镇化水平和农村劳动力转移情况.αβγθρπ分别为人口规模、人均GDP、机械化程度、灌溉面积、农业总产值及农村人口规模的影响弹性, λe分别表示模型系数和误差项.

(14)

本文采用1980—2018年中国各省(直辖市、自治区)的面板数据对模型(14)进行估计.通过Hausman检验发现p=0, 即拒绝原假设, 故应采用固定效应模型进行影响因素分析.由于本文的面板数据包括个体差异和时间差异, 即会因个体存在不可观测因素及不同年度变化趋势对结果导致内生性问题.故本文为避免出现内生性问题, 同时考虑了个体固定效应和时间固定效应, 基于上述估计方程, 采用面板数据的双向固定效应模型进行回归分析.

由于各因素对农业源非CO2 GHG排放的影响不一定均为当期影响, 可能存在一定的滞后性, 而且各变量间可能也存在相关性, 故本文采用VAR模型对各变量间的因果关系及农业源非CO2 GHG排放情况进行模拟预测.VAR模型是分析解释随机扰动(政策冲击)对被解释变量的动态影响的计量模型, 把系统中的内生变量作为所有内生变量滞后期的函数来构造模型, 将单变量自回归模型推广到多变量时间序列的VAR模型(董梅生等, 2014).若VAR估计结果都通过了显著性检验, 残差服从正态分布且不存在自相关, 则表明选用VAR模型是合适的.为检验各变量与被解释变量间是否具有因果关系, 本文采用基于最小化最终预测误差(FPE)准则改进的格兰杰因果检验方法(潘慧峰等, 2015), 合理确定滞后阶数并得到更稳健的因果检验结果.

3 数据来源(Data source)

本研究运用清单方法核算了中国农业源非CO2 GHG排放情况(未统计香港、澳门和台湾数据), 其活动量数据来源为《中国统计年鉴》、中国31个省(直辖市、自治区)的统计年鉴和国家数据(http://data.stats.gov.cn), 文中其他经济指标的数据来源为中国经济社会大数据研究平台(http://data.cnki.net).

4 结果与分析(Results and analysis) 4.1 1980—2018年中国农业源非CO2温室气体排放的时空格局分析

1980—2018年中国农业源非CO2 GHG排放量整体呈上升趋势, 从1980年的0.56×109 t增至2018年的0.73×109 t, 增幅为30.65%.从结构上来看, 种植业(稻田CH4和农用地N2O)和畜禽养殖业(动物肠道发酵排放的CH4和动物粪便管理排放的CH4和N2O)的占比始终保持着接近1:1的比例, 在1980—2018年期间略有波动.为便于从空间维度对中国农业源非CO2 GHG排放情况进行研究, 本文根据中国的自然地理, 将31个省(直辖市、自治区)划分为华北、东北、华东、华中、华南、西南和西北7个地区(国家发改委, 2011).

在中国31个省(直辖市、自治区)中, 北京市、上海市、江苏省、浙江省、福建省、广东省、海南省、青海省、四川省和重庆市等10省(直辖市、自治区)在1980—2018年的农业源非CO2 GHG排放量整体呈递减状态, 而其余21个省(直辖市、自治区)的农业源非CO2 GHG排放量整体呈递增状态(图 2).其中, 北京主要发展都市农业, 传统种植业和畜禽养殖业规模较小, 故北京农业用地和播种面积较少且整体呈下降趋势, 农作物总播种面积从1980年的657×103 hm2降至2018年的103.79×103 hm2, 降幅为84.20%, 而且畜禽养殖规模也整体呈下降趋势, 猪和山羊年末存栏量分别从1980年的232.5×104头和46.8×104头降至2018年的45.43×104头和5.67×104头, 降幅分别为80.46%和87.88%;青海省是畜禽养殖业大省, 1980—2018年的畜禽养殖规模基本保持稳定, 其中, 绵羊年末存栏量降幅较大, 由1980年的1447×104头降至2018年的1156.05×104头, 降幅为20%;四川省既是粮食主产区也是畜禽养殖业大省, 种植规模和畜禽养殖规模稳中有降, 农作物种植面积和水稻种植面积分别从1980年的12014×103 hm2和3083.1×103 hm2降至2018年的9615.32×103 hm2和1874×103 hm2, 降幅分别为19.97%和39.22%, 猪和绵羊的年末存栏量从1980年的5146.3×104头和387.6×104头降至2018年的4258.47×104头和159.4×104头, 降幅分别为17.25%和58.88%;重庆市成为直辖市前隶属于四川省, 其种养模式与四川省相近, 1997—2018年种养规模均有所下降, 水稻种植面积由1997年的803.9×103 hm2降至2018年的656.45×103 hm2, 降幅为18.34%, 大牲畜、牛和猪的年末存栏量由1997年的144×104、137.9×104和1477.1×104头降至2018年的105.6×104、103.6×104和1167.19×104头, 降幅分别为26.67%、24.87%和20.98%;其余6个省(直辖市、自治区)均处于沿海地区, 农业发展水平和现代化程度较高, 华东地区和华南地区的主要粮食作物为水稻, 由于水稻种植规模和畜禽养殖规模均有一定程度下降, 故上海市、江苏省、浙江省、福建省、广东省和海南省的农业源非CO2 GHG排放量在1980—2018年整体呈递减状态.

