期刊佳文 | 贵州省农业净碳汇影响因素分解及耦合效应

近年来，温室气体排放引发全球气候变暖问题成为各行各业密切关注的热点话题。根据联合国粮农组织调查研究报告显示，农业已成为全球第二大温室气体来源［1］，中国农业活动产生的碳排放量已占全国总碳排放量的17%［2］。为有效遏制碳排放增长势头，中共中央国务院《关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》中提出了要加快推进农业绿色发展，促进农业固碳增效的要求。贵州省是农业大省，全省山地农业特征明显，在长期依赖传统粗放型种植业和散养畜牧业等高碳生产模式下，农业经济与生态效益不成正比，严重制约贵州省农业低碳发展。为此，核算贵州省农业碳排放与碳吸收状况，识别农业净碳驱动因素，分析农业净碳量与农业经济的耦合程度，准确预测农业净碳量未来发展趋势，对精准调控贵州省农业发展政策，助力农业高质量发展及实现整个农业部门的碳中和目标均具有重要意义。

从现有研究来看，学者们的关注点逐渐从农业碳排放转向农业净碳汇，陆续对净碳汇进行核算［3］，利用空间自相关等方法探究了我国农业净碳汇的时空格局［4］。早期学者们对农业碳排放与经济发展之间的脱钩关系进行了大量研究［5］，少数学者对我国耕地利用净碳汇与农业生产之间的协调性展开了分析，并认为二者之间的关系已由全局失调逐步改善为部分协调［6］，个别学者结合Tapio的脱钩理论对中国农业经济增长与农业净碳汇进行了耦合，实现了二者之间的链接关系［7］，也为本文提供了思路借鉴。仅关注农业碳排放与经济发展的脱钩忽视了农业兼具碳源和碳汇双重性质，不利于从平衡角度分析低碳农业发展问题。从平衡碳源和碳汇视角探索农业净碳特征及其与经济发展之间的耦合效应对碳中和视角下的绿色农业发展具有重要意义。

此外，在农业净碳汇影响因素方面，相关学者分析了农业种植结构［8］和劳动力对农业净碳汇的影响，指出人口流失会导致农业净碳汇的波动，劳动力的回流以及劳动力素质的提升等是增加农业净碳汇的主要途径［9］，所使用的方法涉及VECM动态模型［10］、地理探测器、时空地理加权回归模型［11］和STIRPAT模型［12］等。然而，当前大量研究关注各行业的碳排放驱动因子，围绕农业净碳排（汇）的影响因素分析方面的研究较少，而产业、经济和人口等因素不仅影响着碳排放，也影响碳汇量，从碳平衡视角识别净碳量的影响因素，能够拓宽社会经济因素对“双碳”目标实现影响的分析维度。并且，在已有针对净碳汇及其影响因素分析的研究中，依然以实证分析为主，主要探讨历史数据的变化趋势［13］，缺少对未来净碳量及影响因素的预测，导致研究结果对政策的启示性不够明确。

为此，本文从碳平衡视角探讨贵州农业净碳特征及其与经济发展之间的耦合效应，分析和预测社会经济因素对净碳量的影响，首先测算贵州山地农业净碳效应，借助Tapio脱钩模型分析净碳汇与经济发展的耦合效应，结合LMDI识别贵州省农业净碳排放影响因素的历史变化，并运用VAR模型预测净碳量与影响因素关系的变化趋势，提出有针对性政策建议，旨在为贵州省“双碳”目标下的绿色农业政策措施制定提供参考。

1材料与方法

1.1研究区概况

贵州省地处我国西南腹地，位于东经103°36'-109°35'、北纬24°37'-29°13'之间。全省地貌以山地和丘陵为主，山地面积为10.87×10⁴km²，约占全省土地面积的61.7%。地理条件限制了贵州省可用于农业开发的土地资源量少，人均耕地面积远低于全国平均水平，土质贫瘠更是让农民为追求高效益的产出大量使用农药和化肥，低碳农业发展面临挑战。

