下载:
-
人类活动引发的碳排放是全球温室气体排放的主要来源[1−2]。为有效应对气候变化，2020年中国宣布将力争在2030年前实现碳达峰，2060年前实现碳中和[3−4]。农业是第二大温室气体排放源[5−7]，种植业是整个农业的核心，包括粮食作物、经济作物、饲料作物和绿肥等的生产[7−8]。中国作为一个农业大国，2000—2020年全国种植业年均碳排放量为2.33 亿t[9]，占中国温室气体排放总量的16%~17%[10−13]。种植业在迅速发展的同时，碳排放量也在逐渐增加[14−15]，并呈现出不同的时空演变特征。2021年，为进一步减少农业碳排放，中国明确提出了改善农业生态系统、增强减排固碳能力的发展目标。种植业低碳化发展既是重要举措，又是潜力所在。在未来严峻的减排任务下，全面掌握种植业的碳排放现状、时空演变特征以及影响因素，对中国实现农业的低碳转型发展和农业现代化具有重要的意义。
目前，与农业碳排放相关的研究集中在碳排放指标体系构建、测算及影响因素分析等方面。李波等[16]、张露等[17]、尚杰等[18]认为：种植业碳排放源主要包括农用物资如化肥、农药、农用薄膜使用过程中的碳排放，翻耕、灌溉等过程中柴油、电力等能源消耗产生的碳排放；黄和平等[19]将种植业碳排放分为农业物资投入、农田土壤利用、秸秆焚烧三大类。在测算方法方面，张广胜等[20]应用生命周期评价法(LCA)计算农业碳排放量；高晨曦等[21]采用排放因子法测算了河南省的农业碳排放量。在农业碳排放影响因素的研究上，丁宝根等[14]等运用对数平均权重迪氏指数模型(LMDI)探析中国种植业碳排放的主要驱动因素，得出农业生产结构、农业产出水平和农业劳动力规模是碳排放增加的重要驱动因素；刘丽辉等[22]基于STIRPAT 模型分析了广东农业碳排放强度的影响因素。这些研究为农业低碳发展提供了参考依据，但从研究区域看，已有研究大多集中在国家、省域层面。由于经济发展、自然禀赋差异，不同地区在农业减排措施上会有所不同；从研究对象看，多以山东、河南等农业大省为主，针对经济发达地区种植业碳排放的研究较少。作为农业的重要组成部分，种植业的碳减排研究尤为重要。
浙江省是中国经济最活跃的省份之一，人口众多，耕地面积少，农产品产量的提高高度依赖化肥、农药等化学品的投入，环境污染严重，因此合理估算浙江省各市种植业碳排放量，对制定有效的减排措施具有重要意义，也可为评估种植业碳减排措施成效及碳达峰提供依据。此外，浙江省地形复杂多样，不同地区农业生产情况相差较大，各地区地理位置、功能定位、农业发展水平的不同导致了农产品结构和经营管理措施的多样性，从而在空间上呈现出种植业碳排放差异。本研究在估算2006—2021年浙江省种植业碳排放量的基础上，分析浙江省11个市种植业碳排放在时间上的变化和空间上的异质性，运用LMDI模型从经济、社会和人口的角度分析浙江省种植业碳排放变化的驱动因素，并使用GM(1, 1)灰色模型预测2022—2040年浙江省各市种植业碳排放的发展趋势，以期为浙江省种植业碳减排工作提供有益的参考。
-
浙江省地处中国东南沿海长江三角洲南翼，陆域面积10.55 万km2，占全国的1.06%，耕地面积208.17 万hm2，占全国的1.63%。浙江省属于亚热带季风气候，雨量丰沛，年均降水量为1 600.00 mm。2022年，浙江省人口5 100.51万人，下辖杭州、宁波、嘉兴、湖州、绍兴、温州、台州、金华、衢州、丽水和舟山11个市。省内地域差异明显，种植生产条件复杂，地形土壤多样。粮食种植面积占农作物播种面积的一半左右，2021年浙江省粮食总产量为620.90 万t，占全国的0.91%，农作物播种面积为2.015 万hm2，占全国的1.19%。
浙江省经济发达。2022年浙江省国内生产总值(GDP)列全国第4位，人均GDP列全国第1位。浙江省致力于发展低碳经济，其绿色产业规模位居全国前列，一直是国内绿色环保的排头兵[23]。
-
参考联合国政府间气候变化专门委员会 (IPCC)发布的碳排放系数[24]测算浙江省种植业碳排放量。浙江省种植业碳排放来自于多个排放源，包括农用薄膜、化肥、农药、农业机械总动力、农用柴油及灌溉[25]，且不同排放源的碳排放量计算方式不同(表1)。碳排放量为所有排放源的碳排放量之和，计算公式如下：
表 1 碳排放计算公式及各碳排放源碳排放系数
Table 1. Carbon emission calculation formula and carbon emission factors for each carbon emission source
碳排放源 计算公式及碳排放系数 资料来源 农用薄膜 Em = α1Gm，α1 =5.180 0 kg∙kg−1 南京农业大学农业资源与生态环境研究所[26] 化肥 Ef=α2Gf，α2 =0.895 6 kg∙kg−1 美国橡树岭国家实验室[26] 农药 Ep=α3Gp，α3 =4.934 1 kg∙kg−1 美国橡树岭国家实验室[26] 农业机械总动力 Ee=α4Se +α5Ge，α4 =16.47 kg∙hm−2，α5 =0.180 0 kg∙kW−1 王梁等[27]；朱巧娴等[28] 农用柴油 Ed=α5Gd，α5=0.592 7 kg∙kg−1 联合国气候变化政府间专家委员会[26] 灌溉 Eu=α6 Si，α6 =266.48 kg∙hm−2 段华平等[29] 说明：Gm. 农用薄膜使用总量(kg)；Gf. 化肥使用总量(kg)；Gp. 农药使用总量(kg)；Se. 农作物种植面积(hm2)；Ge. 农业机械总动力(kW)；Gd. 农用机械柴油消耗量(kg)；Si. 农田的有效灌溉面积(hm2)。Em、Ef、Ep、Ee、Ed、Eu分别为农用薄膜、化肥、农药、农业机械总动力、农用柴油和灌溉的碳排放量。 $$E=\sum_{i=1}^n E_i=\sum_{i=1}^n T_i \delta_i。 $$ (1) 式(1)中：E为种植业碳排放量；$ {E}_{i} $为第i种碳源的排放量；$ {T}_{i} $为第i 种碳源的使用量；$ {\delta }_{i} $为第i碳源的碳排放系数。
-
为了量化不同地区的碳排放差异，采用单位面积的种植业碳排放量表示不同地区的碳排放强度。计算公式为：
$$E_{\mathrm{c} j}=\frac{E_j}{S_j}。$$ (2) 式(2)中：$ {{E}}_{{{\mathrm{c}}}{j}} $为第j个地区碳排放强度；$ {{E}}_{{j}} $为第j个地区种植业碳排放量；$ {{S}}_{{j}} $为第j个地区农作物种植面积。
-
作为研究能源环境问题常用的方法之一，LMDI模型相较于其他方法操作性和适用性更强，可以有效分析总体指标，保持各个分解指标之间的高度一致性，因此本研究参考刘杨等[5]、丁宝根等[14]的方法，将浙江省种植业碳排放影响因素分解为种植业生产效率、农业产业结构、地区产业结构、经济发展水平和人口数量等5个因素，进行影响因素驱动分析。具体分解如下：
$$ C={C}_{{\mathrm{I}}}\times {A}_{{\mathrm{I}}}\times {G}_{{\mathrm{I}}}\times {E}_{{\mathrm{I}}}\times P\text{；} $$ (3) $$ {C}_{{\mathrm{I}}}=\frac{C}{{G}_{{\mathrm{c}}}} \text{；} $$ (4) $$ {A}_{{\mathrm{I}}}=\frac{{G}_{{\mathrm{c}}}}{{G}_{{\mathrm{a}}}} \text{；} $$ (5) $$ {G}_{{\mathrm{I}}}=\frac{{G}_{{\mathrm{a}}}}{{G}_{{\mathrm{z}}}} \text{；} $$ (6) $$ {E}_{{\mathrm{I}}}=\frac{{G}_{{\mathrm{z}}}}{P} 。 $$ (7) 式(3)~(7)中：C为浙江省种植业碳排放量(万t)；Gc、Ga、Gz分别为浙江省种植业产值、农业产值、生产总值(亿元)；P为浙江省总人口数量(万人)；CI表示种植业生产效率，用单位种植业产值上的碳排放来表示，这是一个反指标因素，该指标越大，生产效率就越低；AI表示农业生产结构，种植业是农业中能源消耗的主体产业，在农业产出规模既定的情况下，种植业所占比例越大，碳排放也会越大，本研究用种植业在农业产值中的比例来表示；GI表示地区产业结构，反映该地区产业内部结构的优化程度，用农业产值占全省GDP的比例表示；EI表示地区经济发展水平，以人均GDP表示，经济发展水平高的地区，农业生产会更倾向于资本密集型[30]，对农药、化肥等高碳农资的依赖度更高；P表示人口因素，人口规模的扩大必然带来能源消费水平的增加，以浙江省人口数量表示。
-
使用灰色预测模型GM(1, 1)预测2022—2040年浙江省的种植业碳排放量，其基本原理是用原始数据组成原始序列(0)，再通过累加生成法生成序列(1)，该步骤可以弱化原始数据的随机性，使其呈现更为明显的特征规律，对生成变换后的序列(1)建立1阶微分方程模型即GM(1, 1)模型[5−6]。
-
化肥施用量、农药用量、农用薄膜用量、农作物播种面积、农业机械总动力、有效灌溉面积、耕地面积、种植业产值、农业产值、全省生产总值及人口数据均来源于浙江省统计局发布的2007—2022年的《浙江统计年鉴》、浙江省各市统计局发布的统计年鉴以及自然资源统计公报。
-
基于灌溉、农业机械、柴油、化肥、农药、农用薄膜等6种碳排放源核算的2006—2021年浙江省种植业碳排放量、碳排放强度测算结果见图1。2006—2021年浙江省种植业碳排放量从2006年的870.89 万t减少至2021年的619.66 万t，年均减排率为−1.80%，累计排放总量为12 868.10 万t，年均排放量为804.26 万t。2006—2012年碳排放量处于比较稳定的状态，在870 万t上下波动，于2012年达到峰值(877.56 万t)；2012—2021年为持续下降阶段，且下降趋势较为明显，从2012年的877.56 万t下降至2021年的619.66 万t，年均减排率为−2.94%。2006—2014年浙江省种植业碳排放强度呈波动上升，至2014年达到峰值(4.21 t·hm−2)，2014—2021年持续下降，平均每年下降3.36%，2021年下降至3.08 t·hm−2。
图 1 2006—2021年浙江省种植业碳排放量及碳排放强度
Figure 1. Carbon emission and intensity of planting industry in Zhejiang Province from 2006 to 2021
浙江省种植业碳排放量及强度的变化趋势与国家的农业政策密不可分。2004年，政府开始对粮食种子及农机进行购买补贴，2006年，全面取消传统农业税[31]。在一系列政策措施的激励下，农药、农用薄膜等农资投入不断增加，农用机械消耗能源持续加大，在作物产量上升的同时，碳排放量及强度也稳步提高[9]。2013年后，浙江省推广使用有机肥，实施化肥减量增效，并积极发展绿色无公害农业，在全国率先提出“肥药两制”改革，健全化肥农药源头管理管控机制，为全国碳减排提供“浙江方案”。2014年开始，浙江省种植业碳排放强度开始下降，种植业碳排放量得到有效控制。
