丁亞男，丁生喜

（青海大學(xué)財(cái)經(jīng)學(xué)院，青海 810016）

經(jīng)濟(jì)的飛速發(fā)展伴隨著環(huán)境惡化的問(wèn)題，尤其是全球變暖致使一系列自然災(zāi)害發(fā)生，因此控制溫室氣體排放成為世界各國(guó)廣泛關(guān)注的事情。根據(jù)中國(guó)碳核算數(shù)據(jù)庫(kù)的統(tǒng)計(jì)，2020 年中國(guó)碳排放量達(dá)99億t，約占全球碳排放的30.9%，位居全球第一，2021年中國(guó)碳排放量為101.5 億t，同比增長(zhǎng)2.5%。為了積極應(yīng)對(duì)氣候變化，“雙碳”目標(biāo)已被列為中央統(tǒng)籌大局的國(guó)家戰(zhàn)略決策，即力爭(zhēng)2030 年前實(shí)現(xiàn)“碳達(dá)峰”，2060年前實(shí)現(xiàn)“碳中和”。十九大報(bào)告中更是把生態(tài)文明建設(shè)當(dāng)作全面協(xié)調(diào)可持續(xù)發(fā)展的重要一環(huán)。

農(nóng)業(yè)作為中國(guó)的基礎(chǔ)產(chǎn)業(yè)和經(jīng)濟(jì)社會(huì)發(fā)展的重要組成部分，是溫室氣體排放的重要來(lái)源之一。過(guò)量使用化肥和農(nóng)藥、畜禽糞污亂排亂放、農(nóng)業(yè)生產(chǎn)性廢棄物不合理處置等都使碳排放增加而造成農(nóng)業(yè)環(huán)境污染、生態(tài)退化加重［1］。為了響應(yīng)保護(hù)生態(tài)環(huán)境的號(hào)召，推動(dòng)低碳農(nóng)業(yè)的發(fā)展成為必要途徑。青海省積極探索農(nóng)業(yè)的低碳發(fā)展，踐行生態(tài)綠色發(fā)展道路，規(guī)避傳統(tǒng)農(nóng)業(yè)高耗能、高排放、高污染的不良影響。青稞（Hordeum vulgareL.var.nudumHook.f.）為青海省的特色作物，以此為研究對(duì)象來(lái)探究青海省的低碳種植業(yè)發(fā)展極具代表性，也具有十分重要的現(xiàn)實(shí)意義。

1 文獻(xiàn)綜述與研究?jī)r(jià)值

現(xiàn)有對(duì)于低碳農(nóng)業(yè)的研究集中于相對(duì)發(fā)達(dá)的地區(qū)，內(nèi)容以農(nóng)業(yè)低碳化發(fā)展水平和碳排放與經(jīng)濟(jì)增長(zhǎng)的關(guān)系為主。杜建國(guó)［2］深入研究了山西省大同市低碳農(nóng)業(yè)發(fā)展的情況，發(fā)現(xiàn)化肥是該地區(qū)農(nóng)業(yè)碳排放的主要來(lái)源，且用協(xié)整檢驗(yàn)說(shuō)明了大同市仍處于傳統(tǒng)的高耗能低效率型農(nóng)業(yè)發(fā)展模式。錢曉雍［3］以上海市為研究對(duì)象，測(cè)算了農(nóng)田生態(tài)系統(tǒng)中碳的吸收量和排放量，分析了影響碳匯的影響因素，并給出了對(duì)策建議。張杰等［4］以陜西省米脂縣為研究對(duì)象，從農(nóng)戶農(nóng)業(yè)角度切入探究了碳排放效率差異及影響因素，為農(nóng)業(yè)農(nóng)村推行低碳政策提供了理論支持。對(duì)于具體作物的碳排放研究，容忠緒［5］以棉花種植為例，探究新疆維吾爾自治區(qū)低碳農(nóng)業(yè)的發(fā)展情況以此來(lái)推進(jìn)低碳農(nóng)業(yè)發(fā)展的可持續(xù)路徑。楊青林等［6］從糧食安全的視角分析四川省縣域內(nèi)的碳排放效率，認(rèn)為碳排放效率與糧食安全之間的耦合協(xié)調(diào)度呈正向發(fā)展趨勢(shì)。王海娜［7］構(gòu)建了碳排放模型并估算中國(guó)玉米生產(chǎn)碳排放量，并對(duì)其時(shí)空特征進(jìn)行了分析，為中國(guó)玉米生產(chǎn)碳排放效率的測(cè)度提供了數(shù)據(jù)支撐。本研究參考了該論文中中國(guó)玉米生產(chǎn)碳排量的測(cè)算方式，以此方法來(lái)對(duì)青海省2015—2020 年的青稞碳排放量進(jìn)行測(cè)算。

