基于碳匯功能的省域農業碳排放及減排潛力研究

王雅楠　張琪琳　陳偉

摘 要：種植業既是“碳源”又是“碳匯”，在農業碳減排中發揮著關鍵作用。通過測算1997—2020年中國30個省份三種糧食作物的碳排放量與碳匯量，構建了各省碳排放環境學習曲線，并根據歷史增速模擬和現有政策模擬對我國30個省份的農業碳減排潛力進行了預測。結果表明，1997—2020年間，三種糧食作物種植過程產生的碳排放總量呈現波動趨勢，且水稻種植過程產生的碳排放量遠高于小麥和玉米;三種糧食作物碳匯總量呈東高西低的特征，東部、中部分別以水稻、玉米碳匯量為主，西部南方、北方省份間存在差異，分別以水稻、玉米碳匯量為主。人均農業GDP增長對降低碳強度有積極作用，糧食作物本身擁有的碳匯作用能夠在一定程度上實現碳減排，但僅依靠作物碳匯對實現種植業碳減排影響較小。歷史增速模擬和現有政策模擬下，2030年中國平均農業碳排放減排潛力分別為80.34%和79.83%，且西部、中部省份具有較高的減排潛力。

關鍵詞：碳排放;碳匯;碳減排潛力;環境學習曲線

基金項目：國家社會科學基金項目“經濟集聚促進區域節能減排的影響機理與協同政策研究”（20CJY023）;陜西省社會科學基金項目“陜西省種植業碳減排潛力、影響機制及減排政策研究”（2019S010）。

[中圖分類號] F323.22 [文章編號] 1673-0186（2022）005-0058-018

[文獻標識碼] A? ? ? [DOI編碼] 10.19631/j.cnki.css.2022.005.005

隨著我國經濟的快速發展和農業現代化的推進及化學農業、石油農業、機械農業的迅速發展，我國糧食總產量不斷增加，農業碳排放也隨之增加。我國各地區溫室氣體排放總量約有17%是由于傳統農業生產過程中溫室氣體的排放而造成[1]。改革開放以來，我國的農業碳排放保持不斷上升趨勢，且每年的平均增加率維持在5%[2]。IPCC第4次評估報告顯示，農業是溫室氣體的第二大重要來源。我國種植業產值占農業總產值的50%以上，是農業的主要組成部分且主要以糧食作物為主，其中小麥、玉米和水稻種植面積超過糧食作物種植面積一半以上。然而我國糧食生產的資源環境代價太高，近30年，伴隨我國糧食總產量增長90%，化肥消費量、溫室氣體排放量分別增長180%和103%。種植業碳排放成為農業碳排放的主要來源，包括農作物種植過程產生的碳排放和生產要素投入所產生的碳排放。黨的十九大以來，提出繼續推進綠色發展，建設美麗中國目標。2019年中央“一號文件”提出加強農村污染治理和生態環境保護，推動農業農村綠色發展。農村生態環境治理和保護成為實現農業綠色發展的主要方向，種植業碳減排成為實現農業綠色發展的重要舉措。因此，從種植業碳減排著手研究其減排潛力、影響因素和對策是實現農業綠色發展、促進農業可持續發展的重要舉措?；诖?，本文對我國各省份三種糧食作物的種植業碳排放及碳吸收進行測算，建立環境學習曲線對種植業碳減排潛力進行評估，通過設置情景預測各省2030年的碳強度，進而針對不同省份提出種植業碳減排策略，本文研究成果對實現農業綠色發展、促進農業可持續發展、實現我國碳減排目標具有重大意義。

一、文獻綜述

不少學者已經在農業碳排放的測算研究中取得了一定進展，相較于工業碳排放，農業碳排放的來源更為廣泛，已有研究通過對農業碳排放進行不同角度的測算，得到了不同的結論。學者們認為農業碳排放主要源于植物種植過程耗費的能源[3]，通過化肥、農藥、灌溉和種子種植消耗的能源等來衡量農作物種植的農業碳排放[4]。此外，還考慮了農業廢棄物、農業能源、畜禽糞便、水稻生長以及生物燃燒等多方面引起的碳排放[5-7]。國內學者在借鑒國外研究成果的基礎上，基于我國的農業生產實踐對我國農業生產中的碳排放進行了初步研究和估算。根據IPCC的計算方法，可將碳排放系數用作種植業碳排放量的測算[8-10]。在計算種植業碳排放的總量時，可以從農作物碳排放與農業生產資料使用過程碳排放兩個方面來考慮[11]。在對種植業碳排放量和排放強度進行測算時還可以排除來自地域、熟制差異的影響[12]。還有一些學者將農業碳排放的碳源劃分成化肥、農藥、農膜、農用柴油、翻耕、農業灌溉六類[13-14]，不過對于這六種排放量的排序有不同的觀點。

