土地利用、土地利用变化及林业（LULUCF）——毁林产生的二氧化碳（CO₂）净通量（百万吨CO₂当量）

Carbon dioxide (CO2) net fluxes from LULUCF - Deforestation (Mt CO2e)

下载数据

指标代码：EN.GHG.CO2.LU.DF.MT.CE.AR5所属主题：环境：排放Environment: Emissions

2023最新有效年份

166最新年份有值国家

265历史上有数据经济体

68%总体缺失率

指标解释

World Bank official description / 世界银行官方说明

Net flux of carbon dioxide (CO2) in the category "Deforestation".

可供参考的中文翻译：土地利用、土地利用变化及林业（LULUCF）类别中“毁林”（Deforestation）的二氧化碳（CO₂）净通量。

数据口径与风险提示

本指标仅包含毁林产生的CO₂净排放，不包括森林碳汇吸收、林产品碳储存或其他LULUCF子类（如森林 land 其他 land 有机土壤等）的贡献。
中国数据仅从2000年开始，2000-2005年数值保持恒定（1.5428 Mt CO₂e），可能反映该时期统计口径的连续性，而非实际排放无变化。
2020年数值（6.6795 Mt CO₂e）可能受统计方法调整影响，2021年后骤降至3.2532 Mt CO₂e的成因需要结合中国林业政策解读。
全球数据波动性较大，单一年份峰值（如2004年5408 Mt CO₂e）可能与区域大规模野火事件相关，不代表持续趋势。
不同国家对毁林的定义、统计边界和数据报告质量存在差异，跨国直接比较需谨慎。
本指标为净通量，正值表示排放源，负值表示碳汇（但毁林类别通常为正值）。

中国趋势

趋势解读

中国毁林CO₂净通量在2000-2023年间呈现先升后降的倒V形走势。从2000年的1.54 Mt CO₂e缓慢上升，2006年起加速增长，2019年触及峰值6.68 Mt CO₂e，随后于2021年骤降至3.25 Mt CO₂e并保持至2023年。整体而言，2023年值约为2000年的2.1倍，峰值时期增幅达3.3倍。数据序列相对较短，2000-2005年存在平台期，峰值与骤降的原因需要结合统计方法修订或政策变化来解读，不宜简单归因于单一因素。

2000年为起始年，数据值为1.5428 Mt CO₂e
2019年达到峰值6.6795 Mt CO₂e，较起始年增长约4.1 Mt CO₂e
2021-2023年回落至3.2532 Mt CO₂e，3年内下降约3.4 Mt CO₂e
2023年值相当于2000年的2.11倍，呈现长期上升但近期回落特征
数据从2000年才开始，2000-2005年平台期可能反映统计口径而非实际无变化
2021年的骤降成因需要更多背景信息验证，不宜直接解读为政策效果
序列较短，难以进行长期趋势的稳健判断

全球趋势

趋势解读

全球毁林CO₂净通量在1990-2023年间整体呈下降趋势，但波动幅度较大。1990年值为4243.8 Mt CO₂e，2004年攀升至5408.0 Mt CO₂e的峰值，随后逐步回落，2010年降至3358.0 Mt CO₂e的低谷后有所回升，2023年稳定在3877.8 Mt CO₂e，较1990年下降约8.6%。数据波动主要受热带地区毁林活动的区域分布变化影响，近年稳定在3800-3900 Mt CO₂e区间。

1990年为起始年，值为4243.8 Mt CO₂e
2004年达到峰值5408.0 Mt CO₂e，较1990年增加约1164 Mt CO₂e
2010年降至低谷3358.0 Mt CO₂e，为序列中最低值
2023年值为3877.8 Mt CO₂e，较1990年下降约366 Mt CO₂e
数据波动性大，峰值年份可能受区域野火等偶发事件影响
近年回升至3800-3900区间是否构成趋势逆转尚不明确
不同国家报告方法和数据质量差异显著，可能影响全球汇总值的准确性