就碳排放结构而言，2006—2021年化肥始终是种植业碳排放的首要来源，平均占比达到45.32%，引起的碳排放量在2006—2013年呈缓慢下降趋势，2014—2021年下降幅度较大，下降了102.44万t，减少了26.15%。其次是农业机械总动力和柴油，平均占比分别为28.03%和14.43%。2006—2013年，农业机械总动力引起的碳排放量稳定，年均排放量维持在260 万t。期间浙江省耕地面积不断减少，农业机械化水平不断提高，耕作机械、拖拉机、脱粒机大量应用，在提高农业生产效率的同时消耗了大量能源，使这几年的碳排放量在耕地面积持续缩减的情况下依旧保持稳定[32]；2014—2021年碳排放量呈迅速下降趋势，年均下降13.9 万t，占比从2013年的29.88%下降至21.79%。因其他碳排放源排放量的下降，柴油的碳排放量比例不断上升，2021年达16.85%。农药、农用薄膜、灌溉引起的碳排放量占比较小，分别为3.34%、4.06%、4.82%。农药引起的碳排放量逐年下降，由2006年的32.64 万t下降到2021年的17.04 万t，年平均下降率为3.2%。农用薄膜与之相反。农用薄膜的施用可以有效提高作物产量且污染较小[33]，但很难回收处理，导致碳排放量由2006年的24.61 万t增长至2021年36.10 万t，年平均增长率为3.11%。灌溉引起的碳排放量由有效灌溉面积决定，变化趋于稳定。
-
由表2可以看出：2006—2021年，浙江省11个市种植业碳排放量年平均值呈中部高南北两侧低的分布格局，且各市碳排放量均呈下降趋势。台州、杭州、金华与宁波种植业碳排放量平均值超过90 万t·a−1，分别为112.89、98.64、95.08、93.71 万t·a−1，占全省的51.54%；嘉兴、绍兴与温州种植业碳排放量平均值为60~80 万t·a−1，占全省的28.31%；湖州、衢州与丽水为30~60 万t·a−1，占全省的18.86%；舟山为10.03 万t·a−1，占全省的1.29%。2021与2006年相比，温州、杭州、嘉兴与湖州种植业碳排放量下降幅度最大，超过了25.00%，其次是丽水、衢州、台州与宁波，为15.00%~25.00%，绍兴、金华与舟山下降幅度最小，为10.00%~15.00%。
表 2 2006—2021 年浙江省种植业碳排放量平均值、变化率、碳排放强度
Table 2. Average value, rate of change and carbon intensity of carbon emissions from planting industry in Zhejiang Province in 2006－2021
地区 碳排放量平均值/
(万t·a−1)碳排放量
变化率/%碳排放强度/
(t·hm−2)地区 碳排放量平均值/
(万t·a−1)碳排放量
变化率/%碳排放强度/
(t·hm−2)台州 112.89 −17.17 4.92 温州 69.57 −33.68 3.00 杭州 98.64 −28.13 3.05 衢州 55.87 −17.77 2.69 金华 95.08 −14.40 4.01 湖州 55.11 −27.98 2.99 宁波 93.71 −16.13 3.42 丽水 35.46 −24.30 2.16 嘉兴 76.98 −29.60 2.73 舟山 10.03 −13.35 5.76 绍兴 73.31 −10.53 2.59 浙江省各市面积差异较大，用碳排放强度可以更加直观地反映各市间种植业碳排放的差异[34]。由表2可以看出：舟山、台州与金华碳排放强度最大，分别为5.76、4.92、4.01 t·hm−2，超过全省的平均碳排放强度(3.69 t·hm−2)，其次是宁波、杭州与温州，分别为3.42、3.05、3.00 t·hm−2，湖州、嘉兴、衢州与绍兴等市为2.59~2.99 t·hm−2，丽水碳排放强度最低，为2.16 t·hm−2。
浙江省地形复杂，各市的地理条件、经营措施、主要种植作物都存在着差异，导致各地区碳排放量的不同。台州位于浙江省东部沿海地区，碳排放量与碳排放强度居全省前列。台州辖区内的温黄平原富含肥沃且保肥能力强的中碱性土壤，是浙江省重要的商品粮生产基地。碳排放量较高的水稻Oryza sativa等粮食作物是台州市主要种植的农作物，农用薄膜、化肥等高碳物资用量大，要降低碳排放量首先要调整种植业生产结构，并减少化肥、农药等物资的投入。舟山群岛虽然耕地面积小，但柴油消耗导致的碳排放量较高；可能与当地的种植特点有关。杭州、嘉兴、湖州与绍兴位于杭嘉湖水网平原、宁绍平原地区，是浙江省重要的农业区，农田精耕细作，低碳农业发展迅速，农业生产方式先进，现代化机械及技术应用较多，农业人才聚集，种植业碳排放强度较低，碳排放量下降快。丽水、衢州、金华位于浙江省西南部，多丘陵盆地，耕地质量差别大且面积少。这些地区农药、化肥、柴油使用量相较于沿海地区都较低，种植业较其他地区发展滞后，对种植业的人才、资金、政策等扶持力度较弱，导致种植业碳排放强度低。
-
根据LMDI模型从种植业生产效率、农业生产结构、地区产业结构、经济发展水平以及人口因素共5个方面对浙江省种植业碳排放进行影响因素分解分析，结果见图2。测算结果中各影响因素变化所引起的碳排放变化量为正值，表示该因素对碳排放的增加起促进作用；反之，各影响因素变化引起的碳排放变化量为负值，表示该因素对碳排放的增加起抑制作用。
图 2 浙江省种植业碳排放驱动因素贡献值
Figure 2. Contribution value of carbon emission driving factors in planting industry of Zhejiang Province
与2006年相比，2021年浙江省种植业实现碳减排251.23 万t。提升种植业生产效率以科技创新为基础，提高化肥、农用薄膜及农药等农产品要素的投入使用率，降低能源消耗，促使种植业在科技带动下向绿色低碳转型。由图2可知：种植业生产效率、地区产业结构的贡献值为负值，是浙江省种植业碳减排的主要因素。种植业生产效率是促进碳减排的首要因素，平均每年贡献碳减排量为64.49 万t。地区产业结构平均每年贡献碳减排量34.19 万t，农业产值占全省生产总值比例由2006年的5.97%下降至2021年3.00%，表明浙江省正在积极推进地区产业结构升级。经计算，第一产业产值占全省生产总值比例每下降1.00%，碳排放量就会减少184.66 万t。地区经济发展水平、人口数量、农业生产结构的贡献值为正值，对浙江省种植业碳排放量的增加起促进作用，其中地区经济发展水平是主要决定性因素。研究期间，由经济发展累计增加的碳排放量达1 208.47 万t，占增加碳排放量的91.03%，人口数量变化引起的碳排放量比较稳定，占比较小。农业生产结构对碳排放的贡献值虽然总体是正值，但在2011、2016年种植业比例下降时是负值。可见，降低种植业在农业中的比例，可以起到抑制碳排放量增加的效果，且潜力巨大。因此，促进产业结构升级是保证浙江省未来种植业碳排放量持续下降的关键。
-
上述研究发现：2014年后，浙江省种植业碳排放总量及强度开始下降。为了更精准地预测浙江省11个市未来种植业的碳排放量，分别以2006—2021、2014—2021年的种植业碳排放量数据作为样本，构建灰色预测模型GM(1, 1)，预测2022—2040年种植业碳排放量。由图3可知：2种预测结果均显示2022年后浙江省种植业碳排放量呈下降趋势，其中以2014—2021年种植业碳排放量数据为样本的预测值曲线与原始值的曲线拟合度更高，置信区间更加接近，即预测结果更加精确，原因可能是种植业的发展与国家的政策密切相关。预测值显示，2040年较2021年下降62.80%，年均下降20.28 万t。
图 3 浙江省种植业碳排放量预测值
Figure 3. Projected carbon emissions from planting industry in Zhejiang Province
基于上述分析，以浙江省11个市2014—2021年种植业碳排放量为依据，构建灰色预测模型GM(1, 1)，预测2022—2040年种植业碳排放量。由图4可知：2022—2040年浙江省各市种植业碳排放量呈现持续下降趋势，不同地区下降幅度并不相同，其中杭州、嘉兴、绍兴、金华未来减排潜力很大，2040年碳排放量较2021年分别下降67.55%、64.69%、68.07%、66.33%，占全省的44.85%。舟山、台州、温州碳排放量降幅较小，2040年较2021年分别下降46.60%、52.41%、50.95%。究其原因，可能是舟山地区农业机械与种植技术比较落后，清洁型农业能源推广效果甚微，台州、温州地区是浙江省重要的粮仓，为了保证粮食产量，投入的化肥、柴油、农用薄膜消耗较大。因此，各地区应因地制宜，根据实际情况充分发挥地区特色，制定相应的减排目标，促进各地区种植业低碳发展。
图 4 浙江省11个市种植业碳排放量预测
Figure 4. Projected carbon emissions from planting industry in 11 cities of Zhejiang Province
-
种植业碳排放量受多重因素的影响，计算结果可能会与实际碳排放有一定误差。一方面，本研究数据来源于统计年鉴，存在省级与市级及统计年份不一致的现象，出现冲突时以省级年鉴及最新年份数据为准；另一方面，本研究采用的碳排放因子数据来源于各类数据库及期刊，由于核算边界、地域等的差异，可能会与浙江省的实际情况有所出入。这些还有待进一步探究。另外，从研究结果看，化肥、柴油、农用机械总动力3种碳排放源的碳排放量列前3位，与方苗等[35]的研究相似，但在总碳排放量上存在差异，可能是农业和种植业核算对象的不同导致。
-
低碳化种植，提升能源利用率。化肥与农用机械总动力是浙江省种植业最大的碳排放源，因此首先要采取措施控制化肥的使用强度，积极推广有机肥、水肥一体化，提升作物对肥料的利用率[12]。其次，提高种植业生产环节的智能化、精准化水平[36]，减少使用高能耗农机设备与技术，推广应用绿色环保型农业机械，使用清洁能源，减少化石能源的消耗。此外，推广使用可降解地膜，减少农业废弃物造成的碳排放。
全面统筹，协调发展。对浙江各市的农业低碳发展应因地制宜，实施不同的策略，制定不同的固碳减排目标[37]。浙江省各市碳排放存在显著差异，碳排放量下降幅度领先的地区可作为其他下降趋势较弱地区的发展示范[9]，以强带弱，带动碳排放强度较大，农业发展比较落后的地区，缩小地方差距。建议投入更多的资金、人才到碳排放高的地区，展开跨区域农业合作，进行技术交流，集中力量解决薄弱地区的发展问题，降低高强度碳排放地区的碳排放量。
优化农业产业结构，促进产业升级。调整种植业产值在农业产值中的比例，注重环境生态效益，提高农产品附加值，鼓励农户选择绿色、有机等生态农业模式，改变传统农业粗放型碳排放发展方式，向智慧农业转型，注重长远规划，将资金投入到低碳农业技术的开发上。
-
浙江省种植业碳排放量及强度总体呈下降趋势。碳排放量变化分为2个阶段：2006—2012年缓慢上升阶段，2012—2021年持续下降阶段。从结构来看，化肥与农用机械总动力是最大的种植业碳排放源，化肥引起的碳排放量占总排放量的45.32%，各种碳排放源导致的碳排放量从大到小依次为化肥、农业机械总动力、柴油、灌溉、农用薄膜、农药。碳排放强度的变化趋势与碳排放量相似，2006—2014年处于上升时期，2014—2021年处于下降时期。随着农业科学技术的持续发展，以及绿色经济、绿色消费理念的提出与实践，浙江省种植业逐渐向绿色低碳转型，并起到了一定的效果。
