1997—2016年中國農業碳排放率的時空動態與驅動因素

夏四友,趙 媛,許 昕,文 琦,宋永永,崔盼盼

1 南京師范大學地理科學學院,南京 210023 2 南京師范大學金陵女子學院,南京 210097 3 江蘇省地理信息資源開發與利用協同創新中心,南京 210023 4 寧夏大學資源環境學院,銀川 750021 5 陜西師范大學地理科學與旅游學院,西安 710119

溫室效應引起的全球氣候變暖是當前人類社會可持續發展面臨的巨大挑戰,尤其是人類活動產生的溫室氣體是導致氣候變化的罪魁禍首[1-2]。近百年來地球表面年均氣溫上升了約0.6℃, 當氣溫上升5—6℃時,地球將面臨深重的災難[3],發展低碳經濟、節能減排儼然已成為解決全球氣候變暖備受關注的新路徑。研究表明農業排放的CO2在人為溫室氣體排放總量中占21%—25%,已成為溫室氣體排放的重要排放源之一[4-5]。中國農業源溫室氣體排放約占全國溫室氣體排放總量的17%,其中農業排放的CH4和NO2分別占全國總量的50%和92%[6-7],且自1978年以來中國農業碳排放以年均5%的速度持續上升[8]。農業源溫室氣體排放比重與增速不容小覷,面對中國碳減排的約束性目標,農業更不能“獨善其身”,需不斷降低其碳排放強度,提高單位碳產出率以推動中國農業低碳化發展和實現整體碳減排目標。

國外學者較多關注農業碳源和碳排放的影響因素研究,如Lal[9]對農業碳排放影響因素進行分析,發現地區間農業排放量存在較大差異主要是由于不同耕作方式引起;Johnson等[10]對主要農業碳源進行分析,認為農用物資廢棄物和農作物燃燒是農業碳排放的重要來源;Lin和Fei[11],Jiang等[12]通過研究指出灌溉、翻耕、農業柴油、農膜、農藥及化肥等因素與農業碳排放有重要關系;Tasman[13]通過對比不同國家間的農業碳排放,發現不同的農業生產方式是導致國家間農業碳排放存在差異的重要原因。國內學者從農業碳排放量測算[14-15]、影響因素分解及區域差異[16-18]、農業碳足跡[19-20]、低碳視角下農業生態補償[21-22]、農業碳排放績效[3,23]與碳生產率[24]等方面進行了大量實證探討。然而上述研究大多將研究區視為相互獨立的均質單元,較少考慮農業碳排放的空間依賴性和異質性。近年來,采用空間分析方法對農業碳排放的時空格局特征進行研究的成果日益增多。如吳賢榮等[25]對中國農業碳減排的空間關聯特征進行分析,發現一個省域的農業碳減排潛力與其所處的環境及相鄰省域的發展情況具有一定相關性。張志高等[26]對河南省農業碳排放時空演化特征進行研究,發現全省農業碳排放空間分布呈較為明顯的集聚特征。陳儒等[27]對中國區域農業碳補償時空格局進行分析,得出了中國農業碳排放與碳匯的空間分布格局均發生一定變動的結論。程琳琳等[24]對中國農業碳生產率的空間分異特征進行分析,認為我國農業碳生產率區域間“異質化”與區域內“均質化”的趨勢顯現。范大莎等[28]對東北三省農田生態系統碳排放時空分異特征進行研究,發現東北三省農田生態系統碳排放量的全局空間正相關整體呈逐漸增強的趨勢。

上述研究為持續推進農業碳排放的深入研究提供了很好的科學參考和借鑒,但總結發現：(1)已有研究大多割裂了時間過程的連續性,導致對農業碳排放空間結構變遷的時間過程探討不足。而Rey等提出的探索性時空數據分析(Exploratory Time-space Data Analysis, ESTDA)框架可以從時空關聯角度探討農業碳排放率的時空格局問題,彌補當下忽略時間維度的不足。(2)在影響因素分析方面,既有研究多是基于時間序列數據建立起的全局模型,如面板回歸分析[14,23]、灰色關聯分析[16,18]、因素分解[7,17]等方法,缺乏空間考量,導致對區域內部農業碳排放的空間異質性的解釋力度不夠。基于此,本文采用ESTDA框架對1997—2016年中國大陸31個省域農業碳排放率的時空動態特征進行分析,并結合地理權重回歸(Geographically Weighted Regression,GWR)模型對中國農業碳排放率的驅動因素進行探討,以期為各省域因地制宜地制定農業發展與碳減排政策提供參考。

