0 引言
自2000年以来,中国的居民能源消耗一直在不断增长,与此同时,居民消费所导致的碳排放年增长率是8.7%,是超过工业部门的三大主要来源之一,因此中国居民生活碳排放是社会碳排放的一个着重关注点
[1]。目前学者大多将碳排放划分为直接和间接两类,基于IPCC法、CLA法、I-O法、LCA法对碳排放进行核算
[2-3],国内学者主要从碳排放核算、减排潜力、区域范围、空间形态、影响因素、能耗预测等层面进行有关居民生活消费碳排放的研究
[4⇓⇓⇓⇓-9],但研究范围大多着眼于中国省域、市县级和城乡间。在居民碳排放影响因素研究方面,傅京燕
[10]、汤嫣嫣
[11]、史琴琴
[12]引用STIRPAT模型考虑了多种影响因素,对中国居民生活用能碳排放的影响进行了定量分析,研究结果表明,消费结构、能源强度对生活消费碳排放产生负效应,消费水平、城镇化率产生正效应,碳排放强度、人口规模影响方向存在差异,其中能源强度和能源结构是居民消费碳排放的主要驱动因素。参照以往研究成果,运用IPCC法、CLA法、扩展的STIRPAT模型,结合多元线性回归法等实证分析使因素分析有据可依,探求新疆农村居民消费的碳排放机理。
新疆农村经济发展迅速,居民在家庭生活各方面产生了巨大的能源消耗,由于农村地区经济发展水平相对落后,在利用能源资源的过程中粗放现象较为突出
[13-14],但是,中国在对碳排放问题进行研究时,主要将目光投放在国家和省域层面,研究范围多着眼于城市,缺乏以农村居民为主体的研究成果,介于此,对新疆农村居民生活消费碳排放影响因素进行实证研究,因地制宜地制定节能减排政策,期望能够推进新疆乃至全国农村居民碳减排工作的开展和绿色低碳生活的实现,为中国相关领域学者的研究提供参考。
1 数据来源与研究方法
1.1 碳排放测算方法
1.1.1 居民消费直接碳排放核算
居民直接碳排放指居民生活直接能源消耗产生的碳排放,农村居民生活消费产生的直接碳排放主要来自:(1)原煤、焦炭、焦炉煤气、其他煤气、汽油、煤油、天然气等11种化石能源消耗所产生的CO
2排放;(2)电力和热力属于二次能源,在其生产和使用的过程中会消耗大量的化石燃料,因此其碳排放归为居民生活直接碳排放
[15-16]。另外太阳能、风能、潮汐能、沼气等通常视为零碳能源,在能源消耗过程中不产生CO
2的排放,不需计算碳排放量
[17]。
根据IPCC清单核算法直接碳排放计算方法如式(1)所示。
其中:EI表示农村居民生活消费直接碳排放总量;i为农村居民消费化石能源类型,Mi为农村居民消费第i种化石能源的实物量;NCVi为第i种化石能源的净热值,即每燃烧1个单位第i种化石能源所产生的热值;CCi为农村居民消费第i种化石能源的含碳量;Oi为第i种化石能源中的碳转化为二氧化碳的氧化率;44/12为二氧化碳与碳的转换系数。
由电力产生的碳排放,计算公式如(2)所示。
其中:
Ep为居民消费电力所产生的CO
2排放量,单位:万t;
EP为居民对电力的消耗数量,单位:Kw·h;
Cp表示电力消耗碳排放因子。区域电网平均排放因子采用国家气候中心发布的《2014年中国区域电网基准线排放因子》,本论文研究范围正好对应西北区域电网,电力排放因子为0.977 kg/(Kw·h)
[18]。
1.1.2 居民消费间接碳排放核算
居民消费支出所产生的间接碳排放主要是指食品、衣着、居住、家庭设备及用品、医疗保健、交通通讯、文教娱乐及其他商品和服务8项消费所产生的碳排放。通过使用消费者生活方式法(CLA)核算新疆农村居民生活消费间接碳排放,计算公式如(3)所示。
式中:Fi为居民8类消费活动的碳排放系数,即居民每消费1元所产生的二氧化碳排放量,单位:t/万元;Si为农村居民消费8项消费第i种消费类型所占比重,V为居民8类消费活动的消费额,单位:元;P第i年新疆农村人口规模,单位:万人。
1.2 STIRPAT模型
IPAT模型将环境的影响因素分为人口规模、富裕程度以及技术水平,但Ehrlich认为影响环境的因素复杂,IPAT模型在解释环境的影响因素上具有局限性
[19]。随后Dietz等在保留了IPAT模型乘法结构的同时,在其基础上建立了随机模型,即STIRPAT (Stochastic Impact by Regression on Population,Affluence and Technology)来分析这些因素对碳排放的非比例影响
