Auswirkungen der südöstlichen Holzpelletindustrie der USA auf die Kohlenstoffvorräte der lokalen Wälder

Wissenschaftliche Berichte Band 12, Artikelnummer: 19449 (2022) Diesen Artikel zitieren

3718 Zugriffe

1 Zitate

32 Altmetrisch

Details zu den Metriken

Wir haben die Nettoauswirkungen einer holzabhängigen Pelletindustrie von globaler Bedeutung auf die gleichzeitigen lokalen Wälder mit Kohlenstoffbestandteilen (lebende Bäume, abgestorbene Bäume, Böden) und die Gesamtbestände bewertet. Wir haben zwischen 2000 und 2019 nachträglich abgeglichene Differenz-in-Differenzen-Analysen von Waldinventurdaten durchgeführt, um auf industrielle gleichzeitige und verzögerte Auswirkungen im Südosten der US-Küste zu schließen. Die Ergebnisse deuten auf eine gleichzeitige CO2-Neutralität hin. Wir fanden inkrementelle Nettoauswirkungen auf Kohlenstoffspeicher in lebenden Bäumen und keine Nettoeffekte auf abgestorbene Bäume oder Bodenspeicher. Wir fanden jedoch gleichzeitig niedrigere Kohlenstoffwerte in Böden, gemischte Effekte im Zusammenhang mit erhöhtem Beschaffungsdruck und großer Pelletierungskapazität der Mühlen sowie mögliche Spillover-Effekte auf Kohlenstoffspeicher abgestorbener Bäume über kommerzielle Beschaffungsentfernungen hinaus. Es gibt belastbare Belege dafür, dass die Holzpelletindustrie in diesem speziellen Kontext und Zeitraum trotz einiger Kompromisse zwischen Kohlenstoffspeichern die Gesamtbedingung der CO2-Neutralität der Wälder erfüllt hat.

Nationen auf der ganzen Welt übernehmen Strategien zur Dekarbonisierung ihrer Volkswirtschaften1,2. Ein Weg zur Dekarbonisierung besteht darin, bei der Energieerzeugung fossile Brennstoffe durch biologische Ressourcen zu ersetzen, wie in der Bioökonomiestrategie der Europäischen Union (EU) und ihren Richtlinien zu erneuerbaren Energien dargestellt1,3,4. Bioenergie – aus Biomasse erzeugte Energie – ist die größte erneuerbare Energiequelle der EU28 (EU27 und Großbritannien), wobei aus Wäldern gewonnene Holzbiomasse der dominierende Biokraftstoff bei der Erzeugung von Wärme und Strom ist5. Weltweit ist die EU28 der größte Markt für pelletiertes Holz, das als Biokraftstoff verwendet wird – der Binnenhandel mit Holzpellets hat sich im Zeitraum 2009–2019 nach der Verabschiedung der Erneuerbare-Energien-Richtlinien mehr als verdreifacht und die Importe in die EU28 versiebenfacht3,4. Im Jahr 2020 waren die USA der weltweit größte Produzent (20 %, Gewicht) und Exporteur (25 %, Gewicht) von Holzpellets und der führende überregionale Lieferant von Holzpellets für die EU281. Die US-Exporte in die EU28 sind im Zeitraum 2009–2019 um das Zwölffache gestiegen und erreichten 6,8 Millionen Mg (1 Mg = 1 Tonne)6. Die weltweite Produktion von Holzpellets überstieg im Jahr 2020 42 Millionen Mg und ihr Handelswert überstieg 4,3 Milliarden US-Dollar7.

Die Fähigkeit von Biokraftstoffen, zur Dekarbonisierung des Energiesektors beizutragen, hängt unweigerlich davon ab, dass ihre Beschaffung die Kohlenstoffvorräte (C) an Land nicht erschöpft8,9. Es gibt jedoch unterschiedliche Ansichten zu dieser Prämisse10,11,12,13 und es fehlen belastbare empirische Analysen, die sie überprüfen. Das derzeitige Verständnis der Auswirkungen der holzabhängigen Biokraftstoffindustrie auf die C-Bestände lokaler Wälder konzentriert sich auf Marktprognosen12,13 und Synthesen zum aktuellen Wissensstand14,15 mit wenigen empirischen Bewertungen16,17,18. Empirische Bewertungen sind rar, teilweise aufgrund der Komplexität der Ermittlung der Auswirkungen einer holzabhängigen Biokraftstoffindustrie, die sich mit anderen Wirtschaftssektoren, sozialen Akteuren und natürlichen Störungen überschneidet15,18.

Hier verwendeten wir einen Post-Matching-Differenz-in-Differenzen-Ansatz (DiD), um zu beurteilen, ob eine Industrie, die holzige Biomasse pelletiert, die Gesamt-C-Bestände und einzelne Komponentenpools in lebenden Bäumen, toten Bäumen und Böden beeinflusst hat. Wir haben die C-Bestände in Parzellen des National Forest Inventory (NFI) verfolgt, die sich auf privaten und öffentlichen Flächen befinden, die für die kommerzielle Bewirtschaftung geeignet sind (Holzland), und die im Zeitraum 2000–2019 beprobt wurden. In diesem Zeitraum stieg die jährliche Produktionskapazität für Holzpellets von 40,823 Tausend Mg auf 6,652 Millionen Mg in den südöstlichen US-Küstenstaaten Alabama, Georgia, Florida, Mississippi, North Carolina, South Carolina und Virginia (Abb. 1). Wir haben NFI-Grundstücke identifiziert, die sich innerhalb vorherrschender kommerzieller Beschaffungsentfernungen befinden, gemessen anhand von Holzpelletwerk-zentrierten, gewundenen geodätischen Radien und über erweiterte Radien hinweg, um mögliche Spillover-Auswirkungen zu untersuchen. Wir haben gleichzeitige, verzögerte und Netto-gleichzeitige Brancheneffekte – jeweils Auswirkungen innerhalb des laufenden Jahres, verzögerte Auswirkungen in 5-Jahres-Intervallen und Nettoauswirkungen gleichzeitiger und verzögerter Effekte – auf die gesamten C-Bestände und Komponentenpools getestet. Angesichts des starken Anstiegs der Holzpelletproduktion gingen wir davon aus, dass wir die Auswirkungen der Industrie auf die C-Bestände in den lokalen Wäldern statistisch erfassen könnten, waren uns jedoch hinsichtlich der Richtungsauswirkungen nicht sicher.

Quelle: Angepasst von Forisk19.

Gesamte Holzpelletisierungskapazität im Südosten der US-Küste, 2000–2019.

Unsere Beiträge sind dreifach. Zunächst analysierten wir die räumlich-zeitlichen Auswirkungen der Industrie auf die lokalen Wald-C-Bestände, nachdem wir die nicht zufällige Standortwahl von Holznutzungsanlagen berücksichtigt hatten. Unseres Wissens ist dies die erste Post-Matching-DiD-Bewertung der Auswirkungen einer holzabhängigen Industrie auf lokale Wald-C-Bestände anhand von NFI-Daten. Es baut auf jüngsten Bewertungen der Auswirkungen der Holzpelletindustrie auf, die auf landschaftsbasierten Schätzungen in den USA16,17 und Fernerkundungsanalysen in Europa18 basieren. Zweitens bietet unser Analyserahmen eine empirische Alternative zur Bewertung der systematischen Einhaltung der EU-Aufträge zur Überwachung der Wald-C-Bestände in Gebieten, in denen Holzbiomasse für Bioenergie beschafft wird3,8. Wir haben unsere Ergebnisse gründlich untersucht, indem wir verschiedene Algorithmen verwendet haben, um NFI-Diagramme innerhalb und außerhalb des Beschaffungsradius abzugleichen, und allgemeine Trends aus einer Teilstichprobe von Staaten bestätigt haben, in denen die Branche bisher die größte Kapazitätsausweitung verzeichnete. Wir haben auch die Auswirkungen der großen Produktionskapazität der Werke und des Beschaffungsdrucks getestet, der anhand der Anzahl der Beschaffungsradien ermittelt wurde, die ein NFI-Diagramm überlappen. Drittens tragen unsere Ergebnisse zu einem besseren Verständnis der C-Flüsse in der Nähe holzabhängiger Industrien bei. Besonders neu ist, dass wir C in Böden – einem noch wenig untersuchten Pool – anhand empirischer Beobachtungen bei unserer Bewertung der individuellen und gesamten C-Vorräte schätzen20.

Unsere empirischen Methoden (Abb. 2) umfassten drei Hauptschritte: (1) Schätzung der Wald-C-Bestände und Kovariateninformationen in unserer gesamten Untersuchungsregion; (2) statistische Pseudo-Randomisierung von NFI-Plots innerhalb industrieller Beschaffungsradien; und (3) Post-Matching-Schätzung der durchschnittlichen industriellen Auswirkungen von Holzpelletwerken basierend auf DiD-Panel-Regressionen. Zu den unterstützenden Analysen gehörten die Untersuchung paralleler Trends vor DiD, Robustheitsprüfungen für Haupteffekte und die Bewertung heterogener Brancheneffekte. Die Schritte 1 und 2 wurden in Python21 durchgeführt, wobei die endgültige Schätzung in Stata Version 1522 abgeschlossen wurde. Karten wurden mit QGIS23 generiert.

