“雙碳”目標下兵團農業碳排放核算及驅動因素研究

摘要：文章選取新疆生產建設兵團為研究對象，基于農用物資投入、農作物種植、秸稈焚燒以及畜牧養殖四類碳源，運用碳排放系數對兵團2010—2021年農業碳排放總量、強度及結構進行測算并分析其時間及空間特征，然后利用核密度估計法分析兵團農業碳排放總量及強度的動態演進特征，最后運用LMDI模型探究兵團碳排放驅動因素的分解效應。結果表明：一是兵團農業碳排放總量呈上升態勢，但碳排放強度不斷下降，農用物資是主要碳源；二是兵團各師農業碳排放總量及強度存在空間差異性，高碳排放區域主要集中于北疆邊境地區；兵團農業碳排放強度呈現兩極分化狀態；三是勞動力規模、農業生產效率、農業生產結構對兵團農業碳排放均有抑制作用，抑制效應大小依次為農業生產效率gt;農業生產結構gt;勞動力規模。基于此，可從推進農業低碳轉型、加強區域間協作、優化農業產業結構以及技術創新等方面加強農業的減排效應。

關鍵詞：碳排放；驅動因素；核密度估計法；LMDI模型

[基金項目]兵團維穩戍邊智庫一般項目（項目編號：22BTZK03）。

一、引言

溫室效應、大氣污染等環境問題日益突出，綠色低碳發展已成為全球主題。面對全球氣候變化的緊迫性以及國內可持續發展的內在要求，2020年我國提出了“雙碳”目標。根據OECD相關數據顯示，中國農業部門碳排放總量占全國碳排放總量的7%～8%，雖然農業碳排放總體上占比不高，但是“雙碳”目標下低碳農業仍是我國低碳轉型發展的重要組成部分。黨的二十大報告中指出，要加快發展綠色低碳產業，推動綠色低碳的生產方式和生活方式，積極穩妥推進碳達峰碳中和。“雙碳”目標的實現需要農業的深度參與[1]，2023年中央一號文件同樣指出要加強高標準農田建設，推進農業面源污染防治，主要通過減少化肥、農藥及農膜等高污染農業物資的投入與回收，推進畜禽糞污處理設備應用以及秸稈綜合利用，從而推動農業農村減排固碳以發展生態低碳農業。由此可見，農業降碳減排已經成為“雙碳”目標的重要一環，也是我國亟待解決的艱巨性任務。

新疆生產建設兵團（以下簡稱兵團）是我國重要的農業生產基地，根據兵團農業農村局最新數據，2022年，兵團糧食作物單產616公斤，居全國第一，總產量達315.35萬噸，較2021年增加34.47萬噸，增長12.3%，總產增量占全國增量近十分之一，占全疆增量近二分之一。為推進農業經濟綠色轉型，兵團在農業發展方面積極制定了相關政策。2018年兵團第五次行政常務會議審議通過了《兵團關于創新體制機制推進農業綠色發展的實施意見》，提出要從兵團農業發展實際出發，抓好養護修復農業生態系統、發展特色綠色優勢產業、控制農業面源污染等重點任務，讓生態環保成為兵團現代農業發展的底色。此外，兵團農業機械化程度高，農業規模化及產業化經營條件好，因此，兵團推動農業高質量發展有著良好的根基。農業是兵團經濟發展的基礎，作為中國重要的糧倉和畜牧養殖基地，通過對兵團農業碳排放的核算，分析兵團農業碳排放的時間變動、空間差異以及動態演進特征，并進一步探究其驅動因素，為推動兵團農業低碳轉型升級提供參考依據。做好農業節能減排工作，推進農業降碳減排，不僅有助于加快兵團農業綠色高質量發展，而且為全疆農業低碳轉型升級奠定基礎。

二、文獻綜述

農業低碳發展是助力我國“雙碳”目標實現的重要環節，是實現我國農業可持續發展的重要途徑。當前關于我國農業碳排放的研究成果較為豐富，研究方向主要集中于農業碳排放測算[2-6]、影響因素[7-10]以及農業低碳發展路徑[11-12]三個方面。

