苏晓明　胡凡　邢立群

摘 要 以江蘇第一大农业总产值市——盐城市为例，对该市农业碳排放时空特征、农业碳排放结构、驱动因素及预测趋势开展研究。运用排放因子法从农资投入、稻田甲烷排放、农用地氧化亚氮排放、动物肠道发酵和动物粪便管理五个方面估算盐城市2010—2020年农业碳排放量，基于STIRPAT模型分析农业碳排放影响因素和预测2021—2030年的农业碳排放量。结果显示：盐城市2010—2020年年均二氧化碳当量排放量和强度分别为1 070.5万t和1.5 t·万元-1，农资投入和农用地氧化亚氮排放分别占农业碳排放量总量的36.3%和31.2%。农业人均收入、城镇化率和农村居民人均可支配收入每发生1%的变化将使全市农业二氧化碳排放量分别减少0.025 7%、0.029 7%和0.016 6%。2021—2030年间，低碳情景下的累计二氧化碳当量排放量将比基准情景低37万t。盐城市过去11年的农业碳排放总体均呈下降趋势，农资投入和农用地氧化亚氮排放为主要排放源；由于经济发展水平的不同，农业碳排放和排放强度存在一定的地区差异；城镇化率是抑制农业二氧化碳排放的最重要因素；2021—2030年农业二氧化碳排放量在不同情景模式下均持续下降，且具有进一步减少农业碳排放量的发展潜力。

关键词 农业碳排放；时空特征；碳排放结构；STIRPAT模型；江苏省盐城市

中图分类号：S181 文献标志码：A DOI：10.19415/j.cnki.1673-890x.2023.17.001

当前，CO2等温室气体的大量排放引起全球气候变暖，导致旱涝等极端气候事件频繁发生，控制CO2排放已成为国际关注的热点[1]。目前，包括中国在内的多个国家已通过2016年的《巴黎协定》承诺对温室气体进行减排，中国多次在重要场合向世界郑重承诺“30·60”双碳减排目标，并就具体的碳减排措施发布了一系列行动方案。农业作为我国国民经济发展的基础，兼具碳源和碳汇两种特征。据联合国粮农组织（FAO）数据统计，全球农业CO2排放量超过了全球排放总量的30%[2]。我国作为世界第一大CO2排放国，每年碳排放量约占全球的1/4，而农业碳排放量约占全国碳排放的17%[3-4]。尤其自化肥正式投入使用以来，农业碳排放问题逐渐凸显，在实现“双碳”目标上，我国农业减排机遇与挑战并存。

常用的碳排放核算方法有排放因子法、物料平衡法及实地测量法，其中，排放因子法是基于政府间气候变化专门委员会（IPCC）提出的一种碳排放估算的方法，其基本思路为理清各排放源数据清单，以排放源活动水平和排放系数的乘积来计算该排放源的碳排放量[5]。相比其他两种方法，排放因子法在国际上更通用，计算过程简单方便，得出的碳排放量准确性较高。而常见的碳排放影响因素和预测模型有环境库兹涅茨曲线（ECK曲线）、灰色 GM（1，1）模型和STIRPAT模型等。EKC曲线显示的是环境质量与收入间的倒“U”字形关系[6]；灰色 GM（1，1）模型是通过那些时间比较短、数据较少甚至不全的情况下构建的预测方法[7]；STIRPAT模型是在Ehrlich等[8]提出IPAT模型的基础上，York等[9]改进的模型，是一种非线性扩展模型，在人口因素、富裕程度和技术因素基础上，还可对该模型进行拓展。相比前两种预测方法，STIRPAT模型建模简单，实用性较强，可针对碳排放实际情况引入更为适合的因素，并可在不同情景模式下进行碳排放预测。

