From Policy Intervention to Emission Reduction: Spatial Mechanisms of Crop Carbon Emissions in Southwest China

Resumen Técnico: De la Intervención de Políticas a la Reducción de Emisiones: Mecanismos Espaciales de las Emisiones de Carbono de Cultivos en el Suroeste de China

Planteamiento del Problema
El calentamiento global exige medidas eficaces de reducción de emisiones, particularmente en el sector agrícola. Si bien China ha enfatizado una transición verde y baja en carbono en la agricultura, la investigación existente suele centrarse en regiones a gran escala (nacionales o de toda una cuenca) o depende de modelos econométricos tradicionales que pueden presentar dificultades ante muestras pequeñas y multicolinealidad. Específicamente, existe un vacío en la comprensión de la evolución espaciotemporal, los mecanismos de desbordamiento espacial (spatial spillover) y las tendencias futuras de las emisiones de carbono de la producción de cultivos en el suroeste de China, una región caracterizada por una topografía compleja, tierras cultivables fragmentadas y disparidades regionales significativas en el desarrollo agrícola. Además, se requiere una prueba sistemática de los mecanismos específicos de las políticas agrícolas verdes y de bajo carbono, incluyendo sus efectos de retardo y su difusión espacial.

Metodología
El estudio se centra en cinco provincias y regiones autónomas del suroeste de China: Sichuan, Chongqing, Yunnan, Guizhou y el Tíbet, cubriendo el periodo de 2011 a 2023.

1. Medición de Emisiones de Carbono:

   • Método: Se empleó el método del coeficiente de emisión de carbono, basándose en las Directrices del IPCC de 2006 y en modelos cuantitativos del Laboratorio Dubey de la USDA.
   • Alcance: Se contabilizaron seis fuentes de carbono: fertilizantes químicos, pesticidas, películas agrícolas, diésel, irrigación y labranza.
   • Datos: Obtenidos del China Statistical Yearbook, China Rural Statistical Yearbook, China Energy Statistical Yearbook y boletines estadísticos provinciales.

2. Análisis de Mecanismos Espaciales:

   • Modelo: Se construyó un Modelo de Durbin Espacial con Regularización Ridge (Ridge-SDM). Este enfoque integra la regularización de la regresión Ridge en el SDM tradicional para abordar la inestabilidad de la estimación causada por el tamaño pequeño de la muestra (n=5 provincias) y la multicolinealidad entre variables.
   • Variables:
     • Variable Explicativa Central: Intensidad de la política agrícola verde y de bajo carbono (cuantificada mediante el análisis de texto de documentos de política basados en nivel, tipo y relevancia).
     • Variables de Control: Mecanización agrícola, consumo de energía por unidad de PIB agrícola, informatización agrícola, diversificación industrial rural y la magnitud de los desastres agrícolas.
   • Estructura de Retardo: La intensidad de la política se probó con periodos de retardo; se seleccionó un retardo de tres periodos basado en la significancia.
   • Matriz de Pesos Espaciales: Construida mediante el método de distancia inversa basado en las coordenadas geográficas de las capitales provinciales.

3. Predicción de Tendencias:

   • Modelo: Se desarrolló un modelo de red neuronal híbrido BP-LSTM (Back Propagation - Long Short-Term Memory). Este modelo híbrido aprovecha la capacidad de ajuste no lineal de las redes BP y el aprendizaje de dependencia temporal a largo plazo de LSTM.
   • Horizonte de Predicción: Las predicciones se generaron para el periodo de 2027 a 2030.
   • Métricas de Desempeño: La precisión del modelo se evaluó utilizando el Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE) y el Coeficiente de Decisión ($R^2$).

Contribuciones Clave
El artículo reclama tres contribuciones marginales principales:

1. Enfoque Regional: Aborda el vacío de investigación sobre la compleja topografía y las variadas condiciones agrícolas de la región del suroeste, que han estado subrepresentadas en estudios nacionales o a escala de cuenca.
2. Innovación Metodológica: Introduce la regularización de la regresión Ridge en el Modelo de Durbin Espacial (Ridge-SDM) para mejorar la estabilidad de la estimación de parámetros en contextos de muestras pequeñas y alta correlación.
3. Marco Integrado: Combina la medición histórica, la identificación de mecanismos espaciales (incluyendo efectos de retardo y desbordamiento) y la predicción de tendencias futuras para proporcionar una visión integral de las emisiones de carbono de los cultivos.

