2017, Vol. 37文章信息
- 张振龙, 孙慧, 苏洋
- ZHANG Zhenlong, SUN Hui, SU Yang.
- 中国西北干旱地区农牧业生态系统碳排放的空间分布与演变趋势
- The spatial distribution and evolution trends of agricultural and animal husbandry carbon emissions in the northwest arid region of China
- 生态学报. 2017, 37(16): 5263-5272
- Acta Ecologica Sinica. 2017, 37(16): 5263-5272
- http://dx.doi.org/10.5846/stxb201605190965
-
文章历史
- 收稿日期: 2016-05-19
- 网络出版日期: 2017-03-27
2. 新疆大学经济与管理学院, 乌鲁木齐 830046;
3. 新疆农业大学经济与贸易学院, 乌鲁木齐 830046
2. School of Economics and Management, Xinjiang University, Urumqi 830046, China;
3. School of Economics and Trade, Xinjiang Agricultural University, Urumqi 830046, China
因气候变化所带来的全球温室效应已经成为当今社会人类面临的最严峻的挑战之一。相较于工业而言, 农牧业源温室气体(包括CO2, CH4和N2O)约占全球总排放的10%—20%[1], 占比相对较低, 但现代石油农牧业依赖大量的化肥、农药和能源等外部投入的逆生态的生产方式使得农牧业碳排放的空间分布广、发展速度快, 并成为加速全球变暖重要的诱致性因素之一。加快转变农牧业生产方式, 发展低碳农牧业, 实现农牧业生产与环境保护的协调发展, 已经成为当前农牧业生态系统发展亟需解决的重要问题。
基于此, 学者们围绕农牧业生态系统碳排放问题开展了丰富的研究, 研究内容涵盖农牧业生态系统碳排放的测算及时空比较[2-7], 农田生态系统碳足迹核算[8-10], 农牧业生态系统碳排放的增长机理探讨[11-14], 农牧业生态系统碳排放的区域公平性[15-17], 农牧业碳排放的决定机制[18-19]等方面。这些文献或从国家层面探讨农牧业生态系统碳排放的总体状况, 或基于特定视角探讨农牧业生态系统碳排放的一些相关问题, 对丰富农牧业碳排放问题研究体系, 并对其展开深入分析奠定了坚实基础。需要注意的是, 学者们对农牧业生态系统碳排放的动态分布与演进趋势的研究尚处于初步阶段, 而且已经开展的研究主要集中于国家总体层面或者中东部省份, 对于我国西北特殊区域农牧业生态系统碳排放的关注较少。
事实上, 西北地区作为我国典型的干旱地区, 自然环境和农牧业生态系统对环境破坏和气候变化的反应极为敏感, 一旦遭到污染和破坏, 将产生难以逆转的永久性后果, 其治理难度和治理成本远高于我国湿润半湿润地区。同时, 西北地区还是我国贫困人口较为集中的地区, 经济发展程度及农牧业现代化水平均较低, 人们收入来源结构单一, 如果农牧业生产的外部环境遭到破坏, 当地居民将失去赖以生存的经济来源和物质基础。可以说, 西北地区面临着环境约束和经济落后的双重制约, 其减排的困难性和复杂程度远高于中东部地区。因此, 在制定农牧业碳减排政策时, 应避免全国一盘棋, 而应结合各区域实际, 构建差异化的减排政策体系。要实现这一目标, 首先需要对西北地区农牧业生态系统碳排放的基本情况、空间分布以及演进趋势进行系统的梳理。本文对2000—2013年中国西北地区农牧业碳排放量进行了测算, 并从碳排放的总量和强度两个维度来分析西北地区农牧业生态系统碳排放的空间分布；进一步利用非参数核密度方法分析西北地区农牧业碳排放总体及内部碳源的演进特征, 以期为国家及西北地区农牧业碳减排提供理论依据。
1 研究方法与样本数据 1.1 农牧业生态系统碳排放测算方法根据农牧业生产的特点, 将农牧业生态系统碳排放公式列举如下：
|
(1) |
式中, C为碳排放总量, Ci为各种碳源的碳排放量, Ti为各种碳排放源的量, μi为各种碳排放源的碳排放系数。
目前, 国内外学者普遍认为农牧业碳排放主要源于农用物资碳排放、牲畜肠道发酵碳排放、粪便管理碳排放以及水稻种植排放4个方面。Johnson[20]、田云[21]等分别就美国和中国的农牧业生态系统碳排放进行测算, 证实以上4部分是农牧业生态系统碳排放的主要来源。
考虑到西北地区气候相对干旱, 是我国重要的种植业和畜牧业基地, 林业和渔业发展相对较弱, 本研究将西北地区农牧业生态系统碳排放的边界确定为四个层次：
第一层边界 农田土壤碳排放, 指不同作物种植所产生的碳排放, 包括冬小麦[22]、春小麦[23]、玉米[24]、水稻[25]、大豆[26]、蔬菜[27]、棉花以及其他旱地作物[28], N2O排放系数分别为2.05、0.40、2.532、0.24、0.77、4.21、0.4804、0.95 kg/hm2。
第二层边界 农用物资碳排放, 指农牧业生产过程中因各种化学品消耗、农业机械使用、农田灌溉等产生的碳排放, 包括化肥、农药、农膜、农用柴油等[29]以及农田灌溉[8]的排放系数分别为0.8956、4.9341、5.18、0.5927、266.48 kg C/kg。
第三层边界 肠道发酵碳排放, 指牲畜养殖过程中因其肠道发酵产生的碳排放, 包括牛、马、驴、骡、骆驼、猪、山羊、绵羊等, 排放系数[30]分别为416.02、122.76、68.2、68.2、313.72、6.82、34.1、34.1 kg C头-1 a-1。
