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

Resumo Técnico: Da Intervenção de Políticas à Redução de Emissões: Mecanismos Espaciais das Emissões de Carbono da Cultura no Sudoeste da China

Definição do Problema
O aquecimento global exige medidas eficazes de redução de emissões, particularmente no setor agrícola. Embora a China tenha enfatizado uma transição verde e de baixo carbono na agricultura, as pesquisas existentes focam frequentemente em regiões de grande escala (nacionais, de bacias hidrográficas) ou baseiam-se em modelos econométricos tradicionais que podem enfrentar dificuldades com amostras pequenas e multicolinearidade. Especificamente, há uma lacuna na compreensão da evolução espaço-temporal, dos mecanismos de transbordamento espacial (spatial spillover) e das tendências futuras das emissões de carbono da produção de culturas no Sudoeste da China — uma região caracterizada por topografia complexa, terras cultiváveis fragmentadas e disparidades regionais significativas no desenvolvimento agrícola. Além disso, os mecanismos específicos das políticas agrícolas verdes e de baixo carbono, incluindo seus efeitos de defasagem (lag effects) e difusão espacial, requerem testes sistemáticos.

Metodologia
O estudo foca em cinco províncias e regiões autônomas no Sudoeste da China: Sichuan, Chongqing, Yunnan, Guizhou e Tibete, cobrindo o período de 2011 a 2023.

1. Mensuração de Emissões de Carbono:

   • Método: Foi empregado o método do coeficiente de emissão de carbono, baseando-se nas Diretrizes do IPCC de 2006 e em modelos quantitativos do Laboratório Dubey da USDA.
   • Escopo: Seis fontes de carbono foram contabilizadas: fertilizantes químicos, pesticidas, filmes agrícolas, diesel, irrigação e aração.
   • Dados: Obtidos do China Statistical Yearbook, China Rural Statistical Yearbook, China Energy Statistical Yearbook e boletins estatísticos provinciais.

2. Análise de Mecanismo Espacial:

   • Modelo: Um Modelo Durbin Espacial de Ridge (Ridge-SDM) foi construído. Esta abordagem integra a regularização de regressão ridge ao SDM tradicional para abordar a instabilidade de estimação causada por amostras pequenas (n=5 províncias) e multicolinearidade entre variáveis.
   • Variáveis:
     • Variável Explicativa Central: Intensidade da política agrícola verde e de baixo carbono (quantificada via análise de texto de documentos de política baseada em nível, tipo e relevância).
     • Variáveis de Controle: Mecanização agrícola, consumo de energia por unidade de PIB agrícola, informatização agrícola, diversificação industrial rural e a extensão de desastres agrícolas.
   • Estrutura de Defasagem: A intensidade da política foi testada com períodos de defasagem; um período de defasagem de três períodos foi selecionado com base na significância.
   • Matriz de Peso Espacial: Construída utilizando o método da distância inversa baseado nas coordenadas geográficas das capitais provinciais.

3. Predição de Tendências:

   • Modelo: Um modelo de rede neural híbrida BP-LSTM (Back Propagation - Long Short-Term Memory) foi desenvolvido. Este modelo híbrido aproveita a capacidade de ajuste não linear das redes BP e o aprendizado de dependência temporal de longo prazo do LSTM.
   • Horizonte de Previsão: As previsões foram geradas para o período de 2027 a 2030.
   • Métricas de Desempenho: A precisão do modelo foi avaliada usando o Erro Quadrático Médio (RMSE), o Erro Absoluto Médio (MAE) e o Coeficiente de Decisão ($R^2$).

Principais Contribuições
O artigo reivindica três contribuições marginais primárias:

1. Foco Regional: Aborda a lacuna de pesquisa sobre a topografia complexa e as variadas condições agrícolas da região Sudoeste, que têm sido sub-representadas em estudos nacionais ou de escala de bacia.
2. Inovação Metodológica: Introduz a regularização de regressão ridge no Modelo Durbin Espacial (Ridge-SDM) para melhorar a estabilidade da estimação de parâmetros em contextos de amostra pequena e alta correlação.
3. Estrutura Integrada: Combina mensuração histórica, identificação de mecanismos espaciais (incluindo efeitos de defasagem e transbordamento) e previsão de tendências futuras para fornecer uma visão abrangente das emissões de carbono das culturas.

