发展中国家森林减排政策的选择

盛济川，曹 杰，周 慧

(1．南京信息工程大学气象灾害预报预警与评估协同创新中心，经济管理学院，江苏 南京 210044;2．南京信息工程大学中国制造业发展研究院，江苏 南京 210044)

1 引言

森林对CO2的吸收是碳捕捉和碳储存的一种重要途径，热带森林面积占全球陆地面积的15%，吸收了陆地生物圈约25%的碳，截至2010年底全球森林共储存了289亿吨碳。然而因砍伐和森林退化造成的温室气体排放已成为全球变暖的第二大主因，其总量已占到由人为因素导致碳排放总量的12%～20%，1990—2010年间因森林减少导致年均0．5亿吨碳被释放到大气中，而气候变暖最终导致气象灾害事件的频发［1-5］。因此联合国气候变化框架公约在2007年引入了“减少砍伐和退化所致排放量”(REDD)机制。而REDD+是REDD的发展，通过采取各种政策方法和积极的激励措施，以帮助发展中国家减少砍伐和森林退化，同时还包括森林保护、森林的可持续经营以及增加森林碳信用。

在REDD+实施过程中，对于碳排放量的准确监测与度量显得尤为重要，这直接关系到一国从REDD+项目所获得的实际收益。因此，一个可靠的碳排放监测、报告和核证体系 (MRV)是在后京都议定书时代确保REDD+得到有效实施的关键所在。目前对于REDD+融资的激励机制以及REDD+的监测、报告和核证方法都进行了大量的研究，而对于REDD+监测的成本和不确定性的研究却较少。监测成本的衡量在成本-效益分析中会受到多种因素的影响，例如数据来源、现场评估方法、模型的设定、抽样密度、分层规则、更新时间间隔以及误差量化方法的影响。REDD+监测成本分析事实上是一个最优化问题，在这一过程中存在两个目标函数:给定成本下的最小误差以及给定误差下的最小成本。而监测成本是由固定成本和可变成本所组成，固定成本在REDD+的监测过程中是不变的，如调查的设备、计算机软件等，而可变成本随着森林监测面积的变化而变化。因而，监测成本的最优化主要针对的是可变成本。Plugge［6］对加纳、喀麦隆、印尼、哥伦比亚和苏里南五个毁林国家的REDD监测成本和不确定性进行了研究，发现REDD的收益主要取决于误差的幅度，而受评估成本和碳价的影响相对较小。Andrew［7］建立了一个基于Agent模型分析有效监测对刚果盆地森林砍伐的影响，发现有效监测固然可以减少非法伐木，但是会增加林区路网密度而使森林碎片化。

在REDD+监测中量化碳储量变化存在较大的不确定性，误差的存在会对最终REDD+融资激励机制产生深远影响。IPCC［8］提出在评估土壤碳量变化时采用可靠最小估计 (RME)，而RME与置信区间下限存在显著的差异:置信区间只考虑到了抽样误差，RME针对的是整体不确定性，包括了抽样误差和其他误差，如预测误差、测量误差、分类误差等［9］。而在 REDD+监测成本计量中，RME是基期误差区间下限和报告期误差区间上限之差，可用于测量REDD+的碳量变化。由于置信区间只考虑抽样误差，因而RME方法得到的碳减排幅度要小于置信区间。已有研究中，REDD+监测成本和不确定性差异较大，因而需要进一步研究说明。

2 研究方法

2.1 REDD+监测成本与不确定性的测量

一国实施REDD+所获得的潜在收益取决于两个因素:因减少毁林而带来森林碳储量的变化量(ΔC)和碳信用价格 (P)。其中ΔC是相比于基线情景，因实施REDD+而导致的一国森林碳储量的变化量。这里假定即使没有REDD+，温室气体的历史排放水平仍将会持续 (即基线情景)，因而只要排放低于基线水平，该国就应获得碳排放配额并获取相应的收益。同时在计算REDD+情景下的森林碳储量时，采用可靠最小估计 (RME)法，因而应将不确定性考虑在内。由此可以获得森林碳储量的变化量:

