减排特征（通用3篇）
减排特征 篇1
摘要：通过建立全要素能源投入产出指标体系,以2008年至2012年我国29个地区的面板数据为基础,利用超效率SBM-DEA模型和Malmquist指数模型对中国各地区的全要素能源效率及节能减排潜力进行测评与区域特征挖掘,研究的结果表明,我国各地区全要素能源效率普遍处于较低水平,大量的能源投入冗余和污染物排放冗余问题亟待解决,技术进步的提高是2008至2012年期间我国各地区提升全要素能源效率的最关键因素,并且能效相关指标存在较大的地域性差异。为了探寻提高中西部地区全要素能源效率的途径,根据全要素能源效率得分、节能潜力和减排潜力对不同类型区域的差异和特征进行K-Means聚类,并针对各个类型的地区提出相应的节能减排建议。
关键词：全要素能源效率,数据包络分析,节能减排潜力,Malmquist指数,K-Means聚类
1 绪论
进入21世纪以来,伴随着全球能源危机的出现,以及二氧化硫、氮氧化物等污染物排放所带来全球环境遭受严重破坏现象的日益加剧,能源环境问题已逐步成为世界各国政府不可回避的难题。我国随着近年来经济的高速增长,能源消费量也急剧上升。然而,长期高投入、低产出、高污染、低效率的粗放型经济增长模式消耗了我国大量的能源资源并对环境造成了严重的污染。为此,中国政府在国家“十一五”和“十二五”规划中都明确提出了节能减排的约束指标,并将其纳入国民经济的长期发展规划之中[1]。因此,如何实现政府制定的节能减排目标便成为政府和科研人员的重点关注。针对目前情况来看,对各地区能源效率进行有效评价,进一步改善我国的能效现状,实施合理的节能减排政策措施,是当前我国能效方面亟待解决的问题。
2全要素能源效率指标体系构建
构建全要素能源投入产出指标体系是进行能源效率评价的前提和基础。本文根据相关文献研究,主要是Hu等学者基于全要素生产率框架定义的全要素能源效率指标[2],将能源消耗、资本投入和劳动投入作为投入要素,除此之外,为度量环境污染对能源效率的影响,将污染物排放量( 非期望产出)也作为投入要素。并且将经济产出作为产出要素。本文的研究对象是2008 年至2012 年中国的29 个地区( 由于西藏在能源消耗这一变量上缺失数据,故将其剔除,并且将重庆和四川合并处理) ,利用超效率DEA方法建立全要素能源效率测度模型,定量测算2008 年至2012 年中国各地区的全要素能效,并在此基础上计算分析各地区的节能、减排潜力。全要素能源投入产出指标体系界定如下: 包含能源消耗、资本、劳动力和污染物排放等4 个投入指标和以经济产出为核心的1 个产出指标,如表1 所示。
( 1) 能源消耗。采用2008 年至2012 年各地区能源消费总量作为能源消耗的度量指标,数据来源于2009—2013 年的 《中国能源统计年鉴》,单位为“万吨标准煤”。
( 2) 资本存量。目前,很多学者都将资本存量作为度量资本的指标[3]。本文的资本存量将用存货来表示,用永续盘存法来估计每年的实际资本存量,具体计算公式为: Kt= It+ ( 1 - μ) Kt - 1。该式中,Kt为第t年的资本存量,It为第t年的固定资本投资总额,μ 为固定资产折旧率。我国法定残值率代替资本品的相对效率值为3% —5% ,本文在计算中采用中间值4%[4]。关于资本存量的起始值,本文利用复旦大学张军教授于2004 年在经济研究期刊上发表的关于中国省际物质资本存量估算的结果作为本次研究中资本存量指标的起始值[5]。在计算中所用到的2008 年至2012 年各地区固定资本投资总额,数据来源于2009 年—2013 年的 《中国统计年鉴》以及相关各地区统计年鉴,单位为 “亿元”。
( 3) 劳动力。采用2008 年至2012 年各地区就业人员作为劳动力投入的度量指标,数据来源于2009—2013 年的 《中国统计年鉴》 以及相关各地区统计年鉴,单位为 “万人”。
( 4) 污染物排放。由于生产外部性的存在,投入必然会对环境造成一定的影响。根据相关的研究,这种对环境的影响称为非期望产出,是生产单元获得经济产出所必须承担的环境成本投入,应作为投入指标处理[6]。本文采用2008 年至2012 年各地区废气中主要污染物: 二氧化硫排放量、氮氧化物排放量和烟( 粉) 尘排放量; 废水中主要污染物: 化学需氧量排放量、氨氮排放量、总氮排放量和总磷排放量作为污染物排放对环境影响的度量指标,数据来源于2009—2013 年的 《中国能源统计年鉴》,单位为 “万吨”。
( 5) 经济产出。评价单元当期的经济产值,对于国家和行政区域层面来说就是国民生产总值[7]。本文采用2008 年至2012 年全国各地区生产总值作为经济产出的度量指标,数据来源于2009—2013 年的 《中国统计年鉴》以及相关各地区统计年鉴,单位为 “亿元”。
