DOI: 10.12357/cjea.20220501
邓路, 袁圣博, 白萍, 李会芳. 基于机器学习算法的新疆农业碳排放评估及驱动因素分析[J]. 中国生态农业学报 (中英文),
2023, 31(2): 265?279
DENG L, YUAN S B, BAI P, LI H F. Evaluation of agricultural carbon emissions in Xinjiang and analysis of driving factors based on
machine learning algorithms[J]. Chinese Journal of Eco-Agriculture, 2023, 31(2): 265?279
基于机器学习算法的新疆农业碳排放评估及驱动因素
分析
邓 路1, 袁圣博2, 白 萍1, 李会芳1
(1. 新疆维吾尔自治区发展和改革委员会经济研究院 乌鲁木齐 830001; 2. 四川大学公共管理学院 成都 610044)
摘 要: 农业是全球第二大碳源, 明确农业碳排放规律对于碳达峰、碳中和具有重要意义。为探究新疆农业碳排放
规律, 促进农业碳减排, 本研究根据农业生产过程中的碳排放环节, 结合国内外发布的碳排放系数, 测算了新疆的农
业碳排放量; 利用莫兰指数、LISA指数等空间相关性模型测算了新疆农业碳排放的空间集聚规律; 利用机器学习
中的随机森林模型对农业碳排效率影响因素进行了动态量化分析。结果显示: 1) 2010—2019年新疆农业碳排放量
缓慢增长, 从292.24万t增长到379.69万t, 年均增速3.33%。2)化肥和农膜的使用是新疆农业碳排放的主要来源,
占比分别为58.06%和39.03%。3)新疆农业碳排放效率在不断提升, 2010—2013年增速较快, 2014—2019年增速
较慢, 碳排放效率的主要分布区间从小于50元?t?1变为50~100元?t?1。4)新疆农业碳排放效率高高聚集区域农业产
值不高, 主要是由于物质投入低; 低低聚集区域农业产值相对较高, 但科技、管理水平低, 物质投入过多。
5)降水量较低的南疆区域, 农业碳排放效率整体较高, 降水量较高的北疆区域, 农业碳排放效率处于中等水平。
6)农业规模化程度在0.12~2.02 hm2?人?1时, 碳排放效率随着农业规模化程度提高急剧降低, 当农业规模化程度高
于2.02 hm2?人?1时, 对农业碳排放效率的影响力降低; 耕地规模在120~17 220 hm2时, 对农业碳排放效率有一个显
著的负向影响, 当耕地规模大于17 220 hm2时, 对农业碳排放效率的影响较为平缓。农村经济发展水平对碳排放效
率具有正向影响, 农业电器化程度对碳排放效率呈现出正“U”型影响。
关键词: 农业碳排放效率; 碳排放系数; 农业碳排放源; 随机森林
中图分类号: F323开放科学码(资源服务)标识码(OSID):
Evaluation of agricultural carbon emissions in Xinjiang and analysis of driving
factors based on machine learning algorithms
DENG Lu1, YUAN Shengbo2, BAI Ping1, LI Huifang1
(1. Economic Research Institute, Xinjiang Uygur Autonomous Region Development and Reform Commission, Urumqi 830001, China;
2. School of Public Administration, Sichuan University, Chengdu 610044, China)
Abstract: Agriculturl carbon emissions are the second-largest source of carbon in the world. Therefore, clarifying the patterns of agri-
cultural carbon emissions is crucial for achieving carbon peaks and neutrality. To explore the law of agricultural carbon emissions in
Xinjiang and promote agricultural carbon emission reduction, agricultural carbon emissions in Xinjiang were measured based on car-
bon emission coefficients published according to the carbon emission links generated in the process of agricultural production. Fur-
新疆维吾尔自治区社科联重点项目(2021ZJFLZ17)资助
邓路, 研究方向为生态经济和农业经济。E-mail: 119311793@qq.com
收稿日期: 2022-06-29 接受日期: 2022-09-12
This study was supported by the Key Projects of Federation of Social Sciences in Xinjiang Uygur Autonomous Region of China (2021ZJFLZ17).
Corresponding author, DENG Lu, E-mail: 119311793@qq.com
Received Jun. 29, 2022; accepted Sep. 12, 2022
中国生态农业学报 (中英文) ?2023年2月 ?第?31?卷 ?第?2?期
Chinese?Journal?of?Eco-Agriculture,?Feb.?2023,?31(2):?265?279
http://www.ecoagri.ac.cn
thermore, spatial correlation models, such as the Moran and learned index structure for spatial data (LISA) indices, were used to
measure the spatial clustering patterns of agricultural carbon emissions in Xinjiang. A random forest machine learning model was
then used to quantitatively analyze the factors influencing the efficiency of agricultural carbon emissions. The results indicated that:
1) agricultural carbon emissions grew slowly from 2010 to 2019, from 292.24×04 t to 379.69×104 t, with an average annual growth
rate of 3.33%. 2) Applications of chemical fertilizers and agricultural films were the main sources of agricultural carbon emissions in
Xinjiang, accounting for 58.06% and 39.03%, respectively. 3) Xinjiang’s agricultural carbon emission efficiency increased steadily,
with a faster growth from 2010 to 2013 and a slower growth from 2014 to 2019. The main distribution range of carbon emissions effi-
ciency increased from less than 50 ￥?t?1 to 50–100 ￥?t?1. 4) The agricultural output values in the high-high agglomeration areas of
Xinjiang with high agricultural carbon emission efficiency were relatively low because of the low material input. In contrast, the agri-
cultural output values in the low-low agglomeration areas were relatively high, however, where the level of technology and manage-
ment was low, and the material input was extremely high. The efficiency of agricultural carbon emissions in Xinjiang has room for
improvement. 5) Overall agricultural carbon emission efficiency was higher in the southern region with lower precipitation, whereas
the northern region with higher precipitation exhibited moderate emissions. Precipitation may indirectly affect agricultural carbon
emission efficiency by affecting the level of agricultural development and production technology. 6) Carbon emission efficiency de-
creased sharply with increased agricultural scale when the agricultural scale was between 0.12 and 2.02 hm2 per person. Moreover, the
influence on agricultural carbon emissions efficiency decreased when the agricultural scale exceeded 2.02 hm2 per person. There was
a significant negative effect on agricultural carbon emission efficiency when cultivated land was between 120 and 17 220 hm2. In con-
trast, its’ effect on agricultural carbon emission efficiency was more moderate when cultivated land was larger than 17 220 hm2. Rur-
al economic development level had a positive effect on carbon emission efficiency. Furthermore, carbon emission efficiency exhib-
ited a “U” shaped pattern as a function of agricultural electrification degree. Comprehensively considering the two aspects of improv-
ing agricultural output value and agricultural carbon emission efficiency, the degree of agricultural scale and the scale of arable land
should be further improved to increase agricultural output value, and the level of rural economic development and the degree of agri-
cultural electrification should be further improved to increase the efficiency of agricultural carbon emissions.
