经济新常态下中国林业碳汇潜力分析 |
来源:一起赢论文网 日期:2018-02-24 浏览数:3156 【 字体: 大 中 小 大 中 小 大 中 小 】 |
2016.11 - 57 - 经济新常态下中国林业碳汇潜力分析 姜 霞 黄祖辉 内容提要:经济增长率放缓是当前中国林业发展面临的最为重要和现实的情景,经济新常态下中国发展林业碳汇是否具有潜力?本文以美国农业部经济研究局(ERS )的经济预测为基准情景,将全球林产品模型(GFPM)与政府间气候变化专门委员会(IPCC)碳汇估计方法相结合,模拟出 2015 ~2030 年中国森林资源存量和相应的碳储量、碳汇量,并设定经济增长率为8%的高速增长情景与基准情景对比。研究结果显示:相对于增长率为8%的经济高速增长,基准情景下中高速经济增长更有利于森林资源的可持续利用和森林生态服务供给的增加,从而能够促进社会系统和生态系统的和谐互动、良性循环。在基准情景和高速增长情景两种发展情景下,中国自主减排承诺中的林业发展目标都能够如期完成;2030 年,基准情景和高增长情景下中国森林碳储量将分别达到 88.69亿吨碳和86.43亿吨碳,相对于2010 年历史值分别增加约36.05% 和32.58% ;2015 ~2030 年,平均年碳汇量分别为 1.25 亿吨碳/年和 1.1亿吨碳/年,对2030 年中国自主减排目标的贡献率约为4.87%和4.48%。森林蓄积水平偏低且改善困难是影响中国林业碳汇潜力的主要约束条件。 关键词:林业碳汇 森林碳汇 经济增长 全球林产品模型(GFPM) 一、引言 经济增长极大地满足了人类社会的物质财富需求,却使环境质量每况愈下,集中体现为全球气候变暖。工业革命以来的人为碳排放是全球气候变暖的重要原因。如果不能有效实现“碳去除”,世界将可能面临重大危机。当前中国已经成为世界第一大碳排放国,控制碳排放、改善生态环境刻不容缓。但同时,中国仍然是一个发展中国家,面临发展经济、消除贫穷、改善环境和应对气候变化的多重挑战。因此,必须调整经济结构,转换经济增长方式,建设生态文明,实现绿色、低碳、可持续发展。林业在生态文明建设中具有基础性作用。通过实施造林再造林、森林管理和减少毁林等林业碳汇活动来增加森林碳汇供给,是重要的“碳去除”途径。相对于工业减排,林业碳汇更具成本有效性(Richards and Stokes,2004 ),且存在多种效益,是世界各国应对气候变化的重要策略。中国政府在自主减排承诺中明确提出了通过增加森林碳汇应对气候变化的目标和计划。但是,当前中国森林资源仍具有总量相对不足、质量不高、分布不均的特点(国家林业局,2014 )。在经济新常态下,如何挖掘林业碳汇潜力,为经济增长争取碳排放空间,实现经济发展与环境相协调,是亟待解决的问题。本文试图通过经济学模型和碳汇模型相结合的交叉学科方法,探讨经济新常态下中国林业碳汇潜力。 国际上关于林业碳汇潜力的研究始于20 世纪 80 年代末,早期的研究以减少毁林、造林和再造林活动能够产生的碳汇量为研究重点(例如Sedjo and Solomon ,1989 ;Nilsson and Schopfhauser,1995 ),而较少考虑经济、社会因素或约束条件对林业活动及其碳汇潜力的影响以及这些变量之间的经济新常态下中国林业碳汇潜力分析 - 58 -互动和反馈关系。在后续的研究中,经济学和自然科学的交流和融合不断增强,上述被忽略的问题也逐渐被纳入研究范围(例如Sohngen and Sedjo,2006 ;Rokityanskiy et al.,2007 ),尤其是近年来全球性动态分析框架和模型的发展使国际森林碳汇供给的经济学研究走向成熟(Golub et al.,2009 )。这些模型一般整合了林业部门土地利用的内生变化、森林经营和森林类型多元化以及国际贸易的影响(例如 Sohngen and Mendelsohn,2007 ;Rokityanskiy et al.,2007 )。此外,将成熟的林产品市场模型与森林碳汇模型有机整合,也是林业碳汇研究的发展趋势。例如,Sohngen and Mendelsohn(2003 )将全球木材模型(TSM)和温室气体模型(DICE)相结合,Nepal et al.(2012 )将美国林产品模型(USFPM/GFPM)与生物量法和WOODCARB2模型相结合,研究了林业部门的碳汇潜力。这些研究都体现出森林碳汇生物物理属性和经济属性的关联,以及生态系统和社会系统之间的多元互动。 从已有文献看,国内对林业碳汇的量化研究以新中国建国以来森林碳储量和碳源汇的估计为重点(例如 Fang et al.,2001 ;Pan et al. ,2004 ;方精云等,2007 ;郭兆迪等,2013 ),而关于林业碳汇的预测研究非常有限。其中比较有代表性的是,Zhang and Xu(2003 )、徐冰等(2010 )分别对中国1990 ~2050 年和 2000 ~2050 年的森林碳储量和碳汇量进行了分析,其结论显示,中国林业碳汇具有较大潜力。但是,这两项研究的局限在于,预测未来中国林业发展的依据分别是 1999 年国家林业局林业发展规划和2002 年《中国可持续发展林业战略研究总论》。由于时代的局限性,这些发展规划与现实情况存在偏差。实际上,关于林业碳汇潜力的研究是基于一定假设条件的森林碳汇供给能力评估,这些假设条件决定了研究结果的有效性。如何设定这些假设条件或者发展情景?Canadell et al. (2007 )指出,森林固碳能力不仅有其生物物理属性,也受到各类经济社会活动的影响。因此,对林业碳汇潜力的研究既要以森林生物物理属性为基础,又要充分考虑经济社会因素对森林碳汇供给能力的影响,因而需要采用交叉学科的研究方法。但是,国内这一领域跨学科的交流与合作仍然十分有限。 