3 全要素能源效率与节能减排潜力测算
3. 1 2008—2012 年全国各地区面板数据处理说明
在进行能源效率计算之前,需先对所收集到的数据进行一定的处理。在本文所构建的能源投入产出指标体系中,污染物排放这一指标共包含7 个子指标,如果将这7 个指标均分别作为投入指标处理的话,对投入冗余量的分析会比较麻烦,故需对这7 个指标进行降维处理得到一个综合指标来代表这些原始变量。本文采取因子分析的方法对二氧化硫排放量、氮氧化物排放量、烟( 粉) 尘排放量、化学需氧量排放量、氨氮排放量、总氮排放量和总磷排放量进行降维,计算得到了污染物排放的综合得分。由于超效率DEA模型要求各投入产出指标的取值为非负数,而所计算得到的综合得分是服从标准正态分布的( 约有一半地区的污染物排放综合得分将会为负数) 。因此,需要将综合得分映射到非负数的区间内。采取Min - max标准化方法对得分进行线性变换,即Y = [X - min ( X) ]/[max ( X) - min( X) ],将污染物排放综合得分( X) 转换为符合超效率DEA模型计算要求的投入变量( Y) ,最终计算得到的污染物排放指标( Y) 在[0,1] 区间之内。
3. 2 全要素能源效率与节能减排潜力测算
本研究采用DEA模型中的推广模型———超效率DEA模型。超效率DEA是由Banker Gifford提出的,解决了有效决策单元无法继续深入排序的难题,其基本思路是: 对第i个决策单元进行效率评价时,用其他所有决策单元的投入和产出的线性组合代替第i个决策单元的投入产出,即在评估决策单元时,将决策单元排除在决策单元集合外。与传统DEA模型相比,超效率DEA模型所计算出来的效率值有可能会大于1。对一个有效DEA的决策单元按比例增加投入,其有效性保持不变[2]。即该决策单元还会处于前沿面上,还是有效率的。因此,根据有效决策单元的效率值,可以对所评价的决策单元进行排序比较[8]。以投入为导向的超效率DEA模型的数学表达式:
其中: λj表示第j个决策单元的未知权重; s-、s+表示投入、产出的松弛变量; θ 为决策单元的有效值,是相对于产出的有效投入。Σλ 为决策单元的规模收益值,可以依据 Σλ 进行生产规模的改进。结合Chung等学者所提出非径向的新思路—定向技术距离函数[9],该函数是Shephard径向距离函数的推广,可以处理投入与产出同时变化的情况,也可以将环境管制纳入到效率分析框架[10]。由Tone在2001 年提出的SBM方向性距离函数[11],可以有效解决当投入产出要素增多并考虑相应的松弛时整体比较决策单元的效率的问题[12]。本文选取基于投入导向、规模报酬不变的超效率SBM - DEA模型,利用2008 年至2012 年中国各地区的面板数据,以能源消耗、资本存量、劳动力和污染物排放作为投入指标,各地区生产总值作为产出指标,通过MyDEA1. 0 软件进行全要素能源效率运算,在计算全要素能源效率的基础上,根据节能、减排投入冗余率分别作为度量在维持既定产出条件下中国各地区节能、减排的最大潜力指标。
由表2 的计算结果可以看出,2008—2012 年全要素能源效率平均得分超过0. 8 的地区有北京、天津、上海、江苏和广东,相比较来看这5 个地区处于效率前沿面上。另外,这5 个地区的节能和减排潜力取值较低,并不是表示这些地区已经不具备节能减排潜力,而是说明这些地区相对其他地区而言是DEA有效的,只存在微弱的能源投入冗余和污染物排放冗余问题。与此同时,2008—2012 年全要素能源效率平均得分低于0. 5 的地区有山西、贵州、云南、甘肃、青海、宁夏和新疆,说明这7 个地区的全要素能源效率亟待改善,通过一定措施的调整后能源效率将有大幅的提高空间。此外,这7 个地区的节能和减排潜力取值较高,远高于全国各地区的平均水平( 全国节能潜力和减排潜力的均值分别为0. 432 和0. 600) ,说明这些地区的能源投入冗余量和污染物排放冗余量过多,也从另一角度反映出这7 个地区有极大的节能和减排潜力,需要采取相应的措施进行改善。
从规模收益的角度来看,在2008—2012 年这5年中,广东有2 年处于规模收益递减,江苏、浙江和福建有1 年处于规模收益递减。( Σλ > 1 则处于规模收益递减阶段,Σλ < 1 则处于规模收益递增阶段) 。说明在2008—2012 年期间的某一年或某几年中这4 个地区在增加投入后,产出的增长比例会小于投入的增加比例,继续加入投入量则产出量不会成比例增加,此时应考虑缩小这些地区的生产规模。其余的25 个地区5 年来均处于规模收益递增阶段,也就是说这些地区如果将所有投入品的数量都以相同比例增加,将获得更大比例的回报,此时应考虑扩大这些地区的生产规模。