浙江省种植业碳排放存在明显的地区差距，呈现中部高南北两侧低的格局。从碳排放量看，金华、杭州、台州、宁波较高，舟山、丽水农业欠发达地区较小；温州的碳排放量变化幅度最大，从2006年到2021年减少了27.66 万t，下降了33.68%；绍兴的碳排放量变化幅度最小，减少了6.92 万t，下降了10.53%。各地区间碳排放量差距在逐渐减少。从碳排放强度看，东部沿海地区明显高于西南内陆。
运用LMDI模型分析浙江省种植业碳排放驱动因素可知，促进浙江省种植业碳排放量增加的因素从高到低依次是经济发展水平、人口数量、农业生产结构，其中，经济发展水平是最主要的促进因素，种植业生产效率提高，地区产业结构调整是抑制碳排放量增加的主要因素。各因素综合作用下，2021年浙江省种植业实现碳减排251.23 万t。
利用灰色预测模型预测浙江省种植业2022—2040年的碳排放量，发现模型精度随年份增多而降低，以2014—2021年样本预测的碳排放量更加精确。预测结果表明：2022—2040年浙江省种植业碳排放量继续保持下降趋势，2040年下降至228.29 万t，并且11个市均保持下降趋势，平均下降率为56.78%。
Spatiotemporal evolution law and driving factors of carbon emissions in planting industry in Zhejiang Province
-
摘要:
目的 探讨浙江省种植业碳排放时空演变规律及影响因素，以期制定种植业固碳减排方案，促进浙江省种植业低碳绿色转型。 方法 基于浙江省种植业的能源投入数据，使用碳排放系数法评估2006—2021年浙江省种植业碳排放的时空演变规律，结合对数平均权重迪氏指数模型(LMDI)对种植业碳排放变化进行驱动因素分析，并采用灰色预测模型预测2022—2040年的种植业碳排放量。 结果 ①2006—2021年，浙江省种植业碳排放量总体呈现先上升后下降的趋势，年际变化率为−1.80%，累计碳排放总量为1.29 亿t；2006—2012年，碳排放量缓慢上升，2012年达到峰值后急剧下降，平均每年下降2.94%。②浙江省种植业的碳排放量呈现中部高南北两侧低的分布格局，中部地区的杭州、金华与台州是浙江省的主要碳排放地区，碳排放量占全省的39.86%。③种植业生产效率提高与地区产业结构优化对碳减排起到促进作用；经济发展水平提高、人口数量增加及农业生产结构上升是引起碳排放量增加的驱动因素，其中经济发展水平是影响碳排放量变化的主要驱动因素，引起的碳排放变化量占比为41.58%。④灰色预测模型预测结果表明：2022—2040年浙江省种植业碳排放量呈持续下降趋势，2040年的碳排放量下降至2021年的37.20%，其中杭州、嘉兴、绍兴及金华下降幅度最大。 结论 浙江省种植业已实现碳达峰。为保证未来碳排放持续下降，应重点关注农业生产技术的优化和产业结构的调整，种植过程中合理施用化肥，提高种植效率，减少能源消耗，加快推进农业绿色化现代化，加速实现碳中和目标。图4表2参37 Abstract:Objective The aim is to explore the spatiotemporal evolution law and influencing factors of carbon emissions in planting industry in Zhejiang Province, in order to develop a carbon sequestration and emission reduction plan and promote low-carbon and green transformation of planting industry in Zhejiang Province. Method Based on the energy input data of planting industry in Zhejiang Province, the carbon emission coefficient method was used to assess the spatiotemporal evolution of carbon emissions of planting industry in Zhejiang Province from 2006 to 2021. Combined with Logarithmic Mean Weighted Divisia Index(LMDI), the driving factors of carbon emissions changes in planting industry were analyzed, and the grey prediction model was used to predict the carbon emissions of planting industry from 2022 to 2040. Result (1) From 2006 to 2021, the overall carbon emissions from planting industry in Zhejiang Province showed an upward trend followed by a downward trend, with an annual variation rate of −1.80%, and a total cumulative carbon emission of 129 million tons. Between 2006 and 2012, carbon emissions slowly increased and then sharply decreased after reaching a peak in 2012, with an average annual decline of 2.94%. (2) The carbon emissions from planting industry in Zhejiang Province showed a distribution pattern of high in the central region and low in the north and south. Hangzhou, Jinhua and Taizhou in the central region were the main carbon emitting regions, accounting for 39.86% of the province’s carbon emissions. (3) The improvement of planting industry efficiency and the optimization of regional industrial structure played a promoting role in carbon reduction, and the improvement of economic development level, the increase of population size, and the optimization of agricultural production structure were the driving factors that caused the increase in carbon emissions, among which the level of economic development was the dominant factor affecting the changes in carbon emissions, accounting for 41.58% of the total carbon emissions change. (4) The grey prediction model prediction results showed that the carbon emissions from planting industry in Zhejiang Province would continue to decline from 2022 to 2040, and the carbon emissions in 2040 would decrease to 37.20% of those in 2021. Among them, Hangzhou, Jiaxing, Shaoxing and Jinhua would have the largest decline. Conclusion Planting industry in Zhejiang Province has achieved carbon peak. To ensure a continuous decline in carbon emissions in the future, we should focus on optimizing agricultural production technology and adjusting industrial structure, applying chemical fertilizers rationally, improving planting efficiency, reducing energy consumption, and speeding up modernization of green agriculture, so as to accelerate the achievement of carbon neutrality goal. [Ch, 4 fig. 2 tab. 37 ref.] -
气候问题日益突出，世界各国已达成减少二氧化碳排放以改善气候问题的共识。中国作为碳排放大国之一，需向世界完成减排温室气体的承诺，承受着来自国内外的巨大压力。对强制性或自愿减排仍达不到减排要求的状况，碳排放权交易是有效且低成本的市场手段[1]。建立碳交易市场等碳排放平衡机制，能更加公平有效地实现中国碳减排目标[2]，引导企业选择科学的减排路径[3]，有利于企业在不影响经济发展的情况下完成减排任务[4]，同时抵消机制的引入使得碳交易中的部分资金流向林业，促进林业发展[5]。现阶段通过改变能源结构减排的空间不大[6]，应重视其他的节能减排方式。中国森林资源丰富，以森林碳汇抵消碳排放作为减排途径之一是合适的。自2011年开展7个碳排放权交易试点以来，2012年提出要加强电力、煤炭、钢铁、石油石化、化工、建材行业的工业节能，并于2017年正式启动全国碳排放权交易市场。电力作为最先启动的重点减排行业，1 700余家发电企业已正式纳入碳市场，其他行业将陆续启动，现阶段是全国碳市场发展的重要节点。在全球气候变暖和碳排放权(森林碳汇)交易市场启动已成为客观事实的背景下，企业作为节能减排主体，当其不能或因成本过高不愿通过购买设备、更新技术等手段实施工业碳减排，企业将选择通过购买价格较低的森林碳汇来达到减排目标[7]。由于不同地区的环境政策、经济发展水平，不同行业的减排要求，不同企业的管理方式、减排技术水平不同，势必导致各企业的碳边际减排成本存在差异，对森林碳汇的需求价格(本研究指企业愿意通过购买森林碳汇进行减排而非工业减排的最高价格)也不同。碳交易市场上的交易价格受市场需求、当地经济发展、政策鼓励程度等因素影响而有所不同。目前，7个碳排放权交易试点相差较大，若企业通过工业减排的单位成本高于碳汇市场上森林碳汇的单位价格则会进行购买，反之不会进行碳汇交易。由此可见，在允许通过森林碳汇来抵消企业碳排放的情况下，碳汇市场交易价格与企业工业碳边际减排成本的差异将决定企业是否会选择购买森林碳汇来进行碳抵消，直接影响未来森林碳汇的交易。同时，政府是宏观经济管理者，需有效合理地引导企业科学选择减排途径。目前，碳减排政策主要可分为政府引导的政策和市场主导的政策[8]。适当的补贴政策、合理的碳税及明确的碳抵消比例和范围能更好地激励企业进行减排。已有文献大多将政府引导和市场主导的政策共同对比研究，研究主要集中在碳汇补贴和碳税政策方面，且研究发现，综合运用碳减排政策能带来更好的减排和经济效应[9]，而不确定的碳减排政策会造成收益的不稳定[10]，因此合理的碳减排政策在碳汇交易中起到决定性的作用。中国区域发展存在差异，各地区各行业减排空间不同。本研究基于企业的碳边际减排成本，运用云模型测算企业对森林碳汇的需求价格并模拟政策变化对其影响，合理估算不同地区不同行业的碳减排潜力，有利于促进各地区各行业协同治理，以期为森林碳汇市场建立和发展提供依据。
