“双碳”目标下河南省农业碳排放影响因素及预测研究

DOI: 10.12357/cjea.20220267

高晨曦, 卢秋萍, 欧年青, 胡清萍, 林雪, 鲍玲鑫. “双碳”目标下河南省农业碳排放影响因素及预测研究[J]. 中国生态农业

学报 (中英文), 2022, 30(11): 1842?1851

GAO C X, LU Q P, OU N Q, HU Q P, LIN X, BAO L X. Research on influencing factors and prediction of agricultural carbon emis-

sion in Henan Province under the Carbon Peaking and Carbon Neutrality goal[J]. Chinese Journal of Eco-Agriculture, 2022, 30(11):

1842?1851

“双碳”目标下河南省农业碳排放影响因素及预测

研究

高晨曦, 卢秋萍, 欧年青, 胡清萍, 林　雪, 鲍玲鑫

(福建农林大学计算机与信息学院/生态与资源统计福建省高校重点实验室　福州　350002)

摘　要: 农业生产是碳排放的主要来源之一, 农业碳减排是中国实现“双碳”目标的重点方面。本文采用排放因子法

测算河南省农业碳排放量; 对STIRPAT模型进行扩展, 定性与定量分析了农业碳排放的各种影响因素; 建立RBF

核ε-SVR农业碳排放预测模型, 预测不同情景下河南省农业碳排放量及趋势。结果表明: 2001—2020年河南省农

业CO2排放量总体呈“上升-下降”的趋势, 年均增长率为?1.18%, 2005年达峰值10 256.69万t; 乡村人口、农作物播

种面积、大型畜牧数、人均农业GDP、农村人均可支配收入、农业机械化水平、城镇化率每发生1%的变动, 将

分别引起河南省农业CO2排放量0.162%、0.175%、0.130%、?0.018%、?0.029%、0.120%、?0.071%的变动; 在

基准情景和低碳情景Ⅰ、Ⅱ下, 2021—2025年河南省农业CO2排放量呈持续下降的变化趋势, 到2025年预测值分

别为6483.80万t、6369.19万t和6338.32万t。研究表明: 河南省农业已实现碳达峰; 抑制农业碳排放的重点是农

作物的土地利用及大型畜牧的粪便管理, 促进农业碳减排的重点是稳妥推进城镇化及农村经济发展; 低碳情景具有

更大的碳减排潜力, 有助于加速全省“双碳”目标的实现。

关键词: 河南省; 农业碳排放; 农业碳减排; 扩展STIRPAT模型; 支持向量回归

中图分类号: F302.5开放科学码(资源服务)标识码(OSID):



Research on influencing factors and prediction of agricultural carbon emission

in Henan Province under the Carbon Peaking and Carbon Neutrality goal

GAO Chenxi, LU Qiuping, OU Nianqing, HU Qingping, LIN Xue, BAO Lingxin

(College of Computer and Information, Fujian Agriculture and Forestry University / Key Laboratory of Fujian Universities for Ecology and

Resource Statistics, Fuzhou 350002, China)

Abstract: Agricultural production is one of the main sources of carbon emissions, and agricultural carbon emission reduction is a key

aspect for China to achieve Carbon Peaking and Carbon Neutrality goal. This study used the emission coefficient method to estimate

agricultural carbon emissions in Henan Province from 2001 to 2020. The STIRPAT model was extended to qualitatively and quantit-

atively analyze the various factors influencing agricultural carbon emissions. Accounting for the defects of traditional prediction mod-





国家自然科学基金项目(11501108)、福建省自然科学基金项目(2019J01400)和福建农林大学科技创新专项基金项目(CXZX2019122G)资助

通信作者: 鲍玲鑫, 主要研究方向为数理统计学、生态环境与资源统计。E-mail: [e-mail]

高晨曦, 主要研究方向为生态环境与资源统计。E-mail: [e-mail]

收稿日期: 2022-04-11　接受日期: 2022-05-28

This study was supported by the National Natural Science Foundation of China (11501108), the Natural Science Foundation of Fujian Province

(2019J01400), and the Special Fund for Science and Technology Innovation of Fujian Agriculture and Forestry University (CXZX2019122G).

Corresponding author, E-mail: [e-mail]

Received Apr. 11, 2022; accepted May 28, 2022



中国生态农业学报 (中英文)　?2022年11月　?第?30?卷　?第?11?期

Chinese?Journal?of?Eco-Agriculture,?Nov.?2022,?30(11):?1842?1851

http://www.ecoagri.ac.cn

els, such as over-fitting, fuzzy nonlinear relationships, and insufficient generalization ability, an agricultural carbon emission predic-

tion model based on the RBF (radial basis function) kernel ε-SVR (support vector regression) was established to predict agricultural

carbon emissions and trends in Henan Province from 2021 to 2025 under different scenarios. Agricultural CO2 emissions in Henan

Province showed an overall “increasing-decreasing” trend from 2001 to 2020, with an annual growth rate of ?1.18%, and reached

peaks of 1.0257×108 t in 2005. The main emission sources of agricultural CO2 in Henan Province had changed from enteric fermenta-

tion and manure management in animal husbandry to land utilization and rice cultivation in planting industry. Every 1% increase in

rural population, crop sown area, number of large livestock, agricultural GDP per capita, per capita rural disposable income, agricul-

tural mechanization level, and urbanization rate caused changes in agricultural CO2 emissions of 0.162%, 0.175%, 0.130%, ?0.018%,

?0.029%, 0.120%, and ?0.071% in Henan Province, respectively. Among the seven factors affecting agricultural carbon emissions in

Henan Province, the sown area of crops had the largest promoting effect, followed by the rural population and the number of large

livestock, and the agricultural mechanization level had the smallest promoting effect. The urbanization rate had the strongest inhibit-

ory effect, followed by the rural per capita disposable income, and per capita agricultural GDP had the least inhibitory effect. Under

the baseline scenario, agricultural CO2 emissions in Henan Province will continue to decline from 2021 to 2025, and the predicted

value in 2025 will be 6.4838×107 t, a decrease of 10.89% compared with 7.276×107 t in 2020. The low carbon scenario I presents a

faster decline rate than the baseline scenario, with a predicted value of 6.3692 ×107 t in 2025, a decrease of 12.47% compared with

2020. Under low carbon scenario Ⅱ, the decrease rate of agricultural CO2 emissions in Henan Province is the highest, and the pre-

dicted value in 2025 is 6.3383×107 t, which is 12.89% less than that in 2020. This study showed that agricultural carbon peaking had

been achieved in Henan Province. The further governance of agricultural carbon emissions should focuse on the land utilization of

crops and manure management of large livestock, and the focus of promoting agricultural carbon emission reduction should be to

steadily promote urbanization and rural economic development. Compared with the baseline scenario, the low-carbon scenario has

greater carbon emission reduction potential and can realize the efficient development of the rural economy, urbanization process, and

low-carbon agriculture, which will help accelerate the realization of the province’s Carbon Peaking and Carbon Neutrality goal.

