丁亚男，丁生喜

（青海大学财经学院，青海 810016）

经济的飞速发展伴随着环境恶化的问题，尤其是全球变暖致使一系列自然灾害发生，因此控制温室气体排放成为世界各国广泛关注的事情。根据中国碳核算数据库的统计，2020 年中国碳排放量达99亿t，约占全球碳排放的30.9%，位居全球第一，2021年中国碳排放量为101.5 亿t，同比增长2.5%。为了积极应对气候变化，“双碳”目标已被列为中央统筹大局的国家战略决策，即力争2030 年前实现“碳达峰”，2060年前实现“碳中和”。十九大报告中更是把生态文明建设当作全面协调可持续发展的重要一环。

农业作为中国的基础产业和经济社会发展的重要组成部分，是温室气体排放的重要来源之一。过量使用化肥和农药、畜禽粪污乱排乱放、农业生产性废弃物不合理处置等都使碳排放增加而造成农业环境污染、生态退化加重［1］。为了响应保护生态环境的号召，推动低碳农业的发展成为必要途径。青海省积极探索农业的低碳发展，践行生态绿色发展道路，规避传统农业高耗能、高排放、高污染的不良影响。青稞（Hordeum vulgareL.var.nudumHook.f.）为青海省的特色作物，以此为研究对象来探究青海省的低碳种植业发展极具代表性，也具有十分重要的现实意义。

1 文献综述与研究价值

现有对于低碳农业的研究集中于相对发达的地区，内容以农业低碳化发展水平和碳排放与经济增长的关系为主。杜建国［2］深入研究了山西省大同市低碳农业发展的情况，发现化肥是该地区农业碳排放的主要来源，且用协整检验说明了大同市仍处于传统的高耗能低效率型农业发展模式。钱晓雍［3］以上海市为研究对象，测算了农田生态系统中碳的吸收量和排放量，分析了影响碳汇的影响因素，并给出了对策建议。张杰等［4］以陕西省米脂县为研究对象，从农户农业角度切入探究了碳排放效率差异及影响因素，为农业农村推行低碳政策提供了理论支持。对于具体作物的碳排放研究，容忠绪［5］以棉花种植为例，探究新疆维吾尔自治区低碳农业的发展情况以此来推进低碳农业发展的可持续路径。杨青林等［6］从粮食安全的视角分析四川省县域内的碳排放效率，认为碳排放效率与粮食安全之间的耦合协调度呈正向发展趋势。王海娜［7］构建了碳排放模型并估算中国玉米生产碳排放量，并对其时空特征进行了分析，为中国玉米生产碳排放效率的测度提供了数据支撑。本研究参考了该论文中中国玉米生产碳排量的测算方式，以此方法来对青海省2015—2020 年的青稞碳排放量进行测算。

对于青稞，贾娟琪等［8］、王宾娥等［9］、吴昆仑等［10］都认为青稞是青海省重要的粮食作物，研究其绿色健康可持续发展意义重大。此外，赵增跃［11］认为在农业产业结构不断调整的过程中，青海省的青稞种植面积正在逐步扩大，对青稞的市场需求旺盛，因此需加强青稞产业在科技、推广、政策、企业等方面的投入，以此来推动青稞的绿色发展。吴昆仑［12］对西藏自治区、青海省、四川省、甘肃省、云南省等地的藏区展开研究，认为青稞产量总体仍存在约12万t的缺口，青稞市场仍存在很大的空白。由此可知，青海省青稞产业在各方面都还存在很大的研究空间。

目前青海省在低碳农业领域的研究甚少，本研究以青稞的碳排放测算为切入点，初步建立起青稞碳排放的测算指标体系，对青海省农作物的碳排放测量具有一定的借鉴意义。此外，本研究创新之处在于将青稞种植业与碳排放有机结合，探究出影响青稞碳排放的主要因素，从而有针对性地对青稞的种植过程进行调整，达到青稞低碳种植目的。

2 青海省碳排放情况

2.1 当前青海省碳排放现状

图1 为1997—2019 年青海省碳排放总量，图2为1997—2019 年青海省在农、林、牧、渔、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总量和农业方面的排放都呈持续增长的态势，直至2015 年，青海省为响应党中央的号召，召开了降低二氧化碳排放工作会议，并就确保完成国务院下达青海省“十二五”降碳目标任务提出了要求，于是2016 年青海省碳排放量达到顶峰后有轻微下降的趋势。