图 2 1980—2018年中国农业源非CO2 GHG变化情况 Fig. 2 Changes in non-CO2 GHG from agricultural sources in China from 1980 to 2018

从各省(直辖市、自治区)农业源非CO2 GHG的主要构成角度看(图 3), 种植业的平均贡献率超过50%的省(直辖市、自治区)均集中在中国的东南地区, 分别为上海市、江苏省、浙江省、安徽省、福建省、江西省、湖北省、湖南省、广东省、广西壮族自治区和海南省, 共计11个省(直辖市、自治区).其中, 安徽省、湖北省、广西壮族自治区和海南省的种植业平均贡献率均低于60%, 其余7个省(直辖市、自治区)的种植业平均贡献率均高于60%, 江苏省的种植业平均贡献率最高, 为70.85%, 而广西壮族自治区的种植业平均贡献率最低, 为53.64%.

图 3 1980—2018年中国农业源非CO2 GHG主要构成 Fig. 3 The main composition of China′s agricultural sources of non-CO2 GHG from 1980 to 2018

1980—2018年, 四川省和湖南省始终位于高排放区, 湖北省、江苏省、安徽省和江西省始终位于较高排放区, 福建省、青海省、西藏自治区、辽宁省和甘肃省始终位于中排放区, 上海市、北京市、天津市和宁夏回族自治区始终位于低排放区, 其余15个省(直辖市、自治区)所属排放区均有所变动(图 4).

图 4 1980年、2000年、2010年和2018年中国各省(直辖市、自治区)农业源非CO2 GHG排放的空间特征 (由于重庆市是1997年设立直辖市, 海南省是1988年建省, 在1980年时重庆市和海南省还未设立, 故在1980年时只对中国其余29个省(直辖市、自治区)进行研究) Fig. 4 The spatial characteristics of non-CO2GHG emissions from agricultural sources in China′s provinces (cities, districts) in 1980, 2000, 2010 and 2018

在所属排放区始终未变的省(直辖市、自治区)中, 湖南省和四川省两个粮食主产区省份的农业源非CO2 GHG始终位于高排放区, 四川省由1980年的4865.58×104 t降至2018年的4478.96×104 t, 降幅为7.94%, 而湖南省由1980年的4195.62×104 t增至2018年的5043.57×104 t, 增幅为20.21%;湖南省的农业源非CO2 GHG排放量在1980年时仅次于四川省和广东省, 2009年湖南省农业源非CO2 GHG排放量达5218.49×104 t, 湖南省自2009年起成为中国各省(直辖市、自治区)农业源非CO2 GHG排放量最高的省(直辖市、自治区), 在2015年时排放量达峰, 为5452.48×104 t, 自2015年起排放量呈逐年下降趋势.在中国4个直辖市中, 重庆市始终位于中排放区, 而其余3个直辖市均始终位于低排放区; 1980年上海市在3个直辖市中农业源非CO2 GHG排放量最高, 为316.87×104 t; 北京市低于上海市, 为156.96×104 t; 天津市的排放量最低, 为103.32×104 t.到2018年, 天津市逐渐成为4个直辖市中农业源非CO2 GHG排放量最高的, 为158.89×104 t, 增幅为53.78%;上海市的排放量仅次于天津市, 为121.74×104 t, 降幅为61.58%;北京市的排放量成为中国31个省(直辖市、自治区)中最低的, 为49.92×104 t, 降幅为68.20%.中国5个自治区中宁夏回族自治区的农业源非CO2 GHG排放量最低且始终位于低排放区, 由1980年的183.87×104 t增至2018年的370.09×104 t, 增幅为101.28%.宁夏回族自治区是中国重要的畜牧业基地, 畜禽养殖业也是其农业源非CO2 GHG的主要来源, 占83.72%.宁夏回族自治区的大牲畜、牛、绵羊年末存栏量分别从1980年的57.5×104、19.6×104和214×104头增至2018年的128.88×104、124.64×104和427.11×104头, 增幅分别为124.14%、535.92%和99.58%, 故1980—2018年的农业源非CO2 GHG排放量始终呈上升状态, 虽然增幅较大, 但由于土地面积只有6.64×104 km2, 养殖规模难以达到其他土地辽阔的畜牧业大省的水平, 故始终位于低排放区.