1. 理论框架、模型设定与数据来源
1.1 理论框架
基于成本收益理论基础[11-12]和机制分析，本研究假设如下：①随各国碳减排政策出台，企业在生产经营过程中必须进行减排行为。②企业工业碳边际减排成本主要取决于企业投入、产出以及二氧化碳排放量3个方面指标。③碳减排政策目前只考虑政府允许抵扣比例、碳税征收率和碳汇补贴额3种。④本研究中所提及的企业对森林碳汇的需求价格为企业购买森林碳汇愿意支付的最高值。⑤企业对森林碳汇的需求价格只受企业的成本收益和政府强制碳减排政策影响，不考虑其他交易成本。
假设企业的总成本(不包含减排成本的其他成本之和)为E，总收益为U，工业减排成本为I，购买森林碳汇抵消减排成本为F。选择工业减排时，企业净收益为Z1=U−E−I；选择购买森林碳汇抵消减排时，企业净收益Z2=U−E−F。当Z1＞Z2，即F＞I时，企业会选择工业减排；当Z1＜Z2，即F＜I时，企业会选择购买森林碳汇减排；当Z1=Z2，即F=I时，企业可选择任何一种减排方式。从目前研究来看，一旦森林碳汇交易市场全面建立起来，由于购汇边际减排成本比工业碳边际减排成本低，会促进企业选择通过购买森林碳汇来实现减排。
一般而言F＜I，企业会购买森林碳汇来抵消碳排放，如果外部的碳减排政策发生调整则会导致企业工业减排的成本和购买森林碳汇的成本发生变化，企业会选择成本低的减排方式。当政策变化使企业工业减排的成本降低，那么企业愿意购买森林碳汇的价格也会降低，即企业的森林碳汇需求价格受到影响。
情景1：无相应激励碳减排政策下企业对森林碳汇的需求价格。只采用购买森林碳汇来减排，企业的净收益Z如下：
$$ Z=U-E-Pq\text{。} $$ (1) 式(1)中：设市场森林碳汇购买价格为P；企业需要进行的减排量为q。用P1表示情景1下企业对森林碳汇的需求价格，x表示企业各项投入指标，y表示企业产出，c表示企业二氧化碳排放量，i=(1，2，3，
$\cdots $ )表示不同的企业样本。仅从企业生产经营考虑，企业愿意购买森林碳汇支付的最高金额就是企业工业碳边际减排成本，即为企业对森林碳汇的需求价格，价格受企业投入产出以及二氧化碳排放影响。表达式如式(2)：$$ {P_{1i}} = f\left( {{x_i},{y_i},{c_i}} \right)\text{。} $$ (2) 情景2：有相应激励碳减排政策下企业对森林碳汇的需求价格。在现有情景下，企业的减排行为同时受到3种碳减排政策(政府允许抵扣比例、碳税征收率、碳汇补贴额)影响，企业的净收益Z′变为式(3)：
$$ Z' = U - E - [(P - {V_3})q{V_1} + a(1 - {V_1})q + {V_2}(c - q)]\text{。} $$ (3) 式(3)中：V1~V3为碳减排政策，其中V1为政府允许抵扣比例，V2为碳税征收率，V3为碳汇补贴额，a为企业工业减排的单位成本。用P2表示情景2下企业对森林碳汇的需求价格，P2受企业工业碳边际减排成本和政府碳减排政策共同影响。表达式如式(4)：
$$ {P_{2i}} = f\left( {{x_i},{y_i},{c_i},{\rm{ }}{V_1},{V_2},{V_3}} \right)\text{。} $$ (4) 通过对2种情景的比较分析，由式(3)可看出：V1增大、V2减小、V3增大，都会导致净收益Z′增大。这可大致预测企业愿意购买森林碳汇来进行碳抵消的情况下，3种政策因素中政府允许抵扣比例和碳汇补贴额增加，会增加企业的收益；而碳税征收率提高会减少企业的收益。从理论上说，政府允许抵扣比例和碳汇补贴额会增加企业购买森林碳汇的机会和减少企业购买的成本，会促进企业的森林碳汇需求；而提高碳税对企业2种减排方式的成本都会增加，取决于提高碳税后对不同减排方式的影响程度，如果碳税提高对购买森林碳汇减排方式的成本增加更快，那么碳税征收率提高，会抑制企业对碳汇的需求。因此先提出本研究的假说：①政府允许抵扣比例提高，企业森林碳汇需求价格会上升；②碳税征收率提高，企业森林碳汇需求价格会下降；③碳汇补贴额提高，企业森林碳汇需求价格会上升。
1.2 模型设定
1.2.1 方向性距离函数
CHARNES等[13]提出的DEA模型为研究碳边际减排成本提供了基于投入—产出分析的距离函数方法，但此方法存在非期望产出与此相矛盾。方向性距离函数能区分出在增加期望产出的同时降低非期望产出的路径[14]，对处理实际生产过程中非期望的环境污染变量更合理。
方向性距离函数以设定的方向向量为权数，求期望产出(
$y$ )的最大值和非期望产出(c)的最小值[15]。y是生产过程中的期望产出，且$ y \in R_ + ^D $ ；c为非期望产出，且$ y \in R_ + ^U $ ；此处使用x代替全行业的投入，且$ x \in R_ + ^N $ ；则企业生产集为P(x)={(y, c)∶x→(y, c)}。P(x)是表示描述所有可以实现的投入产出向量。设方向向量g=(gy, gc)，g≠0，本研究中将产出方向性距离函数设置为[16]：
$${\vec D_0}\left( {x,y + a{g_y},c - a{g_c},{g_y}, - {g_c}} \right) = {\vec D_0}\left( {x,y,c,{g_y}, - {g_c}} \right) - a,\, a \in R\text{。}$$ (5) 由此，可计算企业的碳边际减排成本：
$${P_c} = {P_y}\left[ {\frac{{{\partial}∂ {{\vec D}_0}\left( {x,y,c,{g_y}, - {g_c}} \right)}}{{{\partial}∂ c}}\Bigg/\frac{{{\partial}∂ {{\vec D}_0}\left( {x,y,c,{g_y}, - {g_c}} \right)}}{{{\partial}∂ y}}} \right]\text{。}$$ (6) 式(6)中：x为样本企业的投入，y为样本企业期望产品的产量(本研究为样本企业的工业生产总值)，c为样本企业非期望产品的产量(本研究为样本企业的二氧化碳排放量)。Py为期望产品y的市场价格，Pc为二氧化碳的影子价格，即样本企业的碳边际减排成本(MAC)。关键数据为企业的投入产出指标，其中投入变量为固定资本投入(X1)、劳动力投入(X2)、工业中间投入(X3)，产出变量为工业国内生产总值(y)和二氧化碳排放量(c)。
1.2.2 罗宾斯坦恩博弈模型
合作项目的双方在博弈模型处于均衡状态时才会产生有效的合作[17]。本研究采用经过变形的谈判模型——罗宾斯坦恩讨价还价博弈模型[18-19]来分析企业和政府在减排活动中的博弈关系。减排行为不同于一般的讨价还价，对企业讨价还价能力的刻画指标的研究很少，因此根据相关文献，选择企业的投入产出所测算的碳边际减排成本来体现企业决策地位，而政府则是通过各类碳减排政策。具体模型如下：
$$ {P}_{{\rm{d}}}^{}=l+\left(\frac{1-{\varOmega }_{{\rm{d}}}}{1-{\varOmega }_{{\rm{s}}}{\varOmega }_{{\rm{d}}}}\right)(h-l)\left(\frac{{\varOmega }_{\rm{s}}^{2}}{{\varOmega }_{{\rm{d}}}}\right)\left(\frac{M+1}{10\;000}\right)\text{。}$$ (7) 式(7)中：Pd为森林碳汇的需求价格，l为样本企业碳边际减排成本最低值，h为样本企业碳边际减排成本最高值，Ωs与Ωd为供求激励系数，Ωs表示森林碳汇总量不超过企业基准年排放量的抵扣比例，Ωd表示碳税征收率，M表示森林碳汇补贴额。森林碳汇需求价格不会高于样本企业碳边际减排成本最大值h，否则企业会自行选择工业技术减排；不会低于样本企业碳边际减排成本最低值l，因为经验数据显示，样本企业碳边际减排成本最低值l往往接近于0，森林碳汇供给者无利可图，故拒绝提供森林碳汇。
1.2.3 云模型
由于碳交易过程中存在波动性、模糊性、信息不完备性等条件制约，传统的定量方法会因为政策及企业类型差异大等，影响结果的合理性[20]。为处理定性概念中广泛存在的随机性和模糊性问题，李德毅院士于1995年首次提出不确定性知识的定性定量转换的数学模型——云模型[21-23]。本研究采用云模型方法测算企业对森林碳汇的需求价格，并模拟政策因素对其影响程度，增加结果的可信度。云发生器分为正向云发生器和逆向云发生器[24-25]。本研究采用正向云发生器算法，首先分别求解4个地区3个行业企业对森林碳汇的需求价格的期望、熵和超熵。其次用3个特征值，通过Matlab 8.4软件运用云模型正向发生器实现模拟，通过产生的云图得出企业最可能的需求价格值与区间。
1.3 数据来源
综合考虑7个碳排放权交易试点省(市)的经济情况、地理位置以及特殊的政治经济地位，本研究以中国当前正在进行碳交易试点的7个省(市)中北京、上海、湖北、广东4个省(市)为案例区，选择火电、化工、钢铁3个碳排放密集型代表行业，按照各样本省(市)这3个行业目前参与自愿减排的数量比例，共计选取89家为样本企业。每个样本企业再调查31个具有独立投入—产出核算的能耗单位，总计2 759个减排单位样本的调查数据(表1)。根据国际评估减排效果惯例的时间间隔要求，对2 759个样本减排单位实施自愿减排后连续3 a(2012−2014年)的生产投入—产出数据进行调研观察。基于相关文献研究，关键数据主要为3个投入指标：固定资产投资(X1)、劳动力投入(X2)和工业中间投入(X3)；2个产出指标：企业当年总产值(y)和企业当年二氧化碳排放总量(c)[26-27]。根据文献，政策因素选择现有的3个碳减排政策，包括碳税、碳汇补贴和允许抵消比例[28]。
表 1 样本减排单位分布Table 1 Distributionof sample emission reduction unit减排行业 样本减排单位数/个 合计/个 上海市 北京市 广东省 湖北省 火电行业 589 217 124 93 1 023 钢铁行业 403 62 186 155 806 化工行业 527 93 93 217 930 合计 1 519 372 403 465 2 759 2. 企业二氧化碳边际减排成本的测算分析
