EN中文

自然资源学报 >

2022 , Vol. 37 >Issue 12: 3217 - 3233

DOI: https://doi.org/10.31497/zrzyxb.20221213

其他研究论文

中国森林碳汇潜力与增汇成本评估——基于Meta分析方法

  • 许骞骞 , 1 ,
  • 曹先磊 2 ,
  • 孙婷 1 ,
  • 朱颖 1 ,
  • 吴伟光 , 1, 3, 4
展开
  • 1．浙江农林大学经济管理学院，杭州 311300
  • 2．山西财经大学国际贸易学院，太原 030006
  • 3．浙江农林大学浙江省乡村振兴研究院，杭州 311300
  • 4．浙江农林大学生态文明与碳中和研究院，杭州 311300
吴伟光（1972- ），男，浙江缙云人，博士，教授，博士生导师，研究方向为资源与环境经济学。E-mail:

许骞骞（1991- ），女，河南周口人，博士研究生，研究方向为林业经济理论与政策。E-mail:

收稿日期: 2021-12-12

  修回日期: 2022-03-23

  网络出版日期: 2022-12-28

基金资助

国家自然科学基金项目(71873126)

浙江省自然科学基金项目(LZ19G030001)

教育部人文社会科学研究青年基金项目(21YJC790003)

山西省科技战略研究专项项目(202104031402076)

收起

Assessment of forest carbon sequestration potential and the cost of increasing carbon sequestration in China: Based on meta-analysis method

  • XU Qian-qian , 1 ,
  • CAO Xian-lei 2 ,
  • SUN Ting 1 ,
  • ZHU Ying 1 ,
  • WU Wei-guang , 1, 3, 4
Expand
  • 1. College of Economics and Management, Zhejiang Agriculture & Forestry University, Hangzhou 311300, China
  • 2. Faculty of International Trade, Shanxi University of Finance and Economics, Taiyuan 030006, China
  • 3. Research Academy for Rural Revitalization of Zhejiang Province, Zhejiang Agriculture & Forestry University, Hangzhou 311300, China
  • 4. Institute of Ecological Civilization & Institute of Carbon Neutrality, Zhejiang Agriculture & Forestry University, Hangzhou 311300, China

Received date: 2021-12-12

  Revised date: 2022-03-23

  Online published: 2022-12-28

Fold

摘要

准确评估中国森林碳汇潜力与增汇成本的经济可行性，是科学制定碳中和林业行动方案的基础。然而针对中国森林碳汇潜力与增汇成本的不同结果差异明显，可靠性需要进一步验证。为此，基于相关文献，采用Meta分析方法，对中国森林碳汇潜力与增汇成本及其导致差异的原因展开评估。研究表明：（1）中国森林碳汇量呈现不断增长的态势，但不同研究对森林碳汇潜力测度结果存在较大差异。（2）中国森林增汇的平均成本为220.45元/t CO2e（区间值为3.9~1457.02元/t CO2e），与工业减排成本相比，中国森林增汇更具有经济可行性，但波动幅度较大。（3）评估方法采用、碳库数量选择等因素是导致已有森林碳汇潜力文献估计结果差异的关键因素；森林增汇成本差异则主要受碳汇成本测度研究方法、成本收益数据来源等因素影响。（4）中国森林增汇对碳中和的贡献将会持续增加。基于研究结果，提出进一步深化森林碳汇潜力与成本测算相关研究等方面的政策建议。

关键词： 森林碳汇潜力; 森林增汇成本; Meta分析; 碳中和

本文引用格式

许骞骞 , 曹先磊 , 孙婷 , 朱颖 , 吴伟光 . 中国森林碳汇潜力与增汇成本评估——基于Meta分析方法[J]. 自然资源学报, 2022 , 37(12) : 3217 -3233 . DOI: 10.31497/zrzyxb.20221213

Abstract

Accurately assessing China's forest carbon sequestration potential and the cost of increasing carbon sequestration serves as the basis for carbon neutrality forestry action plans and forestry sequestration policies. In spite of the fact that there have been numerous studies conducted on the potential for forest carbon sequestration in China, as well as the costs associated with increasing carbon sequestration, the results are very different, and the reliability of the research results needs further verification. In this article, we review the research literature on China's forest carbon sequestration potential and the cost of increasing carbon sequestration. We use meta-analytical techniques to conduct a comprehensive and systematic assessment, as well as the reasons for these differences. The results indicated that: (1) China's forest carbon sequestration shows a trend of continuous growth. Nevertheless, the results of measuring forest carbon sequestration potential in different studies are quite diverse. (2) In China, the average cost for increasing forest carbon sequestration is 220.45 yuan/t CO2e (range value: 3.9-1457.02 yuan/t CO2e). Compared with the cost of industrial emission reduction, increasing forest carbon sequestration is more economically feasible, while the range of fluctuation is much larger. (3) It has been found that the factors responsible for the variation in estimation results of forest carbon sequestration potential in existing literature include assessment methods, carbon pool quantity, different sources of measurement micro parameters, forest resource structure, and spatial heterogeneity within forest carbon sequestration measurements. Forest carbon sequestration costs are primarily influenced by the research methods of carbon sequestration cost measurement, the source of cost-benefit data, the selection of cost-benefit indicators, and the characteristics of the evaluation object. (4) The contribution of China's forest to carbon neutrality is likely to continue to increase. Furthermore, based on the results, policies were proposed to further deepen the relevant research on the potential and cost calculation of forest carbon sequestration.

Key words： forest carbon sequestration potential; forest carbon sequestration cost; meta analysis; carbon neutrality

