劉璇 孫燕 馬靜 張?zhí)焱? 陳浮

劉 璇，孫 燕，馬 靜，等. 長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放時(shí)空格局演變及其影響因素［J］. 湖北農(nóng)業(yè)科學(xué)，2024，63（2）：1-7．

摘要：為厘清耕地綠色利用狀況，采用IPCC碳排放系數(shù)法測(cè)算2000—2020年長(zhǎng)江經(jīng)濟(jì)帶129個(gè)地級(jí)市耕地碳排放，利用空間自相關(guān)分析揭示耕地碳排放時(shí)空特征演化，運(yùn)用LMDI模型分解各影響因素的貢獻(xiàn)。結(jié)果表明，2000—2020年長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放量在時(shí)間上呈下降趨勢(shì)，呈“保持穩(wěn)定—快速增長(zhǎng)—緩慢增長(zhǎng)—緩慢下降”四個(gè)階段；在空間上呈中、東部高，西部低的態(tài)勢(shì)，存在顯著的全局空間自相關(guān)，局部高-高聚集區(qū)分布于長(zhǎng)江中下游地區(qū)，低-高聚集區(qū)分布于中游地區(qū)，低-低聚集區(qū)則主要分布于上游地區(qū)；區(qū)域內(nèi)農(nóng)業(yè)碳排放的促進(jìn)因素是農(nóng)業(yè)經(jīng)濟(jì)水平，抑制因素主要是農(nóng)業(yè)生產(chǎn)效率，其次是農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)，最后是農(nóng)業(yè)勞動(dòng)力規(guī)模。為此，長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放的時(shí)空差異顯著，各地區(qū)應(yīng)因地制宜制定碳減排策略和土地利用管制規(guī)劃，提升農(nóng)業(yè)生產(chǎn)效率，優(yōu)化農(nóng)業(yè)種植結(jié)構(gòu)，加強(qiáng)區(qū)域聯(lián)動(dòng)，推進(jìn)低碳農(nóng)業(yè)協(xié)同發(fā)展。

關(guān)鍵詞：長(zhǎng)江經(jīng)濟(jì)帶；耕地碳排放；時(shí)空格局；空間自相關(guān)；LMDI模型

中圖分類號(hào)：F323；X22? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2024）02-0001-07

DOI：10.14088/j.cnki.issn0439-8114.2024.02.001 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Spatiotemporal pattern evolution and influencing factors of carbon emissions from arable land in the Yangtze River Economic Belt

LIU Xuana， SUN Yana， MA Jinga， ZHANG Tian-wangb， CHEN Fua

（a. College of Public Management；b. College of Energy and Electrical Engineering， Hohai University， Nanjing? 211100， China）

Abstract： To clarify the green utilization of arable land， the IPCC carbon emission coefficient method was used to calculate the carbon emissions of arable land in 129 prefecture-level cities of the Yangtze River Economic Belt from 2000 to 2020. Spatial autocorrelation analysis was used to reveal the spatiotemporal evolution of arable land carbon emissions， and the LMDI model was used to decompose the contributions of various influencing factors. The results showed that from 2000 to 2020， the carbon emissions from arable land in the Yangtze River Economic Belt showed a downward trend over time， showing four stages， such as “maintaining stability—rapid growth—slow growth—slow decline”. In terms of space， there was a trend of high in the middle and east and low in the west， with significant global spatial autocorrelation. Local high-high clustering areas were distributed in the middle and lower reaches of the Yangtze River， low-high clustering areas were distributed in the middle reaches， and low-low clustering areas were mainly distributed in the upstream area. The promoting factor for agricultural carbon emissions within the region was the level of agricultural economy， while the inhibiting factor was mainly agricultural production efficiency， followed by agricultural production structure， and finally the scale of agricultural labor force. Therefore， there was a significant spatiotemporal difference in carbon emissions from arable land in the Yangtze River Economic Belt. Each region should develop carbon reduction strategies and land use control plans according to local conditions， improve agricultural production efficiency， optimize agricultural planting structure， strengthen regional linkage， and promote the coordinated development of low-carbon agriculture.

Key words： Yangtze River Economic Belt； carbon emissions from arable land； spatial-temporal pattern； spatial autocorrelation；? LMDI model

當(dāng)前，人類生存環(huán)境與生態(tài)安全受到全球氣候變化和極端氣候嚴(yán)重影響，消減溫室氣體排放迫在眉睫。中國(guó)鄭重承諾2030年前碳達(dá)峰、力爭(zhēng)2060年實(shí)現(xiàn)碳中和，未來(lái)雙碳行動(dòng)的核心要義就是在綠色轉(zhuǎn)型中實(shí)現(xiàn)更大發(fā)展，推進(jìn)碳達(dá)峰、碳中和是新時(shí)代經(jīng)濟(jì)社會(huì)轉(zhuǎn)型發(fā)展的“新長(zhǎng)征”。全球農(nóng)業(yè)碳排放約占全部的1/4，中國(guó)農(nóng)業(yè)溫室氣體排放約占全部的17%^［1］。長(zhǎng)江經(jīng)濟(jì)帶是國(guó)家生態(tài)文明建設(shè)的先行示范區(qū)，也是中國(guó)重要的糧食主產(chǎn)區(qū)，推動(dòng)農(nóng)業(yè)綠色發(fā)展與低碳轉(zhuǎn)型是踐行“新長(zhǎng)征”的最優(yōu)路徑。

