鹽城市農業碳排放時空特征及趨勢研究

蘇曉明　胡凡　邢立群

摘 要 以江蘇第一大農業總產值市——鹽城市為例，對該市農業碳排放時空特征、農業碳排放結構、驅動因素及預測趨勢開展研究。運用排放因子法從農資投入、稻田甲烷排放、農用地氧化亞氮排放、動物腸道發酵和動物糞便管理五個方面估算鹽城市2010—2020年農業碳排放量，基于STIRPAT模型分析農業碳排放影響因素和預測2021—2030年的農業碳排放量。結果顯示：鹽城市2010—2020年年均二氧化碳當量排放量和強度分別為1 070.5萬t和1.5 t·萬元-1，農資投入和農用地氧化亞氮排放分別占農業碳排放量總量的36.3%和31.2%。農業人均收入、城鎮化率和農村居民人均可支配收入每發生1%的變化將使全市農業二氧化碳排放量分別減少0.025 7%、0.029 7%和0.016 6%。2021—2030年間，低碳情景下的累計二氧化碳當量排放量將比基準情景低37萬t。鹽城市過去11年的農業碳排放總體均呈下降趨勢，農資投入和農用地氧化亞氮排放為主要排放源；由于經濟發展水平的不同，農業碳排放和排放強度存在一定的地區差異；城鎮化率是抑制農業二氧化碳排放的最重要因素；2021—2030年農業二氧化碳排放量在不同情景模式下均持續下降，且具有進一步減少農業碳排放量的發展潛力。

關鍵詞 農業碳排放；時空特征；碳排放結構；STIRPAT模型；江蘇省鹽城市

中圖分類號：S181 文獻標志碼：A DOI：10.19415/j.cnki.1673-890x.2023.17.001

當前，CO2等溫室氣體的大量排放引起全球氣候變暖，導致旱澇等極端氣候事件頻繁發生，控制CO2排放已成為國際關注的熱點[1]。目前，包括中國在內的多個國家已通過2016年的《巴黎協定》承諾對溫室氣體進行減排，中國多次在重要場合向世界鄭重承諾“30·60”雙碳減排目標，并就具體的碳減排措施發布了一系列行動方案。農業作為我國國民經濟發展的基礎，兼具碳源和碳匯兩種特征。據聯合國糧農組織（FAO）數據統計，全球農業CO2排放量超過了全球排放總量的30%[2]。我國作為世界第一大CO2排放國，每年碳排放量約占全球的1/4，而農業碳排放量約占全國碳排放的17%[3-4]。尤其自化肥正式投入使用以來，農業碳排放問題逐漸凸顯，在實現“雙碳”目標上，我國農業減排機遇與挑戰并存。

常用的碳排放核算方法有排放因子法、物料平衡法及實地測量法，其中，排放因子法是基于政府間氣候變化專門委員會（IPCC）提出的一種碳排放估算的方法，其基本思路為理清各排放源數據清單，以排放源活動水平和排放系數的乘積來計算該排放源的碳排放量[5]。相比其他兩種方法，排放因子法在國際上更通用，計算過程簡單方便，得出的碳排放量準確性較高。而常見的碳排放影響因素和預測模型有環境庫茲涅茨曲線（ECK曲線）、灰色 GM（1，1）模型和STIRPAT模型等。EKC曲線顯示的是環境質量與收入間的倒“U”字形關系[6]；灰色 GM（1，1）模型是通過那些時間比較短、數據較少甚至不全的情況下構建的預測方法[7]；STIRPAT模型是在Ehrlich等[8]提出IPAT模型的基礎上，York等[9]改進的模型，是一種非線性擴展模型，在人口因素、富裕程度和技術因素基礎上，還可對該模型進行拓展。相比前兩種預測方法，STIRPAT模型建模簡單，實用性較強，可針對碳排放實際情況引入更為適合的因素，并可在不同情景模式下進行碳排放預測。