在图1 中,气泡的大小由各地区在2008—2012 年期间全要素能源效率的均值决定,横轴和纵轴分别对应节能潜力与减排潜力,气泡的颜色表示不同的区域,如红色的气泡代表东部地区,绿色的气泡代表中部地区,蓝色的气泡代表西部地区。从图1 中可以更为直观的看出: 越大的气泡对应着的节能减排潜力越小,反之越小的气泡对应着的节能减排潜力越大,并且小气泡的数量明显多于大气泡的数量。说明我国绝大部分地区存在较大的节能和减排潜力,需要采取相应的措施进行改善。此外,东部地区的气泡相对中部和西部的气泡更大一些,也就是说我国各地区的全要素能源效率可能存在地域差异性。
3. 3 全要素能源效率趋势分析及分解
为探究2008—2012 年中国各地区全要素效率的变化趋势,本文选取Malmquist指数模型。Malmquist指数最早由Malmquist于1953 年提出[13],Caves等人在1982 年首先将Malmquist指数用于生产率变化的测算[14]。基于DEA模型的Malmquist指数,利用距离函数的比率来计算投入产出的效率[15]。Malmquist指数模型的具体数学表达式为,以t时期技术Tt为参照,基于投入角度的Malmquist指数可以表示为: Mit= Dit( xt,yt) / Dit( xt + 1,yt + 1) 。同样,以( t +1) 时期技术Tt + 1为参照,基于投入角度的Malmquist指数可以表示为: Mit + 1= Dit + 1( xt,yt) / Dit+ 1( xt+ 1,yt + 1) 。Fare等人在1994 年运用两个Malmquist指数的几何平均值[16],作为衡量从t时期到( t +1) 时期生产率变化的Malmquist指数,如果该指数大于1 时,表明从t时期到( t +1) 时期全要素生产率是增长的。Malmquist指数可以进一步分解为技术效率变化指数( ECH) 和技术进步指数( TCH) ,用Malmquist指数表示全要素能源效率的动态变化,有Malmquist指数=ECH* TCH。利用2008—2012 年中国各地区的面板数据,以本文设计的全要素能源效率投入产出指标体系中的变量作为相应的投入产出指标,通过My DEA1. 0 软件进行Malmquist全要素能源效率的运算以及Malmquist指数的分解,图2 为2008—2012 年全国各地区Malmquist全要素能源效率的分解指标技术效率与技术进步的散点图。
计算全国各地区的全要素能源效率的Malmquist指数发现: 在2008—2012 年期间,中国各地区全要素能源效率以年平均5. 9% 的增幅进行稳固增长,但是有超过一半的地区在Malmquist全要素能源效率的分解指标技术效率上出现了不同程度的下降( 技术效率指标取值低于1,如图2 所示) ,影响了全要素能源效率的提高( 说明在此时间段我国全要素能源效率的增长主要是由其分解指标技术进步的提高所带动的) 。政府相关部门应在保证我国各地区技术进步稳固提高的同时,也应该注重各地区技术效率的优化,从而提升全要素能源效率和实现节能减排的目标。如果政府能够针对各地区Malmquist全要素能源效率的增长变化特点,对不同的区域进行相应的支持与推进,将对我国提高全要素能源效率、降低能耗和减少污染物排放量具有重要的意义。
4 基于K - Means聚类的全要素能源效率区域特征分析
通过超效率SBM - DEA模型所计算的各能效相关指标的结果,不难发现,并不是所有全要素能源效率高的省份都集中在东部( 只是东部的全要素能源效率得分普遍较高) ,同样也不是西部所有的地区的全要素能源效率都低。为此,本文充分利用所计算出的各能效相关指标,深入挖掘各个区域的特征,试图将全国分为几个类型,使属于同一类的地区具有相似并且鲜明的特征。根据2012 年各地区全要素能源效率得分、节能潜力和减排潜力这3 个变量对中国29 个地区进行K - Means聚类分析,利用SPSS- Statistics 22. 0 软件进行聚类算法的实现。由能效相关指标的方差分析检验知,能源效率得分、节能潜力和减排潜力这3 项指标在5% 的显著性水平下对各地区进行分类贡献显著,说明利用这3 个变量对中国30 个地区进行分类具备一定的合理性。
聚类1 包括5 个地区,分别是北京、天津、上海、江苏和广东。聚类2 包括5 个地区,分别是浙江、安徽、福建、江西和海南。聚类3 包括9 个地区,分别是辽宁、吉林、山东、河南、湖北、湖南、广西、四川和陕西。聚类4 包括10 个地区,分别是河北、山西、内蒙古、黑龙江、贵州、云南、甘肃、青海、宁夏和新疆。4 个聚类在3 项分指标上所呈现的特点如表3 所示。很显然,在能源效率得分上:聚类1 > 聚类2 > 聚类3 > 聚类4; 在节能潜力上:聚类4 > 聚类3 > 聚类2 > 聚类1; 在减排潜力上:聚类4 > 聚类2 > 聚类3 > 聚类1。通过K - Means聚类分析,不同区域类别之间的能效相关指标存在较大的差异和不同的特征。
