氧化亚氮（N₂O）排放总量，不包括土地利用、土地利用变化及林业（LULUCF）（百万吨二氧化碳当量）

Nitrous oxide (N2O) emissions (total) excluding LULUCF (Mt CO2e)

下载数据

指标代码：EN.GHG.N2O.MT.CE.AR5所属主题：环境：排放Environment: Emissions

2024最新有效年份

185最新年份有值国家

265历史上有数据经济体

21%总体缺失率

指标解释

World Bank official description / 世界银行官方说明

A measure of annual emissions of nitrous oxide (N2O), one of the six Kyoto greenhouse gases (GHG), from the agriculture, energy, waste, and industrial sectors, excluding LULUCF.. The measure is standardized to carbon dioxide equivalent values using the Global Warming Potential (GWP) factors of IPCC's 5th Assessment Report (AR5).

可供参考的中文翻译：衡量农业、能源、废弃物和工业部门每年排放的氧化亚氮（N₂O）量，氧化亚氮是《京都议定书》六种温室气体之一。该指标以IPCC第五次评估报告（AR5）的全球增温潜势（GWP）系数将排放量标准化为二氧化碳当量值，且不包括土地利用、土地利用变化及林业（LULUCF）的排放。

数据口径与风险提示

本指标涵盖农业、能源、废弃物和工业四个主要部门，提供了氧化亚氮排放的总体视图，但未按部门细分。
氧化亚氮排放主要来源于农业活动（尤其是农田施肥和畜禽粪便管理），能源和工业部门贡献相对较小。
LULUCF被排除在外意味着森林碳汇、土地利用变化等自然碳循环过程未纳入统计，这可能导致排放水平被高估。
不同国家农业结构差异显著：中国可能因农业规模大而在农业源排放上占比较高，而部分发达国家可能因畜禽养殖业占比不同导致排放结构差异。
排放量高低受人口基数、耕地面积、工业化程度等多重因素影响，不宜直接作为环保绩效的单一评判依据。
数据仅覆盖1970年以来的时段，1960年代数据不可得。
各国排放核算方法和数据完整性存在差异，跨国比较时需注意数据质量差异。

中国趋势

趋势解读

中国氧化亚氮排放从1970年的约1.18亿吨二氧化碳当量增长至2024年的约4.24亿吨二氧化碳当量，累计增长约2.59倍（期末/期初比值约3.59）。从1970年到2000年代初的快速扩张阶段结束后，排放量在2010年代趋于稳定，近几年略有反弹。2010-2019年期间几乎零增长（约1%的增幅），而2020-2024年期间恢复至约9%的增长，反映了中国农业结构、化肥使用政策和工业排放管控的阶段性变化。

1970年排放量约118.01 Mt CO₂e，2024年增至约423.62 Mt CO₂e
2024年为有记录以来的历史最高值
1970-2006年间总体呈上升趋势，2006年达到约410.80 Mt CO₂e
2010年代排放量在380-420 Mt CO₂e区间内波动，2016年触底约386.31 Mt CO₂e
2020-2024年累计增长约36.43 Mt CO₂e
55年数据序列从1970年开始，无更早历史数据
排放量增长受人口规模、农业产出和工业发展多重驱动，不宜简单归因于单一因素
近期反弹趋势的时间序列较短，尚不足以判断是否为结构性转折

全球趋势

趋势解读

全球氧化亚氮排放从1970年的约14.45亿吨二氧化碳当量持续增长至2024年的约25.27亿吨二氧化碳当量，累计增幅约1.75倍。与中国相比，全球增长更为平稳，几乎未出现明显的停滞期，反映出发达国家与发展中国家在不同阶段叠加的累积效应。2020年代全球增长约4%，增速为近几十年最低，可能与全球农业政策收紧、部分发达国家排放达峰等因素有关。

1970年排放量约1444.66 Mt CO₂e，2024年增至约2527.41 Mt CO₂e
2024年为有记录以来的历史最高值
2000年代以前增速较快，1970年代至1990年代持续攀升
2000年代后期至2010年代增速明显放缓
2020-2024年累计增长约103.78 Mt CO₂e
全球数据为190多个国家/地区的汇总，不同国家核算标准存在差异
发展中国家农业排放快速增长可能掩盖了发达国家已出现的减排进展
LULUCF的排除意味着部分自然碳汇未被计入，可能系统性高估排放总量