Keywords: Henan Province; Agricultural carbon emissions; Agricultural carbon reduction; Extended STIRPAT model; Support vec-

tor regression



CO2等温室气体所产生的温室效应加速了全球

气候变化的进程, 世界各国已通过全球协议达成减

少温室气体排放的共识, 中国也积极参与在全球碳

减排行动之中, 并于2020年宣布“CO2排放力争于

2030年前达到峰值, 努力争取2060年前实现碳中

和”。农业生产作为碳排放的重要来源[1], 约占全球

温室气体排放总量的14%[2], 仅次于电热生产。中国

作为农业大国, 农业碳排放占总碳排放量的17%左

右[3]。因此, 农业碳减排是中国实现碳达峰、碳中和

目标的重要方面。

目 前, 农 业 碳 排 放 的 研 究 主 要 集 中 在 碳 排 放

测算[4-7]、时空演变[8-9]、脱钩效应[10-12]和碳减排策

略[13-14]等方面, 农业碳排放影响因素及预测分析有待

深究[15]。在农业碳排放影响因素分析方法中, 可拓展

的随机性的环境影响评估模型(Stochastic Impacts by

Regression on Population, Affluence, and Technology,

STIRPAT)可以充分考虑社会、经济和技术方面的

影响因素[16], 但忽略了区域城镇化进程对农业发展的

影响。在农业碳排放预测分析方法中, 目前普遍采

用传统预测方法, 如: 环境库兹涅茨曲线、IPAT方程、

STIRPAT模型、投入产出模型、灰色预测模型和

LEAP模型等[17], 这些传统预测方法往往存在模型计

算复杂或过拟合等缺陷, 且针对复杂的非线性农业

碳排放系统, 由于缺乏学习和测试过程, 易导致非线

性关系模糊、泛化能力不足等诸多弊端。支持向量

回归(Support Vector Regression, SVR)作为一种基于

统计学习理论的机器学习方法, 计算的复杂度只取

决于支持向量的数目, 不敏感损失函数的引入与核

技巧的应用也使得其能够避免过拟合和较好地解决

非线性问题, 适用于农业碳排放预测研究。

河南省作为农业大省, 2020年农业生产总值占

全国的7.23%, 位居全国第二。本文以河南省为例,

采用排放因子法测算2001 ?2020年河南省农业碳

放量。针对目前农业碳排放影响因素及预测分析模

型存在的不足之处, 构建扩展STIRPAT模型, 对农业

碳排放的各种影响因素进行定性与定量分析。建立

基 于 径 向 基 函 数(Radial Basis Function, RBF)核 ε-

SVR的 农 业 碳 排 放 预 测 模 型, 预 测 不 同 情 景 下

2021?2025年河南省农业碳排放量及趋势, 以期为

河南省农业碳减排及相关政策的制定提供量化参考

和科学依据, 同时也为区域农业碳排放研究提供新

的方法借鉴。

1 研究方法与数据来源



1.1 农业碳排放测算

采用联合国政府间气候变化专门委员会(Inter-

第 11 期 高晨曦等 : “双碳 ”目标下河南省农业碳排放影响因素及预测 研究 1843

http://www.ecoagri.ac.cn

governmental Panel on Climate Change, IPCC)指南的

排放因子法测算农业碳排放量。将农业温室气体排

放源划分为4类: 水稻种植、土地利用、动物肠道

发酵和粪便管理, 并以此建立农业碳排放测算框架。

确定各温室气体排放系数及对应的百年尺度CO2变

暖潜力的倍数。最终测算出农业CO2排放总量, 测

算公式如下:

E =

n∑

i=1

k∑

j=1

gi eij GWPj (1)

E gi i

eij i j

j

式中: 为农业CO2排放总量; 为第 类农业碳排放

源的量; 为第 类农业碳排放源第 类温室气体的排

放 系 数; GWPj为 第 类 温 室 气 体 对 应 的 百 年 尺 度

CO2变暖潜力的倍数。根据IPCC第5次评估报告,

温室气体CO2、CH4和N2O的百年尺度CO2变暖潜

力分别为1倍、28倍和265倍。

农业温室气体排放源与排放系数如表1所示。

1.2 农业碳排放影响因素分析模型

STIRPAT模型是York等[19]在Ehrlich等[20]提出

的IPAT模型的基础上改进而来的用于分析人文因

素对环境影响的随机模型。它将环境影响因素分解

为人口规模、富裕程度和技术水平3类, 不仅克服

了IPAT模型在假设检验方面的局限性[21], 还允许通

过增减或因素分解进行扩展改进[22], 且便于定性和定

量地分析人文指标对碳排放的影响程度。STIRP-

AT模型的基本形式为:

I =a Pb Ac Td e (2)

I P A T

a b c d

P A T e

式中: 、 、 、 分别代表环境影响、人口规模、

富裕程度和技术水平; 为模型系数; 、 、 分别为

、 、 的弹性指数; 为随机误差。

考虑到区域城镇化进程对农业发展的影响, 本

文在STIRPAT模型的基础上引入城镇化率指标对其

表 1 农业温室气体排放源与排放系数

Table 1 Agricultural greenhouse gas emission sources and emission coefficients

类别 Category 排放源 Emission source 排放系数 Emission coefficient 数据来源 Data source

水稻种植

Rice cultivation

华中一季稻

Central China single-season rice CH4: 236.7 kg?hm

?2 省级温室气体清单编制指南

Guidelines for compiling provincial greenhouse gas inventories

土地利用

Land utilization

灌溉 Irrigation CO2: 91.6667 kg?hm?2 Dubey[18]

