基于機器學(xué)習(xí)算法的新疆農(nóng)業(yè)碳排放評估及驅(qū)動因素分析*

鄧 路, 袁圣博, 白 萍, 李會芳

(1.新疆維吾爾自治區(qū)發(fā)展和改革委員會經(jīng)濟研究院 烏魯木齊 830001; 2.四川大學(xué)公共管理學(xué)院 成都 610044)

根據(jù)IPCC數(shù)據(jù)顯示[1], 農(nóng)業(yè)生產(chǎn)過程中的碳排放量巨大, 是僅次于化石燃料的第二大碳源, 因此降低農(nóng)業(yè)生產(chǎn)過程中的碳排放量、促進農(nóng)業(yè)綠色低碳發(fā)展, 對早日實現(xiàn)碳達峰、碳中和目標具有十分重要的意義。新疆地處我國西北, 生態(tài)環(huán)境敏感脆弱,一旦破壞, 恢復(fù)難度巨大, 因此著力降低新疆地區(qū)的農(nóng)業(yè)碳排放, 對于促進區(qū)域可持續(xù)發(fā)展, 維護生態(tài)環(huán)境, 具有重要現(xiàn)實意義。

對于農(nóng)業(yè)碳排放國內(nèi)外學(xué)者做了很多研究, 大致可以分為兩個方面: 1)農(nóng)業(yè)碳排放量的計算。Johnson等[2]的研究表明農(nóng)業(yè)活動產(chǎn)生包括CO2在內(nèi)的3種主要溫室氣體; Thamo等[3]基于澳大利亞政府推薦的排放清單、農(nóng)作物種植過程中的碳排放量估算和田間實地測量3種方法計算了農(nóng)業(yè)碳排放; 李波等[4]從能源物資投入角度測算了中國農(nóng)業(yè)的碳排放量變化情況; 閔繼勝等[5]從能源物資投入角度測算了中國農(nóng)業(yè)的溫室氣體排放變化情況; 高鳴等[6]基于Malmquist指數(shù)測算了中國農(nóng)業(yè)碳排放的空間分異規(guī)律; 田云等[7-8]、張頌心[9]、張麗瓊等[10]的研究表明不同階段省際間的農(nóng)業(yè)碳排放存在較大差異。目前關(guān)于農(nóng)業(yè)碳排放的測算方式已經(jīng)較為成熟, 小范圍內(nèi)主要依靠色譜箱等儀器進行測量[11], 較大范圍內(nèi)由于成本限制等原因, 一般采用模型進行估算。2)農(nóng)業(yè)碳排放的影響因素。Lal[12]研究認為耕種方式對于碳排放量的影響至關(guān)重要; 李國志等[13]的研究認為經(jīng)濟增長是農(nóng)業(yè)碳排放的主要驅(qū)動因素; 程琳琳等[14-15]、武春桃[16]的研究認為城鎮(zhèn)化和產(chǎn)業(yè)聚集對農(nóng)業(yè)碳排放具有重要影響; 董明濤[17]認為農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)同農(nóng)業(yè)碳排放存在一定程度的關(guān)聯(lián); 魏瑋等[18]、王惠等[19]的研究認為農(nóng)業(yè)技術(shù)進步對于減緩碳排放起到了重要作用; 仇偉等[20]認為環(huán)境規(guī)制、技術(shù)進步是抑制農(nóng)業(yè)碳排放的重要原因; 劉麗輝等[21]認為農(nóng)業(yè)人口規(guī)模的減少將促進農(nóng)業(yè)碳減排。此外,還有學(xué)者[22]研究了氣候變化對農(nóng)業(yè)碳排放的影響以及農(nóng)業(yè)的碳減排潛力[23-24]。有多種因素可以同時對農(nóng)業(yè)碳排放產(chǎn)生影響, 但不同區(qū)域的影響方式不盡相同[25-26]。目前以全國作為研究區(qū)域已有較多研究,新疆也出現(xiàn)一些相關(guān)研究。祝宏輝等[27]、蘇洋等[28]測算新疆農(nóng)業(yè)碳排放并利用Tapio脫鉤模型對新疆農(nóng)牧業(yè)碳排放與農(nóng)業(yè)經(jīng)濟增長之間的脫鉤關(guān)系進行分析; 冉錦成等[29]在測算碳排放基礎(chǔ)上, 構(gòu)建STIRPAT模型, 運用情景分析法對未來新疆農(nóng)業(yè)碳排放峰值進行相關(guān)預(yù)測。本研究在上述研究的基礎(chǔ)上做了兩方面的延伸, 一是分析討論了降水對農(nóng)業(yè)碳排放效率的影響, 二是對農(nóng)業(yè)碳排放效率的影響因素進行動態(tài)量化。這對進一步探明新疆區(qū)域的農(nóng)業(yè)碳排放規(guī)律, 制定農(nóng)業(yè)碳減排政策具有重要意義。

本研究首先基于新疆所有市縣的數(shù)據(jù)測算農(nóng)業(yè)碳排放量, 分析不同區(qū)域碳排放效率的時空分異規(guī)律; 隨后根據(jù)現(xiàn)有研究篩選出農(nóng)業(yè)碳排放效率的影響因子, 利用隨機森林模型對影響因子進行定量分析; 最后針對性地提出農(nóng)業(yè)碳減排的政策建議。