Es wurden methodische Schritte durchgeführt, um die Auswirkungen der Industrie auf die Kohlenstoffbestandteile und Gesamtvorräte lokaler Wälder abzuschätzen.

Schätzungen der ober- und unterirdischen C-Vorräte in lebenden und abgestorbenen Bäumen sowie Böden wurden aus Parzellen ermittelt, die im Zeitraum 2000–2019 vom Forest Inventory and Analysis NFI-Programm des US-Landwirtschaftsministeriums beprobt wurden. Unabhängig davon, ob es sich um Grundstücke in öffentlichem oder privatem Besitz handelte, umfasste unsere Stichprobe alle NFI-Parzellen auf Waldflächen (Waldflächen, die mehr als 1,4 m3 Industrieholz pro Hektar und Jahr produzieren können und nicht gesetzlich der Holzproduktion entzogen wurden, mit einer Mindestflächenklassifizierung von 0,41 Hektar). 24 wurden während unseres Zeitraums mindestens zweimal inventarisiert, wobei nicht weniger als eine Beobachtung während oder nach 2005 aufgezeichnet wurde. Mit Ausnahme von C in Böden (derzeit auf Anfrage verfügbar – und schließlich in der NFI-Datenbank) sind alle Schätzungen öffentlich verfügbar. Unsere Zusammenstellung von Boden-C-Schätzungen20 stützte sich auf Beobachtungen von organischem C im Boden aus dem NFI sowie auf Hilfsstandort- und Klimavariablen, die bodenbildende Faktoren repräsentieren. Diese werden in der Treibhausgasberichterstattung der USA im Rahmen des Rahmenübereinkommens der Vereinten Nationen über Klimaänderungen verwendet und charakterisieren die örtlichen Bodenbedingungen besser als aktuelle NFI-Informationen, die nicht für die Schätzung an bestimmten Standorten gedacht sind20,24. Zu den extrahierten LFI-Informationen auf Parzellenebene gehörten Daten zu Messungen auf Baumebene (z. B. Anzahl lebender Bäume, stehender toter Bäume, Biomassevolumen, Besatz) sowie Standortmerkmale (z. B. Anzeichen von Feuer oder Wetterschäden) und zugewiesener Wald Bedingungen (z. B. Waldtyp). Einzelheiten zum Stichprobendesign des NFI-Programms, zu Inventarisierungsverfahren und zur Schätzung von Attributen sind online verfügbar24. Beschreibungen der ausgewählten C-Vorräte und des Gesamtkohlenstoffs (erhalten durch Aggregation ausgewählter und anderer verbleibender C-Vorräte) sind in Tabelle 1 dargestellt. Die Werte pro Hektar wurden mithilfe von NFI-Erweiterungsfaktoren ermittelt und auf der Grundlage der Parzellensequenznummern aggregiert, wobei die Schätzungen proportional angepasst wurden, wenn sie kleiner als waren 100 % einer Fläche wurden als Waldland eingestuft25.

Kovariate Informationen wurden zwischen abiotischem, biotischem (Tabelle 2) oder anthropogenem Ursprung (Tabelle 3) unterschieden15,26,27. Die Zuordnung mehrerer erklärender Variablen zu einem NFI-Grundstück (z. B. ob es innerhalb der Beschaffungsradien der Holzindustrie liegt) erforderte eine Georeferenzierung, die durch verfügbare Breiten- und Längengradkoordinaten auf Grundstücksebene ermöglicht wurde. Es ist zu beachten, dass Grundstücksstandorte in der NFI-Datenbank systematisch „unscharf“ oder „getauscht“ werden, um die Privatsphäre der Grundeigentümer und die Integrität des Datenerfassungsprozesses zu schützen25. Beim „Fuzzing“-Prozess werden die meisten Grundstücke innerhalb von 0,8 km Entfernung von ihrem tatsächlichen Standort nach dem Zufallsprinzip verschoben. Der „Austausch“-Prozess findet auf 0–10 % der bewaldeten Parzellen statt, nur für diejenigen, die zu Privatgrundstücken gehören25, und besteht aus dem Austausch von Koordinaten mit einer anderen ähnlichen Parzelle innerhalb desselben Landkreises. Dieser zufällige Umsiedlungsprozess kann erkennbare Auswirkungen auf die Einschätzung des Waldzustands in kleinen Gebieten haben, aber jede systematische Verzerrung der Waldattribute, die über ein großes geografisches Gebiet gemessen wird, wie etwa die Beschaffungsradien, die über die gesamte südöstliche Küstenregion der USA ausgewertet werden, ist Berichten zufolge vernachlässigbar28. Es ist sehr unwahrscheinlich, dass andere auf Kreisebene erfasste Attribute statistische Störungen durch den Fuzzing- und Austauschprozess aufweisen29.

Die Behandlung wurde dadurch ermittelt, ob sich ein NFI-Grundstück im Jahr der Probenahme innerhalb der kommerziellen industriellen Beschaffungsentfernungen von in Betrieb befindlichen holzverarbeitenden Pelletmühlen befand. Um behandelte Parzellen zu identifizieren, haben wir konzentrische Kreise gezeichnet, die durch Radien von 48,28 km (30 imperiale Meilen) und 80,47 km (50 imperiale Meilen) vom Schwerpunkt einer Mühle begrenzt sind, wenn deren jährliche Pelletproduktionskapazität unter oder mindestens 100.000 Mg lag. Die ausgewählten Radien entsprechen den vorherrschenden maximalen Reiseentfernungen und der regionalen Straßenkurven, die in früheren Definitionen von Holzbeschaffungsgebieten verwendet wurden30,31,32. Die Reisedistanzen wurden anhand von NFI-Erhebungen zum Timber Products Output auf Werksebene validiert und rechtfertigten den längeren Beschaffungsradius für Werke mit größerer Kapazität33. Definierte Beschaffungsradien zur Bewertung industrieller Auswirkungen auf den Wald wurden auf das Holzprodukt16,17 und andere Branchen34,35 angewendet. Wir haben die Auswirkungen einer Anpassung der Beschaffungsradien durch eine Verlängerung um 20 km im Rahmen unserer Bewertung von Spill-over-Effekten untersucht.

Schätzung der Nettoauswirkungen der Industrie auf die gleichzeitigen C-Werte von Waldgebieten, die zunächst für den nicht zufälligen Standort von holzverarbeitenden Pelletmühlen kontrolliert wurden. Die Standortwahl landgestützter, ressourcenabhängiger Anlagen ist ein nicht zufälliger Prozess, insbesondere wenn ein großer Teil der Inputausgaben aus den Beschaffungs- und Transportkosten lokalisierter Ressourcen stammt und hergestellte Produkte ein relativ niedriges Wert-Gewichts-Verhältnis aufweisen41. Der nicht-zufällige Standortprozess wird in Fallstudien42 und Optimierungsanwendungen43 der Holzpelletindustrie ausführlich beschrieben.

Wir haben uns auf das Propensity Score Matching (PSM) verlassen, um die Behandlung pseudorandomisieren und die anfänglich beobachtbare Heterogenität erklärender Faktoren zu reduzieren, was zu genaueren Panelmodellschätzungen führte44,45. Die Verwendung von PSM zur Pseudorandomisierung von Diagrammen wurde erst kürzlich auf NFI-Daten angewendet46,47. PSM ermöglichte es uns, Bestandsflächen mit Bedingungen zu identifizieren, die sie statistisch genauso wahrscheinlich hätten machen können wie solche innerhalb des zu behandelnden Beschaffungsradius, was aber nicht der Fall war. Die Schätzung der Wahrscheinlichkeit, dass ein NFI-Grundstück in unserer Stichprobe (n) im Beschaffungsradius einer Holzpelletfabrik liegt, wurde wie folgt ermittelt:

wobei R den Wert „1“ annimmt, wenn sich die i-te Parzelle zu irgendeinem Zeitpunkt während unseres Stichprobenzeitraums innerhalb des Beschaffungsradius einer Holzpelletmühle befand, andernfalls „0“. Die Branchenstandorttheorie und empirische Belege bildeten unsere Grundlage für die Auswahl der PSM-Kovariaten im Vektor Mi42,48,49. Dazu gehörten: (a) geodätische Entfernung zum nächstgelegenen Hafen, in dem Forstprodukte gehandelt werden, (b) die Straßendichte des Landkreises, (c) Landbesitz (privat oder anderweitig), (d) geodätische Entfernung zum nächsten Holzkraftwerk, (e) geodätisch Entfernung zur nächsten Zellstofffabrik und (f) landesspezifische und (g) waldgruppenspezifische Auswirkungen. Die ersten drei Kovariaten proximierten jeweils Bedingungen, die sich direkt auf die Produktionskosten auswirken, einschließlich der Lieferung an Märkte (Transport zu Handelshäfen), der lokalen Transportinfrastruktur (die sich auf die einfache Beschaffung von Rohfasern und die Lieferung von hergestellten Pellets auswirkt) und Transaktionskosten (in diesem speziellen Kontext Die Kosten für die Beschaffung von Holz aus Waldflächen in Privatbesitz sind im Durchschnitt niedriger als bei anderen Eigentümern, teilweise aufgrund von Vertrags- und Verwaltungskosten. Die nächsten beiden Kovariaten erfassten die lokale Konkurrenz durch andere Industrien, die ähnliche Arten holziger Biomasse beschafften (Holzverbrennungskraftwerke, Zellstofffabriken). Die letzten beiden Kovariaten kontrollierten die Auswirkungen, die für einen bundesstaatlichen und forstökologischen Unterabschnitt spezifisch sind, wie z. B. Richtlinien und Vorschriften bzw. ökologische Bedingungen50,51. Vector Mi enthielt auch einen Abfangbegriff. Geodätische Entfernungen wurden auf natürliche Weise logarithmisch transformiert, um nichtlineare Zusammenhänge zu erfassen52,53. Die Einbeziehung ökologischer und sozioökonomischer Variablen wurde empirisch untersucht, wenn Informationen zu NFI-Parzellen verwendet wurden, um anthropogene Eingriffe in die Waldbedingungen zu testen54, und die Einbeziehung expliziter räumlicher Dimensionen beim Abgleich von NFI-Parzellen hat die PSM-Leistung verbessert46. PSM-Variablen waren zeitinvariant, mit Ausnahme der Entfernungen zum nächstgelegenen holzverarbeitenden Kraftwerk und zur nächsten Zellstofffabrik. In diesen Fällen verwendeten wir die durchschnittliche Mindestentfernung über den Stichprobenzeitraum.

