耕地利用中要素投入與作物產出的碳排放/吸收貢獻及其影響因素

摘要：研究目的：以江蘇為實證區域，揭示耕地利用中要素投入與作物產出的碳排放/吸收效應貢獻及其多因素影響空間分異。研究方法：基于細分活動的碳排放測算、幾何重心轉移分析與地理加權回歸分析方法。研究結果：（1）30年間要素投入地均碳排放整體呈上升趨勢，空間上呈“蘇中蘇北高、蘇南相對較低”的分布格局，且相對蘇南，蘇中和蘇北地區的要素投入地均碳排放30年間持續增強；作物產出地均碳匯與要素投入地均碳排呈相似的空間格局，且整體呈降低趨勢。（2）30年間各縣區要素投入碳排放量均小于作物生長碳吸收量，耕地呈典型碳匯效應；空間上各市轄區的年均投入產出比值普遍較高，大部分農業比重相對較高的縣區比值相對較低。（3）在全省大部分區域，高程是抑制要素投入與作物產出地均碳排放/吸收的最重要因素；GDP則是促進兩者增長的主要正向因素；坡度、水體、人口、距城鎮距離、距高速公路出入口與政府距離等因素指標對兩類碳效應均整體呈負向貢獻，其他因素指標則相反，且這種貢獻在不同地區顯示出明顯的空間差異性。研究結論：應依據不同區域自然資源稟賦、經濟社會發展特點，以及耕地利用中要素投入與作物產出的碳效應貢獻差異，制定更有針對性的減碳增匯措施。

關鍵詞：耕地利用碳排放；要素投入；作物產出；多因素影響時空分異；江蘇省

中圖分類號：F301.21 文獻標志碼：A 文章編號：1001-8158（2025）01-0130-11

基金項目：江蘇省社科基金項目（22GLB028）；國家自然科學基金項目（72474214）；中國礦業大學?；究蒲袠I務費重大項目培育專項基金（2022ZDPYSK08）。

經濟社會發展使得各類生產生活活動強度變大，導致對土地的高強度利用以及其他資源能源的大量消耗，并排放出大量溫室氣體，從而對區域生態環境乃至全球氣候產生重要影響[1-3]。為此，我國提出2030年實現碳達峰、2060年實現碳中和的“雙碳”目標，這是我國積極應對氣候變化、推動構建人類命運共同體的重要舉措，對于實現我國“五位一體”總體布局和綠色發展戰略具有重要意義。

耕地是支持人類生存和社會發展的基礎資源，也是國家糧食安全的根本保證，同時具有碳吸收等重要的生態系統功能。在人多地少的持續壓力下，我國建立了最嚴格的耕地保護制度，從數量、質量與生態“三位一體”全方位保障耕地安全[4]。從碳排放角度來看，有研究表明耕地是土地利用碳效應的重要來源，也是僅次于建設用地的第二大碳源[5]。由于耕地利用中既包括農用物資投入產生的碳排放效應，也包括作物生長收獲這一核心產出的碳吸收效應，故也有研究表明中國耕地利用系統整體呈現為碳盈余，是重要的碳庫[6]。因此，分析并揭示耕地利用中要素投入與作物產出的碳效應貢獻及其影響因素，對系統把握耕地利用的碳效應機制機理至關重要，也可為提出更具實操性的減碳增匯路徑提供科學依據。

近年來，學者們針對耕地碳效應及其影響因素開展了廣泛研究。其中，關于碳效應測度研究中，應用排放系數進行估算的方法較為常見[7-8]，但該方法存在區域適用性不強、誤差相對較大的缺陷。根據耕地利用中物資投入與耕作過程等進行測算的方法則可以有效克服上述缺陷[9-10]，大量學者從農業生產[11-12]與農用物資投放[13]視角開展了相關研究，然而多聚焦于耕地利用中物資投入與作物生產的碳排放效應，而對于作物生長的碳匯效應考慮相對較少[14-16]；在關于農業生產與農田植被凈碳匯的研究中雖考慮了作物生長碳匯效應[13，17]，但并未揭示耕地利用中要素投入與作物產出的貢獻差異及其影響因素和作用機制，難以據此提出更具針對性和實效性的耕地碳減排策略建議。