1 數(shù)據(jù)來源與研究方法

1.1 研究區(qū)概況和數(shù)據(jù)來源

本文將以新疆維吾爾自治區(qū)(75°～95°E, 35°～50°N)作為研究對象, 包括: 4個地級市、5個地區(qū)、5個自治州共14個地級行政單位, 下轄105個縣(市、區(qū))(圖1)。數(shù)據(jù)來源于2011-2020年《新疆統(tǒng)計年鑒》《中國農(nóng)業(yè)年鑒》等, 計算和數(shù)據(jù)的可視化利用Excel、R、Geoda、Arcgis等軟件完成。

圖 1 研究區(qū)概況Fig.1 Studying area

1.2 農(nóng)業(yè)碳排放的測算

借鑒已有的研究成果[9,30-34], 選取農(nóng)業(yè)生產(chǎn)中使用的化肥量、農(nóng)用地膜使用量、農(nóng)業(yè)機械總動力、灌溉、翻耕等5項數(shù)據(jù)來測算碳排放, 測算公式如下:

式中:En表 示農(nóng)業(yè)碳排放總量;Ei表 示第i種碳源;Ai表示該碳源的碳排放系數(shù), 具體見表1。

1.3 農(nóng)業(yè)碳排放空間分異規(guī)律分析方法

利用全局莫蘭指數(shù)分析農(nóng)業(yè)碳排放空間分異特征:

式中:I表示莫蘭指數(shù)(Moran’sI);zi是 要素i的屬性與其平均值的偏差(xi-),xi是某一地區(qū)的農(nóng)業(yè)碳排放效率;wi,j是 要素i和j之間的空間權(quán)重;S0是所有空間權(quán)重的聚合。

在計算時, 需要將xi進行歸一化處理, 因此莫蘭指數(shù)(I)的取值范圍在[-1, +1]之間, 大于0表示屬性空間正相關(guān), 小于0表示負相關(guān), 當(dāng)取值為0則表示不存在空間自相關(guān)性。

表 1 農(nóng)業(yè)碳排放源及碳排放系數(shù)Table 1 Agricultural carbon emission sources and carbon emission coefficients

當(dāng)存在全局相關(guān)性時, 利用局部莫蘭指數(shù)計算空間聚集關(guān)系:

式中:Ii表 示局部莫蘭指數(shù);Zi= (xi-X),xi是某一地區(qū)的農(nóng)業(yè)碳排放效率,是碳排放效率的平均值;Zj=(xj-xj表 示非第i個 區(qū)域(j≠i)農(nóng)業(yè)碳排放效率,是所有地區(qū)農(nóng)業(yè)碳排放效率的平均值;wij是要素i和j之間的空間權(quán)重。

公式(4)中的S2計算方法如下:

以公式(4)中的Zi為x軸, 以為y軸, 可以將平面劃分為4個象限, 統(tǒng)計其中置信度大于95%的區(qū)域(非隨機分布), 可以確定空間聚集關(guān)系。

1.4 農(nóng)業(yè)碳排放效率的計算

相對于農(nóng)業(yè)碳排放總量, 人們往往更關(guān)心排放出的碳能帶來多少收益, 因此本研究將農(nóng)業(yè)產(chǎn)值(元)和碳排放(t)的比值定義為農(nóng)業(yè)碳排放效率, 該數(shù)值越高, 代表該區(qū)域以更少的排放量創(chuàng)造了更多的農(nóng)業(yè)產(chǎn)值, 能有效反映碳約束條件下該區(qū)域的農(nóng)業(yè)生產(chǎn)效率。計算公式如下:

式中:Ce表 示農(nóng)業(yè)碳排放效率,Ap表 示農(nóng)業(yè)產(chǎn)值,Cp表示碳排放量。

1.5 農(nóng)業(yè)碳排放影響因素分析

1.5.1 影響因素選取

根據(jù)現(xiàn)有的研究[33-36], 產(chǎn)業(yè)結(jié)構(gòu)、經(jīng)濟水平、城鎮(zhèn)化水平、農(nóng)業(yè)規(guī)模化程度、農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)、自然災(zāi)害、氣候條件等因素對于農(nóng)業(yè)碳排放效率有較為顯著的影響。結(jié)合區(qū)域數(shù)據(jù)可獲得性, 本研究選取如下變量分析其與農(nóng)業(yè)碳排放效率之間的關(guān)系, 詳見表2。

地區(qū)生產(chǎn)總值和農(nóng)業(yè)生產(chǎn)效率能代表當(dāng)?shù)亟?jīng)濟發(fā)展情況。通常來說, 經(jīng)濟水平高的地區(qū), 農(nóng)業(yè)生產(chǎn)中農(nóng)用物資的使用量也較高, 進而增加碳排放, 降低碳排放效率; 另一方面經(jīng)濟水平高的地區(qū)農(nóng)業(yè)產(chǎn)值也較高, 從而提高碳排放效率。

表 2 農(nóng)業(yè)碳排放影響因素指標體系Table 2 Index system of influencing factors of agricultural carbon emission