第四层边界 农牧业废弃物碳排放, 这里主要指牲畜养殖过程中的粪便产生的碳排放, 核算范围同第三层相同, 排放系数[30]分别为122.76、11.18、6.14、6.14、13.09、27.28、1.16、1.02 kg C头-1 a-1。
1.2 非参数核密度方法不同于传统的参数估计方法, 非参数估计方法不需要对数据分布进行预先假定, 可以准确而客观地捕捉到农牧业生态系统碳排放数据的分布形态。最常用的非参数密度估计方法主要有直方图密度估计法和核密度估计法[31-32]。直方图密度法由于是非连续的, 很难给出较为准确的密度估计。核密度估计法可以通过连续的密度曲线对概率密度函数进行精确而连续的估计, 是目前比较有效的密度估计方法[32]。
假设随机变量X1t, X2t, …, Xnt为第t年不同省份的农牧业碳排放量, 其概率密度函数为f(x), 核密度估计的定义为[33]：
|
(2) |
式中, N为观测值的个数；K(·)为核函数；h为窗宽；且满足以下条件：
|
(3) |
可以看出核密度估计值是由核函数和窗宽决定的[34]。在式(2) 中, 窗宽h为唯一的参数, 确定适当的窗宽对于核密度估计结果有直接的影响。一般来说, 样本越多, 对窗宽的要求越小, 即h是n的函数, 且应满足：
|
(4) |
核函数是一种加权函数或平滑函数, 根据核密度函数表达形式的差异, 可以分为高斯核、Epanechnikov核、三角核、四次核等类型[35]。本研究选择最常用的高斯核函数对农牧业碳排放量波动率的概率分布进行估计。高斯核函数表达式如下：
|
(5) |
根据式(2) 和式(5), 可以确定农牧业碳排放的非参数核密度分布函数为：
|
(6) |
研究中西北5省的农作物播种面积、化肥、农药、农膜、农用柴油等物资消耗量、灌溉面积、牲畜养殖数量等数据均来自中国国家统计局网站, 各省第一产业产值数据分别来自《陕西统计年鉴2014》、《甘肃统计年鉴2014》、《青海统计年鉴2014》、《宁夏统计年鉴2014》、《新疆统计年鉴2014》。其中, 化肥、农药、农膜、农用柴油等均以当年实际使用量为准, 农作物播种面积及灌溉面积均以当年农作物实际播种面积为准, 牲畜养殖数量采用各年末存栏量。为剔除价格变化对第一产业产值的影响, 这里采用GDP可比价, 将各省的第一产业产值按照2000年购买力折算。
2 研究结果与分析 2.1 中国西北地区农牧业生态系统碳排放测算结果根据式(1), 测算出2000—2013年间我国西北五省的农牧业生态系统碳排放量, 并结合每个省区的第一产业产值计算出各省的农牧业碳排放强度(表 1)。
| 年份 Year | 陕西 | 甘肃 | 青海 | 宁夏 | 新疆 | 合计Total | ||||||
| 总量TCE/104t | 强度CI(t/万元) | 总量TCE/104t | 强度CI(t/万元) | 总量TCE/104t | 强度CI(t/万元) | 总量TCE/104t | 强度CI(t/万元) | 总量TCE/104t | 强度CI(t/万元) | 总量TCE/104t | 强度CI(t/万元) | |
| 2000 | 323.90 | 1.25 | 486.77 | 2.51 | 300.39 | 5.05 | 104.96 | 2.28 | 633.64 | 2.20 | 1849.66 | 2.19 |
| 2001 | 312.74 | 1.19 | 494.05 | 2.37 | 306.66 | 4.89 | 107.58 | 2.20 | 656.51 | 2.22 | 1877.54 | 2.13 |
| 2002 | 313.52 | 1.15 | 506.63 | 2.29 | 312.42 | 4.82 | 113.41 | 2.18 | 668.70 | 2.15 | 1914.68 | 2.08 |
| 2003 | 324.46 | 1.14 | 508.67 | 2.18 | 309.57 | 4.88 | 117.63 | 2.21 | 705.81 | 2.10 | 1966.14 | 2.03 |
| 2004 | 338.91 | 1.10 | 515.34 | 2.09 | 297.78 | 4.52 | 128.43 | 2.33 | 740.26 | 2.08 | 2020.73 | 1.96 |
| 2005 | 353.32 | 1.06 | 525.68 | 2.01 | 310.09 | 4.46 | 138.50 | 2.43 | 775.98 | 2.05 | 2103.58 | 1.91 |
| 2006 | 348.16 | 0.98 | 524.68 | 1.91 | 334.52 | 4.64 | 133.22 | 2.20 | 724.29 | 1.81 | 2064.87 | 1.77 |
| 2007 | 361.47 | 0.97 | 524.17 | 1.83 | 321.77 | 4.26 | 139.69 | 2.16 | 729.02 | 1.70 | 2076.13 | 1.69 |
| 2008 | 368.05 | 0.91 | 584.85 | 1.91 | 324.87 | 4.13 | 143.71 | 2.07 | 718.99 | 1.58 | 2140.47 | 1.63 |
| 2009 | 405.07 | 0.96 | 545.69 | 1.70 | 324.99 | 3.90 | 147.34 | 1.98 | 730.53 | 1.53 | 2153.62 | 1.56 |
