Selecting optimal F1 segregation population for genetic linkage mapping in tree peony
-
摘要: 以3株‘凤丹’植株M24、M49、M68为母本,分别以中原牡丹‘红乔’、日本牡丹‘花王’和‘黑龙锦’为父本,采用控制授粉杂交方式,制备了3个规模较大的F1杂交分离群体(个体数量分别为366、233、197)。采用简单重复序列(SSR)标记技术,对这3个分离群体亲本进行多态性检测,结果表明,‘凤丹’M24ב红乔’分离群体亲本间的多态性水平最高,19对SSR引物共检测到27个多态性位点,亲本间遗传距离为0.707 0;因此,选取了该分离群体作为构建牡丹遗传图谱的作图群体。在此基础上,利用SSR标记技术对作图群体中随机抽取的195株子代个体进行了基因型检测,结果显示19对SSR引物在作图群体中有15对具有多态性,其中13对引物在P0.01水平上符合孟德尔期望分离比,占多态性标记总数的86.7%;测量分析了这195株子代个体的苗高、地径、当年生枝长、复叶长、复叶宽和叶柄长等6个表型性状,结果显示这6个表型性状在作图群体中变异明显,表型值的变异系数均超过15%。综上所述,‘凤丹’M24ב红乔’F1分离群体适合作为构建牡丹遗传连锁图谱的作图群体。Abstract: We established three large F1 segregation populations of tree peony (Paeonia Sect. Moutan) through controlled hybridization, using three seeding individuals of P. ostti ‘Fengdan’ as female parents, labeled as M24, M49 and M68, and using P.×suffruticosa Zhongyuan Group ‘Hongqiao’, P.×suffruticosa Japan Group ‘Huawang’ and ‘Hei Longjin’ as male parents, correspondingly. The number of progeny of the three populations is 366, 233 and 197, respectively. We detected the levels of polymorphism between parents of the three segregation populations by employing 19 pairs of simple sequence repeat (SSR) primers. The results showed that, 19 pairs of SSR primers could produce the most informative polymorphism loci of 27 between the ‘Fengdan’ M24 and ‘Hongqiao’ among the parents of three segregation populations. The genetic distance between ‘Fengdan’ M24 and ‘Hongqiao’ was 0.707 0, the farthest among the parents of three segregation populations. Therefore, the segregation population of ‘Fengdan’ M24 × ‘Hongqiao’ was selected for the construction of genetic linkage map in tree peony. On this basis, segregations of genotype in randomly selected 195 progeny from mapping population were investigated using SSR marker. Of 19 pairs of SSR primers, 15 pairs showed the polymorphisms in mapping population, and 13 pairs (86.7%) of them segregated in an expected Mendelian ratio (P0.01). Furthermore, hereditary variations in plant height, ground diameter, current year branch length, compound leaf length, compound leaf width, and petiole length of those 195 progeny were measured and analyzed. The results indicated that the differences of the 6 phenotypic traits of mapping population were significant, and their variation coefficients were all greater than 15%. All above lead to the conclusion that segregation population of ‘Fengdan’ M24 × ‘Hongqiao’ was optimal for the construction of genetic linkage map in tree peony.
-
Keywords:
- Paeonia Sect. Moutan /
- SSR /
- mapping population /
- genetic linkage map
-
全球气候变暖是人类迄今所面临的最严重的环境问题。解决气候变暖问题的主要措施之一就是减少温室气体的排放。CO2作为主要的温室气体，在全球温室气体减排中有着举足轻重的地位。自从《京都议定书》生效以来，各国对碳排放给予相当程度的关注[1]，我国也于2013年开始了7个省市的碳排放权交易试点。目前，已有8个省市加入了碳排放权交易试点，国家发改委也正式宣布于2017年12月19日启动全国碳交易市场[2]。中国碳市场已超过欧盟成为全球最大的碳市场，但中国碳交易价格上下波动，基本维持在每吨30元人民币上下，很难满足减排的需要，也难以刺激碳汇造林的积极性。因此，加强对中国碳交易市场价格的管理，成为碳交易市场发展的重点，也成为碳排放权交易管理的难点。
1. 研究背景