每十年变化摘要

十年区间	中国变化	世界变化	提示
1960-1969	-	-	环境指标的十年变化应结合能源结构、产业结构、核算边界和国际口径修订，避免只按排放水平高低判断绩效。
1970-1979	-	-	环境指标的十年变化应结合能源结构、产业结构、核算边界和国际口径修订，避免只按排放水平高低判断绩效。
1980-1989	-	-	环境指标的十年变化应结合能源结构、产业结构、核算边界和国际口径修订，避免只按排放水平高低判断绩效。
1990-1999	-	1.0x	该阶段只有世界具备可比变化率，适合用作背景参照，不宜直接推断中国差异。该判断仍应结合指标定义、相关变量和缺失年份理解，避免把单一比例变化写成确定因果。
2000-2009	1.9x	0.8x	该阶段中国毁林排放增幅约为起始年的1.89倍，而世界同期下降至0.79倍，中外反向变化可能反映中国在该时期城镇化、农业扩张导致毁林活动增加，而世界其他地区尤其热带国家已启动森林保护行动，分子（绝对增量）与分母（全球基准）处于不同演化阶段，两者驱动机制存在差异。
2010-2019	1.9x	1.1x	该阶段中国继续增长至约1.95倍，世界回升至约1.14倍，中外均呈增长但幅度不同，可能反映中国毁林压力向其他排放源（如工业、能源）转移的速度慢于世界，也可能与农业用地需求结构有关，需要结合中国森林面积变化和其他LULUCF子类验证。
2020-2029	0.5x	1.0x	中国降至0.49倍而世界基本持平于1.00倍，出现明显反向，可能意味着中国近年来强化了森林保护政策或统计口径调整，而全球毁林格局在其他发展中国家仍面临压力，需要结合中国森林面积、相关政策变量和全球毁林数据进行三角验证。