近幾年耕地碳排放成為學(xué)術(shù)研究的熱點(diǎn)之一，主要集中于以下四個(gè)方面：第一，碳排放量的測(cè)算。孫軼男等^［2］運(yùn)用IPCC對(duì)黑龍江省的農(nóng)地利用碳排放量進(jìn)行估算；熊子昕等^［3］利用碳排放系數(shù)法估算了中國(guó)長(zhǎng)江中游城市群耕地碳排放情況；第二，碳排放效率的測(cè)算。李依涵等^［4］基于交叉DEA模型評(píng)估了長(zhǎng)江經(jīng)濟(jì)帶2013—2017年耕地碳排放效率；馬愛玲等^［5］運(yùn)用非期望產(chǎn)出的SBM超效率模型對(duì)甘肅省的耕地碳排放效率進(jìn)行評(píng)估；第三，碳排放的時(shí)空演化特征及未來(lái)趨勢(shì)預(yù)測(cè)。孫康等^［6］使用灰色GM（1，1）模型對(duì)河南省2021—2030年的種植業(yè)碳排放發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)；文高輝等^［7］運(yùn)用SBM-Undesirable模型，基于縣級(jí)尺度揭示了洞庭湖區(qū)耕地利用碳排放和生態(tài)效率的時(shí)空規(guī)律。第四，耕地碳排放影響因素研究。李波等^［8］和田成詩(shī)等^［9］在分析中國(guó)耕地碳排放時(shí)空特征的基礎(chǔ)上，指出經(jīng)濟(jì)增長(zhǎng)是耕地碳排放量增加的關(guān)鍵動(dòng)因。蔣金荷^［10］根據(jù)Kaya恒等式建立碳排放量關(guān)系式分析碳排放驅(qū)動(dòng)的影響因素，并探討主要因素對(duì)未來(lái)中國(guó)碳排放強(qiáng)度變化的影響趨勢(shì)。相關(guān)學(xué)者對(duì)耕地碳排放進(jìn)行了諸多研究，但多數(shù)基于全國(guó)或省級(jí)行政單元，對(duì)具有獨(dú)特特征的經(jīng)濟(jì)帶或流域很少關(guān)注。

長(zhǎng)江經(jīng)濟(jì)帶作為中國(guó)最大的經(jīng)濟(jì)帶，地域跨度大，農(nóng)業(yè)生產(chǎn)條件復(fù)雜，碳排放影響因素差異有待進(jìn)一步研究。為此，本研究對(duì)長(zhǎng)江經(jīng)濟(jì)帶129個(gè)地級(jí)市耕地碳排放展開測(cè)算，利用空間自相關(guān)模型探索長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放的時(shí)空差異，并運(yùn)用LMDI模型分解了長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放的影響因素，以期為長(zhǎng)江經(jīng)濟(jì)帶農(nóng)業(yè)綠色發(fā)展與低碳轉(zhuǎn)型提供決策參考。

1 材料與方法

1.1 研究區(qū)概況

長(zhǎng)江經(jīng)濟(jì)帶覆蓋上海、浙江、江蘇、安徽、湖北、湖南、江西、重慶、四川、貴州、云南等9個(gè)省和2個(gè)直轄市，面積約205萬(wàn)km²，人口和GDP超過(guò)全國(guó)的40%，是國(guó)家重大戰(zhàn)略發(fā)展區(qū)域^［11］。2018年中央要求充分發(fā)揮長(zhǎng)江經(jīng)濟(jì)帶的區(qū)位優(yōu)勢(shì)，以生態(tài)綠色發(fā)展為引領(lǐng)，帶動(dòng)長(zhǎng)江上中下游協(xié)調(diào)發(fā)展。區(qū)域內(nèi)農(nóng)業(yè)發(fā)展態(tài)勢(shì)良好，現(xiàn)代化水平高，但區(qū)域差異顯著。本研究選取長(zhǎng)江經(jīng)濟(jì)帶129個(gè)地級(jí)市為研究對(duì)象，探求區(qū)域耕地利用碳排放的時(shí)空演變及影響因素。

1.2 數(shù)據(jù)來(lái)源與處理

主要數(shù)據(jù)為2000—2020年長(zhǎng)江經(jīng)濟(jì)帶129個(gè)地級(jí)市農(nóng)業(yè)統(tǒng)計(jì)數(shù)據(jù)，包含農(nóng)村勞動(dòng)力、翻耕面積、灌溉面積、化肥施用量、農(nóng)藥使用量、農(nóng)膜使用量、農(nóng)業(yè)機(jī)械總動(dòng)力和農(nóng)用柴油使用量等。其中，翻耕面積為農(nóng)作物實(shí)際種植面積，灌溉面積為有效灌溉面積，化肥施用量為化肥折純量，農(nóng)膜使用量為農(nóng)用塑料薄膜量。原始數(shù)據(jù)來(lái)源于長(zhǎng)江經(jīng)濟(jì)帶9省2市相應(yīng)年份統(tǒng)計(jì)年鑒及129個(gè)地級(jí)市統(tǒng)計(jì)年鑒、《中國(guó)區(qū)域經(jīng)濟(jì)統(tǒng)計(jì)年鑒》《中國(guó)農(nóng)村統(tǒng)計(jì)年鑒》《長(zhǎng)江經(jīng)濟(jì)帶統(tǒng)計(jì)年鑒》《中國(guó)環(huán)境統(tǒng)計(jì)年鑒》和《中國(guó)水利統(tǒng)計(jì)年鑒》。地圖數(shù)據(jù)來(lái)源于國(guó)家地理信息公共服務(wù)平臺(tái)（https：//www.tianditu.gov.cn/）。存在少量數(shù)據(jù)缺失，采用線性插補(bǔ)法或平均插補(bǔ)法補(bǔ)全。