目前，農業碳排放的研究主要集中在碳排放核算、驅動因素、碳排放與經濟增長的關系和低碳減排措施等方面。房驕等對白城市農業碳排放進行了核算，并基于STIRPAT模型深入研究了農業碳排放驅動因素，表明農業碳排放的驅動因素主要是人口數、城市化率、農業機械總動力等[10]。農藥、化肥、農用柴油、農用電和農膜等農用物資的使用間接導致了大量溫室氣體的排放，由于農業化學品使用所引起的我國農業碳排放比重已由1985年的28.02%增至2011年的43.66%[11]。農業種植和畜禽養殖也是農業碳排放的主要來源。水稻生產過程中，土壤微生物分解會釋放出大量CO2、CH4等小分子物質，我國CH4排放總量的17.9%來源于水稻種植[12-13]；農田土壤在微生物作用下也會發生硝化和反硝化反應產生大量N2O，農田土壤釋放的N2O約占生物圈排放總量的53%[14]。此外，在畜禽養殖過程中，動物腸道發酵主要產生CH4，動物糞便管理主要產生CH4和N2O，其產生量與糞便中氮含量、儲存時間和處理方式等密切相關[15-16]。據張哲瑜等表明，生豬的溫室氣體排放量約為（CO2）130.68 kg·頭-1，其中豬腸道發酵和糞便管理分別占13.05%和86.95%[17]。顏廷武等發現經濟增長在某段時期會使農業碳排放量增加，但超出拐點臨界值（27 647元·hm-2），經濟的進一步發展將會導致農業碳排放降低，至2012年，我國農業經濟強度達到28 725元·hm-2，已超出拐點臨界值[18]。歐盟和美國等發達國家已采取了一系列減少農業碳排放的措施，如通過農業碳排放稅收等政策提高能源利用率[19]。

江蘇省是農業大省，其農業總產值持續居于全國前列，是全國重要農產品生產基地。而鹽城市是江蘇省農業總產值第一的城市，也是長三角27個中心區城市中年農業總產值唯一超千億元的城市，全市農業發展引起的農業碳排放問題亟須合理控制[20]。然而，目前關于全市農業碳排放量尚缺少全面的核算和評估，在很大程度上限制了農業碳排放量的認知，不利于農業固碳減排和低碳發展針對性措施的制定?；诖?，本文通過估算2010—2020年全市農業碳排放總量和碳排放組成結構，分析鹽城市農業碳排放的時序特征和區域特征，并通過構建STIRPAT模型分析碳排放的影響因素，預測基準情景和低碳情景模式下2021—2030年的碳排放量和趨勢，以期為農業碳減排政策出臺提供有益的理論依據。

1? 研究方法和數據來源

1.1? 農業碳排放估算方法

運用碳排放因子估算法[21-22]，即E=∑Ei=∑Ti×δi（E：農業碳排放總量；Ei：各農業排放源的碳排放量；δi：各農業排放源的碳排放因子），對江蘇省鹽城市農業碳排放量進行估算。本文農業碳排放量估算主要考慮種植業和畜牧業兩大類，具體從農資投入、稻田CH4排放、農用地N2O排放、動物腸道發酵CH4排放、動物糞便管理CH4和N2O排放五個小類進行二氧化碳當量（CO2e）排放量的計算。各因子的排放系數列于表1。

1.2? 農業碳排放強度估算方法

以農業碳排放強度來評估農業碳排放水平，其具體估算公式如下：

CI=C/PAG? ?（1）

式中，CI為農業CO2e排放強度（t/萬元）；C為農業CO2e排放總量（t）；PAG為農業和牧業生產總值（萬元）。

1.3? 農業碳排放影響因素及預測模型

采用STIRPAT模型，對鹽城市農業CO2e排放量的驅動因素進行分析，并對全市農業CO2e排放量進行預測。STIRPAT模型的標準形式為：

I=aPbAcTde? ?（2）

式中，I為環境影響；P為人口；A為富裕度；T為技術水平；a為常數項；b、c、d為需要估計的指數；e為誤差項。

據鹽城市農業實際情況，對該模型進行拓展后的模型為：

I=aPbAcTdUfSge （3）

其中，I以鹽城市農業CO2e排放總量表示（萬t）；P以農村人口數表示（萬人）；A以農業人均GDP表示（元·人-1），其值為農林牧漁業總產值與農林牧漁業從業人員數之比；T以鹽城市農業CO2e排放強度表示（t·萬元-1）；U為常住人口城鎮化率，是城鎮常住人口與鹽城市總人口的比值；S為農村居民人均可支配收入（元）。b、c、d、f、g為彈性系數，當P、A、T、U、S發生變化，將會引起b、c、d、f、g的CO2e排放量變化。