翻耕 Plowing CO2: 1146.2 kg?hm?2 中国农业大学China Agricultural University

化肥 Fertilizer CO2: 3.2840 kg?kg?1 美国橡树岭国家实验室Oak Ridge National Laboratory, USA

农药 Pesticides CO2: 18.0917 kg?kg?1 美国橡树岭国家实验室Oak Ridge National Laboratory, USA

农膜 Agricultural film CO2: 18.9933 kg?kg?1 南京农业大学Nanjing Agricultural University

农用柴油 Agricultural diesel CO2: 3.1863 kg?kg?1 联合国政府间气候变化专门委员会Intergovernmental Panel on Climate Change (IPCC)

肠道发酵

Enteric fermentation

(kg?head?1?a?1)

牛 Cattle CH4: 80.01 省级温室气体清单编制指南

Guidelines for compiling provincial greenhouse gas inventories马 Horse CH

4: 18

驴 Donkey CH4: 10

骡 Mule CH4: 10

猪 Pig CH4: 1

山羊 Goat CH4: 8.3

绵羊 Sheep CH4: 8.13

粪便管理

Manure management

(kg?head?1?a?1)

牛 Cattle CH4: 7.1336

N2O: 1.1250

省级温室气体清单编制指南

Guidelines for compiling provincial greenhouse gas inventories

马 Horse CH4: 1.64

N2O: 0.33

驴 Donkey CH4: 0.90

N2O: 1.88

骡 Mule CH4: 0.90

N2O: 1.88

猪 Pig CH4: 5.850

N2O: 0.157

山羊 Goat CH4: 0.310

N2O: 0.106

绵羊 Sheep CH4: 0.340

N2O: 0.106

　　土地利用类别中的排放系数已根据碳排放系数换算成CO2排放系数(CO2排放系数=碳排放系数/12×44)。不同饲养规模和种类牛的碳排放系数存在

差异, 计算时取均值。The emission coefficient in the land utilization category has been converted into CO2 emission coefficient based on carbon emission

coefficient (CO2 emission coefficient = carbon emission coefficient/12×44). The carbon emission coefficient of cattle with different feeding scale and species is

different, and the mean value is used in calculation.

1844 中国生态农业学 报 (中英文 )?2022 第 30 卷

http://www.ecoagri.ac.cn

进行扩展, 建立以农村人口、农作物播种面积、大

型畜牧数、人均农业GDP、农村人均可支配收入、

农业机械化水平和城镇化率为农业碳排放影响因素

的扩展STIRPAT模型。模型表达为:

E =a R 1 S 2 L 3 A 4 I 5 M 6 U 7 (3)

式(3)两边同时取对数, 将非线性模型转化成线

性模型, 以便进行回归分析确定模型参数。对数变

换后模型表达为:

lnE = lna + 1 lnR+ 2 lnS + 3 lnL+ 4 lnA+

5 lnI+ 6 lnM+ 7 lnU (4)E a R

S L

A

I

M

U

1、 2、 3、 4、 5、 6、 7

R、S、L、A、I、M、U

E 1%、 2%、 3%、

4%、 5%、 6%、 7%

式中: 为农业CO2排放总量(万t); 为常数项; 为

农村人口(万人); 为农作物播种面积(万hm2); 为

大型畜牧数(万头), 代替原模型中的人口规模项;

为人均农业GDP(元); 为农村人均可支配收入(元),

代替原模型中的富裕程度项; 为农业机械化水平,

以农业机械总动力(万kWh)表示, 代替原模型中的

技 术 水 平 项; 为 城 镇 化 率(%), 反 映 城 镇 化 进

程; 为模型的弹性系数,

根据弹性系数概念, 当 每发

生1%的变动时, 将分别引起 发生

的变动。

1.3 农业碳排放预测模型

" f(x)

y "

"

SVR是Drucker等[23]在支持向量机的基础上扩

展而来的一种能够进行回归计算的机器学习方法。

由于SVR适合小样本的学习, 理论上可获得全局最

优解, 且能够通过核技巧较好地解决非线性回归问

题。不敏感损失函数 的引入允许其输出值 与真

实值 之间存在至多 的偏差, 在一定程度上能够避

免过拟合, 提高泛化能力。计算的复杂度也只取决

于支持向量的数目, 而与样本空间维数无关, 在高维

空间中具有一定优势。本文所研究的系小样本非线

性问题, 为避免过拟合和提高泛化能力, 采用如下 -

SVR模型:

输入训练集数据:

8><

>:

T =[(x1;y1);(x2;y2); ;(xi;yi); ;(xn;yn)]

xi 2 Rm;yi 2 R;i= 1;2; ;n (5)xi yi i= 1;2; ;n

式中: 为输入向量; 为输出值, 。

Rm

设 上的一个线性表达式为:

f(x) = (! x)+b (6)

! 2 Rm b 2 R

式中: 为权值向量; 为偏置。

f(x)

的求解问题可转化为式(7)、式(8)的最优

化问题:

f = min 12∥!∥2 +C

∑n

i=1

( i + ? i) (7)

s.t.

8>>

>><

>>>>

:

yi f(xi) ? "+ ? i; i= 1; 2; ; n

f(xi) yi ? "+ i; i= 1; 2; ; n

i; ? i ? 0; i= 1; 2; ; n

(8)

i ? i C "

式中: 和 为松弛变量; 为惩罚参数; 为不敏感损

失函数。满足线性规划的KKT条件, 根据拉格朗日

对偶性, 原始问题等价为对偶问题:

f = max

∑n

i=1

yi(?ai ai) "

∑n

i=1

(?ai +ai)

1

2

∑n

i=1

∑n

j=1

(?ai ai)(?aj aj)(xi xj) (9)

s.t.