1.3 研究方法

1.3.1 耕地碳排放計(jì)算方法 本研究采用IPCC法計(jì)算耕地碳排放，主要原因是方法簡(jiǎn)單，所需數(shù)據(jù)與統(tǒng)計(jì)數(shù)據(jù)對(duì)應(yīng)，且便于年度對(duì)比分析。耕地碳排放有幾個(gè)方面：一是農(nóng)業(yè)生產(chǎn)活動(dòng)中化肥、農(nóng)藥、農(nóng)膜等使用，直接或間接引發(fā)的碳排放；二是農(nóng)業(yè)生產(chǎn)中使用機(jī)械消耗柴油或電力引發(fā)的碳排放；三是土地利用產(chǎn)生的土壤碳流失^［12］。參考李波等^［8］對(duì)耕地碳排放的測(cè)算方法，從農(nóng)業(yè)物資投入、土地翻耕、灌溉三個(gè)方面估算耕地碳排放，并結(jié)合碳排放經(jīng)驗(yàn)系數(shù)（表1），運(yùn)用IPCC算法估算耕地碳排放。具體計(jì)算公式如下：

C=ΣC_i=ε_i×Σe_i（1）

式中，C為耕地碳排放總量，C_i為第i類碳排放源的碳排放量，ε_i為各類碳排放源的碳排放系數(shù)，e_i為各類碳排放源的數(shù)量。

1.3.2 空間自相關(guān)分析 任何事物之間均存在著一定關(guān)聯(lián)，且距離遠(yuǎn)近與事物的關(guān)聯(lián)性存在聯(lián)系?？臻g自相關(guān)分析就是判斷具有空間位置的某一要素的觀測(cè)值與其相鄰空間內(nèi)的觀測(cè)值關(guān)聯(lián)顯著度，即檢驗(yàn)是否具有聚集效應(yīng)^［16］。長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放是否存在聚集特性，本研究運(yùn)用空間自相關(guān)模型探討129個(gè)地級(jí)市耕地碳排放的空間關(guān)聯(lián)性。

1）全局空間自相關(guān)。全局空間自相關(guān)是對(duì)屬性值在整個(gè)區(qū)域內(nèi)空間特征的描述^［17］，采用全局Morans I指數(shù)測(cè)算長(zhǎng)江經(jīng)濟(jì)帶各地級(jí)市耕地碳排放量的全局空間關(guān)聯(lián)程度。計(jì)算模型如下^［18］：

采用標(biāo)準(zhǔn)化Z值檢驗(yàn)Morans I指數(shù)的顯著性水平，計(jì)算公式如下：

式中，E（I）表示Morans I指數(shù)的期望值，VAR（I）表示其方差。

全局Morans I指數(shù)的取值范圍為［-1，1］，若Morans I=0，表示各地級(jí)市之間耕地碳排放不存在全局空間自相關(guān)性；若Morans I>0，表示長(zhǎng)江經(jīng)濟(jì)帶鄰近地級(jí)市耕地碳排放量呈正自相關(guān)，即呈高-高聚集或低-低聚集特性；若Morans I<0，表示鄰近地級(jí)市耕地碳排放量呈負(fù)自相關(guān)，即呈高-低或低-高分散特性。當(dāng)Z_score>1.96或Z_score<-1.96（α=0.05）時(shí)，即可以表明各地級(jí)市的耕地碳排放量存在顯著的空間自相關(guān)性^［16］。

2）局部空間自相關(guān)。全局空間自相關(guān)只能描述整體的聚集特性，局部空間自相關(guān)則能更準(zhǔn)確地描述各地理單元與其相鄰單元之間的關(guān)聯(lián)度，計(jì)算模型如下^［19］：

3）耕地碳排放影響因素分解。分解耕地碳排放影響因素的模型主要有STIRPAT模型、Tobit模型、Kaya公式與LMDI模型等，其中LMDI模型以Kaya公式為基礎(chǔ)，具有不產(chǎn)生殘差、支持多因素分解且分解分析完全等優(yōu)勢(shì)。劉麗娜等^［20］運(yùn)用LMDI模型同時(shí)對(duì)人口規(guī)模、生產(chǎn)效率、結(jié)構(gòu)因素等多個(gè)耕地碳排放影響因素進(jìn)行分析，定量剖析各因素貢獻(xiàn)度的同時(shí)實(shí)現(xiàn)了零殘差效果。采用LMDI模型將長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放的驅(qū)動(dòng)因子分解為農(nóng)業(yè)生產(chǎn)效率、農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)、農(nóng)業(yè)經(jīng)濟(jì)水平和農(nóng)業(yè)勞動(dòng)力規(guī)模，具體計(jì)算公式如下^［21］：

式中，C_總為耕地碳排放總量，PGDP為種植業(yè)生產(chǎn)總值，AGDP為農(nóng)林牧漁業(yè)生產(chǎn)總值，PEO為農(nóng)業(yè)勞動(dòng)力規(guī)模，EI、CI、SI分別為農(nóng)業(yè)生產(chǎn)效率、農(nóng)業(yè)經(jīng)濟(jì)水平和農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)，則有：

