云南省农业碳排放特征及驱动因素分析——基于Kaya恒等式扩展与LMDI指数分解方法

张晓娇; 毛昭庆; 万思琦; 董晓波

doi:10.11923/j.issn.2095-4050.cjas2023-0185

PDF(1362 KB)

农学学报 ›› 2025, Vol. 15 ›› Issue (3) : 101-108. DOI: 10.11923/j.issn.2095-4050.cjas2023-0185

三农问题研究农村产业结构

云南省农业碳排放特征及驱动因素分析——基于Kaya恒等式扩展与LMDI指数分解方法

作者信息 +

Characteristics and Driving Factors Analysis of Agricultural Carbon Emission in Yunnan Province: Based on Expanded Kaya Identity and LMDI Decomposition Method

Author information +

History +

摘要

运用IPCC经典碳排放计算理论，从农用物资投入、土壤氮排放、水稻种植和禽畜养殖4个方面对2005—2021年云南省农业碳排放进行了计算，并运用LMDI模型实证分析了农业碳排放的驱动因素。结果表明：（1）云南省农业碳排放总量呈波动式上升状态，可分为“波动下降—持续上升—波动下降”3个不同阶段，2021年碳排放量比2005年增加了22.38%，年均增长率为1.27%。（2）2021年云南省农业碳排放构成要素中，占比按高低排序为禽畜养殖(73.19%)、农用物资投入(14.42%)和农作物生长(12.39%)。（3）农业生产效率、农业经济水平和城镇化是导致云南省农业碳排放量增加的主要因素，而农业产业结构、就业结构和农村人口对农业碳减排起到促进作用。据此，应坚定不移推进城镇化快速发展，优化农业产业结构和就业结构，发展畜禽标准化规模养殖，推动农业农村现代化发展。

Abstract

Based on the classical IPCC carbon emission calculation theory, the agricultural carbon emissions were calculated in Yunnan Province from 2005 to 2021, considering agricultural material input, soil nitrogen emissions, rice cultivation and livestock and poultry breeding. The influence factor decomposition was analyzed based on Logarithmic Mean Divisia Index. Results showed that: (1) the total agricultural carbon emissions in Yunnan Province tended to increase from 2005 to 2021, showing a relatively obvious three-stage change characteristic of “fluctuating decrease-continuous increase-fluctuating decrease”. The carbon emissions in 2021 increased by 22.38% compared to 2005, with an average annual growth rate of 1.27%. (2) In 2021, the source structure of agricultural carbon emissions ranked as livestock and poultry breeding, agricultural material input and crop farming, average accounting for 73.19%, 14.42% and 12.39% respectively. (3) The LMDI decomposition results showed that agricultural production efficiency, agricultural economic development level and urbanization were emission growth factors, while agricultural industrial structure, employment structure and rural population were emission reduction factors. Therefore, it is recommended to firmly promote the rapid development of urbanization, optimize the agricultural industry structure and employment structure, develop standardized scale breeding of livestock and poultry, and promote the modernization of agriculture and rural development.

导出引用

张晓娇 , 毛昭庆 , 万思琦 , 董晓波. 云南省农业碳排放特征及驱动因素分析——基于Kaya恒等式扩展与LMDI指数分解方法. 农学学报. 2025, 15(3): 101-108 https://doi.org/10.11923/j.issn.2095-4050.cjas2023-0185

ZHANG Xiaojiao , MAO Zhaoqing , WAN Siqi , DONG Xiaobo. Characteristics and Driving Factors Analysis of Agricultural Carbon Emission in Yunnan Province: Based on Expanded Kaya Identity and LMDI Decomposition Method. Journal of Agriculture. 2025, 15(3): 101-108 https://doi.org/10.11923/j.issn.2095-4050.cjas2023-0185

0 引言

气候变暖是全球人类面临的最为严峻的挑战之一，不少学者指出，控制温室气体浓度是解决当前困境重要而有效的方法^[1-2]。自联合国将确保环境可持续能力列入千年发展目标(MDGs)以来，得到了世界各国的积极响应，中国采取的主要措施是将节能减排作为经济发展的主要任务^[3]，在2000—2015年千年发展目标(MDGs)到期后，联合国提出的可持续发展目标(SDGs)将气候变化列为全球发展目标继续指导2015—2030年全球发展工作，2016年178个缔约方共同签署《巴黎协定》是国际社会强有力的举措之一。为积极践行和落实《巴黎协定》，中国于2020年郑重向国际社会承诺实现2030年碳达峰和2060年碳中和的“双碳”目标。当前，中国农业碳排放占温室气体碳排放总量的17%^[4-5]，是中国碳排放主要源头之一。习近平总书记在考察云南时提出要将云南努力建设成为中国生态文明建设排头兵，2022年5月，云南省出台了《云南省生态文明建设排头兵规划（2021—2025年）》，要求要深刻把握新时代云南省情特点，走出一条具有云南特点的绿色高质量跨越式发展道路^[6]。新形势要求云南省碳减排和碳中和要紧跟国家步伐，深度参与和推动中国实现“双碳”目标。云南是农业大省，农业碳排放是云南省碳排放的重要来源之一，从农业碳减排着手不失为一个可行方案。因此，厘清云南省农业碳排放的现状及基本特征，并就影响农业碳排放的因素进行测度分析，是确定未来云南省农业碳减排思路和措施的前提。

