劉鵬凌，黃靖輝，葉露放，李 想

(安徽農業(yè)大學 經濟管理學院，安徽 合肥 230036)

農業(yè)生產是農民生活的主要收入來源，在其生產過程中所消耗的農業(yè)能源不可避免地造成了大量溫室氣體的排放。隨著溫室氣體濃度的不斷升高，溫室效應愈加明顯。溫室氣體通過吸收和釋放紅外輻射可長期存在于大氣之中，使地球表面變得更暖，進而帶來愈來愈嚴重的環(huán)境問題，例如各種極端天氣、土地荒漠化等。目前，農業(yè)已經是第二大溫室氣體排放源，其碳排放量已達到全球人為排放總量的23%[1]。在“2030碳達峰，2060碳中和”的目標下，低碳生產已經成為未來農業(yè)發(fā)展的主基調。2020年，合肥市農、林、牧、漁業(yè)生產總值為524億元，占安徽省農、林、牧、漁業(yè)總產值的比重為9.2%，遠超全省平均水平[2]317。其農業(yè)碳排放量對安徽省農業(yè)碳排放總量而言具有重大影響。因此，對合肥市農業(yè)碳排放開展研究具有重要意義。

一、相關研究綜述

近年來農業(yè)碳排放研究主要集中在影響因素、空間格局變化、未來碳排放預測等方面。人口數量、人均財富、科技水平、農用物資、農地利用、農地經營規(guī)模等因素是農業(yè)碳排放的正向影響因素[3-5]。其中,農地翻耕、化肥投入、牛豬養(yǎng)殖的影響最大[6]。農地經營規(guī)模通過增加要素投入強度提高農業(yè)碳排放水平[7]，而國家財政支農政策可通過調節(jié)作用降低農業(yè)碳排放[8]。此外，農戶兼業(yè)經營、農業(yè)生產效率、農業(yè)結構是農業(yè)碳排放的負向影響因素[9，10]，而農業(yè)產業(yè)集聚與農業(yè)碳排放之間呈現正“U”型關系[11]。關于空間格局研究，大部分學者均通過數據大小比較各研究區(qū)域農業(yè)碳排放量的高低差異。例如湖南省農業(yè)碳排放量呈現出東部高、西部低的特征，且集聚效應顯著[12]，但各縣在空間上有同質性，且在不斷增強[13]。在全國范圍內，農業(yè)碳排放量的相對差異呈現出先擴大后縮小的趨勢[10]626。在農業(yè)碳排放預測方面，多數學者根據實際情況以及優(yōu)化情況分別預測未來碳排放量及碳達峰時間[14]，或者根據現狀研究未來農業(yè)碳排放拐點出現時間以及何時進入下降階段[15]。

就當下而言，各地區(qū)發(fā)展現狀不同，在農業(yè)碳排放領域也面臨著各種問題。對合肥市來說，近年來農業(yè)經濟發(fā)展迅速，農、林、牧、漁業(yè)總產值從2000年的64億元上升至2020年的524億元[2]329，但伴隨而來的是碳排放的急劇上升。所以，加快落實綠色農業(yè)發(fā)展，降低農業(yè)碳排放量刻不容緩。對合肥市農業(yè)生產碳排放量進行測算和預測，旨在為合肥市農業(yè)低碳發(fā)展提供參考。

二、合肥市農業(yè)碳排放特征

當下，碳排放測算方法主要來自國際環(huán)境統(tǒng)計工作中所采用的實測法、物料平衡算法以及碳排放系數法[16]。其中物料平衡法主要用于測算使用化石燃料所產生的碳排放量，而碳排放系數法則更加適合測算農業(yè)碳排放[17]。根據《IPCC 2006國家溫室氣體清單指南(2019年修訂版)》，并結合合肥市當地農業(yè)發(fā)展現狀及前人研究成果[18-22]，選取農業(yè)資本投入(化肥、農藥、農膜、農用柴油、農機耕作面積、有效灌溉面積)、谷物、牲畜(豬、牛、羊)三大類碳源，依據相對應的碳排放系數與轉換系數測算研究區(qū)域內的農業(yè)碳排放量[23](見表1)。測算結果均輸出為碳排放當量。具體公式為：

