下载:
-
在当前中国水土流失严重、生态平衡危机频发、栽培药材品质备受质疑的大背景下，尤其是2020年初新冠病毒的突然来袭，金银花Lonicera japonica、内蒙黄芪Astragalus membranaceus var. mongholicus等传统中药材的品质和产量需求大增。发展药用植物的生态种植在合理利用土地资源、防治病虫害、改良土壤肥力、增强作物对自然灾害的抗逆能力等方面都有重要的作用。传统药用植物多为单一栽培模式，土地生产力和使用率低，对产业持续性发展不利[1]。相比而言，混播栽培是提高作物产量的有效措施。研究表明[2-3]：混播有助于防止水土流失，有利于病虫害治理和增强作物对自然灾害的抵抗力，在调节土壤生物养分有效性及生态系统资源合理配置等方面也至关重要。目前，混播多在豆科Leguminosae植物(如紫花苜蓿Medicago sativa、豌豆Pisum sativum等)-禾本科Gramineae植物(如燕麦Avena sativa、小麦Triticum aestivum等)间采用[4-5]。豆科植物根系的固氮能力不仅可以维持自身的氮素营养需求，还可通过根系间的相互作用为与其混播的作物提供养分，满足后者生长过程中的生理需求。近年来药用植物的研究主要聚焦在土壤施用肥料数量和不同质地土壤对药用植物生产量的影响[6-9]上，对不同播种模式下，土壤中有机碳、氮质量分数及土壤酶活性的研究较少；少有豆科植物与与药用植物的混播研究。本研究在不施氮磷钾肥的情况下，以忍冬科Caprifoliaceae金银花、菊科Compositae杭白菊Chrysanthemum morifolium和豆科内蒙黄芪为研究对象，采用大田实验随机区组设计，以沙化裸地(ck)为对照，研究金银花单播(LJT)、杭白菊单播(CMR)、黄芪单播(AMB)、金银花/内蒙黄芪混播(LJT/AMB)、杭白菊/内蒙黄芪混播(CMR/AMB) 5种模式下土壤碳、氮质量分数和酶活性的变化，旨在为人工药用草地建植及土壤治理保护提供科学依据。
-
研究区位于河南省新乡市洪门镇(35°16′N，113°57′E)，海拔120 m，大陆性季风气候，四季分明，昼夜温差大，年平均气温为14.2 ℃，全年平均日光辐射时数约2 400 h，年平均降水量为573.4 mm，年际间降水分布不均，主要集中在7、8月，年平均相对湿度为68.0%，无霜期220 d[10]。供试土壤为砂壤土，供试土壤0~40 cm土层基本养分状况见表1。
表 1 供试土壤(0~40 cm)养分特性
Table 1. Soil nutrient characteristics (0−40 cm)
土层/cm 全氮/(g·kg−1) 全磷/(g·kg−1) 全钾/(g·kg−1) 碱解氮/(mg·kg−1) 速效磷/(mg·kg−1) 速效钾/(mg·kg−1) 有机碳/(g·kg−1) pH 0~20 1.28 0.77 13.13 73.75 15.39 107.69 9.44 7.87 20~40 0.69 0.59 11.25 42.68 10.60 66.28 6.10 7.83 -
2016−2019年连续4 a进行随机区组试验。共设6个处理，即：以沙化裸地为对照(ck)，设LJT、CMR、AMB、LJT/AMB、CMR/AMB等5种不同的播种模式，各处理重复3次，共18个小区，各小区面积为30 m2 (5 m×6 m)。杭白菊、金银花均为南北行种植，株距60 cm，行距60 cm。内蒙黄芪为条播，行距为33 cm，播种量为15 kg·hm−2，混播模式下金银花与内蒙黄芪的行间距为40 cm，杭白菊与内蒙黄芪的行间距为40 cm。不施用任何肥料，采用免耕处理，定期浇水及除草。
-
2019年10月，清除土壤表面的枯枝落叶及地表碎石，五点法取样采集土壤样品装入自封袋带回实验室。自然风干后研磨，过筛，检测土壤各指标。采用有机碳分析仪(Elementar，德国)测定土壤有机碳质量分数(g·kg−1)，采用碱解扩散法测定土壤碱解氮质量分数(g·kg−1)[11]。采用常规测定方法检测分析土壤酶活性[12]。采用靛酚蓝比色法测定脲酶活性，以24 h后1.0 g土样中铵态氮质量分数(mg·g−1)表示；采用3,5-二硝基水杨酸比色法测定蔗糖酶活性，以24 h后1.0 g土样中葡萄糖质量分数(mg·g−1)表示；采用磷酸苯二钠比色法测定碱性磷酸酶活性，以24 h后1.0 g土样中释放的酚的质量分数(mg·g−1)表示；采用邻苯二酚比色法测定多酚氧化酶活性，以2 h后1.0 g土样中紫色没食子素的质量(mg)表示。
-
数据以3次平行测定的平均值±标准误表示，经Excel 2007和SPSS 19.0软件统计分析。采用单因素方差分析(one-way ANOVA)和最小显著差异法(LSD)进行分析，Pearson相关系数法进行相关性分析。
-
由图1可知：相比于ck，5种播种模式下不同土层土壤有机碳质量分数均显著增加(P＜0.05)，且同一土壤深度土壤有机碳质量分数从大到小均依次为CMR/AMB、LJT/AMB、AMB、CMR、LJT、ck。与3种单播模式相比，2种混播模式下土壤有机碳质量分数均显著增加(P＜0.05)，其中CMR/AMB模式有机碳质量分数略高于LJT/AMB(P＞0.05)。LJT和CMR模式下土壤表层(0~20 cm)有机碳质量分数较ck显著增加(P＜0.05)，而在土壤亚表层(20~40 cm)无显著性差异(P＞0.05)。此外，不同种植模式下土壤有机碳质量分数均呈表聚性现象，即土壤有机碳质量分数随着土壤垂直剖面加深而逐渐降低。
图 1 不同播种模式下土壤各土层有机碳质量分数
Figure 1. Soil organic carbon content under different planting patterns
-
由图2可知：AMB、CMR/AMB和LJT/AMB播种模式下土壤碱解氮质量分数最高，分别为63.89，62.87和61.66 mg·kg−1，3种播种模式间无显著差异(P＞0.05)；但显著高于LJT和CMR模式(P＜0.05)。在土壤表层(0～20 cm)5种播种模式下碱解氮质量分数均显著高于ck (P＜0.05)，但在土壤亚表层(20~40 cm)无显著差异(P＞0.05)。说明不同播种模式下土壤碱解氮质量分数也呈现表聚性现象。
图 2 不同播种模式下土壤各土层碱解氮质量分数
Figure 2. Soil available nitrogen content under different planting patterns
-
与ck相比(表2)，5种播种模式下4种土壤酶(脲酶、蔗糖酶、碱性磷酸酶和多酚氧化酶)活性均显著增加(P＜0.05)。20~40 cm土层，单播和混播模式之间蔗糖酶和碱性磷酸酶活性差异显著(P＜0.05)，5种播种模式下土壤脲酶活性差异显著(P＜0.05)，土壤氧化酶活性差异不显著(P＞0.05)。从土壤酶活性的各土层平均值来看，各个播种模式下土壤脲酶活性较ck的增幅最大。LJT/AMB的脲酶活性(0.789 9 mg·g−1)和多酚氧化酶活性(1.077 6 mg·g−1)最高，CMR/AMB下的蔗糖酶活性(8.289 6 mg·g−1)和碱性磷酸酶活性(0.644 8 mg·g−1)最高。LJT/AMB下脲酶、蔗糖酶、碱性磷酸酶和多酚氧化酶活性对比ck分别增加201.82%、56.95%、77.05%和70.85%，CMR/AMB下脲酶、蔗糖酶、碱性磷酸酶和多酚氧化酶活性对比ck分别增加192.63%、58.37%、78.75%和59.36%，AMB模式下脲酶、蔗糖酶、碱性磷酸酶和多酚氧化酶活性对比ck分别增加140.62%、44.57%、52.86%和57.90%，CMR模式下脲酶、蔗糖酶、碱性磷酸酶和多酚氧化酶活性对比ck分别增加106.74%、38.42%、49.06%和55.25%，LJT模式下脲酶、蔗糖酶、碱性磷酸酶和多酚氧化酶活性对比ck分别增加67.69%、33.80%、23.63%和55.81%。此外，从土壤的垂直分布来看，不同播种模式下土壤酶活性也呈表聚性特征。
表 2 不同播种模式下各土层土壤酶活性
Table 2. Soil enzyme activities in each soil layer under different planting patterns
土层/cm 种植方式 脲酶/(mg·g−1) 蔗糖酶/(mg·g−1) 碱性磷酸酶/(mg·g−1) 多酚氧化酶/(mg·g−1) 0~10 ck 0.342 5±0.021 8 d 6.358 2±0.265 0 d 0.417 6±0.020 6 d 0.754 8±0.046 9 b LJT 0.624 2±0.056 4 c 7.947 8±0.645 6 c 0.617 6±0.043 2 c 1.116 4±0.074 6 a CMR 0.606 7±0.046 5 c 7.847 8±0.241 8 c 0.655 6±0.034 5 c 1.103 1±0.072 6 a AMB 0.844 7±0.062 6 b 8.720 9±0.468 9 b 0.732 5±0.052 6 b 1.127 3±0.089 5 a LJT/AMB 1.108 3±0.061 3 a 9.466 5±0.532 5 a 0.843 2±0.067 8 a 1.275 3±0.084 2 a CMR/AMB 1.036 7±0.055 8 a 9.217 4±0.204 1 a 0.800 4±0.057 2 a 1.134 3±0.067 0 a 10~20 ck 0.310 3±0.018 7 d 5.575 0±0.344 7 d 0.387 5±0.025 3 d 0.697 9±0.037 0 b LJT 0.473 0±0.057 5 c 7.443 8±0.245 9 c 0.490 3±0.053 7 c 1.075 2±0.063 5 a