目前，全球气候变暖不仅是最被关注的环境问题，而且也是已上升到与国际政治和经济领域相关的热点问题.国际上普遍认为气候变暖现象90%以上归因于温室气体的排放，如二氧化碳、甲烷、臭氧等, 其中，二氧化碳是最重要的温室气体.研究发现，碳排放对温室效应的贡献占50%以上(张志强等, 2008).国际能源局(IEA)的数据显示，早在2007年中国能源消耗产生的二氧化碳排放量就高达60.32×10⁸ t，已经超越美国成为全球第一大温室气体排放国(IEA, 2012).因此, 国内地理学、经济学等各个领域的学者对碳排放进行了广泛而深入的研究(黄蕊等, 2013).

农田生态系统与森林、草场和湿地组成了陆地生态系统中最大的碳库—土壤碳库，而农田生态系统也是土壤碳库中唯一可以进行人工干预的部分，其碳排放包括农田地上部分生物及地下土壤活动中生物和化学过程产生的碳排放.近些年，随着大量农用化学品投入到生产活动中，农业活动所产生的二氧化碳排放已成为碳排放的重要组成部分.中国是农业大国，同时农业也是我国经济中的基础产业，面对气候环境的变化，低碳农业和农业的可持续发展更应得到足够的重视.国内在碳排放影响因素的研究方面，大多数学者基本采用传统的LMDI、Kaya、IPAT和STIRPAT等全局模型，而这些模型往往会掩盖各区域的空间差异，并且忽视了空间位置对碳排放的各种影响因素的重要性.根据Tobler(1970)地理学第一定律，任何事物或现象都存在相关性，并且这种相关性与事物间的距离有关，越临近的事物间相关性越高(胡艳兴等, 2015).国外在碳排放产生的机理及过程方面进行了较多的研究，如West等(2002)和Lal(2004)利用农田碳足迹方法系统评价并定量测算了耕作、播种、施肥、灌溉和收获等农作物生产活动过程对温室效应的影响.Vleeshouwers等(2002)运用空间计量模型研究了在不同农作物、不同气候环境和不同土壤类型条件下农用地土壤的碳转移量.ACIL Tasman Pty Ltd(2009)测算了美国、欧盟、加拿大、印度、新西兰等地区的农业碳排放量，发现不同国家由于生产方式不同农业碳排放占碳排放总量的比重差异较大.

东北三省作为我国最大的粮食生产基地，在提供大量农作物的同时，农业碳排放问题也较为突出.基于此，本文采用碳排放测算方法、空间探索分析(ESDA)技术研究东北三省农田生态系统碳排放的空间聚类特征，并结合GWR模型分析东北三省农田生态系统碳排放驱动因素及其影响程度.以期为东北三省农业可持续发展与农业碳减排政策制定提供科学参考.

农业碳排放主要来源于7方面(毕于运等, 2009)：① 化肥施用所产生的直接或间接的碳排放；② 农药化学品投入所产生的直接或间接的碳排放；③ 农用塑料薄膜使用过程所产生的碳排放；④ 农用机械使用所直接或间接消耗化石燃料和能源所产生的碳排放；⑤ 农用地翻耕破坏了土壤有机碳库，致使大量有机碳流失到大气中所产生的碳排放；⑥ 灌溉过程电能利用所产生的碳排放；⑦ 农作物秸秆焚烧所造成的碳排放.各种碳源碳排放测算见公式(1)~(7).

(1)

(2)

(3)

(4)

(5)

(6)

(7)

式中，E为农田生态系统的碳排放总量(万t)，E_f为施用化肥所产生的直接或间接的碳排放量(万t)，E_p为农药化学品投入所产生的直接或间接的碳排放量(万t)，E_m为农用塑料薄膜使用过程所产生的碳排放量(万t)，E_e为农用机械使用所直接或间接消耗化石燃料和能源所产生的碳排放量和农用地翻耕破坏了土壤有机碳库，致使大量有机碳流失到大气中所产生的碳排放量(万t)，E_i为灌溉过程电能利用所产生的碳排放量(万t)，E_g为农作物秸秆焚烧所造成的碳排放量(万t)，δ为各碳源的碳排放系数(取值见表 1)，G_f为化肥使用量(万t)，G_p为农药使用量(万t)，G_m为农膜使用量(万t)，A_e为农作物种植面积(km²)，W_e为农业机械总动力(kW)，A_i为灌溉面积(km²)，W_p为农作物经济产量(万t)，S_q为草谷比(作物秸秆产量和经济产量的比值)，各作物的草谷比取值确定方法具体见表 2.