由于式（3）是一個非線性方程，為了方便計算，對等式兩邊進行對數化處理，經變形后可得到式（4）：

lnI=a+b×lnP+c×lnA+d×lnT+f×lnU+g×lnS+e （4）

1.4? 數據來源

化肥施用量、農藥使用量、農用薄膜使用量、農用柴油使用量、農用電使用量、稻田種植面積、作物籽粒產量、畜禽存欄量、農村人口數等原始數據來源于《江蘇統計年鑒》（2011—2021）、《鹽城統計年鑒》（2011—2021）和《江蘇農村統計年鑒》（2011—2021）。

2? 結果與分析

2.1? 農業碳排放特征

2.1.1? 種植業碳排放時序特征

化肥、水稻、農用柴油和農用塑料薄膜是我國農業碳排放的主要源頭，東部地區因水稻種植面積較大導致種植業產生的碳排放遠高于西部地區[25]。因此，為充分了解鹽城市種植業碳排放時序和結構特征，對全市種植業產生的碳排放進行了估算（見圖1）。2010—2020年，全市種植業年均CO2e排放總量為928萬t。其中，農資投入、稻田CH4排放和農用地N2O排放的CO2e排放量占比分別為41.9%、22.2%和35.9%，農資投入和農用地N2O排放產生的農業碳排放量相對較大，化肥的施用對農業碳排放量具有較大影響。

如圖1A所示，農資投入產生的CO2e排放量變化趨勢較為平緩，無明顯變化，農資投入產生的年均CO2e排放量為388.6萬t左右，2010年的CO2e排放量約為385.5萬t，與張志高等估算的2010年安陽市由于農資投入產生的CO2e排放量（446.8萬t）[26]較接近。在眾多排放源中，鹽城市農業用電、農用柴油、農膜和農藥分別貢獻了19.5%、14.8%、14.6%和6.5%，農業化肥的貢獻率最大，年均為44.6%，表明化肥施用量是最重要的排放源。

如圖1B所示，鹽城市稻田CH4排放產生的CO2e排放量總體變化趨勢為上升，主要源于全市水稻種植面積隨時間的增加。全市稻田CH4排放產生的年均CO2e排放量約為205.9萬t，年均增長率為1.5%，2020年水稻播種面積比2010年多5.4萬hm2，CO2e排放量相應增加了29.4萬t。

如圖1C所示，鹽城市農用地N2O排放產生的CO2e排放量變化趨勢為下降。截至2020年底，農用地N2O排放產生的CO2e排放量約為311.1萬t，相比2010年減少了67.6萬t，年均CO2e排放量約為333.5萬t，農用地N2O直接排放的貢獻率最大（78.1%），剩余的21.9%由大氣氮沉降、氮淋溶和徑流損失貢獻。

2.1.2? 畜牧業碳排放時序特征

據2019年FAO發布的農業數據來看，我國農業溫室氣體排放中，畜牧業碳排放占比達到35.4%。結合鹽城市畜牧業發展實況，對全市過去11年的畜牧業碳排放進行了估算（見圖2）。2010—2020年，畜牧業年均CO2e排放總量為142.5萬t，動物腸道發酵和動物糞便管理產生的CO2e排放量占比分別為29.9%和70.1%，動物糞便管理產生的CO2e排放量具有較大的占比，這與姚成勝等[27]的研究結論一致。

如圖2A所示，鹽城市動物腸道發酵CH4排放產生的CO2e排放量的總體變化趨勢為先上升后降低。動物腸道發酵CH4排放產生的年均CO2e排放量為42.6萬t，在2015年為最大排放量（48.8萬t）。所有動物中，山羊貢獻的CO2e排放量最高，平均占比為59.0%，其次為豬和奶牛，分別占比20.5%和12.2%。水牛（3.5%）、黃牛（3.3%）、綿羊（1.5%）和驢（幾乎可忽略）的貢獻率相對較低。動物腸道發酵甲烷排放主要來自源于反芻動物的腸道發酵，一頭牛的腸道發酵甲烷排放量是遠大于羊的[28]。全市山羊腸道發酵貢獻的碳排放量遠大于牛的，這是由于山羊的存欄量遠大于牛，而使其具有更大的碳排放量。豬的存欄量雖遠大于山羊的存欄量，但豬不屬于反芻動物，產生的單位碳排放量遠低于牛羊這類反芻動物，而使其由于腸道發酵產生的碳排放量不是最高。

