中国能源-粮食生产对水资源竞争的关系——基于水足迹的视角

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

郝帅^,¹, 孙才志^,², 宋强敏¹

1.辽宁师范大学地理科学学院,大连 116029

2.辽宁师范大学海洋经济与可持续发展研究中心,大连 116029

Study on the competitive relationship between energy and food production for water resources in China:From a perspective of water footprint

HAO Shuai^,¹, SUN Caizhi^,², SONG Qiangmin¹

1. School of Geography, Liaoning Normal University, Dalian 116029, Liaoning, China

2. Center for Studies of Marine Economy and Sustainable Development, Liaoning Normal University, Dalian 116029, Liaoning, China

通讯作者: 孙才志（1970-）,男,山东烟台人,教授,博士生导师,研究方向为水资源经济与海洋经济。E-mail: suncaizhi@lnnu.edu.cn

收稿日期:2020-06-15接受日期:2020-09-9网络出版日期:2021-06-10

基金资助:

国家社会科学基金重点项目.19AJY010

Received:2020-06-15Accepted:2020-09-9Online:2021-06-10
作者简介 About authors
郝帅（1992-）,男,河南安阳人,博士研究生,研究方向为资源环境与区域可持续发展。 E-mail: haoshuai0914@126.com

摘要
通过对水-能源-粮食系统的定量分析,能更好的探究三者之间的协同作用,对提高区域资源综合利用效率、促进区域可持续发展具有重要意义。本文基于水足迹视角探讨了1990—2017年中国31个地区能源-粮食生产对水资源的竞争关系,并借助ESTDA模型框架对其时空动态特征进行分析。结果表明：① 中国化石能源水足迹的时间演变特征可分为缓慢下降-快速上升-平稳下降3个阶段,其中化石能源灰水足迹平均占化石能源水足迹的70%以上;电力水足迹呈持续上升态势,其中电力蓝水足迹平均占电力水足迹的70%以上;粮食蓝水足迹上升幅度明显,平均占农业用水总量的70%以上。② 能源-粮食水足迹总量空间分布格局受区域资源禀赋差异影响较大。③ 时间序列上,中国能源-粮食生产对水资源竞争指数呈逐年上升态势;空间分布上,同时兼顾能源生产与粮食生产的黄河中下游区、东北地区为竞争指数高值集聚区,其余地区竞争指数相对较小。④ LISA时间路径分析显示,中国南方地区能源-粮食水资源竞争指数的空间格局的稳定性比北方更强;各地区在不同程度上均受局部结构的时空依赖效应影响;竞争指数空间格局变化具有较强的整合性且空间凝聚性较强。⑤ 能源-粮食生产对水资源的竞争在短期内难以得到有效缓解。
关键词： 水足迹;水-能源-粮食关联;竞争关系;ESTDA模型;时空分析;中国

Abstract

Water, energy and food (WEF) are key elements of economic and social sustainable development. In China, water security is the most prominent problem in the WEF-nexus, which is manifested in the competitive relationship between food and energy production for water. Therefore, the matter of alleviating water resources stress and pressure has become a hot issue. In this paper, we measured the water footprint of major energy (coal, oil, natural gas), power(thermal power, hydropower nuclear power, wind power and solar power) generation, and food blue water footprint in 31 provincial-level regions of China from 1990 to 2017. Energy-food for water resources model and ESTDA model were used to analyze the competition state of energy-food for water resources and the dynamic characteristics of spatio-temporal pattern in the study period. The results showed that: (1) The temporal evolution of fossil water footprint in China can be divided into three stages: slow decline, rapid rise and steady decline. The water footprint of electricity showed a continuous upward trend, and the average blue water footprint of electricity contributed more than 70%. Blue water footprint of food increased significantly, accounting for more than 70% of the total agricultural water used. (2) On the spatial distribution, high values of fossil energy water footprint are mainly observed in the areas with abundant coal, oil and gas resources; the power water footprint is roughly in the thermal power and hydropower gathering area bounded by the “Bo-Tai line” (Bole city-Taipei city), and other electricity water footprint accounts for less than 2%. The high value areas of blue water footprint of grain are mainly concentrated on the east side of the Heihe-Tengchong Line. (3) On time series, China's energy -food water resources competition index has increased year by year, from 0.22 in the early stage to 0.53 in the late stage. On the spatial distribution, the middle and lower reaches of the Yellow River and Northeast China, considering energy production and grain production, are the gathering areas with a relatively high competition index, while the remaining regions have a relatively small competition index. (4) LISA time path analysis showed that the spatial pattern of energy-food water resources competition index in southern China is more stable than that in northern China. All regions are affected by spatio-temporal dependence of local structure to varying degrees.The LISA spatial and temporal transition showed that the energy-food water resources competition index in various regions has strong spatial cohesion, and there are certain path dependence and locking characteristics. The results can provide reference for the coordinated development of regional energy, food production and water resources, and will help the government to make some effective policies. (5) The competition between energy and food production for water resources is difficult to be effectively alleviated in the short term.

Keywords：water footprint;water-energy-food nexus;competition relationship;ESTDA model;spatio-temporal analysis;China

PDF (15162KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
郝帅, 孙才志, 宋强敏. 中国能源-粮食生产对水资源竞争的关系——基于水足迹的视角. 地理研究[J], 2021, 40(6): 1565-1581 doi:10.11821/dlyj020200525
HAO Shuai, SUN Caizhi, SONG Qiangmin. Study on the competitive relationship between energy and food production for water resources in China:From a perspective of water footprint. Geographical Research[J], 2021, 40(6): 1565-1581 doi:10.11821/dlyj020200525

1 引言

2015年,联合国公布了17项可持续发展目标（Sustainable Development Goals,SDGs）成为2030年可持续发展议程的核心内容,其中SDG2、SDG6和SDG7重点阐述了粮食、水与能源对未来各国实现可持续发展的重要意义^[1]。2010年以来,中国已成为世界第一能源大国,2018年中国能源消费占世界能源消费总量的23.6%,而且中国能源对外依存度约为21%,同比增长1%^[2]。2017年,中国总用水量达到6043亿m³,生活用水量占总用水量13%以上,农业用水量占全国60%以上,能源用水量也超过10%^[3]。保障能源安全、粮食安全与水资源安全,同时转变能源生产与消费结构,已成为当前中国经济向高质量转变的重要挑战。党的十九大报告将“推进能源生产和消费革命,构建清洁低碳、安全高效的能源体系。推进资源全面节约和循环利用,实施国家节水行动”纳入生态文明体制改革^[4];2020年政府工作报告将“保粮食能源安全”纳入“六保”工作^[5]。因此,如何在中国经济向高质量转变的背景下,实现水资源节约利用、能源结构优化升级及粮食稳产高产三者之间的协调可持续发展已成为当前研究的热点与前沿。

2011年于波恩召开的“水-能源-粮食安全纽带：绿色经济解决方案”会议,将三者间的关系有机地结合起来,并称之为“纽带”^[6]。目前,相关领域****就水资源、能源、粮食三者间的内在联系开展了一系列研究,并取得了丰富的研究成果。就研究对象来看,从某一具体行业到城市、国家及全球尺度均有涉及^[7,8,9];就其研究方法而言,多集中于调查和数量统计法^[10]、投入产出法^[11,12]、计量经济学分析法^[13]、生态网络分析法^[14,15]、生命周期分析法^[16,17]、系统动力学模型^[18,19]、综合指数^[20,21]等。Smajal等依赖于有关领域的专家组调查数据,运用德尔菲法识别了不同部门间的相互作用关系,并以此构建了湄公河流域水-能源-粮食关系的动态评估框架^[10];Ozturk通过多元回归分析发现,随着能源和水资源的供需缺口的扩大,粮食安全将对金砖五国构成严重挑战^[13];Chen等利用投入产出模型及网络分析模型,分析了北京市各部门水资源与能源的消耗状况,结果表明水资源网络的再循环率为22%~23%,低于能源网络（28%~29%）^[15];Ravar等利用系统动力学模型对伊朗Gavkhuni盆地的水-粮-能的资源安全与纽带进行测度^[18];王慧敏等构建“水-能源-粮食”PSR模型和SD模型,并以此提出WEF协同安全框架,进而对山东省开展了“水-能源-粮食”纽带关系下的区域绿色发展政策仿真研究^[19];孙才志等利用耦合协调度模型及空间计量方法对中国省际水-能源-粮食系统进行测度分析^[20,21];施海洋等基于“水-能源-食物-生态”纽带因果关系和贝叶斯网络,分析锡尔河流域的用水状况,结果表明贝叶斯网络能有效模拟纽带中因果关系的强弱与不确定性^[22];周露明等基于农业生产中水-能源-粮食纽带关系,采用DEA模型对2010—2017年中国31个地区的农业资源投入产出效率进行研究^[23];Han等利用乘数数据包络分析模型,对2005—2017年中国30个省份的WEF关联效率进行了评估,并从耦合度和耦合协调度两个角度探讨了WEF系统间的耦合作用关系,并利用K均值聚类方法对效率值进行聚类分析^[24]。