PSM-Scores für NFI-Plots sowohl innerhalb kommerzieller als auch erweiterter Beschaffungsradien wurden mithilfe einer Probit-Funktion mit heteroskedastizitätsrobusten Standardfehlern geschätzt45. Wir haben (mit und ohne Ersatz) jede Parzelle mit R = 1 mit einer unbehandelten Parzelle abgeglichen, wobei wir eine Messgröße von 0,005 verwendeten. Wir haben andere Matching-Algorithmen verwendet, einschließlich eines einzelnen Matchings mit einer Dicke von 0,01, eines Matchings mit zwei nicht behandelten Diagrammen (Caliper: 0,00005) und des Mahalanobis-Abstands zum nächsten Nachbarn. Im Abschnitt „Ergebnisse“ präsentieren wir Ergebnisse nach einem Eins-zu-eins-Matching (Dichte: 0,005, ohne Ersatz) aufgrund seiner Leistung im Hinblick auf eine verringerte Verzerrung und die Erhaltung der ursprünglichen Stichprobengröße nach dem Matching. Die wichtigsten PSM-Leistungskennzahlen für Matching-Algorithmen werden in den Zusatzinformationen (Tabellen S1–S2) offengelegt.

Kohlenstoff in ausgewählten Komponentenpools (lebende Bäume; stehende tote Bäume; organisches Bodenmaterial) und Gesamtvorräte auf der i-ten LFI-Fläche der etw. Waldtypgruppe im Jahr t wurden nach PSM wie folgt modelliert:

wobei X eine Matrix ist, die zeitvariante Kovariaten erfasst (ohne Auswirkungen auf die Holzpelletindustrie); D ist eine Matrix, die angibt, ob ein Grundstück im Inventarjahr t − l (l = 0, 1, 2) innerhalb der Beschaffungsradien der Holzpelletindustrie für gleichzeitige und verzögerte durchschnittliche Effekte lag; c, ω und γ erfassen Parzellen-, Waldtyp- und Jahreseffekte; und ε bezeichnet einen zufälligen Fehler. Unsere Modellspezifikation umfasste feste Effekte auf NFI-Plotebene (ci), nachdem der Breusch-Pagan-Lagrange-Multiplikator bzw. die Hausman-Teststatistik ith-spezifische Effekte gegenüber gepoolten OLS-Schätzungen bevorzugte und ihre Einbeziehung als feste (zufällige) Terme55. Standardfehler wurden mithilfe der Delta-Methode auf Plotebene geclustert. Schätzung von Gl. (2) und andere in diesem Abschnitt beschriebene Modelle enthielten einen Intercept-Term. Geschätzte Regressionsparameter finden sich in den Vektoren β, δ.

Die Richtung und statistische Signifikanz der Koeffizienten in δ gemessenen durchschnittlichen Auswirkungen der Holzpelletindustrie. Wir haben die Nettoeffekte der Branche mithilfe von F-Chow-Tests der gemeinsamen statistischen Signifikanz von Parametern in δ bewertet. Gleichzeitige (t) und verzögerte (vorheriges Inventarjahr „t − 1“ und zwei Inventarjahre davor „t − 2“) erfassten Behandlungseffekte. Wir bezeichnen ihre entsprechenden Signale bei gleichzeitigen C-Werten als nach 5 und 10 Jahren verzögert (die LFI-Plots wurden gemäß dem LFI-Programmdesign am häufigsten alle 5 Jahre und im Durchschnitt alle 5,64 Jahre beprobt). Es ist erwähnenswert, dass unsere Entscheidung, betriebsbereite Holzpelletmühlen (z. B. anstelle der tatsächlichen Produktion) zur Bewertung der durchschnittlichen Behandlungseffekte zu verwenden, auf Pachtprinzipien beruht, da eine Branche den Nettobarwert von Grundstücken nicht nur durch den Strom erwarteter zukünftiger Einnahmen beeinflusst zur Produktion in einem bestimmten Jahr53. Im weiteren Sinne hätte jede Form eines vorausschauenden Ernteverhaltens vor Beginn der Pelletierungsarbeiten Auswirkungen auf die Landpacht und verfälschte Behandlungseffekte haben können56. Es ist jedoch sehr unwahrscheinlich, dass dies zu einer Verzerrung unserer NFI-Daten führt. Der Zeitraum von der Bekanntgabe der Absicht zum Bau einer Holzpelletmühle bis zum tatsächlichen Betrieb dauert in unserer Untersuchungsregion üblicherweise weniger als ein Jahr57, so dass es unwahrscheinlich ist, dass dies vorweggenommene Auswirkungen hatte, die sich in den Bedingungen der NFI-Parzellen widerspiegeln, die alle fünf Jahre erneut beprobt werden.

Zu den Tests zur Validierung unserer Post-Matching-DiD-Regression gehörte die Untersuchung paralleler Trends, bevor sich ein NFI-Grundstück im Beschaffungsradius einer Holzpelletfabrik befand. Empirisch untersuchten wir Vortrends mithilfe eines Event-Studiendesigns. Die C-Werte in ausgewählten Pools und Gesamtbeständen nach PSM wurden wie folgt modelliert:

Dabei bezeichnet y die Anzahl der Jahre vor und nach dem Aufenthalt im Umkreis einer in Betrieb befindlichen Holzpelletmühle, wobei y = 0 angibt, wann das i-te NFI-Plot zum ersten Mal behandelt wurde. τ ist ein Vektor der jeweiligen Koeffizienten. Die Ober- und Untergrenzen geben die Jahre vor/nach der Behandlung an und spiegeln die Maximalwerte in unserem Datensatz nach PSM wider. Standardfehler wurden auf Plotebene geclustert.

Die Robustheit unserer Ergebnisse wurde zusätzlich zur Anwendung verschiedener PSM-Matching-Algorithmen vor DiD durch die Schätzung von Parametern aus einer Teilstichprobe von NFI-Plots überprüft. Wir haben NFI-Standorte in den Bundesstaaten Alabama, Georgia und Virginia ausgewählt, wo die Branche die größte Expansion verzeichnete und wo während unseres Untersuchungszeitraums die meisten NFI-Beobachtungen stattfanden. Wir haben auch heterogene Brancheneffekte getestet, indem wir (a) zwischen Werken mit großer Produktionskapazität (≥ 100.000 Mg/Jahr) und solchen mit kleinerer Größe unterschieden haben, um durch die Produktionskapazität verursachte Verschiebungen zu beurteilen, und (b) die Anzahl der Beschaffungsradien gezählt haben Überlappung eines NFI-Diagramms zur Untersuchung des inkrementellen Beschaffungsdrucks. Um Ersteres zu testen, haben wir Folgendes geschätzt:

Dabei erfasst Si,t−l Informationen zur Größe einer Holzpelletfabrik (1 = NFI-Diagramm im Umkreis einer Holzpelletfabrik mit einer Produktionskapazität ≥ 100.000 Mg/Jahr, 0 = sonst) im Inventarjahr t − l und ν ist a Vektor der geschätzten Koeffizienten. Wir haben die Chow-F-Statistik berechnet, um die gemeinsame Signifikanz der Haupteffektkoeffizienten in δ und der heterogenen Größeneffektkoeffizienten in ν zu testen. Um die Auswirkungen überlappender Beschaffungsradien zu testen, haben wir Folgendes geschätzt:

wobei Vri,t−l die r-Anzahl der Überlappungen pro i-tem NFI-Plot von 1 bis „R“ im Inventarjahr tl bezeichnet und λ ein Vektor geschätzter Koeffizienten ist. Wir identifizierten bis zu fünf (R = 5) Branchenradienüberlappungen im Inventarjahr t und t − 1 und bis zu zwei bei t − 2. Über erweiterte Radien identifizierten wir bis zu sechs Überlappungen bei jedem t und t − 1 und bis zu zwei bei t − 2. Die Basiskategorie war unsere Kontrolle eines NFI-Grundstücks, das nicht innerhalb der Beschaffungsradien der Holzpelletindustrie lag. Wir haben die Chow-F-Statistik berechnet, um die gemeinsame Signifikanz von Koeffizienten zu testen, die einen einzelnen Radius (r = 1), heterogene Effekte der Branchenradienüberlappung (r > 1) innerhalb des Vektors λ und Nettogesamteffekte der Branche (r ≥ 1) erfassen.