江蘇省是我國十大產糧省份之一，區域內耕地資源在保障糧食生產的同時，也為調節生態環境做出了重要貢獻。作為我國經濟最為發達的省份之一，江蘇省因經濟社會發展導致的碳排放壓力明顯，因此，其耕地利用及其碳排放問題具有明顯的典型性與代表性。如何在保障經濟社會發展與糧食安全等的基礎上，從省域尺度上系統深入研究耕地利用對碳減排的貢獻機制機理，以便提出更有針對性的區域性碳減排策略，從而助力 “雙碳”目標的實現，成為亟待解決的課題。本文以江蘇省為實證對象，系統研究30年來全省耕地利用中要素投入與作物產出的碳排放貢獻及其影響因素，旨在揭示耕地利用各類要素投入碳排放與作物產出碳吸收效應的貢獻分異及其多因素影響規律，從而為制定基于區域分異、更有針對性與實操性的耕地利用細分要素投入與作物產出碳減排策略提供支撐，也為我國其他地區開展相關工作提供參考借鑒。

1 研究區概況、數據來源與研究方法

1.1 研究區概況

江蘇省地處我國沿海地區中部，東瀕黃海，與山東、安徽、浙江、上海等省、市接壤，介于北緯30°45′～35°08′與東經116°21′～121°56′之間。江蘇省地處江淮沂沭泗五大河流下游，境內河湖密布、水系發達。據《2023年江蘇省國民經濟和社會發展統計公報》，2023年江蘇人口總量為8 526萬人，占全國6.05%，居全國第四；人口密度約830人/km2，居全國第一。2023年全省地區生產總值為12.8萬億元，占全國GDP的比重超過10%，排名僅次于廣東。由于人口稠密、經濟規模大，江蘇省能源消費總量較大（據2024年《江蘇統計年鑒》，2022年為3.58億t標準煤，占全國的比重約為6.04%），面臨著較大的資源環境保護以及碳減排壓力。

從耕地資源來看，江蘇省以1.1%的國土面積、3.2%的耕地（409.89萬hm2），生產了全國5.5%的糧食，承載了全國約6%的人口。在農業物資與機械投入方面，江蘇省已基本實現糧食生產全程機械化，農作物耕種收綜合機械化率達85%，農業科技進步貢獻率達71.8%?！笆濉逼陂g全省化肥、農藥使用量分別下降了12.3%和15.9%①。研究江蘇省耕地利用碳效應問題并提出相應的減碳增匯措施具有重要的現實意義。

1.2 數據來源與處理

本文所采用的1990—2020年江蘇省土地利用數據（圖1）、空間化的人口與GDP數據，均來源于資源環境科學數據注冊與出版系統；地質災害數據來源于地理遙感生態網科學數據注冊與出版系統；基礎地理信息數據來源于1∶100萬全國基礎地理信息數據庫；SRTM數據來源于地理空間數據云；高鐵站點、高速公路出入口以及政府位置信息來源于高德地圖開放平臺的POI數據；二三產業比重等經濟社會數據來源于《中國城市統計年鑒》 《江蘇統計年鑒》；各縣區的農業生產中各類要素投入與不同類型的作物生產數據源于《江蘇農村統計年鑒》及其他相關統計資料。

數據處理中，對于空間數據首先完成投影變換以及地理配準后，將其導入構建的空間數據庫。對于非空間數據中的缺失值采用時間序列、趨勢分析等方法進行插值后補充；對于存在明顯差異（如標準化得分大于3）或不符合實際的異常值，通過多源補充核實、數據修正或替換為缺失值。

數據指標獲取中，坡度使用SRTM數據應用表面分析工具獲取；歸一化植被指數（NDVI）采用MODIS13A3數據應用最大合成法獲取年度指標值；因各縣區多年二三產業GDP數據難以完整收集， 故使用各市二三產業比例與GDP空間數據測算得到；距高鐵站、高速公路出入口及各級政府距離三個指標，基于相應的POI數據分別應用距離分析工具獲取（表1）。