2023 年全部国家排名

排名已尽量排除 World、地区组和收入组，仅保留国家参与比较。排名高低应结合指标口径解释。

排名	国家	代码	数值
1	Brazil 巴西	BRA	1,025
2	Congo, Dem. Rep. 刚果（金）	COD	529.2
3	Ethiopia 埃塞俄比亚	ETH	156.4
4	Cote d'Ivoire 科特迪瓦	CIV	130.3
5	United States 美国	USA	124.7
6	Peru 秘鲁	PER	94.5
7	Iran, Islamic Rep. 伊朗	IRN	71.5
8	Angola 安哥拉	AGO	63.4
9	Myanmar 缅甸	MMR	53.8
10	Philippines 菲律宾	PHL	51.5
11	Argentina 阿根廷	ARG	50.8
12	Indonesia 印度尼西亚	IDN	45.8
13	Tanzania 坦桑尼亚	TZA	43.7
14	Colombia 哥伦比亚	COL	42.6
15	Zimbabwe 津巴布韦	ZWE	38.0
16	Ecuador 厄瓜多尔	ECU	36.6
17	Madagascar 马达加斯加	MDG	34.3
18	Cambodia 柬埔寨	KHM	32.6
19	Paraguay 巴拉圭	PRY	32.5
20	Nigeria 尼日利亚	NGA	32.4
21	Zambia 赞比亚	ZMB	31.7
22	Mozambique 莫桑比克	MOZ	30.7
23	Kenya 肯尼亚	KEN	30.5
24	Bolivia 玻利维亚	BOL	28.2
25	South Sudan 南苏丹	SSD	28.1
26	Sudan 苏丹	SDN	23.9
27	Lao PDR 老挝	LAO	20.1
28	Guinea 几内亚	GIN	19.0
29	Mali 马里	MLI	17.6
30	Somalia, Fed. Rep. 索马里	SOM	17.4
31	Botswana 博茨瓦纳	BWA	15.2
32	Mexico 墨西哥	MEX	14.0
33	Guatemala 危地马拉	GTM	13.9
34	Benin 贝宁	BEN	13.7
35	Viet Nam 越南	VNM	13.5
36	Ghana 加纳	GHA	13.3
37	Uganda 乌干达	UGA	13.1
38	South Africa 南非	ZAF	12.9
39	Burkina Faso 布基纳法索	BFA	12.1
40	Namibia 纳米比亚	NAM	11.6
41	Nicaragua 尼加拉瓜	NIC	11.6
42	Gabon 加蓬	GAB	11.5
43	Canada 加拿大	CAN	11.5
44	France 法国	FRA	10.3
45	Cameroon 喀麦隆	CMR	10.3
46	Yemen, Rep. 也门	YEM	9.86
47	India 印度	IND	9.73
48	Thailand 泰国	THA	9.63
49	Papua New Guinea 巴布亚新几内亚	PNG	9.55
50	Poland 波兰	POL	8.95
51	Suriname 苏里南	SUR	7.21
52	Guinea-Bissau 几内亚比绍	GNB	7.10
53	Honduras 洪都拉斯	HND	7.10
54	Panama 巴拿马	PAN	6.83
55	Afghanistan 阿富汗	AFG	6.51
56	Guyana 圭亚那	GUY	6.01
57	Russian Federation 俄罗斯	RUS	5.88
58	Central African Republic 中非共和国	CAF	5.63
59	Belize 伯利兹	BLZ	5.03
60	Dominican Republic 多米尼加共和国	DOM	4.45
61	Australia 澳大利亚	AUS	4.36
62	Bahamas, The 巴哈马	BHS	4.02
63	Belarus 白俄罗斯	BLR	3.65
64	Albania 阿尔巴尼亚	ALB	3.51
65	Equatorial Guinea 赤道几内亚	GNQ	3.38
66	Uruguay 乌拉圭	URY	3.34
67	China 中国	CHN	3.25
68	Congo, Rep. 刚果（布）	COG	2.95
69	Japan 日本	JPN	2.64
70	Korea, Dem. People's Rep. 朝鲜	PRK	2.30
71	Gambia, The 冈比亚	GMB	2.30
72	Chile 智利	CHL	2.08
73	Malawi 马拉维	MWI	2.06
74	Norway 挪威	NOR	2.06
75	Italy 意大利	ITA	1.88
76	New Zealand 新西兰	NZL	1.84
77	Sweden 瑞典	SWE	1.63
78	Costa Rica 哥斯达黎加	CRI	1.61
79	El Salvador 萨尔瓦多	SLV	1.37
80	Finland 芬兰	FIN	1.33
81	Spain 西班牙	ESP	1.32
82	Turkiye 土耳其	TUR	1.32
83	Austria 奥地利	AUT	1.26
84	United Kingdom 英国	GBR	1.25
85	Niger 尼日尔	NER	1.17
86	Romania 罗马尼亚	ROU	1.12
87	Portugal 葡萄牙	PRT	1.04
88	Liberia 利比里亚	LBR	0.96
89	Netherlands 荷兰	NLD	0.85
90	Bangladesh 孟加拉国	BGD	0.82
91	Belgium 比利时	BEL	0.79
92	Latvia 拉脱维亚	LVA	0.75
93	Switzerland 瑞士	CHE	0.57
94	Germany 德国	DEU	0.54
95	Eswatini 斯威士兰	SWZ	0.40
96	Sri Lanka 斯里兰卡	LKA	0.39
97	Haiti 海地	HTI	0.37
98	Solomon Islands 所罗门群岛	SLB	0.35
99	Moldova 摩尔多瓦	MDA	0.29
100	Estonia 爱沙尼亚	EST	0.29
101	Slovenia 斯洛文尼亚	SVN	0.25
102	Hungary 匈牙利	HUN	0.24
103	Togo 多哥	TGO	0.23
104	Czechia 捷克	CZE	0.23
105	Morocco 摩洛哥	MAR	0.22
106	Bulgaria 保加利亚	BGR	0.18
107	Jamaica 牙买加	JAM	0.15
108	Seychelles 塞舌尔	SYC	0.14
109	Lithuania 立陶宛	LTU	0.14
110	Serbia 塞尔维亚	SRB	0.12
111	Denmark 丹麦	DNK	0.11
112	Bhutan 不丹	BTN	0.07
113	Ireland 爱尔兰	IRL	0.06
114	Tunisia 突尼斯	TUN	0.06
115	Cabo Verde 佛得角	CPV	0.06
116	Slovak Republic 斯洛伐克	SVK	0.05
117	Croatia 克罗地亚	HRV	0.05
118	Sao Tome and Principe 圣多美和普林西比	STP	0.05
119	Ukraine 乌克兰	UKR	0.05
120	Greece 希腊	GRC	0.04
121	Venezuela, RB 委内瑞拉	VEN	0.02
122	Luxembourg 卢森堡	LUX	0.02
123	Burundi 布隆迪	BDI	0.01
124	Cyprus 塞浦路斯	CYP	0.01
125	Antigua and Barbuda 安提瓜和巴布达	ATG	0.01
126	Liechtenstein 列支敦士登	LIE	0.01
127	Mongolia 蒙古	MNG	0.00
128	Micronesia, Fed. Sts. 密克罗尼西亚	FSM	0.00
129	St. Lucia 圣卢西亚	LCA	0.00
130	Iceland 冰岛	ISL	0.00
131	Andorra 安道尔	AND	0.00
132	Armenia 亚美尼亚	ARM	0.00
133	Bahrain 巴林	BHR	0.00
134	Bosnia and Herzegovina 波黑	BIH	0.00
135	Cuba 古巴	CUB	0.00
136	Djibouti 吉布提	DJI	0.00
137	Dominica 多米尼克	DMA	0.00
138	Eritrea 厄立特里亚	ERI	0.00
139	Fiji 斐济	FJI	0.00
140	Grenada 格林纳达	GRD	0.00
141	Israel 以色列	ISR	0.00
142	Jordan 约旦	JOR	0.00
143	Korea, Rep. 韩国	KOR	0.00
144	Lebanon 黎巴嫩	LBN	0.00
145	Lesotho 莱索托	LSO	0.00
146	Mauritania 毛里塔尼亚	MRT	0.00
147	Montenegro 黑山	MNE	0.00
148	Nepal 尼泊尔	NPL	0.00
149	Pakistan 巴基斯坦	PAK	0.00
150	Palau 帕劳	PLW	0.00
151	Rwanda 卢旺达	RWA	0.00
152	San Marino 圣马力诺	SMR	0.00
153	Saudi Arabia 沙特阿拉伯	SAU	0.00
154	Senegal 塞内加尔	SEN	0.00
155	Singapore 新加坡	SGP	0.00
156	St. Kitts and Nevis 圣基茨和尼维斯	KNA	0.00
157	St. Vincent and the Grenadines 圣文森特和格林纳丁斯	VCT	0.00
158	Syrian Arab Republic 叙利亚	SYR	0.00
159	Timor-Leste 东帝汶	TLS	0.00
160	Tonga 汤加	TON	0.00
161	Turkmenistan 土库曼斯坦	TKM	0.00
162	Tuvalu 图瓦卢	TUV	0.00
163	United Arab Emirates 阿联酋	ARE	0.00
164	Vanuatu 瓦努阿图	VUT	0.00
165	Malta 马耳他	MLT	-0.00
166	Barbados 巴巴多斯	BRB	-0.00