[20]。STIRPAT模型是可拓展的随机性的环境影响评估模型,能够弥补IPAT的不足,可以添加、修改或分解相关的影响因素,是定量分析经济、人口等因素对环境驱动的一种有效方法。如式(4)所示。
式中:I表示环境因素,P表示人口因素,A表示财富程度,T表示技术效应,lna为常数项,b、c、d为待估参数,lne为随机误差项。为测试人文因素对环境I的影响,以lnI为因变量,lnP、lnA、lnT为自变量。对经过处理后的模型进行多元线性拟合,将方程(4)转化为对数形式,如式(5)所示。
STIRPAT模型中对弹性系数的引用,解释了各驱动因素变化与环境压力影响关系的问题,因此,在碳排放研究中的应用较为广泛。本研究将引用人均可支配收入、人均能源消费、能源强度、生活消费碳排放强度、农村人口比重5个自变量对STIRPAT模型进行扩展。扩展后的STIRPAT模型如(6)所示。
I:新疆农村居民生活消费碳排放总量(万t);P:新疆农村人口比重;A1:人均可支配收入水平(元/人);A2:人均能源消费(kg/人);T1:能源强度(t标准煤/万元);T2:生活消费碳排放强度(t标准煤/元)。
1.3 数据来源
本研究数据以2002年为基期,时间跨度为2002—2017年,其中生活能源碳排放强度、能源强度数据来源于《国家统计年鉴》地区能源平衡表;农村人口比重、人均可支配收入、人均能源消费支出来自《新疆统计年鉴》、《能源统计年鉴》,变量数据均通过数据处理得到。
2 实证分析
2.1 农村居民生活碳排放总量分析
2002—2017年新疆农村居民碳排放量总体呈上升趋势,年均增速4.04%,2002年新疆农村生活碳排放总量为663.16万t,其中直接碳排放占总排放量的91.91%,间接碳排放占总排放量的8.09%,人均碳排放量为526.12 kg/人。2017年新疆农村生活碳排放总量为1154.85万t,其中直接碳排放占总排放量的90.76%,间接碳排放占总排放量的9.24%,人均碳排放量为933.22 kg/人。
从增量看,2017年新疆农村居民生活碳排放总量较2002年增加了521.69万t,年均增长32.78万t。2017年人均碳排放量933.22 kg/人,较2002年增加了407.10 kg/人,年均增长27.14 kg/人。2002—2017年农村居民生活碳排放变化趋势详见图1。
图1 2002—2017年新疆农村居民生活碳排放趋势图 |
Full size|PPT slide
从增速看,2017年新疆农村居民生活碳排放总量较2002年的663.16万t,增长了1.74倍,年均增长3.77%;2017年人均碳排放量较2002年的526.12 kg/人,增长了1.77倍,年均增长6.42%。从年度环比增长速度来看,2002—2017年虽波动幅度较大,但总体上呈上升趋势。以整体分为3段,2002—2005年较为平稳,2006—2015年稍有回落,但仍保持上升趋势,2016—2017年迅速上升,整体呈现“U”型趋势,与中国西部经济发展状态相呼应。其中2016年环比增长速度最大,农村生活碳排放总量较上一年增长速度为69.48%,人均碳排放较上一年增长70.39%;2006年环比增长速度最小,农村生活碳排放总量较上一年增长速度为-49.17%,人均碳排放较上一年增长-49.52%。
2.2 新疆农村居民消费碳排放结构及弹性分析
从碳排放结构看,2002—2017年新疆农村居民消费碳直接碳排放和间接碳排放趋势见图2,农村居民消费碳排放中的直接碳排放是重要来源,平均占比81.46%以上。2002年新疆农村居民生活直接碳排放占总排放量的91.91%,间接碳排放占排放总量的8.09%;2002—2017年新疆农村居民消费碳直接碳排放和间接碳排放趋势见图2,农村居民消费碳排放中的直接碳排放是重要来源,平均占比81.46%以上。居民生活间接碳排放量呈现增加趋势,但增速缓慢。随着农村经济水平的提高,居民对高水平生活质量的需求逐渐显现,间接碳排放的比重会随着农村居民可支配收入和消费支出的增加而增加。
图2 2002—2017年新疆农村居民生活直接-间接碳排放趋势图 |
Full size|PPT slide
农村人口碳排放弹性是指单位农村人口增加农村人口碳排放量变化幅度。计算公式如式(7)所示。