CMR 0.578 1±0.032 1 c 7.143 8±0.443 0 c 0.587 9±0.047 6 c 1.052 2±0.068 7 a AMB 0.639 3±0.052 4 b 8.039 8±0.352 6 b 0.585 8±0.036 2 b 1.068 2±0.070 1 a LJT/AMB 0.843 2±0.064 7 a 8.732 1±0.231 9 a 0.665 4±0.054 7 a 1.182 6±0.096 4 a CMR/AMB 0.798 2±0.045 1 a 8.798 4±0.234 7 a 0.696 3±0.047 3 a 1.093 6±0.074 3 a 20~30 ck 0.222 5±0.015 3 d 4.754 6±0.125 4 c 0.332 7±0.022 3 c 0.563 7±0.026 4 b LJT 0.357 2±0.043 6 c 6.764 5±0.538 6 b 0.355 0±0.023 1 b 0.931 6±0.065 3 a CMR 0.489 7±0.030 7 c 6.994 5±0.364 8 b 0.453 6±0.036 1 b 0.880 7±0.057 0 a AMB 0.553 6±0.038 7 b 7.184 6±0.342 1 b 0.472 2±0.032 7 b 0.952 5±0.085 4 a LJT/AMB 0.667 1±0.059 8 a 7.648 7±0.452 3 a 0.551 2±0.166 0 a 0.994 3±0.073 2 a CMR/AMB 0.663 3±0.043 7 a 7.957 2±0.102 5 a 0.575 4±0.048 9 a 0.926 6±0.088 5 a 30~40 ck 0.171 6±0.013 4 d 4.248 9±0.247 5 c 0.304 9±0.019 7 c 0.506 4±0.022 7 b LJT 0.301 0±0.016 7 c 5.856 4±0.448 7 b 0.320 8±0.003 8 b 0.807 5±0.042 0 a CMR 0.489 7±0.030 7 c 6.994 5±0.364 8 b 0.453 6±0.036 1 b 0.8807±0.057 0 a AMB 0.481 2±0.034 2 b 6.323 1±0.476 8 b 0.415 0±0.025 4 b 0.835 4±0.067 3 a LJT/AMB 0.540 9±0.043 4 a 7.013 2±0.189 7 a 0.494 7±0.113 7 a 0.858 0±0.067 6 a CMR/AMB 0.565 0±0.038 1 a 7.185 4±0.114 6 a 0.506 9±0.036 1 a 0.865 9±0.064 0 a 说明：不同字母表示同一土层不同播种模式间差异显著(P＜0.05) -
由Pearson相关系数(表3)可知：土壤有机碳与碱解氮、4种酶呈极显著相关(P＜0.01)，土壤碱解氮与4种酶呈极显著相关(P＜0.01)。4种土壤酶彼此之间呈极显著相关(P＜0.01)。其中脲酶与碱性磷酸酶之间相关系数达0.965，有机碳与碱性磷酸酶之间相关系数达0.949，蔗糖酶与多酚氧化酶之间相关系数达0.948，说明土壤碳、氮与酶之间关系极为紧密。
表 3 土壤碳、氮质量分数与酶活性的相关性分析
Table 3. Correlations analysis of soil carbon, available nitrogen and enzyme activities
参数 有机碳 碱解氮 脲酶 蔗糖酶 碱性磷酸酶 多酚氧化酶 有机碳 1 0.893** 0.943** 0.897** 0.949** 0.808** 碱解氮 1 0.848** 0.844** 0.917** 0.835** 脲酶 1 0.949** 0.965** 0.871** 蔗糖酶 1 0.931** 0.948** 碱性磷酸酶 1 0.875** 多酚氧化酶 1 说明：**表示在0.01水平(双侧)上显著相关 -
与单播相比，混播不仅可以增加土壤碳、氮总量，更利于土壤有机碳库的稳定[13-14]，还能增加土壤速效养分含量，提高土壤养分的有效性。本研究发现：LJT/AMB模式下，土壤有机碳和碱解氮质量分数(0~40 cm土层平均值)较LJT分别提高了19.41%和11.80%，CMR/AMB模式下，土壤有机碳和碱解氮质量分数较CMR分别提高了20.16%和13.24%，这与包兴国等[15]、郑伟等[16]发现混播更有助于改善土壤有机碳、碱解氮的结论一致。作为生物固氮植物，混播模式下内蒙黄芪在向金银花/杭白菊转移土壤氮素的同时，也能通过氮素根际沉积为金银花/杭白菊提供一定的氮素，减缓土壤氮素消耗，土壤速效氮质量分数明显高于LJT和CMR。土壤脲酶通过水解土壤中的尿素形成铵态氮提供氮源，其活性直接表征氮素转化率[17-19]；土壤蔗糖酶通过水解土壤有机质生成葡萄糖提供碳源，表征有机碳的积累转化和土壤熟化程度[20-21]；土壤碱性磷酸酶通过加速有机磷的脱磷速度直接参与土壤磷素循环，表征磷元素生物转化方向和强弱[22]；土壤多酚氧化酶参与土壤芳香族化合物循环，通过分子氧氧化酚或多酚形成醌，醌与土壤中蛋白质、糖、矿质元素等反应生成有机质，分解凋落物木质素获取碳、氮元素[23-24]。蔺芳[18]发现：土壤脲酶、蔗糖酶对土壤碳循环有直接贡献，脲酶、蔗糖酶和碱性磷酸酶对土壤氮循环有直接贡献，与本研究一致，说明土壤中不同种类酶之间、酶和土壤养分之间具有协同交互作用[25]。本研究混播模式下的4种土壤酶活性均显著均高于3种单播和ck (P＜0.05)，且相关性分析表明：土壤有机碳和碱解氮均与4种酶活性极显著相关(P＜0.01)。说明在混播体系中，豆科植物的生物固氮作用及种间竞争作用促进了植物根系生长，大大增加根系种类、生物量和根系纵横分布，增加土壤孔隙度，提高蓄水保水能力，从而改变土壤理化性质。豆科植物根系周围的根瘤菌能促进根系分泌物、细根周转，改善菌根代谢，使得土壤微生物代谢旺盛，呼吸强度增强，促进蔗糖酶、脲酶活性，提高碳素、氮素转化效率，促进碱性磷酸酶和多酚氧化酶活性，对提高土壤肥力有重要作用[26-27]。不同种植模式下土壤有机碳、碱解氮和酶活性均在土壤剖面呈表聚性，表明土壤表层更有利于酶促反应形成有机质和有效氮。与TU等[25]、来幸樑等[28]结果一致。土壤表层凋落物、腐殖质容易积累，微生物代谢旺盛，植物根系集中，有利于物质积累和酶促反应的进行；随着土壤深度的加深，土壤中的水、汽、热状况变差，微生物生境变差，数量急剧减少，酶促反应底物也不如表层，碳氮积累和酶活均随着土层剖面下降。
混播模式充分利用豆科植物内蒙黄芪的生物固氮作用，使金银花/杭白菊在没有氮肥的条件下获取氮源，提高植物氮素吸收利用效率，减少土壤无机氮的累积，降低种植地氮素污染的风险。杭白菊/黄芪混播和金银花/黄芪混播模式下土壤有机碳、碱解氮质量分数、土壤脲酶、蔗糖酶和碱性磷酸酶活性均显著高于杭白菊或金银花单播(P＜0.05)，而彼此之间差异不显著(P＞0.05)。相较于单播，2种混播模式对土壤有机碳、碱解氮的积累和土壤酶活性的促进作用更强，更有利于改良土壤肥力，是适合在豫北地区推广的可持续发展的生态农业模式。
Effects of single/mixed sowing of three medicinal plants on the contents of carbon, nitrogen and enzymes activities of sandy soil
-
摘要:
目的 探究3种药用植物单/混播对土壤品质的影响。 方法 以金银花Lonicera japonica (LJT)、杭白菊Chrysanthemum morifolium (CMR)、内蒙黄芪Astragalus membranaceus (AMB)为材料，以沙化裸地为对照(ck)，在豫北地区连续4 a进行定位试验。分析单/混播种植模式对不同土层(0~40 cm)中有机碳、碱解氮和土壤酶活性的影响，并分析其相关性。 结果 杭白菊/内蒙黄芪(CMR/AMB)和金银花/内蒙黄芪(LJT/AMB)混播模式下土壤有机碳、碱解氮质量分数、土壤脲酶、蔗糖酶和碱性磷酸酶活性均显著高于杭白菊(CMR)和金银花(LJT)单播模式(P＜0.05)。CMR/AMB模式下土壤有机碳质量分数较ck、CMR和AMB分别提高了29.32%、20.16%和10.25%，碱解氮质量分数较ck和CMR分别提高了28.02%和13.24%；LJT/AMB模式下土壤有机碳质量分数较ck、LJT和AMB分别提高了25.46%、18.09%和6.96%，碱解氮质量分数较ck和LJT分别提高了25.56%和11.80%。土壤有机碳、碱解氮和4种土壤酶彼此之间均呈极显著相关(P＜0.01)。从土壤剖面看，不同种植模式下土壤有机碳、碱解氮含量及4种酶活性均呈表聚性特征。 结论 LJT/AMB和CMR/AMB混播模式能通过内蒙黄芪的生物固氮作用提高土壤养分有效性，是适合在当地推广的可持续发展的生态种植模式。