基于森林的生物经济对碳排放的潜在缓解作用：以德国为例

《Forest Policy and Economics》：The potential mitigation effect of forest-based bioeconomy on carbon emissions: The case of Germany

　　兰焦文|瑞张|安鲁张|展利孙
中国武汉华中农业大学土地管理学院

摘要：基于森林的生物经济是德国减少碳排放生物经济战略的关键支柱。本文采用扩展的空间Durbin模型和2000年至2021年的面板数据（NUTS-3级别），研究了基于森林的生物经济对德国碳排放的影响。具体而言，我们分析了2000年至2021年间技术创新、生物经济规模、产业升级及其相互作用在区域内和区域间的溢出效应，涵盖了所有401个县和城市。研究结果表明，基于森林的生物经济中的技术创新逐渐在空间上扩散，从中心县或城市传播到周边地区。在当地，此类创新通过推动产业升级和创造生物经济领域的就业机会来降低碳排放。此外，它还通过产业升级和生物经济规模带来的负向溢出效应间接降低了邻近地区的碳排放。这些发现凸显了基于森林的生物经济在提升区域碳绩效方面的巨大潜力。它们强调了整合技术创新、劳动力市场发展和产业转型策略以最大化脱碳效果的重要性。

1. 引言
向生物经济的转型，特别是基于森林的生物经济，被视为应对气候危机和碳排放的可持续途径（Fritsche等人，2020；Tiwari等人，2024；Beer等人，2025），尤其是在全球二氧化碳排放量不断创新高的背景下（2024年达到37.8 Gt的历史最高水平）（国际能源署，2025）。根据欧盟委员会的定义（EC，2012），生物经济“包括可再生生物资源的生产及其转化为食品、饲料、基于生物的产品和生物能源”，主要依赖于充足的生物质供应和技术创新。基于森林的生物经济涵盖了整个森林价值链，在欧盟（EU）中贡献了最大的可再生碳份额，被认为是促进经济脱碳的关键力量。截至2016年，欧盟层面已发布了多达570份涉及基于森林的生物经济整个价值链碳减排策略的政策文件（Rivera León等人，2016）。尽管政策目标明确，但生物经济战略的实际减碳效果仍存在争议。越来越多的文献讨论了基于森林的生物经济在减少碳排放方面的潜力（Giurca和Metz，2018；D'Amato等人，2020；Hetem?ki等人，2024）。然而，评估其实际减排效果的实证证据仍然相对不足。

主要的不确定性在于基于森林的生物经济对碳排放的净减排效应尚不明确，需要更细致地了解其背后的机制。有人认为，基于森林的生物经济在减少碳排放方面既具有直接作用，也具有间接作用（Sepp?l?等人，2019；Jonsson等人，2021；Kumeh等人，2021）。其直接作用通常体现在森林和土壤的碳封存上，而间接作用则与生物能源替代化石燃料有关。据观察，森林和采伐的木制品总共封存了相当于欧盟温室气体排放量约10%的碳（欧盟，2022）。除了森林和传统木制品外，基于森林的生物经济还包括向生物能源、生化制品、纺织品、纤维素、木质纤维素生物塑料、包装产品等方向的努力（Wolfslehner等人，2016）。它可以通过促进使用木基产品替代化石燃料和其他材料来帮助缓解气候变化（欧盟，2022）。然而，这些减排途径并非没有权衡。替代过程往往需要增加森林生物质采伐。如果没有足够的造林和森林资源，专注于提高木制品中碳储存和替代化石燃料及能源密集型材料的减排策略可能导致生物质流失增加，从而在大多数情况下降低森林的碳封存潜力（Lindner等人，2017）。此外，森林经济活动中的不确定性，如土地使用制度、破坏性森林火灾和非木材产品，导致了基于森林的生物经济中的协同效应和权衡（Hiedanp??等人，2023；Lindberg等人，2023；Erkkil?等人，2024；Rosenfeld等人，2024；Chamberlain和Smith-Hall，2024）。这些复杂性表明，理解基于森林的生物经济的减排效果需要研究影响其环境结果的根本驱动因素。

技术创新是一个重要的根本驱动因素，在生物经济发展中起着关键作用，并通过决定森林资源的利用效率等方式影响其碳减排。然而，森林生物经济对碳排放减少的影响机制，特别是技术创新在减少碳排放中的作用，尚未得到充分量化。迄今为止，大多数关于基于森林的生物经济在减少碳排放方面的潜力研究大多是定性的，并且主要在宏观层面进行（Jonsson等人，2021；Kumeh等人，2021；Rebolledo-Leiva等人，2023；Luhas和Mikkil?，2025）。尽管这些研究指出了基于森林的生物经济在减少碳排放方面的积极潜力，无论是通过可持续生物经济的路径依赖性还是通过使用先进技术（Luhas等人，2021；Heiskanen等人，2022；Lassalas等人，2024），但它们未能明确这种减排发生的机制和具体行动。

