EN中文

地理学报 >

2025 , Vol. 80 >Issue 3: 712 - 723

DOI: https://doi.org/10.11821/dlxb202503009

水文地理与地表过程

基于省际虚拟水流动的水资源压力及驱动因素

  • 房德琳 , 1, 2 ,
  • 宋长青 , 1, 2 ,
  • 黎成航 1, 2 ,
  • 雷頔 1, 2 ,
  • 宋高歌 1, 2 ,
  • 袁嘉露 1, 2 ,
  • 童创路 1, 2 ,
  • 曹力 1, 2
展开
  • 1.北京师范大学 地表过程与水土风沙灾害风险防控全国重点实验室，北京 100875
  • 2.北京师范大学地理科学学部地理数据与应用分析中心，北京 100875
宋长青(1961-), 男, 黑龙江哈尔滨人, 博士, 教授, 博士生导师, 研究方向为全球化与地缘关系、区域高质量发展。E-mail:

房德琳(1990-), 女, 山东济南人, 博士, 副教授, 主要从事城市生态环境耦合模拟相关研究。E-mail:

收稿日期: 2024-09-09

  修回日期: 2025-02-05

  网络出版日期: 2025-03-25

基金资助

国家自然科学基金项目(42230106)

国家自然科学基金项目(72174029)

中央高校基本科研业务费专项资金

收起

Analysis of water stress and driving factors based on virtual water flows in China

  • FANG Delin , 1, 2 ,
  • SONG Changqing , 1, 2 ,
  • LI Chenghang 1, 2 ,
  • LEI Di 1, 2 ,
  • SONG Gaoge 1, 2 ,
  • YUAN Jialu 1, 2 ,
  • TONG Chuanglu 1, 2 ,
  • CAO Li 1, 2
Expand
  • 1. State Key Laboratory of Earth Surface Processes and Hazards Risk Governance, Beijing Normal University, Beijing 100875, China
  • 2. Center for Geodata and Analysis, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

Received date: 2024-09-09

  Revised date: 2025-02-05

  Online published: 2025-03-25

Supported by

National Natural Science Foundation of China(42230106)

National Natural Science Foundation of China(72174029)

Fundamental Research Funds for the Central Universities

Fold

摘要

中国各省市资源禀赋、产业发展水平等多因素的空间差异使得各省市面临不同的水资源压力；同时各省市间的经济贸易实现了水资源的再分配，这使得水资源需求差也发生了相应的转移。水资源短缺是限制各地区发展的重要瓶颈，因此分析水资源压力分布现状及格局，并剖析由经济供需链造成的水资源压力转移的重要驱动因素，对地区的可持续发展和生态资源保护具有重要意义。本文聚焦于中国省际水资源压力转移及驱动因素时空变化，分析了2007—2017年中国30个省域（西藏、香港、澳门、台湾地区数据暂缺）的水资源压力转移过程中稀缺蓝水、稀缺灰水流动情况的时空动态，以及其分别对省际水资源压力转移的影响；进一步，本文将省域间水资源压力转移驱动因素分解为技术效应、水资源压力效应、第一至第三产业结构效应和城乡居民消费需求效应等，分析各影响因素对水资源压力的影响贡献。研究结果表明，在各省域最终需求驱动下，隐含在贸易流转中的水资源压力跨区域转移逐渐提高；西南和东南地区自身水资源压力较小，但向其他区域转移较高的水资源压力，这主要由于西南和东南地区进口来自北方水资源压力较大地区的产品，以满足其全产业链的需求；西北地区逐渐成为全国其他地区稀缺蓝水的输出方，中部地区省份由主要稀缺蓝水输出方向主要输入方转变。本文揭示了中国省际水资源压力转移的分布格局和驱动因素影响形式，有助于保障中国的水资源安全，并为中国各地区的可持续发展提供参考意义。

关键词： 水资源压力指数; MRIO模型; SDA模型; 蓝水—灰水; 聚类分析; 中国

本文引用格式

房德琳 , 宋长青 , 黎成航 , 雷頔 , 宋高歌 , 袁嘉露 , 童创路 , 曹力 . 基于省际虚拟水流动的水资源压力及驱动因素[J]. 地理学报, 2025 , 80(3) : 712 -723 . DOI: 10.11821/dlxb202503009

Abstract

The spatial disparities in resource endowments and industrial development levels across provincial-level regions in China lead to diverse water resource pressures. Economic trade redistributes water resources, causing spatial shifts in water demand. Water scarcity poses a significant bottleneck to regional development. Thus, examining water resource pressure distributions, patterns, and their drivers within economic supply and demand chains is crucial for sustainable development and ecological conservation. This research explores spatiotemporal changes in inter-provincial water resource pressure transfers and their drivers in China from 2007 to 2017. It analyzes the dynamics of scarce blue and grey water flows among 30 provincial-level regions (excluding Xizang, Hong Kong, Macao, and Taiwan due to the lack of data) and their impacts on inter-provincial transfers. Key drivers such as technological advancements, environmental pressures, industrial structures, and urban-rural consumer demand are decomposed to assess their contributions to water resource pressure. Results show an upward trend in water pressure transfers driven by final demand. Southwest and southeast regions, experiencing lower local water pressures, transfer significant pressures to other areas. Northwest region emerges as major exporters of scarce blue water, while central provinces shift from exporters to importers. This study provides insights into inter-provincial water resource pressure transfers, aiding water security strategies and sustainable development planning in China.