如圖2B所示，鹽城市動物糞便管理N2O和CH4排放產生CO2e排放量總體變化趨勢為降低。全市年均CO2e排放量為99.9萬t，年均增長率為-1.5%。其中，豬貢獻率最大，年均占比達到了63.3%，其次為家禽，年均占比為29.1%，剩余7.6%由山羊、奶牛、黃牛、水牛、綿羊和驢貢獻。2019年，動物糞便管理N2O和CH4排放產生CO2e排放量呈現最低，可能是由于豬瘟的影響使豬的存欄量急劇減少，其存欄量相比2018年降低了61.7%，而2020年豬的存欄量比2019年增加了84.5%。

2.1.3? 農業碳排放時序及區域特征

2010—2020年間，鹽城市農業CO2e排放量總體呈緩慢降低的變化趨勢（見表2）。全市年均CO2e排放量為1 070.5萬t，年均增長率為-0.7%，在2010—2020年間，2019年呈現最低的農業CO2e排放量（1 009.6萬t），比2018和2020年分別低50.7萬和26.6萬t，主要歸因于2019年較低的豬存欄量導致了該年的農業CO2e排放總量較低。全市農業CO2e排放量在2010年后總體為下降趨勢，與邱子健等[29]研究的江蘇省農業碳排放趨勢一致，即江蘇省的農業CO2e排放量于2005年達峰（8 361.77萬t），2010年后呈下降趨勢。鹽城市農業CO2e排放量的主要排放源為農資投入和農用地N2O排放，平均占比分別為36.3%和31.2%，其次，稻田CH4排放貢獻了19.2%左右，動物糞便管理和動物腸道發酵的貢獻率相對較低，平均占比分別為9.3%和4%。種植業引起的農業碳排放占比為86.7%，而畜牧業僅為13.3%。早在1997年，有研究就發現江蘇與作物種植相關的農業碳排放約占排放總量的90%，在2017年，江蘇仍以種植業產生的碳排放為主[30]。近些年，陳勝濤等也對江蘇省13個市的農業碳排放進行了核算，研究發現，2015—2019年鹽城市年均農業CO2e排放為1 095.27萬t，種植業和畜禽業占比分別為18.4%和81.6%，鹽城農業碳排放僅次于徐州，居全省第二[31]。本文計算的鹽城市年均農業CO2e排放量與陳勝濤等的估算結果相近。

農業CO2e排放強度相比農業CO2e排放量能更真實地反映當地的碳排放變化情況。隨著鹽城市農業技術的發展和農業產業結構的優化，全市農業CO2e排放強度變化呈現有規律的下降變化趨勢，碳排放強度由2010年的1.99 t·萬元-1降低到2018年的1.28 t·萬元-1。2019年，受豬瘟影響，雖然當年全市農業CO2e排放總量有所下降，但當年全市農牧業總產值相比2018年減少了近90億元而使當年的農業CO2e排放強度有升高趨勢，增加0.08 t·萬元-1。2020年，農牧業總產值開始出現復蘇趨勢，農業CO2e排放強度相比2019年降低了0.05 t·萬元-1。邱子健等的研究表明，江蘇省2010—2019年的農業CO2e排放強度在1～2.5范圍內，且為下降趨勢[29]。鹽城市2010—2020年的農業CO2e排放強度在1～2 t·萬元-1范圍內，年均農業CO2e排放強度為1.50 t·萬元-1，處于江蘇省的農業CO2e排放強度范圍內。Xiong等研究表明，太湖流域8個城市的農業碳生產率值大于1萬元·t-1的僅有上海和杭州，蘇州、無錫、常州、鎮江、湖州和嘉興的農業碳生產率均小于1萬元·t-1 [32]。經換算，鹽城市年均農業碳排放強度約為0.4 t·萬元-1，對應的農業碳生產率為碳排放強度的倒數，即2.4萬元·t-1，對比太湖流域其余各市的農業碳生產率，鹽城的計算結果偏大，主要源于在計算農業碳排放量時所選取的排放因子和考慮的排放源不同，導致估算的農業碳排放值差異較大。

