黃和平,李紫霞,黃 靛,謝美輝,王智鵬

(1.江西財經(jīng)大學(xué)經(jīng)濟(jì)學(xué)院,江西 南昌 330013;2.南昌航空大學(xué)信息工程學(xué)院,江西 南昌 330063;3.南昌工程學(xué)院工商管理學(xué)院,江西 南昌 330099;4.江西農(nóng)業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)院,江西 南昌 330045)

農(nóng)業(yè)部門產(chǎn)生的碳排放在很大程度上影響了經(jīng)濟(jì)、社會和生態(tài)效益之間的平衡,全球碳排放總量中農(nóng)業(yè)碳排放量占比達(dá)13%[1]。中國是溫室氣體排放大國[2],江西省是中部地區(qū)的農(nóng)業(yè)大省[3],農(nóng)業(yè)是支撐其經(jīng)濟(jì)發(fā)展的保障[4]。農(nóng)業(yè)現(xiàn)代化進(jìn)程不斷加快,導(dǎo)致大量的溫室氣體排放,引發(fā)了綠色低碳農(nóng)業(yè)與經(jīng)濟(jì)增長之間的矛盾。推進(jìn)農(nóng)業(yè)碳達(dá)峰碳中和是加快“雙碳”目標(biāo)實現(xiàn)以應(yīng)對氣候變化的重要舉措,也是落實鄉(xiāng)村振興戰(zhàn)略的重要途徑。農(nóng)業(yè)系統(tǒng)碳排放研究及達(dá)峰預(yù)測對江西省乃至中國達(dá)成“雙碳”目標(biāo)[5]、實現(xiàn)鄉(xiāng)村振興戰(zhàn)略、推動美麗中國建設(shè)有重要作用。

為了提升農(nóng)業(yè)生產(chǎn)適應(yīng)氣候變化的能力,農(nóng)業(yè)碳排放與碳減排問題備受國內(nèi)外學(xué)者關(guān)注。國內(nèi)關(guān)于這方面的研究主要包括以下4個方面:(1)農(nóng)業(yè)碳排放核算。主要包括排放因子法[6]、質(zhì)量平衡法[7]、實測值法[8]和模型法[9]等測算方法,其中排放因子法運用相對較廣,主要原因是其數(shù)據(jù)獲取較為方便且可較精準(zhǔn)地反映農(nóng)業(yè)各碳排放源的情況。(2)農(nóng)業(yè)碳排放影響因素。周一凡等[10]認(rèn)為,農(nóng)業(yè)碳排放量的增長主要是該行業(yè)經(jīng)濟(jì)不斷發(fā)展所致;胡婉玲等[11]認(rèn)為,對于全國及東部地區(qū),生產(chǎn)效率、農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)和農(nóng)村人口是3個主要減排因素;韋沁等[12]研究得出,農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化、農(nóng)業(yè)人口整體減少等因素會抑制農(nóng)業(yè)碳排放量增長;劉瓊等[13]認(rèn)為,畜禽養(yǎng)殖碳排放與各類農(nóng)村居民收入之間存在長期協(xié)整和動態(tài)響應(yīng)關(guān)系。(3)農(nóng)業(yè)碳排放減排機(jī)制。韋玉瓊等[14]認(rèn)為,養(yǎng)殖業(yè)碳排放量最高但也最具減排潛力;田云等[15]認(rèn)為,河南農(nóng)業(yè)碳減排補(bǔ)償金額在全國居第1位,而西藏、青海和福建排后3位。(4)農(nóng)業(yè)碳排放預(yù)測。目前主要采用環(huán)境庫茲涅茨曲線、STIRPAT模型、灰色預(yù)測模型和LEAP模型等傳統(tǒng)方法進(jìn)行預(yù)測[16],這些方法存在不確定性較高或偏差較大等問題,且對于波動以及復(fù)雜非線性變化趨勢的刻畫較弱。而XGBoost決策樹的集成模型是大多數(shù)研究者進(jìn)行預(yù)測的首選工具[17-18]。綜合來看,學(xué)者們通過不同的測算方法、影響因素分析和預(yù)測模型,致力于提升農(nóng)業(yè)生產(chǎn)適應(yīng)氣候變化的能力,以實現(xiàn)低碳農(nóng)業(yè)目標(biāo)。