综上所述,水-能源-粮食系统是动态开放的复杂系统,也存在复杂的协同竞争关系,当前研究主要在于探讨三者间的相互关系及针对食物或能源生产过程中对水资源的占用和消耗,以及如何提高资源利用效率等,但尚未构建完整的有关水-能源-粮食系统研究的理论框架体系,因此在研究方法、研究视角及维度等方面仍需深入探究。随着中国经济的发展,粮食与能源生产量的逐年提升以及水污染问题的日益凸显,势必对水-能源-粮食系统产生深远的影响,此外,中国水资源分布与粮食生产、化石能源分布存在空间不匹配现象,也必将加剧能源-粮食生产过程中对水资源的竞争。而厘清水、能源与粮食之间的相互作用关系是研究该系统的关键,水足迹作为衡量区域产品或服务中水资源量的有效手段,能够有效地将区域经济发展过程中能源消耗、粮食生产与水资源状况联系在一起^{[25,26,27,28,29]},进而成为研究能源-粮食生产对水资源竞争关系的主要方法。鉴于此,本文基于水足迹视角,首先对中国31个地区的三种化石能源（煤炭、石油、天然气）和五种电力能源（火电、水电、核电、风能和太阳能）及粮食生产过程中的水资源消耗进行核算,在此基础上对能源-粮食生产对水资源竞争状态进行定量测度,最后利用探索性时空数据分析（ESTDA）模型探讨其时空动态特征。以期揭示中国能源-粮食生产对水资源竞争的时空变化特征,为实现区域能源、粮食生产与水资源的协调发展提供参考。

2 研究方法与数据来源

2.1 计算边界的确定

本文计算能源水足迹时涉及化石能源系统和电力系统,图1和图2展示了基于生命周期视角下的能源生产系统的边界。其中能源蓝水足迹是指在能源生产过程中对地表径流及地下水资源的使用量;能源灰水足迹是指将能源生产过程中排放的污染物吸收同化所需要的淡水体积。

图1

新窗口打开|下载原图ZIP|生成PPT
图1化石能源水足迹核算系统边界

Fig. 1System boundaries of the water footprint of energy

图2

新窗口打开|下载原图ZIP|生成PPT
图2电力能源水足迹核算系统边界

Fig. 2System boundaries of the water footprint of power

2.2 能源水足迹计算模型

能源水足迹计算主要分为直接水足迹和间接水足迹两部分（图1、图2）。直接水足迹是指能源生产过程中所消耗的水资源量;间接水足迹是指在该过程中所投入的物质资料（如材料、能源及其他资源）带来的间接水足迹^[25]。相关计算公式如下：

（1）

W_{E} = W_{direct} + W_{indirect} = W_{blue, direct} + W_{grey, direct} + W_{bl ue, indirect} + W_{grey, indirect}

式中：W_E表示能源水足迹（亿m3）;W_direct、W_indirect分别指直接水足迹和间接水足迹（亿m3）;W_blue_,_direct、W_grey_,_direct分别指直接蓝水足迹和直接灰水足迹（亿m3）;W_blue_,_indirect、W_grey_,_indirect分别指间接蓝水足迹和间接灰水足迹（亿m3）。

而考虑到能源生产整个生命周期过程,上述公式可进一步表达为：

（2）

W_{E} = \sum_{i = 1} (W_{i (blue, direct)} + W_{i (grey, direct)}) + \sum_{j = 1} (W_{j (blue, indirect)} + W_{j (grey, indirect)})

式中：i表示生产过程;j表示能源类别;其他变量与式（1）相同。

能源灰水足迹计算公式如下：

（3）

W_{grey, direct} = \frac{G}{C_{\max} - C_{nat}} = \frac{L \times V_{p}}{C_{\max} - C_{nat}}

式中：G表示单位能源生产所排放的污染物量（mg/GJ）;L表示单位能源生产废水排放量（m3/GJ）;V_p表示单位废水中污染物含量（mg/m3）;C_max表示水质标准允许排放的污染物最大浓度（mg/m3）;C_nat表示水体中污染物的初始浓度（mg/m3）,本文以0计入。需要说明的是,工业生产过程中所排放的废水中含有多重污染物,但化学需氧量（COD）是衡量工业部门（尤其是能源部门）废水排放中有机污染的一个重要指标^[25],因此,本文在计算灰水足迹时选取COD作为评价指标。

2.3 粮食生产蓝水足迹计算模型

粮食生产水足迹主要包括蓝水足迹、绿水足迹和灰水足迹。蓝水足迹是指在粮食生产过程中农作物对区域地表水或地下水的消耗量;绿水足迹则通常指粮食生产过程中消耗的降水及储存在作物中的水;灰水足迹表示粮食生产过程中用于稀释该过程产生的污染物的新鲜水的体积。根据现有的研究^[27,28],本文仅计算粮食（谷物、豆类及薯类）生产的蓝水足迹,相关公式如下：

（4）

W_{i, blue}^{f} = I R_{i}^{f} S_{i, IR}^{f} = \frac{I R_{i} S_{i}}{S_{i}^{f} + α_{i} S_{i}^{E}} \times \frac{S_{i, IR} S_{i}^{f}}{S_{i}}

式中：

W_{i, blue}^{f}

表示区域i粮食生产蓝水足迹（m3）;

I R_{i}^{f}

和

S_{i, IR}^{f}

分别表示单位粮食面积灌溉用水（m3/hm²）和粮食灌溉面积（khm²）;IR_i和S_i分别表示区域i单位面积灌溉水量（m3）和农作物播种面积（khm²）;

S_{i}^{f}

、

S_{i}^{E}

、α_i分别表示区域i粮食播种面积（khm²）、其他农作物播种面积（khm²）、经济作物与粮食作物灌溉比例;

S_{i, IR}

指i区域有效灌溉面积（khm²）。

2.4 能源-粮食生产对水资源竞争指数计算模型

根据上述公式及相关研究^[27,28,29],引入能源-粮食生产对水资源竞争指数模型：

（5）

EFCI = 2 \sqrt[]{I_{E} \times I_{F}}

（6）

I_{E} = \frac{W_{E}}{W_{total}} I_{F} = \frac{W_{i, blue}^{f}}{W_{total}}

式中：EFCI表示能源-粮食生产对水资源竞争指数（无量纲）;I_E表示区域能源生产水足迹与区域总用水量比率（无量纲）;W_total表示区域用水总量（m3）;I_F表示区域粮食生产蓝水足迹与区域总用水量比率（无量纲）。

2.5 探索性时空数据分析方法

当前,区域差异性研究主要体现在地理要素不均衡性分析中的时空思维运用,有关地理要素空间分布的动态性特征研究仅注重空间维度,忽视了时间因素对地理要素空间分布状态的影响,而只有将地理要素的时间属性与空间属性相结合,才能更加准确的揭示地理要素空间分布的动态规律^[30]。Rey等在原有的偏重于空间维度的探索性空间数据分析（ESDA）框架中加入时间维度,进而提出了探索性时空数据分析（ESTDA）框架,从而实现了时间与空间的良性耦合^[31,32]。该模型已在研究地理要素时空动态性分析中得以运用,并取得了理想结果^[33,34]。ESTDA模型主要包括LISA时间路径、LISA时空跃迁等,具体公式见黄睿等^[30,33,34]。

2.6 数据来源与相关参数确定

2.6.1 数据来源选取中国31个省级行政单元（不包括香港特别行政区、澳门特别行政区和台湾地区）1990—2017年相关数据对能源-粮食水资源竞争关系进行研究。化石能源生产量来源于《中国能源统计年鉴》,电力数据来源于《中国电力年鉴》及国际可再生能源机构（International Renewable Energy Agency,IRENA）（http://cms.irena.org/）。各种能源发热量数据来源于2018年《中国能源统计年鉴》平均低位发热量;区域用水量来源于相应年份的《中国统计年鉴》及《中国水资源公报》;涉及粮食蓝水计算数据来源于《中国统计年鉴》及《中国农村统计年鉴》。