每十年变化摘要

十年区间	中国变化	世界变化	提示
1960-1969	-	-	环境指标的十年变化应结合能源结构、产业结构、核算边界和国际口径修订，避免只按排放水平高低判断绩效。
1970-1979	1.5x	1.2x	中国氧化亚氮排放在1970年代增长约1.46倍，而全球仅增长约1.20倍，中外差距约0.26倍。这种差异可能反映了中国农业集约化快速推进（化肥使用量大幅增加）而全球平均增速受发达国家农业排放管控抵消的阶段性特征。
1980-1989	1.4x	1.1x	中国在1980年代增长约1.36倍，全球仅约1.10倍，中外差距扩大至约0.26倍。中国的倍数显著高于全球，可能意味着中国农业产出扩张速度远超全球平均，而部分发达国家已出现农业N₂O排放达峰迹象。
1990-1999	1.3x	1.1x	中国在1990年代增长约1.28倍，全球约1.07倍，中外差距约0.21倍。中外增速差距较1980年代有所收窄，可能反映了中国农业扩张边际递减与全球发展中国家农业排放加速的相互抵消。
2000-2009	1.2x	1.1x	中国在2000年代增长约1.20倍，全球约1.09倍，中外差距约0.11倍。差距进一步收窄，可能表明中国农业化肥使用强度趋于稳定，而部分发展中国家农业排放增速加快。
2010-2019	1.0x	1.1x	中国氧化亚氮排在2010年代几乎零增长（约1.01倍），而全球仍增长约1.09倍。这一阶段中国倍数明显低于全球，差距约-0.08倍，可能反映了中国农业政策（化肥零增长行动）、产业结构调整与畜禽粪便资源化利用的阶段性成效，而全球增长主要由南亚、东南亚和非洲农业扩张驱动。
2020-2029	1.1x	1.0x	2020年代以来中国增长约1.09倍，全球约1.04倍，中外差距再次逆转至约0.05倍。中国倍数略高于全球，可能与中国畜牧业扩张和种植结构变化有关，而全球增速放缓可能受发达国家减排政策影响。