图2表3参28 Abstract:Objective This study aims to explore the effects of single and mixed sowing of three medicinal plants on soil quality. Method Taking Lonicera japonica (LJT), Chrysanthemum morifolium (CMR) and Astragalus membranaceus var. mongholicus (AMB) as experimental materials and sandy bare land as control(ck), the effects of single and mixed sowing patterns on organic carbon, alkaline hydrolyzable nitrogen and soil enzyme activity in different soil layers (0−40 cm) were studied in the location test conducted in northern Henan Province for 4 consecutive years, and their correlation was analyzed. Result The content of soil organic carbon, alkali hydrolyzable nitrogen and soil enzyme activity of urease, sucrase and alkaline phosphatase under the mixed sowing patterns of CMR/AMB and LJT/AMB were significantly higher than those under the single patten of CMR or LJT (P＜0.05). Soil organic carbon content in CMR/AMB pattern increased by 29.32%, 20.16% and 10.25% respectively, compared with ck, CMR and AMB. Alkaline hydrolyzable nitrogen content increased by 28.02% and 13.24% respectively, compared with ck and CMR. Soil organic carbon content of LJT/AMB pattern increased by 25.46%, 18.09% and 6.96%, respectively, compared with ck, LJT and AMB. Alkaline hydrolyzable nitrogen content increased by 25.56% and 11.80% respectively, compared with ck and LJT. Soil organic carbon, alkali hydrolyzable nitrogen, and four soil enzymes were all significantly correlated with each other (P＜0.01). From the view of soil profile, the soil organic carbon, alkali hydrolyzable nitrogen and the activities of 4 species of soil enzymes showed the characteristics of surface aggregation under different planting patterns. Conclusion CMR/AMB and LJT/AMB mixed patterns can improve the effectiveness of soil nutrients through the biological nitrogen fixation of A. membranaceus var. mongholicus. They are sustainable ecological patterns suitable for local promotion. [Ch, 2 fig. 3 tab. 28 ref.] -
气候问题日益突出，世界各国已达成减少二氧化碳排放以改善气候问题的共识。中国作为碳排放大国之一，需向世界完成减排温室气体的承诺，承受着来自国内外的巨大压力。对强制性或自愿减排仍达不到减排要求的状况，碳排放权交易是有效且低成本的市场手段[1]。建立碳交易市场等碳排放平衡机制，能更加公平有效地实现中国碳减排目标[2]，引导企业选择科学的减排路径[3]，有利于企业在不影响经济发展的情况下完成减排任务[4]，同时抵消机制的引入使得碳交易中的部分资金流向林业，促进林业发展[5]。现阶段通过改变能源结构减排的空间不大[6]，应重视其他的节能减排方式。中国森林资源丰富，以森林碳汇抵消碳排放作为减排途径之一是合适的。自2011年开展7个碳排放权交易试点以来，2012年提出要加强电力、煤炭、钢铁、石油石化、化工、建材行业的工业节能，并于2017年正式启动全国碳排放权交易市场。电力作为最先启动的重点减排行业，1 700余家发电企业已正式纳入碳市场，其他行业将陆续启动，现阶段是全国碳市场发展的重要节点。在全球气候变暖和碳排放权(森林碳汇)交易市场启动已成为客观事实的背景下，企业作为节能减排主体，当其不能或因成本过高不愿通过购买设备、更新技术等手段实施工业碳减排，企业将选择通过购买价格较低的森林碳汇来达到减排目标[7]。由于不同地区的环境政策、经济发展水平，不同行业的减排要求，不同企业的管理方式、减排技术水平不同，势必导致各企业的碳边际减排成本存在差异，对森林碳汇的需求价格(本研究指企业愿意通过购买森林碳汇进行减排而非工业减排的最高价格)也不同。碳交易市场上的交易价格受市场需求、当地经济发展、政策鼓励程度等因素影响而有所不同。目前，7个碳排放权交易试点相差较大，若企业通过工业减排的单位成本高于碳汇市场上森林碳汇的单位价格则会进行购买，反之不会进行碳汇交易。由此可见，在允许通过森林碳汇来抵消企业碳排放的情况下，碳汇市场交易价格与企业工业碳边际减排成本的差异将决定企业是否会选择购买森林碳汇来进行碳抵消，直接影响未来森林碳汇的交易。同时，政府是宏观经济管理者，需有效合理地引导企业科学选择减排途径。目前，碳减排政策主要可分为政府引导的政策和市场主导的政策[8]。适当的补贴政策、合理的碳税及明确的碳抵消比例和范围能更好地激励企业进行减排。已有文献大多将政府引导和市场主导的政策共同对比研究，研究主要集中在碳汇补贴和碳税政策方面，且研究发现，综合运用碳减排政策能带来更好的减排和经济效应[9]，而不确定的碳减排政策会造成收益的不稳定[10]，因此合理的碳减排政策在碳汇交易中起到决定性的作用。中国区域发展存在差异，各地区各行业减排空间不同。本研究基于企业的碳边际减排成本，运用云模型测算企业对森林碳汇的需求价格并模拟政策变化对其影响，合理估算不同地区不同行业的碳减排潜力，有利于促进各地区各行业协同治理，以期为森林碳汇市场建立和发展提供依据。
1. 理论框架、模型设定与数据来源
1.1 理论框架
基于成本收益理论基础[11-12]和机制分析，本研究假设如下：①随各国碳减排政策出台，企业在生产经营过程中必须进行减排行为。②企业工业碳边际减排成本主要取决于企业投入、产出以及二氧化碳排放量3个方面指标。③碳减排政策目前只考虑政府允许抵扣比例、碳税征收率和碳汇补贴额3种。④本研究中所提及的企业对森林碳汇的需求价格为企业购买森林碳汇愿意支付的最高值。⑤企业对森林碳汇的需求价格只受企业的成本收益和政府强制碳减排政策影响，不考虑其他交易成本。
假设企业的总成本(不包含减排成本的其他成本之和)为E，总收益为U，工业减排成本为I，购买森林碳汇抵消减排成本为F。选择工业减排时，企业净收益为Z1=U−E−I；选择购买森林碳汇抵消减排时，企业净收益Z2=U−E−F。当Z1＞Z2，即F＞I时，企业会选择工业减排；当Z1＜Z2，即F＜I时，企业会选择购买森林碳汇减排；当Z1=Z2，即F=I时，企业可选择任何一种减排方式。从目前研究来看，一旦森林碳汇交易市场全面建立起来，由于购汇边际减排成本比工业碳边际减排成本低，会促进企业选择通过购买森林碳汇来实现减排。
一般而言F＜I，企业会购买森林碳汇来抵消碳排放，如果外部的碳减排政策发生调整则会导致企业工业减排的成本和购买森林碳汇的成本发生变化，企业会选择成本低的减排方式。当政策变化使企业工业减排的成本降低，那么企业愿意购买森林碳汇的价格也会降低，即企业的森林碳汇需求价格受到影响。
情景1：无相应激励碳减排政策下企业对森林碳汇的需求价格。只采用购买森林碳汇来减排，企业的净收益Z如下：
$$ Z=U-E-Pq\text{。} $$ (1) 式(1)中：设市场森林碳汇购买价格为P；企业需要进行的减排量为q。用P1表示情景1下企业对森林碳汇的需求价格，x表示企业各项投入指标，y表示企业产出，c表示企业二氧化碳排放量，i=(1，2，3，
$\cdots $ )表示不同的企业样本。仅从企业生产经营考虑，企业愿意购买森林碳汇支付的最高金额就是企业工业碳边际减排成本，即为企业对森林碳汇的需求价格，价格受企业投入产出以及二氧化碳排放影响。表达式如式(2)：$$ {P_{1i}} = f\left( {{x_i},{y_i},{c_i}} \right)\text{。} $$ (2) 情景2：有相应激励碳减排政策下企业对森林碳汇的需求价格。在现有情景下，企业的减排行为同时受到3种碳减排政策(政府允许抵扣比例、碳税征收率、碳汇补贴额)影响，企业的净收益Z′变为式(3)：
$$ Z' = U - E - [(P - {V_3})q{V_1} + a(1 - {V_1})q + {V_2}(c - q)]\text{。} $$ (3) 式(3)中：V1~V3为碳减排政策，其中V1为政府允许抵扣比例，V2为碳税征收率，V3为碳汇补贴额，a为企业工业减排的单位成本。用P2表示情景2下企业对森林碳汇的需求价格，P2受企业工业碳边际减排成本和政府碳减排政策共同影响。表达式如式(4)：