农业碳排放的相关问题一直是国内外学者研究的焦点，研究成果颇丰，主要集中在农业与碳排放、碳排放与经济增长的关系等方面。围绕农业生产与碳排放间的关系，国内外学者采用不同的计算方法和模型进行分析，如动态普通最小二乘(FMOLS)和普通最小二平方(DOLS)^[7]、环境库兹涅茨曲线^[8]、向量误差修正模型(VECM)、自回归分布滞后模型^[9]、空间杜宾模型等^[10]。国内学者多围绕碳排放量的测算及其驱动因素进行研究。学者们通过界定农业碳排放的来源计算农业碳排放总量和排放强度。闵继胜等^[11]将农业碳排放界定为种植业和养殖业碳排放，碳源包含农用物资、水稻生产和禽畜养殖三大类，实证分析了1991—2008年中国农业温室气体排放情况，结果表明农业温室气体排放占比较大，且不同地区农业碳排放存在差异。胡婉玲等^[12]将农业碳排放界定为种植业，计算了农用物资投入导致的31个省市1997—2017年的碳排放量，提出2016年全国已达到农业碳排放峰值，东部、中部和西部地区的碳排放效率存在差异。尽管学术界对农业碳排放的边界界定不同，但并不影响进一步探讨驱动因素，常见的分析方法有指数分解法、结构分解法和计量分析法。赵先超等^[13]利用湖北省1999—2014年农业碳排放数据，运用LMDI模型（结构分解法）分析了农业碳排放的影响因素。刘杨等^[14]则利用相同的方法分析了山东省农业碳排放的影响因素。近年来学者多聚焦于农业碳排放的生态效率测度及影响因素分析。王宝义等^[15]采用DEA-Tobit等多种模型方法，研究了中国农业生态效率的省际差异和影响因素。陈阳等^[16]利用DEA-SBM模型和固定效应模型进行分析，提出中国农业生态效率发展平稳但未达到有效水平，需要加大科技投入。杨国华等^[17]引入超效率分析法，构建SSBM-ESDA模型，评估山西省各地农业生态效率，结果表明山西省农业生态效率整体水平偏低，县域发展水平差异明显，西部沿省际线地区明显优于其他地区。

纵观国内相关研究，农业碳排放及其影响因素的研究主要集中于国家层面和粮食主产区的省份，国家层面考察对象以省或直辖市为主，粮食主产区考察对象以州（市）为主，但以云南为出发点考察其农业碳排放的研究较为少见。基于此，本研究以云南省为研究对象，测算分析了2005—2021年云南省农业碳排放的特征（种植业和养殖业），并基于Kaya恒等式扩展与LMDI指数分解方法，研究影响云南省农业碳排放的因素，以期为对云南省农业绿色可持续发展提出意见。

1 研究方法与数据处理

1.1 农业碳排放核算

本研究从养殖业和种植业2个维度来衡量云南省农业碳排放总量，具体包含4个方面的内容：一是农用物资碳排放，包括化肥、农膜、农药、农用柴油、农业灌溉和翻耕；二是土壤N₂O排放，主要考察稻谷、小麦、玉米、豆类和蔬菜5种农作物在生产过程中的碳排放；三是水稻生长发育过程中CH₄排放；四是禽畜养殖碳排放，主要指猪、牛、羊和家禽N₂O和CH₄排放量。因土壤N₂O排放和水稻CH₄排放是农作物在生长过程中排放的温室气体，在实证分析中将二者加总作为农作物生长碳排放进行分析。

E = E_{1} + E_{2} + E_{3} + E_{4}

(1)

在式(1)中，E表示农业碳排放总量，E₁为农用物资碳排放当量，E₂为土壤碳排放当量，E₃为水稻生长发育过程碳排放当量，E₄为禽畜养殖碳排放当量。

1.1.1 农用物资碳排放量计算方法

农用物资碳排放是指农户经营农田时由于生产投入行为而导致直接或间接的碳排放。参考田云等^[18]、李波等^[19]、邱子健等^[20]的研究，本研究涉及的农用物资碳源包括化肥、农膜、农药、农用柴油、农业灌溉和农业翻耕6个方面，各类农用物资投入碳排放系数及来源详见表1，该碳排放系数是运用West和Marland(2002b)提出的测算方法折算得到，涵盖了生产性资料从生产、运输到使用等几个维度排放的碳量。计算见式(2)。

E_{1} = \sum_{} T_{i} \times δ_{i}

(2)

在式(2)中，T_i为表示第i类碳源的量，δ_i表示第i类碳源的碳排放系数。

表1 各类农用物资投入碳排放系数及来源

排放源	碳排放系数	参考来源
化肥	0.8956 kg C/kg	WEST等^[21]
农药	4.9341 kg C/kg	ORNL
农膜	5.18 kg C/kg	IREEA
农用柴油	0.5927 kg C/kg	IPCC
农业灌溉	20.476 kg C/hm²	李波等^[19]
翻耕	312.6 kg C/hm²	伍芬琳等^[22]

注：ORNL：美国橡树岭国家实验室；IREEA：南京农业大学农业资源与生态环境究所；IPCC：政府间气候变化专门委员会。

1.1.2 土壤N₂O排放量计算方法

土壤是大气中N₂O最主要的来源，其贡献率达70%~90%^[23]，农田N₂O排放主要包括农田本底排放（自然排放）和肥料N₂O排放，农田本底排放是指农作物生长过程中，不施肥情况下不同农作物在农田中N₂O排放，一般通过直接测定N₂O排放量来进行估算。国内学者通过大量实验，测定了国内主要农作物N₂O本底排放系数（表2），因此，可以根据不同农作物种植面积测算土壤本底排放量，计算见式(3)。

E_{2} = \sum_{} D_{j} \times α_{j} \times 265

(3)

