摘要：为了研究近年来吉林省畜牧养殖业碳排放与经济增长之间的关系，测算了1997—2018年吉林省畜牧养殖业碳排放量，并采用EKC理论与LMDI分解模型对吉林省畜牧养殖业碳排放进行库兹涅兹曲线验证和影响因素分析.结果表明：(1)1997—2018年吉林省畜牧养殖业碳排放量呈现“持续增长-持续下降-缓慢回升-波动下降”4个阶段特征，碳排放强度总体呈下降趋势;(2)研究期内吉林省农村人均畜牧养殖业碳排放和农村人均畜牧业产值之间存在“倒U型”曲线关系，并已出现拐点;(3)经济产出因素是促使吉林省畜牧养殖业碳排放增加的最主要因素，农业结构因素是重要诱因;生产效率因素是吉林省畜牧养殖业碳减排的主要贡献者;劳动力因素对吉林省畜牧养殖业碳减排的贡献将逐渐増大.依据上述结论，提出吉林省应加强低碳养殖科技支撑，实现废弃物资源化利用，加大政策扶持力度，制定强牧惠牧政策，加大宣传力度，培育低碳理念等相关建议.
关键词：畜牧养殖业;碳排放;畜牧业产值;EKC曲线;协整检验;误差修正模型;LMDI分解模型
改善农村人居环境是实施乡村振兴战略的重大任务，也是全面建成小康社会的基本要求.改革开放以来，中国畜牧养殖业得到了快速发展，为促进农牧民增收，改善城乡居民膳食结构做出了巨大贡献.但畜牧养殖业在为人民提供生活所必需的肉、蛋、奶等营养物质的同时，也造成了环境污染和温室气体的排放.2010年《第一次全国污染源普查公报》显示，畜禽养殖所产生的废弃物、温室气体已经成为我国最重要的农业面源污染源之一[1].畜牧养殖业排放的温室气体占世界总量的51%，超过了325.64亿吨CO2当量[2]，已成为温室气体排放的重要贡献部门.因此，如何解决畜牧养殖经济效益增长与碳减排之间的关系，成为畜牧养殖业可持续发展面临的主要问题.
长期以来，有关畜牧养殖业碳排放的问题备受国内学者的关注.研究热点主要集中在以下几个方面：一是从宏观层面上测算畜牧养殖业碳排放，揭示其时间变化和空间分布差异，提出碳减排建议[3-5];二是从微观层面上研究畜牧养殖业碳排放产生的机理问题[6-8];三是关于畜牧养殖业碳排放与经济增长之间的关系研究，主要是利用统计分析模型，如EKC模型、Tapio模型、LMDI模型等，对畜牧养殖业碳排放与经济发展水平之间的关系进行实证分析[9-11].EKC模型因选取的污染物种类不同、解释变量的差异、数据处理方式及参数方程的选择等均会导致曲线形态、拐点数据的差异，研究结论在学术界一直存在较大争议.如洪业应[12]研究的西藏自治区养殖业碳排放强度与人均大农业产值关系呈现典型的倒“U”型曲线，冉锦成等[9]研究的我国人均畜禽养殖碳排放与农村家庭人均纯收入关系是：东部地区呈倒“U”型曲线关系，而中部和西部则为正“U”型曲线关系.而基于协整和误差修正模型的碳排放和经济发展之间关系的研究文献较少.基于此，本文利用吉林省统计数据进一步验证EKC假说，通过建立误差修正模型，进一步说明畜牧养殖业碳排放与经济发展之间的长期均衡和短期变化的动态关系，分析畜牧养殖业碳排放的驱动因素，以期更好地推动吉林省畜牧养殖业低碳化发展，为吉林省实施节能减排措施提供科学依据.
1研究方法与数据来源
1.1碳排放量测算
畜牧养殖业碳排放是指各种畜禽在整个养殖过程中所产生并排放到大气中的甲烷、氧化亚氮等温室气体的总和.依据《IPCC国家温室气体排放清单指南》可知，畜牧养殖业碳排放一般包括肠道发酵、粪便管理、能源耗费三个方面，而畜牧养殖业碳减排主要是依靠畜禽粪便发酵生成的沼气的利用.