本研究通过Lingo 12软件运用方向性距离函数的方法，计算所调查的89家样本企业2 759个样本减排单位3 a的碳边际减排成本。表2仅列出各地区各行业样本企业的碳边际减排成本的最低值和最高值。
表 2 各地区各行业样本企业的碳边际减排成本比较Table 2 Comparison of average marginal emission reduction costs of sample enterprises in different regions and industries行业 年份 边际减排成本/(元·t−1) 上海市 北京市 广东省 湖北省 最低 最高 最低 最高 最低 最高 最低 最高 火电行业 第1年 303.03 729.83 303.03 1 471.57 726.94 1 229.92 852.12 1 178.26 第2年 303.03 779.18 520.38 1 020.68 649.02 823.68 887.66 4 627.56 第3年 303.03 1 133.13 303.03 1 456.74 1 017.88 1 248.95 1 409.09 1 545.02 钢铁行业 第1年 303.03 816.30 410.28 579.16 303.04 1 011.54 359.65 517.71 第2年 303.04 1 120.83 573.02 1 576.43 426.82 1 361.52 727.94 1 600.94 第3年 303.03 1 975.53 770.22 1 289.81 1 200.41 2 744.07 996.56 1 243.00 化工行业 第1年 303.03 446.49 474.76 534.75 476.11 608.71 303.03 671.49 第2年 303.03 764.16 440.28 601.87 595.68 708.51 303.04 917.03 第3年 303.02 27 660.20 303.02 1 686.43 2 491.72 3 660.70 593.63 6 139.93 对4个地区3个行业样本企业的碳边际减排成本进行比较(表2)，可发现：上海市3个行业的碳边际减排成本的最低值是4个试点中最小的。上海市经济发达且作为各项政策的先行试点市，不断出台与落实相关碳减排政策，当地企业在工业减排方面进行了设备改造、技术革新、使用环保材料等措施降低了碳边际减排成本，但也反映了上海技术水平已经较高，进一步改进提高技术可能性较小。森林碳汇可能是未来的发展方向。广东省和湖北省的企业碳边际减排成本相较其他两省(市)更高，尤其是钢铁行业和化工行业，一方面是地区间行业发展存在差异，另一方面也说明这2个地区企业二氧化碳减排设备与技术更新发展缓慢或政府减排力度不够大，因此，这些地区必须在工业减排方面取得明显进步。从行业来看，钢铁行业和化工行业企业比火电行业更高，这与火电行业作为首批减排企业，已正式启动全国碳排放权交易市场有关，因此其他行业也应尽快纳入减排目标企业中。
3. 企业森林碳汇需求价格的测算分析
在测得企业碳边际减排成本的基础上，通过变形的罗宾斯坦恩博弈模型来测算企业对森林碳汇的需求价格，得到4个地区3个行业样本企业3 a的森林碳汇需求价格均值，可比较分析得出不同地区不同行业森林碳汇需求价格的差异及其原因。为进一步了解企业对森林碳汇的需求价格的可能值、可能区间以及稳定性，引入云模型，在充分考虑研究对象模糊性和随机性的基础上，使测算的森林碳汇需求价格结果更准确与直观。
3.1 基于罗宾斯坦恩博弈模型的森林碳汇需求价格测算分析
根据二手资料，以上海市为基准，Ωs即抵扣比例，为5%；Ωd即碳税征收率没有明文规定，用上海的排污费率代替，为1%；M即碳汇补贴额，取值20元·t−1。根据公式(7)得结果表3。不同地区不同行业的森林碳汇需求价格差别明显。通过地区间的对比，上海市和北京市的企业对森林碳汇的需求价格明显低于广东省和湖北省的企业。这受上海市和北京市的政策要求与设备技术更新所影响。从这方面来讲，广东省和湖北省在未来对森林碳汇的需求会更大。这一结果与企业碳边际减排成本情况基本一致。可见，森林碳汇需求价格与碳边际减排成本呈现出显著正相关关系。对比3个行业测算的森林碳汇需求价格可知，化工行业企业对森林碳汇需求价格最低，说明火电行业和钢铁行业企业工业减排的成本高、潜力小，对森林碳汇需求会更大，即对火电和钢铁行业而言，森林碳汇在未来有很大的市场与发展潜力。
表 3 各地区各行业企业3 a的森林碳汇需求价格Table 3 Demand prices of forest carbon sinks of enterprises in different regions and industries in three years行业 年份 森林碳汇需求价格/(元·t−1) 上海市 北京市 广东省 湖北省 火电行业 第1年 303.25 303.63 727.20 852.29 第2年 303.31 520.64 649.11 889.61 第3年 303.46 303.62 1 018.00 1 409.12 钢铁行业 第1年 303.30 410.37 303.40 359.74 第2年 303.46 573.54 427.34 728.42 第3年 303.90 770.49 1 201.21 996.69 化工行业 第1年 303.11 474.79 476.17 303.22 第2年 303.27 440.36 595.74 303.35 第3年 317.25 303.74 2 492.33 596.52 3.2 基于云模型的森林碳汇需求价格测算分析
为更好地反映不同地区不同行业企业对森林碳汇的需求，本研究运用云模型正向发生器测度，得出不同地区不同行业企业对森林碳汇的需求价格范围和均值。首先，基于所测得的企业碳边际减排成本数据，运用云模型测算3个行业和4个省(市)在碳减排政策实行后的森林碳汇需求价格的期望、熵和超熵。通过Matlab 8.4软件测得结果如表4和表5。
表 4 火电、钢铁和化工行业的森林碳汇需求价格的期望、熵和超熵Table 4 Expectations, entropy and superentropy of demand prices of forest carbon sinks in thermal power, steel and chemical industries行业 期望 熵 超熵 火电行业 631.936 7 169.364 3 59.665 2 钢铁行业 556.821 7 133.101 0 25.257 0 化工行业 575.820 8 93.977 8 44.864 5 表 5 4个省（市）的森林碳汇需求价格的期望、熵和超熵Table 5 Expectations, entropy, and superentropy of demand price of forest carbon sinks in four provinces省份 期望 熵 超熵 上海市 304.923 3 5.662 2 0.306 1 北京市 455.686 7 57.069 0 48.222 9 广东省 876.722 2 198.257 9 93.980 7 湖北省 715.440 0 195.630 3 52.194 6 3.2.1 不同行业间的森林碳汇需求价格差异分析
根据云模型正向发生器通过Matlab 8.4软件产生不同行业企业的云图，分析不同行业企业森林碳汇需求价格的情况(图1)。云图y轴表示隶属度，x 轴表示企业对森林碳汇需求价格的模拟值。如图1A，火电行业企业对森林碳汇需求价格平均值聚集在500~700元·t−1，越靠近中间值云滴越密集，离散程度越低。在隶属度为1时，森林碳汇需求价格平均值为631元·t−1，表示4个样本省(市)的火电行业企业的森林碳汇平均需求价格为631元·t−1。同理，钢铁、化工行业的均值为556和575元·t−1(图1B~图1C)。从需求价格区间来说，火电行业的最小值和最大值相差最大，说明火电行业的熵最大，即所接受的区间最大；而化工行业两边距离小，熵最小。从云图的分散程度来看，钢铁行业图形最“薄”，超熵最小；而火电和化工行业图形较发散，超熵较大，即离散程度大。对比3个行业所模拟的企业对森林碳汇的需求价格，钢铁行业图形正态分布最清晰，图形云层最薄，说明该行业企业的森林碳汇需求价格有较高的稳定性；且明显低于火电行业的需求价格，说明火电行业企业的工业碳边际减排成本较高，即火电行业在通过技术来进行工业减排的发展潜力小，因此森林碳汇在火电行业会有很大的市场。
图 1 不同行业企业森林碳汇需求价格云图Figure 1 Demand prices of forest carbon sinks of enterprises in different industries3.2.2 不同地区间的森林碳汇需求价格差异分析
根据云模型正向发生器通过Matlab 8.4软件产生不同地区企业的云图，分析不同地区企业森林碳汇需求价格的情况。由图2可知：不同地区森林碳汇需求价格相差很大，就森林碳汇需求价格情况的均值来看，上海市、北京市、广东省、湖北省分别约305、456、877、715元·t−1。上海市与北京市的图形较靠近中间值，说明这2个地区的熵较小，价格浮动区间小，比广东省和湖北省更为稳定。上海市与北京市由于前期的政府减排力度与减排设备更新较快，工业减排走在前列，成本相对较低，因此广东省和湖北省森林碳汇需求价格高于其他2个地区，说明广东和湖北对森林碳汇的需求会更大，森林碳汇市场有更好的发展潜力。上海市与湖北省的图形呈现出较好的分布，比较聚拢，说明这2个地区企业的情况较为接近，各企业对森林碳汇的需求价格较为相像，而北京市与广东省的图形较为分散，说明这2个地区企业的情况相差较大，企业间森林碳汇的需求价格上下波动较大。
图 2 不同地区企业森林碳汇需求价格云图Figure 2 Demand prices of forest carbon sinksfor enterprises in in different regions4. 不同政策情景下的企业森林碳汇需求价格模拟分析
为更好地提升各地区高排放行业未来对森林碳汇的需求潜力，在测得现有政策情景下企业森林碳汇需求价格的基础上，本研究通过改变公式(7)中3个相关政策变量(政府允许碳汇抵消比例、碳税征收率、碳汇补贴额)，来模拟不同政策情景下企业的森林碳汇需求价格变化。根据以往学者的研究和调研，选择政府允许抵消比例范围为0%~20%，税收征收率为0%~20%，碳汇补贴额为0~150元·t−1。
4.1 不同行业企业森林碳汇需求价格模拟分析
当其他因素不变，政府允许碳汇抵消比例为0%~20%时，观察企业的森林碳汇需求价格的动态变化。由图3A可知：随着政府允许碳汇抵消比例的提高，各行业企业森林碳汇需求价格上升，因此政府可适当提高允许抵消的比例，来促进企业对森林碳汇的购买。化工行业企业的增长趋势最为明显，其碳边际减排成本是3个行业中相对较高的，即化工行业通过工业减排的成本较高，与其他行业相比不具有优势。该行业希望通过购买森林碳汇等方式来实现间接减排。若政府允许抵扣比例增加，通过购买森林碳汇来实现减排目标是化工行业未来的发展方向。