其中, 为农村人口碳排放弹性; 为新疆农村碳排放增加量, 为农村人口变化率。从新疆农村人口碳排放弹性看,人口变化率均为负数,人口碳排放增加净值基本为正,人口对农村碳排放起到负向作用,人口减少并不会抑制农村碳排放量。如图3所示,2006年农村碳排放弹性最大,为43000万t,即2005—2006年农村人口每减少1%,农村人口的碳排放量减少43000万t。通过能源消费结构分析得出,由于2016年源消费数值相对减小,尤其对原煤的消耗急剧降低,引致直接碳排放量急剧下降。2016年农村居民消费碳排放弹性最小,为-37384万t,即2015—2016年农村人口每减少1%,农村碳排放量增加37384万t。2015能源消费数值相对增加,与此同时,“煤改气”工程的提出和实施,尤其对天然气、石油的消耗急剧增加,在这种高能耗高经济时期,迫使新疆需要大量能源。
图3 2003—2017年农新疆农村人口碳弹性趋势图 |
Full size|PPT slide
2.3 模型分析
2.3.1 变量描述
根据模型需要的指标找到相应数据,数据来源于2003—2018年《新疆统计年鉴》,详细数据如表1所示。
年份 | 碳排放 合计/万t | 人均可支配收入 水平/(元/人) | 人均能源消费/ (kg/人) | 能源强度/ (t标准煤/万元) | 生活消费碳排放强度/ (t标准煤/万元) | 农村人口 比重/% |
2002年 | 663.16 | 3389.57 | 188.33 | 2.71 | 2.08 | 0.66 |
2003年 | 676.87 | 3396.01 | 191.68 | 2.79 | 2.11 | 0.66 |
2004年 | 684.17 | 3550.52 | 193.02 | 2.45 | 2.03 | 0.65 |
2005年 | 690.70 | 3593.13 | 197.53 | 2.81 | 2.04 | 0.63 |
2006年 | 351.10 | 3664.99 | 97.06 | 2.61 | 1.01 | 0.62 |
2007年 | 359.44 | 3928.87 | 100.19 | 2.41 | 0.96 | 0.61 |
2008年 | 399.96 | 4302.11 | 111.53 | 2.21 | 0.97 | 0.60 |
2009年 | 436.13 | 4388.16 | 121.79 | 2.10 | 1.03 | 0.60 |
2010年 | 436.54 | 4642.67 | 132.93 | 2.09 | 1.01 | 0.57 |
2011年 | 455.72 | 4958.37 | 139.02 | 2.05 | 0.99 | 0.56 |
2012年 | 474.35 | 5191.42 | 145.74 | 1.95 | 0.98 | 0.56 |
2013年 | 510.04 | 5404.26 | 168.02 | 1.86 | 1.01 | 0.56 |
2014年 | 528.18 | 5496.14 | 182.88 | 1.73 | 1.04 | 0.54 |
2015年 | 602.55 | 5529.11 | 252.37 | 1.69 | 1.17 | 0.53 |
2016年 | 1021.23 | 5600.99 | 386.90 | 1.70 | 1.98 | 0.52 |
2017年 | 1154.85 | 5701.81 | 433.88 | 1.66 | 2.20 | 0.51 |
人口用新疆农村人口比重来衡量,由于中国衡量口径不一致,仅用常驻人口或农业人口代表农村人口,存在一定的片面性,为了提高数据的精准度和指标的优化度,选取《新疆统计年鉴》农村人口的比重作为最终变量。
能源强度也称万元GDP能耗,用新疆能源消耗量与新疆生产总值之比表示,新疆是一个富集煤炭、石油以及天然气的地域,煤炭在消费总量中所占的比重仍处于一半以上,综合反映新疆经济对能源利用效率的重要指标,因此具有一定代表性。
生活消费碳排放强度是新疆生活消费碳排放总量与新疆农村居民生活消费支出的比值,单位为t/万元,碳排放强度能反应农村居民消费模式,碳排放强度降低是有效实现低碳消费的举措,在减排中有着举足轻重的作用。