Keywords: Agricultural carbon emission efficiency; Carbon emission coefficient; Agricultural carbon sources; Random forest
根据IPCC数据显示[1], 农业生产过程中的碳排
放量巨大, 是仅次于化石燃料的第二大碳源, 因此降
低农业生产过程中的碳排放量、促进农业绿色低碳
发展, 对早日实现碳达峰、碳中和目标具有十分重
要的意义。新疆地处我国西北, 生态环境敏感脆弱,
一旦破坏, 恢复难度巨大, 因此着力降低新疆地区的
农业碳排放, 对于促进区域可持续发展, 维护生态环
境, 具有重要现实意义。
对于农业碳排放国内外学者做了很多研究, 大
致 可 以 分 为 两 个 方 面: 1)农 业 碳 排 放 量 的 计 算 。
Johnson等[2]的研究表明农业活动产生包括CO2在内
的3种主要温室气体; Thamo等[3]基于澳大利亚政府
推荐的排放清单、农作物种植过程中的碳排放量估
算和田间实地测量3种方法计算了农业碳排放; 李
波等[4]从能源物资投入角度测算了中国农业的碳排
放量变化情况; 闵继胜等[5]从能源物资投入角度测算
了中国农业的温室气体排放变化情况; 高鸣等[6]基
于Malmquist指数测算了中国农业碳排放的空间分
异规律; 田云等[7-8]、张颂心[9]、张丽琼等[10]的研究表
明不同阶段省际间的农业碳排放存在较大差异。目
前关于农业碳排放的测算方式已经较为成熟, 小范
围内主要依靠色谱箱等仪器进行测量[11], 较大范围内
由 于 成 本 限 制 等 原 因, 一 般 采 用 模 型 进 行 估 算 。
2)农业碳排放的影响因素。Lal[12]研究认为耕种方
式对于碳排放量的影响至关重要; 李国志等[13]的研
究认为经济增长是农业碳排放的主要驱动因素; 程
琳琳等[14-15]、武春桃[16]的研究认为城镇化和产业聚
集对农业碳排放具有重要影响; 董明涛[17]认为农业
产业结构同农业碳排放存在一定程度的关联; 魏玮
等[18]、王惠等[19]的研究认为农业技术进步对于减缓
碳排放起到了重要作用; 仇伟等[20]认为环境规制、
技术进步是抑制农业碳排放的重要原因; 刘丽辉等[21]
认为农业人口规模的减少将促进农业碳减排。此外,
还有学者[22]研究了气候变化对农业碳排放的影响以
及农业的碳减排潜力[23-24]。有多种因素可以同时对
农业碳排放产生影响, 但不同区域的影响方式不尽
相同[25-26]。目前以全国作为研究区域已有较多研究,
新疆也出现一些相关研究。祝宏辉等[27]、苏洋等[28]
测算新疆农业碳排放并利用Tapio脱钩模型对新疆
农牧业碳排放与农业经济增长之间的脱钩关系进行
分析; 冉锦成等[29]在测算碳排放基础上, 构建STIRP-
AT模型, 运用情景分析法对未来新疆农业碳排放峰
值进行相关预测。本研究在上述研究的基础上做了
两方面的延伸, 一是分析讨论了降水对农业碳排放
效率的影响, 二是对农业碳排放效率的影响因素进
行动态量化。这对进一步探明新疆区域的农业碳排
266 中国生态农业学 报 (中英文 )?2023 第 31 卷
http://www.ecoagri.ac.cn
放规律, 制定农业碳减排政策具有重要意义。
本研究首先基于新疆所有市县的数据测算农业
碳排放量, 分析不同区域碳排放效率的时空分异规
律; 随后根据现有研究筛选出农业碳排放效率的影
响因子, 利用随机森林模型对影响因子进行定量分
析; 最后针对性地提出农业碳减排的政策建议。
1 数据来源与研究方法
1.1 研究区概况和数据来源
本文将以新疆维吾尔自治区(75°~95°E, 35°~50°N)
作为研究对象, 包括: 4个地级市、5个地区、5个自
治州共14个地级行政单位, 下辖105个县(市、区)
(图1)。数据来源于2011 ?2020年《新疆统计年鉴》
《中国农业年鉴》等, 计算和数据的可视化利用Ex-
cel、R、Geoda、Arcgis等软件完成。
1.2 农业碳排放的测算
借鉴已有的研究成果[9,30-34], 选取农业生产中使
用的化肥量、农用地膜使用量、农业机械总动力、
灌 溉 、 翻 耕 等5项 数 据 来 测 算 碳 排 放, 测 算 公 式
如下:
En =
n∑
i=1
EiAi (1)
En Ei
式中: 表示农业碳排放总量; 表示第i种碳源; Ai
表示该碳源的碳排放系数, 具体见表1。
1.3 农业碳排放空间分异规律分析方法
利用全局莫兰指数分析农业碳排放空间分异特征:
I = nS
0
n∑
i=1
n∑
j=1
wi;jzizj
n∑
i=1
z2i
(2)
I zi i
xi X xi
wi;j i j S0
式中: 表示莫兰指数(Moran’s I); 是要素 的属性与
其平均值的偏差( ? ), 是某一地区的农业碳排放
效率; 是要素 和 之间的空间权重; 是所有空间
权重的聚合。
S0 =
n∑
i=1
n∑
j=1
wi;j (3)
xi
I
在计算时, 需要将 进行归一化处理, 因此莫兰
指数( )的取值范围在[?1, +1]之间, 大于0表示属
性空间正相关, 小于0表示负相关, 当取值为0则表
巴音郭楞蒙古自治州
Bayingolin
和田地区
Hotan
阿克苏地区
Aksu
伊犁哈萨克自治州
Ili Kazak
博尔塔拉蒙古自治州
Bortala塔城地区Tacheng
克拉玛依市
Karamay
阿勒泰地区
Altay
昌吉回族自治州
Changji
乌鲁木齐市
Urumqi
克孜勒苏柯尔克孜自治州
Kizilsu Kirgiz
喀什地区
Kashi
哈密市
Hami吐鲁番市
Turpan
45°0′0″N
40°0′0″N
35°0′0″N
40°0′0″N
45°0′0″N
50°0′0″N
80°0′0″E 85°0′0″E 90°0′0″E 95°0′0″E
70°0′0″E 80°0′0″E75°0′0″E 85°0′0″E 90°0′0″E 95°0′0″E
图 1 研究区概况
Fig. 1 Studying area
第 2 期 邓 路等 : 基于机器学习算法的新疆农业碳排放评估及驱动因素分析 267
http://www.ecoagri.ac.cn
示不存在空间自相关性。
当存在全局相关性时, 利用局部莫兰指数计算
空间聚集关系:
Ii = ZiS 2
n∑
j,i
wijZj (4)I
i Zi xi X xi
X
Zj xj X xj i j,i
X wij
i j
式中: 表示局部莫兰指数; =( ? ), 是某一地区
的 农 业 碳 排 放 效 率, 是 碳 排 放 效 率 的 平 均 值;
=( ? ), 表示非第 个区域( )农业碳排放效
率, 是所有地区农业碳排放效率的平均值; 是要
素 和 之间的空间权重。
S 2
公式(4)中的 计算方法如下:
S 2 = 1n
∑(
xi X
)2
(5)
Zi x ∑nj,i wijZj y
以公式(4)中的 为 轴, 以 为 轴, 可以
将平面划分为4个象限, 统计其中置信度大于95%
的区域(非随机分布), 可以确定空间聚集关系。
1.4 农业碳排放效率的计算
相对于农业碳排放总量, 人们往往更关心排放
出 的 碳 能 带 来 多 少 收 益, 因 此 本 研 究 将 农 业 产 值
(元)和碳排放(t)的比值定义为农业碳排放效率, 该
数值越高, 代表该区域以更少的排放量创造了更多
的农业产值, 能有效反映碳约束条件下该区域的农
业生产效率。计算公式如下:
Ce = ApC
p
(6)
Ce Ap Cp
式中: 表示农业碳排放效率, 表示农业产值,
表示碳排放量。
1.5 农业碳排放影响因素分析
1.5.1 影响因素选取
根据现有的研究[33-36], 产业结构、经济水平、城
镇化水平、农业规模化程度、农业产业结构、自然
灾害、气候条件等因素对于农业碳排放效率有较为
显著的影响。结合区域数据可获得性, 本研究选取
如下变量分析其与农业碳排放效率之间的关系, 详
见表2。
地区生产总值和农业生产效率能代表当地经济
发展情况。通常来说, 经济水平高的地区, 农业生产
中农用物资的使用量也较高, 进而增加碳排放, 降低
碳排放效率; 另一方面经济水平高的地区农业产值
也较高, 从而提高碳排放效率。
耕地规模、农业规模化程度反映了区域农业的
集聚发展情况。一般来说, 农业规模越大, 则当地的
绝对碳排放量也越高, 但是规模化越高的区域, 也有
利于引进先进的农业管理技术, 从而节约农业物质
投入量, 降低碳排放量, 提高碳排放效率。
农业机械化水平、产业结构高级化、农业电气
化水平反映了区域农业生产方式。这一类指标考察
不同的生产方式对农业碳排放效率的影响。
城镇化水平的提升会促进二、三产业的快速发
展, 同时二、三产业的发展也会反过来影响农业生
产方式, 因此本研究将该变量纳入。
1.5.2 影响效果的测算
根据目前的研究, 农业碳排放受到诸多要素的
影响, 传统回归模型预设条件过多, 会造成多重共线
性和自由度下降等问题, 随机森林算法不对数据进
行假设, 能避免上述问题, 使结果更加稳健[37]。
1)模型的建立
随机森林的计算过程如图2。
单棵决策树中, 农业碳排放效率为连续响应变
量, 根据预测的农业碳排放效率和实际农业碳排放
效率之间残差平方和最小原则, 选出最优的单棵决
策树(确定特征向量)。随后对样本进行多次随机抽
样, 生产多棵决策树, 然后将不同决策树的预测结果
进行平均(接合器), 输出随机森林模型。
决策树特征向量计算公式:
表 1 农业碳排放源及碳排放系数
Table 1 Agricultural carbon emission sources and carbon emission coefficients
碳源
Carbon source
碳排放系数
Carbon emission coefficient
参考来源
Reference source
数据来源
Data source
化肥
Fertilizer 0.90 kg(C)·kg
?1 美国橡树岭国家实验室
Oak Ridge National Laboratory, USA
统计年鉴
Statistical Yearbook
农膜
Agriculture film 5.18 kg(C)·kg?1
南京农业大学农业资源与生态环境研究所
Institute of Agricultural Resources and Ecological Environment,
Nanjing Agricultural University
由统计年鉴数据折算
Converted from Statistical
Yearbook data
农业机械
Agricultural machinery
P×16.47 kg(C)·hm?2+
W×0.18 kg(C)·kW?1
中国碳排放交易网
China Carbon Emission Trading Network
统计年鉴
Statistical Yearbook
农业灌溉
Agricultural irrigation 2.6648 kg(C)·hm?2
West, et al.[31] 由统计年鉴数据折算
Converted from Statistical
Yearbook data
农业翻耕
Agricultural ploughing 3.1260 kg(C)·hm
?2 黄华等
[32]
Huang, et al.[32]
统计年鉴
Statistical Yearbook
P为农业播种面积, W为农业机械总动力。P is the agricultural planting area, W is the total power of agricultural machinery.
