随着全球人口的持续增长和生活水平的不断提高, 人民对优质蛋白质的需求日益增加, 水产养殖得以迅速发展, 并在全球粮食安全和蛋白质供应中发挥着越来越重要的作用。根据联合国粮农组织(FAO)的数据, 2022年全球渔业和水产养殖业产量再创历史新高, 达到2.232亿吨, 其中水产养殖产量达到创纪录的1.309亿吨, 超过捕捞渔业产量^[1]。然而, 水产养殖业在快速发展的同时, 也面临着诸多严峻的环境挑战。集约化养殖往往伴随着大规模的饲料投喂以及养殖生物排泄物的积累, 这些物质短时间大量排放会改变水质, 可能引发水体污染、有毒藻华产生、富营养化等问题^[2]; 水产养殖过程中, 资源消耗、有机物质分解和饲料生产等环节会产生二氧化碳、甲烷等温室气体^[3], 可能会加剧全球气候变暖。水产养殖模式多样, 包括陆基、海基和陆-海接力等养殖模式, 不同类型养殖模式的环境影响呈现出复杂和隐蔽性。然而, 目前科研界及公众对各类养殖模式的环境影响效应了解仍较为有限, 迫切需要科学的环境管理工具来将水产养殖复杂、隐蔽的环境影响转化为可量化、可对比的指标, 为科研决策和公众认知提供更全面、准确的依据, 进而推动水产养殖业的可持续发展。

生命周期评价(life cycle assessment, LCA)是国际环境管理的标准化方法(ISO14044: 2006), 广泛应用于评估农业、循环产业、建筑和化工等行业的环境影响^[4-7]。LCA指对一个产品系统的生命周期中输入、输出及其潜在环境影响的汇编和评价^[8], 即评价产品、工艺或活动从原材料采集, 到产品生产、运输、销售、使用、回用、维护和最终处置整个生命周期阶段有关的环境负荷的过程。将LCA应用于水产养殖, 可以系统量化水产养殖从饲料生产、苗种培育、养殖过程到产品加工和销售等各个环节的资源消耗和环境排放, 从而全面评估其对环境的影响。

生命周期评价在水产养殖领域的应用研究起步相对较晚, 但近年来发展迅速。2004年, Papatryphon等^[9]发表了第1篇水产养殖相关的LCA文章, 重点探讨了鲑鱼饲料生产的环境效应, 为后续的研究奠定了基础。此后, 众多学者围绕不同养殖品种和养殖模式展开了广泛研究, 研究对象包括鱼类^[10-11]、虾类^[12-13]、贝类^[14-15]、藻类^[16]和其他类, 如海参^[17]等; 养殖模式包括陆基养殖, 如池塘养殖^{[10, 18-19]}、工厂化养殖^[18]、循环水养殖^{[12, 20]}和生物絮团养殖^[12]; 海基养殖如滩涂养殖^[15]、筏式养殖^[21-22]、网箱养殖^[23-24]和工船养殖^[25]; 以及陆海接力养殖^[26-27]、综合多营养级水产养殖^{[19, 28-29]}等。本文围绕关键要素与流程对国内外LCA应用于水产养殖的方法框架和研究现状进行了综述, 主要包括LCA应用于水产养殖的研究目标与范围确定、清单分析, 以及环境影响评估与改进3个方面, 对LCA在水产养殖中应用的研究现状进行了梳理, 旨在为水产养殖业的可持续发展提供科学参考。

1 目标和范围确定 1.1 研究目标和范围界定

确定研究目标是开展LCA研究的第一步, 而精准的研究目标能为后续范围界定、清单数据收集与影响评价指明方向。目前LCA应用于水产养殖的研究目标主要分为两类, 第一类通常选取特定的养殖模式和养殖品种, 对其生产过程的资源消耗和环境排放进行评估; 例如, Hou等^[26]对中国大连红鳍东方鲀陆海接力模式进行LCA研究, 评估了苗种饲养、深海网箱养殖和工厂化循环水养殖阶段的环境影响。孙威等^[21]基于LCA理论测算了桑沟湾筏式养殖海带的碳足迹。Fan等^[25]评估了“国信1号”养殖工船大黄鱼养殖的碳排放量。第二类侧重于比较不同养殖模式或品种的环境影响差异。例如, Sun等^[12]比较了南美白对虾循环水养殖模式、生物絮团模式和高位池养殖模式的环境影响。董寅等^[19]比较了长江流域池塘养殖和稻渔综合种养2种水产养殖模式的环境影响差异。Almeida等^[30]使用LCA比较了南美白对虾在池塘集约化系统和温室超集约化系统2种生物絮团系统中养殖的环境绩效。