1.2研究方法

1.2.1农业碳排放测算

本文测度农业仅包含种植业和畜牧业。本研究基于IPCC碳排放系数法测算种植业和畜牧业碳排放。种植业主要包括农业生产过程中农用物资使用产生的碳排放和水稻种植过程碳排放，贵州省以中稻种植为主，因此本文只考虑中稻产生的碳排放。畜牧业碳排放主要包括反刍动物（包括牛、马、羊、猪、骡、山羊和绵羊）肠道发酵过程中碳排放和粪便管理不善导致的碳排放。测算公式如下：

式中，E、E_农业生产、E_农用物资、E_水稻、E_肠道发酵和E_粪便管理分别表示农业总碳排放量、农业生产产生的碳排放量、农用物资使用产生碳排放量、水稻种植产生的碳排放量、反刍动物肠道发酵产生的碳排放量和反刍动物粪便管理产生的碳排放量。Q_i表示i种物资的使用量；σ_i表示i类物资的碳排放系数；S_i表示i年水稻种植面积；υ表示水稻产生CH₄的排放因子；U_i表示i类动物年末存栏量；ρ_i表示i类动物肠道发酵产生CH₄的排放因子；θ_i表示i类动物粪便管理产生CH₄的排放因子；φ_i表示i类动物粪便管理产生N₂O的排放因子；f_CH4表示CH₄含碳量，为7.29kg·kg^-1；f_N2O表示N₂O含碳量，值为73.71kg·kg^-1。各类系数如表1所示，测算方法和系数等参考有关研究［14-16］。

1.2.2农业碳汇测算

本研究主要计算农作物光合作用产生的固碳效应，以稻谷、小麦、玉米、豆类、薯类、花生、油菜籽、棉花、烟草和蔬菜作为主要农业碳汇源。测算公式如下：

式中，C汇表示农业碳汇量；P_i表示i类农作物产量；ω_i表示i类农作物的碳吸收率；ξ_i表示i类农作物的含水量；γ_i表示i类农作物的经济系数；C表示农业净碳汇量。各类农作物的碳吸收率、含水量和经济系数主要参考谢永浩等［17］的研究，如表2所示。

1.2.3农业净碳量与农业产值耦合模型

“脱钩”用于研究经济增长与环境压力之间的关系［18］，在研究经济发展与碳排放的脱钩领域得到广泛应用［19］。但脱钩主要用于衡量两个反向指标之间的关系，对于净碳汇和种植业产值两个正向指标并不宜直接套用［6］。因此本文借助Tapio脱钩模型度量农业净碳汇与农业产值之间的耦合关系并构建耦合模型。计算公式为：

式中，T表示耦合指数；ΔC和ΔZE分别表示目标年相对于基期年的农业净碳汇增量和目标年种植业和畜牧业总产值增量；C和ZE分别表示基期年净碳汇和种植业和畜牧业产值。

1.2.4农业净碳汇驱动因素分解

Kaya恒等式将碳排放与能源、经济和人口等因素建立起联系［20］，LMDI模型因其能消除残差项，可以克服使用其他方法后存在的残差项式对残差项分解不当的缺点［21］，常与Kaya恒等式共同结合被广泛应用于碳排放影响因素分解。本研究从人口、经济和产业的角度出发，将农业净碳汇影响因素分为农业净碳汇强度因素、农业产业结构因素、农业经济水平因素和农业劳动力规模因素。其中农业净碳汇强度反映单位农业产值的农业净碳汇量，农业产业结构反映地区农业产业结构的调整情况，农业经济水平反映地区农业发展和农业现代化水平，农业劳动力规模反映社会发展过程中农村劳动力外流情况。使用Kaya恒等式和LMDI加法模型分解如下：

式中，ZE表示种植业和畜牧业产值之和；NE表示农林畜牧业产值；L表示第一产业从业人口。a、b和d分别表示农业净碳汇强度、农业产业结构和农业经济水平。C^t_j和C⁰_j分别表示T期净碳汇量和基期净碳汇量；ΔC表示T期净碳汇量与基期净碳汇量的差值；Δa、Δb、Δd和ΔL分别表示农业净碳汇强度、农业产业结构、农业经济水平和农业劳动力规模的贡献值。

1.2.5向量自回归模型

向量自回归（VAR）模型于1980年被提出，用于多变量时间序列数据分析，之后不断显示出其在分析变量之间动态关系和预测发展趋势方面的先进性［5］，被广泛应用于宏观经济领域。本研究基于Eviews12软件构建VAR模型来探索农业净碳汇与农业净碳汇强度、农业产业结构、农业经济水平和农业劳动力规模之间的动态关系，同时借助其预测功能分析贵州省2023-2030年的农业净碳汇变化趋势。