众所周知，自1992年联合国通过了《联合国气候变化框架公约》以来，1997年又通过了《京都议定书》。《京都议定书》规定，碳交易是促进全球温室气体减排的新途径。2009年联合国召开了《联合国气候变化框架公约》第15次缔约国会议，温室气体减排量，尤其是CO2减排量成为各国关注的焦点。欧洲很多国家也成为倡导降低全球碳排放的先锋，并相继成立了很多碳交易所和环交所，促进减排工作的发展。领衔这些交易所的就是2003年建立的欧盟碳排放交易体系(European Union Emission Trading Scheme，EU ETS)。该体系承担欧洲各国温室气体排放量核配规划工作，以减小CO2的排放[1]。在全球CO2交易中，EUETS的碳交易约占全球碳排放量的一半。自碳排放权交易市场创立以来，根据统计，2006年全球碳市场交易额达到312.35亿美元，2010年接近1 419亿美元[3]。2011年底，我国也批准在北京、天津、上海、广东、深圳、湖北、重庆7个省市开展碳排放权交易的试点工作。自从2013年开始交易以来，截至2017年9月，全国累计配额交易量达到1.97亿t CO2当量，约45亿元人民币[2]。全国约3 000家重点排放单位在这些试点市场进行了交易，涵盖了电力、钢铁、水泥等多个行业，为我国碳市场的全面开展打下一定的基础。
总体来看，我国碳市场的有效性不足，碳交易试点的市场碳价较低，很难发挥市场促进CO2减排的作用。有关研究表明，按照目前的发展趋势，2020年后，碳价才有可能达到每吨200~300元人民币，才有可能起到促进企业减少CO2减排的作用[2-4]。
国内外对碳交易市场的价格都有一定的研究，尤其是Hritonenko等[5]采用经济控制论的方法，把经济—生态看成一个大的控制系统，即经济—生态系统(Economic-ecological system，EES)，并采用最优控制的方法对碳汇的价格进行了系统研究。Blyth等对政策作用、碳市场的风险和碳交易价格的形成等进行了深入研究[6]。近年来，IPCC对全球农业、林业和其他土地利用视角下的碳汇、碳源及其碳交易价格的研究较多[7]，并且具有一定的参考价值。2016年，陈欣[8]等对我国的7个碳交易试点的价格专门进行了研究，并对交易价格的驱动因素与结构性断点进行了分析。叶斌[9]等研究了碳排放的影子价格。但是，对于2013年以来我国碳交易试点的交易价格分析，尤其是对不同时间交易价格的分段分析和相关模型的研究较少，对不同交易价格对林业碳汇造林的影响研究更少[10]。因此，在此背景下，本文采用分类分析的方法，即主要采用该方法中聚类分析和判别分析的方法对2013年以来中国碳交易试点的交易价格进行分析，并建立碳交易价格的判别方程，以期为相关管理决策提供参考。
2. 研究方法与数据来源
2.1 研究方法
本研究主要采取分类分析的方法进行研究。分类分析主要包括聚类分析和判别分析，是一种研究多变量分类的分析方法[11]。聚类分析(Cluster Analysis)是根据事物在某些特征上的相似性或相异性，并按这些特性将事物划分成不同类别的方法。聚类分析的方法相当多，主要有系统聚类法和非系统聚类法。二者的主要步骤是选择变量、相似性测量、进行聚类和对聚类结果进行解释。本研究中主要采用系统聚类法，并根据中国碳交易试点的统计数据，把2013—2018年不同交易试点、不同年份的1—12月的碳交易量、交易价格等进行聚类，以寻求交易价格的变化规律。
判别分析(Discriminant Analysis)是一种由一个分类变量作为因变量，多个连续的判别变量作为自变量的多变量分析方法。判别分析与回归分析最大的不同在于因变量的量表不一样。回归分析因变量一般为连续数据，判别分析为分类变量[11]。判别分析的基本模型为：
y=b0+k∑i=0bixi (1) 式中：y是判别函数值；xi为判别变量；bi为相对应的判别系数；i=0，1，…，k，为判别变量的个数。
本研究中针对不同年份和月份的碳交易价格类别，采用判别分析方法建立不同类型交易价格的判别函数。
2.2 数据来源
研究数据主要来源于中国碳排放交易网[12]。我国碳排放权交易始于2013年6月17日。在开始交易中，主要包括7个试点省市区，即深圳、北京、上海、广东、天津、湖北、重庆。2017年1月，福建省也加入碳排放权交易试点行列。因此，在数据收集过程中，主要列出8个碳排放权交易试点省市区，即深圳、北京、上海、广东、天津、湖北、重庆、福建(按试点交易开放顺序排列)。另外，在数据收集过程中，研究主要采用线上数据收集的方法进行碳交易价格和交易量的统计。根据中国碳排放交易网站所公布的碳交易行情变化图(碳K线)[13]，将2013年6月至2018年3月的碳交易价格和交易量进行统计。统计中，选择每月最后一个交易日作为月份统计数据，并按时间序列和试点交易开放顺序整理成表。全国碳交易价格则采用8个试点碳交易价格加权平均值计算得到，交易量为权数，若一些试点交易没有交易量或交易价格的数据，计算中则不予计算或仅计算碳交易价格的算数平均值。最后，统计整理的2013—2018年8个碳交易试点省市和全国碳交易价格的面板数据如表 1所示。
表 1 2013—2018年8个碳交易试点省市交易价格统计Table 1. Carbon trading price statistics from 2013 to 2018 in 8 carbon trading pilot provinces in China省(市)
Province(City)年份
Year月份Month 年份
Year月份Month 6 7 8 9 10 11 12 1 2 3 4 深圳Shenzhen 2013 29.00 29.00 53.60 64.16 76.53 79.63 66.00 2014 71.58 80.14 82.00 68.93 北京Beijing 2013 0.00 0.00 0.00 0.00 0.00 51.25 50.00 2014 50.80 51.78 56.86 53.15 上海Shanghai 2013 0.00 0.00 0.00 0.00 0.00 0.00 29.80 2014 33.00 40.00 40.00 39.06 广东Guangdong 2013 0.00 0.00 0.00 0.00 0.00 0.00 60.00 2014 60.00 60.00 61.50 70.88 天津Tianjin 2013 0.00 0.00 0.00 0.00 0.00 0.00 26.78 2014 25.68 29.49 33.56 37.00 湖北Hubei 2013 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2014 0.00 0.00 0.00 24.45 重庆Chongqing 2013 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2014 0.00 0.00 0.00 0.00 福建Fujian 2013 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2014 0.00 0.00 0.00 0.00 全国China 2013 29.00 29.00 53.60 64.16 76.53 79.63 29.79 2014 30.13 45.62 56.78 24.54 省(市)
