删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

中国农业碳排放驱动因素的时空特征研究

本站小编 Free考研考试/2021-12-29

何艳秋¹^,, 戴小文²

1. 四川农业大学管理学院,成都 611130

2. 四川农村发展研究中心,成都 611130

Phase characteristics and regional differences in agriculture carbon emissions in China

HEYanqiu¹^,, DAIXiaowen²

1. Sichuan Agricultural University school of Management,Chengdu 611130,China

2. Sichuan Center for Rural Development Research,Chengdu 611130,China

收稿日期:2016-01-10
修回日期:2016-04-5
网络出版日期:2016-09-25
版权声明:2016《资源科学》编辑部《资源科学》编辑部
基金资助:

国家社科基金“中国区域间农业隐含碳排放补偿机制与减排路径研究”（16CJL35）资助

作者简介:
-->作者简介：何艳秋,女,重庆人,博士,讲师,主要研究环境经济、经济统计。E-mail：linxiatingqiu@126.com

展开

摘要
低碳农业不仅是减缓气候变暖的重要手段,也是中国传统农业向现代农业转变的必经过程,研究农业碳排放的驱动因素对中国制定农业减排措施具有一定意义。而已有研究更注重农业碳排影响因素的显著性,未从影响因素本身出发考虑其在影响农业碳排时的时间差异和区域差异。本文将对应分析和面板模型结合,一方面从时间纬度分析了全国农业碳排放主导因素的阶段性特征,另一方面从空间纬度探讨了地区农业碳排主导因素的区域差异。得到了两方面结论：一是中国农业碳排放主导因素在时间纬度上有两个发展阶段,先由农业经济结构主导向农业机械化主导转变,再向农业经济发展水平主导转变;二是中国农业碳排主导因素在空间纬度上存在明显的区域差异,农业经济发展水平和机械化水平对农业碳排的主导性由西向东减弱,农业经济结构对农业碳排的主导性东部最强,中部最弱,农业经济规模对农业碳排的主导性西部最强,中部最弱。研究结果可对中国制定分阶段、分区域农业减排政策提供参考。

关键词：农业碳排放;时空特征;对应分析;面板模型
Abstract
Low carbon agriculture is not only an important means to mitigation climate warming,but it is necessary for China’s transition from traditional to modern agriculture. Research on the impact of agricultural carbon emissions factors are significant to determine measures to agricultural emissions. Many studies have paid attention to agricultural emissions factors and the effect on agricultural emissions. However,they do not consider time differences and regional differences in agricultural emissions factors influencing agricultural emissions. Combining correspondence analysis and panel modeling,this paper analyzes stage characteristics of agricultural emissions factors affecting agricultural emissions over time. Regional differences in agricultural emissions factors from a spatial angle were also analyzed. The results show that there are two stages of agricultural carbon emissions dominating the time dimension. Agricultural carbon emissions changed from being led by an agricultural economic structure to an agricultural mechanization, then changed from being led by agricultural mechanization to being led by the agricultural development level. There were significant regional differences in agricultural carbon emissions dominant factors on the spatial dimension. The influence degree of agricultural economic development level and level of mechanization decreased from western to eastern China. The influence degree of agricultural structure decreased from eastern to central China. The influence degree of agricultural economies scale decreased from western to central China. This work provides a solid foundation for China to engage in a phased reduction and sub-regional reduction of agricultural carbon emissions, and comprehensive carbon reduction gargets.

Keywords：agricultural carbon emissions;spatial-temporal characteristics;correspondence analysis;panel model

-->0
PDF (862KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNote Ris Bibtex 收藏本文-->
何艳秋, 戴小文. 中国农业碳排放驱动因素的时空特征研究[J]. , 2016, 38(9): 1780-1790 https://doi.org/10.18402/resci.2016.09.15
HE Yanqiu, DAI Xiaowen. Phase characteristics and regional differences in agriculture carbon emissions in China[J]. 资源科学, 2016, 38(9): 1780-1790 https://doi.org/10.18402/resci.2016.09.15

1 引言

近年来,由气候变暖引发的“低碳”热潮席卷着社会生产各个部门,工业生产作为碳排放的重要源头,一直以来都是****专家关注的焦点,而实际上,农业碳排放对气候变暖的助推作用也不可忽视。18世纪以来,大气中甲烷浓度的增加约有70%是人类生产活动的结果^[1];联合国政府间气候变化专业委员会第四次评估报告显示农业源排放的二氧化碳占总的人为温室气体排放量的21%~25%^[2];中国2000年发布的《中华人民共和国气候变化初始国家信息通报》中也表明农业温室气体排放总量约占全国排放的17%,其中农业排放的甲烷和二氧化氮分别占全国总量的50%和92%^[3]。这些证据均显示农业碳排放在整个温室气体排放中占比较大,减排时不容忽视,并且改革开放以来中国农业碳以平均每年5%的速度持续增长^[4]。农业减排不仅关系到农业的可持续发展,还直接影响中国整体减排目标的实现,所以,研究农业碳排放驱动因素的时空特点对如何实现农业减排具有重要意义。
较早研究农业碳排放驱动因素的是Lal,他发现农场的不同耕作方式是导致直接和间接排放量存在较大差异的主要原因^[5]。随后,美国科学家Johnson注意到农业碳排放的多样性,并将农业碳排放源分为了农业废弃物、肠道发酵、粪便管理、农业能源利用、稻田以及生物燃烧几大方面^[6]。随着农业碳排放测算的逐渐完善,涌现出一大批研究农业碳排放影响因素的****。Gomierol认为有机农业的发展具有抑制农业碳排放的作用^[7]。Tasman通过对比美国、欧盟、加拿大、印度、新西兰等国的农业碳排放,发现农业生产方式的不同是造成各国农业碳排放存在显著差异的主要原因^[8]。李国志发现中国经济增长是农业能源消耗所排二氧化碳的主要推动力^[9]。黄祖辉发现隐含在农用能源和农业投入品生产过程中的间接碳排放是浙江省农业高碳排的重要原因^[10]。田云认为中国土地利用、水稻生长和动物饲养三方面都显著促进了中国农业碳排放^[11]。随后,田云利用LMDI模型对湖北省农业碳排放影响因素进行分析,发现经济因素仍是农业碳排放的主推力,而农业生产效率提高是农业减排的主要途径^[12]。杨钧却从农业碳排放总量的角度出发,得出农业技术进步具有促进农业碳排的作用^[13]。张勇等利用KaYa恒等式对淮北市农业碳排放影响因素进行分解,也认为农业经济发展水平是主要推动力^[14]。吴贤荣通过测算农业碳排效率,发现产业结构、耕地面积构成、农业受灾程度对农业碳排效率有显著负向作用,对外开放程度、劳动力文化水平与农业碳排效率呈显著正相关^[15]。庞丽利用LMDI分解模型,得出农业经济发展水平是各地区农业碳排放增长的主要因素,而能源利用效率的提高,内部结构的优化和农业劳动力的转移都有助于农业碳减排^[16]。戴小文利用Kaya恒等式原理,将农业碳排影响因素分解为经济规模、经济结构、一般技术进步以及低碳农业技术进步四个方面,发现经济结构与低碳农业技术进步是减排的重要途径^[17]。尹钰莹等立足河北省曲周县农田碳排放,发现土壤呼吸、农用机械及氮肥、磷肥的使用是造成农田碳排的主要原因^[18]。
从以往研究可见,不论****关注的是全国农业碳排的驱动力,还是地区农业碳排驱动力,或者是农业生产中某一方面碳排的驱动力,均站在因素影响的显著性上,而未从影响因素本身出发考虑其在影响农业碳排时的时间差异和区域差异,而这对于分阶段、分地区采取差异化的农业减排措施意义重大。所以本文从农业碳排放驱动因素本身出发,一方面分析影响因素的时间差异,另一方面分析影响因素的区域差异,为提高农业减排举措的效果奠定基础。

