中國農業凈碳匯時空分異與影響因素演進分析

貫 君,張少鵬,任 月,盛春光 (東北林業大學經濟管理學院,黑龍江 哈爾濱 150040)

全球氣候變化已成為當今國際社會普遍關注的嚴峻問題.化石燃料燃燒和土地利用等人類活動導致了全球變暖,地表溫度較工業化前升高1.1℃,全球溫室氣體排放量持續增加,而減排力度遠遠不足[1].我國于2020 年宣布力爭在2030 年前實現碳達峰、2060 年前實現碳中和.增加碳匯和減少碳排是實現“雙碳”目標的關鍵所在,而農業兼具碳源和碳匯雙重屬性,可以通過農作物和土壤微生物吸收大氣中的溫室氣體,是唯一可以在短期內產生凈碳匯的國民經濟部門[2《].“十四五”全國農業綠色發展規劃》也明確提出提高資源利用水平、增強減排固碳能力等目標.通過改善生產技術和種植模式等途徑,農業碳匯可實現年均增長4‰,有望在2035 年扭轉全球氣候變暖趨勢[3].因此,在“雙碳”目標下探明農業凈碳匯的時空格局及關鍵影響因素,對推動農業綠色低碳發展、釋放農業增匯減排潛力具有重要意義.

目前,農業碳匯碳源領域的研究集中在凈碳匯測算[4]、時空格局演變[5-7]、空間溢出效應檢驗[8-9]和影響因素分解[10-12]等方面;研究尺度由區域內部分異向區域間差異轉變,涵蓋國家[13-14]、區域[15-16]、省域[5,8]、市域[17]以及縣域[6]等;研究行業涉及種植業[12]、海水養殖業[18]等.采取不同測度指標、方法獲得的農業凈碳匯核算結果差異較大,尚未形成一致結論,但學者普遍認為近幾十年中國農業凈碳匯量呈波動式增長[6],并存在顯著的空間非均衡性[7,10].不同空間尺度下整體格局大致相近,省域呈由東向西逐次遞減的分布格局[19],且具有顯著的空間集聚和溢出效應[8-9];縣域呈東南正碳匯、西北負碳匯的空間分異和集聚效應,并存在高值區域增多的改善趨勢[6].不同行業凈碳匯在空間格局和演變趨勢上存在較大差異[20-21],中國海水養殖凈碳匯量呈持續增長態勢,但省際間差異較大[18],而種植業凈碳匯量具有先增后減的倒“U”型特征[16],并呈現明顯的“馬太效應”[20].影響因素方面,學者們對保護性耕作能夠直接影響農業凈碳匯已基本達成共識[10,22],也有學者指出耕作措施[23]、稻草還田[24]等生產方式對凈碳匯也具有較大影響.此外,學者普遍認為經濟增長是影響農業凈碳匯的主要因素,但在影響方式上結論并不一致.一種觀點認為經濟發展帶來技術進步,使投入的農業生產物資質量提升,促進凈碳匯增加,尤其在凈碳匯水平較低時尤為顯著[12],另一種觀點則認為經濟增長會導致消費增加,可能造成土地利用結構改變,影響林地草地面積,使農業凈碳匯減少[9].也有研究指出農業機械化可通過跨區域作業克服土地產權不穩定、土地細碎化等限制,有助于實現農業規模化生產,降低碳排放強度[10,25].與此同時,鄰近省域的農業內部結構、科技發展水平、工業化程度也有利于發揮農業碳匯效應[9],而城鎮化和經濟發展水平則表現出顯著的抑制作用[9].除此之外,農業固碳效應的發揮還與勞動力教育水平[9,26]、財政支出[12,27]、農業保險政策[28]等因素有關.

以上成果為農業凈碳匯研究奠定了良好基礎,但仍存在一些不足:一是目前針對農業凈碳匯的測度研究在廣度和精度上仍存在欠缺,部分研究未能準確區分“碳”與“二氧化碳”,對溫室氣體排放量存在一定程度的低估,導致對凈碳匯的核算存在較大誤差;二是對中國省域農業凈碳匯現狀及特征把握不足,對農業凈碳匯背后的影響因素缺乏系統且深入的剖析;三是受研究方法所限,傳統計量研究得出的影響路徑多以線性響應為主,而農業凈碳匯與其影響因素之間是否存在非線性響應關系值得探索.針對上述不足,本文從農業物資利用、水稻種植、牲畜養殖、農地翻耕四方面估算溫室氣體排放總量,在此基礎上測度并分析2002～2021 年中國31 個省份農業凈碳匯總量和強度的時空演變趨勢,并采用隨機森林模型精準識別省域農業凈碳匯的關鍵影響因素及時序演進趨勢,探討關鍵影響因素與凈碳匯之間的非線性響應關系,以期為制定農業減排固碳政策和“雙碳”目標實現提供科學參考.