關于農業碳排放的測算研究。測算方法主要有排放系數法、DEA-Malmquist指數分解法、非參數核密度估計方法以及熵權TOPSIS法，主要對農業碳排放效率變動趨勢，碳排放分布特征以及農業碳排放能力進行測算與分析。如吳賢榮等[2]基于DEA-Malmquist指數分解法對中國31個省份農業碳排放效率變動趨勢進行測度。李娜和石晶[3]運用非參數核密度估計方法測算我國農業碳排放分布的位置、形態、峰值以及延展性等，并通過莫蘭指數分析我國農業碳排放時空演變特征。李銅山和王艷蕊[4]從碳源及碳匯兩個維度選取了九個指標，其中碳源指標構建用以測算碳排放量，并通過熵權TOPSIS法對我國2008—2020年農業碳排放能力進行測算。高晨曦等[5]采用排放因子法對河南省農業碳排放量進行測算。侯宇等[6]利用SBM-Undesirable模型和Malmquist-Lu-enberger生產率指數從靜態和動態兩個方面測度了糧食主產區農業碳排放效率。

關于農業碳排放影響因素研究。夏四友等[7]基于時空關聯角度，利用GWR模型構建了農業碳排放率驅動因素空間差異回歸模型，得出了不同因素對農業碳排放影響存在差異性。顏光耀等[8]基于空間溢出效應與門檻效應分析農業技術效率對農業碳排放的影響，結果表明農業技術效率與農業碳排放強度存在雙門檻效應， 當農業技術效率達到“拐點”后， 影響轉為負向，進一步提升農業技術效率負向影響會不斷減弱。薛選登等[9]構建了向量自回歸模型，利用脈沖響應函數和方差分解法研究農業經濟水平、城鎮化和農業碳排放三者間的動態響應機制，實證結果顯示農業經濟水平呈現正向影響，城鎮化呈現負向影響。方苗等[10]則運用LMDI模型對農業碳排放影響因素進行分解，結果表明農業勞動力規模、農業生產效率和農業生產結構對農業碳排放起抑制作用，而經濟發展水平則起推動作用。

關于農業碳減排路徑及機制研究。蔡育蓉和王立剛[11]探討了北方農業生態系統碳減排路徑。鄧路等[12]基于機器學習算法對新疆農業碳排放評估及驅動因素進行分析，得出通過加大農業規模化程度、耕地規模， 提高農村經濟發展水平和農業電氣化程度路徑兼顧提升農業產值和農業碳排放效率。

綜上所述，相關研究已取得了部分顯著成果，但是當前農業碳排放在研究對象以及研究內容上仍有一定的拓展空間，具體而言：（1）在研究對象上，當前有關碳排放的研究大多集中在省域范圍，特別是對山東以及河南等農業大省的相關研究較為集中，對新疆地區特別是兵團農業碳排放的研究較少。兵團作為中國的重要糧倉以及畜牧養殖基地，對其農業碳排放進行研究是有必要的。（2）在研究內容上，當前相關的研究主要對化肥、農藥、農膜、翻耕以及柴油等六大碳源的碳排放進行核算，缺乏更加全面的具有地域針對性的測算體系。基于此，本文的邊際貢獻可能在于：（1）將兵團農業作為研究對象，對其農業碳排放總量、強度進行測算和分析。（2）將農業碳排放核算體系分為農用物資投入、土壤農作物種植、秸稈焚燒以及畜牧養殖四個方面，并根據兵團實際種植以及畜牧養殖情況進行碳排放核算。（3）對兵團農業碳排放驅動因素進行實證分析，以期為兵團實現區域農業降碳減排相關政策的制定提供科學的理論依據。

三、研究方法、指標選取及數據處理

（一）農業碳排放核算方法

1.種植業碳排放。本研究中種植業碳排放包括三大類：一是農用物資投入，基于已有研究，農用物資的投入所產生的二氧化碳主要來源于農業生產過程中農藥、化肥以及農膜的使用，農業機械作業排放、農業灌溉及土地翻耕流失的土壤有機碳[10，13-14]，基于此，本文選取化肥、農藥、柴油、薄膜、翻耕、灌溉作為農用物資碳源進行測算。二是土壤農作物種植，在作物的生長過程中土壤中的N2O會排放到大氣中，并且在水田生態系統中，水稻根部厭氧呼吸較強，會排放出較多的CH4。三是秸稈焚燒，仍有部分地區通過焚燒的方式處理農作物秸稈，燃燒過程中會產生大量的碳進而對環境造成極大的影響。