C_總=EI×CI×SI×PEO? ? ? ? ? ? ?（6）

等式兩邊取對(duì)數(shù)并采用加法和解，得到各因素貢獻(xiàn)值的表達(dá)式如下：

ΔC_總=ΔEI+ΔCI+ΔSI+ΔPEO?（11）

式中，ΔC_總表示基期到第t期的耕地碳排放總量變化，ΔEI、ΔCI、ΔSI、ΔPEO分別表示從基期到第t期的農(nóng)業(yè)生產(chǎn)效率、農(nóng)業(yè)經(jīng)濟(jì)水平、農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)和農(nóng)業(yè)勞動(dòng)力規(guī)模對(duì)種植業(yè)碳排放的貢獻(xiàn)值。

2 結(jié)果與分析

2.1 長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放時(shí)空差異

2.1.1 長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放的時(shí)間特征 由式（1）計(jì)算得到長(zhǎng)江經(jīng)濟(jì)帶2000—2020年耕地碳排放總量，結(jié)果如圖1所示。長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放時(shí)序變化相對(duì)平緩，2000—2014年由2 663.8萬(wàn)t增長(zhǎng)到3 273.3萬(wàn)t，呈緩慢上升趨勢(shì)，年均增幅43.5萬(wàn)t，年均增長(zhǎng)率為1.48%；2014—2020年耕地碳排放總量下降至2 877.4萬(wàn)t，年均降幅65.98萬(wàn)t，年均增長(zhǎng)率為-2.13%。根據(jù)耕地碳排放量的變化趨勢(shì)，可以大致分為四個(gè)階段：第一階段，2000—2006年，碳排放總量基本維持不變；第二階段，2006—2009年，長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放總量以較快速率上升，環(huán)比增速始終保持在2.5%以上；第三階段，2010—2014年，長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放總量上升趨勢(shì)放緩，環(huán)比增長(zhǎng)率維持在1%左右；第四階段，2015—2020年，耕地碳排放總量逐步下降，2020年降至2 877.4萬(wàn)t?？梢姡L(zhǎng)江經(jīng)濟(jì)帶從十二五階段加強(qiáng)了對(duì)碳排放的調(diào)控力度并取得了一定成效，但2014年后耕地碳排放量的環(huán)比下降率僅維持在2%左右，碳排放量仍有下降空間。

長(zhǎng)江經(jīng)濟(jì)帶單位GDP耕地碳排放量整體呈下降趨勢(shì)，從2000年的301.0 kg/萬(wàn)元下降至2020年的94.6 kg/萬(wàn)元，年均降幅10.32 kg/萬(wàn)元，年均增長(zhǎng)率? -5.62%。單位耕地面積碳排放量2000—2020年從423.7 kg/hm²緩慢上升至428.3 kg/hm²，年均增幅0.23 kg/hm²，年均增長(zhǎng)率0.05%（圖2）。

2.1.2 長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放的空間特征

1）長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放的空間分布格局。采用ArcGIS軟件對(duì)長(zhǎng)江經(jīng)濟(jì)帶2005、2010、2015、2020年的耕地碳排放空間分布情況進(jìn)行研究（圖3）。長(zhǎng)江經(jīng)濟(jì)帶區(qū)域跨度較大，各省市之間的耕地碳排放存在一定的差異，整體呈中、東部高，西部低的態(tài)勢(shì)，長(zhǎng)江中下游地帶耕地碳排放明顯高于上游。從省域看，湖北、安徽、江蘇三省年均耕地碳排放量超過(guò)400萬(wàn)t，其中江蘇省高達(dá)445.93萬(wàn)t/年；僅有四川省、江蘇省與上海市的耕地碳排放相對(duì)于基期呈下降趨勢(shì)，降幅分別為13.9%、6.1%和26.8%。其余省份均有不同程度的上升，其中重慶市增幅高達(dá)35%。從市域看，129個(gè)地級(jí)市中有5個(gè)年均耕地碳排放量高于50萬(wàn)t，分別為重慶市118.28萬(wàn)t/年、鹽城市77.31萬(wàn)t/年、徐州市77.22萬(wàn)t/年、襄陽(yáng)市62.56萬(wàn)t/年、宿州市51.52萬(wàn)t/年，多位于長(zhǎng)江下游地帶；有53個(gè)地級(jí)市耕地碳排放相對(duì)于基期呈下降趨勢(shì)，有4個(gè)地級(jí)市的耕地碳排放降幅超過(guò)50%，分別是紹興市72.4%、蘇州市63.6%、南京市60.7%和鎮(zhèn)江市53.4%。但仍有76個(gè)地級(jí)市碳排放量相對(duì)基期升高，其中上、中、下游的城市占比分別為28.9%、38.2%和32.9%。

2）長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放的空間聚集效應(yīng)。為探究各地級(jí)市耕地碳排放是否具有空間關(guān)聯(lián)性，采用全局MoranI指數(shù)對(duì)長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放的空間聚集效應(yīng)進(jìn)行分析（表2）。2000—2020年長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放全局MoranI指數(shù)取值為0.113～0.222，其中2001—2020年P(guān)小于0.01，僅有2000年P(guān)為0.027；當(dāng)P小于0.05時(shí)，Z均高于1.65，當(dāng)P小于0.01時(shí)，Z均高于2.58，因此均在1%或5%的顯著性水平上通過(guò)了Z檢驗(yàn)。表明2000—2020年長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放量存在顯著的全局空間自相關(guān)性，且隨著時(shí)間演進(jìn)，耕地碳排放全局MoranI指數(shù)逐漸減小，各地級(jí)市間耕地碳排放的空間關(guān)聯(lián)性逐漸減弱，聚集效應(yīng)逐漸減弱。