1 研究方法與數據來源

1.1 研究方法

1.1.1農業碳排放量和碳排放率測算

本文從農業直接碳排放源視角出發,構建農業碳排放源指標體系(表1),在參考田云等[15]構造的農業碳排放公式的基礎上,農業碳排放量計算公式可表示為：

(1)

式中,CE為農業碳排放總量;ei為碳源i的量;εi為碳源i的碳排放系數。各碳源指標的含義詳見參考文獻[3,14],各碳源對應的碳排放系數和參考文獻來源見表1。

表1 農業碳排放源及對應的碳排放系數

基于各省域農業碳排放總量和農業總產值,農業碳排放率可表示為：

CR=AGDP/CE

(2)

式中,CR為農業碳排放率;AGDP為農業總產值;CE為農業碳排放量。為了便于對比和分析,參照IPCC 2007年第四次評估報告的參數結果[33],將CO2、CH4和N2O統一換算成標準C,其中1t CO2中含有0.273t標準C,1t CH4、N2O所引發的溫室效應分別等同于6.818t和81.273t標準C所產生的溫室效應。

1.1.2全局空間自相關法

采用全局空間自相關法對中國農業碳排放率進行全局自相關分析,從全局視角考察農業碳排放率在空間上的相關程度。鑒于該方法應用已較為成熟,在此不再贅述,具體原理及步驟詳見參考文獻[34]。

1.1.3LISA時間路徑

(3)

1.1.4LISA時空躍遷

LISA時空躍遷是Rey將Moran′sI散點圖中各空間單元在特定時間間隔內的移動距離、方向、凝聚等屬性嵌入傳統馬爾可夫鏈中,提出的用于揭示地理現象的空間依賴性的一種方法,可用來描述Local Moran′sI散點圖在不同局部類型間演化的過程[38-39]。Rey將時空躍遷劃分為Type0,Type1,Type2和Type3四種類型[40]。其中Type0表示省域自身與相鄰省域間不發生形態間的躍遷;Type1表示省域自身躍遷,但鄰域不變,包括HHt→LHt+1、HLt→LLt+1、LHt→HHt+1、LLt→HLt+1;Type2表示省域自身不變,但鄰域躍遷,包括HHt→HLt+1、HLt→HHt+1、LHt→LLt+1、LLt→LHt+1;Type3表示省域與鄰域都躍遷,該類型又可分為Type3A(HHt→LLt+1、LLt→HHt+1)和Type3B(HLt→LHt+1、LHt→HLt+1),前者表示省域與鄰域的躍遷方向一致,后者表示二者的躍遷方向相反。Rey采用時空流動與時空凝聚來表征研究對象的空間格局路徑依賴和鎖定特征[41],二者可表示為：

(4)

(5)

式中,Type1、Type2和Type3A分別表示Type1、Type2和Type3A的躍遷數;在本文中,m=(2006-1997)×31=(2016-2007)×31=279。

1.1.5GWR模型

GWR是在回歸參數中引入地理空間位置信息,基于鄰近觀測值的子樣本數據信息進行回歸估計,是對普通最小二乘法回歸(Ordinary Least Squares Regression,OLS)模型進行了改進和擴展,具有可以形象地展示空間結構分異,反映各研究變量在空間上存在依賴性和空間分異規律等優點[42]。本文采用GWR構建中國農業碳排放率驅動因素空間差異回歸模型,揭示各因素對農業碳排放率差異化的影響規律,模型設定形式為[43]：

(6)

式中,yi為第i空間單元的農業碳排放率;(ui,vi)是空間單元i的地理坐標;β0(ui,vi)表示回歸方程的截距;βm(ui,vi)為空間單元i的第m個自變量的回歸系數,xim為空間單元i的第m個自變量;εi為誤差項。GWR采用ArcGIS 10.2軟件計算。