目前關(guān)于碳排放的研究主要以全國作為研究區(qū)域,而關(guān)于江西省農(nóng)業(yè)碳排放的研究存在不足。曹俊文等[3]研究得出,在抑制江西省農(nóng)業(yè)碳排放增長方面,農(nóng)業(yè)生產(chǎn)效率發(fā)揮的作用最大;張小友等[19]則認(rèn)為江西省農(nóng)業(yè)碳減排效果一直未達(dá)理想要求,主要原因之一是該省耕地利用強(qiáng)度加大。2022年江西省農(nóng)業(yè)農(nóng)村廳發(fā)布的《江西省農(nóng)業(yè)農(nóng)村減排固碳實施方案》提出了稻田甲烷減排行動、化肥減量增效行動、畜禽低碳減排行動等農(nóng)業(yè)農(nóng)村減排固碳“八大行動”,要求到2030年農(nóng)業(yè)農(nóng)村發(fā)展全面綠色低碳轉(zhuǎn)型取得顯著成效。該研究在上述研究的基礎(chǔ)上做了以下2個方面的延伸:一方面,由于目前尚少有學(xué)者對江西省農(nóng)業(yè)碳排放的計算、影響因素和排放預(yù)測同時進(jìn)行研究,筆者選擇江西省2000—2020年主要農(nóng)業(yè)生產(chǎn)數(shù)據(jù)作為樣本進(jìn)行碳排放研究,將研究內(nèi)容聚焦在農(nóng)業(yè)碳排放預(yù)測上,并將秸稈焚燒碳排放納入農(nóng)業(yè)碳排放指標(biāo)中;另一方面,在方法論上,對既有的農(nóng)業(yè)碳排放預(yù)測方法進(jìn)行改進(jìn),采用XGBoost模型對江西省農(nóng)業(yè)碳排放總量進(jìn)行預(yù)測,為農(nóng)業(yè)減污降碳和碳達(dá)峰研究提供依據(jù)。

1 研究方法與數(shù)據(jù)來源

在采用聯(lián)合國政府間氣候變化專門委員會(IPCC)碳排放模型對江西省農(nóng)業(yè)碳排放量進(jìn)行測算的基礎(chǔ)上,結(jié)合農(nóng)業(yè)生產(chǎn)總值計算碳排放強(qiáng)度。然后通過LMDI模型進(jìn)行農(nóng)業(yè)碳排放影響因素分解,最后采用XGBoost預(yù)測模型對農(nóng)業(yè)碳排放量進(jìn)行預(yù)測,得出江西省總體及11個地級市的農(nóng)業(yè)碳排放現(xiàn)狀。

1.1 農(nóng)業(yè)碳排放測算

采用IPCC發(fā)布的碳排放相關(guān)系數(shù)[20-21],并利用已有研究成果,主要從種植業(yè)、畜禽養(yǎng)殖業(yè)2個方面對農(nóng)業(yè)碳排放量進(jìn)行測算。

1.1.1種植業(yè)碳排放

種植業(yè)碳排放主要包括農(nóng)業(yè)物資投入碳排放(化肥、農(nóng)藥、農(nóng)用薄膜、農(nóng)業(yè)灌溉及農(nóng)業(yè)機(jī)械)、農(nóng)田土壤利用碳排放、秸稈焚燒碳排放。借鑒田云等[22]的研究成果,構(gòu)建農(nóng)業(yè)物資投入和農(nóng)田土壤利用碳排放測算公式:

C=∑Ci=∑Ti×δi。

(1)

式(1)中,C為農(nóng)業(yè)碳排放總量, 萬t;Ci為各源類碳排放量,萬t;Ti為各源類活動水平;δi為各源類碳排放系數(shù)。

基于彭立群等[23]的研究成果,秸稈露天燃燒的碳排放量計算公式為

(2)

式(2)中,E為秸稈焚燒的碳排放量,萬t;k為農(nóng)作物類別;Pk為農(nóng)作物k的產(chǎn)量,萬t;Ck為農(nóng)作物k的草谷比;Rk為農(nóng)作物k秸稈露天焚燒比例;F為焚燒效率;FE,k為農(nóng)作物k秸稈露天燃燒的各源類碳排放因子。

種植業(yè)碳排放量測算所需的各類系數(shù)見表1～2。IPCC在2013年發(fā)布的評估報告顯示,CH4和N2O 轉(zhuǎn)化為CO2的100 a增溫潛勢系數(shù)分別為28和265。

表1 種植業(yè)碳排放源及碳排放系數(shù)

表2 各類農(nóng)作物的草谷比、燃燒效率和露天焚燒比例[23]

化肥、農(nóng)藥的碳排放系數(shù)來源為美國橡樹嶺國家實驗室(ORNL),農(nóng)膜的碳排放系數(shù)來源為南京農(nóng)業(yè)大學(xué)農(nóng)業(yè)資源與生態(tài)環(huán)境研究所(IREEA),農(nóng)業(yè)機(jī)械的碳排放系數(shù)來源為IPCC。農(nóng)田土壤利用各源類及農(nóng)業(yè)灌溉的碳排放系數(shù)參考劉楊等[24]的研究成果;秸稈燃燒各源類的碳排放系數(shù)參考彭立群等[23]的研究成果。1)P為農(nóng)業(yè)播種面積,W為農(nóng)業(yè)機(jī)械總動力。