在少数定量分析中，有越来越多的研究评估了技术创新（例如，通过专利申请数量来衡量）在基于森林的生物经济中对气候变化缓解的作用（Lovri?等人，2020；Ladu等人，2020；Harrahill等人，2023）。此类文献表明，技术创新及其在基于森林的生物经济中的传播方式可能在不同国家、不同层面以及采用的不同方法下对减排产生不同的影响（Ganda，2019；Halonen等人，2022；Giurca和Befort，2023）。同时，同一地区碳排放及其驱动因素的估算结果可能因数据汇总层次的不同而有所不同（Wen等人，2021）。此外，基于森林的生物经济中的技术创新对碳排放的溢出效应仍然不够清楚，特别是在一个地区内的碳排放通量如何通过空间相互作用和扩散过程影响相邻和遥远地区的方面。现有研究已经考察了碳排放的空间模式，并通过使用对数平均迪维西亚指数（Bianco等人，2024）和空间Durbin模型（SDM）（Wen等人，2021；Chen等人，2023）等方法研究了减排机制。虽然越来越认为生物经济系统中的碳循环反映了与土地利用变化相关的排放动态（Wang等人，2023），但区域间的相互作用及其溢出效应受到的关注相对较少。此外，基于森林的生物经济涵盖了整个价值链。虽然一些研究使用生命周期评估（LCA）在行业层面估算了用非食品生物质替代化石燃料的替代效应（Phan-huy等人，2023），但这些效益可能被区域生产过程中产生的碳排放部分或全部抵消。这增加了在评估整个生态经济系统时重复计算碳排放的风险。

为填补这些研究空白，本文通过考虑技术创新对碳排放的空间溢出效应，实证研究了基于森林的生物经济在减少碳排放中的作用，并估计了其影响机制。因此，本研究通过提供有关生物经济驱动创新的减排效果和空间扩散机制的定量证据，为相关文献做出了贡献。我们重点关注德国的森林生物经济，该国正致力于在2050年前实现气候中和，部分通过技术创新来刺激基于森林的生物经济（BMBF，2020；EC，2020；BMBF和BMEL，2023），并试图回答三个关键研究问题：
1) 基于森林的生物经济是否具有减排效果？
2) 基于森林的生物经济中技术创新的扩散如何影响区级层面的碳排放？
3) 基于森林的生物经济中技术创新的空间溢出效应如何决定减排潜力和方向？

本文的其余部分组织如下：下一节概述了德国碳排放与基于森林的生物经济之间的关系。第三节介绍数据和方法论。第四节和第五节分别总结了结果和政策含义。最后一节总结了整个研究工作。

2. 德国的碳排放和基于森林的生物经济
人类活动本质上依赖于基于土地的生态系统服务，因此不可避免地会影响生态系统的承载能力。虽然全球碳汇主要产生于生态子系统中，但大部分碳排放来自经济子系统。由城市化和工业化等社会经济过程驱动的土地利用变化是碳排放的主要来源，同时也改变了生态系统在土壤、森林和地质储层中封存碳的能力（Bockstael等人，1995；Pataki等人，2006）。此外，碳循环还受到岩石圈内物理过程的影响，这些过程很大程度上超出了人类的直接控制范围。图1展示了区域生态经济系统中碳排放的产生和调节过程。

作为生态-经济系统的一个组成部分，基于森林的生物经济通过其内部投入-产出动态（如劳动力流动和技术创新）影响碳循环。根据欧盟委员会的政策，德国致力于发展一个主要依赖基于森林的部门的生物经济（Giurca和Sp?th，2017）。在德国，基于森林的生物经济不仅包括传统的木制品（如木基材料、纸浆和纸张、生物能源），还旨在增加整个价值链的附加值，从而促进高价值产品的创造和就业机会（Jochem等人，2015）。这一发展与技术创新密切相关，技术创新被广泛认为是基于森林的生物经济的核心支柱。政策制定者和学者都认识到，技术进步不足会限制其发展（BMBF，2011），导致许多有前途的技术仍处于实验室或试点阶段（Hagemann等人，2016）。

作为内生投入因素，基于森林的生物经济中的技术创新，与其他生产要素（如劳动力、土地和资本）一起，可以通过边做边学的方式促进新的资源分配效率和对经济增长的显著积极影响（Arrow，1969）。这将提高生物经济价值链中地方产业的生产力和竞争力。技术创新沿价值链的知识溢出效应还将通过优化要素替代效率促进产业整合和劳动力分工，从而促进生物群落和空间产业模式的发展。