目前，农业碳排放的研究主要集中在碳排放核算、驱动因素、碳排放与经济增长的关系和低碳减排措施等方面。房骄等对白城市农业碳排放进行了核算，并基于STIRPAT模型深入研究了农业碳排放驱动因素，表明农业碳排放的驱动因素主要是人口数、城市化率、农业机械总动力等[10]。农药、化肥、农用柴油、农用电和农膜等农用物资的使用间接导致了大量温室气体的排放，由于农业化学品使用所引起的我国农业碳排放比重已由1985年的28.02%增至2011年的43.66%[11]。农业种植和畜禽养殖也是农业碳排放的主要来源。水稻生产过程中，土壤微生物分解会释放出大量CO2、CH4等小分子物质，我国CH4排放总量的17.9%来源于水稻种植[12-13]；农田土壤在微生物作用下也会发生硝化和反硝化反应产生大量N2O，农田土壤释放的N2O约占生物圈排放总量的53%[14]。此外，在畜禽养殖过程中，动物肠道发酵主要产生CH4，动物粪便管理主要产生CH4和N2O，其产生量与粪便中氮含量、储存时间和处理方式等密切相关[15-16]。据张哲瑜等表明，生猪的温室气体排放量约为（CO2）130.68 kg·头-1，其中猪肠道发酵和粪便管理分别占13.05%和86.95%[17]。颜廷武等发现经济增长在某段时期会使农业碳排放量增加，但超出拐点临界值（27 647元·hm-2），经济的进一步发展将会导致农业碳排放降低，至2012年，我国农业经济强度达到28 725元·hm-2，已超出拐点临界值[18]。欧盟和美国等发达国家已采取了一系列减少农业碳排放的措施，如通过农业碳排放税收等政策提高能源利用率[19]。

江苏省是农业大省，其农业总产值持续居于全国前列，是全国重要农产品生产基地。而盐城市是江苏省农业总产值第一的城市，也是长三角27个中心区城市中年农业总产值唯一超千亿元的城市，全市农业发展引起的农业碳排放问题亟须合理控制[20]。然而，目前关于全市农业碳排放量尚缺少全面的核算和评估，在很大程度上限制了农业碳排放量的认知，不利于农业固碳减排和低碳发展针对性措施的制定。基于此，本文通过估算2010—2020年全市农业碳排放总量和碳排放组成结构，分析盐城市农业碳排放的时序特征和区域特征，并通过构建STIRPAT模型分析碳排放的影响因素，预测基准情景和低碳情景模式下2021—2030年的碳排放量和趋势，以期为农业碳减排政策出台提供有益的理论依据。

1  研究方法和数据来源

1.1  农业碳排放估算方法

运用碳排放因子估算法[21-22]，即E=∑Ei=∑Ti×δi（E：农业碳排放总量；Ei：各农业排放源的碳排放量；δi：各农业排放源的碳排放因子），对江苏省盐城市农业碳排放量进行估算。本文农业碳排放量估算主要考虑种植业和畜牧业两大类，具体从农资投入、稻田CH4排放、农用地N2O排放、动物肠道发酵CH4排放、动物粪便管理CH4和N2O排放五个小类进行二氧化碳当量（CO2e）排放量的计算。各因子的排放系数列于表1。

1.2  农业碳排放强度估算方法

以农业碳排放强度来评估农业碳排放水平，其具体估算公式如下：

CI=C/PAG   （1）

式中，CI为农业CO2e排放强度（t/万元）；C为农业CO2e排放总量（t）；PAG为农业和牧业生产总值（万元）。

1.3  农业碳排放影响因素及预测模型

采用STIRPAT模型，对盐城市农业CO2e排放量的驱动因素进行分析，并对全市农业CO2e排放量进行预测。STIRPAT模型的标准形式为：

I=aPbAcTde   （2）

式中，I为环境影响；P为人口；A为富裕度；T为技术水平；a为常数项；b、c、d为需要估计的指数；e为误差项。

据盐城市农业实际情况，对该模型进行拓展后的模型为：

I=aPbAcTdUfSge （3）

其中，I以盐城市农业CO2e排放总量表示（万t）；P以农村人口数表示（万人）；A以农业人均GDP表示（元·人-1），其值为农林牧渔业总产值与农林牧渔業从业人员数之比；T以盐城市农业CO2e排放强度表示（t·万元-1）；U为常住人口城镇化率，是城镇常住人口与盐城市总人口的比值；S为农村居民人均可支配收入（元）。b、c、d、f、g为弹性系数，当P、A、T、U、S发生变化，将会引起b、c、d、f、g的CO2e排放量变化。