1 研究方法與數據來源

1.1 研究方法

1.1.1 農業碳排放的測算 本研究基于大農業范疇考察農業生產過程產生的碳排放.其中,生產要素投入著眼于其終端消費量,而對生產對象則考察其全生命周期.綜合多位學者研究[4,8-9],并考慮數據可獲得性和連續性,從四方面測算農業碳排放:一是農業物資利用引起的碳排放.一方面考察農用機械耕作過程中化石燃料使用產生的碳排放,以及作物灌溉過程中將灌溉水提升消耗的電能引起的碳排放,測算方法和排放系數參考陳羅燁等[6]和李波等[11]的研究(表1);另一方面考察農用物資投入引起的碳排放,主要指化肥、農藥、農膜在自身產品形成和后續使用中釋放的碳,排放系數及其來源參考陳羅燁等[6]、田云等[4]的研究(見表1).二是水稻種植引起的碳排放.稻田是溫室氣體CH4的重要排放源,由于各地區水熱條件差異極大,種植時間與生長周期不盡相同,碳排放水平也存在差異.為減少測算誤差,利用兼顧周期與地區差異的CH4排放系數分別測算早稻、中稻、晚稻稻田CH4排放量來估算碳排放,排放系數參考閔繼勝等[29]的研究.三是牲畜養殖引起的碳排放.主要考慮牲畜飼養過程中腸道發酵產生的CH4,以及牲畜糞便所引起CH4和N2O 排放,排放系數主要參考IPCC[30]和胡向東等[31]的研究(表2).四是農地翻耕引起的碳排放.農作物種植過程中對土壤表層的破壞會導致土壤中有機碳流失并釋放到大氣中,本文著重考察我國主要農作物的土壤N2O排放量,包括稻谷、小麥(春小麥和冬小麥)、大豆、玉米、蔬菜及其他旱地作物,排放系數參考田云等[4].農業碳排放量計算公式為:

表1 農業物資利用碳源碳排放系數Table 1 Carbon emission coefficients of agricultural material utilization

表2 主要牲畜品種碳排放系數[kg C/(頭·a)][30-31]Table 2 Carbon emission coefficients of major livestock species [kg C/(head·a)] [30-31]

式中:E和Ei分別表示農業碳排放總量和各類碳源產生的碳排放量;Ti表示某種碳源消耗的絕對量;δi表示某種碳源的碳排放系數;i表示碳源種類.為便于碳排放量的比較和加總,本文將溫室氣體排放量統一置換為標準C.借鑒IPCC 第四次評估報告計算溫室氣體碳排效應的方法,1t CH4和N2O 產生的溫室效應分別相當于 25t CO2(6.8182t C)和 298t CO2(81.2727t C).

1.1.2 農業碳匯的測算 農業碳匯廣義上包含森林碳匯、草地碳匯、耕地碳匯、土壤碳匯等.本文借鑒陳羅燁等[6]的定義,將農業碳匯界定為農作物在生長過程中通過光合作用對大氣碳的固定.參考李克讓[32]的研究,根據不同作物經濟系數和碳吸收率估算農作物生育期內的碳吸收量,計算公式為:

式中:C表示農作物碳吸收總量;Cj表示某種農作物碳吸收率,即合成單位有機質(干重)所吸收的碳量;Dj、Yj和Hj分別表示某種農作物的生物產量、經濟產量和經濟系數;rj表示農作物經濟產品部分的含水量;j表示農作物種類.本研究所選取的主要農作物種類、經濟系數、碳吸收率和含水量如表3 所示[4,33].

表3 主要農作物經濟系數、碳吸收率和含水量Table 3 Economic coefficients, carbon absorption rates, and moisture content of major crops

1.1.3 農業凈碳匯的測算 凈碳匯能夠綜合反應碳排放與碳吸收之間的平衡關系,也是表征區域減排增效的重要指標.農業凈碳匯是指農業生產中對二氧化碳的凈吸收量,即農業碳匯和碳排放的差值;凈碳匯強度是指單位生產總值的凈碳匯量,本文采用農業凈碳匯量與農業生產總值比值來表示.農業凈碳匯量I的計算公式為:

式中:I為某地區農業凈碳匯量.當I>0 時表示碳匯量大于碳排放量,即碳盈;當I<0 時表示碳匯量小于碳排放量,即碳虧;當I=0 時為碳匯量與碳排放量相等,即碳中和.

