EN中文

干旱区地理 >

2025 , Vol. 48 >Issue 5: 854 - 865

DOI: https://doi.org/10.12118/j.issn.1000-6060.2024.401

碳排放

黄河流域农业碳排放时空变化特征及影响因素分析

  • 李梦冉 , 1 ,
  • 徐小任 , 1 ,
  • 王梁 1 ,
  • 段健 2 ,
  • 史舒琪 1 ,
  • 任丹丹 1
展开
  • 1.山东省水土保持与环境保育重点实验室，临沂大学资源环境学院，山东 临沂 276000
  • 2.浙江师范大学地理与环境科学学院，浙江 金华 321004
徐小任（1985-），女，博士，副教授，主要从事农业碳排放、乡村转型等方面的研究. E-mail:

李梦冉（2001-），女，本科生，主要从事农业碳排放测算与乡村发展等方面的研究. E-mail:

收稿日期: 2024-07-01

  修回日期: 2024-09-30

  网络出版日期: 2026-03-11

基金资助

教育部人文社会科学研究项目(24YJCZH362)

山东省自然科学基金项目(ZR202211210254)

山东省自然科学基金项目(ZR2024QD163)

收起

Spatial-temporal characteristics and influencing factors of agricultural carbon emissions in the Yellow River Basin

  • Mengran LI , 1 ,
  • Xiaoren XU , 1 ,
  • Liang WANG 1 ,
  • Jian DUAN 2 ,
  • Shuqi SHI 1 ,
  • Dandan REN 1
Expand
  • 1. Shandong Provincial Key Laboratory of Water and Soil Conservation and Environmental Protection, College of Resources and Environment, Linyi University, Linyi 276000, Shandong, China
  • 2. College of Geography and Environmental Sciences, Zhejiang Normal University, Jinhua 321004, Zhejiang, China

Received date: 2024-07-01

  Revised date: 2024-09-30

  Online published: 2026-03-11

Fold

摘要

根据农业生产中化肥、农药、农膜、柴油、翻耕以及农业灌溉6项碳源，采用联合国政府间气候变化专门委员会（IPCC）提出的碳排放系数方法测度并分析了2005—2020年黄河流域省域、市域尺度农业碳排放量及时空特征，使用地理加权回归模型剖析了影响因素的空间异质性。结果表明：（1） 2005—2020年黄河流域农业碳排放量呈现先增后减的特点，总体呈上升趋势，由2005年的4431.95×104 t增至2020年的4915.87×104 t，其中化肥、翻耕是主要碳源，占农业碳排放总量的65%以上，农药碳排放量始终处于最低水平。（2） 2005年黄河流域省域尺度农业碳排放量最高的是山东省，为1241.68×104 t。2010—2020年农业碳排放量最高的是河南省，排放量介于1360×104~1470×104 t之间，农业碳排放量最低的一直是青海省。2020年黄河流域市域尺度农业碳排放量呈现“由东向西”阶梯式递减的空间分异格局。（3） 农业生产效率对黄河流域农业碳排放量的正向影响呈现东南和西北高、东北低的空间变化特征；农业结构的负向影响高值区为山西省；农业经济发展水平的正向影响高值区为陕西省、山西省、河南省交界地区；农业劳动力规模的正向影响呈现东南和西北高、西南低的空间特征。

关键词： 黄河流域; 农业碳排放; 时空变化; 影响因素; 地理加权回归模型

本文引用格式

李梦冉 , 徐小任 , 王梁 , 段健 , 史舒琪 , 任丹丹 . 黄河流域农业碳排放时空变化特征及影响因素分析[J]. 干旱区地理, 2025 , 48(5) : 854 -865 . DOI: 10.12118/j.issn.1000-6060.2024.401

Abstract

Based on six carbon sources in agricultural production, namely fertilizers, pesticides, agricultural films, diesel oil, plowing, and agricultural irrigation, this study applied the carbon emission coefficient method proposed by the United Nations Intergovernmental Panel on Climate Change to measure and analyze the spatiotemporal variation in agricultural carbon emissions at provincial and municipal scales in the Yellow River Basin of China from 2005 to 2020. The spatial heterogeneity of the influencing factors was assessed using a geographically weighted regression model. The conclusions are as follows: (1) From 2005 to 2020, agricultural carbon emissions in the Yellow River Basin initially increased before declining, following an overall upward trend. Emissions rose from 4431.95×104 t in 2005 to 4915.87×104 t in 2020. Among the carbon sources, fertilizers and plowing were the primary contributors, accounting for more than 65% of total agricultural carbon emissions. Pesticide-related carbon emissions consistently remained the lowest. (2) In 2005, Shandong Province was the leading contributor to agricultural carbon emissions in the Yellow River Basin, with emissions of 1241.68×104 t. However, from 2010 to 2020, Henan Province became the largest emitter, with annual emissions ranging from 1360×104 t to 1470×104 t. Qinghai Province consistently recorded the lowest agricultural carbon emissions. In 2020, agricultural carbon emissions at the municipal scale exhibited a stepped decline from east to west in the Yellow River Basin. (3) The positive effect of agricultural production efficiency on agricultural carbon emissions was stronger in the southeast and northwest and lower in the northeast of the Yellow River Basin. The negative impact of agricultural structure was most pronounced in Shanxi Province. The highest positive impact of agricultural economic development was observed at the borders of Shaanxi Province, Shanxi Province, and Henan Province. The positive effect of the agricultural labor force was higher in the southeast and northwest and lower in the southwest.