2010—2020年，鹽城市各地區農業CO2e排放總量變化如表3所示。市區、射陽縣、東臺市和大豐區11年的年均碳排放量超過150萬t，其平均碳排放量分別為157.6萬、175.0萬、161.2萬和167.9萬t，射陽縣具有最高農業CO2e排放量。年均碳排放量在100萬～150萬t區間的僅有濱?？h和阜寧縣，分別為127.2萬和112.1萬t。低于100萬t的為建湖縣和響水縣，年均農業CO2e排放量分別為91.3萬和78.2萬t，響水縣為八個地區的最低排放量。農用地N2O排放和農資投入仍是影響各地區農業CO2e排放量的重要因素，因此，在國家提出低碳發展的背景下，合理施肥和加強清潔能源的使用是實現農業低碳排放的有效策略。

2010—2020年，鹽城市各地區年均CO2e排放強度在1.13～1.72 t·萬元-1范圍內，平均CO2e排放強度為1.47 t·萬元-1。濱?？h的年均農業CO2e排放量低于鹽城市區、射陽縣、東臺市和大豐區，而年均CO2e排放強度為全市最高，達到了1.72 t·萬元-1，源于其農牧業總產值和農業技術水平較低。市區、東臺和大豐為全市經濟相對較發達的地區，雖然其CO2e排放量均位于全市前列，但CO2e排放強度相比全市其他地區處于排放量較低水平，東臺年均CO2e排放強度為1.13 t·萬元-1，為全市最低。有研究者認為，經濟相對落后且以畜牧業為主的各西部省份農業總排放量較小，但其排放強度遠大于經濟相對發達的東部省份[33]，這一方面表明畜牧業比種植業更為碳密集，另一方面表明區域碳排放強度與當地的經濟發展水平有很大關聯。

2.2? 農業碳排放驅動因素分析

構建STIRPAT模型對鹽城市農業碳排放驅動因素進行分析。將各原始數據，即2010—2020年鹽城市農村人口、農業人均GDP、農業CO2e排放強度、城鎮化率和農村居民人均可支配收入，進行自然對數處理，并分別以lnI、lnP、lnA、lnT、lnU和lnS表示。為消除量綱影響，運用SPSS 25軟件對這些自然對數數據進行標準化處理，分別以ZlnI、ZlnP、ZlnA、ZlnT、ZlnU、ZlnS表示。對各變量進行相關性檢驗，發現其膨脹因子（VIF）明顯大于10，表明變量間存在較強共線性。因此，通過降維處理對ZlnP、ZlnA、ZlnT、ZlnU、ZlnS時間序列數據進行主成分分析。結果顯示，用于比較變量間相關系數和偏相關系數的指標KMO（Kaiser-Meyer-Olkin）取樣適切性量數（0.719）大于經驗值（0.7），且顯著性（sig）也遠小于0.05，表明原始數據適合作因子分析?？偡讲罱忉尳Y果顯示，特征值大于1且方差貢獻率達到85%的主成分僅有1個，以FAC表示，可解釋原變量的93.2%，具有較好擬合效果。FAC與原變量間的關系如下：

FAC=-0.195ZlnP+0.212ZlnA-0.207ZlnT

+0.206ZlnU+0.214ZlnS? （5）

將ZlnI作為因變量，FAC作為解釋變量，ZlnP、ZlnA、ZlnT、ZlnU和ZlnS作為工具變量，進行二階最小二乘法回歸分析，結果（見表4）顯示，方差檢驗量（F值）為26.476，且顯著性為0.001，方程擬合較好。根據模型回歸系數分析可得FAC與ZlnI的方程，如式（6）所示。

ZlnI=-0.864×FAC? ?（6）

表4? 主成分TOLS方差分析結果

[模型 平方和 自由度 均方 F 顯著性（sig.） 回歸 7.463 1 7.463 26.476 0.001 殘差 2.537 9 0.282 總計 10 10 ]

