《Frontiers in Sustainable Food Systems》:Greenhouse gas emissions from rice crop production in Jiangxi Province (China) based on life cycle assessment and household panel data
编辑推荐:
准确了解中国水稻生产农业温室气体(GHG)排放的现状和驱动因素,对于实现国家“双碳”目标至关重要。基于2018年至2023年在江西省收集的农户面板数据集,研究人员采用生命周期评估(LCA)方法计算了农户层面的水稻生产GHG排放,并进一步使用双向固定效应模型分析
准确了解中国水稻生产农业温室气体(GHG)排放的现状和驱动因素,对于实现国家“双碳”目标至关重要。基于2018年至2023年在江西省收集的农户面板数据集,研究人员采用生命周期评估(LCA)方法计算了农户层面的水稻生产GHG排放,并进一步使用双向固定效应模型分析了GHG排放的驱动因素。水稻种植产生的CH4排放、灌溉用电产生的CO2排放以及氮肥施用引起的N2O排放是水稻生产GHG排放的主要来源。2018年至2023年,农户层面水稻生产的GHG排放强度先下降后上升。在此期间,农户之间的GHG排放强度差距扩大。值得注意的是,早稻生产的GHG排放强度显著低于晚稻生产。水稻全要素生产率(TFP)的提高被发现是减少GHG排放的关键因素。种植规模与GHG排放强度之间存在“U型”关系。此外,实施绿色农业补贴计划被发现能显著降低GHG排放强度。相反,使用有机土壤改良剂往往增加GHG排放强度。该研究建议鼓励农民改善水稻生产中的水、能源和肥料管理,并优化生产投入要素。
全球变暖带来的海平面上升、生物多样性丧失和极端天气频发等问题日益严峻,温室气体(GHG)排放是主要驱动力。中国作为全球最大水稻生产国和出口国,其农业GHG排放占全国总量的6.7%,其中水稻生产排放约占农业排放的16%,减排潜力巨大。然而,现有研究多基于宏观数据采用IPCC系数法,未能考虑农户行为异质性和农业投入品的隐含GHG排放,且缺乏从农户视角分析驱动因素。为填补这一空白,研究人员利用2018—2023年江西省水稻种植农户面板数据(来源于北京大学和江西农业大学的固定观测农村调查,采用分层随机抽样选取108个村庄共1080户,最终获得1641个有效观测值),采用生命周期评估(LCA)方法核算农户层面水稻生产GHG排放,并通过双向固定效应模型识别排放强度的驱动因素。论文发表在《Frontiers in Sustainable Food Systems》。
研究采用的关键技术方法包括:(1)LCA方法:构建五级层次核算体系(Level 1—直接排放,Level 2—灌溉用电隐含排放,Level 3—农业投入品生产运输隐含排放,Level 4—田间管理排放,Level 5—秸秆还田减排效应),基于IPCC排放因子和文献数据计算总GHG排放和单位面积排放强度(GEI);(2)SBM方向性距离函数与Malmquist指数:基于全球生产可能性集,将农户视为决策单元(DMU),利用土地、劳动、资本、能源、水等投入和稻谷产出数据测算水稻全要素生产率(TFP);(3)核密度估计(KDE):采用高斯核函数估计GEI的概率密度分布,分析其动态演化;(4)双向固定效应模型:控制农户和时间固定效应及个体-时间交互效应,以GEI为因变量,TFP、个体特征、家庭特征、种植特征和村庄特征为自变量,识别驱动因素。
**4.1 GHG emission structure(温室气体排放结构)**
通过LCA分层核算发现,Level 1(直接排放)占总排放的70%~80%,Level 4(田间管理排放)约占10%。CH
4排放、灌溉用电产生的CO
2排放和氮肥施用引起的N
2O排放是三大主要来源,分别约占70%、10%和10%。秸秆还田的减排效应约占5%,具有较大减排潜力。
**4.2 GHG emission intensity trends(排放强度趋势)**
描述统计表明,农户层面GEI从2018年的8.940 t CO
2-eq ha
-1下降至2021年的8.719 t CO
2-eq ha
-1,后上升至2023年的9.138 t CO
2-eq ha
-1。核密度估计结果显示,峰值逐年下降,分布右尾拉长,表明农户间差距扩大,高排放户比例增加。
**4.3 GHG emission intensity under different rice cropping systems(不同水稻种植系统下的排放强度)**
通过组间均值差异检验发现,早稻GEI(8.82 t CO
2-eq ha
-1)显著低于晚稻(9.22 t CO
2-eq ha
-1),差异在10%水平上显著。这与生长季节温湿度差异导致甲烷产生菌活性及灌溉频率不同有关。
**4.4 Driving factors of household GHG emission intensity(农户排放强度驱动因素)**
双向固定效应模型(样本608个农户-年份观测值)结果显示:水稻TFP增加(系数-25.787,p<0.01)显著降低GEI;种植规模与GEI呈“U型”关系(一次项系数-0.540 p<0.05,二次项系数0.028 p<0.05);使用有机土壤改良剂(系数0.938 p<0.1)增加GEI;绿色农业补贴(系数-0.578 p<0.1)显著降低GEI。其他变量(如性别、年龄、教育、党员身份、农业劳动力、收入、地块数、合作社参与、雇佣劳动、距乡镇距离)均不显著。
讨论部分总结:研究建议关注主要排放源(CH
4、灌溉CO
2、氮肥N
2O),通过改进灌排设施、推广干湿交替(AWD)节水技术、促进可再生能源使用和提升能效来减少GHG排放;优化晚稻田间管理(节水技术和精准养分管理)及品种改良;提高水稻TFP并引导适度规模经营,避免过度扩张;完善绿色农业补贴体系,同时推动有机与化肥的科学配施,避免单纯增加有机土壤改良剂而不减少化肥用量。
研究结论翻译:基于2018—2023年江西省农户面板数据,采用LCA方法核算并分析水稻生产GHG排放强度,通过双向固定效应模型识别驱动因素,主要结论如下:(1)CH
4排放是主要来源(约70%),其次为灌溉用电CO
2排放和氮肥N
2O排放;(2)2018—2023年GEI先降后升,农户间差距扩大且高排放户比例增加;(3)晚稻GEI显著高于早稻;(4)水稻TFP提高、适当种植规模、绿色农业补贴降低GEI,而有机土壤改良剂施用(未减少化肥)增加GEI。