1.2 變量選取與數據來源

根據數據的可得性,同時借鑒已有研究成果[14,24]。本文選取農業碳排放率為因變量,自變量從以下5個方面選取：農業經濟發展水平,取可比價表示的農林牧漁總產值與農村總人口之比;農村居民收入情況：取農村居民可支配收入;種植結構：以(種植業總產值-畜牧業總產值)/農林牧漁業總產值為衡量標準;耕地面積構成情況：以(旱地面積+水澆地面積)/總耕地面積為衡量標準;耕地規模：以農村人均耕地面積為準。

本文所構建的農業碳排放率指標數據及影響因素數據均來自《中國農村統計年鑒》(1998—2017)、《中國統計年鑒》(1998—2017)及各省市統計年鑒等。限于數據可得性，本文研究區域未包括香港、澳門和臺灣。

2 中國農業碳排放率時空動態格局分析

2.1 全局空間格局變化特征

采用GeoDa軟件計算1997—2016年中國農業碳排放率的全局Moran′sI指數(表2),從全局考察中國農業碳排放率的空間格局特征。

表2 中國農業碳排放率全局Moran′s I指數

中國農業碳排放率呈顯著的空間正相關關系和空間集聚規律。1997—2016年農業碳排放率的全局Moran′sI指數均為正且在5%水平上顯著(表2),說明中國農業碳排放率存在顯著的空間集聚規律,即農業碳排放率較高(低)省域在空間上趨于鄰近分布。從全局Moran′sI的變化趨勢看,研究期內中國農業碳排放率的全局Moran′sI指數波動下降,到2016年達到最小值(0.482),說明中國農業碳排放率的空間趨同性不斷減弱,空間集聚程度漸次減弱。

2.2 LISA時間路徑幾何特征

選取1997—2006和2007—2016年2個時段進行LISA時間路徑分析,以2個時段的時間路徑相對長度(彎曲度)均值的50%、100%和150%對計算結果進行歸一化處理,將時間路徑相對長度(彎曲度)由低到高劃分成低相對長度(低彎曲度)、較低相對長度(較低彎曲度)、較高相對長度(較高彎曲度)、高相對長度(高彎曲度)4種類型,并運用ArcGIS 10.2軟件對LISA時間路徑相對長度(彎曲度)進行可視化表達(圖1、圖2)。

從相對長度看,中國農業碳排放率的局部空間結構具有較強的穩定性。具體而言,1997—2006年高相對長度省域包括北京、天津、山東、山西和上海,這些省域局部空間結構具有強烈的不穩定性;黑龍江、吉林、遼寧、河南和浙江為較高相對長度省域,局部空間結構具有較強的動態性;云南、四川、貴州、重慶、湖南、湖北和江西為低相對長度省域,具有最穩定的局部空間結構;其他省域為較低相對長度,局部空間結構較穩定。2007—2016年高相對長度的省域數量保持不變,但呈現由上海向西部的陜西轉移態勢,其他省域保持不變,可能的原因是“西部大開發”戰略的實施,為陜西省的農業發展提供了政策保障,同時也導致農業碳排放率上升,此外,2005年以后國家全面免除農業稅,一方面調動了農業生產積極性,同時受農用物資(農藥、化肥、農膜等)投入的增加、耕作結構的調整、生產技術等因素的影響,導致陜西省農業碳排放率局部空間結構具有強烈的動態性。較高相對長度的省域數量呈現增加態勢,但向西部的新疆和南部的福建和海南轉移。低相對長度的省域數量由7個減少到4個,逐步向南部的廣西和東部的安徽遷移,說明這些省域的局部空間結構最穩定,主要是因為這些省域有著相似的農業碳排放率。2個時段處于低相對長度和較低相對長度的省域分別有21和20個,分別占全部省域的67.74%和64.52%,表明中國省域具有較穩定的農業碳排放率局部空間結構。