能源强度和生活消费碳排放强度通过新疆生活消费总量、能源消费总量、生活消费碳排放总量和新疆生产总值折算得出。在多指标评价体系中,为消除价格变化的影响,新疆生产总值、人均年可支配收入和居民生活消费支出等相关数值均折算成2010年不变价。另外,由于各评价指标的具有不同的量纲和数量级,需要对原始数据进行标准化处理,本章节利用极差标准化(Min-max normalization)去除数据的单位限制,将碳排放总量、新疆农村人口比重、人均年可支配收入、人均能源消费、能源强度、生活消费碳排放强度6个指标均转化为无量纲的纯数值,同时为了消除异方差带来的影响,应用时还需要对其进行对数化处理,对数化处理后得到结果如表2所示。
年份 | lnI | lnA1 | lnA2 | lnT1 | lnT2 | lnP |
2002年 | 6.497 | 8.128 | 5.238 | 0.998 | 0.734 | -0.413 |
2003年 | 6.517 | 8.130 | 5.256 | 1.025 | 0.746 | -0.421 |
2004年 | 6.528 | 8.175 | 5.263 | 0.897 | 0.709 | -0.433 |
2005年 | 6.538 | 8.187 | 5.286 | 1.033 | 0.714 | -0.464 |
2006年 | 5.861 | 8.207 | 4.575 | 0.961 | 0.011 | -0.477 |
2007年 | 5.885 | 8.276 | 4.607 | 0.881 | -0.037 | -0.497 |
2008年 | 5.991 | 8.367 | 4.714 | 0.792 | -0.030 | -0.505 |
2009年 | 6.078 | 8.387 | 4.802 | 0.742 | 0.027 | -0.508 |
2010年 | 6.079 | 8.443 | 4.890 | 0.737 | 0.011 | -0.559 |
2011年 | 6.122 | 8.509 | 4.935 | 0.719 | -0.011 | -0.572 |
2012年 | 6.162 | 8.555 | 4.982 | 0.667 | -0.019 | -0.579 |
2013年 | 6.234 | 8.595 | 5.124 | 0.621 | 0.008 | -0.588 |
2014年 | 6.269 | 8.612 | 5.209 | 0.551 | 0.040 | -0.617 |
2015年 | 6.401 | 8.618 | 5.531 | 0.527 | 0.161 | -0.639 |
2016年 | 6.929 | 8.631 | 5.958 | 0.531 | 0.681 | -0.661 |
2017年 | 7.052 | 8.649 | 6.073 | 0.506 | 0.787 | -0.681 |
2.3.2 回归拟合结果
对上述解释变量进行相关系数检验,其结果如表3所示。
模型 | R | R2 | 调整后的R2 | 标准估算的误差 |
0.998a | 0.996 | 0.994 | 0.02712 |
非标准化系数 | 标准化系数 | t | Sig. | 共线性统计 |
B | 标准误差 | 贝塔 | 容差 | VIF |
常量 | 3.506 | 1.46 | | 2.401 | 0.037 | | |
lnA1 | 0.259 | 0.163 | 0.152 | 1.588 | 0.143 | 0.045 | 22.231 |
lnA2 | 0.095 | 0.137 | 0.118 | 0.69 | 0.506 | 0.041 | 71.125 |
lnP | -0.355 | 0.436 | -0.089 | -0.816 | 0.434 | 0.035 | 28.592 |
lnT1 | -0.38 | 0.183 | -0.206 | -2.079 | 0.064 | 0.042 | 23.673 |
lnT2 | 0.86 | 0.146 | 0.897 | 5.868 | 0 | 0.018 | 56.57 |
将对数化数据进行多元回归分析,R2等于0.998,F=482.537,说明回归方程是高度显著的,但模型中大部分系数没有通过显著性检验,且方差扩大因子均大于10,说明该回归方程存在多重共线性。