剔除常數項，將式（5）代入式（6）可得式（7），并根據標準化公式及標準化處理描述統計結果，可將式（7）轉換為式（8），由此，得到鹽城市農業CO2e排放量的STIPRAT模型，見式（9）。

ZlnI=0.168 5ZlnP-0.183 2ZlnA+0.178 8ZlnT

-0.177 9ZlnU-0.185ZlnU? （7）

lnI=5.544+0.290 6lnP-0.025 7lnA+0.035 3lnT

-0.029 7lnU-0.016 6lnS? （8）

I=5.544×P0.290 6×A-0.025 7×T0.035 3×U-0.029 7×S-0.016 6? （9）

由式（9）可知，鹽城市農村人口、農業人均GDP、農業CO2e排放強度、城鎮化率和農村居民人均可支配收入每變動1%，分別將會引起鹽城市農業CO2e排放量發生0.290 6%、-0.025 7%、0.035 3%、-0.029 7%和-0.016 6%的變化（正值代表促進農業碳排放，負值代表抑制農業碳排放）。據黎孔清等研究，農村人口（0.26%）、人均農業GDP（0.11%）、技術水平（0.06%）對南京市農業碳排放起促進作用，農村居民人均可支配收入（-0.07%）、城鎮化率（-0.09%）則起抑制作用[34]。對比鹽城和南京的農業碳排放驅動因素，發現對農業碳排放促進最大的均為農村人口，抑制作用最大的均為城鎮化率，兩個城市的研究大致相似，但也存在差異之處。例如，人均農業GDP對農業碳排放的影響，南京和鹽城兩個城市的研究結果相反，這可能是由于兩個城市的經濟發展水平差異、農業碳排放重視程度不同、地域特征差異和計算考慮的影響因素不夠全面所導致。

2.3? 農業碳排放預測分析

根據上述構建的STIRPAT模型、影響2010—2020年鹽城市農業CO2e排放的五個影響因素及其具體數據，對2010—2020年鹽城市的農業CO2e排放量進行擬合計算，并預測鹽城市未來十年（2021—2030年）的農業CO2e排放量。

如圖3所示，2010—2020年鹽城市的農業CO2e排放量的擬合值與估算值總體變化趨勢一致，擬合值的年均CO2e排放量（1 070.53萬t）相比估算值（1 070.49萬t）僅相差0.04萬t，擬合效果較好。

以2020年為預測基準年，以鹽城市政府每五年發展規劃為一個發展階段，設置農業未來兩個發展階段的情景模式，不同情景設置的參數見表5。參數的選取原則主要依據《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》

和《鹽城市國民經濟和社會發展第十四個五年規劃和二〇三五年遠景目標綱要》?；鶞是榫爸?，2021—2025年階段的人均農業GDP和農村居民人均可支配收入年增長率均設定為7%，年均城鎮化率設定為0.98%，農村人口年均增長率相應設置為-0.98%，農業碳排放強度年增長率設置為-3.37%。據鹽城市實際情況及有關文獻[10，29]，將2026—2030年階段各參數值的年均增長率按第一階段的70%設定，低碳情景是在基準情景基礎上，對各影響因素增長率做出進一步調整，本文低碳情景按基準情景的20%進行增減。

2021—2030年鹽城市農業CO2e排放量預測值變化趨勢如圖4所示。在基準情景和低碳情景兩種模式下，鹽城市未來的農業CO2e排放量仍呈下降趨勢?；鶞是榫澳Ｊ较?，2030年全市農業CO2e排放量的預測值為973.8萬t，相比2020年（1 036.2萬t）和2010年（1 111.6萬t）分別減少了62.4和137.8萬t，降幅分別為6.4%和14.2%。低碳情景是在“雙碳”背景下基于基準情景而在政策干預下實現的，從預測值的擬合線可看出，低碳情景明顯比基準情景具有更強的下降趨勢，2021—2030年間，低碳情景可比基準情景累計減少37.4萬t農業CO2e排放量。低碳情景模式下的農業CO2e排放量可從2020年的1 036.2萬t下降到2030年的965.8萬t，下降70.4萬t，比基準情景的降幅高0.4%，表明低碳情景模式具有較強的碳減排潛力。綜合來看，鹽城市農業碳排放總體趨勢為下降，具有發展低碳農業的基礎與優勢，在未來通過提高農業技術水平、采用清潔能源作業、調整農業發展結構和發展低碳農產品等方式可大幅度降低全市農業碳排放量。