式(3)中，j表示农作物品种类别，D_j表示第j种农作物种植面积，α_j表示第j种农作物碳排放系数。265是N₂O的增温潜势系数(GWP)，表示以100 a为研究时间尺度，1 t的N₂O所产生的温室效应相当于265 t CO₂所产生的温室效应。

表2 主要农作物的碳排放系数

农作物品种	N₂O排放系数	参考文献
水稻	0.24 kg/hm²	王智平^[24]
玉米	2.532 kg/hm²	王少彬等^[25]
冬小麦	2.05 kg/hm²	庞军柱等^[26]
豆类	0.77 kg/hm²	熊正琴等^[27]
蔬菜	4.21 kg/hm²	邱炜红等^[28]

1.1.3 水稻CH₄排放量计算方法

稻田是CH₄和N₂O的重要排放源^[29]，IPCC报告中指出，国内稻田1 a CH₄的排放量约3600万t，占人为活动产生甲烷排放量的11%^[30]。水稻种植具有明显的周期性，干湿交替的种植循环系统导致稻田土壤环境具有好氧和厌氧的区别。在厌氧环境下，稻田水量充沛，土壤长期处于淹水状态，有机物质在厌氧细菌作用下逐渐分解成简单的小分子化合物，进一步被产甲烷细菌转化成甲烷^[31]。当土壤干旱时，厌氧细菌活动条件较弱，产生的甲烷可忽略不计。因此，本研究仅考虑水稻生长周期内产生的CH₄排放量。参照闵继胜等^[11]测算的云南省水稻生长周期内的CH₄排放系数，取云南省碳排放系数为早稻、中季稻和晚稻的均值，为57.43 kg/hm²。计算公式见式(4)。

E_{3} = \sum_{} S \times 57.43 \times 28

(4)

式(4)中，S是水稻种植面积，57.43表示每公顷水稻排放的甲烷为57.43 kg，28是甲烷的增温潜势系数。

1.1.4 禽畜养殖N₂O和CH₄排放量计算方法

禽畜养殖产生的温室气体主要是由反刍动物经肠胃发酵和粪便排泄产生。在肠道发酵部分，反刍家畜（主要是牛和羊）瘤胃在无氧条件下产生大量CH₄，猪是单胃牲畜，产生的CH₄较少，禽类产生的CH₄不予考虑。畜禽粪便富含有机物、氮元素和水，在厌氧环境下，畜禽粪便中的有机物在贮存和处理过程中会产生和排放CH₄，与此同时，粪便中的氮元素在硝化或反硝化过程中产生和排放N₂O^[32]。借鉴已有研究，禽畜温室气体的排放系数来源于IPCC(2014)，羊粪便N₂O排放系数来源于胡向东等^[33]的研究，详见表3。计算见式(5)。

E_{4} = E_{C H_{4}} + E_{N_{2} O} = \sum_{} F_{c} \times (γ_{c} + β_{c}) \times 28 + F_{c} \times θ_{c} \times 265

(5)

式(5)中

E_{C H_{4}}

是禽畜CH₄碳排放当量，

E_{N_{2} O}

是禽畜N₂O碳排放当量，C表示不同禽畜品种，γ是肠道发酵CH₄排放系数，β_c和θ_c表示第C类畜禽粪便CH₄和N₂O的排放系数，通过增温潜势系数将CH₄和N₂O排放量转化为碳排放当量。

表3 各禽畜品种温室气体排放系数 kg/（头·a）

禽畜品种	CH₄排放系数		N₂O排放系数
禽畜品种	肠道发酵	粪便排放	粪便排放
牛	47.8	1	1.39
羊	5	0.16	0.33
猪	1	4	0.53
家禽	-	0.02	0.02

注：牛的碳排放系数以黄牛的排放系数为标准；羊的排放系数取山羊和绵羊排放系数的平均数。

考虑到畜禽饲养周期不同，本研究参考胡向东等^[33]的计算方法，依据禽畜出栏率对禽畜养殖周期进行调整。

对于出栏率大于等于1的猪和家禽，禽畜的平均饲养量根据平均生命周期和出栏量进行调整。见式(6)。

N_{C} = D a y s_a l i v e_{C} \times \frac{M_{C}}{365}

(6)

式(6)中，N_C为第C种禽畜的平均年饲养量，Days_alive_C表示第C种禽畜的生命周期，生猪和禽畜的平均生命周期分别为200 d^[33]和55 d^[34]，M_c表示第C种禽畜的当年出栏量。

对于出栏率小于1的牛和羊，禽畜的平均年饲养量根据上年年末和当年年末的存栏量进行调整，见式(7)。

N_{C} = \frac{C_{c t} + C_{c (t - 1)}}{2}

(7)

式(7)中，C_ct、C_c₍_t-1₎分别为第C种禽畜t期和t-1期的年末存栏量。

1.2 农业碳排放影响因素及分解模型

Yoichi Kaya^[35]在1989年联合国政府间气候变化委员会上提出了Kaya碳排放恒等式，利用数学公式将影响温室气体的影响因素分解为人口规模、能源利用效率、能源结构和经济水平4种因素，该方法因计算科学简单、对驱动因素解释力强的优点在环境经济研究中得到广泛应用。LMDI是Ang等^[36]在Kaya恒等式的基础上对恒等式进行变形以分析各因素对环境污染物排放的作用机制，具有分解完全、无残差的优点，且允许数据中包含零值。因此，本研究使用LMDI指数分解方法研究云南省农业碳排放特征及驱动因素。结合现有研究成果，将农业碳排放分解为式(8)。

E = \frac{E}{L S} \times \frac{L S}{A G R I} \times \frac{A G R I}{A P} \times \frac{A P}{P} \times \frac{P}{U P} \times U P