图 3 不同政策场景下各行业企业森林碳汇需求价格模拟Figure 3 Demand prices of forest carbon sinks of enterprises under different policy scenarios当其他因素不变，税收征收率范围为0%~20%时，观察企业的森林碳汇需求价格的动态变化。由图3B可知：随着碳税征收率的提高，各行业企业的森林碳汇需求价格先呈现下降趋势，后变化不明显。一方面高碳税对购买森林碳汇的成本增加更快，另一方面也是由于在所选取的年份，可供交易的森林碳汇数量较少，企业购买森林碳汇的成本更高。说明碳税征收率为影响企业是否会选择购买森林碳汇的一个政策因素，但不是关键性因素，即高碳税征收率对企业森林碳汇的需求价格影响不大。因此，政府可适当提高碳税征收率，给企业一定的减排压力，促进企业的减排行为。
当其他因素不变，改变碳汇补贴额，模拟0~150元·t−1的情景下企业森林碳汇需求价格动态变化趋势。由图3C可知：随着碳汇补贴额度的增加，各行业企业的森林碳汇需求价格呈上升趋势，3个行业中，化工行业受政策影响的程度最大。4个样本省(市)中，化工行业较多分布在上海和北京，在技术减排方面相对领先，未来进一步减排的成本反而相对较高，更倾向于购买森林碳汇。因此需要政府加大支持力度，加快森林碳汇的发展，促进该行业减排方式的转型。政府可适当提高碳汇补贴额，既可以促进企业的减排热情，也可以增加企业对森林碳汇的购买需求。
4.2 不同省市企业森林碳汇需求价格模拟分析
由图4A可知：随着政府允许碳汇抵消比例的提高，4个省(市)的企业森林碳汇需求价格上升，其中湖北省企业的增长趋势较为明显。湖北省企业目前通过工业减排的成本相对较高，在碳减排政策允许的情况下，企业更愿意选择成本较低的森林碳汇，若政府提高允许碳汇抵消比例，购买森林碳汇减排会成为当地企业的一种选择。由图4B可知：随着碳税征收率的提高，各省(市)企业的森林碳汇需求价格同样没有明显的变化。由图4C可知：随着碳汇补贴额度的增加，各地区企业的森林碳汇需求价格呈上升趋势，4个省(市)中上海市受政策影响的程度最大，上海市目前的技术已相对发达，随着时间的增加，工业减排将不再有优势，同时森林碳汇是一个低成本的选择。
图 4 不同政策情境下下各地区企业森林碳汇需求价格模拟Figure 4 Demand prices of forest carbon sinks of enterprises in various regions under different policy scenarios5. 结论和讨论
5.1 结论
89个样本企业碳边际减排成本存在较大差异且不断增长。一方面说明不同地区在经济发展水平、碳减排政策及减排力度方面的不同，另一方面也说明不同行业企业的减排技术和设备等方面存在差异。每个企业每年的碳边际减排成本不相同且出现上升趋势，说明工业减排已不具有优势，购买森林碳汇来抵消碳排放是未来的发展趋势。各行各业碳边际减排成本高且存在较大差异，企业作为需求方才会有意愿考虑购买森林碳汇，碳汇市场交易也才会进行，这也是本研究的意义所在。
不同省(市)不同行业企业对森林碳汇的需求价格相差甚远。结果显示：上海市、北京市、广东省和湖北省的均值约分别为305、456、877和715元·t−1；火电行业、化工行业、钢铁行业的均值分别为631、556和575元·t−1。上海市与北京市企业对森林碳汇的需求价格低，广东省和湖北省的较高。钢铁行业企业对森林碳汇的需求价格最低，稳定性最强，说明火电和化工行业企业在未来对森林碳汇的需求会更大，尤其是火电行业企业已经正式启动全国碳排放权交易市场，森林碳汇市场在火电行业的发展潜力是巨大的。
政策因素对企业的森林碳汇需求价格有明显的影响。各地区各行业企业的森林碳汇需求价格存在一定的变动范围，最高和最低价格相差甚远，即需要采取一定的方案和措施使价格稳定在一个合理区间，且低于企业的工业碳边际减排成本。其中随着政府允许碳汇抵消比例和碳汇补贴额度增加，企业森林碳汇需求价格会上升，碳税征收率对企业森林碳汇需求价格影响不明显。从行业和地区来看，政府允许碳汇抵消比例变化对化工行业与湖北省的企业影响更大，而碳汇补贴额度的提高对化工行业和上海市的企业的森林碳汇需求促进作用更为明显。因此，合理的允许抵消比例与补贴政策组合下，化工行业将会是未来森林碳汇的重大需求者。
5.2 讨论
中国于2017年已启动全国碳排放权交易市场并在加速建设中，但发展并不完善。目前，试点市场中的广东碳汇市场交易较活跃，2019年成交量突破千万吨，但重庆、天津过少。中国碳排放核查与监测主要针对石化、化工、建材、钢铁、有色、造纸、电力、航空八大行业。本研究涉及行业仅为碳排放密集型的火电、钢铁和化工3个行业，不能完全反映自愿减排的其他碳排放小的行业和个人。从碳汇市场长远发展来看，要鼓励更多行业进入碳汇市场，期待后续加强对其他市场参与主体的研究。
目前，试点碳市交易价格普遍不高且差距很大。2019年成交均价北京市最高为83.27元·t−1，深圳市最低，仅为10.84元·t−1，试点市场平均成交均价为27.76元·t−1，与本研究所测算的企业森林碳汇需求价格相差较远。本研究仅从森林碳汇的需求方企业来进行森林碳汇的价格研究，未充分考虑森林碳汇供给方和政府，因此多方参与的森林碳汇定价机制还需后续进一步研究，以探索合理的碳汇价格，提高企业森林碳汇需求的同时保障森林碳汇供给者的利益。
-
图 1 2006—2021年浙江省种植业碳排放量及碳排放强度
Figure 1 Carbon emission and intensity of planting industry in Zhejiang Province from 2006 to 2021
图 2 浙江省种植业碳排放驱动因素贡献值
Figure 2 Contribution value of carbon emission driving factors in planting industry of Zhejiang Province
图 3 浙江省种植业碳排放量预测值
Figure 3 Projected carbon emissions from planting industry in Zhejiang Province
图 4 浙江省11个市种植业碳排放量预测
Figure 4 Projected carbon emissions from planting industry in 11 cities of Zhejiang Province
表 1 碳排放计算公式及各碳排放源碳排放系数
Table 1. Carbon emission calculation formula and carbon emission factors for each carbon emission source
碳排放源 计算公式及碳排放系数 资料来源 农用薄膜 Em = α1Gm，α1 =5.180 0 kg∙kg−1 南京农业大学农业资源与生态环境研究所[26] 化肥 Ef=α2Gf，α2 =0.895 6 kg∙kg−1 美国橡树岭国家实验室[26] 农药 Ep=α3Gp，α3 =4.934 1 kg∙kg−1 美国橡树岭国家实验室[26] 农业机械总动力 Ee=α4Se +α5Ge，α4 =16.47 kg∙hm−2，α5 =0.180 0 kg∙kW−1 王梁等[27]；朱巧娴等[28] 农用柴油 Ed=α5Gd，α5=0.592 7 kg∙kg−1 联合国气候变化政府间专家委员会[26] 灌溉 Eu=α6 Si，α6 =266.48 kg∙hm−2 段华平等[29] 说明：Gm. 农用薄膜使用总量(kg)；Gf. 化肥使用总量(kg)；Gp. 农药使用总量(kg)；Se. 农作物种植面积(hm2)；Ge. 农业机械总动力(kW)；Gd. 农用机械柴油消耗量(kg)；Si. 农田的有效灌溉面积(hm2)。Em、Ef、Ep、Ee、Ed、Eu分别为农用薄膜、化肥、农药、农业机械总动力、农用柴油和灌溉的碳排放量。 
下载: 导出CSV
表 2 2006—2021 年浙江省种植业碳排放量平均值、变化率、碳排放强度
Table 2. Average value, rate of change and carbon intensity of carbon emissions from planting industry in Zhejiang Province in 2006－2021
地区 碳排放量平均值/
(万t·a−1)碳排放量
变化率/%碳排放强度/
(t·hm−2)地区 碳排放量平均值/
(万t·a−1)碳排放量
变化率/%碳排放强度/
(t·hm−2)台州 112.89 −17.17 4.92 温州 69.57 −33.68 3.00 杭州 98.64 −28.13 3.05 衢州 55.87 −17.77 2.69 金华 95.08 −14.40 4.01 湖州 55.11 −27.98 2.99 宁波 93.71 −16.13 3.42 丽水 35.46 −24.30 2.16 嘉兴 76.98 −29.60 2.73 舟山 10.03 −13.35 5.76 绍兴 73.31 −10.53 2.59
下载: 导出CSV
-
[1] 周鹏飞, 顾蕾, 彭维亮, 等. 竹展开砧板碳足迹计测及构成分析[J]. 浙江农林大学学报, 2014, 31(6): 860 − 867. ZHOU Pengfei, GU Lei, PENG Weiliang, et al. A carbon footprint assessment and composition analysis of flattened bamboo chopping board[J]. Journal of Zhejiang A&F University, 2014, 31(6): 860 − 867. [2] SHE Wei, WU Yao, HUANG Huang, et al. Integrative analysis of carbon structure and carbon sink function for major crop production in China’s typical agriculture regions[J]. Journal of Cleaner Production, 2017, 162: 702 − 708. [3] FU Jun, DING Rui, ZHU Yuqi, et al. Analysis of the spatial-temporal evolution of green and low carbon utilization efficiency of agricultural land in China and its influencing factors under the goal of carbon neutralization [J/OL]. Environmental Research, 2023, 237 (1): 116881[2023-12-30]. doi. org/10.1016/j. envres. 2023.116881. [4] 郑博福, 梁涵, 万炜, 等. 江西省县域农业碳排放时空格局及影响因素分析[J]. 