Key words： Yellow River Basin; agricultural carbon emissions; spatial-temporal variation; influencing factors; geographically weighted regression model

近年来，全球变暖成为国际社会共同关注的焦点，人类活动引发的CO2等温室气体排放被认为是引起全球变暖的主导因素，温室气体减排已成为全球性的共识与责任[1-3]。据联合国政府间气候变化专门委员会（IPCC）测算，作为最大的温室气体排放国，2020年中国CO2排放量达109.45×108 t，占全球碳排放总量的34.22%。面对严峻的碳排放形势，中国已明确承诺在碳减排方面发挥积极作用，提出“碳达峰”与“碳中和”目标，即CO2排放力争于2030年前达到峰值，努力争取2060年前实现碳中和。从碳排放源来看，中国农业碳排放量占温室气体碳排放量的16%~17%，是中国第二大碳排放源，尤为突出的是，农业活动所释放的CH4和N2O分别占全国CH4和N2O排放量的50.15%和92.47%[4]。推进农业减排降碳工作，已成为中国实现“双碳”目标的关键环节[5]。2022年国家发改委印发的《农业农村减排固碳实施方案》指出，“以农业农村绿色低碳发展为关键，降低温室气体排放强度，积极探索农业农村减排固碳的实施路径”。党的二十大报告也指出，“协同推进降碳、减污、扩绿、增长”，夯实粮食安全根基[6]。因此，探究农业碳排放时空格局及影响因素，了解不同碳排放源的时空差异，对于有效挖掘农业减排潜力，精准施策推进农业绿色低碳发展进而实现“双碳”目标具有重要的意义。
目前，已有关于农业碳排放的研究主要集中于农业碳排放量测算、时空变化特征、影响因素剖析等方面。学术界通常采用IPCC碳排放系数法、模型模拟、田间实测等多种方法开展农业碳排放测算研究[7-8]。碳排放系数法根据不同农业生产活动确定碳排放源，基于排放因子进行综合测度，该方法因技术简单，便于地区比较，被广泛应用于多尺度地域研究[9]。李波等构建了涉及化肥、农药、农膜、翻耕、柴油以及灌溉6项排放因子的碳源清单[10]，主要侧重于探究生产要素投入等人类活动干预所导致的农业碳排放量增加，其中化肥被认为是农业碳排放的第一大碳源[11]。还有研究从广义农业的视角，基于农用物资投入、稻田、土壤以及牲畜养殖4个方面开展中国农业碳排放量测算[12-13]。另有研究将秸秆燃烧也纳入到农业碳排放核算体系中[14-15]。时空变化特征方面，已有研究通常以省域为基本单元分析全国范围农业碳排放的时空差异和动态演进[16-17]，或者多以市域为基本单元剖析特定省区农业碳排放的时空格局变化[18-19]。大量研究发现，由于自然条件、生产方式、技术水平的差异，农业碳排放具有较强的空间异质性[20-21]。有研究以省域为基本单元，发现黄河流域粮食主产区农业碳排放量高于长江、松花江流域，而黄河流域的农业碳排放量高值区集中于河南省和山东省，这主要是由于不同流域农业生产布局、种植结构和资源投入状况存在差异[22]。另有研究也得出相似结论，认为水土资源条件好的地区农业碳排放量大，河南、安徽、山东等省区具有显著的“高-高集聚区”[23]。诸多学者主要采用LMDI模型、Kaya恒等式、β条件收敛、STIRPAT模型等方法对农业碳排放的影响因素进行研究[24-25]。大量研究认为农业经济发展水平、农业结构、农业劳动力规模、农业生产效率等是农业碳排放的主要驱动因素[26-27]，其中农业经济发展水平通常是农业碳排放增量的主要动因[28]，农业产业结构对农业碳排放具有一定抑制作用[10]，生产效率、农业劳动力规模可能对农业碳排放表现出负向空间溢出效应[29-30]，但也可能推动农业碳排放量增加[31]。还有研究认为农地流转面积和城镇化率也会促进农业碳排放增加[32]。
综上所述，已有农业碳排放研究主要针对基于省域单元的全国范围或者基于市域单元的特定省区，以地市、县区中微观地域为基本单元的流域甚至全国等更大范围的相关研究相对较少，且影响因素研究更侧重于剖析对农业碳排放的推动或抑制强度，较少涉及因素对农业碳排放影响的空间异质性。黄河流域是中国重要的粮食主产区，也是重要的农业碳排放源，区域农业减排固碳不仅有助于国家“双碳”目标的实现，也是践行黄河流域生态保护和高质量发展等国家战略的切入点和突破口。基于此，本文以黄河流域为研究对象，基于农业生产中化肥、农药、农膜、柴油、翻耕以及农业灌溉6项主要碳源，采用IPCC碳排放系数法，测度并分析了2005—2020年黄河流域省域、市域尺度农业碳排放量及其时空特征，使用地理加权回归（GWR）模型剖析了影响因素的空间异质性，研究结果对于认识黄河流域农业碳排放量时空分异规律，实现农业绿色低碳转型，推动黄河流域生态保护和高质量发展具有重要理论和实践参考价值。

1 数据与方法

1.1 研究区概况

黄河流域流经青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南以及山东9个省区，地势西高东低。考虑到研究单元的完整性和黄河与地区经济发展的关系，将黄河流域流经的9省区作为本研究省域尺度研究范围，黄河流经省区的72个地级及以上城市（州、盟）作为市域尺度研究范围（图1）。黄河流域所辖9省区耕地面积1627.48×104 hm2，农村人均耕地面积0.23 hm2，约为全国农村人均耕地的1.4倍，包含黄淮海平原、汾渭平原、河套平原等粮食主产区。2020年黄河流域9省区粮食产量为2.43×108 t，占全国粮食产量的35.33%；农业劳动力3586.11×104人，占全国农业劳动力总量的13.64%；农业产值12518.95×108元，约占全国农业产值的20%。然而，黄河流域农业生产长期依赖化肥、农药、农膜、机械等化学品与农用物资的巨大投入，排放了大量温室气体，加剧了生态环境恶化，增大了粮食等农作物的生产风险。2020年黄河流域9省区农业碳排放量占全国的17.13%，已成为全国农业碳排放的重要源地，也是农业减排固碳的关键性区域。与此同时，由于黄河流域内部不同地区自然条件、土地利用效率、农业生产方式、技术水平等存在较大差异，农业碳排放存在明显的空间异质性。因此，开展黄河流域农业碳排放时空分异特征及影响因素研究，可为黄河流域农业减排固碳政策制定提供重要实践参考。
图1 研究区示意图