1.1.2畜禽養(yǎng)殖碳排放

牛、羊等反芻動物腸道發(fā)酵形成的CH4和N2O是畜禽養(yǎng)殖碳排放的主要來源。參考IPCC和聯(lián)合國糧農(nóng)組織(FAO)的相關(guān)報告,由于禽類胃腸發(fā)酵幾乎不產(chǎn)生CH4,筆者未對其進(jìn)行測算。畜禽養(yǎng)殖碳排放計算公式為

(3)

式(3)中,Clive為養(yǎng)殖業(yè)CH4或N2O年排放總量,萬t;Ni為i種畜禽年平均飼養(yǎng)量,頭(只);δi為i種畜禽CH4或N2O排放系數(shù)(表3)。

表3 畜禽養(yǎng)殖碳排放源、CH4和N2O排放系數(shù)[26]

鑒于各畜禽養(yǎng)殖周期不一致,依據(jù)畜禽出欄率[25]對畜禽年均飼養(yǎng)量進(jìn)行調(diào)整。其中,生豬、兔及家禽的出欄量大于1,平均生命周期依次為200、105和55 d[26]。若出欄率≥1,平均飼養(yǎng)量依據(jù)出欄量進(jìn)行調(diào)整,即

Ni=Di×Mi/365。

(4)

式(4)中,Ni為i種畜禽年平均飼養(yǎng)量, 頭(只);Di為i種畜禽平均生命周期,d;Mi為i種畜禽年生產(chǎn)量(出欄量),頭(只)。

若出欄率小于1,畜禽的年平均飼養(yǎng)量依據(jù)年末存欄量進(jìn)行調(diào)整,即

Ni=(Ci,t+Ci,t-1)/2。

(5)

1.2 農(nóng)業(yè)碳排放強(qiáng)度及碳排放結(jié)構(gòu)

農(nóng)業(yè)碳排放強(qiáng)度可以用來衡量農(nóng)業(yè)碳排放的水平[26],其計算公式為

CI=C/PGD。

(6)

式(6)中,CI為農(nóng)業(yè)碳排放強(qiáng)度, t·萬元-1;C為農(nóng)業(yè)碳排放量,t;PGD為農(nóng)牧業(yè)生產(chǎn)總值,萬元。

碳排放結(jié)構(gòu)(Ri)的計算公式為

Ri=Ci/C。

(7)

式(7)中,Ci為i種源類碳排放量, 萬t;C為農(nóng)業(yè)碳排放總量,萬t。

1.3 農(nóng)業(yè)碳排放分解及影響因素模型

辨析農(nóng)業(yè)系統(tǒng)中的碳排放影響因素,有助于實現(xiàn)農(nóng)業(yè)的綠色發(fā)展[28]。根據(jù)Kaya碳排放恒等式的基本形式并借鑒已有研究[11],將碳排放量作如下變形:

(8)

CI=C/PGD,P,

綜上，下行方向裂縫的開裂程度較上行方向更嚴(yán)重，縱縫尤為明顯，這與上下行的行車荷載大小相吻合。且下行方向出現(xiàn)車輛超載的情況，根據(jù)劉彥光等學(xué)者的研究[4 ]，超限重載車是引發(fā)縱縫的主要因素之一。

(9)

AI=PGD,P/PGD,A,

(10)

IS=PGD,A/PGD,

(11)

EDL=PGD/PT,

(12)

URB=PT/PR。

(13)

式(8)～(13)中,C為農(nóng)業(yè)碳排放量,萬t;PGD,P為農(nóng)牧業(yè)GDP,萬元;PGD,A為農(nóng)牧漁林業(yè)GDP,萬元;PT為地區(qū)總?cè)丝?萬人;PR為農(nóng)村總?cè)丝?萬人;CI為農(nóng)業(yè)生產(chǎn)效率;AI為農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu);IS為地區(qū)產(chǎn)業(yè)結(jié)構(gòu);EDL為地區(qū)經(jīng)濟(jì)發(fā)展水平;URB為城鎮(zhèn)化水平。

采用LMDI加和分解方式對式(8)進(jìn)行進(jìn)一步分解,以量化各因素對碳排放的影響大小,具體為

ΔC=Ct-C0=ΔCI+ΔAI+ΔIS+ΔEDL+ΔURB+ΔP。

(14)