(8)

式(8)中，LS为农牧业产值，AGRI为农林牧渔业总产值，AP为农业劳动力数量，P表示总人口，UP为农村人口。对各个分解因素作如下定义：

E I = \frac{E}{L S}

，表示农业生产效率；

C I = \frac{L S}{A G R I}

，表示农业产业结构；

S I = \frac{A G R I}{A P}

，表示农业经济水平；

A I = \frac{A P}{P}

，表示就业结构；

P I = \frac{P}{U P}

，表示城镇化水平。

LMDI有乘积分解和加和分解2种分解方式，因二者最终结果一致，本研究采用使用更为广泛的加和分解，具体为式(9)。

Δ E = E_{t + 1} - E_{t} = Δ E I + Δ C I + Δ S I + Δ A I + Δ P I + Δ U P

(9)

式中，t表示基期，ΔEI、ΔCI、ΔSI、ΔAI、ΔPI、ΔUP分别表示农业生产效率、农业产业结构、农业经济水平、就业结构、城镇化、农村人口由基期到t+1期农业碳排放的贡献，单位为万t。因此，不同影响因素对农业碳排放累计贡献如式(10)~(15)。

Δ E I = \sum_{} \frac{E_{t + 1} - E_{t}}{l n E_{t + 1} - l n E_{t}} \times (l n E I_{t + 1} - l n E I_{t})

(10)

Δ C I = \sum_{} \frac{E_{t + 1} - E_{t}}{l n E_{t + 1} - l n E_{t}} \times (l n C I_{t + 1} - l n C I_{t})

(11)

Δ S I = \sum_{} \frac{E_{t + 1} - E_{t}}{l n E_{t + 1} - l n E_{t}} \times (l n S I_{t + 1} - l n S I_{t})

(12)

Δ A I = \sum_{} \frac{E_{t + 1} - E_{t}}{l n E_{t + 1} - l n E_{t}} \times (l n A I_{t + 1} - l n A I_{t})

(13)

Δ P I = \sum_{} \frac{E_{t + 1} - E_{t}}{l n E_{t + 1} - l n E_{t}} \times (l n P I_{t + 1} - l n P I_{t})

(14)

Δ U P = \sum_{} \frac{E_{t + 1} - E_{t}}{l n E_{t + 1} - l n E_{t}} \times (l n U P_{t + 1} - l n U P_{t})

(15)

ΔEI、ΔCI、ΔSI、ΔAI、ΔPI、ΔUP表示各因素导致的农业碳排放变动量，若系数为正，说明对农业碳排放起到促进作用，反之，则起到抑制作用。

1.3 数据处理

本研究所使用的数据主要来源于2006—2022年《云南统计年鉴》《中国农村统计年鉴》，化肥、农药、农膜及农用柴油均为当年用量，其中化肥为折纯量，灌溉面积为有效灌溉面积。农业总产值、农牧业生产总值、农林牧渔生产总值以2005年为基期，通过生产指数进行平减，以剔除价格因素干扰。

2 云南省实证结果与分析

2.1 云南省农业碳排放时序变化

依据农业碳排放计算公式，计算了云南省2005—2021年农业碳排放（CO₂当量）总量和结构（表4）。2021年云南省农业碳排放总量为3401.55万t，与2005年的2779.47万t相比，增加了22.38%，年均增长率为1.27%。2021年农用物资投入、农作物生长和禽畜养殖所导致的碳排放量分别为490.35万t、421.50万t和2489.70万t，所占比重分别为14.42%、12.39%和73.19%。从整体来看，2005—2021年云南省农业碳排放总量呈波动式上升状态，结合年级波动来看，可分为为“波动下降—持续上升—波动下降”3个不同阶段。

表4 2005—2021年云南省农业碳排放的总量和结构

年份	农用物资碳排放		农作物生长		畜禽养殖碳排放		总量/万t
年份	碳排放量/万t	比重/%	碳排放量/万t	比重/%	碳排放量/万t	比重/%	总量/万t
2005	404.10	14.54	348.33	12.53	2027.04	72.93	2779.47
2006	412.55	14.76	349.99	12.52	2031.98	72.71	2794.52
2007	407.58	15.23	348.09	13.01	1919.89	71.76	2675.56
2008	428.97	16.17	358.76	13.52	1865.54	70.31	2653.28
2009	442.79	16.29	369.54	13.59	1906.28	70.12	2718.61
2010	465.67	16.58	375.82	13.38	1967.49	70.04	2808.98
2011	507.70	14.80	353.62	10.31	2568.55	74.89	3429.87
2012	535.98	13.96	357.34	9.31	2946.09	76.73	3839.40
2013	552.55	13.74	366.42	9.11	3102.27	77.15	4021.24
2014	566.02	13.43	369.26	8.76	3280.78	77.82	4216.05
2015	572.92	13.16	375.45	8.62	3405.37	78.22	4353.74
2016	577.16	13.10	378.18	8.58	3451.42	78.32	4406.77
2017	577.07	15.68	413.12	11.22	2690.37	73.10	3680.57
2018	516.95	15.84	416.08	12.75	2330.92	71.41	3263.96
2019	506.42	15.83	417.94	13.06	2274.93	71.11	3199.28
2020	502.42	15.43	421.63	12.95	2332.02	71.62	3256.07
2021	490.35	14.42	421.50	12.39	2489.70	73.19	3401.55