在水产养殖LCA研究中, 准确界定系统边界是至关重要的一步, 直接影响到研究结果的准确性和可靠性。它需明确研究对象所涵盖的范围, 界定了哪些过程和环节被纳入研究或是排除在外。在理想情况下, LCA分析的系统边界应全面覆盖与产品生产相关的所有环节, 实现“从摇篮(cradle)到坟墓(grave)”的全生命周期评价体系^[31]。但是水产养殖产业链长且复杂, 涉及饲料生产、苗种培育、养殖过程、产品加工及运输销售等众多环节, 实际研究往往根据研究目标缩小边界范围。目前LCA应用于水产养殖的系统边界主要分为三类, 分别是从“摇篮”到养殖场大门、从“摇篮”到加工或销售环节, 以及从“摇篮”到坟墓。首先“摇篮”到养殖场大门的系统边界涵盖从饲料原料生产、苗种培育、养殖生产到水产品出厂前的所有环节, 聚焦养殖产业链上游的资源消耗与污染物排放, 但不涉及产品运输、销售、使用及废弃处理阶段, 是水产养殖LCA的常用边界。例如, Yu等^[27]研究了黄条鰤陆海接力养殖过程的环境影响, 系统边界为从“摇篮”到养殖场大门, 纳入研究的养殖阶段包括苗种培育阶段、深海网箱养殖阶段和工厂化循环水养殖阶段。Forchino等^[29]对浮筏系统和填充介质床系统2种鱼菜共生系统的环境影响进行了评估, 系统边界包括原材料运输、投入和能源消耗, 直至养殖产品收获。其次, 从“摇篮”到加工或销售环节是在从“摇篮”到养殖场大门的基础上, 延伸至水产品初步加工, 如清洗、分拣、冷冻及运输到批发市场或加工厂的阶段。例如, Turolla等^[15]进行了菲律宾蛤仔养殖的LCA研究, 研究范围包括种苗采购、播种、收获、净化和包装生产阶段, 直至获得新鲜可供销售的蛤蜊。Halfdanarson等^[32]用LCA评估了挪威海藻养殖产业的环境影响, 研究范围包括海藻苗种培养、海上养殖、收获、运输、干燥和加工。最后, 从“摇篮到坟墓”的系统边界完整覆盖原材料获取、生产、使用、废弃处置的全生命周期。Alvarenga等^[33]对巴西南部生产的牡蛎进行从“摇篮到坟墓”的LCA研究, 并且对牡蛎壳的回收利用考虑了填埋及经过处理作为碳酸钙的原料的2种情景。

1.2 功能单位确定

功能单位为整个LCA评估过程提供了统一的基准, 可使不同的研究结果能够在相同的基础上进行比较和分析。最常见的选择是以单位重量水产品作为功能单位^{[12, 34-35]}, 如1 kg、1 t水产品, 这种方式便于直观地比较不同养殖品种或养殖模式下生产单位质量水产品所消耗的资源和产生的环境影响。其他有基于营养贡献的功能单位, 如Zoli等^[36]用LCA评估一种综合多营养级水产养殖系统的环境性能, 由于该系统具有多种输出产品, 如鱼类、蔬菜和多毛类动物等, 这些产品的能量含量各不相同, 采用基于质量的功能单位进行计算并不实际, 因此将功能单位定义为系统生产的420 J(100 kcal)热量和1 kg蛋白质。Halfdanarson等^[32]通过LCA研究比较了用海藻和大豆蛋白生产鱼类饲料的环境影响, 为比较两者用于饲料生产的蛋白质含量, 将功能单位设定为生产1 t大豆蛋白和1 t海藻蛋白。以单位养殖面积作为功能单位, 则侧重于评估单位面积养殖区域内的环境影响情况。Hu等^[37]比较了稻田小龙虾综合养殖系统(rice-crayfish integrated system, RCIS)与传统水稻单作系统(rice monoculture system, RMS)的环境影响, 在农民的实际生产中, 由于RCIS中每单位面积的小龙虾养殖沟渠比例不同, 龙虾饲料等的投入通常存在差异, 可能导致环境影响的差异, 通过以单位面积作为功能单位, 更便于比较RMS与RCIS之间的环境效应差异。