表4有3个特征值都接近0,2个条件指数远大于100,再次说明具有多重共线性,从条件指数283.531这一行可以看出,lnA2、lnT2的方差比例同时比较大,说明/2个自变量之间一定存在多重共线性的关系,对我们消除多重共线性有很大作用。
模型 | 特征值 | 条件指数 | 方差比例 |
常量 | lnP | lnT1 | lnT2 | lnA1 | lnA2 |
常量 | 5.382 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
lnP | 0.543 | 3.148 | 0 | 0 | 0 | 0.02 | 0 | 0 |
lnT1 | 0.074 | 8.526 | 0 | 0 | 0.02 | 0 | 0 | 0 |
lnT2 | 0.001 | 85.313 | 0 | 0.54 | 0.39 | 0.01 | 0 | 0.01 |
lnA1 | 6.70E-05 | 283.531 | 0.03 | 0.15 | 0.26 | 0.95 | 0.07 | 0.93 |
lnA2 | 1.19E-05 | 671.898 | 0.97 | 0.3 | 0.33 | 0.03 | 0.92 | 0.06 |
2.3.3 岭回归估计表
从表4可以看出,5个变量之间存在很强的共线性,如果多重共线性存在,则线性回归就无法使用最小二乘法来求解,或者求解会出现偏差。在处理解释变量之间的多重共线性问题时,主要有逐步回归法、主成分分析法、岭回归法,而岭回归无疑比最小二乘法更稳定,可以解决特征变量间的精确相关关系导致的最小二乘法无法使用的问题,可以保证回归系数稳定的正常数矩阵,因此,本章节采用岭回归的方法,将岭回归系数K的值定在0~1之间,运用SPSS26.0软件进行编程对参数进行估计,岭回归估计如表5所示。
K | RSQ | lnA1 | lnA2 | lnT1 | lnT2 | lnP |
0.00 | 0.996 | 0.152 | 0.118 | -0.206 | 0.897 | -0.089 |
0.05 | 0.993 | 0.062 | 0.448 | -0.085 | 0.562 | -0.050 |
0.10 | 0.990 | 0.041 | 0.460 | -0.075 | 0.522 | -0.063 |
0.15 | 0.987 | 0.033 | 0.456 | -0.070 | 0.499 | -0.068 |
0.20 | 0.983 | 0.028 | 0.449 | -0.068 | 0.481 | -0.071 |
0.25 | 0.978 | 0.025 | 0.441 | -0.066 | 0.466 | -0.073 |
0.30 | 0.972 | 0.024 | 0.432 | -0.064 | 0.452 | -0.074 |
0.35 | 0.966 | 0.023 | 0.423 | -0.063 | 0.440 | -0.074 |
0.40 | 0.960 | 0.022 | 0.415 | -0.062 | 0.428 | -0.074 |
0.45 | 0.953 | 0.021 | 0.406 | -0.061 | 0.417 | -0.074 |
0.50 | 0.946 | 0.021 | 0.398 | -0.061 | 0.407 | -0.074 |
0.55 | 0.938 | 0.021 | 0.390 | -0.060 | 0.398 | -0.074 |
0.60 | 0.930 | 0.021 | 0.382 | -0.059 | 0.388 | -0.073 |
0.65 | 0.923 | 0.021 | 0.375 | -0.059 | 0.380 | -0.073 |
0.70 | 0.915 | 0.021 | 0.368 | -0.058 | 0.371 | -0.072 |
0.75 | 0.907 | 0.021 | 0.361 | -0.057 | 0.364 | -0.072 |
0.80 | 0.899 | 0.021 | 0.354 | -0.057 | 0.356 | -0.071 |