注：基于自然资源部标准地图服务网站审图号为GS(2019)1822号的标准地图制作，底图边界无修改。下同。

Fig. 1 Schematic diagram of the study area

1.2 数据来源

研究区域涉及省域和市域2种尺度。9个省区的化肥、农药、农膜、柴油、翻耕以及农业灌溉6项碳源数据来源于2006、2011、2016年以及2021年各省统计年鉴。72个地级及以上城市（州、盟）的碳源数据以及种植业产值、农林牧渔产值、农业劳动力等数据来自2021各省、市统计年鉴。化肥数据以当年化肥折纯量为准，翻耕数据以当年农作物播种面积为准，农业灌溉数据以当年有效农业灌溉面积为准，部分缺失数据采用克里金法进行推算。

1.3 研究方法

1.3.1 农业碳排放测算方法

鉴于数据获取的限制，本研究中的农业是指狭义的农业，即种植业。由于人类活动产生的CO2排放源具有较强的减排潜力，因此本研究主要测算人类活动产生的农业碳排放量。通过梳理已有研究成果[10]，本研究主要采用IPCC碳排放系数法测算黄河流域农业碳排放量。结合研究区域农业发展现状，选取化肥、农药、农膜、柴油、翻耕以及农业灌溉6项碳排放源，排放系数依次为0.8956 kg(C)∙kg-1、4.9341 kg(C)∙kg-1、5.18 kg(C)∙kg-1、0.5927 kg(C)∙kg-1、312.6 kg(C)∙hm-2、266.48 kg(C)∙hm-2 [33-35]，农业碳排放测算方法如公式（1）所示。需要说明的是，黄河流域农业碳排放时间变化特征、省域尺度空间变化特征均针对2005—2020年研究区内9个省区展开。考虑数据的可获得性，市域尺度农业碳排放空间变化特征及影响因素分析仅基于2020年相关数据开展。
E i = ∑ j = 1 m Ε i j = ∑ j = 1 m T i j × δ j
式中： E i为第i个研究单元的农业碳排放量（104 t）； Ε i j为第i个研究单元第j项碳排放源的碳排放量（104 t）； Τ i j为第i个研究单元第j项碳排放源的使用量（104 t）； δ j为第j项碳排放源的排放系数。

1.3.2 Kaya分解模型

Kaya将人类活动所导致的碳排放归因于碳排放强度、能源使用强度、经济发展水平和人口规模[36]。依据Kaya分析框架，并结合农业碳排放特点，将农业碳排放量分解如下：
C i = C i A G R I i × A G R I i A G R i × A G R i P i × P i
E I i = C i A G R I i
A I i = P i A G R I i
E L i = A G R i P i
式中： C i、 A G R I i、 A G R i、 P i分别为第i个研究单元农业碳排放量（104 t）、种植业产值（104元）、农林牧渔产值（104元）、农业劳动力规模（104人）； E I i、 A I i、 E L i分别为第i个研究单元农业生产效率（t·元-1）、农业结构（人·元-1）、农业经济发展水平（元·人-1）。

1.3.3 地理加权回归（GWR）模型

GWR模型是一种基于空间变化关系建模的局部线性回归方法，它通过在空间内产生一个局部回归模型解释变量的局部空间关系与空间异质性[37]。计算公式如下：
y i = β 0 μ i , υ i + ∑ i = 1 n β k μ i , υ i x i k + ε i
式中： y i为全局因变量，即第i个研究单元农业碳排放量（104 t）； x i k为第 i个研究单元第 k个变量的观测值； μ i , υ i 为第 i个研究单元的地理区位坐标； β 0 μ i , υ i为回归常数项； β k μ i , υ i为第 i个研究单元的第 k个变量的回归系数； ε i为随机误差项。
本研究应用GWR模型剖析黄河流域农业碳排放影响因素的空间差异性，选取农业生产效率、农业结构、农业经济发展水平、农业劳动力规模作为影响因素，通过研究各因素对农业碳排放影响的空间异质性，阐明不同因素在不同区域对农业碳排放的影响差异，解释形成碳排放空间分异规律的原因。

2 结果与分析

2.1 黄河流域农业碳排放时间变化特征分析

2005—2020年黄河流域农业碳排放量呈现先增加后减少的特点（图2），总体呈上升趋势，由2005年的4431.95×104 t增加至2015年的5282.14×104 t，2020年又减少至4915.87×104 t，总体增长10.92%。早期农业碳排放量增加受农业生产能效较低、化学品与农用物资过度投入与大量使用等因素影响，随着党的十八大提出转变农业发展方式，推进农业绿色发展等举措，农业碳排放开始呈现减少趋势，但排放量仍较高，减排任务艰巨。从排放结构来看，研究期内化肥、翻耕是流域农业碳排放的主要来源，占总排放量的65%以上，说明实施化肥减量化行动和优化翻耕将成为研究区域农业减排的重点举措。化肥碳排放量变化趋势与农业碳排放量趋势相似，翻耕碳排放量则呈现持续增加的变化趋势，2020年二者碳排放量均介于1680×104~1690×104 t之间。农业灌溉、农膜、柴油、农药产生的碳排放量相对较低，其中农业灌溉碳排放量整体趋于稳定，呈小幅度上升趋势，研究期内均介于500×104~590×104 t之间；农膜、柴油、农药碳排放量均呈现先增后减的变化趋势，值得注意的是，农药碳排放量始终处于最低水平，介于170×104~250×104 t之间。
图2 2005—2020年黄河流域农业碳排放量时间变化趋势

Fig. 2 Temporal changing trends of agricultural carbon emissions in the Yellow River Basin from 2005 to 2020