1.1.4 隨機森林模型 隨機森林模型是Breiman 提出的基于決策樹的機器學習算法[35].該模型的基本思想是在輸入數據集的隨機樣本和特征子集上構建多個決策樹,通過隨機數據抽樣和特征抽樣的方式將決策樹的結果進行組合來預測輸出變量.相較于其他機器學習算法,隨機森林模型不需要假定數據遵循特定概率分布或數據產生于特定模型,具有可解釋性強、對數據異常值和噪聲容忍度高等優點,并能有效回避變量共線性現象和過擬合問題[36].本研究采用R 語言構建隨機森林模型,定量測度解釋變量相對重要性,識別影響農業凈碳匯量的關鍵因素,以探明關鍵因素與農業凈碳匯之間的復雜響應關系.

本研究進行隨機森林模型分析時,以農業凈碳匯量(NCS)作為模型輸出變量,其測算方法如上文所述;參考佘宗昀等[28]、魏夢升等[37]的研究,從經濟、技術、規模、社會等方面選取以下指標作為模型輸入變量:秸稈還田(JXJG)和免耕播種(JXMG),分別以機械化秸稈還田面積和機械化免耕播種面積測度,反映保護性耕作水平;農業勞動力受教育程度(EDU)采用教育年限法測算人均受教育年限[37];農田灌溉條件(IRRI),使用農田有效灌溉面積來衡量;農業受災率(AD),以農業受災面積占農作物總播種面積比重反映農業風險水平;農業勞動力數量(AL),以第一產業從業人數衡量人力資源投入量;城鎮化率(UR),以城鎮人口占總人口比重表示城鎮化水平;產業結構(INS),以第一產業產值占GDP 比重反映第一產業的貢獻度;機械化水平(AM),以農業機械總動力與農作物播種面積比值測度農業機械化程度;糧食單產(PY),以糧食總產量與糧食播種面積比值表示;農業經營規模(AS),以糧食播種面積占農作物總播種面積比重表示;農業經濟發展(AE),以農林牧漁總產值與農村地區總人口的比值衡量;地區經濟發展(PGDP),以人均地區生產總值衡量;農業技術進步(EC),采用SBM 模型Malmquist-Luenberger 指數測算,以種植業總產值、農業碳匯量作為期望產出,農業碳排放作為非期望產出,兩者共同作為產出指標,選取農業勞動力投入(第一產業從業人數)、土地投入(農作物總播種面積)、機械投入(農業機械總動力)、化肥投入(化肥折純量)和灌溉投入(有效灌溉面積)為投入指標.

1.2 數據來源

基于數據可獲得性與口徑一致性,選取中國31個省(市、自治區)2002～2021 年連續面板觀測數據作為樣本,研究未涉及港澳臺.所有數據均來自歷年《中國農村統計年鑒》、《中國農業機械工業年鑒》、《中國統計年鑒》、地方統計年鑒和國家統計局網站整理計算獲得,部分缺失數據采用平滑法予以補齊,涉及價格因素的相關指標均以2002 年為基期進行平減處理.各變量的描述性統計如表4 所示.

表4 變量描述性統計Table 4 Descriptive statistics of variables

2 結果與討論

2.1 農業凈碳匯時空特征

2.1.1 農業凈碳匯時序特征分析 根據上文所述測算方法,對2002～2021 年中國農業碳排放量和碳匯量進行逐年測算,并以此為基礎計算農業凈碳匯量以及碳匯與碳排放的比值,結果如圖1 所示.

圖1 2002～2021 年農業凈碳匯總量與結構變化Fig.1 Total and structural changes in agricultural net carbon sequestration from 2002 to 2021

圖1 顯示,考察期內我國農業凈碳匯量基本呈現上升態勢,但增速逐漸放緩,由2002 年的22965.13萬t C增至2021年的49992.53萬t C,增幅達117.69%,年均遞增5.88%.碳排放量由2002 年的27896.07 萬t C 降至2021 年的27495.88 萬t C,減排1.43%,年均遞減0.07%;碳匯量由2002 年的50861.20 萬t C 增至2021 年的77488.40 萬t C,增匯52.35%,年均遞增2.62%;碳匯/碳排放在1.71～2.82 之間波動,說明每年農業活動產生的碳匯超過其碳排放2 倍以上.考察期內我國農業碳排放已基本達到峰值且較為穩定,得益于農業碳匯量的持續增長,農業凈碳匯量大幅增加,說明我國農業減排增匯取得了一定成效.