1.3 研究方法

1.3.1 要素投入與作物產出碳排放/吸收測算方法

耕地利用碳排放/吸收主要包括農用物資投入與機械使用碳排放、作物生長碳吸收、作物種植N2O碳排放轉換以及水稻發育中CH4碳轉化等類型（其中碳吸收為負的碳排放效應）。此外，秸稈還田腐殖后部分以有機碳形式存儲于土壤中，由于土壤有機碳含量長期保持穩定，故該部分實際上通過作物吸收后的碳固定以及土壤有機碳礦化（指土壤中有機碳經過微生物分解和轉化后形成穩定的無機碳形式）過程進行了碳轉化，其中作物吸收后的碳固定已在作物生長碳效應階段測算。另由于秸稈還田后對土壤N2O與CH4排放的影響尚存在不同認識[18]，且缺乏江蘇該部分研究成果，各縣區秸稈還田數據也無法收集到。綜上，本文未考慮該部分產生的碳排放效應。

由于收獲后的作物秸稈焚燒是對后續殘余物的處理，不宜將其納入耕地利用中的要素投入或作物產出。此外，關于秸稈焚燒與填埋的相關數據也難以收集。故本文同樣未考慮該部分碳排放。

2 要素投入與作物產出碳排放/吸收影響因素分析及指標體系構建

耕地利用要素投入與作物產出碳排放會受到多種自然與經濟社會因素的影響，且在不同的條件或環境下多具有雙向性。

（1）自然因素中，地形地勢、地質災害、植被水體狀況均會對耕地利用規模、要素投入強度以及作物類型等產生影響[26]。如高海拔區域，高程增加對耕地利用限制性更強，作物碳匯能力則相對較低；低海拔區域則由于潛在的洪澇災害風險，適度的高程反而有利于耕地利用效率提高與作物生長，碳匯能力相對較高。適度的坡度有利于排水，對作物生長相對有利；但是過于平坦的地形不利于田塊排水，過高的坡度則有水土流失風險，反而降低了耕作的作物生長與碳匯能力。在表征指標的選擇方面，地形地勢多以高程及坡度兩項指標表征；地質災害一般基于獲取數據采取適當指標表征，若收集數據為點要素集時，多以距地質災害點距離表征；植被水體多以林地與水體比重，或NDVI與歸一化水體指數（NDWI）表征。

（2）經濟社會因素中，人口是影響經濟社會發展及城市化進程的關鍵因素[27]，多以人口總量或密度表征，其對耕地利用的規模與效率等均會產生顯著影響[28-29]；經濟發展與收入水平提高會引起食物消費結構調整[30]以及相應的耕地利用方式變化[31]，多以經濟總量以及人均收入水平表征；產業結構調整[32-33]會對建設用地需求發生變化，相應的也會影響建設占用耕地需求，該指標多以二三產業產值或比重表征；區位因素對耕地利用產生的影響既包括建設用地侵占耕地的影響[28，30，34]，也包括對耕地利用方式與效率的直接影響。上述因素最終會導致耕地利用中要素投入與作物產出的碳排放/吸收發生變化。

由于本文應用的GWR方法需采用基于圖斑的空間數據信息，故以指標數據的空間分異性、可獲得性、典型性與代表性為原則，構建影響因素表征指標體系。實證中首先進行共線性診斷，因NDWI、林地比重以及二三產業GDP比重等指標的VIF值超過8未被選取[25]，最終納入分析的指標如表 1。

3 結果與分析

3.1 耕地利用要素投入與作物產出碳排放/吸收效應時空分異

3.1.1 要素投入碳排放時空分異

要素投入地均碳排放結果（圖2和圖3）顯示：（1）30年間，地均碳排放值介于0.15～2.39 t/hm2之間，空間上除1990年度外大體呈“蘇中蘇北高、蘇南相對較低”的分布格局，30年間年均投入地均碳排放也呈同樣特征（圖3（a））。（2）30年間地均碳排放下限值與上限值分別從0.15 t/hm2與1.35 t/hm2上升至0.26 t/hm2與2.39 t/hm2，均有不同程增加，這表明農業物資與機械投入使用的強度在增大，其中蘇南地均碳排放減少的縣區明顯多于蘇中與蘇北縣區（圖3（a））。（3）幾何重心呈典型的西北方向移動趨勢，表明蘇中與蘇北要素投入地均碳排放相對蘇南在持續提高；年均增長率也顯示蘇北蘇中縣區明顯高于蘇南部分縣區。（4）蘇北徐州、連云港相關縣區以及蘇南部分縣區年均比重指標（投入碳排放占耕地凈碳排放的比重）為負且絕對值最大，而位于蘇中及南京的大部分縣區較小。