為探究長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放是否存在空間異質(zhì)性、異常值或強(qiáng)影響點(diǎn)，結(jié)合LISA聚集圖進(jìn)行局部空間自相關(guān)分析，發(fā)現(xiàn)各地級(jí)市的耕地碳排放呈高-高聚集、高-低聚集、低-高聚集和低-低聚集四種類型（圖4）。高-高聚集區(qū)集中分布于長(zhǎng)江中下游，江蘇、安徽、湖北一帶，分布區(qū)有所擴(kuò)張，典型城市如鹽城、淮安、宿州等，年均耕地碳排放量在30萬(wàn)t以上，區(qū)域內(nèi)應(yīng)加強(qiáng)生態(tài)農(nóng)業(yè)建設(shè)，引導(dǎo)化肥農(nóng)藥等高碳排農(nóng)業(yè)物資的合理使用，優(yōu)化土地利用模式；高-低聚集區(qū)在2005年主要分布于重慶市，其年均耕地碳排放量118.28萬(wàn)t，遠(yuǎn)超周邊地帶，2005—2020年高-低聚集區(qū)逐漸縮小至消失，可見長(zhǎng)江中上游的區(qū)域聯(lián)動(dòng)碳減排取得了一定成果，相鄰區(qū)域之間減排策略的直接互動(dòng)發(fā)揮了作用；低-高聚集區(qū)主要分布于長(zhǎng)江中上游，湖北、四川、云南一帶，典型城市如十堰、廣安等，該類地區(qū)年均耕地碳排放量均在20萬(wàn)t以下，低碳農(nóng)業(yè)發(fā)展水平較高，應(yīng)加強(qiáng)與周邊城市的聯(lián)動(dòng)與合作，帶動(dòng)碳減排的協(xié)同發(fā)展；低-低聚集區(qū)主要分布于長(zhǎng)江上游地帶及下游的安徽、浙江等地，典型城市如麗江、杭州、宜城等，該類地區(qū)耕地碳排放量普遍偏低，未來(lái)應(yīng)繼續(xù)發(fā)揮聚集效應(yīng)，推動(dòng)長(zhǎng)江經(jīng)濟(jì)帶的農(nóng)業(yè)綠色轉(zhuǎn)型。

2.2 長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放影響因素分析

2000—2020年，長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放累計(jì)增長(zhǎng)213.6萬(wàn)t，其中農(nóng)業(yè)經(jīng)濟(jì)水平是主要的增排因素，累計(jì)增排5 107.6萬(wàn)t，而農(nóng)業(yè)生產(chǎn)效率、農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)和農(nóng)業(yè)勞動(dòng)力規(guī)模則分別實(shí)現(xiàn)了3 608.1萬(wàn)、? ?1 091.7萬(wàn)、194.2萬(wàn)t的碳減排（圖5）。

農(nóng)業(yè)經(jīng)濟(jì)水平是導(dǎo)致耕地碳排放量上升的主要因素，平均貢獻(xiàn)率高達(dá)40.33%，貢獻(xiàn)率整體平穩(wěn)（圖6）。長(zhǎng)江經(jīng)濟(jì)帶是中國(guó)農(nóng)業(yè)主產(chǎn)區(qū)，農(nóng)戶在經(jīng)濟(jì)利益的驅(qū)動(dòng)下，對(duì)高碳農(nóng)業(yè)物資的投入強(qiáng)度不斷提高。2000—2020年，長(zhǎng)江經(jīng)濟(jì)帶化肥（折純）的年均增幅為51 845.99 t，農(nóng)藥年均增幅為-2 769.4 t，農(nóng)用薄膜年均增幅99 983.36 t，農(nóng)用柴油和機(jī)械動(dòng)力的年均增幅分別為7 023.32 t、1 895 983.65 kW。因此長(zhǎng)江經(jīng)濟(jì)帶應(yīng)在保持農(nóng)業(yè)生產(chǎn)規(guī)模與農(nóng)業(yè)經(jīng)濟(jì)發(fā)展速度不受抑制的前提下，合理優(yōu)化農(nóng)業(yè)生產(chǎn)要素的投入，實(shí)現(xiàn)經(jīng)濟(jì)與生態(tài)的共贏。

農(nóng)業(yè)生產(chǎn)效率是實(shí)現(xiàn)長(zhǎng)江經(jīng)濟(jì)帶碳減排的關(guān)鍵因素，平均貢獻(xiàn)率為-28.49%。2000—2020年，單位種植業(yè)GDP的碳排放量呈下降趨勢(shì)，農(nóng)業(yè)生產(chǎn)效率對(duì)于碳減排的貢獻(xiàn)率呈上升趨勢(shì)。2014年后，耕地碳減排的效力逐年增加。長(zhǎng)江經(jīng)濟(jì)帶未來(lái)應(yīng)繼續(xù)提高耕地利用集約化、機(jī)械化、標(biāo)準(zhǔn)化的水平，完善基礎(chǔ)設(shè)施建設(shè)，貫徹農(nóng)業(yè)綠色環(huán)保轉(zhuǎn)型政策。