從減排效應上看，與其他產業部門相比，由于種植業強大的碳匯功能，在減排效應上比其他產業部門更具有優勢[15-17]。一方面，在糧食作物生長過程中，其碳匯作用十分顯著，農作物可以通過吸收大氣中的二氧化碳，減緩溫室效應，年凈吸收CO2的質量約為22.8億噸[18]，其中，水稻、小麥、玉米三種糧食作物的年均碳匯量遠大于其他作物[19]，共占我國農業碳匯的80%左右[20]，采用輪作模式還可以進一步提高其凈碳匯價值[21]。同時，農作物在生產過程中還具有調節區域小氣候、凈化空氣等諸多改善生態環境的作用。另一方面，可以通過提高農用物資的利用率、采取農業低碳技術來降低農業碳排放，農業技術的改善還能夠改良土壤結構和種植環境，可進一步降低碳排放[22-23]。因此，關注種植業碳減排對實現我國碳減排目標具有重大意義[24-25]。

我國各時期的農業碳減排潛力水平地區差異明顯[26]，當前各省份所具備的碳減排潛力仍存在較大差異[27]，各省份的農業碳減排潛力水平還受到自身經濟、產業狀況、所處環境及相鄰省份發展情況的影響，且我國農業碳減排長期處于弱退耦，需進一步提高減排的有效性[16]。已有研究利用數據包絡分析方法對種植業碳減排潛力進行了測算，結果表明提高能源利用效率和減少農業投入的能源消耗是有效的減排策略[28]。具體來看，提高各省份有效灌溉率和城鎮化率能夠有效提高本省農業碳減排潛力[29];進一步地，由于種植業的減排增匯對氣候和環境有較大影響，因此從技術角度進行減排增匯對實現碳減排具有重大意義[30]。同時，開展農業貿易、建立完善的生態補償機制也可以實現農業碳減排[31-32]。此外，使用免耕、氮肥減施、間歇灌溉、秸稈還田等農藝措施[33-34]及農地利用減排、農業產業結構調整[35]等對于實現農業碳減排具有重要意義。CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2

綜上所述，已有研究在種植業碳排放的測算、減排潛力和減排政策方面取得了很好的成果，在此基礎上提出了很多有效可行的政策建議，但也存在著有待進一步改善和拓展的空間，已有文獻的缺陷在于：一是已有研究在對種植業碳減排潛力測算時主要側重于從生產要素投入所產生碳排放的角度進行測算，沒有區分不同農作物本身的碳排放差異，測算結果忽略了種植業碳排放的客觀性;二是已有研究在對種植業碳減排潛力測算時，僅從碳排放的角度通過計算效率來進行測算，沒有把種植業的碳匯功能考慮進去，測算的結果不能準確衡量一個地區的種植業碳減排潛力。本文選取我國三大糧食作物：小麥、玉米、水稻為碳減排潛力測算指標，并將小麥細分為春小麥、冬小麥，水稻細分為旱稻、中稻和一季晚稻、雙季晚稻，在測算三種糧食作物碳排放和碳吸收的基礎上，分析我國各省份種植業碳排放的減排潛力，并對2030年各省份減排潛力進行預測，根據種植業碳排放的特點、結合碳減排目標提出完善的減排政策建議，為促進農業可持續發展、發揮農業在節能減排中應有作用提供一定的參考價值。

二、理論分析

種植業碳排放主要來源于農業生產過程中生產要素投入以及作物生長兩個方面。對于糧食作物而言，生產過程中的能耗以及工業投入品的生產與使用均會引起碳排放，其中，以農用化肥、農用柴油、農藥、農用塑料薄膜以及土地灌溉所直接或間接導致的碳排放為主。氮肥的生產、運輸及過度濫用在農業碳排放體系中占據極大比重;農藥的生產與濫用以及低質量農藥的使用會導致土壤、大氣等遭受污染，在造成碳排放的同時，還會破壞土壤的固碳作用，降低農業的碳匯能力;農用塑料薄膜作為農業生產中重要塑料制品，在其生命周期的每個階段都會造成溫室氣體排放;農用柴油發動機排出的廢氣、農業灌溉耗費的機械和電力也會增加碳排放。此外，作物生長過程中自身進行呼吸作用、土壤微生物分解有機物等過程也會產生氧化亞氮、甲烷等溫室氣體從而增加碳排放，不過，不同作物排出的主要溫室氣體存在差異，其引起的碳排放的增加也不盡相同。

由于各地的經濟基礎、自然條件和資源稟賦等方面不同，各地種植業碳排放量、減排能力和減排效率存在較大差異，這種差異最終會使種植業碳減排潛力不同。農業碳減排潛力主要從農業經濟發展和農業碳匯兩個角度進行測算。農業經濟發展包括農業生產技術的發展，以及農業生產、經營、管理等技術的改進，不僅包括自然科學技術的進步，還包括社會科學技術的進步。農業經濟發展水平可以用人均農業GDP來衡量。在農業經濟發展的初期，其增長主要依賴于勞動要素的增加，農用機械、化肥農藥等要素投入變動幅度相對較小，農業結構相對不合理，單位面積碳排放強度可能呈現上升、穩定或下降的趨勢;隨著農業經濟的發展，勞動要素的產出貢獻率逐漸降低，農業增長開始依賴于化肥、農藥等物質投入的增加，一方面促進了單位面積的產出，另一方面也使得農業碳排放量劇增;當農業經濟發展到一定水平，先進的機械和技術將被大力推廣，從而避免農業生態環境的惡化，農用物資例如化肥等投入相應逐步減少，同時，農業結構得到優化調整，這一階段農業產出繼續保持著增長的態勢，但農業碳排放在一定程度上開始減少。農業碳匯則指農作物生長周期中的碳吸收。農作物在生長過程中通過光合作用吸收大氣中的CO2，并以農作物生物量的形式貯存有機碳，成為大氣的碳匯;農作物遭受病蟲害等破壞后會向大氣釋放出已經固定的碳從而成為大氣CO2的碳源。因此，可以通過促進農業的碳吸收，并減少農業作為碳源的輸出，從而減少農業碳排放，使農業表現為碳匯功能，緩解大氣中CO2的積累。