2020年9月22日，习近平总书记在第七十五届联合国大会一般性辩论上宣布，“中国将提高国家自主贡献力量，采取更加有力的政策和措施，二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和（简称‘双碳’目标）”。“双碳”目标已经成为中国经济社会发展的重大战略，如何科学制定行动方案，明确碳达峰碳中和时间表与路线图，在确保经济社会平稳发展的前提下，以最小的成本与代价，尽快实现“双碳”目标，是中国未来经济社会发展面临的一项长期而艰巨的战略任务。
森林碳汇被认为是应对气候变化、实现“双碳”目标不可或缺且具有成本优势的重要途径[1]；准确评估中国森林增汇潜力与增汇成本的经济可行性，是科学制定碳中和林业行动方案与森林增汇政策的基础。目前学界围绕中国森林碳汇潜力及其成本评估方面展开了大量研究。在中国森林碳汇潜力评估方面，国内外学者基于不同视角采用不同的研究方法对其潜力进行了评估。如，不少学者从生物学视角基于样地清查法[2]、遥感估算法[3]、微气象学法[4]等方法，对国家或者区域层面的森林碳储量展开了定量评估研究。同时，一些学者开始从经济学视角探究国家或区域层面森林碳汇潜力综合评估模型与测度方法[5]。研究表明，中国森林碳汇量呈现出不断增加的趋势。在森林增汇成本方面，不少学者分别采用造林工程成本法[6]、土地利用机会成本法[7]、局部均衡模型分析法[8]等对森林增汇成本进行了测算。此外，也有部分学者从区域差异视角，对森林增汇成本进行了比较分析[9]。上述研究对中国森林碳汇潜力与增汇经济成本的测度具有重大现实意义，也为本文提供了重要文献参考。尽管针对中国森林碳汇潜力与增汇成本已有大量研究成果[4,6,10]，但是，由于不同研究在方法选择与数据来源等方面的差异导致其研究结果差异巨大[7,11⇓-13]，其研究结论的可靠性仍需要借助较为科学的研究方法进一步验证。
事实上，Meta分析方法是将以往研究结果更为客观地综合反映出来，并从中找出规律或解决问题的办法，提升了综合性研究的可靠性[14]，是学界较为认可的文献计量分析方法。目前已有少数学者将Meta分析方法用于森林管理[15]、土地利用变化[16]、森林生态系统服务功能价值评估[17]、森林碳汇抵消/补偿成本[18]等方面，但鲜有学者从全国层面采用Meta分析对中国森林碳汇潜力和增汇成本两方面进行系统的探究。因此，选择该方法对中国森林碳汇潜力和碳汇成本进行再评估，不仅可以扩展该方法的应用范围，还可为全面认识中国森林增汇的潜力及其成本、以及为面向国家“双碳”目标科学制定碳中和林业行动方案与增汇政策提供扎实的学术支撑，具有重要的理论和现实价值。
为此，本文基于已有相关文献，采用Meta分析方法，对中国森林碳汇潜力与增汇成本及其导致差异的原因进行系统的分析，以期对中国森林碳汇潜力与增汇成本做出相对准确可靠的估计，并揭示出导致中国森林碳汇潜力与增汇成本差异的关键因素，为面向“双碳”目标，科学制定碳中和林业行动方案和森林增汇政策提供科学依据。

1 研究方法与数据来源

1.1 Meta回归模型及有效性检验

1.1.1 分析方法的基本原理

Meta分析方法是一种基于文献的定量分析工具，最早由Glass[19]提出并加以应用。该方法利用一定的标准，将具有相似主题的研究结果进行定量综合，以探究各研究结果差异性的原因，提高研究准确性，为后续相关研究提供参考[20]。此外，Meta分析方法要求自变量的选取，需要聚焦研究主题中研究内容、研究方法、文献来源的描述，并应反映现有研究在样本数据选择、模型设计、估计方法等方面的差异[21]。为准确评估中国森林碳汇潜力与增汇成本及其导致差异的原因，本文将采用Meta分析方法，分别以现有文献“森林碳汇潜力”和“森林增汇成本”两个关键指标的研究成果作为因变量；根据Meta分析方法的变量选取原则，结合所获得的研究数据和参考相关研究[22]，将现有文献使用的研究方法、数据和研究设计等特征作为自变量。最后，通过回归分析来研究变量之间的关系，可以更加客观、全面地反映以往相关研究的结果，并筛选出可能导致现有研究结果差异的因素。Meta回归分析的基本形式通常为：
Y i = α 0 + ∑ k = 1 K α k X i k + ∑ j = 1 J α j γ i j + ε i ,   i = 1 ,   2 ,   ⋯ ,   Q
式中：因变量 Y i为第 i篇文献中某个研究结果的统计指标；自变量 X i k为文献 i中研究方法、数据采用、研究设计等影响结果的特征变量； γ i j为控制变量；系数 α k、 α j为现有文献某一特征对于文献研究结果的边际影响； α 0、 ε i分别为常数项和随机扰动项； Q表示样本数（篇），由于部分文献有多个年份或不同区域的结果指标，因此 Q一般大于纳入回归的原始文献数量。

1.1.2 Meta模型的有效性检验

尽管基于Meta分析方法可以充分利用已有文献的优势[21]，但是原始文献中的初始数据可能存在对研究对象基本特征揭示不足、虚拟变量难以捕获变量的真实变异、以及不同研究之间难辨质量差异等问题。因此，在使用Meta回归分析时需要进行有效性检验，使得Meta回归分析时得到的预测值和样本观测值保持一致[23]。本文拟采用样本观测值与Meta模型预测值之间的误差（ E r）来检验Meta模型的有效性，误差值越小则代表Meta模型的预测作用越好。 E r的计算公式为：
E r = | ( y o b - y e s ) / y e s | × 100 %
式中： E r表示样本观测值与模型预测值之间的误差（%）； y 0 b为实证研究得到的样本观测值； y e s为Meta回归模型得到的预测值。目前，国内外相关研究表明，样本平均误差范围在20%~40%属合理区间[22,24,25]，否则研究结果是不可信的。

1.2 文献数据的收集和Meta数据库建立

（1）文献初次筛选。本文基础文献主要来源于中国知网（CNKI）、万方数据库（Wanfang Data）、谷歌学术（Google Scholar）、Web of Science、Science Direct共五个中英文数据库；以上述五个数据库中2000年以来公开发表，且以中国（不包括港澳台地区）森林碳汇潜力与增汇成本为主题的文献，作为文献检索范围。其中，对于森林碳汇潜力评估相关文献，以“森林碳储量”“森林固碳潜力”“森林碳汇”“林业碳汇”等为中英文关键词、主题词进行检索；对于森林增汇成本相关文献，以“森林固碳成本”“森林碳汇价值”“林业固碳成本”“林业碳汇成本”“林业碳汇价值”“造林再造林碳汇成本”等为中英文关键词、主题词进行检索。初次筛选获得森林碳汇潜力相关中英文献1529篇，其中，中文文献619篇，英文文献910篇；获得森林增汇成本中英文文献105篇，其中，中文文献79篇，英文文献26篇。
（2）文献二次筛选。为了完善一个相对完整的研究框架，同时聚焦于中国森林碳汇潜力与增汇成本两个核心研究对象，本文按照以下标准对相关文献进行二次筛选，获得森林碳汇潜力与增汇成本估计相关文献分别为88篇与23篇。具体筛选原则如下：（1）所选文献必须是以中国森林碳汇潜力或中国不同区域的增汇成本为主题；（2）所选文献有相应的研究方法及数据来源；（3）所选文献的评估对象为森林碳汇潜力或增汇成本，而非整个陆地生态系统的碳汇潜力与增汇成本评估。
（3）最终入选文献。由于Meta分析要求所收集的原始文献必须是定量研究，且合并归类在统计学上可行，故剔除理论研究、综述性研究等定性研究以及以示意图形式报告结果而无法提取精确数据的文献。对于同一作者的相同样本和相同结论的多份研究，仅选取发表在影响因子较高的期刊上的文献；最终，选取森林碳汇潜力评估相关文献44篇，共计175个观测样本；森林增汇成本评估相关文献17篇，共计149个观察样本。具体筛选信息见图1：
图1 Meta分析样本筛选流程

Fig. 1 Meta analysis sample screening process

入选中国森林碳汇潜力研究数据库，并按照统一的标准提取相关变量，包括森林碳汇潜力的研究方法、碳库选择情况、数据来源、空间特征、作者发文特征、时间特征等信息；入选森林碳汇成本评估研究数据库，并按照统一的标准提取相关变量，包括森林增汇成本的成本收益构成、研究方法、数据采用、评估对象特征、文献特征变量、时间特征等信息。