由圖2 可見,考察期內我國農業碳排放總量雖小幅下降但伴隨一定波動,大致呈現“下降-上升-下降”的三階段變化過程.2002～2011 年為第一階段,盡管2003、2004 年有所增長,但從2005 年起逐年下降,2011 年較2002 年減少1044.92 萬t.該階段內牲畜養殖和物資利用產生的碳排放占比超過三分之二.2012～2013 年為第二階段,碳排放量在2013 年達到峰值29878.80 萬t,2a 增長了11.28%.盡管能源利用和農業物資投入在這一階段有所減少,但牲畜養殖的迅速增加導致碳排放總量仍然大幅增長.2014～2021 年為第三階段,碳排放量持續下降,相比2013 年減少了7.98%.該階段碳減排成效主要歸功于能源與物資利用效率的不斷提升以及大型牲畜養殖規模的縮減與結構優化.

圖2 2002～2021 年農業碳排放結構變化Fig.2 Structural changes in agricultural carbon emissions from 2002 to 2021

圖3 顯示,考察期內我國農業碳匯整體呈現明顯的逐年上升趨勢.從內部構成來看,玉米、稻谷和小麥的碳匯量約占碳匯總量的三分之二,而蔬菜、油菜籽、花生、甜菜等經濟作物的占比較小.不難發現,糧食作物產量的持續增加是碳匯不斷增長的主要原因.從2004 年起,惠農型中央“一號文件”的連續頒布帶動了種植產業的迅速復蘇,我國糧食總產量持續增長,屢創新高,農業固碳效果顯著.從2004～2021年,中央連續18a 不間斷發布惠農型一號文件,促進了種植業的快速復蘇,糧食產量穩步增長,農業固碳量持續提升.

圖3 2002～2021 年農業碳匯結構變化Fig.3 Structural changes in agricultural carbon sequestration from 2002 to 2021

為考察各省份農業凈碳匯變化趨勢,繪制2002～2021 年凈碳匯總量和強度熱力圖表征變化偏向(圖4).從凈碳匯量變化來看,黑龍江、內蒙古、河南、山東凈碳匯增加量超過2000萬t C.黑龍江省作為我國重要糧食生產基地和碳匯大省,在推動現代化、高效化的農業生產中,通過實施現代農業示范區建設、綠色種植技術推廣等多項政策措施,20a 間凈碳匯增長了4813.04 萬t C,約相當于2002 年全國凈碳匯總量的五分之一,是增加量最高的省份.而增速最快的省份為內蒙古和甘肅,增幅約30 倍和12 倍.凈碳匯量下降的省份只有浙江、福建、海南、上海、北京5個省份,其中上海、北京、海南降幅超過1 倍.總體而言,盡管凈碳匯量一直處于調整之中,但各省份農業生產已基本實現碳中和目標,并逐漸從低碳盈向高碳盈余轉型,為我國實現碳達峰碳中和目標奠定了堅實基礎.但從凈碳匯強度來看,僅西藏、青海、內蒙古、新疆、甘肅、天津、吉林的凈碳匯強度有所提升,而其他省份均呈下降趨勢,盡管大部分省份凈碳匯量有所增加,但并未跟上農業生產總值的增長速度,使得凈碳匯強度下降.整體來看,中國大部分省份在過去20a 間農業綠色生產態勢愈加明顯,逐步走向偏向高碳盈的發展道路.

圖4 2002～2021 年省域農業凈碳匯總量與強度變化Fig.4 Total and intensity changes in provincial agricultural net carbon sequestration from 2002 to 2021

2.1.2 農業凈碳匯空間格局分析 根據測算結果,2002～2021 年各省農業凈碳匯年均值約為1200萬t C,最大值和最小值約為7000萬t C 和-400萬t C.參考薛彩霞等[5]的研究,本文將凈碳匯量小于-100萬 t C 的省份視為碳虧損區,將凈碳匯量位于-100～100 萬 t C 的省份視為碳中和區,將位于100～1200 萬t C 的省份視為低碳盈余區,將超過1200萬t C 的省份視為高碳盈余區;將凈碳匯強度低于0、0～0.5、0.5～1.5 以及高于1.5t C/萬元的省份分別視為微、低、中、高凈碳匯強度地區.基于以上劃分標準,分別繪制2002 年和2021 年省域農業凈碳匯總量和強度空間分布圖(圖5).