Key words： water stress index; MRIO model; SDA model; blue water-grey water; cluster analysis; China

1 引言

水资源是人类赖以生存和发展的基础，是衡量一个国家经济发展的重要指标之一[1]，对生态环境有着至关重要的影响，水资源短缺已经成为限制各地区发展的重要因素[2]。随着城镇化和工业化的发展，中国对水资源的利用消耗日益加大，与此同时生活污水和工业废水的大量排放以及农药化肥在农业经营中的大量使用，也使水资源面临诸多污染压力，如何综合考量人类活动对水量、水质的综合影响，逐渐成为水资源管理研究的热点。在自然资源研究领域，对于水资源消耗、水资源压力的研究不断发展，虚拟水、水足迹概念和理论的提出助推了这一研究的深入。
虚拟水理论由Allan提出，表征生产商品和服务的全产业链过程中所需要水资源量[3]，虚拟水贸易逐渐成为解决地区性缺水问题的重要策略[4-5]。在虚拟水理论的基础上，Hoekstra提出并不断完善了水足迹概念和理论[6]。根据水资源来源的不同，水足迹可以划分为蓝水足迹、绿水足迹和灰水足迹。蓝水足迹指产品对地表水或地下水的消耗；绿水足迹指产品对未形成径流的暂时留在未饱和土壤中的那部分降水资源的消耗，主要见于农业生产；灰水足迹指将污水稀释至一定环境水质标准所消耗的淡水资源[7]。
基于虚拟水、水足迹理论，借助多区域投入产出模型（Multi-Regional Input-Output Model, MRIO），研究可以分析区域间水资源流动。MRIO可以评估经济生产链每个处理阶段的具体资源消耗[8⇓-10]、刻画经济系统内各部门间的依赖关系、反映各部门生产活动的直接和间接的关联，广泛应用于水足迹跨区域流动研究。由于自然资源禀赋的不同，不同区域水资源的丰富程度存在差异，这意味着不同区域的水资源消耗伴生的水资源需求压力有所差异，如果缺水地区向丰水地区输出虚拟水，将更为严重地加剧缺水地区的水资源短缺问题；而如果丰水地区向缺水地区输出等量的虚拟水，丰水地区受到的影响显然更小。为了显示出这种不等价的水资源流动状态，可以使用水资源压力指数（Water Stress Index, WSI）来反映水资源的稀缺性，将虚拟水流动研究方法拓展应用于稀缺水研究[9]。已有研究利用MRIO核算中国省际稀缺水资源流动特征[11-12]，或某一省份或流域进行稀缺水资源的综合研究[13-14]。
结构分解分析法（Structural Decomposition Analysis, SDA）是利用投入产出模型发展起来的分析资源消耗驱动因素的常用方法，通过对因变量的变化进行分解得到与其相关的各独立自变量多种形式变动之和，进而计算某一自变量对因变量变动带来的综合影响的贡献[15]。已有研究通过构建结构分析模型分解分析中国居民间接生活能源消费[16]、碳排放[17]等。在全国尺度上的水足迹结构分解分析中，经济规模对水资源消费增加的重要影响已被广泛关注[18]，此外生产结构驱动因素对水足迹变化的影响也较为显著[19]。
现有研究已经围绕中国的虚拟水流动以及区域水足迹展开了多尺度多方法的分析，但围绕基于贸易引发的稀缺蓝水、稀缺灰水时空变化、区域转移的分析仍需深入，尤其是生产技术水平、生产结构变化、城乡居民消费结构变化对水资源压力转移的影响规律与空间相关性需要进一步揭示。
本文对中国各省域各部门蓝水和灰水稀缺程度进行核算，进而对蓝水、灰水资源压力转移机制进行探讨。本文主要聚焦生产贸易过程对水资源跨区域流动的影响，由于绿水资源主要用于农产品的生产中，而不能直接用于工业、服务业、居民生活用水环节，较难实现在多个用水部门间进行优化配置[20⇓-22]，故本文主要聚焦蓝水、灰水资源，而未考虑绿水资源。同时，本文将驱动因素分解为技术效应、水资源压力效应、第一至第三产业结构效应、城乡居民消费需求效应等，从产业结构和城乡居民消费角度重点进行分析并在此基础上划分类别，得出不同转移模式下的空间规律。研究中国省际间水资源压力转移，可以更好地调整各省份产业结构，优化水资源利用，缓解水资源短缺问题。本文核算了2007年、2012年、2015年、2017年4个年份的全国各省域（西藏、香港、澳门、台湾地区数据暂缺）稀缺蓝水、稀缺灰水，并基于SDA方法分析影响各省域蓝水、灰水转移的因素，从而较为全面地分析水足迹转移对各省域水压力造成的影响。