1.3 影响森林碳汇潜力评估结果的因素及Meta回归模型

1.3.1 影响森林碳汇潜力评估结果的因素分析

目前，围绕森林碳汇潜力已有大量研究文献。研究表明，森林碳汇潜力的估算方法、森林碳库选择、数据来源、空间特征等因素对森林碳汇潜力结果有重要影响[26,27]。本节主要就影响森林碳汇潜力评估的主要因素及Meta回归模型作简要介绍。
（1）估算方法。森林碳汇潜力估算方法主要分为三类：第一类是微气象学法，如大气反演法，该方法具有仪器精密、操作难度大、技术要求高等特点。第二类是样地勘测法，包括生物量法、蓄积量法和生物清单法等，该方法具有技术要求低、实用性强等特点，普遍被国内外学者采用，但存在参数设定不统一、计量结果不精确等缺点[26]。第三类是社会学分析方法，主要包括GTM模型、GFPM模型、情景分析法、系统预测仿真模型等估计方法[5]，该方法的要点主要表现为不仅考虑了森林的自然属性，还考虑了宏观经济社会对森林资源的可能影响。本文将已有文献对森林碳汇估算方法归纳为以上三类。由于不同估算方法，纳入影响碳汇能力与潜力的变量不尽相同，使得估算方法成为影响中国森林碳汇潜力的重要因素。为揭示不同估算方法对森林碳汇潜力的影响，选择社会学分析方法作为对照组，设置样地勘测法（1=采用样地勘测法，0=未采用样地勘测法）和微气象学法（1=采用微气象学法，0=未采用微气象学法）两个虚拟变量，来揭示研究方法对中国森林碳汇潜力评估结果的影响。
（2）碳库选择。森林碳库选择是影响森林碳汇潜力最为关键和直接的因素。概括来讲，森林碳库包括地上生物量、地下生物量、枯落物、枯死木、土壤、木质林产品六个部分[28]。其中，地上和地下生物量是决定森林碳汇潜力大小最为主要的部分；枯落物、枯死木碳库占比相对较小；土壤碳库虽然占比大，但相对稳定；随着中国耐用木质林产品的普及推广，木质林产品也是森林的重要碳库。因此，评估时碳库选择的数量不同，对研究结果有重要影响。为此，为探究碳库选择对森林碳汇潜力的影响，本文将样本文献中碳汇估算所涉及的碳库个数作为解释变量。
（3）数据来源。森林碳汇潜力评估数据主要包括宏观的森林资源数据和微观的碳汇计量参数数据。大量研究表明，不同来源数据精度与统计口径差异以及所使用的生物量与碳汇量转换参数的差异，是导致森林碳汇测度结果差异的另一个重要原因。就森林资源数据而言，主要包括中国森林资源清查报告、全球森林资源评估报告、FAO数据库等；就生物量与碳汇量转换参数而言，包括一手实验数据，如样地调查数据；二手数据，如碳密度参数、IPCC缺省参数等。为揭示研究数据对森林碳汇潜力的影响，本文把研究数据细分为森林资源数据和微观的碳汇计量参数数据。其中，森林资源数据主要有两类，以国际数据库作为对照组，构建国内数据库为虚拟变量（1=采用国内数据库；0=未采用国内数据库）；微观的碳汇计量参数数据包括两类，以一手数据作为对照组，构建二手数据为虚拟变量（1=采用二手数据；0=未采用二手数据）。
（4）空间特征。中国地域辽阔，不同区域气候类型、森林植被类型及森林质量差异明显[29]，导致是否考虑中国森林碳汇分布在空间上的不同特征也会对森林碳汇潜力评估结果产生明显影响[30]。因此，在对全国森林碳汇潜力进行估算时，是否按照区域与森林植被类型的不同，进行分区估计并采用不同参数，将对估计结果有重要影响。本文将已有文献按照是否分区估计分为三类：全国尺度估计（不分区）、分省份估计、分林区估计，以全国尺度作为对照组，增加分省份估计（1=分省份估计，0=未分省份估计）和分林区估计（1=分林分估计，0=未分林分估计）两个虚拟变量。
（5）文献特征。有研究注意到审稿人和期刊偏好造成的发表偏倚：在同类研究中，具有显著统计结果的研究更容易被接受和发表，且期刊影响力越大，越偏好显著的统计结果[31]。Meta分析中一般采用期刊文献和影响因子考察是否存在发表偏倚。考虑到研究纳入的文献以期刊和学位论文为主，据此，本文使用是否为期刊文献（1=期刊文献，0=非期刊文献）这一虚拟变量对其进行表征。
（6）评估时段。应该从林业生长的规律和中国林分林龄结构进行描述；比如：林木生产曲线，一般有先增加，增加速度达到最快，然后增加速度下降的这个规律；因此时间无疑是影响碳汇量的重要因素，为控制时间对森林碳汇潜力的影响，主要选择文献评估的时间作为自变量。

1.3.2 森林碳汇潜力估计的Meta回归模型

基于Meta分析建模基本原理，结合上述影响因素分析，构建如下森林碳汇估计结果差异的Meta回归模型；同时，为了减少异方差，本文将森林碳汇潜力观测值进行对数变换[32]。具体框架模型见式（3）：
l n ( Y i ) = β 0 + β m e X m e + β c o X c o + β d a X d a + β l o X l o + β j o X j o + β e s X e s + ε i
式中：因变量 l n Y i为原始文献中森林碳汇潜力评估值的自然对数； X m e为估算方法变量； X c o为碳库选择变量； X d a为数据来源变量； X l o为空间内特征变量； X j o为文献特征变量、 X e s为评估时间变量。 β m e、 β c o、 β d a、 β l o、 β j o、 β e s为自变量系数矩阵； β 0、 ε i分别为常数项和随机扰动项。表1为森林碳汇潜力Meta回归模型变量定义与统计描述分析。
表1 变量定义与描述性统计

Table 1 Variable definitions and descriptive statistics

变量名称 变量描述 均值 标准差
因变量
森林碳汇量 数值型变量，单位：亿t（取自然对数） 9.233 0.421
自变量
（1）评估方法
社会学分析方法 对照组 0.286 0.453
样地勘测法 如果使用的方法是样地勘测法，取值为1，否则为0 0.914 0.281
微气象学法 如果使用的方法是微气象学法，取值为1，否则为0 0.040 0.197
（2）碳库选择情况
碳库个数 数值型变量，单位：个 1.543 0.945
（3）数据来源与参数选择
1）森林资源基础数据
国际数据库 对照组 0.103 0.305
国内数据库 如果仅利用国内数据库，取值为1，否则为0 0.926 0.263
2）碳汇测度参数数据
一手数据 对照组 0.097 0.297
二手数据 如果仅利用二手数据，取值为1，否则为0 0.377 0.486
（4）空间特征
全国尺度（即不分区） 对照组 0.714 0.453
分林区 如果分林区评估，取值为1，否则为0 0.103 0.305
分省份 如果分省份，取值为1，否则为0 0.229 0.421
（5）期刊特征
期刊论文 如果文献来源为期刊论文，取值为1，否则为0 0.971 0.167
（6）评估时段
估算年份 数值型变量，单位：年 2017.566 15.953

