中国森林损失的时空特征及其与经济增长的EKC关系检验

朱洪革，赵文铖，曹博

（1. 东北林业大学 经济管理学院，黑龙江 哈尔滨 150040；2. 上海财经大学 财经研究所，上海 200433）

森林作为陆地生物圈最重要的生态系统，为人类提供了至关重要的社会、经济、健康与环境效益。然而森林生态系统极易受到人类活动的影响，因为人类社会直接或间接地依靠森林资源满足所有的基本需求[1]。许多研究结果表明，由于人为因素的剧烈干扰，世界许多地区的森林生态系统已经严重退化或濒临灭绝[2-4]。而森林生态系统的退化通常与森林损失有着直接关系[5]，因此有必要及时了解森林损失的变化状况及成因。

结合我国对森林定义的标准，森林指所有高于5米的且郁闭度大于20%的天然林或人工林。森林损失则定义为从有森林变为无森林状态的变化过程。森林损失可能是人类活动的结果，也可能是自然原因导致的结果。最近许多的研究表明，快速发展地区的森林损失在很大程度上受社会经济发展的影响，而不考虑地球物理属性的变化[6]。自改革开放40多年以来，中国的社会经济发展取得了巨大的进步，经济总量也有十分明显的提升[7]， 但同时也出现了一系列严重的不平衡和不和谐的问题，突出表现为资源的过度消耗与环境污染的加剧[8]，因此有必要从森林损失的角度探究社会经济发展对中国森林资源的影响。环境库兹涅茨曲线（EKC）通常用于分析经济增长与环境状况之间的关系。该曲线最初由美国环境经济学家提出，Grossman & Keruger[9]通过使用大气质量数据证实了经济增长和环境污染之间存在倒“U”型关系，即一个国家或地区的环境污染水平随经济增长先增加后减少。由于该曲线关系与1955年美国著名经济学家Kuznets[10]所发现的经济增长和收入分配之间存在的倒“U”型曲线关系一致，因此将其命名为环境库兹涅茨曲线。

考虑到森林资源在经济发展中的重要性，已有大量文献研究了经济增长与森林资源之间的关系，并证实了二者之间存在环境库兹涅茨曲线关系，即随着经济增长，森林净存量存在先下降后上升的演变趋势[11-14]。但已有研究在以下方面仍值得深入探究：（1）现有研究基本上将重点集中在了森林资源净变化与经济增长之间的关系上，缺少从森林损失的角度开展研究。森林资源的变化既包括森林增加，也包括森林损失，二者之差构成了森林资源的净变化，它们来自不同的角度，均具有研究意义。其中，森林增加能够反映出森林营造与保护的程度，森林损失能够更加直观地描述经济社会发展对森林资源的利用或损坏情况，森林资源净变化则从整体上观测森林营造保护与开发利用是否平衡。（2）关于森林资源的量化数据大多是基于国家森林资源清查数据或调查数据，缺乏从卫星遥感数据的角度观测中国森林资源的变化。森林资源清查数据对于全面评估森林资源具有重要意义，但存在着每隔5年才会发布的相对滞后性缺陷，而卫星遥感数据可以提供更加准确并且及时的土地覆被信息[1]。

基于此，文中利用Hansen全球树木覆盖数据集重点解决以下问题：（1）对中国31个（港澳台除外）省份在2001—2018年期间森林损失的时空特征进行量化和可视化。（2）从森林损失的角度构建中国的森林EKC曲线，以明确森林损失随经济增长的变化过程。（3）由于中国东、中、西部地区在经济发展水平、资源禀赋、产业结构、环境监管等方面存在差异，有理由相信森林EKC曲线也可能存在区域差异[15]，因此进一步为东、中、西分区域建立模型以确定经济发展对森林损失的影响是否存在区域差异。