2 研究方法与数据来源

本文基于全国MRIO表及其扩充数据，使用多区域投入产出模型和结构分解分析模型，计算出全国省际蓝水和灰水稀缺水转移矩阵和各驱动因素影响权重。

2.1 数据来源与预处理

本文使用2007年、2012年、2015年和2017年4个年份的MRIO表，其中2007年MRIO表格来自刘卫东等[23]的统计研究，2012年、2015年、2017年的MRIO表格来自CEADs数据库[24]。由于MRIO表中西藏、香港、澳门、台湾地区数据的缺失，为了满足4个年份MRIO表的一致性，将2007年、2012年、2015年、2017年的MRIO表整理为30个省域和30个行业部门的形式。
在此基础上对MRIO表进行扩充，添加各省域分部门蓝水和灰水年消耗数据。蓝水量的核算参考姜秋香等[13]的计算方法，数据基于《中国环境统计年鉴》；灰水量的核算采用韩琴等[22]的计算方法，并根据《水足迹评价手册》的计算公式对原算式进行修正，基础数据来源于《中国环境统计年鉴》《中国统计年鉴》《中国农村统计年鉴》和《全国规模化畜禽养殖业污染情况调查及防治对策》等统计数据，分别计算出各个生产部门用水和生活生态用水的蓝水与灰水[4,13,25⇓⇓ -28]。进一步结合各个产业部门的经济产值，求得各个部门的直接蓝水、灰水耗水系数。
不同于一般的区域虚拟蓝水、虚拟灰水的测算研究，为将区域水资源压力的状况关联到社会经济贸易中，本文使用省级水资源压力指数（Water Stress Index, WSI）概念。水资源压力通常定义为年度淡水取水总量与淡水总可用性的比率，本文使用Pfister等的方法[29-30]，将水资源压力指数表示在0.01~1.00的范围内。
F = 1 1 + 99 e - 6.4 W A I
式中：F为水资源压力指数向量；WAI为各地区淡水资源利用量与淡水可利用量之比，自函数为一个类“S”型自然生长逻辑曲线，表示各地区水资源压力程度大小，其中淡水资源利用量数据来自《中国统计年鉴》，淡水可用量数据来自《中国环境统计年鉴》。图1为4个年份计算结果，可以明显看出水资源压力指数的分布呈现一定空间分异特征，在2007年新疆、甘肃、陕西等省域由于深入内陆、气候较为干旱少雨，水资源压力较大；浙江、山东、陕西、河北、北京、天津等由于经济生产较为活跃且淡水资源储备不足，表现出明显的水资源压力较高；南方各省域水资源较为充足，普遍显示出较低的水资源压力（图1a）。随时间变化，2012年全国各省份地区的水资源压力普遍降低，也有省份如河南、江苏压力增加（图1b），2017年与2007年WSI也逐步降低（图1c、1d）。
图1 2007—2017年中国各省水资源压力指数（WSI）时空分布

Fig. 1 Spatial and temporal distribution of water stress index (WSI) by province during 2007-2017

2.2 采用MRIO模型核算省级稀缺水足迹

MRIO的核心表达式为：
X = I - A - 1 Y = L Y
式中：X为30个省域30个部门的总产出向量； L为列昂惕夫逆矩阵；A为多地区的直接投入系数矩阵；Y为最终需求向量，包含城镇居民消费、农村居民消费、出口和其他需求（包括政府消费、固定资本形成和存货变化）。
用稀缺水量（ Q）的大小来表示水资源压力程度，用各省域的水资源压力指数乘以各省域分部门的总耗水量（考虑蓝水和灰水两者的耗水量），分别得到蓝水、灰水的表示水资源稀缺量的矩阵[9,18]。各省域分部门的耗水量由MRIO及扩展增加部门耗水系数得到：
Q = S V W g r e y     o r     S V W b l u e = E   F   L   Y = E   F   L 1 + L 2 + L 3 Y r + Y u + Y e + Y o
式中： S V W g r e y和 S V W b l u e分别为稀缺蓝水、稀缺灰水区域转移矩阵； E为各省域各部门蓝水、灰水的直接耗水系数；F为水资源压力指数； L为列昂惕夫逆矩阵，表示生产结构，为探究三大类产业结构对水资源压力的影响，可依等式分为一产、二产、三产的生产结构，分别为 L 1 、 L 2 、 L 3； Y为总需求，可分解为农村（Rural）消费需求、城镇（Urban）消费需求、出口（Export）和其他方面（Others）的消费需求，分别为 Y r l 、 Y u 、 Y e 、 Y o。