由于创新的空间扩散，更高程度的技术创新还可以提高邻近地区的竞争力（Vaitsos，1978）。产业集群可以通过提高涉及产业的竞争力及其附加值生成、经济多样化和就业创造能力来加速产业升级。从这个角度来看，集群内的竞争力不仅促进经济增长，还能减少碳排放（Gautam，2015；Cui等人，2021）。尽管相邻地区可能为工业增长提供丰富的城市用地（Guastella等人，2017；Gao等人，2020），它们也有潜力提供额外的就业机会，从而吸引劳动力迁移到这些地区。

3. 数据和方法
3.1. 数据
本研究结合了多个数据来源的信息。净碳排放（包括直接碳排放和间接碳排放以及碳汇）是基于区级不同土地利用类型的土地利用数据和排放参数计算得出的。排放参数来自政府间气候变化专门委员会（IPCC，2021）的数据和相关研究。2000年至2021年的土地利用数据来自Thünen土地地图集和德国区域数据库。由于行政划分调整，一些地区已被删除并根据2021年的情况进行了调整。例如，Osterode am Harz自2016年起被调整为G?ttingen地区的市镇。2000年至2021年期间，401个地区的年度社会经济数据主要来自德国联邦统计局、德国区域数据库、Eurostat数据库和德国联邦农业和食品管理局（BMEL）。2000年至2021年期间基于森林的生物经济领域的专利数据则来自经济合作与发展组织（OECD）的统计资料。

3.2 方法
本研究分为三个步骤：首先，我们计算2000年至2021年期间的净碳排放量；其次，我们衡量每个地区的生物经济规模以评估生物经济的区域发展情况；最后，我们使用空间Durbin模型来估计基于森林的生物经济对净碳排放量的影响。

3.2.1 区域层面的净碳排放量估算
净碳排放量是耕地和建设用地使用过程中产生的碳排放量与碳汇量之和，因为这 two 类土地的能源消耗最高（Zhao等，2015；Zhang等，2017）。在本研究中，建设用地的碳排放量通过单位GDP的能源消耗（Ti）与该地区第二产业和第三产业GDP（Mi）的乘积来间接计算。尽管耕地上的作物可以在一定程度上吸收碳排放，但化肥、农业机械和灌溉系统的使用会产生较高的净排放量（Qin等，2024；Li等，2025）。因此，每个地区的碳排放量（ECi）定义为：
(1) ECi = ηa·Ci + Ti·Mi
其中ηa是耕地的碳排放参数，Ci是耕地面积。
地区的碳汇量（ESi）包括森林、草地土壤和水域中的碳固存量，计算方法为碳排放参数δj与每种土地利用类型Sij的乘积：
(2) ESi = ∑δj·Sij
其中j = 1,2,3分别代表森林、草地和水域。则该地区的净碳排放量（NECi）为：
(3) NECi = ECi - ESi

3.2.2 生物经济规模的衡量
生物经济规模的衡量方法因定义和途径的不同而有所差异。由于大多数关于生物经济的研究都是定性概念性论文，且定义各异，因此对其规模的测量结果也有很大差别。定义的多样性和缺乏统一的比较方法是对生物经济对可持续发展贡献进行定量分析的主要挑战。Kuosmanen等人（2020）指出，衡量生物经济规模主要有四种方法：nova-JRC提出的基于产出的方法、芬兰生物经济统计数据、JRC、荷兰统计局（CBS）开发的物理供应和使用方法以及Thünen研究所的方法。其中，Thünen方法不仅强调了资源流动在生产过程中的作用，这与德国生物经济战略的定义（BMBF，2020）一致，而且还能直接反映生物经济的社会经济贡献，因为它关注的是行业层面。因此，本研究采用了Thünen研究所的方法来衡量德国的生物经济规模。鉴于“增加值”比总产出更能避免重复计算（Kuosmanen等人，2020），本研究依据Iost等人（2019）的报告，通过增加值和就业人数这两个指标来衡量生物经济的规模。
根据Iost等人（2019）的定义，农业部门（包括农业、林业和渔业）被视作100%基于生物的。对于制造业部门，本研究使用的生物基础份额（bmˉ）是各个子制造业部门（四位数字级别）的平均值，包括食品和饲料、纺织、皮革、木材和木制品、纸张和纸板、印刷、化工、制药、塑料、家具等。由于很难将服务业的数据与NACE行业分类对齐，因此服务业的生物基础份额（boˉ）采用了基于自然科学和工程的实验性发展的平均值。德国生物经济规模的两个维度计算公式如下：
(4) BVi = VAi + VMi·bmˉ + VOi·boˉ
(5) BEi = EAi + EMi·bmˉ + EOi·boˉ
其中BVi和BEi分别表示地区i的生物经济增加值和就业人数；VA、VM和VO分别表示农业部门、制造业部门和服务业的增加值；EA、EM和EO分别表示这三个行业的就业人数。