8>>

<>

>:

∑n

i=1

(ai ?ai) = 0

0 ?ai; ?ai ?C; i= 1; 2; ; n

(10)a ?a

i

式中: 和 为拉格朗日乘子。

对应的线性回归模型为:

f(x) =

∑n

i=1

(?ai ai)(xi x)+b (11)

K(xi; xj)

对于非线性问题, 引入核函数 , 将线性支

持向量回归扩展到非线性支持向量回归:

f = max

∑n

i=1

yi(?ai ai) "

∑n

i=1

(?ai +ai)

1

2

∑n

i=1

∑n

j=1

(?ai ai)(?aj aj)K(xi; xj) (12)

s.t.

8>>

<>

>:

∑n

i=1

(ai ?ai) = 0

0 ?ai; ?ai ?C; i= 1; 2; ; n

(13)

输出对应的非线性回归模型为:

f(x) =

∑n

i=1

(?ai ai)K(x; xi)+b (14)

"

基于RBF核 -SVR的农业碳排放预测模型:

(xi; yi);i= 1;

2; ; n

将农业碳排放影响因素作为输入空间, 农业碳

排 放 量 作 为 输 出 空 间, 组 成 样 本 空 间

, 由样本空间随机划分训练集和测试集, 分

别进行模型的训练和测试, 根据学习策略迭代出最

优预测模型, 最后将预测年限的农业碳排放影响因

素作为模型输入, 输出预测值。具体步骤如下:

1)消除量纲影响。对样本空间进行归一化处理,

使所有样本数据值在[0, 1]之间。

8>>

>>>>

<>

>>>>

>:

x′i = xi minximaxx

i minxi

; i= 1; 2; ; n

y′i = yi minyimaxy

i minyi

; i= 1; 2; ; n

(15)x′i y′i

式中: 为归一化后的输入向量; 为归一化后的输

出值。

K(x; x′i) = exp( jjx x′ijj2)

"

2)划分训练集和测试集, 确定核函数。随机选

取m个样本组成训练集, 剩下的n?m个样本组成测

试集, 针对本文所研究的非线性问题, 选用径向基核

函数: , 设定不敏感损失函

数 的初始值, 应用基于均方误差(Mean Square Error,

第 11 期 高晨曦等 : “双碳 ”目标下河南省农业碳排放影响因素及预测 研究 1845

http://www.ecoagri.ac.cn

C



MSE)的网格搜索和交叉验证确定最优惩罚参数 和

核函数参数 。

f(x)

f(x)

3)模型训练与测试。先由训练集数据学习到模

型的最优解和回归函数 , 再将全部样本数据输入

到回归函数 中, 输出拟合值, 最后将拟合值与实

测值进行线性回归, 根据相关系数和MSE判断模型

的拟合度和泛化能力。

xi

f(x)

yt

4)模型预测。将预测年限的农业碳排放影响因

素值 按照式(15)进行归一化处理后, 输入学习到的

最优回归函数 中, 输出结果, 再依照式(16)进行

反归一化, 即得到预测年限的农业碳排放量 。

yt = f(x′i)(maxyi minyi)+minyi; i=1; 2; ; n (16)



1.4 数据来源及处理

本 研 究 中 河 南 省 农 业 碳 排 放 原 始 数 据 根 据

2002?2021年《中国统计年鉴》和《河南省统计年

鉴》整理得出。其中: 化肥施用量采用折纯量表示,

农药、农膜、农用柴油均以实际使用量表示, 翻耕

数据以当年实际农作物播种面积为准, 大型畜牧数

均以年末存栏数量为准, 人均农业GDP为种植业和

畜牧业生产总值与乡村人口的比值, 农业CO2排放

强度为农业CO2排放总量与种植业和畜牧业生产总

值的比值, 农业机械化水平以农业机械总动力表示。

2 结果与分析



2.1 农业碳排放结构及时序特征分析

2001?2020年河南省农业碳排放结构表明(图1):

土地利用对农业CO2排放总量的平均贡献率最大,

为48.31%; 其次是动物的肠道发酵、粪便管理和水

稻种植, 分别贡献了31.28%、16.05%和4.37%。水

稻种植和土地利用的农业CO2排放量(贡献率)总

体呈上升趋势, 分别从2001年的275.66万t (3.02%)、

3443.34万t (37.75%)上 升 至2020年 的408.97万t

(5.62%)、4357.12万t (59.88%)。 动物的肠道发酵、

粪便管理的农业CO2排放量(贡献率)总体呈下降趋

势, 分别从2001年的3857.85万t (42.30%)、1543.79

万t (16.93%)下降至2020年的1444.25万t (19.85%)、

1066.23万t (14.65%)。 总体来看, 河南省农业CO2

主要排放源已经从畜牧业的肠道发酵和粪便管理转

移至种植业的土地利用和水稻种植; 农业CO2排放

总量主要呈现“上升-下降”的趋势, 年均增长率为

?1.18%, 当前全省农业碳排放总体已呈降低趋势, 特

别是在2006年和2017年有大幅下降, 分别较上年下

降9.40%和16.67%, 且农业CO2排放量于2005年达

峰值, 为10 256.69万t, 而2020年已降至 7276.56 万t,

较峰值降低29.06%。



12 000

10 000

农业

CO

2

排放量

Agricultural CO

2 emissions ( 10

4 t)

8000

6000

4000

2000

0

2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020

年份 Year

水稻种植 Rice cultivation

土地利用 Land utilization

肠道发酵 Enteric fermentation

粪便管理 Manure management



图 1 2001 ?2020年河南省农业CO2排放结构

Fig. 1 Structure of agricultural CO2 emissions in Henan Province from 2001 to 2020