三、研究方法與數據來源

基于農業碳排放和碳匯的概念，在已有研究的基礎上，確定三種糧食作物的碳排放量和碳匯量的測算方式，進一步構建環境學習曲線，并選取科布·道格拉斯（Cobb-Douglas）乘法指數模型對環境學習曲線進行估計。

（一）三種糧食作物碳排放量的測算

本文綜合多位學者研究成果，從以下兩個方面確定種植業碳排放量：

一是生產要素投入所產生的碳排放。將種植業碳排放的碳源分為農用化肥、農用柴油、農藥、農用塑料薄膜、農業灌溉五類，測算由農用化肥、農用柴油、農藥和農用塑料薄膜的使用所產生的碳排放以及由農業灌溉所耗費的機械和電力引起的碳排放[36-37]。考慮到翻耕不適用于全部的糧食作物，不測算由于翻耕而產生的碳排放。二是種植小麥、玉米、水稻三種糧食作物產生氧化亞氮和甲烷氣體所產生的碳排放。已有研究將水稻培養過程產生的甲烷氣體納入了農業碳排放測算體系中[38]。由于小麥、玉米、水稻為我國三大主要糧食作物，在農業生產中占據同等重要位置，且三種糧食作物的生長習性存在較大差異，不同作物在生長過程中產生的溫室氣體種類不同。因此，本文將三大糧食作物細分為春小麥、冬小麥、玉米、旱稻、中稻和一季晚稻、雙季晚稻，將其產生的氧化亞氮和甲烷氣體全部納入種植業碳排放測算體系中，且在對種植業碳排放量進行加總時統一將C、CH4、N2O置換成標準C，置換標準為：1噸N2O所引發的溫室效應相當于81.272 7噸C（298萬噸 CO2）所產生的溫室效應，1噸CH4所引發的溫室效應相當于6.818 2噸C（25噸 CO2）所產生的溫室效應[39]。

碳排放的測算方法如下：

C（t）為第t年三種糧食作物的碳排放總量，104噸;T表示各碳排放源的量，i表示碳源種類， σ表示各碳源碳排放系數。利用如下公式進行碳排放量測算：

各生產要素碳排放系數如表1所示，各類糧食作物排放氣體類型及相應排放系數如表2所示。

（二）三種糧食作物碳匯量的測算

種植業生產部門的碳匯只考慮農作物生長周期中的碳吸收，即作物光合作用形成的凈初級生產量。本文參照已有研究對農業碳匯量的測算方法[40-41]，測算三種糧食作物碳匯量，計算公式如下：

式中，E表示農作物全年碳吸收量;i為農作物品種;e為農作物進行光合作用合成單位有機質所需要的碳，即經濟系數;Y為農作物經濟產量;r為農作物含水量;H為農作物碳吸收率。糧食作物含水量、經濟系數與碳吸收率如表3所示。CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2

（三）環境學習曲線（ELC）模型

1936年萊特（Wright）首次提出了學習曲線（Learning Curve）這一函數模型，用來表示累計平均工時與產量之間的邊際關系[42]。學習曲線反映了生產單位產品的相關成本會隨著經驗積累和技術進步而不斷降低。

環境學習曲線是指隨著生產規模的擴大或生產過程的重復進行，單位產品（產值）的資源消耗和廢棄物排放呈現出規律性變化的趨勢，它可以反映出人類環境保護的全面進步。環境學習曲線一般通過阿爾欽（Alchian）模型，科布·道格拉斯（Cobb-Douglas）乘法指數[43]和沃默（Womer）的可變生產速率模型[44]進行估計，其中，Cobb-Douglas乘法指數模型結構簡單且經濟意義明顯，因此，本文選取常用的科布·道格拉斯（Cobb-Douglas）方法進行估計，計算公式如下：

式中，Y為成本;xi為第i個學習因子;bi為第i個因子的學習系數;ε為誤差項，在實際應用中通常會被忽略。

分析各省農業碳減排的環境學習能力時，以農業碳強度作為因變量，從碳排放和碳吸收兩個方面選取關鍵減排指標作為自變量，從而建立含有兩個獨立變量（人均農業GDP、糧食作物碳匯量）的二因子科布·道格拉斯（Cobb-Douglas）指數模型。

碳排放強度能夠直接明了地反映國民經濟“低碳化”或“高碳化”，所以我們可以將農業碳強度即單位產值碳的排放量作為因變量，用糧食作物碳排放總量（噸）與當年農業GDP（104元）總量的比值來衡量：