Die Ergebnisse der Probit-Regression [Ergänzende Informationen, Tabelle S3] zeigten, dass die Wahrscheinlichkeit, dass sich ein Grundstück im kommerziellen Beschaffungsradius einer Holzpelletfabrik befindet, mit der größeren Entfernung vom nächsten Hafen abnahm (ρ-Koeff. = −0,335, p < 0,001). . Ein ähnlicher, aber nur geringfügig signifikanter Zusammenhang (ρ-Koeff. = −0,024, p = 0,105) wurde mit der Entfernung zur nächsten Zellstofffabrik gefunden. Diese schwächere räumliche Korrelation könnte durch die gemeinsame Anordnung von Lieferketten erklärt werden. Im Gegensatz dazu bestand ein direkter Zusammenhang mit der Entfernung zum nächsten holzverarbeitenden Kraftwerk (ρ-Koeffizient = 0,159, p < 0,001), was möglicherweise dadurch erklärt werden kann, dass diese beiden Branchen direkt um ähnlich kostengünstige Holzfasern konkurrieren. Für die Dichte (km/ha) der Haupt- und Nebenstraßen im Kreis des i-ten Diagramms wurde ein negativer Koeffizient gefunden (ρ Koeffizient = −30,249, p < 0,001), was darauf hindeuten könnte, dass auch die Straßendichte in der gesamten Region über dem Durchschnitt liegt erhöht die Opportunitätskosten für Land, wie es in stärker urbanisierten Gebieten der Fall ist. Wir fanden einen direkten Zusammenhang mit Privateigentum (ρ Koeff. = 0,282, p < 0,001) gegenüber anderen Eigentumsarten. Tabelle S3 zeigt auch entsprechende Ergebnisse, wenn die erwartete Wahrscheinlichkeit darin bestand, dass sich ein Grundstück innerhalb erweiterter Beschaffungsradien befindet.

Abbildung 3 zeigt die NFI-Diagramme, die in unseren Analysen nach PSM enthalten sind. Anpassung einer verringerten Verzerrung über Kovariaten hinweg, insbesondere hinsichtlich der Entfernung zu anderen holzverarbeitenden Industrien (Zellstofffabriken und Energieerzeugungsanlagen, die Holz als Rohstoff verwenden) und der Entfernung zu Häfen, die Forstprodukte handeln. Im Laufe unseres Zeitraums kam es in den Waldgebieten der südöstlichen US-Küste zu einem stetigen Anstieg des Gesamt-C-Gehalts sowie der lebenden und abgestorbenen Bäume (Abb. 4). C innerhalb der Böden zeigte erwartungsgemäß die geringste Variabilität im Zeitverlauf. Tests paralleler Trends [Ergänzende Informationen, Abbildung S1], bevor sich ein NFI-Grundstück im Beschaffungsradius einer Holzpelletfabrik befand, unter Verwendung eines Ereignisstudiendesigns zeigten keine systematischen Unterschiede.

Lage nationaler Waldinventarflächen in Waldgebieten an der südöstlichen Küste der USA. Einschließlich neu beprobter Parzellen zwischen 2000 und 2019 sowie der in Betrieb befindlichen Holzpelletfabriken ab den Jahren (A) 2000 und (B) 2019, nach Abgleich der Neigungsbewertung (Messwert 0,005, ohne Ersatz). Mit QGIS Desktop 3.18.2 erstellte Karten, online verfügbar unter https://download.qgis.org/downloads/.

Jährliche Durchschnittsschätzungen ausgewählter Komponentenpools und Gesamtkohlenstoffvorräte über die Inventarjahre (2000–2019). Nach (A) Gesamtstichprobe und nach Behandlungskategorie nach Propensity-Score-Matching (Kaliber = 0,005, ohne Ersatz) innerhalb (B) kommerzieller und (C) erweiterter Beschaffungsradien.

Aus einer Stichprobe von 14.342 NFI-Parzellen ergaben sich statistische Belege dafür, dass die Holzpelletindustrie an der südöstlichen Küste der USA gleichzeitig die C-Werte in lebenden Bäumen (F-Test: p = 0,009) und die gesamten C-Bestände der Wälder (F-Test: p =) beeinflusste 0,035) innerhalb kommerzieller Beschaffungsradien (Abb. 5A). Wir fanden keine statistisch erkennbaren gleichzeitigen Nettoeffekte in toten Bäumen (F-Test: p = 0,172) und auch nicht in Böden (F-Test: p = 0,214). Die anhand einer Stichprobe von 19.438 NFI-Parzellen ermittelten Nettoeffekte der Industrie (Abb. 5B) lassen keine statistische Signifikanz für C in lebenden Bäumen (F-Test: p = 0,242) und Böden (F-Test: p = 0,387) erkennen. , noch Gesamt-C-Bestände (F-Test: p = 0,196), aber eine Auswirkung auf die C-Pools abgestorbener Bäume (F-Test: p = 0,044).

Geschätzte durchschnittliche gleichzeitige und verzögerte Auswirkungen der Holzpelletindustrie auf ausgewählte Pools und Gesamt-C-Bestände in Waldgebieten an der südöstlichen Küste der USA. Ergebnisse von (A) kommerziellen [NFI-Plots = 14.342; Beobachtungen = 39.882] und (B) erweitert [NFI-Plots = 19.438; Beobachtungen = 52.895] Beschaffungsradien. Durchschnittliche Effekte, abgeleitet nach Propensity-Score-Matching (Messwert = 0,005, ohne Ersatz) und Fixed-Effects-Panel-Regression. Balken kennzeichnen robuste Standardfehler im Inventarplot. Typ-I-Fehler (* < 0,10; ** < 0,05; *** < 0,01) von gleichzeitigen, verzögerten und Nettoeffekten auf die jeweiligen Kohlenstoffbestände.

Innerhalb der kommerziellen Beschaffungsradien zeigten die gesamten C-Bestände mit durchschnittlich 1,871 Mg/ha (p = 0,023) und 3,116 Mg/ha (p = 0,052) höhere gleichzeitige und 5-Jahres-verzögerte Effekte. Es gab durchschnittlich höhere gleichzeitige und 5-Jahres-verzögerte Effekte von 0,844 Mg/ha (p < 0,060) bzw. 1,866 Mg/ha (p = 0,003) auf C in Pools mit lebenden Bäumen; und 10 Jahre verzögerte Effekte (0,302 Mg/ha, p = 0,070) auf C in abgestorbenen Bäumen. C in Böden zeigte gleichzeitig niedrigere Werte (− 0,180 Mg/ha; p = 0,061). Durchschnittliche Brancheneffekte, die über erweiterte Beschaffungsradien ermittelt wurden, deuten darauf hin, dass es keine statistisch signifikanten gleichzeitigen oder verzögerten Auswirkungen auf lebende Bäume, Boden-C-Pools oder Gesamtbestände gibt. Es gab jedoch gleichzeitig einen umgekehrten Effekt (− 0,105 Mg/ha; p = 0,044) auf den C-Komponentenpool abgestorbener Bäume.

Die durchschnittlichen Brancheneffekte im Verhältnis zu den Gesamt- und Komponenten-C-Pools waren bescheiden (Tabelle 4). Ihre absoluten Auswirkungen nahmen über erweiterte Beschaffungsradien für Gesamt-C-Bestände und lebende Baum-C-Pools ab, mit Ausnahme der 10-Jahres-verzögerten Effekte (obwohl diese statistisch nicht signifikant waren). Die relativen durchschnittlichen Auswirkungen auf abgestorbene Bäume waren unter den einzelnen C-Komponenten-Pools am größten: Ihr größter statistisch signifikanter Effekt (p < 0,10) zeigt einen 10-Jahres-verzögerten Anstieg um 22,811 % innerhalb der kommerziellen Beschaffungsradien und einen gleichzeitigen Rückgang um 7,530 % bei erweiterten Radien . Boden-C-Pools zeigten die geringsten relativen Auswirkungen. Statistisch signifikante (p < 0,10) mittlere relative Auswirkungen auf die Gesamtbestände führten zu 1,135 % gleichzeitigem und 1,890 % 5-Jahres-verzögertem C innerhalb der kommerziellen Beschaffungsentfernungen.