耕地規(guī)模、農(nóng)業(yè)規(guī)?；潭确从沉藚^(qū)域農(nóng)業(yè)的集聚發(fā)展情況。一般來說, 農(nóng)業(yè)規(guī)模越大, 則當(dāng)?shù)氐慕^對碳排放量也越高, 但是規(guī)?；礁叩膮^(qū)域, 也有利于引進先進的農(nóng)業(yè)管理技術(shù), 從而節(jié)約農(nóng)業(yè)物質(zhì)投入量, 降低碳排放量, 提高碳排放效率。

農(nóng)業(yè)機械化水平、產(chǎn)業(yè)結(jié)構(gòu)高級化、農(nóng)業(yè)電氣化水平反映了區(qū)域農(nóng)業(yè)生產(chǎn)方式。這一類指標考察不同的生產(chǎn)方式對農(nóng)業(yè)碳排放效率的影響。

城鎮(zhèn)化水平的提升會促進二、三產(chǎn)業(yè)的快速發(fā)展, 同時二、三產(chǎn)業(yè)的發(fā)展也會反過來影響農(nóng)業(yè)生產(chǎn)方式, 因此本研究將該變量納入。

1.5.2 影響效果的測算

根據(jù)目前的研究, 農(nóng)業(yè)碳排放受到諸多要素的影響, 傳統(tǒng)回歸模型預(yù)設(shè)條件過多, 會造成多重共線性和自由度下降等問題, 隨機森林算法不對數(shù)據(jù)進行假設(shè), 能避免上述問題, 使結(jié)果更加穩(wěn)健[37]。

1)模型的建立

隨機森林的計算過程如圖2。

圖 2 隨機森林計算過程示意圖Fig.2 Schematic diagram of random forest calculation process

單棵決策樹中, 農(nóng)業(yè)碳排放效率為連續(xù)響應(yīng)變量, 根據(jù)預(yù)測的農(nóng)業(yè)碳排放效率和實際農(nóng)業(yè)碳排放效率之間殘差平方和最小原則, 選出最優(yōu)的單棵決策樹(確定特征向量)。隨后對樣本進行多次隨機抽樣, 生產(chǎn)多棵決策樹, 然后將不同決策樹的預(yù)測結(jié)果進行平均(接合器), 輸出隨機森林模型。

決策樹特征向量計算公式:

式中:R1和R2是分裂后的不同區(qū)域,qi是農(nóng)業(yè)碳排放效率的實際值,和為農(nóng)業(yè)碳排放效率預(yù)測值, 目標是使農(nóng)業(yè)碳排放效率的預(yù)測值與實際值的樣本總殘差平方和(RSS)最小, 重復(fù)上述過程500次, 建立隨機森林模型。

2)特征向量的偏依賴模型

式中: 期望算子Ex2,···,xpf(·)對 變量(x2,···,xp)求期望, 因此所得結(jié)果?(x1)只是x1的函數(shù)。由于f(·)無解析表達式, 很難計算此期望, 因此用樣本均值代替總體均值可得:

對于任意給定xi, 都可以計算并畫出偏依賴圖。

2 新疆區(qū)域碳排放效率實證分析

2.1 新疆農(nóng)業(yè)總體碳排放情況

為探究新疆農(nóng)業(yè)碳排放的總體情況, 將2010-2019年不同地區(qū)的農(nóng)業(yè)碳排放總量進行累加, 所占比例如圖3所示。根據(jù)統(tǒng)計年鑒中的分類, 將新疆分為3級行政區(qū)劃, 分別為自治區(qū)級、自治州級(包含地級市)和縣市級, 不同顏色代表不同的行政級別。圓堆積圖能直觀顯示碳排放量的層級結(jié)構(gòu)及同一層級的相對比例[38], 圖中比例尺為縣市一級碳排放比例尺, 其他級別的碳排放量進行了等比放大, 確保相同級別之間可以互相比較。

2.1.1 排放量占比靠前的區(qū)域

農(nóng)業(yè)碳累積排放量占比前三的地州分別為生產(chǎn)建設(shè)兵團、阿克蘇地區(qū)和喀什地區(qū), 2010-2019年碳累積排放量分別為1019.86萬t、521.10萬t和516.31萬t, 占全疆農(nóng)業(yè)碳總排放量的27.75%、14.18%和14.05%, 合計占總排放量的55.97%。生產(chǎn)建設(shè)兵團下屬14個師, 每個師約有6～9個團, 由于范圍較大, 排放量也較多; 阿克蘇地區(qū)下屬9個縣市, 喀什地區(qū)下屬12個縣市, 兩地累積碳排放量接近。從市域級別來看, 排放量前3的分別是烏魯木齊市、烏蘇市、阿克蘇市, 其中烏魯木齊市最高, 為226.49萬t,占全疆總量6.16%。從縣域級別來看, 排放量前3的分別是沙灣縣、沙雅縣、莎車縣, 其中沙灣縣最高,為120.08萬t, 占全疆總量3.43%。

