全球森林管理对木材需求变化的响应

《Global Change Biology》：Response of Global Forest Management to Changes in Wood Demand

全球木材需求增长将依赖森林管理强化和气候变化带来的生产力提升，但极端事件与养分限制的影响仍不确定。

　　森林资源在人类社会发展过程中一直扮演着重要角色，不仅为建筑、烹饪燃料、食物和药用植物等提供原材料，还为生态系统服务和自然对人类的贡献（如碳固存、土壤保护和水资源管理）提供基础（Brockerhoff et al. 2017；Ritter and Dauksta 2013；Taye et al. 2021）。森林产业的贡献超过1.5万亿美元，是许多行业的重要输入（Li et al. 2022）。此外，全球三分之一的家庭依赖木材作为主要烹饪燃料，一些国家甚至达到50%以上（FAO 2016）。森林产品种类的多样性，从纸张到建筑材料再到木材燃料，凸显了社会从森林中获得的大量物质利益。随着自然栖息地的退化和破坏速度加快，森林生态系统服务和自然对人类的贡献正越来越受到关注（Brockerhoff et al. 2017；Díaz et al. 2019；FAO 2024b；Felipe-Lucia et al. 2018；IPBES 2019；Isaac et al. 2024）。尽管森林覆盖了全球31%的土地面积，但它们是大多数陆地物种的主要栖息地，并包含了世界上一些最丰富的生物多样性区域（FAO 2024b；Hilton-Taylor et al. 2009）。森林管理已发生显著变化，反映了社会价值观、技术进步和科学理解的演变（Ritter and Dauksta 2013）。最近的讨论聚焦于多用途管理，强调了保护生物多样性、提高对环境扰动（如气候变化）的适应能力以及尊重原住民的土地权利（Ellison et al. 2017；Felipe-Lucia et al. 2018；MacDicken et al. 2015）。

以往关于全球森林管理建模的研究主要集中在森林产业模型上，例如全球木材模型（GTM）和全球森林产品模型（GFPM）（Buongiorno 2015；Favero et al. 2021；Kallio et al. 2004；Kindermann et al. 2006；Sohngen et al. 2001）。这些模型均采用价值最大化方法来确定最优的森林管理决策。GTM通过最大化净全球木材市场盈余（即消费者盈余和生产者盈余之和）来实现这一目标（Sohngen et al. 2001）。类似地，GFPM采用部分均衡方法，通过最大化消费者和生产者盈余（扣除交易成本）来模拟不同森林产品供需（Daigneault et al. 2022）。尽管GTM和GFPM通过多种森林类型和林业产品组合对森林管理进行了详细建模，但它们在空间细节方面存在局限。GTM仅使用16个经济区域，而GFPM涵盖180个国家，但没有亚国家层面的空间表示（Daigneault et al. 2022）。

近年来，森林管理已被整合到更大的建模框架中，如全球土地利用模型和综合评估模型（IAMs）（Doelman et al. 2018；Lauri et al. 2019；Mishra et al. 2021）。土地利用模型考虑了整个土地系统的全面表示，包括农业、人工林、自然生态系统和城市区域。对林业和其他土地利用进行联合建模的重要性主要源于不同土地利用之间的权衡，这种权衡由农业和林业产品需求的变化所驱动。土地利用模型通常比森林产业模型具有更高的空间分辨率，并且在森林管理和产品表示方面差异显著。例如，GLOBIOM包括六种森林类型和35种森林产品，而MAgPIE仅包括两种森林类型和两种森林产品（Daigneault et al. 2022；Lauri et al. 2019；Mishra et al. 2021）。即使在考虑初始条件和情景假设后，模型架构的差异仍可能是土地利用模型结果变化的重要来源（Alexander et al. 2017；Prestele et al. 2016）。因此，改进对土地利用预测固有不确定性的理解，需要在更广泛的模型之间进行比较（Daigneault et al. 2022）。