3.1.2 作物產出碳吸收時空分異

作物產出地均碳吸收結果（圖4和圖5）顯示：（1）30年間地均碳吸收值介于0.26～6.92 t/hm2之間，在空間上與要素投入地均碳排放結果呈相似的分布格局；從總量來看，其整體呈下降趨勢，且蘇南呈減少趨勢的縣區數量同樣明顯多于蘇中與蘇北縣區（圖5）。（2）幾何重心移動軌跡也與要素投入地均碳排放相似。（3）蘇北徐州、連云港相關縣區以及蘇南部分縣區年均比重指標（為作物產出地均碳匯占耕地凈碳排放的比重）為正且絕對值最大，而位于蘇中及南京大部分的縣區貢獻相對較小。

3.1.3 要素投入碳排放與作物產出碳吸收比值時空分異

本文使用投產比指標表征要素投入地均碳排放與作物產出碳吸收的比值，以此測度其相對貢獻。結果顯示（圖6）：（1）30年間年均投產比值均小于1，表明要素投入的碳排放在各縣區均小于作物生長碳吸收量。實際上根據本文測算結果，即使加上作物種植的N2O碳排放轉換、水稻發育過程中CH4碳轉化以及土壤有機碳礦化等排放/吸收量，30年間耕地平均碳排放也均為負值，呈典型碳匯效應；此外，化肥對地均碳排放以及碳排放總量的貢獻均遠高于其他投入要素類型。（2）空間上，各城市市轄區年均投產比值大多相對較大（超過0.53），而泗陽、阜寧、揚中、泰興、寶應、儀征、張家港、海安、如皋與通州等大部分農業比重相對較高的縣區，比值均低于0.25。該類縣區同時也是農業規?；洜I程度相對較高的縣區，規?；洜I可以有效提高投入要素的利用效率，從而使得單位產品產出所需物資投入相對較低，故呈該規律。然而對于市轄區農業生產多為蔬菜、花木等經濟作物，要素投入量相對較大，故碳匯量相對較小。

圖6結果顯示，中部部分縣區投產比年均增長率多為負值，呈集聚分布特征，而蘇北連云港與徐州多數縣區則為正值。投產比年均增長率較高的縣區中，蘇南地區占比較大。全省年均投產比則介于0.27～0.37之間，各年份比值均小于1，且以2005年為界，呈明顯的先增后減規律。

3.2 耕地利用中要素投入地均碳排放多因素影響分析

基于最小二乘法（OLS）的要素投入地均碳排放影響因子分析顯示，各變量的VIF值最大為1.68，表明各因素之間不存在高度共線性[21]，可以進行GWR分析。GWR分析的擬合優度為0.882 2，且標準化回歸殘差倍數絕對值小于2.5的圖斑數量占比達到97.05%（圖7），表明選取的解釋變量指標對耕地要素投入地均碳排放解釋程度較好。

自然因素中：（1）高程在絕大部分區域呈負向貢獻，且回歸系數最低值（-0.47）絕對值相對于其他指標最大，表明大部分區域高程成為抑制要素投入地均碳排放的最重要因素。江蘇屬沿海省份，高程普遍較低，高程較大的區域坡度也通常較大，地形地勢較為復雜。該類區域易產生水土流失風險，土壤質量相對較差[35]，故呈上述規律。（2）坡度在蘇北徐州東部及連云港各縣區貢獻均為負，其他區域大多呈正向貢獻。進一步考察發現呈負向貢獻的縣區多擁有相對較為復雜的丘陵山區，該類縣區坡度越大，要素投入地均碳排放量越小，其原因也與高程因素的影響也相同[35]，但對于徐州西北部以及其他地勢平坦的縣區而言，適宜的坡度更有利于規模經營水平的提高，從而使得要素投入強度更高，這會導致地均碳排有所增加。（3）NDVI回歸系數均值為0.02，呈微弱正向貢獻，空間上則呈“蘇北蘇南為負、蘇中為正”的分布格局。蘇北的徐州與連云港以及蘇南的蘇州無錫等城市中的林木植被多為生態空間保護與管控區域，NDVI值較高區域與生態空間保護與管控區域相關性較強，該類區域通常會對包括農業生產在內的人類生產生活活動有較大限制[36]，故呈負向貢獻；蘇中部分縣區作物生長對于NDVI值的貢獻相對較高，這應是導致該區域呈正向貢獻的重要原因。（4）距水體距離因素指標的回歸系數均值為-0.003（圖7中右側水體子圖），整體貢獻方向并不顯著；在空間分布上，江蘇西部洪澤湖周邊縣區與蘇南太湖周邊縣區呈正向貢獻，這應與該部分縣區因靠近兩大淡水湖區，農業生產條件相對較好而適宜于規?；洜I有關。其他縣區則呈負向貢獻或貢獻強度相對較小。（5）距地質災害點距離因素指標的回歸系數均值為0.12（圖7中右側地災子圖），呈正向貢獻，但在連云港大部分區域呈明顯負向貢獻，表明該區域地質災害成為限制農業規模化經營以及相應要素投入地均碳排放的因素之一；對于其他大部分區域，該指標的貢獻為正，這需結合不同區域地質災害類型及其對不同用地類型的限制作用做進一步分析。