2.1.2 排放量占比靠后的區(qū)域

農(nóng)業(yè)碳累積排放量占比靠后的3個地區(qū)分別是伊犁哈薩克自治州、博爾塔拉蒙古自治州和克孜勒蘇柯爾克孜自治州, 排放量分別為127.65萬t、117.96萬t和25.99萬t, 占比分別為3.47%、3.21%和0.71 %, 可以看出伊犁哈薩克自治州和博爾塔拉蒙古自治州的排放量較為接近, 而克孜勒蘇柯爾克孜自治州的排放量遠小于前兩地, 三地排放量累積占全疆總排放量的7.39%。從單獨縣市的排放數(shù)據(jù)來看, 排放量占比靠后的3個市縣分別為塔什庫爾干塔吉克自治縣、烏恰縣和阿合奇縣, 排放量分別為1.17萬t、0.43萬t和0.28萬t, 累積占比為0.05%左右。

2.2 新疆農(nóng)業(yè)碳排放結(jié)構(gòu)分析

2010-2019年新疆農(nóng)業(yè)碳排放情況如圖4所示。從時間構(gòu)成來看, 農(nóng)業(yè)碳排放總量是逐步增長的, 從2010年的292.24萬t, 增加到2019年的379.69萬t,10年間增加29.93%, 年均增速為3.33%?？傮w來看,化肥使用、農(nóng)膜使用、農(nóng)業(yè)翻耕、農(nóng)業(yè)灌溉、農(nóng)業(yè)機械使用的碳排放量也是逐年增加的, 年均增速分別為5.53%、0.37%、3.30%、3.30%和3.46%, 其中增長較快的是化肥使用和農(nóng)業(yè)機械使用帶來的碳排放量。從類別構(gòu)成來看, 使用化肥造成的碳排放占比最高, 達58.06%; 其次為農(nóng)膜的使用, 達39.03%; 而機械使用、灌溉、翻耕產(chǎn)生的碳排放相對較低, 占比分別為2.82%、0.03%和0.05%。

化肥使用無論從增速還是占比上來說都是造成農(nóng)業(yè)碳排放增加的最主要因素。農(nóng)膜使用的碳排放量占比較大, 但增速比較平緩。農(nóng)業(yè)翻耕、農(nóng)業(yè)灌溉、農(nóng)業(yè)機械碳排放等占農(nóng)業(yè)碳排放量比例較小,但增速較快。

2.3 新疆農(nóng)業(yè)碳排放效率的時空分異規(guī)律

挑選2010年、2013年、2016年和2019年的農(nóng)業(yè)碳排放效率數(shù)據(jù)進行分析, 利用Arcgis軟件進行數(shù)據(jù)可視化(圖5)。阿拉爾市、米泉市、圖木舒克市、五家渠市和石河子市由于統(tǒng)計數(shù)據(jù)的缺失, 因此未納入討論范圍。

圖 3 2010—2019年新疆農(nóng)業(yè)累積碳排放量Fig.3 Cumulative carbon emissions from agriculture in Xinjiang from 2010 to 2019

圖 4 2010—2019年新疆農(nóng)業(yè)碳排放結(jié)構(gòu)Fig.4 Xinjiang’s agricultural carbon emission structure from 2010 to 2019

總體來看農(nóng)業(yè)碳排放效率呈現(xiàn)出不斷增長的態(tài)勢。農(nóng)業(yè)碳排放效率上限不斷上漲, 更多的區(qū)域向高效率區(qū)間集中。從增長速度來看, 大致可以分為兩個階段: 第一階段為2010-2013年, 呈現(xiàn)出快速增長態(tài)勢; 第二階段為2013-2019年, 增速放緩, 呈現(xiàn)出緩慢上漲態(tài)勢。