2 研究方法和数据来源

2.1 研究方法

（1）农业碳排放测算方法。在现有数据基础上,将农业碳排放分为三个部分：一是农地利用导致的碳排放,包括化肥、农药、农膜等农用物质投入引发的碳排放;农用机械使用耗费柴油引起的碳排放;翻耕破坏土壤表层而导致的有机碳流失;农业灌溉活动耗费电能所引起的碳排放。二是水稻生长发育过程中产生甲烷等温室气体引起的碳排放。三是反刍动物养殖带来的碳排放,包括肠道发酵所引起的甲烷排放和粪便管理中的甲烷排放。遵循IPCC2006年国家温室气体清单指南的思路,农业碳排放的测算公式为：

\begin{matrix} E = \sum q_{i} \times f_{i} \end{matrix}

（1）
式中

\begin{matrix} E \end{matrix}

为农业碳排放量;

\begin{matrix} q_{i} \end{matrix}

为第i类排放源的数量,即活动数据;

\begin{matrix} f_{i} \end{matrix}

为第i类排放源的排放系数。
（2）对应分析。利用对应分析研究农业碳排放影响因素的时间差异,将时间和影响因素类型分别作为两个变量。
①计算概率矩阵：

\begin{matrix} [\begin{matrix} p_{11} & p_{12} & ? & p_{1 t} \\ p_{21} & p_{22} & ? & p_{2 t} \\ ? & ? & ? & ? \\ p_{r 1} & p_{r 2} & ? & p_{rt} \end{matrix}] \end{matrix}

（2）
式中p为概率;t为时间变量的取值个数;r为影响因素类型变量的取值个数。
②根据概率矩阵得到时间变量和影响因素变量的坐标点。时间变量和影响因素类型变量的坐标点分别为：

\begin{matrix} Z_{. k} (\frac{p_{1 k}}{p_{. k}}, \frac{p_{2 k}}{p_{. k}}, ?, \frac{p_{rk}}{p_{. k}}) \end{matrix}

（3）

\begin{matrix} Z_{k} (\frac{p_{k 1}}{p_{k .}}, \frac{p_{k 2}}{p_{k .}}, ?, \frac{p_{kt}}{p_{k .}}) \end{matrix}

（4）
式中

\begin{matrix} Z_{. k} \end{matrix}

为时间变量的坐标点;

\begin{matrix} Z_{k} \end{matrix}

为影响因素类型变量的坐标点。
③利用因子分析提取两个公共因子将时间变量和影响因素类型变量降为二纬空间的坐标点。
④可以通过二纬空间坐标点间距离的远近判断各个阶段影响农业碳排放的主要影响因素。
（3）面板模型。在研究农业碳排放影响因素的空间差异时选择面板模型。主要分析各个影响因素在影响农业碳排放时的地区差异。在前人研究基础上,将农业碳排放影响因素分为农业经济发展,农业经济结构,农业技术和农业生产规模四个方面。面板数据模型根据对截距项和斜率系数的不同限制分为：混合回归模型、变截距模型和变系数模型。其中：①混合回归模型假设截距项

\begin{matrix} C_{i} \end{matrix}

和斜率系数

\begin{matrix} β \end{matrix}

对于所有的截面个体成员都相同,即假设个体成员既无个体影响,也无结构变化;②变截距模型假设截面个体成员截距项

\begin{matrix} C_{i} \end{matrix}

不同,斜率系数

\begin{matrix} β \end{matrix}

相同,即假设个体成员存在个体影响而无结构变化;③变系数模型假设截面个体成员截距项

\begin{matrix} C_{i} \end{matrix}

和斜率系数

\begin{matrix} β \end{matrix}

都不同,即假设个体成员既有个体影响又有结构变化。
对于变截距和变系数模型,根据个体影响的不同形式,又可分为固定效应模型和随机效应模型。由于本文目的在于研究农业碳排放影响因素的空间差异,所以仅在个体效应面板模型中进行选择,模型的的初始设定形式如下：

\begin{matrix} coe = α + βx + μ \end{matrix}

（5）
式中coe为地区农业碳排放向量;x为影响因素向量;农业碳排放的测度指标为农业碳强度,影响因素包括衡量农业经济发展水平的农业人均增加值,衡量农业经济结构的传统农业占比,衡量农业机械化水平的人均农机动力功率,衡量农业经济规模的农业增加值。面板模型形式选择时需要进行三方面的检验,首先,是对异方差进行检验,以提高模型参数估计的有效性,检验统计如下：

\begin{matrix} e^{2} = \overset{5}{\sum_{i = 1}} α_{i} L_{i} + \overset{5}{\sum_{\begin{matrix} i, j = 1 \\ i \neq j \end{matrix}}} α_{ij} L_{i} L_{j} \end{matrix}