图1 青海省碳排放总量

图2 青海省农、林、牧、渔、水利碳排放量

2.2 青海省农业碳排放趋势预测

2.2.1 线性次回归神经网络预测模型的建立 神经网络有静态和动态两类，二者区别在于静态神经网络没有记忆和反馈。它所做的每一步预测都是基于预测值之前的样本数据所训练出来的非线性规律，通过这个规律可以做到无限逼近，而且每当预测数据之前的系统样本数据产生变化规律时即可有所输出，可以理解为是一种变量的延续性训练推演。动态神经网络又包括PID 神经网络和回归神经网络。

本研究使用动态神经网络中的非线性次回归神经网络，这种预测神经网络主要由输入层、输出层、迟滞、隐藏层构成。图3a 为初始建立的第一步开环网络；图3b 为搭建的循环神经网络，它是由开环网络所转换而成的闭环网络，通过闭环网络将数据转化为待训练数据，从而得到闭环网络的输入值，这一步主要用来实现多步预测值功能；图3c 为实现预测目的所搭建的神经网络。

图3 神经网络预测模型

图3a 隐藏层前的y(t)为输入的样本数据，输出层后的y(t)为输出数据；5∶1 为搭建网络的时滞，也可称其为输入与输出的延时阶数；非线性次回归神经网络的数学模型可表示为：

式中，f(·)为非线性函数，k为滞后阶数。

在此需要引入两个概念，分别为单步预测和多步预测。单步预测是每一步预测都使用样本数据中的真实值；多部预测是第一步用样本数据的真实值，下一步预测使用的数据是将上一次的预测值拿来做当前步所需的真实值。因为有时滞，所以需消除延迟，图4 为模型流程图，首先将样本数据导入，再来确定迟滞阶数，进行隐藏层等参数设置，然后在图3a 所示的开环模式进行训练，误差满足条件时将图3a 训练好的神经网络转为图3b 闭环模式，经过图3c的预测，得到预测结果。

图4 神经网络预测模型流程

2.2.2 青海省农业碳排放线性次回归神经网络预测 基于上述建立的非线性次回归神经网络，本研究通过搜集1997—2019 年青海省农业碳排放数据，在Matlab 软件中使用GUI 工具箱中的神经网络时序（ntstool）工具进行模型参数训练和参数设定。

以1997—2019 年数据为样本数据建立非线性次神经网络，将隐含层个数设置为5，网络训练数据、验证数据的权重和阈值以默认值为准；对于阶数的确定，若阶数过大会受原始畸形数据的影响而产生偏颇，若阶数太小则会对历史数据应用不充分，经过试验，确定迟滞阶数为15 时预测效果最佳。为避免在训练过程中发生过拟合现象，将80%的样本数据进行网络训练，用20%的数据进行网络性能测试。通过训练和预测后，结果如图5 所示，其中2020—2026 年数据为青海省农业碳排放的预测值。由图5 可知，2020—2026 年碳排放仍在高位呈一个小幅上升的趋势并随着年限的增加而趋近平稳，因此，对农业碳排放进行合理控制非常必要。此次训练的非线性次回归神经网络预测模型拟合效果如图6 所示。当R越趋近于1，证明该模型的拟合效果越好，从图6 可以看出，拟合效果良好，预测结果具有可靠性和可参考性。

图6 模型拟合效果

3 青海省青稞种植业碳排放量的估算

3.1 青海省青稞种植业现状

青海省是青稞的主要产区之一，2018 年以前青稞产量处于平稳状态，在2018 年以后随着对青稞产品认知程度提高以及青稞功效研发，青稞的需求量迅速增加，因而其产量也有了大幅增长。2020 年青稞的产量约为20 万t，占到青海省粮食产量的25%，仅次于小麦和薯类，且涨势十分显著（图7）。以青稞为代表来探究其碳排放的情况，一方面能推动青稞的绿色低碳种植，另一方面也能有效反映青海省低碳农业的发展情况。

图7 2015—2020 年主要农作物产品产量

3.2 青海省青稞种植业碳排放估算

3.2.1 青稞种植业碳排放估算模型 由于中国尚且没有测算青稞碳排放量的有效机制，所以青稞碳排放量的数据资料没有任何官方统计，当前对于碳排放量的研究皆是各学者通过相应的测算方法估算而来。因此，本研究在总结和借鉴相关研究的基础上［7］，结合青稞碳排放的影响因子进行估算，主要采用IPCC 清单估算法。与现有条件相比，IPCC 清单估算法的优点是其认可度更高、更实用、限制性更小，因此其可以用于测量不同应用环境下的碳排放量。

1）碳排放评价指标的确立。一是在使用农业机械进行耕地、播种和收获等农业生产环节中，柴油消耗产生的碳排放以及作物的种植和生长过程中对化肥、农药、农膜的使用中所导致的碳排放；二是农民田间耕种劳动所产生的碳排放；三是由于氮肥的使用引起土壤中氧化亚氮排放。针对青海省青稞种植业的碳排放建立以下的评估模型。