式(14)中,ΔC為農(nóng)業(yè)碳排放變化總量,萬t;t為時期(t=1,2,3,…,n);“0”表示基期;ΔCI、ΔAI、ΔIS、ΔEDL、ΔURB、ΔP分別為農(nóng)業(yè)生產(chǎn)效率、農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)、地區(qū)產(chǎn)業(yè)結(jié)構(gòu)、地區(qū)經(jīng)濟(jì)發(fā)展水平、城鎮(zhèn)化水平和農(nóng)村人口對農(nóng)業(yè)碳排放從基期到t時期變化量的貢獻(xiàn)值,萬t。

1.4 農(nóng)業(yè)碳排放量預(yù)測

1.4.1XGBoost算法

XGBoost即極限梯度提升算法,廣泛適用于監(jiān)督學(xué)習(xí)范疇,采用訓(xùn)練數(shù)據(jù)對目標(biāo)變量進(jìn)行預(yù)測[29],具有準(zhǔn)確度高、不易過擬合等特點[30-31]。將包含p個特征和容量為q的數(shù)據(jù)記為

T={(xi,yi)(|D|∈q,xi∈Rp,yi∈R)}。

(15)

式(15)中,D為監(jiān)督學(xué)習(xí)數(shù)據(jù)集;R為實數(shù)域?；貧w樹模型函數(shù)[32]可表示為

(16)

(17)

1.4.2貝葉斯優(yōu)化過程

貝葉斯優(yōu)化(Bayesian optimization,BO)是一種基于模型的序貫優(yōu)化[33],該算法分為先驗函數(shù)與采集函數(shù)2個核心過程。該研究中先驗函數(shù)采用高斯過程回歸,采集函數(shù)采用改進(jìn)概率(probability of improvement,PI)[34]。

1.4.3模型框架

上述基于貝葉斯優(yōu)化XGBoost的農(nóng)業(yè)碳排放量預(yù)測模型如圖1所示。首先,運用農(nóng)業(yè)碳排放量數(shù)據(jù)生成數(shù)據(jù)集,接著將數(shù)據(jù)進(jìn)行歸一化,并采用雙重插值法對缺失值進(jìn)行處理。其次,將處理后的數(shù)據(jù)集導(dǎo)入XGBoost模型進(jìn)行運算。再次,選擇貝葉斯優(yōu)化算法進(jìn)行超參數(shù)調(diào)優(yōu)。該研究采取單步預(yù)測的方式對碳排放量進(jìn)行預(yù)測,每一步訓(xùn)練好的XGBoost模型可用于未來碳排放量預(yù)測,輸入歷史碳排放量(前8 a碳排放量)特征數(shù)據(jù),預(yù)測下一年的碳排放量數(shù)據(jù),將預(yù)測數(shù)據(jù)放入模型中進(jìn)行再次訓(xùn)練,得到新的XGBoost模型,用于預(yù)測下一年的碳排放量,以此循環(huán)直至預(yù)測到2050年,預(yù)測訓(xùn)練停止。

圖1 基于貝葉斯優(yōu)化XGBoost的碳排放量預(yù)測模型

1.5 數(shù)據(jù)來源

以2000—2020年江西省及11個設(shè)區(qū)市為研究樣本,研究涉及的原始數(shù)據(jù)均來自于2001—2021年《江西統(tǒng)計年鑒》《改革開放三十年農(nóng)業(yè)統(tǒng)計資料匯編》及江西省各設(shè)區(qū)市統(tǒng)計年鑒。對于研究周期內(nèi)缺失的部分?jǐn)?shù)據(jù),分別從江西統(tǒng)計局統(tǒng)計數(shù)據(jù)庫、各設(shè)區(qū)市《國民經(jīng)濟(jì)和社會發(fā)展統(tǒng)計公報》獲取,個別缺失年份數(shù)據(jù)采用多重插補(bǔ)法對缺失值進(jìn)行填補(bǔ)。