| 2010 | 414.75 | 0.93 | 573.81 | 1.69 | 330.29 | 3.72 | 150.93 | 1.89 | 749.98 | 1.51 | 2219.76 | 1.53 |
| 2011 | 430.87 | 0.91 | 593.87 | 1.65 | 326.82 | 3.51 | 153.55 | 1.83 | 777.38 | 1.46 | 2282.48 | 1.48 |
| 2012 | 465.24 | 0.93 | 594.61 | 1.55 | 316.63 | 2.95 | 156.89 | 1.77 | 838.99 | 1.48 | 2372.35 | 1.44 |
| 2013 | 474.84 | 0.90 | 608.34 | 1.50 | 331.21 | 2.97 | 162.59 | 1.75 | 892.27 | 1.47 | 2469.25 | 1.42 |
| 变动幅度/% Variation |
46.60 | -27.97 | 24.98 | -40.14 | 10.26 | -41.10 | 54.91 | -23.29 | 40.82 | -33.15 | 33.50 | -35.17 |
| 年均增长率/% Annual growth rate |
2.99 | -2.49 | 1.73 | -3.87 | 0.75 | -3.99 | 3.42 | -2.02 | 2.67 | -3.05 | 2.25 | -3.28 |
2013年, 我国西北地区农牧业生态系统碳排放总量为2469.25×104 t, 比2000年增加619.59×104 t, 增幅达33.50%, 年均增长2.25%。其中, 种植业和畜牧业产生的农牧业碳排放量分别为1471.29×104 t和1097.96×104 t, 在我国西北地区农牧业碳排放总量中的占比分别为55.53%和44.47%。农牧业碳排放源从以畜牧业为主向以种植业为主转变。2000—2005年间, 畜牧业是西北地区农牧业第一大碳源, 畜牧业碳排放量在农牧业生态系统碳排放总量中的占比接近60%；2006—2013年, 畜牧业碳排放增幅明显下降, 在农业生态系统碳排放总量中占比大幅下跌, 而种植业碳排放占比快速增加, 增至2013年的55.53%, 成为西北地区最主要的农牧业碳排放源。其原因主要在于西北各省农牧业结构不断调整, 经济作物规模快速扩张导致种植业物质投入大幅增加, 推动农用物资碳排放的迅速增加, 而牲畜养殖数量持续减少, 两者增、减幅度的变动最终导致西北地区农牧业碳排放结构在该阶段出现大幅调整。
从地区分布来看, 我国西北地区农牧业生态系统碳排放主要集中在新疆和甘肃, 两省区的农牧业生态系统碳排放量之和占西北地区农牧业碳排放总量的60%以上；陕西、青海的农牧业碳排放量也较多；宁夏的农牧业排放量较少。新疆一直是西北地区农牧业生态系统碳排放量最高的省份。2000—2013年, 新疆农牧业碳排放量在西北地区农牧业碳排放总量中的占比保持在33%—37%。2013年新疆农牧业碳排放增至历史峰值892.27×104 t, 比2000年增加40.82%。耕地面积大、畜牧业发达以及棉花、特色林果业等经济作物大规模发展带来的农资品耗用增加是新疆农牧业碳排放量大幅增加并长期居西北地区首位的主要原因。甘肃是西北地区农牧业生态系统碳排放的第二大省, 2013年农牧业碳排放量为608.34×104 t, 约占西北农牧业碳排放总量的25%。与2000年相比, 甘肃省农牧业碳排放量增幅24.98%。陕西和青海的农牧业碳排放量居中, 介于300×104 t—500×104 t之间。其中以陕西省的农牧业碳排放量偏高, 2000—2013年间, 陕西农牧业碳排放量从323.9×104 t增至474.84×104 t, 增幅达46.60%, 占西北农牧业碳排放总量的16%—20%, 主要由于陕西农牧业以种植业为主, 尤以粮食和温带水果为主, 畜牧业排放量较低。青海的农牧业碳排放量长期维持在300×104 —330×104 t之间, 占西北农牧业碳排放总量的13%—17%, 较高的畜牧养殖规模是导致青海农牧业碳排放比较高的重要动因。宁夏的农牧业碳排放量最低, 2013年达到最高峰也仅162.59×104 t, 多年来在西北农牧业碳排放总量中的占比不足7%, 这与其比较小的农牧业生产规模有关。
2.1.2 农牧业生态系统碳排放强度的空间分布2000年以来, 我国西北地区农牧业生态系统碳排放强度呈明显下降趋势, 从2.19 t/万元GDP降至1.42 t/万元GDP, 降幅达35.16%。2013年, 我国西北地区农牧业生态系统碳排放强度由小到大排序依次是：青海>宁夏>甘肃>新疆>陕西。
其中, 陕西省的农牧业生态系统碳排放强度多年来一直保持在西北地区最低水平, 万元GDP所产生的碳排放量仅0.90 t, 是唯一低于西北五省农牧业碳排放强度平均水平的省份。农牧业碳排放总量略低、第一产业增加值较高是陕西农牧业碳排放强度处于低水平的主要原因, 表明陕西省农牧业生产效率较高, 相对较小的环境代价换来较高的产值收益。新疆的农牧业碳排放强度也处于较低水平, 万元GDP所产生的碳排放量为1.42 t。主要得益于新疆独特的自然禀赋与农牧业生产条件, 畜牧养殖及特色经济作物的高附加值大幅降低了农牧业碳排放的强度水平。甘肃的农牧业碳排放强度同新疆长期保持在相同水平, 万元GDP所产生的碳排放量为1.50t, 这主要由于其与新疆相似的干旱气候特点所带来的相近的农业结构, 最终导致农牧业碳排放整体水平相对较低。宁夏的农牧业碳排放强度高于甘肃, 万元GDP所产生的碳排放量为1.75 t。2003年以前, 宁夏农牧业碳排放强度与新疆一直比较接近, 但自2004年以后, 宁夏农牧业发展速度逐渐滞后, 农牧业碳排放强度下降幅度减慢, 从而导致碳排放强度处于较高水平。青海的农牧业碳排放强度一直较高, 万元GDP所产生的碳排放量达到2.97 t, 远高于西北地区其他省份。究其原因, 主要在于青海农牧业生产条件差, 每万元GDP所需要付出的环境代价相对更高。