1.4 影响森林增汇成本估计结果的因素及Meta回归模型构建

1.4.1 影响森林增汇成本评估结果的因素分析

已有相关研究表明，森林增汇成本测算结果受自然、社会经济、研究设计等多种因素综合影响[7,11]，本节主要就影响森林增汇成本的主要因素进行简要分析。
（1）成本收益构成。森林增汇过程与森林经营过程是相伴的，涉及多种成本与收益。就成本而言，一般包括土地成本、造林成本、管护成本、采伐与运输成本和交易成本等五类[1]。就收益而言，一般包括商品材收益、非木质林产品收益、碳汇收益等三类。由于增汇成本主要是为获得碳汇产品而额外增加的成本，因此该成本可以表征为森林经营多项成本与多项产出的函数[6,7]。为此，为探究成本收益构成对森林增汇成本的影响，本文将已有文献中成本与收益指标的数量纳入Meta分析模型。
（2）估计方法。已有研究文献中增汇成本测度的常用方法主要包括造林成本法、重置成本法和Benitez模型法。由于上述方法对增汇成本测度的角度不同，考虑的投入产出指标差异也较为明显；因此，研究方法选择差异可能是导致中国森林增汇成本差异的重要因素；为揭示研究方法不同对增汇成本评估结果产生的影响，本文将已有文献成本估计方法按照上述三类方法进行归纳，以重置成本法作为对照组，增加Benitez模型法（1=采用Benitez模型法，0=未采用Benitez模型法）和分林区估计（1=采用造林成本法，0=未采用造林成本法）两个虚拟变量。
（3）数据来源。已有研究文献中增汇成本测度的常用数据主要包括造林再造林成本数据、土地租金数据以及碳汇交易数据等，由于上述数据的获取方式不同，文中将数据根据来源划分为一手数据和二手数据。其中，一手数据又包括实地调查数据、项目检测报告；二手数据包括各统计年鉴和数据库。不同来源的数据统计口径差异，是导致增汇成本测度结果差异的另一个重要原因。在已有研究文献中，既有单一采用一手或二手数据的，也有同时采用一手与二手数据的，为探究增汇成本测度数据来源差异对增汇成本的影响，将已有文献中的数据来源按照上述三类数据进行归纳，以二手数据作为对照组，增加一手数据（1=采用一手数据，0=未采用一手数据）和一手二手数据兼用（1=采用一手二手数据兼用，0=未采用一手二手数据兼用）两个虚拟变量。
（4）评估对象特征。不同增汇技术采用、林分类型、项目类型等因素是决定森林碳汇成本的一个重要因素[18]。就森林增汇技术采用而言，可以分为造林再造林增汇、森林经营增汇两类，以森林经营增汇作为对照组，构建造林再造林增汇为虚拟变量（1=造林再造林增汇；0=非造林再造林增汇）；就林分类型而言，可以粗略分为纯林和混交林两种林分类型，选取混交林为虚拟变量（1=混交林；0=非混交林）；就项目类型而言，可以分为专门为碳汇交易开展的项目与普通造林两类，前者是指按照特定方法学，以碳汇交易为目标开展的项目，如CDM造林再造林项目（Clean Development Mechanism，CDM）、CCER林业碳汇项目（Chinese Certified Emission Reduction，CCER）、国际自愿减排VCS项目（Verified Carbon Standard，VCS），本文将根据评估对象是否为专门的碳汇交易项目（1=专门碳汇交易项目，0=非专门碳汇交易项目）这一虚拟变量进行归类。
（5）文献特征。已有研究文章发表偏差已成为Meta分析研究中公认的问题[31]，本文选取是否为期刊文献（1=期刊文献，0=非期刊文献）这一虚拟变量对文献特征进行表征。
（6）评估时段。时间不仅会影响碳汇能力，而且不同时间社会经济环境也可能存在差异，为控制时间对森林增汇成本的影响，研究将控制评估时间变量。

1.4.2 森林增汇成本估计的Meta回归模型

同理，构建如下森林增汇成本Meta回归模型，框架模型见公式（4）：
l n ( Y i ) = α 0 + α c o X c o + α p r X p r + α m e X m e + α d a X d a + α t e X t e + α s t X s t + α i t X i t + α j o X j o + α e s X e s + ε i
式中：因变量 l n Y i为原始文献中森林增汇成本估计值的自然对数； X c o为成本结构变量； X p r为收益结构变量； X m e为评估方法变量； X d a为数据选择变量； X t e为增汇技术变量； X s t为林分类型变量； X i t为项目类型变量； X j o为期刊文献变量； X e s为评估时间变量； α c o、 α p r、 α m e、 α d a、 α t e、 α s t、 α i t、 α j o和 α e s为自变量系数矩阵；α0、εi分别为常数项、随机扰动项。表2为森林增汇成本Meta回归模型的变量定义与统计描述分析。
表2 变量定义与描述性统计

Table 2 Variable definitions and descriptive statistics

变量名称 变量描述 均值 标准差
因变量
森林增汇成本 数值型变量，单位：元/t CO2e（取自然对数） 4.77 1.15
自变量
（1）成本收益构成
纳入成本指标数量 数值型变量，单位：个 2.691 1.196
纳入收益指标数量 数值型变量，单位：个 1.094 1.035
（2）研究方法特征
重置成本法 对照组 0.027 0.162
Benitez模型法 如果使用的方法是Benitez 模型法，取值为1，否则为0 0.423 0.496
造林成本法 如果使用的方法是造林成本法，取值为1，否则为0 0.550 0.499
（3）数据来源
二手数据 对照组 0.107 0.312
一手数据 如果仅利用一手数据，取值为1，否则为0 0.255 0.437
一手二手数据兼用 如果一手二手数据兼用，取值为1，否则为0 0.638 0.482
（4）研究对象特征
① 增汇技术
森林经营增汇 对照组 0.067 0.251
造林再造林增汇 若增汇技术指造林再造林增汇，取值为1，否则为0 0.933 0.251
② 林分类型
是否为混交林 若林分类型为混交林，取值为1，否则为0 0.302 0.461
③ 项目类型
是否为碳汇交易项目 若为专门的碳汇交易项目，取值为1，否则为0 0.376 0.486
（5）文献特征
期刊论文 如果文献来源为期刊论文，取值为1，否则为0 0.826 0.381
（6）评估时段
估计年份 数值型变量，单位：年 2013.93 4.70

2 结果分析

基于前文建立的Meta回归模型与数据信息，首先就中国森林碳汇潜力与增汇成本进行再评估；然后进行回归分析，定量评估影响森林碳汇潜力与增汇成本的关键因素及其影响效应。

2.1 森林碳汇潜力评估结果及差异原因分析

2.1.1 森林碳汇潜力评估结果及差异性

图2为基于已有文献的中国森林碳汇潜力估计结果。由图2可以看出：
图2 中国森林碳汇潜力估计结果

Fig. 2 Scatter diagram for forest carbon sequestration potential collected in meta sample