基于以上认识,本文采用全球林产品模型(Globle Forest Products Model,GFPM)与政府间气候变化专门委员会(IPCC)碳汇模型相结合的交叉学科方法,研究经济增长率放缓背景下2015 ~2030年中国林业碳汇潜力。首先,本文从理论角度探讨经济增长与森林碳汇变化之间的关系;其次,根据已有文献,对中国经济增长做出情景假定(基准情景、高速增长情景);再次,运用 GFPM 模拟得到森林资源数据;最后,利用IPCC 方法估计不同情景下的森林碳储量和碳汇量,并对研究结果进行分析和说明。 二、经济增长与森林碳汇的关系 森林碳汇是森林生态系统吸收大气中二氧化碳的过程、活动或者机制。森林生态系统在全球碳循环中发挥着重要作用。而在提供森林碳汇的同时,森林生态系统还提供其他副产品,例如保持生态平衡、调节气候、维护生物多样性、水文服务等。这些重要的森林生态服务是人类赖以生存的基础。经济增长和社会发展离不开这些生态服务的支撑,但经济增长又会影响森林生态服务的供给。其原因在于,社会系统和生态系统之间是一种耦合的复杂关系,这种非线性的动态关系存在阈值,具有循环反馈、时滞性、弹性、异质性和意外性等特点(Liu et al.,2007 )。现实中,许多国家和地区都经历了森林面积随经济增长先减少后增加的发展历程,包括丹麦、法国、美国、奥地利、希腊、葡萄牙、西班牙、意大利、英国、挪威、日本和加拿大等工业化国家以及波多黎各、多米尼加、萨尔瓦多、越南、中国和印度等发展中国家(Köthke et al. ,2013 )。一些文献用环境库兹涅茨曲线(environment Kuznets curve,EKC )来解释森林面积变化与经济增长之间的关系(例如Shafik and Bandyopadhyay,经济新常态下中国林业碳汇潜力分析 - 59 -1992 ;Stern et al.,1996 ),认为促成这种关系的原因包含了替代效应、技术进步、偏好改变和经济结构调整等。具体来说,当经济发展水平较低时,人口压力和粮食需求较大,农业生产率和林业经济收益较低,这使得林地转变为非林业用途;同时,粗放的资源利用方式也可能导致毁林或森林退化,使森林成为碳排放源。但是,当国民收入达到一定临界值后,技术进步使农业生产率提高,效率低下的农业用地得以退耕还林;农业人口加快非农化转移;居民对良好环境的支付意愿提高;政府增加对森林经营和环境治理的投入。以上这些因素都能够使得森林资源得以恢复和增长,使森林成为碳汇。 有研究发现,中国森林植被碳储量从20 世纪 70 年代开始逐渐由碳源转变为碳汇,促成这一转变的缘由是70 年代末开始的大规模造林运动和不断发展壮大的各类生态修复工程(Fang et al. ,2001 ;Pan et al.,2004 ),中国政府为此投入了大量的人力、物力、财力。林业建设成果与改革开放以来中国经济高速增长分不开。然而,由于学科分隔的原因,国内研究较少关注经济增长与森林碳汇之间的关系。而对这一问题的探讨对于推动可持续发展和应对气候变化有着重要意义。实际上,从 20世纪 80 年代起,学术界已经开始对社会科学和生物物理科学相互分隔的研究范式进行反思,提出资源与环境方面的难题应该被看作“复杂系统”问题(Levin,1999 ),并开始探索多学科合作的、整合复杂系统的研究方法,例如“社会—生态系统”(socio-ecological systems ,SESs)(参见 Berkes et al. ,,2000 ;Ostrom ,2009 )、“人类环境耦合系统”(coupled human-environment systems)(参见 Turner et al. ,2003 )。本文正是基于这样的研究范式,通过经济学模型和碳汇模型相结合的方法,对经济增长与森林碳汇之间的关系进行分析。 三、模拟方法和数据说明 (一)全球林产品模型(GFPM) GFPM(参见 Buongiorno et al.,2003 )是空间局部均衡模型,其基本原理基于 Samuelson(1954 )提出的空间市场均衡概念,认为空间市场均衡等价于所有生产者剩余和消费者剩余的最大化。由于总体上林业部门在世界经济总量中的份额较小,GFPM 假定,全球林业部门发展依赖于宏观经济环境,但宏观经济并不会受到林业部门发展的影响(Buongiorno and Zhu,2003 )。GFPM 涵盖了世界180 个国家,考虑了在世界市场出清的均衡条件下各国林产品进出口、(内生条件下的)森林资源状况和福利水平等。GFPM 能够模拟外生冲击下全球森林资源和林产品市场的变化,不仅在林产品贸易研究中有广泛应用,还可以通过与碳汇模型的整合,应用于林业部门的碳汇研究(例如 Nepal et al.,2012 )。在 GFPM 结构中,每个经济个体可分为初加工部门、制造部门、进出口部门和消费部门。各部门在给定约束条件下实现福利最大化;经过整合,再加上地区供求平衡约束条件,构成了地区福利最大化问题。在各地区整合的基础上,加上进出口平衡约束条件,构成了全球福利最大化问题。模型求解过程分为静态和动态两个部分。其中,静态部分对应的是市场的短期均衡,其目标函数是: 000max ( ) ( )()ik ikikDSik ik ik ik ik ikik ikYik ik ik ijk ijkik i jkZ P D dD P S dSmYdY cT=---åå åå òòåå ååå ò (1) (1)式中, Z 表示林产品市场上所有生产者剩余和消费者剩余;i 和j 分别表示国家,k 为某种林产品;P 为以美元为单位的不变价格,D 为最终产品需求,S 为原材料供给,Y 为林产品加工数量, m 为加工成本,T 为产品运输数量,c 为运输成本(包括关税在内)。所有变量对应某一特定经济新常态下中国林业碳汇潜力分析 - 60 -年份。在进行预测时,连续市场均衡之间的周期可以大于或等于一年。 