农业碳排放强度是指每单位农业生产总值的增

长所带来的碳排放量[24], 能有效反映碳排放与农业经

济增长之间的联系。2001 ?2020年河南省农业CO2

排放强度主要呈现“下降-上升-下降”的趋势(图2),

年均增长率为?8.69%, 2001 ?2020年河南省农业CO2

排放强度呈现先降低后升高的趋势, 且于2003年达

到峰值4.86 t?万元?1, 此后逐年下降, 2004年的下降

幅度最大, 相比上年排放强度降低24.27%, 2020年

已下降至0.80 t?万元?1, 较峰值降幅为83.54%。这些

结果表明近年来河南省农业产业转型优化对农业碳

减排效果显著, 农业碳排放与农业经济增长已逐渐

脱钩。

1846 中国生态农业学 报 (中英文 )?2022 第 30 卷

http://www.ecoagri.ac.cn

2.2 农业碳排放影响因素分析

对河南省农业碳排放量及影响因素数据做自然

对数处理后进行普通最小二乘回归分析, 发现模型

存在严重的多重共线性。为确保模型的稳定性和精

确度, 选择主成分分析对变量进行降维处理, 将线性

相关的农业碳排放各影响因素通过正交变换合并成

少数几个线性无关的主成分, 达到消除多重共线性

的目的。

ZlnR ZlnS ZlnL ZlnA

ZlnI ZlnM ZlnU

F1、F2

ij =rij

/ p

i;i= 1;2; j= 1; ;7

rij i

F1、F2

将自然对数处理后的数据进行标准化处理以消

除 量 纲 影 响, 分 别 以 、 、 、 、

、 、 表示标准化后的变量。运用

SPSS 23.0对处理后的变量进行主成分分析, 提取两

个主成分 , 可解释原始变量的98.347% (表2)。

主 成 分 方 程 系 数 , 其

中: 为成分矩阵各分量, 为主成分特征值(表3)。

为:

F1 = 0:392ZlnR+0:376ZlnS 0:334ZlnL+

0:394ZlnA+0:395ZlnI+0:393ZlnM+0:357ZlnU(17)

F2 = 0:151ZlnR + 0:324ZlnS + 0:736ZlnL+

0:058ZlnA 0:035ZlnI 0:071ZlnM+0:567ZlnU(18)F1、F2 ZlnE

利用样本数据计算 值, 并与 做最小

二乘回归, 可得:

ZlnE = 0:722F1 +0:647F2 (19)

可决系数R2为0.940, 调整后的R2为0.933, 表明

模型具有较高的拟合度。Sig. F=0.000<0.05, 表明在

P<0.05的显著性水平下模型线性关系显著。Sig. t=

0.000<0.05, 表明在P<0.05的显著性水平下模型回

归系数显著(表4)。将式(17)、(18)代入式(19)中

可得:

ZlnE = 0:252ZlnR+0:062ZlnS +0:607ZlnL

0:117ZlnA 0:200ZlnI+0:227ZlnM 0:178ZlnU(20)

将式(20)进行反标准化处理, 可得:

lnE=4:712+0:162lnR+0:175lnS+0:130lnL

0:018lnA 0:029lnI+0:120lnM 0:071lnU (21)

由式(21)得到最终的河南省农业碳排放扩展

STIRPAT模型:

E = e4:712 R0:162 S 0:175 L0:130 A 0:018 I 0:029

M0:120 U 0:071 (22)

模型表明: 乡村人口(R)、农作物播种面积(S)、

大型畜牧数(L)、人均农业GDP (A)、农村人均可支

配收入(I)、农业机械化水平(M)、城镇化率(U)每

发生1%的变动, 将分别引起河南省农业碳排放量

0.162%、 0.175%、 0.130%、 ?0.018%、 ?0.029%、

0.120、?0.071%的变动; 影响河南省农业碳排放量

的7个因素中, 农作物播种面积的促进作用最大, 其

次是乡村人口和大型畜牧数, 农业机械化水平的促

进作用最小, 城镇化率的抑制作用最强, 其次是农村

人均可支配收入, 人均农业GDP的抑制作用最小。

2.3 农业碳排放预测分析

2.3.1 支持向量回归结果分析

"

"

C

C

(C; )

运用MATLAB, 按照基于RBF核 -SVR的农业

碳排放预测模型的步骤, 对样本数据进行归一化处

理, 从归一化后的样本数据中随机选取10年数据组

成训练集, 剩余10年数据组成测试集, 设定 的初始

值为0.01, 采用网格搜索和5折交叉验证对惩罚参数

和核函数参数 进行寻优, 和 的取值范围均为[2?10,

210], 网格宽度为0.2。系统将在训练集中寻找出训练

误差最小的一组超参数组合。参数选择效果见图3,

最佳模型超参数 的值为(1024, 0.000 976 562 5),



排放强度

6

5

4

3

2

1

0

环比增长率 Year to year growth rate

环比增长率

Year to year growth rate (%)

年份 Year

2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020

0

30

20

10

?10

?20

?30

排放强度 Emissions intensity

Em

issi

ons i

nte

nsi

ty [t

·(10

4 ￥)

?1

]



图 2 2001—2020年河南省农业CO2排放强度变化

Fig. 2 Changes of agricultural CO2 emission intensity in Henan Province from 2001 to 2020

第 11 期 高晨曦等 : “双碳 ”目标下河南省农业碳排放影响因素及预测 研究 1847

http://www.ecoagri.ac.cn

交叉验证的MSE为0.0395。将训练集和测试集的拟

合值与实测值进行线性回归, 其中训练集线性回归

的R2为0.96, MSE为0.01, 表明模型具有较高的拟合

度。测试集线性回归的R2为0.97, MSE为0.01, 表明

模型具有较强的泛化能力。反归一化后训练集和测

试集的拟合值和实测值对比见图4。

"

同 时, 与2.2节 中 扩 展STIRPAT模 型 的R2为

0.94, MSE为0.067相比, 基于RBF核 -SVR的农业

碳排放预测模型的测试集和训练集均具有更高的拟

合度和更小的均方误差。可见其在区域农业碳排放

预测研究方面有更好的学习和推广能力。



2.3.2 影响因素预测分析

根据《河南省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》(以下简称规划

目标), 并结合河南省农业发展情况, 设置基准情景、

低碳情景Ⅰ和低碳情景Ⅱ 3种情景模式, 以期能够

全面分析未来河南省农业碳排放趋势。其中: 农村

表 2 农业碳排放影响因素主成分分析的总方差解释

Table 2 Total variance interpretation of principal component analysis for influencing factors of agricultural carbon emissions