經濟社會因素中：（1）人口因素回歸系數均值為-0.05，且負值區域面積更大。整體來看，人口數量越大，農村人口數量也越大（這種現象在不發達縣區尤其明顯），農業勞動力投入強度相對越高，在一定程度上替代了農用物資的投入，從而使得要素投入地均碳排放相對較低，但對于蘇南經濟發達地區而言，人口數量大通常意味著其非農產業人口聚集效應更大，從事農業生產的人口比重反而相對較小，故該指標呈正向貢獻。（2）GDP指標回歸系數均值為0.84，呈較強的正向貢獻效應，但蘇南有少量縣區呈負向貢獻。表明經濟水平的提高整體上會增加農業生產要素的投入，進而增加要素投入碳排放（這在經濟水平相對較低的蘇中與蘇北縣區尤其明顯）。然而，蘇南等縣區（尤其靠近上海的周邊縣區）經濟水平提高到一定程度后，要素投入反而會有所降低，這可能是經濟發達地區居民對經濟類作物（如蔬菜瓜果與鮮花等）的需求量增加所致。（3）交通區位因素中，距城鎮用地距離因素指標的回歸系數均值為-0.02（圖7中右側城鎮子圖），呈蘇北為負、蘇南為正的分布格局。蘇北大多為農業生產比重較高、經濟相對落后的縣區，距城鎮距離較近的耕地通常耕作條件相對較好，耕地規模化經營程度也較高，蘇南縣區因經濟水平較高，近城鎮區域耕地占用風險更大、耕地破碎化情況也更普遍，故導致上述空間分異。距村莊用地距離因素指標的回歸系數均值為0.003（圖7中右側村莊子圖），呈微弱正向貢獻，空間上與距城鎮用地距離因素大致相似，實際上蘇南大部分縣區村莊中鄉鎮企業占比較高，非農經濟較為發達，從而導致其呈與距城鎮用地距離類似的影響規律。距高鐵站、公路與各級政府所在地距離三項因素指標回歸系數均值均接近于0（分別為0.09、-0.01、-0.04，見圖7中右側高鐵站、公路與政府子圖），空間分布上則未呈現較明顯的分布規律，需結合各縣區細分產業結構與布局特征以及農產品消費偏好進一步深入分析。

3.3 耕地利用中作物生長碳吸收多因素影響分析

作物生長碳吸收多因素分析結果同樣表明各因素之間不存在高度共線性，且選取的解釋變量指標對其引起的地均碳吸收解釋程度較好（擬合優度為0.939 3），標準化回歸殘差倍數絕對值小于2.5的圖斑數量占比達97.28%（圖8）。

影響因素分析中：（1）從空間分異來看，大部分指標與要素投入的影響效應相類似，說明耕地作物產出與要素投入具有較強的相關性；回歸系數極值分析結果中，高程回歸系數最小值與GDP回歸系數最大值的絕對值最大，這與要素投入多因素影響分析結果也一致。呈上述規律的原因應與要素投入多因素影響一致。（2）距高鐵站、高速公路出入口與各級政府所在地距離三項因素指標空間分布與要素投入影響空間分布格局差別相對較大，同樣需結合各縣區產業結構、不同類型細分產業布局特征以及農產品消費偏好等因素進一步深入分析。