第一阶段（2005—2008年）农业碳排放量呈缓慢下降趋势。2006年农业碳排放量为2794.52万t，较2005年增长了15.05万t，增幅为0.54%，但2005—2008年下降趋势较为明显，3 a间由2005年的2779.47万t下降到2653.28万t，降幅为4.54%。该阶段禽畜养殖碳排放量下降了7.97%，是促使碳排放量降低的主要因素。其中，羊养殖规模缩减是关键动因，其养殖规模从2005年的915.05万头缩减到2008年的834.54万头，养殖规模缩减8.80%。

第二阶段（2008—2016年）农业碳排放量极速上升。该阶段农业碳排放量呈逐年上升态势，2016年达到最高值4406.77万t，比2008年增加了66.08%。农用物资投入、农作物生长和禽畜养殖的持续增加最终导致该阶段碳排放量的增长。从农业碳排放结构来看，农用物资投入和农作物生长碳排放量占比除2010年表现出一定上涨外，其他年份占比均呈下降趋势，禽畜养殖的碳排放量比重由2008年的70.31%上升到2016年的78.32%，可见，禽畜养殖碳排放是该阶段碳排放量增长的主要原因。

第三阶段（2016—2021年）农业碳排放量波动下降。2016年以来，农用物资碳排放量逐年递减，由2016年的577.16万t下降到490.35万t，降幅为15.03%，年均降低3.21%。2017年农作物生长排放量较2016年增加了34.94万t，主要有由于水稻种植面积从2016年的68.36万hm²增加到87.05万hm²致使碳排放量增长了30.07万t。禽畜养殖碳排放量2016—2019年间大幅下降，降幅为34.09%，自2020年起有小幅回升，增幅分别为2.51%和6.76%。

2.2 云南省农业碳排放影响因素分析

基于LMDI模型，结合云南省农业碳排放、社会经济等相关数据计算得到云南省2005—2021年农业碳排放影响因素分解效应贡献演变趋势（表5）。从表5中可以看出，与基期（2005年）相比，2005—2021年云南省农业碳排放量累积增加10247.94万t，主要影响因素是农业经济水平、农业生产效率和城镇化，贡献量分别为29292.46万t、9770.08万t和9286.64万t。农业产业结构、就业结构和农村人口3个因素在农业碳排放上有抑制作用，对碳减排的贡献量分别为24703.61万t、6597.20万t和6800.42万t。

表5 2005—2021年云南省农业碳排放影响因素 10⁴ t

年份	农业生产效率	农业产业结构	农业经济水平	就业结构	城镇化	农村人口	总效应
2005—2006	-58.35	-1335.28	1343.98	44.36	39.77	-19.43	15.05
2006—2007	-186.93	-1262.93	1286.01	21.24	82.42	-43.72	-103.91
2007—2008	-169.88	-1351.01	1314.06	24.71	138.27	-82.34	-126.19
2008—2009	-142.07	-1306.89	1274.74	39.85	181.25	-107.75	-60.86
2009—2010	-56.98	-1294.95	1271.89	16.19	218.76	-125.41	29.51
2010—2011	516.20	-1446.33	1472.38	-14.90	338.08	-215.03	650.40
2011—2012	966.18	-1604.03	1717.98	-170.49	491.62	-341.33	1059.93
2012—2013	1141.82	-1644.26	1812.92	-242.58	569.15	-395.28	1241.77
2013—2014	1461.28	-1795.50	1860.69	-288.22	656.89	-458.55	1436.59
2014—2015	1578.79	-1796.15	2050.33	-481.18	765.98	-543.50	1574.27
2015—2016	1631.31	-1796.41	2179.61	-632.46	878.58	-633.34	1627.30
2016—2017	881.48	-1624.08	2119.45	-718.76	896.84	-653.83	901.10
2017—2018	482.43	-1549.58	2171.37	-866.23	906.71	-660.22	484.49
2018—2019	442.32	-1535.35	2289.59	-1038.47	961.01	-699.29	419.82
2019—2020	615.69	-1671.34	2446.37	-1092.50	1037.75	-859.35	476.60
2020—2021	666.79	-1689.54	2681.08	-1197.76	1123.55	-962.04	622.08
总效应	9770.08	-24703.61	29292.46	-6597.20	9286.64	-6800.42	10247.94

2.2.1 农业生产效率因素分析

从农业生产效率累计贡献值演变趋势来看，该效应呈倒“U”型（图1），据此可以分为3个阶段。2005—2010年，农业生产效率为抑制作用，碳减排的贡献量为614.21万t；2010—2016年，农业生产效率快速上升，累计排放7295.57万t；2016—2021年累计贡献缓慢下降，累计排放3088.70万t。

图1 2005—2021年各效应对农业碳排放总效应累计贡献值的演变趋势

Full size|PPT slide

2.2.2 农业产业结构因素分析

农业产业结构对云南省农业碳排放的影响主要为抑制作用，2005—2021年农业产业结构升级累计实现24703.61万t碳减排，其作用力度在2005—2017年间较大，呈上升趋势，2017—2021年间作用力度相对减弱。整体来看，2021年比2005年的作用力度增加了354.26万t，年均增长率为1.48%。说明云南省农业产业结构的提升有效抑制了农业碳排放，促进农业产业结构转型升级是未来有效减少碳排放的重要举措。

2.2.3 农业经济水平因素分析

2005—2021年，农业经济水平一直是导致云南省农业碳排放量增加的第一要素，且作用强度逐渐增大，累计贡献量高达29292.46万t。测算农业碳排放弹性系数（农业碳排放量变化幅度/地区生产总值的变化幅度），该值从0.04（2006年）增加到为0.61（2021年），说明济增长对碳排放起到较大的贡献作用，且贡献效应越来越强。由此可见，未来较长一段时间内，伴随经济继续平稳发展，农业经济水平依然是影响农业碳排放的最主要因素，如何在农业经济发展和碳减排中寻找平衡是当前亟需解决的一个问题。