由于秸稈量并沒有精確的數據統計，本文采用草谷比法對秸稈量進行計算，秸稈燃燒量（消耗量）計算公式如下：

[T秸稈=Yi*Gi*R]" " " " " " " " " " " " " " " " " " " " " （1）

式（1）中[T秸稈]為秸稈的燃燒量（消耗量），[Yi]為第[i]種農作物的經濟產量，[Gi]為第[i]種農作物的草谷比。根據國家發展和改革委員會發布的相應數據，玉米的草谷比為1.52，水稻以及小麥的草谷比為1.23，棉花的草谷比為3.67，薯類的草谷比為1.22，[R]為秸稈焚燒系數，結合第一次全國污染源普查結果，新疆地區農作物秸稈田間焚燒或棄之不用的占比為3.22%，因此本文秸稈焚燒系數[R]=0.0322。

種植業碳排放總量計算公式如下：

[Cp=Ci=Ti*δi]" " " " " " " " " " " " " " " " " " " （2）

式（2）中，[Cp]為農業碳排放總量，[Ci]為第[i]類碳源碳排放量，[Ti]為第[i]類碳源的消耗量，[δi]為第[i]類碳源的碳排放系數，各類碳源的碳排放系數[5，9，12，15]如表1所示。

1.畜牧養殖碳排放。畜牧業碳排放主要來源于反芻動物在養殖過程中腸道發酵及糞便管理過程中產生的溫室氣體。根據兵團畜牧養殖業發展情況，本研究主要考慮牛、豬、羊、馬、驢、駱駝、家禽及兔的養殖過程中所產生的碳排放，按照1噸CH4=6.82噸碳，1噸N2O=81.27噸碳進行轉換。

畜牧業碳排放總量計算公式如下：

[Cy=Cj=Tj*δj]" " " " " " " " " " " " " " " " " " " （3）

式（3）中，[Cy]為畜牧業碳排放總量，[Cj]為第[j]種動物的碳排放量，[Tj]為第[j]種動物的年末存欄數量，[δj]為第[j]種動物的腸道發酵以及糞便的碳排放系數，具體畜牧養殖排放系數值如表2所示。

通過對兵團種植業和畜牧業碳排放的核算得到兵團農業碳排放總量和強度，農業碳排放總量計算公式如下：

[C=Cp+Cy]" " " " " " " " " " " " " " " " " " " " " " " " " " " （4）

農業碳排放強度計算公式如下：

[CIit=C/GCP]" " " " " " " " " " " " " " " " " " " " " " " " " "（5）

式（5）中，[CIit]為第[i]類碳源農業碳排放強度，[C]為農業碳排放總量，[GCP]為農業總產值。

農業碳排放結構計算公式如下：

[CSit=Ti*δiC*100%]" " " " " " " " " " " " " " " " " " " " （6）

式（6）中，[CSit]為第[i]類碳源碳排放量占農業碳排放總量的比重。

（一）核密度估計法

核密度估計是一種非參數估計方法，采用連續密度曲線繪制隨機變量分布形態及特征[18]，本文運用核密度估計法分析兵團農業碳排放的動態演進。具體公式如下：

[f（x）=1nhn=1nk（xi-xh）]" " " " " " " " " " " " " " " " （7）

式（7）中，[f（x）]為兵團農業碳排放的核函數，[n]=14為兵團師部總數，[i]表示兵團各師，[h]為帶寬，[x]為均值。

（二）農業碳排放驅動因素分解模型——LMDI模型

LMDI方法屬于指數因素分解法，其基本原理是通過一系列的數學恒等公式變形，將農業碳排放總量表示為相關影響因素的乘積形式，并根據不同權重計算每個指標的增量余額。LMDI是一種比較完全的分解方法，可以有效地分析總體指標，能夠保持各個分解指標的高度一致性。本文借鑒相關研究[10，19]，將農業碳排放的驅動因素分為農業經濟發展效應、農業生產效率、農業生產結構效應和勞動力規模效應。

LMDI模型分解過程如下：

[C=P*AE*AP*AS=P*AYP*CPY*PYAY]" " " " " " （8）

上式中，[C]為農業碳排放總量，[AE]為農業經濟發展水平，[AP]為農業生產效率，[AS]為農業生產結構，[P]為農業勞動力總數，[AY]為農林牧漁總產值，[PY]為農業總產值。