Province(City)月份Month 年份
Year月份Month 5 6 7 8 9 10 11 12 1 2 3 4 深圳Shenzhen 74.99 64.32 61.59 54.70 49.50 41.40 41.98 38.94 2015 43.50 41.83 38.85 47.50 北京Beijing 53.00 62.45 58.00 53.00 51.00 51.00 52.40 54.19 2015 53.00 54.50 50.00 50.45 上海Shanghai 38.51 48.00 48.00 48.00 34.90 35.60 35.79 32.65 2015 31.90 32.20 27.75 26.60 广东Guangdong 61.18 62.41 71.09 43.65 38.74 26.00 21.00 27.74 2015 20.68 20.88 28.16 25.81 天津Tianjin 28.01 35.58 23.88 20.35 30.09 27.25 25.20 25.22 2015 24.96 24.53 25.31 24.13 湖北Hubei 24.00 24.40 23.60 23.48 24.99 25.01 24.50 24.20 2015 24.15 21.44 26.20 25.50 重庆Chongqing 0.00 30.74 30.74 30.74 30.74 30.74 30.74 30.74 2015 30.74 30.74 24.00 24.00 福建Fujian 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2015 0.00 0.00 0.00 0.00 全国China 34.96 42.91 23.75 34.24 27.30 30.80 28.95 26.82 2015 28.62 28.27 31.63 30.45 省(市)
Province(City)月份Month 年份
Year月份Month 5 6 7 8 9 10 11 12 1 2 3 4 深圳Shenzhen 42.42 41.01 31.70 34.50 42.90 41.57 42.61 38.90 2016 42.70 47.98 47.43 43.86 北京Beijing 46.76 40.66 42.00 49.14 39.40 45.00 33.60 40.52 2016 38.90 38.00 33.94 49.70 上海Shanghai 23.50 15.50 9.50 13.40 12.36 12.50 18.30 11.80 2016 9.20 9.80 6.70 4.94 广东Guangdong 16.67 15.28 15.20 19.40 16.50 14.99 15.00 18.85 2016 15.01 15.96 14.23 11.89 天津Tianjin 18.95 14.32 16.75 22.27 23.17 22.86 22.93 22.82 2016 22.80 23.03 23.13 23.15 湖北Hubei 23.80 25.78 24.00 24.50 23.20 21.21 23.11 24.40 2016 22.20 23.52 21.62 16.77 重庆Chongqing 24.00 18.00 15.00 15.00 15.00 10.40 12.50 12.50 2016 13.00 13.00 10.00 10.00 福建Fujian 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2016 0.00 0.00 0.00 0.00 全国China 24.51 25.90 24.02 26.47 23.86 25.19 33.25 24.61 2016 16.19 19.29 23.11 16.12 省(市)
Province(City)月份Month 年份
Year月份Month 5 6 7 8 9 10 11 12 1 2 3 4 深圳Shenzhen 35.71 46.36 36.29 25.54 31.98 29.83 26.51 29.00 2017 32.73 31.33 35.67 36.52 北京Beijing 51.00 39.46 53.94 52.10 53.00 52.00 51.99 55.40 2017 50.35 54.98 52.14 49.98 上海Shanghai 5.50 8.79 9.80 9.80 9.80 9.80 20.60 27.21 2017 36.80 38.28 39.07 37.00 广东Guangdong 14.94 8.76 8.19 15.16 10.31 10.53 13.67 14.27 2017 17.77 14.63 15.37 14.56 天津Tianjin 23.01 7.00 14.50 14.70 15.05 15.05 15.05 15.05 2017 15.05 15.05 13.55 13.55 湖北Hubei 15.17 16.52 14.20 15.33 16.52 16.65 17.78 19.28 2017 18.04 16.91 16.96 16.22 重庆Chongqing 10.00 10.00 10.00 21.07 34.69 39.60 39.60 14.22 2017 19.99 17.60 6.00 1.43 福建Fujian 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2017 37.74 36.72 34.60 34.01 全国China 29.66 8.35 14.23 15.37 23.06 29.06 29.83 21.78 2017 45.44 36.59 30.84 23.73 省(市)
Province(City)月份Month 年份