圖5 農業凈碳匯總量和強度空間分布(2002 和2021 年)Fig.5 Spatial distribution of total volume and intensity in agricultural net carbon sequestration in 2002 and 2021

整體而言,我國農業凈碳匯總量空間分布呈現由東向西遞減的分布格局(圖5(a)和5(b)).高值地區主要集中于我國東部地區,尤以東北地區、中部地區、環渤海地區省份為主,這些地區大多為我國糧食主產區.2008 年原農業部在糧食主產區開展農機化示范區建設,糧食生產機械化成效顯著,該結果也反映出我國推行的一系列綠色農業技術和政策已初顯成效,糧食增產與減排固碳并不沖突.從分布變化來看,與2002 年相比,2021 年的凈碳匯空間分布仍以碳虧損區、碳中和區、低碳盈余區和高碳盈余區4 個類型為主.其中,高碳盈余區省份由2002 年的9 個增至2021 年的14 個,碳虧損區由新疆、西藏、青海3 個省份變為西藏和青海2 個省份.可以明顯看出,中國農業凈碳匯總量空間分布格局發生了顯著變化,整體分布由低碳盈區為主轉為高碳盈區為主,高碳盈區呈現少數集聚轉為大范圍集聚的擴大趨勢.具體而言,除福建從低碳盈余區降為碳中和區外,其他地區均呈現向好趨勢.新疆從碳虧損區升至低碳盈余區,新疆自20 世紀80 年代引入免耕播種技術,并不斷完善農田灌溉條件、農業旱作技術研究與推廣、鼓勵有機農業生產等生產實踐舉措,使生態環境得到較大改善;天津、甘肅、內蒙古從碳中和區升至碳盈余區;湖北、云南、陜西從低碳盈余區升至高碳盈余區.此外,從碳排放和碳匯總量變化情況看,北京、上海、浙江、福建、廣東、海南、西藏和青海的碳匯增長量小于其碳排放減少量,其減排速度不及增匯速度,這主要與當地產業結構調整有關,說明在關注凈碳匯變化同時,也需要結合省份自身經濟發展情況進行分析.

在農業凈碳匯強度空間分布方面(圖5(c)和5(d)),我國凈碳匯強度存在明顯空間集聚和非均衡特征.中、高凈碳匯強度地區主要分布在我國東北、中部和西南地區,而低、微凈碳匯強度主要位于西北與東南地區.從空間分布變化來看,高強度地區由黑龍江、吉林、陜西和廣西變為黑龍江、吉林和內蒙古,微強度地區也由西藏、新疆、青海3 省變為西藏、青海和海南,中、低強度省份變動不大.黑龍江、吉林、內蒙古、新疆等省份凈碳匯強度提升較大的主要原因在于其碳匯強度大幅增加且碳排放強度大幅下降,說明這些省份農業減排固碳取得了較好成效.而陜西、廣西、四川、重慶、湖北、貴州等省份凈碳匯強度下降,這與近年來這些地區的土地利用變化有關.湖北省旱作農業糧食生產持續增長,但大面積使用化學農藥和肥料也引致大量碳排放.而重慶和陜西等省份的城市化率較高,城市建設用地不斷擴張,使得原本建成區周邊的農田逐漸納入城市規劃,導致這些地區的農業碳匯強度下降明顯.此外,近年來洪澇自然災害頻發,土地退化和河道湖庫水質污染等問題嚴重,不僅影響農業生產效率,還造成土壤結構破壞,導致碳匯流失.而廣東、福建、浙江、江西、湖南農業凈碳匯強度一直處于較低水平,這些省份位于我國南部地區,近年來隨著城市化建設和產業園區規劃項目的持續推廣,農業用地不斷減少,對農業技術投入不足導致農業生產力和經濟效益相對落后,難以有效提高農業凈碳匯強度.

進一步地,本文將農業凈碳匯變化趨勢明顯的省份分為四種類型:第一類是長期穩定在高凈碳匯水平的“碳生態友好型”地區,典型省份為河北、黑龍江、吉林、江蘇、安徽、山東、河南、廣西和四川.該類地區在農業生產中普遍具有較強的耕作基礎,以生產糧食作物與經濟作物為主,碳匯量巨大且經濟效益較高,且農業機械化水平和耕地條件較好,能夠較好控制農業要素投入、提高資源利用效率,凈碳匯總量和強度均維持較高狀態,能夠兼顧農業經濟發展和碳生態保護.第二類是凈碳匯水平由低向高轉變的“碳生態改善型”地區,典型省份為新疆、云南、甘肅和寧夏.該類地區并不具備極其優越的自然條件和農耕經驗,但及時遏制和改善了低碳匯發展態勢,扭轉了自身產業結構劣勢.第三類是由高向低轉變的“碳生態惡化型”地區,典型省份為上海和北京.這些地區過于依賴農業能源利用與物資投入,導致凈碳匯量不斷下降,同時受其自身農業產業結構所限,經濟作物種植比重較低,難以獲得高經濟效益,凈碳匯強度持續下降.第四類是長期穩定在碳虧損區的“碳生態持續惡化型”地區,典型省份是西藏和青海.該地區凈碳匯量持續下降,主要原因在于其自然環境惡劣,導致大部分土地不適合大規模糧食生產,相對落后的生產方式與惡劣的氣候環境致使農業生產力水平和經濟收入低下,占據主導地位的畜牧業引發了大量碳排放,故始終處于碳虧損區域.