式中，Q為碳排放強度，噸/104元;C（t）為第t年的農業碳排放總量，噸，GDP（t）為第t年農業生產總值。

經濟因素是導致各地區種植業碳排放增加的關鍵性因素[45-46]，因此，碳排放角度選取農業經濟發展水平這一指標，用各省份當年人均農業GDP來衡量;農業本身既是“碳源”又是“碳匯”，在農作物生長過程中，作物可以通過吸收大氣中的二氧化碳，減緩溫室效應，因此，碳吸收角度選取糧食作物的碳匯量。碳強度環境學習曲線公式建立如下：

其中，YI為萬元產值碳排放量;X1為第t年的人均農業GDP;X2為農作物碳匯量;bi（i=1，2）為各因子的環境學習系數;A0為初始碳強度，是由初始經濟發展、結構和碳排放決定的一個固定值。

（四）數據來源

本文的研究對象選取中國大陸除西藏自治區外的30個省份，取1997—2020年間的數據作為樣本。各省份三種糧食作物的農用化肥折純量、農用柴油使用量、農藥使用量、農用塑料薄膜使用量、耕地灌溉面積以及各類糧食作物播種面積和產量來自《中國農村統計年鑒》，人口數量采用年末人口數，來自《中國統計年鑒》，各省份各年農業GDP來自《中國農業年鑒》。對于數據收集過程中出現的缺失數據，使用平均值法予以補充。農用化肥折純量、農用柴油使用量、農藥使用量、農用塑料薄膜使用量數據均為各省份當年所有農作物實際使用量總和，耕地灌溉面積的數據為各省份當年所有農作物耕地灌溉面積總和。由于沒有分作物的數據，因此，本文參考已有研究，將種植業產值近似看作農業產值的50%，并將三大糧食作物農用物資投入量以及灌溉面積看作為各省份農用物資投入總用量、灌溉總面積的一半[47-49]。

四、實證結果與分析

基于各省份三種糧食作物碳排放量以及碳匯量的測算，構建環境學習曲線，探究各省份農業碳減排的環境學習能力，進而通過歷史增速模擬以及政策模擬預測2030年各省份農業碳排放的減排潛力。

（一）三種糧食作物碳排放量及碳匯量

對30個省份1997—2020年三種糧食作物種植過程產生的碳排放量進行測算，得到各年間各省份三大糧食作物碳排放量，部分結果如表4所示?？梢钥闯?，各省份間碳排放量差異較大，其中，北京、上海、天津、寧夏、青海都屬于低碳排放省份，這五個省份三種糧食作物碳排放的總量占全國僅有1%左右。北京、上海、天津經濟發展快速，農業生產轉移現象較嚴重，因此農業碳排放量較低;寧夏屬于溫帶大陸性氣候、青海屬于高原大陸性氣候，這兩地的小麥、玉米種植面積較小，氣候、地形等原因使得三種糧食作物的農業碳排放較低。安徽、黑龍江、湖北、湖南、河南、江蘇、山東都是高碳排放省，這些省份是我國糧食作物的主產區，因此碳排放量較大。從增長趨勢來看，北京、上海、福建、浙江三種糧食作物的農業碳排放量總體呈下降趨勢，內蒙古、吉林、黑龍江三種糧食作物的農業碳排放量總體呈上升趨勢。

1997—2020年間，小麥、玉米、水稻三種糧食作物種植過程產生的碳排放量變化趨勢如圖2所示。水稻種植過程產生的碳排放量遠高于小麥和玉米，三種糧食作物種植過程產生的碳排放總量呈現波動趨勢。1997—2003年間，全國三種糧食作物種植過程產生的碳排放總量呈現下降態勢，水稻種植過程產生的碳排放量下降最為明顯。這段時期內，我國實行生態退耕政策，是耕地面積急劇減少期，是造成糧食作物生產過程產生的碳排放總量下降的直接原因。2003—2015年間，全國三種糧食作物生產過程產生的碳排放總量呈現逐年上升的態勢，玉米、水稻種植過程產生的碳排放量均有明顯上升。這一變化可能受到經濟全球化的影響。我國加入WTO后，農業發展環境的轉變使得農業發展進一步加快[50]，隨之而來的就是農產品生產逐步上升帶來碳排放量的增加。2015年后，全國三種糧食作物種植過程產生的碳排放總量呈現下降態勢，可能的原因是，2015年，全國各省主動優化農業生產結構和區域布局以解決糧食品種的供需矛盾。全國開放的部分試點采取相應措施調整農業種植結構，這使得糧食作物尤其是玉米的播種面積和產量發生下降。2016年，試點范圍擴大，“玉米改大豆”“糧改飼”“糧改油”等措施的實施，使得糧食作物的播種面積和產量進一步下降。