2.2.4 就业结构因素分析

就业结构对云南省农业碳排放起到抑制作用，总体上经历了由正向作用到负向抑制的转变，且抑制强度在逐年增强，累计贡献量为6597.20万t。2006—2010年由于市场经济不景气，就业结构变动不大，该阶段就业结构对农业碳排放的影响呈正影响，且作用力度缓慢下降。随着市场经济复苏和发展，中国就业结构逐渐优化，农村劳动力向非农业转移，非农劳动力占比由2010年的53.65%增加到2021年的68.76%，农业劳动力大量减少倒逼农户调整农业生产结构，稻谷的种植面积由2010年的102.1万hm²下降到2021年的75.38万hm²，相当于减少碳排放42.97万t，有效抑制了农业碳排放。

2.2.5 城镇化因素分析

城镇化是增加农业碳排放量的另一重要因素，累计贡献逐年增加。随着城镇化水平的提高，对农业碳排放的影响逐年增强。可能的原因是城镇化使更多农村居民在城市生活，受周边市民影响，膳食结构发生转变，对动物性食物和高蛋白乳制品的需求增加，带动了地方畜牧业的发展，从而增加了碳排放量。从禽畜养殖来看，体现在牛奶产量由2006年的36.40万t增加到2021年的68.39万t。

2.2.6 农村人口因素分析

农村人口是负驱动，近年来随着中国工业化、城镇化和农业现代化的发展，16 a间云南省农村人口流失了841.7万人，对农业碳排放起到抑制作用，从侧面印证了城镇化对农业碳排放的正向影响。

3 结论与建议

3.1 结论

本研究测算了云南省2005—2021年农业碳排放量和时空变化规律，运用LMDI模型分析了影响因素贡献，得到结论如下。

从时间维度来看，2005—2021年云南省农业碳排放总量呈波动式上升状态，可分为“波动下降—持续上升—波动下降”3个不同阶段。2005—2008年农业碳排放量下降幅度较小；2008—2016年因禽畜养殖规模扩大农业碳排放量极速上升；2016—2021年农业碳排放量波动下降。从农业碳排放结构来看，最大的碳排放源是畜禽养殖，占碳排放来源的比重每年均在70%以上，其次依次是农业物资和农作物生长碳排放。

LMDI指数分析结果表明，农业生产效率累计贡献值呈倒“U”型，2005—2010年，农业生产效率有抑制作用；2010—2016年，农业生产效率快速上升；2016—2021年累计贡献缓慢下降，16年间累计贡献值为9770.08万t。从影响因素来看，农业经济水平发展是导致农业碳排放增加的主要影响因素，城镇化对农业碳排放的影响力度逐年增强并成为第二大影响因素，农业生产效率经历了由负向作用到正向作用的转变。农业产业结构、农村人口和就业结构对农业碳减排起到促进作用。

3.2 建议

减少农业碳排放总量是落实“双碳”行动和建设绿美家园的有力举措，基于本研究分析，提出如下建议。

第一，优化农业产业结构，推进现代农业化发展。立足各州（市）自然资源禀赋和农业生产特点，因地制宜调整农业产业结构。（1）调整农业内部种植结构，在确保粮食安全的前提下，调整农作物种植结构，引导农民种植碳排放量较低的农作物，如豆类。（2）推进三产结构优化和产业升级，依托地方特色农业，将产业链延伸作为核心，建立健全延伸产业链推进体系，引导地方企业协同发展，不断向上和向下延伸产业链，增加农产品精深加工附加值。（3）大力发展生态农业旅游，推动农业、文化与旅游深入融合，打造农旅结合的现代化农业示范区，如普洱茶马古道，红河元阳梯田观光等。

第二，推进畜禽标准化规模养殖，挖掘碳减排潜力。引导散户成立合作社发展禽畜标准化规模养殖同时降低畜禽碳排放水平，提高禽畜粪便资源化利用。一方面要加强畜禽粪便管理，构建粪便集中处理条件，利用热化学转化技术（气化、水热液化等）和生物转化技术（堆肥、厌氧消化等）手段减少碳排放。另一方面要强化禽畜粪便污染治理，通过建立相关的政策法规，引导企业主动参与研究和开发符合云南省省情的粪便清洁处理技术。

第三，推进城镇化发展，优化居民就业结构。坚定不移推进城镇化快速发展，充分借鉴国内外发展经验，对标先进地区，以增强居民幸福感为目标，以发展低碳循环农业为手段，积极探索现代农业化与城镇化的协同发展机制，优化农村居民就业环境，推动就业结构转型升级，走中国式城镇化发展道路。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	付允, 马永欢, 刘怡君, 等. 低碳经济的发展模式研究[J]. 中国人口·资源与环境, 2008, 18(3):14-19. 本文引用 [1]

[2]	冉光和, 王建洪, 王定祥. 我国现代农业生产的碳排放变动趋势研究[J]. 农业经济问题, 2011, 32(2):32-38,110. 本文引用 [1]

[3]	胡川, 韦院英, 胡威. 农业政策、技术创新与农业碳排放的关系研究[J]. 农业经济问题, 2018(9):66-75. 本文引用 [1]

[4]	赵文晋, 李都峰, 王宪恩. 低碳农业的发展思路[J]. 环境保护, 2010(12):38-39. 本文引用 [1]

[5]	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. 本文引用 [1]