LMDI有加法分解與乘法分解兩種分解方法，在實際測算中加法分解更適合數量指標，乘法模型更適合強度指標，因此，本文采取加法分解，具體公式如下：

[ΔCtot=CT-C0=ΔE/E+ΔAE+ΔAP+ΔAS]" " " " " "（9）

[ΔP=CT-C0lnCT-lnC0lnPTP0]" " " " " " " " " " " " " （10）

[ΔAE=CT-C0lnCT-lnC0lnAETAE0]" " " " " " " " " " " （11）

[ΔAP=CT-C0lnCT-lnC0lnAPTAP0]" " nbsp; " " " " " " " " （12）

[ΔAS=CT-C0lnCT-lnC0lnASTAS0]" " " " " " " " " " " "（13）

上述公式中[Ctot]為基期到[T]期的碳排放變化量，[CT]為[T]期農業碳排放量，[C0]為基期農業碳排放量，[ΔP]、[ΔAE]、[ΔAP]、[ΔAS]分別為勞動力規模、農業經濟發展水平、農業生產效率、農業生產結構對碳排放的貢獻。

（三）數據來源

本文以新疆生產建設兵團農業碳排放為研究對象，研究中所有的數據均來自2011—2022年《新疆生產建設兵團統計年鑒》。

四、兵團農業碳排放實證結果分析

（一）兵團農業碳排放時序變化、空間差異及動態演進特征分析

1.兵團農業碳排放時序變化特征。基于公式（1）至（6）對兵團2010—2021年農業碳排放總量、強度及結構進行測算，結果如圖1至圖3所示。

從農業碳排放總量變動趨勢來看（見圖1），兵團農業碳排放總量由2010年的231.89萬噸上升到2021年的317.20萬噸，增長了36.79%。各年份農業碳排放總量增速除了2016年出現負增長（-0.76%）以外，其余年份均為正增長，其中2014年增速為12.58%，增速最快。2010—2021年兵團農業碳排放總量的演變特征大致分為兩個階段，第一階段為2010—2014年，在該階段農業碳排放總量上升較快，2014年比2010年農業碳排放總量增加了56.98萬噸，增幅達 24.57%。在這一時期，兵團積極推進農業機械化發展，糧食作物、經濟作物生產機械化以及畜牧產品加工業機械化水平快速發展，農業機械化水平的提升使得農業播種面積增長迅速，進而提升了農業產量。但與此同時，化肥農藥等農用物資的投入也隨之增加，因此農業碳排放總量增速較快。第二階段為2014—2021年，在該階段農業碳排放總量平穩上升，增速變緩，2021年相較于2014年農業碳排放總量增加了28.33萬噸，增幅為9.81%。這有賴于2015年國家實施的“到2020年化肥施用量零增長行動”和“到2020年農藥使用量零增長行動”，兵團積極貫徹落實，有效地治理了農業生產中化肥農藥濫用的問題[20]，由此農業碳排放總量增速放緩。

從農業碳排放強度變動趨勢來看，碳排放強度表現出了明顯的下降趨勢，由2010年517.08千克/萬元下降到2021年248.51千克/萬元，下降了51.94%，年均下降4.33%。除了2013—2014期間農業碳排放強度增長以外，其余各年農業碳排放強度都呈現下降趨勢。其中2020—2021年下降幅度最大，為16.20%；2021年相較于2020年兵團農業碳排放強度下降了48.05千克/萬元。主要是近年來鄉村振興戰略的實施以及農業綠色生產技術的推廣運用，以及農業綠色高質量發展的觀念深入人心，使得兵團農業經濟的增長逐漸高于農業碳排放量。

從各碳源碳排放量來看，見圖2所示，農用物資、土壤農作物種植、畜牧業以及秸稈焚燒碳排放量不斷增加，其中秸稈焚燒、農用物資的碳排放增長最快，分別為65%和45%。雖然兵團秸稈處理已初見成效，但由于資金、技術等的限制，在一些地區仍有較多秸稈未能很好地實現綜合利用，秸稈焚燒現象依舊存在。

從各碳源碳排放強度來看，圖3中顯示，在2010年到2021年期間，各碳源農業碳排放強度均有不同程度的下降，土壤農作物種植及畜牧養殖碳排放強度降速最快，年均分別為4.97%和4.94%。隨著農田水利設施的完善、農業技術應用以及新型農業經營主體培育等，兵團農業生產效率不斷提升，進而促使農業碳排放強度不斷下降。