2 江西省農(nóng)業(yè)碳排放時空演變特征

2.1 碳排放時序特征

2000—2020年江西省農(nóng)業(yè)碳排放總量及強(qiáng)度變化趨勢見圖2。2000—2020年江西省農(nóng)業(yè)碳排放總量呈現(xiàn)先下降后上升再下降的波動變化趨勢,總體呈上升趨勢。2000年碳排放量為4 018.6萬t,之后逐年下降,至2003年達(dá)最小值3 855.4萬t,比2000年減少4.1%,年均下降1.4%,同比下降3.3%。這主要有以下幾點原因:一方面,江西省在2003年出現(xiàn)罕見的大范圍高溫干旱,并且干旱一直持續(xù)到冬季,使得農(nóng)產(chǎn)品產(chǎn)量下降,種植面積也有所減少,碳排放量隨之降低;另一方面,由于該時期江西省農(nóng)產(chǎn)品的品種結(jié)構(gòu)比較單一,農(nóng)產(chǎn)品流通滯后于生產(chǎn),致使農(nóng)產(chǎn)品銷量下降,農(nóng)產(chǎn)品的種植面積隨之下降,這對于農(nóng)業(yè)碳減排也有一定的效果。2004—2015年碳排放量逐步上升,至2015年達(dá)最大值5 028.8萬t,比2000年增加25.1%,特別指出的是,2004年增速最高,同比增長10.3%。在此期間江西省農(nóng)業(yè)碳排放量快速增加,其原因是中央提出的惠農(nóng)政策提高了農(nóng)民的生產(chǎn)積極性。2016—2020年農(nóng)業(yè)碳排放量波動下降,比2000年增加12.1%。主要是因為全國范圍內(nèi)倡導(dǎo)的“化肥零增長”行動,降低了農(nóng)資投入所產(chǎn)生的碳排放量;并且江西省在2014年獲得了“全國首批生態(tài)文明先行示范區(qū)”的稱號,綠色農(nóng)業(yè)與循環(huán)經(jīng)濟(jì)得到了進(jìn)一步發(fā)展。2000年江西省農(nóng)業(yè)碳排放強(qiáng)度為0.709 t·萬元-1,到2020年下降至0.110 t·萬元-1,總體下降77.5%。由此可見,江西省農(nóng)業(yè)綠色發(fā)展政策效果顯著,農(nóng)業(yè)增長方式正在由粗放型向低碳經(jīng)濟(jì)型的可持續(xù)農(nóng)業(yè)轉(zhuǎn)變。

圖2 2000—2020年江西省農(nóng)業(yè)碳排放總量及強(qiáng)度變化趨勢

2000—2020年江西省農(nóng)業(yè)各源類碳排放量變化見圖3。農(nóng)業(yè)碳排放源類貢獻(xiàn)率由高到低依次為農(nóng)田土壤利用、畜禽養(yǎng)殖、農(nóng)資投入和秸稈焚燒。從逐年變化情況看,2017年后農(nóng)田土壤利用碳排放量占比呈波動上升趨勢,而畜禽養(yǎng)殖碳排放量占比呈波動下降趨勢。這主要是因為近年居民生活質(zhì)量上升,對綠色有機(jī)蔬菜等購買量增加,促使農(nóng)產(chǎn)品種植規(guī)模擴(kuò)大。而2018年的重大生豬疫情造成生豬存欄量大大下降,且在國際原油價格上漲的背景下,飼料成本增加,也使得牲畜養(yǎng)殖量下降。

圖3 2000—2020年江西省農(nóng)業(yè)各源類碳排放量變化

2.2 碳排放區(qū)域特征

圖4顯示,2000—2020年吉安、宜春和贛州的累計農(nóng)業(yè)碳排放量居前3位,均超過1.3×108t;其次是上饒和撫州,累計農(nóng)業(yè)碳排放量為1.0×108～1.3×108t;九江為0.7×108t,鷹潭、新余、景德鎮(zhèn)、萍鄉(xiāng)均低于0.3×108t。農(nóng)業(yè)碳排放強(qiáng)度并不取決于資源總量的基數(shù),能直接反映出不同地區(qū)低碳農(nóng)業(yè)發(fā)展水平的差異。2000—2020年江西省11個地級市的年平均碳排放強(qiáng)度差異較大。江西省年平均碳排放強(qiáng)度為0.39 t·萬元-1。各地級市比較而言,萍鄉(xiāng)低于0.26 t·萬元-1,景德鎮(zhèn)和贛州介于0.26～0.32 t·萬元-1之間,九江、撫州、南昌、鷹潭和新余介于0.32～0.39 t·萬元-1之間;而吉安、鷹潭和宜春的平均碳排放強(qiáng)度高于0.39 t·萬元-1,即高于全省平均水平。綜上所述,農(nóng)業(yè)碳排放強(qiáng)度的高低很大程度上取決于該地區(qū)農(nóng)作物種植投入方向以及工業(yè)發(fā)展水平,吉安的碳排放強(qiáng)度占全省首位,這主要是因為農(nóng)資投入碳排放量占比較大,應(yīng)該合理選肥,掌握化肥減量的核心技術(shù),并大力推廣綠色蟲害防控技術(shù)。

圖4 2000—2020年江西省各地級市累計碳排放量及平均碳排放強(qiáng)度分級

根據(jù)圖5所示的農(nóng)業(yè)碳排放結(jié)構(gòu)來看,江西省各地級市的農(nóng)田土壤利用、畜禽養(yǎng)殖、農(nóng)資投入、秸稈焚燒碳排放量平均占比分別在34.8%～50.4%、14.9%～31.0%、15.4%～26.2%、12.1%～20.3%之間,說明農(nóng)田土壤利用的碳排放在這4類碳源中占比最高,景德鎮(zhèn)、九江和上饒的農(nóng)業(yè)碳排放中畜禽養(yǎng)殖碳排放占比最小,其余地級市均為秸稈焚燒碳排放占比最小。

