基于国家和全球生物多样性数据集的企业自然相关评估筛选结果比较

《Conservation Biology》：Comparing screening outcomes for private sector nature-related assessments based on national and global biodiversity datasets

　　

为了满足私营部门改善生物多样性管理的需求，诸如自然相关财务披露工作组（TNFD）等框架应运而生，旨在帮助企业评估、管理并披露其自然相关的影响、依赖、风险与机遇。一个关键的初始筛选步骤是识别位于生态敏感区域内的运营点。这一步骤通常利用易于获取且全球一致的全球数据集，但这些数据集可能不如基于当地专业知识和条件的国家数据准确。在本研究中，研究人员以南非为案例，探讨了在全球范围内使用全球与国家生物多样性数据集识别生态敏感地点的意义。研究人员通过分层随机抽样生成样点，模拟筛选过程，并依据TNFD定义的三个生态敏感地点标准进行筛选：生物多样性重要性、高生态系统完整性和生态系统完整性快速下降。研究人员比较了多个全球和国家数据集的结果，计算了遗漏误差（全球数据集遗漏了国家数据识别的位点）和误报误差（全球数据集标记为敏感但国家数据未标记的位点）。研究发现，全球数据集遗漏了超过39%的国家数据集认定为生物多样性重要的区域。此类遗漏误差可能导致持续的生物多样性丧失，因为在早期筛选阶段被遗漏的地点不太可能获得保护或恢复资源。研究结果表明应谨慎使用全球数据集，并强调鼓励使用国家数据集，特别是在可获得精细尺度、经实地验证且更新频率更高的数据时。

全球生物多样性正面临前所未有的快速丧失，超过100万物种面临灭绝风险。为遏制这一趋势，联合国《生物多样性公约》下的昆蒙全球生物多样性框架设定了目标，其中目标15明确鼓励企业和金融机构评估并披露其生物多样性影响，采取对自然和社会产生积极成果的行动。自然相关财务披露工作组（TNFD）等私营部门主导框架应运而生，旨在将自然相关考量纳入企业决策。在评估过程中，初始筛选通常需要识别企业运营或供应链所处地点是否为生态敏感区域。由于全球数据集易获取且标准一致，企业常常依赖它们，但这些数据可能因空间尺度粗糙、更新滞后或缺乏实地验证而准确性不足。相比之下，国家数据集通常由专家利用本地知识和更高分辨率信息构建，却较少被企业使用。此前对全球与国家数据的比较多为定性或理论探讨，缺乏定量空间分析。因此，研究人员以南非为案例，探讨两种尺度数据在筛选生态敏感地点方面的一致性与差异。

研究人员采用分层随机抽样，在南非开普植物区（Cape Floristic Region）核心的fynbos生物群落（81,926 km2）和奥尔巴尼灌木丛（Albany thicket，35,076 km2）中生成了2,359个模拟样点，其中1,771个位于现存自然植被中。他们依据TNFD的LEAP流程，对每个样点评估三个标准：生物多样性重要性、高生态系统完整性、快速生态系统完整性下降。生物多样性重要性用全球数据（世界保护区数据库WDPA、关键生物多样性区域KBA、物种威胁消减与恢复指标STAR_t和STAR_r）与国家数据（保护区PA、关键生物多样性区域CBA）对比；高生态系统完整性用全球数据（生态系统完整性指数EII、平均物种丰度MSA、人类改造指数HMI）与国家生态条件数据对比；快速下降则使用国家红色名录生态系统（RLE）的A2b亚标准，因为此时没有合适的全球对应数据集。通过混淆矩阵计算遗漏误差（全球数据漏掉国家数据识别为敏感的地点）和误报误差（全球数据标记但国家数据认为不敏感的地点）。

主要技术方法包括：分层随机抽样与QGIS空间分析；基于阈值的分类筛选；对EII、MSA、HMI三个连续指标进行阈值敏感性分析（0.6至0.9，步长0.1）；以及对比国家生态条件类别与全球指标值分布的分析。样本数据来源为南非国家生物多样性评估和南非国家生物多样性研究所（SANBI）提供的权威数据集。

结果部分：

一、生物多样性重要性筛选结果：全球数据遗漏误差高。在fynbos，全球数据漏掉了国家数据认定的39.1%的重要区域，在Albany thicket漏掉57.6%。其中STAR_t和STAR_r的遗漏误差最高，而全球KBA和WDPA与国家标准的一致性相对较高。此外，fynbos还出现较高误报误差，全球KBA和STAR_t将40.9%的国家数据认为不重要的区域标记为高价值。

二、高生态系统完整性筛选结果：国家数据认定的高完整性区域中，89.1%（fynbos）和90.9%（Albany thicket）也能被全球数据（主要是EII）识别。然而EII在Albany thicket的误报误差极高，达80.9%。仅使用MSA或HMI时，遗漏误差显著增大。两种标准联合筛选时，全球数据的遗漏误差进一步增加，对fynbos和Albany thicket分别漏掉42.8%和58.5%的国家数据认定的敏感区域。

三、阈值设置敏感性：降低EII、MSA和HMI的阈值（即更包容地纳入低完整性区域）会减少遗漏误差，但增加误报误差。EII阈值>0.6时同意比例最高；MSA数据呈双峰分布，故在0.57至0.8阈值范围内筛选结果不敏感。

四、国家生态条件与全球数据比较：全球完整性数据集区分国家生态条件类别的能力有限，尤其在中等退化区域。例如，在Albany thicket，中等退化地块的EII平均值反而高于自然地块，这可能是由于该区域退化驱动因素（如过度放牧）与全球模型假设不同。MSA的双峰分布导致自然条件被划分为低完整性的高遗漏。

五、快速下降标准与多准则重叠：在fynbos，23.6%的样点符合快速下降标准；62个样点同时满足生物多样性重要性、高生态系统完整性和快速下降三项标准。在Albany thicket，仅4个样点符合快速下降标准，1个样点满足全部三项。

讨论部分指出，数据集的选择对筛选结果影响深远。遗漏误差尤为危险，因为早期阶段被遗漏的区域可能无法获得资源分配，从而加剧生物多样性损失。国家数据通常经过实地验证、法律授权和定期更新，分辨率更高，更适用于特定国家。全球数据与国家标准之间的差异可能源于验证过程、测绘尺度、更新频率和数据集范围的不同。例如，STAR_r主要反映部分类群的栖息地恢复潜力，与RLE关注的生态系统崩溃风险或CBA的保护优先区在意图上存在差异。研究人员建议，在使用全球数据时应设置缓冲区或采用保守阈值以减少遗漏，并鼓励企业优先采用国家数据。同时，综合多个标准可以提供更全面的信息，例如识别低完整性但高价值且快速退化的区域。然而，许多国家缺乏全面、可获取的国家级数据，因此短期内全球数据仍有过渡作用。需要持续投资于国家生物多样性数据库建设，改进数据透明度与可用性。

研究结论是：筛选结果的可靠性高度依赖于数据集选择，不准确或不完整的数据会误导企业决策并削弱缓解生物多样性危机的能力。因此，即使在初始筛选阶段，也应在可获得精细尺度、经过实地验证且频繁更新的国家数据时优先采用这些数据，以确保评估的严谨性和有效性。