具體各年來看: 1) 2010年, 全疆農(nóng)業(yè)碳排放效率在50元·t-1以下的地區(qū)有47個, 占比為55.29%; 碳排放效率在50～100元·t-1的區(qū)域有29個, 占比為34.12%; 碳排放效率在100～150元·t-1的區(qū)域有8個,占比為9.41%; 碳排放效率超過150元·t-1的區(qū)域有1個。全疆農(nóng)業(yè)碳排放效率處于較低水平。農(nóng)業(yè)碳排放效率最低的是奎屯市, 為10.79元·t-1; 農(nóng)業(yè)碳排放效率最高的是鄯善縣, 為155.83元·t-1。2) 2013年, 全疆農(nóng)業(yè)碳排放效率在50元·t-1以下的地區(qū)有28個, 占比為32.94%; 農(nóng)業(yè)碳排放效率在50～100元·t-1的地區(qū)有39個, 占比為45.88%; 農(nóng)業(yè)碳排放效率在100～150元·t-1的區(qū)域有12個, 占比為14.12%; 農(nóng)業(yè)碳排放效率超過150元·t-1的區(qū)域有6個, 占比為7.06%。新疆農(nóng)業(yè)碳排放效率增速較快, 大部分區(qū)域的農(nóng)業(yè)碳排放效率集中在50～100元·t-1區(qū)間。農(nóng)業(yè)碳排放效率最低的是烏魯木齊市，為3.17元·t-1;農(nóng)業(yè)碳排放效率最高的是若羌縣, 為378.98元·t-1。3) 2016年, 全疆農(nóng)業(yè)碳排放效率在50元·t-1以下的地區(qū)有25個, 占比為29.41%; 農(nóng)業(yè)碳排放效率在50～100元·t-1的地區(qū)有43個, 占比為50.59%; 農(nóng)業(yè)碳排放效率在100～150元·t-1的區(qū)域有9個, 占比為10.59%; 農(nóng)業(yè)碳排放效率超過150元·t-1的區(qū)域有8個, 占比為9.41%。新疆農(nóng)業(yè)碳排放效率增速較快,大部分區(qū)域的農(nóng)業(yè)碳排放效率集中在50～100元·t-1區(qū)間。農(nóng)業(yè)碳排放效率最低的是烏魯木齊市, 為1.67元·t-1; 農(nóng)業(yè)碳排放效率最高的是若羌縣, 為307.17元·t-1。當(dāng)年農(nóng)業(yè)碳排放效率超過200.01元·t-1的區(qū)域達到了4個。4) 2019年, 全疆農(nóng)業(yè)碳排放效率在50元·t-1以下的地區(qū)有26個, 占比為30.59%;農(nóng)業(yè)碳排放效率在50～100元·t-1的地區(qū)有38個, 占比為44.71%; 農(nóng)業(yè)碳排放效率在100～150元·t-1的區(qū)域有7個, 占比為8.24%; 農(nóng)業(yè)碳排放效率超過150元·t-1的區(qū)域有14個, 占比為16.47%。大部分區(qū)域的農(nóng)業(yè)碳排放效率依然集中在50～100元·t-1區(qū)間內(nèi),同時農(nóng)業(yè)碳排放效率超過150元·t-1的區(qū)域大幅增長。農(nóng)業(yè)碳排放效率最低的是烏魯木齊市, 為1.80元·t-1;農(nóng)業(yè)碳排放效率最高的是伊寧縣, 為509.67元·t-1。當(dāng)年農(nóng)業(yè)碳排放效率接近或高于225.00元·t-1的區(qū)域達到了3個, 農(nóng)業(yè)碳排放效率整體提升較大。

根據(jù)趙宇銘等[39]的研究, 新疆地區(qū)除伊犁州及克孜勒蘇自治州小部分區(qū)域?qū)儆诎敫珊祬^(qū)域外, 其余地區(qū)都屬于干旱區(qū)。整體來看, 北疆地區(qū)的降水量高于南疆地區(qū), 但南疆地區(qū)的農(nóng)業(yè)碳排放效率整體高于北疆。結(jié)合新疆氣象局對干旱區(qū)域的劃分以及2019年農(nóng)業(yè)碳排放效率來看, 極端干旱區(qū)域的農(nóng)業(yè)碳排放效率處于較高水平, 例如年均降水量常年靠后的吐魯番市、且末縣、鄯善縣等地, 2019年的農(nóng)業(yè)碳排放效率分別是254.62元·t-1、97.76元·t-1、214.51元·t-1, 在全疆處于較高水平。相對濕潤區(qū)域的農(nóng)業(yè)碳排放效率在全疆處于中等水平。例如年均降水量常年靠前的新源縣、昭蘇縣、特克斯縣等地,2019年的農(nóng)業(yè)碳排放效率分別是127.80元·t-1、96.37元·t-1、118.78元·t-1。塔克拉瑪干沙漠是中國最大的沙漠, 分布在巴音郭楞蒙古自治州、阿克蘇、喀什、和田等4個區(qū)域, 其中巴音郭楞蒙古自治州、喀什、和田的農(nóng)業(yè)碳排放效率較高, 而阿克蘇地區(qū)的農(nóng)業(yè)碳排放效率較低。

2.4 新疆農(nóng)業(yè)碳排放效率空間集聚效應(yīng)

對2019年新疆農(nóng)業(yè)碳排放效率進行空間相關(guān)性分析, 全局空間莫蘭指數(shù)為0.296, 說明存在空間相關(guān)性, 隨后利用Geoda進行數(shù)據(jù)計算和可視化(圖6)。

如圖6所示, 具有空間相關(guān)性的區(qū)域共有14個,其中高高聚集的區(qū)域有6個, 低低聚集的區(qū)域有6個, 低高聚集的區(qū)域有2個。高高聚集的區(qū)域是尼勒克縣、伊寧市、察布查爾錫伯自治縣、鞏留縣、和田縣與和田市6個區(qū)域, 說明這些區(qū)域的農(nóng)業(yè)碳排放效率整體較高, 通過分析原始數(shù)據(jù)發(fā)現(xiàn), 這些地區(qū)的農(nóng)業(yè)產(chǎn)值并不高, 碳排放效率較高的原因是物質(zhì)投入較少。低低聚集的區(qū)域是福?？h、和布克賽爾蒙古自治縣、托里縣、沙灣縣、奎屯市和新和縣等6個區(qū)域, 這些地區(qū)農(nóng)業(yè)產(chǎn)值相對較高, 但相應(yīng)的碳排放更多, 造成這些區(qū)域出現(xiàn)低低聚集。低高聚集的區(qū)域有兩個: 精河縣和霍城縣, 說明這兩個地方碳排放效率較低, 但周邊地區(qū)效率高, 可能是由于高值區(qū)域?qū)Φ椭祬^(qū)域產(chǎn)生了不利的虹吸效應(yīng)造成的。