3.2.3 空间Durbin模型
空间Durbin模型（SDM）用于估计基于森林的生物经济对碳排放量的影响。首先，计算全球空间自相关指数（Moran's I）以检测空间自相关性和空间异质性（Odland，1988；Geniaux和Martinetti，2018）：
(6) Moran's I = ∑i=1n∑k=1nWikNCEi?NCEˉNCEk?NCEˉ/V2∑i=1n∑knWik
其中NCE?NCEˉ表示平均值，V表示净碳排放量的方差，Wik表示空间权重矩阵。Moran's I指数的值在[-1,1]范围内，表示地区之间的正相关或负相关（Anselin，1988；Bai等，2012；Gao等，2020）。如果值为零，则说明地区的碳排放量没有空间相关性。
许多研究表明，受自然环境和人类活动影响的碳排放具有区域溢出效应（Wang等，2018；Wang等，2019）。然而，这种效应的范围因所使用的模型而异。与空间滞后模型（SLM）和空间误差模型（SEM）相比，SDM的优势在于能够捕捉因变量的空间相关性和自变量的空间溢出效应（LeSage和Pace，2010）。此外，SDM的拟合优度通常高于其他空间面板模型（Wen和Liao，2019）。在本研究中，经过Hausman检验和似然比检验后，应用了具有固定效应的SDM。

基于森林的生物经济对碳排放量的影响有两个方面。除了生物经济的规模外，还选择了基于森林的生物经济中的专利数量及其应用比例，以及它们与生物经济规模的相互作用作为核心变量。根据Grossman和Krueger（1995）的观点，使用德国生物经济的两个维度：生物经济增加值（BV）和就业人数（BE）来反映生物经济规模对碳排放量的影响。基于森林的生物经济中的专利数量（Number）和当年的应用率（Rate）用于体现技术创新，前者表示技术创新的强度，后者表示科学研究和成果的转化效率（Popp等，2003；Harrahill等，2023；Chemo Dzukou和Vancauteren，2024）。通过考虑社会和经济控制变量，如工业结构升级（Structure，即第三产业GDP与工业部门GDP的比率）、劳动密度（Labor，即每公顷的劳动力数量）、城市建设面积（Urban）和人均GDP（PerGDP），基本SDM模型可以表示为：
(7) lnNCE = ρWlnNCE + ?1lnBV + ?2lnBE + ?3lnNumber + ?4lnRate + ?5lnLabor + ?6lnPerGDP + ?7lnStructure + ?7lnUrban + φ1WlnBV + φ2WlnBE + φ3WlnNumber + φ4WlnRate + φ5WlnLabor + φ6WlnPerGDP + φ6WlnStructure + φ6WlnUrban + γln + ε
其中ρ为空间自相关系数，W为空间权重矩阵，WlnNCE为因变量的空间滞后，WlnX为解释变量的空间滞后，X为解释变量矩阵，ln为长度为n的的单位向量，?和φ分别为X、WlnX和ln的回归系数向量，ε为误差项。

增长极理论和国实证观察表明，一个地区的发展程度越高，其对周边地区的空间聚集效应（整合效应）就越强，因为较高的发展水平会吸引资本、技术和劳动力（Wen等，2021）。因此，技术创新对净碳排放量的影响可以通过投入和产出因素的相互作用来体现。在扩展模型（SDM 2）中，通过考虑Number与调节变量BV、BE、Structure和PGDP之间的相互作用来捕捉这一点：
(8) lnNCE = ρWlnNCE + ?1lnBV + ?2lnBE + ?3lnNumber + ?4lnRate + ?5lnLabor + ?6lnPerGDP + ?7lnStructure + ?7lnUrban + β1lnNumber·lnBV + β2lnNumber·lnBE + β3lnNumber·lnStructure + β4lnNumber·lnPerGDP + φ1WlnBV + φ2WlnBE + φ3WlnNumber + φ4WlnRate + φ5WlnLabor + φ6WlnPerGDP + φ6WlnStructure + φ6WlnUrban + γln + ε
其中β为交互作用的回归系数向量。