表1 農業(yè)碳排放系數及相應的轉換系數

C=∑Ci=∑Xi×Yi×Zi

(1)

CI=C/S

(2)

式中，C為農業(yè)碳排放量，Ci為來自各類碳源的排放量，Xi表示各碳排放源數量，Yi表示各碳源碳排放系數，Zi表示轉換系數，CI表示碳排放強度，S表示農作物總播種面積。

(一)合肥市農業(yè)碳排放量與碳排放強度時序特征

根據式(1)、式(2)測算2006—2019年合肥市農業(yè)碳排放量與碳排放強度(見圖1、圖2)，結果表明，合肥市農業(yè)碳排放量總體呈現出上升趨勢，由2006年的380.55萬噸上升至2019年的696.66萬噸，年均遞增4.41%；同樣，農業(yè)碳排放強度總體也呈現出上升趨勢，由2006年的0.56 kg/m2上升至2019年的1.02kg/m2。以2011年巢湖市市轄區(qū)、廬江縣劃歸合肥為分界點，將農業(yè)碳排放研究階段分為第一階段(2006—2010)與第二階段(2011—2019)，并且剔除由于行政區(qū)域劃分造成的異常值情況。從農業(yè)碳排放量看，第一階段合肥市農業(yè)碳排放量總體平穩(wěn)上升，從380.55萬噸上升至416.60萬噸，漲幅為9.47%，各年度漲幅基本穩(wěn)定在2%左右，無異常波動。第二階段合肥市農業(yè)碳排放量進一步上升，但增速大幅放緩，8年總體漲幅為5.6%，從672.16萬噸上升至696.66萬噸。2011—2016年各年漲幅處于1%的水平，而在2017—2018年出現波動，2018年為合肥市農業(yè)碳排放量達到近14年來最高點740.89萬噸，2019年下降至696.66萬噸，漲幅從2.11%減至-3.36%，出現首個轉折。從農業(yè)碳排放強度看，2006—2007年合肥市碳排放強度從0.56 kg/m2增至0.58 kg/m2，上漲3.4%，而2007—2008年碳排放強度下降0.04 kg/m2，降幅達7.6%。其原因在于，相比2007年，2008年合肥市農作物播種面積大幅提高，之后年份平穩(wěn)上升但未超越2006年的強度。在第二階段，2011—2017年碳排放強度基本平穩(wěn)于0.9 kg/m2， 2018年上升至1.06 kg/m2，漲幅達到13.50%，2019年又出現下降情況?？傮w而言，2006—2019年合肥市農業(yè)碳排放量呈現出先增后減的狀態(tài)，農業(yè)碳排放強度則呈現先上升后下降再上升、最后平緩波動的狀態(tài)。

圖1 第一階段碳排放量與碳排放強度數據來源：2007—2020年《安徽省統(tǒng)計年鑒》《合肥市統(tǒng)計年鑒》、合肥市統(tǒng)計局官網以及其他相關統(tǒng)計報表。

圖2 第二階段碳排放量與碳排放強度數據來源：2007—2020年《安徽省統(tǒng)計年鑒》《合肥市統(tǒng)計年鑒》、合肥市統(tǒng)計局官網以及其他相關統(tǒng)計報表。