2.5 新疆農(nóng)業(yè)碳排放效率的影響因素

2.5.1 模型參數(shù)的優(yōu)化與預(yù)測效果評估

按表2中選取的影響因素建立數(shù)據(jù)集, 將數(shù)據(jù)集中70%的數(shù)據(jù)(619條)作為訓(xùn)練集, 其中30%的數(shù)據(jù)作為測試集。建立模型, 并優(yōu)化相關(guān)參數(shù)。

如圖7所示, 決策樹數(shù)量從1增加到300時, 模型袋外誤差從1823.01下降到904.41, 隨后繼續(xù)增加決策樹的數(shù)量, 模型袋外誤差依然在900左右波動,說明此時, 繼續(xù)增加決策樹數(shù)量也無法繼續(xù)降低模型誤差(也不會提高), 因此本研究將決策樹數(shù)量定為500。

如圖8所示, 在候選影響要素中, 每次隨機選擇其中的5個構(gòu)建單棵決策樹, 預(yù)測的農(nóng)業(yè)碳排放效率和實測值均方誤差最小, 為884.07, 因此將模型候選變量個數(shù)設(shè)定為5 (mytrees=5)。

如圖9所示, 橫軸為測試集中實際的農(nóng)業(yè)碳排放量, 縱軸為隨機森林模型預(yù)測的碳排放量, 除個別極值外, 絕大多數(shù)點的擬合效果較好, 理想狀態(tài)下擬合線呈現(xiàn)45°分布。此時農(nóng)業(yè)碳排放量的實際值略低于預(yù)測值, 模型的擬合優(yōu)度R2=0.56, 說明模型具有較好的模擬效果, 選取的影響因素較為合理。

圖 5 2010—2019年新疆農(nóng)業(yè)碳排放效率時空格局演化過程Fig.5 Spatiotemporal pattern of agricultural carbon emission efficiency in Xinjiang from 2010 to 2019

圖 6 2019年新疆農(nóng)業(yè)碳排放效率的LISA集聚圖Fig.6 LISA agglomeration map of Xinjiang’s agricultural carbon emission efficiency in 2019

圖 7 決策樹數(shù)量對袋外誤差的影響Fig.7 Effect of the number of decision trees on the out-of-bag error

2.5.2 新疆農(nóng)業(yè)碳排放效率的影響因素

圖10表示, 去掉某一個變量后, 袋外誤差上升的百分比, 該值越大, 表明變量越重要。橫軸為去除的變量, 縱軸為去除該變量后袋外誤差上升的百分比。農(nóng)業(yè)規(guī)?；潭?、農(nóng)村經(jīng)濟發(fā)展水平、耕地規(guī)模、農(nóng)業(yè)電氣化程度對農(nóng)業(yè)碳排放效率的袋外誤差影響較大。因此, 本文選取這4項因子具體分析其對農(nóng)業(yè)碳排放效率的影響。

圖 8 決策樹候選變量(影響因素)個數(shù)對農(nóng)業(yè)碳排放量預(yù)測均方誤差的影響Fig.8 Influence of the number of candidate affecting factors(variables) in decision tree on the mean square error of agricultural carbon emission prediction

圖 9 農(nóng)業(yè)碳排放模型預(yù)測值與實際值對比Fig.9 Comparison of model predicted value and actual value of agricultural carbon emission

圖 10 基于訓(xùn)練樣本的農(nóng)業(yè)碳排放效率的影響因素重要性(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)

如圖11所示, 農(nóng)業(yè)規(guī)模化程度、耕地規(guī)模、農(nóng)業(yè)電氣化程度對農(nóng)業(yè)碳排放效率大體都呈負作用,而農(nóng)村經(jīng)濟發(fā)展水平對農(nóng)業(yè)碳排放效率大體都呈正作用。具體來看, 農(nóng)業(yè)規(guī)模化程度越高, 則農(nóng)業(yè)碳排放效率越低, 當(dāng)農(nóng)業(yè)規(guī)?；潭葹?.12～2.02 hm2·人-1時, 隨著農(nóng)業(yè)規(guī)?；潭鹊奶岣? 農(nóng)業(yè)碳排放效率急劇降低, 當(dāng)該值高于2.02 hm2·人-1時, 對農(nóng)業(yè)碳排放效率的影響較為平緩(圖11a)。農(nóng)村經(jīng)濟發(fā)展水平對農(nóng)業(yè)碳排放效率呈現(xiàn)出顯著的正向效果, 當(dāng)該值為0.21萬～9.72萬元·人-1時, 隨著人均產(chǎn)值的增加,碳排放效率劇烈增加, 但當(dāng)該值大于9.72萬元·人-1時, 對農(nóng)業(yè)碳排放效率的影響較為平緩(圖11b)。耕地規(guī)模對農(nóng)業(yè)碳排放效率在120～17 220 hm2時, 對農(nóng)業(yè)碳排放效率有顯著的負向影響, 隨后當(dāng)農(nóng)作物播種面積大于17 220 hm2時, 對農(nóng)業(yè)碳排放效率的影響較為平緩(圖11c)。農(nóng)業(yè)電氣化水平對農(nóng)業(yè)碳排放效率呈現(xiàn)出正“U”型影響, 具體來說, 當(dāng)農(nóng)業(yè)電氣化水平為0.08×104～0.16×104kWh·人-1時, 農(nóng)業(yè)電氣化水平越高, 農(nóng)業(yè)碳排放效率越低; 當(dāng)農(nóng)業(yè)電氣化水平繼續(xù)提高, 處于0.16×104～0.60×104kWh·人-1時, 農(nóng)業(yè)碳排放效率隨著農(nóng)業(yè)電氣化水平的提高而提高; 隨后為0.65×104～0.98×104kWh·人-1時, 農(nóng)業(yè)碳排放效率隨著農(nóng)業(yè)電氣化水平的提高而降低; 當(dāng)農(nóng)業(yè)電氣化水平＞0.98×104kWh·人-1時, 對農(nóng)業(yè)碳排放效率的影響較小(圖1d)。