4.2 1980—2018年中国农业源非CO2温室气体排放及农业产值增长间的脱钩情况分析

1980—2018年中国农业源非CO2 GHG排放量与农业总产值之间的脱钩类型整体呈弱脱钩状态, 即随着农业总产值增加, 农业源非CO2 GHG排放量呈缓慢增加的趋势.而在中国各省(直辖市、自治区)中, 北京市、上海市、江苏省、浙江省、福建省、广东省、海南省、重庆市、四川省和青海省的农业源非CO2 GHG排放量与农业总产值之间的脱钩类型整体呈强脱钩状态, 其余21个省(直辖市、自治区)均整体呈弱脱钩状态(图 5).整体呈强脱钩的10个省(直辖市、自治区)中, 均在1980—2018年的农业源非CO2 GHG排放量呈递减状态, 即均呈农业总产值增加, 而农业源非CO2 GHG排放量缓慢减少的趋势.

图 5 1980—2018年中国各省(直辖市、自治区)农业源非CO2 GHG与其农业总产值间的脱钩情况 Fig. 5 Decoupling of non-CO2 GHG from agricultural sources and its total agricultural output value in China′s provinces (cities, autonomous regions) from 1980 to 2018

呈现强脱钩的10个省(直辖市、自治区)中分别处于西南地区、华东地区和广东地区的四川省、江苏省和广东省更具代表性.2018年四川省、江苏省和广东省的农业总产值分别为4153.7×108、3735×108和3089.6×108元, 分别位列中国31个省(直辖市、自治区)农业总产值的第3位、第4位和第6位; 而2018年四川省、江苏省和广东省的GDP分别为40678.13×108、92595.4×108和97277.77×108元, 分别位列中国31个省(直辖市、自治区)GDP的第6位、第2位和第1位.四川省和江苏省均为中国的粮食主产区和重要的畜牧业基地, 广东省种养规模始终呈整体递减趋势, 但其生猪养殖规模始终保持着稳中有增的趋势, 生猪年末存栏量由1980年的1914.6×104头增至2018年的2021.26×104头, 增幅为5.57%.相较于其他省(直辖市、自治区), 四川省、江苏省和广东省经济发展水平更高, 而且农业机械化程度和农业科技普及率也更高, 日本与中国这三省(四川省、江苏省和广东省)同为人多地少的国家/省份, 日本适度规模化和循环经济为标志的农业可持续发展模式将对农业经济发展水平较高和整体呈现强脱钩省(直辖市、自治区)的农业发展有一定借鉴意义(赵颖文等, 2019).

根据公式测算中国及各省(直辖市、自治区)农业源非CO2 GHG排放量与农业总产值之间脱钩状态的稳定状态, 中国的脱钩状态稳定指数Sd为3.21, 变化率远远超过1, 而中国各省(直辖市、自治区)的脱钩状态稳定指数Sd也均大于1, 说明中国及各省(直辖市、自治区)无论是整体处于强脱钩状态还是弱脱钩状态, 其农业源非CO2 GHG排放量与农业总产值的脱钩状态稳定性较差.由此可见, 脱钩状态不稳定的情况与各地区农业经济发展情况无关, 主要应从政策引导方面入手.为确保“粮袋子”安全及做好脱贫攻坚和乡村振兴的衔接, 粮食播种面积应保持稳定, 产量达到1.3万亿斤以上, 粮食和重要农产品供应保障更有力(中华人民共和国国务院, 2021).

4.3 未来中国农业源非CO2温室气体排放的时空变化规律

2018—2050年中国在高情景和中情景下农业源非CO2 GHG排放均呈增长趋势, 其中, 2030年和2050年高情景下的排放量增幅分别为5.09%和18.97%, 中情景下的增幅分别为1.22%和3.63%, 2种情景下农业源非CO2 GHG排放量至2050年均未达峰, 且保持上升趋势; 低情景下的降幅分别为2.10%和4.15%, 即2018年已达峰, 峰值为0.73 ×109 t, 达峰后, 2018—2050年农业源非CO2 GHG排放呈下降趋势(图 6).