式中，CR1为REDD+情景下报告期的森林碳储量，CB1为基线情景下报告期的森林碳储量，C0为基期的森林碳储量，ΔR为REDD+情景下森林碳储量的变化率，ΔB为基线情景下森林碳储量的变化率，e为监测误差。人类行为会对森林碳储量产生影响，森林砍伐会导致碳储量的减少，而造林却会增加碳储量。因此如果REDD+得以成功实施，REDD+情景下森林碳储量会大于等于基线情景，即ΔC≥0。而对于REDD+情景和基线情景下森林碳储量的变化率ΔR和ΔB存在下列关系:

式中，α为REDD+努力系数，衡量了REDD+对于森林碳储量变化率的影响。对于造林国家(ΔB≥0)而言，如果REDD+成功实施则 α≥0，反之则α＜0;而对于毁林国家 (ΔB＜0)而言，如果REDD+成功实施则α＜0，并且当α≤-1时，该国由毁林国变为造林国，反之则α≥0。一方面，一国可以从实施REDD+而增加的森林碳储量中获益;另一方面，REDD+的实施又是有成本的，其中监测成本是一项重要的成本。当收益和成本相等时可以得到盈亏平衡点 (BEP):

式中，P为碳信用价格，M为REDD+的监测成本。而监测成本是由固定成本和可变成本共同组成的。其中固定成本如监测设备、卫星遥感图片、管理费用等是固定不变的，而可变成本会随着一国森林面积的变化而变化。

式中，MF为REDD+的固定监测成本，MV为REDD+的可变监测成本。MV取决于一国的森林面积n和单位面积森林的REDD+监测成本Ma。在假定不存在森林退化的条件下，单位面积森林的碳储量保持不变，即报告期单位面积森林碳储量等于基期单位面积森林碳储量。因此，当已知一国报告期实际森林碳储量C1时可得到森林面积:

式中，C1为在不存在监测误差时一国真实的报告期森林碳储量，即:

在给定REDD+监测误差条件下，由上述等式可以求出盈亏平衡点的REDD+努力系数α:

而当α不变时，可以得到盈亏平衡点的监测误差e:

2.2 数据来源

本文仿真研究选取巴西、中国、印度、印尼和墨西哥2005—2010年的森林变化数据作为基线数据，以此来预测在基线情景下到承诺期结束时一国的森林碳储量。所采用的目标函数是相比于基线情景，达到盈亏平衡点时减少的毁林量或增加的造林量，此时一国从REDD+中所获得的收益等于建立监测系统的成本。2005—2010年间的森林碳储量、单位森林碳储量数据来源于联合国粮农组织的《全球资源评估报告2010》。由2005和2010年的森林碳储量数据C0和C1可以得到基线情景下森林碳储量的变化率ΔB(时间间隔为5年)。由此可看出中国和印度的森林碳储量在持续增加，已成为造林国;而巴西、墨西哥和印尼森林碳储量仍在减少，为毁林国，尤其是印尼(-8．97%)，具体见表1。

表1 数据来源表

3 仿真结果与讨论

3.1 监测成本与误差对REDD+努力系数的影响

为了仿真监测成本和不确定性对于REDD+收益的影响，需要确定误差e和REDD+单位面积森林可变监测成本Ma的变化幅度。对于误差e，其变化幅度分别取1%、2%、5%和10%;对于单位面积森林监测成本Ma，其变化幅度分别取5美元/公顷、1美元/公顷、0．1美元/公顷和 0．01美元/公顷。REDD+固定监测成本MF设为10万美元，主要用于购买相关检测设备、软件以及获取遥感图像。碳信用价格P设为10美元。