考虑到GDP和劳动对碳排放量的规模效应，预期BV和BE的符号为正（+）。技术创新（以基于森林的生物经济中的专利数量Number表示）和转化率（Rate）被认为会对碳排放产生负面影响。同样，城市集聚（Urban和Labor）和经济增长（PGDP）可能会增加碳排放（Nakicenovic，2000），因此预计Urban、Labor和PGDP的符号为正（+）。相比之下，产业结构的升级（Structure）则意味着较低的碳排放（-）。表1总结了所有模型变量。

表1. SDM变量描述
| 名称 | 单位 | 平均值 | 标准差 | 最小值 | 最大值 | 符号 |
|--------------|--------------|------------|-------------|--------------|-----------|
| NCE | 吨 | 8822 | 2610,291.29 | 1,385.76 | 2,372.67 |
| BV | 百万欧元 | 8822 | 1371.58 | 2056.33 | 427,605.67 |
| BE | 人 | 8822 | 24.73 | 27.53 | 1357.03 |
| Number | 人 | 8822 | 17.64 | 25.68 | 271 |
| Rate | % | 8822 | 0.18 | 0.21 | 0.32 |
| Structure | % | 8822 | 0.52 | 0.32 | 0.037 |
| Labor | 人 | 8822 | 44.81 | 77.29 | 60.10 |
| PGDP | 欧元 | 8822 | 31.28 | 14.64 | 11.20 |
| Urban | 千公顷 | 8822 | 11,978.92 | 747.99 | 121 |

4.1 净碳排放量的时空分布
图2总结了2000年至2021年德国及东西部地区的净碳排放量（NCE）情况。结果显示，德国的净碳排放量呈缓慢下降趋势。2009年碳排放量急剧下降，随后在2010年再次上升，这可能是由于当时的全球金融危机引起的经济衰退所致。后来，由于COVID-19大流行导致的经济衰退，碳排放量在疫情期间下降，但在2021年显著回升，抵消了之前的下降。德国西部的碳排放量远高于东部地区，反映了该地区更高的经济增长和产业发展水平，因此相应的NCE也更高。西部地区的碳排放趋势与德国整体一致，而东部地区的净碳排放量相对较低且稳定。

图3显示，NUTS-3级别的净碳排放量分布随时间变化。除了柏林和汉堡等城市州外，西部地区的NCE最高（> 2000 × 103吨），表明西部地区存在集聚现象，而东部地区的NCE最低（< 500 × 103吨）。特别是2016年至2021年间，NCE在1000 × 103吨以上的类别中下降迅速，表明与2000–2015年相比，NCE的扩散速度加快。总体而言，所有类别的NCE呈上升趋势，尤其是在2015年之后。从2010年到2021年，生物经济的附加值及其空间溢出效应持续增长。下载：下载高分辨率图片（348KB）下载：下载全尺寸图片

图5. 2000年、2005年、2010年、2015年和2021年德国生物经济的附加值。生物经济领域员工的空间分布（图6）显示，员工主要集中在西部地区，并在2000年至2021年间对周边地区产生了辐射效应。这可能是因为员工迁移到了生物产业密集的地区。下载：下载高分辨率图片（315KB）下载：下载全尺寸图片

图6. 2000年、2005年、2010年、2015年和2021年德国生物经济领域的员工分布。基于森林的生物经济领域专利数量的空间分布（图7）在2000年至2015年间呈现出强烈的聚集趋势。西部和南部地区的专利数量较多（例如超过30项），表明这些地区的专利具有显著的空间扩散效应。2021年，所有类别的专利数量急剧减少，这可能是由于COVID-19大流行导致的研究与开发投资下降所致。下载：下载高分辨率图片（317KB）下载：下载全尺寸图片

图7. 2000年、2005年、2010年、2015年和2021年德国基于森林的生物经济领域的专利数量。

4.3. 生物经济对德国碳排放的空间整合效应

Moran's I指数测试的结果（参见公式6）在表2中进行了总结，以说明观察期间的空间异质性。所有单变量Moran's I指数的低正值和正值表明各地区之间存在轻微的正相关关系。自2007年以来指数值的逐渐下降表明空间扩散现象正在出现，即碳排放相似的地区表现出更强的扩散趋势。这表明空间效应有助于解释生物经济领域技术创新对碳排放的影响。