2.2 中国西北地区农牧业生态系统碳排放的演进趋势 2.2.1 西北地区总体农牧业生态系统碳排放的演进趋势图 1从总体层面描绘了2002—2013年间我国西北地区农牧业生态系统碳排放的演进趋势。
|
| 图 1 中国西北地区农牧业生态系统碳排放的演进 Fig. 1 Evolution of carbon emissions from agricultural and animal husbandry ecosystem in northwestern China 数据来源：根据STATA 12.0软件计算得出 |
整体来看, 核密度函数中心向右移动, 且波峰更趋平缓, 峰值降低, 变化区间逐步扩大, 表明我国西北地区农牧业生态系统碳排放的地区差距在考察期内有变大趋势, 但较为微弱的变化态势则反映了其变化幅度相对有限。从波峰来看, 其变化整体呈现出“二主一小”→“一主二小” →“单一波峰”的格局。具体来看, 2005年与2002年相比, 从“二主一小”格局转变为“一主二小”, 且波动范围扩大, 说明这一阶段西北地区农牧业生态系统碳排放的地区差异逐渐扩大；从2008年与2005年的比较来看, 曲线变得更加平缓, 主峰和左侧小峰并没有大幅变化, 右侧远离主峰的小峰大幅右移, 说明这一阶段我国西北地区农牧业生态系统碳排放的地区差距有缩小趋势；2011年与2008年比较来看, 图形转变为主峰和单一小峰, 主峰和远离主峰的右侧小峰继续右移, 说明这一阶段我国西北地区农牧业生态系统碳排放的地区差距继续扩大, 但变化不明显。与2011年相比, 2013年波形变为单一主峰, 小峰基本消失, 波动范围明显扩大, 说明这一阶段我国西北地区农牧业碳排放的地区差距有明显扩大趋势。从2013年与2002年的长期变动来看, 峰值大幅降低, 变化区间扩大, 波峰数量减少, 表明地区差距扩大且趋势较为明显。其原因可能在于随着时间的推移, 我国西北五省之间的农牧业现代化水平、农牧业结构的调整力度、农牧业生产效率变动以及农牧业生产规模等方面差距的拉大最终导致了农牧业生态系统碳排放差距的不断扩大。
2.2.2 种植业农田土壤碳排放的演进趋势图 2整体上描绘了2002—2013年我国西北地区农田土壤碳排放的演变趋势。从整体上来看, 密度函数中心明显向右移动, 峰值降低, 变化区间扩大, 说明在考察期内我国西北地区农田土壤碳排放的地区差异呈扩大趋势。
|
| 图 2 中国西北地区农田土壤碳排放的演进 Fig. 2 Evolution of soil carbon emission from cropland in northwestern China 数据来源：根据STATA 12.0软件计算得出 |
从具体的演变进程来看, 2005年与2002年相比, 密度函数的峰值下降, 变化区间小幅扩大, 说明这一阶段我国西北地区农田土壤碳排放的地区差距呈扩大趋势；从2008年与2005年的比较来看, 密度函数的中心小幅右移, 峰值降低, 且从双峰变为单峰, 变化区间右移, 说明该阶段西北地区农田土壤碳排放的地区差异继续扩大, 且从原来的多极分化向归一化发展；从2011年与2008年之间的比较来看, 密度函数中心进一步右移, 且峰值大幅下降, 变化区间继续扩大, 表明该阶段我国西北地区农田土壤碳排放的地区差距进一步拉大；2013年与2011年相比, 密度函数中心不变, 峰值小幅下降, 波动区间略有扩张, 说明这一阶段我国西北地区农田土壤碳排放的地区差距虽然仍呈扩大趋势, 但扩大的幅度已经明显缩小。从2011年与2002年之间的变化来看, 密度中心大幅右移, 峰值大幅降低且从原来的双峰变为单峰, 变化区间明显扩大, 表明在此阶段农田土壤碳排放的地区差距存在明显扩大的趋势。其原因可能在于长期以来我国西北地区种植业以粮食等作物为主, 随着市场经济的发展, 经济作物呈现不同程度扩大, 从而带来农田土壤排放呈现更大差异。
2.2.3 农用物资碳排放的演进趋势图 3整体上描绘了2002—2013年我国西北地区农用物资碳排放的演变过程。从整体上来看, 密度函数中心向右偏移, 峰值大幅降低, 曲线从陡峭变为平缓, 变化区间大幅扩大, 说明在考察期内西北地区农用物资碳排放差距大幅扩大。
|
| 图 3 中国西北地区农用物资碳排放的演进 Fig. 3 Evolution of carbon emissions from agricultural materials in northwestern China 数据来源：根据STATA 12.0软件计算得出 |
具体来看, 2005年与2002相比, 密度函数的中心向右小幅偏移, 峰值下降明显, 变化区间扩大较为明显, 说明这一阶段西北地区农用物资碳排放的地区差距明显扩大；从2008年与2005年的比较来看, 密度函数中心向左偏移, 峰值下降, 变化区间大幅增加, 表明这一阶段西北地区农用物资碳排放的地区差距仍在不断扩大；从2011年与2008年的比较来看, 密度函数的峰值大幅降低, 且曲线趋向平缓, 变化区间进一步扩大, 说明在该阶段西北地区农用物资碳排放地区差距进一部扩大；2013年与2011年相比, 密度函数的中心没有明显变化, 峰值继续降低, 曲线更加平缓, 变化区间也有大幅扩大, 说明该阶段我国西北地区农用物资碳排放的地区差距仍在继续扩大, 但速度和幅度已经有所减缓。就2013年与2002年间的总体对比来看, 密度函数的中心右移, 峰值从陡峭变为平缓, 变化区间大幅扩大, 说明在此阶段我国西北地区农用物资碳排放的地区差距在不断扩大。究其原因, 可能在于西北各省农业现代化水平总体较低, 为追求较高的农业产出水平, 普遍采取“农业机械化+农业化学化”的发展模式, 推动农用物资产生的碳排放不断增加；由于不同省份农业资源禀赋和生产条件不同, 在推进农业机械化和化学化的速度和规模也不同, 从而导致地区间差距不断拉大。