成分

Component

初始特征值 Initial eigenvalue 提取载荷平方和 Extract sum of squared loading

特征值

Eigenvalue

方差百分比

Percentage of

variance (%)

累积贡献率

Cumulative contribution

rate (%)

特征值

Eigenvalue

方差百分比

Percentage of

variance (%)

累积贡献率

Cumulative contribution

rate (%)

1 6.384 91.193 91.193 6.384 91.193 91.193

2 0.501 7.154 98.347 0.501 7.154 98.347

3 0.060 0.864 99.212

4 0.047 0.675 99.886

5 0.005 0.073 99.960

6 0.002 0.029 99.989

7 0.001 0.011 100.000

表 3 农业碳排放影响因素的成分矩阵和主成分方程系数

Table 3 Component matrix and principal component equation coefficients of influencing factors of agricultural carbon emissions

变量

Variable

成分矩阵 Component matrix 主成分方程系数 Principal component equation coefficient

成分 1 Component 1 成分 2 Component 2 特征值 Eigenvalue

F1 F2

ZlnR

?0.991 0.107 6.384 ?0.392 0.151

ZlnS

0.951 0.229 0.501 0.376 0.324

ZlnL

?0.844 0.521 ?0.334 0.736

ZlnA

0.995 0.041 0.394 0.058

ZlnI

0.999 ?0.025 0.395 ?0.035

ZlnM

0.993 ?0.050 0.393 ?0.071

ZlnU

0.901 0.401 0.357 0.567

ZlnR、ZlnS、ZlnL、ZlnA、ZlnI、ZlnM、ZlnU

ZlnR; ZlnS; ZlnL;

ZlnA; ZlnI; ZlnM and ZlnU

　　 分别为对数变换和标准化处理后的各农业碳排放影响因素, 其中, R为乡村人口, S为农作物播种

面积, L为大型畜牧数, A为人均农业GDP, I为农村人均可支配收入, M为农业机械化水平, U为城镇化率。

are the influencing factors of agricultural carbon emissions after logarithmic transformation and standardized treatment

respectively. The influencing factors of R, S, L, A, I, M and U are rural population, crop sown area, number of large livestock, per capita agricultural GDP, rural

per capita disposable incme, agricultural mechanization level and urbanization rate.



表 4 农业碳排放影响因素的主成分回归系数和显著性

检验

Table 4 Coefficient and significance test of principal

component regression of influencing factors of agri-

cultural carbon emissions

参数

Parameter

标准化系数

Normalized coefficient t Sig.

常量 Constant 0.000 1.000

F1

?0.722(0.150) ?12.159 0.000

F2

0.647(0.042) 10.904 0.000

　　表示P<0.05的显著性水平, 括号内为相应的标准误差。 represents

the significance level of P<0.05, and the corresponding standard error is in

parentheses.



归一化数据均方误差

Mean square error of normalized data

0.4

0.3

0.2

0.1

0

10

105 50

0

log2γlog2C?5 ?5?10 ?10

图 3 参数选择效果图 (3D)

Fig. 3 The effect drawing of the parameter selection (3D)

C C

为惩罚参数; 为核函数参数。 is the penalty parameter; is

the kernel function parameter.

1848 中国生态农业学 报 (中英文 )?2022 第 30 卷

http://www.ecoagri.ac.cn

人均可支配收入基于规划目标中人均可支配收入年

均增长率6.0%设定; 人均农业GDP基于规划目标地

区生产总值年均增长率设定, 同为6.0%; 城镇化率根

据规划目标要在2025年达60%以上, 2020年河南省

城镇化率为55.43%, 年均最低增长率约为2.5%; 乡

村人口同城镇化率具有相反的增长率; 农作物播种

面积、大型畜牧数和农业机械化水平3项影响因素

没 有 具 体 的 发 展 目 标, 建 立 自 回 归 移 动 平 均 模 型

(Autoregressive Integrated Moving Average Model, AR-

IMA)进行预测。对3项影响因素数据进行差分平

稳, 确定其为非白噪声序列后, 根据自相关系数和偏

自相关系数并结合赤池信息量和贝叶斯信息量选定

各模型阶数。各影响因素预测结果归纳为表5。

2.3.3 不同情景下农业碳排放预测分析

分别对基准情景和平衡低碳情景下的河南省农

业CO2排放量进行预测, 得到各情景下农业CO2排

放量预测值(图5)。

结果表明: 在基准情景下, 2021 ?2025年河南省

农业CO2排放量仍呈持续下降的变化趋势, 2025年

预测值为6483.80万t, 与2020年7276.56万t相比减

少10.89%; 在低碳情景Ⅰ下, 呈现出较基准情景更快

的下降速率, 2025年预测值为6369.19万t, 较2020

年减少12.47%; 在低碳情景Ⅱ下, 河南省农业CO2排

放量的下降速率最高, 2025年预测值为6338.32万t,

较2020年减少12.89%。综上所述, 2021 ?2025年河

南省农业CO2排放量仍呈持续下降的变化趋势, 且

相比基准情景, 低碳情景下河南省具有更大的碳减



实测值 Measured valuea

b

组别 Group

10 500

10 000

9500

9000

8500

8000

7500

7000

10 500

10 000

9500

9000

8500

8000

7500

7000

1 2 3 4 5 6 7 8 9 10

拟合值 Fitted value

排放量

Emissions ( 10

4 t)



图 4 训练集 (a) 和测试集 (b) 农业CO2排放拟合值与

实测值结果对比

Fig. 4 Comparing the fitting values of training set (a) and test

set (b) with the measured values of agricultural CO2

emissions

表 5 农业碳排放影响因素预测分析

Table 5 Prediction and analysis of influencing factors of agricultural carbon emission

影响因素

Influencing factor

增长率设定

Growth rate setting

预测值 Predicted value

2021 2022 2023 2024 2025

乡村人口

Rural population

(×104 persons)