Resultados

• Evolução Espaço-Temporal (2011–2023):

  • As emissões seguiram um padrão de "ascensão–queda", atingindo o pico em torno de 2015–2017 antes de declinar.
  • Distribuição Espacial: Um padrão estável emergiu: Sichuan e Yunnan são zonas de alto valor (emissões cumulativas de 43,45 e 40,36 milhões de toneladas, respectivamente); Chongqing e Guizhou são zonas de valor médio; o Tibete é uma zona de baixo valor.
  • Fontes de Carbono: Fertilizantes químicos foram a fonte dominante (62,6% do total das emissões, 73,47 milhões de toneladas cumulativas).

• Autocorrelação Espacial:

  • O índice de Moran Global foi de -0,2457 (p<0,01), indicando uma correlação espacial negativa significativa (distribuição intercalada de áreas de alta e baixa emissão).
  • Testes LM confirmaram correlações tanto de erro espacial quanto de defasagem espacial, justificando o uso do SDM.

• Achados do Ridge-SDM:

  • Intensidade da Política: A intensidade da política com defasagem de três períodos mostrou efeitos diretos (-6,443) e de transbordamento espacial (-6,443) negativos significativos (p<0,01), confirmando que as políticas reduzem as emissões localmente e nas regiões vizinhas, mas com um atraso temporal.
  • Variáveis de Controle:
    • Diversificação Industrial Rural: Mostrou o efeito de redução de emissões mais estável e abrangente (Efeito Total: -121,078), com impactos diretos e de transbordamento significativos.
    • Informatização Agrícola: Exibiu primordialmente um efeito de transbordamento espacial (-52,703), sugerindo que as tecnologias digitais difundem benefícios para as regiões vizinhas.
    • Consumo de Energia por Unidade de PIB: Apresentou efeitos negativos significativos tanto nas emissões locais quanto nas vizinhas.
    • Mecanização Agrícola: Mostrou um efeito de redução direta significativo (-67,184), mas sem transbordamento espacial significativo.
    • Desastres Agrícolas: Aumentaram significativamente as emissões locais (16,375) devido aos aportes de recuperação, sem transbordamento significativo.

• Predição (2027–2030):

  • O modelo BP-LSTM superou os modelos standalone BP e LSTM ($R^2$ = 0,992).
  • As previsões indicam uma tendência contínua de queda nas emissões totais.
  • O padrão de diferenciação espacial deve permanecer estável: Sichuan e Yunnan continuarão sendo os maiores emissores (projetados em 3,37 e 2,15 milhões de toneladas, respectivamente, até 2030), enquanto o Tibete permanecerá o menor.

Significância e Alegações
O artigo afirma que seus achados fornecem suporte empírico para políticas de redução de emissões regionais diferenciadas e governança colaborativa no Sudoeste da China. Ele destaca que:

• As políticas agrícolas verdes e de baixo carbono são eficazes, mas requerem tempo para se manifestar e possuem benefícios transregionais.
• A diversificação industrial rural e a informatização agrícola são impulsionadores críticos para a redução de emissões, sendo que esta última oferece fortes benefícios de transbordamento espacial.
• Uma política de "tamanho único" é insuficiente; em vez disso, as regiões de alta emissão (Sichuan, Yunnan) requerem a otimização direcionada das estruturas de insumos, enquanto as regiões de baixa emissão (Tibete) devem focar em manter caminhos de desenvolvimento de baixo carbono.
• O estudo oferece uma referência metodológica para analisar emissões agrícolas em regiões de terreno complexo e amostra pequena utilizando os modelos Ridge-SDM e BP-LSTM.