農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)對(duì)長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放具有抑制作用，平均貢獻(xiàn)率為-8.62%，呈緩慢上升趨勢(shì)。2000—2020年，長(zhǎng)江經(jīng)濟(jì)帶農(nóng)業(yè)占農(nóng)林牧漁總產(chǎn)值比重由91%下降至61%，糧食作物種植面積占比由69.8%下降至58.6%?？梢婇L(zhǎng)江經(jīng)濟(jì)帶的產(chǎn)業(yè)結(jié)構(gòu)與農(nóng)業(yè)種植結(jié)構(gòu)正在逐步優(yōu)化，種植業(yè)的碳匯功能不斷增強(qiáng)，從源頭減少了耕地碳排放。

農(nóng)業(yè)勞動(dòng)力規(guī)模對(duì)長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放的影響作用不顯著，平均貢獻(xiàn)率為-1.53%。2000—2020年，長(zhǎng)江經(jīng)濟(jì)帶有效耕地面積由62 867.92 hm²下降至57 183.21 hm²，農(nóng)業(yè)從業(yè)人員的數(shù)量由23 171.87萬(wàn)人下降至21 747.68萬(wàn)人，農(nóng)地集中化程度上升、規(guī)范化種植效率提高，一定程度上降低了耕地碳排放。隨著現(xiàn)代化的發(fā)展，農(nóng)戶傳統(tǒng)的耕作理念發(fā)生轉(zhuǎn)變，科技水平逐步提升，農(nóng)業(yè)勞動(dòng)力規(guī)模仍具有較大的挖掘潛力，對(duì)耕地碳減排的作用將日益顯著。

3 小結(jié)與討論

本研究運(yùn)用IPCC碳排放系數(shù)法對(duì)長(zhǎng)江經(jīng)濟(jì)帶129個(gè)地級(jí)市的耕地碳排放進(jìn)行測(cè)算，探析了該區(qū)域耕地碳排放的時(shí)空演變規(guī)律及影響因素，得出以下結(jié)論。

1）2000—2020年，長(zhǎng)江經(jīng)濟(jì)帶的耕地碳排放量累計(jì)增長(zhǎng)213.6萬(wàn)t，2014年后呈下降趨勢(shì)，表現(xiàn)為“保持穩(wěn)定—快速增長(zhǎng)—緩慢增長(zhǎng)—緩慢下降”四個(gè)階段；單位GDP碳排放量整體呈下降趨勢(shì)，由301.0 kg/萬(wàn)元下降至94.6 kg/萬(wàn)元；單位耕地面積碳排放量由423.7 kg/hm²緩慢上升至428.3 kg/hm²。

2）長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放在空間上表現(xiàn)為中、東部高，西部低，中下游地帶耕地碳排放明顯高于上游。比較各區(qū)域耕地碳排放動(dòng)態(tài)差異，發(fā)現(xiàn)紹興、蘇州、南京等53個(gè)地級(jí)市耕地碳排放相對(duì)于基期呈下降趨勢(shì)。長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放存在顯著的全局空間關(guān)聯(lián)，高-高聚集區(qū)分布于長(zhǎng)江中下游地帶，2015年后逐步收縮；低-高聚集區(qū)分布于中游地帶，呈先擴(kuò)張后逐步收縮的趨勢(shì)；低-低聚集區(qū)則主要分布于上游地區(qū)，呈擴(kuò)張趨勢(shì)。

3）長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放的促進(jìn)因素是農(nóng)業(yè)經(jīng)濟(jì)水平，平均貢獻(xiàn)率高達(dá)40.33%；抑制因素主要是農(nóng)業(yè)生產(chǎn)效率，其次是農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)，最次是農(nóng)業(yè)勞動(dòng)力規(guī)模，平均貢獻(xiàn)率分別為-28.49%、-8.62%和-1.53%，各因素之間有較強(qiáng)的關(guān)聯(lián)性和交互作用。

4）長(zhǎng)江經(jīng)濟(jì)帶應(yīng)深入貫徹綠色發(fā)展理念，因地制宜選擇農(nóng)業(yè)綠色轉(zhuǎn)型方案，制定差異化的碳減排策略和土地利用管制規(guī)劃；提升農(nóng)業(yè)生產(chǎn)效率，優(yōu)化農(nóng)業(yè)種植結(jié)構(gòu)，推動(dòng)農(nóng)業(yè)化學(xué)物資的減量增效；加強(qiáng)區(qū)域聯(lián)動(dòng)，推進(jìn)低-低聚集區(qū)擴(kuò)展，加速低碳農(nóng)業(yè)協(xié)同發(fā)展，縮小區(qū)域差距。

本研究在對(duì)長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放量化核算的基礎(chǔ)上，對(duì)其時(shí)空格局和影響因素進(jìn)行研究。比較長(zhǎng)江經(jīng)濟(jì)帶與全國(guó)耕地碳排放的時(shí)序特征發(fā)現(xiàn)，長(zhǎng)江經(jīng)濟(jì)帶耕地碳達(dá)峰時(shí)間早于全國(guó)，但二者耕地碳排放趨勢(shì)基本一致。2000—2020年長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放呈“保持穩(wěn)定—快速增長(zhǎng)—緩慢增長(zhǎng)—緩慢下降”四個(gè)階段。2010年之前碳排放量的快速增長(zhǎng)主要原因是惠農(nóng)政策的實(shí)施導(dǎo)致農(nóng)業(yè)播種面積增加，農(nóng)業(yè)機(jī)械化程度提高，化肥農(nóng)藥等高碳農(nóng)業(yè)物資投入持續(xù)增加?！笆濉逼陂g長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放的環(huán)比增速逐步放緩，因?yàn)榻?jīng)過(guò)農(nóng)業(yè)粗放式增長(zhǎng)，政府加強(qiáng)了對(duì)耕地碳排放工作的重視，出臺(tái)了《“十二五”節(jié)能減排綜合性工作方案》等轉(zhuǎn)型方案^［19］。至2014年長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放實(shí)現(xiàn)碳達(dá)峰，而徐玥等^［22］測(cè)算的全國(guó)耕地碳排放于2015年達(dá)到峰值9 094.04萬(wàn)t?？梢婇L(zhǎng)江經(jīng)濟(jì)帶較全國(guó)而言農(nóng)業(yè)碳減排力度更大，但長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放絕對(duì)量仍占全國(guó)總量近40%，仍存在巨大的減排空間。