基准情景 Baseline scenario: ?2.5% 4320.23 4212.22 4106.91 4004.24 3904.14

低碳情景Ⅰ Low carbon scenario Ⅰ : ?4.5% 4231.61 4041.18 3859.33 3685.66 3519.81

低碳情景Ⅱ Low carbon scenario Ⅱ : ?5.0% 4209.45 3998.98 3799.03 3609.08 3428.62

农作物播种面积

Crop sown area (×104 hm2) ARIMA(0,2,1) 1467.56 1466.33 1465.09 1463.86 1462.62

大型畜牧数

Number of large livestock (×104 heads ) ARIMA(1,1,1) 369.19 319.48 259.89 240.05 201.30

人均农业 GDP

Per capita agricultural GDP (￥)

基准情景 Baseline scenario: 6% 23 817.94 25 247.02 26 761.84 28 367.55 30 069.61

低碳情景Ⅰ Low carbon scenario Ⅰ : 8% 24 267.34 26 208.73 28 305.42 30 569.86 33 015.45

低碳情景Ⅱ Low carbon scenario Ⅱ : 8.5% 24 379.69 26 451.96 28 700.38 31 139.91 33 786.80

农村人均可支配收入

Rural per capita disposable income (￥)

基准情景 Baseline scenario: 6% 17 074.48 18 098.95 19 184.89 20 335.98 21 556.14

低碳情景Ⅰ Low carbon scenario Ⅰ : 8% 17 396.64 18 788.37 20 291.44 21 914.76 23 667.94

低碳情景Ⅱ Low carbon scenario Ⅱ : 8.5% 17 477.18 18 962.74 20 574.57 22 323.41 24 220.90

农业机械化水平

Agricultural mechanization level (×104 kWh) ARIMA(1,2,1) 10 502.18 10 541.17 10 580.16 10 619.15 10 658.13

城镇化率

Urbanization rate (%)

基准情景 Baseline scenario: 2.5% 56.82 58.24 59.69 61.18 62.71

低碳情景 Low carbon scenario Ⅰ : 4.5% 57.92 60.53 63.25 66.10 69.08

低碳情景Ⅱ Low carbon scenario Ⅱ : 5.0% 58.20 61.11 64.17 67.38 70.74

　　农作物播种面积、大型畜牧数和农业机械化水平的增长率采用自回归移动平均模型(ARIMA)设定。The growth rates of crop sown area, number of

large livestock and agricultural mechanization level are set by the Autoregressive Integrated Moving Average Model (ARIMA).

7500

7000

6500

6000

2021 2022 2023 2024 2025

年份 Year

基准情景 Baseline senario

低碳情景Ⅱ Low carbon senario Ⅱ

排放量

Emissions ( 10

4 t)

低碳情景Ⅰ Low carbon senario Ⅰ



图 5 不同情景模式下河南省农业CO2排放量预测

Fig. 5 Prediction of agricultural CO2 emissions in Henan

Province under different scenarios

第 11 期 高晨曦等 : “双碳 ”目标下河南省农业碳排放影响因素及预测 研究 1849

http://www.ecoagri.ac.cn

排潜力, 在实现农业碳减排的同时, 也能兼顾农村经

济发展和城镇化进程。

3 讨论和结论



3.1 讨论

本文利用机器学习方法对河南省农业碳排放问

题进行了系统研究, 建立区域农业CO2排放测算指

标体系, 定性与定量分析农业碳排放的影响因素与

未来排放趋势。在研究结果上, 河南省农业已实现

碳达峰, 农业碳排放的主要来源已从畜牧业转移至

种植业, 其中农作物播种面积为促进农业碳排放的

首要因素, 这为未来全省实现农业碳中和指明了政

策方向。伴随着城镇化率和农村经济的进一步提升,

未来全省农业碳排放将持续下降, 助力国家“双碳”目

标的实现。在研究方法上, 与现有的灰色预测模型、

LEAP模型等农业碳排放研究方法相比, 本文采用机

器学习方法对农业碳排放进行影响因素及预测分析,

很大程度上避免了传统模型的过拟合、非线性关系

模糊和泛化能力不足等缺陷, 且通过训练和测试所

得到的农业碳排放预测模型也具有良好的学习和推

广能力, 亦可应用于其他区域的农业碳排放预测研

究。本文与李波等[4]、田成诗等[7]、王劼等[12]对农

业碳排放的测算与影响因素研究相比, 对区域农业

CO2排放的测算指标选取更加细致, 从农业产业、农

村经济、农业技术和城镇化进程4方面更加全面地

探究了农业碳排放的影响因素。与黎孔清等[15]、邱

子健等[21]对农业碳排放的预测研究相比, 所选用的

预测模型更加符合复杂的非线性农业碳排放系统,

且模型的泛化能力更强。本文为河南省农业低碳化

发展提供了量化参考和科学依据, 同时也为区域农

业碳排放研究提供了新的方法借鉴。

在今后的农业碳排放研究中将考虑更大区域尺

度的农业碳排放测算及空间差异分析。同时, 结合

深度学习对农业碳排放进行预测分析也是值得深入

研究的方向。

3.2 结论

1) 2001?2020年河南省农业碳排放结构及时序

特征分析表明: 河南省农业CO2主要排放源已经从

畜牧业的肠道发酵和粪便管理转移至种植业的土地

利用和水稻种植; 排放量及排放强度总体均呈下降

趋势, 且分别于2005年与2003年达峰, 农业碳减排

效果显著, 农业碳排放与农业经济增长已逐渐脱钩。

2)通过扩展的STIRPAT模型对河南省农业碳排

放影响因素分析表明: 河南省农业碳排放的治理重

点是农作物的土地利用及大型畜牧的粪便管理, 促

进农业碳减排的着重点是稳妥推进城镇化及农村经

济发展。

"

3)基于RBF核 -SVR的农业碳排放预测模型对

不同情景下2021 ?2025年河南省农业碳排放量预

测分析表明: 2021 ?2025年河南省农业CO2排放量

仍将呈现持续下降的变化趋势, 且较基准情景, 低碳

情景具有更大的碳减排潜力, 并能实现农村经济、

城镇化进程与低碳农业兼顾的高效发展, 有助于加

速全省“双碳”目标的实现。

参考文献 References

FRANK S, BEACH R, HAVLíK P, et al. Structural change as a

key component for agricultural non-CO2 mitigation efforts[J].