表 1(Table 1)

表 1 主要碳源排放系数 Table 1 Emission factor of main carbon sources

表 1 主要碳源排放系数 Table 1 Emission factor of main carbon sources

表 2(Table 2)

表 2 农作物秸秆草谷比系数 Table 2 Grass valley ratio coefficient of straw

表 2 农作物秸秆草谷比系数 Table 2 Grass valley ratio coefficient of straw

本文运用地理信息技术中空间探索性分析手段(ESDA)，计算出全局Moran′s I指数和局域Moran′s I指数(LISA).其中，全局空间自相关主要用来分析区域总体的空间关联和空间差异程度(马荣华等，2007).全局Moran′s I指数如果为正数，表示研究区变量在空间分布上有正相关关系；如果为负数，表示研究区变量在空间分布上有负相关关系；如果等于0，表示研究区变量不存在空间相关性.局部空间自相关是用来衡量某一区域与周边区域的空间差异程度及显著性的方法，并结合局部空间自相关集聚图(LISA)等形式研究空间分布规律.局部Moran′s I指数大于0时，表示相似值发生聚集，存在正的局部空间自相关性；局部Moran′s I指数小于0时，表示不相似的值发生聚集，存在负的局部空间自相关性.其具体计算公式参见文献(Anselin, 1999).

利用地理加权回归(GWR)模型对东北三省各地级市农田生态系统碳排放量的驱动因素进行空间回归分析，GWR模型见公式(8).

(8)

式中，Y_i为各地级市农田生态系统碳排放量(万t)，为因变量，β_i为随着指标地理位置(u, v)变化而变化的回归系数，ε_i为第i个区域的随机误差.本文根据相关研究并结合东北三省的地区特点选择5个驱动因子作为自变量：地区人均生产总值(PGDP)，代表地区的经济发展情况；总人口数(POP)，代表人口增长情况；农民人均纯收入(INCOME)，代表地区农民生活水平；农业化肥施用量(AFS)和农业机械总动力(POAM)，代表农业技术水平和能源消耗情况.GWR模型的空间权函数选择固定型空间核(Fixed Spatial Kernels)计算，并利用赤池信息准则(AIC)(Fotheringham et al., 2000)来确定最优带宽.

本文以中国东北三省(黑龙江、吉林、辽宁)36个地级市(地区)为研究对象，计算碳排放量所用到的数据来源于2001—2015年《黑龙江统计年鉴》、《吉林统计年鉴》、《辽宁统计年鉴》和《中国农村统年鉴》及其他相关统计报表.由于黑龙江省有独立统计的垦区数据，将垦区数据就近划入相关地级市数据中以便于分析；自2012年黑龙江省抚远县和绥芬河市升级为直管县，与其他地级市(地区)相同，独立统计数据，为保证研究期间数据统计的一致性，本文将2012年后抚远县数据划入原属地佳木斯市，绥芬河市数据划入原属地七台河市.部分年份缺失数据采用平均增长率法估算所得.

根据碳排放的测算公式，得出了东北三省2000—2014年的农田生态系统碳排放量(表 3).由表 3可以看出，东北三省农田生态系统碳排放量呈现出快速增长的趋势，从2000年的2330.40×10⁴ t增长到2014年的6256.02×10⁴ t，增幅为168.45%.

表 3(Table 3)

表 3 2000—2014年东北三省农田生态系统碳排放 Table 3 Agro-ecosystem carbon emissions in three northeastern provinces from 2000 to 2014

表 3 2000—2014年东北三省农田生态系统碳排放 Table 3 Agro-ecosystem carbon emissions in three northeastern provinces from 2000 to 2014

从不同省份上看，东北三省农田生态系统碳排放量从大到小依次是黑龙江省、吉林省、辽宁省.黑龙江省从2000年的1220.07×10⁴ t增长到2014年的4055.03×10⁴ t，涨幅为232.4%；吉林省从2000年的598.20×10⁴ t增长到2014年的1367.44×10⁴ t，涨幅为128.59%；辽宁省从2000年的512.12×10⁴ t增长到2014年的833.54×10⁴ t，涨幅为62.76%.相比于吉林省和辽宁省，黑龙江省耕地面积较大，第一产业占比大及农业能源消耗较多，这些可能是黑龙江省农田生态系统碳排放量较大的原因.

本文根据rook标准和queen标准各阶空间权重矩阵，计算了我国东北三省农田生态系统碳排放量的全局Moran′s I指数，发现基于queen标准的一阶空间权重矩阵计算得出的全局Moran′s I指数最大，因此，本文在Geoda软件的计算过程中均采用了queen标准的一阶空间权重矩阵.计算出的东北三省农田生态系统碳排放量的全局Moran′s I指数见表 4.