0.85 | 0.891 | 0.021 | 0.348 | -0.056 | 0.349 | -0.071 |
0.90 | 0.883 | 0.021 | 0.342 | -0.056 | 0.342 | -0.070 |
0.95 | 0.875 | 0.021 | 0.336 | -0.055 | 0.335 | -0.069 |
1.00 | 0.867 | 0.021 | 0.330 | -0.055 | 0.329 | -0.069 |
图4可以看出变量lnT2的回归系数,随着K值增大迅速下降,变量lnA2的系数随着K值增大迅速上升,表现不稳定但其他大致稳定,而且lnT2与lnA2的相关系数为0.722,只需保留一个就可以,我们选择剔除lnA2,用其余4个自变量与因变量做岭回归。
K | RSQ | lnA1 | lnT1 | lnT2 | lnP |
0 | 0.996 | 0.154 | -0.244 | 1.001 | -0.132 |
0.02 | 0.995 | 0.122 | -0.225 | 0.974 | -0.171 |
0.04 | 0.994 | 0.109 | -0.213 | 0.951 | -0.187 |
0.06 | 0.992 | 0.101 | -0.205 | 0.929 | -0.194 |
0.08 | 0.989 | 0.096 | -0.198 | 0.910 | -0.198 |
0.1 | 0.986 | 0.092 | -0.192 | 0.891 | -0.199 |
0.12 | 0.982 | 0.090 | -0.187 | 0.873 | -0.199 |
0.14 | 0.978 | 0.087 | -0.183 | 0.856 | -0.198 |
0.16 | 0.973 | 0.085 | -0.179 | 0.839 | -0.197 |
0.18 | 0.968 | 0.083 | -0.175 | 0.824 | -0.196 |
0.2 | 0.963 | 0.082 | -0.172 | 0.808 | -0.194 |
0.22 | 0.958 | 0.080 | -0.169 | 0.794 | -0.192 |
0.24 | 0.952 | 0.079 | -0.166 | 0.780 | -0.190 |
0.26 | 0.947 | 0.077 | -0.163 | 0.766 | -0.188 |
0.28 | 0.941 | 0.076 | -0.160 | 0.753 | -0.186 |
0.3 | 0.935 | 0.075 | -0.158 | 0.740 | -0.184 |
图5可以看出剔除lnA2之后岭回归系数变化幅度减小,将岭回归系数K值的范围定在0.0~0.3之间,步长更改为0.02进行取值。发现,各系数在K=0.1已经相对稳定,于是我们给定K=0.1建立岭回归模型,得到岭回归分析结果见表7、8。
Variable | B | SE(B) | Beta | t | Sig. |
lnA1 | 0.157 | 0.070 | 0.092 | 2.235 | 0.047 |
lnT1 | -0.355 | 0.081 | -0.192 | -4.351 | 0.001 |
lnT2 | 0.854 | 0.032 | 0.890 | 26.355 | 0.000 |
lnP | -0.798 | 0.169 | -0.198 | -4.700 | 0.006 |
Constant | 4.593 | 0.604 | 0.000 | 7.603 | 0.000 |
Mult R | 0.9928 |
R2 | 0.9856 |
Adjusted R2 | 0.9804 |
| df | SS | MS | F值 | Sig.F |
Regress | 4 | 1.756 | 0.439 | 188.923 | 0 |
Residual | 11 | 0.026 | 0.002 | | |
方差分析结果中,Sig.≈0.000,回归方程是高度显著的,各自变量显著性Sig.值都小于0.05,R2≈0.986,经过岭回归处理后,各系数之间均显著,模型的整体拟合效果较好,且符合实际意义,最终得到标准化后的STIRAPT模型表达式如(8)所示。