2.6.2 化石能源水足迹计算参数确定 ① 原煤水足迹计算相关参数。在计算原煤水足迹时分为开采和洗煤两部分,根据清洁生产标准-煤炭采选业（HJ 446-2008）,原煤生产及选煤耗水量分别为0.3 m3/t和0.15 m3/t,该过程中废水化学需氧量产生量分别为300 g/t、40 g/t。根据煤炭工业污染排放标准（GB 20426-2006）,采煤及选煤过程中COD排放限值为50 mg/L、70 mg/L。② 原油水足迹计算相关参数。原油水足迹计算分为开采和加工,根据清洁生产技术要求-石油天然气开采业-稠油开采（征求意见稿）原油开采过程中新鲜水消耗量为7 m3/t,并根据相关文献^[35],加工过程中水资源消耗量为0.068 m3/GJ,根据石油炼制工业污染物排放标准（GB 31570-2015）,石油炼制工业废水排放中COD排放限值为50 mg/L。囿于数据限制,本文不涉及有关原油加工直接灰水足迹计算。③ 天然气水足迹计算相关参数。天然气蓝水足迹主要与天然气开采井的位置和加工工厂的水消耗量有关;天然气灰水足迹主要与去除H₂S和CO₂净化过程中废水排放量有关。天然气开采过程中直接蓝水为0.003 m3/m3,加工过程中直接蓝水为0.109 m3/GJ^[35,36]。由于缺乏天然气行业污染物排放标准,参考《地表水环境质量标准》（GB 3838-2002）中Ⅲ类水质规定的污染物含量选取COD排放浓度标准为20 mg/L。囿于数据限制,本文不涉及天然气加工部分直接灰水足迹核算。④ 由于《中国环境统计年鉴》将石油开采业COD排放量与天然气开采业COD排放量作为一个总值进行统计,因此,本文将按照石油和天然气开采过程中直接蓝水占比作为石油和天然气开采过程中COD排放量比例。

2.6.3 电力水足迹计算参数确定 ① 火电水足迹计算中,直接蓝水足迹主要指冷却系统用水,但考虑到装机容量及冷却系统的差异,因此根据相关研究^[25],采用2.45 m3/MWh作为火电直接蓝水足迹计算当量。火电直接灰水足迹根据火电行业主要污染物排放系数表进行计算,火电行业能源投入数据来源于《中国能源统计年鉴》中全国及各地区能源平衡表。火电间接水足迹（蓝水与灰水）是指火电生产过程中能源投入的蓝水足迹和灰水足迹。② 水电水足迹主要包括水电生产阶段的直接水足迹和大坝建设过程中的间接水足迹。中国水电站平均直接蓝水足迹取6.75 m3/GJ,间接蓝水足迹为0.00168 m3/GJ^[25,37]。③ 核电水足迹直接部分仅涉及核电生产环节,核电直接蓝水足迹取0.015 m3/GJ^[38];且在该过程中COD产生量为36.62 mg/MWh。核电水足迹间接部分涉及铀矿开采与转化、浓缩、核燃料制备与加工等阶段,核电间接蓝水足迹为0.086 m3/GJ^[35],且在该过程中COD产生量为874 mg/MWh,此外,由于缺乏核电行业废水排放标准,故在计算核电灰水足迹时,依据《地表水环境质量标准》（GB 3838-2002）中Ⅲ类水质规定的污染物含量选取COD排放浓度标准为20 mg/L。④ 风能与太阳能水足迹计算。通常看,在风力发电与太阳能发电的过程中一般不需要涉及水资源消耗。相关研究表明^[39,40],设计寿命为20年的风力发电设备,年限内水资源消耗41967 m3,发电量为81.54 GWh;设计寿命为30年的太阳能发电设备,年限内水资源消耗1742.5 m3,发电量为66000 kWh,并参考Gerbens-Leenes等,得出风能与太阳能的间接蓝水足迹分别为0.0005 m3/kWh和0.265 m3/GJ^[35]。

3 结果分析

3.1 中国能源-粮食水足迹时空演变特征分析

3.1.1 中国能源-粮食水足迹时间序列演变分析根据相关数据,由公式（1）~公式（4）计算得出1990—2017年中国31个省级行政单元能源水足迹和粮食蓝水足迹（图3）。

图3

新窗口打开|下载原图ZIP|生成PPT
图31990—2017年中国能源-粮食水足迹变化趋势

Fig. 3The variation trend of water footprint of energy and power of China from 1990 to 2017

图3a显示,中国化石能源水足迹总量变化趋势可分为3个阶段。第一阶段（1990—2002年）化石能源水足迹呈现波动下降态势,从91.26亿m3降至75.47亿m3,降幅17.3%。从其结构来看,化石能源灰水足迹年均占比超过75%,其中煤炭灰水足迹占比最大（57.94%）,原油灰水足迹次之（3.91%）,天然气灰水足迹最小（0.6%）。化石能源蓝水足迹在该阶段呈增加趋势,增幅38.6%。第二阶段（2003—2013年）化石能源水足迹总量呈明显上升态势（增幅164.9%）,并在2013年达到最大值（213.67亿m3）。化石能源灰水足迹总量增加超过100亿m3,增幅超过200%,其中煤炭灰水足迹年均占比达到94%。化石能源蓝水足迹呈持续增加态势,较第一阶段增加44个百分点。第三阶段（2014—2017年）,该阶段内化石能源水足迹总量呈逐年下降趋势,且化石能源灰水足迹的变化趋势与化石能源水足迹总量变动趋势一致,而化石能源蓝水足迹基本保持平稳态势,增幅较小。究其原因：第一阶段时期中国经济增速较快,区域经济发展方式较为粗放,资源利用效率较低,致使化石能源灰水足迹占比较大,但由于该阶段经济规模较小,因此化石能源水足迹年均总量为83亿m3,与樊新刚等所得“2005年以前中国属‘低自组织能力、低生态压力’阶段”结论基本一致;而随着西部大开发战略的实施,加之中国经济规模的不断增加,化石能源开采总量持续增加,煤炭、石油开采总量分别在2012年、2013年达到峰值,致使化石能源水足迹总量与化石能源灰水足迹总量持续增加,生态环境压力凸显。相关研究也表明,自2005年以后中国可持续发展状态进入“低自组织能力、高生态压力”阶段^[41]。但随着能源发展“十二五”规划、能源发展战略行动计划（2014—2020年）的发布,以及推动能源生产和利用方式转变、调整优化能源结构、推进能源科技创新等一系列措施的实施,加之党的十八大以来中国在绿色经济转型、生态环境治理等方面取得的显著成效,化石能源水足迹总量、化石能源灰水足迹总量呈现下降态势,但由于中国经济社会发展对能源的刚性需求较大,节能、降耗、减排的压力仍然巨大。

图3b显示,1990—2017年中国电力水足迹总量呈持续增长态势,由64.99亿m3增加至506.75亿m3,增幅679.78%。从其结构来看,电力蓝水足迹平均占比77%,2017年中国电力蓝水足迹总量为413.39亿m3,是研究初期的9倍以上;而水电蓝水足迹平均占比最大（65.54%）,火电次之（34.28%）,其他电力蓝水足迹平均占比不足2%。电力灰水足迹平均占比在20%左右,且呈逐年递减态势,同时火电灰水足迹的变化主导着电力灰水足迹的变化,核电灰水足迹平均占比不足0.1%。综合来看,水电作为一种清洁能源,其水足迹占比的不断提升,反映了中国在能源结构调整方面成效显著;根据中国水电发展“十三五”规划,2020年和2025年中国水电装机容量将达到3.4亿kw和3.8亿kw,未来水电对于调整优化中国能源消费结构,缓解由化石能源灰水足迹带来的水生态环境问题具有重要意义。

图3c显示,1990—2017年中国粮食蓝水足迹由研究初期的2496.45亿m3增加至末期的3379.63亿m3,增加35.38%,平均蓝水足迹为2753.74亿m3,且平均占农业用水总量的70%以上,单位粮食生产蓝水足迹则呈逐年下降的趋势,由研究初期的0.56m³/kg降至研究末期的0.51m³/kg。在中国粮食产量“十二连增”（2003—2015年）期间,粮食蓝水足迹平均超过2800亿m3,单位粮食生产蓝水足迹平均为0.52m³/kg,这反映出中国粮食产量的提升很大程度上依赖于农田灌溉。