從彎曲度看,中國農業碳排放率局部空間依賴變化過程較穩定。1997—2006年高彎曲度省域包括北京、天津、上海、安徽和重慶,這些省域的農業碳排放率增長和局部空間依賴變化過程波動性最強;黑龍江、山東、江蘇、河南、湖北和貴州屬于較高彎曲度省域,其農業碳排放率增長和局部空間依賴變化波動性較強;遼寧、浙江和福建為低彎曲度省域,這3省的農業碳排放率增長和局部空間依賴變化過程最穩定;其余省域均屬于較低彎曲度省域,碳排放率增長和局部空間依賴變化過程波動性較弱。而在2007—2016年,遼寧和云南演變成為高彎曲度省域,在空間依賴方向上具有最強波動性的省域呈減少趨勢;較高彎曲度的省域數量保持6個不變,但演化為新疆、甘肅、廣西、廣東、湖北和山東;低彎曲度省域數量由3個增加到8個,呈現明顯上升趨勢。從空間分布上看,高彎曲度省域向西南和東北遷移,較高彎曲度省域出現向西部和南部轉移態勢,較低彎曲度省域在空間分布的破碎化趨勢明顯,低彎曲度省域出現向中西部地區擴散。

2.3 LISA時間路徑轉移方向

基于移動方向平均水平將其分成4種類型：贏-贏型(0°—90°),輸-贏型(90°—180°),輸-輸型(180°—270°),贏-輸型(270°—360°)。其中,贏-贏型表示省域及相鄰省域的農業碳排放率具有高增長趨勢,輸-贏型表示省域農業碳排放率呈低增長,而相鄰省域呈高增長趨勢;輸-輸型表示省域及相鄰省域的農業碳排放率均呈低增長趨勢;贏-輸型表示省域農業碳排放率呈高增長而相鄰省域呈低增長態勢。贏-贏型和輸-輸型也叫協同增長型,表示省域及其相鄰省域農業碳排放率呈整合的空間動態性。

從LISA轉移方向看,中國農業碳排放率空間格局變化的空間整合性呈減弱趨勢,協同與競爭并存的格局日益凸顯。1997—2006年天津、上海、安徽、浙江、福建、江西、湖南、廣東、廣西、云南、西藏和海南等12個省域屬于贏-贏型省域;輸-輸型的省域也有12個,分別為黑龍江、吉林、遼寧、內蒙古、河北、山東、河南、山西、陜西、寧夏、甘肅和重慶。表明在該時段內中國農業碳排放率空間格局演化表現為明顯的協同增長主導型,空間整合性較強。2007—2016年贏-贏型的省域減少為6個,且分布在山東、湖北、山西、陜西、甘肅和重慶,整體出現向北部轉移的態勢,原因是隨著“西部大開發”和“中部崛起”戰略的實施,這些省域的農業取得較快發展,也導致碳排放率增加較快;黑龍江、吉林、遼寧、北京、天津、西藏、青海7省域為輸-輸型省域,在空間分布上呈現向西部擴散態勢。協調增長型省域從1997—2006年的24個下降到2007—2016年的13個,表明中國農業碳排放率由協同增長主導型向協同與競爭并存的格局轉變,空間整合性呈現下降態勢。

2.4 農業碳排放率LISA時空躍遷分析

LISA時間路徑分析僅能揭示LISA坐標的變化趨勢,而不能反映農業碳排放率坐標中局部空間關聯類型的相互轉移。因此,本文進一步采用Rey提出的轉移概率矩陣和時空躍遷來描述中國農業碳排放率局部空間關聯類型的轉移特征和演化過程(表3)。

中國農業碳排放率的轉移惰性、路徑依賴和鎖定特征明顯。最普遍的躍遷是類型Type0,多數省域在1997—2006和2007—2016兩個時間段內均未發生顯著的時空躍遷(表3),2個時間段內Moran′sI散點保持在同一象限內(Type0)的概率達96.8%和96.4%,即在2個時間段內Moran′sI散點圖的空間穩定性(時空凝聚)分別為0.968和0.964,除1997—2006年間HHt→LLt+1、LLt→HHt+1的遷移概率為0.012和0.006外,其他Type3的躍遷均為0,表明中國農業碳排放率分布具有較強的轉移惰性,即農業碳排放率的空間格局表現出路徑依賴和鎖定特征,多數省域均未發生顯著的時空躍遷,農業碳排放率空間分布的凝聚很強,空間格局穩定,各省域在短期內難以改變其當前的農業碳排放率分布狀況。