表2. 2000年至2021年净碳排放的Moran's I指数

| 年份 | Moran's I | Sd(I) | ZP值 |
|------|-----------|--------|--------|
| 2000 | 0.089 | -0.003 | 0.029 |
| 2001 | 0.090 | -0.003 | 0.029 |
| 2002 | 0.090 | -0.003 | 0.029 |
| 2003 | 0.092 | -0.003 | 0.029 |
| 2004 | 0.093 | -0.003 | 0.029 |
| 2005 | 0.092 | -0.003 | 0.029 |
| 2006 | 0.092 | -0.003 | 0.029 |
| 2007 | 0.096 | -0.003 | 0.029 |
| 2008 | 0.092 | -0.003 | 0.029 |
| 2009 | 0.088 | -0.003 | 0.029 |
| 2010 | 0.086 | -0.003 | 0.029 |
| 2011 | 0.088 | -0.003 | 0.029 |
| 2012 | 0.087 | -0.003 | 0.029 |
| 2013 | 0.083 | -0.003 | 0.029 |
| 2014 | 0.083 | -0.003 | 0.029 |
| 2015 | 0.084 | -0.003 | 0.029 |
| 2016 | 0.081 | -0.003 | 0.029 |
| 2017 | 0.077 | -0.003 | 0.029 |
| 2018 | 0.077 | -0.003 | 0.029 |
| 2019 | 0.072 | -0.003 | 0.029 |
| 2020 | 0.071 | -0.003 | 0.029 |
| 2021 | 0.072 | -0.003 | 0.029 |

表3总结了使用第3.2.3节中开发的两种版本的空间Durbin模型进行参数估计的结果。第一个模型（SDM 1）包括生物经济的规模、技术创新和社会经济参数（参见公式7），而其扩展模型（SDM 2）分别控制了交互项的效应（参见公式8）。两个模型中的方差变量仅显示出不显著的效果，表明模型的稳定性和稳健性。

表3. 空列

空列

NCE的主要效应（ρWlnNCE + ?lnX）
X对NCE的溢出效应（φWlnX）
SDM 1 | SDM 2 |
交互效应 | SDM 1 | SDM 2 |
lnBV | 0.188*** | 0.131*** | 0.039*** |
lnBE | 0.049*** | 0.116*** | 0.066*** |
lnNumber | 0.002*** | -0.053*** | -0.000 |
lnRatio | 0.001*** | 0.001 | 0.002 |
lnPGDP | 0.690*** | 0.716*** | -0.511*** |
lnStructure | -0.019*** | -0.016*** | -0.027*** |
lnLabor | 0.007*** | 0.006 | 0.001 |
lnNumber*lnBV | 0.024*** | 0.007 | -0.026*** |
lnNumber*lnBE | -0.026*** | -0.011*** |
lnNumber*lnPGDP | -0.009*** | 0.004 |
lnNumber*lnStructure | 0.001 | 0.003 | ρ = 0.455 |
R2 | 0.619 | 0.609 |
sigma2_e | 0.001 | 1.01e-05 |
Log-Likelihood | 19,403.479 | 19,719.822 |

结果表明，在SDM 1模型中，估计的碳排放（NCE）与生物经济的附加值（BV）、生物经济领域的员工数量（BE）、人均GDP（PGDP）和劳动力密度（Labor）呈正相关。这一发现与现有文献一致，即经济因素是碳排放增加的主要驱动因素（Wang等人，2018；Zhang等人，2017）。相比之下，城市 construction land 的增加会减少NCE（-0.102***），因为德国高度发达且产业分工先进。高碳排放的德国工厂往往是劳动密集型产业，而德国的城市地区已经具有较高的土地开发水平（Li等人，2025）。正如预期的那样，产业升级（Structure）显著降低了碳排放（-0.019***），因为它促进了向更高可持续性的产业转型（Bai等人，2023；Mehmood等人，2024）。与预期相反，基于森林的生物经济领域专利数量的增加和当年申请的专利比例的增加似乎分别会导致碳排放增加（0.002***和0.001***）。这可以通过德国基于森林的生物经济领域的技术创新促进经济增长来解释，最终导致NCE水平上升（Khan等人，2024）。

此外，空间滞后的自变量的系数表明，生物经济的附加值（BV）、生物经济领域的员工数量（BE）、劳动力密度（Labor）和城市 construction land（Urban）对邻近地区的碳排放有显著的正面溢出效应。Number、Structure和PGDP的溢出效应显著为负，表明GDP和技术创新水平较高的地区以及产业更发达的地区可以从邻近地区吸引更多技术投资和自然资源（Gao等人，2020）。

SDM 2模型的结果表明，如果生物经济的附加值更高、生物经济领域提供更多就业机会、人均GDP更高以及产业升级，那么基于森林的生物经济领域的技术创新可以减少净碳排放。Number与BV、BE和Structure之间的显著负交互作用表明，考虑到BE和Structure对碳排放的影响，技术创新的增加可以开始减少净碳排放。Number与BV和PGDP之间的显著正交互作用表明，促进基于森林的生物经济领域的技术创新可以与更多的生物经济领域员工和产业升级相结合，从而减轻碳排放。Number与BV和BE之间交互作用的负面溢出效应意味着，在BV和BE增加的情况下，基于森林的生物经济领域的技术创新增加可以减少邻近地区的碳排放，而Number与Structure之间交互作用的正面溢出效应则反映了相反的情况。