农业工程学报, 2022, 38(23): 70 − 80. ZHENG Bofu, LIANG Han, WAN Wei, et al. Spatial-temporal pattern and influencing factors of agricultural carbon emissions at the county level in Jiangxi Province of China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(23): 70 − 80. [5] 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, 2022, 30(4): 558 − 569. LIU Yang, LIU Hongbin. Characteristics, influence factors, and prediction of agricultural carbon emissions in Shandong Province[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 558 − 569. [6] 范振浩, 邢巍巍, 卜元卿, 等. 江苏省种植业碳排放的测算及达峰分析[J]. 水土保持学报, 2023, 37(5): 78 − 85. FAN Zhenhao, XING Weiwei, BU Yuanqing, et al. Calculation and peak analysis of carbon emission from agricultural planting in Jiangsu Province[J]. Journal of Soil and Water Conservation, 2023, 37(5): 78 − 85. [7] 杨滨键, 田景仁, 孙红雨. 农业生产碳足迹影响因素研究——基于SVAR模型[J]. 生态经济, 2019, 35(8): 120 − 127. YANG Binjian, TIAN Jingren, SUN Hongyu. Study on the factors affecting the carbon footprint of agricultural production based on the SVAR Model[J]. Ecological Economy, 2019, 35(8): 120 − 127. [8] 张会宇. 基于因子分析的浙江省农业发展情况研究[J]. 农村经济与科技, 2019, 30(18): 149 − 151. ZHANG Huiyu. Research on agricultural development in Zhejiang Province based on factor analysis[J]. Rural Economy and Science-Technology, 2019, 30(18): 149 − 151. [9] 吴昊玥, 周蕾, 何艳秋, 等. 中国种植业碳排放达峰进程初判及脱钩分析[J]. 中国生态农业学报, 2023, 31(8): 1275 − 1286. WU Haoyue, ZHOU Lei, HE Yanqiu , et al. Peaking process and decoupling analysis of carbon emissions of crop production in China[J]. Chinese Journal of Eco-Agriculture,, 2023, 31(8): 1275 − 1286. [10] 胡婉玲, 张金鑫, 王红玲. 中国种植业碳排放时空分异研究[J]. 统计与决策, 2020(15): 92 − 95. HU Wanling, ZHANG Jinxin, WANG Hongling. Spatiotemporal differentiation of carbon emissions from planting industry in China[J]. Statistics & Decision, 2020(15): 92 − 95. [11] 刘宇峰, 原志华, 郭玲霞, 等. 中国农作物生产碳足迹及其空间分布特征[J]. 应用生态学报, 2017, 28(8): 2577 − 2587. LIU Yufeng, YUAN Zhihua, GUO Lingxia, et al. Carbon footprint of crop production in China from 1993 to 2013 and its spatial distribution[J]. Chinese Journal of Applied Ecology, 2017, 28(8): 2577 − 2587. [12] 陈炜, 殷田园, 李红兵. 1997—2015年中国种植业碳排放时空特征及与农业发展的关系[J]. 干旱区资源与环境, 2019, 33(2): 37 − 44. CHEN Wei, YIN Tianyuan, LI Hongbing. Spatiotemporal distribution characteristics of carbon emission from plant industry and the relationship with agriculture development in China from 1997 to 2015[J]. Journal of Arid Land Resources and Environment, 2019, 33(2): 37 − 44. [13] SHI Hongxu, CHANG Ming. How does agricultural industrial structure upgrading affect agricultural carbon emissions? Threshold effects analysis for China[J]. Environmental Science and Pollution Research, 2023, 30: 52943 − 52957. [14] 丁宝根, 赵玉, 邓俊红. 中国种植业碳排放的测度、脱钩特征及驱动因素研究[J]. 中国农业资源与区划, 2022, 43(5): 1 − 11. DING Baogen, ZHAO Yu, DENG Junhong. Calculation, decoupling effects and driving factors of carbon emission from planting industry in China.[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2022, 43(5): 1 − 11. [15] TIAN Jianxiang, YANG Huilin, XIANG Pingan, et al. Drivers of agricultural carbon emissions in Hunan Province, China [J/OL]. Environmental Earth Sciences, 2016, 75 [2023-12-31]. doi: 10.1007/s12665-015-4777-9. [16] 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 Bo, ZHANG Junbiao, LI Haipeng. 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. [17] 张露, 何雨霏, 陈坦, 等. 2011—2020年汾渭平原农田生态系统碳足迹的时空格局演变[J]. 生态环境学报, 2023, 32(6): 1149 − 1162. ZHANG Lu, HE Yufei, CHEN Tan, et al. The spatial and temporal pattern evolution of carbon footprint of farmland ecosystem in Fenwei Plain from 2011 to 2020[J]. Ecology and Environmental Sciences, 2023, 32(6): 1149 − 1162. [18] 尚杰, 杨滨键. 种植业碳源、碳汇测算与净碳汇影响因素动态分析: 山东例证[J]. 改革, 2019(6): 123 − 34. SHANG Jie, YANG Binjian. Estimation of carbon source and carbon sequestration in planting industry and dynamic analysis of influencing factors of net carbon sequestration: a case study of Shandong Province[J]. Reform, 2019(6): 123 − 34. [19] 黄和平, 李紫霞, 黄靛, 等. “双碳”目标下江西省农业碳排放量测算、影响因素分析与预测研究[J]. 生态与农村环境学报, 2024, 40(2): 179 − 190. HUANG Heping, LI Zixia, HUANG Dian, et al. Research on the measurement, analysis and prediction of agricultural carbon emissions in Jiangxi Province under the “Dual Carbon” Goals[J]. Journal of Ecology and Rural Environment, 2024, 40(2): 179 − 190. [20] 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(7): 18 − 26, 110. ZHANG Guangsheng, WANG Shanshan. China’s agricultural carbon emission: structure, efficiency and its determinants [J]. Issues in Agricultural Economy, 2014(7): 18 − 26, 110. [21] 高晨曦, 卢秋萍, 欧年青, 等. “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, 2022, 30(11): 1842 − 1851. GAO Chenxi, LU Qiupping, OU Nianqing, et al. Research on influencing factors and prediction of agricultural carbon emission in Henan Province under the carbon Peaking and Carbon Neutrality goal[J]. Chinese Journal of Eco-Agriculture, 2022, 30(11): 1842 − 1851. [22] 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 Lihui, XU Jun. 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. [23] 赵慈, 宋晓聪, 刘晓宇, 等. 基于STIRPAT模型的浙江省碳排放峰值预测分析[J]. 