2.3 基于结构分解分析模型的驱动因素分析

在经济结构、消费结构、生产用水技术等诸多因素共同影响下，水资源压力转移的驱动因素结构在省域间存在较大差异。为了分析年际间水资源压力转移变化的驱动因素，本文选择对2007年、2012年、2015年和2017年3个转移矩阵变化量进行结构分解分析（SDA模型）。其中，由于部门间耗水系数的差异及随着科技发展的耗水系数变化驱动的稀缺水转移称为技术效应；由于各省份水资源压力指数变化引起的变化归为水资源压力效应；由于产业部门结构的调整驱动的转移称为产业结构效应，产业结构又可以分为一产、二产和三产的结构效应；由最终需求驱动的转移称为需求效应，需求效应又可以细分为城镇居民消费需求和农村居民消费需求、出口消费需求及其他方面需求（包括政府消费、固定资本形成和存货增加），共9个驱动因素。
Δ Q = Δ S V W g r e y     o r     Δ S V W b l u e
分解各驱动因素产生的变化量对稀缺水变化的贡献为：
Δ Q = Δ E F L Y ⏟ 技 术 效 应 + E Δ F L Y ⏟ 水 资 源 压 力 效 应 + E F Δ L 1 Y + E F Δ L 2 Y + E F Δ L 3 Y ⏟ 一 二 三 产 结 构 效 应 + E F L Δ Y r + E F L Δ Y u + E F L Δ Y e + E F L Δ Y o ⏟ 农 村 、 城 镇 居 民 、 出 口 和 其 他 消 费 效 应
式中： Δ为各驱动力在2007—2012年、2012—2015年、2015—2017年3个时段中的变化量；在结果展示中，各个指标后标注_1、_2、_3分别指代该驱动因素在这3个时段中的贡献，如E_1为2007—2012年阶段中各省域蓝水/灰水直接消耗系数的贡献。通过对驱动结构分解分析，核算每个驱动因素的影响权重，可得出各省域稀缺蓝水、稀缺灰水消耗的驱动因素结构。
为厘清省域的水资源压力转移和驱动因素结构模式的差异，本文再通过基于蓝、灰水压力转移量和驱动因素结构对省域进行k-means聚类分析[14]，归纳各类水资源压力跨省域间转移的驱动因素，为同类型的省域提供减轻水资源压力的建议和同类型之间的参考。

3 结果分析

3.1 中国省域最终需求引起的稀缺蓝水足迹、稀缺灰水足迹转移

从各省域的稀缺水足迹来看（图2），蓝水足迹分布不同呈上升趋势，新疆、江苏、广东等省份的蓝水足迹较大，如2007年新疆蓝水足迹接近280亿m³，10年内不断上升至2017年的400亿m³以上。而由于不同的省份面临的水资源压力不同，一些水资源压力较大的省份，如江苏、新疆、北京等稀缺蓝水足迹与总蓝水足迹（未考虑水资源稀缺性特征的蓝水消耗量）相近，长江和珠江流域的大部分省域稀缺蓝水足迹较少，稀缺水足迹在总水足迹中占比较小。各省域灰水足迹和稀缺灰水足迹与蓝水相似，四川、广东、河北、山东、湖北等省域的灰水足迹较大，而稀缺灰水足迹较大的省域是工业较为发达同时水资源较为紧缺的河北、江苏、辽宁等。
图2 2007—2017年基于消费端稀缺蓝水和稀缺灰水流动

Fig. 2 Scarce blue water and scarce grey water flow from consumption side during 2007-2017

参考田欣等[31]的研究，本文用稀缺水省域外流入在总量中的占比来反映一个地区的水资源压力向外转移的程度，用稀缺水净流入/净流出值代表该区域水资源供给/需求状态，将2017年中国省域蓝水资源压力转移程度分为3类。
第一类地区为河南、江苏、浙江、山东、四川、山东等10个省域，稀缺蓝水省域外流入占比小于20%，即本地最终需求消耗的稀缺蓝水绝大部分来自本地，水资源压力向外转移程度低。净蓝水资源流出量较高，来自外地溢出的水资源压力较大。这主要是因为这些地区的水资源稀缺程度较大，并且对本地商品的最终需求占比较高，外地对本地区耗水量大的产品需求量高。
第二类地区包括黑龙江、海南、新疆、内蒙古、陕西、甘肃6个省域，稀缺蓝水省域外流入占比大于30%，且稀缺蓝水净流入值较高，即本地最终需求消耗的稀缺蓝水绝大部分来自外地，蓝水足迹压力向外转移程度高。这类地区的当地蓝水资源相对充足，相应的来自本地的稀缺蓝水量较少，因此消耗的外地的稀缺蓝水量占比较大。其中黑龙江的稀缺蓝水省域外流入占比达到35.49%，海南达到36.11%。
第三类地区是江西、安徽、重庆、北京、天津等14个省域，稀缺蓝水省域外流入占比介于20%~30%。这类地区稀缺蓝水净流入量较高，蓝水足迹压力向外转移程度中等。这些地区中有的蓝水资源相对充足，如湖南、湖北、广西等，但其对省域内的最终需求较大，所以蓝水足迹压力向外转移程度并不高。而像北京、天津等地当地的蓝水资源不充足，但对外地产品的最终需求较大，因此对当地的蓝水资源没有过多消耗。
对比蓝水与灰水的水资源压力转移情况可以发现，整体上灰水足迹压力转移情况与蓝水类似，蓝水足迹压力向外转移程度高的地区大部分灰水足迹压力向外转移程度也较高。但总体而言灰水足迹压力的地区转移现象没有蓝水足迹明显。2017年全国各地区平均稀缺灰水省域外流入占比为20.18%，低于平均稀缺蓝水省域外流入占比的23.31%。且灰水足迹压力向外转移程度高（稀缺灰水省域外流入占比大于30%）的省份只有5个，少于蓝水的6个。
2007—2017年各省域最终需求引起的水资源压力转移程度均在逐步增高（图2）。平均稀缺蓝水省域外流入占比从2007年的20.18%增加到2012年的23.10%，再到2015年的25.72%，2017年恢复到23.31%，平均稀缺灰水省域外流入占比从2007年的17.89%增加到2017年的22.34%。2007—2017年广东、江西、安徽蓝水和灰水足迹压力向外转移程度由中等变化为较深，这与地区水资源压力水平的变化和地区的最终需求结构变化等有关。稀缺水资源压力较高的地区，如河北、内蒙古、甘肃、青海、宁夏、新疆等表现出稀缺蓝水资源净流出值较高，主要是由于这些地区本身农产品隐含的稀缺蓝水足迹较高，且是农产品主产区，支撑其他地区生产环节所需的中间产品、最终产品中隐含了大量稀缺水资源。