2.2 農業凈碳匯關鍵影響因素分析

2.2.1 隨機森林模型適用性檢驗 首先,本文對隨機森林模型的適用性進行檢驗.以省域農業凈碳匯作為自變量同時構建多元線性回歸模型和隨機森林模型,并選取通過顯著性檢驗的10 個影響因素進行多元線性回歸,擬合后的公式為:

式中:各系數均為標準化回歸系數;y為農業凈碳匯;x1～x10分別為秸稈還田、免耕播種、受教育程度、灌溉條件、產業結構、機械化水平、糧食單產、經營規模、農業發展水平、地區經濟發展水平.其中,灌溉條件、機械化水平、地區經濟發展水平與農業凈碳匯呈負相關關系,其余均呈正相關.從影響程度來看,秸稈還田、灌溉條件和免耕播種對農業凈碳匯的影響較大,而受教育程度、經營規模、農業發展水平、地區經濟發展水平的影響較小.R2與調整后的R2分別為0.7349 和0.7310,均方根誤差RSME 為0.5187,P<0.0000.

通過R 語言構建隨機森林模型,其中70%的數據集被隨機抽取為訓練集,其余30%數據集為測試集,并通過設定固定隨機值保證結果可復現.參數設置為:mtry(每個節點選取的預測變量個數)=4、ntree(決策樹的數目)=500,其他參數默認.采用IncMSE 和IncNodePurity 兩種方法對解釋變量進行排序,其中 IncMSE 為模型的精度平均減少值,IncNodePurity 為模型節點不純度平均減少值,二者值越大說明變量越重要.由圖6 知,兩種方法排序基本相近,以IncNodePurity 為例按重要性由高到低排序,依次為秸稈還田、灌溉條件、免耕播種、糧食單產、農業經營規模、產業結構、機械化水平、農業經濟發展、受教育程度和地區經濟發展.模型的Var 解釋程度為93.86%,均方根誤差為0.0034.

圖6 2002～2021 年農業凈碳匯關鍵影響因素重要性排序Fig.6 Ranking of the importance of key influencing factors on agricultural net carbon sequestration from 2002 to 2021

比較兩種方法的回歸結果,多元線性標準化回歸系數的排序與隨機森林模型重要性排序趨于一致,但個別因素略有差異.此外,隨機森林模型的擬合精度和優度均較多元線性回歸模型有所提升,能夠更好刻畫農業凈碳匯與解釋變量之間的響應關系.

2.2.2 關鍵影響因素響應關系分析 綜合不同模型分析結果,地區經濟發展水平的影響較小,將其剔除后選取剩余9 個解釋變量作為隨機森林模型的輸入變量,分析其對農業凈碳匯的作用方式,并繪制偏依賴圖展示關鍵影響因素與農業凈碳匯之間的依賴關系(圖7).結果表明,各個影響因素與農業凈碳匯之間存在顯著的非線性關系.

圖7 關鍵影響因素對省域農業凈碳匯量的影響程度Fig.7 Impact magnitude of key influencing factors on provincial agricultural net carbon sequestration

灌溉條件.隨著農田灌溉條件的提升,農業凈碳匯呈“上升-平穩-上升”波動(圖7(a)).當有效灌溉面積在2000～4000khm2左右時,灌溉對凈碳匯的影響趨于穩定,而當有效灌溉面積不足2000khm2或超過4000khm2后影響逐漸增強.已有研究發現不同灌溉模式下水能消耗與農田凈碳匯具有強關聯性[38],微噴灌、滴灌相較于傳統漫灌具有低能耗、低碳排優勢[39].該結果說明優化灌溉條件可以增強土地碳儲存能力,應作為提升凈碳匯的整改重點.

秸稈還田.機械化秸稈還田對農業凈碳匯的正向影響呈波動上升趨勢(圖7(b)),說明目前秸稈機械還田產生了明顯的正外部性效應.其原因可能在于:其一,相比于秸稈露天燃燒,機械還田可以一定程度上減少秸稈燃燒引起的碳排放,且間接減少的化肥投入還可降低N2O 排放[40];其二,秸稈碾碎能促進碳元素分解,增強土壤保水保肥能力和固碳效果,從而促進碳匯增加.張國等[41]指出我國秸稈還田存在碳生態盈余,農田生態系統碳匯功能及其固碳價值還在上升階段,隨著機械化水平提升,秸稈機械還田的碳效應將得以更大發揮.