生态经济, 2022, 38(6): 29 − 34. ZHAO Ci, SONG Xiaocong, LIU Xiaoyu, et al. Prediction and analysis of peak carbon emissions in Zhejiang Province based on STIRPAT Model[J]. Ecological Economy, 2022, 38(6): 29 − 34. [24] 李绵德, 周冬梅, 朱小燕, 等. 河西走廊2000—2020年农业碳排放时空特征及其影响因素[J]. 农业资源与环境学报, 2023, 40(4): 940 − 952. LI Miande, ZHOU Dongmei, ZHU Xiaoyan, et al. Spatial-temporal characteristics of agricultural carbon emissions and influencing factors in the Hexi Corridor from 2000 to 2020[J]. Journal of Agricultural Resources and Environment, 2023, 40(4): 940 − 952. [25] QIAO Guotong, CHEN Fei, WANG Na, et al. Inter-annual variation patterns in the carbon footprint of farmland ecosystems in Guangdong Province, China [J/OL]. Scientific Reports, 2022, 12 : 14134[2023-12-31]. doi: 10.1038/s41598-022-18425-z. [26] 崔永福, 高策, 王俊凤, 等. 河北省县域农业碳排放空间演化及对策[J]. 中国农机化学报, 2023, 44(5): 241 − 248, 256. CUI Yongfu, GAO Ce, WANG Junfeng, et al. Spatial evolution and countermeasures of county agricultural carbon emission in Hebei Province [J]. [J]. Journal of Chinese Agricultural Mechanization, 2023, 44(5): 241 − 248, 256. [27] 王梁, 赵杰, 陈守越. 山东省农田生态系统碳源、碳汇及其碳足迹变化分析[J]. 中国农业大学学报, 2016, 21(7): 133 − 141. WANG Liang, ZHAO Jie, CHEN Shouyue. Analysis of ecosystem carbon sources/sinks and carbon footprint in farmland ecosystem of Shandong Province[J]. Journal of China Agricultural University, 2016, 21(7): 133 − 141. [28] 朱巧娴, 梅昀, 陈银蓉, 等. 基于碳排放测算的湖北省土地利用结构效率的DEA模型分析与空间分异研究[J]. 经济地理, 2015, 35(12): 176 − 184. ZHU Qiaoxian, MEI Yun, CHEN Yinrong, et al. Regional differentiation characteristics and optimization of the structural efficiency of land use in Hubei Province based on the carbon emissions[J]. Economic Geography, 2015, 35(12): 176 − 184. [29] 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 Huaping, ZHANG Yue, ZHAO Jianbo, et al. Carbon footprint analysis of farmland ecosystem in China[J]. Journal of Soil and Water Conservation, 2011, 25(5): 203 − 208. [30] 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 Yun, WANG Mengchen. 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. [31] 王树芬, 高冠龙, 李伟, 等. 2000—2020年山西省农业碳排放时空特征及趋势预测[J]. 农业环境科学学报, 2023, 42(8): 1882 − 1892. WANG Shufen, GAO Guanlong, LI Wei et al. Carbon emissions from agricultural and animal husbandry in Shanxi Province: temporal and regional aspects, and trend forecast[J]. Journal of Agro-Environment Science, 2023, 42(8): 1882 − 1892. [32] DONG Gang, MAO Xianqiang, ZHOU Ji, et al. Carbon footprint accounting and dynamics and the driving forces of agricultural production in Zhejiang Province, China[J]. Ecological Economics, 2013, 91: 38 − 47. [33] LIU Zihan, WANG Bingfan, LI Zhaoyang, et al. Plastic film mulch combined with adding biochar improved soil carbon budget, carbon footprint, and maize yield in a rainfed region [J/OL]. Field Crops Research, 2022, 284 : 108574[2023-12-31]. doi: 10.1016/j.fcr.2022.108574. [34] 李明琦, 刘世梁, 武雪, 等. 云南省农田生态系统碳足迹时空变化及其影响因素[J]. 生态学报, 2018, 38(24): 8822 − 8834. LI Mingqi, LIU Shiliang, WU Xue, et al. Temporal and spatial dynamics in the carbon footprint and its influencing factors of farmland ecosystems in Yunnan Province[J]. Acta Ecologica Sinica, 2018, 38(24): 8822 − 8834. [35] 方苗, 贺义雄, 余晓洋. 农业碳排放研究: 空间格局、脱钩效应及驱动因素——以浙江省为例[J]. 资源开发与市场, 2022, 38(12): 1461 − 1467, 1528. FANG Miao, HE Yixiong, YU Xiaoyang. Agricultural carbon emissions: spatial pattern, decoupling effect and driving factors: taking Zhejiang Province as an example[J]. Resource Development & Market, 2022, 38(12): 1461 − 1467, 1528. [36] 孔德雷, 姜培坤. “双碳”背景下种植业减排增汇的途径与政策建议[J]. 浙江农林大学学报, 2023, 40(6): 1357 − 1365. KONG Delei, JIANG Peikun. Approaches and policy recommendations for reducing emissions and increasing carbon sinks in crop industry under the background of carbon peak and carbon neutrality[J]. Journal of Zhejiang A&F University, 2023, 40(6): 1357 − 1365. [37] 张精, 方堉, 魏锦达, 等. 基于碳足迹的安徽省农田生态系统碳源/汇时空差异[J]. 福建农业学报, 2021, 36(1): 78 − 90. ZHANG Jing, FANG Yu, WEI Jinda, et al. Carbon footprint-based temporal and spatial analysis on carbon sources/sinks at farmlands in Anhui Province.[J]. Fujian Journal of Agricultural Sciences, 2021, 36(1): 78 − 90. 期刊类型引用(9)
1. 陈丽荣，万深玮，王一冰，李丹，刘雨声. 公众森林碳汇购买意愿影响因素研究——基于TPB—NAM整合模型. 资源开发与市场. 2024(01): 42-51 . 
百度学术2. 蒋欣强，彭红军，苏世伟. 国际林业碳汇基金运作模式研究与启示. 世界林业研究. 2023(03): 9-15 . 百度学术3. 李明晖，王恺. 双碳背景下碳市场经济学理论与演化规律研究进展. 油气储运. 2023(11): 1242-1250+1260 . 百度学术4. 杨凯迪，张伟. 黄河流域森林碳汇生态产品价值核算研究. 黄河文明与可持续发展. 2023(02): 103-122 . 百度学术5. 沈哲鑫. 基于区块链的碳抵消研究综述与展望. 中国商论. 2022(04): 112-115 . 百度学术6. 陈周光，龙飞，祁慧博. 中国森林碳汇定价研究. 价格月刊. 2022(03): 9-16 . 百度学术7. 王雅茹，贾瑜，赵华，顾永强. “双碳”目标下油气行业发展的应对之策. 石油石化绿色低碳. 2022(02): 73-76 . 百度学术8. 朱梅钰，龙飞，祁慧博，张哲. 基于行业减排的森林碳汇需求空间测度与分类. 浙江农林大学学报. 2021(02): 377-386 . 本站查看9. 王丽华，许跃坤. 简析我国碳汇林发展现状. 阿坝师范学院学报. 2021(04): 66-73 . 百度学术其他类型引用(8)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20240156
点击查看大图
计量
- 文章访问数: 388
- HTML全文浏览量: 72
- PDF下载量: 37
- 被引次数: 17