[6]	中共云南省委, 云南省生态文明建设排头兵规划(2021-2025年)[EB/OL]. 2022-5-21. http://www.yn.gov.cn/zwgk/zcwj/swwj/202205/t20220521_242388.html. http://www.yn.gov.cn/zwgk/zcwj/swwj/202205/t20220521_242388.html 本文引用 [1]

[7]	APPIAH K, DU J, POKU J. Causal relationship between agricultural production and carbon dioxide emissions in selected emerging economies[J]. Environmental science and pollution research, 2018, 25(25):24764-24777 本文引用 [1]

[8]	BALSALOBRE-LORENTE D, DRIHA O M, BEKUN F V, et al. Do agricultural activities induce carbon emissions? The BRICS experience[J]. Environmental science and pollution research international, 2019, 26(24):25218-25234. 本文引用 [1]

[9]	ASUMADE-SAKODIE S, OWUSU P A. The relationship between carbon dioxidea and agriculture in Ghana: a comparison of VECM and ARDL model[J]. Environmental science and pollution research, 2016, 23(11):10968-10982. 本文引用 [1]

[10]

程琳琳, 张俊飚, 田云, 等. 中国省域农业碳生产率的空间分异特征及依赖效应[J]. 资源科学, 2016, 38(2):276-289.

https://doi.org/10.18402/resci.2016.02.10

本文引用 [1] 摘要

科学测度农业碳生产率并探究其空间关联状况是构建兼具差异化和协调性的碳减排政策的基石。本文对2001-2012年中国31个省（市、区）的农业碳生产率进行测度,在此基础上利用空间相关性指数对其空间相关性、聚类状况进行考察,并运用空间杜宾模型分析农业碳生产率变动的主要影响因素及空间效应。结果表明：①2001-2012年中国各省区农业碳生产率均呈现较为明显的提升趋势,除个别省域外,省域农业碳生产率与其所属地区的经济发展程度基本一致;与此同时,农业碳生产率区域间“异质化”与区域内“均质化”的趋势显现,且以地区间农业碳生产率的“分化”与“极化”的现象较为严重;②省域农业碳生产率存在着较强的空间自相关性,各省区农业产业结构对本地区农业碳生产率具有负向影响,农村教育水平和农业开放程度对其具有正向影响,而农业经济发展水平、受灾程度和农业公共投资对其影响不甚明显;此外,省域农业碳生产率在空间上存在较为明显的溢出效应,其中一省区农村教育水平和农业开放水平对邻域农业碳生产率的提高具有正向带动作用,农业经济发展水平对其则起到抑制作用,而农业产业结构、自然灾害和农业公共投资对周边地区农业碳生产率的影响并不明显。

[11]	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. 本文引用 [2]

[12]	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. 本文引用 [1]

[13]	赵先超, 宋丽美, 谭书佳. 基于LMDI模型的湖南省农业碳排放影响因素研究[J]. 环境科学与技术, 2018, 41(1):177-183. 本文引用 [1]

[14]	刘杨, 刘鸿斌. 山东省农业碳排放特征、影响因素及达峰分析[J]. 中国生态农业学报(中英文), 2022, 30(4):558-569. 本文引用 [1]

[15]	王宝义, 张卫国. 中国农业生态效率的省际差异和影响因素——基于1996—2015年31个省份的面板数据分析[J]. 中国农村经济, 2018(1):46-62. 本文引用 [1]

[16]	陈阳, 穆怀中. 中国农业生态效率测算及影响因素研究[J]. 统计与决策, 2022, 38(23):101-106. 本文引用 [1]

[17]	杨国华, 段永蕙, 崔蕾. 山西省农业生态效率县域差异及影响因素分析[J]. 中国农业资源与区划, 2023, 44(3):70-78 本文引用 [1]

[18]	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, 447(3):104-127. 本文引用 [1]

[19]	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. 本文引用 [2]

[20]	邱子健, 靳红梅, 高南, 等. 江苏省农业碳排放时序特征与趋势预测[J]. 农业环境科学学报, 2022, 41(3):658-669. 本文引用 [1]

[21]	WEST T O, MARLAND G. A Synthesis of carbon sequestration, carbone missions, and net carbon flux in agriculture: Comparing tillage practices in the United States[J]. Agriculture ecosystems and environment, 2002:9. 本文引用 [1]

[22]	伍芬琳, 李琳, 张海林, 等. 保护性耕作对农田生态系统净碳释放量的影响[J]. 生态学杂志, 2007, 73(12):2035-2039. 本文引用 [1]

[23]	BOUWMAN A F. Exchange of greenhouse gases between terrestrial ecosystems and the atmosphere[J]. Soils and the greenhouse effect, 1990:61-128. 本文引用 [1]

[24]	王智平. 中国农田N₂O排放量的估算[J]. 农村生态环境, 1997, 13(2):51-55. 本文引用 [1]

[25]	王少彬, 苏维翰. 中国地区氧化亚氮排放量及其变化的估算[J]. 环境科学, 1993, 14(3):42-46. 本文引用 [1]

[26]	庞军柱, 王效科, 牟玉静, 等. 黄土高原冬小麦地N₂O排放[J]. 生态学报, 2011, 31(7):1896-1903. 本文引用 [1]

[27]	熊正琴, 邢光熹, 鹤田治雄, 等. 种植夏季豆科作物对旱地氧化亚氮排放贡献的研究[J]. 中国农业科学, 2002(9):1104-1108. 本文引用 [1]

[28]	邱炜红, 刘金山, 胡承孝, 等. 种植蔬菜地与裸地氧化亚氮排放差异比较研究[J]. 生态环境学报, 2010, 19(12):2982-2985. https://doi.org/10.16258/j.cnki.1674-5906(2010)12-2982-04 本文引用 [1]