1 研究方法

1.1 模型设定

传统森林EKC理论认为经济增长水平的提高首先会造成森林损失的增加，但经过一段时间的后，森林损失的转折点出现，森林损失虽然是正的，但开始下降。最后随着经济增长达到更高的水平，森林损失变成了负数，森林资源净值开始增加。传统森林EKC理论中的森林损失是净森林损失，即森林损失和森林增加的差额。长期以来，中国造林力度不断增加从而导致森林增加是单调递增的，因此传统EKC曲线中净森林损失的先增后减很大程度与森林损失的变化有关。其中森林损失随经济增长的变化可能存在两类过程：（1）森林损失率随经济增长先增后减；（2）森林损失随经济增长持续递增，但增长速度逐步放缓。基于此，根据环境库兹涅茨曲线理论，建立含三次项式的森林EKC曲线扩展模型以探究经济增长和森林损失之间的线性关系。为使数据更加平稳，对所有数值型变量进行对数转换，比率型变量保持不变。在执行回归分析之前，由于模型存在异方差和序列相关问题，因此使用了聚类稳健标准误进行了修正。最后，数据结构特征及Hausman检验表明，固定效应模型优于随机效应模型。因此，模型设定为：

式中：i和t分别代表省份和年份，Flr为被解释变量，即森林损失率；Pgdp为解释变量，即人均GDP；X为控制变量，主要包括人口密度（Density）、人均粮食产量（Grain）以及天然林保护工程中的管护投资（Policy）等变量；β是待估计系数，ε为随机误差项。待估计系数不同正负取值下经济增长和森林损失之间的关系如表1所示。

表1 不同参数估计下环境库兹涅茨曲线的形状及含义

1.2 指标选取

被解释变量，使用森林损失率来衡量各地区的森林损失程度，其中森林损失率的计算方法为各地区每年的森林损失面积除以各地区以2000年为基准的森林总面积[16-17]。

核心解释变量，使用人均GDP来反映地区的经济增长水平[18-20]。

控制变量，已有文献认为影响森林损失率还有以下因素：①人口密度。人们普遍认为人口压力是造成毁林和森林退化的重要近因，人口密度越高，往往会伴随着更大的森林资源需求，从而增加森林损失率[12,21]。②人均粮食产量。该变量反映了林地与耕地之间的矛盾。通常来说，人均粮食产量高的地区很可能会转化更多的林地用于耕地，从而增加了森林损失率，但人均粮食产量高的地区也可能会减少森林损失率，由于人均粮食产量高的地区伴随着较高的农业技术水平，从而导致单位面积的耕地可以负载更多的农产品需求，缓解了林地转化为耕地的压力[9]。③天然林保护工程中的管护投资。在中国森林资源从持续减少变为持续增长的过程中，旨在抑制毁林和促进重新造林的政策非常重要，天然林保护工程作为中国最大的生态保护工程之一，通过有序限伐、禁伐天然林资源、调减木材产量，能够有效减少各地区森林资源的损失率[21-22]。

1.3 数据来源

本研究选取了中国31个省份2001—2018年期间的面板数据，由于部分地区的数据缺失，样本中未包括香港、台湾和澳门地区。森林年损失面积和2000年森林总面积数据来自Hansen全球树木覆盖数据集，该数据集已在全球和区域范围内进行了高精度验证[1,23]。人均GDP数据、人口密度数据、人均粮食产量数据来自2002—2019年的《中国统计年鉴》。天然林保护工程中的管护投资数据来自2001—2018年的《中国林业统计年鉴》。所有可能受到价格波动和通货膨胀影响的变量都使用基准年为2000年的消费者物价指数（CPI）作为平减指数进行了调整，CPI数据来自《中国统计年鉴》。各变量的描述性统计见表2。