表4显示了SDM 1和SDM 2中参数的直接效应、间接效应和总效应。无论是在SDM 1还是SDM 2中，Number对碳排放的总效应都是负的。这证实了基于森林的生物经济领域技术创新对碳排放的减缓作用。此外，Number与BV、BE、PGDP和Structure之间交互作用的直接效应与其总效应的一致方向不仅表明了它们比直接效应更重要，还强调了基于森林的生物经济领域的技术创新、劳动力结构变化和产业升级对碳排放的联合作用。

表4. 直接效应、间接效应和总效应

空列

SDM 1 | SDM 2 |
直 | 间接 | 总 |
lnBV | 0.200*** | 0.215*** | 0.415*** |
lnBE | 0.058*** | 0.153*** | 0.211*** |
lnNumber | 0.002*** | 0.001 | 0.002 |
lnRatio | 0.002*** | 0.004 | 0.001 |
lnPGDP | 0.670*** | -0.344*** | 0.326*** |
lnStructure | -0.022*** | -0.060*** | -0.082*** |
lnLabor | 0.006*** | 0.006 | 0.013 |
lnNumber*lnBV | 0.025*** | 0.028*** | 0.028*** |
lnNumber*lnBE | -0.028*** | -0.038*** | -0.066*** |
lnNumber*lnPGDP | -0.009*** | -0.000 | -0.009 |
lnNumber*lnStructure | 0.001 | 0.004 | 0.003 |

4.4. 稳健性分析

4.4.1. 异常值的处理

鉴于研究区域内可能存在数据集中的异常值，采用了一种双侧1%的异常值处理方法（例如，最低1%的数值变为第1百分位数，最高1%的数值变为第99百分位数）对所有变量进行了稳健性测试。表5中的系数与表4中的方向和数值相同，验证了结果的稳健性。

表5. 双侧1%异常值处理后的参数直接效应、间接效应和总效应

空列

SDM 1 | SDM 2 |
直 | 间接 | 总 |
lnBV | 0.249*** | 0.163*** | 0.412*** |
lnBE | 0.065*** | 0.124*** | 0.188*** |
lnNumber | 0.003 | 0.001 | 0.002 |
lnRatio | 0.001 | 0.003 | 0.004 |
lnPGDP | 0.492*** | -0.238*** | 0.254*** |
lnStructure | -0.022*** | -0.083*** | -0.083 |

4.4.2. 减轻金融危机和COVID-19大流行的影响

为了考虑2008年全球金融危机和2020年COVID-19大流行的潜在影响，排除了这两年的观测数据，并重新估计了SDM 1和SDM 2模型。结果——特别是SDM 1的结果——显示核心解释变量的系数符号与全样本得到的结果相同（见表6）。此外，这些系数的幅度仅有微小波动，没有改变核心结论。这些发现表明，实证结果并非由特殊性年份驱动，因此是稳健的。

表6. 排除2008年和2020年观测数据后的参数直接效应、间接效应和总效应

空列

SDM 1 | SDM 2 |
直 | 间接 | 总 |
lnBV | 0.200*** | 0.218*** | 0.417*** |
lnBE | 0.060*** | 0.159*** | 0.219*** |
lnNumber | 0.009 | 0.001 | 0.002 |
lnRatio | 0.001 | 0.004 | 0.002 |
lnPGDP | 0.675*** | -0.354*** | 0.321*** |
lnStructure | -0.022*** | -0.059*** | -0.082*** |

4.5. 讨论与政策含义

分析表明，基于森林的生物经济领域的技术创新有助于将经济发展与碳排放分离。所得结果与最近的研究一致，这些研究发现技术创新对碳排放有负面影响（Erdo?an等人，2020；Zhao等人，2021）。结果表明，促进基于森林的生物经济领域的技术创新可以在区域内通过空间溢出效应实质性地减少碳排放，尤其是在生物经济领域有更多员工和产业升级的情况下。系数的值表明，基于森林的生物经济领域的专利数量（-0.053***）、其交互作用（LnNumber*lnBE和LnNumber*lnStructure）以及产业升级（-0.016***）可以显著降低净碳排放。同样，生物经济的附加值（0.131***）、生物经济领域的员工数量（0.116***）、基于森林的生物经济领域的专利申请率（0.001***）和人均GDP（0.716***）也有助于减少碳排放。这与最新研究结果一致，即生物经济的发展增加了对生物质的需求，而碳税将加速基于生物的替代品的市场机会（Philippidis等人，2024）。基于森林的生物经济领域的技术创新还加强了产业升级（-0.016***），并提高了产业竞争和劳动分工，从而促进了产业和社会的更可持续转型（Bai等人，2023；Mehmood等人，2024）。这一基于森林的生物经济发展模式不仅适用于德国，也适用于其他国家，如芬兰（Luhas和Mikkil?，2025）。