4 結論與建議

4.1 研究結論

基于耕地利用的碳源碳匯雙重獨特效應，研究其利用中細分活動碳效應貢獻分異與影響因素，具有重要的理論與實踐價值。

（1）細分活動碳效應測算方法可以揭示耕地利用中要素投入與作物產出的碳排放貢獻差異及空間分異，基于GWR的影響因素分析方法能夠適用于本文，且選取的解釋變量指標對耕地要素投入與作物產出碳排放均表現出較好的解釋力。

（2）30年間，要素投入地均碳排放整體呈增加趨勢，空間上呈“蘇中蘇北高、蘇南相對較低”的分布格局；幾何重心呈“向西北—北—東北，且整體向北”的移動軌跡，這表明相對蘇南而言，蘇中與蘇北要素投入地均碳排放強度呈持續增加趨勢。

（3）30年間，作物產出地均碳吸收與要素投入地均碳排放空間分布格局相似；從總量來看整體呈降低趨勢，且蘇南呈減少趨勢的縣區數量同樣明顯多于蘇中與蘇北地區，幾何重心移動軌跡也與要素投入地均碳排放相似。

（4）全省30年間要素投入的碳排放量均小于作物生長碳吸收量，耕地利用呈典型碳匯效應；空間上各市轄區年均投產比值大多相對較高，而散布于全省的大部分農業比重相對較高的縣區，其比值相對較低；全省各年份的年均投產比值均小于1，且呈現先增后減的變化規律。

（5）高程是抑制要素投入地均碳排量與作物產出地均碳吸收量的最重要因素；GDP則是促進兩者的最重要正向因素；坡度、水體、人口、距城鎮距離、距高速公路出入口與政府距離等因素指標對兩類碳效應均整體呈負向貢獻，其他因素指標中除距村莊距離外整體呈正向貢獻，但在空間分布上存在區域差異，需進一步結合各縣區細分產業結構、不同類型細分產業布局特征以及農產品消費偏好等相關因素進行分析。

4.2 減碳增匯路徑建議

包括化肥、農藥、農業機械等在內的要素投入是限制耕地利用碳匯效應的關鍵來源，而作物產出對于促進耕地增匯具有重要作用，可以據此提出耕地利用中更具針對性的減碳增匯措施建議。具體而言，應針對不同區域地形地勢、生態環境稟賦條件以及經濟社會發展特點開展差異化管理：（1）在農業比重相對較高的縣區，因地制宜發展綠色有機與生態農業，以便有效降低化肥等農用物資的使用；通過土地綜合整治等多種措施，鼓勵農業規?；洜I，以此提高農業機械使用與灌溉效率，降低能源利用強度；在作物增匯方面，則應通過技術創新等措施，不斷提高新技術利用水平，采取科學施肥、土壤結構改良、土壤水分保持等措施，提升農作物的產量質量，據此提升其碳匯能力。（2）對于非農產業發達、經濟實力相對較強但耕地細碎的縣區，重點推動全域土地綜合整治等項目的實施，以便進一步優化耕地空間布局，提高農用物資與機械的使用效率；作物增匯方面，則在不降低農民收入并符合相關政策規定的前提下，根據各地土壤條件與氣候特征，鼓勵種植碳匯能力較強的作物。

本文揭示了江蘇耕地利用中細分活動碳效應貢獻差異的時空變化規律與多因素影響下的空間分異，研究結果可為制定基于不同耕地利用活動類型的空間差異化減碳增匯路徑提供決策支持，也可為其他地區開展耕地利用碳排放測度及減碳增匯工作等提供參考。

參考文獻（References）：

[1] 丁學謙，吳群，劉向南，等. 土地利用、經濟高質量發展與碳排放耦合協調度及影響因素：來自中國282個地級市的經驗研究[J] . 資源科學，2022，44（11）：2233 - 2246.

[2] HOFFERT M I， CALDEIRA K， BENFORD G， et al. Advanced technology paths to global climate stability： energy for a greenhouse planet[J] . Science， 2002， 298（5595）： 981 - 987.

[3] 陳龍高，王欣瑤，吉莉，等，基于系統動力學的國土空間規劃碳效應評估——以江蘇省為例[J] .資源科學，2024，46（11）：2225 - 2236.

[4] 劉耀林，辛格格，安睿，等.“三位一體”視角下湖北省耕地安全格局變化分析[J] . 中國農業資源與區劃，2024，45（10）：86 - 96.