3.2 稀缺水矩阵流向关系分析

图3和弦图中的节点条带长度表示省域外输出和输入的稀缺水量大小，连接线颜色与输出源省份节点颜色相同，连接线箭头指向转移方向。2007—2017年中国地区间稀缺蓝水、稀缺灰水转移方向在发生变化。整体上，西北地区逐渐成为全国其他地区稀缺蓝水的输出方，尤其是新疆，稀缺蓝水输出占比较大，表明其在自身水资源缺少的情况下还对外输出耗水产品，导致其稀缺水流动量较大，水资源压力较大。2007年中国稀缺蓝水输出量较高省域主要是北部省份和部分中部省份。其中，新疆、河北、江苏的稀缺灰水和稀缺蓝水输出份额之和达到56%。而稀缺蓝水的主要输入地区为中部地区和东部南部沿海地区。2012年西北地区和华北地区成为稀缺蓝水的主要输出地区，东北地区的稀缺蓝水输出占比减小，从南到北的沿海地区是稀缺蓝水的主要输入地区。2017年西北地区则成为主要的蓝水输出地区，其中新疆的稀缺蓝水输出份额由2007年的31.7%上涨到2017年的40.9%。中部地区和东部南部沿海地区成为稀缺蓝水的主要输入地区。2007—2017年稀缺灰水的转移方向变化不大，且与稀缺蓝水资源相比，稀缺灰水的主要输出地区分布更加均匀，没有单一地区的稀缺灰水输出份额超过15%。中部地区和西北地区是稀缺灰水的主要输出地区，沿海地区是稀缺灰水的主要输入地区。
图3 2007—2017年稀缺蓝水和稀缺灰水各省市间流向关系

Fig. 3 Scarce blue and grey swater flows among provinces during 2007-2017

3.3 水资源压力驱动因素分析

采用SDA方法将稀缺蓝、灰水的变化量驱动因素分解为9个，分别计算出2007—2012年、2012—2015年、2015—2017年3个时段（分别为1~3阶段）的9个驱动因素贡献（图4）。由热力图可以看出，稀缺蓝水和稀缺灰水的驱动因素结构大体相似，服务业生产、城镇居民消费、出口和其他消费需求对变化有正贡献，增加了各省域的水资源压力，而大部分省份的技术效应、水资源压力效应和农业生产结构起到缓解当地水资源稀缺压力的作用；不同在于，稀缺蓝水、灰水的部门耗水技术不同，导致各省域的驱动因素结构稍有差异。在3个时段对比上，2012—2015年各因素的正负贡献量普遍大于前后两个时段，这是由于第二个时段间的生产消费总值变化较大，2015年呈现出最高值。
图4 稀缺蓝水和稀缺灰水变化的驱动因素贡献