2.2 黄河流域农业碳排放空间变化特征分析

2.2.1 省域尺度农业碳排放空间变化特征

2005—2020年黄河流域不同省区农业碳排放量存在较大差异（图3），山东省、河南省农业碳排放量远高于其他省区，均大于1000×104 t。作为农业和人口密集型省份，庞大的农业体量是导致2个省区农业碳排放量居高不下的主要原因。2005年山东省农业碳排放量最高，为1241.68×104 t，占黄河流域农业碳排放量的28.02%，其中化肥是农业碳排放的最主要来源，碳排放量达到418.78×104 t，占该省农业碳排放量的33.73%。2010—2020年河南省农业碳排放量最高，介于1360×104~1470×104 t之间，占黄河流域总排放量的26%~28%，化肥也是该省农业碳排放的主要来源，所占比例介于42%~44%之间。2005—2020年四川省和内蒙古农业碳排放也较高，总体介于420×104~670×104 t之间，翻耕、化肥是最主要的农业碳排放源，尤其对于内蒙古而言，翻耕农业碳排放量占比最高，均高于39%。2005—2020年青海省和宁夏农业碳排量处于较低水平，尤其是青海省农业碳排放量一直低于65×104 t，这是由于宁夏地处干旱、半干旱地区，青海省处于青藏高原，自然条件严酷，生态环境脆弱，农作物种植面积相对较小，各类化学品与农用物资使用量较少。这2个省区除2010年化肥碳排放量所占比例最高外，其他年份翻耕农业碳排放量均居首位，所占比例均高于34%。从排放结构来看，各类排放源碳排放量除集中于河南、山东、四川3个省份外，陕西省的化肥、内蒙古的翻耕与农业灌溉、甘肃省的农膜与农药、陕西省与内蒙古的柴油碳排放量也处于较高水平。
图3 2005—2020年黄河流域省域尺度农业碳排放量空间分异特征

Fig. 3 Spatial differentiation characteristics of agricultural carbon emissions at the provincial scale in the Yellow River Basin from 2005 to 2020

2.2.2 市域尺度农业碳排放空间变化特征

（1） 市域尺度农业碳排放量空间分异特征
本研究借助ArcGIS 10.5软件，结合自然断裂法和专家征询法，按照≥39.87×104 t、23.89×104~39.87×104 t、7.53×104~23.89×104 t、3.64×104~7.53×104 t、<3.64×104 t的分级标准，将研究区域农业碳排放量划分为5个等级（图4）。2020年黄河流域农业碳排放量呈现出“由东向西”阶梯式递减的空间分布格局。农业碳排放量超过39.87×104 t的市（州、盟）有24个，农业碳排放量合计占研究区域总量的64.56%，集中连片分布于黄河下游地区，在内蒙古北部、陕西省南部、山西省南部等地区呈现斑块状分布，其中山东省、河南省等地区分布范围最为集中，这些地区农业高度机械化、化肥大量使用以及农作物大面积种植，农业碳排放量明显高于其他地区。农业碳排放量介于23.89×104~39.87×104 t之间的市（州、盟）有20个，农业碳排放量合计占研究区域总量的29.96%，集中连片分布于黄河流域中部的宁夏、甘肃省中东部等地区，在山西省以及郑州市、焦作市、西安市等地区也有零散分布。农业碳排放量介于7.53×104~23.89×104 t的市区零散分布于上一等级的周围地域，包括山西省中北部、西宁市、兰州市、延安市等17个地区。农业碳排放量介于3.64×104~7.53×104 t之间的市（州、盟）零散分布于阿拉善盟、海西蒙古族藏族自治州、阿坝藏族羌族自治州等6个地市。农业碳排放量小于3.64×104 t的市（州、盟）主要集中于黄河上游的青海省，共计5个地市，这些地区由于自然环境条件的限制，农业发展通常采用传统的耕作方式，各类化学品与农用物质使用较少，整体排放量最低。
图4 2020年黄河流域市域尺度农业碳排放量空间分异特征

Fig. 4 Spatial differentiation characteristics of agricultural carbon emissions at the municipal scale in the Yellow River Basin in 2020

（2） 市域尺度不同碳源排放量空间分异特征
同样结合自然断裂法和专家征询法，将黄河流域不同排放源农业碳排放量划分为5个等级（图5）。整体上，2020年黄河流域化肥、翻耕碳排放量呈现出东部与中部高、西部低的空间分异格局；农药碳排放量表现出自东向西递减的变化特征；农膜碳排放量形成横跨上中下游，连贯内蒙古北部、山西省北部的高值区“十”字状分布特征；柴油碳排放量形成东南—西北方向的带状高值区、西部低值区的地理格局；农业灌溉碳排放量呈现中下游沿河流域高、上游低的分布格局。化肥碳排放量高于18.36×104 t的市（州、盟）有19个，碳排放量合计占黄河流域化肥碳排放量的59.85%，集中于河南省、山东省、陕西省南部、山西省南部等带状分布区。化肥排放量介于7.45×104~18.36×104 t之间的市（州、盟）有20个，碳排放量合计占黄河流域化肥碳排放量的27.40%，呈团块状分布于黄河流域“几”字型顶部以及山西省中部、甘肃省东部等地区。与其他碳源相比，大部分市域单元的农药碳排放量较低，碳排放量超过1.32×104 t的市（州、盟）有21个，碳排放量合计占黄河流域农药碳排放量的77.65%，集中连片分布于山东省、河南省等地区，其中山东省作为农药生产和使用大省，农药生产企业和登记产品数量居全国首位，济宁市、潍坊市排放量居前2位，分别为5.69×104 t、5.14×104 t。农膜碳排放量大于1.94×104 t的市（州、盟）有54个，碳排放量合计占黄河流域农膜碳排放量的98.5%，分布区域东西横跨青海省北部、甘肃省东南部、河南省、山东省等地区，南北连贯内蒙古东部、陕西省北部等区域。柴油碳排放量大于2.44×104 t的市（州、盟）有21个，碳排放量合计占黄河流域柴油碳排放量的76.45%，主要分布于山东省、关中平原、宁夏与陕西省交界处以及河南省的新乡市、开封市、商丘市等地区。翻耕碳排放量大于16.16×104 t的市（州、盟）有22个，碳排放量合计占黄河流域翻耕碳排放量的61.42%，除集中于山东省、河南省外，在山西省南部、陕西省北部以及甘肃省的定西市呈斑块状分布。农业灌溉碳排放量超过4.49×104 t的市（州、盟）有27个，碳排放量合计占黄河流域农业灌溉碳排放量的77.33%，除成片分布于山东省、河南省外，还集中于内蒙古、陕西省交界处、关中平原以及甘肃省武威市等地区。除青海省北部农膜碳排放量较高外，其他排放源的低值区均集中于青海省及其与甘肃省交界处。
图5 2020年黄河流域市域尺度不同碳源排放量空间分异特征