長(zhǎng)江經(jīng)濟(jì)帶與全國(guó)的耕地碳排放的空間分布態(tài)勢(shì)與聚集效應(yīng)趨于一致。長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放中、東部高，西部低，中下游地帶耕地碳排放明顯高于上游；全國(guó)范圍內(nèi)耕地碳排放中部>東部>西部，河南、河北等農(nóng)業(yè)大省主要集中于中部平原，且生產(chǎn)較為粗放，低碳減排意識(shí)較低，耕地碳排放量較高，其中河南作為中國(guó)耕地碳排放量最大的省份，2019年碳排放總量為801.48萬(wàn)t。同時(shí)，長(zhǎng)江經(jīng)濟(jì)帶的耕地碳排放呈明顯的空間聚集性，但隨著時(shí)間推進(jìn)空間關(guān)聯(lián)逐漸弱化，高-高聚集區(qū)分布于長(zhǎng)江中下游地區(qū)，低-高聚集區(qū)分布于中游地區(qū)，低-低聚集區(qū)則主要分布于上游地區(qū)。與長(zhǎng)江流域類似，全國(guó)耕地碳排放的高-高聚集區(qū)同樣分布在糧食大省，如山東、河南等地；全國(guó)低-高聚集區(qū)呈減少態(tài)勢(shì)，可見節(jié)能減排的區(qū)域聯(lián)動(dòng)效應(yīng)在不斷加強(qiáng)，但在長(zhǎng)江經(jīng)濟(jì)帶該類聚集區(qū)規(guī)模有所增加，表明長(zhǎng)江經(jīng)濟(jì)帶綠色農(nóng)業(yè)的區(qū)域協(xié)同發(fā)展仍有待提升；全國(guó)低-低聚集區(qū)主要分布在農(nóng)業(yè)經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)，如西藏、青海、寧夏等地，與長(zhǎng)江經(jīng)濟(jì)帶分布趨勢(shì)類似，該類地區(qū)可以適度提高當(dāng)?shù)氐霓r(nóng)作強(qiáng)度、改善農(nóng)業(yè)結(jié)構(gòu)，保證耕地碳排放不過(guò)量產(chǎn)出的同時(shí)促進(jìn)農(nóng)業(yè)經(jīng)濟(jì)發(fā)展，維持區(qū)域內(nèi)耕地碳排放低-低發(fā)展態(tài)勢(shì)；全國(guó)高-低聚集區(qū)主要分布于湖南、四川、廣東、廣西四省，多位于中西部地區(qū)且逐漸減少，與長(zhǎng)江經(jīng)濟(jì)帶的趨勢(shì)基本一致。

長(zhǎng)江經(jīng)濟(jì)帶與全國(guó)耕地碳排放影響因素的作用程度存在一定差異。長(zhǎng)江經(jīng)濟(jì)帶耕地碳排放的促進(jìn)因素是農(nóng)業(yè)經(jīng)濟(jì)水平，抑制因素主要是農(nóng)業(yè)生產(chǎn)效率，其次是農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)，最后是農(nóng)業(yè)勞動(dòng)力規(guī)模。對(duì)全國(guó)而言，農(nóng)業(yè)生產(chǎn)效率和農(nóng)業(yè)勞動(dòng)力規(guī)模同樣是兩個(gè)減排因素，農(nóng)業(yè)經(jīng)濟(jì)發(fā)展水平屬于增排因素，而農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)則在東部屬于減排因素，在中西部屬于增排因素。主要原因是糧食作物的碳排放量高于經(jīng)濟(jì)作物，而中國(guó)東部經(jīng)濟(jì)發(fā)達(dá)，消費(fèi)需求和農(nóng)業(yè)技術(shù)相對(duì)較高，糧食作物的耕種比例下降而經(jīng)濟(jì)作物比例升高，以河南、河北為首的中西部地區(qū)則以糧食種植為首，因此農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)對(duì)于中西部地區(qū)而言反而成為增排要素。

參考文獻(xiàn)：

［1］ 董紅敏， 李玉娥， 陶秀萍，等. 中國(guó)農(nóng)業(yè)源溫室氣體排放與減排技術(shù)對(duì)策［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2008，24（10）： 269-273.

［2］ 孫軼男， 梁靜溪. 基于DEA效率模型的黑龍江省域低碳農(nóng)業(yè)綜合評(píng)價(jià)研究［J］. 科技與管理， 2017， 19（6）： 39-45.

［3］ 熊子昕， 匡 兵， 柯 楠. 長(zhǎng)江中游城市群耕地利用碳排放“總量——強(qiáng)度”的空間關(guān)聯(lián)特征［J］. 水土保持通報(bào)，2023， 43（3）：406-413.