Year月份Month 5 6 7 8 9 10 11 12 1 2 3 深圳Shenzhen 30.95 27.21 38.96 38.76 32.19 30.82 32.12 35.75 2018 33.40 39.15 41.84 北京Beijing 52.53 50.33 50.97 51.00 51.00 50.66 57.71 54.00 2018 58.00 56.20 59.87 上海Shanghai 35.40 36.37 31.50 25.20 24.80 29.58 32.97 35.00 2018 32.50 34.82 38.62 广东Guangdong 13.98 12.85 11.64 12.81 13.50 13.44 14.23 12.91 2018 12.70 13.39 16.10 天津Tianjin 13.55 8.51 8.51 8.51 8.51 8.51 8.51 8.51 2018 8.51 8.51 8.51 湖北Hubei 16.71 13.58 13.01 12.76 13.81 13.96 14.88 15.68 2018 15.14 14.99 15.11 重庆Chongqing 3.18 1.50 1.51 2.88 2.29 2.88 2.67 9.82 2018 31.93 31.93 24.00 福建Fujian 27.41 25.47 31.60 33.30 20.00 28.10 24.83 21.79 2018 20.56 16.49 20.00 全国China 15.81 11.10 12.99 12.82 10.14 13.61 30.83 14.97 2018 13.77 31.42 25.43 注：在全国碳交易价格统计中，一些试点省市缺少碳交易的数据，交易价格则按算术平均值计算。资料来源于文献[2, 12-13]。Notes: in the statistics of national carbon trading price, some pilot provinces lack carbon trading data, and the trading price is calculated according to the arithmetic mean value. Data are cited from reference [2], [12] and [13]. 3. 结果与分析
由表 1的统计结果可以看出：2013—2018年试点地区碳交易成交量激增，交易价格出现明显上涨，价格的波动幅度较大，以2014年11—12月为例，2014年11月碳交易综合价格环比增长约126.56%，同年12月份的综合价格环比下降约51.45%。前期，最先试点的深圳、北京、上海的碳市场交易情况对全国碳交易价格影响较大，但从2014年4月起，由于湖北的碳交易量大幅上升，多次占据同期全国碳交易总额的50%以上，因此也成为影响全国碳交易价格的重要因素。另外，2013—2018年不同试点地区碳成交量激增也与不同试点地区密集出台相关政策有关。仅上海市2014年一年就出台相关碳交易政策8项多，2017年达到2项多[2]。表 1的数据显示，每年年初的碳交易成交量都较低，成交价格较高，除北京、上海外，各试点地区次月起都出现价格下降的趋势；直至7月左右，经历短暂的回升后，价格再次下跌(图 1)。因此，不同时间碳交易价格的变化呈明显的季节性变化特征。
![]()
图 1 2013—2018年1—12月全国碳交易价格变化Figure 1. National carbon trading price changes from January to December in 2013-2018为了进一步研究全国碳交易价格的变化规律，分别采用聚类分析和判别分析的方法具体进行分析研究。
3.1 聚类分析
聚类分析中，设全国1—12月的碳交易价格分别为Pi，i=1，2，…，12，即Pi=P1，P2，…，P12，碳交易价格分类为Ct(t为碳交易价格的分类数)。采用SPSS 21.0进行聚类分析。
首先，采用K-Means聚类分析方法进行快速聚类，发现2013—2018年全国各碳交易试点省市不同月份碳交易价格分为3类比较合适，即t=3。此时Kaiser-Meyer-Olkin检验, 即KMO=0.868＞0.5，巴特利特球体检验的P=0.00＜0.05，说明分类合适，也非常适合作聚类分析和判别分析。因此，再采用系统聚类方法对全国碳交易价格进行详细分析。具体的聚类结果如表 2所示，聚类分析的树状图如图 2所示。
表 2 2013—2018年全国8个碳交易试点1—12月份交易价格聚类结果Table 2. Clustering results for 8 carbon pilot trading prices between January and December from 2013 to 2018 in China1—12月份碳交易价格
Carbon trading price from January to December(Pi)P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 不同价格聚类结果
Clustering results for different prices (Ct, t=3)1 1 1 1 1 2 2 3 3 3 3 3 ![]()
图 2 全国碳交易价格聚类分析树状图Figure 2. Dendrogram of cluster analysis of national carbon trading price由表 2、图 2的结果可以看出：全国和8个试点地区碳交易价格存在明显的规律性，即每年的1—5月份为一类，一般交易价格较高；6—7月份为一类，交易价格由年初的较高逐步变低；8—12月份为一类，交易价格又由年中的较低逐步走高。
聚类分析的方差分析表如表 3所示。表 3结果说明各种变量都通过了显著性水平检验，说明聚类分析结果合理，真实反映了我国碳交易价格的变化情况。
表 3 聚类分析的方差分析表(ANOVA)Table 3. ANOVA of cluster analysis变量
Variable聚类Clustering 误差Error F值
F valueSig. 均方差Mean square error df 均方差Mean square error df P1 3 504.594 2 122.826 33 28.533 0.000 P2 4 146.392 2 130.564 33 31.758 0.000 P3 4 280.117 2 155.574 33 27.512 0.000 P4 4 819.278 2 85.792 33 56.174 0.000 P5 4 380.834 2 87.695 33 49.955 0.000 P6 4 662.146 2 88.059 33 52.944 0.000 P7 4 706.253 2 81.908 33 57.458 0.000 P8 3 459.768 2 63.359 33 54.606 0.000 P9 3 133.144 2 48.860 33 64.125 0.000 P10 2 738.797 2 63.523 33 43.115 0.000 P11 2 325.704 2 81.144 33 28.661 0.000 P12 2 273.651 2 74.563 33 30.493 0.000 3.2 判别分析
