编辑推荐：
本文聚焦全球森林砍伐，阐述其与商品生产消费的关联。介绍了量化砍伐及其驱动因素的方法，对比不同估算结果，探讨对土地利用治理的支持作用，提出未来应在数据和方法上改进，以更好应对森林砍伐问题。
引言
全球森林砍伐对气候、生物多样性和可持续发展目标影响重大。它是气候变化的主要驱动力之一，与全球约8.1±2.5GtCO2eyr?1的温室气体排放相关，也是生物多样性丧失的重要原因，还和诸多可持续发展问题紧密相连，如人权、农村和原住民社区的生计以及人畜共患病的出现。
商品生产用于国内消费和国际贸易，是全球森林砍伐的主要驱动力。尽管人们已意识到森林砍伐问题的紧迫性，私营部门和政府也有所行动，但森林消耗仍超出了地球的承载极限。
环境足迹分析可用于评估全球责任、关注热点以及消费与环境后果之间的联系趋势。森林砍伐足迹能够具体评估一个国家或部门与森林砍伐的关联及责任。虽然支持缓解行动需要多种信息，但足迹分析方法已为私营部门、政府和民间社会提供了帮助，包括识别和监测供应链风险、完善国家环境风险评估以及支持减少影响的目标设定等。
然而，目前进行足迹评估尚无普遍接受的标准。随着计算和遥感技术的发展，信息获取变得更加容易，证据基础也在迅速变化。因此，在解读森林砍伐足迹评估结果时，需要充分了解其采用的方法、数据和假设。本文将综合现有的国家层面森林砍伐足迹估算，探讨森林砍伐与商品生产、消费之间的联系，并对未来研究方向提出建议。
量化森林砍伐及其驱动因素
森林砍伐足迹估算需要明确森林砍伐的范围并进行量化，将森林损失归因于人类生产活动，并通过相关供应链和消费系统进行分配。这一过程涉及数据收集、建模和假设，这些因素会影响最终的估算结果。
- 量化森林砍伐面积：全球森林损失与人类活动密切相关，但量化和归因森林损失并非易事。首先，森林和森林砍伐没有统一的定义。欧盟和英国采用了联合国粮食及农业组织（FAO）的森林定义：“面积超过 0.5 公顷，树木高度超过 5 米，树冠覆盖率超过 10%，或树木能够达到这些标准的土地”。然而，许多遥感产品，如全球森林观察（GFW），对森林的定义有所不同，其将森林定义为 “在 30 米分辨率下，高度至少 5 米，树冠密度至少 30% 的木质植被” 。
FAO 不认为天然林转变为人工林是森林砍伐，而民间社会的一些标准制定组织，如问责框架倡议，则将其视为森林砍伐。此外，不同的森林砍伐足迹估算所涵盖的森林和森林砍伐范围也存在差异，这会对森林砍伐的估算结果产生显著影响。例如，FAO 估计 2011 - 2015 年非洲的森林砍伐面积为4.8Mhayr，而 GFW 的估算仅为2.8Mhayr。
- 将森林砍伐归因于生产：当森林被砍伐后，确定其替代土地用途的动态变化并不简单。例如，用于木材生产的人工林取代原生林后，可能会定期砍伐和更新，但遥感产品仍可能将其记录为森林损失。不同的足迹分析方法在衡量森林砍伐时，对这种定期砍伐的考虑程度各不相同。在温带和寒温带地区，人工林的砍伐在森林总损失中占比较大，这一问题尤为突出。
一项具有重要影响力的全球评估将树木覆盖损失在地理空间上归因于五类主要驱动因素。该评估在 2001 - 2015 年期间，为全球每个 10 km 像素定义了单一的主要干扰类型。总体而言，全球高达 76% 的树木覆盖损失归因于农业和林业。只有城市化（估计对全球森林损失的贡献小于 1%）和商品驱动的损失（25%）被归类为永久性损失驱动因素（这些区域短期内树木不太可能重新生长）。然而，在推导森林砍伐足迹时，林业（31%）和轮作农业（21%）也与足迹量化中的经济活动相关。
森林砍伐归因的一个复杂之处在于，森林砍伐和土地用途变化之间可能存在时间滞后。由于作物成熟时间或其他土地利用动态，如短期用作牧场，在用于种植作物之前，森林损失和生产性土地产出之间可能会间隔数年。在足迹评估中，对这种时间滞后的考虑情况各不相同。此外，摊销假设的使用也存在差异，该假设旨在将初始森林砍伐事件的影响分摊到后续年份的生产中，以考虑同一地块土地可长期产生经济产出的情况。而且，森林砍伐可能与一些不一定产生生产性产出的农业活动相关，这些活动可能不会在足迹核算中体现，例如与土地投机、经济繁荣与萧条周期、土地冲突或农业用地火灾蔓延相关的森林砍伐。