主要的约束条件包括物质平衡(即(2)、(3)式)和贸易惯性(即(4)式),表达式分别如下: 0; ,jik ik ik ik ikn in ijkjnj TSYD aY T ik ++-- - =" ååå (2) 0; , ,il ikl ikYbY ikl -=" (3) LU ijk ijk ijkTTT ££ (4) (2)式中,ikna 表示生产单位数量的林产品n 需要投入林产品k 的数量。(3)式中,iklb 是林产品 k 单位产量中可以回收副产品l 的数量。(4)式中,上标L 和U 分别表示下限和上限。给定的外生变量和生产能力条件,由(1)~(4)式可以求解出短期市场出清时的均衡价格、供给量、需求量、加工量和贸易量。 长期均衡由一系列短期均衡组成。动态求解过程通过逐期递归的方式实现参数更新,在基期均衡解的基础上导入外生变量值,不断重复静态求解和动态求解过程,从而能够得到预测期每一期的均衡解,直至预测期结束。在动态求解部分,经济增长率一方面通过影响林产品供求从而影响均衡价格,进而影响森林资源存量;另一方面通过环境库兹涅茨曲线、“增长—消耗方程”影响森林面积和蓄积量。限于篇幅,动态求解的具体计算公式详见 Buongiorno and Zhu (2015 )。 (二)GFPM 数据说明和情景假定 1. 数据说明。本文研究使用 GFPM2015 版(Buongiorno and Zhu ,2015 ),其基期为 2012 年,基期数据主要包括森林资源数据、林产品贸易数据和模型需要的其他经济数据,这些数据均来自联合国粮农组织(FAO )和世界银行等机构。①林产品贸易数据来源于FA O 数据库(FAOSTAT)①。这一类数据包括 180 个国家 14 组林产品历年的生产量、进出口量和进出口额。②森林资源数据来源于5 年一度的 FA O 《全球森林资源评估》②,包括各个国家历年的森林面积及其增长率和森林蓄积量及其增长率。③经济数据来源于世界银行数据库③,包括各国历年的人口数量、GDP 以及 GDP 平减指数。GFPM 发布者已经预设了模型的参数和变量,录入了模型的基期数据,且对模型进行了校准处理。关于数据处理的细节可参见Buongiorno et al.(2003 )和 Buongiorno and Zhu (2015 )。 2. 情景假定。运用 GFPM 进行模拟研究,研究者需要根据研究目的做出外生变化的假设。本文研究目的是考虑中国经济增长放缓对森林资源存量的影响,因此,GDP 增长率和人均 GDP 增长率是主要的外生变量,需要就此进行情景假定。按照这两个变量值的高低,本文设定高速增长情景和基准情景两种发展情景。经济新常态下中国经济从高速增长转变为中高速增长,本文据此设定基准情景。基准情景下上述两个外生变量的预测值参考了美国农业部经济研究局的中国经济增长预测(ERS ,2014 )(详见表 1)。基准情景下得到的模拟数据只能与历史数据进行比较,不能够充分反映经济增长放缓对森林资源存量的影响。因此,还需要设定一个高速增长情景作为对照组。高速增长情景下,假定2015 ~2030 年间 GDP 增长率将保持 8%,并参照基准情景换算人均GDP 增长率,其他数据和参数与基准情景一致。经济增长率预测如表 1 所示。 ①FAOSTAT: http://faostat.fao.org/. ②FAO: Global Forest Resources Asse ssments, http://www.fao.org/for est-resources-assessment/en/, 2015. ③World Bank: World Bank Open Data, http://data.worldbank.org/. 经济新常态下中国林业碳汇潜力分析 - 61 -表1 经济增长率的预测值 单位:% 外生变量 情景 预测值 2015 年 2020年 2025年 2030年 GDP 增长率 基准情景 6.49 6.95 6.4 5.9 高速增长情景 8 8 8 8 人均 GDP 增长率 基准情景 6.03 6.67 6.33 6.02 高速增长情景 7.44 7.68 7.91 8.16 资料来源:基准情景数据来自ERS (2014 );高速增长情景数据参考林毅夫(2014 )的观点。 (三)碳汇模型和参数 在通过 GFPM 求解得到森林蓄积量的基础上可以通过“平均换算因子法”(参见方精云等,2002 )估算出森林生物量,再计算出对应的碳储量。具体的计算步骤参照《2010 年全球森林资源评估中国报告》,该报告中森林碳储量和碳储量变化的计算方法和参数设定均以《2006 年IPCC 国家温室气体清单指南》(IPCC,2006 )为依据。本文关于中国森林碳储量①的计算考虑了森林活生物量碳储量(包括地上和地下部分生物量)及死木碳储量,不包含枯枝落叶碳和土壤碳,也不考虑竹林和经济林碳储量,具体计算公式如下: (1 ) (1 )SCAVBCEF R RDW CF =´´ ´+ ´+ ´ (5) (5)式中, C 为森林碳储量, A 为森林面积,V 为出材蓄积量,SBCEF 为生物量换算和扩展系数,R 为“根冠比”,RDW 为死木干重与活生物量的“死活比”,CF为干物质含碳率。其中,A 与V 的乘积即为森林蓄积量,可以通过GFPM 求解得到。GFPM 中森林蓄积量的历史数据来自FAO 历年的《全球森林资源评估》,其中,森林蓄积量使用的是立木蓄积量的概念,而中国立木蓄积量主要包括乔木林和疏林地的蓄积量。 估计森林碳储量及其变化需要设定的参数包括:生物量换算和扩展系数(BCEFS)、根冠比(R)、死活比(RDW)、干物质含碳率(CF);若生物量换算和扩展系数不存在,则还需要生物量扩展系数(BEF )和基本木材密度(D)。本文所采用的参数以《2010 年全球森林资源评估中国报告》为依据(见表 2)。 