图 6 1980—2050年中国农业源非CO2 GHG变化情况 Fig. 6 Changes in non-CO2 GHG from agricultural sources in China from 1980 to 2050

本文采用VAR模型对农业源非CO2 GHG达峰情况进行预测分析, 选取中国各省(直辖市、自治区)农业源非CO2 GHG排放量、农业总产值、农村人口规模和有效灌溉面积4个变量作为交叉预测变量, 在对变量进行标准化处理后, 基于STIRPAT模型构建四元VAR系统.基于联合显著性似然比检验(LR), VAR模型的阶数为滞后7阶.而后进行了格兰杰因果关系联合显著性检验, 检验结果表明, 农业总产值、农村人口规模和有效灌溉面积对农业源非CO2 GHG排放量的格兰杰联合显著性检验值在5%的统计水平上显著, 表明前三者是农业源非CO2 GHG的格兰杰原因, 整体通过了格兰杰因果关系检验.随后进行了VAR平稳过程检验, 检验结果显示, VAR系统全部特征值基本位于单位圆的边界之内, 表明VAR系统较为稳定.在此基础上, 对中国农业源非CO2 GHG排放情况进行预测.经VAR模型模拟预测, 中国农业源非CO2 GHG排放量于2020年达峰, 峰值为0.74×104t, 即提前10年实现农业源非CO2 GHG排放的“碳达峰”, 达峰后, 2018—2050年整体呈下降趋势, 2030年和2050年的农业源非CO2 GHG排放量分别为0.67×104 t和0.62×104 t, 降幅分别为8.49%和15.68%(图 6).

在高情景下, 相较2018年, 2030年时, 吉林省从中排放区进入较高排放区, 黑龙江省、河南省和云南省由较高排放区进入高排放区, 其余省份均处于2018年所在排放区; 2050年时, 重庆市从中排放区进入高排放区, 吉林省从较高排放区进进入高排放区, 河北省从中排放区进入较高排放区, 广东省由较高排放区进入中排放区, 其余省份均处于2030年所在排放区.其中, 黑龙江省逐渐成为农业源非CO2 GHG排放量最高的省份, 由2018年的3420.93×104 t增至2030年的4825.02×104 t和2050年的8294.95×104 t, 增幅分别为34.72%和131.59%(图 7).

图 7 2030年和2050年中国各省(直辖市、自治区)农业源非CO2 GHG排放的空间特征(高情景) Fig. 7 Spatial characteristics of non-CO2 GHG from agricultural sources in the provinces (cities) of China in 2030 and 2050 (High scenario)

在中情景下, 相较2018年, 2030年时, 黑龙江省和河南省进入高排放区, 其他省(直辖市、自治区)所属排放区未发生变动; 2050年时, 云南省进入高排放区, 吉林省进入较高排放区, 其他省(直辖市、自治区)所属排放区与2030年相比未发生变化.其中, 在2030年和2050年, 湖南省农业源非CO2 GHG排放量始终为各省(直辖市、自治区)中最高的, 分别为5070.63×104 t和5120.20×104 t; 黑龙江省农业源非CO2 GHG排放量分别为3847.07×104 t和4381.20×104 t, 仅次于湖南省和四川省(图 8).

图 8 2030年和2050年中国各省(直辖市、自治区)农业源非CO2 GHG排放的空间特征(中情景) Fig. 8 Spatial characteristics of non-CO2 GHG from agricultural sources in the provinces (cities) of China in 2030 and 2050 (Medium scenario)

在低情景下, 相较2018年, 2030年时, 浙江省从低排放区进入中排放区, 其他省份仍处于2018年所在排放区; 2050年时, 广东省从较高排放区进入高排放区, 吉林省和重庆市由中排放区进入低排放区, 山东省由较高排放区进入中排放区, 其他省份仍处于2030年所在排放区.其中, 在2030年和2050年, 湖南省和四川省分别位列第1位和第2位, 而广东省由2018年的排名第11位上升至2050年的仅次于湖南省和四川省的第3位, 即由2018年的2822.76×104 t增至2030年的3323.30×104 t和2050年的4471.68×104 t, 增幅分别为17.73%和58.42%(图 9).

图 9 2030年和2050年中国各省(直辖市、自治区)农业源非CO2 GHG排放的空间特征(低情景) Fig. 9 Spatial characteristics of non-CO2 GHG from agricultural sources in the provinces (cities) of China in 2030 and 2050 (Low scenario)
4.4 中国农业源非CO2温室气体排放影响因素情况分析 4.4.1 基于LMDI的中国农业源非CO2温室气体排放影响因素情况分析

自1980—2018年, 从农业生产效率、农业产业结构、农业经济水平及人口规模4个方面对中国及各省(直辖市、自治区)农业源非CO2 GHG排放情况进行因素分解分析, 即分解为效率因素、结构因素、经济因素和人口规模因素(表 1).