（1）2020—2060年间，中国森林碳汇潜力呈现加速增长的态势。具体而言，2000年中国森林年碳汇量平均为61.52亿t；到2020年森林年碳汇量将上升到93.21亿t，到2030年和2060年将分别达到110.80亿t和180.32亿t，未来中国森林增汇呈现较大的潜力。
（2）通过对现有文献结果的归纳，已有研究对中国森林碳汇潜力估计结果差异十分明显，而且估计结果差异性随时间推移而增加。具体而言，2000年不同研究的中国森林年碳汇量区间值为54.61亿~71.40亿t，差异幅度为16.79亿t；2020年不同研究的区间值为75.60亿~128.70亿t，差异幅度为53.10亿t；2030年不同研究的区间值为86.43亿~134.96亿t，差异幅度为48.53亿t；总体来看，在2000—2030年间，中国森林碳汇潜力在增大的同时，差异幅度也在增加。

2.1.2 森林碳汇潜力估计结果差异的原因分析

如前所述，中国森林碳汇潜力测度结果存在显著差异；为探究不同因素对森林碳汇潜力估计结果差异的影响方向与程度，本文将进一步进行Meta回归分析。本文的模型建立是基于Stata 14.0软件，考虑到Meta数据库中，部分观测来自同一篇文献，可能存在相关性，本文将使用加权最小二乘法（Weighted Least Squares，简称WLS）以减少估计偏误[33]，并以样本文献中观测样本量的平方根倒数作为权重[34]；此外，还剔除了标准化残差绝对值大于1.5的观测值。Meta回归结果，见表3。从Meta回归结果可以看出，模型总体拟合程度较好，在1%显著性水平上通过检验；模型所选择的解释变量对中国森林碳汇潜力评估结果差异性有显著的解释能力。具体而言：
表3 森林碳汇潜力Meta回归结果

Table 3 Meta regression results of forest carbon sequestration potential

变量 系数 标准误 95%置信区间
下限 上限
研究方法
样地勘测法 -0.1469*** 0.0396 -0.2252 -0.0685
微气象学法 -0.2204*** 0.0585 -0.3360 -0.1048
研究对象特征
碳库个数 0.2159*** 0.0102 0.1957 0.2361
研究数据特征
国内数据库 0.2490*** 0.0846 0.0817 0.4162
二手数据 0.0124 0.0467 -0.0800 0.1047
计量区域特征
分林区 0.3814*** 0.0575 0.2677 0.4952
分省份 -0.0732* 0.0400 -0.1522 0.0059
期刊特征
期刊论文 -0.6060*** 0.0898 -0.7836 -0.4285
评估时段
估计年份 0.0163*** 0.0010 0.0143 0.0183
常数项 -23.5496*** 2.0648 -27.6318 -19.4674
R2 0.8766 — — —
F检验 130.86*** — — —

注：***、*分别表示在1%、10%的水平上显著，下同。

（1）评估方法选择对森林碳汇潜力结果有显著影响。具体而言，与社会学分析方法相比，如果采用样地勘测法和微气象学法，在其他条件不变的情况下，平均而言，将使中国森林碳汇潜力估计结果偏低14.7%和22.0%。可能的原因是，社会学分析方法除考虑自然因素外，还考虑社会经济因素对森林资源的综合影响，与已有研究结果观点一致[5]。
（2）碳库数量选择对森林碳汇潜力结果有显著影响。在其他条件不变的情况下，平均而言，每增加一个碳库，森林碳汇潜力将提高21.6%。这与Jin等[13]在研究中指出不同碳库或核算碳库的数量对森林碳储量具有重要的影响且与直观判断是一致的。
（3）数据来源与碳汇折算参数选择，对森林碳汇潜力估计结果有不同的影响。就数据来源而言，与采用国际数据库相比，采用国内森林资源清查数据对森林碳汇潜力评估结果将高估24.9%，这与不同数据库数据精度有关；就碳汇折算参数而言，采用一手样地调查数据与二手参数（如IPCC缺省参数）对森林碳汇潜力评估结果，并无统计意义上的显著影响。
（4）是否分区域对森林碳汇潜力结果有显著影响。具体而言，与全国统一参数估计（即不分区估计）相比，如果采用分林区估计，其估计结果要比不分区估计高38.1%，而采用分省份估计则要比不分区估计要低7.3%。分林区估计结果比不分区估计结果大，而分省份比不分区估计结果小，一定程度上反映了计量区域细分对森林碳汇潜力影响的方向与程度均存在差异，这与当前学界对碳汇潜力大小的空间格局存在争议的现实一致[30]。
（5）文献特征所报告的森林潜力评估结果有显著差异。具体而言，与非期刊论文研究结果相比，发表于期刊文献的研究结果平均要低60.6%。这结果与Chaikumbung等[33]的研究结果一致，表明与非期刊论文相比，期刊论文倾向于发表更谨慎的研究结果。
（6）不同估计年份对潜力估计结果有显著影响。平均而言，每顺延1年，森林碳汇潜力将增长1.63%，这一结果与中国森林资源实际增长速度基本一致。

2.1.3 模型的有效性检验

由回归分析得到的森林碳汇潜力评估年份均值结果（预测值），和实际评估年份均值观测结果（观测值）具有相同的变化趋势，说明观测值和预测值拟合效果较好，模型结果可信，结果见图3。从森林碳汇潜力模型有效性检验的结果看，森林碳汇潜力评估的误差范围在0.01%~5.26%之间，平均误差为1.08%。国外相关研究表明，平均误差范围在20%~40%属于合理区间[25]，本文平均误差小于20%，说明森林碳汇潜力回归结果的有效性较好。
图3 森林碳汇潜力估计

Fig. 3 Estimation results of forest carbon sequestration potential

2.2 森林增汇成本评估差异及原因分析

2.2.1 森林增汇成本评估结果及差异性

表4为基于已有文献的中国森林增汇成本估计结果及其差异。由表4可以看出，中国森林增汇的平均成本为220.45元/t CO2e，而森林增汇成本的最小值为3.90元/t CO2e，最大值1457.04元/t CO2e，森林增汇成本的估计结果差异十分明显。具体而言：
表4 森林增汇成本统计分析

Table 4 Comparison of the cost of increasing forest carbon sequestration (元/t CO2e)

林业增汇成本 不同技术增汇成本 不同林分增汇成本 不同项目增汇成本
最小值 最大值 平均值 造林再造林 加强森林经营 纯林 混交林 CCER机制 CDM机制 普通造林
3.90 1457.04 220.45 213.60 65.49 175.00 325.49 175.06 40.81 253.6
（1）不同技术增汇成本差异明显。加强森林经营增汇的平均成本为65.49元/t CO2e，而造林再造林增汇的平均成本为213.60元/t CO2e，说明与造林再造林增汇技术相比，加强森林经营增汇更具有增汇成本有效性。
（2）不同林分增汇成本差异明显。纯林的平均增汇成本为175.00元/t CO2e，而混交林的平均增汇成本为325.49元/t CO2e，就增汇成本而言，纯林增汇更具增汇成本可行性；但是，需要指出的是，从长期而言，在考虑生物多样性稳定的基础上，混交林增汇更利于生态系统的稳定。
（3）不同项目类型增汇成本差异明显。与普通造林的成本253.56元/t CO2e相比，CCER项目、CDM项目造林增汇成本分别为175.06元/t CO2e、40.81元/t CO2e，这一结果与直观判断并不相符。一般而言，CCER或CDM碳汇项目，比普通造林的技术要求更为严格，其成本也理应更高，但已有研究结果正好相反。究其原因，主要在于已有相关研究文献，在进行成本测算时，对于成本核算范围不同，比如，张治军等[11]针对清洁发展机制造林再造林项目碳汇成本研究，未考虑到交易成本和机会成本。这也反映出对于森林增汇成本研究尚需要进一步深入与统一的现实。