Fig. 5 Spatial differentiation characteristics of agricultural carbon emissions from different sources at the municipal scale in the Yellow River Basin in 2020

2.3 黄河流域农业碳排放影响因素的空间异质性

为了深入探究黄河流域农业碳排放影响因素的空间异质性特征，本研究使用ArcGIS 10.5软件，采用自然断裂法，将不同因素的回归系数划分为5个等级进行可视化表达（图6）。农业生产效率对黄河流域农业碳排放的正向影响呈现出鲜明的东南与西北高、东北低的空间变化特征（图6a），说明山东省、河南省农业生产效率的提高对碳排放量的影响程度高于周围地区。山东省、河南省农业技术先进，农业机械化程度高，生产效率高于其他地区，碳排放受农业生产效率的影响更加明显。另外，甘肃省武威市、白银市等地区属于干旱地区，虽积极发展高效节水灌溉、智慧灌溉，但农业灌溉、农膜碳排放量仍较高，农业碳排放受生产效率的正向影响也比较明显。
图6 2020年黄河流域农业碳排放影响因素回归系数的空间异质性

Fig. 6 Spatial heterogeneity of regression coefficients of influencing factors on agricultural carbon emissions in the Yellow River Basin in 2020

农业结构对黄河流域农业碳排放的负向影响呈现出明显的以山西省为核心向外逐步减弱的空间格局（图6b），说明农业结构对山西省农业碳排放的影响强于其他地区。可能的诱因是，山西省深入推进农业供给侧结构性改革，大力发展有机旱作农业，实现生产与生态互惠，推动农业结构转型升级，农业结构转型助推山西省农业碳排放处于相对较低水平。
农业经济发展水平对黄河流域农业碳排放的正向影响呈现以陕西省、山西省、河南省交界地区为核心向外逐渐减弱的空间格局，并在青海省带来负向影响（图6c），说明陕西省、山西省、河南省交界地区农业经济发展水平的提高对农业碳排放影响大于其他地区。可能的原因是，虽然郑州市、焦作市、长治市、临汾市、渭南市等地区比上游地区农业基础好，但仍处于环境质量与农业经济发展拐点的左侧，农业经济发展水平对碳排放量增加的影响要大于其他地区。此外，青海省农业发展以畜牧业为主，由于数据获取的限制，本研究农业碳排放测算未包括反刍动物养殖带来的碳排放，因此农业发展水平对青海省农业碳排放产生负向影响。
农业劳动力规模对黄河流域农业碳排放的正向影响呈现出东南与西北高、西南低的空间变化格局（图6d），说明河南省、山东省等地区农业劳动力规模的扩大对碳排放增加的影响要高于其他地区。可能的原因是，河南省、山东省既是农业大省，又是人口大省，2省的农业劳动力共1346.86×104人，占黄河流域农业劳动力的37.56%，劳动力储备充分，碳排放受农业劳动力规模的影响程度大于其他地区。另外，内蒙古阿拉善盟、巴彦淖尔市等地区近年来不断优化人口布局，以“人退”带动“沙退”，探索“人退绿进”的发展模式，农业劳动力规模对碳排放产生较强的正向影响。

3 讨论

2024年习近平总书记在全面推动黄河流域生态保护和高质量发展座谈会上指出，要推动发展方式全面绿色转型，完善黄河流域生态大保护大协同格局，筑牢国家生态安全屏障。作为中国重要的粮食主产区，黄河流域沿线地区也是重要的农业碳排放源，流域农业减排固碳是践行黄河流域生态保护和高质量发展等国家战略的重要切入点和突破口。因此，本研究开展的黄河流域农业碳排放测算、时空变化特征及影响因素分析具有重要的理论及实践意义。与已有研究结果类似[22-23]，本研究也发现农业碳排放高值区主要集中于河南省、山东省等农业大省。本研究进一步验证了农业经济发展水平对碳排放增量的推动作用以及农业结构的减排效应[10,28]，但青海省由于农业发展以畜牧业为主，本研究农业碳排放测算未包括反刍动物养殖带来的碳排放，因此农业发展水平对青海省农业碳排放产生负向影响。另外，本研究也发现农业生产效率和劳动力规模对农业碳排放具有不可忽视的推动作用[31]，这也再次说明技术进步不一定会促进农业碳减排，这是由于农业劳动规模增加，生产效率提高，也可能意味着农业灌溉、柴油、化肥、翻耕、农膜等碳源的排放量增加，导致农业碳排放量在一定时期内出现波动式变化。除了不同因素对农业碳排放的正向或负向影响外，本研究还深入探究了黄河流域内部不同因素对农业碳排放影响的空间异质性，完善了农业碳排放研究的理论方法与实践案例。