2.2.4 牲畜肠道发酵碳排放的演进趋势图 4整体上描绘了2002—2013年我国西北地区畜牧养殖业中动物肠道发酵碳排放的演变趋势。从整体上来看, 密度函数的中心略向左移, 波峰维持在两个且峰值明显增大, 变化区间明显缩小, 说明我国西北地区牲畜肠道发酵碳排放的地区差距明显缩小。从演变历程来看, 2005年与2002年相比, 密度函数的中心向左偏移, 峰值降低, 变化区间明显扩大, 说明这一阶段我国西北地区牲畜肠道发酵碳排放的地区差距呈扩大趋势；2008年与2005年相比, 密度函数中心右移, 峰值增大, 并出现双峰, 变化区间缩小, 说明这一阶段我国西北地区牲畜肠道发酵碳排放的地区差距呈缩小趋势；2011年与2005年相比, 密度函数中心略向左移, 峰值上升, 变化区间缩小, 说明我国西北地区牲畜肠道发酵碳排放的地区差距呈缩小趋势；2013年与2011年相比, 密度函数的中心向右偏移但幅度较小, 峰值降低, 变化区间扩大, 说明该阶段我国西北地区牲畜肠道发酵碳排放的地区差距呈扩大趋势。从2013年与2002年的长期比较来看, 密度中心变化不大, 峰值增大, 变化区间明显缩小, 表明西北地区在此阶段的牲畜肠道发酵碳排放差距整体存在缩小趋势。其原因可能在于近年来新疆、甘肃等畜牧大省大力推进农牧业结构调整, 推行退牧还草以及牧民定居等工程, 导致畜牧养殖规模明显下降, 从而使得各省牲畜肠道发酵碳排放的差距不断缩小。
|
| 图 4 中国西北地区牲畜肠道发酵碳排放的演进 Fig. 4 Evolution of carbon emissions from intestinal mobilization of livestock in northwestern China 数据来源：根据STATA 12.0软件计算得出 |
图 5整体上描绘了2002—2013年我国西北地区畜牧养殖中牲畜粪便碳排放的演变过程。
|
| 图 5 中国西北地区牲畜粪便碳排放的演进 Fig. 5 Evolution of carbon emissions from livestock manure in northwestern China 数据来源：根据STATA 12.0软件计算得出 |
从整体上来看, 密度函数的中心没有明显偏移, 波峰维持在两个且峰值明显增大, 变化区间明显缩小, 说明我国西北地区牲畜粪便碳排放的地区差距明显缩小。
从具体的演变历程来看, 2005年与2002年相比, 密度函数的中心明显向右偏移, 峰值基本不变, 区间变化也不明显, 说明这一阶段我国西北地区牲畜粪便碳排放的总体水平仍在提高, 但地区差距没有明显变化；2008年与2005年相比, 密度函数的中心略向左移, 峰值上升, 变化区间变化不大, 说明该阶段我国西北地区牲畜粪便碳排放的地区差距呈缩小趋势；2011年与2008年相比, 密度函数中心左移, 峰值继续上升, 变化区间缩小, 说明该阶段我国西北地区牲畜粪便碳排放的地区差距继续缩小；2013年与2011年相比, 密度函数的中心基本不变, 峰值略向下调整, 变化区间继续缩小, 说明该阶段我国西北地区牲畜粪便碳排放的地区差距仍在继续缩小, 但变化幅度已经不那么明显。从2013年与2002年的长期比较来看, 密度函数的中心变化不大, 但峰值大幅上升, 且变化区间缩小, 说明长期以来我国西北地区牲畜粪便碳排放的地区差距在明显缩小。地区差距不断缩小的原因同牲畜肠道发酵原因相一致。
3 结论与讨论 3.1 主要结论本文测算了2000—2013年中国西北地区农牧业生态系统碳排放量, 从排放总量和强度两个维度分析了西北地区农牧业生态系统碳排放的时空特征；进一步利用非参数和密度方法对西北地区农牧业生态系统碳排放总体及内部各排放的演进特征进行了分析, 得出如下结论：
(1) 中国西北地区农牧业生态系统碳排放总量增势强劲, 但空间非均衡性特征明显。从总量结构来看, 2000—2013年间, 西北地区农牧业生态系统碳排放量从1849.66×104 t增至2469.25×104 t, 增幅33.50%。由于其特殊的农牧业结构, 西北地区农牧业生态系统碳排放量以种植业和畜牧业为主, 以2005年为节点, 农牧业碳排放源从以畜牧业为主演变到以种植业为主。受生产规模影响, 新疆和甘肃是西北地区农牧业碳排放最主要的碳排放源, 占总量的60%。以新疆最高, 甘肃次之, 陕西和青海居中, 宁夏最低。中国西北地区农牧业生态系统碳排放强度呈下降趋势, 且省域差距明显。2000—2013年, 西北地区农牧业碳生态系统排放强度从2.19t/万元GDP降至1.42t/万元GDP, 降幅达35.16%。农牧业生态系统碳排放强度由大到小排序依次是：青海>宁夏>甘肃>新疆>陕西。从总量与强度的比较来看, 碳排放总量的大小主要受到生产规模的影响, 而碳排放强度的大小主要受到技术水平和生产效率的影响。
(2) 中国西北地区农牧业生态系统碳排放的地区差距明显扩大, 但幅度相对有限, 其原因在于不同排放源在考察期内的变化趋势不一致, 具体表现为：农田土壤碳排放在考察期内的地区差距呈扩大态势；农业物资碳排放在考察期内的地区差距扩大的同时, 还表现出峰值从陡峭变为平缓, 变化区间大幅扩大的现象；牲畜肠道发酵碳排放在考察期内的地区差距明显缩小；牲畜粪便碳排放在考察期内的地区差距也呈明显缩小态势。可以看出, 西北地区种植业发展速度和规模不断拉大, 促使农田土壤碳排放和农用物资碳排放的空间差距拉大；西北地区畜牧养殖规模增速下降, 也使得各省牲畜肠道发酵和粪便排放的空间差距缩小。