Resultados

• Evolución Espaciotemporal (2011–2023):

  • Las emisiones siguieron un patrón de "ascenso-descenso", alcanzando su punto máximo alrededor de 2015–2017 antes de declinar.
  • Distribución Espacial: Emergió un patrón estable: Sichuan y Yunnan son zonas de alto valor (emisiones acumuladas de 43.45 y 40.36 millones de toneladas, respectivamente); Chongqing y Guizhou son zonas de valor medio; el Tíbet es una zona de bajo valor.
  • Fuentes de Carbono: Los fertilizantes químicos fueron la fuente dominante (62.6% de las emisiones totales, 73.47 millones de toneladas acumuladas).

• Autocorrelación Espacial:

  • El índice global de Moran's I fue -0.2457 (p<0.01), lo que indica una correlación espacial negativa significativa (distribución entrelazada de áreas de altas y bajas emisiones).
  • Las pruebas LM confirmaron tanto la correlación de error espacial como la de rezago espacial, justificando el uso del SDM.

• Hallazgos del Ridge-SDM:

  • Intensidad de la Política: La intensidad de la política con un retardo de tres periodos mostró efectos directos (-6.443) y de desbordamiento espacial (-6.443) negativos significativos (p<0.01), confirmando que las políticas reducen las emisiones localmente y en las regiones vecinas, pero con un retardo temporal.
  • Variables de Control:
    • Diversificación Industrial Rural: Mostró el efecto de reducción de emisiones más estable y exhaustivo (Efecto Total: -121.078), con impactos directos y de desbordamiento significativos.
    • Informatización Agrícola: Exhibió principalmente un efecto de desbordamiento espacial (-52.703), sugiriendo que las tecnologías digitales difunden los beneficios a las regiones vecinas.
    • Consumo de Energía por Unidad de PIB: Mostró efectos negativos significativos tanto en las emisiones locales como en las de los vecinos.
    • Mecanización Agrícola: Presentó un efecto de reducción directa significativo (-67.184) pero sin desbordamiento espacial significativo.
    • Desastres Agrícolas: Aumentaron significativamente las emisiones locales (16.375) debido a los insumos de recuperación, sin desbordamiento significativo.

• Predicción (2027–2030):

  • El modelo BP-LSTM superó a los modelos independientes de BP y LSTM ($R^2$ = 0.992).
  • Las previsiones indican una tendencia continua a la baja en las emisiones totales.
  • Se espera que el patrón de diferenciación espacial se mantenga estable: Sichuan y Yunnan seguirán siendo los mayores emisores (proyectados en 3.37 y 2.15 millones de toneladas respectivamente para 2030), mientras que el Tíbet seguirá siendo el más bajo.

Significancia y Reivindicaciones
El artículo afirma que sus hallazgos proporcionan apoyo empírico para políticas de reducción de emisiones regionales diferenciadas y una gobernanza colaborativa en el suroeste de China. Destaca que:

• Las políticas agrícolas verdes y de bajo carbono son efectivas pero requieren tiempo para manifestarse y poseen beneficios transregionales.
• La diversificación industrial rural y la informatización agrícola son motores críticos para la reducción de emisiones, siendo esta última la que ofrece fuertes beneficios de desbordamiento espacial.
• Una política de "talla única" es insuficiente; en su lugar, las regiones de altas emisiones (Sichuan, Yunnan) requieren una optimización dirigida de las estructuras de insumos, mientras que las regiones de bajas emisiones (Tíbet) deben centrarse en mantener trayectorias de desarrollo bajas en carbono.
• El estudio ofrece una referencia metodológica para analizar las emisiones agrícolas en regiones de muestras pequeñas y terrenos complejos utilizando los modelos Ridge-SDM y BP-LSTM.