2. 中国科学院兰州文献情报中心/全球变化研究信息中心, 甘肃 兰州 730000
2. Lanzhou Information Center/Global Change Research Information Center, Chinese Academy of Sciences, Lanzhou 730000, China
温室效应引起的全球气候变化已经威胁到人类的生存与社会经济的发展, 成为当今国际社会及学界关注的重大环境问题。作为重要的碳源, 农牧业在推动我国土地减排、绿色发展方面起到重要作用。目前, 我国加大了化肥、农药、机械等农资投入,以弥补土地和劳动力的不足[1], 这不仅导致农牧业温室气体大量增加, 也使农牧业温室气体排放问题成为新的研究热点。
农业碳排放研究开始于20世纪末期, 牧业碳排放研究开展得更晚, 目前的国内外研究多集中于农业排放源的划分和测算, 影响因素、区域差异以及农业减排等方面。SMITH等[2]和XU等[3]归纳计算了不同的碳源种类, 均包括农地利用、牲畜养殖、水稻和农用机械4类碳源, 其对农业碳源的划分和计算方法被多数研究者采用; 韦沁等[4]对中国农业碳排放影响因素进行研究, 结果表明产业结构优化、农业人口减少会抑制农业碳排放增长, 农业经济发展会增加农业碳排放量;冉锦成等[5]对我国区域农业碳排放进行研究, 揭示了新疆区域内的差异性和阶段特征, 补充了区域的研究结果;FRANK等[6]从减排机制的角度对农业非CO2减排进行研究, 采用技术和结构缓解方案得出农业碳排放价格变动对减排量的影响, 为我国农业碳减排提供了新思路。但是, 目前针对农、牧业碳排放预测的研究不足, 多集中于区域性单一属性的预测, 例如赵宇[7]和黎孔清等[8]利用多元回归和可拓展的随机性环境影响评估(STIRPAT)模型分析江苏省和湖南省的农业和农地投入碳排放增长机理, 利用灰色模型GM(1, 1)对两省农业和农地碳排放进行预测。区域性预测可为省份提供参考, 但不利于国家层面的整体认识和把控。因此, 该研究选取标准差优选组合模型, 基于国家层面进行预测。
近年来, 为了追求高产量和高效率, 化肥、农药、机械、灌溉等农资投入不断上升, 这既不符合我国在“十三五”规划中将绿色发展贯穿到经济发展中的主题, 也会产生碳排放和环境问题。由于各省份产业发展不平衡, 自然条件存在差异, 农牧业碳排放存在省份差异和时空变动。除此之外, 农业生产活动的复杂性决定了农业碳源因子的多样性, 不仅包括作物系统的碳排放, 耕作中农资系统的碳排放,还包括农业生产中农用牲畜饲养带来的碳排放[9]。因此, 该研究将主要粮食作物和农业投入归类为农业碳源, 将农用牲畜及日常饲养牲畜归为牧业碳源, 对我国农牧业碳排放时空变化进行分析并对其进行预测, 有助于国家整体把握农牧业及相关碳排放的发展趋势, 促进区域协调发展, 实现土地减排, 走生态农牧业发展之路。
1 数据来源及研究方法 1.1 数据来源该研究涉及主要粮食作物为小麦、水稻、玉米、大豆、蔬菜和其他旱作物(花生、谷子、高粱和土豆), 主要农业投入为农药、化肥、农膜、农业灌溉和农业机械, 主要牲畜为非奶牛(肉牛)、奶牛、马、骡、驴、猪和羊。
考虑到国家从1997年完善确定省级建制, 选取1997—2016年为研究时段。作物种植面积、牲畜的出栏量和年末存栏量、化肥、农药、农膜用量等农业投入数据均来源于历年《中国农业年鉴》和《中国农村年鉴》; 部分年份数据来源于中国种植业信息网和国家统计局官网。
1.2 研究方法通过查阅文献, 大部分学者在计算农牧业碳排放时采用的是活动水平数据乘以排放因子的计算方法。李波[10]利用农业各种碳源的使用量和碳源的排放系数计算了农地利用的碳排放总量; 姚成胜等[11]基于各类牲畜年平均饲养量和各类牲畜发酵CH4排放系数估算牲畜肠胃发酵产生的CH4排放量。而在排放因子的选取上, 由于来源不用, 同一碳源的系数也不同, 目前的研究方法多结合前人研究和联合国政府间气候变化专门委员会(IPCC)的准则内容确定相应的碳排放系数。
1.2.1 农资碳排放参考美国橡树岭国家实验室、IPCC和李波[10]等提出的系数, 确定该研究中各类碳源的碳排放系数如下:农药为4.934 1, 化肥为0.895 6, 农膜为5.180 0, 农用机械为0.180 0, 柴油为0.592 7, 灌溉为266.480 0。
$ E = \sum {{e_i}} = \sum {\left( {{T_i} \times {\delta _i}} \right)}。$ | (1) |
式(1)中, E为农业生产中物质投入的碳排放量, 万t; ei为i类碳源产生的碳排放量, 万t; Ti为i类碳源的消耗量, 万t; δi为i类碳源的碳排放系数。