1.3 多产品系统的环境影响分配

当养殖系统存在多个产品时, 需将系统的总环境负荷合理分配至各产品, 以准确评估单个产品的环境负担。常见的分配方法主要包括: 物理分配、经济分配和系统扩展法。物理分配法基于产品的物理特性, 如质量、能量、营养成分等的比例分配总环境影响, 适用于物理特性差异可量化的场景; 经济分配法基于产品的市场价值比例分配环境影响, 适用于主副产品经济价值差异显著的场景; 系统扩展法不直接分配环境影响, 而是通过扩展系统边界, 将副产品的功能替代其他产品的生产过程, 从而抵消部分环境负荷。Bordignon等^[38]评估了鱼菜共生系统中虹鳟鱼养殖的环境足迹, 由于该系统生产出鱼类和生菜2种产品, 应用了3种方法来解决如何将整体影响分配给2种产品的难题。质量分配法基于实验期间生产的鱼类和生菜重量分配整体影响; 经济分配法基于鱼类和生菜叶的相对经济价值分配整体影响; 系统扩展法通过将水培系统中生产生菜叶的影响从整体影响中减去, 得到虹鳟鱼生产的环境影响。Chairat等^[39]采用质量分配法(方程式(1))和经济分配法(方程式(2)), 将鱼菜共生系统产生的环境影响分配给罗非鱼和生菜。由于鱼苗、鱼饲料以及氮和磷排放都来源于罗非鱼养殖, 因此其影响被完全分配给罗非鱼, 而能源、水和建筑材料使用产生的环境影响需要进行分配。基于质量分配法, 每生产1 t罗非鱼的同时生产5 t生菜, 总环境影响的17%分配给罗非鱼, 83%分配给生菜; 基于经济分配法, 罗非鱼和和生菜的价格分别为1.78美元/kg和2.37美元/kg, 总环境影响的13%分配给罗非鱼, 87%分配给生菜。

$ f_{\mathrm{m}}=\frac{m_{\mathrm{A}}}{M_{\mathrm{T}}} , $

(1)

$ f_{\mathrm{v}}=\frac{V_{\mathrm{A}}}{V_{\mathrm{T}}} , $

(2)

$ V_{\mathrm{A}}=m_{\mathrm{A}} \cdot p_{\mathrm{A}} , $

(3)

其中, f_m为质量分配因子, m_A为产品A的质量, M_T为所有产品的总质量, f_v为经济分配因子, V_A为产品A的经济价值, V_T为所有产品的总经济价值, p_A为产品A的单位质量价格。

2 清单分析 2.1 数据收集

生命周期清单分析(life cycle inventory analysis, LCI)是对水产养殖系统选定研究范围内所有输入和输出进行数据量化的过程, 其中输入主要包括资源、能源和物料等, 输出主要包括产品、污染物和废弃物等^[40]。清单分析中, 数据的准确与完整性直接影响评价结果的科学性。数据通常分为前景数据与背景数据两类, 前景数据指来自目标系统或其上游的实测或调研数据, 如特定养殖系统的饲料消耗量、尾水污染物排放量等, 具有针对性强但获取成本高的特点; 背景数据则源于通用数据库、文献或行业报告, 用于补充间接影响数据, 例如饲料原料生产的碳排放、能源电网背景排放等, 虽通用性强但可能存在地域或时间差异。

水产养殖LCA前景数据的收集主要通过3种方式, 包括实地监测、企业调研和实验模拟。实地监测指研究人员通过实地考察养殖场, 通过水表、电表和水质分析仪等设备直接记录用水量、能源消耗、水质数据、饲料用量和化学品投入等关键参数。Badiola等^[41]通过嵌入循环水养殖系统(recirculating aquaculture system, RAS)的能源计量器进行能源消耗的连续测量, 同时使用便携式能源分析仪对每个耗能设备进行独立测量, 以识别能源消耗, 提升RAS的环境性能。企业调研指通过标准化问卷或访谈, 向养殖户、饲料供应商及加工企业收集生产数据。Kallitsis等^[42]收集了3个育苗场、21个海上养殖网箱和3家鱼类加工和包装设施公司的数据, 涵盖整个生产链, 对希腊水产养殖业进行了全面的生命周期评估。实验模拟指在控制条件下模拟养殖过程, 获取特定参数, 如水质数据、污染物降解率等。Sun等^[12]通过水质检测, 获取养殖车间排放废水的总氮、总磷和化学需氧量, 明确了养殖尾水的污染物排放特征。