（6）
式中

\begin{matrix} e^{2} \end{matrix}

为混合模型估计结果中残差项的平方;

\begin{matrix} L_{i} \end{matrix}

和

\begin{matrix} L_{j} \end{matrix}

分别为混合模型中的第i个和第j个自变量,即把混合模型估计结果中残差项的平方作为因变量,以影响因素和各个影响因素交互影响作为自变量做回归,若估计结果不显著,则残差项满足同方差的假定。
其次,是检验模型是混合回归模型,还是变截距模型,还是变系数模型,用到的统计量是F统计量：

\begin{matrix} F = [(有约束回归残差平方和 - 无约束回归 \\ 残差平方和) / 约束条件个数] \\ / 无约束回归残差平方和自由度 \end{matrix}

（7）
最后,确定模型是固定效应还是随机效应,使用hausman检验,先建立随机效应模型,然后检验该模型是否满足个体影响与解释变量不相关的假定,如果满足就认为正确的模型是随机效应模型,否则认为是固定效应模型。检验统计量为：

\begin{matrix} w = [b - \hat{β} \overset{′}{]} {\sum^{^}}^{- 1} [b - \hat{β}] \end{matrix}

（8）
式中b为固定影响模型中回归系数的估计结果;

\begin{matrix} \hat{β} \end{matrix}

为随机影响模型中回归系数的估计结果;

\begin{matrix} \sum^{^} \end{matrix}

为两类模型中回归系数估计结果之差的方差。

2.2 数据来源

由上文可知,要全面精确测算农业碳排放必须获知活动数据和排放系数,活动数据包括六个方面：一是化肥、农药、农膜使用量;二是柴油使用量;三是翻耕数量,以中国农作物实际播种面积为准;四是农业灌溉面积;五是水稻种植面积;六是反刍动物养殖数量。数据均可来自中国农村统计年鉴^[19]。排放系数参照了IPCC的平均水平和国内外****的研究结论,结果如表1,农业碳排放影响因素的测算数据也来自中国农村统计年鉴^[19],时间为2000-2012年。
Table 1
表1
表1农业主要碳源排放系数
Table 1The carbon emission coefficient of agricultural main carbon source

碳源	排放系数	参考来源	牲畜	肠道发酵/ （kg/头·年）	粪便处理/ （kg/头·年）	参考来源
化肥/(kg/kg)	0.895 6	美国橡树岭国家实验室	牛	395.56	24.552 0	联合国政府间气候变化专门委员会第五次评估报告
农药/(kg/kg)	4.934 1	美国橡树岭国家实验室	马	122.76	11.184 8	联合国政府间气候变化专门委员会第五次评估报告
农膜/(kg/kg)	5.180 0	南京农大农业资源与环境研究所	驴	68.20	6.138 0	联合国政府间气候变化专门委员会第五次评估报告
柴油/(kg/kg)	0.592 7	联合国政府间气候变化专门委员会第五次评估报告	骡	68.20	6.138 0	联合国政府间气候变化专门委员会第五次评估报告
翻耕/(kg/km²)	312.6	陈阜等^[20]	猪	6.82	27.280 0	联合国政府间气候变化专门委员会第五次评估报告
灌溉/(kg/hm²)	266.480 0	段华平等^[21]	山羊	34.10	1.159 4	联合国政府间气候变化专门委员会第五次评估报告
			绵羊	34.10	1.023 0	联合国政府间气候变化专门委员会第五次评估报告

新窗口打开

3 全国农业碳排放影响因素的时空特征分析

3.1 时间特征

图1表示对应分析下年份变量和影响因素类型变量各取值的坐标,由于是降维后的坐标结果,X轴和Y轴刻度没有明确的经济内涵,仅需考察年份变量坐标和影响因素类型变量坐标之间的距离。图1显示,中国农业碳排放的主导驱动因素经历了两个阶段的转变：第一个阶段是由农业经济结构主导向农业机械化主导转变;第二个阶段是由农业机械化主导向农业经济发展水平主导转变。

显示原图|下载原图ZIP|生成PPT
图1农业碳排放驱动因素对应分析
-->Figure 1Correspondence analysis of agricultural carbon emission driving factor
-->

2005年以前,农业碳排放主导因素为传统农业占比、农业与林牧渔业比值等结构因素。这个时期,传统农业占比仍然较高,历年均在50%以上,而由于对环境问题未引起足够的重视,碳强度作为农业碳排放的重要内因也起着不可忽视的作用,历年碳强度均为每元农业增加值0.7kg/元,同时,这一时期第一产业从业人数较多,历年均在3亿人以上,也成为影响农业碳排放的主要因素。
2005-2009年开始主导因素就转变为了农用机械总动力、一产从业人均农机动力等衡量农业机械化水平的因素。这一时期农业生产机械化程度快速提升,农机总动力从2000年的52 573.60万kW上升到2009年的87 496.00万kW,增长了66.4%,人均动力也由2000年1.56kW上升到2009年3.06kW,增长了49%。
2010年开始农业碳排主导因素就变为人均农业增加值、农村居民人均纯收入、农业增加值等发展水平类指标。这一时期在加快现代农业发展和新农村建设的推动下,农业经济快速增长,截止2012年农业增加值为52 373.6亿元,较2009年增加了17 147.7 亿元,增长了48.6%,人均农业增加值为829.18元/人,较2009年增加了314.9元,增长了61%,农村居民收入水平也得到显著提高,2012年人均纯收入达到7916.6元,较2009年增加了2763.4元,增长了53.6%。

3.2 空间特征

通过面板模型来反映各个地区农业碳排主导因素的差异,为避免建模过程中的多重共线性,首先检验影响因素各指标的独立性,结果见表2。
Table 2
表2
表2相关检验结果
Table 2Correlation test results

		人均农业增加值	传统农业占比	人均农机动力	农业增加值
人均农业增加值	Pearson 相关性	1.000	0.238	-0.005	0.334
	显著性（双侧）	-	0.197	0.979	0.066
传统农业占比	Pearson 相关性	0.238	-	-0.271	0.260
	显著性（双侧）	0.197	-	0.141	0.158
人均农机动力	Pearson 相关性	-0.005	-0.271	1.000	0.065
	显著性（双侧）	0.979	0.141	-	0.730
农业增加值	Pearson 相关性	0.334	0.260	-0.065	1.000
	显著性（双侧）	0.066	0.158	0.730	-