[5] 李穎，黃賢金，甄峰. 江蘇省區域不同土地利用方式的碳排放效應分析[J] . 農業工程學報，2008，2（4增刊2）：102- 107.

[6] 吳昊玥，孟越，黃瀚蛟，等. 中國耕地利用凈碳匯與農業生產的時空耦合特征[J] . 水土保持學報，2022，36（5）：360 - 368.

[7] 趙映慧，王子彤，詹汶羲，等. 黑龍江省耕地利用轉型碳排放的時空分異特征與影響因素[J] . 西南農業學報，2022，35（10）：2247 - 2255.

[8] 蓋兆雪，詹汶羲，王洪彥，等. 耕地利用轉型碳排放時空分異特征與形成機理研究[J] . 農業機械學報，2022，53（7）：187 - 196.

[9] 周思宇，郗鳳明，尹巖，等. 東北地區耕地利用碳排放核算及驅動因素[J] . 應用生態學報，2021，32（11）：3865 -3871.

[10] 徐玥，王輝，韓秋鳳，等. 我國耕地碳排放時空特征與影響因素[J] . 江蘇農業科學，2022，50（16）：218 - 226.

[11] 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（7）：21 - 27.

[12] 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，2013，28（8）：1298 - 1309.

[13] WANG X H. Changes in CO2 emissions induced by agricultural inputs in China over 1991-2014[J] . Sustainability，2016，8（5）. doi： 10.3390/su8050414.

[14] YU L， LIU S L， WANG F F， et al. Strategies for agricultural production management based on land， water and carbon footprints on the Qinghai-Tibet Plateau[J] . Journal of Cleaner Production， 2022， 362. doi： 10.1016/ j.jclepro.2022.132563.

[15] WU H Y， DING B W， LIU L， et al. Have agricultural landuse carbon emissions in China peaked An analysis based on decoupling theory and spatial EKC model[J] . Land， 2024， 13（5）. doi： 10.3390/land13050585.

[16] 丁寶根，楊樹旺，趙玉，等. 中國耕地資源利用的碳排放時空特征及脫鉤效應研究[J] . 中國土地科學，2019，33（12）：45 - 54.

[17] 翁翎燕，朱振宇，韓許高，等. 江蘇省農田植被凈碳匯時空格局分析[J] . 農業工程學報，2018，34（6）：233 - 241.

[18] 鄧姣，李心雨，朱杰，等. 秸稈還田和水旱輪作模式對稻季土壤溫室氣體排放的影響[J] . 植物營養與肥料學報，2024，30（2）：268 - 278.

[19] 蔣衛東，顏麗，宋楊，等. 遼寧省主要農田土壤有機質狀況及調控對策[J] . 遼寧農業科學，2003（2）：4 - 8.

[20] 汪德根，翟云利，朱梅，等. 高鐵樞紐驅動下長江經濟帶城市空間擴展效應與作用機制[J] . 地理學報，2023，78（6）：1443 - 1366.

[21] ZHANG G L， ZHANG N， LIAO W M. How do population and land urbanization affect CO2 emissions under gravity center change A spatial econometric analysis[J] . Journal of Cleaner Production， 2018， 202： 510 - 523.

[22] 丁鐳，黃亞林，劉云浪，等. 1995-2012年中國突發性環境污染事件時空演化特征及影響因素[J] . 地理科學進展，2015，34（6）：749 - 760.

[23] 馬姣嬌，牛安逸. 21世紀以來中國人口重心動態轉移路徑及驅動力研究[J] . 平頂山學院學報，2016，31（5）：74- 78.

[24] 姜棟，趙文吉，王艷慧，等. 地理加權回歸的城市道路時空運行態勢空間網格計算方法[J] . 武漢大學學報（信息科學版），2023，48（6）：988 - 996.

[25] 楊青，彭若慧，劉星星，等. 基于地理加權回歸的省域碳排放影響因素研究[J] . 環境工程技術學報，2023，13（1）：54 - 62.

[26] 胡婉玲，張金鑫，王紅玲. 中國農業碳排放特征及影響因素研究[J] . 統計與決策，2020，36（5）：56 - 62.

[27] 朱萌，龔為綱. 農業勞動力外流對耕地拋荒的影響及其形成機制研究[J] . 經濟學家，2023（9）：119 - 128.