3.2 讨论本研究利用非参数核密度方法, 系统考察了我国西北地区农牧业生态系统碳排放的地区差距及产业内各排放的动态演进趋势, 相比以往研究, 以下方面进行了一些尝试：一是在研究视角方面, 以往的研究专注于农牧业生态系统碳排放的测算、碳排放与经济增长的关系、碳排放的增长机理以及减排政策制定等方面, 鲜有学者从农牧业生态系统碳排放的空间分布和演进趋势进行综合性分析, 本文对此进行了尝试；二是在数据方法方面, 以往的研究主要专注于时间序列数据或截面数据, 本文尝试利用面板数据和非参数核密度方法探究农牧业生态系统碳排放的空间分布与趋势演进；三是个别学者对农牧业生态系统碳排放的动态分布与趋势演进进行了研究, 但主要从国家总体层面进行, 对于我国特定区域尤其是西北地区的探讨较少, 本文以我国西北干旱地区为研究对象, 在一定程度上丰富了这方面的研究。同时, 本文也存在着一定的不足之处, 如对农牧业生态系统碳排放的测算主要在种植业和畜牧业两个部门, 还需要进一步提高农牧业碳排放核算的全面性和精度；有学者利用基尼系数法来分析农牧业生态系统碳排放的地区差距, 本文未对两种方法进行对比分析。
从本文的研究结论来看, 当前我国西北地区农牧业生态系统碳排放存在较为明显的空间非均衡性, 不同省区农牧业碳排放的绝对数量及其强度存在较大差异, 而且农牧业内部各类排放的演进趋势也不同。二氧化碳排放具有较强的流动性和负外部性, 某一地区的二氧化碳排放过高, 会对其他地区的环境公平性造成影响。相对于工业和服务业而言, 农牧业生产与自然环境的交互影响更强, 在既定产业结构、技术水平下, 要获得更多的农产品产出, 就必然需要更多的外部投入, 从而推动农牧业生态系统碳排放的大幅提升。这就构成了一种矛盾, 要解决这种矛盾, 需要各级政府、企业、个人等主体从产业结构、技术水平方面作出调整, 制定具体的应对措施。一是各省区依据自己省份的农牧业生产条件及资源禀赋, 大力推进农牧业结构调整, 在保障国家和省域粮食安全及主要农产品有效供给的前提下, 适度降低高排放农作物及畜牧养殖品种的规模和速度, 科学开发低排放作物及牲畜品种。二是要进一步加快农牧业技术创新力度, 尤其是农牧业低碳技术的创新。目前我国西北地区农牧业发展整体还比较落后, 所具有的低碳农牧业技术更是比较有限, 虽然在长期的农牧业生产过程中也形成了一些低碳技术, 但这些技术分散在农牧业生产的不同环节, 分属不同的部门和领域, 所适用的范围和领域还比较有限, 一些技术的应用是否成熟还不明确, 因此需要进一步明确西北地区发展低碳农牧业的关键支撑技术, 建立西北地区农牧业适应气候变化的低碳技术集成, 加强西北地区农牧业低碳技术引进与模仿创新, 加大西北地区低碳农牧业技术的投入和推广体系, 从而实现西北地区农牧业低碳发展。
| [1] | Cole C V, Duxbury J, Freney J, Heinemeyer O, Minami K, Mosier A, Paustian K, Rosenberg N, Sampson N, Sauerbeck D, Zhao Q. Global estimates of potential mitigation of greenhouse gas emissions by agriculture. Nutrient Cycling in Agro Ecosystems, 1997, 49(1/3): 211–228. |
| [2] | Paustian K, Kellogg W K, Rosenberg N J, Schlesinger W H. Agricultural Mitigation of Greenhouse Gases:Science and Policy Options. London:CAST, 2004. |
| [3] | 宋德勇, 卢忠宝. 中国碳排放影响因素分解及其周期性波动研究. 中国人口·资源与环境, 2009, 19(3): 18–24. |
| [4] | 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. 农业经济问题, 2011(2): 32–38. |
| [5] | Yang X M, Chen H Q, Gong Y S, Zheng X H, Fan M S, Kuzyakov Y. Nitrous oxide emissions from an agro-pastoral ecotone of northern China depending on land uses. Agriculture, Ecosystems & Environment, 2015, 213: 241–251. |
| [6] | Dominati E, Mackay A, Green S, Patterson M. A soil change-based methodology for the quantification and valuation of ecosystem services from agro-ecosystems:A case study of pastoral agriculture in New Zealand. Ecological Economics, 2014, 100: 119–129. DOI:10.1016/j.ecolecon.2014.02.008 |