268 中国生态农业学 报 (中英文 )?2023 第 31 卷
http://www.ecoagri.ac.cn
minj;m
26
6666
64
∑
qi2R1(j;m)
(qi ?qR1)2 +
∑
qi2R2(j;m)
(qi ?qR2)2
37
7777
75 (7)?q
R1 ?qR2
式中: 和 是划分后两组样本的均值, 公式为:
?qR1 = mean[qi j qi 2 R1 (j;m)] (8)
?qR2 = mean[qi j qi 2 R2(j;m)] (9)
qi
?qR1和?qR2
式中: R1和R2是分裂后的不同区域, 是农业碳排放
效率的实际值, 为农业碳排放效率预测值, 目
标是使农业碳排放效率的预测值与实际值的样本总
残差平方和(RSS)最小, 重复上述过程500次, 建立
随机森林模型。
2)特征向量的偏依赖模型
x=
(
x1 x2 xp
)’
为解析特定变量对于目标的边际效应, 例如对
于特征向量 , 假设y=f(x), 但函
数f(·)无解析表达式, 则第一个特征变量x1对y的边
际效应:
@y
@x1 =
@f(x1;x2; ;xp)
@x1 (10)
@y
@x1
(x2; ;xp)
y= f (x1;x2; ;xp) (x2; ;xp)
式中: 依赖于其他变量 的取值, 因此将
函数 中, 其他变量 对于
y的影响通过积分平均消除:
表 2 农业碳排放影响因素指标体系
Table 2 Index system of influencing factors of agricultural carbon emission
指标 Index 度量方式 Measurement 单位 Unit
耕地规模
Cultivated land scale
农作物播种面积
Crop planting area ×10
3 hm2
非城镇化水平
Non-urbanization level
乡村人口 /总人口
Rural population/total population %
农村经济发展水平
Rural economic development level
农业产值 /从事农业人员
Agricultural output/persons engaged in agriculture ×10
4·person?1
农业规模化程度
Process of large-scale argricultural production
农作物播种面积 /从事农业人员
Crop sown area/agricultural personnel hm
2·person?1
农业电气化程度
Agricultural electrification degree
农村用电量 /乡村人口
Rural electricity consumption/rural population ×10
4 kWh·person?1
经济发展水平
Economic development level
地区生产总值
Regional GDP ×10
4 ￥·person?1
农业机械化水平
Agricultural mechanization level
机械总动力 /农作物播种面积
Total mechanical power/crop planting area kW·hm
?2
产业结构高级化
Advanced industrial structure
第二 、 三产业 /地区生产总值
Secondary and tertiary industries/regional GDP %
输入
Input
决策树 1
Decision tree 1
决策树 2
Decision tree 2
决策树 3
Decision tree 3
决策树 500
Decision tree 500
……
节点 1
Node 1
节点 2
Node 2
节点 4
Node 4
节点 3
Node 3
节点 5
Node 5
节点 1
Node 1
节点 2
Node 2
节点 4
Node 4
节点 3
Node 3
节点 5
Node 5
节点 1
Node 1
节点 2
Node 2
节点 4
Node 4
节点 3
Node 3
节点 5
Node 5
节点 1
Node 1
节点 2
Node 2
节点 4
Node 4
节点 3
Node 3
节点 5
Node 5
接合器
Adapter
输出
Output
图 2 随机森林计算过程示意图
Fig. 2 Schematic diagram of random forest calculation process
第 2 期 邓 路等 : 基于机器学习算法的新疆农业碳排放评估及驱动因素分析 269
http://www.ecoagri.ac.cn
?(x1) = Ex2; ;xp f(x1;x2; ;xp) (11)
Ex2; ;xp f( ) (x2; ;xp)
?(x1)
式中: 期望算子 对变量 求期望, 因
此所得结果 只是x1的函数。由于f(·)无解析表
达式, 很难计算此期望, 因此用样本均值代替总体均
值可得:
??(x1) = 1
n
n∑
i=1
f(x1;xi2; ;xip) (12)
??(xi)
对于任意给定xi, 都可以计算 , 并画出偏依
赖图。
2 新疆区域碳排放效率实证分析
2.1 新疆农业总体碳排放情况
为探究新疆农业碳排放的总体情况, 将2010 ?