表2 中国森林碳储量计算参数(2010 年) 参数 参数值 生物量扩展系数(BEF ) 1.3539 基本木材密度(D)(单位:吨/立方米) 0.4307 生物量换算和扩展系数(BCEFS) 0.5831 根冠比(R) 0.3789 死活比(RDW) 0.1727 含碳率(CF) 0.4700 资料来源:FAO (2011 )。 ①由于 GFPM 中森林面积和蓄积量使用全球统一的统计口径,不包含结构性因素,无法求解预测期中国竹林和经济林面积和相应的生物量。因此本文森林碳储量计算并不包含竹林和经济林碳储量在内。但这并不对研究结论构成影响,因为竹林和经济林仅占中国森林总面积的8.74%(FAO ,2011 ),不是中国森林的主体。例如Fang et al. (2001 )和徐冰等(2010 )对中国森林碳储量的估计都没有考虑竹林和经济林。 经济新常态下中国林业碳汇潜力分析 - 62 -对于碳储量变化的估算,《2006 年IPCC 国家温室气体清单指南》提供了两种完全不同但同样有效的估算方法:①基于库的方法(库—差别方法),用来估算两个时点碳库的差异;②基于过程的方法,用来估算添进和清出碳库的净平衡。由于数据的不可获得性,本文采用基于库的方法估计森林碳储量变化。 四、预测结果及分析 (一)森林面积和立木蓄积量的预测 中国政府在自主减排承诺中明确提出了应对气候变化的林业发展目标。其中,2009 年提出“争取到 2020 年森林面积比 2005 年增加 4000 万公顷,森林蓄积量比2005 年增加 13 亿立方米”;2015年提出“到 2030 年森林蓄积量比2005 年增加 45 亿立方米左右”①。按照 FAO (2011 ),2005 年,中国森林面积为19304.4万公顷,立木蓄积量为135.85 亿立方米,由此可推算出中国应对气候变化的林业发展目标为:2020 年,森林面积达到 23304.4万公顷,立木蓄积量达到148.85 亿立方米;2030年,立木蓄积量达到180.85 亿立方米以上。按照GFPM 的模拟结果,基准情景下,2020 年和 2030年,中国森林面积将分别达到2.5亿公顷和2.61 亿公顷,立木蓄积量分别达到185.42 亿立方米和200.14亿立方米。因此基准情景下上述林业发展目标能够如期达成,高速增长情景下上述目标同样能够如期达成(见表3 和图 1)。这证实了中国应对气候变化林业发展目标的可行性。但是,从另一侧面看,这些目标仍然是较为保守的估计,因为 2015 年第八次全国森林资源清查②数据表明:2020 年的立木蓄积量增长目标已完成,森林面积增加目标已完成近六成。由于林业生产周期较长,容易出现路径依赖,制定的长远发展目标如果与实际情况更为贴切,则可能激发中国林业碳汇发展的更大潜力。 预测期内,中国森林面积增速虽然相对于历史峰值有一定程度的放缓,但仍然是较高的增长;然而单位立木蓄积量的改善并不明显(详见表3)。根据 FAO (2011 ),2010 年,中国森林单位立木蓄积量为 71 立方米/公顷,不仅远低于131 立方米/公顷的世界平均水平,还低于84 立方米/公顷的东亚平均水平(FAO ,2011 )。基准情景下,2030 年,中国森林单位立木蓄积量为76.63 立方米/公顷,可见即使经过20 年生长,与 2010 年东亚平均水平仍然有较大差距。而理论上讲,中国林地生产潜力远大于这一水平。根据中国可持续发展林业战略研究项目组(2002 )制定的“中国林地生产潜力表”,2010 年、2030 年森林单位蓄积量分别可达到84.2 立方米/公顷和 94.8 立方米/公顷。因此,中国林地生产力并未得到充分发挥。 表3 中国森林资源存量预测 变量 情景 历史值 目标值 预测值 2005 年 2010年 2020 年 2030 年 2020年 2025年 2030年森林 面积 基准 1.93 2.07 2.33 — 2.36 2.50 2.61 高速增长 1.93 2.07 2.33 — 2.36 2.49 2.58 立木 蓄积量 基准 135.85 146.84 148.85 180.85 171.08 185.42 200.14高速增长 135.85 146.84 148.85 180.85 170.60 183.54 195.03 ①资料来源:《强化应对气候变化行动——中国国家自主贡献》,http://www.gov.cn/xinwen/2015-06/30/content_2887330.htm。 ②国家林业局:《第八次全国森林资源清查结果》,《林业资源管理》2014 年第 1 期。 经济新常态下中国林业碳汇潜力分析 - 63 -(续表 3) 单位立木蓄积量 基准 70.37 71.00 — — 72.52 74.73 76.63 高速增长 70.37 71.00 — — 72.38 73.85 75.47 注:①森林面积的单位:亿公顷。②立木蓄积量单位:亿立方米。③单位蓄积量等于立木蓄积量除以森林面积,单位:立方米/公顷。 数据来源:历史值来自 FAO (2011 );目标值来自《强化应对气候变化行动——中国国家自主贡献》,http://www.gov. cn/xinwen/2015-06/30/content_2887330.htm。 10015020025030035022.12.22.32.42.52.62.72015 2020 2025 2030基准 高速增长 基准 高速增长面积(亿公顷) 蓄积量(亿立方米) 年份 图1 中国森林面积和立木蓄积量预测 注:折线图表示森林面积,柱状图表示立木蓄积量。 根据第八次全国森林资源清查结果,影响中国林地生产力的主要因素包括:蓄积水平低(尤其是人工林),树龄结构不合理,乔木林疏密不均匀,林木蓄积年均枯损量大。结合林业建设的实际情况看,中国长期以来存在重造林、轻抚育以及重数量、轻质量的发展误区,过于强调森林面积这一单一的林业发展指标。这些因素都影响了森林质量的改善。实际上,中国森林具有中幼龄林面积比例高的特点,中幼龄林往往有较快的生长速率,如果能有效改善森林经营提高森林蓄积水平,中国森林将会有巨大的固碳潜力。 