1.3数据来源

本文测算2005-2022年农业碳排放、农业碳汇、影响因素分解所涉及的数据来源于EPS数据库和《中国统计年鉴》《贵州统计年鉴》《中国农村统计年鉴》等，为消除通货膨胀带来的影响，文中所需产值数据均使用按可比价格计算的产值结果，化肥使用量按折纯量为准，农业翻耕面积使用农业播种面积代替，其余农用物资按当年使用量为准，反刍动物数量以当年年末存栏量为准。

2结果与讨论

2.1农业净碳汇分析

2005-2022年，贵州省农业呈现出净碳汇特征，总体呈现波动上升趋势［图1（a）］，由2005年的192.128×10⁴t上升到2022年的525.443×10⁴t，增长了1.735倍。2017年为农业净碳汇最高值年，其原因为当年贵州省正式将“大生态”列为第三大战略行动，通过实施山地绿色农业增效工程等方式带动了农业生态效率的提升［22］。

贵州省农业碳源在研究期内呈现出反复“上升-下降”状态［图1（b）］，动物肠道发酵对碳源贡献最大，为57.13%-49.24%，农用物资使用与动物粪便管理占比相近，水稻种植产生的碳排放量相对最少。2007年贵州省农业碳排放量的急剧下降，可能是受高致病性猪蓝耳病等禽流感影响［23］，导致贵州省牛马羊猪等牲畜年末存栏量由2006年的3554.99万头下降到2383.13万头。随着2015年我国提出“减肥减药”行动后［24］，农业生产过程中化肥和农药的使用得到有效控制，贵州省种植业碳排放持续降低。

从农业碳汇核算结果可知［图1（c）］，稻谷和玉米的固碳效应在各年农业碳汇中均发挥主导作用，年均农业碳汇值约1000×10⁴t。2011年农业碳汇量仅为838.616×10⁴t，与贵州省当年受干旱和暴雨等自然灾害导致农作物减产有关［25］，其中稻谷和玉米产量较上年减少141.2×10⁴t和171.7×10⁴t，导致最终农作物的碳汇量发生较大变化。

2.2农业净碳汇耦合效应

2005-2022年，贵州省农业净碳汇与农业经济耦合指数主要散点落在第一象限和第四象限（图2），第一象限表现出该年份农业净碳汇与农业经济均保持正向增长态势为理想耦合状态，第四象限则表示该年份农业经济增长而农业净碳汇负增长的生态衰弱型退耦。

第一象限的10个年份中，2007年和2012年贵州省净碳汇增长幅度明显大于农业经济增长幅度。这与戴小文等［7］的研究结论相似，即我国已在2005年达到扩张负脱钩状态即农业净碳汇增加速度高于产值增加速度，环境改善效果好于经济效益的提高。第一象限中耦合指数最接近1的年份分别是2014年（1.151）和2021年（1.485），表现出农业净碳汇与农业经济基本协同增进的理想耦合状态。

第四象限包含了7个年份，主要受稻谷或玉米减产的影响，农业碳汇增长量均小于碳排放增长量，限制了农业净碳汇的整体水平，但由于工业化农业高速发展，科技投入实现了农业经济效益有效提升，农业净碳汇与经济发展呈现出生态衰弱型退耦。总体来看，贵州省农业环境与经济耦合状态滞后于全国平均水平，这可能与贵州省资源受限或农业生产水平落后等原因有关。

2.3农业净碳汇影响因素分解结果

LMDI分解结果显示（图3），2005-2010年，净碳汇增加了153.333×10⁴t，增长率为79.81%，主要来自农业经济水平贡献，而农业净碳汇强度、农业劳动力规模和农业产业结构对净碳汇呈现出抑制作用。2010-2015年，净碳汇增加了39.453×10⁴t，增长率为11.42%，农业净碳汇强度、农业劳动力规模和农业产业结构抑制了净碳汇的增长，而农业经济水平仍然是农业净碳汇的主要促进因子。2015-2020年，净碳汇下降了7.190×10⁴t，下降率为1.87%，农业净碳汇强度、农业劳动力规模和农业产业结构的抑制作用超过了农业经济水平的促进作用。2020-2022年，净碳汇增加了147.719×10⁴t，增长率为39.11%，农业经济水平、农业净碳汇强度、农业劳动力规模和农业产业结构这4个影响因素都呈现出对农业净碳汇的促进作用，表明人口、经济和产业因素均朝着促进低碳农业方向发展，贵州省“四化”政策中的农业现代化措施初显成效。

