成都市农业温室气体排放的时空演变特征及影响因素

《Environments》：Spatial–Temporal Evolution Characteristics and Influencing Factors of Agricultural Greenhouse Gas Emissions in Chengdu

　　

全球变暖对全球环境构成了严峻挑战。农业作为温室气体（GHG）排放的重要来源，对大气环境产生了显著影响。成都以其发达的农业部门而闻名，是中国重要的粮食生产中心。减少农业温室气体（AGHG）排放对于缓解气候变化对成都的影响至关重要。首先，研究人员采用IPCC（政府间气候变化专门委员会）系数法和Super-SBM-Undesired模型分别计算了成都的AGHG排放量和排放效率。然后，利用重心转移分析、核密度估计和空间自相关理论分析了AGHG排放的时空演变特征。最后，基于STIRPAT模型进行了深入分析，以识别影响AGHG排放的关键因素。结果表明：（1）从2007年到2021年，成都的AGHG排放总量和排放强度整体下降，分别减少了22.32%和66.20%，且AGHG排放效率总体较低。（2）AGHG排放呈现区域差异和空间集聚现象，表现为“东高西低、外高内低”的格局。（3）播种面积（S）和农药化肥利用（F）显著增加了AGHG排放，而农业产业结构（V）和城市化率（U）可能减少排放。这些发现为区域农业排放的时空动态提供了有价值的科学见解。此外，本研究为地方政府优化农业资源配置、制定因地制宜的低碳农业政策以及促进农村可持续发展提供了实践参考。

**论文解读：成都市农业温室气体排放的时空演变特征及影响因素研究**

**研究背景与问题**

全球变暖已成为世界性的严峻环境挑战，农业作为温室气体（GHG，greenhouse gas）排放的重要来源，对大气环境产生显著影响。根据IPCC（政府间气候变化专门委员会）第六次评估报告，农业和林业合计的GHG排放占人为GHG排放总量的23%。中国作为农业大国，以全球8%的耕地养活了20%的人口，但农业温室气体（AGHG，agricultural greenhouse gas）排放约占全国GHG排放总量的17%，并以年均约5%的速度增长，成为继能源和工业之后的第三大排放源。成都位于中国西部，是人口超过2100万的特大城市，农村人口占总人口32.12%，农村面积占全市总面积90%以上，是四川省重要的农业经济中心和全国粮食主产区之一。然而，随着国民经济快速发展，成都的GHG排放持续高位，2023年空气质量污染天数达80天。2021年，成都成为全国首批开展城市大气温室气体监测试点的城市之一，旨在实现碳达峰并成为碳中和先行城市。但成都拥有33.2万公顷肥沃耕地和丰富的畜牧资源，2020年AGHG排放超过300万吨，位居全省第六，农业成为GHG排放的首要贡献者。在此背景下，理解成都AGHG排放的时空格局及其驱动因素，对于制定精准减排政策、平衡粮食安全与碳达峰碳中和目标至关重要。

现有研究多聚焦于国家或省级尺度，缺乏对快速城市化大城市的县级尺度精细分析；同时，驱动因素研究多关注产值、资源投入等内生因素，忽略了政府支持等外部引导作用。因此，本研究以成都为典型城市农业区，旨在回答两个关键科学问题：（1）成都AGHG排放呈现怎样的时空格局和趋势？（2）影响成都AGHG排放的主要因素有哪些？研究结果发表在《Environments》期刊上。

**主要关键技术方法**

本研究采用IPCC系数法计算AGHG排放量，并利用Super-SBM-Undesired模型评估排放效率；运用重心转移模型、核密度估计和空间自相关理论（包括全局Moran's I和Getis-Ord Gi*热点分析）分析时空演变特征；最后基于扩展的STIRPAT模型（Stochastic Impacts by Regression on Population, Affluence, and Technology，随机性人口、富裕度与技术影响回归模型）识别多维驱动因素。数据来源于《四川省统计年鉴》（2008-2022）、《成都市统计年鉴》（2008-2022）和《中国县域统计年鉴》（2008-2022），行政区划数据来自国家基础地理信息中心。

**研究结果**

**6.1 AGHG排放的结构与时间特征**

通过IPCC系数法计算，土地利用是AGHG排放的主要来源，占总排放的50.83%，其中农用柴油（21.06%）和化肥（13.51%）是核心驱动因素。水稻种植占20.13%，但排放量和结构比例持续下降，源于城市化导致的稻田面积减少。畜牧业管理（动物粪便管理和肠道发酵）分别占19.28%和9.75%，以猪和牛为主，2018年后因非洲猪瘟和环保政策导致存栏量骤降，排放急剧收缩。时间上，2007-2021年成都AGHG排放呈现“下降-上升-下降”趋势，2016年达到峰值471万吨，之后降至2019年的351万吨最低点。排放强度整体下降67%，表明农业经济增长与排放逐渐脱钩，但2020-2021年因COVID-19冲击，AGDP下降12.07%而排放仅降1.91%，暴露出农业的脆弱性。