使用建议、常见误用与研究场景

数值较高通常意味着什么

数值升高表示该时期毁林活动导致的CO₂净排放量增加，可能与农业扩张、基础设施建设、林地转用等活动相关。

数值较低通常意味着什么

数值降低表示毁林排放减少，可能反映森林保护措施加强、林地转用放缓或统计方法调整。

鍙ｅ緞闄愬埗

仅反映毁林导致的CO₂排放，不包括森林碳汇吸收，不宜作为净碳平衡的单一指标
中国数据从2000年开始，早期无数据，跨国长期对比受限
不同国家毁林定义、统计边界和数据报告质量存在差异，直接跨国比较可能产生误导
2021年骤降成因未明，可能包含统计口径变化而非实际排放下降
本指标不反映其他LULUCF子类（森林land、其他land、有机土壤等）的贡献

常见错误用法

错误做法：将毁林排放数据直接等同于国家净碳排放量

正确做法：使用完整的LULUCF净排放数据或结合森林碳汇吸收、林产品碳储量等数据进行综合核算

本指标仅反映毁林产生的CO₂净排放，不包括森林碳汇吸收、林产品碳储存或其他LULUCF子类（森林land、其他land、有机土壤等）的贡献，不能作为净碳平衡的单一指标

错误做法：直接比较中国与其他国家的毁林排放数值

正确做法：结合各国统计口径差异、数据质量、毁林定义和报告边界进行标准化处理后再进行比较

不同国家对毁林的定义、统计边界和数据报告质量存在显著差异，中国数据从2000年才开始且2000-2005年存在平台期，跨国直接比较可能产生误导性结论

错误做法：将2021年中国数据骤降简单解读为政策效果的直接证据

正确做法：结合统计方法修订背景、中国林业政策变化和其他LULUCF子类数据进行三角验证

2021年骤降成因未明，可能包含统计口径调整而非实际排放下降，需要谨慎解读

错误做法：用单一年份峰值（如2004年全球5408 Mt CO₂e）论证持续趋势

正确做法：结合多年序列数据和区域事件背景判断趋势，分析偶发事件（如区域野火）与结构性变化的区别

全球数据波动性较大，峰值年份可能受热带地区区域野火等偶发事件影响，不代表持续趋势，近年回升至3800-3900区间是否构成趋势逆转尚不明确

实际应用场景

中国森林保护政策效果评估：研究者利用中国毁林CO₂排放数据的时间序列变化，结合中国退耕还林、天然林保护等政策实施时间节点，分析政策干预对森林碳排放的影响被解释变量需结合中国森林面积变化数据（AG.LND.FRST.ZS）和其他LULUCF子类数据进行三角验证；注意2021年骤降可能受统计口径调整影响，不宜简单归因于单一政策效果
热带国家毁林驱动因素跨国比较：研究者比较不同热带国家在相似经济发展阶段下的毁林排放模式差异，分析农业扩张、城镇化进程和土地政策对毁林活动的影响被解释变量需将农业用地面积变化（AG.SRF.TOTL.K2）和人口密度作为控制变量；注意不同国家数据质量和统计口径差异，建议进行敏感性分析
国家碳排放清单核算与气候政策建模：政策分析师将毁林排放纳入国家温室气体排放清单，建立碳预算核算模型，评估不同减排路径的成本效益机制变量需结合完整的LULUCF排放数据和其他CO₂排放指标（EN.ATM.CO2E.PC）进行综合核算；注意数据波动性对长期趋势判断的影响
土地利用变化与粮食安全的关联分析：研究者分析农业扩张导致的林地转用如何影响碳排放，同时评估其对粮食产量和土地利用可持续性的影响机制变量毁林排放可作为土地利用变化的碳排放后果解释变量；需结合农业产出指标和其他LULUCF子类数据进行robustness检验