部分年份各省份三種糧食作物碳匯量如表5所示。1997—2020年間，玉米、小麥碳匯量呈現上升趨勢，其中，玉米碳匯量上升明顯，水稻碳匯量呈現下降趨勢，尤其是東部沿海地區水稻碳匯量下降明顯。整體來看，我國東部地區糧食作物碳匯總量高，各省份碳匯量主要以水稻碳匯量為主，中部地區各省份碳匯量主要以玉米碳匯量為主，西部地區糧食作物碳匯量低，且南、北方省份碳匯量差異明顯，南方省份以水稻碳匯量為主，碳匯總量高，北方省份以玉米碳匯量為主，碳匯總量低，全國糧食作物碳匯量呈東高西低的特征。各省份間碳匯量差異也較大，江蘇、黑龍江、河南、山東、湖南都屬于高碳匯的省份，糧食作物碳匯量高于其他省份，且呈現持續增長趨勢。這些省份擁有碳匯優勢的原因有很多，首先，種植條件優越，糧食作物總產量高;其次，農業技術發展不斷推進，糧食作物單位面積產量不斷提高。北京、上海、天津、海南、寧夏、青海都屬于低碳匯的省份，其中，北京、上海、天津經濟發展迅速，糧食作物種植面積小，糧食作物碳匯量低。寧夏、青海日照時間長，太陽輻射強，晝夜溫差大;海南地處熱帶北緣，光溫充足，光合潛力高，這三個省份糧食作物種植面積小，且農業生產發展水平低，糧食作物單產低，糧食作物碳匯量低。CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2

（二）各省份農業碳排放的減排潛力

本文使用環境學習曲線測算各省份農業碳排放的減排潛力。選取1997—2020年我國30個省份（不包括西藏、香港、澳門和臺灣）的有關統計數據，以農業碳強度作為因變量，從碳排放和碳吸收兩個方面選取關鍵減排指標作為自變量，分別為人均農業GDP（萬元）和農作物碳匯量（萬噸），建立各個省份的多因素環境學習曲線，分析各變量在各省市的碳減排的環境學習能力，以此作為各省農業碳減排預測分析的依據。

各省份環境學習曲線的系數如表6所示。從中可以看出，人均農業GDP對碳排放強度影響顯著，且學習系數（b1）均大于零，即促進各省份人均農業GDP增長對降低碳強度有積極作用。其中，天津市的學習系數最高（2.765 8），吉林省的學習系數最低（0.525 9）。北京、天津、山西、黑龍江、上海、江蘇、浙江、福建、江西、湖北、湖南、廣東、海南、四川、陜西、甘肅、青海、寧夏、新疆十九個省份糧食作物碳匯量對碳排放強度影響顯著，且學習系數（b2）小于零，即作物碳匯量升高反而會增加碳強度。由于作物碳排放和碳匯分別與播種面積和產量有關，因此，該結果能夠說明，僅依靠作物碳匯對種植業碳減排影響較小，要實現種植業碳減排，還需進一步完成減碳增匯。

（三）各省份農業碳排放情景預測

以各省份碳排放的環境學習曲線為基礎，分別根據歷史增速和現有政策模擬各省份的碳強度，估算其未來的減排潛力。歷史增速下，基于30個省份各要素的歷史發展趨勢進行模擬。計算1997—2020年各變量的平均增長率，預測2030年人均農業GDP和碳匯量?，F有政策下，根據我國政府制定的若干政策文件并參考已有文獻進行模擬，具體模擬過程為：計算1997—2020年全國各省份農業總產值的年均增長率，并假設2022—2030年各省份的農業總產值以此速度增長。同時，按照《國務院關于印發國家人口發展規劃（2016—2030年）的通知》，到2030年人口總量將在14.5億左右，假設2030年各省份人口比例等于2011—2020年的平均比例，可按比例計算2030年各省份的人口。據此，我們可以預測出2030年各省人均農業GDP。對碳匯量進行預測時，參考楊果和陳瑤通過1993—2011年的數據進行計算得到的農業碳匯量年均增加1.38%的結果[51]，對2030年碳匯量進行預測。各省份減排潛力預測結果如表7所示。

雖然我國制定了國家碳減排政策，但在農業領域中沒有具體的碳減排文件規定，本部分按照2015年6月中國向聯合國氣候變化框架公約秘書處提交的《強化應對氣候變化行動——中國國家自主貢獻》中提到的“到 2030 年單位GDP CO2排放比2005年下降 60%～65% ”的目標要求進行分析。結果表明，歷史增速模擬和現有政策模擬下2030年平均碳排放減排潛力分別為80.34%和79.83%，達到了單位GDP碳排放比2005年下降60%～65%的目標，且大部分省份的減排潛力都高于此平均水平。因此，提升農業經濟發展水平，促進技術進步對實現農業減碳增匯、實現碳減排有著光明的前景。在兩種情景預測下，吉林、上海的碳減排潛力均不明顯，沒有達到減排目標，可能的原因有：上海是經濟中心，農業不是其發展的主導產業;吉林農業生產高度規?；杀緝炘叫匀菀自斐缮a要素的過度投入，種植過程產生的碳排放會保持在較高水平。此外，在兩種情景預測下，其余各省份都達到了減排目標，在歷史增速模擬下，貴州、廣西、海南擁有較高的碳減排潛力;在現有政策模擬下，貴州、廣西、海南、陜西、新疆擁有較高的碳減排潛力。

五、結論與討論

本文以小麥、玉米、水稻三種糧食作物為基礎，測算了1997—2020年間的農業碳排放量與碳匯量，構建了碳排放環境學習曲線，對各省份的農業碳減排潛力進行了測算，并對各省份未來的減排潛力進行了情景分析，得到結論如下：