1.2EKC分析模型构建
环境库兹涅茨曲线(EnvironmentalKuznetsCurve，EKC)理论是由美国经济学家SimonKuznets于1955年提出.1991年美国经济学家Grossman和Kruege首次采用该理论证明了人均收入和大气环境质量之间呈倒“U”型曲线关系，1993年Panayotou的研究进一步证明了环境质量与人均收入水平呈倒“U”型曲线关系.国内许多学者运用EKC曲线分析碳排放与区域经济增长的关系，通过该曲线可以较好地判断未来区域碳排放的发展趋势和是否存在拐点等问题.EKC曲线分析所使用的数据有三种：一是时间序列数据，二是截面数据，三是平行数据[13].本文采用时间序列数据构建碳排放的EKC曲线模型，用以描述吉林省畜牧养殖业碳排放与经济增长之间的关系.参考国内外学者的研究成果和吉林省数据分析，本文选定一元二次曲线模型进行畜牧养殖业碳排放环境EKC验证，公式如下：lnY=a+b1lnX+b2(lnX)2+ε，(4)式中：Y为农村人均畜牧养殖业碳排放;X为农村人均畜牧业产值;ɑ、b1、b2为模型参数;ε为随机误差项.1.3LMDI分解模型构建Kaya恒等式是由日本知名学者YoichiKaya构建的一种将二氧化碳排放量的影响因素进行分解的等式.本文在Kaya恒等式基本原理的基础上，结合畜牧养殖业生产实际，同时借鉴潘丹等[14]、陈瑶[15]、许清涛等[16]的研究对Kaya恒等式进行扩展，并采用对数平均迪氏指数分解法(LMDI)建立吉林省畜牧养殖业碳排放分解模型
2结果与分析
2.1碳排放总量和强度分析
根据式(1)测算了1997—2018年吉林省畜牧养殖业碳排放总量和碳排放强度(见图1).由图1可知，1997—2018年吉林省畜牧养殖业碳排放总量呈现“持续增长-持续下降-缓慢回升-波动下降”4个阶段特征：1997—2007年为持续增长阶段，其间畜牧养殖业碳排放总量从1997年的767.88万吨增长到2007年的1055.93万吨，年平均增长率为3.24%.其原因是中央与地方政府加大了对“三农问题”的重视力度，并进行大力扶持，养殖业成为农民收入的主要来源之一，在此期间，吉林省的家禽、猪、牛、羊等数量均呈显著增加趋势.2008—2011年为持续下降阶段，2011年碳排放量下降速度最快，为9.95%，主要原因是在可持续发展的大背景下，吉林省畜牧业发展不再单纯追求数量上的增加，而是追求质量上的提升.因此，2010年以后，吉林省畜禽养殖数量较2008年有较大幅度下降[18].2012—2014年为缓慢回升阶段，主要是由于2012年国家颁布惠农政策，加大对农业生产的投入，激发了农民养殖的积极性，畜禽养殖数量逐渐增长.2015—2018年为波动下降阶段，2015—2016年为下降阶段，2017年略有回升.其原因是2015年吉林省爆发了大面积猪瘟病，同时牛、羊、马等牲畜的年平均饲养量与之前相比有所降低.
相关知识推荐：畜牧职称论文投稿详细流程
碳排放强度总体上呈下降趋势，由1997年的3.29吨/万元下降到2018年的0.78吨/万元，下降了2.51吨/万元，年平均下降率为7.11%，下降趋势明显.其原因是吉林省对畜禽排放的废弃物进行了资源化的合理利用和分配，并依靠科技创新和养殖条件的改善，增加了单位碳排放的畜牧养殖经济效益，使单位畜牧经济产值的能耗降低.
2.2.1单位根检验与协整检验
本文采用时间序列数据对吉林省1997—2018年间畜牧养殖业碳排放与其产值增长之间的关系进行分析，为了避免在OLS回归分析中出现“伪回归”现象，首先对时间序列数据进行单位根检验，保证数据的平稳性.如前文所述，Y为农村人均畜牧养殖业碳排放，X为农村人均畜牧业产值，为了减少波动，消除时间序列数据可能出现的异方差，分别对数据进行自然取对，然后采用ADF检验法对自然对数序列lnY、lnX、(lnX)2进行单位根检验，结果如表3所示.
在时间序列的残差平稳性检验中，如果ADF统计量的值小于相应临界值，则表明序列具有平稳性[19].由表3可知，自然对数序列lnY、lnX、(lnX)2的原始数列均为非平稳序列，在经过一阶差分后，以上数据ADF统计量的值都小于5%水平下的临界值，根据AIC与SC取值最小准则可知序列在一阶单整下不存在单位根，序列处于长期均衡平稳的状态.在此基础上，采用EG协整检验方法对变量之间的协整关系进行检验，检验结果显示残差序列ADF统计量的值为-3.5681，概率值P=0.0012，通过1%水平下的显著性检验.因此，可以对自然对数序列lnY、lnX、(lnX)2进行回归.
2.3LMDI分解模型分析
基于LMDI模型，依据式(5)—(9)测算的吉林省畜牧养殖业碳排放和吉林省畜牧业产值、农业总产值、农村劳动力等相关数据，以1997年为基年，从生产效率、农业结构、经济产出和劳动力规模四个方面因素，对吉林省1998—2018年间畜牧养殖业碳排放的影响因素进行了量化分解(见表4).——论文作者：李玉波1，李广帅2，张凤恒1，刘金霖1*
转载请注明来自：http://www.lunwencheng.com/lunwen/nye/20399.html