(二)合肥市農業(yè)碳排放組成結構

由圖3可知，三大碳源中谷物種植占比最大，為78.23%；其次為畜牧養(yǎng)殖，占比為13.86%；最后是農用資本投入，占比為7.91%。盡管谷物種植是合肥市農業(yè)碳排放的主要因素，但是由于谷物是重要糧食來源，并且近年來合肥市農業(yè)種植結構不斷優(yōu)化，區(qū)域布局合理，糧食生產連年豐收，有力保障了地方糧食安全，但若違規(guī)使用基本農田，改耕地為非糧作物種植等問題任意發(fā)展，必將影響到地方甚至國家的糧食安全。所以，應確保糧食種植面積不減少，糧食產量不下降。在畜牧養(yǎng)殖與農用資本投入方面，碳排放較多的碳源是豬、化肥使用量、農機耕作面積、牛以及農膜使用量五種(見圖4)，其中生豬養(yǎng)殖造成的碳排放量一直占比最大，呈現出先上升后下降的倒“U”型趨勢，在2015年達到頂峰，為82.54萬噸，年均增速僅為0.08%。另外四種碳源年均增速分別是2.2%、9.28%、-1.2%和9.02%?？梢娫谖宸N主要碳源中，盡管農機耕作與農膜使用產生的碳排放相對較少，但增速較大，理應引起重視。雖然農藥、農用柴油、有效灌溉和羊的碳排放量占比不高，對整體影響小，但是其中的農用柴油與有效灌溉的碳排放量年均增速達3.46%與5.8%，增速較大，仍需重點關注。因此，化肥減量增效，減少重污染型農機的使用至關重要，有機肥替代、綠色防控自動化、秸稈還田等技術在未來具有重大意義。

圖3 2006—2019合肥市農業(yè)碳排放組成(含谷物種植)數據來源：2007—2020年《安徽省統(tǒng)計年鑒》《合肥市統(tǒng)計年鑒》、合肥市統(tǒng)計局官網以及其他相關統(tǒng)計報表。

圖4 2006—2019合肥市農業(yè)碳排放組成(不含谷物種植)數據來源：2007—2020年《安徽省統(tǒng)計年鑒》《合肥市統(tǒng)計年鑒》、合肥市統(tǒng)計局官網以及其他相關統(tǒng)計報表。

圖5 2006—2019合肥市農業(yè)碳排放增速(含谷物種植)數據來源：2007—2020年《安徽省統(tǒng)計年鑒》《合肥市統(tǒng)計年鑒》、合肥市統(tǒng)計局官網以及其他相關統(tǒng)計報表。

三、合肥市農業(yè)碳排放脫鉤彈性

物理學中最早使用“脫鉤”一詞來描述變量間的耦合關系，后被相關研究者用于能源領域，主要用于解決溫室氣體排放變化與區(qū)域經濟增長之間的關系問題。在某一地區(qū)實現經濟增長的同時，若碳排放增速為負值或小于當地經濟增長率即可以認為是脫鉤，其實質是衡量區(qū)域經濟增長是否以環(huán)境資源消耗為代價。換個角度看，碳排放脫鉤同樣可以衡量區(qū)域經濟發(fā)展的可持續(xù)性。目前常用的脫鉤分析模型有二，一種是OECD脫鉤分析模型，另一種是Tapio脫鉤分析模型。OECD脫鉤分析模型需要將數據劃分為基期與終期，以指標的變化量作為判斷是否存在脫鉤關系的依據。Tapio脫鉤分析模型則是在OECD脫鉤分析模型的基礎上引入“彈性”，從動態(tài)的視角反映變量間的脫鉤關系。采用Tapio脫鉤分析模型對合肥市農業(yè)碳排放與農業(yè)經濟增長(農林牧漁業(yè)增加值)的脫鉤關系進行研究，構建模型如下：

(3)