针对上面的分析结果，进一步采用判别分析的方法，定量给出不同月份碳交易价格的判别方程。判别分析中我们首先采用强入法进行分析，即把所有变量作为自变量，分类变量作为因变量进行分析。
判别分析结果的Wilks' Lambda检验见表 4。
表 4 判别分析的Wilks' Lambda检验Table 4. Test of Wilks' Lambda for discriminant analysis方程检验
Equation testWilks'
Lambda卡方值
Chi-squaredf Sig. 方程1 Equation 1 0.071 72.634 24 0.000 方程2 Equation 2 0.071 72.634 24 0.000 方程3 Equation 3 0.662 11.360 11 0.414 由表 4的Wilks' Lambda值可以看出，采用强入法进行判别分析时，判别方程1和判别方程2的Wilks' Lambda值为0.071，接近于0，其显著性检验Sig.=0.000，小于0.05的显著性水平，说明判别方程有统计学意义。方程3的Wilks' Lambda值为0.662，接近于1，其显著性检验Sig.=0.414，大于0.05的显著性水平，说明该判别方程的意义不大，仍需要采用逐步判别分析的方法进行分析。此时，采用强入法所求3个判别分析的系数如表 5所示。因此，采用强入法所求3个判别方程的具体形式如公式(2)所示。
表 5 采用强入法所求出的判别方程的系数Table 5. Discriminant function coefficients of entered method变量
Variable判别方程1
Discriminant equation 1判别方程2
Discriminant equation 2判别方程3
Discriminant equation 3P1 0.071 -0.775 -0.336 P2 0.221 2.083 0.775 P3 -0.219 -1.194 -0.343 P4 0.011 0.931 0.567 P5 0.001 -0.557 -0.406 P6 0.049 0.116 -0.002 P7 -0.084 0.157 -0.006 P8 0.032 -0.076 0.013 P9 0.166 0.679 0.276 P10 -0.055 0.368 0.181 P11 -0.050 0.006 0.143 P12 0.125 -0.110 -0.069 常数项
Constant-2.503 -41.395 -10.944 注：Fisher线性判别函数。表 7同此。Notes: Fisher's linear discriminant functions. Same as Tab. 7. 进一步采用逐步回归的方法所求的判别方程的检验结果和系数如表 6、表 7所示。
{C1=−2.503+0.071P1+0.221P2−0.219P3+0.011P4+0.001P5+0.049P6−0.084P7+0.032P8+0.166P9−0.055P10−0.050P11+0.125P12C2=−41.395−0.775P1+2.083P2−1.194P3+0.931P4−0.557P5+0.116P6+0.157P7−0.076P8+0.679P9+0.368P10+0006P11−0.11P12C3=−10.944−0.336P1+0.775P2−0.343P3+0.567P4−0.406P5−0.002P6−0.006P7+0.013P8+0.276P9+0.181P10+0.143P11−0.069P12 (2) 表 6 逐步回归的Wilks' Lambda检验Table 6. Test of Wilks' Lambda for stepwise regression步骤
Step进入
Entered统计量
Statisticsdf1 df2 df3 F值F value 统计量Statistics df1 df2 Sig. 1 P9 0.205 1 2 33 64.125 2 33 0.000 2 P4 0.138 2 2 33 27.063 4 64 0.000 表 7 逐步回归的判别方程的系数Table 7. Discriminant function coefficients of stepwise regression变量
Variable判别方程1
Discriminant equation 1判别方程2
Discriminant equation 2判别方程3
Discriminant equation 3P4 0.065 0.509 0.230 P9 0.117 0.771 0.404 常数项
Constant-1.703 -31.293 -8.440 因此，采用逐步回归的方法求得的最终碳交易价格的分类判别方程为：
{C1=−1.703+0.065P4+0.117P9C2=−31.293+0.509P4+0.771P9C3=−8.440+0.230P4+0.404P9 (3) 从方程(3)的最终结果可以看出，我国碳交易价格存在明显的季节波动性，且从2013—2018年每年的碳交易价格波动存在明显的3个类型，而且3类交易价格波动中受每年4月份、9月份的价格影响较大。
另外，从判别方程的后验结果来看，3个方程的全部样点回代检验的准确度分别为100%，说明判别方程有一定的可信度。同时，也反映出我国碳交易市场价格存在明显的季节波动性和规律性。实际上，2011年国务院出台《关于开展碳排放权交易试点工作的通知》后，2013年开始的碳排放交易试点市场，虽然交易量增长迅速，但为了平衡交易，国家发改委一定程度上控制着全国碳交易配额总量和分配方案，这在一定程度上造成了我国碳交易市场价格的季节性波动。因此，如何统一市场，均衡交易，也是我国碳市场管理所面临的一大难题。
4. 讨论