Nature Communications, 2018, 9(1): 1060

[1]

Intergovernmental Panel on Climate Change. Climate change

2007: mitigation of climate change. Contribution of Working

Group Ⅲ to the Fourth Assessment Report of the IPCC[R].

Geneva: Working GroupⅢ, 2007

[2]

HUANG X Q, XU X C, WANG Q Q, et al. Assessment of

agricultural carbon emissions and their spatiotemporal changes

in China, 1997?2016[J]. International Journal of Environmental

Research and Public Health, 2019, 16(17): 3105

[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,

Resources and Environment, 2011, 21(8): 80?86

[4]

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

[5]

GARNIER J, LE NO? J, MARESCAUX A, et al. Long-term

changes in greenhouse gas emissions from French agriculture

and livestock (1852?2014): from traditional agriculture to

conventional intensive systems[J]. The Science of the Total

Environment, 2019, 660: 1486?1501

[6]

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

[7]

CHEN Y H, LI M J, SU K, et al. Spatial-temporal

characteristics of the driving factors of agricultural carbon

emissions: empirical evidence from Fujian, China[J]. Energies,

2019, 12(16): 3102

[8]

廖卫东, 刘淼. 西部地区农业碳排放的时空演变及EKC假说

检验 ?基于西部大开发12省份动态面板数据模型的经验

分析[J]. 世界农业, 2020(6): 62?70

LIAO W D, LIU M. Temporal and spatial evolution of

[9]

1850 中国生态农业学 报 (中英文 )?2022 第 30 卷

http://www.ecoagri.ac.cn

agricultural carbon emissions in western China and test of EKC

hypothesis: an empirical analysis based on dynamic panel data

model of 12 provinces in the Development of Western China[J].

World Agriculture, 2020(6): 62?70

HAN H B, ZHONG Z Q, GUO Y, et al. Coupling and

decoupling effects of agricultural carbon emissions in China and

their driving factors[J]. Environmental Science and Pollution

Research International, 2018, 25(25): 25280?25293

[10]

蒋添诚, 胡纯, 王巧稚, 等. 湖北省农业碳排放时空特征及

脱钩研究[J]. 环境污染与防治, 2021, 43(11): 1476?1480

JIANG T C, HU C, WANG Q Z, et al. Research on spatial-

temporal characteristics and decoupling of agricultural carbon

emissions in Hubei[J]. Environmental Pollution & Control,

2021, 43(11): 1476?1480

[11]

王劼, 朱朝枝. 农业碳排放的影响因素分解与脱钩效应的国

际比较[J]. 统计与决策, 2018, 34(11): 104?108

WANG J, ZHU C Z. International comparison of decomposition

and decoupling effects of influencing factors on agricultural

carbon emissions[J]. Statistics & Decision, 2018, 34(11):

104?108

[12]

WANG G F, LIAO M L, JIANG J. Research on agricultural

carbon emissions and regional carbon emissions reduction

strategies in China[J]. Sustainability, 2020, 12(7): 2627

[13]

尹岩, 郗凤明, 邴龙飞, 等. 我国设施农业碳排放核算及碳

减排路径[J]. 应用生态学报, 2021, 32(11): 3856?3864

YIN Y, XI F M, BING L F, et al. Accounting and reduction path

of carbon emission from facility agriculture in China[J]. Chinese

Journal of Applied Ecology, 2021, 32(11): 3856?3864

[14]

黎孔清, 马豆豆, 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

LI K Q, MA D D, LI Y M. Driving factors and trends prediction

of urban agricultural carbon emissions in Nanjing based on

STIRPAT[J]. Science and Technology Management Research,

2018, 38(8): 238?245

[15]

LIU D N, XIAO B W. Can China achieve its carbon emission

peaking? A scenario analysis based on STIRPAT and system

dynamics model[J]. Ecological Indicators, 2018, 93: 647?657

[16]

张军莉, 刘丽萍. 国内区域碳排放预测模型应用综述[J]. 环

境科学导刊, 2019, 38(4): 15?21

ZHANG J L, LIU L P. Review of application of prediction

models of regional carbon emission in China[J]. Environmental

Science Survey, 2019, 38(4): 15?21

[17]

DUBEY A, LAL R. Carbon footprint and sustainability of

agricultural production systems in Punjab, India, and Ohio,

USA[J]. Journal of Crop Improvement, 2009, 23(4): 332–350

[18]

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

[19]

EHRLICH P R, HOLDREN J P. Impact of population

growth[J]. Science, 1971, 171(3977): 1212?1217

[20]

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

QIU Z J, JIN H M, GAO N, et al. Temporal characteristics and

trend prediction of agricultural carbon emission in Jiangsu

Province, China[J]. Journal of Agro-Environment Science,

2022, 41(3): 658?669

[21]

陈操操, 刘春兰, 汪浩, 等. 北京市能源消费碳足迹影响因

素分析 ?基于STIRPAT模型和偏小二乘模型[J]. 中国环境

科学, 2014, 34(6): 1622?1632

CHEN C C, LIU C L, WANG H, et al. Examining the impact

factors of energy consumption related carbon footprints using

the STIRPAT model and PLS model in Beijing[J]. China

Environmental Science, 2014, 34(6): 1622?1632

[22]

DRUCKER H, BURGES C J C, KAUFMAN L, et al. Support

vector regression machines[J]. Advances in Neural Information

Processing Systems, 1997, 9: 155?161

[23]

章胜勇, 尹朝静, 贺亚亚, 等. 中国农业碳排放的空间分异

与动态演进 ?基于空间和非参数估计方法的实证研究[J].

中国环境科学, 2020, 40(3): 1356?1363

ZHANG S Y, YIN C J, HE Y Y, et al. Spatial differentiation

and dynamic evolution of agricultural carbon emission in

China—empirical research based on spatial and non-parametric

estimation methods[J]. China Environmental Science, 2020,

40(3): 1356?1363

[24]

第 11 期 高晨曦等 : “双碳 ”目标下河南省农业碳排放影响因素及预测 研究 1851

http://www.ecoagri.ac.cn