农业碳足迹和碳足迹强度时空异质性及其影响因素分析：体现碳汇效应

本文是Cui等人于2022年在Science of the Total Environment上发表的一篇文章。

研究背景

几十年来，温室气体排放对自然环境和社会经济的负面影响不断加剧，导致全球气温上升1-2℃。全球变暖成为国内外普遍关注的问题。根据联合国粮食及农业组织（FAO），全球二氧化碳（CO₂）排放量的大约17%归因于农业生产活动。作为农业大国和碳排放大国，中国农业碳排放占国内碳排放总量的17%。因此，减少农业碳排放已成为中国可持续发展的最重要战略之一。准确的碳排放评估是制定有效的碳减排政策并确保政策有效实施的重要前提。与工业部门不同，农业具有碳源效应和碳汇效应两大特征。正外部性是由碳汇产生的，而负外部性是由碳源产生的。将碳汇纳入碳估算核算体系并保持其合理性具有重要意义。

目前，碳排放量、碳排放强度、人均碳排放量和碳足迹（CF）是评价碳排放量的主要指标，而CF与其他指标相比，可以考虑碳汇，更为科学。此外，由于中国幅员辽阔，资源丰富，各地区在自然环境、资源禀赋、社会经济发展等方面存在较大差异。因此，有必要了解碳排放的区域差异、主要影响因素及其影响因素，从而制定有针对性的碳减排政策。因此，本研究拟以中国农业碳汇为研究对象，探讨中国农业碳汇的时空异质性及其影响因素。

研究目标如下：

（1）利用LCA方法，考虑碳汇效应，从四个区域维度对中国种植业的CF和碳足迹强度（CFI）进行评估，以准确和优化农业CF和CFI的估算；（2）探讨CFI的组成和时空异质性;以及根据中国1997-2019年的面板数据计算的贡献率。该模型能够揭示中国农业碳足迹和碳足迹的区域差异，有利于制定有针对性和差异化的农业碳减排政策；（3）探讨全国和四个地区居民文化消费和文化消费的影响因素。有利于政策制定者根据影响因素的区域差异，提出有针对性的碳减排政策，提高碳减排效率，为中国政府2030年前碳达峰、2060年前碳中和的国际承诺做出贡献。

研究区域包括中国大陆31个省份（不包括香港、澳门和台湾）。将整个地区划分为四个地理单元（即东部、中部、西部和东北部）第二，随着中国经济的蓬勃发展，“三大板块、四大经济区”被确定为新时期的新战略。因此，以四大经济区（四个地区）作为地域划分是比较符合中国实际的，如图1所示。

图1 四大研究区域

主要计算方法

碳排放核算模型

目前，碳转换系数法是国际上广泛用于评估碳排放的最通用的方法，这种方法的原理是不同的输入因素（碳源）及其由政府间气候变化专门委员会（IPCC）提供的系数的组合。评估公式如下：

（1）

式中，E_l为耕地利用过程中的碳排放总量（吨）；T_i指不同的输入因子（碳源）；C_i表示各输入因子的碳排放系数。

第二，水稻生长产生的碳排放。由于在该过程中产生CH₄而不是CO₂，将CH₄转换为碳当量，转换系数为1吨CH₄=6.8182吨碳。碳排放估算公式如下：

（2）

式中，E_r为水稻生长过程中的碳排放总量（Ton）; T_j为水稻种植面积（hm²），ω_j为CH₄排放系数（kg/hm²）。

秸秆焚烧阶段产生的碳排放。农作物秸秆量为农作物副产品量，调查中大部分省份以就地焚烧为主。这产生了大量的碳排放。用式（3）计算秸秆燃烧的碳排放量：

（3）

式中，E_s为秸秆焚烧过程的碳排放总量（Ton）；W_s为不同作物秸秆的体积（kg），E_p为（作物经济体积，Ton）与G_r（草谷比）的乘积；E_c是碳排放系数，一般用1515kg/kg；R代表秸秆燃烧系数。

在上述三种碳排放公式的基础上，我们可以得到农业碳排放总量（TE）公式，实际上它是上述三种公式的总和，公式如下：

（4）

其中，TE表示三个方面的碳排放量之和（Ton），E_l、E_r和E_s表示三个持续时间的碳排放量，即：农田利用、水稻生长和秸秆焚烧。

估算农业碳汇，该方法的原理是估算净初级生产力，国内外几十年来广泛用于估算农业和海洋碳汇的报告。改进的估计模型可以描述如下：

（5）

式中C_t为总碳吸收量（Ton），即碳汇，C_a、W_c和E分别代表不同作物的碳吸收率（%）、水分含量（%）和经济系数（%）；D_w和Y_w表示总生物量（hm²）和经济产量（Ton）。

遵循LCA方法应用于农业碳足迹评价，既保证了全生命周期评价，又将碳汇纳入核算体系。在这项研究中，将CF定义为吸收碳排放所需的生产性土地（植被）面积。评估模型可以表示为：