Parameter, die nach verschiedenen Matching-Algorithmen und aus einer reduzierten Stichprobe geschätzt wurden (Ergänzende Informationen, Abbildungen S2–S4), zeigten eine allgemeine Konsistenz der gleichzeitigen Nettoneutralität in den gesamten C-Beständen; Die größten Auswirkungen wurden in Pools lebender Baumbestandteile innerhalb kommerzieller Radien festgestellt. Bemerkenswerterweise gab es über größere Radien hinweg einige offensichtliche Hinweise auf Spillover-Effekte in einzelnen C-Pools, jedoch keine Hinweise auf eine Veränderung der gesamten C-Bestände. Tests heterogener Größeneffekte (Ergänzende Informationen, Tabellen S4–S5) legen nahe, dass es auch keinen Nettoeffekt auf die gesamten C-Bestände gab. Wir haben jedoch einen Nettoeffekt auf Pools abgestorbener Bäume (F-Test: p = 0,071) innerhalb der kommerziellen Beschaffungsradien von Holzpelletfabriken mit einer Jahreskapazität von mindestens 100.000 Mg festgestellt. Obwohl nicht insgesamt signifikant, fanden wir in lebenden C-Pools niedrigere 10-Jahres-verzögerte Werte (− 8,100 Mg/ha, p = 0,05). Als wir heterogene Größeneffekte über längere Radien testeten, stellten wir einen Nettoanstieg des Boden-C fest (F-Test: p = 0,038). Heterogene Effekte aufgrund der Überlappung kommerzieller Beschaffungsradien (d. h. ein Grundstück, das sich mit dem Beschaffungsradius von mehr als einer Holzpelletfabrik überschneidet) lassen auf ähnliche Trends schließen (Ergänzende Informationen, Tabellen S6–S7). Größere Überschneidungen bei den kommerziellen Beschaffungsradien waren mit einem signifikanten mittleren Anstieg von C in lebenden Bäumen (F-Test, p < 0,001), Böden (F-Test: p < 0,001) und Gesamtbeständen (F-Test, p < 001) verbunden. . Es ist erwähnenswert, dass wir auch einige negative Auswirkungen festgestellt haben (z. B. weniger C in lebenden Bäumen – 7,225 Mg/ha, p = 0,05 mit 5-jähriger verzögerter Wirkung einer 5. Radienüberlappung). Überschneidungen der erweiterten Beschaffungsradien der Mühlen waren mit einem geringeren C bei abgestorbenen Bäumen verbunden (F-Test: p = 0,020).

Die Auswirkungen der Industrie auf den gleichzeitigen C-Gehalt in lebenden Bäumen lassen sich wahrscheinlich durch eine holzorientierte Bewirtschaftung erklären. Dies ist der einzige C-Pool, der finanziell aktiv bewertet wird und einen erwarteten Strom von Nettoeinnahmen erzeugt, der die Grundstücksmieten in industriellen Beschaffungsgebieten erhöht58. Höhere Landpachtzinsen motivieren zur Umsetzung forstwirtschaftlicher Praktiken zum Holzanbau und führen so zu einem höheren C-Ertrag in lebenden Bäumen14. Unsere Ergebnisse bestätigen Marktprognosen darüber, wie eine neue Bioenergienachfrage mit einem anhaltenden Nettobiomassewachstum in kommerziell erworbenen Flächen koexistieren kann12,13,57. Unterschiede in den Beobachtungseinheiten und statistischen Modellen verhindern direkte Vergleiche, aber unsere Durchschnittsschätzungen liegen innerhalb des durchschnittlichen Anstiegs von 2 Mg/ha, der zuvor für die Beschaffungslandschaften großer Holzpelletfabriken festgestellt wurde, die seit mindestens 10 Jahren im Osten der USA betrieben werden der Zeitraum 2005–201716. Bemerkenswerterweise fanden wir keine statistisch signifikanten Auswirkungen auf C-Pools lebender Bäume über erweiterte Beschaffungsradien hinweg (obwohl andere Matching-Techniken geringfügig signifikante Auswirkungen zeigten). Dies könnte durch die lokale Beschaffung von Holzbiomasse in „Holzkörben“ erklärt werden, da der Transport einen großen Teil der Beschaffungskosten ausmacht59.

Ein Grundprinzip der Landpacht lässt sich möglicherweise nicht auf C-Komponenten-Pools ausweiten, die keine finanziellen Erträge erzielen, aber die Auswirkungen könnten dennoch mit holzorientierten Bewirtschaftungspraktiken verknüpft sein. Im Fall abgestorbener Bäume steht dies im Einklang mit früheren Studien16,17, die keine statistisch erkennbaren Veränderungen in diesem C-Pool in den industriellen Beschaffungslandschaften berichten. Eine plausible Erklärung für die um 10 Jahre verzögerten Auswirkungen auf C im Komponentenpool abgestorbener Bäume innerhalb kommerzieller Beschaffungsradien könnte die Einführung von Praktiken sein, die bei der Ernte eine Mindestanzahl abgestorbener Bäume, Baumkronen und anderer Holzreste zurückhalten. Jeder Staat in unserer Stichprobe hat solche Empfehlungen übernommen, um Bedenken hinsichtlich der ökologischen Auswirkungen im Zusammenhang mit der zusätzlichen Entnahme von Holzbiomasse, die über die vorherrschende Ernte hinausgeht, und natürlichen Störungen auszuräumen60. Allerdings deuten die damit verbundenen Brancheneffekte über größere Beschaffungsentfernungen auf einen gleichzeitigen Rückgang von C im gleichen Bestand an abgestorbenen Baumbestandteilen hin. Dies könnte ein Hinweis auf einen ausgedehnten industriellen Beschaffungsfußabdruck sein, der Berichten zufolge mit weniger abgestorbenen Bäumen einhergeht16,17, was zu einem Rückgang dieses C-Pools führt, wenn er über eine größere Fläche verteilt wird.

Im Fall von C in Böden gibt es immer mehr Hinweise darauf, dass die Holzernte diese Vorräte verringern könnte61,62,63, obwohl Nacherntemaßnahmen wie Wiederaufforstung zur Wiederherstellung beitragen können64. Dies könnte die gleichzeitigen statistisch signifikant niedrigeren Boden-C-Werte innerhalb kommerzieller Beschaffungsradien und die um 5 Jahre verzögerten höheren Werte erklären, die in erweiterten Radien festgestellt wurden. Anthropogene Störungen können zu Veränderungen der Bodentemperatur und -feuchtigkeit führen und wiederum die Zugänglichkeit und Aktivität von Mikroben beeinflussen, indem sie die C-Einträge aus Streumaterial und Wurzeln verringern64. Unterschiede im C-Gehalt des Bodens können auch auf zeitinvariante natürliche Faktoren wie Waldtyp und Ausgangsmaterial zurückgeführt werden64,65, die wir in unserer Schätzung berücksichtigt haben. Eine andere Analyse, die einen anderen Satz von C-Schätzungen als unsere verwendete, ergab ebenfalls einen umgekehrten Trend für den C-Komponenten-Pool im Boden in ähnlich definierten kommerziellen Beschaffungsbereichen16. Im Rahmen dieser Interpretationen ist es wichtig zu betonen, dass alle C-Schätzungen im Boden inhärente methodische Unsicherheiten aufweisen, die die Zuordnung von Mechanismen der C-Änderung in Frage stellen können20,64,66.

Zwei der Hauptmerkmale unseres methodischen Ansatzes waren die statistische Pseudo-Randomisierung von NFI-Plots innerhalb industrieller Beschaffungsradien und die Kontrolle wichtiger Kovariaten (anthropogene, andere biotische und abiotische Faktoren). Andere haben verschiedene Ansätze zur Kontrolle des nicht zufälligen Standorts einer Holzpelletmühle ausprobiert, einschließlich der Auswahl einer kontrafaktischen Region16,35. Wir haben diesen Schritt bei der Durchführung eines PSM vor DiD-Analysen formalisiert. Es ist auch unerlässlich, nichtindustrielle Faktoren zu kontrollieren, die sich auf die C-Bestände der Wälder auswirken können, um industriebedingte Auswirkungen korrekt herauszuarbeiten. Hier verweisen wir auf die statistischen Zusammenhänge, die wir zwischen Bränden und extremen Wetterschäden gefunden haben (Ergänzende Informationen, Abbildung S5), die sich beide wahrscheinlich mit einem sich ändernden Klima verstärken werden67. Beispielsweise waren Anzeichen von Brandschäden und extremem Wetter außer Feuer mit einem durchschnittlichen Rückgang des C in lebenden Bäumen von − 1,675 Mg/ha (p = 0,033) bzw. − 7,473 Mg/ha (p < 0,001) verbunden. Wir fanden auch einen direkten Zusammenhang zwischen Insekten- oder Krankheitsstörungen und C in lebenden (3,050 Mg/ha; p = 0,005) und toten (2,335 Mg/ha; p < 0,001) Bäumen. Diese Ergebnisse könnten jeweils ein Hinweis darauf sein, dass eine solche Störung bei größerer Menge lebender Biomasse wahrscheinlicher erkannt wird und mit einem Anstieg der Baumsterblichkeit verbunden ist. Es ist wichtig zu beachten, dass die mit diesen abiotischen und biotischen Faktoren verbundenen Schätzungen die in unserer Forschung festgestellten industriellen Auswirkungen übertreffen.