表3 Local Moran′s I時空躍遷矩陣

HH: High-High，LH: Low-High，LL: Low-Low，HL: (High-LowSF：時空流動；SC：時空凝聚

3 中國農業碳排放率影響因素分析

3.1 模型對比與參數檢驗

綜上可得,中國農業碳排放率空間分布呈顯著的空間正相關特征,表明以普通線性回歸最小二乘法對中國農業碳排放率驅動因素進行分析,得到的結果有可能存在偏差。為了驗證此結論,本文選取農業經濟發展水平、農村居民收入情況、種植結構、耕地面積構成情況和耕地規模5個因素為自變量,農業碳排放率為因變量構建OLS模型和GWR模型進行對比(表4),可知GWR模型調整后的擬合優度(R2Adjusted)為0.669,大于OLS模型調整后的擬合優度(0.655),且局部回歸模型的標準化殘差值的范圍在[-1.95,1.81],各省域的局部回歸模型均能通過殘差檢驗。進一步對殘差進行空間自相關性檢驗,得到Moran′sI=0.048,P=0.298,殘差的空間分布呈現隨機分布狀態,說明整個GWR模型能較好地解釋各變量對農業碳排放率的影響,基于GWR模型得到的結論更合理。

表4 OLS模型和GWR模型參數估計及檢驗結果對比

3.2 各變量對農業碳排放率空間格局影響的演化特征

(1)農業經濟發展水平對農業碳排放率空間格局影響演化特征。農業經濟發展水平對農業碳排放率空間格局影響較大且空間差異明顯,從回歸結果看,農業經濟發展水平的提高對提升地區農業碳排放率有顯著的正向促進作用,且農業經濟發展水平的影響程度由南向北逐步遞減。東北三省農業經濟發展已取得長足進步,隨著新疆綠洲農業的發展和農業現代化進程持續推進,傳統高碳排放生產方式逐漸被取代,導致東北三省和新疆農業碳排放率受農村經濟發展水平的回歸系數小,農業經濟水平的改善對農業碳排放率的提升帶動作用較小;以西南地區、南部沿海和中部地區的湖南為代表的南部地區受到的影響則較大,這些地區處于傳統農業向現代農業、粗放型農業向集約型農業轉變的過渡轉型期,農業經濟發展對化肥、農藥依賴性強,導致回歸系數較大,對農業碳排放率提升的作用較大。

(2)農村居民收入狀況對農業碳排放率空間格局影響演化特征。農村居民收入狀況與農業碳排放率影響最大且呈正相關關系。從回歸系數的空間分布看,農村居民收入狀況與農業碳排放率的回歸系數從東向西形成帶狀分布格局,即基本呈現以東南部地區為核心,向西北部地區依次遞增。具體來看,以新疆、青海和西藏為代表的中國西部地區各省份受影響相對較大,以上海、浙江和福建為代表的東部沿海省份受農村居民收入狀況的影響較小。農村居民收入狀況在一定程度上反映了農村發展水平,東部沿海地區農村經濟優勢明顯,農村居民收入水平高,為促進農業發展的低碳化、綠色化和集約化提供了經濟基礎;而廣大西部落后地區農村居民可支配收入水平整體較低,相較于東部地區農業現代化和集約化發展的經濟基礎較薄弱,農業的粗放型和規模化經營必然依賴大量農用物資投入,導致回歸農村居民收入狀況對農業碳排放率的影響較大。

圖4 GWR模型標準化殘差和回歸系數空間分布Fig.4 Spatial distribution of the standardized errors and regression coefficients in the GWR model