［4］ 李伊涵， 李春華， 楊承楷. 基于交叉DEA的長(zhǎng)江經(jīng)濟(jì)帶農(nóng)用地利用碳排放效率及影響因素研究［J］. 現(xiàn)代農(nóng)業(yè)科技，2022（17）： 153-157.

［5］ 馬愛玲， 王建平， 談存峰. 甘肅省農(nóng)業(yè)碳排放效率測(cè)算及提升對(duì)策研究［J］. 國(guó)土與自然資源研究， 2022（6）： 74-77.

［6］ 孫 康， 解 月， 贠鴻琬，等. 河南省種植業(yè)碳排放動(dòng)態(tài)演化分析［J］. 安徽農(nóng)業(yè)科學(xué)， 2023， 51（1）： 46-49， 54.

［7］ 文高輝， 胡冉再琪， 唐 璇，等. 洞庭湖區(qū)耕地利用碳排放與生態(tài)效率時(shí)空特征［J］. 生態(tài)經(jīng)濟(jì)， 2022， 38（7）： 132-138.

［8］ 李 波， 張俊飚， 李海鵬. 中國(guó)農(nóng)業(yè)碳排放時(shí)空特征及影響因素分解［J］. 中國(guó)人口·資源與環(huán)境， 2011， 21（8）： 80-86.

［9］ 田成詩(shī)， 陳 雨. 中國(guó)省際農(nóng)業(yè)碳排放測(cè)算及低碳化水平評(píng)價(jià)——基于衍生指標(biāo)與TOPSIS 法的運(yùn)用［J］. 自然資源學(xué)報(bào)， 2021，36（2）： 395-410.

［10］ 蔣金荷. 中國(guó)碳排放量測(cè)算及影響因素分析［J］. 資源科學(xué)， 2011，33（4）： 597-604.

［11］ 唐健飛，劉劍玲. 省域農(nóng)業(yè)可持續(xù)發(fā)展水平評(píng)價(jià)及其耦合協(xié)調(diào)分析——以長(zhǎng)江經(jīng)濟(jì)帶11省市為例［J］. 經(jīng)濟(jì)地理，2022，? ? ? 42（12）：179-185.

［12］ 丁寶根， 趙 玉， 鄧俊紅. 中國(guó)農(nóng)業(yè)碳排放的測(cè)度、脫鉤特征及驅(qū)動(dòng)因素研究［J］. 中國(guó)農(nóng)業(yè)資源與區(qū)劃， 2022， 43（5）： 1-11.

［13］ 伍國(guó)勇，孫小鈞，于福波，等. 中國(guó)種植業(yè)碳生產(chǎn)率空間關(guān)聯(lián)格局及影響因素分析［J］. 中國(guó)人口·資源與環(huán)境，2020，30（5）：46-57.

［14］ 何慧爽， 付幫杰. 我國(guó)糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放測(cè)度與減排壓力研究［J］. 生態(tài)經(jīng)濟(jì)， 2019， 35（11）： 99-104.

［15］ 王樹芬， 高冠龍， 李 偉，等. 2000—2020年山西省農(nóng)業(yè)碳排放時(shí)空特征及趨勢(shì)預(yù)測(cè)［J］. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào)，2023， 42（8）：1882-1892.

［16］ 任 平，吳 濤，周介銘. 基于GIS和空間自相關(guān)模型的耕地空間分布格局及變化特征分析——以成都市龍泉驛區(qū)為例［J］. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)， 2016， 24（3）： 325-334.

［17］ 聶 艷， 羅 毅， 于 婧，等. 基于空間自相關(guān)的湖北省耕地壓力時(shí)空演變特征［J］. 地域研究與開發(fā)， 2013， 32（1）： 112-116.

［18］ 呂 明， 黃 宜， 陳 蕊. 中國(guó)綠色農(nóng)業(yè)區(qū)域差異性分析［J］. 農(nóng)村經(jīng)濟(jì)， 2022（12）： 78-87.

［19］ 韋彥汀， 李思佳， 張 華. 成渝城市群碳排放時(shí)空特征及其影響因素［J］. 中國(guó)環(huán)境科學(xué)， 2022， 42（10）： 4807-4816.

［20］ 劉麗娜， 王春妤， 袁子薇，等. 區(qū)域農(nóng)業(yè)碳排放LMDI分解和脫鉤效應(yīng)分析［J］. 統(tǒng)計(jì)與決策， 2019， 35（23）： 95-99.

［21］ 孟 軍，范婷婷. 黑龍江省農(nóng)業(yè)碳排放動(dòng)態(tài)變化影響因素分析［J］. 生態(tài)經(jīng)濟(jì)， 2020， 36 （12）： 34-39.

［22］ 徐 玥， 王 輝， 韓秋鳳，等. 我國(guó)耕地碳排放時(shí)空特征與影響因素［J］. 江蘇農(nóng)業(yè)科學(xué)， 2022， 50（16）： 218-226.

收稿日期：2023-06-05

基金項(xiàng)目：國(guó)家科技支撐計(jì)劃項(xiàng)目（2015BAD06B02）；大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（2022102941100）

作者簡(jiǎn)介：劉 璇（2001-），女，山東萊州人，2020級(jí)在讀本科生，土地資源管理專業(yè)，（電話）13210930830（電子信箱）1173891419@qq.com；通信作者，孫 燕（1978-），講師，碩士，主要從事耕地保護(hù)的研究工作，（電話）18901585532（電子信箱）suny@hhu.edu.cn。