在模拟未来森林管理变化时，未来木材需求的预测是主要的不确定性来源之一（Buongiorno 2015；Daigneault et al. 2022；Lauri et al. 2019；Morland et al. 2018；Nepal et al. 2021）。从1961年到2022年，全球年均原木采伐量增加了58%，从25.17亿立方米增长到39.83亿立方米（FAO 2024a）。未来全球木材需求的预测因方法和对人口增长、经济增长以及与能源使用和气候缓解相关政策的假设而存在显著差异（Daigneault et al. 2022；Lauri et al. 2019；Mishra et al. 2021；Nepal et al. 2021）。木材产品的供需对价格和经济增长变化反应敏感，这为未来木材需求的建模提供了主要途径（Morland et al. 2018）。此外，旨在增加木质生物量在能源生产中的占比并推动“木材城市”发展的政策，可能会使木材需求超过历史趋势（Mishra et al. 2022；J. Zhao et al. 2022）。鉴于高强度木材采伐对森林生态系统可能造成的损害以及对木材能源碳中性的质疑，关于大规模生物能源从森林产品中净收益的争议仍然存在（Peng et al. 2023；Sterman et al. 2018）。由于对未来木材需求的共识不足，需要新的需求预测来帮助建立对全球森林管理潜在演化的更好理解。虽然过去的研究已经探讨了未来的林业情景，但发表的情景多样性有限，且往往缺乏空间或时间细节。

在本研究中，我们通过探索新颖且具有空间细节的木材需求、森林管理强度和木材采伐的预测，来解决对未来全球森林管理理解的不足。我们使用了Land System Modular Model（LandSyMM），这是一种基于过程的全球土地利用建模框架，具有详细的空间表示。通过结合不同的未来社会经济（Shared Socioeconomic Pathways; SSPs）和气候（Representative Concentration Pathways; RCPs）情景，我们模拟了不同国家如何响应木材需求的变化，考虑了诸如气候变化和大气CO?浓度导致的森林生产力变化、农业竞争以及国际贸易等因素。气候变化已经显著影响了森林生产力，全球总体生产力有所提高，但局部变化模式则因水可用性等因素而有所不同（Boisvenue and Running 2006）。因此，将气候和CO?效应纳入森林产业模型对于生成现实的全球木材供应预测至关重要（Daigneault et al. 2022；Favero et al. 2021；Lauri et al. 2019）。此外，全球森林管理的空间和时间模式受到社会经济因素的影响，包括国际贸易（Zhang et al. 2020）和与农业对土地的竞争（Bousfield et al. 2024）。LandSyMM明确表示了这些因素，使我们能够包括关于气候、全球贸易和土地竞争的场景特定假设。

我们使用共享社会经济路径（SSPs）和代表性浓度路径（RCPs）的组合来建模未来变化的多种情景，以捕捉潜在结果的多样性。我们旨在为正在进行的关于林业未来的讨论做出贡献，特别是对气候变化缓解和生物多样性保护的影响。通过使用广泛应用的SSP和RCP情景框架，我们希望使我们的结果与之前和未来的研究相比较。本研究的主要目标是评估人口、GDP和气候变化变化如何影响本世纪全球木材需求和森林管理。

在方法部分，我们开发并应用了LandSyMM中的新森林管理实现。LandSyMM是一种基于过程的全球土地利用建模框架，具有详细的空间表示。全球范围内，人工林面积、森林管理强度和木材采伐量在0.5度网格上进行模拟，每年进行一次最小成本优化。木材需求是通过价格弹性需求系统逐国进行预测的，该系统基于历史木材消费和价格数据进行拟合。木材需求的变化由不同SSP情景下的人口和人均GDP变化以及内生的木材价格变化驱动。LandSyMM结合了动态全球植被模型（LPJ-GUESS）和全球土地利用模型（PLUM），以模拟国家层面的需求、国际商品贸易、空间显式产量、粮食生产、能源作物和木材采伐（图1）。

为了计算每国的木材消耗，我们采用了一种质量平衡方法（方程1），其中假设木材消耗等于国家内部原材料（工业原木或木材燃料）的收获量加上净贸易的原材料和加工木材产品。收获、生产及贸易统计数据首先进行了数据不完整和不一致的修正（见补充信息）。然后，对于每个国家：

消费 = 收获 + ∑进口s_i - ∑出口s_i

其中，消费是表观消费，收获是国家内部工业原木或木材燃料的收获量，进口s_i和出口s_i是商品i的进口和出口量。表1展示了报告的FAOSTAT木材项目如何分类为两种PLUM木材商品（工业原木和木材燃料）。

对于每国，我们使用贸易值和贸易量来估算木材产品的价格（FAO 2024a）。首先，我们汇总贸易值和数量，将项目数量转换为工业原木或木材燃料的体积，如前所述。我们通过将贸易值除以各自的贸易量来计算进口和出口价格，随后计算商品价格为进口和出口价格的加权平均，权重为进口和出口量。对于没有数据的国家，缺失的价格被替换为全球中位数价格。