(3)種植結構對農業碳排放率空間格局影響演化特征。種植結構與農業碳排放率的回歸系數為正,較其他影響因素的回歸系數小，且呈現自東向西逐步遞增態勢,在空間分布上表現出“兩低值區、一高值區”的態勢,兩低值區集中在東北三省和以上海市、江蘇省、浙江省和福建省為核心的東部沿海省域;一高值區集中在西南地區的云南、四川、西藏和西北地區的青海。與廣大西部地區相比,東部沿海地區經濟作物和漁業在農業種植結構中占比較大,農業碳排放量較小,而農業生產總值較農業碳排放增長快,導致種植結構對農業碳排放率的影響處于低位態勢,而廣大西部地區的種植結構以種植業與畜牧業為主,而種植業與畜牧業是主要的農業碳排放源,在農藥、化肥和農膜等農業生產物資大量投入和養殖規模不斷擴大的情況下,導致這些地區種植結構對農業碳排放率的回歸系數處于高位水平。

(4)耕地面積構成狀況對農業碳排放率空間格局影響演化特征。耕地面積構成狀況對農業碳排放率空間格局影響程度僅次于農村居民收入狀況且呈現正相關關系,從回歸系數的空間分布來看,新疆、西藏、云南和海南等西部地區和南部沿海耕地面積構成狀況對農業碳排放率影響較小,中部地區其次,東部沿海地區受到的影響較大,其中東北三省受耕地面積構成狀況的正向作用最強,整體表現出由東北向西南逐步遞減態勢。當前我國基本形成了以“旱地為主水田為輔水澆地次之”的耕地面積格局,由于種植作物的特殊性與單一性,水田經濟效益較高,旱地或水澆地較之會導致更多的碳排放,因而旱地面積越大,農業碳排放率越低。東北平原、華北平原、長江中下游平原地區多屬季風氣候,降水充沛,水田農業較為發達,對農業碳排放率的提升作用明顯;而廣大西部地區旱地與水澆地面積之和占總耕地面積的比重較大,會導致更多的碳排放,在農業碳排放增加而農業經濟水平較低的情況下,對于提升農業碳排放率的作用較小。

(5)耕地規模對農業碳排放率空間格局影響演化特征。耕地規模對農業碳排放率的回歸系數為負,表明耕地規模對農業碳排放率起抑制作用。從回歸系數空間分布上看,回歸系數表現為沿東北西南走向的由東南向西北遞增的態勢,回歸系數低值區主要分布在上海、浙江、福建、廣東、廣西、海南、湖南和江西等省域,高值區主要分布在新疆,其余地區基本上從南向北受耕地規模的影響程度依次增強。東南沿海作為我國城鎮化與工業化的前沿陣地,隨著城鎮化與工業化的快速推進,一方面農村人口數量呈現減少趨勢,同時大量耕地被占用導致全國耕地面積逐年萎縮,農村人均耕地規模總體呈現弱下降趨勢,因此耕地規模對農業碳排放率的負向作用最明顯,而以新疆為代表的中國西北地區各省份和東北的黑龍江、吉林因耕地規模較大,城鎮化與工業化進程較東南沿海慢,耕地規模對農業碳排放率的負向作用較小。

4 結論與討論

4.1 結論

(1)1997—2016年中國農業碳排放率具有顯著的空間正相關關系和空間集聚特征。即具有較高農業碳排放率的省域單元之間傾向于相互臨近集聚,具有較低農業碳排放率的省域單元之間傾向于相互臨近集聚;從農業碳排放率全局Moran′sI指數的演變態勢看,農業碳排放率的空間趨同性不斷減弱,農業碳排放率空間差異逐漸擴大。

(2)研究期內中國農業碳排放率的局部空間結構和局部空間依賴演化過程有較強的穩定性。具體表現在：1997—2006年和2007—2016年農業碳排放率LISA時間路徑相對長度處于低相對長度和較低相對長度的省域分別有21和20個,占比67.74%和64.52%;同期LISA時間路徑彎曲度處于低相對彎曲度和較低相對彎曲度的省域分別有20和23個,占比64.52%和74.19%,表明中國農業碳排放率的局部空間結構和空間依賴過程穩定性較強。