第一，各省份間糧食作物碳排放量差異較大，水稻種植過程產生的碳排放量遠高于小麥和玉米。1997—2020年間，三種糧食作物種植過程產生的農業碳排放總量呈現波動趨勢，其中，安徽、黑龍江、湖北、湖南、河南、江蘇、山東都是高農業碳排放省份，這與我國不同地區農業發展水平、種植結構、氣候條件等自然經濟因素差異有較大關系。除此之外，近年來，農村耕地和基本農田不同程度的“非糧化”“非農化”對不同省份的農業生產構成了不同程度的威脅，不同省份間技術水平的差異也使其在實現農業生產低碳化、綠色化和現代化轉型的過程中產生差異。我國農業碳排放存在顯著的區域差異。

第二，糧食作物碳匯量整體呈東高西低的特征，東部、中部分別以水稻、玉米碳匯量為主，西部南方省份以水稻碳匯量為主，北方省份以玉米碳匯量為主，各省份間糧食作物碳匯量差異較大，江蘇、黑龍江、河南、山東、湖南都屬于高碳匯省份。近年來，各省份積極推進農業技術發展，不斷改良作物品種、調優種植結構，促使糧食作物單位面積產量得到不斷提升，經濟技術發展快的省份在碳匯方面將不斷占有更大的優勢。分作物來看，水稻種植過程產生的碳匯量遠遠高于玉米、小麥種植過程產生的碳匯量。

第三，環境學習曲線回歸結果顯示，人均農業GDP對碳排放強度影響顯著，促進各省人均農業GDP增長對降低碳排放強度有積極作用，農業經濟發展能夠帶來技術進步、促進生態文明理念宣傳，對碳減排影響明顯。碳匯對降低碳強度有抑制作用，超過一半的省份糧食作物碳匯量對碳排放強度影響顯著。盡管從理論上來說糧食作物本身擁有的碳匯作用能夠在一定程度上實現碳減排，然而由于碳匯的增加是種植面積增加的結果，而種植面積的擴大又增加了碳排放，因此增加碳匯所形成的碳減排效應被抵消了，這表明僅依靠作物碳匯對實現種植業碳減排是不夠的。各省在發展農業的過程中可以通過增加農業碳匯量的方式實現農業碳減排，但是要把“減碳”和“增匯”并行。從各省農業碳排放情景分析的結果來看，農業碳減排較難實現的省份主要集中在我國東部地區，東部地區普遍經濟發展較快，農業轉移現象較為突出，通過農業生產實現減碳增匯效果不明顯。反之，我國中、西部地區由于聚集了較多糧食種植大省，農業碳減排潛力較為突出。CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2

本文的研究結果對我國從農業方面創新碳減排路徑提供了重要啟示。第一，要從碳源角度出發減少種植過程中的碳排放，通過積極推廣資源節約型循環農業，實現廢棄物資源化利用，減少生產資料投入以及農業廢棄物產生的碳排放;大力發展有機農業，通過作物輪作、綠肥覆蓋等措施減少農業生產過程的碳排放量。第二，單獨依靠增加作物碳匯對實現種植業碳減排是不夠的，要充分實現“減碳”與“增匯”的有機結合，改變傳統農業管理方式，通過秸稈還田、推廣保護性耕作、種植覆蓋作物等方式充分發揮土壤的固碳作用，提高農業整體碳匯水平。第三，結合不同糧食作物生長習性，以及實際碳排放、碳匯情況，采取區域異質性固碳減排技術，對于以水稻碳匯為主的東部省份以及西部南方省份，采用間歇性節水灌溉、秸稈氮肥配施、免耕等稻田管理技術以促進稻田減排增匯、節能循環，提高水稻碳匯能力。第四，鑒于省份資源稟賦、地理位置、經濟水平和現有產業結構的異質性，制定不同的省際碳減排目標，在全球低碳發展的大背景下，政府在制定各省份碳排放強度減排目標時，可通過稅收補貼、財政政策等激勵方式引導中西部部分以農業為主導產業的省份通過農業碳減排實現減排目標;利用農業的碳匯優勢完成碳減排既能實現農業綠色發展、促進農業可持續發展，又能緩解經濟欠發達省份的碳減排壓力，最終實現我國低碳發展的長遠目標。第五，發揮市場作用，培育農業碳排放交易市場機制，通過市場調節，碳交易能夠充分發揮市場機制在資源配置中的作用，以低成本推動碳減排，助力實現“雙碳”目標。

參考文獻

[1]? XU B， LIN B. Factors affecting CO2 emissions in China's agriculture sector： Evidence from geographically weighted regression model[J]. Energy Policy， 2017， 104： 404-414.

[2]? 冉光和，王建洪，王定祥.我國現代農業生產的碳排放變動趨勢研究[J].農業經濟問題，2011（2）：32-38+110-111.

[3]? TRISTRAM O W， MARLAND G. A synthesis of carbon sequestration， carbon emissions， and net carbon flux in agriculture： comparing tillage practices in the United States[J]. Agriculture， Ecosystems and Environment， 2002， 91（1）： 217-232.

[4]? NURSE J. An ecological approach to promoting population mental health and well-being—A response to the challenge of climate change[J]. Perspectives in Public Health， 2010， 130（1）： 27-33.