3.1.2 中国能源-粮食水足迹空间格局分析为能够进一步揭示中国能源-粮食水足迹的空间差异,根据1990—2017年中国能源水足迹和粮食蓝水足迹的计算结果,运用ArcGIS 10.2、Adobe Illustrator CC 2019软件,参考现有的研究成果^[27,28]选取1990年、2000年、2010年和2017年数据,采用自然断点与人工辅助相结合的方法,将能源-粮食水足迹总量和粮食蓝水足迹划分5个级别,进而绘制中国能源-粮食水足迹空间分布图（图4）。

图4

新窗口打开|下载原图ZIP|生成PPT
图4中国能源-粮食水足迹总量的空间分布

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)4624号）绘制,底图无修改;图中数字表示六类能源水足迹中的最大值;其他电力水足迹包括核电、风电和太阳能水足迹。
Fig. 4The spatial distribution of provincial water footprint of energy and power of China

由图4可知,1990年能源-粮食水足迹总量处于Ⅰ~Ⅴ水平的地区个数分别为9个、9个、6个、5个和2个,其中西藏最低（8.40亿m3）,天津次之（11.36亿m3）,江苏和广东均超过200亿m3,广东（274.46亿m3）是西藏的30倍以上。在77.43亿m3以内的地区数量达到18个,占比超过58%,说明研究初期中国能源-粮食水足迹总量普遍较低。2000年,新疆、内蒙古、宁夏、云南、贵州、广西6个地区能源-粮食水足迹总量增幅相对较大,其中广西、云南、新疆的增加量均超过20亿m3,全国整体较1990年呈上升态势。2010年,黑龙江、新疆、江苏、广东、广西5个地区的能源-粮食水足迹总量均超过200亿m3,Ⅲ级及以上水平的地区达到19个,全国整体进一步提升。研究末期,内蒙古、吉林、黑龙江、安徽、四川、云南6个地区的能源-粮食水足迹总量较2010年增幅明显,其中黑龙江增加量超过100亿m3,总量到达403.58亿m3;北京、上海、浙江等8个地区总量呈下降状态,但平均减少了6亿m3左右。整体而言,中国区域能源-粮食水足迹总量持续增加。

从区域能源-粮食水足迹总量的构成来看。① 化石能源水足迹。中国各地区能源水足迹构成主要是化石能源水足迹,其中1990年以煤炭水足迹为主的地区有17个,主要分布在东北、黄河流域、新疆及长江流域的部分省份,一方面在于上述地区是中国煤炭的主要产地,另一方面在于20世纪90年代中国经济总量较小,科技水平相对较低,相比石油、天然气而言,煤炭开采难度、开采成本相对较低,致使中国在该时期煤炭水足迹占化石能源水足迹占比普遍偏高。随着科技水平的提升及西部大开发等区域发展战略的实施,化石能源水足迹呈持续上升态势。2012—2015年中国将生态文明建设纳入中国特色社会主义事业五位一体总体布局,同时发布节能减排“十二五”规划、能源发展“十二五”规划、能源发展战略行动计划（2014—2020年）,并实施供给侧结构性改革等一系列调整优化能源结构措施,因此,研究末期中国各地煤炭水足迹增幅降低,其高值区主要分布在新疆、黄河中下游的宁夏、内蒙古、陕西、山西等地区,而石油水足迹高值区主要分布在东北、环渤海及新疆等油气资源富集区,分布范围相对稳定。② 电力水足迹。火电水足迹的高值区主要分布在华北、东北、新疆等化石能源富集区和东部沿海等经济发达地区（如山东、江苏、浙江、广东）。水电水足迹的分布受水资源丰度的影响,主要分布在西北地区的甘肃、新疆、青海、西藏,西南5省市及湖北、湖南、江西、福建等地区。2017年,形成以内蒙古、宁夏、陕西、河南、安徽、浙江为界线的火电、水电水足迹分布集聚区,该界线与方创琳提出的博台线（博乐市-台北市）^[42]基本一致。其他电力水足迹规模整体较小,2017年,核电、风电、太阳能仅占总发电量的10.41%,其中浙江、广东、福建3个地区占全国核电的3/4,内蒙古的风力发电接近全国的1/5,新疆、青海、内蒙古3个地区的太阳能发电量占全国的34.85%。中国可再生能源发电和核电站总发电量的比例由1990年的20.34%提升到2017年的29%,原因在于中国清洁能源技术扩散较为缓慢^[43],未来大力发展清洁能源技术、提高清洁能源消费占比,成为实现区域能源消费可持续发展的关键所在。③ 粮食蓝水足迹。研究期内,中国各地区粮食蓝水足迹除个别地区,均呈现不同程度的上升态势,其中粮食蓝水足迹超过100亿m3的地区个数由1990年的9个增加至2017年的14个,其中黑龙江和新疆的粮食蓝水足迹超过了200亿m3。整体而言,粮食蓝水足高值区主要集中在中国第三阶梯及内蒙古、新疆、四川等地区。这主要取决于区域耕地资源与水热条件的匹配程度。

3.2 中国能源-粮食生产对水资源竞争关系时空演变特征分析

3.2.1 中国能源-粮食生产对水资源竞争时间序列分析由公式（5）和公式（6）计算1990—2017年中国能源-粮食生产对水资源的竞争指数,并根据国务院发布《地区协调发展的战略和政策》报告,将中国分为八大区域^①(①东北区包括：辽宁、吉林、黑龙江;北部沿海区包括：北京、天津、河北、山东;东部沿海区包括：上海、江苏、浙江;南部沿海区包括：福建、广东、海南;黄河中游区包括：陕西、山西、河南、内蒙古;长江中游区包括：湖北、湖南、江西、安徽;西南区包括：云南、贵州、四川、重庆、广西;西北区包括：甘肃、青海、宁夏、西藏、新疆。),并以此绘制时间变化趋势图（图5）。

图5

新窗口打开|下载原图ZIP|生成PPT
图51990—2017年中国能源-粮食生产对水资源竞争时间变化趋势

Fig. 5The variation trend of energy-food competition index for water resources in China from 1990 to 2017

图5显示,1990—2017年间,竞争指数呈逐年上升趋势,由研究初期的0.22上升至末期的0.53,分时段来看,1990—2005年变动幅度较小,相比1990年,2005年竞争指数增加27%,整体处于0.3以内。2006—2017年竞争指数增幅超过70%,上升速度较快。其原因在于,2005年之前,中国生态压力较低,区域水资源能够兼顾能源开发利用与粮食生产的需要,但随着经济规模的持续增加,能源需求不断扩大,加之粮食产量的逐年提升,由此导致竞争指数持续上升。从分区域来看,长江中游区、南部沿海区及东部沿海区的竞争指数均低于相同时间内的全国平均值,东北区及北部沿海区的变化趋势较为一致,2011年后均低于全国平均值,西北区自2009年始,增速逐渐加大,且高于相同时段内的全国平均值,西南区及黄河中游区的竞争指数在研究时段内一直高于全国平均水平,尤其是自2011年以来,黄河中游区竞争指数一直处于0.8以上的高位。

3.2.2 中国能源-粮食生产对水资源竞争空间格局分析为能够科学的揭示中国能源-粮食生产对水资源竞争的空间分布特征及其演变规律,选取1990年、2000年、2010年及2017年数据,根据相关研究^[27,28],将竞争指数划分为7级,即：Ⅰ（0<EFCI≤0.20）、Ⅱ（0.20<EFCI≤0.40）、Ⅲ（0.40<EFCI≤0.60）、Ⅳ（0.60<EFCI≤0.80）、Ⅴ（0.80<EFCI≤1.00）、Ⅵ（1.00<EFCI≤1.20）、Ⅶ（1.2<EFCI≤1.40）。并据此绘制其空间分布图及1990—2017年各区域状态变化趋势图（图6）。

图6

新窗口打开|下载原图ZIP|生成PPT
图6中国能源-粮食生产对水资源竞争空间分布

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)4624号）绘制,底图无修改。
Fig. 6The spatial distribution of provincial energy-food competition index for water resources in China