其中：

式中，QHQKEmissions为青稞种植的碳排放量；PJX、PRG、PHF、PNY、PNM、PZZ、PN2O分别为青稞种植中农用机械动力柴油生产碳排放、种植期间人力产生的碳排放、化肥产生的碳排放、农药产生的碳排放、农膜产生的碳排放、种子产生的碳排放以及土壤中排放的氧化亚氮的量，其中氧化亚氮的排放量与青稞种植时氮肥施用量有关；C表示青稞种植相关碳源的使用量；S表示碳排放系数。

式中，QK强度为青稞碳排放强度；QKC成本为碳成本；QK产量为青稞总产量；A为青稞播种面积。

3.2.2 数据准备 青稞种植碳源中的原始数据处理如表1 所示，测算前先通过《青海统计年鉴2021》中的青稞种植面积占农作总播种面积的比例算出青稞物资消耗分配比例。

表1 青稞种植面积占农作物总播种面积的比例

表2 所示数据来源于《青海统计年鉴2021》，为青海省农业物资消耗总量，化肥、农膜、农药、农用柴油测算参照《青海统计年鉴》中的青稞种植面积占农作物总播种面积的比例算出分配系数，结合全年化肥施用情况，相乘得出全年青稞化肥施用量。

表2 青海省农业物资消耗总量

N2O 是全球第三大温室气体，农业N2O 是人为排放的重要来源，排放量占全球排放的30%［13］。在青稞N2O 的测算中参照《省级温室气体清单编制指南》中的计算公式。

式中，Q产生为青稞氮产生量；PFLN2O为N2O 排放总量；SN2O为N2O 排放因子。各地区N2O 排放因子参考表3［13］。

表3 地区N2O 排放因子

结合氮肥消耗总量（表2）与青海省N2O 排放因子（表3），测算出了青海省青稞产业2015—2020 年N2O 排放量（表4）。

表4 2015—2020 年青稞N2O 排放总量

表5 为青稞农业物资消耗量，数据基于表1 和表2 数据汇总而成，表4、表5 所测各项指标数值将用于青稞碳排放测算。

表5 青稞种植业主要碳源使用量

3.2.3 青稞种植业碳排放的测算 青稞种植生产过程中的化肥、农药、农膜、机械柴油、人工、种子和氮肥都计入碳排放的估算指标，然后构建青海省青稞生产碳排放测算模型。碳排放系数如表6 所示。

表6 青稞种植业主要碳源及其碳排放系数

表5 为搜集数据所得的青稞种植生产过程中的碳源使用量，以此为基础数据，用以与表6 碳排放系数相乘来估算每项碳源的排放量。在这些影响碳排放的因素中，柴油在农业机械化的普及下使用量逐年递增；为了土壤保温、保湿，增加青稞的产量，农膜的使用量也整体递增；化肥、农药的用量都有波动，整体呈一个稳定的状态，总体来看变化趋势并不明显（表5）；另外由于氮肥价格上涨，其用量也有小幅减少（表4）。

通过公式（2）可测得2015—2020 年青稞种植业碳排放总量，通过公式（9）可测得2015—2020 年青稞种植业碳排放强度，通过公式（10）可测得2015—2020 年青稞种植业碳成本，结果如表7 所示。从表7可以看出，随着时间的推移青海省青稞种植过程中碳排放总量总体维持在同一个水平，碳排放强度在逐年降低，碳成本的减幅整体较大，这与近年来青海省大力推行农业生态保护、低碳种植的号召密不可分，农民的环保意识不断增强、实行测土施肥配方等政策措施都使青稞种植过程中的碳排放大大减少。

表7 2015—2020 年青稞种植业碳排放的测算结果

4 小结

根据研究可知，青海省近年来一直在为减少碳排放工作做出努力，这也是碳排放总量自2016 年起有所好转的一大原因。同样，农业碳排放也在生态环保的大力推行下，采用低污染、低耗能、低排放的种植模式而使碳排放量有所减少。以青稞为例测定农业种植过程中的碳排放量后，发现碳排放量与农药、化肥、农用机械使用情况、农膜、人工以及施肥过程中的含氮量密切相关，并参照碳排放因子法计算出青稞在2015—2020 年的碳排放量，得知碳排放量有明显的下降趋势。

据此，要想持续推进青海省低碳农业的健康发展，需继续对化肥、农药、农膜、农用柴油等的用量进行合理控制。一方面可以加大对有机肥的研发和投入，既能保持土壤田间持水量，还能减少碳的排放；另一方面可以加大农膜的回收力度，改善土壤的环境质量；此外，还应加强农民的低碳种植意识，从源头上减少化肥、农膜、柴油的使用频次。