[28] 申楊，龔健，李曉丹，等. 武漢城市圈耕地利用變化驅動機制研究[J] . 中國土地科學，2023，37（8）：123 - 133.

[29] 馬恩樸，葉瑋怡，龍花樓，等. 城市食物系統全程耦合下的農地利用轉型[J] . 地理學報，2023，78（12）：3058 -3077.

[30] 吳常艷，陳博文，黃賢金，等. 耕地利用變化的近遠程驅動機制研究——以長江經濟帶為例[J] . 地理研究，2023，42（11）：3003 - 3019.

[31] 朱夢凡，李敬鎖. 中國糧食主產區耕地利用效率區域差異及影響因素——基于179個地級市的實證研究[J] . 水土保持通報，2024，44（1）：206 - 217.

[32] 王全喜，宋戈，隋虹均. 耕地“非農化”的時空格局演變及其驅動因素研究——基于影響分析與組態分析的雙重視角[J] . 中國土地科學，2023，37（5）：113 - 124.

[33] 侯孟陽，鄧元杰，姚順波. 城鎮化、耕地集約利用與糧食生產——氣候條件下有調節的中介效應[J] . 中國人口·資源與環境，2022，32（10）：160 - 171.

[34] 柯新利，唐蘭萍. 城市擴張與耕地保護耦合對陸地生態系統碳儲量的影響——以湖北省為例[J] . 生態學報，2019，39（2）：672 - 683.

[35] ABBASPOUR M， MAHINY A S， ARJMANDY R， et al. Integrated approach for land use suitability analysis[J] . International Agrophysics， 2011， 25： 311 - 318.

[36] 沈鳳嬌，賀嘉啟，曹晶. 生態保護紅線管控主要問題及對策建議探討——以湖北省為例[J] . 自然資源情報，2024（6）：30 - 35.

Carbon Emission/Absorption Contribution of Material Input and Crop Output in Cultivated Land Use and Its Influencing Factors： A Case Study of Jiangsu Province

CHEN Longgao1， LIN Ying1， YANG Xiaoyan2， XU Weiyi1， QU Ziwen1， PAN Yisha1， DU Xuan1

（1. School of Public Policy Management， China University of Mining and Technology， Xuzhou 221116， China； 2. School of Geography， Geomatics and Planning， Jiangsu Normal University， Xuzhou 221116， China）

Abstract： The purposes of this study are to reveal the carbon emission/absorption effect of material inputs and crop outputs in cultivated land use， and their spatial variation of multi-factor influences based on a case study of Jiangsu Province. The research methods include carbon emission measurement based on segmented activities， geometric center of gravity transfer analysis， and geographically weighted regression （GWR） analysis. The research results show that： 1） over the past 30 years， the average carbon emission per area from material inputs have shown an overall upward trend. The spatial distribution is characterized by a pattern of “high in central and northern Jiangsu， but relatively low in southern Jiangsu.” Compared to southern Jiangsu， the carbon emission intensity per area from material inputs in central and northern Jiangsu has continuously increased. The spatial distribution of carbon absorption per area from crop outputs follows a similar pattern to that of carbon emission from material inputs， showing an overall decreasing trend. 2） Over the past 30 years， carbon emission from material inputs in various counties/districts have been less than carbon absorption from crop growth， exhibiting a typical carbon sink effect in net carbon emission from cultivated land. Regarding spatial distribution， the annual average input-output ratio is generally higher in urban districts， while it is relatively lower in counties/districts with a higher proportion of agriculture in the province. 3） In most regions of the province， elevation is the most critical factor in suppressing both carbon emission per area from material inputs and carbon absorption per area from crop outputs. Gross domestic Production （GDP） is the main positive factor promoting their growth. Factors， such as slope， water bodies， population， distance to towns， distance to highway entrances and exits， and distance to the government generally contribute negatively to both types of carbon effects. Other factors generally contribute positively to the carbon effect with significant spatial variation across different regions. In conclusion， it is necessary to formulate more targeted measures for carbon reduction and sink increase in cultivated land use based on the natural resource endowment， socioeconomic development characteristics of different regions， and the differences in carbon emission/absorption effects from material inputs and crop outputs in cultivated land use.

Key words： cultivated land use carbon emission impact； material input； crop output； spatial variation of multi-factors influence； Jiangsu Province

（本文責編：陳美景）