由于式（3）是一个非线性方程，为了方便计算，对等式两边进行对数化处理，经变形后可得到式（4）：

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

1.4  数据来源

化肥施用量、农药使用量、农用薄膜使用量、农用柴油使用量、农用电使用量、稻田种植面积、作物籽粒产量、畜禽存栏量、农村人口数等原始数据来源于《江苏统计年鉴》（2011—2021）、《盐城统计年鉴》（2011—2021）和《江苏农村统计年鉴》（2011—2021）。

2  结果与分析

2.1  农业碳排放特征

2.1.1  种植业碳排放时序特征

化肥、水稻、农用柴油和农用塑料薄膜是我国农业碳排放的主要源头，东部地区因水稻种植面积较大导致种植业产生的碳排放远高于西部地区[25]。因此，为充分了解盐城市种植业碳排放时序和结构特征，对全市种植业产生的碳排放进行了估算（见图1）。2010—2020年，全市种植业年均CO2e排放总量为928万t。其中，农资投入、稻田CH4排放和农用地N2O排放的CO2e排放量占比分别为41.9%、22.2%和35.9%，农资投入和农用地N2O排放产生的农业碳排放量相对较大，化肥的施用对农业碳排放量具有较大影响。

如图1A所示，农资投入产生的CO2e排放量变化趋势较为平缓，无明显变化，农资投入产生的年均CO2e排放量为388.6万t左右，2010年的CO2e排放量约为385.5万t，与张志高等估算的2010年安阳市由于农资投入产生的CO2e排放量（446.8万t）[26]较接近。在众多排放源中，盐城市农业用电、农用柴油、农膜和农药分别贡献了19.5%、14.8%、14.6%和6.5%，农业化肥的贡献率最大，年均为44.6%，表明化肥施用量是最重要的排放源。

如图1B所示，盐城市稻田CH4排放产生的CO2e排放量总体变化趋势为上升，主要源于全市水稻种植面积随时间的增加。全市稻田CH4排放产生的年均CO2e排放量约为205.9万t，年均增长率为1.5%，2020年水稻播种面积比2010年多5.4万hm2，CO2e排放量相应增加了29.4万t。

如图1C所示，盐城市农用地N2O排放产生的CO2e排放量变化趋势为下降。截至2020年底，农用地N2O排放产生的CO2e排放量约为311.1万t，相比2010年减少了67.6万t，年均CO2e排放量约为333.5万t，农用地N2O直接排放的贡献率最大（78.1%），剩余的21.9%由大气氮沉降、氮淋溶和径流损失贡献。

2.1.2  畜牧业碳排放时序特征

据2019年FAO发布的农业数据来看，我国农业温室气体排放中，畜牧业碳排放占比达到35.4%。结合盐城市畜牧业发展实况，对全市过去11年的畜牧业碳排放进行了估算（见图2）。2010—2020年，畜牧业年均CO2e排放总量为142.5万t，动物肠道发酵和动物粪便管理产生的CO2e排放量占比分别为29.9%和70.1%，动物粪便管理产生的CO2e排放量具有较大的占比，这与姚成胜等[27]的研究结论一致。

如图2A所示，盐城市动物肠道发酵CH4排放产生的CO2e排放量的总体变化趋势为先上升后降低。动物肠道发酵CH4排放产生的年均CO2e排放量为42.6万t，在2015年为最大排放量（48.8万t）。所有动物中，山羊贡献的CO2e排放量最高，平均占比为59.0%，其次为猪和奶牛，分别占比20.5%和12.2%。水牛（3.5%）、黄牛（3.3%）、绵羊（1.5%）和驴（几乎可忽略）的贡献率相对较低。动物肠道发酵甲烷排放主要来自源于反刍动物的肠道发酵，一头牛的肠道发酵甲烷排放量是远大于羊的[28]。全市山羊肠道发酵贡献的碳排放量远大于牛的，这是由于山羊的存栏量远大于牛，而使其具有更大的碳排放量。猪的存栏量虽远大于山羊的存栏量，但猪不属于反刍动物，产生的单位碳排放量远低于牛羊这类反刍动物，而使其由于肠道发酵产生的碳排放量不是最高。