2.2.2 森林增汇成本评估结果差异的原因分析

如上所述，中国森林增汇成本估计具有明显的差异，究竟是哪些因素导致上述差异?本文将进一步基于Meta回归分析方法进行定量研究，结果见表5。
表5 森林增汇成本的Meta回归结果

Table 5 Meta regression results of the cost of increasing forest carbon sequestration

变量 系数 标准误 95%置信区间
下限 上限
成本收益核实范围
纳入成本指标数量 0.1831** 0.0910 0.0033 0.3630
纳入收益指标数量 -0.2945** 0.1406 -0.5724 -0.0165
研究方法
Benitez模型法 1.3301*** 0.2200 0.8953 1.7649
造林成本法 0.0568 0.1883 -0.3153 0.4289
研究数据特征
一手数据 1.3915*** 0.3113 0.7761 2.0068
一手二手数据兼用 0.7270** 0.3086 0.1170 1.3370
研究对象特征
增汇技术 -0.0219 0.1520 -0.3223 0.2784
林分类型 0.1251 0.2264 -0.3224 0.5727
项目类型 -0.5618** 0.2668 -1.0892 -0.03440
期刊特征
期刊论文 -1.0348*** 0.3065 -1.6406 -0.4290
评估时段
估计年份 0.0049 0.0206 -0.0358 0.0456
常数项 -5.6804 41.4801 -87.6688 76.3081
R2 0.7018 — — —
F检验 41.55*** — — —

注：**表示5%的水平上显著。

从Meta回归结果可以看出，模型总体拟合程度较好，在1%显著性水平上通过检验；模型所选择的解释变量对中国森林增汇成本评估结果差异性有显著的解释能力。具体而言：
（1）成本收益构成对森林增汇成本估计结果有显著影响。就纳入成本指标数量而言，纳入成本指标数量对森林增汇成本估计结果具有显著的正向影响，纳入成本指标的数量越多，表明对成本考虑越全面，成本估计结果越高。就收益结构数量而言，纳入收益指标数量对森林增汇成本结果具有显著的负向影响。这一结果与直观判断且与已有研究结论是一致的[7,35]。
（2）评估方法选择对森林增汇成本估计有不同的影响。与重置成本法相比，采用Benitez模型法对森林增汇成本估计具有显著的正向影响，在其他条件不变的情况下，平均而言，Benitez模型法将使中国森林碳汇成本估计结果偏高133%。可能的原因是，Benitez模型估计普遍考虑了土地的机会成本，而且一般以单位面积农业产值作为土地机会成本，使得土地机会成本较高所致，与仲伟周等[9]研究结论一致。而造林成本法对森林增汇成本估计并无统计意义上的显著影响。
（3）数据来源对森林增汇成本估计有显著影响。与二手数据相比，采用一手数据和一手、二手数据兼用对中国森林增汇成本的评估具有显著的正向影响，由于不同数据来源统计口径差异，在其他条件不变的情况下，仅采用一手收据将使中国森林碳汇成本估计结果偏高139.2%，而将一手二手数据结合使用，将使中国森林碳汇成本估计结果偏高72.7%。说明在不同数据来源统计口径差异下，仅采用二手数据估计可能会低估中国森林增汇成本，未来研究要尽可能结合其他数据的使用，以提高研究结果的精准性。
（4）研究对象特征对森林增汇成本估计有不同的影响。就增汇技术而言，在其他条件不变的情况下，与森林经营增汇相比，造林再造林增汇对森林增汇成本估计并无统计意义上的显著影响，而上述两种增汇技术成本存在差异，在其他变量的共同作用下，两者差异并不显著。就森林经营增汇而言，在其他条件不变的情况下，与纯林增汇相比，混交林增汇对森林增汇成本估计并无统计意义上的显著影响，尽管上述两种林分营造林成本存在差异，但是考虑碳汇交易成本以及机会成本后，两者差异并不显著。就项目造林而言，在其他条件不变的情况下，与普通造林增汇相比，采用碳汇交易项目造林对中国森林增汇成本估计具有显著的负影响，在其他条件不变的情况下，平均而言，采用碳汇交易项目将使中国森林增汇成本估计结果偏低56.8%。说明碳汇交易项目造林的观测样本，可能未考虑到碳汇交易项目的交易成本和机会成本，这与Van等[18]研究结论一致。
（5）期刊论文对森林增汇成本估计结果有显著的负向影响，说明在期刊上所评估的结果相比其他文献显著较低，期刊文献倾向于发表更谨慎的研究结果[33]。此外，估计年份因素对中国森林增汇成本影响较小，并无显著差异。

2.2.3 模型的有效性检验

由回归分析得到的森林增汇成本估计年份均值结果（预测值）和实际评估年份均值结果（观测值）平均误差为11.17%，说明观测值和预测值拟合效果较好，模型结果可信。森林增汇成本估计的误差范围在0.02%~76.51%之间，平均误差为11.17%。国外相关研究表明，平均误差范围在20%~40%属合理区间[25]，本文平均误差小于20%，说明森林增汇成本回归结果的有效性较好。