1.2.2 水稻种植产生的CH4排放由于各地气候环境存在显著差异, 各地水稻生长周期内产生的CH4排放也存在差异, 通过对现有农业碳排放研究进行梳理发现, 何艳秋等[12]和韦沁[13]借鉴了闵继胜等[14]得出的水稻CH4排放系数, 更为全面和科学, 该排放系数不需要单独考虑化肥施用产生的CH4排放量, 同时考虑了早稻、中季稻和晚稻的生产周期差异。因此, 笔者在此排放系数的基础上计算了水稻种植产生的CH4排放。
$ {N_{{\rm{CH}}}}_{_4} = \sum {{R_i}} \times {\partial _i}。$ | (2) |
式(2)中, NCH4为水稻种植产生的CH4排放量, 万t; Ri为i类水稻(早稻、晚稻和中季稻)的播种面积, 103 hm2; ∂i为单位面积CH4排放系数, g·m-2。
1.2.3 农作物的N2O排放各类作物的N2O排放系数如下:水稻为0.24 kg·hm-2, 春小麦为0.40 kg·hm-2, 冬小麦为1.75 kg·hm-2, 大豆为2.29 kg·hm-2, 玉米为2.532 kg·hm-2, 蔬菜为4.944 kg·hm-2, 旱地作物为0.95 kg·hm-2。各类农作物种植产生的N2O排放量计算公式为
$ {N_{{\rm{N2O}}}} = \sum {{S_i}} \times {\theta _i}。$ | (3) |
式(3)中,NN2O为农作物种植产生的N2O排放量, 万t; Si为i类农作物(稻谷、小麦、大豆、玉米、蔬菜和其他旱作物)的播种面积, 103 hm2; θi为农作物单位面积年底N2O排放通量, kg·hm-2。
1.2.4 畜牧业碳排放测算在参考姚成胜等[11]研究成果的基础上对畜牧业碳排放进行测算, 牲畜肠胃发酵和粪便关系的温室气体排放系数见表 1。
$ {M_{{\rm{C}}{{\rm{H}}_{\rm{4}}}}} = \sum {{T_i} \times \left( {{\gamma _i} + {\beta _i}} \right)},$ | (4) |
$ {M_{{{\rm{N}}_{\rm{2}}}{\rm{O}}}} = \sum {{T_i} \times {\beta _i}} 。$ | (5) |
式(4)~(5)中, MCH4和MN2O分别为畜牧业产生的CH4和N2O排放量, 万t; Ti为i类牲畜的年均饲养量, 万头; γi为i类牲畜肠胃发酵产生的CH4, kg·头-1·a-1; βi为i类牲畜粪便管理产生的CH4或N2O, kg·头-1·a-1。
1.2.5 农牧业碳排放根据IPCC第四次评估报告[15], 1 t CH4所引发的温室效应相当于25 t CO2(约合6.82 t C)所产生的温室效应, 1 t N2O所引发的温室效应约合81.27 t C所产生的温室效应, 为了便于后续分析, 将CH4和N2O排放量转化为碳当量[16-17]。
$ {C_农} = E + 6.82 \times {N_{{\rm{C}}{{\rm{H}}_{\rm{4}}}}} + 81.27 \times {N_{{{\rm{N}}_{\rm{2}}}{\rm{O}}}},$ | (6) |
$ {C_牧} = 6.82 \times {M_{{\rm{C}}{{\rm{H}}_{\rm{4}}}}} + 81.27 \times {M_{{{\rm{N}}_{\rm{2}}}{\rm{O}}}},$ | (7) |
$ {C_{农牧}} = {C_农} + {C_牧} $ | (8) |
式(6)~(8)中, C农为农业碳当量排放, 万t; C牧为牧业碳当量排放, 万t; C农牧为农业碳当量排放与牧业碳当量排放的总量, 万t。
1.2.6 重心迁移重心模型分析的目的是计算某一区域中某种属性存在的重心位置与不同年份此位置在区域空间中的动态转移轨迹。当重心向某方向转移时, 表示此段时间内空间分布不均, 偏离反向指向高属性值区域。
$ B = \sum\limits_{i = 1}^m {{D_i}{B_i}/\sum\limits_{i = 1}^m {{D_i}} } ,$ | (9) |
$ C = \sum\limits_{i = 1}^m {{D_i}{C_i}/\sum\limits_{i = 1}^m {{D_i}} }。$ | (10) |
式(9)~(10)中, B和C分别为属性重心的经纬度; Bi、Ci和Di分别为i个子区域的经、纬度和i个子区域的属性值。
1.2.7 标准差优选组合预测已知各类模型预测值的预测精度时, 对较精确的预测值赋以较大的权重, 对精确度低的赋以较小权重[18]。
$ {W_i} = \frac{{\sigma - {\sigma _i}}}{\sigma } \times \frac{1}{{m - 1}},$ | (11) |