[5]? JOHNSON J M F， FRANZLUEBBERS A J， WEYERS S L， et al. Agricultural opportunities to mitigate greenhouse gas emissions[J]. Environments Pollution， 2007， 150（1）： 107-124.

[6]? 叢建輝，劉學敏，趙雪如.城市碳排放核算的邊界界定及其測度方法[J].中國人口·資源與環境，2014（4）：19-26.

[7]? GOLDSTEIN B， HAUSCHILD M， FERNANDEZ J， et al. Testing the environmental performance of urban agriculture as a food supply in northern climates[J]. Journal of Cleaner Production， 2016， 135： 984-994.

[8]? 梁龍，杜章留，吳文良，等.北京現代都市低碳農業的前景與策略[J].中國人口·資源與環境，2011（2）：130-136.

[9]? 尚杰，楊濱鍵.種植業碳源、碳匯測算與凈碳匯影響因素動態分析：山東例證[J].改革，2019（6）：123-134.

[10]? 丁寶根，楊樹旺，趙玉.長江經濟帶種植業碳排放時空特征及驅動因素研究[J].生態與農村環境學報，2019（10）：1252-1258.

[11] ? 郭旋，張良茂，胡榮桂，等.華中地區種植業生產碳排放驅動因素分析[J].長江流域資源與環境，2016（5）：695-701.

[12]? 田云，張俊飚，豐軍輝，等.中國種植業碳排放與其產業發展關系的研究[J].長江流域資源與環境，2014（6）：781-791.

[13] ? 李俊杰.民族地區農地利用碳排放測算及影響因素研究[J].中國人口·資源與環境，2012（9）：42-47.

[14]? 胡婉玲，張金鑫，王紅玲.中國種植業碳排放時空分異研究[J].統計與決策，2020（15）：92-95.

[15]? 吳賢榮，張俊飚，田云，等.基于公平與效率雙重視角的中國農業碳減排潛力分析[J].自然資源學報，2015（7）：1172-1182.

[16]? 吳賢榮，張俊飚.中國省域農業碳排放：增長主導效應與減排退耦效應[J].農業技術經濟，2017（5）：27-36.CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2

[17] ? 張衛建，嚴圣吉，張俊，等.國家糧食安全與農業雙碳目標的雙贏策略[J].中國農業科學，2021（18）：3892-3902.

[18]? 謝淑娟，匡耀求，黃寧生.中國發展碳匯農業的主要路徑與政策建議[J].中國人口·資源與環境，2010（12）：46-51.

[19] ? 杜江，羅珺，王銳，等.糧食主產區種植業碳功能測算與時空變化規律研究[J].生態與農村環境學報，2019（10）：1242-1251.

[20] ? 陳羅燁，薛領，雪燕.中國農業凈碳匯時空演化特征分析[J].自然資源學報，2016（4）：596-607.

[21]? 白保勛，陳東海，徐婷婷，等.主要糧經作物與輪作模式凈碳匯價值分析[J].生態經濟，2021（9）：97-101.

[22] ? MOSIER A R， HALVORSON H A， REULE C A， et al. Net Global Warming Potential and Greenhouse Gas Intensity in Irrigated Cropping Systems in Northeastern Colorado[J]. Journal of Environmental Quality， 2006， 35（4）： 1584-1598.

[23] ? 田云，張俊飚，吳賢榮，等.中國種植業碳匯盈余動態變化及地區差異分析——基于31個省（市、區）2000—2012年的面板數據[J].自然資源學報，2015（11）：1885-1895.

[24]? FAIS B， SABIO N， STRACHAN N. The critical role of the industrial sector in reaching long-term emission reduction， energy efficiency and renewable targets [J]. Applied Energy， 2016， 162： 699-712.

[25]? 何艷秋，戴小文.中國農業碳排放驅動因素的時空特征研究[J].資源科學，2016（9）：1780-1790.

[26] ? 吳賢榮，張俊飚，程琳琳，等.中國省域農業碳減排潛力及其空間關聯特征——基于空間權重矩陣的空間Durbin模型[J].中國人口·資源與環境，2015（6）：53-61.

[27] ? 田云，林子娟.巴黎協定下中國碳排放權省域分配及減排潛力評估研究[J].自然資源學報，2021（4）：921-933.

[28]? 賀亞亞，田云，張俊飚.湖北省農業碳排放時空比較及驅動因素分析[J].華中農業大學學報（社會科學版），2013（5）：79-85.

[29]? 吳昊玥，黃瀚蛟，何宇，等.中國農業碳排放效率測度、空間溢出與影響因素[J].中國生態農業學報 （中英文），2021（10）：1762-1773.

[30] ? 白若琦，白樸，吳益偉，等.種植業固碳減排潛力和技術對策研究[J].江蘇農業科學，2017（22）：279-283.

[31]? 潘安.中國農業貿易的碳減排效應研究[J].華南農業大學學報（社會科學版），2017（4）：25-33.

[32]? 張新民.農業碳減排的生態補償機制[J].生態經濟，2013（10）：107-110.

[33] ? 陳松文，劉天奇，曹湊貴，等.水稻生產碳中和現狀及低碳稻作技術策略[J].華中農業大學學報，2021（3）：3-12.