高速增长情景下中国森林面积、立木蓄积量、单位立木蓄积量均低于基准情景下的情形。这说明,较高的经济增长率会导致木材的高需求和森林资源的高消耗,加剧森林碳汇需求和木材需求之间的矛盾;而经济增长率的适度降低会相对减少森林资源的消耗,强化森林生态服务的供给。 (二)森林碳储量和碳汇量的预测 2030 年基准情景和高速增长情景下中国森林碳储量将分别达到 88.69亿吨和86.43亿吨,相比于FAO(2011 )评估的65.19亿吨①(FAO ,2011 ),约分别增加36.05% 和32.58% 。两种情景下2015 ~2030 年平均年碳汇量分别为1.25 亿吨/年和 1.1亿吨/年。并且这一碳储量还不包括竹林、经济林、枯枝落叶和 ①根据《2010 年全球森林资源评估中国报告》(FA O ,2011 ),中国森林碳储量为71.63亿吨(不包含枯枝落叶和土壤固碳),若扣除竹林和经济林部分,森林碳储量约为 65.19 亿吨;而根据第八次全国森林资源清查数据,中国森林总碳储量为 84.27亿吨。两者的差距可能在于统计口径的区别。第八次全国森林资源清查数据并没有对森林总碳储量的构成进行明确说明。本文中国森林碳储量相关的概念界定、历史数据、估计方法均与《2010 年全球森林资源评估》一致,因此以FAO 数据为参照。 经济新常态下中国林业碳汇潜力分析 - 64 -土壤固碳。因此,中国林业碳汇有较大的发展前景(详见表 4、表 5 和图 2)。与基准情景相比,高速增长情景下森林碳汇量较低,并且年新增碳汇量从2022 年开始呈现逐年下降态势。这说明,过高的经济增长会导致森林资源的高消耗,使森林生态系统碳汇能力下降。从这个角度看,经济增长保持在合理区间有利于降低其产生的环境负外部性。 表4 中国森林碳储量的历史值和预测值 单位:亿吨碳 情景 历史值 预测值 1990 年 2000年 2005年 2010年 2015年 2020年 2025年 2030年 基准 46.03 54.61 60.18 65.19 69.95 75.82 82.17 88.69 高速增长 — — — — 69.94 75.6 81.34 86.43 数据来源:历史值来自FAO (2011 )(包含活生物量和死木的碳储量,不包含竹林和经济林碳储量)。 表 5 中国森林平均年碳汇量的历史值和预测值 单位:亿吨碳/年 情景 历史值 预测值 1990 ~ 2000 年 2000 ~2005年 2005 ~2010年 2015 ~ 2020 年 2020 ~ 2025 年 2025 ~ 2030 年 基准 0.86 1.11 1.00 1.17 1.27 1.3 高速增长 — — — 1.13 1.15 1.02 数据来源:历史值来自FAO (2011 )(包含活生物量和死木的碳汇量,不包含竹林和经济林碳汇量)。 0.811.21.41.61.8260657075808590952015 2020 2025 2030基准 高速增长 基准 高速增长碳储量(亿吨) 碳汇量(亿吨/ 年)年份 图2 中国森林碳储量和年碳汇量预测 注:折线图表示森林碳储量,柱状图表示森林年碳汇量。 如果中国森林质量得到有效改善,能够在多大程度上增加森林碳汇供给?按照“中国林地生产潜力表”(中国可持续发展林业战略研究项目组,2002 ),2030 年中国林地生产潜力为94.8 立方米/公顷,如果按照这一蓄积水平计算,在森林面积不变的情况下,2030 年基准情景下中国森林碳储量将净增 21.03吨,总量达到 109.72 吨。因此,通过改善森林蓄积水平来提高中国森林碳储量,是最为根本和最为重要的。 (三)森林碳汇对碳减排的贡献 根据中国2030 年碳减排自主行动目标,到2030 年,单位 GDP 碳排放比2005 年下降 60% ~65%①。 ①数据来源:《强化应对气候变化行动——中国国家自主贡献》, http://www.gov.cn/xinwen/2015-06/30/content_2887330.htm 。 经济新常态下中国林业碳汇潜力分析 - 65 -结合国际能源署(IEA )2013 年公布的能源碳排放数据①和ERS (2014 )对中国 2030 年GDP 的预测值(按 2005 年价格计算),可以推算②出该减排目标下 2030 年中国能源消耗碳排放量的上限为30.52~34.83亿吨碳。如果按照美国能源情报署(EIA )对中国碳排放的预测③,2030 年中国能源消耗碳排放约为 32.58吨碳,能够如期完成碳减排目标,并且可估计出 2006 ~2030 年中国能源消耗累计碳排放量约 585.8亿吨碳。基准情景下同期累计森林碳汇量为28.52亿吨,对碳减排的贡献率约为4.87%;而高速增长情景下的森林碳汇对碳减排贡献率为4.48%。可见,2015 ~2030 年中国森林碳汇对碳减排的贡献率相比于20 世纪 90 年代的 14.6%~16.8%(Zhang and Xu,2003 ;方精云等,2007 )和2004 ~2008 年的 7.8%(郭兆迪等,2013 ),均有较大幅度的降低。其主要原因是,近年来中国碳排放量显著增加。因此,相对而言,工业减排仍然是中国最主要的碳减排方式,但并不能就此忽略森林生态系统在减缓气候变化中的作用。这不仅仅是因为森林碳汇具有成本有效性,还因为森林生态系统为人类生存发展提供多种生态服务,森林碳汇在为经济发展增加碳排放空间的同时,还存在多种生态效益。这些生态效益能够降低人类社会在气候变化过程中的脆弱性并提高应对气候变化的适应性,在维护生态安全中起着不可或缺的作用。更为重要的是,在粗放的经济增长方式下,森林也能够成为碳排放源,加剧生态环境恶化,导致经济增长的不可持续。 五、结论 第一,经济新常态下,中国森林碳储量将会持续稳定扩大。2030 年,中国森林碳储量将达到88.69亿吨碳,2015 ~2030 年平均年碳汇量为1.25 亿吨碳/年。