對(duì)于青稞，賈娟琪等［8］、王賓娥等［9］、吳昆侖等［10］都認(rèn)為青稞是青海省重要的糧食作物，研究其綠色健康可持續(xù)發(fā)展意義重大。此外，趙增躍［11］認(rèn)為在農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)不斷調(diào)整的過(guò)程中，青海省的青稞種植面積正在逐步擴(kuò)大，對(duì)青稞的市場(chǎng)需求旺盛，因此需加強(qiáng)青稞產(chǎn)業(yè)在科技、推廣、政策、企業(yè)等方面的投入，以此來(lái)推動(dòng)青稞的綠色發(fā)展。吳昆侖［12］對(duì)西藏自治區(qū)、青海省、四川省、甘肅省、云南省等地的藏區(qū)展開研究，認(rèn)為青稞產(chǎn)量總體仍存在約12萬(wàn)t的缺口，青稞市場(chǎng)仍存在很大的空白。由此可知，青海省青稞產(chǎn)業(yè)在各方面都還存在很大的研究空間。

目前青海省在低碳農(nóng)業(yè)領(lǐng)域的研究甚少，本研究以青稞的碳排放測(cè)算為切入點(diǎn)，初步建立起青稞碳排放的測(cè)算指標(biāo)體系，對(duì)青海省農(nóng)作物的碳排放測(cè)量具有一定的借鑒意義。此外，本研究創(chuàng)新之處在于將青稞種植業(yè)與碳排放有機(jī)結(jié)合，探究出影響青稞碳排放的主要因素，從而有針對(duì)性地對(duì)青稞的種植過(guò)程進(jìn)行調(diào)整，達(dá)到青稞低碳種植目的。

2 青海省碳排放情況

2.1 當(dāng)前青海省碳排放現(xiàn)狀

圖1 為1997—2019 年青海省碳排放總量，圖2為1997—2019 年青海省在農(nóng)、林、牧、漁、水利方面的碳排放量，可以看出自1997 年起青海省的碳排放在總量和農(nóng)業(yè)方面的排放都呈持續(xù)增長(zhǎng)的態(tài)勢(shì)，直至2015 年，青海省為響應(yīng)黨中央的號(hào)召，召開了降低二氧化碳排放工作會(huì)議，并就確保完成國(guó)務(wù)院下達(dá)青海省“十二五”降碳目標(biāo)任務(wù)提出了要求，于是2016 年青海省碳排放量達(dá)到頂峰后有輕微下降的趨勢(shì)。

圖1 青海省碳排放總量

圖2 青海省農(nóng)、林、牧、漁、水利碳排放量

2.2 青海省農(nóng)業(yè)碳排放趨勢(shì)預(yù)測(cè)

2.2.1 線性次回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立 神經(jīng)網(wǎng)絡(luò)有靜態(tài)和動(dòng)態(tài)兩類，二者區(qū)別在于靜態(tài)神經(jīng)網(wǎng)絡(luò)沒(méi)有記憶和反饋。它所做的每一步預(yù)測(cè)都是基于預(yù)測(cè)值之前的樣本數(shù)據(jù)所訓(xùn)練出來(lái)的非線性規(guī)律，通過(guò)這個(gè)規(guī)律可以做到無(wú)限逼近，而且每當(dāng)預(yù)測(cè)數(shù)據(jù)之前的系統(tǒng)樣本數(shù)據(jù)產(chǎn)生變化規(guī)律時(shí)即可有所輸出，可以理解為是一種變量的延續(xù)性訓(xùn)練推演。動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)又包括PID 神經(jīng)網(wǎng)絡(luò)和回歸神經(jīng)網(wǎng)絡(luò)。

本研究使用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)中的非線性次回歸神經(jīng)網(wǎng)絡(luò)，這種預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)主要由輸入層、輸出層、遲滯、隱藏層構(gòu)成。圖3a 為初始建立的第一步開環(huán)網(wǎng)絡(luò)；圖3b 為搭建的循環(huán)神經(jīng)網(wǎng)絡(luò)，它是由開環(huán)網(wǎng)絡(luò)所轉(zhuǎn)換而成的閉環(huán)網(wǎng)絡(luò)，通過(guò)閉環(huán)網(wǎng)絡(luò)將數(shù)據(jù)轉(zhuǎn)化為待訓(xùn)練數(shù)據(jù)，從而得到閉環(huán)網(wǎng)絡(luò)的輸入值，這一步主要用來(lái)實(shí)現(xiàn)多步預(yù)測(cè)值功能；圖3c 為實(shí)現(xiàn)預(yù)測(cè)目的所搭建的神經(jīng)網(wǎng)絡(luò)。