(3)中國農業碳排放率空間格局變化的空間整合性呈減弱趨勢,由協同增長主導型向協同與競爭并存的格局轉變。具體表現在：1997—2006年天津、上海、安徽、浙江、福建、江西、湖南、廣東、廣西、云南、西藏、海南、黑龍江、吉林、遼寧、內蒙古、河北、山東、河南、山西、陜西、寧夏、甘肅和重慶24個省域屬于協同增長型。而2007—2016年協同增長省域下降為13個,分別為山東、湖北、山西、陜西、甘肅、四川、黑龍江、吉林、遼寧、北京、天津、西藏、青海。

(4)中國農業碳排放率的空間格局表現出路徑依賴和鎖定特征。主要表現在1997—2006年農業碳排放率Moran′sI散點保持同一象限內的概率達96.8%,2007—2016年為96.4%,即兩個時段內Moran′sI散點圖的空間穩定性(時空凝聚)分別為0.968和0.964,表明中國農業碳排放率的局部空間關聯模式存在較強的穩定性,省域要改變自身的農業碳排放率類型非常困難,即具有一定的路徑依賴或空間鎖定特征。

(5)多個變量表明GWR模型擬合優度高于OLS模型,各變量對農業碳排放率影響的非均衡聯動局域性和空間異質性特征顯著。農村經濟發展水平對農業碳排放率的影響程度從南向北依次遞減;居民收入狀況和種植結構的回歸系數分布趨勢從東向西依次遞增;耕地面積構成狀況對東北地區農業碳排放率提升的促進作用高于中西部地區;耕地規模對農業碳排放率具有負向作用,回歸系數從東南向西北依次遞增。

4.2 討論

(1)農業碳排放率由于不同地區之間的農業生產物資投入、農業經濟發展狀況等的不同而存在差異。根據地理學第一定律,地理事物或現象在空間分布上都是有聯系的,且鄰近事物或現象之間的聯系程度隨距離的增加而減弱。空間自相關能夠表示某地區的地理位置不僅影響其自身的農業碳排放率,同時也會影響其鄰域的農業碳排放率。在這種情況下,以農業碳排放率為切入點,從地理學視角考察中國農業碳排放的空間格局具有一定的意義。從研究結果來看,中國農業碳排放率具有明顯空間正相關關系,但其空間集聚程度漸次減弱,可能與我國區域農業發展條件和農業產出的區域差異擴大化有關。一方面隨著城市化和工業化的快速推進,耕地“非農化”和農業生產“非糧化”現象愈加顯著,對農業生產構成嚴重威脅,同時農業生產的低碳化、綠色化和現代化轉型亟需革新農業生產技術,降低農藥、化肥和農膜等生產物資的投入。在眾多因素的作用下,導致中國農業碳排放率的空間差異逐漸擴大。農業碳排放率的空間聚集程度具有一定波動性,在一定程度上表明中國各省域農業物資投入、農業經濟產出乃至農業政策具有一定波動性。

(2)LISA時間路徑幾何特征表明,中國農業碳排放率的局部空間結構和局部空間依賴演化過程有較強的穩定性。因此要根據各省域農業碳排放率的實際情況因地制宜地制定和實施差異化的農業碳減排政策。對于農業碳排放率較低省域,要打破農業碳排放率局部空間結構和局部空間依賴演化過程的穩定過程,使其向高農業碳排放率轉變。這些省域一方面要以農業產業結構優化為核心,科學規劃農業產業布局,探索現代農業發展新模式,同時要加大農業科技研發和推廣力度,促使農業發展由要素投資驅動轉向技術創新驅動,保證農業產出的提高,另一方面要重視加快農業領域低碳科技創新步伐,適當減少農藥、化肥和農膜等農用物資的使用量,增施有機肥,推廣種植綠肥作物,因地制宜地發展農業產值高的低碳農業、生態農業,以降低農業發展進程中碳排放的增長速度和碳排放強度,提高農業碳排放率。而對于農業碳排放率高省域,要保持農業碳排放率的局部空間結構和局部空間依賴演化過程的穩定性,盡可能的向更高農業碳排放率方向轉變。這些省域要利用自身經濟優勢,在保持高排放率的基礎上繼續優化農業生產資料配置,提高農用物資的利用率,進一步減少傳統農業的比重,大力發展農業產值高的休閑農業、生態農業和都市農業等,以提高農業生產的多功能性,使其向碳排更少的方向發展。