| [7] | Muñoz-Rojas M, Doro L, Ledda L, Francaviglia E. Application of Carbo SOIL model to predict the effects of climate change on soil organic carbon stocks in agro-silvo-pastoral Mediterranean management systems. Agriculture, Ecosystems & Environment, 2015, 202: 8–16. |
| [8] | 段华平, 张悦, 赵建波, 卞新民. 中国农田生态系统的碳足迹分析. 水土保持学报, 2011, 25(1): 203–208. |
| [9] | Wang Z B, Zhang H L, Lu X H, Wang M, Chu Q Q, Wen X Y, Chen F. Lowering carbon footprint of winter wheat by improving management practices in North China Plain. Journal of Cleaner Production, 2016, 112: 149–157. DOI:10.1016/j.jclepro.2015.06.084 |
| [10] | Singh S, Bakshi B R. Footprints of carbon and nitrogen:Revisiting the paradigm and exploring their nexus for decision making. Ecological Indicators, 2015, 53: 49–60. DOI:10.1016/j.ecolind.2015.01.001 |
| [11] | 苏洋, 马惠兰, 颜璐. 新疆农地利用碳排放时空差异及驱动机理研究. 干旱区地理, 2011, 36(6): 1162–1169. |
| [12] | Schandl H, Hatfield-Dodds S, Wiedmann T, Geschke A, Cai Y Y, West J, Newth D, Baynes T, Lenzen M, Owen A. Decoupling global environmental pressure and economic growth:scenarios for energy use, materials use and carbon emissions. Journal of Cleaner Production, 2016, 132: 45–56. DOI:10.1016/j.jclepro.2015.06.100 |
| [13] | Qin X B, Li Y E, Wang H, Liu C, Li J L, Wan Y F, Gao Q Z, Fan F L, Liao Y L. Long-term effect of biochar application on yield-scaled greenhouse gas emissions in a rice paddy cropping system:A four-year case study in south China. Science of the Total Environment, 2016, 569-570–1390-1401. |
| [14] | Panichelli L, Gnansounou E. Impact of agricultural-based biofuel production on greenhouse gas emissions from land-use change:Key modelling choices. Renewable and Sustainable Energy Reviews, 2015, 42: 344–360. DOI:10.1016/j.rser.2014.10.026 |
| [15] | 田云, 张俊飚. 中国省级区域农业碳排放公平性研究. 中国人口·资源与环境, 2013, 23(11): 36–44. DOI:10.3969/j.issn.1002-2104.2013.11.006 |
| [16] | Kim B, Neff R. Measurement and communication of greenhouse gas emissions from U. S. food consumption via carbon calculators. Ecological Economics, 2009, 69(1): 186–196. DOI:10.1016/j.ecolecon.2009.08.017 |
| [17] | de Vries B, Bollen J, Bouwman L, den Elzen M, Janssen M, Kreileman E. Greenhouse gas emissions in an equity-, environment-and service-oriented world:an image-based scenario for the 21st century. Technological Forecasting and Social Change, 2000, 63(2-3): 137–174. DOI:10.1016/S0040-1625(99)00109-2 |
| [18] | 张广胜, 王珊珊. 中国农业碳排放的结构、效率及其决定机制. 农业经济问题, 2014, 35(7): 32–38. |