根据式 (7)，使用表1中的数据预测在误差e和REDD+单位面积森林可变监测成本Ma取不同值时，盈亏平衡点的REDD+努力系数α。见表2。

表2 REDD+努力系数仿真结果

对于毁林国而言，当α≤-100%时，表明该国无法立即因减少毁林从REDD+中获益，除非该国相比基线情景停止毁林并额外增加森林面积以弥补监测成本的不足。而对于造林国而言，当α≥100%时，表明该国也无法立即因REDD+从增加造林中获益，除非该国相比基线情景额外增加2倍的森林面积才能弥补监测成本的不足。具体而言，具有较高造林率的印度和中国在前两种仿真误差情景下都可以立即从REDD+中获益。而在误差为5%的情景下，当REDD+单位面积森林可变监测成本较小 (Ma≤1)时，这两国可以较为容易地获益，而当可变监测成本上升 (Ma=5)时，这两个国家必须付出相比基线情景2倍的努力进行造林才可以弥补监测成本的上升，达到盈亏平衡点。而在误差为10%的情景下，即使可变监测成本 (Ma=0．01)再小，中国和印度都需付出2～3倍的努力增加森林面积。而对于具有较高毁林率的印尼，该国在前三种仿真误差情景下都可以较为容易地因减少毁林率而从REDD+中获益。而当误差增加时，印尼不仅需要停止毁林，还要新增造林面积才可能达到盈亏平衡点并从REDD+中受益。对于毁林率较低的国家，如巴西和墨西哥，这两国只有在第一种误差情景下才能通过降低毁林率从REDD+中受益。而当误差不断增加时，这两国不仅需要禁止森林砍伐，而且还需要额外造林才有可能达到盈亏平衡点而获益。在这些情景下，低毁林率的国家需要付出1～8倍的努力。

综上，仿真结果表明:①在基线情景下，过去的毁林率或造林率会对未来从REDD+中获得的收益产生重要影响;②监测误差对于REDD+努力系数的影响要远大于可变监测成本的影响;③监测误差越大，一国需要付出的努力就越大，这样才有可能达到盈亏平衡甚至获益，反之所需付出的努力就越小;④可变监测成本越高，则REDD+总监测成本越高，一国需付出更多的努力才能实现盈亏平衡，反之则所需付出的努力越小。

3.2 碳信用价格对监测误差的影响

为了研究碳信用价格P对于REDD+监测误差的影响，将P变化幅度确定为0．01美元/吨、0．10 美元/吨、1．00 美元/吨和 10．00 美元/吨。REDD+固定监测成本MF设定为10万美元，单位面积森林可变监测成本Ma为0．1美元/公顷。将REDD+努力系数的绝对值 |α|设定为0．5，即对于毁林国家 α=-0．5，造林国家 α=0．5。其含义为:对于毁林国家而言，其基线情景的森林碳储量变化率ΔB＜0，相比于基线情景，REDD+情景使得毁林率减少了50%;对于造林国家而言，其基线情景的森林碳储量变化率ΔB＞0，相比于基线情景，REDD+情景使得造林率增加了50%。根据式 (8)，仍使用表1中的数据预测在碳信用价格P取不同值时，盈亏平衡点的误差e，具体结果见3。

表3 REDD+监测误差仿真结果

仿真结果表明，随着碳信用价格P的增加，REDD+监测误差有不断增大的趋势，由负值转变为正值，这表明随着碳信用价格的不断升高，监测误差由对森林碳储量的高估转变为了低估，但误差增加的幅度在不断减小并逼近，如图1所示。这主要是由于碳信用价格的增加，即使误差变大使得森林碳储量被低估，其产生的收益也足以弥补有误差而导致的监测成本的上升。但随着碳信用价格的增加，监测误差在不断地逼近一常数值。这表明:随着碳信用价格的增加，其对于REDD+收益的贡献是边际递减的。因此，对REDD+收益影响最大的因素是监测误差，其次才是碳信用价格和可变监测成本。

图1 碳信用价格对监测误差的影响

4 结论与启示

研究发现，高毁林率或高造林率的国家从REDD+中获益更多，而低毁林率或低造林率的国家所获收益较少。因此，对于低毁林率或低造林率的国家而言，REDD+很难对该国实施REDD+产生激励。而对于像中国这样的具有较高造林率的国家，REDD+却是一个不错的选择。同时，对REDD+收益影响最大的因素是监测误差，其影响要高于碳信用价格和可变监测成本。因而对于拟实施REDD+的国家而言，需要更多地关注如何降低监测误差，从而获得尽可能真实的森林碳储量数据，尤其是对于低毁林率或低造林率的国家更是如此。