4 结论与建议

4.1 结论

（1） 2005—2020年，黄河流域农业碳排放量呈现先增加后减少的特点，总体呈上升趋势，由2005年的4431.95×104 t增至2020年的4915.87×104 t。从排放结构来看，化肥、翻耕是农业碳排放的主要来源，占总排放量的65%以上，化肥碳排放量变化趋势与农业碳排放量趋势相似，翻耕碳排放量呈现持续增加的变化趋势，2020年碳排放量均介于1680×104~1690×104 t之间。农业灌溉碳排放量整体趋于稳定，农膜、柴油、农药碳排放量均呈现先增后减的变化特征，农药碳排放量始终处于最低水平。
（2） 省域尺度方面，2005年山东省农业碳排放量最高，为1241.68×104 t。2010—2020年农业碳排放量最高的省份是河南省，介于1360×104~1470×104 t之间，农业碳排放量一直最低的省份是青海省，均小于65×104 t。市域尺度方面，2020年黄河流域农业碳排放量呈现“由东向西”阶梯式递减的空间分异格局。化肥、翻耕碳排放量呈现东部与中部高、西部低的空间格局，农药碳排放量表现出自东向西递减的变化特征，农膜碳排放量形成横跨上中下游，连贯内蒙古北部、山西省北部的高值区“十”字状分布特征，柴油碳排放量形成东南—西北方向的带状高值区、西部低值区的地理格局，农业灌溉碳排放量呈现中下游沿河流域高、上游低的分布格局。
（3） 农业生产效率对黄河流域农业碳排放的正向影响呈现出东南与西北高、东北低的空间变化特征；农业结构对碳排放的负向影响呈现出以山西省为核心向外逐步减弱的空间格局；农业经济发展水平对农业碳排放的正向影响呈现以陕西省、山西省、河南省交界地区为核心向外逐渐减弱的空间格局，并在青海省带来负向影响；农业劳动力规模对黄河流域农业碳排放的正向影响呈现东南与西北高、西南低的空间变化格局。

4.2 建议

（1） 不断加大农业现代化投入，促进农业科技创新。黄河流域上游农业生产依赖于黄河水系灌溉，可积极推广滴灌、渗透灌溉等高效节水灌溉技术。下游农业发展水平高，应加快推进农业机械化新能源建设，研发高品质农药、化肥等农用物资，最大化提高农资利用效率，并充分利用遥感、GPS、物联网等现代信息技术，发展智慧农业，实现精准施肥，精准施药，促进农业要素科学、精准、合理化投入，最大限度减少农业碳排放。
（2） 融合地区间资源条件差异，挖掘农业碳交易市场潜力。借鉴其他产业碳交易市场运行经验，充分利用农业碳排放交易市场发展潜力，做好“碳票”变“钞票”的碳减排推进工作。可从河南省、山东省等碳排放量高的省份中选取典型市区或县域开展农业碳交易试点，建立交易平台，以“碳票”为切入点，为农民增收开辟新路径，提升农业企业和农户参与农业碳减排行动的积极性。
（3） 加强区域协同交流，发挥绿色技术示范作用。充分发挥各地区资源优势，建立健全省区、市区间合作共赢机制，共享最佳农业碳减排实践和技术，碳排放低的区域向其他区域分享农业绿色低碳发展经验，建立示范基地，推广农业碳排放示范效应，并积极表彰为碳减排作出贡献的龙头企业和农户。碳排放量高的区域应借鉴排放低的区域发展成果，研究适合本区域的农业发展模式，从而实现全流域农业低碳转型发展。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Vetter S H, Sapkota T B, Hillier J, et al. Greenhouse gas emissions from agricultural food production to supply Indian diets: Implications for climate change mitigation[J]. Agriculture, Ecosystems & Environment, 2017, 237(2): 234-241.

[2]
贾智杰, 杨香义. 迈向碳中和: 中国减煤路径的模拟与评估[J]. 中国人口·资源与环境, 2024, 34(6): 9-20.

[Jia Zhijie, Yang Xiangyi. Towards carbon neutrality: Simulation and evaluation of China’s coal reduction path[J]. China Population, Resources and Environment, 2024, 34(6): 9-20. ]

[3]
陈迎. 碳公平视角下碳关税的内在缺陷、深层冲突与国际协同治理[J]. 中国人口·资源与环境, 2024, 34(7): 1-13.

[Chen Ying. Inherent flaws, deep-rooted conflicts, and synergistic international governance of carbon tariffs from a carbon equity perspective[J]. China Population, Resources and Environment, 2024, 34(7): 1-13. ]

[4]
陈炜, 殷田园, 李红兵. 1997—2015年中国种植业碳排放时空特征及与农业发展的关系[J]. 干旱区资源与环境, 2019, 33(2): 37-44.

[Chen Wei, Yin Tianyuan, Li Hongbing. Spatiotempora distribution characteristics of carbon emission from plant industry and the relationship with agriculture development in China from 1997 to 2015[J]. Journal of Arid Resources and Environment, 2019, 33(2): 37-44. ]

[5]
曹昱亮, 倪珣, 巩红禹. 长江经济带农业碳排放影响因素及脱钩效应[J]. 环境科学, 2025, 46(3): 1535-1547.

[Cao Yuliang, Ni Xun, Gong Hongyu. Influencing factors and decoupling effects of agricultural carbon emissions in the Yangtze River Economic Belt[J]. Environmental Science, 2025, 46(3): 1535-1547.

[6]
张青青, 曲衍波, 展凌云, 等. 中国粮食生产碳排放动态演进及驱动效应[J]. 地理学报, 2023, 78(9): 2186-2208.

DOI

[Zhang Qingqing, Qu Yanbo, Zhan Lingyun, et al. Dynamic evolution and driving effects of carbon emissions from grain production in China[J]. Acta Geographica Sinica, 2023, 78(9): 2186-2208. ]

DOI

[7]
吴昊玥, 孟越, 黄瀚蛟, 等. 中国耕地利用净碳汇与农业生产的时空耦合特征[J]. 水土保持学报, 2022, 36(5): 360-368, 376.

[Wu Haoyue, Meng Yue, Huang Hanjiao, et al. Spatiotemporal coupling between the net carbon sequestration of cropland use and agricultural production in China[J]. Journal of Soil and Water Conservation, 2022, 36(5): 360-368, 376. ]

[8]
何艳秋, 戴小文. 中国农业碳排放驱动因素的时空特征研究[J]. 资源科学, 2016, 38(9): 1780-1790.