$$ {P_{2i}} = f\left( {{x_i},{y_i},{c_i},{\rm{ }}{V_1},{V_2},{V_3}} \right)\text{。} $$ (4) 通过对2种情景的比较分析，由式(3)可看出：V1增大、V2减小、V3增大，都会导致净收益Z′增大。这可大致预测企业愿意购买森林碳汇来进行碳抵消的情况下，3种政策因素中政府允许抵扣比例和碳汇补贴额增加，会增加企业的收益；而碳税征收率提高会减少企业的收益。从理论上说，政府允许抵扣比例和碳汇补贴额会增加企业购买森林碳汇的机会和减少企业购买的成本，会促进企业的森林碳汇需求；而提高碳税对企业2种减排方式的成本都会增加，取决于提高碳税后对不同减排方式的影响程度，如果碳税提高对购买森林碳汇减排方式的成本增加更快，那么碳税征收率提高，会抑制企业对碳汇的需求。因此先提出本研究的假说：①政府允许抵扣比例提高，企业森林碳汇需求价格会上升；②碳税征收率提高，企业森林碳汇需求价格会下降；③碳汇补贴额提高，企业森林碳汇需求价格会上升。
1.2 模型设定
1.2.1 方向性距离函数
CHARNES等[13]提出的DEA模型为研究碳边际减排成本提供了基于投入—产出分析的距离函数方法，但此方法存在非期望产出与此相矛盾。方向性距离函数能区分出在增加期望产出的同时降低非期望产出的路径[14]，对处理实际生产过程中非期望的环境污染变量更合理。
方向性距离函数以设定的方向向量为权数，求期望产出(
$y$ )的最大值和非期望产出(c)的最小值[15]。y是生产过程中的期望产出，且$ y \in R_ + ^D $ ；c为非期望产出，且$ y \in R_ + ^U $ ；此处使用x代替全行业的投入，且$ x \in R_ + ^N $ ；则企业生产集为P(x)={(y, c)∶x→(y, c)}。P(x)是表示描述所有可以实现的投入产出向量。设方向向量g=(gy, gc)，g≠0，本研究中将产出方向性距离函数设置为[16]：
$${\vec D_0}\left( {x,y + a{g_y},c - a{g_c},{g_y}, - {g_c}} \right) = {\vec D_0}\left( {x,y,c,{g_y}, - {g_c}} \right) - a,\, a \in R\text{。}$$ (5) 由此，可计算企业的碳边际减排成本：
$${P_c} = {P_y}\left[ {\frac{{{\partial}∂ {{\vec D}_0}\left( {x,y,c,{g_y}, - {g_c}} \right)}}{{{\partial}∂ c}}\Bigg/\frac{{{\partial}∂ {{\vec D}_0}\left( {x,y,c,{g_y}, - {g_c}} \right)}}{{{\partial}∂ y}}} \right]\text{。}$$ (6) 式(6)中：x为样本企业的投入，y为样本企业期望产品的产量(本研究为样本企业的工业生产总值)，c为样本企业非期望产品的产量(本研究为样本企业的二氧化碳排放量)。Py为期望产品y的市场价格，Pc为二氧化碳的影子价格，即样本企业的碳边际减排成本(MAC)。关键数据为企业的投入产出指标，其中投入变量为固定资本投入(X1)、劳动力投入(X2)、工业中间投入(X3)，产出变量为工业国内生产总值(y)和二氧化碳排放量(c)。
1.2.2 罗宾斯坦恩博弈模型
合作项目的双方在博弈模型处于均衡状态时才会产生有效的合作[17]。本研究采用经过变形的谈判模型——罗宾斯坦恩讨价还价博弈模型[18-19]来分析企业和政府在减排活动中的博弈关系。减排行为不同于一般的讨价还价，对企业讨价还价能力的刻画指标的研究很少，因此根据相关文献，选择企业的投入产出所测算的碳边际减排成本来体现企业决策地位，而政府则是通过各类碳减排政策。具体模型如下：
$$ {P}_{{\rm{d}}}^{}=l+\left(\frac{1-{\varOmega }_{{\rm{d}}}}{1-{\varOmega }_{{\rm{s}}}{\varOmega }_{{\rm{d}}}}\right)(h-l)\left(\frac{{\varOmega }_{\rm{s}}^{2}}{{\varOmega }_{{\rm{d}}}}\right)\left(\frac{M+1}{10\;000}\right)\text{。}$$ (7) 式(7)中：Pd为森林碳汇的需求价格，l为样本企业碳边际减排成本最低值，h为样本企业碳边际减排成本最高值，Ωs与Ωd为供求激励系数，Ωs表示森林碳汇总量不超过企业基准年排放量的抵扣比例，Ωd表示碳税征收率，M表示森林碳汇补贴额。森林碳汇需求价格不会高于样本企业碳边际减排成本最大值h，否则企业会自行选择工业技术减排；不会低于样本企业碳边际减排成本最低值l，因为经验数据显示，样本企业碳边际减排成本最低值l往往接近于0，森林碳汇供给者无利可图，故拒绝提供森林碳汇。
1.2.3 云模型
由于碳交易过程中存在波动性、模糊性、信息不完备性等条件制约，传统的定量方法会因为政策及企业类型差异大等，影响结果的合理性[20]。为处理定性概念中广泛存在的随机性和模糊性问题，李德毅院士于1995年首次提出不确定性知识的定性定量转换的数学模型——云模型[21-23]。本研究采用云模型方法测算企业对森林碳汇的需求价格，并模拟政策因素对其影响程度，增加结果的可信度。云发生器分为正向云发生器和逆向云发生器[24-25]。本研究采用正向云发生器算法，首先分别求解4个地区3个行业企业对森林碳汇的需求价格的期望、熵和超熵。其次用3个特征值，通过Matlab 8.4软件运用云模型正向发生器实现模拟，通过产生的云图得出企业最可能的需求价格值与区间。
1.3 数据来源
综合考虑7个碳排放权交易试点省(市)的经济情况、地理位置以及特殊的政治经济地位，本研究以中国当前正在进行碳交易试点的7个省(市)中北京、上海、湖北、广东4个省(市)为案例区，选择火电、化工、钢铁3个碳排放密集型代表行业，按照各样本省(市)这3个行业目前参与自愿减排的数量比例，共计选取89家为样本企业。每个样本企业再调查31个具有独立投入—产出核算的能耗单位，总计2 759个减排单位样本的调查数据(表1)。根据国际评估减排效果惯例的时间间隔要求，对2 759个样本减排单位实施自愿减排后连续3 a(2012−2014年)的生产投入—产出数据进行调研观察。基于相关文献研究，关键数据主要为3个投入指标：固定资产投资(X1)、劳动力投入(X2)和工业中间投入(X3)；2个产出指标：企业当年总产值(y)和企业当年二氧化碳排放总量(c)[26-27]。根据文献，政策因素选择现有的3个碳减排政策，包括碳税、碳汇补贴和允许抵消比例[28]。
表 1 样本减排单位分布Table 1 Distributionof sample emission reduction unit减排行业 样本减排单位数/个 合计/个 上海市 北京市 广东省 湖北省 火电行业 589 217 124 93 1 023 钢铁行业 403 62 186 155 806 化工行业 527 93 93 217 930 合计 1 519 372 403 465 2 759 2. 企业二氧化碳边际减排成本的测算分析
本研究通过Lingo 12软件运用方向性距离函数的方法，计算所调查的89家样本企业2 759个样本减排单位3 a的碳边际减排成本。表2仅列出各地区各行业样本企业的碳边际减排成本的最低值和最高值。
表 2 各地区各行业样本企业的碳边际减排成本比较Table 2 Comparison of average marginal emission reduction costs of sample enterprises in different regions and industries行业 年份 边际减排成本/(元·t−1) 上海市 北京市 广东省 湖北省 最低 最高 最低 最高 最低 最高 最低 最高 火电行业 第1年 303.03 729.83 303.03 1 471.57 726.94 1 229.92 852.12 1 178.26 第2年 303.03 779.18 520.38 1 020.68 649.02 823.68 887.66 4 627.56 第3年 303.03 1 133.13 303.03 1 456.74 1 017.88 1 248.95 1 409.09 1 545.02 钢铁行业 第1年 303.03 816.30 410.28 579.16 303.04 1 011.54 359.65 517.71 第2年 303.04 1 120.83 573.02 1 576.43 426.82 1 361.52 727.94 1 600.94 第3年 303.03 1 975.53 770.22 1 289.81 1 200.41 2 744.07 996.56 1 243.00 化工行业 第1年 303.03 446.49 474.76 534.75 476.11 608.71 303.03 671.49 第2年 303.03 764.16 440.28 601.87 595.68 708.51 303.04 917.03 第3年 303.02 27 660.20 303.02 1 686.43 2 491.72 3 660.70 593.63 6 139.93 对4个地区3个行业样本企业的碳边际减排成本进行比较(表2)，可发现：上海市3个行业的碳边际减排成本的最低值是4个试点中最小的。上海市经济发达且作为各项政策的先行试点市，不断出台与落实相关碳减排政策，当地企业在工业减排方面进行了设备改造、技术革新、使用环保材料等措施降低了碳边际减排成本，但也反映了上海技术水平已经较高，进一步改进提高技术可能性较小。森林碳汇可能是未来的发展方向。广东省和湖北省的企业碳边际减排成本相较其他两省(市)更高，尤其是钢铁行业和化工行业，一方面是地区间行业发展存在差异，另一方面也说明这2个地区企业二氧化碳减排设备与技术更新发展缓慢或政府减排力度不够大，因此，这些地区必须在工业减排方面取得明显进步。从行业来看，钢铁行业和化工行业企业比火电行业更高，这与火电行业作为首批减排企业，已正式启动全国碳排放权交易市场有关，因此其他行业也应尽快纳入减排目标企业中。