新窗口打开
从表2可见,影响因素各指标间的相关性并不显著,也说明在面板模型的建立中并不会由于解释变量的多重共线性对模型结果产生影响,所以,可以直接根据前文的建模过程建模,最终选择了个体固定效应的变斜率模型。
Table 3
表3
表3人均农业增加值回归系数估计结果
Table 3Regression coefficient estimated results of per capita agricultural added value

东部地区	$\begin{matrix} β_{1 i} \end{matrix}$	中部地区	$\begin{matrix} β_{1 i} \end{matrix}$	$\begin{matrix} P \end{matrix}$ 值	西部地区	$\begin{matrix} β_{1 i} \end{matrix}$	$\begin{matrix} P \end{matrix}$ 值
福建	-0.000 3	内蒙古	-0.000 7	0.000 0	重庆	-0.000 8	0.000 0
海南	-0.000 3	湖北	-0.000 7	0.000 0	四川	-0.001 2	0.000 0
浙江	-0.000 3	湖南	-0.000 8	0.000 0	陕西	-0.001 5	0.000 0
辽宁	-0.000 4	吉林	-0.000 8	0.000 0	新疆	-0.001 6	0.000 0
江苏	-0.000 4	黑龙江	-0.000 8	0.000 0	宁夏	-0.002 2	0.000 0
广东	-0.000 5	江西	-0.001 0	0.000 0	云南	-0.002 2	0.000 0
上海	-0.000 6	安徽	-0.001 2	0.000 0	甘肃	-0.002 7	0.000 0
天津	-0.000 7	广西	-0.001 3	0.000 0	贵州	-0.004 1	0.000 0
北京	-0.000 9	河南	-0.001 4	0.000 0	青海	-0.009 4	0.000 0
山东	-0.001 0	山西	-0.003 5	0.000 0	西藏	-0.023 8	0.000 0
河北	-0.001 2	-	-	-	-	-	-
平均影响	-0.000 6	平均影响	-0.001 2	0.000 0	平均影响	-0.004 9	0.000 0

新窗口打开
从表3来看,人均农业增加值对地区农业碳强度均有显著影响,且均为抑制作用,但农业经济发展水平在各个地区的主导性不同。农业经济发展水平对西部地区农业碳排的主导性最强,为中部的4倍,东部的8倍。西部人均农业增加值每增加1元,农业碳强度平均降低0.0049kg,中部仅降低0.0012kg,东部仅降低0.0006kg。
从西部内各省市来看,西藏、青海和贵州农业经济发展水平对农业碳排的主导性远远超过其他地区,人均农业增加值每增加1元,三地农业碳强度分别降低0.023 8kg、0.009 4kg和0.004 1kg;从中部内各省市来看,山西农业经济发展水平对农业碳排的主导性比较突出,人均农业增加值每增加1元,农业碳强度降低0.003 5kg,而其他地区相差不大;从东部内各省市来看,山东、河北两农业大省农业经济发展对农业碳排的主导性比较强,人均农业增加值每增加1元,农业碳强度分别降低0.001 0kg和0.001 2kg。
从环境库兹涅茨假说来看,中国各个地区的农业经济发展与环境污染的关系已经跃过了倒U型的拐点,在右侧,进入到农业经济越发展,农业碳强度越小的阶段,农业碳强度作为环境保护的“软约束”,也能起到保护生态环境的作用。对于沿海发达地区来说,农业在其整个产业发展中的比重越来越小,农业发展水平相对较高,从边际递减的规律出发,农业减排潜力相对减弱,而中西部地区分布着中国的大量农业大省,农业经济相对落后,进一步发展空间和减排潜力均很大,所以继续提高农业经济发展水平也是中西部地区农业减排的重要途径之一。
从表4可见,除内蒙古、青海、西藏、甘肃和新疆外,其余各地传统农业占比均对农业碳强度有显著影响,且仅对黑龙江是抑制作用,但农业经济结构在各个地区的主导性不同。内蒙古、青海、西藏、甘肃和新疆五省之所以不显著,是因为这几个地区农业经济结构中畜牧业占比较高,均属我国牧区。农业经济结构对东部地区农业碳排的主导性最强,为西部的1.3倍,中部的2倍。东部地区传统农业每增长一个百分点,其农业碳强度平均增加0.1694kg,西部增加0.1314kg,中部增加0.0852kg。这是由于中西部地区分布着中国较多的农业大省,其传统种植业占比较高,历年均在50%以上,由于其适宜的自然条件和较大的种植业基数,种植业发展的规模效应明显,环境污染的程度相对较低。
从东部内各省市来看,上海和河北农业经济结构对农业碳排的主导性远超其他地区,传统农业每增长一个百分点,农业碳强度分别增加0.5241kg和0.3301kg;从西部内各省市来看,宁夏和云南农业经济结构主导性相对较强,传统农业每增长一个百分点,农业碳强度分别增加0.1801kg和0.1676kg;从中部内各省市来看,黑龙江比较特殊,传统农业每增加一个百分点,农业碳强度反倒降低0.2833kg,主要原因是黑龙江省地域平坦辽阔,耕地相对集中连片,适合大面积实施机械化耕作,传统农业生产的机械化水平已达全国领先水平,所以其发展传统农业并不会引起农业碳强度增加,反而引起农业碳强度的降低,这与其自身传统农业的生产方式有很大关系。
Table 4
表4
表4传统农业占比回归系数估计结果
Table 4Regression coefficient estimated results of traditional agricultural proportion