（6）

式中，CF为农业CF（1000hm²），TE为农业总碳排放量Ton，与模型（4）中的TE含义相同；NEP是指作物的固碳能力，即耕地单位面积碳吸收量（Ton/hm²）; C_t指农田生态系统（碳汇）整个生长期内所有作物吸收的碳量（Ton），与模型（5）中C_t的含义相同；S为耕地面积（1000hm²）。

CFI是指CF除以GDP，具有权威性，在世界范围内得到了广泛的认可，但目前仅在工业领域得到了广泛的应用，在农业领域的研究还很少。为了揭示农业档案中的CFI，在本研究中，遵循Qi等人的估计方法，结合研究需要和农业实际，得到农业领域CFI估算公式，公式如下:

（7）

其中，CFI为农业CFI（hm²/万元），CF与模型（6）中的CF含义相同；GVAO为农业总产值（万元）。

Theil指数由广义熵测度生成。如果广义熵标准指数C等于0，则该公式可以称为泰尔熵指数，当分析区域内和区域间差异对总体差异的贡献时，该公式可以更具解释性。该值通常在[0，1]之间，如果该值越接近0，说明区域差异越窄，否则，说明区域差异越大。在本研究中，根据前人的研究，结合当前研究的需求，得到了如下评价公式：

（8）

（9）

（10）

（11）

（12）

（13）

（14）

（15）

式中，T、T_wi、T_w、T_b表示全国、各次区域、区域内、区域间的CFI泰尔指数（%），可以反映全国、各次区域、区域内、区域间的差异，分别；C_i、C、C_ji、C_j分别代表各省森林资源、全国森林资源总量、各省在各次区域的森林资源和各次区域森林资源之和（1000hm²）；X_i、X、X_ji、X_j分别为各省农业总产值、全国农业总产值、各分区域各省农业总产值、各分区域农业总产值（万元）。模型（12）说明了泰尔指数的加性分解特征，即总体差异由区域内差异和区域间差异组成。模型（13）~（15）中的I_a、I_r、I_j分别代表区域内、区域间和各次区域的贡献率（%），分别反映了区域间差异对总体差异的影响、区域间差异对总体差异的影响以及各次区域差异对总体差异的影响。

分析环境的影响效应，可表述为I=PAT。其中，环境质量用I表示，人口规模用P表示，富裕程度用A表示，技术水平用T表示。IPAT模型是一个简明扼要的介绍，以评估环境的影响因素。

在STIRPAT中，有几个因素，即，环境压力、人口规模、富裕程度和技术水平等因素的综合影响，克服了IPAT模型的一些不足。例如，它拒绝了单位弹性的假设，而为了分析的方便，引入了随机性。此外，STIRPAT模型还可以估算不同影响因子下的环境负荷影响效应，即：产业结构和城市化水平。由于可互换性，我们因此应用该方法来探索农业CF和CFI的影响效果。以下是STIRPAT模型：

（16）

其中I、P、A、T与IPAT模型含义相同，a、b、c、d为需要估计的参数，e为残差项。因此，IPAT模型可以被认为是STIRPAT模型的变换表达式，其中a=b=c=d=1。（16）在实证分析过程中需要转换为对数，以降低异方差水平，转换后的模型如下：

（17）

其中，ln（·）表示自然对数。b、c、d是在其他因素保持不变的情况下，某个影响因素变化1%所产生的CF和CFI的变化水平，类似于经济学领域的弹性系数概念。

此外，其他影响因素被允许引入到STIRPAT方法，以调查他们的CF和CFI的影响效果。值得注意的是，这些因素应以乘法形式引入模型中。为了进一步分析CF和CFI的影响因素，结合本研究的实际，同时在前人研究的基础上，将城市化水平和种植结构引入到STIRPAT模型中，改进并提出了STIRPAT模型。本研究中的扩展STIRPAT模型演示如下：

式中，CF和CFI分别代表农业CF（hm²）和CFI（hm²/万元），分别由模型（6）和模型（7）估算；GDP_i,t、STR_i,t、POP_i,t和URB_i,t分别代表人均GDP、种植结构、人口密度和城市化水平的影响因素，与原模型相比，扩展后的STIRPAT模型增加了产业结构和城市化水平等补充变量，使得CF的影响因素更多和待评价的CFI，对应的回归系数分别为a₂、a₃、a₄、a₅和b₂、b₃、b₄、b₅；其中μ_i,t和φ_i,t表示误差项；a₁和b₁是常数项；t表示时间跨度（年）。

