“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)

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(Intergovernmental 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:

式中:E为农业CO2排放总量;g i为第i类农业碳排放源的量;e ij为第i类农业碳排放源第j类温室气体的排放系数;GWPj为第j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。

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

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。STIRPAT 模型的基本形式为:

式中:I 、 P、 A、 T分别代表环境影响、人口规模、富裕程度和技术水平;a为模型系数;b、 c、 d分别为P、 A、 T的弹性指数;e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:

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:

式中:E为农业CO2排放总量(万t);a为常数项;R为农村人口(万人);S为农作物播种面积(万hm2);L为大型畜牧数(万头),代替原模型中的人口规模项;A为人均农业GDP(元);I为农村人均可支配收入(元),代替原模型中的富裕程度项;M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;U为城镇化率(%),反映城镇化进程;β1、β2、β3、β4、β5、β6、β7为模型的弹性系数,根据弹性系数概念,当R、S、L、A、I、M、U每发生1%的变动时,将分别引起E发生β1%、β2%、β3%、β4%、β5%、β6%、β7%的变动。

1.3 农业碳排放预测模型

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ε的引入允许其输出值f(x)与真实值y之间存在至多ε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ε-SVR 模型:

输入训练集数据:

式中:x i为输入向量;y i为输出值,i=1,2,···,n。

设R m上的一个线性表达式为:

式中:ω ∈R m为权值向量;b∈R为偏置。

f(x)的求解问题可转化为式(7)、式(8)的最优化问题:

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%。

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。

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

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。

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ZlnR、ZlnS、ZlnL、ZlnA、ZlnI、ZlnM、ZlnU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F1、F2,可解释原始变量的98.347%(表2)。主成分方程系数其中:r ij为成分矩阵各分量,λi为主成分特征值(表3)。F1、F2为:

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

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

利用样本数据计算F1、F2值, 并与ZlnE做最小二乘回归, 可得:

2.3.1 支持向量回归结果分析

运用MATLAB,按照基于RBF 核ε-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ε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C和核函数参数 γ进行寻优,C和 γ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(C,γ)的值为(1024,0.000 976 562 5),二乘回归,可得:

图3 参数选择效果图(3D)Fig.3 The effect drawing of the parameter selection(3D)

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:

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 agricultural carbon emissions

将式(20)进行反标准化处理,可得:

由式(21)得到最终的河南省农业碳排放扩展STIRPAT 模型:

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

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。

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

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ε-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,ARIMA)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。

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

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)。

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

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ε-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。