[34]? 唐海明，李超，肖小平，等.不同耕作模式對雙季稻田生態系統凈碳匯效應及收益的影響[J].生態環境學報，2020（2）：215-222.

[35]? 何艷秋，陳柔，吳昊玥，等.中國農業碳排放空間格局及影響因素動態研究[J].中國生態農業學報，2018（9）：1269-1282.

[36]? 田云，張俊飚，李波.基于投入角度的農業碳排放時空特征及因素分解研究——以湖北省為例[J].農業現代化研究，2011（6）：752-755.

[37]? 段華平，張悅，趙建波，等.中國農田生態系統的碳足跡分析[J].水土保持學報，2011（5）：203-208.

[38]? 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（1）：129-138.

[39]? 田云，張俊飚.中國農業生產凈碳效應分異研究[J].自然資源學報，2013（8）：1298-1309.

[40]? 謝鴻宇，陳賢生，林凱榮，等.基于碳循環的化石能源及電力生態足跡[J].生態學報，2008（4）：1729-1735.

[41]? 李克讓.土地利用變化和溫室氣體凈排放與陸地生態系統碳循環[M].北京：氣象出版社，2002：260-265.

[42]? WRIGHT TP. Factors affecting the costs of airplanes[J]. Aeronaut Sci， 1936， 3（4）：122-128

[43]? BEMIS JC. A model for examining the cost implications of production rate. Concepts[J]. Def Syst Acquis Manage， 1981， 4（2）： 84-94CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2

[44]? BADIRU A B. Computational survey of univariate and multivariate learning curve models[J]. IEEE Transactions ineering Eng Management， 1992， 39（2）： 176-188

[45]? 堯波，鄭艷明，胡丹，等.江西省縣域農業碳排放的時空動態及影響因素分析[J].長江流域資源與環境，2014（3）：311-318.

[46]? 文清，田云，王雅鵬.中國農業碳排放省域差異與驅動機理研究——基于30個?。ㄊ?、區）1993～2012年的面板數據分析[J].干旱區資源與環境，2015（11）：1-6.

[47]? 付佳，安增龍.黑龍江省種植業結構調整經濟效益評價[J].浙江農業科學，2021（3）：623-626+631.

[48]? 羅暄.湖南省農業產業結構與競爭力演進分析——基于動態偏離份額模型[J].湖南人文科技學院學報，2020（5）：74-79.

[49]? 楊濱鍵，孫紅雨.低碳績效測度與動態效應研究——以山東省種植業為例[J].中國生態農業學報（中英文），2021（3）：581-589.

[50]? 檀學文，張強.經濟全球化對中國東部農業的影響[J].世界農業，2003（9）：10-13.

[51]? 楊果，陳瑤.中國農業源碳匯估算及其與農業經濟發展的耦合分析[J].中國人口·資源與環境，2016（12）：171-176.

Study on provincial agricultural carbon emission and emission reduction potential based on carbon sink function： Taking Chinas three main grain cropsas an example

Wang Yanan1? ? Zhang Qilin2? ?ChenWei1

（1.College of Economics and Management， Northwest A&F University， Yangling， Shaanxi 712100;

2.School of Economics and Finance， Xi'an Jiaotong University， Xi'an， Shaanxi， 710061）

Abstract： Planting industry is both a "carbon source" and a "carbon sink"， which plays a key role in agricultural carbon emission reduction.By calculating the carbon emissions and carbon sinks of three food crops in 30 provinces of China from 1997 to 2020， this paper constructs the provincial carbon emission environmental learning curve. According to the historical growth simulation and existing policy simulation， the agricultural carbon emission reduction potential of 30 provinces and regions in China is predicted. The results show that the total carbon emissions from the cultivation of the three food crops show a fluctuating trendduring the period 1997-2020.The carbon emissions from the cultivation of rice are much higher than those from wheat and maize.The total carbon sinks of the three food crops are characterized as high in the east and low in the west. Rice carbon sinks and maize carbon sinks are the main sources of carbon sinks in eastern and central provinces respectively.There are differences in the main sources of carbon sinks in the southern and northern provinces in the west， with rice and maize carbon sinks being the main sources respectively.The growth of agricultural GDP per capital has a positive effect on reducing carbon intensity. The carbon sinks possessed by food crops themselves can achieve carbon emission reduction to a certain extent.However， relying on crop carbon sinks alone has a relatively small impact on achieving carbon emission reduction in theplanting industry.Under the historical growth rate simulation and existing policy simulation， the average agricultural carbon emission reduction potential in China in 2030 is 80.34% and 79.83% respe ctively. The carbon emission reduction potential is higher in western and central provinces.

Key Words： carbon emission; carbon sink; carbon emission reduction potential; environmental learning curve

作者簡介：王雅楠，西北農林科技大學經濟管理學院副教授，碩士生導師，管理學博士，研究方向：資源與環境政策;張琪琳，西安交通大學經濟與金融學院碩士研究生，研究方向：資源與環境政策;陳偉（通信作者），西北農林科技大學經濟管理學院副教授，博士生導師，管理學博士，研究方向：土地經濟與管理。CB01F5E6-8224-48DA-B2C0-8B4DC33D85A2