图3 中,“0”表示西藏地区( 由于缺失西藏的相关数据,本文并未对西藏地区的能源效率进行分析) ; “1”表示聚类1 所包含的5 个地区; “2”表示聚类2 所包含的5 个地区; “3”表示聚类3 所包含的9 个地区;“4”表示聚类4 所包含的10 个地区。如图3 所示,具备高能效的 “绿色”聚类1 区域面积最小,存在污染物排放冗余问题的 “黄色”聚类2 区域面积同样很小,而低能效并存在大量能源投入冗余和污染物排放冗余的 “浅红色” 聚类3和 “深红色”的聚类4 占据了中国的绝大部分区域。由于不同区域类别之间的能效相关指标存在较大的差异和不同的特征,各地区一方面可以利用自身能源特点结合能源效率方面差异进行合作,通过优势互补提高各省份能源利用效率,促进各区域间均衡可持续发展[17]; 另一方面可以从自身能源利用水平、生产要素配置效率和规模效率大小从发,制定针对性政策和节能减排措施,进而扩大高能效的“绿色”区域并缩小存在部分问题的 “黄色” 区域和存在严重问题的 “红色”区域。
5 结论
本文建立了考虑环境污染因素的全要素能源投入产出指标体系,在此基础上利用超效率SBM - DEA模型对2008 至2012 年中国各地区的全要素能源效率及节能减排潜力进行测评,基于Malmquist指数从动态角度对我国的全要素能源效率进行趋势分析,并结合超效率SBM - DEA模型对各地区全要素能源效率测评的结果,基于K - Means聚类进行地域差异性分析。
超效率SBM - DEA模型测评的结果表明: 2008至2012 年期间,中国各地区全要素能源效率得分的平均水平为0. 586,能源效率普遍处于较低水平; 各地区节能潜力和减排潜力的平均水平分别为0. 456和0. 620,大量的能源投入冗余和污染物排放冗余问题亟待解决。
全要素能源效率趋势变化分析的结果表明:Malmquist全要素能源效率的分解指标技术进步的提高是2008 至2012 年期间我国各地区提升全要素能源效率和实现节能减排的最关键因素,在该时间段内中国各地区全要素能源效率以年平均5. 9% 的增幅进行稳固增长,但是有超过一半的地区在Malmquist全要素能源效率的分解指标技术效率上出现了不同程度的下降,影响了全要素能源效率的提高。
K - Means聚类分析的结果表明,不同区域类别之间的能效相关指标存在较大的差异和不同的特征,各地区应根据各自能源效率的不足及优劣势,探寻结合自身能源特点和能源效率方面差异进行提升能源利用效率的政策措施。
减排特征 篇2
一、电子商务的信息化
电子商务基于互联网开展的商务活动, 交易双方从贸易的磋商、电子合同的签订以及电子支付的进行, 都是通过计算机网络完成。通过数字信息的传递就完成了电子商务的过程。
电子商务是将整个活动的大部分流程转移到网络空间进行, 整个交易都在网络这个虚拟的环境中进行, 因此交易完全信息化, 在展现形式上出现了网上商店、虚拟企业。
二、电子商务的成本低
电子商务使得买卖双方的交易成本大大降低, 并节约资源, 具体表现在:
1. 网络上进行信息传递的成本非常低, 相对于信件、电话、传真而言, 距离越远, 这种传递信息的方式成本就越低。此外, 缩短时间及减少重复的数据录入也是降低信息成本关键因素之一。
2. 买卖双方通过网络进行商务活动, 无需中介者参与, 减少了交易的有关中间环节, 降低了交易成本与沟通成本。
3. 卖方可通过互联网络进行产品的宣传与推广, 通过第三媒体的网络营销方式, 避免了在传统方式下做广告、发印刷品等大量营销费用和人工费用。
4. 电子商务可以很大程度上实现“无纸贸易”, 能够减少大量的文件处理费用, 可以在减少纸张费用的同时, 降低碳排放。
5. 互联网使买卖双方即时沟通供需信息, 商家有机会依据订单进行生产, 使无库存生产和无库存销售成为可能, 从而使库存成本大为降低。
6. 利用企业内部网和互联网的结合可以大大提高信息传递的效率, 同时实现“无纸化办公”。企业内部网, 可以有效地将企业内部各个部门、企业与分公司、子公司之间以及企业与代理商之间进行连接, 并及时对市场变化情况作出反应, 及时调整经营策略。同时, 利用内联网在部门与部门之内进行的高效信息传递, 使得无纸化办公成为可能, 极大地节约了办公与沟通成本, 从而在电子商务的应用方面产生了高效率、低成本的效果。
7. 传统的贸易平台是地面店铺, 必不可少地会出现店面的租赁费用、装修成本、人力资源成本, 而新的电子商务贸易平台是建立在互联网上的贸易平台, 不需要传统店面的一系列费用。