3. 企业森林碳汇需求价格的测算分析
在测得企业碳边际减排成本的基础上，通过变形的罗宾斯坦恩博弈模型来测算企业对森林碳汇的需求价格，得到4个地区3个行业样本企业3 a的森林碳汇需求价格均值，可比较分析得出不同地区不同行业森林碳汇需求价格的差异及其原因。为进一步了解企业对森林碳汇的需求价格的可能值、可能区间以及稳定性，引入云模型，在充分考虑研究对象模糊性和随机性的基础上，使测算的森林碳汇需求价格结果更准确与直观。
3.1 基于罗宾斯坦恩博弈模型的森林碳汇需求价格测算分析
根据二手资料，以上海市为基准，Ωs即抵扣比例，为5%；Ωd即碳税征收率没有明文规定，用上海的排污费率代替，为1%；M即碳汇补贴额，取值20元·t−1。根据公式(7)得结果表3。不同地区不同行业的森林碳汇需求价格差别明显。通过地区间的对比，上海市和北京市的企业对森林碳汇的需求价格明显低于广东省和湖北省的企业。这受上海市和北京市的政策要求与设备技术更新所影响。从这方面来讲，广东省和湖北省在未来对森林碳汇的需求会更大。这一结果与企业碳边际减排成本情况基本一致。可见，森林碳汇需求价格与碳边际减排成本呈现出显著正相关关系。对比3个行业测算的森林碳汇需求价格可知，化工行业企业对森林碳汇需求价格最低，说明火电行业和钢铁行业企业工业减排的成本高、潜力小，对森林碳汇需求会更大，即对火电和钢铁行业而言，森林碳汇在未来有很大的市场与发展潜力。
表 3 各地区各行业企业3 a的森林碳汇需求价格Table 3 Demand prices of forest carbon sinks of enterprises in different regions and industries in three years行业 年份 森林碳汇需求价格/(元·t−1) 上海市 北京市 广东省 湖北省 火电行业 第1年 303.25 303.63 727.20 852.29 第2年 303.31 520.64 649.11 889.61 第3年 303.46 303.62 1 018.00 1 409.12 钢铁行业 第1年 303.30 410.37 303.40 359.74 第2年 303.46 573.54 427.34 728.42 第3年 303.90 770.49 1 201.21 996.69 化工行业 第1年 303.11 474.79 476.17 303.22 第2年 303.27 440.36 595.74 303.35 第3年 317.25 303.74 2 492.33 596.52 3.2 基于云模型的森林碳汇需求价格测算分析
为更好地反映不同地区不同行业企业对森林碳汇的需求，本研究运用云模型正向发生器测度，得出不同地区不同行业企业对森林碳汇的需求价格范围和均值。首先，基于所测得的企业碳边际减排成本数据，运用云模型测算3个行业和4个省(市)在碳减排政策实行后的森林碳汇需求价格的期望、熵和超熵。通过Matlab 8.4软件测得结果如表4和表5。
表 4 火电、钢铁和化工行业的森林碳汇需求价格的期望、熵和超熵Table 4 Expectations, entropy and superentropy of demand prices of forest carbon sinks in thermal power, steel and chemical industries行业 期望 熵 超熵 火电行业 631.936 7 169.364 3 59.665 2 钢铁行业 556.821 7 133.101 0 25.257 0 化工行业 575.820 8 93.977 8 44.864 5 表 5 4个省（市）的森林碳汇需求价格的期望、熵和超熵Table 5 Expectations, entropy, and superentropy of demand price of forest carbon sinks in four provinces省份 期望 熵 超熵 上海市 304.923 3 5.662 2 0.306 1 北京市 455.686 7 57.069 0 48.222 9 广东省 876.722 2 198.257 9 93.980 7 湖北省 715.440 0 195.630 3 52.194 6 3.2.1 不同行业间的森林碳汇需求价格差异分析
根据云模型正向发生器通过Matlab 8.4软件产生不同行业企业的云图，分析不同行业企业森林碳汇需求价格的情况(图1)。云图y轴表示隶属度，x 轴表示企业对森林碳汇需求价格的模拟值。如图1A，火电行业企业对森林碳汇需求价格平均值聚集在500~700元·t−1，越靠近中间值云滴越密集，离散程度越低。在隶属度为1时，森林碳汇需求价格平均值为631元·t−1，表示4个样本省(市)的火电行业企业的森林碳汇平均需求价格为631元·t−1。同理，钢铁、化工行业的均值为556和575元·t−1(图1B~图1C)。从需求价格区间来说，火电行业的最小值和最大值相差最大，说明火电行业的熵最大，即所接受的区间最大；而化工行业两边距离小，熵最小。从云图的分散程度来看，钢铁行业图形最“薄”，超熵最小；而火电和化工行业图形较发散，超熵较大，即离散程度大。对比3个行业所模拟的企业对森林碳汇的需求价格，钢铁行业图形正态分布最清晰，图形云层最薄，说明该行业企业的森林碳汇需求价格有较高的稳定性；且明显低于火电行业的需求价格，说明火电行业企业的工业碳边际减排成本较高，即火电行业在通过技术来进行工业减排的发展潜力小，因此森林碳汇在火电行业会有很大的市场。
图 1 不同行业企业森林碳汇需求价格云图Figure 1 Demand prices of forest carbon sinks of enterprises in different industries3.2.2 不同地区间的森林碳汇需求价格差异分析
根据云模型正向发生器通过Matlab 8.4软件产生不同地区企业的云图，分析不同地区企业森林碳汇需求价格的情况。由图2可知：不同地区森林碳汇需求价格相差很大，就森林碳汇需求价格情况的均值来看，上海市、北京市、广东省、湖北省分别约305、456、877、715元·t−1。上海市与北京市的图形较靠近中间值，说明这2个地区的熵较小，价格浮动区间小，比广东省和湖北省更为稳定。上海市与北京市由于前期的政府减排力度与减排设备更新较快，工业减排走在前列，成本相对较低，因此广东省和湖北省森林碳汇需求价格高于其他2个地区，说明广东和湖北对森林碳汇的需求会更大，森林碳汇市场有更好的发展潜力。上海市与湖北省的图形呈现出较好的分布，比较聚拢，说明这2个地区企业的情况较为接近，各企业对森林碳汇的需求价格较为相像，而北京市与广东省的图形较为分散，说明这2个地区企业的情况相差较大，企业间森林碳汇的需求价格上下波动较大。
图 2 不同地区企业森林碳汇需求价格云图Figure 2 Demand prices of forest carbon sinksfor enterprises in in different regions4. 不同政策情景下的企业森林碳汇需求价格模拟分析
为更好地提升各地区高排放行业未来对森林碳汇的需求潜力，在测得现有政策情景下企业森林碳汇需求价格的基础上，本研究通过改变公式(7)中3个相关政策变量(政府允许碳汇抵消比例、碳税征收率、碳汇补贴额)，来模拟不同政策情景下企业的森林碳汇需求价格变化。根据以往学者的研究和调研，选择政府允许抵消比例范围为0%~20%，税收征收率为0%~20%，碳汇补贴额为0~150元·t−1。
4.1 不同行业企业森林碳汇需求价格模拟分析
当其他因素不变，政府允许碳汇抵消比例为0%~20%时，观察企业的森林碳汇需求价格的动态变化。由图3A可知：随着政府允许碳汇抵消比例的提高，各行业企业森林碳汇需求价格上升，因此政府可适当提高允许抵消的比例，来促进企业对森林碳汇的购买。化工行业企业的增长趋势最为明显，其碳边际减排成本是3个行业中相对较高的，即化工行业通过工业减排的成本较高，与其他行业相比不具有优势。该行业希望通过购买森林碳汇等方式来实现间接减排。若政府允许抵扣比例增加，通过购买森林碳汇来实现减排目标是化工行业未来的发展方向。
图 3 不同政策场景下各行业企业森林碳汇需求价格模拟Figure 3 Demand prices of forest carbon sinks of enterprises under different policy scenarios当其他因素不变，税收征收率范围为0%~20%时，观察企业的森林碳汇需求价格的动态变化。由图3B可知：随着碳税征收率的提高，各行业企业的森林碳汇需求价格先呈现下降趋势，后变化不明显。一方面高碳税对购买森林碳汇的成本增加更快，另一方面也是由于在所选取的年份，可供交易的森林碳汇数量较少，企业购买森林碳汇的成本更高。说明碳税征收率为影响企业是否会选择购买森林碳汇的一个政策因素，但不是关键性因素，即高碳税征收率对企业森林碳汇的需求价格影响不大。因此，政府可适当提高碳税征收率，给企业一定的减排压力，促进企业的减排行为。
当其他因素不变，改变碳汇补贴额，模拟0~150元·t−1的情景下企业森林碳汇需求价格动态变化趋势。由图3C可知：随着碳汇补贴额度的增加，各行业企业的森林碳汇需求价格呈上升趋势，3个行业中，化工行业受政策影响的程度最大。4个样本省(市)中，化工行业较多分布在上海和北京，在技术减排方面相对领先，未来进一步减排的成本反而相对较高，更倾向于购买森林碳汇。因此需要政府加大支持力度，加快森林碳汇的发展，促进该行业减排方式的转型。政府可适当提高碳汇补贴额，既可以促进企业的减排热情，也可以增加企业对森林碳汇的购买需求。
4.2 不同省市企业森林碳汇需求价格模拟分析