- 将森林砍伐与消费联系起来：在将森林砍伐与经济驱动因素联系起来后，足迹分析的最后一步是将其分配到人类消费活动中。双边贸易信息可以提供与特定产品贸易相关的直接森林砍伐足迹，但直接使用贸易数据可能会掩盖真实来源。例如，荷兰是欧洲的主要贸易枢纽，但许多物资并非在该国生产。因此，需要采用能够考虑再出口（进口后再出口到其他国家）以及中间产品加工和贸易的方法，这些方法通常使用基于质量的数据，并被视为表观消费量的估计值。然而，由于供应链透明度不足，并非总能完全追踪商品的下游流向，可能会遗漏更复杂的加工阶段和路径。
全消费方法（使用经济范围模型）提供了一种解决方案。货币多区域投入 - 产出（MRIO）模型常用于代表全球部门间和国际贸易交易。结合物理和货币方法的混合模型也能够解决下游商品贸易和加工问题。
估计森林砍伐足迹
森林砍伐足迹的估算方法发展迅速，从最初探索森林砍伐活动与贸易之间的关联，到如今使用多种方法以更高的分辨率和准确性估算特定贸易和消费活动的商品特定足迹。农业和林业是森林砍伐的主要驱动因素，因此以下主要讨论这两个部门的足迹估算。
- 早期发展：“森林砍伐足迹” 这一术语大约在 2007 年出现在文献中，与管理与森林砍伐相关的排放有关。该术语用于概念化一个国家内的消费活动与海外生产或来源地区的影响之间的联系。尽管在这之前，森林砍伐的广泛驱动因素以及农业与森林损失之间的联系已得到充分确立，但该术语的引入恰逢人们对量化消费、贸易和全球森林损失之间的联系产生了更大兴趣。
最初，基于回归模型的分析探索了广义出口活动与农业用地扩张，然后是森林砍伐之间的关系。随后出现了对林业产品、牛肉、咖啡和大豆等的分析，这些分析都得出贸易是森林砍伐活动的关键解释变量的结论。同时，商品的物质平衡表也应运而生，用于探索进出口对本地和海外森林砍伐的影响。例如，通过对消费需求（生产 + 进口 - 出口）进行相对简单的分析，使用相关木材需求作为采伐的代理来推断森林砍伐情况。以越南为例，自 1992 年以来实现了净造林，部分原因是将森林采伐转移到其他国家，导致海外森林砍伐相当于越南国内森林总再生量的 39%。
这些早期分析为如今的森林砍伐足迹分析奠定了基础。重要的是，这些方法大多包含量化森林砍伐活动的机制和相关数据，这是森林砍伐足迹分析的关键组成部分。这些早期估算通常使用 FAO 森林资源评估（FRA）中的国家非空间森林覆盖和森林砍伐统计数据，尽管有些也使用了遥感数据，这些数据是 FAO 根据各国报告过程中提交的森林覆盖估计数整理而成的。
- 全球森林砍伐足迹分析：早期的一项全球森林砍伐足迹分析使用了 2010 年 FRA 数据。这些森林砍伐统计数据通过逐步土地利用转换模型，明确归因并定量关联到一系列相关生产系统，包括作物、畜牧生产、伐木、自然灾害和一个未解释类别，该模型用于分配森林损失的责任。
自 2010 年代初以来，地理空间数据影响了森林砍伐足迹分析的发展轨迹。全球森林观察（GFW）的全球树木覆盖损失数据尤为重要，该数据集为两项具有开创性的全球森林砍伐足迹估算提供了基础。尽管这两项估算使用了相同的森林损失数据集，但在将森林砍伐归因于土地生产产出的方法上存在差异。
土地平衡方法：一项全球分析将 GFW 数据与土地平衡模型结合使用。由于在区分永久性森林损失和临时性人工林轮伐方面存在挑战，该分析排除了非热带地区的 GFW 数据，同时也排除了印度尼西亚和马来西亚现有种植园的森林损失。土地平衡模型在概念上与上述土地利用转换模型相似，它基于 FAO 全球粮食和农业统计（FAOSTAT）的国家尺度数据，以及耕地和草地损失的遥感数据，对永久性牧场、耕地和人工林的总扩张进行统计（非地理空间）估计。森林损失根据相对扩张比例分配到牧场、耕地（然后进一步分配到个别作物）和人工林。该方法假设森林砍伐活动与土地生产性使用之间存在 3 年的滞后期。