背景数据的收集主要通过2种方式, 包括专业生命周期数据库和公开文献与行业报告获取。国际主流的LCA相关数据库包括Ecoinvent、GaBi和Agri-footprint等, 这些数据库涵盖全球多个国家和地区, 包含电力生产、燃料燃烧、运输、化学品生产和农业生产等众多领域的数据, 是背景数据获取过程中最常使用的数据库^[43-45]。此外, 中国生命周期数据库(Chinese life cycle database, CLCD)是由中国亿科环境开发的高质量数据库, 从CLCD获取的数据更符合中国实际生产状况^[26]。通过公开文献, 可提取同类养殖系统或相关环节的背景参数。水产养殖行业报告主要包括政府与机构报告和行业协会数据, 如《中国渔业统计年鉴》和国际组织FAO、联合国环境规划署(UNEP)等的报告, 以及水产养殖协会、饲料工业协会等发布的年度报告。

2.2 数据质量控制

在水产养殖LCA研究中, 数据质量直接关系到评估结果的可信度与应用价值^[46]。不确定性分析是数据质量控制的重要内容。由于水产养殖受到自然环境、养殖技术、管理水平等多种因素的影响, 数据往往存在一定的不确定性。因此, 需要对这些不确定性因素进行评估和分析。水产养殖LCA研究中常用的不确定性分析方法主要包括蒙特卡洛模拟和敏感性分析。蒙特卡洛模拟基于参数的概率分布, 通过随机抽样生成数千至数万组参数组合, 重复计算LCA结果, 最终得到结果的概率分布, 量化整体不确定性。蒋榕等^[47]对稻虾共作模式进行蒙特卡洛模拟, 在95%的置信区间下, 稻虾共作模式单位面积碳足迹的变异系数小于10%, 表明该研究中碳足迹核算结果的不确定性较低。Hou等^[26]通过蒙特卡罗模拟来评估红鳍东方鲀陆海接力养殖过程中4个阶段环境影响的不确定性, 模拟结果表明不确定性范围的趋势相当接近, 各阶段的总体排名没有显著变化。敏感性分析通过改变单个参数, 如饲料转化率、电力消耗等, 观察其对LCA结果的影响程度, 识别关键不确定参数。Ayer等^[48]通过改变尼龙网箱中防污涂层的使用情况、金属浸出率、饲料转化率等, 比较铜合金网箱和尼龙网箱在生产1 t活质量大西洋鲑时的环境影响。敏感性分析表明, 金属耗竭影响类别显示出对尼龙网箱上使用的防污涂料的类型和用量, 以及对铜合金网箱假定的使用寿命特别敏感。

3 环境影响评估与改进分析 3.1 生命周期影响评价过程

生命周期影响评价(life cycle impact assessment, LCIA)是将清单分析阶段收集的资源消耗与污染物排放数据, 转化为具体的环境影响信息, 从而揭示产品、工艺或服务在生命周期中对环境的潜在危害程度。LCIA过程通常分为3个部分, 包括环境影响分类、特征化分析和归一化。环境影响分类是将清单分析中的资源消耗与污染物排放数据归入预设的几类环境影响类别中, 包括气候相关影响, 如CO₂、CH₄等温室气体排放引发的全球变暖, 水体环境影响, 如氮磷营养盐排放导致的富营养化, 资源消耗影响, 如水资源和化石能源消耗等^{[19, 49]}。特征化分析是通过国际通用或区域化的影响因子, 将清单数据转化为环境影响当量的过程, 如将CH₄、N₂O等温室气体统一转换为CO₂当量, 评估总温室效应。归一化是将特征化后的影响潜值与参考值对比, 如与区域或全球的年总影响潜值对比, 消除不同影响类别的单位差异, 方便进行横向比较。归一化结果也可以进行加权处理, 通过专家咨询、公众调查或政策标准确定权重因子, 对归一化后的各影响类别赋予权重, 最终得到一个综合的环境影响评分。归一化分析为可选步骤, 其结果以相对比例呈现, 便于非专业人士, 如政策制定者、消费者等比较不同水产养殖类别的环境影响量级。Ramesh等^[50]评估了印度虾饲料生产系统对环境的影响, 在归一化和加权后, 发现“人类健康”类别的环境影响最为突出。特征化分析是必需步骤, 其结果保留了具体环境影响的物理单位, 如kg CO₂-eq表示全球变暖潜力, 能直接反映水产养殖对特定环境问题的贡献, 并且其量化数据可直接用于比较不同养殖模式或品种在同一影响类别上的差异, 因而被广泛应用于水产养殖LCA研究^{[49, 51-52]}。