從農業碳排放結構來看，見表3結果顯示，2010—2021年農用物資碳排放及秸稈焚燒碳排放占比總體呈緩慢增長態勢，土壤農作物種植及畜牧養殖碳排放占比整體呈緩慢下降趨勢。農用物資的投入是兵團農業最大的碳排放源，年均占比為53.21%。在農用物資投入中化肥是主要碳排放源，年均占比為41.58%，其次為農膜，年均占比23.47%。

2.兵團農業碳排放空間差異特征。選取初始年份、中間年份以及最近年份并根據公式測算出兵團各師2010年、2015年和2021年農業碳排放總量和排放強度，如表4所示。

在2010年至2021年期間，兵團各師農業碳排放總量均有所增加，而碳排放強度均呈下降態勢。其中，第一師和第八師農業碳排放總量相對較高，主要緣于這兩個地區分布在綠洲地帶，農作物生長條件相對較好，其歷年的農業播種面積處于兵團前列。2021年第一師和第八師農作物播種面積占兵團總播種面積的33.39%，由于種植規模較大，化肥農藥等農用物資的投入以及土壤農作物種植N2O排放水平也相對較高；而同時期這兩個區域農業碳排放強度則相對較小，說明農業經濟發展有向綠色化轉型的趨勢轉變。

兵團各師農業碳排放總量及強度差異較大，因此，本文按照當年兵團碳排放強度平均值的0.8倍、1倍、1.2倍將兵團各師的農業碳排放量分別劃分為低碳排放區、中度排放區、較高排放區和高排放區[10]，結果如表5所示。

從2010年到2021年，兵團低碳排放區由4個師上升到6個師，多數師市位于南疆地區；中度碳排放區由5個師下降到2個師，較高碳排放區由第六師、第十師、第十三師變為第五師、第六師以及第十三師，第十師變為高排放區。從整體上看，高碳排放區多位于北疆的邊境地區，農業經濟產出對化肥、農藥等農用物資投入的路徑依賴仍舊明顯，農業綠色轉型速度較緩慢，傳統的農業生產方式和發展理念尚未從根本上改變，進而阻礙了農業綠色高質量發展和農業現代化發展水平的進一步提升。

3.兵團農業碳排放動態演進特征。為了更加直觀地展示兵團農業碳排放總量與強度的絕對差異的時空演進特征、發展水平、分布演進趨勢，本文以農業碳排放總量、強度為指標，通過公式（7）運用Matlab軟件繪制三維核密度分布圖，分析兵團農業碳排放的動態演進特征（見圖4）。

圖（a）描繪了兵團農業碳排放總量在2010—2021年間動態演變情況。從圖中可以看出，核密度分布曲線波形總體向右偏移（呈左偏態分布），說明兵團各師農業碳排放總量呈上升趨勢；各年核密度曲線只存在一個單峰并且峰值較為平緩，說明兵團農業碳排放總量并未出現明顯的兩極分化現象；隨著時間推移峰值逐漸降低且寬度減小，表明兵團各師之間農業碳排放總量差距逐漸縮小。

圖（b）描繪了兵團農業碳排放強度在2010—2021年間動態演變情況。從圖中可以看出，核密度分布曲線總體向左偏移，說明兵團各師農業碳排放強度不斷下降；各年核密度曲線出現“一主一次”兩個波峰，表明兵團農業碳排放強度出現兩極分化態勢，地區間農業生產方式及發展水平不同，農業碳排放強度具有差異性。

圖（c）與圖（d）描繪了北疆與南疆兵團各師農業碳排放強度在2010—2021年間動態演變情況。從圖（c）中可以看出，北疆各師農業碳排放強度核密度曲線總體呈現向左偏移格局，說明兵團北疆各師農業碳排放強度呈下降態勢；從波峰來看，各年核密度曲線出現“一主一次”兩個波峰，表明兵團北疆各師農業碳排放強度形成兩極分化格局，各地區存在差異。從圖（d）中可以看出，南疆各師農業碳排放強度核密度曲線總體向左偏移，表明兵團南疆各師農業碳排放強度呈下降趨勢。從波峰來看，2010年呈現“一主一次”雙峰格局，后期逐漸轉變為單峰，表明前期南疆兵團各師農業碳排放強度呈現兩極分化格局，后期兩極分化消失。

（二）兵團農業碳排放驅動因素分析

本文運用LMDI模型，基于公式（9）到（13）對2010—2021年兵團農業碳排放各因素驅動效應進行分解，結果如表6所示。

從整體上來看，在各因素的驅動下，兵團農業碳排放量從2010年到2021年增加了85.31萬噸，其中勞動力規模、農業生產效率及農業生產結構對兵團農業碳排放的增長起到抑制作用，農業經濟發展對兵團農業碳排放有一定的驅動作用。各因素的驅動效應分解如下：