三、电子商务的高效性
通过电子商务的形式开展社会经济活动, 可以大幅度地降低成本、节省开支、节约社会与自然资源。在按照订单生产的情况下, 可以减少产品生产的盲目性、降低原材料采购的不确定性, 这样就能够减少物质资源、能源资源的不必要的浪费与消耗。参与电子商务的交易主体之家包括公众与商家、商家与企业、企业与政府之间都可以快捷、高效地进行经济活动, 从而降低了社会的经济成本, 减少了资源消耗, 提高了社会的生产效率, 优化了资源配置, 促进了社会财富的产生和能源有效利用。
综上所述, 电子商务在高效运作的情况下, 可以减少产品生产的盲目性、降低原材料采购的不确定性, 这样就能够减少物质资源、能源资源的不必要的浪费与消耗。另外, 电子商务的网络交易及在线实现资金流转的功能, 使得网上银行业务更加节能高效。
使用网上银行业务, 可以进一步削减了碳排放。客户将绝大多数的柜台业务, 放在了网上银行进行, 包括转账业务、汇款业务、缴费业务、对账业务、查询业务等等。
利用电子商务的形式, 使用网上银行, 可以通过方便快捷的鼠标点击操作, 就能完成从前必须到柜台亲自当面与工作人员接触办理的相关业务, 节省了时间成本的同时, 也节约了资源, 避免了浪费。
网上银行使我们的金融理财活动变得越来越便捷, 我们在不知不觉中其实已经降低了大量的碳排放。
来自一家股份制银行的数据充分说明了这个问题, 经测算, 仅该银行的网上客户的对账业务, 对账客户的数目超过了5万户, 如果按照每个客户每月节约1公斤纸计算, 那么每个月仅对账业务而言, 每月省下的纸张就是5万公斤, 1年下来节省的纸张是:
节省的纸张重量:5万公斤×12=60万公斤=600吨
每年可以使600立方米的树木免遭砍伐, 可以减少340吨的碳排放。
如果这些客户利用网上银行进行转账汇款业务, 以每位客户每周减少一趟往返银行一次计算, 1年52个周, 平均每次10公里路程, 交通工具每公里的油耗量为0.08升计算, 则每人每年节约的油耗量为
油耗量=0.08×10×52升=41.6升
每人每年所排出的二氧化碳的量, 按照碳足迹计算公式, 计算如下:
二氧化碳排放量=油耗升数×0.785=41.6×0.785kg=32.656kg
那么所有的这些客户每年所排出的二氧化碳的排放量就是
也就是说, 采用电子商务网上银行的形式, 每年仅进行转账汇款业务的客户就可以减排1632吨的碳排放。
因此, 人们尽可能多地使用网上银行业务, 也是低碳生活的重要组成部分。
随着低碳生活的深入, 越来越多的人选择电子对账单, 电子对账单的形式可以是电子邮件的形式, 也可以是手机短信的形式, 客户可以根据自己的实际情况进行选择。
减排特征 篇3
近年来,畜禽养殖业开始逐渐向规模化、集约化方向发展,分散的养殖形式逐渐被养殖场和养殖小区所取代,这些规模化养殖场养殖数量大,分布集中且多分布在大中城市的周边,产生的环境污染问题十分突出。在国家提出的以产业转型为核心的振兴东北老工业基地的发展战略下,吉林省作为我国的传统农业大省,将畜禽养殖业作为农业和农村经济调整的关键产业,提出了“以粮换肉”的加快畜牧业发展的计划。畜禽养殖无论从数量上还是种类上都有了明显的增加。特别是规模化畜禽养殖的快速发展,加之与之配套的污染防治措施跟不上,已经成为农村农业污染物总量减排的重点。
国内外学者围绕畜禽养殖污染负荷的估算与污染分布的特征开展了较多研究,但多基于统计年鉴数据,基于地理信息系统(GIS)针对规模化畜禽养殖污染空间分布特征的研究较少。笔者选择吉林省畜禽养殖的集中分布区———松辽流域典型区为研究对象,基于污染普查和环境统计数据,针对研究区内现有规模化养殖场的畜禽养殖数量、畜禽养殖结构、养殖密度、污染物产生量及排放量等的空间分布特征进行分析,并初步评估了畜禽养殖业的污染减排潜力,为研究区畜禽养殖行业的污染防治提供科学依据,为吉林省畜禽养殖行业的可持续发展研究提供参考。
1 研究地区概况
吉林省位于松花江和辽河流域的中上游,位于北纬40°52'~46°19',东经121°38'~131°19'之间,地势呈东南向西北递降趋势,平原面积约占吉林省面积的30%。吉林省属于东北畜牧区,由于土壤肥沃、地势平坦、粮食产量大等诸多有利条件,为畜牧业发展提供了良好的饲养环境以及充足的饲料,使得畜禽养殖业得到了迅猛的发展。将吉林省污染源普查数据和环境统计数据中的规模化养殖企业信息逐一录入Arc GIS空间数据库中,统计表明:畜禽养殖主要分布在吉林省中部松辽流域的20个市、县,因此笔者主要针对畜禽养殖的典型区开展研究,见291页彩图1。
2 研究方法
2.1 数据来源