圖3 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

圖3a 隱藏層前的y(t)為輸入的樣本數(shù)據(jù)，輸出層后的y(t)為輸出數(shù)據(jù)；5∶1 為搭建網(wǎng)絡(luò)的時(shí)滯，也可稱其為輸入與輸出的延時(shí)階數(shù)；非線性次回歸神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型可表示為：

式中，f(·)為非線性函數(shù)，k為滯后階數(shù)。

在此需要引入兩個(gè)概念，分別為單步預(yù)測(cè)和多步預(yù)測(cè)。單步預(yù)測(cè)是每一步預(yù)測(cè)都使用樣本數(shù)據(jù)中的真實(shí)值；多部預(yù)測(cè)是第一步用樣本數(shù)據(jù)的真實(shí)值，下一步預(yù)測(cè)使用的數(shù)據(jù)是將上一次的預(yù)測(cè)值拿來(lái)做當(dāng)前步所需的真實(shí)值。因?yàn)橛袝r(shí)滯，所以需消除延遲，圖4 為模型流程圖，首先將樣本數(shù)據(jù)導(dǎo)入，再來(lái)確定遲滯階數(shù)，進(jìn)行隱藏層等參數(shù)設(shè)置，然后在圖3a 所示的開環(huán)模式進(jìn)行訓(xùn)練，誤差滿足條件時(shí)將圖3a 訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)為圖3b 閉環(huán)模式，經(jīng)過(guò)圖3c的預(yù)測(cè)，得到預(yù)測(cè)結(jié)果。

圖4 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型流程

2.2.2 青海省農(nóng)業(yè)碳排放線性次回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) 基于上述建立的非線性次回歸神經(jīng)網(wǎng)絡(luò)，本研究通過(guò)搜集1997—2019 年青海省農(nóng)業(yè)碳排放數(shù)據(jù)，在Matlab 軟件中使用GUI 工具箱中的神經(jīng)網(wǎng)絡(luò)時(shí)序（ntstool）工具進(jìn)行模型參數(shù)訓(xùn)練和參數(shù)設(shè)定。

以1997—2019 年數(shù)據(jù)為樣本數(shù)據(jù)建立非線性次神經(jīng)網(wǎng)絡(luò)，將隱含層個(gè)數(shù)設(shè)置為5，網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)的權(quán)重和閾值以默認(rèn)值為準(zhǔn)；對(duì)于階數(shù)的確定，若階數(shù)過(guò)大會(huì)受原始畸形數(shù)據(jù)的影響而產(chǎn)生偏頗，若階數(shù)太小則會(huì)對(duì)歷史數(shù)據(jù)應(yīng)用不充分，經(jīng)過(guò)試驗(yàn)，確定遲滯階數(shù)為15 時(shí)預(yù)測(cè)效果最佳。為避免在訓(xùn)練過(guò)程中發(fā)生過(guò)擬合現(xiàn)象，將80%的樣本數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，用20%的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)性能測(cè)試。通過(guò)訓(xùn)練和預(yù)測(cè)后，結(jié)果如圖5 所示，其中2020—2026 年數(shù)據(jù)為青海省農(nóng)業(yè)碳排放的預(yù)測(cè)值。由圖5 可知，2020—2026 年碳排放仍在高位呈一個(gè)小幅上升的趨勢(shì)并隨著年限的增加而趨近平穩(wěn)，因此，對(duì)農(nóng)業(yè)碳排放進(jìn)行合理控制非常必要。此次訓(xùn)練的非線性次回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型擬合效果如圖6 所示。當(dāng)R越趨近于1，證明該模型的擬合效果越好，從圖6 可以看出，擬合效果良好，預(yù)測(cè)結(jié)果具有可靠性和可參考性。

圖6 模型擬合效果

3 青海省青稞種植業(yè)碳排放量的估算

3.1 青海省青稞種植業(yè)現(xiàn)狀

青海省是青稞的主要產(chǎn)區(qū)之一，2018 年以前青稞產(chǎn)量處于平穩(wěn)狀態(tài)，在2018 年以后隨著對(duì)青稞產(chǎn)品認(rèn)知程度提高以及青稞功效研發(fā)，青稞的需求量迅速增加，因而其產(chǎn)量也有了大幅增長(zhǎng)。2020 年青稞的產(chǎn)量約為20 萬(wàn)t，占到青海省糧食產(chǎn)量的25%，僅次于小麥和薯類，且漲勢(shì)十分顯著（圖7）。以青稞為代表來(lái)探究其碳排放的情況，一方面能推動(dòng)青稞的綠色低碳種植，另一方面也能有效反映青海省低碳農(nóng)業(yè)的發(fā)展情況。