**6.2 AGHG排放效率**

基于Super-SBM-Undesired模型，成都AGHG排放效率在研究期内仅1/3年份达到有效，整体波动显著。2014年因快速城市化导致耕地面积骤降15%以上，但化肥农药等高碳投入未同步减少，资源利用效率跌至15年最低。此后效率稳步回升，但2020-2021年再次大幅下降，表明农业易受宏观冲击影响。

**6.3 AGHG排放的空间演变**

**6.3.1 空间分布特征**：空间分析显示，高排放区集中于成都平原，低排放区位于丘陵山区，形成“东高西低、外高内低”的格局。东南部（如龙泉驿、双流）减排最显著（降幅超58%），西北部（如彭州、金堂）减排缓慢（仅降约19%）。

**6.3.2 重心轨迹及其动态意义**：重心转移分析表明，2007-2009年重心向东南移动，随后2009年起转向西北，反映了东南部快速减排与西北部滞后减排的空间不对称性。

**6.3.3 核密度演化**：核密度曲线左移、峰值上升、宽度减小，表明排放整体下降且区域差异缩小。2016-2021年变化加剧，右拖尾消失，集聚性显著增强。

**6.4 AGHG排放的空间自相关分析**

全局Moran's I指数介于0.307-0.375，证实显著正空间自相关，且集聚效应随时间增强。热点分析显示，2007年冷点集中于市中心，热点集中在东南部；2012-2021年，冷点区域稳定，次冷区北移，热点范围缩小，但金堂和彭州从次热点变为热点，强化了“东高西低、外高内低”的格局。

**6.5 AGHG排放影响因素分析**

基于STIRPAT模型和主成分回归分析，各因素弹性系数如下：播种面积（S）为最大正向驱动（0.723%），农药化肥利用（F）为0.167%，人口（P）为0.064%，畜牧业规模（L）为0.057%，人均产出（D）为0.027%，财政支农（R）为0.004%。抑制因素方面，农业产业结构（V）弹性为-0.233%，城市化率（U）为-0.173%，农业机械化（T）和农业总产值（A）均为-0.009%。结果表明，S和F是排放增长的主要推手，而V和U是有效减排的关键路径。

**总结讨论与结论**

讨论部分指出，成都AGHG排放总量和强度持续下降，但土地利用型生产投入仍是主导排放源，化肥、农药和农用柴油在提升产量的同时带来环境压力。排放效率总体偏低且不稳定，反映出资源利用效率不高。空间上存在显著区域差异，东部为长期排放热点，西部通过产业调整和生态保护实现较低排放，但减排措施仍需细化。影响因素中，S和F是主要驱动因素，V和U是有效减排路径。研究建议实施分区分类的差异化减排策略，优化农业结构，推广低排放技术，并加强绿色金融激励以增强农业韧性。

**研究结论**（翻译自8.1 Conclusions）：

本研究建立了成都农业温室气体（AGHG）排放评估框架。研究人员采用IPCC系数法估算排放量，利用Super-SBM-Undesired模型评估效率，通过重心转移、核密度估计和空间自相关分析时空动态，最后应用STIRPAT模型识别多维驱动因素。主要发现如下：（1）土地利用和水稻种植是主要AGHG来源，排放总量和强度总体呈下降趋势。（2）成都AGHG排放效率总体偏低，稳定性差且易受外部冲击。（3）排放呈现显著区域差异和空间集聚，形成“东高/外高、西低/核心低”的格局。（4）作物播种面积是排放的主要正向驱动因素，而农业现代化等结构因素具有较强的抑制效应，有利于减排。理论上，本研究将排放核算、效率评估、时空分析和驱动识别整合为统一框架，丰富了特大城市低碳农业的实证研究。实践上，识别的空间异质性和结构驱动因素为制定差异化减排策略提供了坚实基础，为平衡经济集聚与农业生产的类似区域提供了可借鉴的参考。最后，研究承认其局限性：AGHG排放本质上是基于特定分配方法计算的代理变量，因按农业GDP（AGDP）比例分配，存在将经济指标作为独立输入变量时的内生性风险，未来应利用更直接的连续现场监测数据以减少统计代理的不确定性。