表2 变量统计描述

2 结果与分析

2.1 中国森林损失的时间演替特征

图1为2001—2018年间中国森林损失率变化的年度趋势图。结果显示：（1）在2008年前，中国森林损失率随年份显著增加，从2001年的0.12%增加至2008年的0.40%。这很大程度上与此期间中国经济的高速增长有关，根据《中国统计年鉴》显示，中国GDP年度增长率从2001年的8.34%持续上升至2007年的14.23%，并在2008年开始放缓，同时此期间中国产业结构以第二产业为主，这意味着经济增长需要大量的木材资源[24]。《中国林业统计年鉴》显示，木材产量同样在2008年前表现出显著增加的趋势，从2001年的4 552.03万立方米增长至2008年的8 108.30万立方米，并在2008年后稳定在8 000万立方米左右。（2）2008年之后，森林损失率缓慢下降，从2008年的0.40%下降至2015年的0.29%。这一方面由于此期间中国经济增长速度持续放缓，并且出现了第三产业比重向第二产业比重的反超，降低了对森林资源的直接消耗；另一方面，2008年在继续推进林业重点工程等生态政策的同时，国家颁布了《中共中央国务院关于全面推进集体林权制度改革的意见》，中国集体林地面积占中国林地总面积的60%左右，已有学者研究表明，集体林权改革能够显著提高农户管护造林的积极性，同时缓解对森林的过度采伐，减少毁林与森林退化，从而有效实现中国森林面积和蓄积的双增长[25-27]。（3）2016年作为全面停止天然林商业性采伐和中国经济即将进入高质量发展阶段的关键节点，本应出现森林损失率的明显下降却出现了明显的上升，从2015年的0.29%增加至2016年的0.35%，虽然接下来的两年连续下降但森林损失率仍然处于较高的水平。出现这种现象的可能原因如下：根据《中国林业统计年鉴》显示，2016年的木材产量（7 775.87万立方米）较2015年的木材产量（7 218.21万立方米）有所提高，虽然停伐政策保护了天然林，但增加了对人工林的需求，从而导致拥有较多人工商品林的地区承受了更多的森林损失。但是木材采伐量的增幅明显小于森林损失率的增幅，因此暗示了2016年以来毁林开荒、毁林采石采土等行为可能有所增加。

这里的求和仅仅理解为多边矩阵的剖面的另一种记号，因为作为矩阵，它们是无法求和的，因为各项的矩阵阶数是不同的。如果记一个二元函数π(x,y)满足当x和y都是数值时，π(x,y)=xy，而当x是数值，y是向量(y1,y2)T时，π(x,y)=xy1+xy2，那么利用该运算符号π(x,y)作为矩阵A和B的广义交叉乘法的数据层面的运算，而框架层面的运算仍然采用普通矩阵乘法的运算法则，可以定义矩阵A和B的广义交叉乘法如下：

图1 2001—2018年间中国森林损失率的年度变化

2.2 中国森林损失的空间分布特征

图2显示了2001年、2007年、2013年和2018年中国各地区森林损失率的变化轨迹，其中颜色越深表示森林损失率越高，黑色线条围成的区域为天然林保护工程范围。通过观察四个时点各区域森林损失率的变化趋势可知：2001年中国森林损失率最高的地区位于京津冀地区，其次是东北地区和东南沿海地区。到了2007年，东北地区森林损失率仍然较高，但森林损失率在京津冀和东南沿海地区出现了明显的变化。其中东南沿海地区的森林损失率明显增高，成为中国森林损失率最高的区域，而京津冀地区的森林损失率明显降低，这很大程度与京津冀风沙源治理工程的有效实施有关。再到2013年，中国各区域的森损失率都有了不同程度的下降，特别是东北地区，该地区拥有中国最丰富的天然林资源，在天然林保护工程等生态林业政策的背景下，通过有序停伐、造林管护等方式，有效地控制了森林的损失。最后截至2018年，可以发现中国森林损失率较高的地区基本稳定聚集于东南沿海地区。这可归结为随着中央政府对生态环境的不断重视，各区域具有较高效益的天然林得到了有效保护，但由于国内对木材资源的大量需求，增加了人工商品林最为丰富的东南沿海地区的森林采伐，从而导致该地区拥有较高的森林损失率。为了进一步分析天然林和人工林的损失现状，图中引入了天保工程范围，并假定范围内的省份为以天然林为主的省份，而范围外的省份是以人工林为主的省份。可以发现，以天然林为主的省份的森林损失率明显降低，而以人工林为主的省份的森林损失率明显增高，可以推测出在2001—2018年间中国森林损失由天然林和人工林并存转变为以人工林损失为主的状态。