圖7 2015—2020 年主要農(nóng)作物產(chǎn)品產(chǎn)量

3.2 青海省青稞種植業(yè)碳排放估算

3.2.1 青稞種植業(yè)碳排放估算模型 由于中國(guó)尚且沒(méi)有測(cè)算青稞碳排放量的有效機(jī)制，所以青稞碳排放量的數(shù)據(jù)資料沒(méi)有任何官方統(tǒng)計(jì)，當(dāng)前對(duì)于碳排放量的研究皆是各學(xué)者通過(guò)相應(yīng)的測(cè)算方法估算而來(lái)。因此，本研究在總結(jié)和借鑒相關(guān)研究的基礎(chǔ)上［7］，結(jié)合青稞碳排放的影響因子進(jìn)行估算，主要采用IPCC 清單估算法。與現(xiàn)有條件相比，IPCC 清單估算法的優(yōu)點(diǎn)是其認(rèn)可度更高、更實(shí)用、限制性更小，因此其可以用于測(cè)量不同應(yīng)用環(huán)境下的碳排放量。

1）碳排放評(píng)價(jià)指標(biāo)的確立。一是在使用農(nóng)業(yè)機(jī)械進(jìn)行耕地、播種和收獲等農(nóng)業(yè)生產(chǎn)環(huán)節(jié)中，柴油消耗產(chǎn)生的碳排放以及作物的種植和生長(zhǎng)過(guò)程中對(duì)化肥、農(nóng)藥、農(nóng)膜的使用中所導(dǎo)致的碳排放；二是農(nóng)民田間耕種勞動(dòng)所產(chǎn)生的碳排放；三是由于氮肥的使用引起土壤中氧化亞氮排放。針對(duì)青海省青稞種植業(yè)的碳排放建立以下的評(píng)估模型。

其中：

式中，QHQKEmissions為青稞種植的碳排放量；PJX、PRG、PHF、PNY、PNM、PZZ、PN2O分別為青稞種植中農(nóng)用機(jī)械動(dòng)力柴油生產(chǎn)碳排放、種植期間人力產(chǎn)生的碳排放、化肥產(chǎn)生的碳排放、農(nóng)藥產(chǎn)生的碳排放、農(nóng)膜產(chǎn)生的碳排放、種子產(chǎn)生的碳排放以及土壤中排放的氧化亞氮的量，其中氧化亞氮的排放量與青稞種植時(shí)氮肥施用量有關(guān)；C表示青稞種植相關(guān)碳源的使用量；S表示碳排放系數(shù)。

式中，QK強(qiáng)度為青稞碳排放強(qiáng)度；QKC成本為碳成本；QK產(chǎn)量為青稞總產(chǎn)量；A為青稞播種面積。

3.2.2 數(shù)據(jù)準(zhǔn)備 青稞種植碳源中的原始數(shù)據(jù)處理如表1 所示，測(cè)算前先通過(guò)《青海統(tǒng)計(jì)年鑒2021》中的青稞種植面積占農(nóng)作總播種面積的比例算出青稞物資消耗分配比例。

表1 青稞種植面積占農(nóng)作物總播種面積的比例

表2 所示數(shù)據(jù)來(lái)源于《青海統(tǒng)計(jì)年鑒2021》，為青海省農(nóng)業(yè)物資消耗總量，化肥、農(nóng)膜、農(nóng)藥、農(nóng)用柴油測(cè)算參照《青海統(tǒng)計(jì)年鑒》中的青稞種植面積占農(nóng)作物總播種面積的比例算出分配系數(shù)，結(jié)合全年化肥施用情況，相乘得出全年青稞化肥施用量。

表2 青海省農(nóng)業(yè)物資消耗總量

N2O 是全球第三大溫室氣體，農(nóng)業(yè)N2O 是人為排放的重要來(lái)源，排放量占全球排放的30%［13］。在青稞N2O 的測(cè)算中參照《省級(jí)溫室氣體清單編制指南》中的計(jì)算公式。