Unser methodischer Ansatz unter Verwendung von NFI-Daten kann angewendet werden, um die lokale C-Neutralität des Bodens jeder Industrie zu bewerten, die von Holzbiomasse abhängig ist. Wir betonen jedoch, dass die letztendliche Neutralität eines gesamten Bioenergiesystems – nicht nur des Landsektors – neben der Holzbeschaffung von vielen Faktoren abhängt. Frühere Studien haben berichtet, dass holzbasierte Energiesysteme vielfältige Auswirkungen auf die Netto-C-Emissionen haben könnten68,69,70. Beispielsweise zeigen Lebenszyklusanalysen der C-Emissionen vom Land bis zur Stromumwandlung, dass die Stromerzeugung aus Holzbiomasse im Vergleich zur Kohlenutzung zu einer Reduzierung der Netto-C-Emissionen um bis zu 83 % bzw. zu einer Nettosteigerung von bis zu 73 % führen könnte. Bei der Modellierung energieintensiver Biomasse-Lieferketten (z. B. Trocknung von Biomasse in Öfen mit fossilen Brennstoffen) wurde ein Nettoanstieg der Emissionen festgestellt68. Andere haben nach Berücksichtigung des transatlantischen Transports von Holzpellets, die an der südöstlichen Küste der USA hergestellt und in der EU-28 verbrannt werden, immer noch vorgeschlagen, dass die Netto-C-Emissionen im Vergleich zu Systemen, die auf fossilen Brennstoffen basieren, geringer sind. Dies liegt daran, dass der durch die Pelletindustrie geschaffene Marktwert das Wachstum der C-Bestände aufrechterhalten kann, indem eine Landnutzungsänderung weg von den Wäldern verhindert wird12,59.

Im Großen und Ganzen fanden wir keine Hinweise auf einen Nettorückgang der gesamten C-Bestände in lokalen Wäldern, der gleichzeitig durch die Holzpelletindustrie an der südöstlichen Küste der USA verursacht wurde. Dieses Ergebnis legt nahe, dass die Holzpelletierung in diesem speziellen Kontext zur Entkopplung der Bioenergieziele beitragen kann und dass dem Landsektor für die Treibhausgasbilanzierung auf nationaler Ebene keine zusätzlichen C-Emissionen zugeschrieben werden sollten8. Unsere Ergebnisse deuten auch auf erkennbare Kompromisse hin, insbesondere auf Nettozuwächse bei C in lebenden Bäumen, aber niedrigere C in Böden in kommerziellen Beschaffungsgebieten, wahrscheinlich aufgrund einer intensiveren Holzbewirtschaftung. Während unsere Einschätzung der Netzneutralität Bestand hat, scheint eine weitere Bewertung der gesamten C-Bestände und einzelner Pools aus mindestens zwei Gründen erforderlich zu sein. Erstens mögen unsere Ergebnisse statistisch belastbar sein, aber der in unserer Studie abgedeckte Zeitraum von 20 Jahren ist relativ kurz, um Nachhaltigkeitstrends in der Forstwirtschaft zu messen. Zweitens sind Holzpellets bis heute ein relativ kleiner Bestandteil der Palette an Holzprodukten, die im Südosten der US-Küste hergestellt werden (Ergänzungsmaterialien, Abbildung S6), aber es handelt sich um einen der am schnellsten wachsenden Sektoren der Holzproduktindustrie. Zukünftige Änderungen des Erntedrucks, die durch einen erwarteten Anstieg der Nachfrage nach Holzprodukten verursacht werden, könnten in Kombination mit anderen Faktoren die C-Dynamik und die Nettobestände plausibel verändern.

Im Hinblick auf künftigen Forschungsbedarf könnten empirische Bewertungen ausgeweitet werden, um Auswirkungen über C hinaus und auf andere Kontexte zu untersuchen. Beispielsweise wird es wichtig sein, etwaige kausale Auswirkungen auf die komplexe soziodemografische Landschaft, in der die Holzpelletindustrie an der Küste der USA im Südosten entstanden ist, besser zu verstehen71. Bewertungen darüber, wie sich eine wachsende Holzpelletindustrie auf die lokale Artenvielfalt oder andere Landbewirtschaftungsziele auswirken könnte, sind sinnvoll. In komplexen Waldlandschaften können Veränderungen in der Artenzusammensetzung im gesamten Waldland die Bemühungen zur Verbesserung der Fähigkeit der Wälder zur Bewältigung eines sich ändernden Klimas unterstützen oder beeinträchtigen72. Es wäre auch wertvoll zu beurteilen, ob die Wald-C-Bestände in anderen geopolitischen Kontexten von der Holzpelletindustrie beeinflusst werden. Beispielsweise hat sich die Produktion der Holzpelletisierung in Vietnam innerhalb von fünf Jahren vervierfacht und ist zum drittgrößten Exporteur der Welt geworden. Die Exporte von Holzpellets überstiegen im Jahr 2019 3 Millionen Mg6. Systematische Bewertungen der Wald-C-Neutralität in der EU27, wo sich derzeit die weltweit größte Holzpelletisierungskapazität befindet, scheinen gerechtfertigt, um Bedenken hinsichtlich potenziell falscher Zusammenhänge mit holzabhängigen Bioenergieindustrien auszuräumen73.

Wir haben die Auswirkungen der Holzpelletindustrie auf die lokalen Wald-C-Bestände in Waldgebieten an der südöstlichen Küste der USA bewertet und dabei zwischen Komponentenpools in lebenden und toten Bäumen, Böden und Gesamtbeständen unterschieden. Unsere Schätzungen liefern belastbare Beweise dafür, dass die Holzpelletindustrie die Gesamtbedingung der CO2-Neutralität der Wälder erfüllt hat. Daher hätte diese Branche zu den Entkopplungszielen beitragen können und dem Landsektor hätten in der Treibhausgasbilanzierung im Zeitraum 2000–2019 keine zusätzlichen C-Emissionen zugeschrieben werden dürfen.

Unsere Ergebnisse deuten auch auf erkennbare Kompromisse hin (z. B. Zuwächse bei C in lebenden Bäumen, niedrigere C in Böden in kommerziellen Beschaffungsgebieten), wobei die Holzbewirtschaftung der plausibelste Mechanismus hinter solchen Veränderungen ist und mögliche Spillover-Effekte, insbesondere bei Nicht- finanziell gehandelte C-Pools (z. B. niedrigeres C in abgestorbenen Bäumen). Beim Testen heterogener Effekte gab es auch Hinweise auf gemischte Effekte auf die C-Pools, wenn zwischen der Größe der Holzpelletmühle und dem zunehmenden Beschaffungsdruck unterschieden wurde. Dennoch deuten unsere empirischen Belege auf C-Neutralität im Südosten der US-Küste hin. Das relativ junge Aufkommen der Holzpelletindustrie schränkt unsere Fähigkeit ein, auf langfristige Nachhaltigkeitstrends hinzuweisen und zu betonen, dass die Ergebnisse auf die Beschaffung von Holz zur Pelletierung in unserem speziellen Studienkontext anwendbar sind.

Der Quellcode für unsere statistischen Analysen ist unter https://dataverse.harvard.edu/dataverse/woodpelletindustry verfügbar. Das Online-Repository enthält Beispieldatensätze und Codedaten zur Rekonstruktion von Datensätzen.

Generaldirektion Forschung und Innovation der Europäischen Kommission. Eine nachhaltige Bioökonomie für Europa: Stärkung der Verbindung zwischen Wirtschaft, Gesellschaft und Umwelt: Aktualisierte Bioökonomie-Strategie (Generaldirektion Forschung und Innovation, 2018).

Google Scholar

Teitelbaum, L., Boldt, C. & Patermann, C. Global Bioeconomy Policy Report (IV): A Decade of Bioeconomy Policy (International Advisory Council on Global Bioeconomy, 2020).

Google Scholar

Europäisches Parlament; Europäischer Rat. Richtlinie (EU) 2018/2001 des Europäischen Parlaments und des Rates vom 11. Dezember 2018 zur Förderung der Nutzung von Energie aus erneuerbaren Quellen (2018). (Online). http://data.europa.eu/eli/dir/2018/2001/oj.

Europäisches Parlament; Europäischer Rat. Richtlinie 2009/28/EG zur Förderung der Nutzung von Energie aus erneuerbaren Quellen (2009). (Online). http://data.europa.eu/eli/dir/2009/28/oj.

Glasenapp, S. & McCusker, A. Holzenergiedaten: das gemeinsame Holz, in Wood Energy in the ECE Region: Data, Trends and Outlook in Europe, the Commonwealth of Independent States and North America, Genf, Wirtschaftskommission der Vereinten Nationen für Europa: ECE/TIM/SP/42, 12–29 (2018).

Eurostat. Holzprodukte – Produktion und Handel (2021). (Online). https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Wood_products_-_produktion_and_trade#Wood-based_industries. Zugriff am 10. 9. 2021.

Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen. FAOSTAT: Forstwirtschaftliche Produktion und Handel (2021). (Online). http://www.fao.org/faostat/en/#data. Zugriff am 13. September 2021.

Der Zwischenstaatliche Ausschuss für Klimaänderungen. Verfeinerung der IPCC-Richtlinien für nationale Treibhausgasinventare von 2006 (PCC Task Force on National Greenhouse Gas Inventorys, 2019).

Google Scholar

Europäisches Parlament; Europäischer Rat. Delegierte Verordnung (EU) 2019/807 der Kommission vom 13. März 2019 zur Ergänzung der Richtlinie (EU) 2018/2001 des Europäischen Parlaments und des Rates im Hinblick auf die Bestimmung eines hohen Risikos indirekter Landnutzungsänderungen (2018) (Online). fttps://eur-lex.europa.eu/eli/reg_del/2019/807/oj.

de Oliveira Garcia, W., Amann, T. & Hartmann, J. Die steigende Biomassenachfrage vergrößert die Flächen mit negativem Waldnährstoffhaushalt in Holzexportregionen. Wissenschaft. Rep. 8, 5280 (2018).