在模型运行过程中，MAIDADS预测每国工业原木和木材燃料的人均需求，使用人均GDP、价格以及控制消费偏好的拟合参数（表S1）。人均木材需求然后乘以国家人口，得到该国的总木材需求。木材价格是基于全球贸易平衡内生计算的，使用与农业产品相同的计算方法（Alexander et al. 2018）。木材需求的价格弹性取决于收入水平，这导致了整体木材需求和对原木或燃料木材的偏好在不同情景下出现复杂且动态的变化（图S3）。图3展示了观察到的木材需求和模型预测，假设平均2017年价格。

在模拟过程中，我们发现高森林管理强度主要集中在木材需求高但土地供应有限的地区，如欧洲和南亚（图4c）。管理强度在人口密集的国家尤其高，如英国和印度，其面积加权平均强度分别为0.038和0.034，而全球平均为0.018。尽管美洲是全球木材生产的主要地区（FAO 2024a），但由于广泛的森林覆盖，该地区的森林管理强度较低。这包括主要的木材生产国，如美国和巴西，其面积加权平均强度分别为0.013和0.015。我们还发现，在赤道非洲，高木材燃料需求驱动了高森林管理强度。

我们比较了模拟的森林管理强度（图4c）和木材采伐（图4e）与LUH2数据集（Hurtt et al. 2020）的对应关系，该数据集包括从国家层面FAO统计数据中下缩的全球木材采伐地图（图4d,f）。为了使LUH2数据与我们的结果相比较，我们使用了0.3 tC m?3的转换因子将生物量采伐转换为木材体积（Hurtt et al. 2020）。此外，我们展示了2005年至2015年间LUH2报告的平均每年森林面积采伐比例（图4d）。LandSyMM和LUH2在广泛全球分布和采伐热点上表现出一些相似之处。对于木材采伐，虽然我们在网格层面上与LUH2的关联性较低（皮尔逊相关系数=0.36），但我们注意到LUH2数据集似乎包含了一些异常模式（如在欧洲和巴西），这表明数据限制。对于欧洲，Verkerk等人（2015）显示，与我们的数据相比，其网格层面的木材采伐关联性更高（皮尔逊相关系数=0.64）。在国家层面，模拟的木材采伐与FAOSTAT报告的采伐量显示出良好的一致性（皮尔逊相关系数=0.94；图S4）。

结果表明，到2060年，所有情景下全球木材需求将增加33%至60%（图5；表S4）。SSP5-RCP8.5情景中需求的快速增长主要由人均GDP增长驱动，大多数国家到本世纪末将向高收入人口趋近。相比之下，SSP3-RCP7.0情景中木材需求的增长主要由快速的人口增长引起。在SSP5-RCP8.5情景中，总木材需求的增长仅来自于工业原木需求的增加，而木材燃料需求则下降。工业原木和木材燃料需求的分歧在那些平均全球收入增长与历史趋势持平或更高的情景中显现出来（SSP1-RCP2.6、SSP2-RCP4.5、SSP5-RCP8.5）。在那些收入增长较弱的情景中，如SSP3-RCP7.0和SSP4-RCP6.0，工业原木和木材燃料的需求仍会继续增长。

到2100年，情景显示全球木材需求有显著差异，需求增加幅度在27%（SSP1-RCP2.6）至102%（SSP3-RCP7.0）之间（图5；表S4）。三个总木材需求最低的情景（SSP1-RCP2.6、SSP2-RCP4.5、SSP4-RCP6.0）在本世纪末显示出需求趋于稳定。除了SSP1-RCP2.6外，所有情景中工业原木需求在整个世纪内持续增长。木材燃料需求的趋势则更加多变，SSP3-RCP7.0和SSP4-RCP6.0情景中木材燃料需求持续增长，而SSP1-RCP2.6、SSP2-RCP4.5和SSP5-RCP8.5情景中木材燃料需求下降或保持稳定。在SSP1-RCP2.6情景中，总木材需求在2080年后下降，这与全球人口减少有关。在SSP1-RCP2.6和SSP5-RCP8.5情景中，由于本世纪前半段国家收入的快速增长，工业原木需求迅速增长，而木材燃料需求急剧下降。SSP4-RCP6.0情景显示出工业原木需求增长非常缓慢，而木材燃料需求增长显著。这反映了该情景中低收入国家对木材燃料能源需求的依赖。与“照常营业”叙述一致，SSP2-RCP4.5情景中的需求与其他情景相比相对中间。