图6显示,1990年,竞争指数处于Ⅰ级水平的有14个,主要分布长江以南等地区,处于Ⅱ级水平的16个,主要分布在东北、黄淮海平原及西部的陕西、甘肃、青海、四川等地区,仅山西为Ⅳ级水平,竞争指数达到0.72。辽宁、山西、河南、山东等9个地区能源-粮食水足迹总量平均为42.64亿m3,但能源水足迹占比超过10%,其中山西超过35%,但整体而言全国竞争指数平均水平较低（0.23）。相比1990年,2000年中国各地区竞争指数呈现普遍上升的态势,内蒙古、宁夏、重庆等8个地区由Ⅰ级水平提升至Ⅱ级水平,山西的竞争指数上升至0.92,能源水足迹占比达到41.6%,北京、天津、上海、青海4个地区的能源水足迹占比超过20%。2010年,江苏、江西、海南由Ⅰ级水平提升至Ⅱ级水平,Ⅱ级水平区,吉林、辽宁、河北等10个地区提升至Ⅲ级水平,内蒙古、陕西、青海、云南4个地区上升至Ⅳ级水平,上升幅度较大,而山西则上升至Ⅵ水平。整体来看,竞争指数形成了以长江下游及以南地区为核心区的低值区,以及以黄河中下游、西南区为核心区的高值区。研究末期,竞争指数高值区进一步强化,其中内蒙古、山西分别提升至Ⅵ级、Ⅶ级,竞争指数到达1.11、1.26,而低值区的数量则保持相对稳定的状态,与图5所得结论基本一致。

综合来看,竞争指数的变化在时间序列上,与中国经济发展密不可分。经济总量的不断提升,粮食产量的逐年增加,以及能源开采量、发电量的逐年攀升,将不可避免的加剧能源生产与粮食生产对水资源的竞争,这与Hua等^[27,28]所得结论基本一致;在空间分布上,竞争指数受资源导向影响较大,主要集中分布在中国粮食主产区及重要的能源生产区,2017年,黄河中下游区、东北地区的粮食产量、煤炭及石油产量分别占全国的47.76%、80.66%、56.94%,而西南地区则提供了超过60%的水电;长江中游、东部沿海及南部沿海地区作为中国经济发达地区,火电水足迹与粮食蓝水足迹平均占比超过93%,但区域内丰富的水资源能够满足其自身粮食生产与电力生产对水资源的需求。未来,随着重大区域战略持续、深入实施,能源-粮食生产对水资源的竞争在短时期内难以得到有效缓解,尤其是兼顾粮食与能源生产的地区,可能存在更加严峻的挑战。因此,持续推进能源生产和消费革命,尤其是推动黄河流域的高质量发展,加快清洁能源的技术扩散,以增加其在能源消费结构中的比例,继续实施跨流域调水、引水工程,同时加快高标准农田建设,对于保障能源安全、粮食安全及降低区域能源开发与粮食生产对水资源竞争压力具有重要意义。

3.3 中国能源-粮食生产对水资源竞争的时空交互特征分析

3.3.1 LISA时间路径变化分析根据相关公式计算得出中国能源-粮食生产对水资源竞争指数的LISA时间路径的相对长度和弯曲度,同时采用自然断点法将其分为四类;并分别对比1990年和2017年源竞争指数Moran's I散点图的位置,计算得到各地区竞争指数LISA坐标点的移动方向,并将其分为四类（图7）。其中0°~90°表示某区域的地理要素与其相邻区域具有协同高增长趋势;90°~180°和270°~360°表示呈反向增长趋势;180°~270°表示具有协同低增长趋势。

图7

新窗口打开|下载原图ZIP|生成PPT
图7LISA时间路径长度、弯曲度和方向的空间分布

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)4624号）绘制,底图无修改。
Fig. 7The spatial distribution of length, curvature, and direction of LISA time path in China

LISA时间路径的长度体现了地理要素局部空间结构的动态性特征。从图7a来看,相对移动长度小于均值的地区数量为19个,占区域的61.29%,表明竞争指数的整体空间格局具有较强的稳定性。相对移动长度的高值区主要集中在东北、华北及西北等中国北方地区,低值区则主要集中在中国西南、长江流域及南部沿海等南方地区。原因在于,北方地区作为中国主要化石能源与粮食产区,区域内水足迹构成存在较为明显的差异,而南方地区区域水足迹构成相对单一化,因此使得南方地区的竞争指数的空间格局相比北方而言稳定性更强,北方地区局部空间结构的动态性差异则更加明显。

LISA时间路径的弯曲度可用于揭示地理要素局部空间结构在空间依赖方向上的动态性特征。图7b显示,弯曲度均大于1,说明研究时段内各地区竞争指数的Moran's I散点移动路径呈非直线状态,表明各地区在不同程度上均受局部结构的时空依赖效应影响,其中四川、湖北及华北、东北等地区的弯曲度较大,反映出这些地区对其邻近地区的空间依赖方向上具有较大的波动性,其空间变迁过程呈现较强的动态性特征。弯曲度较小的地区主要集中在内蒙古、山西、陕西及南部沿海地区,表明其空间依赖方向上的稳定性较强,而且随着时间推移其空间变迁过程的动态性较弱。

LISA时间路径的移动方向可以反映区域地理要素局部空间格局演变的整合性特征。从图7c来看,1990年以来,竞争指数协同增长的地区有22个,占比超过70%,表明在研究时段内竞争指数空间格局变化具有较强的整合性,即各地区与其相邻区域能源-粮食水资源竞争整体呈明显的高（低）协同增长趋势。其中协同高增长的地区有12个,主要分布在胡焕庸线的西侧,而协同低增长的地区主要分布在长江中下游区及南部沿海地区。未来,中国能源-粮食水资源竞争压力将大致以胡焕庸线为界,其西侧地区的竞争压力短期内难以得到缓解,且有加剧的趋势,东侧区域竞争压力则能得到一定程度的缓解。

3.3.2 LISA时空跃迁分析 LISA时空跃迁能进一步揭示地理要素Moran's I散点在不同局部空间相关类型间的转移状况。根据Moran's I散点图,分别计算得到其1990—2018年时空跃迁概率,由相关公式计算得出各要素的时空流动、时空凝聚和相对移动率（表1）。

Tab. 1
表1
表1Moran散点图的时空跃迁矩阵
Tab. 1Spatio-temporal transition matrices of Moran scatter plots

要素	t/t+1	HH	HL	LH	LL	类型	数量	比例	SF	SC	p
EECI	HH	0.839	0.041	0.115	0.005	Type₀	760	0.908	0.088	0.910	0.097
	HL	0.087	0.889	0.006	0.016	Type₁	42	0.050
	LH	0.054	0.000	0.923	0.023	Type₂	32	0.038
	LL	0.004	0.011	0.026	0.960	Type₃	3	0.004
	Ergodic	0.246	0.148	0.283	0.323	Sum	837	1.000

新窗口打开|下载CSV

表1显示：① 从空间状态转移来看,对角线上的元素均远大于非对角线,即最为普遍的时空跃迁类型为Type₀型。② 时间遍历情况表明有32.3%的地区保持在LL状态,低值空间集聚相对明显。③ 时空转移概率显示,研究时期内各地区Moran's I散点保持在原象限的概率为90.8%,时空凝聚概率达到91%,时空流动概率仅为8.8%,说明中国各地区能源-粮食水资源竞争指数分布的空间凝聚性较强,其状态相对稳定,存在一定的路径依赖和锁定特征。④ 从相对移动率而言,相对移动率（p）用于表征状态转移程度,其值越大表明状态转移越剧烈,P值仅为0.097,说明在研究时段内各地理要素的状态转移程度较弱。整体而言,水资源竞争指数的空间分布存在较强的转移惰性,反映出当前中国各地区能源-粮食生产对水资源的竞争态势仍将持续,水资源竞争压力高值区在段时间内难以得到本质性缓解,与图6、图7所得结论基本一致。

4 结论与讨论

4.1 结论

（1）研究期内,中国能源水足迹及粮食蓝水足迹均呈波动上升趋势,其中化石能源灰水足迹与电力蓝水足迹分别占化石能源水足迹总量、电力水足迹总量的70%以上,单位粮食生产蓝水足迹呈逐年下降态势,未来需要减少化石能源生产过程中污染物排放的同时提升电力行业水资源利用效率。其空间分布格局在一定程度上受资源禀赋差异影响。

（2）中国能源-粮食生产对水资源竞争指数在时间序列上呈逐年上升趋势;空间分布上,同时兼顾能源生产与粮食生产的地区竞争指数高于其他地区。未来,随着中国对能源、粮食刚性需求的增加,竞争指数仍将处于高级别状态。

（3）中国南方地区的能源-粮食水资源竞争指数空间格局比北方稳定性更强;各地区在不同程度上均受局部结构的时空依赖效应影响;研究时段内竞争指数空间格局变化具有较强的整合性,且空间凝聚性较强。