3 结论与建议

本文共基于61篇文献，利用Meta回归分析，对中国森林碳汇潜力与增汇成本差异及影响因素进行了较为全面系统的定量评估，得出了以下主要结论：
（1）中国森林碳汇呈现持续快速增长态势，总体而言森林碳汇对实现“双碳”目标具有重要贡献，但对中国森林碳汇潜力估计结果存在很大差异。具体而言，中国森林碳汇量从2000年平均61.52亿t（区间值为54.61亿~71.4亿t）上升到2020年93.21亿t（区间值为75.6亿~128.7亿t），到2030年和2060年将分别达到110.80亿t（区间值为86.43亿~134.963亿t）和180.32亿t。据全球能源互联网发展合作组织发布的《中国2060年前碳中和研究》报告，中国有望在2028年左右实现碳达峰，峰值为109亿t左右[36]，据此，测算中国森林植被（不含土壤碳汇）当年吸收的CO2占同期碳排放的6.67%，并且在碳达峰以后，随着二氧化碳排放总量稳步下降，中国森林增汇对碳中和的贡献将会持续增加。
（2）林业增汇具有明显成本优势。已有文献结果表明，中国森林增汇的平均成本为220.5元/t CO2e（区间值为3.9~1457.02元/t CO2e），与工业减排成本相比（区间值为2909~23881元/t CO2e）森林增汇更具有经济可行性[37]。
（3）中国森林碳汇潜力与增汇成本评估结果的差异是多方面因素综合导致的结果。具体而言，评估方法采用不同、碳库数量选择差异、碳汇计量微观参数和森林资源结构、数量等来源不同以及在碳汇计量时是否考虑空间异质性等因素是导致已有文献森林碳汇潜力估计结果差异的关键因素。就森林增汇成本而言，目前已有研究还相对薄弱，结果差异巨大，不具有可比性，导致差异的原因，主要包括碳汇成本测度研究方法、成本收益数据来源、成本收益指标选取以及评估对象特征等因素差异。
基于上述研究结论，提出如下建议：
（1）要进一步深化森林碳汇潜力与成本测算的相关研究，为政府决策部门提供更为扎实的决策参考。具体而言，一是要建立森林碳汇潜力估算的标准体系与方法，提高研究结果的稳健性与可比性。二是要借鉴国际经验，从经济学和森林经营者行为选择视角，加强对森林增汇经济成本与动态变化趋势的测算，为政府制定与优化森林增汇激励政策，提供可靠的参考决策。三是要进一步提高林业部门相关基础数据库建设水平与透明度，真正提高林业部门数据的可获得性与质量，以便为学术研究与政策制定提供扎实的数据支撑。
（2）政府应尽快将森林增汇纳入“双碳”总体方案，把森林增汇作为碳达峰后实现碳中和的重要手段。尽管从长远来看，能源结构与产业结构调整和低碳化是实现“双碳”目标的重点。但是实现“双碳”目标是一项系统的复杂工程，需要国家统一部署协同推进。基于自然的解决方案，实现碳中和是国际多数国家认可，并且具有较大潜力与经济成本优势的途径。尤其是对中国而言，实现“双碳”目标的时间窗口期仅有40年，明显短于发达国家60~70年的时间窗口，而且中国经济还处于转型爬坡发展阶段。专家预计，即使从现在开始，采用强力的减排措施，到2060年，中国仍将有20亿~30亿t温室气体排放量，需要依靠基于自然或人工技术手段加以吸收，才能实现“碳中和”。因此，林业部门应该尽快对现有相关林业政策作出调整，建立与森林增汇目标为导向的政策体系与激励措施。
（3）充分发挥林业增汇的成本优势，将森林碳汇纳入全国碳交易市场，给予森林增汇行为更多的正面激励[38,39]。一是要尽快扩大全国统一碳市场行业覆盖范围，并逐步收紧碳配额发放标准，真正让碳排放权成为稀缺资源，激发控排企业参与碳汇交易的内生动力。二是要逐步放宽森林碳汇作为抵消机制的比例限制，为森林碳汇供给提供更强的市场动力。三是要加速建立并完善森林碳汇融资机制，为林业碳汇的投资和发展提供金融服务与支持。四是加强森林碳汇监测计量方法创新，降低交易成本。林业碳汇项目开发有着严格的技术要求，还受森林碳汇计量与监测技术的影响，应加强碳汇计量与监测技术，提高森林碳汇的计量精度，适当降低林业碳汇项目开发技术标准并简化开发程序，降低林业碳汇入市交易的门槛与交易成本。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
PHAN T H D, BROUWER R, DAVIDSON M. The economic costs of avoided deforestation in the developing world: A meta-analysis. Journal of Forest Economics, 2014, 20(1): 1-16.

DOI

[2]
许恩银, 王维枫, 聂影, 等. 中国林业碳贡献区域分布及潜力预测. 中国人口·资源与环境, 2020, 30(5): 36-45.

[ XU E Y, WANG W F, NIE Y, et al. Regional distribution and potential forecast of China's forestry carbon contributions. China Population, Resources and Environment, 2020, 30(5): 36-45.]

[3]
WILSON B T, WOODALL C W, GRIFFITH D M. Imputing forest carbon stock estimates from inventory plots to a nationally continuous coverage. Carbon Balance and Management, 2013, 8(1): 1-15.

DOI PMID

[4]
WANG J, FENG L, PALMER P I, et al. Large Chinese land carbon sink estimated from atmospheric carbon dioxide data. Nature, 2020, 586(7831): 720-723.

DOI

[5]
姜霞, 黄祖辉. 经济新常态下中国林业碳汇潜力分析. 中国农村经济, 2016, (11): 57-67.

[ JIANG X, HUANG Z H. Analysis of forestry carbon sink potential under the new economic normal in China. Chinese Rural Economy, 2016, (11): 57-67.]

[6]
黄宰胜, 陈钦. 基于造林成本法的林业碳汇成本收益影响因素分析. 资源科学, 2016, 38(3): 485-492.

DOI

[ HUANG Z S, CHEN Q. Influencing factors analysis of forestry carbon sequestration cost-benefit based on afforestation cost methods. Resources Science, 2016, 38(3): 485-492.]

DOI

[7]
CAO X L, LI X S, BREEZE T D. Quantifying the carbon sequestration costs for Pinus elliottii afforestation project of China greenhouse gases voluntary emission reduction program: A case study in Jiangxi province. Forests, 2020, 11(9): 928, https://doi.org/10.3390/f11090928.

DOI

[8]
VASS M M, ELOFSSON K. Is forest carbon sequestration at the expense of bioenergy and forest products cost-efficient in EU climate policy to 2050?. Journal of Forest Economics, 2016, 24: 82-105.

DOI

[9]
仲伟周, 邢治斌. 中国各省造林再造林工程的固碳成本收益分析. 中国人口·资源与环境, 2012, 22(9): 33-41.

[ ZHONG W Z, XING Z B. Analysis on cost and benefit of carbon sequestration in each province of China: Based on afforestation and reforestation project. China Population, Resources and Environment, 2012, 22(9): 33-41.]

[10]
FANG J, YU G, LIU L, et al. Climate change, human impacts, and carbon sequestration in China. PNAS, 2018, 115(16): 4015-4020.

DOI PMID

[11]
张治军, 张小全, 朱建华, 等. 广西主要人工林类型固碳成本核算. 林业科学, 2010, 46(3): 16-22.

[ ZHANG Z J, ZHANG X Q, ZHU J H, et al. Cost of carbon sequestration of main plantation types in Guangxi. Scientia Silvae Sinicae, 2010, 46(3): 16-22.]

[12]
徐伟义, 金晓斌, 杨绪红, 等. 中国森林植被生物量空间网格化估计. 自然资源学报, 2018, 33(10): 1725-1741.

[ XU W Y, JIN X B, YANG X H, et al. The estimation of forest vegetation biomass in China in spatial grid. Journal of Natural Resources, 2018, 33(10): 1725-1741.]

DOI

[13]
JIN L, YI Y, XU J. Forest carbon sequestration and China's potential: The rise of a nature-based solution for climate change mitigation. China Economic Journal, 2020, 13(2): 200-222.

DOI

[14]
张玉, 王介勇, 刘彦随. 基于文献荟萃分析方法的中国空心村整治潜力与模式. 自然资源学报, 2022, 37(1): 110-120.

[ ZHANG Y, WANG J Y, LIU Y S. The potentiality and model of China's hollowing village reclamation based on Meta-analysis. Journal of Natural Resources, 2022, 37(1): 110-120.]

DOI

[15]
KALIES E L, HAUBENSAK K A, FINKRAL A J. A meta-analysis of management effects on forest carbon storage. Journal of Sustainable Forestry, 2016, 35(5): 311-323.