东部地区	$\begin{matrix} β_{2 i} \end{matrix}$	P值	中部地区	$\begin{matrix} β_{2 i} \end{matrix}$	P值	西部地区	$\begin{matrix} β_{2 i} \end{matrix}$	P值
上海	0.524 1	0.000 0	山西	0.196 7	0.006 3	宁夏	0.180 1	0.000 0
河北	0.330 1	0.000 0	广西	0.190 0	0.000 0	云南	0.167 6	0.000 0
山东	0.183 4	0.000 0	湖北	0.184 1	0.000 0	陕西	0.144 5	0.000 0
辽宁	0.174 1	0.000 0	湖南	0.136 3	0.000 0	四川	0.111 7	0.000 0
天津	0.150 4	0.000 3	河南	0.100 9	0.000 0	贵州	0.104 4	0.000 0
广东	0.125 2	0.000 0	吉林	0.093 9	0.000 0	重庆	0.079 9	0.000 0
北京	0.119 6	0.004 7	安徽	0.085 7	0.000 0	-	-	-
福建	0.078 1	0.000 0	江西	0.062 4	0.000 0	-	-	-
江苏	0.076 6	0.006 2	黑龙江	-0.283 3	0.006 8	-	-	-
浙江	0.052 7	0.000 1	-	-	-	-	-	-
海南	0.049 3	0.000 0	-	-	-	-	-	-
平均影响	0.169 4	0.000 0	平均影响	0.085 2	0.000 0	平均影响	0.131 4	0.000 0
不显著地区	$\begin{matrix} β_{2 i} \end{matrix}$	P值	不显著地区	$\begin{matrix} β_{2 i} \end{matrix}$	P值	不显著地区	$\begin{matrix} β_{2 i} \end{matrix}$	P值
-	-	-	内蒙古	0.066 4	0.110 0	青海	2.100 5	0.120 1
-	-	-	-	-	-	西藏	0.216 9	0.115 4
-	-	-	-	-	-	甘肃	0.208 9	0.060 8
-	-	-	-	-	-	新疆	0.109 8	0.169 4
平均影响	0.169 4	0.000 0	平均影响	0.085 2	0.000 0	平均影响	0.131 4	0.000 0

新窗口打开
Table 5
表5
表5一产从业人均动力功率回归系数估计结果
Table 5Regression coefficient estimated results of the first industry employees per capita power

东部地区	$\begin{matrix} β_{3 i} \end{matrix}$	P值	中部地区	$\begin{matrix} β_{3 i} \end{matrix}$	P值	西部地区	$\begin{matrix} β_{3 i} \end{matrix}$	P值
上海	-0.043 3	0.003 5	湖北	-0.101 4	0.000 5	宁夏	-0.066 0	0.029 7
江苏	-0.097 5	0.000 0	吉林	-0.165 8	0.004 5	甘肃	-0.495 5	0.000 0
福建	-0.142 2	0.004 0	江西	-0.190 6	0.003 3	重庆	-0.663 1	0.000 0
山东	-0.161 3	0.000 0	安徽	-0.291 7	0.000 2	四川	-0.816 3	0.031 0
河北	-0.181 7	0.002 0	河南	-0.342 5	0.003 5	贵州	-1.019 1	0.000 0
辽宁	-0.240 5	0.011 7	山西	-0.387 6	0.000 0	陕西	-1.073 3	0.001 0
海南	-0.526 7	0.001 0	广西	-2.016 4	0.000 2	青海	-2.946 7	0.000 0
平均影响	-0.199 0	0.000 0	平均影响	-0.499 4	0.000 0	平均影响	-1.011 4	0.000 0
不显著地区	$\begin{matrix} β_{3 i} \end{matrix}$	P值	不显著地区	$\begin{matrix} β_{3 i} \end{matrix}$	P值	不显著地区	$\begin{matrix} β_{3 i} \end{matrix}$	P值
西藏	0.217 0	0.122 5	内蒙古	-0.007 1	0.931 3	黑龙江	-0.128 3	0.065 7
广东	0.165 1	0.251 1	浙江	-0.047 9	0.058 3	湖南	-0.236 4	0.131 9
北京	0.020 3	0.520 6	天津	-0.057 4	0.681 8	新疆	-0.476 0	0.271 3
云南	0.005 9	0.744 5

新窗口打开
从表5来看,全国31个省市中有21个地区农业机械化水平提高对农业碳强度有显著的抑制作用,说明农业机械化水平的提高有助于农业减排,也印证了农业机械化水平提高会带来投入要素的高效利用,从而减少环境污染的观点,但农业机械化水平对农业碳排的主导性存在地区差异。西部地区机械化水平对农业碳排的主导性最强,为中部的2倍,东部的5倍。西部地区一产从业人均动力功率每增加1kW,农业碳强度平均降低1.0114kg,中部仅降低0.4994kg,东部仅为0.1990kg。说明欠发达地区农业的机械化水平相对较低,农业生产效率有待进一步提高,通过提升农业科技水平和推进农业规模化经营来实现减排的潜力巨大。
从西部内各省市来看,青海农业机械化对农业碳排的主导性远超其他地区,一产从业人均动力功率每增加1kW,农业碳强度降低2.9467kg;中部内各省市来看,广西农业机械化对农业碳排的主导性最强,一产从业人均动力功率每增加1kW,农业碳强度降低2.0164kg;东部内各省市来看,海南广西农业机械化对农业碳排的主导性显著,一产从业人均动力功率每增加1kW,农业碳强度降低0.5267kg。
从不显著的几个地区来看,西藏、内蒙古和新疆农业主要以畜牧业为主,农业机械化水平更多的体现在畜牧机械使用上,其机械化水平对农业减排的效果还未体现出来,也说明其机械化水平不足;黑龙江地域辽阔,人口稀少,本就适合机械化耕作,机械化水平再提升难度较大;而广东、北京、浙江和天津四地均以现代农业为主,现代农业的特点之一就是机械化水平较高,造成这些地区农业机械化水平对碳减排效果不明显。
Table 6
表6
表6农业增加值回归系数估计结果
Table 6Regression coefficient estimated results of agricultural added value

东部地区	$\begin{matrix} β_{4 i} \end{matrix}$	中部地区	$\begin{matrix} β_{4 i} \end{matrix}$	P值	西部地区	$\begin{matrix} β_{4 i} \end{matrix}$	P值
江苏	-0.000 2	湖南	-0.000 3	0.000 0	四川	-0.000 3	0.000 0
广东	-0.000 2	湖北	-0.000 3	0.000 0	重庆	-0.000 8	0.000 0
福建	-0.000 2	河南	-0.000 3	0.000 0	云南	-0.000 9	0.000 0
浙江	-0.000 2	安徽	-0.000 5	0.000 0	陕西	-0.000 9	0.000 0
山东	-0.000 3	江西	-0.000 5	0.000 0	新疆	-0.001 2	0.000 0
辽宁	-0.000 3	黑龙江	-0.000 5	0.000 0	甘肃	-0.001 9	0.000 0
河北	-0.000 4	广西	-0.000 6	0.000 0	贵州	-0.002 2	0.000 0
海南	-0.000 7	吉林	-0.000 7	0.000 0	宁夏	-0.007 4	0.000 0
天津	-0.003 6	内蒙古	-0.000 7	0.000 0	青海	-0.033 1	0.000 0
北京	-0.004 8	山西	-0.002 2	0.000 0	西藏	-0.095 5	0.000 0
上海	-0.006 3	-	-	-	-	-	-
平均影响	-0.001 5	平均影响	-0.000 6	0.000 0	平均影响	-0.014 4	0.000 0