圖5 2000—2020年江西省各地級市累計碳排放量結(jié)構(gòu)

2000—2020年江西省各地級市農(nóng)業(yè)碳排放量及碳排放強(qiáng)度見表4～5。

表4 2000—2020年江西省各地市逐年農(nóng)業(yè)碳排放量及其變異系數(shù)

2000—2003年各地級市碳排放量總體呈下降趨勢,景德鎮(zhèn)、贛州、吉安、宜春和上饒在2016年左右出現(xiàn)峰值;南昌、九江、萍鄉(xiāng)、鷹潭和撫州在2013年左右出現(xiàn)峰值,然后波動變化;新余在2005年出現(xiàn)峰值,出現(xiàn)峰值的時間較早。

由表5可知,江西省各地級市碳排放強(qiáng)度呈逐年下降趨勢,2000—2020年各地級市下降幅度為73.45%～83.49%,與省級層面變化趨勢相符。從變異系數(shù)來看,2000—2020年江西省11個地級市農(nóng)業(yè)碳排放量年變異系數(shù)在59.7%～62.0%之間,而碳排放強(qiáng)度年變異系數(shù)在12.6%～21.0%之間,可以看出江西省各地級市的農(nóng)業(yè)碳排放強(qiáng)度存在較大的差異性。碳排放量及碳排放強(qiáng)度的變異系數(shù)都呈逐年增加趨勢,且碳排放強(qiáng)度變異系數(shù)的增幅更明顯,這表明不同地區(qū)的綠色農(nóng)業(yè)發(fā)展水平差異越來越明顯,致力于發(fā)展綠色低碳經(jīng)濟(jì)的城市碳排放量下降速度較快,同時大力發(fā)展經(jīng)濟(jì)作物的地區(qū)碳排放強(qiáng)度下降速度也較快。

表5 2000—2020年江西省各地級市逐年農(nóng)業(yè)碳排放強(qiáng)度及其變異系數(shù)

3 江西省農(nóng)業(yè)碳排放影響因素分析

江西省農(nóng)業(yè)碳排放影響因素的分解結(jié)果見圖6。與2000年相比,2001—2020年江西省農(nóng)業(yè)碳排放量累計增加11 933.4萬t。農(nóng)業(yè)生產(chǎn)效率、農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)、地區(qū)產(chǎn)業(yè)結(jié)構(gòu)及勞動力規(guī)模因素對農(nóng)業(yè)碳減排作用有限。對農(nóng)業(yè)碳減排影響最大的是農(nóng)業(yè)生產(chǎn)效率提升,累計實現(xiàn)65 091.6萬t碳減排。相比之下,農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化、地區(qū)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整及勞動力規(guī)模因素對減排的作用有限,如不受其他因素影響,分別可產(chǎn)生99.3萬、2 570.9萬和974.3萬t的年均碳遞減量。2000—2020年江西省種植業(yè)和畜禽業(yè)生產(chǎn)總值占農(nóng)業(yè)生產(chǎn)總值的比例下降8.0%,農(nóng)村人口占比下降32.0%,這表明江西省不斷推進(jìn)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整,推廣優(yōu)良品種的栽培與養(yǎng)殖技術(shù),提高城鎮(zhèn)化水平,減排效果顯著。導(dǎo)致農(nóng)業(yè)碳排放量增加的主要因素是地區(qū)經(jīng)濟(jì)發(fā)展水平和城鎮(zhèn)化率,分別累計增加125 113.6萬和24 261.4 萬t的碳排放量,表明江西省農(nóng)業(yè)碳排放與經(jīng)濟(jì)發(fā)展未完全脫鉤[35],未來一段時間內(nèi),江西省的經(jīng)濟(jì)發(fā)展仍會在很大程度上阻礙農(nóng)業(yè)碳排放量的減少,減污降碳等工作有待進(jìn)一步推進(jìn)。

ΔCI、ΔAI、ΔIS、ΔEDL、ΔURB、ΔP、ΔC分別表示農(nóng)業(yè)生產(chǎn)效率、農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)、地區(qū)產(chǎn)業(yè)結(jié)構(gòu)、地區(qū)經(jīng)濟(jì)發(fā)展水平、城鎮(zhèn)化水平、農(nóng)村人口對農(nóng)業(yè)碳排放變化的貢獻(xiàn)值、農(nóng)業(yè)碳排放量。

由表6可知,2000—2020年江西省11個地級市農(nóng)業(yè)碳排放量累計增加105.2萬～2 246.4萬 t。此外,各地級市農(nóng)業(yè)生產(chǎn)效率、農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)、地區(qū)產(chǎn)業(yè)結(jié)構(gòu)、勞動力因素對碳減排作用有限,地區(qū)經(jīng)濟(jì)發(fā)展水平及城鎮(zhèn)化因素則促進(jìn)了農(nóng)業(yè)碳排放量的增加。