如图2B所示，盐城市动物粪便管理N2O和CH4排放产生CO2e排放量总体变化趋势为降低。全市年均CO2e排放量为99.9万t，年均增长率为-1.5%。其中，猪贡献率最大，年均占比达到了63.3%，其次为家禽，年均占比为29.1%，剩余7.6%由山羊、奶牛、黄牛、水牛、绵羊和驴贡献。2019年，动物粪便管理N2O和CH4排放产生CO2e排放量呈现最低，可能是由于猪瘟的影响使猪的存栏量急剧减少，其存栏量相比2018年降低了61.7%，而2020年猪的存栏量比2019年增加了84.5%。

2.1.3  农业碳排放时序及区域特征

2010—2020年间，盐城市农业CO2e排放量总体呈缓慢降低的变化趋势（见表2）。全市年均CO2e排放量为1 070.5万t，年均增长率为-0.7%，在2010—2020年间，2019年呈现最低的农业CO2e排放量（1 009.6万t），比2018和2020年分别低50.7万和26.6万t，主要归因于2019年较低的猪存栏量导致了该年的农业CO2e排放总量较低。全市农业CO2e排放量在2010年后总体为下降趋势，与邱子健等[29]研究的江苏省农业碳排放趋势一致，即江苏省的农业CO2e排放量于2005年达峰（8 361.77万t），2010年后呈下降趋势。盐城市农业CO2e排放量的主要排放源为农资投入和农用地N2O排放，平均占比分别为36.3%和31.2%，其次，稻田CH4排放贡献了19.2%左右，动物粪便管理和动物肠道发酵的贡献率相对较低，平均占比分别为9.3%和4%。种植业引起的农业碳排放占比为86.7%，而畜牧业仅为13.3%。早在1997年，有研究就发现江苏与作物种植相关的农业碳排放约占排放总量的90%，在2017年，江苏仍以种植业产生的碳排放为主[30]。近些年，陈胜涛等也对江苏省13個市的农业碳排放进行了核算，研究发现，2015—2019年盐城市年均农业CO2e排放为1 095.27万t，种植业和畜禽业占比分别为18.4%和81.6%，盐城农业碳排放仅次于徐州，居全省第二[31]。本文计算的盐城市年均农业CO2e排放量与陈胜涛等的估算结果相近。

农业CO2e排放强度相比农业CO2e排放量能更真实地反映当地的碳排放变化情况。随着盐城市农业技术的发展和农业产业结构的优化，全市农业CO2e排放强度变化呈现有规律的下降变化趋势，碳排放强度由2010年的1.99 t·万元-1降低到2018年的1.28 t·万元-1。2019年，受猪瘟影响，虽然当年全市农业CO2e排放总量有所下降，但当年全市农牧业总产值相比2018年减少了近90亿元而使当年的农业CO2e排放强度有升高趋势，增加0.08 t·万元-1。2020年，农牧业总产值开始出现复苏趋势，农业CO2e排放强度相比2019年降低了0.05 t·万元-1。邱子健等的研究表明，江苏省2010—2019年的农业CO2e排放强度在1～2.5范围内，且为下降趋势[29]。盐城市2010—2020年的农业CO2e排放强度在1～2 t·万元-1范围内，年均农业CO2e排放强度为1.50 t·万元-1，处于江苏省的农业CO2e排放强度范围内。Xiong等研究表明，太湖流域8个城市的农业碳生产率值大于1万元·t-1的仅有上海和杭州，苏州、无锡、常州、镇江、湖州和嘉兴的农业碳生产率均小于1万元·t-1 [32]。经换算，盐城市年均农业碳排放强度约为0.4 t·万元-1，对应的农业碳生产率为碳排放强度的倒数，即2.4万元·t-1，对比太湖流域其余各市的农业碳生产率，盐城的计算结果偏大，主要源于在计算农业碳排放量时所选取的排放因子和考虑的排放源不同，导致估算的农业碳排放值差异较大。