新窗口打开
从表6来看,各地农业生产规模对农业碳强度均有显著抑制作用,但各地区农业经济规模对碳强度主导性不同。西部农业生产规模对农业碳排的主导性最强,为东部的9.6倍,中部的24倍。西部农业增加值每增长1亿元,农业碳强度平均降低0.0144kg,东部降低0.0015kg,中部降低0.0006kg。中国的农业大省大部分分布在中部地区,其农业增加值占全国农业增加值总量的50%以上,而且中部地区的农业碳强度并不高,所以,农业生产规模的再增加对农业碳强度的降低作用较小,而西部地区农业生产禀赋条件差,农业规模相对较小,农业生产效率低,方式落后带来更多的环境污染。
从西部内各省市来看,西藏农业规模对农业碳排的主导性较强,农业增加值每增长1亿元,农业碳强度降低0.0955kg;从东部内各省市来看,山西农业规模对农业碳排的主导性明显,农业增加值每增长1亿元,农业碳强度降低0.0022kg;从中部内各省市来看,天津、北京和上海农业规模对农业碳排的主导性较强,农业增加值每增长1亿元,农业碳强度分别降低0.0036kg、0.0048kg和0.0063kg。
Table 7
表7
表7影响因素影响程度区域离散状况
Table 7Influence degree regional discrete results of influence factors

影响因素	东部	中部	西部	总计
农业经济发展水平	0.000 3	0.000 8	0.006 7	0.004 4
农业经济结构	0.135 4	0.138 4	0.035 6	0.126 6
农业机械化水平	0.145 7	0.626 4	0.850 9	0.701 2
农业经济规模	0.002 1	0.000 5	0.028 6	0.017 5

新窗口打开
利用各个影响因素影响系数的标准差来进一步分析区域农业碳排主导因素的差异。从表7可见,分区域来看,农业经济发展水平对农业碳排的主导作用在西部内各省市间的差异性最大,标准差为0.0067,在东部各省市内差异性最小,标准差为0.0003;农业经济结构对农业碳排的主导作用在中部内各省市的差异性最大,标准差为0.1384,在西部内各省市间的差异最小,仅为0.0356;农业机械化水平对农业碳排的主导作用在西部内各省市间的差异性最大,标准差为0.8509,在东部内各省市间的差异性最小,仅为0.1457;农业经济规模对农业碳排的主导作用在西部内各省市间的差异最大,标准差为0.0286,在中部内各省市间的差异性最小,仅为0.0005。
而从四大因素总的主导性地区差异来看,农业机械化水平对中国各省市农业碳排的主导性作用差异非常明显,影响系数的标准差高达0.7012,而农业经济发展水平主导性的差异则最小,仅为0.0044。这也说说明各个地区农业机械化水平基础的不同是造成其对碳排影响的显著性不同的原因,而农业经济发展水平对于所有地区来说在影响碳排的显著性上比较一致,全面提升农业经济发展水平已成为农业减排的重要途径之一。

3.3 时空特征的结合

从图2可见,随着时间的推移,农业碳排放各影响因素的主导作用在区域间进行变换。农业经济发展水平作为主导因素由东部沿海地区逐渐扩展到中西部地区,2000年,福建、浙江、广东和江苏等沿海发达地区农业碳排放的主导因素是农业经济发展水平,而到2012年时其对中西部地区农业碳排的主导性加强,成为重庆、陕西、贵州等农业碳排放的主导因素;农业机械化水平作为地区农业碳排放的主导因素也具有由发达地区向中西部欠发达地区延伸的趋势,到2012年时,主导性延伸到中西部的陕西、贵州、吉林、内蒙、山西、宁夏等地。而农业经济结构对地区农业碳排的主导性由中西部欠发达地区向东部沿海地区延伸,农业经济规模对农业碳排的主导性由中部向西部延伸。

显示原图|下载原图ZIP|生成PPT
图22000年和2012年各地区农业碳排影响因素对应分析结果
-->Figure 2Correspondence analysis of agricultural carbon emission influence in 2000 and 2012
-->

4 结论及建议

4.1 结论

（1）从时间维度看,中国农业碳排放的主导驱动因素经历了两个阶段的转变。第一个阶段是由农业经济结构主导向农业机械化主导转变,第二个阶段是由农业机械化主导向农业经济发展水平主导转变。这是由农业经济发展本身的规律造成的。初期,中国农业经济中传统农业占比过高,农业结构不合理,结构因素主导农业碳排,随着农业经济的发展,结构得到了优化,机械化水平得以提高,机械化因素主导农业碳排,而随着现代农业的发展,农业生产方式有了巨大变化,农业发展水平得到明显提高,农业经济发展水平主导农业碳排。
（2）从空间维度看,农业机械化水平对中国各省市农业碳排的主导性作用差异最明显,而农业经济发展水平主导性的差异则最小。分四大影响因素来看,农业经济发展水平对西部地区农业碳排的主导性最强,为中部的4倍,东部的8倍;农业经济结构对东部地区农业碳排的主导性最强,为西部的1.3倍,中部的2倍;机械化水平对西部农业碳排的主导性最强,为中部的2倍,东部的5倍;农业生产规模对西部农业碳排的主导性最强,为东部的9.6倍,中部的24倍。主要是由于各个地区的农业禀赋条件不同,其适合发展的农业经济种类和耕种方式都存在显著差异。
（3）从时空维度的结合来看,随着时间的推移,农业碳排放各影响因素的主导作用在区域间进行变换。农业经济发展水平和机械化水平作为主导因素均由东部沿海地区逐渐扩展到中西部地区;而农业经济结构对地区农业碳排的主导性由中西部欠发达地区向东部沿海地区延伸;农业经济规模对农业碳排的主导性由中部向西部延伸。