本文研究结果反映出,相对于GDP8%的高速增长,中高速经济增长更有利于森林资源的可持续利用和森林碳汇供给的增加,从而能够促进社会系统和生态系统的和谐互动、良性循环,符合中国当前绿色、低碳发展的需求;而过高的经济增长会加剧森林生态服务需求和林产品需求之间的矛盾,导致森林资源过度消耗,削弱森林生态服务功能,降低森林生态系统对经济增长和社会发展的承载能力。 第二,中国森林面积和立木蓄积量仍将持续稳定增长。2020 年和 2030 年中国应对气候变化的林业发展目标都能如期达到。但是,这两个发展目标仍然相对保守。对于中国2030 年碳减排目标,基准情景和高速增长情景下森林碳汇对碳减排的贡献率分别为 4.87%和4.48%。由于近年来中国碳排放总量在持续增长,森林碳汇对碳减排的贡献率在缩小。但是,不能就此忽略林业碳汇发展的重要性。这不仅仅是因为森林生态系统为人类生存和社会发展提供了多样化的生态服务,在维护生态安全中起着不可或缺的作用;还因为不当的森林资源利用会导致森林生态服务的损失,甚至使森林成为碳排放源,导致环境恶化和不良的经济社会后果。 第三,中国林业碳汇具有较大潜力,关键在于森林蓄积水平的提高。中国森林单位蓄积量不高的现实情况,在未来一定时期内仍然很难得到较大程度的改善。在土地资源约束下,增加森林碳汇供给,强化森林生态系统对经济增长的承载能力,需要从根本上改善森林质量。而实际上,根据中 ①IEA (International Energy Agency): CO2 Emissions from Fuel Combus tion, http://www.iea.org/publ ications/freepublications/ publication/co2emissionsfromfuelcombustionhighlights2013.pdf. ②根据国际能源署(IEA )2013 年公布的能源碳排放数据,2005 年,中国单位GDP 碳排放为 2.23 公斤二氧化碳/美元(按 2005 年价格计算),由此推算出碳减排自主行动目标下2030 年单位 GDP 碳排放为 0.78 ~0.89 公斤二氧化碳/美元。按照美国农业部经济研究局(ERS )2014 年的经济增长预测,2030 年中国 GDP 的预测值为 143.49 千亿美元(按2005 价格计算)。据此可以计算出自主减排目标下2030 年中国能源消耗碳排放量的上限值为30.52~34.83 亿吨碳(1克碳=44/12 克二氧化碳当量)。 ③EIA (U.S. Energy Information Administration): International Energy Outlook, h ttp://www.eia.gov/environment/emissions/ghg_ report/pdf/tbl4.pdf/2012. 经济新常态下中国林业碳汇潜力分析 - 66 -国森林以中幼龄林为主、以人工林为主的结构性特点,通过有效的森林经营改善蓄积水平来扩大森林碳汇供给,不仅是可能的,也是可行的。应该探究影响林业生产效率的深层次原因,例如深入探讨投入机制、激励机制、管理体制等因素如何影响中国林业生产力和生产效率,从而影响林业碳汇潜力。在林业碳汇发展模式上应该由重造林、轻抚育,重数量、轻质量的粗放式增长转变为重抚育、重质量的集约式发展。 参考文献 1. 方精云、陈安平、赵淑清、慈龙骏:《中国森林生物量的估算:对Fang 等Science 一文(Science, 2001, 291: 2320-2322 )的若干说明》,《植物生态学报》2002 年第 2 期。 2. 方精云、郭兆迪、朴世龙、陈安平:《1981 ~2000 年中国陆地植被碳汇的估算》,《中国科学·地球科学(中文版)》2007 年第 6 期。 3. 郭兆迪、胡会峰、李品、李怒云、方精云:《1977 ~2008 年中国森林生物量碳汇的时空变化》,《中国科学·生命科学(中文版)》2013 年第 5 期。 4. 国家林业局:《第八次全国森林资源清查结果》,《林业资源管理》2014 年第 1 期。 5. 林毅夫:《中国经济增长的合理目标》,http://www.ftchinese.com/story/001058605?page=1,2014 年。 6. 徐冰、郭兆迪、朴世龙、方精云:《2000 ~2050 年中国森林生物量碳库:基于生物量密度与林龄关系的预测》,《中国科学·生命科学(中文版)》2010 年第 7 期。 7. 政府间气候变化专门委员会(IPCC):《2006 年IPCC 国家温室气体清单指南》,载Eggleston, H. S.; Buendia, L.; Miwa, K.; Ngara, T. and Tanabe, K. (编):《国家温室气体清单计划编写》,日本全球环境战略研究所,2006 年。 8. 中国可持续发展林业战略研究项目组:《中国可持续发展林业战略研究总论》,中国林业出版社,2002 年。 9.Berkes, F.; Folke, C. and Colding, J.: Linking Social and Ecological Systems: Management Practices and Social Mechanisms for Building Resilience , Cambridge University Press, 2000. 10.Buongiorno, J.; Zhu, S.; Zhang, D.; Turner, J. and Tomberlin, D.: The Global Forest Products Model: Structure, Estimation, and Applications, San Diego: Acad emic Press, 2003. 