由图4A可知：随着政府允许碳汇抵消比例的提高，4个省(市)的企业森林碳汇需求价格上升，其中湖北省企业的增长趋势较为明显。湖北省企业目前通过工业减排的成本相对较高，在碳减排政策允许的情况下，企业更愿意选择成本较低的森林碳汇，若政府提高允许碳汇抵消比例，购买森林碳汇减排会成为当地企业的一种选择。由图4B可知：随着碳税征收率的提高，各省(市)企业的森林碳汇需求价格同样没有明显的变化。由图4C可知：随着碳汇补贴额度的增加，各地区企业的森林碳汇需求价格呈上升趋势，4个省(市)中上海市受政策影响的程度最大，上海市目前的技术已相对发达，随着时间的增加，工业减排将不再有优势，同时森林碳汇是一个低成本的选择。
图 4 不同政策情境下下各地区企业森林碳汇需求价格模拟Figure 4 Demand prices of forest carbon sinks of enterprises in various regions under different policy scenarios5. 结论和讨论
5.1 结论
89个样本企业碳边际减排成本存在较大差异且不断增长。一方面说明不同地区在经济发展水平、碳减排政策及减排力度方面的不同，另一方面也说明不同行业企业的减排技术和设备等方面存在差异。每个企业每年的碳边际减排成本不相同且出现上升趋势，说明工业减排已不具有优势，购买森林碳汇来抵消碳排放是未来的发展趋势。各行各业碳边际减排成本高且存在较大差异，企业作为需求方才会有意愿考虑购买森林碳汇，碳汇市场交易也才会进行，这也是本研究的意义所在。
不同省(市)不同行业企业对森林碳汇的需求价格相差甚远。结果显示：上海市、北京市、广东省和湖北省的均值约分别为305、456、877和715元·t−1；火电行业、化工行业、钢铁行业的均值分别为631、556和575元·t−1。上海市与北京市企业对森林碳汇的需求价格低，广东省和湖北省的较高。钢铁行业企业对森林碳汇的需求价格最低，稳定性最强，说明火电和化工行业企业在未来对森林碳汇的需求会更大，尤其是火电行业企业已经正式启动全国碳排放权交易市场，森林碳汇市场在火电行业的发展潜力是巨大的。
政策因素对企业的森林碳汇需求价格有明显的影响。各地区各行业企业的森林碳汇需求价格存在一定的变动范围，最高和最低价格相差甚远，即需要采取一定的方案和措施使价格稳定在一个合理区间，且低于企业的工业碳边际减排成本。其中随着政府允许碳汇抵消比例和碳汇补贴额度增加，企业森林碳汇需求价格会上升，碳税征收率对企业森林碳汇需求价格影响不明显。从行业和地区来看，政府允许碳汇抵消比例变化对化工行业与湖北省的企业影响更大，而碳汇补贴额度的提高对化工行业和上海市的企业的森林碳汇需求促进作用更为明显。因此，合理的允许抵消比例与补贴政策组合下，化工行业将会是未来森林碳汇的重大需求者。
5.2 讨论
中国于2017年已启动全国碳排放权交易市场并在加速建设中，但发展并不完善。目前，试点市场中的广东碳汇市场交易较活跃，2019年成交量突破千万吨，但重庆、天津过少。中国碳排放核查与监测主要针对石化、化工、建材、钢铁、有色、造纸、电力、航空八大行业。本研究涉及行业仅为碳排放密集型的火电、钢铁和化工3个行业，不能完全反映自愿减排的其他碳排放小的行业和个人。从碳汇市场长远发展来看，要鼓励更多行业进入碳汇市场，期待后续加强对其他市场参与主体的研究。
目前，试点碳市交易价格普遍不高且差距很大。2019年成交均价北京市最高为83.27元·t−1，深圳市最低，仅为10.84元·t−1，试点市场平均成交均价为27.76元·t−1，与本研究所测算的企业森林碳汇需求价格相差较远。本研究仅从森林碳汇的需求方企业来进行森林碳汇的价格研究，未充分考虑森林碳汇供给方和政府，因此多方参与的森林碳汇定价机制还需后续进一步研究，以探索合理的碳汇价格，提高企业森林碳汇需求的同时保障森林碳汇供给者的利益。
-
图 1 不同播种模式下土壤各土层有机碳质量分数
不同字母表示同一土层不同播种模式间差异显著(P＜0.05)
Figure 1 Soil organic carbon content under different planting patterns
图 2 不同播种模式下土壤各土层碱解氮质量分数
不同字母表示同一土层不同播种模式间差异显著(P＜0.05)
Figure 2 Soil available nitrogen content under different planting patterns
表 1 供试土壤(0~40 cm)养分特性
Table 1. Soil nutrient characteristics (0−40 cm)
土层/cm 全氮/(g·kg−1) 全磷/(g·kg−1) 全钾/(g·kg−1) 碱解氮/(mg·kg−1) 速效磷/(mg·kg−1) 速效钾/(mg·kg−1) 有机碳/(g·kg−1) pH 0~20 1.28 0.77 13.13 73.75 15.39 107.69 9.44 7.87 20~40 0.69 0.59 11.25 42.68 10.60 66.28 6.10 7.83 
下载: 导出CSV
表 2 不同播种模式下各土层土壤酶活性
Table 2. Soil enzyme activities in each soil layer under different planting patterns
土层/cm 种植方式 脲酶/(mg·g−1) 蔗糖酶/(mg·g−1) 碱性磷酸酶/(mg·g−1) 多酚氧化酶/(mg·g−1) 0~10 ck 0.342 5±0.021 8 d 6.358 2±0.265 0 d 0.417 6±0.020 6 d 0.754 8±0.046 9 b LJT 0.624 2±0.056 4 c 7.947 8±0.645 6 c 0.617 6±0.043 2 c 1.116 4±0.074 6 a CMR 0.606 7±0.046 5 c 7.847 8±0.241 8 c 0.655 6±0.034 5 c 1.103 1±0.072 6 a AMB 0.844 7±0.062 6 b 8.720 9±0.468 9 b 0.732 5±0.052 6 b 1.127 3±0.089 5 a LJT/AMB 1.108 3±0.061 3 a 9.466 5±0.532 5 a 0.843 2±0.067 8 a 1.275 3±0.084 2 a CMR/AMB 1.036 7±0.055 8 a 9.217 4±0.204 1 a 0.800 4±0.057 2 a 1.134 3±0.067 0 a 10~20 ck 0.310 3±0.018 7 d 5.575 0±0.344 7 d 0.387 5±0.025 3 d 0.697 9±0.037 0 b LJT 0.473 0±0.057 5 c 7.443 8±0.245 9 c 0.490 3±0.053 7 c 1.075 2±0.063 5 a CMR 0.578 1±0.032 1 c 7.143 8±0.443 0 c 0.587 9±0.047 6 c 1.052 2±0.068 7 a AMB 0.639 3±0.052 4 b 8.039 8±0.352 6 b 0.585 8±0.036 2 b 1.068 2±0.070 1 a LJT/AMB 0.843 2±0.064 7 a 8.732 1±0.231 9 a 0.665 4±0.054 7 a 1.182 6±0.096 4 a CMR/AMB 0.798 2±0.045 1 a 8.798 4±0.234 7 a 0.696 3±0.047 3 a 1.093 6±0.074 3 a 20~30 ck 0.222 5±0.015 3 d 4.754 6±0.125 4 c 0.332 7±0.022 3 c 0.563 7±0.026 4 b LJT 0.357 2±0.043 6 c 6.764 5±0.538 6 b 0.355 0±0.023 1 b 0.931 6±0.065 3 a CMR 0.489 7±0.030 7 c 6.994 5±0.364 8 b 0.453 6±0.036 1 b 0.880 7±0.057 0 a AMB 0.553 6±0.038 7 b 7.184 6±0.342 1 b 0.472 2±0.032 7 b 0.952 5±0.085 4 a LJT/AMB 0.667 1±0.059 8 a 7.648 7±0.452 3 a 0.551 2±0.166 0 a 0.994 3±0.073 2 a CMR/AMB 0.663 3±0.043 7 a 7.957 2±0.102 5 a 0.575 4±0.048 9 a 0.926 6±0.088 5 a 30~40 ck 0.171 6±0.013 4 d 4.248 9±0.247 5 c 0.304 9±0.019 7 c 0.506 4±0.022 7 b LJT 0.301 0±0.016 7 c 5.856 4±0.448 7 b 0.320 8±0.003 8 b 0.807 5±0.042 0 a CMR 0.489 7±0.030 7 c 6.994 5±0.364 8 b 0.453 6±0.036 1 b 0.8807±0.057 0 a AMB 0.481 2±0.034 2 b 6.323 1±0.476 8 b 0.415 0±0.025 4 b 0.835 4±0.067 3 a LJT/AMB 0.540 9±0.043 4 a 7.013 2±0.189 7 a 0.494 7±0.113 7 a 0.858 0±0.067 6 a CMR/AMB 0.565 0±0.038 1 a 7.185 4±0.114 6 a 0.506 9±0.036 1 a 0.865 9±0.064 0 a 说明：不同字母表示同一土层不同播种模式间差异显著(P＜0.05)
下载: 导出CSV