農業生產效率是抑制兵團農業碳排放的首要因素。2010年到2021年，由于農業生產效率提升使得兵團農業碳減排總量達203.23萬噸。除了2013和2014兩年外，其余各年份的農業生產效率均抑制了兵團農業碳排放的增加。這有賴于兵團農業技術的不斷創新與應用，將科技融入農作物種植、生長以及采收全過程，大大提高農業生產效率。此外，科技的應用也使得畜牧養殖更加清潔化和專業化，畜禽糞污實現低碳轉化增值。

農業生產結構是抑制兵團農業碳排放的次要因素。隨著農業生產結構的不斷優化，兵團農業碳排放量得以下降。從2010年到2021年，農業生產結構調整使兵團農業碳排放總量減少了25.73萬噸。在2011—2012年、2014—2016年和2019—2021年這幾個階段驅使兵團農業碳排放有小幅度的增加，其余各年份農業生產結構均抑制了兵團農業碳排放。據統計年鑒數據顯示，兵團農業總產值占農林牧漁總產值從2010年的79.7%下降到2021年的73.84%。此外，作物種植過程中農用物資使用以及土壤N2O排放等也是兵團農業碳排放的重要來源，因此低碳排放作物種植比例上升也可起到降碳減排的作用。由于油料作物、小麥以及棉花種植碳排放系數較低，玉米和蔬菜碳排放系數較高，為此，兵團的油料作物、小麥以及棉花種植總種面積由2010年的732.2千公頃增加至2021年的1 037.11千公頃，增幅達41.73%，占比增加7.9%；而同期玉米和蔬菜總播種面積增幅僅為10.5%，占比下降1.86%，通過調整作物種植結構進而減少了農業碳排放。

勞動力規模效應是抑制兵團農業碳排放的第三大因素。從2010年到2021年，勞動力規模效應驅動兵團農業減排量為3.56萬噸，在城市化發展的推動下，從事農業的勞動力人數由2010年48.33萬下降到2021年46.47萬，一定程度地降低了人工成本，勞動生產效率得以提升。近年來雖然農業勞動力規模在不斷下降，但是高素質農工的培育使得農場職工整體素質提升，職業技能水平有所提升，更傾向運用新型綠色低碳的農業技術進行農業生產，從而減弱了兵團農業碳排放驅動效應。

農業經濟發展是驅動兵團農業碳排放的主要因素。2010年—2021年農業經濟發展驅動兵團農業排放量317.82萬噸。其中除2016—2019年起到抑制作用外，其余各年份農業經濟發展均促進了兵團農業碳排放的增加。這表明兵團現有的農業生產模式具有一定的環境負外部性，隨著農業生產規模擴大，農業碳排放量也在上升[21]。此外，兵團農業產業鏈短，以初級農產品的交易為主，農產品無法通過鄉村產業鏈延伸實現產品升值；農業產值仍然依靠增加農用物資的投入來實現，秸稈焚燒現象仍存在，畜牧養殖糞污管理仍未完全實現清潔管理，這些都將驅使兵團農業碳排放量的增加。

五、結論及建議

（一）主要結論

1.兵團農業碳排放總量呈增長態勢，而碳排放強度則不斷下降，農用物資投入為主要的農業碳排放源，尤其是化肥的投入。從2010—2021年，兵團農業碳排放總量的演變特征大致分為“快速增長”與“緩慢增加”兩個階段；除個別年份外，農業碳排放強度表現出明顯的下降趨勢。

2.兵團農業碳排放具有空間差異。第一師、第八師各年農業碳排放總量均處于前列，高碳排放區大多位于北疆的邊境地區。

3.從兵團農業碳排放動態演進特征來看，各師的農業碳排放總量呈遞增態勢并且各師之間農業碳排放總量差距逐漸縮小；從農業碳排放強度來看，各年核密度曲線出現“一主一次”兩個波峰，表明兵團農業碳排放強度出現兩極分化態勢，南北疆碳排放強度的動態變化差異明顯。

4.從農業碳排放驅動因素來看，勞動力規模、農業生產效率、農業生產結構對兵團農業碳排放有抑制作用，抑制效應大小依次為：農業生產效率gt;農業生產結構gt;勞動力規模，農業經濟發展驅動兵團農業碳排放量增長。