3 结论
(1)从碳排放总量来看,2002—2017年新疆农村居民碳排放量波动上升,2002—2005年较为平稳,2006—2015年稍有回落,但仍保持上升趋势,2016年以后迅速上升,整体呈现出“U”型变化趋势。究其原因,新疆农村居民的能源消费大量提高,由于“西部大开发战略”的实施,新疆经济全面发展,大大加剧了新疆地区钢铁、化工等重化工业企业的攀升,对能源的依赖增加了很多,导致直接碳排放总量直线上升;随着农村经济的发展,居民生活正在由完全的物质需求向物质与精神需求并举转变,对耐用品和交通通信的需求明显提升,教育和健康的要求也越来越高,消费需求的扩大对地区碳排放有重要驱动作用。
(2)从碳排放结构来看,新疆长期以来由煤炭消耗所致的碳排放在直接能源消费中占比最大,虽引进了清洁能源和零碳能源,增加了直接能源消费种类的多样性,但由于化石能源消费居高不下,使得农村居民直接碳排放增幅较大,增速较快,在碳排放总量中占比较大,成为居民碳排放的重要来源;农村生活变富裕,对物质品的需求逐渐增加,使得居民生活间接碳排放量占比逐年增加,但居民在生活过程中引起碳排放的增速和增幅相对一次能源消费所带来的直接碳排放缓慢。
(3)从贡献度可以看出,各自变量的弹性系数分别为0.09、-0.19、0.89、-0.2,表明,人均年可支配收入、碳排放强度每增加1%会导致碳排放量分别增加0.09%和0.89%;能源强度、农村人口占有率每减少1%,碳排放量减少0.19%、0.20%。
(4)从影响程度来看,新疆人均年可支配收入、生活消费碳排放强度的增长为碳排放量的增加带来的是正效应,新疆农村人口占有率、能源强度为碳排放量的增加带来的是负效应。其中,生活消费碳排放强度对新疆农村居民生活消费碳排放的影响最强,其次是农村人口占有率、人均可支配收入水平、能源强度。
4 建议
(1)优化农村能源系统:一是发展农村清洁能源和可再生能源。发展新疆具有优势的风能、太阳能等清洁能源,运用现代先进技术替代传统的高碳化工能源,减少火力发电的供能方式等。二是推进农村生物质转化。高效开发农村地区可再生绿色能源,通过生物质转换和压缩技术,保障地区能源安全,减少农村废弃物堆积和污染,做到地尽其利、物尽其用。三是调整农村能源结构,降低农村地区煤炭消费比重,鼓励对零碳能源、清洁能源开发和利用。
(2)提倡科技兴农:一是发展农村清洁煤技术。加强煤炭综合利用,以先进的煤炭转化技术和现代煤化工技术改造传统煤化工产业,使煤改造技术完整贯穿于煤炭开发、加工、燃烧、转化的过程。二是提高农村市场供给力。用新疆当地龙头企业,深化生态农产品品牌效应,将生态与经济相结合,推动新疆特色农产品和农业现代化技术的研发与应用。三是引进低碳技术。重点对一些高污染、高能耗、高排放的传统技术进行改造,降低碳排放强度,改变农村地区粗放式经济的发展,实现节能产业和循环经济双向发展。
(3)推进新型生态农业建设:首先,加大农村“绿色宣传”力度。开展多种宣传形式,强调技术更新进步的宣传,通过多种方式如:广播电视、期刊读物、互联网资讯等媒介,进行生态文明建设和环境卫生知识的普及。动员居民广泛参与纪念性活动,如:“世界低碳日”、“中国植树节”、“世界无烟日”等,潜移默化带动农村居民的环保意识,养成健康合理的生产生活方式和消费模式。其次,改革“绿色供给”。提高农村产业对经济增长的贡献率,以农业工程、生态工程为重点,完成“新疆百项技术改造升级示范工程”,培育和壮大绿色金融生态圈、“互联网+农业”等产业,实现互联网三次产业融合发展。第三,加强“绿色治理”。推进农村生活垃圾治理,开展农村“厕所革命”,梯次推进农村生活污水治理,加强村庄规划管理,加大综合治理,全面开展环境整治。第四,强化“绿色监管”。提高绿化保护工作水平,完善系统监测、管理、维护、预警体系,提高棚户区改造、污水处理、常态管理、结合实际情况,因地制宜对新疆农村生态环境进行多元化的绿色低碳监管机制。
{{custom_sec.title}}
{{custom_sec.title}}
{{custom_sec.content}}
[1] 刘万才,刘振东,黄冲,等.近10年农作物主要病虫害发生危害情况的统计和分析[J].植物保护,2016.42(5):1-9.