$ \sigma = \sum\limits_{i = 1}^m {{\sigma _i}} , i = 1, 2, \cdots , m。$ | (12) |
式(11)~(12)中, Wi为模型i的权重; σ为预测误差的标准差; σi为模型i的预测误差的标准差; m为组合模型中单一模型的样本。
2 农牧业碳排放时空变化分析 2.1 农牧业碳排放时间演化将相关数据代入式(1)中, 得到我国农业、牧业和农牧业碳排放量(图 1)。利用变动指数来表征各省农牧业、农业和牧业碳排放的变动情况, 变动指数指属性末期与基期的差值和基期的比值, 表示碳排放发展态势和幅度, 计算结果见图 2。
由图 1可知, 1997—2016年我国农业、牧业和农牧碳排放均呈现总体上升趋势, 农业碳排放平稳发展, 农牧业与牧业碳排放趋势相似并呈现明显的3个阶段:1997—2006年农牧业、牧业碳排放稳步增加, 2004—2006年增速提高。十五大以来政府把农业放在经济工作首位, 并做出了关于农业和农村工作若干重大问题的决定, 推动了农牧业的持续发展, 农业碳排放稳步增长。2004年“三补一减”政策的实施使得粮食生产出现重要转机, 调动了农民积极性, 促进了农业投入, 进而推动了农业碳排放和农牧碳排放总量的提速。2007—2009年畜牧业发生较大变化, 由于牲畜疫病, 肉牛、猪、羊等主要牲畜年末存栏量下跌, 市场需求萎缩, 造成了牧业碳排放急减, 导致农牧碳排放总量呈现大幅度下跌。2010—2016年农牧业碳排放恢复增加, 这是由农业和牧业碳排放变化共同导致的。农业环境向好, 83.87%的省、自治区和直辖市农业碳排放增加; 国家加强市场调控, 牲畜存栏量恢复增长, 牧业碳排放也相应增加, 但增速较慢, 远低于2006年之前。
由图 2可知, 农牧业碳排放变动指数由农业和牧业碳排放变化共同影响, 12个省、自治区和直辖市处于下降趋势, 19个省、自治区和直辖市处于增长趋势。其中, 宁夏农牧业碳排放变动指数增长最大, 上海减少最多。1997—2016年上海农业、牧业碳排放均呈现下降趋势, 除蔬菜种植以外, 其余作物种植面积和牛、羊、猪存栏量大幅减少, 大牲畜存栏量为零。上海农牧业土地面积缩小, 粮食和肉类依靠外省调入, 第一产业占比较低, 农牧业碳排放变动指数减少比例最大。宁夏变动指数增长最大, 由于政策扶持加大, 重点支持配方肥应用, 部分地区推广覆膜保墒集雨补灌旱作节水农业技术, 加大永久性蔬菜生产基地和马铃薯产业建设, 发展清真牛羊肉产业, 使得宁夏在蔬菜、肉牛羊养殖和农资投入方面的碳排放增加, 尤其是农资碳排放年平均增长5.7%。
多省、自治区和直辖市农业碳排放变动指数为正, 仅北京、上海、浙江、福建和广东变动指数为负, 这表明在国家扶持, 农业发展的大环境下, 多数省、自治区和直辖市农业碳排放有所增加。北京、上海、浙江、福建和广东的二、三产业较其他省份更为发达, 第一产业比重较低, 其2016年农作物播种面积较1997年分别缩小384.44×103、257.5×103、1 669.6×103、616.39×103和680.67×103 hm2; 播种面积降低, 农资投入相应减少,导致这5个省市农业碳排放降低。多省、自治区和直辖市牧业碳排放变动指数为负, 仅天津、内蒙古、黑龙江、吉林、辽宁、四川、云南、甘肃、宁夏和新疆变动指数为正, 多省、自治区和直辖市牧业碳排放降低主要受牲畜数量变化的影响。随着产业结构调整和居民饮食结构优化, 用于农业生产的牛、马、驴、骡等大牲畜数量减少。居民对肉类的需求量降低, 再加之受疫病突发, 市场价格不稳定的影响, 肉牛、猪、羊的市场需求有所降低, 存栏量减少, 牧业碳排放增长滞后。除此之外, 随着冷冻仓储及运输技术的发展, 肉类长途运输和进口得以实现, 由于土地需求紧张, 中、东、南部省、自治区和直辖市二、三产业发展迅速, 牲畜饲养量不断减少, 小型养殖不足以供应人口的肉奶需求, 外地调入和进口的情况逐年增加, 也是造成非牧区省、自治区和直辖市牧业碳排放变动指数为负的原因之一。
2.2 农牧业碳排放空间演化农牧业碳排放重心位于32.5°~33.625° N, 112.5°~113.0° E(图 3), 1997—2016年重心逐渐向西北移动, 由于农业、牧业重心及主体区域位置影响, 农牧业碳排放重心位于农业和牧业之间, 1997—2016年移动68.97 km, 移动距离小于农业和牧业重心, 椭圆分布于胡焕庸线右侧, 但较农业分布椭圆偏右(表 2)。
农业碳排放重心位于31.5°~32.675° N, 113.6°~114.4° E, 1997—2016年农业碳排放重心逐渐向西北方向移动, 从孝感市移动到南阳市, 移动距离达126.86 km。受粮食主产区和农业种植结构变化影响, 我国传统粮食主产区位于气候条件优越、复种率高的长江中游和东南沿海区。随着农业科技进步, 黄淮海地区粮食产量占比上升, 东北三省地区粮食播种面积占比最大, 我国粮食主产区向北移动。西部地区种植结构有所改变, 谷子、高粱和土豆的种植面积增加, 西北地区更是成为小麦和棉花主产区, 也推动了农业碳排放主体区域向西北移动。