3.2 环境影响改进分析

改进分析以环境影响评估结果为依据, 系统识别水产养殖生命周期中的高环境负荷环节, 针对全球变暖、水体富营养化、资源消耗等核心环境问题, 从技术革新、管理优化、政策调控等维度提出改进策略, 旨在降低水产养殖的环境影响, 推动产业向绿色可持续方向转型。水产养殖的环境影响热点集中在饲料生产、资源消耗与污染物排放3个环节^[53-55]。饲料生产是水产养殖环境影响的核心来源^[55], 其改进聚焦于原料替代。Napolitano等^[56]通过LCA来估算用养殖厂产出废水所生产的螺旋藻来饲喂养殖鱼类的可持续性, 结果表明, 与使用标准培养基培养的螺旋藻以及不含螺旋藻的饲料方案相比, 用这种螺旋藻来替代5%鱼粉的饲料方案能显著降低环境影响。Goglio等^[57]比较了以部分藻类、昆虫为基础的饲料与传统鱼粉、鱼油为基础的饲料对三文鱼养殖的环境影响。减少资源消耗的改进措施聚焦于使用清洁能源替代化石燃料。Samuel-Fitwi等^[11]研究发现, 粗放型系统和集约型系统相比, 循环水养殖系统虽通过避免养殖尾水排放可在富营养化和用水量中降低环境影响, 但水过滤和再利用过程中能源消耗的增加会通过全球排放途径提升影响, 其在采用基于风能的绿色能源时, 具有降低总体环境影响的潜力。Yu等^[27]对黄条鰤陆海接力养殖模式的优化分析结果表明, 以风力发电替代煤炭和火力发电将降低82.14%的环境影响。减少污染物排放的改进措施致力于减少养殖尾水的氮、磷营养盐排放。Sun等^[12]的研究表明, 水产养殖尾水中的废氮、废磷应作为肥料处理, 废磷回收利用是缓解磷排放过多对资源和环境造成污染的有效途径。Hala等^[58]的综述强调了多营养级综合养殖系统与传统单一养殖系统相比, 能有效降低营养盐排放, 在富营养化、土地利用等类别上具有显著降低环境影响的潜力。

4 挑战与展望

LCA方法在水产养殖领域的应用实践中仍面临诸多挑战。首先, 面临数据获取困难、质量参差不齐的突出问题。水产养殖涉及众多环节和因素, 如饲料生产、养殖设施生产与维护及养殖过程管理等, 数据来源广泛且分散, 获取全面、准确的数据难度较大。不同养殖场的养殖技术、管理水平和环境条件差异较大, 导致数据的一致性和可比性较差。一些小型养殖场缺乏完善的生产记录和监测设备, 难以提供详细的养殖数据。其次, 不同研究之间的系统边界、功能单位和数据来源差异较大, 导致研究结果难以直接比较。水产养殖产业链涉及饲料生产、苗种培育、养殖过程、产品加工及运输销售等多个环节, 不同LCA研究对系统边界的界定存在差异, 并且不同研究使用的数据透明度较低, 导致评估结果缺乏可比性。另外, 目前LCA在水产养殖中的应用仍以环境影响评估为主, 在社会经济维度存在诸多短板。当前水产养殖LCA的数据收集多聚焦于资源消耗、污染物排放等环境指标, 缺乏对社会经济数据的收集与评估, 如就业岗位数量、养殖户收入水平等。

在未来的水产养殖LCA研究中, 需加强数据获取与监测技术改进。可通过政府和行业协会加强对水产养殖数据的收集和管理, 建立统一的监测体系和数据库, 鼓励养殖场完善生产记录和监测设备, 同时利用现代信息技术, 如物联网、大数据等, 实现对养殖数据的实时采集和分析, 提高数据的准确性和可靠性。再者未来研究应建立水产养殖标准化评估指南, 并优化数据管理与共享。制定水产养殖LCA系统边界的统一标准, 并整合科研机构、企业和政府部门资源, 建立水产养殖LCA专用数据库。数据库应包含不同养殖品种、区域和模式的标准化数据, 并定期更新标注数据来源与适用范围, 以确保数据的权威性和时效性。此外, 未来研究可开展环境、经济和社会等多维度的综合评价。通过经济维度的分析, 找到最佳的养殖规模和经营策略, 实现经济效益的最大化。环境维度的评估除了关注传统的资源消耗和污染物排放指标外, 还应深入研究水产养殖对生态系统的长期影响, 如对生物多样性、生态平衡以及生态服务功能的影响, 最终建立多维度综合评价模型, 为水产养殖的可持续发展提供更全面和科学的决策支持。