(1) 碳交易价格对林业碳汇造林和森林碳汇经营管理有重要的影响。试点省市碳交易价格不仅对碳排放权交易市场的交易量有重要的影响，也对我国林业碳汇造林有重要的影响。相关研究资料显示，国内外碳市场交易价格一直存在较大的波动，且存在较大的风险。2006年上半年国际碳排放权配额价格曾飙升至每份30欧元，而在2007年年初骤降至每份0.1欧元[14]。2008年，雷曼兄弟花费400万美元购买了中国国电集团公司62万t的碳排放权配额，平均6.5美元/t，但当时的国际市场平均价格为15.9美元/t[3]。目前，我国许多地方营造碳汇林，并想在碳交易市场中分得“一杯羹”。有些地方营造了杉木(Cunninghamia lanceolata)、马尾松(Pinus massoniana)碳汇林，也有一些地方营造了杨树(Populus spp.)、桦树(Betula spp.)等碳汇林[14]。根据2015年《中国林业统计年鉴》统计，国家储备林营造林面积5.71万hm2，总投资16.45亿元，单位面积营造林成本约为28 812.08元/hm2，折合约1 920.81元/亩[15]。在不考虑培育周期的情况下，按照目前的经营管理水平，我国乔木林单位面积蓄积为89.79 m3/hm2，年均生长量为4.23 m3/hm2，按照每生长1 m3蓄积约吸收1.83 t CO2，释放1.62 t O2计算，每公顷年均吸收7.74 t CO2 [16]。按照上面统计的数据，2017年全国8个试点省市1—12月份的碳交易的平均价格为21.57元/t CO2。在不考虑时间因素的情况下，营造碳汇林每公顷的年均最大收入约为166.95元/hm2，折算成每亩约为11.13元/亩，远低于目前实际的造林成本。从经济上来说根本收不回成本，且十分不划算。另外，按目前碳汇的长周期造林30年计算，在目前的经营管理水平和碳交易市场价格下，30年时每公顷的林业碳汇收入约为14 102.58元/hm2，也远低于目前碳汇营造林成本28 812.08元/hm2，从经济上来说也是十分不划算的[17-18]。因此，林业碳汇造林收益主要取决于碳市场交易价格的高低，这也是碳汇造林最主要的风险因素之一。从这点来说，切实做好碳市场交易价格的管理，才是促进碳市场健康发展的关键因素和影响碳汇经营管理的重要因素，这一点应引起充分的重视。
(2) 碳交易市场应建立以价格为中心的管理目标。自从我国碳交易市场2010年正式启动、2013年正式开市以来，目前已有9个碳交易市场开展试点交易，其中已有8个试点省市存在碳交易量并有成交额。截至2017年12月底，全国配额累计成交4.70亿t，成交总额104.9亿元[13]。另外，从交易价格来看，2017年北京交易价格基本稳定在55~60元/t，上海和深圳试点处于25~35元/t区间，湖北、广东稳定在15元/ t上下，差异较大。我国“十二五”规划提出了到2015年实现单位国内生产总值CO2排放比2010年下降17%的目标，并强调要更多发挥市场机制对实现减排目标的作用，并提出到2020年单位国内生产总值CO2排放比2005年下降40%~45%的目标。另外，2017年起我国有望建立全国统一的碳市场，并提出通过建立自愿碳交易市场，鼓励企业自愿参与碳减排交易[13, 15]。这些举措无疑有利于我国碳交易市场的发展，但目前的碳市场缺少长期管理目标，主要靠盲目的扩大交易规模，靠政府推动来发展。从上述研究可以看出，我国碳市场的建立应有长期的管理目标，并建立以市场机制为主，以价格为中心的管理目标，减少交易价格大起大落的风险，这样才有利于碳市场的持续、稳定、健康发展，也才能真正有利于我国减排目标的实现。另外，许多人在研究森林碳汇的过程中，也把碳汇造林作为开展生态补偿新的途径，如2017年北京市辖区内首个林业碳汇项目——顺义区碳汇造林一期项目成交量1 197 t，成交均价36.00元/t[13]。这些价格能否满足生态补偿和生态文明建设要求的需要，也值得持续关注。但无论怎样，碳交易市场应建立以价格为中心的管理目标，以确保森林在气候变化中作用的真正实现。
5. 结论
本文根据我国碳排放权交易市场的真实交易数据，采用分类分析的方法，对碳排放权交易价格的变化情况进行了分析，并对林业碳汇造林的情况进行了讨论。研究表明：
(1) 我国碳排放权交易市场价格存在明显的季节性波动和规律性，且价格的波动幅度较大。一般每年年初的碳交易成交价格较高，成交量较低，从第2月起碳交易价格开始下降，到4月份左右最低，其价格又开始上升，然后又开始下降，到6—7月，碳交易价格又比较低，再开始上升，到年末又降低。每年年初的成交价格和9—11月份左右的成交价格都比较高，但成交量往往较少。一年中的碳交易价格呈现3次3个近似的“Ⅴ”字型变化。碳交易价格的这一变化规律对碳汇价格的管理有一定的参考意义。
(2) 采用聚类分析和判别分析的方法研究表明：我国碳排放权市场交易额存在周期性波动，且总体波动较大。每年6月或7月和1月及2月份是碳市场最为活跃的时期。且在周期性波动中，交易价格起到重要的作用。研究结果表明，1—5份交易价格为第1类；6—7月份交易价格为第2类；8—12月份交易价格为第3类。因此，建立以碳交易价格为中心的碳市场管理机制，是保证我国碳市场长期、平稳发展的根本，也是减小碳市场风险的有效途径。
(3) 研究也表明：在碳交易价格周期性波动划分中，每年4月份、9月份的碳交易价对交易价格划分的影响较大，且对碳交易价格类型的划分的影响显著。事实上，这两个月份的碳交易并非我国碳交易的活跃期，但往往价格比较稳定。因此，保持碳交易价格的稳定也是减少碳市场风险的途径之一。另外，在碳交易配额的分配中，如何保证交易价格的稳定，也是目前面临的重要问题。
(4) 我国林业碳汇造林的讨论表明：目前我国林业碳汇造林的平均成本约为28 812.08元/hm2，明显高于30年时的林业碳汇的平均收益14 102.58元/hm2。从经济上来说是十分不划算的。因此，只有提高目前碳市场交易的价格，并建立以价格为中心的管理目标，才能弥补造林成本过高、林业碳汇收益的不足，也才能真正发挥林业在气候变化、生态补偿和生态文明建设中的作用，并保证我国碳市场合理、均衡的发展。
-
[1] CHENG F Y, CHEN D Z. Breeding of new varieties in flare tree peony and varieties classification in tree peonies[J]. Journal of Beijing Forestry University, 1998, 20(2): 27-32.
[1] CHENG F Y. Advances in the breeding of tree peonies and a cultivar system for the cultivar group[J]. International Journal for Plant Breeding, 2007, 1(2): 89-104.
[2] XIAO J J. A study on the crossing compatibility and hybrid abortion of Paeonia[D]. Beijing: Beijing Forestry University, 2010.
[2] ANDERSON J A, CHURCHIL G A, AUTRUQUE J E. Optimizing parental selection for genetic linkage maps[J]. Genome, 1993, 36(1): 181-185.