牧业碳排放重心位于33.25°~34.5° N, 110.4°~111.4° E, 西部地区和内蒙古牧业碳排放占全国的48.79%, 其余19个省、自治区和直辖市排放量略高, 使得重心仍落于胡焕庸线东侧, 但较农业碳排放更偏西北侧。其重心移动分为明显的2个阶段:1997—2004年牧业碳排放重心显著向东北方向移动, 这是由于中东部地区为了满足居民肉、蛋、奶的需求, 小型养殖业发展良好, 山东、河南是我国最大肉、奶供应省份; 西北传统牧区由于超载放牧、过度开垦造成天然草原退化, 畜牧业发展优势减弱。2004—2016年重心显著向西北方向移动, 是因为政府加大对西部地区畜牧业的投资, 小生产者组织化提高, 集约化程度有所提升, 西北省份畜牧业逐步向好发展。牧业碳排放分布椭圆也向西北方向移动, 偏转角度由61.06°变为60.48°, 椭圆面积由1997年的402.56×104 km2增长为2016年的435.46×104 km2, 表明牧业碳排放主体区域向东南—西北扭转, 面积扩大。
2.3 农牧业碳排放总量的时空演变选取1997、2003、2009和2016年农业和牧业碳排放, 以自然段点法将碳排放分为5个等级。其中, 农业碳排放以52.05、222.37、457.53、807.46万t为断点划分为5个等级; 牧业以碳排放以118.61、276.08、400.68、617.37万t为断点划分为5个等级。
从图 4可以看出, 1997年农业碳排放高值主要集中于长江中游、东南沿海传统农业省份(江苏、浙江、安徽、江西、湖北、湖南、广东等), 由于自然和气候条件不适于发展农业, 我国西北部地区(青海、西藏、宁夏)主要粮食作物种植面积较小, 碳排放较低。四川、河南地形具有优势(平原、盆地), 自然条件优越, 复种指数高, 又同为人口大省, 农业产值连续增加; 广西投放了大量化肥农药, 广泛应用农业科学技术, 提高现代化农业发展水平, 使得土地产出率逐年增加,这3个省份均于2003年进入第1等级。黑龙江地域广阔, 机械化生产运作效率高, 从2003年开始每百户年底拥有拖拉机数等指标增长较快, 进入第2等级。到2016年多数省、自治区和直辖市农业碳排放增加, 我国农业区和碳排放高值区集中在东南沿海、长江中游、黄淮海平原及东北三省地区。但西藏、青海、宁夏、山西、陕西、重庆和贵州等地农业碳排放增长滞后, 这可能是由于西藏和青海高寒干旱; 山西和陕西种植结构不同, 大宗作物种植面积小, 特色农业较发达, 例如玉米、荞麦、莜麦、糜子等; 山西、陕西、重庆和贵州地形破碎, 缺少大块平整土地, 种植和灌溉面积较少, 农用机械的使用受限。
从图 5来看, 1997年牧业高值区主要集中于山东和河南两省, 作为我国传统农耕区, 这两省已经形成了畜类优势产业, 牧业生产总值及奶、肉类产量常年居全国前列。2003年高值区域扩大到河北和四川。2009年内蒙古进入第1等级, 牧业生产力不断提升, 制定了林木为主、多种经营的方针, 畜牧业恢复发展; 新疆和西南等地牧业碳排放降低, 这是由于新疆政府在生猪、奶牛等方面出台了扶持政策, 但在肉牛、肉羊产业发展方面政策很少, 造成了全疆牛羊养殖业出现萎缩。由于2006—2009年我国重大动物疫病频发, 高致病性猪蓝耳病、高热病等疫病造成多数省份牲畜存栏量下降, 市场需求萎缩, 牧业碳排放整体下降。内蒙、西藏由于生猪等饲养规模小、大牲畜存栏量较大, 受疫病影响较轻, 畜牧业碳排放反而有所上升。2016年牧业碳排放空间格局保持稳定, 第3、4等级省、自治区和直辖市数量较大, 多数省、自治区和直辖市牧业碳排放量较2009年有所增加, 但低于2003年。
为探究我国农、牧业碳排放发展路径和程度, 为定量化土地减排和绿色发展提供依据, 对2017—2022年农业、牧业碳排放进行预测。农牧业碳排放的发展具有一定的连续性和稳定性, 以碳排放未来和过去的变化规律相一致的理论为依据, 选取趋势外推、ARIMA模型和灰色模型为基础, 运用标准差法对农业和牧业碳排放进行组合预测。牧业碳排放于2007—2009年出现不可抗因素影响, 所以使用线性内插结果代替2007—2009年牧业碳排放原数据, 再对其进行预测分析。
3.1 模型及参数选取 3.1.1 趋势外推法模型选取选取二次曲线、三次曲线和对数曲线模型对农业和牧业碳排放进行拟合, 拟合结果见表 3。