2019年不同地区的农业碳排放总量进行累加, 所占
比例如图3所示。根据统计年鉴中的分类, 将新疆
分为3级行政区划, 分别为自治区级、自治州级(包
含地级市)和县市级, 不同颜色代表不同的行政级别。
圆堆积图能直观显示碳排放量的层级结构及同一层
级的相对比例[38], 图中比例尺为县市一级碳排放比例
尺, 其他级别的碳排放量进行了等比放大, 确保相同
级别之间可以互相比较。
2.1.1 排放量占比靠前的区域
农业碳累积排放量占比前三的地州分别为生产
建设兵团、阿克苏地区和喀什地区, 2010 ?2019年
碳 累 积 排 放 量 分 别 为1019.86万t、521.10万t和
516.31万t, 占全疆农业碳总排放量的27.75%、14.18%
和14.05%, 合计占总排放量的55.97%。生产建设兵
团下属14个师, 每个师约有6~9个团, 由于范围较
大, 排放量也较多; 阿克苏地区下属9个县市, 喀什
地区下属12个县市, 两地累积碳排放量接近。从市
域级别来看, 排放量前3的分别是乌鲁木齐市、乌
苏市、阿克苏市, 其中乌鲁木齐市最高, 为226.49万t,
占全疆总量6.16%。从县域级别来看, 排放量前3的
分别是沙湾县、沙雅县、莎车县, 其中沙湾县最高,
为120.08万t, 占全疆总量3.43%。
2.1.2 排放量占比靠后的区域
农业碳累积排放量占比靠后的3个地区分别
是伊犁哈萨克自治州、博尔塔拉蒙古自治州和克孜
勒 苏 柯 尔 克 孜 自 治 州, 排 放 量 分 别 为127.65万t、
117.96万t和25.99万t, 占比分别为3.47%、3.21%
和0.71 %, 可以看出伊犁哈萨克自治州和博尔塔拉
蒙古自治州的排放量较为接近, 而克孜勒苏柯尔克
孜自治州的排放量远小于前两地, 三地排放量累积
占全疆总排放量的7.39%。从单独县市的排放数据
来看, 排放量占比靠后的3个市县分别为塔什库尔
干塔吉克自治县、乌恰县和阿合奇县, 排放量分别
为1.17万t、0.43万t和0.28万t, 累积占比为0.05%
左右。
2.2 新疆农业碳排放结构分析
2010?2019年新疆农业碳排放情况如图4所示。
从时间构成来看, 农业碳排放总量是逐步增长的, 从
2010年的292.24万t, 增加到2019年的379.69万t,
10年间增加29.93%, 年均增速为3.33%。总体来看,
化肥使用、农膜使用、农业翻耕、农业灌溉、农业
机械使用的碳排放量也是逐年增加的, 年均增速分
别为5.53%、0.37%、3.30%、3.30%和3.46%, 其中
增长较快的是化肥使用和农业机械使用带来的碳排
放量。从类别构成来看, 使用化肥造成的碳排放占
比最高, 达58.06%; 其次为农膜的使用, 达39.03%; 而
机械使用、灌溉、翻耕产生的碳排放相对较低, 占
比分别为2.82%、0.03%和0.05%。
化肥使用无论从增速还是占比上来说都是造成
农业碳排放增加的最主要因素。农膜使用的碳排放
量占比较大, 但增速比较平缓。农业翻耕、农业灌
溉、农业机械碳排放等占农业碳排放量比例较小,
但增速较快。
2.3 新疆农业碳排放效率的时空分异规律
挑选2010年、2013年、2016年和2019年的农
业碳排放效率数据进行分析, 利用Arcgis软件进行
数据可视化(图5)。阿拉尔市、米泉市、图木舒克
市、五家渠市和石河子市由于统计数据的缺失, 因
此未纳入讨论范围。
总体来看农业碳排放效率呈现出不断增长的态
势。农业碳排放效率上限不断上涨, 更多的区域向
高效率区间集中。从增长速度来看, 大致可以分为
两个阶段: 第一阶段为2010 ?2013年, 呈现出快速
增长态势; 第二阶段为2013 ?2019年, 增速放缓, 呈
现出缓慢上涨态势。
具体各年来看: 1) 2010年, 全疆农业碳排放效
率在50元?t?1以下的地区有47个, 占比为55.29%; 碳
排 放 效 率 在50~100元·t?1的 区 域 有29个, 占 比 为
34.12%; 碳排放效率在100~150元?t?1的区域有8个,
占比为9.41%; 碳排放效率超过150元?t?1的区域有
1个。全疆农业碳排放效率处于较低水平。农业碳
排放效率最低的是奎屯市, 为10.79元?t?1; 农业碳排
放 效 率 最 高 的 是 鄯 善 县, 为155.83元?t?1。2) 2013
年, 全疆农业碳排放效率在50元?t?1以下的地区有
270 中国生态农业学 报 (中英文 )?2023 第 31 卷
http://www.ecoagri.ac.cn
疏附县
Shufu
泽普县
Zepu
疏勒县
Shule
麦盖提县
Markit叶城县
Yecheng岳普湖县Yopurga
巴楚县
Bachu
伽师县
Jiashi
库车市
Kuqa
阿克苏市
Aksu
阿瓦提县
Awat
生产建设兵团
Corps
乌鲁木齐市
Urumqi
温宿县
Wensu
乌什县
Wushi
拜城县
Baicheng
新和县
Xinhe 沙雅县
Xayar
莎车县
Shache
喀什市
Kashi
英吉沙县
Yengisar
碳排放
5
10
20
40
60
80
100
200
行政区划
Administrative region
自治区
Autonomous region
自治州
Autonomous prefecture
县市
County and city
Carbon emission (×10 4 t)
图 3 2010—2019年新疆农业累积碳排放量
Fig. 3 Cumulative carbon emissions from agriculture in Xinjiang from 2010 to 2019
200
150
100
50
2010
2012
2014年份
Year 2016
2018
化肥使用
Fertilizer
application
农膜使用
Agricultural film
application农业碳排放来源
Source of agricultural carbon emission
灌溉
Irrigation农业机械使用
Agricultural
machinery use
翻耕
Ploughing
碳排放量
Carbon emission ( 10
4 t)
碳排放量
Carbon emission ( 104 t)
200
150
100
50
图 4 2010—2019年新疆农业碳排放结构
Fig. 4 Xinjiang’s agricultural carbon emission structure from 2010 to 2019
第 2 期 邓 路等 : 基于机器学习算法的新疆农业碳排放评估及驱动因素分析 271
http://www.ecoagri.ac.cn
28个, 占比为32.94%; 农业碳排放效率在50~100元?t?1
的地区有39个, 占比为45.88%; 农业碳排放效率在
100~150元?t?1的区域有12个, 占比为14.12%; 农业
碳 排 放 效 率 超 过150元?t?1的 区 域 有6个, 占 比 为
7.06%。新疆农业碳排放效率增速较快, 大部分区
域的农业碳排放效率集中在50~100元?t?1区间。农
业碳排放效率最低的是乌鲁木齐市，为3.17元?t?1;
农业碳排放效率最高的是若羌县, 为378.98元?t?1。
3) 2016年, 全疆农业碳排放效率在50元?t?1以下的
地 区 有25个, 占 比 为29.41%; 农 业 碳 排 放 效 率 在
50~100元?t?1的地区有43个, 占比为50.59%; 农业碳
排 放 效 率 在100~150元?t?1的 区 域 有9个, 占 比 为
10.59%; 农 业 碳 排 放 效 率 超 过150元?t?1的 区 域 有
8个, 占比为9.41%。新疆农业碳排放效率增速较快,
大部分区域的农业碳排放效率集中在50~100元?t?1
区 间 。 农 业 碳 排 放 效 率 最 低 的 是 乌 鲁 木 齐 市, 为
1.67元?t?1; 农 业 碳 排 放 效 率 最 高 的 是 若 羌 县, 为
307.17元 ?t?1。 当 年 农 业 碳 排 放 效 率 超 过 200.01
元?t?1的区域达到了4个。4) 2019年, 全疆农业碳排
放效率在50元?t?1以下的地区有26个, 占比为30.59%;
农业碳排放效率在50~100元?t?1的地区有38个, 占
比为44.71%; 农业碳排放效率在100~150元?t?1的区
域有7个, 占比为8.24%; 农业碳排放效率超过150
元?t?1的区域有14个, 占比为16.47%。大部分区域
的农业碳排放效率依然集中在50~100元?t?1区间内,
同时农业碳排放效率超过150元?t?1的区域大幅增长。
农业碳排放效率最低的是乌鲁木齐市, 为1.80元?t?1;
农业碳排放效率最高的是伊宁县, 为509.67元?t?1。
当年农业碳排放效率接近或高于225.00元?t?1的区
域达到了3个, 农业碳排放效率整体提升较大。
根据赵宇铭等[39]的研究, 新疆地区除伊犁州及
克孜勒苏自治州小部分区域属于半干旱区域外, 其