DOI

[16]
GUO L B, GIFFORD R M. Soil carbon stocks and land use change: A meta analysis. Global Change Biology, 2002, 8(4): 345-360.

DOI

[17]
TAYE F A, FOLKERSEN M V, FLEMING C M, et al. The economic values of global forest ecosystem services: A meta-analysis. Ecological Economics, 2021, 189: 107145, Doi: 10.1016/j.ecolecon.2021.107145.

DOI

[18]
VAN K G C, EAGLE A J, MANLEY J, et al. How costly are carbon offsets? A meta-analysis of carbon forest sinks. Environmental Science & Policy, 2004, 7(4): 239-251.

[19]
GLASS G V. Primary, secondary, and meta-analysis of research. Educational Researcher, 1976, 5(10): 3-8.

[20]
颜俨, 姚柳杨, 郎亮明, 等. 基于Meta回归方法的中国内陆河流域生态系统服务价值再评估. 地理学报, 2019, 74(5): 1040-1057.

DOI

[ YAN Y, YAO L Y, LANG L M, et al. Revaluation of ecosystem services in inland river basins of China: Based on meta-regression analysis. Acta Geographica Sinica, 2019, 74(5): 1040-1057.]

DOI

[21]
杨超, 宋维明, 戴永务. 空间异质性视角下中国制造业集聚度测算差异研究. 统计与信息论坛, 2016, 31(9): 28-33.

[ YANG C, SONG W M, DAI Y W. Differential analysis of China's manufacturing agglomeration level measurement in the perspective of spatial heterogeneity. Journal of Statistics and Information, 2016, 31(9): 28-33.]

[22]
朱晓磊, 张建军, 程明芳, 等. 基于Meta分析的矿业城市生态服务价值转移研究. 自然资源学报, 2017, 32(3): 434-448.

[ ZHU X L, ZHANG J J, CHENG M F, et al. A study on transfer of ecosystem service values in mining cities by Meta-analysis. Journal of Natural Resources, 2017, 32(3): 434-448.]

[23]
BRANDER L, FLORX R J, VERMAAT J E. The empirics of wetland valuation: A comprehensive summary and a meta-analysis of the literature. Environmental and Resource Economics, 2006, 33(2): 223-250.

DOI

[24]
BERGSTROM J, DE CIVITA P. Status of benefits transfer in the United States and Canada: A review. Canadian Journal of Agricultural Economics, 1999, 47: 79-87.

DOI

[25]
READY R, NAVRUD S. International benefit transfer: Methods and validity tests. Ecological Economics, 2006, 60(2): 429-434.

DOI

[26]
张娟, 林晓薇. 中国森林碳储量的影响因素研究: 基于社会经济视角. 长春工程学院学报: 社会科学版, 2020, 21(4): 34-39.

[ ZHANG J, LIN X W. The research on influencing factors of forest carbon reservation in China: From the perspective of social-economic. Journal of Changchun Institute of Technology: Social Sciences Edition, 2020, 21(4): 34-39.]

[27]
张颖, 李晓格, 温亚利. 碳达峰碳中和背景下中国森林碳汇潜力分析研究. 北京林业大学学报, 2022, 44(1): 38-47.

[ ZHANG Y, LI X G, WEN Y L. Carbon sequestration potential of Chinese forests under the background of carbon neutrality and at the peak carbon dioxide emissions. Journal of Beijing Forestry University, 2022, 44(1): 38-47.]

[28]
郗婷婷, 李顺龙. 黑龙江省森林碳汇潜力分析. 林业经济问题, 2006, (6): 519-522, 526.

[ XI T T, LI S L. Analysis of forestry carbon mitigation potential in Heilongjiang province. Issues of Forestry Economics, 2006, (6): 519-522, 526.]

[29]
杨晓菲, 鲁绍伟, 饶良懿, 等. 中国森林生态系统碳储量及其影响因素研究进展. 西北林学院学报, 2011, 26(3): 73-78.

[ YANG X F, LU S W, RAO L Y, et al. Advances in the researches of carbon storage of forest ecology and related factors in China. Journal of Northwest Forestry University, 2011, 26(3): 73-78.]

[30]
薛龙飞, 罗小锋, 李兆亮, 等. 中国森林碳汇的空间溢出效应与影响因素: 基于大陆31个省(市、区)森林资源清查数据的空间计量分析. 自然资源学报, 2017, 32(10): 1744-1754.

[ XUE L F, LUO X F, LI Z L, et al. Spatial spillover effects and influencing factors of forest carbon sink in China: Spatial econometric analysis based on forest resources inventory in 31 provinces of the mainland of China. Journal of Natural Resources, 2017, 32(10): 1744-1754.]

[31]
PALMER T M, PETERS J L, SUTTON A J, et al. Meta-analysis in Stata: An Updated Collection from the Stata Journal. 2nd ed. College Station: Stata Press, 2016.

[32]
崔琦, 杨军, 董琬璐. 中国碳排放量估计结果及差异影响因素分析. 中国人口·资源与环境, 2016, 26(2): 35-41.

[ CUI Q, YANG J, DONG W L. Determinants of the variance of estimations on China's carbon emission based on meta-analysis. China Population, Resources and Environment, 2016, 26(2): 35-41.]

[33]
CHAIKUMBUNG M, DOUCOULIAGOS H, SCARBOROUGH H. The economic value of wetlands in developing countries: A meta regression analysis. Ecological Economics, 2016, 124: 164-174.

DOI

[34]
STANLEY T D, ROSENBERGER R S. Are recreation values systematically under estimated? Reducing publication selection bias for benefit transfer. A paper presented at the 2009 MAER-Net Colloquium, Corvallis Oregon USA, 2009.

[35]
XIAN J, XIA C, CAO S. Cost-benefit analysis for China's grain for green program. Ecological Engineering, 2020, 151: 105850, Doi: 10.1016/j.ecoleng.2020.105850.

DOI

[36]
全球能源互联网发展合作组织. 中国2060年前碳中和研究. 2021.

[ Global Energy Interconnection Development and Cooperation Organization. Research on China's carbon neutrality by 2060. 2021.]

[37]
蒋伟杰, 张少华. 中国工业二氧化碳影子价格的稳健估计与减排政策. 管理世界, 2018, 34(7): 32-49, 183-184.

[ JIANG W J, ZHANG S H. Robust estimation and application of shadow price of CO2: Evidence from China. Management World, 2018, 34(7): 32-49, 183-184.]

[38]
许骞骞, 孙婷, 曹先磊. 实现碳中和目标的林业碳汇作用路径分析. 经济研究参考, 2021, (20): 57-69.

[ XU Q Q, SUN T, CAO X L. The way to achieve carbon neutrality: Role and potential of forestry carbon sequestration. Review of Economic Research, 2021, (20): 57-69.]

[39]
余智涵, 宁卓, 杨红强. 随机价格下杉木人工林的碳汇收益及最优轮伐期确定. 自然资源学报, 2022, 37(3): 753-768.

[ YU Z H, NING Z, YANG H Q. Carbon sequestration benefit and optimal rotation period determination of Cunninghamia lanceolata plantation under stochastic price. Journal of Natural Resources, 2022, 37(3): 753-768.]

DOI

Options
文章导航

/

〈 〉