（二）兵團農業低碳轉型發展建議

1.堅持農業低碳轉型發展，因地制宜制定碳減排措施。兵團農業碳排放總量以及強度的地區差異明顯，建議各師根據自身資源稟賦、農業發展水平以及碳排放現狀，因地制宜地制定農業降碳減排政策措施。例如：第一師、第八師農用物資碳排放居于兵團前列，應通過采用有機肥、生物農藥等減少化肥農藥的施用，按期使用地膜并及時回收地膜或者使用全生物降解農用薄膜以及應用綠色環保技術等措施減少高耗能高排放農用物資的使用。第六師、第八師秸稈焚燒碳排放較高，可通過推行農作物殘留物和秸稈還田以保持土壤有機質，提高土壤碳儲備能力。第一師、第四師土壤農作物種植碳排放量較高，通過優化種植結構，探索經濟作物種植、特色林果業與生態漁業生產等新業態[22]。第四師、第六師畜牧養殖碳排放量較高，建議進行科學合理的飼養管理、推廣綠色飼料以及畜禽糞便的資源化利用。

2.加強區域間協作，共同推進農業低碳發展。上述分析得出兵團農業碳排放強度出現兩極分化態勢，應加強區域間協作，實現碳排放區域共治，以共同推進農業低碳轉型。首先，兵團各師可以通過區域合作聯合攻關農業低碳技術，農業低碳發展依賴農業低碳技術的創新。其次，加強優勢資源區域間的自由流動，有利于有限的生態環境容量和資源承載力在更大空間范圍得到優化組合，以推動農業低碳轉型[23]。最后，各師可定期組織開展交流，分享農業降碳減排的經驗。

3.加快技術創新與應用，提升農業生產效率。生產效率提升是抑制兵團農業碳排放的首要因素，農業技術的創新和應用能較大提升農業生產效率，有效抑制農業生產的碳排放。因此，堅持農業技術創新與應用，加大對農業技術創新投入，強化農業科技和裝備支撐，兼顧技術的經濟效應與綠色效應，大力推動科技研發應用與技術推廣服務，全面構建以綠色為導向的農業技術體系。

4.優化農業生產結構，加快推進農業供給側結構性改革。生產結構為農業碳排放的次要抑制因素，為此兵團農業生產應根據地區資源和特點，順應市場需求，不斷優化農業生產結構，逐步形成種植業和畜牧業結構多元化的格局。適當調整高資源消耗作物的種植，減少化肥農藥等投入，促進糞污清潔管理以實現傳統農業向生態農業、低碳農業的轉變，因地制宜，發展優勢與特色農產品，促進農業經濟綠色高效發展，以此減少農業碳排放量。

參考文獻：

[1]張再杰，楊偉芳.湖北省農業碳排放及基于K-means聚類算法的縣級碳排放研究[J].云南農業大學學報（社會科學），2023，17（02）：134-140.

[2]吳賢榮，張俊飚，田云，等.中國省域農業碳排放：測算、效率變動及影響因素研究——基于DEA-Malmquist指數分解方法與Tobit模型運用[J].資源科學，2014，36（01）：129-138.

[3]李娜，石晶.中國農業碳排放測度及時空演變分析[J].河北環境工程學院學報，2022，32（06）：9-12+26.

[4]李銅山，王艷蕊.基于熵權TOPSIS模型的區域農業碳中和能力評價研究[J].區域經濟評論，2022（03）：92-98.

[5]高晨曦，盧秋萍，歐年青，等.“雙碳”目標下河南省農業碳排放影響因素及預測研究[J].中國生態農業學報（中英文），2022，30（11）：1842-1851.

[6]侯宇，張宏勝，楊尚釗，等. 糧食主產區農業碳排放效率時空演變及影響因素研究[J].新疆農墾經濟， 2023（04）：53-65.

[7]夏四友，趙媛，許昕.1997—2016年中國農業碳排放率的時空動態與驅動因素[J].生態學報，2019，39（21）：7854-7865．

[8]顏光耀，陳衛洪，錢海慧.農業技術效率對農業碳排放的影響——基于空間溢出效應與門檻效應分析[J].中國生態農業學報（中英文），2023，31（02）：226-240.

[9]薛選登，馬路，溫圓月.河南省農業碳排放量測算及影響因素研究[J].河南科技大學學報（社會科學版），2022，40（05）：40-45.