余地区都属于干旱区。整体来看, 北疆地区的降水
量高于南疆地区, 但南疆地区的农业碳排放效率整
体高于北疆。结合新疆气象局对干旱区域的划分以
及2019年农业碳排放效率来看, 极端干旱区域的农
业碳排放效率处于较高水平, 例如年均降水量常年
靠后的吐鲁番市、且末县、鄯善县等地, 2019年的
农业碳排放效率分别是254.62元?t?1、97.76元?t?1、
214.51元?t?1, 在全疆处于较高水平。相对湿润区域
的农业碳排放效率在全疆处于中等水平。例如年均
降水量常年靠前的新源县、昭苏县、特克斯县等地,
2019年 的 农 业 碳 排 放 效 率 分 别 是 127.80元 ?t?1、
96.37元?t?1、118.78元?t?1。塔克拉玛干沙漠是中国
最大的沙漠, 分布在巴音郭楞蒙古自治州、阿克苏、
喀什、和田等4个区域, 其中巴音郭楞蒙古自治州、
喀什、和田的农业碳排放效率较高, 而阿克苏地区
的农业碳排放效率较低。
2.4 新疆农业碳排放效率空间集聚效应
对2019年新疆农业碳排放效率进行空间相关性
分析, 全局空间莫兰指数为0.296, 说明存在空间相关
性, 随后利用Geoda进行数据计算和可视化(图6)。
如图6所示, 具有空间相关性的区域共有14个,
其 中 高 高 聚 集 的 区 域 有6个, 低 低 聚 集 的 区 域 有
6个, 低高聚集的区域有2个。高高聚集的区域是尼
勒克县、伊宁市、察布查尔锡伯自治县、巩留县、
和田县与和田市6个区域, 说明这些区域的农业碳
排放效率整体较高, 通过分析原始数据发现, 这些地
区的农业产值并不高, 碳排放效率较高的原因是物
质投入较少。低低聚集的区域是福海县、和布克赛
尔蒙古自治县、托里县、沙湾县、奎屯市和新和县
等6个区域, 这些地区农业产值相对较高, 但相应的
碳排放更多, 造成这些区域出现低低聚集。低高聚
集的区域有两个: 精河县和霍城县, 说明这两个地方
碳排放效率较低, 但周边地区效率高, 可能是由于高
值区域对低值区域产生了不利的虹吸效应造成的。
2.5 新疆农业碳排放效率的影响因素
2.5.1 模型参数的优化与预测效果评估
按表2中选取的影响因素建立数据集, 将数据集
中70%的数据(619条)作为训练集, 其中30%的数
据作为测试集。建立模型, 并优化相关参数。
如图7所示, 决策树数量从1增加到300时, 模
型袋外误差从1823.01下降到904.41, 随后继续增加
决策树的数量, 模型袋外误差依然在900左右波动,
说明此时, 继续增加决策树数量也无法继续降低模
型误差(也不会提高), 因此本研究将决策树数量定
为500。
如图8所示, 在候选影响要素中, 每次随机选择
其中的5个构建单棵决策树, 预测的农业碳排放效
率和实测值均方误差最小, 为884.07, 因此将模型候
选变量个数设定为5 (mytrees=5)。
如图9所示, 横轴为测试集中实际的农业碳排放
量, 纵轴为随机森林模型预测的碳排放量, 除个别极
值外, 绝大多数点的拟合效果较好, 理想状态下拟合
线呈现45°分布。此时农业碳排放量的实际值略低
于预测值, 模型的拟合优度R2=0.56, 说明模型具有较
好的模拟效果, 选取的影响因素较为合理。
2.5.2 新疆农业碳排放效率的影响因素
图10表示, 去掉某一个变量后, 袋外误差上升的
272 中国生态农业学 报 (中英文 )?2023 第 31 卷
http://www.ecoagri.ac.cn
碳排放效率
Carbon emission efficiency (￥?t?1 )
≤25
25.01~50.00
50.01~75.00
75.01~100.00
100.01~125.00
125.01~150.00
150.01~175.00
175.01~200.00
200.01~225.00
≥225
2010 2013
2016 2019
N
0 250 500 1000 km
图 5 2010—2019年新疆农业碳排放效率时空格局演化过程
Fig. 5 Spatiotemporal pattern of agricultural carbon emission efficiency in Xinjiang from 2010 to 2019
N
0 125 250 500 km
LISA index
LISA指数
高-高 (6) High-high (6)
低-低 (6) Low-low (6)
低-高 (2) Low-high (2)
高-低 (0) High-low (0)
不显著 (76) Non-significant (76)
图 6 2019年新疆农业碳排放效率的LISA集聚图
Fig. 6 LISA agglomeration map of Xinjiang’s agricultural carbon emission efficiency in 2019
第 2 期 邓 路等 : 基于机器学习算法的新疆农业碳排放评估及驱动因素分析 273
http://www.ecoagri.ac.cn
百分比, 该值越大, 表明变量越重要。横轴为去除的
变量, 纵轴为去除该变量后袋外误差上升的百分比。
农业规模化程度、农村经济发展水平、耕地规模、
农业电气化程度对农业碳排放效率的袋外误差影响
较大。因此, 本文选取这4项因子具体分析其对农
业碳排放效率的影响。
如图11所示, 农业规模化程度、耕地规模、农
业电气化程度对农业碳排放效率大体都呈负作用,
而农村经济发展水平对农业碳排放效率大体都呈正
作用。具体来看, 农业规模化程度越高, 则农业碳排
放效率越低, 当农业规模化程度为0.12~2.02 hm2·人?1
时, 随着农业规模化程度的提高, 农业碳排放效率急
剧降低, 当该值高于2.02 hm2·人?1时, 对农业碳排放
效率的影响较为平缓(图11a)。农村经济发展水平
对农业碳排放效率呈现出显著的正向效果, 当该值
1 2915 5743 71 85
11
399
127 141 155 183169 197 211 239225 253 267 295281 309 323 351337 365 379 407393 421 435 463 491449 477
2000
1800
1600
1400
1200误差
Error
1000
800
决策树数量
Number of decision trees
图 7 决策树数量对袋外误差的影响
Fig. 7 Effect of the number of decision trees on the out-of-bag error
800
1
均方误差
Mean squared error 2 3 4
候选变量个数
Number of candidate variables
5 6 7 8
850
900
950
1000
图 8 决策树候选变量(影响因素)个数对农业碳排放量预
测均方误差的影响
Fig. 8 Influence of the number of candidate affecting factors
(variables) in decision tree on the mean square error
of agricultural carbon emission prediction
250
200
150
100预测值
Predictive value ( 10
4 t)
50
0
0 50 100 150 200
实际值 Actual value ( 104 t)
250 300 350 400
图 9 农业碳排放模型预测值与实际值对比
Fig. 9 Comparison of model predicted value and actual value
of agricultural carbon emission
农业规模化程度
Process of lar
ge-scale
agricultural production
农村经济发展水平Rural economic development level
耕地规模
Cultivated land scale农业电气化程度
Agricultural
electrification degree
农业机械化水平
Agricultural
mechanization level
非城镇化水平Non-urbanization
level
经济发展水平
Economic
development level产业结构高级化Advanced industrial
0
袋外误差上升的百分比
Percentage of out-of-bag error rise (%)
10
20
30
40
struc
ture
图 10 基于训练样本的农业碳排放效率的影响因素重要性(百分比越高, 重要性越大)
Fig. 10 Importance of influcening factors of agricultural carbon emission efficiency based on training samples (the factor with
higher percentage is more important)
274 中国生态农业学 报 (中英文 )?2023 第 31 卷