数据主要来自2007,2011,和2012年的污染源普查数据以及2011年和2012年的环境统计数据。耕地面积来源于《2013年吉林省统计年鉴》。
2.2 分析方法
2.2.1 规模化畜禽养殖密度分析
以研究区各县市为统计单元,在分类别养殖数量统计的基础上,采用标准畜禽单位(AU)对畜禽养殖数据进行标准化换算,1个畜禽单元等于454 kg畜禽活体重量[2]。将各养殖场的养殖量换算成统一标准畜禽单位进行统计,总量与市县的实际面积相除,得到畜禽养殖的密度分布图。
2.2.2 规模化畜禽养殖污染物排放量计算
畜禽污染物排放系数,简称排污系数,是指在典型的正常和管理条件下,单个畜禽每天产生的原始污染物经处理设施削减或利用后或未经处理和利用而直接排放到环境中的污染物量[3]。结合松辽流域吉林省部分畜禽饲养的实际情况,并参考相关文献[4,5,6,7],对推荐的排泄系数加以修正,畜禽粪便的日排泄系数见表1。根据畜禽的养殖量以及日排泄系数,结合生长的周期和饲养量进行计算年粪便产生量,计算公式为:Q=NTP。
式中:Q为年粪便产生量,N为饲养量,T为生长周期,P为日排泄系数。
松辽流域典型地区畜禽养殖业污染物产生量估算采用公式:Q=∑(nαβ+nab)。
式中:Q为畜禽养殖污染物中化学需氧量(COD)的年产生量(万t),n为某一畜禽的年底总存栏数(万头),α为该畜禽粪的年产生量(kg/头),β为该畜禽粪中所含COD的量(kg/头),a为该畜禽尿的年产生量(kg/头),b为该畜禽尿中所含COD的量(kg/头),此公式可用来估算畜禽粪便中的COD,总氮(TN)的量。
kg·头-1
规模化养殖场(小区)某类畜禽排放量核算公式:Ei=∑jn=1[Pij现场×ei×(1-fij现场)]×10-3+∑mj=1[Pij非现场×ei×(1-fij资料核定)]×10-3+(Pi总-∑jn=1pij现场-∑mj=1pij非现场)×ei×(1-f平均)×10-3。
式中:Ei为核算期规模化养殖场(小区)某类畜禽COD排放量,单位为t;N为核算期日常督查、定期核查和随机抽查等现场核查的规模化养殖场(小区)某类畜禽养殖场(小区)数量;Pij现场为现场核查的第j个规模化养殖场(小区)某类畜禽存(出)栏量,单位为头(只);ei为某类畜禽产污系数,单位为kg/头;fij现场为现场核算的第j个养殖场(小区)某类畜禽的COD(TN)去除率;m为核算期减排项目清单中未现场核查的规模化养殖场(小区)数量;Pij非现场为未现场核查的第j个规模化养殖场(小区)某类畜禽存(出)栏量,单位为头;fij资料核定为未现场核查、经资料审核确定的第j个养殖场(小区)某类畜禽的COD去除率;pi总为核算期规模化养殖场(小区)某类畜禽存(出)栏总量,单位为头(只);fi平均为核算期规模化养殖场(小区)某类畜禽上年COD平均去除率。
在计算出畜禽养殖污染物产生量的基础上,核算出每一年畜禽养殖污染物的排放量,将计算出的污染物排放量导入Arc GIS进行空间分布特征分析并探讨其减排潜力。
2.2.3 规模化畜禽养殖污染物变化率计算
对研究区畜禽养殖污染物年际变化率进行分析可以更好地反映出当地畜禽养殖不同年份污染物排放的变化特征,目前畜禽养殖污染物的变化率主要结合不同年份污染物的排放量进行计算,公式为:C=(Ei-Ej)/Ej。
式中:C为畜禽养殖污染物的变化率,Ei代表第i年污染物的排放量,Ej代表第j年畜禽养殖污染物的排放量。
2.2.4 规模化畜禽养殖污染物产生强度计算
畜禽养殖污染物产生强度核算公式:P=E/H。
式中:P为畜禽养殖污染物产生强度(kg/hm2),E为污染物排放量(kg),H为某地实际耕地面积(hm2)。
2.3 规模化畜禽养殖污染物减排潜力分析
以畜禽养殖为重点,控制农业污染、削减农业污染物排放总量已经列入国家“十二五”污染物总量控制约束性指标。研究区内规模化畜禽养殖企业的畜禽粪便处理方式主要有三种,分别为人工垫草料法、水冲粪法以及干清粪法,相对于水冲粪法,人工垫草料法和干清粪法能更有效地减少污染物的排放,节约资源。据研究,水冲粪方式产生的水污染物量是干清粪的20倍,干清粪用水量少,所产生的污水量少,废水中污染物浓度也低,是目前为止比较理想的减排方式。根据调查统计,该区现有养殖场中,采用水冲粪清粪方式的仍占有相当大的比例。因此,如果区域内全部实现干清粪方式,则未来各地区农业污染物排放总量将会得到大幅度削减。因此,采用污染减排潜力指数来初步评估各地区的污染物减排空间。计算公式:。
式中:M为畜禽养殖污染物减排潜力指数,Pi为某一地区现状规模化畜禽养殖企业污染物年排放总量(万t),Ci为某一地区现状规模化畜禽养殖企业污染物年产生总量(万t),g为采用干清粪方式的污染物去除率。本文假设区域内全部实现干清粪方式,建设废弃物储存设施,无污水排放口,且粪便、尿液、污水经现场认定完全农业利用则认定污染物去除率为90%。