在所有情景中，全球木材需求的增加主要归因于非洲和亚洲（图6）。在SSP2-RCP4.5情景中，全球木材需求中位数增长29.35亿立方米，其中9.87亿立方米来自亚洲，16.36亿立方米来自非洲，占全球增长的89%。在SSP4-RCP6.0情景中，全球木材需求的增加几乎完全归因于非洲，其他地区的木材需求保持稳定或下降。在非洲、北美和南美，2100年的木材需求最高出现在SSP3-RCP7.0情景中，而在亚洲和欧洲则出现在SSP5-RCP8.5情景中。唯一在2100年木材需求下降的地区是欧洲在SSP1-RCP2.6和SSP4-RCP6.0情景中，以及南美在SSP4-RCP6.0情景中。工业原木需求预计在所有地区增长，除了欧洲在SSP1-RCP2.6和SSP4-RCP6.0情景中。木材燃料需求的趋势在不同地区和情景中表现不一致。在SSP1-RCP2.6情景中，大多数地区的木材燃料需求下降。在SSP3-RCP7.0和SSP4-RCP6.0情景中，木材燃料需求增加，其中非洲和北美地区的增长最大。

木材价格指数在所有情景中显示，在本世纪前半段有所增长，随后在SSP1-RCP2.6、SSP4-RCP6.0和SSP5-RCP8.5情景中下降（图7）。在大多数情景中，木材价格在2050年左右达到峰值。SSP1-RCP2.6和SSP4-RCP6.0情景中较高的木材价格部分解释了这些情景中较低的总需求，尤其是在高收入国家，需求弹性更为负向（图S3）。在SSP1-RCP2.6情景中，由于森林管理成本较高，木材价格指数增长最大，2051年的峰值价格指数为128（90% CI: 114–144）。相反，尽管木材需求很高，SSP5-RCP8.5情景中的木材价格指数却显著下降，到2100年降至77（66–92）。这可以归因于该情景中较低的森林管理成本和由于高碳排放导致的CO?施肥效应带来的森林产量增加。木材价格的变化似乎与碳排放相关（如RCP定义），表明气候变化和CO?水平的增加可能对全球木材供应产生积极影响。然而，这种模式受到每种情景不同社会经济假设和参数化的影响，这些因素也可能显著影响全球木材市场。

结果表明，全球木材需求的增长将导致人工林面积的相对温和增长，与农业扩张导致的未管理森林面积的减少相比（图8；表S5）。在SSP3-RCP7.0情景中，尽管2100年的木材需求增长了102%，但人工林面积仅增长了6.3%（90% CI: 4.1%至9.5%）。其他情景中，全球人工林面积的增长幅度均小于SSP3-RCP7.0情景（表S5）。虽然人工林扩展主要由全球木材需求增加驱动，但它也受到土地利用成本、森林生产力变化以及与农业对土地的竞争等因素的影响。在SSP1-RCP2.6情景中，由于木材需求较低和土地转换成本较高，人工林面积仅略有扩展，而在SSP3-RCP7.0和SSP5-RCP8.5情景中，由于相反的因素，人工林面积扩展更快。

在SSP3-RCP7.0情景中，尽管木材需求增长了102%，但人工林面积仅增长了6.3%（90% CI: 4.1%至9.5%）。其他情景中，全球人工林面积的增长幅度均小于SSP3-RCP7.0情景（表S5）。虽然人工林扩展主要由全球木材需求增加驱动，但它也受到土地利用成本、森林生产力变化以及与农业对土地的竞争等因素的影响。在SSP1-RCP2.6情景中，由于木材需求较低和土地转换成本较高，人工林面积仅略有扩展，而在SSP3-RCP7.0和SSP5-RCP8.5情景中，由于相反的因素，人工林面积扩展更快。

全球木材需求的变化将对森林管理实践产生重要影响。如果全球木材需求继续以高增长率增长，如SSP3-RCP7.0和SSP5-RCP8.5情景中，木材采伐的强化将不可避免。在经历更高需求的地区增加木材采伐可能会导致资源开采的不可持续水平，如果森林资源没有被谨慎管理的话。这提出了一个平衡森林生产力与其他因素（如保持生物多样性和增加碳固存）的挑战。相反，在SSP1-RCP2.6情景中，由于木材需求增长较弱，许多地区的森林管理强度下降，这为转向优先恢复和维护生态系统服务的管理实践提供了机会。鉴于全球社会经济轨迹的不确定性，这突显了需要森林管理方法，能够适应全球木材需求变化。因此，全球协调是必要的，以将地方森林管理实践与更广泛的环境目标对齐（MacDicken et al. 2015）。