表 4(Table 4)

表 4 2000—2014年东北三省农田生态系统碳排放量全局Moran′s I指数 Table 4 Agro-ecosystem carbon emission global Moran′s I index in three northeastern provinces from 2000 to 2004

表 4 2000—2014年东北三省农田生态系统碳排放量全局Moran′s I指数 Table 4 Agro-ecosystem carbon emission global Moran′s I index in three northeastern provinces from 2000 to 2004

由表 4可知，2000—2014年间，东北三省农田生态系统碳排放量之间存在空间正相关关系，这种空间正相关关系在整体上呈现出波动增长的态势.这表明自2000年来，东北三省农田生态系统碳排放量的空间聚集特征在不断增强，到2014年达到了最高值0.3395.15年间东北三省农田生态系统碳排放量波动增长的空间集聚特征也从侧面说明在区域减排过程中，各个地市之间的碳排放量整体差异在逐渐缩小.在空间范围内，全局Moran′s I指数反映的是整个研究区域的相关性，表 4中2000—2014年的全局Moran′s I指数都为正值，说明东北三省农田生态系统碳排放量存在显著的相关性，邻近区域的碳排放量相互影响、紧密联系，呈现出加强的空间集聚效应.

为了进一步分析各地区农田生态系统碳排放量在空间位置上的相互关系，本文选取2000年和2014年作为样本年，根据样本年各地区与其周围相邻地域的空间关系，把各个地区单元划归于以下4类(图 1)：① 高-高：各地区自身与相邻地区碳排放量均较高，二者呈现出正相关关联特征；② 低-低：各地区自身与相邻地区碳排放量均较低，二者呈显著正相关关联特征；③ 低-高：各地区自身碳排放量较低，而相邻地区碳排放量较高，空间上表现出中心较低而四周较高的负相关关联特征；④ 高-低：各地区自身碳排放量较高，而相邻地区碳排放量较低，在空间上表现为中心较高而四周较低的负相关关联特征.

图 1(Fig. 1)

图 1 东北三省农田生态系统碳排放量的LISA集聚图 Fig. 1 LISA cluster map of agro-ecosystems carbon emissions in three northeastern provinces

由图 1可知，东北三省农田生态系统碳排放表现出不均衡的发展格局，多数碳排放量高的地区与其他碳排放量高的地区相邻，碳排放量低的地区与碳排放量低的地区相邻.东北三省农田生态系统碳排放量的高-高区域主要集中在黑龙江省和吉林省，主要有哈尔滨市、大庆市、绥化市、齐齐哈尔市、长春市和松原市，在2000—2014年间，哈尔滨市、绥化市、长春市和松原市都是始终处于碳排放量高-高区域的地区.处于碳排放量低-低区域的地区主要在辽宁省，其中，通化市始终处于低-低区域，2014年处于碳排放低-低区域的地区已包含通化市、丹东市、大连市、鞍山市、本溪市、辽阳市和沈阳市7个城市.

Getis-Ord G_i^*统计量是一种基于距离权重矩阵的局部空间自相关指标，能探测出高值聚集和低值聚集，并明晰哪些地区对于全局自相关的贡献率更高.本研究同样选取2000年和2014年，计算其各地区农田生态系统碳排放量的区域空间相互关联系数，按照Jenks最佳自然断裂法(徐建华, 2010)分别对2个年份的局部统计量进行空间聚类显示，按其数值大小依次划分为热点区、次热点区、次冷点区和冷点区，由此得到了2个年份的空间格局热点演变图.与图 1相比，图 2对于碳排放量的集聚状态反映的更加明显.从2000年到2014年碳排放的统计量在空间上的分布来看，东北三省农田生态系统碳排放量的冷热点格局表现为热点区数量增加，次热点和次冷点区向四周移动，冷点区基本集中在西南部的辽宁省内.2014年热点区范围继续扩大，增加了牡丹江市，次热点区吞并了原来大部分次冷点区，次冷点区只剩辽源市和白山市，冷点区格局没有发生较大改变，说明黑龙江省和吉林省是东北三省农田生态系统碳排放的主要贡献源.

图 2(Fig. 2)

图 2 农田生态系统碳排放量的空间格局热点演化 Fig. 2 Evolution of spatial pattern in hot spot areas of agro-ecosystems carbon emissions in three northeastern provinces

本研究以东北三省地级市域为单位，综合主成分分析和多重共线性分析结果，运用ArcGIS软件把模型中各驱动因子的回归系数显示在图 3中，从而直观地展示各个回归参数在空间上的变化过程.在分析东北三省农田生态系统碳排放空间自相关时，得出其Moran′s I指数均大于0，说明各地碳排放量存在空间正相关，且表现出较为显著的空间聚集特征，这为利用GWR模型解释各地市农田生态系统碳排放量的影响因素提供了可能.本研究运用空间关系模型中的GWR模块显示各驱动因子回归系数的空间分布图，以便更好地了解所选取的5个驱动因子对农田生态系统碳排放量影响程度的空间变化规律.