2024 年全部国家排名

排名已尽量排除 World、地区组和收入组，仅保留国家参与比较。排名高低应结合指标口径解释。

排名	国家	代码	数值
1	China 中国	CHN	423.6
2	India 印度	IND	283.5
3	United States 美国	USA	215.6
4	Brazil 巴西	BRA	169.1
5	Russian Federation 俄罗斯	RUS	87.5
6	Indonesia 印度尼西亚	IDN	64.1
7	Pakistan 巴基斯坦	PAK	59.5
8	Australia 澳大利亚	AUS	50.8
9	Ethiopia 埃塞俄比亚	ETH	41.7
10	Canada 加拿大	CAN	40.9
11	Argentina 阿根廷	ARG	37.3
12	Mexico 墨西哥	MEX	37.2
13	Turkiye 土耳其	TUR	32.0
14	France 法国	FRA	30.1
15	Germany 德国	DEU	30.0
16	Iran, Islamic Rep. 伊朗	IRN	30.0
17	Sudan 苏丹	SDN	29.9
18	Nigeria 尼日利亚	NGA	29.0
19	Viet Nam 越南	VNM	26.1
20	United Kingdom 英国	GBR	25.6
21	Poland 波兰	POL	24.2
22	Bangladesh 孟加拉国	BGD	23.3
23	Chad 乍得	TCD	22.5
24	Tanzania 坦桑尼亚	TZA	21.5
25	Egypt, Arab Rep. 埃及	EGY	19.4
26	South Africa 南非	ZAF	19.1
27	Spain 西班牙	ESP	18.9
28	Colombia 哥伦比亚	COL	18.7
29	Thailand 泰国	THA	18.3
30	Japan 日本	JPN	16.5
31	Kenya 肯尼亚	KEN	16.1
32	Philippines 菲律宾	PHL	16.0
33	Ukraine 乌克兰	UKR	15.5
34	Belarus 白俄罗斯	BLR	14.8
35	Uzbekistan 乌兹别克斯坦	UZB	14.4
36	Korea, Rep. 韩国	KOR	13.1
37	Myanmar 缅甸	MMR	13.1
38	Italy 意大利	ITA	12.9
39	Mongolia 蒙古	MNG	12.2
40	Uganda 乌干达	UGA	10.8
41	Mali 马里	MLI	10.6
42	Kazakhstan 哈萨克斯坦	KAZ	10.5
43	Saudi Arabia 沙特阿拉伯	SAU	10.3
44	New Zealand 新西兰	NZL	10.0
45	Niger 尼日尔	NER	10.0
46	Romania 罗马尼亚	ROU	9.79
47	Venezuela, RB 委内瑞拉	VEN	8.91
48	Bolivia 玻利维亚	BOL	8.77
49	Zambia 赞比亚	ZMB	8.67
50	Ireland 爱尔兰	IRL	8.32
51	Netherlands 荷兰	NLD	7.91
52	Peru 秘鲁	PER	7.60
53	Congo, Dem. Rep. 刚果（金）	COD	7.48
54	Belgium 比利时	BEL	7.45
55	Malaysia 马来西亚	MYS	7.45
56	Uruguay 乌拉圭	URY	7.22
57	Iraq 伊拉克	IRQ	6.93
58	Angola 安哥拉	AGO	6.85
59	Algeria 阿尔及利亚	DZA	6.80
60	Burkina Faso 布基纳法索	BFA	6.29
61	Paraguay 巴拉圭	PRY	6.25
62	Finland 芬兰	FIN	6.11
63	Turkmenistan 土库曼斯坦	TKM	5.94
64	Chile 智利	CHL	5.86
65	Sweden 瑞典	SWE	5.78
66	Czechia 捷克	CZE	5.68
67	Morocco 摩洛哥	MAR	5.67
68	Nepal 尼泊尔	NPL	4.98
69	Hungary 匈牙利	HUN	4.86
70	Somalia, Fed. Rep. 索马里	SOM	4.85
71	Cameroon 喀麦隆	CMR	4.78
72	Lithuania 立陶宛	LTU	4.74
73	Madagascar 马达加斯加	MDG	4.72
74	Guatemala 危地马拉	GTM	4.55
75	Malawi 马拉维	MWI	4.46
76	Zimbabwe 津巴布韦	ZWE	4.43
77	Central African Republic 中非共和国	CAF	4.38
78	Denmark 丹麦	DNK	4.37
79	Mozambique 莫桑比克	MOZ	4.32
80	Guinea 几内亚	GIN	4.29
81	Yemen, Rep. 也门	YEM	4.22
82	Syrian Arab Republic 叙利亚	SYR	3.91
83	Ecuador 厄瓜多尔	ECU	3.83
84	Bulgaria 保加利亚	BGR	3.81
85	Afghanistan 阿富汗	AFG	3.78
86	Senegal 塞内加尔	SEN	3.74
87	Norway 挪威	NOR	3.69
88	Greece 希腊	GRC	3.54
89	Ghana 加纳	GHA	3.52
90	Slovak Republic 斯洛伐克	SVK	3.31
91	Austria 奥地利	AUT	3.21
92	Lao PDR 老挝	LAO	3.17
93	Cambodia 柬埔寨	KHM	3.14
94	Dominican Republic 多米尼加共和国	DOM	3.14
95	Cote d'Ivoire 科特迪瓦	CIV	3.06