4.2 讨论

未来,中国对能源的刚性需求及粮食产量的不断提升,势必会导致能源水足迹、粮食蓝水足迹仍将处于增长趋势,能源开发与粮食生产对区域水资源的竞争在短时间内难以得到根本性的缓解,这无疑加剧了中国,尤其是西北、黄河流域地区水资源短缺的风险。本文与Liu等^[28]得出的2000—2015年中国西北地区能源-粮食竞争指数持续上升的结论基本一致,而且均认为,中国经济的增长,尤其是能源行业的发展,对中国各地区能源-粮食生产对水资源竞争压力在一定程度上具有推动作用;虽然与Hua等^[27]所得结果一致,但在空间分布格局上存在差异,原因可能在于：一方面Hua等^[27]所计算的结果未包含能源灰水足迹,同时电力水足迹仅包括水电和火电,另一方面级别划分标准也存在差异。今后随着数据资料、评价体系的日益完善及评价标准的逐步细化,上述结果仍需进一步完善。

需要说明的是,本文选取区域水资源消耗量用于计算区域能源-粮食水资源竞争指数,虽能较直观的判断区域水资源竞争状态,但并未考虑区域本底的水资源压力,这将是今后完善研究结果的关键所在;由于能源领域某些行业缺乏污染物排放标准,而采用其他标准进行替代仅为权宜之计;受数据资料所限,本文未能考虑区域间能源流动（如北煤南运、西气东输等）、粮食调配所带来的潜在影响。因此,进一步探讨能源、粮食流动背景下的区域能源-粮食生产对水资源的竞争状态,将是未来研究工作的重点。

致谢

真诚感谢匿名评审专家在论文评审中所付出的时间和精力,评审专家对本文的结构、能源-粮食对水资源竞争的逻辑关系、结果分析、结论梳理等方面的修改意见,使本文获益匪浅。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

Yuan J

, Luo X

. Regional energy security performance evaluation in China using MTGS and SPA-TOPSIS
Science of the Total Environment. 2019, 696, 133817. DOI: 10.1016/j.scitotenv.2019.133817.

URL [本文引用: 1]

[2]

中华人民共和国水利部. 中国水资源公报. 北京: 中国水利水电出版社, 2017: 22.

[本文引用: 1]

[Ministry of Water Resources of the People's Republic of China. China Water Resources Bulletin. Beijing: China Water&Power Press, 2017: 22.]

[本文引用: 1]

[3]

United

Nations

. Transforming Our World: The 2030 Agenda for Sustainable Development
New York: United Nations, 2014: 1-41.

[本文引用: 1]

[4]

习近平. 决胜全面建成小康社会夺取新时代中国特色社会主义伟大胜利: 在中国共产党第十九次全国代表大会上的报告
北京: 人民出版社, 2017, 10.

[本文引用: 1]

[Xi

Jinping

. Secure a Decisive Victory in Building a Moderately Prosperous Society in All Respects and Strive for the Great Success of Socialism with Chinese Characteristics for a New Era
Delivered at the 19th National Congress of the Communist Party of China. Beijing: People's Publishing House, October, 2017.]

[本文引用: 1]

[5]

李克强, 政府工作报告: 2020年5月22日在第十三届全国人民代表大会第三次会议上. http://www.gov.cn/premier/2020-05/22/content_5513757.htm, 2020-7-22.

URL [本文引用: 1]

[Li

Keqiang

. Report on the Work of the Government. Delivered at the Third Session of the 13^th National People's Congress of the People's Republic of China on May 22, 2020. http://www.gov.cn/premier/2020-05/22/content_5513757.htm, 2020-7-22.]

URL [本文引用: 1]

[6]

The United Nations Economic and Social Commission for Asia and the Pacific, 2013. The Status of the Water-Food-Energy Nexus in Asia and the Pacific
https://www.unescap.org/resources/status-water-food-energy-nexus-asia-and-pacific, 2020-7-22.

URL [本文引用: 1]

[7]

Zhang Y

, Fang J

, Wang S

, et al. Energy-water nexus in electricity trade network: A case study of inter-provincial electricity trade in China
Applied Energy, 2020, 257, 113685. DOI: 10.1016/j.apenergy.2019.113685.

[本文引用: 1]

[8]

Naw

, Liu G

, Meng F

, et al. Exploring urban energy-water nexus embodied in domestic and international trade: A case of Shanghai
Journal of Cleaner Production, 2019, 223, 522-535. DOI: 10.1016/j.jclepro.2019.03.119.

URL [本文引用: 1]

[9]

Moioli

, Salvati

, Chies

, et al. Analysis of the current world biofuel production under a water-food-energy nexus perspective
Advances in Water Resources, 2018. 121, 22-31. DOI: 10.1016/j.advwatres.2018.07.007.

URL [本文引用: 1]

[10]

Smajgl

, Ward

, Pluschke

. The water-food-energy Nexus-realising a new paradigm
Journal of Hydrology, 2015, 533, 533-540. DOI: 10.1016/j.jhydrol.2015.12.033.

URL [本文引用: 2]

[11]

Feng C

, Qu

, Jin

, et al. Uncovering urban food-energy-water nexus based on physical input-output analysis: The case of the Detroit Metropolitan Area
Applied Energy, 2019, 252, 113422. DOI: 10.1016/j.apenergy.2019.113422.

[本文引用: 1]

[12]

Zhang P

, Zhang L

, Hao

, et al. Understanding the tele-coupling mechanism of urban food-energy-water nexus: Critical sources, nodes, and supply chains
Journal of Cleaner Production, 2019, 235, 297-307. DOI: 10.1016/j.jclepro.2019.06.232.

URL [本文引用: 1]

[13]

Ozturk

. Sustainability in the food-energy-water nexus: Evidence from BRICS (Brazil, the Russian Federation, India, China, and South Africa) countries
Energy, 2015, 93, 999-1010. DOI: 10.1016/j.energy.2015.09.104.

URL [本文引用: 2]

[14]

Chen S

, Chen

. Urban energy consumption: different insights from energy flow analysis, input-output analysis and ecological network analysis
Applied Energy, 2015, 138, 99-107. DOI: 10.1016/j.apenergy.2014.10.055.

URL [本文引用: 1]

[15]

Chen,

S Q

, Chen,

. Urban energy-water nexus: A network perspective
Applied Energy, 2016, 184, 905-914. DOI: 10.1016/j.apenergy.2016.03.042.

URL [本文引用: 2]

[16]

Li P

, Ma H

. Evaluating the environmental impacts of the water-energy-food nexus with a life-cycle approach
Resources, Conservation & Recycling, 2020, 157, 104789. DOI: 10.1016/j.resconrec.2020.104789.

[本文引用: 1]

[17]

Mannan

, Al-Ansari

, Hamish

, et al. Quantifying the energy, water and food nexus: A review of the latest developments based on life-cycle assessment
Journal of Cleaner Production, 2018, 193, 300-314. DOI: 10.1016/j.jclepro.2018.05.050.

URL [本文引用: 1]

[18]

Ravar

, Zahraie

, Sharifnejad

, et al. System dynamics modeling for assessment of water-food-energy resources security and nexus in Gavkhuni basin in Iran
Ecological Indicators, 2020, 108, 105682. DOI: 10.1016/j.ecolind.2019.105682.

URL [本文引用: 2]

[19]

王慧敏, 洪俊, 刘钢. “水-能源-粮食”纽带关系下区域绿色发展政策仿真研究
中国人口·资源与环境, 2019, 29(6): 74-84.

[本文引用: 2]

[Wang

Huimin

, Hong

Jun

, Liu

Gang

. Simulation research on different policies of regional green development under the nexus of water-energy-food
China Population, Resources and Environment, 2019, 29(6): 74-84.] DOI: 10.12062/cpre.20190125.

[本文引用: 2]

[20]

孙才志, 阎晓东. 中国水资源-能源-粮食耦合系统安全评价及空间关联分析
水资源保护, 2018, 34(5): 1-8.

[本文引用: 2]

[Sun

Caizhi

, Yan

Xiaodong

. Security evaluation and spatial correlation pattern analysis of water resources-energy-food nexus coupling system in China
Water Resources Protection, 2018, 34(5): 1-8.] DOI: 10.3880/j.issn.1004-6933.2018.05.01.

[本文引用: 2]

[21]

李成宇, 张士强. 中国省际水-能源-粮食耦合协调度及影响因素研究
中国人口·资源与环境, 2020, 30(1): 120-128.