图2 中国森林损失率空间分布图

为了进一步准确地描述各省森林损失率随时间的变化趋势，对各省份的森林损失率和时间进行线性回归，并计算2001—2018年期间各省份的年均森林损失率（表3）。具体来看：（1）各省份年均森林损失率的差异化明显，其中大部分省份的年均森林损失率都比较低，半数以上的省份年均森林损失率不足1‰，而少部分省份的年均森林损失率较高，例如广西、广东、福建等省份年均森林损失率接近1%。（2）森林损失率的年度变化趋势具有上升、下降或无明显变化趋势的省份各占三分之一。其中，具有上升趋势的省份伴随着较高的年均森林损失率，而具有下降或无明显变化趋势的省份年均森林损失率较低。（3）天然林损失虽然明显下降但仍然存在。以黑龙江省的大兴安岭地区为例，该区域的森林资源均为受保护的天然林资源，但在2018年仍然有0.14%的森林资源遭受损失，因此，自天然林停伐后相继提出的加快划定生态保护红线、自然保护地整合优化实施办法等政策具有很大的必要性。

表3 2001—2018年间中国各省份森林损失率的变化趋势

2.3 森林损失与经济增长的EKC检验

2.3.1 全国角度的EKC检验

表4显示了2001—2018年经济增长对中国及各区域森林损失率影响的回归结果。从全国角度来看，仅有人均GDP三次项系数的结果显著为负，说明在研究期内森林损失率与人均GDP呈单调递减的曲线关系，即森林损失率会随着经济增长持续减少。该现象的部分原因在于：一方面，随着经济高速增长过程中自然灾害的不断出现，退耕还林工程、天然林资源保护工程、国务院关于《全国林地保护利用规划纲要（2010—2020）》等一系列森林资源保护政策相继实施，增加了经济增长进程中对于森林资源消耗的外部环境约束，对于中国森林损失率的减少起到了重要作用；另一方面，林产品市场供给侧结构性变动也从某种程度上缓解了国内对于森林资源的高度需求，主要体现在进口木材的比例逐年增长，统计数据显示，国内原木供给量中进口占比从2009年的28.41%增长至2018年的40.41%，年均增长1.33%，有效缓解了国内木材资源供给压力。综上可知，无论是外部政策环境还是内部结构变动均有效抑制了森林损失率的增加，从而使中国步入了经济增长伴随着森林损失下降的发展阶段。

表4 中国及各区域的EKC估计结果

2.3.2 分区域的EKC检验

分区域来看，2001—2018年间东、中、西三个区域的EKC曲线具有明显的异质性。首先，在东部地区，人均GDP一次项系数的结果显著为正，表明森林损失率与人均GDP呈现单调递增的曲线关系，即森林损失率随着人均GDP的增加而增长。东部地区EKC曲线的形成可以归因为国内木材市场供给结构由天然林为主向人工林为主转变的结果。据统计，近20年来，中国木材资源采伐限额中天然林资源占比不断缩小，自“十一五”规划中的61.55%锐减至“十二五”规划中的19.48%。以速生丰产林为代表的人工商品林则由于其轮伐期短并且采伐后能够及时更新的优势，逐渐替代天然林资源成为国内木材供给的主要力量。东部地区作为拥有中国最丰富的人工商品林储备的区域，在上述木材供给结构变动的背景下呈现出经济增长伴随森林损失率增加的趋势。

其次，在中部地区，人均GDP的一次和二次项系数分别显著为正和显著为负，表明森林损失率与人均GDP呈现倒“U”型的曲线关系，即森林损失率随人均GDP的增加呈现先增长后下降的演变趋势。拐点对应的人均GDP为Q=e0.47=1.60万元，即出现拐点的年份约为2008年。中部地区EKC曲线的形成可以归因为重点生态工程实施的结果。以天然林资源保护工程为例，自2000年后天然林资源保护工程区内逐渐实施木材产量调减与森林资源有序停伐，通过对森林资源进行抚育、管护等工作，有效地减少了偷伐、盗伐以及毁林开荒等行为的发生，有效抑制了森林损失率的增加。中部地区大部分省份被划归至重点生态工程区范围内，依托重点生态工程分步有序地下调木材采伐量，并于2008年左右出现拐点，呈现出森林损失率随经济增长先上升后下降的趋势。