Fig. 4 Contribution of driving factors for changes in scarce blue and grey water

消费效应是水足迹增加的主要驱动因素。城市居民消费和农村居民消费的增加均会导致地区稀缺水足迹增加，2007—2017年蓝水和灰水足迹压力向外转移程度由中等变化为较强，平均增长了1.26%，体现了中国快速的城镇化对水资源压力转移起到正增长作用，但2007—2017年这两种驱动因素的差距在不断减小。产业结构上，第一至第三产业结构的变化都会使稀缺水足迹变化。而由于蓝水和灰水消耗的相关部门和产业存在区别，在水资源压力驱动结构中，第一产业生产结构显示促进压力减少的现象，而第二、三产业表现出促进水资源压力的增加。存在部分省份的三产结构改善促进水资源压力的减少，如山西的第一、二、三产业，内蒙古、新疆、湖北和陕西的第三产业等，说明2007—2017年产业调整和发展越来越朝向保护水资源方向，促进水资源利用的可持续发展。对于大部分省域，水资源压力效应会导致稀缺水足迹减少，说明水资源压力大的地区会主动通过调整用水结构、采取节水措施等方式，减少稀缺水资源的消耗。但对于一部分中部省份（湖北、重庆、河南、山东）和西北省份（陕西、甘肃、青海、新疆），水资源压力效应会使稀缺水足迹增大，这些省份对于水资源稀缺性更为敏感。技术效应很显著地使全国各地稀缺水足迹减少，缓解各地区水资源压力。并且，2007—2017年技术效应一直在为缓解水资源压力发挥作用，贡献率平均达到323.4%。
将稀缺蓝水、稀缺灰水变化驱动因素取3个时段的平均值，得到共有18项指标，加上稀缺蓝水、稀缺灰水足迹和WSI平均值，共21个指标进行k-means聚类分析，结果分为5类（图5）。
图5 中国省际水资源压力驱动因素指标聚类图

Fig. 5 Cluster diagram of indicators for the driving factors of water stress

第一类有11个省域，大部分处于中国南部和中部，此外还有青海、黑龙江、山西等；第二类为中部的四川、重庆、陕西、海南等；第三类为广东、贵州、浙江、北京、辽宁等；第四类主要地区涵盖上海、河南、山东、河北、辽宁、内蒙古等；第五类为较特殊的新疆和江苏。
前三类稀缺灰水和稀缺蓝水足迹较小，两个指标的聚类中心都在11亿~12亿m3左右，其区别在于驱动因素结构不同。第一类的驱动因素大小较为集中，没有较为突出的驱动因素；第二类水资源利用效率（技术效应）是稀缺蓝水和稀缺灰水变化的主要驱动因素、其对水资源压力的缓解作用较为突出，此外城镇居民消费、出口消费和其他消费效应对水资源压力增加都有较大促进作用；第三类水资源利用效率（技术效应）是稀缺蓝水变化的主要驱动因素，但其对稀缺灰水变化的贡献比前两类较小。第四类农业和服务业生产结构效应、技术效应和水资源压力效应在主要抑制稀缺水足迹的增加，各省域水资源稀缺程度中等，稀缺蓝水足迹与稀缺灰水足迹也处于中等水平。第五类表现出其水资源压力指数较大、稀缺水足迹也远高于其他省份的特征，但是导致这种现象的原因并不相同。新疆为中国产业大省，深处干旱区，水资源缺乏，然而向外源源不断输出产品，包括大量的农产品，稀缺蓝水足迹较大，稀缺灰水较少，水资源压力增大的主要驱动因素为城镇居民消费、其他消费效应等，缓解水资源压力的因素有技术的提升。江苏水资源压力指数大的原因主要是人口量多、工农业发达，导致该地区用水量大且水体污染物排放量显著；江苏也属于中国产业和消费的大省，稀缺蓝水和稀缺灰水足迹都比较大，而其稀缺水向省外输出占总输出将近40%，可见江苏其承担了较大外部省份水资源压力，主要向广东、山东、浙江等大省输出较多，造成了自身的水资源压力更加紧迫。

4 结论与讨论

本文核算了中国各省域2007年、2012年、2015年、2017年4个年份的蓝水足迹和灰水足迹，采用多区域投入产出模型，将虚拟水流动与水资源压力概念相结合，从消费侧角度描述地区需求引起的稀缺水资源转移方向及程度，并运用SDA模型分析其驱动因素并进行聚类分析。得到以下研究结论：
（1）2007—2017年中国各省域最终需求引起的水资源压力转移程度逐步提高，全国各省份平均稀缺蓝水足迹向外地区转移程度由2007年的20.17%上升至2017年的23.31%，上升3.14%；稀缺灰水资源也呈现同样的现象，2017年较2007年各省份平均稀缺灰水足迹向外地区转移程度上涨4.45%。水资源压力向外转移程度低的省份主要位于西南和东南地区，水资源压力向外转移程度高的省份主要位于东北、西北地区以及上海、江苏等地，如黑龙江转移39.31%的稀缺蓝水足迹至其他地区。水资源压力向外转移程度高主要是由于本地水资源压力较小，或对外地隐含稀缺水含量大的商品需求较高。
（2）2007—2017年中国稀缺蓝水转移方向发生变化，西北地区逐渐成为全国其他地区稀缺蓝水的输出方，如甘肃稀缺蓝水输出比例2017年较2007年增长19.51%，主要由于西北地区稀缺水资源压力逐渐上涨；而中部地区省份（如江西、安徽等）由主要输出方向主要输入方转变，这主要是由于产业结构调整，如加大本地节水措施，进口隐含水资源较多的产品导致。而稀缺灰水的转移程度各地区随时间变化不大，各省域稀缺灰水输出量较均匀，中部地区和西北地区始终为主要输出方。
（3）第二、三产业、城镇居民消费、出口消费需求等对稀缺蓝水足迹变化起到正向贡献，平均贡献率分别达到67.22%、42.42%、30.92%，增加各省域水资源压力；对稀缺灰水足迹起正向贡献的因子包括第二产业生产结构、城镇居民消费、其他消费（平均贡献率分别为31.61%、34.40%、114.32%）。稀缺蓝水足迹减少的主要因素是技术提升（323.4%）、水资源压力指数减少（58.71%）、第一产业结构转型（1.47%）和部分省份第三产业的结构转变；而稀缺灰水的减少有赖于技术的提升（184.95%）、水资源压力指数减少（7.63%）和部分省份水资源压力的缓解。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Graham N T, Hejazi M I, Kim S H, et al. Future changes in the trading of virtual water. Nature Communications, 2020, 11(1): 3632. DOI: 10.1038/s41467-020-17400-4.