式中，e為脫鉤彈性，C為農業(yè)碳排放量，ΔC/C表示環(huán)境壓力，GDP以農林牧漁業(yè)增加值表示，ΔGDP/GDP表示農業(yè)發(fā)展增速。在Tapio脫鉤分析模型中，根據環(huán)境壓力與農業(yè)發(fā)展增速的正負以及脫鉤彈性的大小，可以把全部情況細分為8種類型：第一種類型，若環(huán)境壓力ΔC/C<0，農業(yè)發(fā)展增速ΔGDP/GDP<0,脫鉤彈性e>1.2，則表示環(huán)境壓力與農業(yè)發(fā)展增速均降低，環(huán)境壓力的下降大于農業(yè)發(fā)展增速的降低，表現為衰退脫鉤狀態(tài)。第二種類型，若環(huán)境壓力ΔC/C<0，農業(yè)發(fā)展增速ΔGDP/GDP>0,脫鉤彈性e<0，則表示農業(yè)發(fā)展增速提升，環(huán)境壓力同時下降，表現為強脫鉤狀態(tài)。第三種類型，若環(huán)境壓力ΔC/C>0，農業(yè)發(fā)展增速ΔGDP/GDP>0,脫鉤彈性0≤e<0.8，則表示環(huán)境壓力與農業(yè)發(fā)展增速均增長，農業(yè)發(fā)展增速增長率大于環(huán)境壓力增長率，表現為弱脫鉤狀態(tài)。第四種類型，若環(huán)境壓力ΔC/C<0，農業(yè)發(fā)展增速ΔGDP/GDP<0,脫鉤彈性0≤e<0.8，則表示環(huán)境壓力與農業(yè)發(fā)展增速均降低，環(huán)境壓力的下降率小于農業(yè)發(fā)展增速的下降率，表現為弱負脫鉤狀態(tài)。第五種類型，若環(huán)境壓力ΔC/C>0，農業(yè)發(fā)展增速ΔGDP/GDP<0,脫鉤彈性e<0，則表示農業(yè)發(fā)展增速降低，環(huán)境壓力上升，表現為強負脫鉤狀態(tài)。第六種類型，若環(huán)境壓力ΔC/C>0，農業(yè)發(fā)展增速ΔGDP/GDP>0,脫鉤彈性e>1.2，則表示環(huán)境壓力與農業(yè)發(fā)展增速均提升環(huán)境壓力增長率大于農業(yè)發(fā)展增速的增長率。第七種類型，若環(huán)境壓力ΔC/C<0，農業(yè)發(fā)展增速ΔGDP/GDP<0,脫鉤彈性0.8≤e<1.2，則表示環(huán)境壓力與農業(yè)發(fā)展增速均降低，表現為衰退連接，在該情況下應防止“數據陷阱”，避免過度解釋微小變化。第八種類型，若環(huán)境壓力ΔC/C>0，農業(yè)發(fā)展增速ΔGDP/GDP>0,脫鉤彈性0.8≤e<1.2，則表示環(huán)境壓力與農業(yè)發(fā)展增速均增長，表現為擴張連接，在該情況下環(huán)境壓力與農業(yè)發(fā)展增速為不脫鉤關系。

根據式(3)計算出合肥市2006—2019年農業(yè)碳排放量與農業(yè)經濟發(fā)展之間的脫鉤關系(見表2)。在過去14年間，合肥市Tapio脫鉤彈性類型主要為弱脫鉤、擴張連續(xù)、強負脫鉤與強脫鉤四種狀態(tài)。其中主要以弱脫鉤為主，14年來共出現10次，即農業(yè)經濟穩(wěn)定增長，農業(yè)碳排放也有所提高，但其增長幅度不及農業(yè)經濟增速。說明在研究期間，合肥市農業(yè)正在逐漸擺脫傳統(tǒng)農業(yè)重化肥、重農藥的生產方式，但農業(yè)的總體發(fā)展與地方環(huán)境之間依舊存在矛盾。由于2016年國家開始加大節(jié)能減排力度，合肥市作為安徽省省會積極響應國家號召，所以以2015年為界限，分兩階段進行討論。

表2 2006—2019年合肥市農業(yè)碳排放彈性結果

第一階段，2006—2015年。2006—2009年與2011—2015年合肥市農、林、牧、漁業(yè)增加值一直處于正向增長，即GDP>0。此時，脫鉤指數處于(0，0.8)，均呈現為弱脫鉤狀態(tài)，表明此期間農業(yè)經濟發(fā)展與農業(yè)碳排放之間趨向于不協(xié)調狀態(tài)，說明當前農業(yè)產業(yè)比例、產業(yè)技術水平、農田灌溉模式還需要進一步優(yōu)化；此外，合肥市有可能并未關注農業(yè)碳排放問題，造成了當地農業(yè)碳排放狀態(tài)一直停滯于弱脫鉤狀態(tài)。而2010年由于行政區(qū)域劃分問題造成數據異常，故不做討論。