4.2 建议

（1）进一步提高农业经济发展水平和效益,实现经济发展、农民增收和农业减排等多重效果。中国农业生产方式已经有了一定程度的改变,农业生产污染问题也得到了一定程度的解决,农业经济与环境污染的关系已经跃过了倒U型的拐点,处于右侧,进入了农业经济越发展,农业碳强度越小的阶段,而农业碳排放主导因素也由农业机械化水平变为发展水平。在农业经济未来的发展过程中,应依据现代农业发展的大背景,构建现代农业产业体系、生产体系和经营体系,发展低碳农业产业,提高农业质量效益和竞争力,进一步提高农业经济发展水平,以使农业减排效果更为明显。
（2）根据各地区农业碳排主导因素的不同采取差异化的农业减排手段。根据各地的发展优势和条件发展不同的农业产业,以实现农业碳排整体最小。对东部地区,应该进一步减少传统农业的比重,甚至将传统农业全部放在更具生产条件的中西部,利用沿海经济优势,大力发展现代农业和生态农业,提高农业生产的多功能性,努力朝着假日农业、旅游农业、休闲农业、观光农业、都市农业等效益更好,碳排更少的方向发展;对于中西部地区,应通过传统农业生产效率提高,现代农业适度发展的方式,努力提升农业发展质量、水平和效益,以实现减排。
（3）促进农业的规模化生产,充分利用规模效应实现减排。规模化生产不仅有利于采用先进的生产技术,充分发挥土地和农用物资的生产潜力,还利于培肥土壤,保护环境,实现农业的可持续发展。应根据各地农业生产条件和禀赋采用生产结构差异化的规模式生产。对于西部的牧场,要防止小户经营对动物垃圾处理不到位的现象,发挥规模化经营带来的技术效应,对于有条件的养殖场,可建设沼气工程,利用沼气发电,并可将沼液输送到周边农场、果园和林地,同时达到增收增效的目的。对于中部平原地区,应利用生产条件推动规模化的机械式生产方式,使传统农业的规模效益更加突出。对于东部地区,可以采用连片开发模式,集农业观光、休闲、娱乐于一体,使观光农业规模效应显现出来。
The authors have declared that no competing interests exist.

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]	Mosier A R,Duxbury J M,Frreney J R,et al.Mitigation agricul-tural emission of methane [J]. Climatic Change,1998,40(1):39-80. [本文引用: 1]
[2]	林而达. 气候变化与农业可持续发展[M]. 北京:北京出版社,2011. [本文引用: 1] [Lin E D.Climate Change and Sustainable Development of Agriculture[M]. Beijing:Beijing Press,2011.] [本文引用: 1]
[3]	李波,张俊飚,李海鹏. 中国农业碳排放时空特征及影响因素分解 [J]. 中国人口·资源与环境,2011,21(8):80-86. [本文引用: 1] [Li B,Zhang J B,Li H P.Research on spatial-temporal characteristics and affecting factors decomposition of agricultural carbon emission in China [J]. China Population,Resources and Environ-ment,2011,21(8):80-86.] [本文引用: 1]
[4]	冉光和,王建洪,王定祥. 我国现代农业生产的碳排放变动趋势研究 [J]. 农业经济问题,2011,(2):32-38. [本文引用: 1] [Ran G H,Wang J H,Wang D X.Study on the changing tendency and counter-measures of carbon emission produced by agricultural production in China [J]. Issues in Agricultural Economy,2011,(2):32-38.] [本文引用: 1]
[5]	Lal R.Carbon emission from farm operations [J]. Environment International,2004,30(7):981-990. [本文引用: 1]
[6]	Johnson J M F. Agricultural opportunities to mitigate greenhouse gas emissions [J]. Environmental Pollution,2007,150(6):107-124. [本文引用: 1]
[7]	Gomiero T,Paoletti M G,Pimentel D.Energy and environment issues in organic and conventional agriculture [J]. Critical Reviews in Plant Sciences,2008,27(4):239-254. [本文引用: 1]
[8]	ACIL Tasman Pty Ltd. Agriculture and GHG Mitigation Policy:Options in Addition to the CPRS [M]. New South Wales:Industry & Investment NSW,2009. [本文引用: 1]
[9]	李国志,李宗植. 中国农业能源消费碳排放因素分解实证分析-基于LMDI模型 [J]. 农业技术经济,2010,(10):66-72. [本文引用: 1] [Li G Z,Li Z Z.China Agricultural energy consumption carbon emission factor decomposition empirical analysis-based on LMDI mode [J]. Journal of Agrotechnical,2010,(10):66-72.] [本文引用: 1]
[10]	黄祖辉,米松华. 农业碳足迹研究:以浙江省为例 [J]. 农业经济问题,2011,(11):40-47. [本文引用: 1] [Huang Z H,Mi S H.Agricultural sector carbon footprint accounting:A case of Zhejiang [J]. Issues in Agricultural Economy,2011,(11):40-47.] [本文引用: 1]
[11]	田云,张俊飚,李波. 基于投入角度的农业碳排放时空特征及因素分解研究-以湖北省为例 [J]. 农业现代化研究,2011,32(6):752-755. [本文引用: 1] [Tian Y,Zhang J B,Li B.Research on spatial-temporal characteristics and factor decomposition of agricultural carbon emission based on input angle-taking Hubei Province for example [J]. Research of Agricultural Modernization,2011,32(6):752-755.] [本文引用: 1]
[12]	田云,张俊飚,李波. 中国农业碳排放研究:测算,时空比较及脱钩效应 [J]. 资源科学,2012,34(11):2097-2105. [本文引用: 1] [Tian Y,Zhang J B,Li B.Agricultural carbon emissions in China:Calcul-ation,spatial-temporal comparison and decoupling effects [J]. Resources Science,2012,34(11):2097-2105.] [本文引用: 1]
[13]	杨钧. 中国农业碳排放的地区差异和影响因素分析 [J]. 河南农业大学学报,2012,46(3):336-342. [本文引用: 1] [Yang J.Analysis on regional difference and affecting factors of agriculture carbon emission in China [J]. Journal of Henan Agricultural University,2012,46(3):336-342.] [本文引用: 1]
[14]	张勇,黄淑玲,高杨. “十一五”期间淮北市农业碳排放趋势及影响因素研究 [J]. 河北北方学院学报,2013,29(5):42-46. [本文引用: 1] [Zhang Y,Huang S L,Gao Y.Analysis on agricultural carbon emission trends and influencing factors decomposition of Huaibei City during eleventh five-year [J]. Journal of Hebei North Univer-sity,2013,29(5):42-46.] [本文引用: 1]
[15]	吴贤荣,张俊飚,田云,等. 中国省域农业碳排放:测算、效率变动及影响因素研究-基于DEA-Malmquist指数分解方与Tobit模型运用 [J]. 资源科学,2014,36(1):129-138. [本文引用: 1] [Wu X R,Zhang J B,Tian Y,et al.Provincial agricultural carbon emissions in China:Calculation,performance change and influencing factors [J]. Resources Science,2014,36(1):129-138.] [本文引用: 1]
[16]	庞丽. 我国农业碳排放的区域差异与影响因素分析 [J]. 干旱区资源与环境,2014,28(12):1-7. [本文引用: 1] [Pang L.Empirical study of regional carbon emissions of agriculture in China [J]. Journal of Arid Land Resources and Environment,2014,28(12):1-7.] [本文引用: 1]
[17]	戴小文,漆雁斌,唐宏. 1990-2010年中国农业隐含碳排放及其驱动因素研究 [J]. 资源科学,2015,37(8):1668-1676. [本文引用: 1] [Dai X W,Qi Y B,Tang H.Embodied CO₂ emission calculation and influence factors decomposition in China’s agriculture sector [J]. Resources Science,2015,37(8):1668-1676.] [本文引用: 1]
[18]	尹钰莹,郝晋珉,牛灵安,等. 河北省曲周县农田生态系统碳循环及碳效率研究 [J]. 资源科学,2016,30(5):109-118. [本文引用: 1] [Yin J Y,Hao J M,Niu L A,et al.Carbon cycle and carbon efficiency of farmland ecosystems in Quzhou,Hebei Province [J]. Resources Science,2016,30(5):109-118.] [本文引用: 1]
[19]	国家统计局农村社会经济调查司. 中国农村统计年鉴[M]. 北京:中国统计出版社,2000-2012. [本文引用: 2] [National Bureau of Statistics Rural Social Economic Survey. China Rural Statistical Yearbook[M]. Beijing:China Statistics Press,2001-2013.] [本文引用: 2]
[20]	伍芬琳,李琳,陈阜. 保护性耕作对农田生态系统净碳释放量的影响 [J]. 生态学杂志,2007,26(12):2035-2039. [本文引用: 1] [Wu F L,Li L,Chen B.Effects of conservation tillage on net carbon flux from farm land ecosystems [J]. Chinese Journal of Ecology,2007,26(12):2035-2039.] [本文引用: 1]
[21]	段华平,张悦,赵建波. 中国农田生态系统的碳足迹分析 [J]. 水土保学报,2011,25(1):203-208. [本文引用: 1] [Duan H P,Zhang Y,Zhao J B.Carbon footprint analysis of farmland ecosystem in China [J]. Journal of Soil and water Conservation,2011,25(1):203-208.] [本文引用: 1]
[22]	Ryan B,Tiffany D G.Minnesota Agricultural Energy Use and the Incidence of a Carbon Tax[D]. Minneapolis:Institute for Local Self Reliance,1998.
[23]	Peters M,House R,Lewandrowski J,et al.Economic impacts of carbon charges on US agriculture [J]. Climatic Change,2001,50(4):445-473.
[24]	Leinen J. Introducing a European Carbon Tax:The Missing Piece in Europe’s Climate Strategy [EB/OL]. (2010-06-25)[2015-02-04]. URL
[25]	张健,廖胡,梁钦锋,等. 碳税与碳排放权交易对中国各行业的影响 [J]. 现代化工,2009,12(6):77-82. [Zhang J,Liao H,Liang Q F,et al.Analysis of impacts from combining carbon taxation and carbon emission trading on different industrial sectors [J]. Modern Chemical Industry,2009,12(6):77-82.]
[26]	米松华,黄祖辉. 农业温室气体减排技术和管理措施适用性筛选 [J]. 中国农业科学,2012,45(21):4517-4527. [Mi S H,Huang Z H.Applicability screening of mitigation technologies and management practices of emissions of greenhouse gases from agriculture sector [J]. Scientia Agricultura Sinica,2012,45(21):4517-4527.]
[27]	范定祥,廖进中. 农业源碳减排的进化博弈分析 [J]. 中国农业大学学报,2013,18(3):203-208. [Fan D X,Liao J Z.Agricul-tural sources of carbon emissions evolutionary game theory [J]. Journal of China Agricultural University,2013,18(3):203-208.]
[28]	吴贤荣,张俊飚,程琳琳,等. 中国省域农业碳减排潜力及其空间关联特征-基于空间权重矩阵的空间Durbin模型 [J]. 中国人口·资源与环境,2015,25(6):53-61. [Wu X R,Zhang J B,Cheng L L,et al.Potential of agricultural carbon reduction under climate change and its spatial correlation characteristics in China:Based on the spatial Durbin model [J]. China Population,Re-sources and Environment,2015,25(6):53-61.]