[2]
Jones E R, Bierkens M F P, van Vliet M T H. Current and future global water scarcity intensifies when accounting for surface water quality. Nature Climate Change, 2024, 14(6): 629-635. DOI: 10.1038/s41558-024-02007-0.

[3]
Allan J A. Fortunately there are substitutes for water: Otherwise our hydropolitical futures would be impossible//ODA. Priorities for Water Resources Allocation and Management. London: Overseas Development Administration, 1993: 13-26.

[4]
Sun Caizhi, Yan Xiaodong. Calculation and transfer analysis of grey water footprint in China's provinces and industries based on MRIO. Progress in Geography, 2020, 39(2): 207-218.

DOI

[ 孙才志, 阎晓东. 基于MRIO的中国省区和产业灰水足迹测算及转移分析. 地理科学进展, 2020, 39(2): 207-218.]

DOI

[5]
Long Aihua, Xu Zhongmin, Zhang Zhiqiang. Water footprint of four provinces (regions) in Northwest China in 2000. Journal of Glaciology and Geocryology, 2003(6): 692-700.

[ 龙爱华, 徐中民, 张志强. 西北四省(区)2000年的水资源足迹. 冰川冻土, 2003(6): 692-700.]

[6]
Hoekstra A Y. Virtual water trade. Proceedings of the International Expert Meeting on Virtual Water Trade, 2003: 12.

[7]
Aldaya M M, Chapagain A K, Hoekstra A Y, et al. The water footprint assessment manual. Routledge, 2012. DOI:10.4324/9781849775526.

[8]
Feng K S, Davis S J, Sun L X, et al. Drivers of the US CO2 emissions 1997-2013. Nature Communications, 2015, 6(1): 7714. DOI: 10.1038/ncomms8714.

[9]
Tian Peipei. Research on the coupling relationship between water, energy, and carbon in China based on MRIO[D]. Beijing: North China Electric Power University (Beijing), 2021.

[ 田沛佩. 基于MRIO的中国水—能—碳耦合关系研究[D]. 北京: 华北电力大学(北京), 2021.]

[10]
Feng K S, Hubacek K, Pfister S, et al. Virtual scarce water in China. Environmental Science & Technology, 2014, 48(14): 7704-7713. DOI: 10.1021/es500502q.

[11]
Zhao X, Li Y P, Yang H, et al. Measuring scarce water saving from interregional virtual water flows in China. Environmental Research Letters, 2018, 13(5): 054012. DOI: 10.1088/1748-9326/aaba49.

[12]
Wang L L, Ding X M, Wu X Y. Blue and grey water footprint of textile industry in China. Water Science and Technology: A Journal of the International Association on Water Pollution Research, 2013, 68(11): 2485-2491.

[13]
Jiang Qiuxiang, Wu Yunxing, Wang Zilong, et al. Temporal and spatial distribution patterns and spatial equilibrium analysis of water footprint in Heilongjiang province. Water Resources Protection, 2022, 38(5): 122-131.

[ 姜秋香, 吴云星, 王子龙, 等. 黑龙江省水足迹时空分布规律及空间均衡分析. 水资源保护, 2022, 38(5): 122-131.]

[14]
Zhao Yong, Huang Kejing, Gao Xuerui, et al. Evaluation of the impact of water footprint and virtual water flow on grain production in the Yellow River Basin. Water Resources Protection, 2022, 38(4): 39-47.

[ 赵勇, 黄可静, 高学睿, 等. 黄河流域粮食生产水足迹及虚拟水流动影响评价. 水资源保护, 2022, 38(4): 39-47.]

[15]
Jiang Qiuxiang, Li Xinying, Wang Zilong, et al. Research progress and prospects of water footprint and its driving forces. Ecological Science, 2021, 40(1): 192-199.

[ 姜秋香, 李鑫莹, 王子龙, 等. 水足迹及其驱动力研究进展及展望. 生态科学, 2021, 40(1): 192-199.]