2010—2020年，盐城市各地区农业CO2e排放总量变化如表3所示。市区、射阳县、东台市和大丰区11年的年均碳排放量超过150万t，其平均碳排放量分别为157.6万、175.0万、161.2万和167.9万t，射阳县具有最高农业CO2e排放量。年均碳排放量在100万～150万t区间的仅有滨海县和阜宁县，分别为127.2万和112.1万t。低于100万t的为建湖县和响水县，年均农业CO2e排放量分别为91.3万和78.2万t，响水县为八个地区的最低排放量。农用地N2O排放和农资投入仍是影响各地区农业CO2e排放量的重要因素，因此，在国家提出低碳发展的背景下，合理施肥和加强清洁能源的使用是实现农业低碳排放的有效策略。

2010—2020年，盐城市各地区年均CO2e排放强度在1.13～1.72 t·万元-1范围内，平均CO2e排放强度为1.47 t·万元-1。滨海县的年均农业CO2e排放量低于盐城市区、射阳县、东台市和大丰区，而年均CO2e排放强度为全市最高，达到了1.72 t·万元-1，源于其农牧业总产值和农业技术水平较低。市区、东台和大丰为全市经济相对较发达的地区，虽然其CO2e排放量均位于全市前列，但CO2e排放强度相比全市其他地区处于排放量较低水平，东台年均CO2e排放强度为1.13 t·万元-1，为全市最低。有研究者认为，经济相对落后且以畜牧业为主的各西部省份农业总排放量较小，但其排放强度远大于经济相对发达的东部省份[33]，这一方面表明畜牧业比种植业更为碳密集，另一方面表明区域碳排放强度与当地的经济发展水平有很大关联。

2.2  农业碳排放驱动因素分析

构建STIRPAT模型对盐城市农业碳排放驱动因素进行分析。将各原始数据，即2010—2020年盐城市农村人口、农业人均GDP、农业CO2e排放强度、城镇化率和农村居民人均可支配收入，进行自然对数处理，并分别以lnI、lnP、lnA、lnT、lnU和lnS表示。为消除量纲影响，运用SPSS 25软件对这些自然对数数据进行标准化处理，分别以ZlnI、ZlnP、ZlnA、ZlnT、ZlnU、ZlnS表示。对各变量进行相关性检验，发现其膨胀因子（VIF）明显大于10，表明变量间存在较强共线性。因此，通过降维处理对ZlnP、ZlnA、ZlnT、ZlnU、ZlnS时间序列数据进行主成分分析。结果显示，用于比较变量间相关系数和偏相关系数的指标KMO（Kaiser-Meyer-Olkin）取样适切性量数（0.719）大于经验值（0.7），且显著性（sig）也远小于0.05，表明原始数据适合作因子分析。总方差解释结果显示，特征值大于1且方差贡献率达到85%的主成分仅有1个，以FAC表示，可解释原变量的93.2%，具有较好拟合效果。FAC与原变量间的关系如下：

FAC=-0.195ZlnP+0.212ZlnA-0.207ZlnT

+0.206ZlnU+0.214ZlnS  （5）

将ZlnI作为因变量，FAC作为解释变量，ZlnP、ZlnA、ZlnT、ZlnU和ZlnS作为工具变量，进行二阶最小二乘法回归分析，结果（见表4）显示，方差检验量（F值）为26.476，且显著性为0.001，方程拟合较好。根据模型回归系数分析可得FAC与ZlnI的方程，如式（6）所示。

ZlnI=-0.864×FAC   （6）

表4  主成分TOLS方差分析结果

[模型 平方和 自由度 均方 F 显著性（sig.） 回归 7.463 1 7.463 26.476 0.001 残差 2.537 9 0.282 总计 10 10 ]