DOI

[He Yanqiu, Dai Xiaowen. Phase characteristics and regional differences in agriculture carbon emissions in China[J]. Resources Science, 2016, 38(9): 1780-1790. ]

DOI

[9]
李彦旻, 沈育生, 王世航. 基于土地利用变化的安徽省陆地碳排放时空特征及效应[J]. 水土保持学报, 2022, 36(1): 182-188.

[Li Yanmin, Shen Yusheng, Wang Shihang. Spatio-temporal characteristics effects of terrestrial carbon emissions based on land use change in Anhui Province[J]. Journal of Soil and Water Conservation, 2022, 36(1): 182-188. ]

[10]
李波, 张俊飚, 李海鹏. 中国农业碳排放时空特征及影响因素分解[J]. 中国人口·资源与环境, 2011, 21(8): 80-86.

[Li Bo, Zhang Junbiao, Li Haipeng. Research on spatial-temporal characteristics and affecting factors decomposition of agricultural carbon emission in China[J]. China Population, Resources and Environment, 2011, 21(8): 80-86. ]

[11]
金书秦, 林煜, 牛坤玉. 以低碳带动农业绿色转型: 中国农业碳排放特征及其减排路径[J]. 改革, 2021(5): 29-37.

[Jin Shuqin, Lin Yu, Niu Kunyu. Driving green transformation of agriculture with low carbon: Characteristics of agricultural carbon emissions and its emission reduction path in China[J]. Reform, 2021(5): 29-37. ]

[12]
田云, 张俊飚. 中国农业生产净碳效应分异研究[J]. 自然资源学报, 2013, 28(8): 1298-1309.

DOI

[Tian Yun, Zhang Junbiao. Regional differentiation research on net carbon effect of agricultural production in China[J]. Journal of Natural Resources, 2013, 28(8): 1298-1309. ]

DOI

[13]
马海清, 陈强强. 甘肃省农业碳排放时空分异特征及影响因素[J/OL]. 干旱区地理.[2024-08-26].http://kns.cnki.net/kcms/detail/65.1103.X.20240826.1508.002.html.

[Ma Haiqing, Chen Qiang-qiang. Spatial-temporal differentiation characteristics and influencing factors of agricultural carbon emissions in Gansu Province[J/OL]. Arid Land Geography.[2024-08-26]. http://kns.cnki.net/kcms/detail/65.1103.X.20240826.1508.002.html.

[14]
冉锦成, 苏洋, 胡金凤, 等. 新疆农业碳排放时空特征、峰值预测及影响因素研究[J]. 中国农业资源与区划, 2017, 38(8): 16-24.

[Ran Jincheng, Su Yang, Hu Jinfeng, et al. Temporal and spatial characteristics, peak value forecast and influencing factors of agricultural carbon emissions in Xinjiang[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(8): 16-24. ]

[15]
夏文浩, 霍瑜, 逯渊, 等. 新疆农业碳排放的时空差异与空间溢出效应分析[J]. 干旱区地理, 2024, 47(6): 1084-1096.

DOI

[Xia Wenhao, Huo Yu, Lu Yuan, et al. Analysis of spatial temporal differences and spatial spillover effects of agricultural carbon emissions in Xinjiang[J]. Arid Land Geography, 2024, 47(6): 1084-1096. ]

[16]
吴贤荣, 张俊飚. 中国省域农业碳排放: 增长主导效应与减排退耦效应[J]. 农业技术经济, 2017(5): 27-36.

[Wu Xianrong, Zhang Junbiao. Agricultural carbon emissions at provincial level in China: Growth-led effect and emission reduction decoupling effect[J]. Journal of Agrotechnical Economics, 2017(5): 27-36. ]

[17]
胡婉玲, 张金鑫, 王红玲. 中国农业碳排放特征及影响因素研究[J]. 统计与决策, 2020, 36(5): 56-62.

[Hu Wanling, Zhang Jinxin, Wang Hongling. Characteristics and influencing factors of agricultural carbon emission in China[J]. Statistics & Decision, 2020, 36(5): 56-62. ]

[18]
黄和平, 李紫霞, 黄靛, 等. “双碳”目标下江西省农业碳排放量测算、影响因素分析与预测研究[J]. 生态与农村环境学报, 2024, 40(2): 179-190.

[Huang Heping, Li Zixia, Huang Dian, et al. Research on the measurement, analysis and prediction of agricultural carbon emissions in Jiangxi Province under the “dual carbon” goals[J]. Journal of Ecology and Rural Environment, 2024, 40(2): 179-190. ]

[19]
吕斯涵, 张小平. 山东省农业净碳汇时空演化特征分析[J]. 水土保持学报, 2019, 33(2): 227-234.

[Lü Sihan, Zhang Xiaoping. Spatial-temporal characteristics of agricultural net carbon sink in Shandong Province[J]. Journal of Soil and Water Conservation, 2019, 33(2): 227-234. ]

[20]
刘华军, 鲍振, 杨骞. 中国农业碳排放的地区差距及其分布动态演进: 基于Dagum基尼系数分解与非参数估计方法的实证研究[J]. 农业技术经济, 2013(3): 72-81.

[Liu Huajun, Bao Zhen, Yang Qian. Regional disparity and dynamic evolution of distribution of agricultural carbon emissions in China: An empirical study based on Dagum Gini coefficient decomposition and non-parametric estimation[J]. Journal of Agrotechnical Economics, 2013(3): 72-81. ]

[21]
Wang L G, Zhu R, Yin Z L, et al. Quantifying the spatial-temporal patterns and influencing factors of agricultural carbon emissions based on the coupling effect of water-land resources in arid inland regions[J]. Frontiers in Environmental Science, 2022, 10: 908987, doi: 10.3389/fenvs.2022.908987.

[22]
黄晓慧, 杨飞, 陆迁. 粮食主产区农业碳排放回弹效应研究[J]. 长江流域资源与环境, 2022, 31(12): 2780-2788.