[16]
Li Yanmei, Zhang Lei. Structural decomposition analysis of indirect domestic energy consumption of Chinese residents. Resources Science, 2008, 30(6): 890-895.

[ 李艳梅, 张雷. 中国居民间接生活能源消费的结构分解分析. 资源科学, 2008, 30(6): 890-895.]

[17]
Wu Biai, Gao Jianhua, Xu Chong. Decomposition analysis of carbon emissions in Henan province based on industrial structure and energy structure. Economic Geography, 2010, 30(11): 1902-1907.

[ 吴彼爱, 高建华, 徐冲. 基于产业结构和能源结构的河南省碳排放分解分析. 经济地理, 2010, 30(11): 1902-1907.]

[18]
Cai B M, Zhang W, Hubacek K, et al. Drivers of virtual water flows on regional water scarcity in China. Journal of Cleaner Production, 2019, 207: 1112-1122.

DOI

[19]
Wang X M, Huang K, Yu Y J, et al. An input-output structural decomposition analysis of changes in sectoral water footprint in China. Ecological Indicators, 2016, 69: 26-34.

[20]
Cai Beiming. Temporal and spatial changes of water footprint in China and its driving mechanism research[D]. Nanjing: Nanjing University, 2017.

[ 蔡北溟. 中国水足迹时空变化及其驱动机制研究[D]. 南京: 南京大学, 2017.]

[21]
Wang Guangqian, Zhang Yu, Xie Di, et al. China's green water pattern and its strategic significance. Acta Geographica Sinica, 2023, 78(7): 1641-1658.

DOI

[ 王光谦, 张宇, 谢笛, 等. 中国绿水格局及其战略意义. 地理学报, 2023, 78(7): 1641-1658.]

DOI

[22]
Sun Siao, Wang Jing, Qi Wei. Urban-and-rural virtual water trade of Qinghai-Tibet Plateau: Patterns and influencing factors. Acta Geographica Sinica, 2020, 75(7): 1346-1358.

DOI

[ 孙思奥, 王晶, 戚伟. 青藏高原地区城乡虚拟水贸易格局与影响因素. 地理学报, 2020, 75(7): 1346-1358.]

DOI

[23]
Liu Weidong, Chen Jie, Tang Zhipeng, et al. Therories and Practice of Constructing China's Interregional Input-Output Tables between 30 Provinces in 2007. Beijing: China Statistics Press, 2012.

[ 刘卫东, 陈杰, 唐志鹏, 等. 中国2007年30省区市区域间投入产出表编制理论与实践. 北京: 中国统计出版社, 2012.]

[24]
Carbon Emission Accounts & Datasets (CEADs). China Multi-Regional Input-Output Table 2012, 2015, 2017.

[25]
Han Qin, Sun Caizhi, Zou Wei. Measurement and analysis of driving modes of inter-provincial grey water footprint efficiency in China from 1998 to 2012. Resources Science, 2016, 38(6): 1179-1191.

[ 韩琴, 孙才志, 邹玮. 1998—2012年中国省际灰水足迹效率测度与驱动模式分析. 资源科学, 2016, 38(6): 1179-1191.]

DOI

[26]
Li Fei, Dong Suocheng. Study on pollution load and resource utilization path of livestock and poultry breeding in western China. Resources Science, 2011, 33(11): 2204-2211.

[ 李飞, 董锁成. 西部地区畜禽养殖污染负荷与资源化路径研究. 资源科学, 2011, 33(11): 2204-2211.]

[27]
Zhu Zhaoliang. Losses of nitrogen fertilizer in farmland and countermeasures. Soil and Environmental Sciences, 2000(1): 1-6.

[ 朱兆良. 农田中氮肥的损失与对策. 土壤与环境, 2000(1): 1-6.]

[28]
Wang Xiaomeng, Huang Kai, Yang Shunshun, et al. Evolution of water footprint in China's industrial sectors and analysis of its influencing factors. Journal of Natural Resources, 2014, 29(12): 2114-2126.

[ 王晓萌, 黄凯, 杨顺顺, 等. 中国产业部门水足迹演变及其影响因素分析. 自然资源学报, 2014, 29(12): 2114-2126.]

[29]
Pfister S, Koehler A, Hellweg S. Assessing the environmental impacts of freshwater consumption in LCA. Environmental Science & Technology, 2009, 43(11): 4098-4104.

[30]
White D J, Feng K H, Sun L X, et al. A hydro-economic MRIO analysis of the Haihe River Basin's water footprint and water stress. Ecological Modelling, 2015, 318: 157-167.

[31]
Tian Xin, Xiong Yiling, Liu Shangwei, et al. The transfer pattern of inter-provincial water resource pressure in China. China Population, Resources and Environment, 2020, 30(12): 75-83.

[ 田欣, 熊翌灵, 刘尚炜, 等. 中国省际水资源压力的转移模式. 中国人口·资源与环境, 2020, 30(12): 75-83.]

Options
文章导航

/

〈 〉