剔除常数项，将式（5）代入式（6）可得式（7），并根据标准化公式及标准化处理描述统计结果，可将式（7）转换为式（8），由此，得到盐城市农业CO2e排放量的STIPRAT模型，见式（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，盐城市农村人口、农业人均GDP、农业CO2e排放强度、城镇化率和农村居民人均可支配收入每变动1%，分别将会引起盐城市农业CO2e排放量发生0.290 6%、-0.025 7%、0.035 3%、-0.029 7%和-0.016 6%的变化（正值代表促进农业碳排放，负值代表抑制农业碳排放）。据黎孔清等研究，农村人口（0.26%）、人均农业GDP（0.11%）、技术水平（0.06%）对南京市农业碳排放起促进作用，农村居民人均可支配收入（-0.07%）、城镇化率（-0.09%）则起抑制作用[34]。对比盐城和南京的农业碳排放驱动因素，发现对农业碳排放促进最大的均为农村人口，抑制作用最大的均为城镇化率，两个城市的研究大致相似，但也存在差异之处。例如，人均农业GDP对农业碳排放的影响，南京和盐城两个城市的研究结果相反，这可能是由于两个城市的经济发展水平差异、农业碳排放重视程度不同、地域特征差异和计算考虑的影响因素不够全面所导致。

2.3  农业碳排放预测分析

根據上述构建的STIRPAT模型、影响2010—2020年盐城市农业CO2e排放的五个影响因素及其具体数据，对2010—2020年盐城市的农业CO2e排放量进行拟合计算，并预测盐城市未来十年（2021—2030年）的农业CO2e排放量。

如图3所示，2010—2020年盐城市的农业CO2e排放量的拟合值与估算值总体变化趋势一致，拟合值的年均CO2e排放量（1 070.53万t）相比估算值（1 070.49万t）仅相差0.04万t，拟合效果较好。

以2020年为预测基准年，以盐城市政府每五年发展规划为一个发展阶段，设置农业未来两个发展阶段的情景模式，不同情景设置的参数见表5。参数的选取原则主要依据《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》

和《盐城市国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》。基准情景中，2021—2025年阶段的人均农业GDP和农村居民人均可支配收入年增长率均设定为7%，年均城镇化率设定为0.98%，农村人口年均增长率相应设置为-0.98%，农业碳排放强度年增长率设置为-3.37%。据盐城市实际情况及有关文献[10，29]，将2026—2030年阶段各参数值的年均增长率按第一阶段的70%设定，低碳情景是在基准情景基础上，对各影响因素增长率做出进一步调整，本文低碳情景按基准情景的20%进行增减。

2021—2030年盐城市农业CO2e排放量预测值变化趋势如图4所示。在基准情景和低碳情景两种模式下，盐城市未来的农业CO2e排放量仍呈下降趋势。基准情景模式下，2030年全市农业CO2e排放量的预测值为973.8万t，相比2020年（1 036.2万t）和2010年（1 111.6万t）分别减少了62.4和137.8万t，降幅分别为6.4%和14.2%。低碳情景是在“双碳”背景下基于基准情景而在政策干预下实现的，从预测值的拟合线可看出，低碳情景明显比基准情景具有更强的下降趋势，2021—2030年间，低碳情景可比基准情景累计减少37.4万t农业CO2e排放量。低碳情景模式下的农业CO2e排放量可从2020年的1 036.2万t下降到2030年的965.8万t，下降70.4万t，比基准情景的降幅高0.4%，表明低碳情景模式具有较强的碳减排潜力。综合来看，盐城市农业碳排放总体趋势为下降，具有发展低碳农业的基础与优势，在未来通过提高农业技术水平、采用清洁能源作业、调整农业发展结构和发展低碳农产品等方式可大幅度降低全市农业碳排放量。

3  结论

1）从时间序列上看，2010—2020年盐城市农业CO2e排放总量和排放强度总体趋势为下降，全市年均CO2e排放量为1 070.5万t，年均增长率为-0.7%；种植业（86.7%）比畜牧业（13.3%）具有更大的碳排放量，其中农资投入（36.3%）和农用地N2O排放（31.2%）是主要的排放源。