第二階段，2016—2019年。該階段脫鉤類型變化巨大，2016年為弱脫鉤類型，2017年呈現為擴張負脫鉤類型，而2018年又出現強脫鉤類型。2016年10月27日，國務院制定了《“十三五”控制溫室氣體排放工作方案》(下稱《方案》)，各地方政府積極響應國家號召，加大低碳綠色發(fā)展力度?！斗桨浮分赋?，到2020年，單位GDP的CO2排放比2015年需下降18%。在此硬性要求下，合肥市作為安徽省GDP最高的城市，低碳行動刻不容緩。在農業(yè)投入方面，合肥市化肥投入量從2016年的27.86萬噸下降至2019年的23.37萬噸，降幅高達16.13%，另外，農藥、農用柴油也在短短3年內分別下降了15.06%、3.23%，總體有利于低碳農業(yè)的發(fā)展。而2017年出現的擴張負脫鉤現象，其原因可能主要在于谷物種植規(guī)模的增加，當年谷物種植規(guī)模增加了4.2%。由于谷物種植基數較大，導致當年農業(yè)碳排放量增長明顯，造成當年呈現為擴張負脫鉤現象。在2018年出現的強脫鉤現象，究其原因，一方面可能在于農業(yè)科技進步使得農業(yè)投入產出比不斷擴大，促進了農業(yè)生產總值的增加[24]；另一方面，生態(tài)農業(yè)、綠色農業(yè)、循環(huán)農業(yè)等先進理念逐步深入人心進一步推動了農業(yè)碳排放的減少，進而出現強脫鉤現象。

四、合肥市農業(yè)碳排放驅動因素分析及預測

(一)模型構建與數據指標選取

在農業(yè)現代化發(fā)展初期和上升期，由于工業(yè)資源利用率不高、環(huán)保意識不強等原因，農業(yè)生產碳排放會呈現不斷增長的趨勢，但隨著碳排放量不斷增加以及綠色農業(yè)發(fā)展需求的上升，農業(yè)經濟發(fā)展到一定程度，碳排放問題逐漸好轉。EKC曲線可以較好地描述這一情況[25]。選取2011—2019年的時間序列數據，以環(huán)境庫茲涅茨曲線理論(EKC)為基礎，選取農業(yè)碳排放量(P)為被解釋變量，選取合肥市農村居民人均可支配收入(IN)為解釋變量，結合IPAT模型思想，選取合肥市常住人口、技術水平(由碳排放強度表征)與產業(yè)結構(由第二產業(yè)占比表征)為控制變量(Control)。構建模型如下：

lnP=β0+β1lnIN+β2(lnIN)2+

β3(lnIN)3+β4Control+ε

(4)

式中，βi(i=1，2，3，4)為各項系數，ε為隨機誤差項。此外，在控制變量的選擇方面，首先選取常住人口作為控制變量。理由是部分學者認為地方人口規(guī)模對農業(yè)碳排放有促進作用。其次，選擇技術水平。原因在于技術進步會對農業(yè)碳排放產生巨大的影響。隨著我國綠色農業(yè)的不斷發(fā)展，技術水平提高首先會降低農業(yè)能源碳排放強度[26]，進而對農業(yè)碳排放起到負向影響的作用，即碳排放強度可以反向表示技術水平。最后，選擇產業(yè)結構。原因在于產業(yè)結構的優(yōu)化對農業(yè)碳排放起到一定抑制作用[27，28]。描述性統(tǒng)計見表3。

表3 描述性統(tǒng)計

(二)回歸分析

1.嶺回歸分析

原始數據經過處理后帶入式(4)。首先，運用stata16軟件檢驗自變量之間的多重共線性，檢驗結果如表4所示。方差膨脹因子(VIF)檢驗顯示，除第二產業(yè)占比之外的變量VIF值均遠大于5，說明上述模型中的變量之間存在多重共線性問題。根據以往研究，在模型中存在多重共線性問題時，可以通過放棄OLS的無偏性限制，從而獲得更加可靠的回歸系數，而嶺回歸就是此類改良的OLS估計方法。所以，為避免回歸結果失真，采用嶺回歸估計，探究相關農業(yè)碳排放量與農村居民人均可支配收入之間的聯(lián)系，回歸結果如表5所示。由嶺回歸估計結果可知，調整后可決系數AdjR2=0.982，F值為120.174，sigF<0.000，表明農業(yè)碳排放與農村居民人均可支配收入之間存在著回歸關系。