[本文引用: 2]

[Li

Chengyu

, Zhang

Shiqiang

. Chinese provincial water-energy-food coupling coordination degree and influencing factors research
China Population, Resources and Environment, 2020, 30(1): 120-128.] DOI: 10.12062/cpre.20190832.

[本文引用: 2]

[22]

施海洋, 罗格平, 郑宏伟, 等. 基于“水-能源-食物-生态”纽带因果关系和贝叶斯网络的锡尔河流域用水分析
地理学报, 2020, 75(5): 1036-1052.

DOI:10.11821/dlxb202005011 [本文引用: 1]

跨界流域水资源利用系统因受气候变化、人口增长、政治博弈、生态反馈等许多因素的互馈影响,包含复杂的“水—能源—食物—生态”纽带因果关系,形成具有高度不确定性的复杂非线性系统。传统水资源规划方法中缺少对这种复杂纽带关系的约束,而目前研究这类纽带关系多基于耦合多个模型、集成建模的方法,数据需求大、对复杂因果关系的不确定性模拟能力不足。而贝叶斯网络能以概率分布代替参数确定值来模拟系统中因果关系的不确定性、同时减少数据需求。本文利用贝叶斯概率网络,选取锡尔河流域为研究对象,量化这一因不合理用水而导致咸海生态危机的跨界内陆河流域“水—能源—食物—生态”纽带中的因果关系。结果表明贝叶斯网络能有效地模拟纽带中因果关系的强弱与不确定性,分析1970—2015年间不同时期影响咸海入湖水量的主要因素。为用水预测与流域水资源利用管理提供了系统性认知的基础,并展现出在较低模型复杂度和成本下建模的潜力。苏联时期,咸海入湖水量对农业开发增长的灌溉用水、上游水库建设的蓄水过程和径流量等较敏感;苏联解体后,咸海入湖水量对下游国家不合理使用的灌溉用水及上游水库蓄水量等节点高度敏感。短期内,需提高洗盐与灌溉用水效率,改良种植结构、增加粮食作物占比,并预防干旱危害;长期而言,通过普及先进滴灌技术,能大幅节约农业用水,在50%和80%的滴灌普及率下,新增咸海入湖水量将达到6.4 km <sup>3</sup>和9.6 km <sup>3</sup>以上,有望逐步缓解咸海生态危机。

[Shi Haiyang Luo Geping Zheng Hongwei, et al. Water use analysis of Syr Darya river basin: Based on “Water-Energy-Food-Ecology” nexus and Bayesian network
Acta Geographica Sinica, 2020, 75(5): 1036-1052.] DOI: 10.11821/dlxb202005011.

[本文引用: 1]

[23]

周露明, 谢兴华, 朱珍德, 等. 基于水-能源-粮食纽带关系的农业资源投入产出效率研究
农业资源与环境学报, 2020, 37(6): 875-881.

[本文引用: 1]

[Zhou

Luming

, Xie

Xinghua

, Zhu

Zhende

, et al. Research on the input-output efficiency of agricultural resources based on the water-energy-food nexus
Journal of Agricultural Resources and Environment, 2020, 37(6): 875-881.] DOI: 10.13254/j.jare.2019.0639.

[本文引用: 1]

[24]

Han D

, Yu D

, Cao

. Assessment on the features of coupling interaction of the food-energy-water nexus in China
Journal of Cleaner Production, 2020, 249, 119379. DOI: 10.1016/j.jclepro.2019.119379.

[本文引用: 1]

[25]

Ding

, Liu J

, Jianxin Yang

J X

, et al. Water footprints of energy sources in China: Exploring options to improve water efficiency
Journal of Cleaner Production, 2018, 174, 1021-1031. DOI: 10.1016/j.jclepro.2017.10.273.

URL [本文引用: 5]

[26]

Chu

, Ritter

, Sun X

. Spatial variances of water-energy nexus in China and its implications for provincial resource interdependence
Energy Policy, 2019, 125, 487-502. DOI: 10.1016/j.enpol.2018.10.057.

[本文引用: 1]

China's water and energy sectors are both facing challenges induced by uneven distribution of supply and demand. On top of that, the two sectors are intertwined together, further exaggerating the country's water and energy stresses. This study conducts a quantitative analysis to estimate water for energy and energy for water at the provincial level in China using a bottom-up approach. It also examines the provincial interdependence of resource from a nexus perspective. The results show strong geographical variances. In 2014, the water for energy ranged from the highest of 3483 million m(3) in Sichuan to the lowest of 72 million m(3) in Hainan. Concerning the energy for water, Jiangsu had the largest with 12.6 TWh, while Tibet ranked the lowest with only 8 TWh. Moreover, the inter-provincial water and energy transfer is causing a vicious cycle of resource over-exploitation. It is urgent to integrate the water and energy management during policymaking and regional planning. Efforts should also be made to improve the provincial self-sufficiency through demand-side conservation and supply diversification.

[27]

Hua

, Wang X

, Engel B

. The competitive relationship between food and energy production for water in China
Journal of Cleaner Production, 2020, 247, 119103. DOI: 10.1016/j.jclepro.2019.119103.

[本文引用: 8]

[28]

Liu

, Shi L

, Engel B

, et al. New challenges of food security in Northwest China: Water footprint and virtual water perspective
Journal of Cleaner Production, 2020, 245, 118939. DOI: 10.1016/j.jclepro.2019.118939.

URL [本文引用: 7]

[29]

Xie X

, Jiang X

, Zhang T

, et al. Study on impact of electricity production on regional water resource in China by water footprint
Renewable Energy, 2020, 152, 165-178. DOI: 10.1016/j.renene.2020.01.025.

URL [本文引用: 2]

[30]

黄睿, 王坤, 黄震方, 等. 绩效视角下区域旅游发展格局的时空动态及耦合关系: 以泛长江三角洲为例
地理研究, 2018, 37(5): 995-1008.

DOI:10.11821/dlyj201805011 [本文引用: 2]

从绩效视角下对区域旅游发展格局的动态把握是认识区域旅游空间结构、配置旅游业生产要素和实现旅游业提质增效的重要依据。以泛长江三角洲为研究对象,运用ESDA、LISA时间路径和重心轨迹等研究方法,从业绩和效率二维视角对2000-2015年区域城市旅游发展格局的时空动态及其耦合关系进行分析。研究发现：① 区域旅游发展业绩和效率的时空格局动态变迁路径差异明显,旅游发展业绩总体空间格局呈现显著的正向空间相关性,局部空间结构和空间依赖方向上都具有较强的稳定性,并以协同增长为主;旅游发展效率虽然总体空间格局的相关性不断增强,但其局部空间结构和空间依赖方向上的波动性较强,协同与竞争并存。② 这种空间格局动态的分异是由于区域旅游发展业绩的空间格局具有较强的转移惰性,存在路径依赖和空间锁定,而区域旅游发展效率的局部空间结构极不稳定,类型切换较为活跃、频繁。③ 区域旅游发展业绩和效率的重心趋于集聚,空间耦合关系不断增强。其耦合分布上,上海、苏南、浙东北和皖南地区城市多属于高绩高效型城市,高绩低效型城市多集中在区域中心城市及其周边地区,苏北、苏中、皖北和皖中等地区多为低绩高效型或低绩低效型城市。

[Huang

Rui

, Wang

Kun

, Huang

Zhenfang

, et al. Spatio-temporal dynamics and coupling relationship of regional tourism development pattern from the perspective of performance: A case study of Pan-Yangtze River Delta
Geographical Research, 2018, 37(5): 995-1008.] DOI: 10.11821/dlyj201805011.

[本文引用: 2]

[31]

Rey S

, Janikas M

. STARS: Space-time analysis of regional systems
Geographical Analysis, 2006, 38(1): 67-86. DOI: 10.1111/j.0016-7363.2005.00675.x.

URL [本文引用: 1]

[32]

Rey S

, Murray A

, Anselin

. Visualizing regional income distribution dynamics
Letters in Spatial and Resource Sciences, 2011, 4(1): 81-90. DOI: 10.1007/s12076-010-0048-2.

URL [本文引用: 1]

[33]

夏四友, 赵媛, 许昕, 等. 1997—2016年中国农业碳排放率的时空动态与驱动因素
生态学报, 2019, 39(21): 7854-7865.

[本文引用: 2]

[Xia

Siyou

, Zhao

Yuan

, Xu

Xin

, et al. Spatiotemporal dynamics and driving factor analysis of agricultural carbon emissions rate in China from 1990 to 2016
Acta Ecologica Sinica, 2019, 39(21): 7854-7865.] DOI: 10.5846/stxb201806041258.