表 3 土壤碳、氮质量分数与酶活性的相关性分析
Table 3. Correlations analysis of soil carbon, available nitrogen and enzyme activities
参数 有机碳 碱解氮 脲酶 蔗糖酶 碱性磷酸酶 多酚氧化酶 有机碳 1 0.893** 0.943** 0.897** 0.949** 0.808** 碱解氮 1 0.848** 0.844** 0.917** 0.835** 脲酶 1 0.949** 0.965** 0.871** 蔗糖酶 1 0.931** 0.948** 碱性磷酸酶 1 0.875** 多酚氧化酶 1 说明：**表示在0.01水平(双侧)上显著相关
下载: 导出CSV
-
[1] 郭秀芝, 彭政, 王铁霖, 等. 间套作体系下种间互作对药用植物影响的研究进展[J]. 中国中药杂志, 2020, 45(9): 2017 − 2022. GUO Xiuzhi, PENG Zheng, WANG Tielin, et al. Research progress in effects of interspecific interaction on medicinal plants in intercropping system [J]. China J Chin Mater Medica, 2020, 45(9): 2017 − 2022. [2] 谢开云, 李向林, 何峰, 等. 单播与混播下紫花苜蓿与无芒雀麦生物量对氮肥的响应[J]. 草业学报, 2014, 23(6): 148 − 156. XIE Kaiyun, LI Xianglin, HE Feng, et al. Response of alfalfa and smooth brome to nitrogen fertilizer in monoculture and mixed grasslands [J]. Acta Prataculturae Sin, 2014, 23(6): 148 − 156. [3] 欧阳铖人, 吴伯志. 水土保持耕作措施的研究进展及展望[J]. 云南农业大学学报(自然科学), 2017, 32(4): 718 − 726. OUYANG Chengren, WU Bozhi. A review of soil conservation practices on uplands [J]. J Yunnan Agric Univ Nat Sci, 2017, 32(4): 718 − 726. [4] 蔺芳, 刘晓静, 张家洋. 紫花苜蓿与多年生黑麦草不同种植模式下沙化土壤碳、氮含量和酶活性研究[J]. 草原与草坪, 2019, 39(3): 43 − 49. LIN Fang, LIU Xiaojing, ZHANG Jiayang. Study of the contents of carbon, nitrogen and enzymes activities of sandy soil grown alfalfa and perennial ryegrass with different planting patterns [J]. Grassland Turf, 2019, 39(3): 43 − 49. [5] 李昂, 李昌明, 尹卓忻, 等. 甘肃秦王川灌区种植豆禾混播牧草的农田生态保育效应[J]. 水土保持学报, 2020, 34(2): 239 − 244, 268. LI Ang, LI Changming, YIN Zhuoxin, et al. Ecological conservation effect of mixed planing legume and grass in Qinwangchuan irrigation area of Gansu Province [J]. J Soil Water Conserv, 2020, 34(2): 239 − 244, 268. [6] 哈文秀, 周金星, 庞丹波, 等. 岩溶区不同恢复方式下土壤有机碳组分及酶活性研究[J]. 北京林业大学学报, 2019, 41(2): 1 − 11. HA Wenxiu, ZHOU Jinxing, PANG Danbo, et al. Soil organic carbon fraction and enzyme activities under different restoration methods in karst area [J]. J Beijing For Univ, 2019, 41(2): 1 − 11. [7] 张家春, 刘婧, 林绍霞, 等. 不同种植方式下贵州玄参种植土壤碳氮磷特征[J]. 河南农业科学, 2015, 44(6): 64 − 67. ZHANG Jiachun, LIU Jing, LIN Shaoxia, et al. Features of carbon, nitrogen and phosphorus in Scrophulariaceae growing soil under different planting patterns in Guizhou [J]. J Henan Agric Sci, 2015, 44(6): 64 − 67. [8] 王文锋, 李春花, 黄绍文, 等. 不同施肥模式对设施秋冬茬芹菜生育期间土壤酶活性的影响[J]. 植物营养与肥料学报, 2016, 22(3): 676 − 686. WANG Wenfeng, LI Chunhua, HUANG Shaowen, et al. Effects of different fertilization patterns on soil enzyme activities during growing period of autumn-winter season celery in greenhouse [J]. J Plant Nutr Fert, 2016, 22(3): 676 − 686. [9] 陈立明, 丁雷, 满秀玲. 云冷杉林土壤酶活性与植物多样性[J]. 东北林业大学学报, 2009, 37(3): 58 − 61. CHEN Liming, DING Lei, MAN Xiuling. Soil enzyme activities and plant diversity in spruce-fir forest [J]. J Northeast For Univ, 2009, 37(3): 58 − 61. [10] 张家洋, 蔺芳, 詹乃才, 等. 紫花苜蓿与无芒雀麦不同栽培模式下土壤团聚体形态结构、组成及有机碳特征[J]. 浙江农林大学学报, 2019, 36(6): 1077 − 1086. ZHANG Jiayang, LIN Fang, ZHAN Naicai, et al. Morphological structure, composition, and organic carbon characteristics of soil agglomerations for alfalfa and ryegrass planting patterns [J]. J Zhejiang A&F Univ, 2019, 36(6): 1077 − 1086. [11] 于天一, 逄焕成, 唐海明, 等. 不同母质类型水稻土酶活性及其与理化性质的关系[J]. 土壤学报, 2013, 50(5): 1043 − 1047. YU Tianyi, PANG Huancheng, TANG Haiming, et al. Soil enzyme activities and their relationships with soil physicochemical properties in paddy soils derived from different parent materials under double-rice cropping system in South China [J]. Acta Pedol Sin, 2013, 50(5): 1043 − 1047. [12] 关松荫. 土壤酶及其研究方法[M]. 北京: 农业出版社, 1986: 260 − 339. [13] 关正翾, 娜尔克孜, 朱亚琼, 等. 不同混播方式下燕麦+箭筈豌豆混播草地的生产性能及土壤养分特征[J]. 草业科学, 2019, 36(3): 772 − 784. GUAN Zhengxuan, Naerkezi, ZHU Yaqiong, et al. Effect of different sowing patterns on production performance and soil nutrients in Avena sativa+Vicia sativa mixtures [J]. Pratacultural Sci, 2019, 36(3): 772 − 784. [14] 邰继承, 杨恒山, 范富, 等. 播种方式对紫花苜蓿+无芒雀麦草地土壤碳密度和组分的影响[J]. 草业科学, 2010, 27(6): 102 − 107. TAI Jicheng, YANG Hengshan, FAN Fu, et al. Effects of sowing methods on soil carbon density and composition in the alfalfa and Bromus inermis pasture [J]. Pratacultural Sci, 2010, 27(6): 102 − 107. [15] 包兴国, 杨文玉, 曹卫东, 等. 豆科与禾本科绿肥饲草作物混播增肥及改土效果研究[J]. 