最后，在西部地区，人均GDP的二次项系数显著为负，进一步观察人均GDP的一次项系数为负但不显著，表明森林损失率与人均GDP呈现的并非倒“U”型而是单调递减的曲线关系，即森林损失率会随着人均GDP的增加而减少。西部地区EKC曲线的形成可以归因为森林资源开发模式的结果。相较于东部地区与中部地区，西部地区森林资源开发模式呈现出可开采规模小、林产工业水平低、外部环境规制较强等特征。具体而言，西部地区森林资源相对匮乏，已有森林资源多以受到保护的天然林资源为主，极大地限制了可开采规模的扩张。与此同时，西部地区经济发展相对滞后，基础设施及人力资本水平较低，林产工业化仍处于初级阶段。因此，西部地区经济发展对于森林资源的消耗量较小，呈现出森林损失随经济增长而下降的趋势。

3 结论与讨论

3.1 结论

利用Hansen基于Landsat遥感数据制作的全球树木覆盖数据集，分析了2001—2018年期间中国森林损失的时空演变特征，并探究了中国及各地区森林损失与经济增长之间的关系。结果表明：（1）2001—2018年，中国森林损失率表现出先增再减再增的时间趋势，森林损失率的空间分布特征发生明显变动，表现为随时间推移，损失率较高的区域范围由各区域普遍存在向东南沿海区域聚集，东北与京津冀地区的森林损失率持续减少。（2）2001—2018年，中国森林损失率随经济增长呈单调递减。分区域来看，森林损失率随经济增长的关系具有明显差异，其中，东部地区森林损失率随经济增长单调递增，中部地区森林损失率与经济增长存在倒“U”型的曲线关系，西部地区则表现为森林损失率随经济增长单调递减。

3.2 讨论

文中与现有森林EKC曲线研究最大的区别在于基于森林损失角度开展研究并运用了遥感观测数据。基于森林损失角度的研究结果与现有基于森林资源净变化角度的研究结果有所不同，体现在以下方面：首先，森林损失角度的EKC曲线在全国及各区域具有明显的差异，而森林资源净变化角度的EKC曲线在全国及各区域均表现出了一致的变化趋势。其次，大部分森林资源净变化角度的EKC曲线研究拟合出森林蓄积量或面积随经济增长呈先减后增的倒“U”型曲线关系或先减后增再减的倒“N”型曲线关系。而森林损失角度的EKC曲线在全国和西部地区拟合出森林损失率随经济增长单调递减的曲线关系，在东部地区拟合出森林损失率随经济增长单调递增的曲线关系，仅在中部地区拟合出森林损失率随经济增长先减后增的倒“U”型曲线关系。最后，对于同时拟合出倒“U”型曲线关系的中部地区，森林资源净变化角度和森林损失角度下EKC曲线发生拐点的时间也具有差异，例如侯孟阳和姚顺波[12]计算了森林资源总面积与经济增长之间的关系，结果显示中部地区在1986年便进入了森林资源总面积随经济增长而增加的阶段；陈梅和朱臻[24]计算了森林蓄积和面积与经济增长之间的关系，结果显示中部地区的面积和蓄积均于1991年进入随经济增长而增加的阶段。而森林损失角度的研究结果表明，中部地区森林损失率随经济增长递减的拐点出现在2008年，即森林损失拐点的出现时间明显晚于森林资源净值拐点的出现时间。

由此可知，随着经济增长到一定程度后，虽然以人工造林、天然林管护以及森林抚育为代表的森林资源保护干预措施使森林资源净值进入了由净减少转变为净增加的阶段，但是这种基于森林资源净值变动视角研究森林EKC曲线拐点显现时间的做法掩盖了森林损失仍然加剧的现实。根据文中研究结果可以发现，中部地区天然林资源消耗量由逐年增加转变为逐年减少的时间点相对较晚，这意味着森林资源净增加阶段仍然伴随着森林损失的增加。因此，从森林损失视角研究森林EKC曲线是对森林资源净值变动视角的有力补充，有利于辨明森林资源与经济发展的真正关系。