表4 方差膨脹因子(VIF)檢驗結果

表5 嶺回歸估計結果

從系數的角度看，收入、人口、碳排放強度以及產業(yè)結構的提高均會帶動合肥市農業(yè)碳排放的增加。其中，碳排放強度對合肥市農業(yè)碳排放的影響最大，碳排放強度每提高1%，農業(yè)碳排放量隨之增加0.453%，說明當技術水平抑制碳排放強度時，也會抑制農業(yè)碳排放量。農村居民人均可支配收入每增加1%，農業(yè)碳排放量隨之增加0.032%。其他自變量解釋同理。此外，農村居民人均可支配收入的一、二、三次方項均通過了5%的顯著性水平檢驗，說明合肥市農業(yè)碳排放與農村居民人均可支配收入之間可能存在三次函數關系。

2．穩(wěn)健性檢驗

嶺回歸分析初步反映了合肥市農業(yè)碳排放與農村居民人均可支配收入之間的三次函數關系。為進一步驗證嶺回歸模型結果，使用模型替換法進行穩(wěn)健性檢驗。首先，將原有模型替換為OLS進行回歸，結果如表6所示。農村居民人均可支配收入的一、二、三次方項均顯著，但其系數方向與嶺回歸輸出結果存在差異，其原因可能是模型內的多重共線性影響。不過OLS模型的回歸結果依舊可以在一定程度上反映合肥市農業(yè)碳排放與農村居民人均可支配收入之間可能存在三次函數關系。

表6 OLS估計結果

其次，與嶺回歸相比，盡管Lasso回歸同樣是將正則化項引入損失函數進而解決共線性問題，但是二者最大的區(qū)別在于Lasso回歸引入的是L1范數懲罰項，而嶺回歸引入的是L2范數懲罰項。所以Lasso回歸的優(yōu)勢是可以使得權重變?yōu)?，而不是趨近于0，亦可以表示為在模型相似的情況下，Lasso回歸的計算量將遠小于嶺回歸的計算量。因此，通過Lasso回歸再一次進行驗證。

通過SPSS軟件在輸出正則化項后合成標準化回歸系數的軌跡(見圖6)。可見，當懲罰值K為0.2時，自變量的標準化回歸系數趨于穩(wěn)定，因而設置最佳K值為0.2。在確定K值后分析擬合情況，調整后R2為0.989，意味著在一定程度上所選指標可以解釋合肥市農業(yè)碳排放的98.9%變化原因。Lasso回歸結果如表7所示。在控制相關變量的情況下，農村居民人均可支配收入與其平方項對合肥市農業(yè)碳排放的影響系數為正，且均在1%的水平上通過顯著性檢驗。農村居民人均可支配收入的三次方項同樣對合肥市農業(yè)碳排放有正向影響，并通過5%的顯著性檢驗。這進一步驗證了合肥市農業(yè)碳排放與農村居民人均可支配收入之間可能存在三次函數關系。

圖6 Lasso回歸軌跡

表7 Lasso回歸估計結果

(三)預測模型

根據嶺回歸結果可知，合肥市農業(yè)碳排放與農村居民人均可支配收入之間可能存在三次函數關系。使用Python3軟件對農業(yè)碳排放量與農村居民人均可支配收入進行三次函數擬合，結果如圖7所示，并輸出R2= 0.87，擬合程度良好。進一步確定其基本公式為：

圖7 合肥市農業(yè)碳排放與農村居民人均可支配收入的三次擬合曲線

P=-4.25877534e-11(IN)3+

1.75451167e-06(IN)2-1.90002127e-02(IN)+

7.27065600e+02

(5)