| [19] | Dace E, Blumberga D. How do 28 European Union Member States perform in agricultural greenhouse gas emissions? It depends on what we look at:Application of the multi-criteria analysis. Ecological Indicators, 2016, 71: 352–358. DOI:10.1016/j.ecolind.2016.07.016 |
| [20] | Johnson J M F, Franzluebbers A J, Weyers S L, Reicosky D C. Agricultural opportunities to mitigate greenhouse gas emissions. Environmental Pollution, 2007, 150(1): 107–124. DOI:10.1016/j.envpol.2007.06.030 |
| [21] | 田云, 张俊飚, 李波. 中国农业碳排放研究:测算、时空比较及脱钩效应. 资源科学, 2012, 34(11): 2097–2105. |
| [22] | 庞军柱, 王效科, 牟玉静, 欧阳志云, 张红星, 逯非, 刘文兆. 黄土高原冬小麦地N2O排放. 生态学报, 2011, 31(7): 1896–1903. |
| [23] | 于克伟, 陈冠雄, 杨思河, 吴杰, 黄斌, 黄国宏, 徐慧. 几种旱地农作物在农田N2O释放中的作用及环境因素的影响. 应用生态学报, 1995, 6(4): 387–391. |
| [24] | 王少彬, 苏维翰. 中国地区氧化亚氮排放量及其变化的估算. 环境科学, 1993, 14(3): 42–46. |
| [25] | 王明星, 李晶, 郑循华. 稻田甲烷排放及产生、转化、输送机理. 大气科学, 1998, 22(4): 600–612. |
| [26] | 熊正琴, 邢光熹, 鹤田治雄, 施书莲, 沈光裕, 杜丽娟, 钱薇. 种植夏季豆科作物对旱地氧化亚氮排放贡献的研究. 中国农业科学, 2002, 35(9): 1104–1108. |
| [27] | 王智平. 中国农田N2O排放量的估算. 农村生态环境, 1997, 13(2): 51–55. |
| [28] | 邱炜红, 刘金山, 胡承孝, 谭启玲, 孙学成. 种植蔬菜地与裸地氧化亚氮排放差异比较研究. 生态环境学报, 2010, 19(12): 2982–2985. DOI:10.3969/j.issn.1674-5906.2010.12.037 |
| [29] | 田云, 李波, 张俊飚. 我国农地利用碳排放的阶段特征及因素分解研究. 中国地质大学学报:社会科学版, 2011, 11(1): 59–63. |
| [30] | 李胜利, 金鑫, 范学珊, 黄文明, 曹志军. 反刍动物生产与碳减排措施. 动物营养学报, 2010, 22(1): 2–9. |
| [31] | Luo X P, Lu Z Z, Xu X. Non-parametric kernel estimation for the ANOVA decomposition and sensitivity analysis. Reliability Engineering & System Safety, 2014, 130: 140–148. |
| [32] | Fahidy T Z. On the use of kernel-based nonparametric probability density functions in electrochemical process analysis. Electrochimica Acta, 2009, 54(14): 3759–3765. DOI:10.1016/j.electacta.2009.01.067 |
| [33] | 镇志勇, 李军. 非参数核密度估计在恒生指数收益率分布中的应用. 统计与决策, 2011(9): 22–24. |
| [34] | Jiang Q C, Yan X F. Weighted kernel principal component analysis based on probability density estimation and moving window and its application in nonlinear chemical process monitoring. Chemometrics and Intelligent Laboratory Systems, 2013, 127: 121–131. DOI:10.1016/j.chemolab.2013.06.013 |
| [35] | Lopez-Novoa U, Sáenz J, Mendiburu A, Miguel-Alonso J, Errasti I, Esnaola G, Ezcurra A, Ibarra-Berastegi G. Multi-objective environmental model evaluation by means of multidimensional kernel density estimators:Efficient and multi-core implementations. Environmental Modelling & Software, 2015, 63: 123–136. |