[本文引用: 2]

[34]

范擎宇, 杨山, 胡信. 耦合视角下长三角地区城镇化协调度的时空特征及交互机制
地理研究, 2020, 39(2): 289-302.

DOI:10.11821/dlyj020181167 [本文引用: 2]

随着中国城镇化发展的转型,测度城镇化过程中人口、土地和经济三者发展的耦合协调关系,探索其演化过程的时空动态规律,已成为人文地理学研究新型城镇化的重要科学问题。通过构建耦合协调度模型,在测度近16年来长三角地区城镇化进程中各子系统的协调发展水平的基础上,运用空间变差函数,LISA时空跃迁等方法,分析长三角地区城镇化耦合协调的交互过程,探索其城镇化协调空间集聚的形成机制。结果表明：① 伴随长三角地区城镇化水平的显著提升,“人口、土地和经济”总体和两两耦合协调度演化均呈稳步提升的趋同现象;② 长三角地区城镇化耦合协调度空间集聚程度逐年增强,空间关联作用范围不断扩大,形成了“一极独大、三角核心、周边低平”的空间形态;③ 从各个城市的城镇化耦合水平跃迁路径来看,大多呈协同增长态势,表明城市的整体耦合协调度具有明显的路径依赖和空间锁定特征;④ 长三角地区城镇化耦合协调水平从稳定和均衡→极化集聚状态的演变动力主要来自于土地-经济的交互作用,而从极化→均衡状态的演变动力更多地来自于人口-土地的交互作用。城镇化协调度的交互过程及机制研究为新型城镇化发展和长三角城市群构建提供了理论依据和调控方向。

[Fan

Qingyu

, Yang

Shan

, Hu

Xin

. Temporal and spatial characteristics and interaction process of urbanization coordination in the Yangtze River Delta region from the perspective of coupling
Geographical Research, 2020, 39(2): 289-302.] DOI: 10.11821/dlyj020181167.

[本文引用: 2]

[35]

Gerbens-Leenes P

, Hoekstra A

, Meer

. Water Footprint of Bioenergy and Other Primary Energy Carriers
Value of water research report series NO. 29, UNESCO-IEH, Institute for Water Education, University of Twente, Enschede, The Netherlands, 2008. http://purl.utwente.nl/publications/59998.

URL [本文引用: 4]

[36]

四川省水利科学研究院. 四川省用水定额(修订稿)
成都: 四川省水利科学研究院, 2010: 4-13.

[本文引用: 1]

[Sichuan Academy of Water Conservancy. Water Consumption Quota in Sichuan (Revised Manuscript)
Chengdu: Sichuan Academy of Water Conservancy, 2010: 4-13.]

[本文引用: 1]

[37]

李何. 石油天然气开采业(稠油)清洁生产指标体系的研究
油气田环境保护, 2003, 13(1): 16-18.

[本文引用: 1]

[Li

. The study on cleaner production index system for oil and natural gas exploration (thick oil)
Environmental Protection of Oil & Gas Fields, 2003, 13(1): 16-18.]

[本文引用: 1]

[38]

郭磊, 黄本胜, 邱静, 等. 核电站淡水用水特征综合分析研究
水利学报, 2013, 44(5): 615-621.

[本文引用: 1]

[Guo

Lei

, Huang

Bensheng

, Qiu

Jing

, et al. Research on the characteristics of fresh water consumption in nuclear power plant
Journal of Hydraulic Engineering, 2013, 44(5): 615-621.] DOI: 10.13243/j.cnki.slxb.2013.05.018.

[本文引用: 1]

[39]

Yang

, Liu J

, Yang J

, et al. Life-cycle assessment of China's multi-crystalline silicon photovoltaic modules considering international trade
Journal of Cleaner Production, 2015, 94, 35-45. DOI: 10.1016/j.jclepro.2015.02.003.

URL [本文引用: 1]

[40]

Yang

, Liu J

, Yang J

, et al. Carbon footprint of wind turbine by life cycle assessment
Acta Sci. Circumstantiae, 2015, 35(3), 927-934. DOI: 10.13671/j.hjkxxb.2014.0906.

[本文引用: 1]

[41]

樊新刚, 仲俊涛, 杨美玲, 等. 区域可持续发展能力的能值与?耦合分析模型构建
地理学报, 2019, 74(10): 2062-2077.

DOI:10.11821/dlxb201910008 [本文引用: 1]

可持续发展能力评价方法是识别人地协同规律、支撑科学决策的重要工具和热点需求。通过文献回顾与理论分析框架构建,耦合能值及?方法,提出自组织能力指数（SO）、生态压力指数（EP）、可持续发展能力指数（SC）构成的,基于热力学理论的可持续发展能力分析模型,利用文献荟萃法筛选17个典型发达国家1985年状态值计算SO与EP阈值,划分了4个阶段。利用中美两国1985-2015年特征对比验证,结果显示：① 2005年以前中国属“低自组织能力、低生态压力”阶段,之后进入“低自组织能力、高生态压力”阶段,存在低生态效率、规模扩张驱动特征;美国一直属“高自组织能力、高生态压力”阶段,存在高生态效率驱动、经济与生态脱钩特征,与全球生态足迹网络和世界自然基金会等的研究结果一致,模型具有较好适应性和可靠性。② 模型利用“获得?量/输入能值量”表达经济社会生态效率、“经济社会?损耗量/生态系统年产?量”表达生态压力,连接了经济社会对生态基底的熵化路径,可识别区域所处可持续发展阶段、分析水平变化和驱动因素。③ 模型以人类与生态并重的视角,从深度上反映经济社会的生态效率、从广度上评价生态空间被占用比例,具有宏观规模与微观效率分析相结合的优势,是对经典方法的补充。

[Fan

Xingang

, Zhong

Juntao

, Yang

Meiling

, et al. Construction of an energy and exergy coupling model for the analysis regional sustainable development capability
Acta Geographica Sinica, 2019, 74(10): 2062-2077.] DOI: 10.11821/dlxb201910008.

[本文引用: 1]

[42]

方创琳. 博台线: 中国区域发展均衡线的重要功能与建设构想
地理学报, 2020, 75(2): 211-225.

DOI:10.11821/dlxb202002001 [本文引用: 1]

推动区域协调发展战略是中国新时期的重大战略之一,面对中国区域发展不平衡不充分的现实,客观上需要构筑一条或多条支撑区域协调均衡发展的主轴线,成为表征区域均衡发展格局的标志线。反复审视中国区域发展版图并计算发现,垂直于胡焕庸线的博台线（连接新疆博乐市与台湾省台北市的西北—东南走向的轴线）可建成中国区域发展均衡线。2016年博台线西南半壁与东北半壁国土面积占比为59:41,而两侧人口占比约为45:55,经济总量占比约为41:59,并分别向50:50的平衡格局演变;两侧人均GDP比值为44:56,人口密度比值为38:62,经济密度比值为32:68,城镇化水平比值为48:52,主要均量指标都逐步趋向1:1的均衡发展格局。进一步分析发现,博台线是连接“一带一路”双核心区的战略扁担线,是国家安宁和台湾回归的祖国和平统一线,是综合交通运输通道支撑连接的实体线和国家城市与城市群发展的琵琶型对称线,也是双向对外开放的中坚线、海陆联动发展的对接线,更是促进东中西部、南北协调发展、解决地区发展不平衡不充分的重要分界线,博台线对推动国家区域协调均衡发展具有不可替代的重要功能与战略作用。建议将博台线建设纳入国家发展战略,制定博台线发展战略规划,充分释放博台线承载的多重潜在功能,突出建设博台线上西北端点、中部战略节点和东南端点三大战略支撑点;开展对博台线的综合科学考察,加大对博台线的科学认知与宣传力度,让中国认识博台线,让世界了解博台线;把博台线建成国家发展的战略脊梁线,让博台线成为破解胡焕庸线、缩小地区发展差距的新路径。

[Fang

Chuanglin

. Bole-Taipei Line: The important function and basic conception as a line for regional balanced development
Acta Geographica Sinica, 2020, 75(2): 211-225.] DOI: 10.11821/dlxb202002001.

[本文引用: 1]

[43]

Chen Y

, Lin B

. Slow diffusion of renewable energy technologies in China: An empirical analysis from the perspective of innovation system
Journal of Cleaner Production, 2020, 261, 121186. DOI: 10.1016/j.jclepro.2020.121186.

URL [本文引用: 1]