从表 3可知, 曲线模型对农业碳排放拟合程度较高, R2均在0.95之上, sig.值均为0;由于突发性事件发生, 牧业碳排放出现急减, 即使经过线性内插平滑处理, 但曲线模型对牧业碳排放拟合效果较差。根据模型参数, 选取R2最高的三次曲线拟合, 农业碳排放的平均相对误差为0.605%,牧业碳排放为7.634%。
3.1.2 GM(1, 1)模型预测利用1997—2016年农业和牧业碳排放构建农牧业碳排放的灰色预测模型, 农、牧业的响应方程分别为
从图 2可以判断, 农、牧业碳排放随时间推移呈增长状态, 尤其是农业碳排放初步判定为非平稳时间序列, 通过取农业碳排放和处理后牧业碳排放的自然对数, 去除时间序列的指数趋势后进行单位根检验(ADF)(表 5)。
农业碳排放序列经过一阶差分处理后平稳, ADF值小于1%临界值, 牧业碳排放序列经过二阶差分后平稳, ADF值小于5%临界值。
通过Eviews 6软件得出时间序列的自相关和偏自相关图, 确定自相关和偏自相关系数的截尾性, 基于赤池信息准则(AIC)、施瓦茨准则(SC)和R2选择最优模型, 结果见表 6。
以三次曲线模型、GM(1, 1)模型和ARIMA模型为基础, 运用标准差法组合模型对我国农业、牧业碳排放进行建模和预测。根据式(2)得出我国农、牧业碳排放组合预测模型。
$ {Y_{农业}} = 0.378\;1 \times {Y_1} + 0.308\;5 \times {Y_2} + 0.343\;3 \times {Y_3},$ | (13) |
$ {Y_{牧业}} = 0.342\;3 \times {Y_1} + 0.270\;2 \times {Y_2} + 0.387\;4 \times {Y_3}。$ | (14) |
式(13)~(14)中, Y农业和Y牧业分别为农业和牧业碳排放组合模型的预测值; Y1、Y2和Y3分别为三次曲线、GM(1, 1)和ARIMA模型的预测值。
将三次曲线、GM(1, 1)和ARIMA模型的农业和牧业预测值带入式(13)~(14), 得到农业和牧业碳排放及相对误差(表 7)。1997—2016年农业碳排放预测值与实际值的相对误差最大为3.182%, 平均相对误差为0.897%;牧业碳排放的相对误差最大为6.42%, 平均相对误差为4.37%, 组合模型的拟合效果均高于单一模型的拟合效果。
GM(1, 1)是单序列的一阶线性动态模型, 具有准确性高、所需原始数据少的优点, 但基于指数率的预测没有考虑发展过程的随机性, 中长期预测精度较差。基于此原因, 将预测年限放短, 对2017—2022年农业和牧业碳排放进行预测, 预测结果见图 6。从图 6的预测结果来看, 农业碳排放延续历史趋势, 呈现缓慢上升趋势。到2022年, 农业碳排放达2.165×108 t, 年均增速1.09%, 低于2016年前的年均增速1.32%。预测结果与现行农业发展趋势相符。农业作为立国之本, 得到国家政策的大力扶持, 国家已进一步增加农资综合补贴, 减免农业税, 鼓励科技兴农, 提高农民种粮的积极性, 促进农业碳排放的稳定增加。但是, 由于我国农业结构发展不平衡, 种植结构较为单一, 加之国内外粮食差价的存在, 我国近年来粮食进口量不断增加, 造成农业碳排放增速放缓。
牧业碳排放达到1.13×108 t, 年均增速为2.84%, 高于2016年前的年均增速(-0.30%), 1997—2022年在整体趋势上呈现缓慢上升—突然下降—恢复上升的趋势。从2006年突发疫情后, 养殖业收到较大冲击, 2007年波及26个省、自治区和直辖市, 疫病和防控扑杀导致牲畜存栏量大幅度减少, 肉类需求萎缩, 到2009年疫情逐步得到控制, 波及省份减少到5个省、自治区和直辖市。2010年后, 随着肉类市场需求回升, 畜牧业进入恢复时期, 牲畜养殖数量有所增加。政府采取24字防控工作方针, 加大对动物疫病的防治管控, 2010年后我国重大动物疫病流行强度明显减弱, 发病频次和范围显著降低, 加之居民对动物性食物消费量稳定增长, 促进了猪、羊和奶牛的饲养量增加, 促使畜牧业碳排放在未来平稳增加, 但2022年牧业碳排放量仅略高于1997年, 约为0.15×108 t。
4 讨论对我国31个省、自治区和直辖市1997—2016年农业和牧业碳排放进行测算, 测算结果与前人的研究相近, 趋势相符。但由于目前在牲畜类型选择上缺乏清晰的边界界定, 研究者们选择的牲畜种类不同, 牧业碳排放测算结果均存在较大差异。该研究主要选取了大牲畜, 未涉及兔和禽类, 由于家禽的饲养量数量更多, 会导致该研究牧业碳排放测算结果偏低, 排放趋势与牧业大趋势不同。但是, 考虑到兔和家禽类的饲养受场地、饲料、地域的限制较少, 其养殖规模在我国空间上并不存在明显的偏重, 不利于牧业的区域分析。因此, 该研究在一定程度上弥补了牧业碳排放在大牲畜养殖和区域优势研究的不足, 有利于我国调整养殖结构, 推动畜牧业优化升级。