Artikel ADS PubMed PubMed Central Google Scholar

Searchinger, T. et al. Europas Richtlinie zu erneuerbaren Energien könnte den Wäldern weltweit schaden. Nat. Komm. 9, 3741 (2018).

Artikel ADS PubMed PubMed Central Google Scholar

Galik, CS & Abt, RC Nachhaltigkeitsrichtlinien und Reaktion des Waldmarktes: Eine Bewertung der Pelletnachfrage der Europäischen Union im Südosten der USA. GCB Bioenergy 8, 658–669 (2016).

Artikel Google Scholar

Favero, AD & Sohngen, B. Wälder: Kohlenstoffbindung, Biomasseenergie oder beides?. Wissenschaft. Adv. 6(13), eaay6792 (2020).

Artikel ADS PubMed PubMed Central Google Scholar

Cowie, A. et al. Anwendung einer wissenschaftsbasierten Systemperspektive, um Missverständnisse über die Klimaeffekte der Waldbioenergie auszuräumen. GCB-Bioenergy 13, 1210–1231 (2021).

Artikel Google Scholar

Camia, A, Jonsson, GJR, Robert, N., Cazzaniga, N., Jasinevičius, G., Avitabile, V., Grassi, G., Barredo, J. und Mubareka, S. Die Nutzung von Holzbiomasse zur Energiegewinnung Produktion in der EU (Europäische Kommission, Gemeinsame Forschungsstelle, 2021).

Aguilar, FX, Mirzaee, A., McGarvey, R., Shifley, S. & Burtraw, D. Die Expansion der US-amerikanischen Holzpelletindustrie weist auf positive Trends hin, erfordert jedoch eine kontinuierliche Überwachung. Wissenschaft. Rep. 10, 18607 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Dale, V., Parish, E., Kline, K. & Tobin, E. Wie wirkt sich die Produktion von Holzpellets auf die Waldbedingungen im Südosten der USA aus? Für Ecol Manag 396, 143–14 (2017).

Artikel Google Scholar

Ceccherini, G. et al. Abrupter Anstieg der abgeholzten Waldfläche in Europa nach 2015. Nature 583, 72–77 (2020).

Artikel ADS CAS PubMed Google Scholar

FORISK-Beratung. US Wood Bioenergy Database (2020). (Online). https://forisk.com/. Zugriff 2020.

Domke, G. et al. Auf dem Weg zu inventurbasierten Schätzungen des organischen Bodenkohlenstoffs in Wäldern der Vereinigten Staaten. Ökologisch. Appl. 27(4), 1223–1235 (2017).

Artikel CAS PubMed Google Scholar

Python-Organisation. Programmiersprache Python (2022) (Online). https://www.python.org/. Zugriff am 1. Januar 2018.

STATA. Stata: Statistiksoftware für Datenwissenschaft (2022) (Online). https://www.stata.com/. Zugriff am 1. Januar 2018.

QGIS. Kostenloses und Open-Source-Geografisches Informationssystem (2021). (Online). https://qgis.org/en/site/.

US-Landwirtschaftsministerium, Forstdienst. Nationales Programm zur Waldinventur und -analyse (2020). (Online). https://www.fia.fs.fed.us/.

Burrill, EA, Wilson, AM, Turner, JA, Pugh, SA, Menlove, J., Christiansen, G., Conkling, B. & David, W. The Forest Inventory and Analysis Database: Datenbankbeschreibung und Benutzerhandbuch Version 8.0 für Phase 2 (US-Landwirtschaftsministerium, US Forest Service, 2018).

Ahmed, M. et al. Räumlich explizite Modellierung mehrskaliger Treiber der oberirdischen Waldbiomasse und des Wasserertrags in Wassereinzugsgebieten im Südosten der USA. J. Umgebung. Geschäftsführer 199, 158–171 (2017).

Artikel Google Scholar

Timilsina, N. et al. Ein Rahmen zur Identifizierung von Kohlenstoff-Hotspots und Treibern der Waldbewirtschaftung. J. Umgebung. Geschäftsführer 114, 293–302 (2012).

Artikel Google Scholar

Coulston, J., Ritters, K., McRoberts, R., Reams, G. & Smith, W. Wahre versus gestörte Waldinventarstandorte für die Modellierung: Eine Simulationsstudie. Dürfen. J. Für. Res. 36, 801–807 (2006).

Artikel Google Scholar

Anselin, L. Räumliche Effekte in der ökonometrischen Praxis der Umwelt- und Ressourcenökonomie. Bin. J. Agrar. Wirtschaft. 83(3), 705–710 (2001).

Artikel MathSciNet Google Scholar

Strange-Olesen, A., Bager, S., Kittler, B., Price, W. & Aguilar, F. Umweltauswirkungen einer zunehmenden Abhängigkeit der EU von Biomasse aus dem Südosten der USA (Bericht der Europäischen Kommission ENV.B. 1/ETU/2014/0043, 2015).

Spelter, H. & Toth, D. Nordamerikas Holzpelletsektor (US Department of Agriculture, Forest Service, Forest Products Laboratory, 2009).

Goerndt, M., Aguilar, F. & Skog, K. Treiber der Biomasse-Mitverbrennung in US-amerikanischen Kohlekraftwerken. Biomasse Bioenergie. 58, 158–167 (2013).

Artikel Google Scholar

US-Landwirtschaftsministerium, Forstdienst. Nationales Programm zur Waldinventur und -analyse: Studien zur Holzproduktproduktion (2022). (Online). https://www.fia.fs.fed.us/program-features/tpo/. Abgerufen 2022.

Sonder, L. et al. Der Bergbau führt zu einer umfassenden Abholzung der Wälder im brasilianischen Amazonasgebiet. Nat. Komm. 8(1013), 66. https://doi.org/10.1038/s41467-017-00557-w (2017).

Artikel CAS Google Scholar

Mirzaee, A., McGarvey, R., Aguilar, F. & Schliep, E. Auswirkungen der Biostromerzeugung auf die Wälder im Osten der USA. Umgebung. Entwickler Aufrechterhalten. https://doi.org/10.1007/s10668-022-02235-4 (2022).

Artikel Google Scholar

Brandeis, C., Taylor, M., Abt, K. & Alderman, D. Status und Trends für den US-amerikanischen Forstproduktsektor: Ein technisches Dokument zur Unterstützung der RPA-Bewertung des Forest Service 2020 (US-Landwirtschaftsministerium, Forest Service Southern Research). Station, Waldinventur und -analyse, 2021).

US-Umweltschutzbehörde. Integrierte Datenbank für Emissionen und Erzeugungsressourcen (eGRID) (2021) (Online). https://www.epa.gov/egrid.

US-Verkehrsministerium. Häfen: ArcGIS Online (2021) (Online). https://data-usdot.opendata.arcgis.com/datasets/usdot::ports/about.

US-Volkszählungsamt. TIGER/Linien-Shapefiles (2021) (Online). https://www.census.gov/geographies/mapping-files/time-series/geo/tiger-line-file.html.

US-Volkszählungsamt. Datensätze zur Bevölkerungs- und Wohneinheitenschätzung (2021) (Online). https://www.census.gov/programs-surveys/popest/data/data-sets.html.

McCann, P. Die Ökonomie des Industriestandorts: Ein Logistikkostenansatz (Springer, 1998).

Singh, D., Cubbage, F., Gonzalez, R. & Abt, R. Standortdeterminanten für Holzpelletanlagen: Ein Überblick und eine Fallstudie aus Nord- und Südamerika. BioResources 11(3), 7928–7952 (2016).

Artikel Google Scholar

Boukherroub, T., LeBel, L. & Lemieux, S. Eine integrierte Entwicklung der Holzpellet-Lieferkette: Auswahl zwischen Rohstoffquellen und einer Reihe von Betriebsmaßstäben. Appl. Energie 198, 385–400 (2017).

Artikel Google Scholar

Heckman, J., Ichimura, H. & Todd, P. Matching als ökonometrischer Bewertungsschätzer: Erkenntnisse aus der Bewertung eines JobTraining-Programms. Rev. Econ. Zucht. 64(4), 605–654 (1997).

Artikel MATH Google Scholar

Caliendo, M. & Kopeinig, S. Einige praktische Anleitungen für die Implementierung des Propensity-Score-Matchings. J. Econ. Überleben. 22(1), 31–72 (2008).

Artikel Google Scholar

Woo, H., Eskelson, B. & Monleon, V. Passende Methoden zur Quantifizierung der Auswirkungen von Waldbränden auf die Kohlenstoffmasse der Wälder im pazifischen Nordwesten der USA. Ökologisch. Appl. 31(3), e02283 (2021).

Artikel PubMed Google Scholar

Morreale, L., Thompson, J., Tang, X., Reinmann, A. & Hutyra, L. Erhöhtes Wachstum und Biomasse entlang der Waldränder gemäßigter Zonen. Nat. Komm. 12(7181), 66 (2021).