2）从空间区域上看，年均农业CO2e排放量依次为：射阳县（175.0万t）＞大丰区（167.9万t）＞东台区（161.2万t）＞盐城市区（157.6万t）＞盐城市区（157.6万t）＞滨海县（127.2万t）＞阜宁县（112.1万t）＞建湖县（91.3万t）＞响水县（78.2万t）；年均CO2e排放强度在1.13～1.72 t·万元-1范围内，滨海县和东台市的年均CO2e排放强度分别为全市最高和最低。

3）农村人口和农业CO2e排放强度对农业CO2e排放起着促进作用，且农村人口的促进作用较大；农业人均GDP、城镇化率和农村居民人均可支配收入对农业CO2e排放起着抑制作用，且城镇化率的抑制作用最大。

4）在基准情景和低碳情景两种模式下，盐城市未来农业CO2e排放量仍呈下降趋势，2021—2030年间低碳情景可比基准情景累计减少37.4万t农业CO2e排放量，低碳情景模式具有较强的碳减排潜力。

参考文献：

[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] 聯合国粮农组织.第26届联合国气候变化大会报告[R].格拉斯哥： UNFAO， 2021.

[3] 潘小海，伍勇旭，李东.双碳发展对我国的影响及应对策略[J].技术经济，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] 刘杨，刘鸿斌.山东省农业碳排放特征，影响因素及达峰分析[J].中国生态农业学报，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] 房骄.白城市农业碳排放时序演变及碳减排对策研究[D].长春：东北师范大学，2015.

[11] 张广胜，王珊珊.中国农业碳排放的结构、效率及其决定机制[J].农业经济问题，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] 邱炜红，刘金山，胡承孝，等.种植蔬菜地与裸地氧化亚氮排放差异比较研究[J].生态环境学报，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] 张哲瑜，马文林，吴建繁，等.北京市规模化生猪养殖企业温室气体排放量估算[J].家畜生态学报，2019，40（3）：59-64.

[18] 颜廷武，田云，张俊飚，等.中国农业碳排放拐点变动及时空分异研究[J].中国人口·资源与环境，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] 省级温室气体清单编制指南编写组.省级温室气体清单编制指南（试行）[R].北京：国家发展和改革委员会，2011.

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

[23] 高标，房骄，卢晓玲，等.区域农业碳排放与经济增长演进关系及其减排潜力研究[J].干旱区资源与环境，2017（1）：13-18.

[24] 《气候变化国家评估报告》编写委员会编著.第二次气候变化国家评估报告[M].北京：科学出版社，2011.

[25] 高如梦，李晓涛，杜江.湖北省农业碳排放估计及现状分析[J].粮食科技与经济，2018（7）：21-24.

[26] 张志高，刘青利，刘雪，等.安阳市农业碳排放时序特征及预测研究[J].南方农业，2017，11（10）：11-16.

[27] 姚成胜，钱双双，李政通，等.中国省际畜牧业碳排放测度及时空演化机制[J].资源科学，2017，39（4）：698-712.

[28] JOCH M， MRÁZEK J， SKŘIVANOVÁ 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，靳红梅，高南，等.江苏省农业碳排放时序特征与趋势预测[J].农业环境科学学报，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] 陈胜涛，张开华，张岳武.农业碳排放绩效的测量与脱钩效应[J].统计与决策，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，李义猛.基于STIRPAT模型的南京市农业碳排放驱动因素分析及趋势预测[J].科技管理研究，2018，38（8）：238-245.

（责任编辑：丁志祥）

收稿日期：2023-03-21

基金项目：盐城市科技计划项目（YCBR2022020）；盐城市自然科学软课题（yckxrkt2022-32）。

作者简介：苏晓明（1996—），女，湖北咸丰人，硕士，助理工程师，主要从事生态低碳技术研究。E-mail：sxm124@126.com。

*为通信作者，E-mail：xingliqun1821@126.com。