96	Portugal 葡萄牙	PRT	2.89
97	Nicaragua 尼加拉瓜	NIC	2.61
98	Cuba 古巴	CUB	2.54
99	Azerbaijan 阿塞拜疆	AZE	2.53
100	Israel 以色列	ISR	2.51
101	Tunisia 突尼斯	TUN	2.45
102	Namibia 纳米比亚	NAM	2.41
103	Mauritania 毛里塔尼亚	MRT	2.38
104	Latvia 拉脱维亚	LVA	2.33
105	Croatia 克罗地亚	HRV	2.21
106	United Arab Emirates 阿联酋	ARE	2.21
107	Sri Lanka 斯里兰卡	LKA	2.16
108	Benin 贝宁	BEN	2.13
109	Switzerland 瑞士	CHE	2.08
110	Tajikistan 塔吉克斯坦	TJK	2.08
111	Honduras 洪都拉斯	HND	1.90
112	Kyrgyz Republic 吉尔吉斯斯坦	KGZ	1.77
113	Costa Rica 哥斯达黎加	CRI	1.75
114	Korea, Dem. People's Rep. 朝鲜	PRK	1.69
115	Estonia 爱沙尼亚	EST	1.68
116	Papua New Guinea 巴布亚新几内亚	PNG	1.55
117	Libya 利比亚	LBY	1.47
118	Burundi 布隆迪	BDI	1.46
119	Haiti 海地	HTI	1.42
120	Georgia 格鲁吉亚	GEO	1.41
121	Botswana 博茨瓦纳	BWA	1.39
122	Togo 多哥	TGO	1.38
123	Rwanda 卢旺达	RWA	1.29
124	Eritrea 厄立特里亚	ERI	1.28
125	Oman 阿曼	OMN	1.21
126	Jordan 约旦	JOR	1.15
127	Bosnia and Herzegovina 波黑	BIH	1.15
128	Kuwait 科威特	KWT	1.09
129	Panama 巴拿马	PAN	1.05
130	Moldova 摩尔多瓦	MDA	0.97
131	El Salvador 萨尔瓦多	SLV	0.95
132	Sierra Leone 塞拉利昂	SLE	0.89
133	Qatar 卡塔尔	QAT	0.84
134	Congo, Rep. 刚果（布）	COG	0.80
135	Albania 阿尔巴尼亚	ALB	0.73
136	Lebanon 黎巴嫩	LBN	0.69
137	Slovenia 斯洛文尼亚	SVN	0.67
138	Guinea-Bissau 几内亚比绍	GNB	0.54
139	Singapore 新加坡	SGP	0.51
140	Guyana 圭亚那	GUY	0.48
141	Gabon 加蓬	GAB	0.48
142	Liberia 利比里亚	LBR	0.46
143	Eswatini 斯威士兰	SWZ	0.46
144	Lesotho 莱索托	LSO	0.46
145	Armenia 亚美尼亚	ARM	0.45
146	Brunei Darussalam 文莱	BRN	0.43
147	North Macedonia 北马其顿	MKD	0.37
148	Jamaica 牙买加	JAM	0.33
149	Cyprus 塞浦路斯	CYP	0.28
150	Iceland 冰岛	ISL	0.26
151	Timor-Leste 东帝汶	TLS	0.23
152	Bahrain 巴林	BHR	0.23
153	Luxembourg 卢森堡	LUX	0.22
154	Djibouti 吉布提	DJI	0.22
155	Fiji 斐济	FJI	0.22
156	Gambia, The 冈比亚	GMB	0.22
157	Bhutan 不丹	BTN	0.18
158	Mauritius 毛里求斯	MUS	0.17
159	Suriname 苏里南	SUR	0.16
160	Belize 伯利兹	BLZ	0.12
161	Vanuatu 瓦努阿图	VUT	0.07
162	Cabo Verde 佛得角	CPV	0.07
163	Comoros 科摩罗	COM	0.06
164	Equatorial Guinea 赤道几内亚	GNQ	0.05
165	Bahamas, The 巴哈马	BHS	0.04
166	Maldives 马尔代夫	MDV	0.04
167	Malta 马耳他	MLT	0.04
168	Samoa 萨摩亚	WSM	0.04
169	Barbados 巴巴多斯	BRB	0.04
170	Solomon Islands 所罗门群岛	SLB	0.03
171	Palau 帕劳	PLW	0.03
172	Tonga 汤加	TON	0.03
173	Seychelles 塞舌尔	SYC	0.02
174	Sao Tome and Principe 圣多美和普林西比	STP	0.02
175	St. Lucia 圣卢西亚	LCA	0.02
176	Micronesia, Fed. Sts. 密克罗尼西亚	FSM	0.02
177	Antigua and Barbuda 安提瓜和巴布达	ATG	0.01
178	Dominica 多米尼克	DMA	0.01
179	Grenada 格林纳达	GRD	0.01
180	St. Vincent and the Grenadines 圣文森特和格林纳丁斯	VCT	0.01
181	St. Kitts and Nevis 圣基茨和尼维斯	KNA	0.01
182	Kiribati 基里巴斯	KIR	0.01
183	Tuvalu 图瓦卢	TUV	0.00
184	Marshall Islands 马绍尔群岛	MHL	0.00
185	Nauru 瑙鲁	NRU	0.00