从预测方法和预测结果来看, 不同于区域性单一属性研究, 该研究将农牧业相结合, 从全国层面进行时空分析和预测, 为农牧业发展及土地减排提供较为准确的趋势和排放上限, 为区域间第一产业协调发展和国家统筹提供参考。除此外, 该研究采用组合模型预测, 预测精度和结果均高于单一模型预测。农业发展稳定, 即使遭受自然灾害也具有区域性和时间性, 灾后可通过复种、栽植其他作物进行补救, 恢复周期较短, 对全国层面影响较小, 所以, 农业碳排放预测精度较高, 结果可靠。但养殖业存在动物疫情突发的情况, 且疫情扑灭、人民心理及需求转变和牲畜出栏均需要一定周期, 这在预测中是不可测的。尽管国家近年来加强防疫管控, 但在牧业碳排放预测研究中仍需考虑多种因素, 使预测结果更趋科学性。
5 结论与建议 5.1 结论对我国31个省、自治区和直辖市1997—2016年农牧业碳排放进行时空变化分析, 利用标准差优选组合模型对2017—2022年农牧业碳排放进行预测分析, 研究结果如下:
(1) 1997—2016年, 在农业发展大环境下多数省、自治区和直辖市农业碳排放有所增加。在畜牧业产业结构调整、居民饮食结构优化、冷冻仓储及运输技术发展的综合作用下, 除传统牧业区外多数省、自治区和直辖市的牧业碳排放有所减少。
(2) 由于粮食主产区和农业种植结构的变化, 农业碳排放重心逐渐向西北方向移动, 但标准差椭圆的主体区域仍在胡焕庸线右侧。牧业碳排放重心在河南境内摆动, 主体区域向东南—西北扭转, 面积扩大。
(3) 我国农牧业碳排放格局基本稳定, 农业碳排放高值由长江中游、东南沿海传统农业区逐步向东北三省和黄淮海周边转移, 西北部地区受自然条件等原因保持低碳排放。牧业碳排放高值区集中于传统牧业区和中部地区, 除2006—2009年受重大动物疫病影响外, 牧业碳排放格局变化较小。
(4) 农业碳排放组合预测的平均相对误差为0.897%, 牧业为4.37%, 综合来看, 标准差组合模型拟合效果优于单一模型。
(5) 到2022年,国家政策扶持促进农业碳排放稳定增加, 农业结构、种植结构以及国内外粮食差价等原因造成农业碳排放增速放缓, 农业碳排放延续了历史增长趋势,达到2.165×108 t, 年平均增速低于2016年前。居民对动物性食物需求的稳定增长促进了牲畜饲养量增加, 促使畜牧业碳排放在未来会平稳增加, 达1.13×108 t, 年均增速高于2016年前。
5.2 建议农业碳排放高于牧业碳排放, 其中, 化肥、农膜和灌溉碳排放占农业碳排放的比重约为29.5%、11%和9.1%, 是农业碳排放中较大的碳源。根据研究结果, 给出相关的建议如下:
(1) 以保障粮食安全为前提, 在因地制宜的基础上, 进一步调整各区域农业结构多样化, 增加农作物选择和特色农作物种植。
(2) 当地政府和农业部门应加大农业科学技术研究的资金投入, 加强技术发展对农业碳排放的抑制作用, 引导农民选择抗倒伏、抗病虫害强的优良植株, 减少农药、化肥的过量使用。
(3) 改进农业灌溉方式, 减少输水过程中的渗漏损耗; 做好雨水集流等田间节水措施, 优先选择滴灌, 渗灌等节水灌溉方式; 建立灌区需水预报和水量调配等优化制度, 减少灌溉浪费和灌溉用能带来的碳排放。
(4) 稳定牲畜存栏量和出栏量, 建立疫病及防治数据库, 加强疫病防御机制, 向农牧民普及动物疫病预防技术, 稳定畜牧业规模和牧业碳排放。
[1] |
张军伟, 张锦华, 吴方卫. 我国粮食生产的碳排放及减排路径分析[J]. 统计与决策, 2018, 34(14): 168-172. (0) |
[2] |
SMITH P, MARTINO D, CAI Z C, et al. Policy and Technological Constraints to Implementation of Greenhouse Gas Mitigation Options in Agriculture[J]. Agriculture, Ecosystems & Environment, 2007, 118(1/2/3/4): 6-28. DOI:10.1016/j.agee.2006.06.006 (0) |
[3] |
XU L Q, BAI J J. Study on Characteristics and Reduction Countermeasures of the Agricultural Carbon Emission in China[J]. Meteorological & Environmental Research, 2013, 4(11): 58-62. (0) |
[4] |