表 1 1980—2018年中国各省(直辖市、自治区)各因素农业源非CO2 GHG排放变化情况 Table 1 Changes in non-CO2 GHG emissions from agricultural sources in various provinces (municipalities and autonomous regions) in China from 1980 to 2018

针对促进农业源非CO2 GHG排放的影响因素, 经济因素的促进作用最大.由于中国及下辖的21个省(直辖市、自治区)的农业源非CO2 GHG排放量与农业总产值之间呈弱脱钩, 虽然农业源非CO2 GHG排放量的增速低于农业总产值的增速, 随着乡村振兴战略的持续推进, 农业经济发展水平会持续平稳提升, 优质农产品需求提升推动种养规模持续提升, 促使农业源非CO2 GHG排放量增加, 故经济因素仍将是农业源非CO2 GHG排放的最主要影响因素; 人口规模因素对农业源非CO2 GHG排放量的促进主要是从需求侧影响, 随着人口规模增大, 对普通农产品和优质农业产品的需求均有所提升, 在乡村振兴战略的持续推进下, 城镇化水平及城镇常住人口规模增长会有所减缓, 故应主要从转变农业源非CO2 GHG排放量与农业总产值之间的脱钩类型角度来推动农业源非CO2 GHG减排.

针对抑制农业源非CO2 GHG排放的影响因素, 生产效率因素的抑制作用最大.农业科技进步与普及对农业生产效率会有很大程度的改善作用, 提升地区农业科技水平、推动农户选用低碳、绿色、可持续的亲环境农业技术不仅能提高投入产出率、改善农产品质量及促进农业经济发展, 也能减轻对农业环境的负外部性和改善农村生态环境(田云, 2015; 曹慧等, 2019; 吕娜等, 2019).产业结构因素的抑制最低, 采用LMDI方法易出现低估结构因素贡献的情况, 故本文采用更适用于数量指标的LMDI加法分解模型以避免该情况出现.各省农业产业结构的历年贡献情况均存在一定幅度的波动及减排效应与增排效应的更迭, 各省加总后全国农业产业结构因素总体上保持对农业源非CO2 GHG排放的抑制作用, 由于农业产业结构由农业总产值在GDP中的占比表征, 而中国整体的农业总产值在GDP中的占比已由1980年的31.70%下降至2018年的6.98%, 整体呈波动递减趋势.虽然农业经济水平不断提升, 但伴随着农业经济水平在国民经济中占比下降, 会促进农业源非CO2 GHG减排(胡婉玲等, 2020; 金书秦等, 2021).故农业产业因素主要是从农业现代化和规模化发展程度及农业产业发展水平和管理水平方面产生影响, 只有尽快推进工农互促和三产融合才能促进农业高质高效, 并坚持“藏粮于地、藏粮于技”战略和构建现代乡村产业体系才能更好地从供给侧推动农业源非CO2 GHG减排.

表 1可知, 天津市和黑龙江省的因素分解结果与其他省(直辖市、自治区)略有不同.天津市农业源非CO2 GHG排放的主要抑制因素为结构因素, 次要因素为效率因素, 其农业总产值在GDP中的占比由1980年的70.03%降至2018年的10.48%, 降幅远高于中国整体水平, 故经LMDI因素分解, 农业产业结构成为其主要抑制因素.天津市不是粮食主产区和畜禽养殖基地, 主要发展非农经济, 其农业产业具有专业化优势, 而且农业创新能力和农业技术推广普及率较高(许爱萍, 2017; 肖红波等, 2020), 故在进一步推进天津市农业源非CO2 GHG减排时应着重从调整产业结构和加强三产融合入手.黑龙江省是中国粮食主产区和畜禽养殖大省, 其农业集约化、机械化和规模化程度较高, 对于农业总产值存在长期均衡关系, 促使农业总产值持续提升(王新利等, 2014), 农业总产值在GDP中的占比由1980年的30.40%降至2018年的22.21%, 降幅远低于中国整体水平, 由于波动性较大, 且始终在GDP中维持较高占比, 故结构因素通过影响经济因素间接对农业源非CO2 GHG排放产生影响, 成为仅次于经济因素的次要促进因素.推动黑龙江省农业源非CO2 GHG减排应主要从提高农业科技水平和加强农业绿色科技普及率角度入手.