在整个研究期内，农业经济水平因素始终促进贵州省农业净碳汇增长，这与贵州省农业产值持续增长下的绿色农业意识增强和低碳农业生产方式选择有关。农业经济发展水平高的地区，有利于引导农户合理配置农业生产要素［26］，随着农民收入增长及生活水平的提高，其对耕地低碳化利用的意愿也更加强烈［27］。贵州省农业经济水平由2005年的0.33亿元·万人^-1上升到2022年7.05亿元·万人^-1，经济水平增长达20倍，为增强农户低碳农耕意愿和鼓励农户低碳行为奠定了坚实基础。

农业净碳汇强度是抑制贵州省农业净碳汇的主要驱动因素。这一结论与董晓龙等［16］研究的结论相一致。农业净碳汇强度反映了单位农业产值的农业净碳汇量，其抑制作用可能与散养畜牧业（如牛羊养殖）等高碳生产模式和贵州省长期依赖传统粗放型种植业（如玉米、水稻等）有关。

农业劳动力规模因素对农业净碳汇的抑制作用次之。随着城镇化和工业化进程的加快，贵州省第一产业从业人员数量逐渐下降，而农业播种面积由2005年的4804.1×10³hm²上升到2022年的5359.5×10³hm²。劳动力的减少导致传统人力密集型农业向依赖机械、化肥的集约化模式转变，农业碳排放量增加。

农业产业结构对农业净碳汇的抑制作用最小。农业产业结构的升级能够提升碳减排效率［28］。2018年贵州省通过“一增一减”政策大规模调减低效玉米种植，改种其他高附加值作物（如蔬菜），降低了农作物的碳汇量。

2.4农业净碳汇与影响因素动态关系模拟及预测

本文以农业净碳汇为被解释变量，探讨农业净碳汇强度、产业结构、经济水平和劳动力规模等驱动因子对其影响的动态路径，为消除量纲不统一带来的影响，对原始数据统一取自然对数，分别以Y、X1、X2、X3和X4表示取完对数后的农业净碳汇、农业净碳汇强度、产业结构、经济水平和劳动力规模。

2.4.1VAR模型稳定性检验

单位根平稳性检验结果如表3，原始数据没有完全通过检验，因此对所有变量进行一阶差分，差分后所有变量均为P<0.05，即拒绝各变量存在单位根的原假设，表明上述5个变量均平稳，变量序列为一阶单整序列。在此基础上对残差序列进行ADF检验，检验结果如表4所示，P<0.05，拒绝原假设，残差序列平稳，表明原时间序列之间存在长期稳定的均衡关系，即协整关系。

为确保模型结果的准确性，借助LR检验、FPE检验和AIC检验等，以确定最优模型滞后阶数，如表5所示，滞后2阶时检验结果的值均达到最小，因此确定模型的最优滞后阶数为2阶。

在此基础上进一步对模型稳定性进行检验，只有当模型稳定时，才能确保脉冲响应的结果有效。单位圆检验结果表明，所有特征根都位于单位圆内，表明该模型具有稳定性，可以进行脉冲响应。

2.4.2脉冲响应分析

为反映4个影响因子与农业净碳汇的动态关系并预测农业净碳汇的未来发展趋势，本文以4个影响因素作为冲击变量，分别得到4个影响因素与农业净碳汇之间的脉冲响应关系。

图4（a）中给农业净碳汇强度（X1）一个冲击后，农业净碳汇在第1期初期表现为正效应，后续几期除第7期表现出微弱正效应外反馈出为负效应，且后期波动的幅度逐渐减小，展现出向水平状态收敛的趋势。图4（b）中给农业产业结构（X2）一个冲击，农业净碳汇在前4期均表现为正效应，冲击幅度有所波动并在第4期达到峰值，在第5、6期表现出一定的负效应后又转变为正效应。图4（c）中给农业经济水平（X3）一个正向冲击后，农业净碳汇在前2期均表现为正效应，第3期开始始终表现出负效应。图4（d）中给农业劳动力规模（X4）一个冲击后，农业净碳汇显示出由正效应转变为负效应并在第5期开始无限靠近水平状态。