图 3(Fig. 3)

图 3 2000—2014年东北三省农田生态系统碳排放的GWR模型回归系数空间分布(a.PGDP, b.POP, c.INCOME, d.AFS, e.POAM) Fig. 3 Spatial distribution regression coefficients of agro-ecosystems carbon emissions in three northeastern provinces from 2000—2014

由图 3可以看出，东北三省农田生态系统碳排放的局部系数会受到人为社会因素的影响，各地区受主要驱动因子影响程度有趋同化态势.其中，所有地区的人均GDP回归系数均为负数，表现出自西向东影响程度逐渐增大的格局(图 3a)；总人口数回归系数的空间分布呈现出先正后负的变化趋势(图 3b)，西北地区对人口因子的敏感度要高于东南部地区，研究区人口的慢增长对快增长的农田生态系统碳排放量的影响程度在逐渐降低；农村人均纯收入对农田生态系统碳排放的影响程度的空间分布差异较大(图 3c)，黑龙江省的敏感度要高于吉林省和辽宁省，第一产业比重高的地区的农田生态系统碳排放更易受人民生活水平指标的影响, 这与哈尔滨市、绥化市都始终处于碳排放量高-高区域的结论相符合；代表生产技术水平和能源消耗的农业化肥施用量和农业机械总动力均对农田生态系统碳排放有较大的影响(图 3d、3e)；相对于南部的碳排放冷点区辽宁省，黑龙江地区农田生态系统碳排放量的增加受农业化肥施用量的影响逐渐凸显，说明黑龙省急需采取提高生产技术水平、优化产业结构等手段遏制碳排放的增加，农业机械总动力因素对农田生态系统碳排放的影响程度普遍较高，东北三省农田生态系统碳排放和农业机械总动力的相关程度逐渐趋同.

本文对东北三省农田生态系统碳排放的测算是以地级市的统计资料为主，由于地级市资料文献的短缺，因而难免会存在一定误差，但并不影响本文结论的参考价值.农田生态系统碳排放研究是当前全球气候变化研究的重要方面, 农田生态系统能源投入和消耗及碳排放过程离不开相关行业的生产过程及物质输入输出，因此，随着研究的深入应逐渐扩展农田生态系统碳排放研究的广度和深度, 并加强遥感数据在碳排放估算中的应用.东北地区耕地面积相对较大，东北平原地区农业发达，因此，东北三省农田生态系统碳排放量的高-高区域主要集中在黑龙江省和吉林省，南部地区尤其是辽宁省内由于地处环渤海经济圈，工业经济相对发达，农田生态系统碳排放量较低.本文通过构建GWR模型分析农田生态系统碳排放主要驱动因素的影响程度，人均GDP回归系数为负数，在实际中人均GDP和农田生态系统碳排放量均在不断增长，说明经济发展速度略快于农田生态系统碳排放量的增长速度.另外，文中只考虑到化肥、农膜、机械总动力、秸秆燃烧等带来的碳排放，而忽略了农作物植被的固碳作用，尤其是土壤的固碳作用，因此, 应基于农田土壤碳的变化, 探索更多农田生态系统碳排放的技术和措施, 并应用于农业生产实践中.这不但对全球范围的碳减排有益, 而且对解决与人类密切相关的重大环境问题都具有重要意义.

本文利用2000—2014年《黑龙江统计年鉴》、《吉林统计年鉴》、《辽宁统计年鉴》和《中国农村统年鉴》相关数据，运用ESDA技术分析了东北三省农田生态系统碳排放量的相关性、热点区和集聚特性，并运用GWR等模型分析了人均GDP、总人口数、农民人均纯收入、农业化肥施用量(折纯)和农业机械总动力对农田生态系统碳排放量的影响.结果表明：东北三省碳排放量存在显著的全局正相关，主要驱动因素对碳排放的影响程度具有地区差异特征，人均GDP与碳排放呈负相关，总人口数回归系数空间分布呈现出先正后负的变化趋势，农村人均纯收入对农田生态系统碳排放的影响程度的空间分布差异较大，代表生产技术水平和能源消耗的农业化肥施用量和农业机械总动力均对农田生态系统碳排放有较大的影响，农业机械总动力因素对农田生态系统碳排放的影响程度呈现出自东向西逐渐减小的趋势，东北三省各地区农田生态系统碳排放受农业机械总动力的影响程度逐渐趋同.