免耕播種.機械化免耕播種對農業凈碳匯具有顯著的積極影響(圖7(c)),且這種促進作用在免耕播種面積低于500khm2時尤為顯著.使用專用農業機械實現秸稈及殘茬覆蓋地表、少耕或免耕播種可阻止水分揮發,在無需進行機械翻地和除草的情況下實現種子播種,降低對土地碳庫的物理破壞程度,提高土壤固碳能力.該結果說明機械化免耕播種具有明顯的增匯減排優勢,有助于農業凈碳匯提升.

糧食單產.隨著糧食單產提升,農業凈碳匯先波動上升后趨于穩定(圖7(d)).可能的解釋是,我國不同地區在農業生產技術、自然條件、生產要素投入方面差異較大.以黑龍江、山東為代表的糧食主產區已逐漸擺脫依靠要素投入提高糧食單產,而其他地區仍依賴石化類要素投入,因此其碳效應也不盡相同.魯慶堯等[42]研究發現糧食主產區的單產提升能夠降低碳排放,但在非糧食主產區則呈現先上升后抑制的趨勢.該結果表明,只有擺脫對“石油農業”的依賴,才能夠實現增產與固碳雙贏.

農業經營規模.農業經營規模對凈碳匯呈波動的正向影響(圖7(e)),說明農業經營對碳減排具有明顯的規模效應.農地經營規模的變化會使農業和非農地之間發生轉化,而不同類型土地的碳匯、碳源能力存在較大差異,直接影響凈碳匯的變化[43].原因在于農業經營規模的提高通常伴隨著先進的生產技術和管理方式,有助于實現高產、高效、低耗的農業生產,進而通過提高生產效率減少碳排放.該結果說明擴大農業經營規模有利于加快農業現代化進程,使農業產業化、企業化、集約化的水平不斷提升,進而促進凈碳匯量增加.

產業結構.第一產業產值占GDP 比重對農業凈碳匯的影響呈“促進-抑制-促進”的變化趨勢(圖7(f)).當一產占比小于20%時,提高一產比重有助于降低碳排放,一產比重增加通常意味著土地利用和管理方式轉變,進而通過擴大農業生產規模、改善農業技術、合理利用農業廢棄物等途徑實現減排固碳.但農業生產活動本身就是溫室氣體的重要源頭,當占比跨越20%門檻后,植被覆蓋減少和土壤素質減弱等問題導致碳匯量不斷降低,使得凈碳匯量小幅回縮;而隨著占比超過30%,產業結構的結構性降碳效應更為顯著[44].

機械化水平.隨著農業機械化水平的提高,農業凈碳匯持續降低(圖7(g)).該結果表明農業機械化對農業凈碳匯的負面影響不容忽視.已有研究認為農業機械在促進碳減排上效果不佳,主要因為支農技術資金不足導致技術難推廣,以及農業補貼體系混亂導致政策效果欠佳[43].此外,盡管農業機械對人力和畜力產生了替代效應,一定程度上減少了農業碳排放,但也導致對柴油等農業能源消耗劇增,加劇了溫室氣體排放[45].

農業發展水平.農業發展水平對凈碳匯呈較平穩的正向影響(圖7(h)).該結果證明了經濟發展和減排固碳并非兩個對立的命題.一方面,高水平的農業發展有助于維護生態平衡,如通過推廣綠色生產技術可有效地降低資源消耗,采用農業輪作、間作可提高土壤保持力,提升土壤碳匯能力;另一方面,高水平農業發展可促進農村現代化進程,激發農民創造更加高效、低耗的生產方式和農業生產技術,從而實現農業生產低碳化.

受教育程度.受教育程度對農業凈碳匯的影響呈先促進后抑制的趨勢(圖7(i)).受教育程度是影響農戶技術采納行為決策的重要因素,提升農村居民教育水平能夠促進科學化、低碳化農業技術的應用[46];但受教育程度高意味著更容易獲得非農就業機會[10],加劇城鄉人口流動,可能引發農業生產人員流失、生產效率降低等問題,抑制凈碳匯的作用逐漸顯現.

2.2.3 關鍵影響因素演進分析 為進一步探究關鍵影響因素演進規律,分別構建2002～2008 年、2009～2014 年、2015～2021 年3 個時間段分樣本進行隨機森林模型回歸.表5 結果顯示,不同時期內灌溉條件、秸稈還田和免耕播種的重要性相對較高且排名穩定,說明這些因素對于維護農業生態環境和促進農業綠色低碳發展具有重要作用,且不會因技術進步或政策變化發生較大改變.而地區經濟發展水平的重要性始終排列末位,說明農業增匯降碳受地區經濟水平的限制相對較小.