4.4.2 基于固定效应模型的中国农业源非CO2温室气体排放影响因素情况分析

经LMDI因素分解, 可知导致农业源非CO2 GHG排放的主要因素为经济因素和人口规模因素, 而其主要促进因素为经济因素, 但不确定是否存在U型关系.因此, 本文基于STIRPAT理论模型, 采用双向固定效应模型对1980—2018年中国各省(直辖市、自治区)农业源非CO2 GHG排放情况进行回归分析, 由于STRIPAT理论模型主要用于与VAR模型结合进行达峰预测, 其变量选取与LMDI因素分解有所不同, 故本文的固定效应模型回归结果主要用于前文LMDI因素分解中促进因素的验证及拓展讨论.

首先, 引入人均GDP的二次项和三次项, 检验各省(直辖市、自治区)人均GDP增长与农业源非CO2 GHG排放之间是否存在环境库兹涅茨曲线(EKC)效应(表 2).在模型(1)的基础上, 在模型(2)和模型(3)中依次引入人均GDP的二次项和三次项, 用以检验是否具备EKC效应.一次项和二次项的相关性和方向性在模型(3)中均有变化, 故不存在EKC效应.

表 2 1980—2018年中国各省(直辖市、自治区)影响因素的回归分析 Table 2 Regression analysis of the factors affecting the various provinces (municipalities and autonomous regions) in China from 1980 to 2018

经稳健性检验, 回归结果是稳健的.模型(1)的回归结果表明, 人均收入水平(人均GDP)、农业经济发展水平(农业总产值)、农村人口规模和农业生产规模(有效灌溉面积)均在1%的统计水平上与农业源非CO2 GHG排放呈正相关; 农业机械化程度在5%的统计水平上与农业源非CO2 GHG排放呈正相关.本文将中国31个省(直辖市、自治区)划分为东部地区、中部地区和西部地区3个地区(表 3), 研究发现, 中国各省(直辖市、自治区)与中国各地区的回归结果也有所不同(表 4).

表 3 中国各省(直辖市、自治区)的地区划分 Table 3 Division of provinces (municipalities and autonomous regions) in China

表 4 1980—2018年中国各地区影响因素的回归分析 Table 4 Regression analysis of the factors affecting the various regions (East, central and western regions) in China from 1980 to 2018

表 4的回归结果表明, 在东部地区, 人均GDP在1%的统计水平上与农业源非CO2 GHG排放呈负相关; 农业机械化程度、农村人口规模和有效灌溉面积均在1%的统计水平上与农业源非CO2 GHG排放呈正相关; 人口规模和农业总产值分别在5%和10%的统计水平上与农业源非CO2 GHG排放呈正相关.在中部地区, 农业总产值、农村人口规模和有效灌溉面积均在1%的统计水平上与农业源非CO2 GHG排放呈正相关, 而其他因素均不显著.在西部地区, 人均GDP、人口规模和有效灌溉面积均在1%的统计水平上与农业源非CO2 GHG排放呈正相关; 而农业机械化程度和农业总产值在1%的统计水平上与农业源非CO2 GHG排放呈负相关.

虽然回归分析结果和因素分解结果有所不同, 但也从另一个角度对促进农业源非CO2 GHG减排提供了解决思路.对于东部地区, 人均GDP的提高可以在一定程度上抑制农业源非CO2 GHG排放, 与前文中强脱钩省份多为东部地区相符, 表明发达地区的绿色经济在当地经济中占比越来越高, 而且富裕程度普遍更高的地区的环保意识也更强.中部地区的人均GDP与农业源非CO2 GHG排放不相关, 而西部地区的人均GDP与农业源非CO2 GHG排放正相关, 与前文中弱脱钩省份多为中西部地区相符, 表明经济相对不发达地区的农业源非CO2 GHG排放与经济的耦合程度更高, 当务之急是实现“强脱钩”.

5 结论(Conclusions)

1) 1980—2018年中国各省(直辖市、自治区)中, 北京市、上海市、江苏省、浙江省、福建省、广东省、海南省、青海省、四川省和重庆市等10省(直辖市、自治区)的农业源非CO2 GHG排放量整体呈递减状态, 而其余21个省(直辖市、自治区)的农业源非CO2 GHG排放量整体呈递增状态.种植业的平均贡献率超过50%的省(直辖市、自治区)分别为上海市、江苏省、浙江省、安徽省、福建省、江西省、湖北省、湖南省、广东省、广西壮族自治区和海南省.四川省和湖南省始终位于高排放区, 湖北省、江苏省、安徽省和江西省始终位于较高排放区, 福建省、青海省、西藏自治区、辽宁省和甘肃省始终位于中排放区, 上海市、北京市、天津市和宁夏回族自治区始终位于低排放区, 其余15个省(直辖市、自治区)所属排放区均有所变动.经情景预测和VAR模拟预测发现, 2018—2050年高情景和中情景下的农业源非CO2 GHG排放量整体呈上升趋势, 到2050年仍未达峰; 2018—2050年低情景和模拟预测下的农业源非CO2 GHG排放量整体呈下降趋势, 低情景下已于2018年达峰, 峰值为0.73×109 t; 在VAR模拟预测情景于2020年达峰, 峰值为0.74×104 t.