Google Scholar

Isard, W. Die allgemeine Theorie der Standort- und Raumökonomie. QJ Econ. 63(4), 476–506 (1949).

Artikel Google Scholar

Aguilar, FX Räumliche ökonometrische Analyse von Standortfaktoren in einer auf erneuerbaren Ressourcen basierenden Industrie: der US-amerikanischen South Lumber Industry. Für. Politikökonomik. 11(3), 184–193 (2009).

Artikel Google Scholar

Aguilar, FX Conjoint-Analyse der Branchenstandortpräferenzen: Belege aus der Nadelholzindustrie in den USA. Appl. Wirtschaft. 66, 3265–3274 (2010).

Google Scholar

Aguilar, FX, Goerndt, M., Song, N. & Shifley, S. Interne, externe und Standortfaktoren, die die gemeinsame Verbrennung von Biomasse mit Kohle in der nördlichen Region der USA beeinflussen. Energiewirtschaft. 34, 1790–1798 (2012).

Artikel Google Scholar

Ferraro, PJ et al. Abschätzung der Auswirkungen des Naturschutzes auf Ökosystemleistungen und Armut durch Integration von Modellierung und Bewertung. Proz. Natl. Acad. Wissenschaft. 112(24), 7420–7425 (2015).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Zhang, D. & Pearse, P. Forest Economics 412 (UBC Press, 2011).

Google Scholar

Villalobos, L., Coria, J. & Nordén, L. Hat die Waldzertifizierung die Waldschädigung in Schweden verringert? Landwirtschaft. 94, 220–238 (2018).

Artikel Google Scholar

Wooldridge, J. Ökonometrische Analyse von Querschnitts- und Paneldaten (MIT Press, 2010).

Blackman, A., Corral, L., Lima, E. & Asner, G. Die Betitelung indigener Gemeinschaften schützt die Wälder im peruanischen Amazonasgebiet. PNAS 114(16), 4123–4128 (2016).

Artikel ADS Google Scholar

Abt, KL, Abt, RC, Galik, CS und Skog, KE Auswirkungen von Richtlinien auf die Pelletproduktion und Wälder im Süden der USA: Ein technisches Dokument zur Unterstützung der Forstdienst-Aktualisierung der RPA-Bewertung 2010 USDA (Forest Service GTR Srs-202). , 2014).

Hardie, P. Parks, P. Gottleib und D. Wear, „Reaktionsfähigkeit ländlicher und städtischer Landnutzungen auf Landmietdeterminanten im Süden der USA“, Land Economics, vol. 76, Nr. 4, S. 659–673, 2000.

Parish, E., Herzberger, A., Phifer, C. & Dale, V. Der transatlantische Handel mit Holzpellets zeigt telegekoppelte Vorteile. Ökologisch. Soc. 23(1), 28 (2018).

Artikel Google Scholar

Titus, B. et al. Nachhaltige Waldbiomasse: Ein Überblick über die aktuellen Richtlinien zur Rückstandsernte. Energieerhaltung. Soc. 11, 66. https://doi.org/10.1186/s13705-021-00281-w (2021).

Artikel Google Scholar

Jandl, R. et al. Wie stark kann die Waldbewirtschaftung die Kohlenstoffspeicherung im Boden beeinflussen? Geoderma 137(3), 253–268 (2007).

Artikel ADS CAS Google Scholar

Nave, L., Vance, E., Swanston, C. & Cepas, PS Ernte beeinflusst die Kohlenstoffspeicherung im Boden in gemäßigten Wäldern. Für. Ökologisch. Geschäftsführer 259, 857–866 (2010).

Artikel Google Scholar

Mayer, M. et al. Tamm-Rezension: Einfluss von Waldbewirtschaftungsaktivitäten auf die organischen Kohlenstoffvorräte im Boden: Eine Wissenssynthese. Für. Ökologisch. Geschäftsführer 466, 118127 (2020).

Artikel Google Scholar

Berryman, E., Hatten, J., Page-Dumroese, DS, Heckman, KA, D'Amore, DV, Puttere, J. & Domke, GM Bodenkohlenstoff in Wald- und Weidelandböden der Vereinigten Staaten unter sich ändernden Bedingungen 9 –31 (Springer, 2020).

Nave, LE et al. Auswirkungen von Landnutzung und Bewirtschaftung auf den Bodenkohlenstoff in den US-Seenstaaten, mit Schwerpunkt auf Forstwirtschaft, Feuer und Wiederaufforstung. Ökologisch. Appl. 66, 2356 (2021).

Google Scholar

Cao, B., Domke, GM, Russell, MB & Walters, B. Räumliche Modellierung von Abfall und Bodenkohlenstoffvorräten auf Waldflächen in den angrenzenden Vereinigten Staaten. Wissenschaft. Gesamtumgebung. 654, 94–106 (2019).

Artikel ADS CAS PubMed Google Scholar

Coulston, J. & Wear, D. Von der Senke zur Quelle: Regionale Unterschiede bei den Kohlenstoff-Futures für US-Wälder. Wissenschaft. Rep. 5, 66. https://doi.org/10.1038/srep16518 (2015).

Artikel Google Scholar

Röder, M., Whittaker, C. & Thornley, P. Wie sicher sind Treibhausgasreduzierungen durch Bioenergie? Lebenszyklusanalyse und Unsicherheitsanalyse von Holzpellet-zu-Strom-Lieferketten aus Waldresten. Biomasse Bioenergie. 79, 50–63 (2015).

Artikel Google Scholar

Hanssen, S., Duden, A., Junginger, M., Dale, D. & D. vander Hilst,. Holzpellets, was sonst? Treibhausgasparitätszeiten von europäischem Strom aus Holzpellets, der im Südosten der USA unter Verwendung verschiedener Nadelholz-Rohstoffe hergestellt wird. GC-Bioenergy 9(9), 1406–1422 (2017).

Artikel CAS Google Scholar

Picciano, P., Aguilar, F., Burtraw, D. & Mirzaee, A. Umwelt- und sozioökonomische Auswirkungen der Mitverbrennung von Holzbiomasse in Kohlekraftwerken. Ressource. Energiewirtschaft. 6, 66 (2022).

Google Scholar

Hetchner, S., Schelhas, J. & Brosius, J. Wälder als Treibstoff: Energie, Landschaft, Klima und Rasse im Süden der USA (Lexington Books, 2022).

Coulston, J., Wear, D. & Vose, J. Die komplexe Walddynamik weist auf das Potenzial für eine Verlangsamung der Kohlenstoffanreicherung im Südosten der USA hin. Wissenschaft. Rep. 5, 8002 (2015).

Artikel ADS PubMed PubMed Central Google Scholar

Palahí, M. et al. Besorgnis über gemeldete Ernten in europäischen Wäldern. Natur 592, E15–E17 (2021).

Artikel PubMed Google Scholar

Referenzen herunterladen

Diese Forschung wurde teilweise im Rahmen des US-Landwirtschaftsministeriums, US Forest Service Agreement 17-JV-11330143-106, finanziert. Wir danken Karen Abt (ehemals beim USDA Forest Service), Allen Blackman (Interamerikanische Entwicklungsbank), Jeffrey Prestemon (USDA Forest Service), Stephen Shifley (ehemals beim USDA Forest Service) und Margaret Walls (Ressourcen für). the Future) für Kommentare und Kritik zu früheren Versionen dieses Manuskripts. Diese Veröffentlichung soll nicht die Meinung dieser Institutionen oder Personen widerspiegeln. Für etwaige Fehler sind die Autoren verantwortlich.

Open-Access-Finanzierung durch die Schwedische Universität für Agrarwissenschaften.

Abteilung für Forstwirtschaft, Schwedische Universität für Agrarwissenschaften, 90736, Umeå, Schweden

Francisco X. Aguilar

Tulane University, New Orleans, LA, 70118, USA

Houston Sudekum

IESEG School of Management, 59000, Lille, Frankreich

Ronald McGarvey

School of Natural Resources, University of Missouri, Columbia, MO, 65211, USA

Benjamin Knapp

Northern Research Station, United States Forest Service, Landwirtschaftsministerium der Vereinigten Staaten, St. Paul, MN, 55108, USA

Grant Domke

Southern Research Station, United States Forest Service, Landwirtschaftsministerium der Vereinigten Staaten, Knoxville, TN, 37919, USA

Consuelo Brandeis

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

FA, HS und RM konzipierten die Studie. FA, HS, RM, GD entwickelten Methoden. FA, HS, GD, CB haben die Datenanalysen abgeschlossen. HS, FA, CB generierte Abbildungen und Tabellen. FA und HS entwickelten den Originalentwurf des Manuskripts. RM, BK, GD und CB waren an der Bearbeitung der endgültigen Fassung beteiligt. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Francisco X. Aguilar.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Aguilar, FX, Sudekum, H., McGarvey, R. et al. Auswirkungen der südöstlichen Holzpelletindustrie der USA auf die Kohlenstoffvorräte der lokalen Wälder. Sci Rep 12, 19449 (2022). https://doi.org/10.1038/s41598-022-23870-x

Zitat herunterladen

Eingegangen: 23. Mai 2022

Angenommen: 07. November 2022

Veröffentlicht: 14. November 2022

DOI: https://doi.org/10.1038/s41598-022-23870-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.