圖 11 農(nóng)業(yè)規(guī)?；潭?a)、農(nóng)村經(jīng)濟發(fā)展水平(b)、耕地規(guī)模(c)、農(nóng)業(yè)電氣化程度(d)對農(nóng)業(yè)碳排放效率的影響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 討論

本研究基于國家、南京農(nóng)業(yè)大學(xué)、美國橡樹嶺國家實驗室等發(fā)布的碳排放系數(shù), 計算了2010-2019年新疆的農(nóng)業(yè)碳排放量, 此方法主要基于農(nóng)業(yè)物資投入以及耕作方式計算。由于資金、設(shè)備、人力等因素限制, 沒有實地測量, 因此該方法存在一定程度的偏差, 但此類估算方法在多種類型的研究中被廣泛應(yīng)用[10,40-42], 計算方式成熟, 因此研究結(jié)果能為新疆區(qū)域農(nóng)業(yè)碳減排提供依據(jù), 具有現(xiàn)實意義。

新疆2010-2019年農(nóng)業(yè)碳排放總量整體上呈現(xiàn)增長態(tài)勢, 這與田成詩等[42]、田云等[43]、何艷秋等[44]測算的全國、省際農(nóng)業(yè)碳排放量變化趨勢基本一致,由于研究區(qū)域和測算方法有所不同, 因此增長速度也有所不同。

新疆農(nóng)業(yè)碳排放的主要來源是化肥和農(nóng)用地膜的使用, 這與胡婉玲等[45]的研究結(jié)論一致, 由于研究區(qū)域和指標設(shè)置略有不同, 因此各個來源的比例稍有差別。

新疆農(nóng)業(yè)碳排放效率一直保持增長, 這與吳昊玥等[33]的研究結(jié)果一致。具體來看, 新疆農(nóng)業(yè)碳排放效率一直保持增長態(tài)勢, 但增長速度先快后慢。這可能是早期農(nóng)業(yè)耕作方式粗獷, 投入物資、能源能快速提高農(nóng)業(yè)產(chǎn)值(與原始數(shù)據(jù)變化情況相符合),從而提高碳排放效率; 但農(nóng)業(yè)產(chǎn)量后期提升難度較大, 單純投入物質(zhì), 而不提升科技和管理水平, 會導(dǎo)致農(nóng)業(yè)產(chǎn)值、碳排放效率增長速度下降。從空間維度來看, 農(nóng)業(yè)碳排放效率發(fā)生高值聚集的區(qū)域主要是由于物質(zhì)投入少, 而非農(nóng)業(yè)產(chǎn)值高; 發(fā)生低值聚集的區(qū)域農(nóng)業(yè)產(chǎn)值相對較高, 但物質(zhì)投入更高(科技、管理水平低)。綜合時空兩個變化維度來看, 新疆農(nóng)業(yè)生產(chǎn)依然較為依賴物質(zhì)投入, 管理方式相對粗獷,存在管理水平較低、科技投入不足等問題。

關(guān)于降水對農(nóng)業(yè)碳排放效率的研究相對較少,本研究一定程度上充實了該類研究。新疆地處干旱、半干旱區(qū)域, 氣候類型較為特殊。整體來看, 內(nèi)部降水較低的南疆區(qū)域, 農(nóng)業(yè)碳排放效率較高, 特別是降水極低的吐魯番、鄯善縣等地, 農(nóng)業(yè)碳排放效率較高。內(nèi)部降水較高的北疆區(qū)域, 農(nóng)業(yè)碳排放效率較低, 而相對降水最高的新源縣、昭蘇縣、特克斯縣等地, 農(nóng)業(yè)碳排放效率處于中等水平。這可能和新疆區(qū)域農(nóng)業(yè)發(fā)展格局有關(guān), 新疆農(nóng)業(yè)碳排放效率較高的幾個區(qū)域都不屬于農(nóng)業(yè)特別發(fā)達區(qū)域, 農(nóng)業(yè)碳排放效率較高是由于物質(zhì)投入少造成的; 極端干旱區(qū)域的農(nóng)業(yè)發(fā)展水平落后, 因此化肥、農(nóng)膜用量也小, 造成農(nóng)業(yè)碳排放效率變高。北疆降水較多的區(qū)域, 農(nóng)業(yè)發(fā)達, 農(nóng)業(yè)產(chǎn)值較高, 也因此投入的農(nóng)業(yè)物資較多, 造成這些區(qū)域的農(nóng)業(yè)碳排放效率處于中等水平。