2) 中国各省(直辖市、自治区)中, 北京市、上海市、江苏省、浙江省、福建省、广东省、海南省、重庆市、四川省和青海省的农业源非CO2 GHG排放量与农业总产值之间的脱钩类型整体呈强脱钩状态, 其余21个省(直辖市、自治区)均整体呈弱脱钩状态.经过LMDI分析发现, 除天津市和黑龙江省以外的29个省(直辖市、自治区), 经济因素为主要促进因素, 人口规模因素为次要促进因素, 效率因素为主要抑制因素, 结构因素为次要抑制因素.天津市农业源非CO2 GHG排放的主要抑制因素为结构因素, 次要抑制因素为效率因素; 结构因素为黑龙江省农业源非CO2 GHG排放的次要促进因素.通过固定效应回归分析发现, 中国各省(直辖市、自治区)农业源非CO2 GHG排放不存在EKC效应, 而且经济因素(人均GDP)仍是促进农业源非CO2 GHG排放的主要因素, 为实现农业源非CO2 GHG减排的目标, 应大力推动中西部地区实现“强脱钩”.因此, 中国农业源非CO2 GHG减排应主要从现代农业产业体系构建、农业科技水平提及及提升农业质量效益和竞争力等角度, 针对不同地区因地制宜地推动乡村振兴战略和农业生产模式绿色转型, 从而促使尽早实现“2030年碳达峰”和“2060年碳中和”的双重目标.