將合肥市2011—2019年的自變量數據帶入式(5)，得到模型測算出的各年碳排放預測值，并與實測值進行比較，結果如表8所示?？梢钥闯?，數據誤差比較小，預測值與實測值基本吻合。誤差絕對值均值為0.78%，表明預測模型具有實證意義。

表8 合肥市農業(yè)碳排放量實測值與模型預測值比較

(四)農村居民人均可支配收入的未來發(fā)展情景

《合肥市國民經濟和社會發(fā)展第十四個五年規(guī)劃和2035年遠景目標綱要》中提出，未來居民人均可支配收入增長率應高于地區(qū)生產總值的增長率，而地區(qū)生產總值計劃年均或累計增長8%左右，故居民人均可支配收入計劃增長率應高于8%[29]。以此為依據提出假設1：合肥市農村居民人均可支配收入增長率為8%。

此外，根據以往合肥市農業(yè)碳排放量實測值數據(見表8)，可得出合肥市農村居民人均可支配收入年均增長率為13.77%。以此為根據提出假設2：合肥市農村居民人均可支配收入依舊可以保持原速度(13.77%)增長。

(五)2020—2029年合肥市農業(yè)碳排放趨勢預測

使用Python3，以2019年農村居民人均可支配收入為基礎，分別以8%與13.77%的增長率計算未來農村居民人均可支配收入的預測值，如表9所示，并根據預測模型(式5)，計算兩種假設下的模型預測值，結果如表10、圖8、圖9所示。

圖8 農業(yè)碳排放量預測(IN增速8%) 數據來源：2007—2020年《安徽省統(tǒng)計年鑒》《合肥市統(tǒng)計年鑒》、合肥市統(tǒng)計局官網以及其他相關統(tǒng)計報表。

圖9 農業(yè)碳排放量預測(IN增速13.77%) 數據來源：2007—2020年《安徽省統(tǒng)計年鑒》《合肥市統(tǒng)計年鑒》、合肥市統(tǒng)計局官網以及其他相關統(tǒng)計報表。

表9 不同農村居民人均可支配收入增速下農村居民人均可支配收入預測值 萬噸

表10 不同農村居民人均可支配收入增速下農業(yè)碳排放量預測值 (萬噸)

根據預測結果，合肥市農業(yè)碳排放量逐年下降。若IN增速為8%，合肥市農業(yè)碳排放由2020年的690.67萬噸下降至2029年的-925.05萬噸，10年將減少1 615.72萬噸，并且在2026—2027年農業(yè)碳排放由正轉負，實現“農業(yè)碳達峰”。若IN增速為13.77%，合肥市農業(yè)碳排放由2020年的676.57萬噸下降至2029年的-12 284.3萬噸，下降幅度巨大，且在2023—2024年實現“農業(yè)碳達峰”?？傮w而言，無論從什么角度看，農業(yè)碳排放峰值都將會在農村居民人均可支配收入達到4萬元左右時實現。因此，建議合肥市在未來農村發(fā)展中，以居民可支配收入為核心，不斷改善農村居民生活質量，堅持低排高產模式，提高農民收入。

五、結論與建議

(一)結論

在對合肥市2006—2019年農業(yè)碳排放時序與組成變化分析的基礎上，采用Tapio脫鉤彈性模型分析合肥市農業(yè)碳排放量與農業(yè)經濟增長的相關性，基于EKC模型原理結合嶺回歸等統(tǒng)計方法進行相關關系分析，并運用Python3軟件擬合三次函數對未來10年合肥市農業(yè)碳排放進行科學預測，主要得出以下結論：

第一，2006—2019年合肥市農業(yè)碳排放量總體呈上升趨勢，由2006年的380.55萬噸上升至2019年的696.66萬噸，年均遞增4.41%；農業(yè)碳排放強度總體同樣呈現出上升趨勢，由2006年的0.56kg/m2上升至2019年的1.02kg/m2。三大碳源中，谷物種植產生的碳排放量占比最大，為78.23%，其次為畜牧養(yǎng)殖，最后是農用資本投入，占比分別是13.86%與7.91%。除谷物種植外，細分畜牧養(yǎng)殖與農用資本投入，碳排放較多的碳源是豬、化肥使用量、農機耕作面積、牛以及農膜使用量五種，其中生豬養(yǎng)殖造成的碳排放量一直占比最大?？傊?，盡管合肥市農業(yè)碳排放量總體上升，但已有下降趨勢。