在本研究中，木材需求仅基于社会经济因素（人口和GDP）和价格进行预测。政策因素，如与木材基生物能源相关的政策，未被纳入。尽管目前木质生物质仅占全球初级能源供应的6%，但随着世界从化石燃料向可再生能源的转变，这一比例可能会增加（FAO 2016；FAO 2024b）。木质生物质有可能在2050年满足全球初级能源供应的18%（Lauri et al. 2014）。由于我们的模型中未包含这种额外的需求，结果可能低估了森林未来的压力，尤其是在那些强调木质生物质用于气候缓解的地区。此外的木材需求也可能来自向更木材基建筑的转变，这可能会在建筑中储存大量碳（Mishra et al. 2022；Zhao et al. 2022）。

政策，如为生物多样性保护而扩大保护区以及通过碳定价实施温室气体减排措施，也可能显著影响未来的木材需求和森林管理。在本文呈现的情景中，保护区从世界保护区数据库（UNEP-WCMC和IUCN 2025）初始化，并在整个模拟过程中保持不变。扩大保护区可能会导致保护区外木材采伐的强化，这对生物多样性产生负面影响（Rosa et al. 2023）。最终，保护区对森林管理的影响取决于其有效性，例如允许多少木材采伐（Arneth et al. 2023）。其他可能显著影响全球森林管理的因素，如通过再造林、森林恢复和保护实现的碳抵消需求，也未在此模型中进行建模。大规模的造林和再造林可能是实现成本效益的气候缓解所需（Zhao et al. 2024），并且可能带来与木材采伐未探索的权衡（Daigneault et al. 2022）。

虽然包含额外的潜在需求来源可能会显著影响本文呈现的预测，但这些也伴随着关于每种情景中可能采用的政策的额外不确定性。例如，有越来越多的证据表明，森林生物质能并不像通常认为的那样具有碳中性，这可能限制其采用（Peng et al. 2023；Schulze et al. 2012；Seo et al. 2024）。然而，对木质生物质的更高需求也可能激励造林和强化森林管理，从而导致森林碳储量的净增加（Daigneault and Favero 2021；Favero et al. 2020）。本文呈现的情景基于历史木材需求模式，因此对未来木材需求驱动因素的假设较少。然而，探索其他需求驱动因素的影响将提供更全面的视角，以了解全球森林管理如何演变。未来使用LandSyMM的研究应包括关于基于土地的气候缓解政策的进一步假设，以解决这一局限。

本文呈现的预测反映了在平均气候条件下的潜在森林产量，但并未完全考虑干旱、热浪和扰动等极端事件频率和严重性的增加。这些动态以及新兴的森林枯萎和生物群落转变的证据（Boulton et al. 2022；Duffy et al. 2021）代表了可能显著限制森林满足未来木材需求能力的关键不确定性。我们的结果表明，在乐观的CO?驱动生产力增长和平均气候轨迹假设下，全球森林管理可能能够满足预测的木材需求增长。然而，这些结果仍存在显著的不确定性，特别是在极端事件、养分限制和潜在生物群落转变方面，这些在当前的建模框架中并未完全捕捉。

目前，LandSyMM基于轮伐采伐的方式对森林管理进行了表示。模拟其他管理实践，如抚育、低影响采伐和树种选择，可能会产生与本文中结果不同的结果。在最大化森林生态系统服务（如木材采伐、碳固存和生物多样性保护）的不同管理实践之间存在固有的权衡（Brockerhoff et al. 2017；Felipe-Lucia et al. 2018；Kolo et al. 2020）。了解管理实践如何影响森林生态系统服务的平衡对于实现全球可持续发展目标至关重要。在联合国可持续发展目标（SDGs）中，SDG 15（陆地生命）强调了对森林的保护和可持续利用，并呼吁停止森林砍伐和恢复退化森林生态系统。其他几个目标也与森林管理密切相关，包括SDG 13（气候行动），强调森林作为碳汇的作用，以及SDG 7（负担得起的清洁能源），认识到木材基能源，尤其是在低收入国家中的重要性。在木材产品需求增长的背景下实现这些目标，需要精心规划的方法来平衡经济发展和森林生态系统的保护。

随着木材产品需求通过社会经济因素和政策驱动持续增长，森林管理的强化将对森林生态系统的长期健康构成挑战。本研究强调了在考虑整个土地系统而非仅关注森林部门的情况下评估人类对森林的影响的重要性。粮食、木材和能源生产之间的土地利用竞争可能导致复杂且多变的土地利用模式。全球土地利用建模框架，如LandSyMM，对于探索未来土地系统可持续管理的潜在路径至关重要。在不给自然生态系统带来额外压力的前提下满足不断增长的粮食、材料和能源需求，需要仔细考虑不同土地管理实践的益处和权衡。