11.Buongiorno, J. and Zhu, S.: Calibrating and Updating the Global Forest Products Model. Staff Paper Series #81, Department of Forest Ecology and Management, University of Wisconsin, Madison, WI, http://labs.russell.wisc.edu/buongiorno/ welcome/gfpm/, 2015. 12.Canadell, J. G.; Le Quéré, C.; Raupach, M. R.; Field, C. B. ; Buitenhuis, E. T.; Ciais, P.; Conway, T. J.; Gillett, N. P.; Houghton, R. A. and Marland, G.: Contri butions to Accelerating Atmospheric CO2 Growth from Economic Activity, Carbon Intensity, and Efficiency of Natural Sinks, Proceedings of the National Academy of Sciences , 104(47): 18866-18870, 2007. 13.Levin, S. A.: Fragile Dominion: Complexity and the Commons , New York: Springer Verlag, 1999. 14.ERS (Economic Research Service of USDA): Projected Real GDP Values, http://www.ers.u sda.gov/datafiles/International_ Macroeconomic_Data/Baseline_Data_Files/ProjectedRealGDPValues.xls/, 2014. 15.Fang, J.; Chen, A.; Peng, C.; Zhao, S. and Ci, L.: Changes in Forest Biomass Carbon Storage in China between 1949 and 1998, Science , 292(5525): 2320-2322, 2001. 16.FAO: Global Forest Resources Assessment and Country Report for China 2010 , Rome: FAO, 2011. 17.Golub, A.; Hertel, T.; Lee, H. L.; Rose, S. and Sohngen, B.: The Opportunity Cost of Land Use and the Global Potential for Greenhouse Gas Mitigation in Agriculture and Forestry, Resource and Energy Economics, 31(4): 299-319, 2009. 18.Köthke, M.; Leischner, B. and Elsasser, P.: Uniform Global Deforestation Patterns——An Empirical Analysis, Forest 经济新常态下中国林业碳汇潜力分析 - 67 -Policy and Economics, 28(28): 23-37, 2013. 19.Liu, J.; Dietz, T.; Carpenter, S. R.; Alberti, M.; Folke, C.; Moran, E.; Pell, A. N.; Deadman, P.; Kratz, T.; Lubchenco, J.; Ostrom, E.; Ouyang, Z.; Provencher, W.; Re dman, C. L.; Schneider, S. H. and Taylor, W. W.: Complexity of Coupled Human and Natural Systems, Science , 317(5844): 1513-1516, 2007. 20.Nepal, P.; Ince, P. J.; Skog, K. E. and Chang, S. J.: Projection of US Forest Sector Carbon Sequestration under US and Global Timber Market and Wood Energy Consumption Scenarios, 2010-2060, Biomass and Bioenergy , 45(45): 251-264, 2012. 21.Nilsson, S. and Schopfhauser, W.: The Carbon-sequest ration Potential of a Glob al Afforestation Program, Climatic Change, 30(3): 267-293, 1995. 22.Pan, Y.; Luo, T.; Birdsey, R.; Hom, J. and Melillo, J.: New Estimates of Carbon Storage and Sequestration in China’s Forests : Effects of Age-class and Method on Inventory-based Carbon Estimation, Climatic Change, 67(2-3): 211-236, 2004. 