参考文献
Ang B W. 2004. Decomposition analysis for policymaking in energy: which is the preferred method?[J]. Energy Policy, 32(9): 1131-1139. DOI:10.1016/S0301-4215(03)00076-4
Ang B W. 2015. LMDI decomposition approach: A guide for implementation[J]. Energy Policy, 86: 233-238. DOI:10.1016/j.enpol.2015.07.007
曹慧, 赵凯. 2019. 农户非农就业、耕地保护政策认知与亲环境农业技术选择—基于产粮大县1422份调研数据[J]. 农业技术经济, (5): 52-65.
陈操操, 刘春兰, 汪浩, 等. 2014. 北京市能源消费碳足迹影响因素分析—基于STIRPAT模型和偏小二乘模型[J]. 中国环境科学, 34(6): 1622-1632.
陈瑶, 尚杰. 2014. 中国畜牧业脱钩分析及影响因素研究[J]. 中国人口·资源与环境, 24(3): 101-107. DOI:10.3969/j.issn.1002-2104.2014.03.015
Dietz T, Rosa E A. 1994. Rethinking the environmental impacts of population, affluence and technology[J]. Human Ecology Review, 2(1): 277-300.
Dietz T, Rosa E A. 1997. Effects of population and affluence on CO2 emissions[J]. Proceedings of the National Academy of Sciences of the United States of America, 94(1): 175-179. DOI:10.1073/pnas.94.1.175
董梅生, 杨德才. 2014. 工业化、信息化、城镇化和农业现代化互动关系研究—基于VAR模型[J]. 农业技术经济, (4): 14-24.
高鸣, 宋洪远. 2015. 中国农业碳排放绩效的空间收敛与分异—基于Malmquist-luenberger指数与空间计量的实证分析[J]. 经济地理, 35(4): 142-148+185.
国家发改委气候司. 2011. 省级温室气体清单编制指南(试行)[M]. 北京
何小钢, 张耀辉. 2012. 中国工业碳排放影响因素与CKC重组效应—基于STIRPAT模型的分行业动态面板数据实证研究[J]. 中国工业经济, (1): 26-35.
胡婉玲, 张金鑫, 王红玲. 2020. 中国农业碳排放特征及影响因素研究[J]. 统计与决策, 36(5): 56-62.
IPCC. 2006. IPCC Guidelines for national greenhouse gas inventories volume 4: agriculture, forestry and other land use[R]. Geneva, Switzerland: IPCC
金书秦, 林煜, 牛坤玉. 2021. 以低碳带动农业绿色转型: 中国农业碳排放特征及其减排路径[J]. 改革, (5): 29-37.
Kaya Y. 1989. Impact of carbon dioxide emission on GNP growth: Interpretation of proposed scenarios [R]. Paris: Presentation to the Energy and Industry Subgroup, Response Strategies Working Group, IPCC
李波, 张俊飚. 2012. 基于投入视角的我国农业碳排放与经济发展脱钩研究[J]. 经济经纬, (4): 27-31.
李阳, 陈敏鹏. 2021. 中国农业源甲烷和氧化亚氮排放的影响因素[J]. 环境科学学报, 41(2): 710-717.
李阳, 陈敏鹏. 2020. 长江经济带农业源非二氧化碳温室气体排放的时空特征[J]. 中国环境科学, 40(5): 2030-2039.
李忠民, 陈向涛, 姚宇. 2011. 基于弹性脱钩的中国减排目标缺口分析[J]. 中国人口·资源与环境, 21(1): 57-63.
Lohwasser J, Schaffer A, Brieden A. 2020. The role of demographic and economic drivers on the environment in traditional and standardized STIRPAT analysis[J]. Ecological Economics, 178: 106811.
刘华军, 曲惠敏. 2019. 黄河流域绿色全要素生产率增长的空间格局及动态演进[J]. 中国人口科学, (6): 59-70+127.
刘琼, 佴伶俐, 欧名豪, 等. 2014. 基于脱钩情景的中国建设用地总量管控目标分析[J]. 南京农业大学学报(社会科学版), 14(2): 80-85.
吕娜, 朱立志. 2019. 中国农业环境技术效率与绿色全要素生产率增长研究[J]. 农业技术经济, (4): 95-103.
Luo Y, Long X, Wu C, et al. 2017. Decoupling CO2 emissions from economic growth in agricultural sector across 30 Chinese provinces from 1997 to 2014[J]. Journal of Cleaner Production, 159: 220-228.
OECD. 2002. Indicators to Measure Decoupling of Environmental Pressure from Economic Growth[R]. Paris: OECD
潘慧峰, 王鑫, 张书宇. 2015. 雾霾污染的持续性及空间溢出效应分析—来自京津冀地区的证据[J]. 中国软科学, (12): 134-143.
齐静, 陈彬. 2012. 城市工业部门脱钩分析[J]. 中国人口·资源与环境, 22(8): 102-106.
Shang Q, Yang X, Gao C, et al. 2011. Net annual global warming potential and greenhouse gas intensity in Chinese double rice-cropping systems: A 3-year field measurement in long-term fertilizer experiments[J]. Global Change Biology, 17(6): 2196-2210.
Solomon S, Qin D, Manning M, et al. 2007. Climate Change 2007:The Physical Science Basis Contribution of working Group I to the Fourth Assessment Report of the IPCC[M]. New York: Cambridge University Press, 31-34.
Tapio P. 2005. 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, 12(2): 137-151.
田云, 张俊飚, 李波. 2012. 中国农业碳排放研究: 测算、时空比较及脱钩效应[J]. 资源科学, 34(11): 2097-2105.
田云. 2015. 中国低碳农业发展: 生产效率、空间差异与影响因素研究[D]. 武行: 华中农业大学
王新利, 赵琨. 2014. 黑龙江省农业机械化水平对农业经济增长的影响研究[J]. 农业技术经济, (6): 31-37.
肖红波, 白宏伟. 2020. 京津冀农业一、二、三产业区域比较优势分析[J]. 中国农业资源与区划, 41(12): 180-189.
许爱萍. 2017. 天津智慧农业发展中的主要问题与解决路径[J]. 世界农业, (3): 198-203.
York R, Rosa E A, Dietz T. 2003. Footprints on the earth: The environmental consequences of modernity[J]. American Sociological Review, 68(2): 279-300.
张广胜, 王珊珊. 2014. 中国农业碳排放的结构、效率及其决定机制[J]. 农业经济问题, 35(7): 18-26+110.
赵颖文, 吕火明, 李晓. 2019. 日本农业适度规模经营推行背景、应对举措及对中国启示[J]. 中国农业资源与区划, 40(4): 202-209.
中国人民共和国国务院. 2021. 中共中央国务院关于全面推进乡村振兴加快农业农村现代化的意见(2021年中央一号文件)[OL]. 2021-05-30. 北京. http://www.gov.cn/zhengce/2021-02/21/content_5588098.htm
中华人民共和国生态环境部应对气候变化司. 2019a. 中华人民共和国气候变化第二次两年更新报告[OL]. 2021-05-30. 北京. http://www.mee.gov.cn/ywgz/ydqhbh/wsqtkz/201907/P020190701765971866571.pdf
中华人民共和国生态环境部应对气候变化司. 2019b. 中华人民共和国气候变化第三次国家信息通报[OL]. 2021-05-30. 北京. http://qhs.mee.gov.cn/kzwsqtpf/201907/P020190701762678052438.pdf