中国草地学报, 2012, 34(1): 43 − 47. BAO Xingguo, YANG Wenyu, CAO Weidong, et al. Soil fertility improvement by mixed planting of Leguminous and Gramineous green manure crops [J]. Chin J Grassland, 2012, 34(1): 43 − 47. [16] 郑伟, 加娜尔古丽, 唐高溶, 等. 混播种类与混播比例对豆禾混播草地浅层土壤养分的影响[J]. 草业科学, 2015, 32(3): 329 − 339. ZHENG Wei, Jianaerguli, TANG Gaorong, et al. Effects of mixed species, mixed ratios of legume to grass on soil nutrients in surface soils of legume-grass mixture pasture [J]. Pratacultural Sci, 2015, 32(3): 329 − 339. [17] 王理德, 王方琳, 郭春秀, 等. 土壤酶学硏究进展[J]. 土壤, 2016, 48(1): 12 − 21. WANG Lide, WANG Fanglin, GUO Chunxiu, et al. Review: progress of soil enzymology [J]. Soils, 2016, 48(1): 12 − 21. [18] 蔺芳. 不同栽培模式下豫北沙化土壤微生物量和酶活性[J]. 浙江农林大学学报, 2019, 36(3): 590 − 597. LIN Fang. Microbial biomass and enzymatic activity in sandy soils of northern Henan Province with different alfalfa and awnless brome cultivating patterns [J]. J Zhejiang A&F Univ, 2019, 36(3): 590 − 597. [19] LI Qiang, LIANG Jianhong, HE Y Y, et al. Effect of land use on soil enzyme activities at karst area in Nanchuan, Chongqing, Southwest China [J]. Plant Soil Environ, 2014, 60(1): 15 − 20. [20] 刘文辉, 张英俊, 师尚礼, 等. 高寒区施肥和豆科混播水平对燕麦人工草地土壤酶活性的影响[J]. 草业学报, 2017, 26(1): 23 − 33. LIU Wenhui, ZHANG Yingjun, SHI Shangli, et al. Soil enzyme activities in alpine naked oat-artificial grassland in reponse to fertilizer and legume mix levels [J]. Acta Prataculturae Sin, 2017, 26(1): 23 − 33. [21] 黄玙璠, 舒英格, 肖盛杨, 等. 喀斯特山区不同草地土壤养分与酶活性特征[J]. 草业学报, 2020, 29(6): 93 − 104. HUANG Yufan, SHU Yingge, XIAO Shengyang, et al. Quantification of soil nutrient levels and enzyme activities in different grassland categories in karst mountains [J]. Acta Prataculturae Sin, 2020, 29(6): 93 − 104. [22] 张丽琼, 郝明德, 臧逸飞, 等. 苜蓿和小麦长期连作对土壤酶活性及养分的影响[J]. 应用生态学报, 2014, 25(11): 3191 − 3196. ZHANG Liqiong, HAO Mingde, ZANG Yifei, et al. Effects of continuous cropping of wheat and alfalfa on soil enzyme activities and nutrients [J]. Chin J Appl Ecol, 2014, 25(11): 3191 − 3196. [23] 郝建朝, 吴沿友, 连宾, 等. 土壤多酚氧化酶性质研究及意义[J]. 土壤通报, 2006, 37(3): 470 − 474. HAO Jianchao, WU Yanyou, LIAN Bin, et al. Properties of polyphenol oxidase in soil and its significance [J]. Chin J Soil Sci, 2006, 37(3): 470 − 474. [24] TOSCANO G, COLARIETI M L, Jr GRECO G. Oxidative polymerisation of phenols by a phenoloxidase from green olives [J]. Enzyme Microb Technol, 2003, 33(1): 47 − 54. [25] TU Cheng, TENG Ying, LUO Yongming, et al. PCB removal, soil enzyme activities and microbial community structures during the phytoremediation by alfalfa in field soils [J]. J Soils Sediments, 2011, 11(4): 649 − 656. [26] 盛亚萍, 赵成章, 张静, 等. 高寒山区混播草地燕麦和毛苕子根长密度分布格局[J]. 生态学杂志, 2013, 32(2): 279 − 284. SHENG Yaping, ZHAO Chengzhang, ZHANG Jing, et al. Spatial distribution patterns of root length density of Avena sativa and Vicia villosa in their mixed-sowing grassland in alpine region [J]. Chin J Ecol, 2013, 32(2): 279 − 284. [27] 徐炳成, 山仑, 黄占斌, 等. 沙打旺与柳枝稷单、混播种苗期水分利用和根冠生长的比较[J]. 应用与环境生物学报, 2004, 10(5): 577 − 580. XU Bingcheng, SHAN Lun, HUANG Zhanbin, et al. Comparative study of water use efficiency and growth of Astrafalus adsurgens and Panicum virgatum seedings under separated and mixed plantation [J]. Chin J Appl Environ Biol, 2004, 10(5): 577 − 580. [28] 来幸樑, 师尚礼, 吴芳, 等. 紫花苜蓿与3种多年生禾草混播草地的土壤养分特征[J]. 草业科学, 2020, 37(1): 52 − 64. LAI Xingliang, SHI Shangli, WU Fang, et al. Nutrient characteristics of soil sowed with different combinations of alfalfa and three perennial grasses [J]. Acta Prataculturae Sin, 2020, 37(1): 52 − 64. 期刊类型引用(9)
1. 陈丽荣，万深玮，王一冰，李丹，刘雨声. 公众森林碳汇购买意愿影响因素研究——基于TPB—NAM整合模型. 资源开发与市场. 2024(01): 42-51 . 
百度学术2. 蒋欣强，彭红军，苏世伟. 国际林业碳汇基金运作模式研究与启示. 世界林业研究. 2023(03): 9-15 . 百度学术3. 李明晖，王恺. 双碳背景下碳市场经济学理论与演化规律研究进展. 油气储运. 2023(11): 1242-1250+1260 . 百度学术4. 杨凯迪，张伟. 黄河流域森林碳汇生态产品价值核算研究. 黄河文明与可持续发展. 2023(02): 103-122 . 百度学术5. 沈哲鑫. 基于区块链的碳抵消研究综述与展望. 中国商论. 2022(04): 112-115 . 百度学术6. 陈周光，龙飞，祁慧博. 中国森林碳汇定价研究. 价格月刊. 2022(03): 9-16 . 百度学术7. 王雅茹，贾瑜，赵华，顾永强. “双碳”目标下油气行业发展的应对之策. 石油石化绿色低碳. 2022(02): 73-76 . 百度学术8. 朱梅钰，龙飞，祁慧博，张哲. 基于行业减排的森林碳汇需求空间测度与分类. 浙江农林大学学报. 2021(02): 377-386 . 本站查看9. 王丽华，许跃坤. 简析我国碳汇林发展现状. 阿坝师范学院学报. 2021(04): 66-73 . 百度学术其他类型引用(8)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20200486
点击查看大图
计量
- 文章访问数: 1122
- HTML全文浏览量: 262
- PDF下载量: 39
- 被引次数: 17