式中，Q產(chǎn)生為青稞氮產(chǎn)生量；PFLN2O為N2O 排放總量；SN2O為N2O 排放因子。各地區(qū)N2O 排放因子參考表3［13］。

表3 地區(qū)N2O 排放因子

結(jié)合氮肥消耗總量（表2）與青海省N2O 排放因子（表3），測(cè)算出了青海省青稞產(chǎn)業(yè)2015—2020 年N2O 排放量（表4）。

表4 2015—2020 年青稞N2O 排放總量

表5 為青稞農(nóng)業(yè)物資消耗量，數(shù)據(jù)基于表1 和表2 數(shù)據(jù)匯總而成，表4、表5 所測(cè)各項(xiàng)指標(biāo)數(shù)值將用于青稞碳排放測(cè)算。

表5 青稞種植業(yè)主要碳源使用量

3.2.3 青稞種植業(yè)碳排放的測(cè)算 青稞種植生產(chǎn)過(guò)程中的化肥、農(nóng)藥、農(nóng)膜、機(jī)械柴油、人工、種子和氮肥都計(jì)入碳排放的估算指標(biāo)，然后構(gòu)建青海省青稞生產(chǎn)碳排放測(cè)算模型。碳排放系數(shù)如表6 所示。

表6 青稞種植業(yè)主要碳源及其碳排放系數(shù)

表5 為搜集數(shù)據(jù)所得的青稞種植生產(chǎn)過(guò)程中的碳源使用量，以此為基礎(chǔ)數(shù)據(jù)，用以與表6 碳排放系數(shù)相乘來(lái)估算每項(xiàng)碳源的排放量。在這些影響碳排放的因素中，柴油在農(nóng)業(yè)機(jī)械化的普及下使用量逐年遞增；為了土壤保溫、保濕，增加青稞的產(chǎn)量，農(nóng)膜的使用量也整體遞增；化肥、農(nóng)藥的用量都有波動(dòng)，整體呈一個(gè)穩(wěn)定的狀態(tài)，總體來(lái)看變化趨勢(shì)并不明顯（表5）；另外由于氮肥價(jià)格上漲，其用量也有小幅減少（表4）。

通過(guò)公式（2）可測(cè)得2015—2020 年青稞種植業(yè)碳排放總量，通過(guò)公式（9）可測(cè)得2015—2020 年青稞種植業(yè)碳排放強(qiáng)度，通過(guò)公式（10）可測(cè)得2015—2020 年青稞種植業(yè)碳成本，結(jié)果如表7 所示。從表7可以看出，隨著時(shí)間的推移青海省青稞種植過(guò)程中碳排放總量總體維持在同一個(gè)水平，碳排放強(qiáng)度在逐年降低，碳成本的減幅整體較大，這與近年來(lái)青海省大力推行農(nóng)業(yè)生態(tài)保護(hù)、低碳種植的號(hào)召密不可分，農(nóng)民的環(huán)保意識(shí)不斷增強(qiáng)、實(shí)行測(cè)土施肥配方等政策措施都使青稞種植過(guò)程中的碳排放大大減少。

表7 2015—2020 年青稞種植業(yè)碳排放的測(cè)算結(jié)果

4 小結(jié)

根據(jù)研究可知，青海省近年來(lái)一直在為減少碳排放工作做出努力，這也是碳排放總量自2016 年起有所好轉(zhuǎn)的一大原因。同樣，農(nóng)業(yè)碳排放也在生態(tài)環(huán)保的大力推行下，采用低污染、低耗能、低排放的種植模式而使碳排放量有所減少。以青稞為例測(cè)定農(nóng)業(yè)種植過(guò)程中的碳排放量后，發(fā)現(xiàn)碳排放量與農(nóng)藥、化肥、農(nóng)用機(jī)械使用情況、農(nóng)膜、人工以及施肥過(guò)程中的含氮量密切相關(guān)，并參照碳排放因子法計(jì)算出青稞在2015—2020 年的碳排放量，得知碳排放量有明顯的下降趨勢(shì)。

據(jù)此，要想持續(xù)推進(jìn)青海省低碳農(nóng)業(yè)的健康發(fā)展，需繼續(xù)對(duì)化肥、農(nóng)藥、農(nóng)膜、農(nóng)用柴油等的用量進(jìn)行合理控制。一方面可以加大對(duì)有機(jī)肥的研發(fā)和投入，既能保持土壤田間持水量，還能減少碳的排放；另一方面可以加大農(nóng)膜的回收力度，改善土壤的環(huán)境質(zhì)量；此外，還應(yīng)加強(qiáng)農(nóng)民的低碳種植意識(shí)，從源頭上減少化肥、農(nóng)膜、柴油的使用頻次。