[3] WANG Y L. Cross-breeding in tree peony and fertility research of intersectional hybrids[D]. Beijing: Beijing Forestry University, 2009.
[3] 成仿云,陈德忠. 紫斑牡丹新品种选育及牡丹品种分类研究[J]. 北京林业大学学报, 1998, 20(2): 27-32. [4] WU J, CHENG F Y, ZHANG D. Utilizing ‘High Noon’ in the crossing breeding of tree peonies and early identification of some hybrids by AFLP markers[J]. Acta Botanica Boreali-Occidentalia Sinica, 2013, 33(8): 1551-1557.
[4] 肖佳佳. 芍药属杂交亲和性及杂种败育研究[D]. 北京: 北京林业大学, 2010. [5] 王越岚. 牡丹的杂交育种及组间杂种育性的研究[D]. 北京: 北京林业大学, 2009. [5] LIU G X, WANG H G, LI M, et al. A study of hybrid seeding of F1 progeny in tree peonies[J]. Modern Agricultural Science and Technology, 2012(22): 155-176.
[6] 吴静,成仿云,张栋. ‘正午’牡丹的杂交利用及部分杂种AFLP鉴定[J]. 西北植物学报, 2013, 33(8): 1551-1557. [6] PANG L Z, CHENG F Y, ZHONG Y, et al. Phenotypic analysis of association population for flare tree peony[J]. Journal of Beijing Forestry University, 2012, 34(6): 115-120.
[7] XU Y B, ZHU L H. Molecular quantitative genetics[M]. Beijing: China Agriculture Press, 1994: 291.
[7] 刘改秀,王海歌,李敏,等. 牡丹杂种F1代育苗研究[J]. 现代农业科技, 2012(22): 155-176. [8] 庞利铮,成仿云,钟原,等. 紫斑牡丹关联分析群体的表型分析[J]. 北京林业大学学报, 2012, 34(6): 115-120. [8] SU M H. Breeding technology of Paeonia suffruticosa and analysis of genetic diversity of F1 progenies of Paeonia suffruticosa[D]. Tai'an: Shandong Agricultural University, 2013.
[9] HOU X G, GUO D L, CHENG S P, et al. Development of thirty new polymorphic microsatellite primers for Paeonia suffruticosa[J]. Biologia Plantarum, 2011, 55(4): 708-710.
[9] HAN X, CHENG F Y, XIAO J J, et al. Crosses of Paeonia ostii ‘Feng Dan Bai’ as maternal parents and an analysis on the potential in tree peony breeding[J]. Journal of Beijing Forestry University, 2014, 36(4): 121-125.
[10] HOMOLKA A, BERENYI M, BURG K, et al. Microsatellite markers in the tree peony,Paeonia suffruticosa (Paeoniaceae)[J]. American Journal of Botany, 2010, 97(6): e42-e44.
[10] MIAO M J, LI C Q, SI J. SSR markers and their application in horticulture plant breeding[J]. Journal of Changjiang Vegetables, 2010(10): 1-5.
[11] ZHANG D Q, ZHANG Z Y, SONG W, et al. Optimizing segregation population selection for genetic linkage maps in Populus tomentosa[J]. Journal of Beijing Forestry University, 2003, 25(4): 21-24.
[11] WANG J X, XIA T, ZHANG J M, et al. Isolation and characterization of fourteen microsatellites from a tree peony (Paeonia suffruticosa)[J]. Conservation Genetics, 2009, 10(4): 1029-1031.
[12] YU H P, CHENG F Y, ZHONG Y, et al. Development of simple sequence repeat (SSR) markers from Paeonia ostii to study the genetic relationships among tree peonies (Paeoniaceae)[J]. Scientia Horticulturae, 2013, 164: 58-64.
[12] LIU Y, CAI M, HE D, et al. Construction of F1 segregation population for genetic linkage maps in Lagerstroemia[J]. Journal of Northeast Forestry University, 2013, 41(9): 72-75.
[13] WANG X Q. Studies on genetic diversity of Paeonia delavayi in Shangri-la[D]. Beijing: Beijing Forestry University, 2009.
[13] LIU K J, MUSE S V. PowerMarker: an integrated analysis environment for genetic marker analysis[J]. Bioinformatics, 2005, 21(9): 2128-2129.
[14] LI Z Y, ZHANG H Y. Morphological variation and diversity in populations of Paeonia lutea[J]. Journal of Northwest Forestry University, 2011, 26(4): 117-122.
[14] VAN OOIJEN J W. JoinMap 4: software for the calculation of genetic linkage maps in experimental populations[DB/CD]. Wageningen: Plant Research International, 2006.
[15] HELENTJARIS T. A genetic linkage map for maize based on RFLPs[J]. Trends in Genetics, 1987, 3: 217-221.
[15] LI Y, WANG D W, LI Z Q, et al. Establishment of mapping population in Eucammia ulmoides[J]. Journal of Northwest Forestry University, 2012, 27(2): 62-65.
[16] HE D, TANG W, LIU Y, et al. Linkage analysis of phonotypic traits of Lagerstroemia caudata and L. indica F1 population uing SSR markers[J]. Journal of Beijing Forestry University, 2012, 34(6): 121-125.
[16] 徐云碧,朱立煌. 分子数量遗传学[M]. 北京: 中国农业出版社, 1994: 291. [17] YUAN J H, CORNILLE A, GIRAUD T, et al. Independent domestications of cultivated tree peonies from different wild peony species[J]. Molecular Ecology, 2014, 23(1): 82-95.