第二，根據式(3)計算出合肥市2006—2019年農業(yè)碳排放量與農業(yè)經濟發(fā)展之間的脫鉤關系。在過去14年間，合肥市Tapio脫鉤彈性類型主要為弱脫鉤、擴張連續(xù)、強負脫鉤與強脫鉤4種狀態(tài)。其中主要以弱脫鉤為主，具體分為兩個階段。2006—2015年為第一階段，脫鉤指數處于(0，0.8)，均呈現為弱脫鉤狀態(tài)，表明此期間農業(yè)經濟發(fā)展與農業(yè)碳排放之間趨向于不協(xié)調狀態(tài)，說明當前農業(yè)產業(yè)比例、產業(yè)技術水平、農田灌溉模式還需要進一步優(yōu)化①。2016—2019年為第二階段，該階段脫鉤類型變化巨大，2016年為弱脫鉤類型，2017年呈現為擴張負脫鉤類型，而2018年又出現強脫鉤類型?？梢钥闯?，合肥市可能在農業(yè)科技進步方面投入加大，使得農業(yè)投入產出比不斷擴大，促進了農業(yè)生產總值的增加[30]。

第三，根據2011—2019年合肥市碳排放數據，運用stata16進行合肥市農業(yè)碳排放的因素分析，得出農村居民人均可支配收入與農業(yè)碳排放之間符合EKC模型假說。使用嶺回歸等統(tǒng)計方法驗證農村居民人均可支配收入與農業(yè)碳排放之間的三次函數關系，接著運用Python3軟件進行三次函數擬合，并根據不同情況下的農村居民人均可支配收入發(fā)展趨勢，預測未來合肥市農業(yè)碳排放量，得出合肥市農業(yè)碳排放量將逐年下降的結論。若IN增速為8%，合肥市農業(yè)碳排放由2020年的690.67萬噸下降至2029年的-925.05萬噸，10年將減少1 615.72萬噸；若IN增速為13.77%，合肥市農業(yè)碳排放將由2020年的676.57萬噸下降至2029年的-12 284.3萬噸。說明合肥市低碳農業(yè)發(fā)展良好，并有進一步擴大的趨勢。

(二)建議

第一，在全市開展化肥減量增效宣傳活動，推廣綠色高效生產方式，推動養(yǎng)殖業(yè)、種植業(yè)綠色高質量發(fā)展，加大推廣化肥減量增效技術力度，夯實測土配方施肥基礎，鞏固已經取得的化肥使用量負增長現有成果。

第二，根據現有農業(yè)結構調整需要，加強農業(yè)技術協(xié)同創(chuàng)新。推動在生態(tài)環(huán)保和糧食綠色增產模式等領域取得重大突破。

第三，保護農業(yè)生態(tài)環(huán)境，實現農業(yè)可持續(xù)發(fā)展。積極開展生態(tài)循環(huán)農業(yè)示范建設，以產業(yè)布局合理、廢棄物充分利用為目標，建設綠色循環(huán)農業(yè)示范點，逐步形成可復制、可推廣的綠色循環(huán)農業(yè)建設模式。

第四，全市要提高對促進農民增收重要性的認識，增強責任感和緊迫感，健全工作機制，結合合肥市發(fā)展實際情況進一步拓寬農民增收渠道，確保各項政策措施落到實處。選好配強村級領導班子，突出抓好村黨組織帶頭人隊伍建設，精準選派第一書記和駐村工作隊，充分發(fā)揮他們在促進農民增收中的作用。

注釋：

①由于2011年巢湖市市轄區(qū)、廬江縣劃歸合肥市，造成Tapio脫鉤彈性系數差值突然變大，從而導致數據異常，因此不做討論。