http://www.ecoagri.ac.cn
为0.21万~9.72万元·人?1时, 随着人均产值的增加,
碳排放效率剧烈增加, 但当该值大于9.72万元·人?1
时, 对农业碳排放效率的影响较为平缓(图11b)。耕
地规模对农业碳排放效率在120~17 220 hm2时, 对农
业碳排放效率有显著的负向影响, 随后当农作物播
种面积大于17 220 hm2时, 对农业碳排放效率的影响
较为平缓(图11c)。农业电气化水平对农业碳排放
效率呈现出正“U”型影响, 具体来说, 当农业电气化
水平为0.08×104~0.16×104 kWh·人?1时, 农业电气化
水平越高, 农业碳排放效率越低; 当农业电气化水平
继续提高, 处于0.16×104~0.60×104 kWh·人?1时, 农业
碳排放效率随着农业电气化水平的提高而提高; 随
后为0.65×104~0.98×104 kWh·人?1时, 农业碳排放效
率随着农业电气化水平的提高而降低; 当农业电气
化水平>0.98×104 kWh·人?1时, 对农业碳排放效率的
影响较小(图1d)。
125 a
115
105
95
可变效应
Variable ef
fect
85
75
65
0 20 40
农业规模化程度
Process of large-scale agricultural production (hm2?person?1 )
60 80 100
c
可变效应
Variable ef
fect
90
85
70
75
80
65
0 1000 2000 4000 600050003000
耕地规模
Cultivated land scale ( 103 hm2)
7000
d
可变效应
Variable ef
fect
90
85
70
75
80
65
0 1 2
农业电气化程度
3 4 5
b
可变效应
Variable ef
fect
65
75
85
95
105
115
0 50 100 150
农村经济发展水平
Rural economic development level ( 104 ￥?person?1 )
200 250
Degree of agricultural electrification (×10 4 kWh·person ?1 )
图 11 农业规模化程度(a)、农村经济发展水平(b)、耕地规模(c)、农业电气化程度(d)对农业碳排放效率的影响
Fig. 11 Effects of process of large-scale agricultural production (a), rural economic development level (b), cultivated land scale (c)
and degress of agricultural electrification (d) on agricultural carbon emission efficiency
3 讨论
本研究基于国家、南京农业大学、美国橡树岭
国家实验室等发布的碳排放系数, 计算了2010 ?2019
年新疆的农业碳排放量, 此方法主要基于农业物资
投入以及耕作方式计算。由于资金、设备、人力等
因素限制, 没有实地测量, 因此该方法存在一定程度
的偏差, 但此类估算方法在多种类型的研究中被广
泛应用[10,40-42], 计算方式成熟, 因此研究结果能为新疆
区域农业碳减排提供依据, 具有现实意义。
新疆2010 ?2019年农业碳排放总量整体上呈现
增长态势, 这与田成诗等[42]、田云等[43]、何艳秋等[44]
测算的全国、省际农业碳排放量变化趋势基本一致,
由于研究区域和测算方法有所不同, 因此增长速度
也有所不同。
新疆农业碳排放的主要来源是化肥和农用地膜
的使用, 这与胡婉玲等[45]的研究结论一致, 由于研究
区域和指标设置略有不同, 因此各个来源的比例稍
有差别。
新疆农业碳排放效率一直保持增长, 这与吴昊
玥等[33]的研究结果一致。具体来看, 新疆农业碳排
放效率一直保持增长态势, 但增长速度先快后慢。
这可能是早期农业耕作方式粗犷, 投入物资、能源
能快速提高农业产值(与原始数据变化情况相符合),
从而提高碳排放效率; 但农业产量后期提升难度较
大, 单纯投入物质, 而不提升科技和管理水平, 会导
致农业产值、碳排放效率增长速度下降。从空间维
度来看, 农业碳排放效率发生高值聚集的区域主要
是由于物质投入少, 而非农业产值高; 发生低值聚集
的区域农业产值相对较高, 但物质投入更高(科技、
管理水平低)。综合时空两个变化维度来看, 新疆农
第 2 期 邓 路等 : 基于机器学习算法的新疆农业碳排放评估及驱动因素分析 275
http://www.ecoagri.ac.cn
业生产依然较为依赖物质投入, 管理方式相对粗犷,
存在管理水平较低、科技投入不足等问题。
关于降水对农业碳排放效率的研究相对较少,
本研究一定程度上充实了该类研究。新疆地处干旱、
半干旱区域, 气候类型较为特殊。整体来看, 内部降
水较低的南疆区域, 农业碳排放效率较高, 特别是降
水极低的吐鲁番、鄯善县等地, 农业碳排放效率较
高。内部降水较高的北疆区域, 农业碳排放效率较
低, 而相对降水最高的新源县、昭苏县、特克斯县
等地, 农业碳排放效率处于中等水平。这可能和新
疆区域农业发展格局有关, 新疆农业碳排放效率较
高的几个区域都不属于农业特别发达区域, 农业碳
排放效率较高是由于物质投入少造成的; 极端干旱
区域的农业发展水平落后, 因此化肥、农膜用量也
小, 造成农业碳排放效率变高。北疆降水较多的区
域, 农业发达, 农业产值较高, 也因此投入的农业物
资较多, 造成这些区域的农业碳排放效率处于中等
水平。
吴昊玥等[33]、胡婉玲等[45]、张广胜等[46]、孟军
等[47]对农业碳排放效率的影响因素进行了研究分析,
为本研究的开展奠定了基础, 但上述研究由于模型
的限制, 只能确定影响因素的系数, 无法动态量化某
一影响因素对农业碳排放效率的影响, 本研究一定
程度上扩展了该类研究的深度。具体到新疆来看,
农业规模化程度对农业碳排放效率具有显著的负向
影响, 这是因为规模化程度越高, 农业机械的利用程
度也越高, 同时规模化的种植也更倾向于大批量投
入化肥、农膜等物质, 这些都会导致农业碳排放效
率下降。通过偏依赖关系分析发现, 当农业规模达
到一定程度后继续提高, 农业碳排放效率几乎不变。
这可能是由于种植规模达到一定程度后, 农业生产
中的科技投入、管理水平也提升了, 农业产值较快
增长, 抵消了农业碳排放增加带来的不利影响。耕
地规模对农业碳排放效率的影响也有类似的原因。
农村经济发展水平则对农业碳排放效率具有显著的
正向影响, 可能是因为经济发展水平高的区域, 科技
投入、管理水平都更高, 生态环保意识也更强, 导致
对农业碳排放效率显著提高。农业电器化程度前期
对碳排放效率有负向影响, 这可能是由于电力农机
的使用需要能源, 会增加碳排放; 但后期又具有显著
的正向作用, 这可能是由于随着电力设备的不断投
入, 农业朝智能化、高端化发展, 农业产值快速提高,
导致碳排放效率显著提升。由于负向影响因子, 农
业规模化程度、耕地规模后期影响平缓, 建议进一
步加大农业规模化程度、耕地规模, 在农业碳排放
效率略微降低的同时, 进一步提高农业产值。正向
影响因子, 农村经济发展水平和后期呈正向影响的
农业电器化程度也需要进一步提高, 提升农业碳排
放效率。
4 结论
本研究基于发布的碳排放清单, 对新疆不同层
级的99个行政单元2010 ?2019年的农业碳排放总
量和碳排放效率进行测算, 得到各区域农业碳排放
总量和碳排放效率的分布特征及动态演变趋势, 随
后用随机森林模型动态量化农业碳排放效率的影响
因素, 结果显示: 1) 2010 ?2014年新疆农业碳排放量
增速较快, 2015 ?2019年农业碳排放量增速较慢, 年
均增速3.33%。这说明新疆农业生产方式发生了一
定程度上的转变。2)农业碳排放主要来源是化肥和
农 膜 的 使 用, 二 者 相 加 占 新 疆 农 业 碳 排 放 来 源 的
97.09%, 农业碳排放效率高的大多数区域农业物质
投入少, 农业碳排放效率低的大多数区域农业产值
较高, 但物质投入过大。两者结合来看, 新疆农业发
展依然处于比较初级的阶段, 农业碳排放效率依然
有较大的提升空间。3)降水量对农业碳排放效率的
影响更多的是间接影响, 通过影响农业规模、农业
生产技术, 从而影响农业碳排放效率, 因此相对干旱
的吐鲁番、鄯善等地碳排放效率较高, 相对湿润的
新源、昭苏、特克斯等地, 碳排放效率处于中等水
平。4)应进一步加大农业规模化程度、耕地规模,
提高农村经济发展水平和农业电器化程度, 兼顾提
升农业产值和农业碳排放效率。
参考文献 References
政府间气候变化专门委员会(IPCC). 第四次报告[R]. https://
www.ipcc.ch/.
Intergovernmental Panel on Climate Change (IPCC). Fourth
Report[R]. https://www.ipcc.ch/.