韦沁, 曲建升, 白静, 等. 我国农业碳排放的影响因素和南北区域差异分析[J]. 生态与农村环境学报, 2018, 34(4): 318-325. [ WEI Qin, QU Jian-sheng, BAI Jing, et al. Influencing Factors of Agricultural Carbon Emission and Regional Differences Between South and North in China[J]. Journal of Ecology and Rural Environment, 2018, 34(4): 318-325.] (0) |
[5] |
冉锦成, 苏洋, 胡金凤, 等. 新疆农业碳排放时空特征、峰值预测及影响因素研究[J]. 中国农业资源与区划, 2017, 38(8): 16-24. [ RAN Jin-cheng, SU Yang, HU Jin-feng, et al. Temporal and Spatial Chatacteristics, Peak Value Forecast and Influencing Factors of Agricultural Carbon Emissions in Xinjiang[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(8): 16-24.] (0) |
[6] |
FRANK S, BEACH R, HAVLÍK P, et al. Structural Change as a Key Component for Agricultural Non-CO2 Mitigation Efforts[J]. Nature Communications, 2018, 9: 1060. DOI:10.1038/s41467-018-03489-1 (0) |
[7] |
赵宇. 江苏省农业碳排放动态变化影响因素分析及趋势预测[J]. 中国农业资源与区划, 2018, 39(5): 97-102. [ ZHAO Yu. Influencing Factors and Trend Prediction on Dynamic Change of Agricultural Carbon Emissions in Jiangsu Province[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2018, 39(5): 97-102.] (0) |
[8] |
黎孔清, 陈俭军, 马豆豆. 基于STIRPAT和GM(1, 1)模型的湖南省农地投入碳排放增长机理及趋势预测[J]. 长江流域资源与环境, 2018, 27(2): 345-352. [ LI Kong-qing, CHEN Jian-jun, Ma Dou-dou. Growth Mechanism and Trend Forecast of Carbon Emission From Farmland Inputs in Hunan Province Based in Stirpat and GM(1, 1) Mode[J]. Resources and Environment in the Yangtza Basin, 2018, 27(2): 345-352.] (0) |
[9] |
田云, 张俊飚, 李波. 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, 2012, 34(11): 2097-2105. [ TIAN Yun, ZHANG Jun-biao, LI Bo. Agricultural Carbon Emissions in China:Calculation, Spatial-Temporal Comparison and Decoupling Effects[J]. Resources Science, 2012, 34(11): 2097-2105.] (0) |
[10] |
李波. 经济增长与农业碳排放关系的实证研究[J]. 生态环境学报, 2012, 21(2): 220-224. [ Li Bo. Empirical Study on Relationship Between Economic Growth and Agricultural Carbon Emissions[J]. Ecology and Environmental Sciences, 2012, 21(2): 220-224. DOI:10.3969/j.issn.1674-5906.2012.02.004] (0) |
[11] |