[10]方苗，賀義雄，余曉洋.農業碳排放研究：空間格局、脫鉤效應及驅動因素——以浙江省為例[J].資源開發與市場，2022，38（12）：1461-1467，1528.

[11]蔡育蓉，王立剛.北方典型農業生態系統的固碳減排路徑及模式[J].中國生態農業學報（中英文），2022，30（04）：641-650.

[12]鄧路，袁圣博，白萍，等.基于機器學習算法的新疆農業碳排放評估及驅動因素分析[J].中國生態農業學報（中英文），2023，31（02）：265-279.

[13]黃曉慧，楊飛.碳達峰背景下中國農業碳排放測算及其時空動態演變[J].江蘇農業科學，2022，50（14）：232-239.

[14]李波.經濟增長與農業碳排放關系的實證研究[J].生態環境學報，2012，21（02）：220-224.

[15]李綿德，周冬梅，朱小燕，等.河西走廊2000—2020年農業碳排放時空特征及其影響因素[J].農業資源與環境學報，2023，40（04）：940-952，989.

[16]胡永浩，張昆揚，胡南燕，等.中國農業碳排放測算研究綜述[J].中國生態農業學報（中英文），2023，31（02）：163-176.

[17]閔繼勝，胡浩.中國農業生產溫室氣體排放量的測算[J].中國人口·資源與環境，2012.22（07）：21-27.

[18]張廣勝，王珊珊.中國農業碳排放的結構、效率及其決定機制[J].農業經濟問題，2014，35（07）：18-26.

[19]盧東寧，張雨，雷世斌.“雙碳”目標背景下陜西農業碳排放驅動因素與脫鉤效應研究[J].北方園藝，2022（20）：133-140.

[20]夏文浩，潘生亮，霍瑜，等.新疆農業面源污染的時空分異及動態演進——基于特色畜牧視角的再分析[J].資源開發與市場，2022，38（10）：1190-1199.

[21]劉順翊，李松青.湖南省農業碳排放脫鉤彈性及驅動因素——基于Tapio脫鉤模型與LMDI分析[J].四川農業大學學報，2023，41（05）：952-960.

[22]盧奕亨，田云，周麗麗.四川省農業碳排放時空演變特征及其影響因素研究[J].中國農業資源與區劃，2023，44（11）：1-14.

[23]張友國，白羽潔.區域協同低碳發展的基礎與路徑[J].China Economist，2022，17（02）：69-92.

責任編輯：李黎

Research on Agricultural Carbon Emission Accounting"and Driving Factors of XPCC under the “Dual Carbon” Goal

Zhang Kaili" Zhang Fengli

（School of Economics and Management， Shihezi University， Shihezi 832000，China）

Abstract： This article selects the XPCC as the research object. Based on four types of carbon sources of agricultural material input， soil crop planting， straw burning， and animal husbandry， using the carbon emission coefficient， this paper calculates the total amount， intensity， and structure of agricultural carbon emissions in the XPCC from 2010 to 2021， and its temporal and spatial characteristics are analyzed. Then， the nuclear density estimation method is used to analyze the dynamic evolution characteristics of the total amount and intensity of agricultural carbon emissions in XPCC. Finally， the LMDI model is used to explore the decomposition effect of the driving factors of carbon emissions in XPCC. The results are as follows. Firstly， the total carbon emissions from agriculture in XPCC are on the rise， but the carbon emission intensity is continuously decreasing， with agricultural materials being the main source of carbon. Secondly， there are spatial differences in the total amount and intensity of agricultural carbon emissions among the divisions of XPCC， with high carbon emission areas mainly concentrated in the border areas of northern Xinjiang; the carbon emission intensity of agriculture in XPCC shows a polarized state. Thirdly， the scale of labor force， agricultural production efficiency， and agricultural production structure all have inhibitory effects on the carbon emissions of the XPCC agriculture. The order of inhibitory effects is agricultural production efficiencygt;agricultural production structuregt;labor force scale. Based on this， the emission reduction effect of agriculture can be strengthened through promoting low-carbon transformation in agriculture， strengthening inter regional cooperation， optimizing agricultural industrial structure， and technological innovation.

Key words： carbon emissions; driving factors; kernel density estimation method; LMDI model

[作者簡介]張風麗（1978-），女，山東菏澤人，副教授，研究方向：農業經濟管理、生態經濟；張凱麗（2000-），女，山東日照人，碩士研究生，研究方向：農業經濟。