主导驱动因素方法：另一项基于 GFW 数据集的全球分析采用了不同的归因方法。与土地平衡分析类似，首先将森林损失数据与定制的油棕和橡胶种植园掩码相结合，以排除可能被误纳入森林砍伐估计的区域。然后根据地理空间主导驱动因素数据集分配计算出的森林损失，这些数据用于将森林损失分配到林业、城市化、农业和其他商品，包括能源和采矿以及作物。与土地平衡模型相比，该分析提供了与所有生产性经济产出（不仅仅是农业）相关的非热带以及热带森林损失的估计。然而，它也包括了一些不属于森林砍伐的森林损失，特别是在非热带地区，森林管理导致的非永久性损失占主导地位。此外，该方法没有考虑森林砍伐与生产性产出之间的滞后期，而是将年度森林损失简单地与同年的生产性产出数据相关联。
DeDuCE 方法：后来，一种改进的全球归因数据集结合了上述方法的特点，并引入了更多地理空间数据。在森林砍伐驱动因素和碳排放（DeDuCE）模型中，树木覆盖损失数据（GFW）与其他数据集叠加，提供时空土地利用（变化）信息。尽管该模型旨在纳入广泛的商品范围，但大多数现有作物商品数据集主要集中在热带地区，如南美洲的大豆、科特迪瓦和加纳的可可以及热带地区的油棕。同时，还使用了林业、木本作物和森林管理状况的空间数据集来区分天然林损失和轮伐。
在 DeDuCE 中，采用了分阶段的归因方法。在有可用的空间和作物特定信息时使用这些信息，否则应用类似于土地平衡的方法，并结合 FAO 关于作物扩张的统计数据。对于非热带地区，纳入主导驱动因素数据使得能够包括温带和寒温带地区，但仅限于确定为人工林或农业商品驱动的森林损失，以排除不属于森林砍伐的森林损失。最后，根据 2020 年全球森林资源评估统计数据对人工林归因进行了限制。与主导驱动因素方法的一个重要区别是，由于数据缺口，与林业相关的森林砍伐总体上仅涵盖专用人工林的扩张，而没有涵盖更广泛的天然林木材采伐现象。在 DeDuCE 中混合使用空间和非空间数据引入了额外的不确定性和潜在的不一致性，因此该方法还为每个归因估计提供了质量评分。进一步的进展利用了亚马逊地区的地方生产统计数据，以改进对商品相关森林砍伐的归因。
- 将森林砍伐与贸易和消费联系起来：在将森林砍伐归因于生产部门之后，森林砍伐足迹分析的最后一个组成部分是通过全球和国内供应链将归因与消费点联系起来。虽然贸易信息可以直接使用，但全球足迹估算更常使用模型来考虑表观消费或全消费，后者能够更全面地评估经济体在推动森林砍伐中的作用。
在早期的土地利用转换模型中，通过物理物质流模型和货币 MRIO 模型分别使用了表观消费和全消费方法。前者使用 FAOSTAT 中作物和畜牧生产、供应和利用的时间序列数据，整合到贸易矩阵中，以追踪物理量和相关的森林砍伐估计，直至表观消费，不包括下游加工更复杂的产品和归类为其他利用产出的产品。MRIO 方法将森林砍伐估计归因于投入 - 产出表中的相应经济部门。后续的方法采用了类似的森林砍伐归因方法，但采用混合贸易模型进行下游归因，将 LANDFLOW 的其他利用产出与 EXIOBASE MRIO 中的非食品相关部门相结合。
同样，土地平衡和 DeDuCE 方法都与表观消费和全消费模型相联系，应用物理贸易方法，这些方法与 LANDFLOW 采用不同的假设，并使用 EXIOBASE MRIO。与消费模型的联系还包括应用摊销方法，以反映生产性产出合理归因于早期森林砍伐的情况，通常采用 5 年的摊销期。后来，这些数据集被整合到一个混合 MRIO 建模框架中，作为全球消费环境影响（GEIC）指标的基础，该指标使用物理贸易信息结合来自 EXIOBASE 或 GTAP 的货币 MRIO 数据。
在主导驱动因素方法和另一种概念类似的方法中，与 Eora（一种货币 MRIO）中的相应工业部门建立联系，根据部门的总经济产出映射森林砍伐分布。另一个当代例子是将 Eora 模型与基于 FAO FRA 森林砍伐统计数据得出的森林砍伐估计相结合。