3? 結論

1）從時間序列上看，2010—2020年鹽城市農業CO2e排放總量和排放強度總體趨勢為下降，全市年均CO2e排放量為1 070.5萬t，年均增長率為-0.7%；種植業（86.7%）比畜牧業（13.3%）具有更大的碳排放量，其中農資投入（36.3%）和農用地N2O排放（31.2%）是主要的排放源。

2）從空間區域上看，年均農業CO2e排放量依次為：射陽縣（175.0萬t）＞大豐區（167.9萬t）＞東臺區（161.2萬t）＞鹽城市區（157.6萬t）＞鹽城市區（157.6萬t）＞濱?？h（127.2萬t）＞阜寧縣（112.1萬t）＞建湖縣（91.3萬t）＞響水縣（78.2萬t）；年均CO2e排放強度在1.13～1.72 t·萬元-1范圍內，濱?？h和東臺市的年均CO2e排放強度分別為全市最高和最低。

3）農村人口和農業CO2e排放強度對農業CO2e排放起著促進作用，且農村人口的促進作用較大；農業人均GDP、城鎮化率和農村居民人均可支配收入對農業CO2e排放起著抑制作用，且城鎮化率的抑制作用最大。

4）在基準情景和低碳情景兩種模式下，鹽城市未來農業CO2e排放量仍呈下降趨勢，2021—2030年間低碳情景可比基準情景累計減少37.4萬t農業CO2e排放量，低碳情景模式具有較強的碳減排潛力。

參考文獻：

[1] APPIAH K， DU J， BOAMAH K B. The Effect of Environmental Performance on [Firm’s] Performance—Evidence from [Ghana[J].]British Journal of Interdisciplinary Research， 2017， 8（1）： 340-348.

[2] 聯合國糧農組織.第26屆聯合國氣候變化大會報告[R].格拉斯哥： UNFAO， 2021.

[3] 潘小海，伍勇旭，李東.雙碳發展對我國的影響及應對策略[J].技術經濟，2021，40（9）：172-180.

[4] HE Z， QIN X， RENGER R， et al. Using spatial regression methods to evaluate rural emergency medical services （EMS） [J]. The American Journal of Emergency Medicine， 2019， 37（9）： 1633-1642.

[5] IPCC.Climate change 2021：The physical science basis[EB/OL]. （2021-08-09）[2022-01-12]. https：//www.ipcc.ch/report/ar6/wg1/.

[6] RIDZUAN N H A M， MARWAN N F， KHALID N， et al. Effects of agriculture， renewable energy， and economic growth on carbon dioxide emissions： Evidence of the environmental Kuznets curve[J]. Resources， Conservation and Recycling， 2020， 160： 104879.

[7] 劉楊，劉鴻斌.山東省農業碳排放特征，影響因素及達峰分析[J].中國生態農業學報，2022，30（4）：558-569.

[8] EHRLICH P R， WOLFF G， DAILY G C. Knowledge and the environment[J]. Ecological Economics， 1999， 30（2）： 267-284.

[9] YORK R， ROSA E A， DIETZ T. STIRPAT， IPAT and imPACT： Analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological Economics， 2003， 46（3）： 351-365.

[10] 房驕.白城市農業碳排放時序演變及碳減排對策研究[D].長春：東北師范大學，2015.

[11] 張廣勝，王珊珊.中國農業碳排放的結構、效率及其決定機制[J].農業經濟問題，2014（7）：18-26.

[12] YAN X， AKIYAMA H， YAGI K， et al. Global estimations of the inventory and mitigation potential of methane emissions from rice cultivation conducted using the 2006 intergovernmental panel on climate change guidelines[J]. Global Biogeochemical Cycles， 2009， 23（2）： 1-15.

[13] LIN L， YAN J， YING X， et al. Comparing rice production systems in China： Economic output and carbon footprint[J]. Science of The Total Environment， 2021， 791： 147890.

[14] 邱煒紅，劉金山，胡承孝，等.種植蔬菜地與裸地氧化亞氮排放差異比較研究[J].生態環境學報，2010，19（12）：2982-2985.