[2] 董怀玉,王大为,董智,等. 辽宁玉米几种病虫害综合防控技术初探[J].辽宁农业科学,015(4):43-46.
[3] 刘翠娜,邢小萍,李洪连,等. 化学农药对玉米中后期几种病虫害的田间防治效果[J].河南科学,2014,32(4):527-530.
[4] 傅俊范,景殿玺,刘震,等. 玉米叶部病害流行动态及预测预警研究进展[J].吉林农业大学学报,2016,38(6):651-655.
[5] 王晓鸣,晋齐鸣,石洁,等.玉米病害发生现状与推广品种抗性对未来病害发展的影响[J].植物病理学报,2006,36(1):1-11.
[6] 马庆周,马乐乐,张亚龙,等. 河南省玉米锈病病原菌的分子检测[J].植物保护学报,2017,44(3):523-524.
[7] 韩海亮,王桂跃,苏婷,等.调整玉米播期对浙江省玉米粗缩病的控制作用[J].浙江农业科学,2012 (4):542-543.
[8] 张超,战斌慧,周雪平.我国玉米病毒病分布及危害[J].植物保护,2017,43(1):1-8.
[9] 刘瑞丽. 河南省玉米粗缩病病原鉴定与主要防治技术研究[D].郑州:河南农业大学,2014.
[10] 张海艳,赵延明. 山东省主要推广品种对玉米粗缩病的抗性鉴定[J].玉米科学,2014,22(2):139-144,149.
[11] 刘骏,马青,于凯,等.我国玉米南方锈病发生区域和玉米品种田间抗性的研究[J].作物杂志,2009(3):71-75.
[12] 吴秋平,韩成卫,马井玉,等. 化学药剂对玉米郑单958 粗缩病的防效研究[J].作物杂志,2015(3): 155-160.
[13] 包来仓. 氟虫腈?吡虫啉(35% FS)防治玉米蛴螬效果及最佳用药量[J].河南农业,2016(10上):31-32.
[14] 王 猛. 12%苯醚甲环唑?氟虫腈FS防治玉米丝黑穗病和蛴螬田间药效试验[J].广西植保,2017,30(4):36-38.
[15] 刘爱芝,韩松,梁九进. 新烟碱类杀虫剂拌种防治介体昆虫控制玉米粗缩病研究[J]. 华北农学报,2009,24(6):219-222.
[16] 武怀恒,万鹏,黄民松,等. 200 g/L吡虫啉?氟虫腈FS对玉米灰飞虱和玉米蓟马的防治效果[J].华中昆虫研究,2014:57-60.
[17] 郑庆伟. 30%噻虫嗪FS600m1/100kg对灰飞虱及玉米粗缩病有较好的防治效果[J].农药市场信息,2017(18/30):51.
[18] 田体伟,王丽莎,王燕,等. 3种新烟碱类种子处理剂对玉米及其主要害虫的影响[J].河南农业科学,2015,44( 11):73-78.
[19] 刘佳中,孙静,王静,等. 不同播期和拌种处理对玉米粗缩病的影响[J].河南农业科学,2014,43(9):101-104.
[20] 周淑香,鲁新,王振营,等. 对不同世代亚洲玉米螟进行化学防治的效果比较[J].植物保护,2016, 42(4):226-229.
[21] 郑广永,孙晓计,李寿义. 肟菌?戊唑醇防治玉米叶斑病试验浅析[J].中国植保导刊,2016,32(2):65-66.