3 结果与讨论
3.1 吉林省松辽流域典型地区畜禽养殖状况分析
2007,2011,和2012年研究区畜禽养殖总量见292页彩图2,松辽流域吉林省典型地区畜禽养殖的结构见292页彩图3。
由292页彩图2对比分析不难看出:2007年到2012年这5年间研究区内20个县(市)在畜禽养殖总量上有所下降,其中德惠市的养殖数量下降最为明显。由292页彩图3可见:从绝对数量上来看,吉林省鸡的养殖数量最多,分别占到了总量的96%、93%和94%。畜禽种类不同,其养殖投入差距较大,污染物产生量差别也很大。为便于评价畜禽养殖量的总体变化,采用当量猪将其他主要的畜禽按一定关系折合成猪的数量[8]。按45只鸡折算成1头猪,1头牛折算成10头猪的比例来计算,鸡的相对养殖数量仅占总量的15%、13%和1%。
畜禽养殖密度是指示农业氮、磷流失风险的指标之一,养殖业污染物负荷与畜禽密度的分布具有一致性[9]。研究区2012年畜禽养殖密度达到65.49 AU/km2,见292页彩图4。
由292页彩图4可见:畜禽养殖密度大的地区主要分布在九台区、吉林市以及四平市,其中四平市和九台区分别达到了164.6 AU/km2和192.8 AU/km2。即使是养殖密度最小的扶余市和永吉县的养殖密度也达到了19 AU/km2和10.6 AU/km2。据S.Tamminga[10]的研究表明,欧盟15个国家整体平均养殖密度为0.91 AU/hm2,作为欧洲养殖大国的荷兰和比利时等国的养殖密度也仅为3.29 AU/hm2和3.18 AU/hm2。作为畜禽养殖大市———广州市,2012年何磊[11]对广州市畜禽养殖进行了研究,其中畜禽养殖密度最大的地区为广州市萝岗区,畜禽养殖密度为142.9 AU/km2。如此看来,吉林省典型地区的畜禽养殖密度已经很密集,随之给周边环境带来的影响和压力也日益突出。
3.2 吉林省松辽流域典型地区畜禽养殖污染状况空间分布特征研究
根据公式可计算出研究区各县市COD和TN的排放量,见表2。以2012年为例,运用Arc GIS手段将统计结果空间化获得了松辽流域吉林省典型地区畜禽养殖TN和COD排放量空间分布图,见293页彩图5。
由表2和293页彩图5可以看出:2012年各地区COD排放量差异较为明显,其中COD排放量最小的为辽源市才252 t,其次是永吉县为705 t,最大为榆树市8 145 t。从整体上看畜禽养殖COD污染物排放量大的城市主要分布在研究区域的北部、中部和西部地区。从293页彩图5中可以看出,2012年20个县市中榆树市TN的排放量最高,高达3 775 t,所占比例为18.5%。TN排放量较大的地区主要是双辽市、九台区和德惠市。TN排放量低于1 000 t的县市主要有6个,分别是辽源市、扶余市、永吉县、四平市、东丰县以及伊通满族自治县。产生该现象的主要原因是城市外围和城乡结合地区是畜禽养殖业分布的重点地区。这些地区养殖成本相对较低且具有一定的交通优势,有利于畜禽养殖业的发展,但也加重了城乡结合地区的污染负荷。
污染物单位面积产生强度主要体现某地区单位土地面积上的农业生产与生活活动对环境的影响,其空间特征与产生量的空间特征差异较大[12],见293页彩图6。
由293页彩图6可知:2012年松辽流域吉林省典型地区COD和TN产生强度较大的城市主要是桦甸市和双辽市这两个地区。COD产生强度小的城市主要是永吉县和辽源市。TN产生强度小的城市是永吉县和扶余市。污染物产生强度与污染物排放量在空间分布上差异较大。研究区污染物排放量较大的城市主要分布在北部、中部和西部,而产生强度较大的城市则主要分布在研究区的西部、中部和东南部,产生这一现象的主要原因是污染物的产生强度大小不仅仅取决于污染物排放量的多少,还与当地的耕地面积有着密切的关系,且吉林省的中部经济发展较好,人口稠密,对畜禽产品的需求量大,因此畜禽养殖数量多。
对比2007到2012年COD排放量和TN排放量得出污染物变化率,见293页彩图7。
由293页彩图7可见:5年间COD变化率最大的地区是舒兰市和磐石市,污染物排放量的总数增长了20多倍,如此高的增长率意味着几年间该地畜禽养殖产业发展迅速,而如此高的增长率势必会给当地带来很大的环境压力。呈现负增长的地区主要是辽源市、吉林市、长春市(含双阳区)、四平市、德惠市、扶余市、蛟河市以及公主岭市。2007年到2012年TN变化率最大的地区为东丰县,而四平市、梨树县、公主岭市、辽源市、扶余市、德惠市、长春市(含双阳区)和吉林市的总氮排放量则呈现负增长。
根据污染减排潜力指数计算得出的2012年COD和TN减排潜力,见294页彩图8。