使用建议、常见误用与研究场景

数值较高通常意味着什么

氧化亚氮排放总量较高，意味着该国农业、废弃物等N₂O相关源排放规模较大，可能反映出较大的耕地面积、较高的畜禽养殖密度、较大的化肥使用量或较集中的工业活动。但高排放不一定等同于环保绩效差，还需结合发展阶段和人均排放来综合评估。

数值较低通常意味着什么

排放总量较低，意味着该国相关排放源规模较小，可能反映出农业用地较少、畜禽养殖密度较低、化肥使用量较少或工业化程度较低。但低排放也可能是数据不完整或统计口径差异造成的，不宜据此判断环保绩效。

鍙ｅ緞闄愬埗

排放总量受国家规模影响显著，大国往往排放量较高，不能直接用于跨国环保绩效比较
农业源N₂O排放受气候、土壤条件影响较大，气候差异可能导致相同农业活动产生不同排放量
LULUCF排除后，森林和土地利用的碳汇效应未被计入，可能系统性高估实际净排放
各国排放核算方法、数据完整性和更新频率存在差异，跨国比较需谨慎
N₂O排放具有长期温室效应（百年尺度），年度波动数据对气候政策评估价值有限

使用建议

结合人均排放指标（EN.GHG.ALL.PC.CE.AR5）评估排放强度，以消除国家规模的影响
分析排放结构时，结合分部门排放数据（如EN.GHG.N2O.AG.MT.CE.AR5）识别主要排放源
与GDP、农业产值等经济指标结合，计算排放强度以评估排放效率
结合人口、耕地面积、化肥使用量等变量进行多元回归，识别排放驱动因素
关注长期趋势而非单一年份数据，以避免短期波动造成的误判
对比不同国家时，优先选择数据覆盖度和质量相近的国家子样本

常见错误用法

错误做法：直接用排放总量判断哪个国家环保做得好/差

正确做法：结合发展阶段和人均指标综合评估，并关注排放效率而非绝对量

排放总量受国家规模、人口基数和资源禀赋影响显著，大国天然排放量大，不能直接用于跨国环保绩效比较

错误做法：把中国的N₂O排放总量与其他气体排放总量（如CO₂）直接对比

正确做法：将同一种气体的排放总量与该气体的其他指标（如人均排放、排放强度）对比

不同温室气体的温室效应强度不同，跨气体比较需使用统一口径（如二氧化碳当量）并明确统计范围是否一致

错误做法：把中国N₂O排放增长倍数与全球增长倍数直接解读为“中国排放恶化速度是全球的N倍”

正确做法：增长倍数差异需要结合阶段特征、分部门数据和相关变量综合解读

增长倍数的差距可能反映发展阶段差异、政策调控效果、农业结构变化或统计口径变化，不宜直接解读为因果关系

错误做法：忽视LULUCF排除这一统计口径，将N₂O排放等同于该国的“全部温室气体净排放”

正确做法：使用包含LULUCF的指标（如EN.GHG.ALL.LU.MT.CE.AR5）分析完整排放账本

LULUCF的排除意味着森林碳汇和土地利用变化未被计入，排除后的指标可能高估实际净排放量

错误做法：用2020年代短期反弹数据断言中国N₂O排放进入新一轮快速增长期

正确做法：结合更长周期数据和分部门驱动因素综合判断

短期反弹可能受统计口径调整、农业周期性波动或异常气候等因素影响，不宜据单一年代际数据做出趋势性判断

实际应用场景

中国农业氧化亚氮排放的结构性分解：分析中国农业N₂O排放的部门构成及驱动因素被解释变量可结合化肥使用量、畜禽存栏数、作物种植面积等变量，使用对数均值迪氏指数（LMDI）分解法或STIRPAT模型识别主要驱动因子
全球N₂O排放格局演变与国家异质性：比较不同收入水平国家N₂O排放的增长特征比较变量可按收入水平分组，使用面板数据回归分析发展阶段、产业结构与N₂O排放的关系，识别收敛或发散特征
温室气体减排政策效果评估：评估中国化肥零增长政策对农业N₂O排放的影响结果变量可使用双重差分法（DID）或合成控制法，比较政策实施前后农业N₂O排放变化趋势，排除其他干扰因素的影响
N₂O排放与空气质量指标的相关性检验：检验N₂O排放与PM2.5暴露程度的统计关联控制变量可纳入回归模型检验N₂O排放对空气质量的独立影响，同时控制经济水平、产业结构等变量
农业活动与N₂O排放的时空特征分析：分析中国省级层面农业N₂O排放的空间分布和聚集特征被解释变量可使用空间计量模型（如SAR、SEM）检验邻接效应和空间溢出，识别高排放聚集区及其形成机制