[29]	KRITEE K, NAIR D, ZAVALA-ARAIZA D, et al. High nitrous oxide fluxes from rice indicate the need to manage water for both long-and short-term climate impacts[J]. PNAS, 2018, 115(39):9720-9725. 本文引用 [1]

[30]	CUBASCH U, WUEBBLES D J, CHEN D, et al. The physical science basis. contribution of working group I to the fifth assessment report of the intergovernmental inane on climate change[J]. Computational geometry, 2013. 本文引用 [1]

[31]	李道西. 控制灌溉稻田甲烷排放规律及其影响机理研究[D]. 南京: 河海大学, 2007. 本文引用 [1]

[32]

曹玉博, 邢晓旭, 柏兆海, 等. 农牧系统氨挥发减排技术研究进展[J]. 中国农业科学, 2018, 51(3):566-580.

https://doi.org/10.3864/j.issn.0578-1752.2018.03.014

本文引用 [1] 摘要

农牧系统包括种植业和畜牧业两个子体系，畜禽粪便管理是连接两个子系统的重要环节。农牧系统氨挥发主要发生在畜禽饲舍、粪尿储藏、粪尿处理、粪尿和化肥施用等环节。农牧系统氨挥发是大气氨排放的主要源，是中国近年来空气质量恶化的主要因素之一。农田化肥施用和畜牧业“饲喂-饲舍-储藏-处理-施用”各环节的氨挥发减排研究一直是农业和环境领域的研究热点。因此本文总结农牧系统氨挥发减排技术时，考虑了“饲喂-饲舍-储藏-处理-施用”链条的各个环节。过去10多年，欧美国家对于农牧系统氨挥发减排开展了大量的研究，而中国的氨减排技术研究主要针对农田施肥环节，畜禽养殖和粪便管理环节氨挥发减排理论与技术研究刚刚起步。本文综述了国内外关于农牧系统各生产环节主要氨挥发减排技术的减排机理、实施效果和适用范围等，并对今后中国农牧系统氨挥发减排技术研究的主要方向和重点进行了展望，旨在为中国农牧系统氨挥发减排研究提供参考和依据。建议如下：（1）目前的氨挥发减排研究主要关注农牧系统生产过程的特定环节和技术，而缺乏关于全链条综合减排技术研究。建议综合考虑经济效益、氨挥发和温室气体（CH<sub>4</sub>和N<sub>2</sub>O）协同减排及动物福利等因素，构建中国农牧系统氨挥发综合减排技术体系；（2）中国应大力支持氨挥发减排技术和配套机具的研发，并加强减排技术原理、技术规程和成本效益等研究，推动氨挥发减排技术的推广与应用；（3）建议制定农牧系统氨挥发减排技术的补贴政策，促进农牧业氨挥发减排技术的实施。

[33]	胡向东, 王济民. 中国畜禽温室气体排放量估算[J]. 农业工程学报, 2010, 26(10):247-252. 本文引用 [3]

[34]	刘培芳, 陈振楼, 许世远, 等. 长江三角洲城郊畜禽粪便的污染负荷及其防治对策[J]. 长江流域资源与环境, 2002(5):456-460. 本文引用 [1]

[35]	YOICHI K. Impact of carbon dioxide emission on GNP growth: interpretation of proposed scenarios[C]. Paris: pre-sensation to the energy and industry subgroup, response strategies working group, IPCC, 1989. 本文引用 [1]

[36]	ANG B W, LIU F L. A new energy decomposition method: perfect in decomposition and consistent in aggregation[J]. Energy, 2001,26:537-548. 本文引用 [1]

基金

云南省科技厅科技人才和平台计划——高层次科技人才及创新团队选拔专项“中青年学术和技术带头人后备人才项目”(202105AC160088)

2022年度省级低碳引导专项资金项目“云南省2020年农业温室气体清单”(YNJCZB2022112)

云南省农业科学院农业经济与信息研究所所基金项目“‘双碳’目标下云南省农业碳排放特征及其影响因素分析”(SJJ202202)

PDF(1362 KB)

Accesses

Citation

Detail

段落导航

摘要
Abstract
关键词
Key words
引用本文
0 引言
1 研究方法与数据处理
1.1 农业碳排放核算
1.1.1 农用物资碳排放量计算方法
表1 各类农用物资投入碳排放系数及来源
1.1.2 土壤N2O排放量计算方法
表2 主要农作物的碳排放系数
1.1.3 水稻CH4排放量计算方法
1.1.4 禽畜养殖N2O和CH4排放量计算方法
表3 各禽畜品种温室气体排放系数 kg/（头·a）
1.2 农业碳排放影响因素及分解模型
1.3 数据处理
2 云南省实证结果与分析
2.1 云南省农业碳排放时序变化
表4 2005—2021年云南省农业碳排放的总量和结构
2.2 云南省农业碳排放影响因素分析
表5 2005—2021年云南省农业碳排放影响因素 104 t
2.2.1 农业生产效率因素分析
图1 2005—2021年各效应对农业碳排放总效应累计贡献值的演变趋势
2.2.2 农业产业结构因素分析
2.2.3 农业经济水平因素分析
2.2.4 就业结构因素分析
2.2.5 城镇化因素分析
2.2.6 农村人口因素分析
3 结论与建议
3.1 结论
3.2 建议
参考文献
基金

Received	Revised	Published
2023-08-22	2024-07-22	2025-03-20
Issue Date
2025-03-18

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

关于期刊

在线期刊

作者中心

摘要