[1]
JOHNSON J M F, FRANZLUEBBERS A J, WEYERS S L, et
al. Agricultural opportunities to mitigate greenhouse gas
emissions[J]. Environmental Pollution, 2007, 150(1): 107?124
[2]
THAMO T, KINGWELL R S, PANNELL D J. Measurement of
greenhouse gas emissions from agriculture: economic
implications for policy and agricultural producers[J]. Australian
Journal of Agricultural and Resource Economics, 2013, 57(2):
234?252
[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
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,
[4]
276 中国生态农业学 报 (中英文 )?2023 第 31 卷
http://www.ecoagri.ac.cn
Resources and Environment, 2011, 21(8): 80?86
闵继胜, 胡浩. 中国农业生产温室气体排放量的测算[J]. 中
国人口·资源与环境, 2012, 22(7): 21?27
MIN J S, HU H. Calculation of greenhouse gases emission from
agricultural production in China[J]. China Population,
Resources and Environment, 2012, 22(7): 21?27
[5]
高 鸣, 宋 洪 远. 中 国 农 业 碳 排 放 绩 效 的 空 间 收 敛 与 分
异 ?基于Malmquist-luenberger指数与空间计量的实证分
析[J]. 经济地理, 2015, 35(4): 142?148, 185
GAO M, SONG H Y. Dynamic changes and spatial
agglomeration analysis of the Chinese agricultural carbon
emissions performance[J]. Economic Geography, 2015, 35(4):
142?148, 185
[6]
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
TIAN Y, ZHANG J B, LI B. Agricultural carbon emissions in
China: calculation, spatial-temporal comparison and decoupling
effects[J]. Resources Science, 2012, 34(11): 2097?2105
[7]
田云, 张俊飚, 丰军辉, 等. 中国种植业碳排放与其产业发
展 关 系 的 研 究[J]. 长 江 流 域 资 源 与 环 境, 2014, 23(6):
781?791
TIAN Y, ZHANG J B, FENG J H, et al. Relationship between
planting industry carbon emissions and its industry development
in China[J]. Resources and Environment in the Yangtze Basin,
2014, 23(6): 781?791
[8]
张颂心. 中国农业碳排放量测算及影响因素分析 ?基于
省级面板数据的研究[J]. 湖北农业科学, 2021, 60(1): 60?64,
95
ZHANG S X. Calculation of agricultural carbon emission and
analysis of influencing factors in China: research based on the
data of provincial panel[J]. Hubei Agricultural Sciences, 2021,
60(1): 60?64, 95
[9]
张丽琼, 何婷婷. 1997—2018年中国农业碳排放的时空演进
与脱钩效应 ?基于空间和分布动态法的实证研究[J]. 云南
农业大学学报(社会科学), 2022, 16(1): 78?90
ZHANG L Q, HE T T. Spatio-temporal of agricultural carbon
emission and decoupling in China during 1997?2018: an
empirical research based on spatial and distribution dynamics
method[J]. Journal of Yunnan Agricultural University (Social
Science), 2022, 16(1): 78?90
[10]
万运帆, 李玉娥, 林而达, 等. 静态箱法测定旱地农田温室
气 体 时 密 闭 时 间 的 研 究[J]. 中 国 农 业 气 象, 2006, 27(2):
122?124
WAN Y F, LI Y E, LIN E D, et al. Studies on closing time in
measuring greenhouse gas emission from dry cropland by static
chamber method[J]. Chinese Journal of Agrometeorology, 2006,
27(2): 122?124
[11]
LAL R. Carbon emission from farm operations[J]. Environment
International, 2004, 30(7): 981?990
[12]
李国志, 李宗植, 周明. 碳排放与农业经济增长关系实证分
析[J]. 农业经济与管理, 2011(4): 32?39
LI G Z, LI Z Z, ZHOU M. Empirical analysis on relationship
between carbon emissions and agricultural economic growth[J].
[13]
Agricultural Economics and Management, 2011(4): 32?39
程琳琳, 张俊飚, 何可. 农业产业集聚对碳效率的影响研
究: 机 理 、 空 间 效 应 与 分 群 差 异[J]. 中 国 农 业 大 学 学 报,
2018, 23(9): 218?230
CHENG L L, ZHANG J B, HE K. Different spatial impacts of
agricultural industrial agglomerations on carbon efficiency:
Mechanism, spatial effects and groups differences[J]. Journal of
China Agricultural University, 2018, 23(9): 218?230
[14]
程琳琳, 张俊飚, 何可. 空间视角下城镇化对农业碳生产率
的直接作用与间接溢出效应研究[J]. 中国农业资源与区划,
2019, 40(11): 48?56
CHENG L L, ZHANG J B, HE K. The direct influence and
indirect spillover effect of urbanization on agricultural carbon
productivity base on the spatial durbin model[J]. Chinese
Journal of Agricultural Resources and Regional Planning, 2019,
40(11): 48?56
[15]
武春桃. 城镇化对中国农业碳排放的影响 ?省际数据的
实证研究[J]. 经济经纬, 2015, 32(1): 12?18
WU C T. The impact of urbanization on agricultural carbon
emissions in China — An empirical study based on provincial
data[J]. Economic Survey, 2015, 32(1): 12?18
[16]
董明涛. 我国农业碳排放与产业结构的关联研究[J]. 干旱区
资源与环境, 2016, 30(10): 7?12
DONG M T. The association of agricultural carbon emissions
and industrial structure in China[J]. Journal of Arid Land
Resources and Environment, 2016, 30(10): 7?12
[17]
魏玮, 文长存, 崔琦, 等. 农业技术进步对农业能源使用与
碳排放的影响 ?基于GTAP-E模型分析[J]. 农业技术经济,
2018(2): 30?40
WEI W, WEN C C, CUI Q, et al. The impacts of technological
advance on agricultural energy use and carbon emission—an
analysis based on GTAP-E model[J]. Journal of Agrotechnical
Economics, 2018(2): 30?40
[18]
王惠, 卞艺杰. 农业生产效率、农业碳排放的动态演进与门
槛特征[J]. 农业技术经济, 2015(6): 36?47
WANG H, BIAN Y J. Dynamic evolution and threshold
characteristics of agricultural production efficiency and
agricultural carbon emissions[J]. Journal of Agrotechnical
Economics, 2015(6): 36?47
[19]
仇伟, 卢东宁. 基于VAR模型的农业碳排放影响因素及其动
态响应机制分析[J]. 湖北农业科学, 2019, 58(24): 271?276
QIU W, LU D N. Analysis of factors affecting agricultural
carbon emission based on VAR model and its dynamic response
mechanism[J]. Hubei Agricultural Sciences, 2019, 58(24):
271?276
[20]
刘丽辉, 徐军. 基于扩展的STIRPAT模型的广东农业碳排放
影响因素分析[J]. 科技管理研究, 2016, 36(6): 250?255
LIU L H, XU J. Analysis of influencing factors of agricultural
carbon emission in Guangdong Province with the extended
STIRPAT model[J]. Science and Technology Management
Research, 2016, 36(6): 250?255
[21]
BAI Y P, DENG X Z, JIANG S J, et al. Relationship between
climate change and low-carbon agricultural production: a case
[22]
第 2 期 邓 路等 : 基于机器学习算法的新疆农业碳排放评估及驱动因素分析 277
http://www.ecoagri.ac.cn
study in Hebei Province, China[J]. Ecological Indicators, 2019,
105: 438?447
王小彬, 武雪萍, 赵全胜, 等. 中国农业土地利用管理对土
壤 固 碳 减 排 潜 力 的 影 响[J]. 中 国 农 业 科 学, 2011, 44(11):
2284?2293
WANG X B, WU X P, ZHAO Q S, et al. Effects of cropland-
use management on potentials of soil carbon sequestration and
carbon emission mitigation in China[J]. Scientia Agricultura
Sinica, 2011, 44(11): 2284?2293
[23]
冉锦成, 马惠兰, 苏洋. 西北五省农业碳排放测算及碳减排
潜力研究[J]. 江西农业大学学报, 2017, 39(3): 623?632
RAN J C, MA H L, SU Y. A study on agricultural carbon
emission and carbon emission reduction potential in five
provinces in Northwest China[J]. Acta Agriculturae
Universitatis Jiangxiensis, 2017, 39(3): 623?632
[24]
周一凡, 李彬, 张润清. 县域尺度下河北省农业碳排放时空
演变与影响因素研究[J]. 中国生态农业学报(中英文), 2022,
30(4): 570?581
ZHOU Y F, LI B, ZHANG R Q. Spatiotemporal evolution and
influencing factors of agricultural carbon emissions in Hebei
Province at the County scale[J]. Chinese Journal of Eco-
Agriculture, 2022, 30(4): 570?581
[25]
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(中英文), 2022, 30(4): 558?569
LIU Y, LIU H B. Characteristics, influence factors, and
prediction of agricultural carbon emissions in Shandong
Province[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4):
558?569
[26]
祝宏辉, 李晓晓. 新疆农业碳排放的脱钩效应及驱动因素分
析[J]. 生态经济, 2018, 34(9): 31?35, 115
ZHU H H, LI X X. Analysis of decoupling effect and driving
factors of agriculture carbon emission in Xinjiang[J]. Ecological
Economy, 2018, 34(9): 31?35, 115
[27]
苏洋, 马惠兰, 李凤. 新疆农牧业碳排放及其与农业经济增
长的脱钩关系研究[J]. 干旱区地理, 2014, 37(5): 1047?1054
SU Y, MA H L, LI F. Xinjiang agriculture and animal
husbandry carbon emissions and its decoupling relationship with
agricultural economic growth[J]. Arid Land Geography, 2014,
37(5): 1047?1054
[28]
冉锦成, 苏洋, 胡金凤, 等. 新疆农业碳排放时空特征、峰
值 预 测 及 影 响 因 素 研 究[J]. 中 国 农 业 资 源 与 区 划, 2017,
38(8): 16?24
RAN J C, SU Y, HU J F, et al. Temporal and spatial
characteristics, peak value forecast and influencing factors of
agricultural carbon emissions in Xinjiang[J]. Chinese Journal of
Agricultural Resources and Regional Planning, 2017, 38(8):
16?24
[29]
WU X R, ZHANG J B, YOU L Z. Marginal abatement cost of
agricultural carbon emissions in China: 1993?2015[J]. China
Agricultural Economic Review, 2018, 10(4): 558?571
[30]
WEST T O, MARLAND G. A synthesis of carbon
sequestration, carbon emissions, and net carbon flux in
agriculture: comparing tillage practices in the United States[J].