基于森林的生物经济对碳排放的关键影响是双重的，取决于资源交换的替代/互补性以及各区域之间的技术扩散。资源替代可以推动产业升级和资源分配的优化，尤其是在技术创新水平高和生物经济领域员工数量众多的地区。这种对碳排放的负面影响会溢出到邻近地区。资源互补性则削弱了行政壁垒，增强了区域合作，这解释了碳排放和生物经济附加值的空间差异（图3和图5）。这需要有效地监管生物经济领域的技术创新和资源分配，以防止其负面外部性（Zilberman等人，2013；Zilberman等人，2022；Drabik和Wesseler，2024）。

除了Jonsson等人（2021）的研究之外，该研究通过考虑欧盟层面收获的木材产品（HWP）中增加的碳储存来研究基于森林的生物经济对减缓气候变化的影响，当前的分析表明，基于森林的生物经济对碳减排的贡献不仅可以通过HWP中的碳汇来体现，还可以通过技术创新及其溢出效应来体现。技术创新与生物经济领域的员工数量和产业升级的结合进一步凸显了它们对碳排放的多重影响。这些观察结果表明，需要将技术创新与产业升级和就业结构变化相结合，以促进基于森林的生物经济的快速发展，从而减少碳排放（Halonen等人，2022；Hetem?ki等人，2022；Ohmura等人尽管生物经济的扩张——尤其是其附加值的增长——可能会导致更多的碳排放，但通过森林生物经济活动与邻近地区技术创新之间的相互作用所产生的溢出效应，反而可以实现减排目标。这需要加强行业与学术界的合作，例如建立产业-大学-研究区域联动计划和生物产业集群（Pant等人，2019；Ayrapetyan等人，2022），以促进基于森林的生物经济的可持续发展并减少碳排放。6. 结论：在德国的生物经济战略中，提升基于森林的生物经济潜力以实现碳排放减少是优先事项。本研究评估了基于森林的生物经济，特别是其中的技术创新对碳排放的空间影响。分析使用了空间Durbin模型和401个地区的区级面板数据，得出了四个主要结论：首先，在2000至2021年的观察期内，德国401个地区的碳排放存在空间自相关性，并在西部地区表现出聚集趋势，这主要反映了区域经济发展情况；其次，基于森林的生物经济中的技术创新对碳排放具有显著的负面溢出效应，表明技术扩散在减少地方区域到周边地区的碳排放中发挥着作用；然而，碳排放和技术专利数量的扩散轨迹不一致，表明基于森林的生物经济具有很大的减排潜力；第三，基于森林的生物经济中的技术创新可以通过产业升级和增加该领域就业机会来减少碳排放；第四，它还可以通过产业升级的负面溢出效应以及生物经济的规模来降低碳排放。研究结果表明，基于森林的生物经济在改善净排放绩效方面具有巨大潜力。如果政策措施能够考虑到技术创新、产业升级以及基于森林的生物经济中的员工数量，并在相对较小的空间范围内实施，这种潜力就可以实现。因此，研究提倡向更加可持续的生物经济转型——即基于森林的生物经济，同时强调了不同区域因素对净碳排放的影响。这也证明了基于森林的生物经济对经济和环境的双赢效益，鼓励未来的产业转型、劳动力分工和技术创新。关于技术创新、产业升级和劳动力迁移对碳排放综合影响的见解提醒政策制定者，需要协调技术专利、就业人口和产业转型策略，以成功实现向绿色经济的转型（Lee，2020）。不过，由于某些区级数据（尤其是研发投资数据）的有限可用性以及行业的多样性，这些发现需要通过进一步的研究来验证，同时还需要考虑基于森林的生物经济规模本身的影响。未来，应该通过充足的数据支持来考虑生物经济价值链中各参与者的行为。未来的研究应优先收集来自农民、企业和当地社区等不同利益相关者的个体层面的原始数据，以说明这些参与者行为在推动向可持续生物经济转型中的作用。

CRediT作者贡献声明：
文兰桥：撰写——审阅与编辑、撰写——初稿、软件、方法论、概念化；
张睿：验证、调查、正式分析；
张安璐：撰写——审阅与编辑、可视化；
孙展丽：撰写——审阅与编辑、可视化、验证、监督、概念化。