表6 2000—2020年江西省各地級市農(nóng)業(yè)碳排放影響因素的平均貢獻(xiàn)值

值得注意的是,不同地級市的農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)對農(nóng)業(yè)碳減排的影響存在顯著差異。僅萍鄉(xiāng)和景德鎮(zhèn)的農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)對碳減排有促進(jìn)作用,貢獻(xiàn)值分別為80.6萬和116.0萬 t。這2個市的畜禽養(yǎng)殖規(guī)模擴(kuò)大以及秸稈焚燒量增加導(dǎo)致碳排放量增加,為了推動畜牧業(yè)綠色低碳發(fā)展及秸稈綜合利用,迫切需要實施精準(zhǔn)飼喂,提高畜禽糞污處理水平,同時要健全秸稈收儲運體系,以合力統(tǒng)籌推進(jìn)農(nóng)業(yè)農(nóng)村現(xiàn)代化。

4 碳排放預(yù)測及達(dá)峰分析

碳排放序列的監(jiān)督學(xué)習(xí)模型以前t期的碳排放值為輸入特征數(shù)據(jù),第t+1期的數(shù)據(jù)值為輸出數(shù)據(jù)。為了進(jìn)行模型訓(xùn)練,選擇時間窗口t=8,并采用前向驗證技術(shù)對模型進(jìn)行評估,前向驗證技術(shù)的步驟如下:首先,將除過去8 a外的所有數(shù)據(jù)用于模型訓(xùn)練,將近3 a的數(shù)據(jù)作為測試數(shù)據(jù);然后,在訓(xùn)練數(shù)據(jù)集上進(jìn)行訓(xùn)練并預(yù)測測試數(shù)據(jù)集的第1步,從而評估模型性能;接著,將測試集的真實觀測值添加到訓(xùn)練數(shù)據(jù)集中,重新擬合模型,再讓模型預(yù)測測試數(shù)據(jù)集的第2步;重復(fù)以上步驟,直到整個測試數(shù)據(jù)集都被預(yù)測完成,計算誤差度量以評估模型的性能。通過調(diào)試和比較,選擇時間窗口t=8,證明了該模型的可行性和有效性。

在進(jìn)行模型預(yù)測時,為了提高預(yù)測的精度和魯棒性,采用前向滾動窗口預(yù)測方法[36],該方法可以利用樣本內(nèi)數(shù)據(jù)作為特征數(shù)據(jù)傳入模型,并得到一步預(yù)測值。接著,將這一步預(yù)測值擴(kuò)充入樣本數(shù)據(jù)中,以便將其作為新的樣本數(shù)據(jù)傳入模型,再次進(jìn)行預(yù)測,從而得到更加準(zhǔn)確的結(jié)果。這個過程可以重復(fù)多次,直到達(dá)到預(yù)設(shè)的預(yù)測步數(shù)。值得注意的是,這種方法可以在進(jìn)行樣本外預(yù)測時發(fā)揮作用,即在模型對未知數(shù)據(jù)進(jìn)行預(yù)測時,可以使用樣本內(nèi)數(shù)據(jù)對模型進(jìn)行“自我訓(xùn)練”,以提高模型的泛化能力和預(yù)測效果。

對江西省及11個地級市的農(nóng)業(yè)碳排放強(qiáng)度按照上述方法進(jìn)行訓(xùn)練并預(yù)測未來30 a的碳排放強(qiáng)度,結(jié)果如圖7所示。根據(jù)預(yù)測結(jié)果,江西省及11個地級市的碳排放強(qiáng)度均在2030年前達(dá)到峰值。其中,新余農(nóng)業(yè)碳排放達(dá)峰時間最早,在2005年已達(dá)峰;南昌、撫州和九江在2012年實現(xiàn)碳達(dá)峰;鷹潭和萍鄉(xiāng)在2014年碳排放達(dá)到峰值;宜春、上饒和吉安在2015年達(dá)峰;贛州和景德鎮(zhèn)在2016年達(dá)峰。2020年后,江西省碳排放量經(jīng)歷了短時間的上升后呈現(xiàn)波動下降趨勢,其中宜春和新余震蕩幅度較大,南昌、撫州及九江碳排放量有上升趨勢,其他地區(qū)均在一段時間后趨于小幅的回落趨勢。模型預(yù)測2030年江西省碳排放總量將達(dá)4 702.05萬t。