低毁林率或低造林率的国家实施REDD+的动机往往小于高毁林率或高造林率的国家，因为前者获益的难度或付出的努力要远大于后者，前者相比于基线情景只有在较低监测误差的情况下才能从REDD+中获益。为了更有效地实施REDD+，将低毁林率或低造林率的国家也纳入到REDD+体系中，可能的途径选择有:①基于全球统一的基线数据建立基线情景，从而消除低毁林率或低造林率的国家和高毁林率或高造林率的国家实施REDD+的动机差异［10］;②采用成功努力补偿法 (CSE)而不是减排补偿法 (CR)，即根据发展中国家采取减少砍伐的政策和措施的努力程度进行补偿，是一种基于投入的方法［11］;③通过评估森林保护的行为或森林可持续管理的成果来分配收益，而不再根据森林碳储量的改变量来分配［12］。同时需要加强环境影响方面的审查，继续实行严格的环境规制计划［13-14］，使得REDD+受益国保持现有的森林覆盖率。这些途径都需要进行更多的研究，从而最终建立一个公平的、具有可比性的森林碳计量体系，确保今后REDD+在全球范围内得以成功实施。

［1］张慧明，周德群，曹杰等．温室气体减排技术研究进展［J］．中国科技论坛，2011，(9):104-109．

［2］Bonan G．B．．Forests and Climate Change:Forcings，Feedbacks，and the Climate Benefits of Forests［J］．Science，2008，320(5882):1444．

［3］Food and Agriculture Organization of the United Nations．Key Findings of Global Forest Resources Assessment 2010［R］．Forest Resources Assessment，Rome，2010．

［4］Sala O．E，et al．Global Biodiversity Scenarios for the Year 2100［J］．Science，2000，287:1770-1774．

［5］吴先华，聂国欣，郭际等．基于技术系数矩阵的灾害影响评估及政策启示［J］．科学学研究，2012，30(11):1676-1683．

［6］Plugge D．，T．Baldauf，M．Köhl．The Global Climate Change Mitigation Strategy REDD:Monitoring Costs and Uncertainties Jeopardize Economic Benefits［J］．Climatic Change，2013，119(2):247-259．

［7］Bell A．R．，R．L．Riolo，J．M．Doremus．Fragmenting Forests:The Double Edge of Effective Forest Monitoring［J］．Environmental Science ＆ Policy，2012，16:20-30．

［8］IPCC．Good Practice Guidance for Land Use，Land-use Change and Forestry［R］．IPCC National Greenhouse Gas Inventories Programme．Hayama，2003．

［9］Köhl M．，T．Baldauf，D．Plugge，J．Krug．Reduced Emissions from Deforestation and Forest Degradation(REDD):A Climate Change Mitigation Strategy on a Critical Track［J］．Carbon Balance Management，2009，4:10．

［10］Mollicone D．，F Achard，S．Federici，et al．An Incentive Mechanism for Reducing Emissions from Conversion of Intact and Non-intact Forests［J］．Climatic Chang，2007，83(4):477-493．

［11］盛济川，吴优．发展中五国森林减排政策的比较研究——基于结构变量“REDD+”政策评估方法［J］．中国软科学，2012，(9):92-99．

［12］Meridian Institute．Modalities for REDD+Reference Levels:Technical and Procedural Issues［R］．Prepared for the Government of Norway，Norway，2011．

［13］周慧，邢剑炜．中国与欧盟居民消费的隐含碳排放比较研究［J］．统计与决策，2012，(17):80-83．

［14］张三峰，卜茂亮．环境规制、环保投入与中国企业生产率——基于中国企业问卷数据的实证研究［J］．南开经济研究，2011，(2):129-146．