中国农业碳排放驱动因素的时空特征研究

本站小编 Free考研考试/2021-12-29

Phase characteristics and regional differences in agriculture carbon emissions in China

1 引言

2 研究方法和数据来源

2.1 研究方法

2.2 数据来源

3 全国农业碳排放影响因素的时空特征分析

3.1 时间特征

3.2 空间特征

3.3 时空特征的结合

4 结论及建议

4.1 结论

4.2 建议

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

相关话题/农业 结构 动力 空间 资源

领限时大额优惠券,享本站正版考研考试资料!

中国水泥生产碳排放系数省区空间差异性及成因分析

国家重点生态功能区人类活动空间变化及其聚集分析

旅游消费的资源环境效应研究框架及其作用机理探析

黄淮海平原农地流转空间分布与格局特征

滇中城市群水资源生态承载力的平衡性研究

基于InVEST模型的甘肃白龙江流域生态系统碳储量及空间格局特征

基于GWR模型的都市城郊村域农户生计资本空间差异分析——以上海市青浦区为例

新疆伊犁河谷表层土壤容重的空间变异性分析

2000-2012年中国地级以上城市空间弹性分析

民族旅游社区空间的竞争性——基于地方意义的视角

中国农业碳排放驱动因素的时空特征研究

本站小编 Free考研考试/2021-12-29

Phase characteristics and regional differences in agriculture carbon emissions in China

1 引言

2 研究方法和数据来源

2.1 研究方法

2.2 数据来源

3 全国农业碳排放影响因素的时空特征分析

3.1 时间特征

3.2 空间特征

3.3 时空特征的结合

4 结论及建议

4.1 结论

4.2 建议

参考文献文献选项 原文顺序 文献年度倒序 文中引用次数倒序 被引期刊影响因子

相关话题/农业 结构 动力 空间 资源

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

相关话题/农业结构动力空间资源