姚成胜, 钱双双, 毛跃华, 等. 中国畜牧业碳排放量变化的影响因素分解及空间分异[J]. 农业工程学报, 2017, 33(12): 10-19. [ YAO Cheng-sheng, QIAN Shuang-shuang, MAO Yue-hua, et al. Decomposition of Impacting Factors of Animal Husbandry Carbon Emissions Change and Its Spatial Differences in China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(12): 10-19. DOI:10.11975/j.issn.1002-6819.2017.12.002] (0) |
[12] |
何艳秋, 陈柔, 吴昊玥, 等. 中国农业碳排放空间格局及影响因素动态研究[J]. 中国生态农业学报, 2018, 26(9): 1269-1282. [ HE Yan-qiu, CHEN Rou, WU Hao-yue, et al. Spatial Dynamics of Agricultural Carbon Emissions in China and the Related Driving Factors[J]. Chinese Journal of Eco-Agriculture, 2018, 26(9): 1269-1282.] (0) |
[13] |
韦沁.我国农牧业碳排放的时空差异和影响因素分析及预测研究[D].兰州: 兰州大学, 2018. [WEI Qin.Research on Spatial-Temporal Differences, Influence Factors and Prediction of Carbon Emission in Agriculture and Animal Husbandry in China[D].Lanzhou: Lanzhou University, 2018.]
(0) |
[14] |
闵继胜, 胡浩. 中国农业生产温室气体排放量的测算[J]. 中国人口·资源与环境, 2012, 22(7): 21-27. [ MIN Ji-sheng, HU Hao. Calculation of Greenhouse Gases Emission From Agricultural Production in China[J]. China Population, Resources and Environment, 2012, 22(7): 21-27. DOI:10.3969/j.issn.1002-2104.2012.07.004] (0) |
[15] |
IPCC.Climate Change 2007: The Physical Science Basis[R]//Contribution of Working Group Ⅰ to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change.New York, USA: Cambridge University Press, 2007.
(0) |
[16] |
苏洋, 马惠兰, 李凤. 新疆农牧业碳排放及其与农业经济增长的脱钩关系研究[J]. 干旱区地理, 2014, 37(5): 1047-1054. [ SU Yang, MA Hui-lan, LI Feng. Xinjiang Agriculture and Animal Husbandry Carbon Emissions and Its Decoupling Relationship With Agricultural Economic Growth[J]. Arid Land Geography, 2014, 37(5): 1047-1054.] (0) |
[17] |
唐洪松, 苏洋, 马惠兰, 等. 新疆畜牧业碳排放格局与公平性研究[J]. 干旱区地理, 2017, 40(6): 1338-1345. [ TANG Hong-song, SU Yang, MA Hui-lan, et al. Spatial and Temporal Distribution and Equity of Carbon Emissions From Livestock in Xinjiang[J]. Arid Land Geography, 2017, 40(6): 1338-1345.] (0) |
[18] |
张志启.我国能源消费总量预测建模分析[D].包头: 内蒙古科技大学, 2012. [ZHANG Zhi-qi.Modeling Analysis of China′s Total Energy Consumption Predictive[D].Baotou: Inner Mongolia University of Science and Technology, 2012.]
(0) |