吳昊玥等[33]、胡婉玲等[45]、張廣勝等[46]、孟軍等[47]對農(nóng)業(yè)碳排放效率的影響因素進行了研究分析,為本研究的開展奠定了基礎(chǔ), 但上述研究由于模型的限制, 只能確定影響因素的系數(shù), 無法動態(tài)量化某一影響因素對農(nóng)業(yè)碳排放效率的影響, 本研究一定程度上擴展了該類研究的深度。具體到新疆來看,農(nóng)業(yè)規(guī)模化程度對農(nóng)業(yè)碳排放效率具有顯著的負向影響, 這是因為規(guī)?；潭仍礁? 農(nóng)業(yè)機械的利用程度也越高, 同時規(guī)模化的種植也更傾向于大批量投入化肥、農(nóng)膜等物質(zhì), 這些都會導(dǎo)致農(nóng)業(yè)碳排放效率下降。通過偏依賴關(guān)系分析發(fā)現(xiàn), 當(dāng)農(nóng)業(yè)規(guī)模達到一定程度后繼續(xù)提高, 農(nóng)業(yè)碳排放效率幾乎不變。這可能是由于種植規(guī)模達到一定程度后, 農(nóng)業(yè)生產(chǎn)中的科技投入、管理水平也提升了, 農(nóng)業(yè)產(chǎn)值較快增長, 抵消了農(nóng)業(yè)碳排放增加帶來的不利影響。耕地規(guī)模對農(nóng)業(yè)碳排放效率的影響也有類似的原因。農(nóng)村經(jīng)濟發(fā)展水平則對農(nóng)業(yè)碳排放效率具有顯著的正向影響, 可能是因為經(jīng)濟發(fā)展水平高的區(qū)域, 科技投入、管理水平都更高, 生態(tài)環(huán)保意識也更強, 導(dǎo)致對農(nóng)業(yè)碳排放效率顯著提高。農(nóng)業(yè)電器化程度前期對碳排放效率有負向影響, 這可能是由于電力農(nóng)機的使用需要能源, 會增加碳排放; 但后期又具有顯著的正向作用, 這可能是由于隨著電力設(shè)備的不斷投入, 農(nóng)業(yè)朝智能化、高端化發(fā)展, 農(nóng)業(yè)產(chǎn)值快速提高,導(dǎo)致碳排放效率顯著提升。由于負向影響因子, 農(nóng)業(yè)規(guī)?；潭?、耕地規(guī)模后期影響平緩, 建議進一步加大農(nóng)業(yè)規(guī)?；潭?、耕地規(guī)模, 在農(nóng)業(yè)碳排放效率略微降低的同時, 進一步提高農(nóng)業(yè)產(chǎn)值。正向影響因子, 農(nóng)村經(jīng)濟發(fā)展水平和后期呈正向影響的農(nóng)業(yè)電器化程度也需要進一步提高, 提升農(nóng)業(yè)碳排放效率。

4 結(jié)論

本研究基于發(fā)布的碳排放清單, 對新疆不同層級的99個行政單元2010-2019年的農(nóng)業(yè)碳排放總量和碳排放效率進行測算, 得到各區(qū)域農(nóng)業(yè)碳排放總量和碳排放效率的分布特征及動態(tài)演變趨勢, 隨后用隨機森林模型動態(tài)量化農(nóng)業(yè)碳排放效率的影響因素, 結(jié)果顯示: 1) 2010-2014年新疆農(nóng)業(yè)碳排放量增速較快, 2015-2019年農(nóng)業(yè)碳排放量增速較慢, 年均增速3.33%。這說明新疆農(nóng)業(yè)生產(chǎn)方式發(fā)生了一定程度上的轉(zhuǎn)變。2)農(nóng)業(yè)碳排放主要來源是化肥和農(nóng)膜的使用, 二者相加占新疆農(nóng)業(yè)碳排放來源的97.09%, 農(nóng)業(yè)碳排放效率高的大多數(shù)區(qū)域農(nóng)業(yè)物質(zhì)投入少, 農(nóng)業(yè)碳排放效率低的大多數(shù)區(qū)域農(nóng)業(yè)產(chǎn)值較高, 但物質(zhì)投入過大。兩者結(jié)合來看, 新疆農(nóng)業(yè)發(fā)展依然處于比較初級的階段, 農(nóng)業(yè)碳排放效率依然有較大的提升空間。3)降水量對農(nóng)業(yè)碳排放效率的影響更多的是間接影響, 通過影響農(nóng)業(yè)規(guī)模、農(nóng)業(yè)生產(chǎn)技術(shù), 從而影響農(nóng)業(yè)碳排放效率, 因此相對干旱的吐魯番、鄯善等地碳排放效率較高, 相對濕潤的新源、昭蘇、特克斯等地, 碳排放效率處于中等水平。4)應(yīng)進一步加大農(nóng)業(yè)規(guī)?；潭取⒏匾?guī)模,提高農(nóng)村經(jīng)濟發(fā)展水平和農(nóng)業(yè)電器化程度, 兼顧提升農(nóng)業(yè)產(chǎn)值和農(nóng)業(yè)碳排放效率。