- 通过区域和部门分析取得的进展：上述示例在生产地点、贸易流、商品和 / 或经济部门方面具有全球覆盖范围。然而，这些少数真正的全球估计得到了国家尺度估计的补充，国家尺度估计通常侧重于单一或少数商品。例如，一项区域尺度分析为阿根廷、玻利维亚、巴西、巴拉圭、印度尼西亚、马来西亚和巴布亚新几内亚的牧场、大豆、棕榈油和木材种植园提供了一种基于表观消费的方法。该方法使用从遥感信息推导的归因方法，并采用物理贸易方法进行下游归因，结果表明这七个重点国家的四种商品生产占热带森林砍伐总量的 40%，这种影响越来越受到国际贸易的驱动。另一项分析侧重于巴西森林砍伐的排放，而不是量化砍伐面积，使用巴西 PRODES 系统的遥感森林砍伐估计数据，在使用 GTAP MRIO 模型将排放分配到最终消费区域之前，先将这些数据与土地利用和碳循环模型相联系。该分析强调，巴西与森林砍伐相关的排放中有 30% 是出口产生的，俄罗斯和中国等出口市场的责任日益增加。
区域或商品特定分析的优势在于能够更明确地关注相关供应链的特征。例如，采用部门物质流核算和网络分析，为四个欧盟国家提供了来自三个生产地区的棕榈油表观消费足迹，展示了棕榈油消费从食品转向生物燃料的趋势。专注于单一商品和区域生产也有助于整合三种不同的森林砍伐归因估计，反映不同的森林砍伐归因方法和不同的时间视角。
全球分析通常在国家尺度上进行，但现在已明显可以在生产和消费点之间建立更详细的联系。例如，Trase（一个以数据为导向的非营利研究项目，旨在提高与森林砍伐相关商品的供应链透明度）及其高分辨率供应链映射方法，可以在地方尺度上为选定的商品提供森林砍伐估计。Trase 结合了贸易、运输和税收记录、行业关于存储和加工设施的信息以及基于运输成本或时间的优化建模。这种精细尺度分析的优势在于能够突出同一生产区域内消费者和参与者的森林砍伐足迹之间的细微差异，这些差异在其他情况下可能不明显。例如，2020 年巴西出口到中国的牛肉，其比例更多来自高风险的亚马逊生物群落，每吨的森林砍伐风险几乎是出口到欧盟的两倍。
概念类似的 TRACAST 方法也被用于详细探索贸易供应链中隐含的森林砍伐，如美国从斯里兰卡进口橡胶和从墨西哥进口牛油果。这些估计依赖于相对密集的数据收集和处理活动，再加上所需数据在全球范围内的可获取性不足，意味着它们的范围和覆盖往往受到限制。这些方法通常侧重于直接贸易，但也与表观消费和全消费足迹评估相结合。在需求端也对足迹的本地化进行了探索，基于土地平衡森林砍伐归因方法推导出城市尺度的森林砍伐足迹。
比较足迹估计
不同的方法会得出不同的结果，以下通过比较选定的森林砍伐足迹估计来进行讨论。全球足迹分析是主要关注点，因为它们能够全面比较驱动因素和趋势，同时也会探讨一些区域分析。由于时间序列、商品和国家范围及粒度、采用的假设以及公布信息的范围存在差异，方法上的差异使得比较变得复杂。例如，土地平衡足迹方法的足迹结果有 2005 - 2018 年的时间序列，主导驱动因素归因方法的数据有 2001 - 2015 年的时间序列，而 DeDuCE 模型有 2005 - 2022 年的时间序列。
对选定分析和消费模型变体的森林砍伐足迹估计时间序列进行比较，针对一组在各项评估中都存在的国家进行分析。此比较排除了与林业相关的森林砍伐，因为并非所有变体都包含这部分内容。土地平衡法的估计排除了温带和寒温带森林，而主导驱动因素法的估计包括温带和寒温带的森林砍伐，但也包括了人工林土地上的森林损失，这与 FAO 或问责框架倡议的定义不一致。DeDuCE 得出的估计包括全球森林砍伐，包括温带和寒温带地区，但仅限于永久性森林砍伐。
这些估计之间的差异凸显了森林砍伐定义对量化足迹的强烈影响。在时间序列的最新共同年份（2015 年），主导驱动因素方法得出的全消费足迹为 5,767,06