[18] 苏美和. 牡丹育种技术及杂交一代遗传多样性的研究[D]. 泰安: 山东农业大学, 2013. [19] 韩欣,成仿云,肖佳佳,等. 以‘凤丹白’为母本的杂交及其育种潜力分析[J]. 北京林业大学学报, 2014, 36(4): 121-125. [20] 苗明军,李成琼,司军. SSR标记及其在园艺植物育种中的应用[J]. 长江蔬菜, 2010(10): 1-5. [21] MOGHADDAMH H, LEUS L, DE RIEK J, et al. Construction of a genetic linkage map with SSR, AFLP and morphological markers to locate QTLs controlling pathotype-specific powdery mildew resistance in diploid roses[J]. Euphytica, 2012, 184(3): 413-427.
[22] SUN L D, YANG W R, ZHANG Q X, et al. Genome-wide characterization and linkage mapping of simple sequence repeats in mei (Prunus mume Sieb. et Zucc.)[J]. PLoS ONE, 2013, 8(3): e59562.
[23] YAGI M, YAMAMOTO T, ISOBE S, et al. Identification of tightly linked SSR markers for flower type in carnation (Dianthus caryophyllus L.)[J]. Euphytica, 2014, 198(2): 175-183.
[24] YAGI M, YAMAMOTO T, ISOBE S, et al. Construction of a reference genetic linkage map for carnation (Dianthus caryophyllus L.)[J]. BMC Genomics, 2013, 14(1): 734.
[25] GAI S P, ZHANG Y X, MU P, et al. Transcriptome analysis of tree peony during chilling requirement fulfillment:assembling, annotation and markers discovering[J]. Gene, 2012, 497(2): 256-262.
[26] ZHANG J J, SHU Q Y, LIU Z A, et al. Two EST-derived marker systems for cultivar identification in tree peony[J]. Plant Cell Reports, 2012, 31(2): 299-310.
[27] 张德强,张志毅,宋婉,等. 毛白杨遗传作图最适分离群体的选择[J]. 北京林业大学学报, 2003, 25(4): 21-24. [28] ZHANG D Q, ZHANG Z Y, YANG K, et al. Genetic mapping in (Populus tomentosa× Populus bolleana) and P. tomentosa Carr. using AFLP markers[J]. Theoretical and Applied Genetics, 2004, 108(4): 657-662.
[29] ZHANG F, CHEN S, CHEN F, et al. SRAP-based mapping and QTL detection for inflorescence-related traits in chrysanthemum (Dendranthema morifolium)[J]. Molecular Breeding, 2011, 27(1): 11-23.
[30] HIBRAND-SAINT OYANT L, CRESPEL L, RAJAPAKSE S, et al. Genetic linkage maps of rose constructed with new microsatellite markers and locating QTL controlling flowering traits[J]. Tree Genetics Genomes, 2007, 4(1): 11-23.
[31] HE D, LIU Y, CAI M, et al. The first genetic linkage map of crape myrtle (Lagerstroemia) based on amplification fragment length polymorphisms and simple sequence repeats markers[J]. Plant Breeding, 2014, 133(1): 138-144.
[32] 刘阳,蔡明,贺丹,等. 紫薇遗传作图F1分离群体的选择[J]. 东北林业大学学报, 2013, 41(9): 72-75. [33] 王晓琴. 香格里拉滇牡丹遗传多样性研究[D]. 北京: 北京林业大学, 2009. [34] 李宗艳,张海燕. 黄牡丹表型变异及多样性研究[J]. 西北林学院学报, 2011, 26(4): 117-122. [35] 李煜,王大玮,李周岐,等. 杜仲遗传作图群体的建立[J]. 西北林学院学报, 2012, 27(2): 62-65. [36] 贺丹,唐婉,刘阳,等. 尾叶紫薇与紫薇F1代群体主要表型性状与SSR标记的连锁分析[J]. 北京林业大学学报, 2012, 34(6): 121-125. -
期刊类型引用(6)
1. 文程敬，吴俊文，赵志娟，陈刚，李志琪，段贵河，杜官本，梁文. 轻木人工林生长及各器官碳、氮、磷化学计量对氮添加的响应. 植物营养与肥料学报. 2025(01): 188-200 . 
百度学术
2. 赵东，马荣宇，于立川，赵健，刘嘉辉. 基于经验模态分解和小波包能量熵的杉木加载过程中细观损伤监测与识别. 北京林业大学学报. 2024(03): 123-131 . 本站查看
3. 孙建丽，吴俊文，肖建冬，杜官本，王文兵，刘有军. 不同坡位土壤养分条件对轻木叶片解剖特征及其适应可塑性的影响. 西北农业学报. 2024(09): 1737-1745 . 百度学术
4. 刘浩正，王建山，石广玉. 应压木细胞壁S_2层的微纤丝螺旋角对其抗压韧性的影响. 北京林业大学学报. 2023(04): 136-146 . 本站查看
5. 汪文庆，代博仁，夏重阳，石江涛. 炭化温度对木材生物炭结构和化学组成的影响. 湖南林业科技. 2023(03): 12-19 . 百度学术
6. 何林韩，凌凯莉，任瑞清，陈瑶，高建民. 以Cu颗粒强化导热的木质基复合相变储热材料性能研究. 北京林业大学学报. 2022(12): 132-141 . 本站查看
其他类型引用(2)
下载:
计量
- 文章访问数: 2186
- HTML全文浏览量: 280
- PDF下载量: 33
- 被引次数: 8