[Huang Xiaohui, Yang Fei, Lu Qian. Research on the rebound effect of agricultural carbon emission based on technological progress in main grain producing area[J]. Research and Environment in the Yangtze Basin, 2022, 31(12): 2780-2788. ]

[23]
薛媛, 李春华, 李静雯, 等. 中国农业碳排放时空特征及驱动因素分析[J]. 中国生态农业学报, 2024, 32(11): 1805-1817.

[Xue Yuan, Li Chunhua, Li Jingwen, et al. Analysis of spatial and temporal characteristics and drivers of agricultural carbon emissions in China[J]. Chinese Journal of Eco-Agriculture, 2024, 32(11): 1805-1817. ]

[24]
杨思存, 霍琳, 王成宝, 等. 基于STIRPAT模型的甘肃省农业碳排放特征分析[J]. 干旱区地理, 2023, 46(9): 1493-1502.

DOI

[Yang Sicun, Huo Lin, Wang Chengbao, et al. Characteristics of agricultural carbon emissions in Gansu Province based on STIRPAT model[J]. Arid Land Geography, 2023, 46(9): 1493-1502. ]

DOI

[25]
Goglio P, Smith W N, Grant B B, et al. A comparison of methods to quantify greenhouse gas emissions of cropping systems in LCA[J]. Journal of Cleaner Production, 2018, 172(3): 4010-4017.

[26]
Zhao R Q, Liu Y, Tian M M, et al. Impacts of water and land resources exploitation on agricultural carbon emissions: The water-land-energy-carbon nexus[J]. Land Use Policy, 2018, 72: 480-492.

[27]
邓维忠, 许中坚. 湖南省农业碳排放特征及碳达峰分析[J]. 中国生态农业学报(中英文), 2024, 32(2): 206-217.

[Deng Weizhong, Xu Zhongjian. Characteristics of agricultural carbon emissions and carbon peak analysis in Hunan Province[J]. Chinese Journal of Eco-Agriculture, 2024, 32(2): 206-217. ]

[28]
张小平, 王龙飞. 甘肃省农业碳排放变化及影响因素分析[J]. 干旱区地理, 2014, 37(5): 1029-1035.

[Zhang Xiaoping, Wang Longfei. Variations and influential factors of agricultural carbon emissions in Gansu Province[J]. Arid Land Geography, 2014, 37(5): 1029-1035. ]

[29]
戴小文, 漆雁斌, 唐宏. 1990—2010年中国农业隐含碳排放及其驱动因素研究[J]. 资源科学, 2015, 37(8): 1668-1676.

[Dai Xiaowen, Qi Yanbin, Tang Hong. Embodied CO2emission calculation and influence factors decomposition in China’s agriculture sector[J]. Resources Science, 2015, 37(8): 1668-1676. ]

[30]
何艳秋, 王鸿春, 刘云强. 产业集聚视角下农业碳排放的空间效应[J]. 资源科学, 2022, 44(12): 2428-2439.

DOI

[He Yanqiu, Wang Hongchun, Liu Yunqiang. Spatial effects of agricultural carbon emissions from the perspective of industrial agglomeration[J]. Resources Science, 2022, 44(12): 2428-2439. ]

DOI

[31]
田云, 尹忞昊, 张蕙杰. 我国农村能源碳排放时空格局、影响因素及空间溢出效应[J]. 中国农业科学, 2023, 56(13): 2547-2562.

DOI

[Tian Yun, Yin Minhao, Zhang Huijie. Spatial-temporal pattern, influencing factors and spatial spillover effects of rural energy carbon emissions in China[J]. Scientia Agricultura Sinica, 2023, 56(13): 2547-2562. ]

[32]
崔盼盼, 赵媛, 张丽君, 等. 基于不同需求层次的中国城镇居民消费隐含碳排放时空演变机制[J]. 生态学报, 2020, 40(4): 1424-1435.

[Cui Panpan, Zhao Yuan, Zhang Lijun, et al. Spatio-temporal evolution and driving mechanism of per capita indirect carbon emissions based on different demand levels from urban residents’ consumption in China[J]. Acta Ecologica Sinica, 2020, 40(4): 1424-1435. ]

[33]
Dyer J A, Kulshreshtha S N, Mcconkey B G, et al. An assessment of fossil fuel energy use and CO2 emissions from farm field operations using a regional level crop and land use database for Canada[J]. Energy, 2010, 35(5): 2261-2269.

[34]
赵欣, 龙如银. 考虑全要素生产率的中国碳排放影响因素分析[J]. 资源科学, 2010, 32(10): 1863-1870.

[Zhao Xin, Long Ruyin. Analysis of factors of China’s carbon emissions considering the total factor productivity[J]. Resources Science, 2010, 32(10): 1863-1870. ]

[35]
段华平, 张悦, 赵建波, 等. 中国农田生态系统的碳足迹分析[J]. 水土保持学报, 2011, 25(5): 203-208.

[Duan Huaping, Zhang Yue, Zhao Jianbo, et al. Carbon footprint analysis of farmland ecosystem in China[J]. Journal of Soil and Water Conservation, 2011, 25(5): 203-208. ]

[36]
李国志, 李宗植. 中国农业能源消费碳排放因素分解实证分析: 基于LMDI模型[J]. 农业技术经济, 2010(10): 66-72.

[Li Guozhi, Li Zongzhi. Factorization of carbon emissions from agricultural energy consumption in China: An empirical analysis based on LMDI model[J]. Journal of Agrotechnical Economics, 2010(10): 66-72. ]

[37]
虞晓芬, 周家乐, 湛东升, 等. 中国城市住房质量空间格局与影响因素空间异质性[J]. 地理研究, 2023, 42(12): 3278-3293.

DOI

[Yu Xiaofen, Zhou Jiale, Zhan Dongsheng, et al. Spatial pattern and spatial heterogeneity of influencing factors of housing quality in urban China[J]. Geographical Research, 2023, 42(12): 3278-3293. ]

Options
文章导航

/

〈 〉