由294页彩图8可见:COD减排潜力最大的地区是梨树县,德惠市和扶余市由于畜禽污染物减排效果较好所以COD减排潜力最低。研究区TN减排潜力从总体上看都有比较大的减排空间,减排潜力较大的地区为双辽市和扶余市,减排潜力达到了84%以上,有很大的减排空间,而减排潜力较小的地区主要是辽源市和东辽县。
5 结论与建议
1)吉林省典型地区畜禽养殖业的发展给城市居民提供了大量畜禽产品,拉动了地方经济,但同时也给当地环境造成了多方面影响,产生了大量畜禽粪便。通过研究表明,吉林省典型地区从2007年到2012年几年间养殖总量有所下降。畜禽养殖密度较高的地区主要分布在九台区、四平市和吉林市。
2)松辽流域吉林省典型地区污染物排放量差异较为明显,其中榆树市和双辽市的COD和TN的排放量都比较大。通过2007年到2012年COD和TN排放量变化率图不难发现研究区5年间COD以及TN的排放量逐年增加,个别地区的排放增长率更是超过了70%,且根据研究区污染物产生量和排放量现状分析得出区域内COD减排潜力较大的地区主要为研究区的西部和中部地区,TN减排潜力较大的区域为研究区的北部、中部和西部地区。
3)鉴于松辽流域吉林省典型地区畜禽养殖现状,建议在养殖密集区域建立畜禽粪便收集和处理中心,利用规模效应来显著降低利用粪便进行沼气发电等生产生物质能的工艺成本,同时还应该完善设施建设与运行管理体系,因地制宜开展综合整治,切实加强农村环境保护工作,真正做到畜禽养殖业与环境协调发展的新局面。
摘要：随着畜禽养殖业的发展,规模化养殖的环境影响日益突出,笔者基于2007年、2011年和2012年的污染源普查数据和环境统计数据,采用地理信息系统(GIS)对吉林省松辽流域典型地区的规模化畜禽养殖状况及污染的空间分布特征进行了研究,并在此基础上分析了污染物的减排潜力。结果表明:5年间研究区规模化畜禽养殖的数量逐年减少,但是畜禽养殖所产生的污染物排放量逐年增加。研究区内畜禽养殖污染主要分布在榆树市、九台区、桦甸市和双辽市,化学需氧量(COD)排放量增长速率最快的地区为舒兰县和磐石县,总氮(TN)排放量增长速率最快的地区是东丰县。污染物COD减排潜力较大的地区是梨树县,TN减排潜力较大的地区是双辽市和扶余市。
关键词：规模化畜禽养殖,养殖结构,养殖密度,污染空间分布特征,减排潜力,松辽流域典型区
参考文献
[1]ZHANG P D,YANG Y L,TIAN Y S,et al.Bioenergy industries development in China;Dilemma and solution[J].Renewable&Sustainable Energy Reviews,2009,13(9):2571-2579.
[2]KELLOGG R L,LANDER C H,MOFFITT D C,et al.Manure nutrient relative to the capacity of cropland and pastureland to assimilate nutrients:Spatial and temporal trends for the United States[J].Proc Water Environ Federation,2000(16):18-157.
[3]董红敏,朱志平,黄宏坤,等.畜禽养殖业产污系数和排污系数计算方法[J].农业工程学报,2011,27(1):303-308.
[4]王晓凤,赵英姿,夏训峰,等.赵王河流域畜禽养殖污染负荷分析[J].湖北农业科学,2012,51(18):3963-3966.
[5]王方浩,马文奇,窦争霞,等.中国畜禽粪便产生量估算及环境效应[J].中国环境科学,2006,26(5):614-617.
[6]邱斌,李萍萍,钟晨宇,等.海河流域农村非点源污染现状及空间特征分析[J].中国环境科学,2012,32(3)564-570.
[7]李云飞.招苏台河流域畜禽养殖业污染防治对策[D].长春:吉林大学,2012.
[8]冯倩,刘聚涛,付莎莎,等.江西省畜禽粪便污染物产生量及其耕地负荷分析[J].安全与环境学报,2014,14(6):316-319.
[9]李帷,李艳霞,张丰松,等.东北三省畜禽养殖时空分布特征及粪便养分环境影响研究[J].农业环境科学学报,2007,26(6):2350-2357.
[10]TAMMINGA S.Pollution due to nurtrient losses and its control in European animal production[J].Livest Prod Sci,2003(84):101-111.
[11]何磊,俞龙生,江东鹏,等.广州市畜禽养殖业污染空间分布研究[J].生态科学,2012,31(1):56-61.