[15] STEINFELD H， GERBER P， WASSENAAR T D， et al. [Livestock’s] long shadow： Environmental issues and options[M]. Roman： Food and Agriculture Organization of United Nations， 2006.

[16] DESJARDINS R L， WORTH D E， VERGE X P C， et al. Carbon footprint of beef cattle[J]. Sustainability， 2012， 4（12）： 3279-3301.

[17] 張哲瑜，馬文林，吳建繁，等.北京市規?；i養殖企業溫室氣體排放量估算[J].家畜生態學報，2019，40（3）：59-64.

[18] 顏廷武，田云，張俊飚，等.中國農業碳排放拐點變動及時空分異研究[J].中國人口·資源與環境，2014，24（11）： 1-8.

[19] RYAN B， TIFFANY D G. Minnesota agricultural energy use and the incidence of a carbon tax[R]. Institute for Local Self Reliance： Minneapolis， MN， USA， 1998.

[20] MAINUDDIN M， KIRBY M， CHOWDHURY R A R， et al. Spatial and temporal variations of， and the impact of climate change on， the dry season crop irrigation requirements in bangladesh[J]. Irrigation Science， 2015， 33（2）： 107-120.

[21] 省級溫室氣體清單編制指南編寫組.省級溫室氣體清單編制指南（試行）[R].北京：國家發展和改革委員會，2011.

[22] IPCC. 2006 IPCC Guidelines for National Greenhouse Gas Inventory[R]. United Kingdom Meteorological Office， Bracknel England， 2006.

[23] 高標，房驕，盧曉玲，等.區域農業碳排放與經濟增長演進關系及其減排潛力研究[J].干旱區資源與環境，2017（1）：13-18.

[24] 《氣候變化國家評估報告》編寫委員會編著.第二次氣候變化國家評估報告[M].北京：科學出版社，2011.

[25] 高如夢，李曉濤，杜江.湖北省農業碳排放估計及現狀分析[J].糧食科技與經濟，2018（7）：21-24.

[26] 張志高，劉青利，劉雪，等.安陽市農業碳排放時序特征及預測研究[J].南方農業，2017，11（10）：11-16.

[27] 姚成勝，錢雙雙，李政通，等.中國省際畜牧業碳排放測度及時空演化機制[J].資源科學，2017，39（4）：698-712.

[28] JOCH M， MRáZEK J， SK?IVANOVá E， et al. Effects of pure plant secondary metabolites on methane production， rumen rermentation and rumen bacteria populations in Vitro[J]. Journal of Animal Physiology and Animal Nutrition， 2018， 102（4）： 869-881.

[29] 邱子健，靳紅梅，高南，等.江蘇省農業碳排放時序特征與趨勢預測[J].農業環境科學學報，2022，41（3）：658-669.

[30] HAN J， QU J， MARASENI T N， et al. A critical assessment of provincial-level variation in agricultural GHG Emissions in China[J]. Journal of Environmental Management， 2021， 296： 113190.

[31] 陳勝濤，張開華，張岳武.農業碳排放績效的測量與脫鉤效應[J].統計與決策，2021，37（22）：85-88.

[32] XIONG C， WANG G， XU L. Spatial differentiation intification of influencing factors of agricultural carbon productivity at city level in Taihu Lake basin， China[J]. Science of The Total Environment， 2021， 800： 149610.

[33] POPP A， LOTZE-CAMPEN H， BODIRSKY B. Food consumption， diet shifts and associated non-CO2 greenhouse gases from agricultural production[J]. Global Environmental Change， 2010， 20（3）： 451-462.

[34] 黎孔清，馬豆豆，李義猛.基于STIRPAT模型的南京市農業碳排放驅動因素分析及趨勢預測[J].科技管理研究，2018，38（8）：238-245.

（責任編輯：丁志祥）

收稿日期：2023-03-21

基金項目：鹽城市科技計劃項目（YCBR2022020）；鹽城市自然科學軟課題（yckxrkt2022-32）。

作者簡介：蘇曉明（1996—），女，湖北咸豐人，碩士，助理工程師，主要從事生態低碳技術研究。E-mail：sxm124@126.com。

*為通信作者，E-mail：xingliqun1821@126.com。