表2 解释扩展STIRPAT模型中的各个影响因素

结果分析

CF和CFI的总体分析

中国地域辽阔，导致CF的地区差异较大。因此，有必要从时间和空间两个维度来探讨中国的总体竞争力。如图2所示，从时间上看，1997-2019年森林蓄积量呈上升趋势，平均值为4.295hm²，年增长率为24.6%。伴随着我国乡村振兴战略的实施，特别是“产业繁荣”的实施，一方面吸引了大量的人回流农村，为农村做贡献；另一方面，随着农村工业的蓬勃发展，农村基础设施不断完善，建设用地增加，农用地相对减少。因此，单位耕地面积碳排放量增加，即农业碳足迹增加。从空间维度上看，CF呈现出“中部（824.64）>东北（551.51）>东部（363.86）>西部（256.20）”的不平衡分布状态。这主要是由于以下原因：中部地区分布着我国大部分粮食主产区，河南、湖南，粮食大规模种植必然导致大投入，即化肥和农药，因此造成大量的碳排放，超过其碳吸收量，因此，在中部的CF是最大的。东北也是我国粮食主产区，素有“中国粮仓”之称。但由于传统的粗放型种植模式，加上大量的污染性投入，导致该地区的碳足迹较高。东部地区经济水平高，农业比重小；因此，这里CF较小。西部地区主要是干旱、半干旱地区，种植业比重相对较小。而畜牧业所占比重较大，不属于本研究的范围。因此，该地区的碳排放量和碳排放量也相应较小.

图3分别显示了1997年、2004年、2011年和2019年CFI的时空模式。结果表明，长江口地区森林植被指数具有明显的时空异质性，并随时间推移发生转移，平均增长率为19.82%。具体来看，1997年中国粮食生产指数最高的地区分布在粮食主产区，即：黑龙江、江西、贵州以及西部部分地区，陕西和甘肃。主要是由于研究期内传统的农业生产模式，大量的投入要素，即为了提高产量而使用农药和化肥，这不可避免地导致了大量的碳排放和CF。同时，这些地区的农业经济水平较低，因而农业综合指数较高。2004年的森林综合指数比1997年高0.30（hm²/万元），森林综合指数高的地区向东南部省份转移，即：湖南、江西、江苏、浙江、福建。与2004年相比，2011年的森林综合利用指数下降了0.47（hm²/万元），但森林综合利用指数较高的地区仍分布在江西、浙江和福建。值得注意的是，2019年，CFI的区域非均衡性显著，甚至出现两极分化。综合利用指数最低为0.18（hm²/万元）（内蒙古），最高为11.64（hm²/万元）（湖南）。这主要是由于内蒙古以畜牧业为主，种植业较少，而湖南是我国的粮食主产区，因此湖南省的粮食综合指数最高。虽然近年来湖南省出台了一些低碳农业政策，但低碳农业政策的执行力度仍然很大，说明湖南省低碳农业政策的执行力度还有待进一步加强。

图2 1997年、2004年、2011年和2019年中国森林覆盖的地区分布（1000hm²）

图3 1997年、2004年、2011年和2019年中国CFI的区域分布(hm²/万元）

中国农业CF呈逐年递增趋势，年均增长率为24.6%，且呈现中部（824.64）>东北（551.51）>东部（363.86）>西部（256.20）的不均衡分布特征。

中国农业固定资产投资具有明显的时空异质性和时间转移性，平均增长率为19.82%。

CFI泰尔指数及其贡献率均证实了区域内差异是总体差异的主要来源。CFI Theil指数呈“西部（11.50%）>中部（11.12%）>东部（10.56%）>东北部（6.61%）”的分布特征。森林生态足迹贡献率呈现出东部（33.74%）>中部（21.07%）>西部（19.87%）>东北部（5.24%）的空间格局。

人均GDP对全国和四大区域的资本密集度产生了负向影响，对中部地区的资本密集度也产生了负向影响。种植业结构对全国和四个地区的森林覆盖率产生了负面影响，同时也对中西部地区的森林覆盖率产生了负面影响。人口密度对全国、东部和东北地区的人口流动有负向影响，对中部和东北地区的人口流动有负向影响，对中西部地区的人口流动有正向影响，对全国的人口流动有正向影响。城市化水平仅对东部地区的固定资产投资有显著的正向影响，而对其他地区的固定资产投资和固定资产投资的影响效果不明显。

编者评

本研究基于碳足迹和碳足迹强度是可以反映碳排放水平的重要指标为重点，创新性的将碳汇被纳入CF和CFI核算体系，运用泰尔指数法和STIRPAT模型进行实证分析。利用1997-2019年31个省份的面板数据，评估其时空异质性及其影响因素。表明了我国农村居民消费呈现出逐年增长的趋势。碳足迹强度具有明显的时空异质性，并随时间推移发生转移，此外，人均GDP、种植结构、人口密度和城市化水平对CF和CFI的影响也表现出明显的时空异质性。突出了系统性分析CF、CFI对全面认识生产和土地利用格局时空变化的重要。

原文信息：Yu Cui , Sufyan Ullah Khan , Johannes Sauer , Minjuan Zhao, Exploring the spatiotemporal heterogeneity and influencing factors of agricultural carbon footprint and carbon footprint intensity: Embodying carbon sink effect.[N]Science of the Total Environment 846 (2022) 157507.

阅读原文：https://www.sciencedirect.com/science/article/abs/pii/S0048969722046058.

声明：本推送内容为课题组对论文的理解，因水平有限，难免出现错讹。敬请各位专家、同学批评指正。

本期编辑：林法龙 硕士  审稿：刘晓晨 博士

1035731508@qq.com

文章来源：土地系统科学研究