2.4.3方差分解结果

为进一步准确测度每个影响因子对贵州省农业净碳汇变化的贡献度，进而评价不同影响因子的重要性，通过方差分解得到结果如表6，从第1期至第10期（指利用现有样本对未来进行预测的期数），农业净碳汇强度（X1）对贵州省农业净碳汇的贡献率始终最高，第1期的贡献率高达92.91%，影响效果表现为下降-上升-下降3个阶段，在第5期开始贡献率基本维持在47%左右。农业产业结构（X2）的贡献率在第1期至第5期不断上升，影响效果逐渐增强。第6期出现小幅下降后贡献率稳定在31%左右。农业经济水平（X3）的贡献率在第1期仅有0.03%。在第2期开始大幅提升，第3期达到峰值，其后贡献率波动下降。农业劳动力规模（X4）的贡献率在10期中始终处于最低，平均贡献率仅达到1.81%。

2.4.4农业净碳汇预测

结合VAR模型对未来8期农业净碳汇进行动态预测，结果如图5所示。2023-2030年贵州省农业净碳汇量将基本维持在400×10⁴t左右，呈现“低位趋稳”的特征。这一阶段是前期政策效应释放与技术渗透深化的综合反映，与“力争于2030年碳达峰”目标结果基本一致。2025年后曲线斜率进一步趋平，可能受益于生态补偿机制完善与低碳技术的规模化应用。

3建议

3.1实现农业碳汇的经济价值转化

贵州省目前及未来几年中，农业碳汇始终高于农业碳排放，政府应通过建立统一的评价标准和核算体系，搭建农业碳汇交易平台，引导社会各主体参与到农业碳汇的交易与补偿中，实现农业碳汇的经济价值转化。

3.2合理调整农业经济发展模式

在农业产值与农业净碳汇的耦合状态不稳定的情况下，农业经济水平的变化对农业净碳汇的影响呈现出先促进后抑制的情况。因此应及时调整农业经济发展模式，前期可加大农业低碳技术的研发与投入，采用精准施肥、滴灌等高效节能技术，提高农业生产效率。伴随着农业经济水平对农业净碳汇产生负效应时应注重发展生态农业，大力推广“种养结合”模式促进农业资源循环利用。

3.3优化劳动力资源

农业劳动力规模对农业净碳汇的影响由前期的抑制到后期趋近于0。伴随着农业劳动力外流的情况，一方面需通过针对性的技能培训和新型智慧农业知识与技术的普及，提升现有劳动力质量，另一方面应加大农民补贴力度，留住农业劳动力资源。

4结论

（1）2005-2010年，贵州省农业碳排放始终呈现出净碳汇效应。其中，碳排放量波动下降，动物肠道发酵是主要碳源，农作物中稻谷和玉米的碳汇效应最为突出。

（2）贵州省农业净碳汇与农业产值耦合状态表现出经济/生态主导型耦合和生态衰弱型耦合两种状态，整体来看耦合情况并不稳定，仅在2014年和2021年表现出农业净碳汇与农业经济基本协同增进的理想耦合状态。

（3）农业经济水平能够促进农业净碳汇，而农业净碳汇强度、农业产业结构和农业劳动力规模主要表现出抑制农业净碳汇，且抑制效果表现为：农业净碳汇强度因素（-442.245×10⁴t）>农业劳动力规模因素（-330.314×10⁴t）>农业产业结构因素（-21.258×10⁴t）。

（4）从动态关系来看，4个影响因素受到冲击后，农业净碳汇均在一定时期内呈现出正、负效应反复波动的趋势。从影响效果上来看，农业净碳汇强度对贵州省农业净碳汇的影响作用最强，农业劳动力规模对农业净碳汇的影响最弱。根据预测结果，2023-2030年贵州省农业净碳汇量将基本维持在400×10⁴t左右，呈现“低位趋稳”的特征。