決定系數(shù)R2也稱擬合優(yōu)度,其值越接近1,則模型的可信度越高,即預(yù)測值和真實值重合度越高[36]。從圖7可見,江西省及11個地級市決定系數(shù)均大于0.90,其中江西省、九江和上饒的決定系數(shù)大于0.97,這表明樣本中預(yù)測值和真實值非常接近,預(yù)測結(jié)果可信度較高,模型值得參考。

5 結(jié)論與啟示

5.1 結(jié)論

對江西省農(nóng)業(yè)碳排放特征、影響因素及達(dá)峰預(yù)測進(jìn)行分析,得出以下結(jié)論:

第一,2000—2020年江西省農(nóng)業(yè)碳排放總量呈現(xiàn)先下降后上升再下降的波動趨勢,總體上呈上升趨勢,這一時段農(nóng)業(yè)碳排放強(qiáng)度呈下降趨勢,這表明江西省農(nóng)業(yè)生產(chǎn)正在向低碳綠色產(chǎn)業(yè)轉(zhuǎn)型。

第二,農(nóng)田土壤利用碳排放量在4類碳源中居于首位,畜禽養(yǎng)殖碳排放量次之,而占比最小的碳源為秸稈焚燒。江西省各地級市農(nóng)業(yè)碳排放量及碳排放強(qiáng)度均存在一定的差異,其中宜春市農(nóng)業(yè)碳排放量最大且平均碳排放強(qiáng)度最高,江西省農(nóng)業(yè)生產(chǎn)效率、農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)、地區(qū)產(chǎn)業(yè)結(jié)構(gòu)及勞動力規(guī)模對農(nóng)業(yè)碳減排作用有限,而農(nóng)業(yè)碳排放量上升的主要因素為地區(qū)經(jīng)濟(jì)發(fā)展水平和城鎮(zhèn)化率。

第三,預(yù)測結(jié)果表明,在其他條件不變的情況下,新余在2005年最早達(dá)峰,景德鎮(zhèn)和贛州在2016年最晚達(dá)峰。2020年后,江西省碳排放量在攀升一段時間后呈現(xiàn)震蕩回落趨勢,其中宜春和新余震蕩幅度較大,南昌、撫州及九江碳排放量均有上升趨勢,其他地區(qū)均在一段時間后趨于小幅回落趨勢。

5.2 啟示

為了減緩氣候變化并促進(jìn)農(nóng)業(yè)經(jīng)濟(jì)發(fā)展,江西省各地方政府應(yīng)因地制宜,推動形成平衡協(xié)調(diào)的減排路徑。

第一,江西省農(nóng)業(yè)碳排放源類貢獻(xiàn)率最高的是農(nóng)田土壤利用,可見農(nóng)田土壤固碳減排存在較大潛力。因此要以耕地土壤有機(jī)質(zhì)提升為重點,實施有效的農(nóng)田管理措施。江西省近年來鼓勵農(nóng)民采取秸稈還田、有機(jī)肥施用等措施,增加土壤碳匯,同時鼓勵農(nóng)民采用有機(jī)農(nóng)業(yè)和綠色種植技術(shù),減少農(nóng)業(yè)生產(chǎn)中的化肥和農(nóng)藥使用,降低氮氧化物和甲烷等溫室氣體的排放,從而減少農(nóng)業(yè)碳排放。

第二,宜春農(nóng)業(yè)碳排放量最多且平均碳排放強(qiáng)度最高,可能是由于宜春糧食作物種植面積占比較大,而經(jīng)濟(jì)作物種植面積占比較小。因此,宜春可以鼓勵農(nóng)民采用高產(chǎn)、耐逆品種,實施農(nóng)作物品種替代及化肥農(nóng)藥減量替代計劃,同時發(fā)展優(yōu)勢新興產(chǎn)業(yè),為全市實現(xiàn)“雙碳”目標(biāo)夯實基礎(chǔ)。

第三,從預(yù)測結(jié)果來看,2020年后南昌、撫州及九江碳排放量均呈持續(xù)上升趨勢,應(yīng)充分發(fā)揮當(dāng)?shù)刭Y源優(yōu)勢,快速推進(jìn)綠色低碳轉(zhuǎn)型發(fā)展。其中,南昌優(yōu)越的地理位置、便利的交通以及溫和濕潤的氣候有利于推廣綠色種植和低耗水灌溉技術(shù),進(jìn)而提高綠色農(nóng)產(chǎn)品的比重;九江豐富的水資源利于推動節(jié)水灌溉技術(shù),同時適宜的氣候有利于發(fā)展當(dāng)?shù)靥厣袡C(jī)綠色茶葉生產(chǎn)及水生農(nóng)作物綠色種植;而撫州豐富的林果資源為發(fā)展有機(jī)果蔬、林業(yè)與生態(tài)農(nóng)業(yè)提供了基礎(chǔ),進(jìn)而增加碳匯能力,減少溫室氣體排放。