表5 農業凈碳匯影響因素重要性演進Table 5 Evolution of the importance of factors influencing agricultural net carbon sequestration

隨著時間推移,部分因素重要性發生了較大變化.2002～2008 年,灌溉條件是影響地區農業發展的最重要因素,秸稈還田、糧食單產和農業經營規模等因素的重要性也排名靠前,表明該時期高生產率和規模化生產仍是農業凈碳匯的主要影響因素.需要注意的是,長期追求高單產和經營規模可能會導致環境惡化和資源浪費等問題,在實現高效農業生產的同時還需注重生態效益.2009～2014 年,灌溉條件繼續排名第一,而糧食單產、產業結構的排名則有所下降,秸稈還田、免耕播種等因素的重要性逐漸攀升.說明該時期我國農業生產更加注重可持續發展理念,農業政策已開始轉向生態經濟建設和綠色發展.若過度追求糧食產量和產業結構升級,可能在短期內產生較高的經濟效益,但從長期來看不利于農業可持續經營,而可持續農業理念的推廣和應用對提升農業凈碳匯愈發關鍵.2015～2021 年,灌溉條件依舊排列最高,農業機械化水平排名大幅上升,從第六位躍升至第四位,這說明隨著我國農業現代化水平的不斷提高,農業機械化水平的作用變得更加突出.農業機械化的進步可以有效地滿足農業生產需求,支持農業生產的可持續發展和增匯固碳目標實現.

3 建議

3.1 鑒于大部分地區農業減排固碳效果已十分顯著,應重點關注凈碳匯潛力高的碳生態有惡化傾向或持續惡化的地區進行減排固碳,持續推進整體碳排放總量和強度下降,加強不同地區之間的經驗交流與合作,推進農業凈碳匯協同發展,實現優勢互補、資源共享,促進全國農業凈碳匯的長期穩定增長.

3.2 將提升農田灌溉條件、推廣機械化秸稈還田和免耕播種作為提高農業凈碳匯的重點措施.依據地區降水和土壤條件實施科學灌溉,加強灌溉基礎建設和節水灌溉技術推廣,提高灌溉水利用效率.推廣高效集中化收儲模式、創新秸稈能源化及秸稈還田等凈碳匯潛力較高的利用途徑,提高秸稈資源利用率.加快推廣機械化保護性耕作技術,提高保護性耕作機具購置和關鍵環節補貼力度,充分調動農業生產主體積極性.加強農業生產環節的科學管理,適度擴大農地經營規模,進一步優化農業財政補貼結構,向節能環保型農業機械研發領域傾斜資金資助.利用政策和市場機制引導糧食生產向品質轉變,借助現代農業科技促進糧食種植低碳生產,盡快擺脫對“石油農業”的依賴.

3.3 針對空間分布的非均衡性,各地政府應立足本土實際,制定差異化的農業減排固碳政策.對于“碳生態友好型”地區,應進一步優化農作物結構、推廣高效節水灌溉技術、加強土壤養護與肥料管理;對于“碳生態改善型”地區,應注重提高農民種植技能與農業經營規模,打造以生態優勢為基礎的農業新產業;對于“碳生態惡化型”地區,應提高經濟作物種植比重,減少化肥農藥使用,推進農業生產機械化和低碳化;對于“碳生態持續惡化型”地區,應加大生態扶貧力度,優化牲畜飼喂和糞便處理技術,逐步實現碳達峰碳中和.

4 結論

4.1 考察期內,中國農業碳排放量呈“下降-上升-下降”的三階段變化,農業碳匯量逐年增長,農業凈碳匯量從2002 年的2.3 億t C 增至2021 年的5.0 億t C,呈持續增長的碳盈余狀態,但增速逐漸放緩.大部分省份均已實現碳中和,并逐步走向偏向高碳盈的發展道路.

4.2 農業凈碳匯總量分布整體呈現由東向西遞減的分布格局,并存在高值集聚增多、低值集聚減少的向好趨勢,大部分高值省份為我國糧食主產區.農業凈碳匯強度具有明顯的空間集聚和空間非均衡特征,中、高強度地區主要分布在東北、中部和西南地區,而低、微強度主要位于西北與東南地區.

4.3 隨機森林模型具有更高的擬合優度和回歸精度,能夠更好解釋關鍵因素對農業凈碳匯的非線性作用機制.采用隨機森林模型識別出影響農業凈碳匯的前9 個關鍵因素,分別為灌溉條件、機械化秸稈還田、機械化免耕播種、糧食單產、農業經營規模、產業結構、機械化水平、農業發展水平和受教育程度.

4.4 各因素對農業凈碳匯的影響具有復雜的非線性特征,其中受教育程度與凈碳匯之間呈現“倒U型”關系,機械化水平具有顯著的抑制作用,其他因素整體呈現波動的正向影響趨勢,不同時期內灌溉條件、秸稈還田和免耕播種的重要性始終排名靠前.