23.Ostrom, E.: A General Framework for Analyzing Sustainability of Social-ecological Systems, Science , 325(5939): 419-422, 2009. 24.Richards, K. R. and Stokes, C.: A Review of Forest Carbon Sequestration Cost Studies : A Dozen Years of Research, Climatic Change, 63(1-2): 1-48, 2004. 25.Rokityanskiy, D.; Benítez, P. C.; Kraxner, F.; Mccallum, I.; Obersteiner, M.; Rametsteiner, E. and Yamagatac, Y.: Geographically Explicit Global Modeling of Land-use Change, Carbon Sequestration, and Biomass Supply, Technological Forecasting and Social Change , 74(7): 1057-1082, 2007. 26.Samuelson, P. A.: Spatial Price Equilibrium and Linear Programming, American Ec onomic Review , 42(2): 283-303, 1954. 27.Sedjo, R. A. and Solomon, A. M.: Climate and Forests, in Rosenberg, N. J.; Easterling III, W. E.; Crosson, P. R. and Darmstadter, J.(eds.): Greenhouse Warming: Abatement and Adaptation, Washington, D.C: Resources for the Future, 1989. 28.Shafik, N. and Bandyopadhyay, S.: Economic Growth and Environmental Quality: Time-series and Cross-country Evidence , Washington DC: World Bank Publications, 1992. 29.Sohngen, B. and Sedjo, R.: Car bon Sequestration in Global Forests under Different Carbon Price Regimes, The Energy Journal , 27(4): 109-126, 2006. 30.Sohngen, B. and Mendelsohn, R.: A Sensitivity Analysis of Forest Carbon Sequestration, in Schlesinger, M. E.; Kheshg, H. S.; Smith, J.; de la Chesnaye, F. C.; Reilly, J. M.; Wilson, T. a nd Kolstad, C.(eds.): Human-induced Climate Change: An Interdisciplinary Assessment, Cambridge: Cambridge University Press, 2007. 31.Sohngen, B. and Mendelsohn, R.: An Optimal Control Model of Forest Carbon Sequestration, American Journal of Agricultural Economics, 85(2): 448-457, 2003. 32.Stern, D. I.; Common, M. S. and Barbier, E. B.: Economic Growth and Environmental Degradation: The Environmental Kuznets Curve and Sustainable Development, World Development, 24(7): 1151-1160, 1996. 33.Turner, B. L.; Kasperson, R. E.; Matsone, P. A.; McCarthy, J. J.; Corell, R. W.; Christensene, L.; Eckleyg, N.; Kasperson, J. X.; Luerse, A.; Martellog, M. L.; Polsky, C.; Pulsipher, A. and Schillerb A.: A Framework for Vulnerability Analysis in Sustainability Science, Proceedings of the National Academy of Sciences, 100(14): 8074-8079, 2003. 34.Zhang, X. Q. and Xu, D.: Potential Carbon Sequestration in China’s Forests, Environmental Science & Policy , 6(5): 421-432, 2003. (作者单位:浙江大学中国农村发展研究院) (责任编辑:何 欢) |
[返回] |