[31]
Agriculture, Ecosystems & Environment, 2002, 91(1/2/3):
217?232
黄华, 倪鹏, 葛中全. 四川省农业生态系统碳排放测算及影
响因素分析[J]. 乐山师范学院学报, 2012, 27(5): 22?25
HUANG H, NI P, GE Z Q. Calculation and influencing factors
analysis of carbon emissions from agricultural ecosystems in
Sichuan Province[J]. Journal of Leshan Teachers College, 2012,
27(5): 22?25
[32]
吴昊玥, 黄瀚蛟, 何宇, 等. 中国农业碳排放效率测度、空
间溢出与影响因素[J]. 中国生态农业学报(中英文), 2021,
29(10): 1762?1773
WU H Y, HUANG H J, HE Y, et al. Measurement, spatial
spillover and influencing factors of agricultural carbon
emissions efficiency in China[J]. Chinese Journal of Eco-
Agriculture, 2021, 29(10): 1762?1773
[33]
刘 其 涛 . 中 国 农 业 碳 排 放 效 率 的 区 域 差 异 ?基 于
Malmquist-Luenberger指 数 的 实 证 分 析[J]. 江 苏 农 业 科 学,
2015, 43(9): 497?501
LIU Q T. Regional differences in China’s agricultural carbon
emission efficiency: an empirical analysis based on Malmquist-
Luenberger index[J]. Jiangsu Agricultural Sciences, 2015, 43(9):
497?501
[34]
张俊飚, 程琳琳, 何可. 中国农业低碳经济效率的时空差异
及影响因素研究 ?基于“碳投入”视角[J]. 环境经济研究,
2017, 2(2): 36?51
ZHANG J B, CHENG L L, HE K. The difference of China’s
agricultural low-carbon economic efficiency in spatial and
temporal and its influencing factors: a perspective of carbon
input[J]. Journal of Environmental Economics, 2017, 2(2):
36?51
[35]
田云, 王梦晨. 湖北省农业碳排放效率时空差异及影响因
素[J]. 中国农业科学, 2020, 53(24): 5063?5072
TIAN Y, WANG M C. Research on spatial and temporal
difference of agricultural carbon emission efficiency and its
influencing factors in Hubei Province[J]. Scientia Agricultura
Sinica, 2020, 53(24): 5063?5072
[36]
FRANKLIN J. The elements of statistical learning: data mining,
inference and prediction[J]. The Mathematical Intelligencer,
2005, 27: 83?85
[37]
张杰. R语言数据可视化之美: 专业图表绘制指南[M]. 北京:
电子工业出版社, 2019
ZHANG J. The Beauty of R Language Data Visualization-
professional Chart Drawing Guide[M]. Beijing: Publishing
House of Electronics industry, 2019
[38]
赵宇铭, 邱新法, 朱晓晨, 等. 1971—2010年中国干湿区降
雨 资 源 变 化 特 征 分 析[J]. 长 江 科 学 院 院 报, 2019, 36(5):
34?41
ZHAO Y M, QIU X F, ZHU X C, et al. Characteristics of
rainfall amount variations in wet and dry partitions of China
from 1971 to 2010[J]. Journal of Yangtze River Scientific
Research Institute, 2019, 36(5): 34?41
[39]
朱永彬, 马晓哲, 史雅娟. 县级尺度下河南省农业投入产出
效率与减排潜力分析[J]. 中国生态农业学报(中英文), 2022,
[40]
278 中国生态农业学 报 (中英文 )?2023 第 31 卷
http://www.ecoagri.ac.cn
30(11): 1?11
ZHU Y B, MA X Z, SHI Y J. Agricultural input-output
efficiency and the potential reduction of emissions in Henan
Province at the county scale[J]. Chinese Journal of Eco-
Agriculture, 2022, 30(11): 1?11
段华平, 张悦, 赵建波, 等. 中国农田生态系统的碳足迹分
析[J]. 水土保持学报, 2011, 25(5): 203?208
DUAN H P, ZHANG Y, ZHAO J B, et al. Carbon footprint
analysis of farmland ecosystem in China[J]. Journal of Soil and
Water Conservation, 2011, 25(5): 203?208
[41]
田成诗, 陈雨. 中国省际农业碳排放测算及低碳化水平评
价 ?基于衍生指标与TOPSIS法的运用[J]. 自然资源学报,
2021, 36(2): 395?410
TIAN C S, CHEN Y. China’s provincial agricultural carbon
emissions measurement and low carbonization level evaluation:
based on the application of derivative indicators and TOPSIS[J].
Journal of Natural Resources, 2021, 36(2): 395?410
[42]
田云, 张俊飚, 尹朝静, 等. 中国农业碳排放分布动态与趋
势演进 ?基于31个省(市、区) 2002—2011年的面板数据
分析[J]. 中国人口·资源与环境, 2014, 24(7): 91?98
TIAN Y, ZHANG J B, YIN C J, et al. Distributional dynamics
and trend evolution of China’s agricultural carbon emissions —
An analysis on panel data of 31 provinces from 2002 to 2011[J].
China Population, Resources and Environment, 2014, 24(7):
[43]
91?98
何艳秋, 陈柔, 吴昊玥, 等. 中国农业碳排放空间格局及影
响 因 素 动 态 研 究 [J]. 中 国 生 态 农 业 学 报 , 2018, 26(9):
1269?1282
HE Y Q, CHEN R, WU H Y, et al. Spatial dynamics of
agricultural carbon emissions in China and the related driving
factors[J]. Chinese Journal of Eco-Agriculture, 2018, 26(9):
1269?1282
[44]
胡婉玲, 张金鑫, 王红玲. 中国农业碳排放特征及影响因素
研究[J]. 统计与决策, 2020, 36(5): 56?62
HU W L, ZHANG J X, WANG H L. Characteristics and
influencing factors of agricultural carbon emission in China[J].
Statistics & Decision, 2020, 36(5): 56?62
[45]
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, 35(7): 18?26, 110
ZHANG G S, WANG S S. China’s agricultural carbon
emission: structure, efficiency and its determinants[J]. Issues in
Agricultural Economy, 2014, 35(7): 18?26, 110
[46]
孟军, 范婷婷. 黑龙江省农业碳排放动态变化影响因素分
析[J]. 生态经济, 2020, 36(12): 34?39
MENG J, FAN T T. Research on affecting factors
decomposition of agricultural CO2 emission in Heilongjiang
Province[J]. Ecological Economy, 2020, 36(12): 34?39
[47]
第 2 期 邓 路等 : 基于机器学习算法的新疆农业碳排放评估及驱动因素分析 279
http://www.ecoagri.ac.cn
|
|
