中國省際灰水足跡測度及荷載系數的空間關聯分析

孫才志，韓　琴，鄭德鳳

遼寧師范大學城市與環境學院，大連　116029

中國省際灰水足跡測度及荷載系數的空間關聯分析

孫才志*，韓琴，鄭德鳳

遼寧師范大學城市與環境學院，大連116029

摘要:借鑒Hoekstra等提出的灰水足跡計算公式，從農業、工業及生活三方面計算了1998—2012年中國31個省市(自治區)的灰水足跡及其灰水足跡荷載系數。結果表明：①研究期間全國灰水足跡呈現波動趨勢，1998年至2006年的灰水足跡呈現波動上升趨勢；2007年開始，全國灰水足跡呈現下降趨勢；農業在總灰水足跡的貢獻率最高、工業最低；②31個省市(自治區)15a灰水足跡荷載系數整體呈現小幅波動趨勢。在全國內部也存在著明顯的地區差異，大體分為5類，分別為高荷載地區、較高荷載區、中度荷載區、較低荷載區、低荷載區。③借助全局與局部空間自相關對全國31個省市(自治區)灰水足跡荷載系數進行空間關聯格局分析可知，中國省級灰水足跡存在空間集聚現象且集聚現象逐漸減弱，其中H-H集聚區主要集中在華北地區，L-L集聚區主要集中在南方與青藏地區。通過全國灰水足跡測度與灰水足跡荷載系數空間關聯格局分析為灰水足跡分析提供新的研究思路同時為區域可持續發展提供理論支持。

關鍵詞：灰水足跡；灰水足跡荷載系數；空間自相關分析

水資源作為生產生活的重要資源，與人類生存環境和社會發展密切相關。然而隨著我國社會經濟的快速發展，水資源短缺和水污染嚴重已成為中國水資源面臨的主要問題。中國水資源總量豐富，但人均占有量僅為世界平均水平的四分之一。據《2013年中國環境公報》數據顯示，全國59.6%的地下水監測點水質屬較差或極差級別，地表水中河流Ⅳ類及以上水質達到28.3%，水環境壓力較大。傳統研究大多把水資源數量與水污染單獨研究，雖有Azeved[1]、王西琴[2]、夏星輝[3- 4]等學者將二者相結合進行水資源綜合評價，但依舊無法定量分析二者之間的關系，在此背景下灰水足跡的概念應運而生。

Hoekstra和Chapagain提出“灰水足跡”的概念，經水足跡網絡的灰水足跡小組進一步完善，將灰水足跡定義為以水環境質量標準為基準，將污染負荷稀釋至高于特定環境水質標準所需淡水的體積[5- 6]。灰水足跡將水污染從水量角度進行評價，為水污染與水資源數量的綜合研究提供了新的方法。國內外對水足跡的研究已經取得較大的研究成果，但單獨針對灰水足跡的研究，至今尚未全面展開。目前國外研究主要集中在特定產品灰水足跡核算評價和區域整體灰水足跡核算評價兩方面。其中，特定產品灰水足跡核算評價主要集中在：(1)農作物生產灰水足跡核算評價[7- 11]，如：Chapagain等[7]從生產和消費領域研究了水稻的綠水足跡、藍水足跡、灰水足跡。(2)畜牧產品灰水足跡核算評價[12- 13]，如Mekonnen等[12]從全球范圍評價了農場動物的水足跡(其中包括灰水足跡)。(3)工業產品灰水足跡核算評價，如Ercin[14]等探索了一種含糖碳酸飲料的水足跡(其中包括灰水足跡)。區域整體灰水足跡核算評價方面[15- 16]如Mekonnen等[15]從生產與消費兩個方面計算了1995—2006年全球大部分國家的水足跡(其中包括灰水足跡)。同時，國內的研究也取得了探索性進展。國內灰水足跡研究主要聚集在農作物灰水足跡的核算與評價方面[17-21]，如蓋力強等[17]、秦麗杰等[21]基于化肥污染對區域小麥、玉米等糧食生產的水足跡(其中包括灰水足跡)進行了計算和評價。另外，王來力等[22]從初始灰水足跡、工序灰水足跡等方面核算了紡織產品的灰水足跡。孫才志等[23]與曾昭等[24]分別對中國31個省市(自治區)水足跡(其中包括污染水足跡)和北京市灰水足跡進行了核算評價。我國灰水足跡研究尚屬初級階段，灰水足跡測算細節方面還有待進一步完善、區域綜合角度鮮有涉及，同時未能從全國角度對灰水足跡的空間關聯規律進行有效分析研究。

空間自相關分析是一系列空間數據分析方法和技術的集合，用來定量分析事物在空間上的依賴關系并將其可視化表達，目前主要集中應用在區域經濟、土地利用、生態保護等方面，近年來在水資源領域也得到一定運用。鑒于此，本文運用灰水足跡相關理念，結合前人研究的基礎上，選取1998—2012年中國大陸31個省市(自治區)為研究對象，在測度其灰水足跡的基礎上，構建灰水足跡荷載系數并基于時間、空間兩個維度運用空間自相關模型對中國省際灰水足跡荷載系數的動態演變趨勢及其空間關聯格局進行分析，旨在為解決區域水資源問題提供合理依據。

1方法和數據來源

1.1空間自相關分析方法

空間自相關分析是ESDA(Exploratory spatial data analysis)模型的中心內容之一，指研究范圍中同一觀測值在不同空間位置上的相關性，是研究特定空間范圍聚集程度的一種度量[25]。其主要包括空間權重矩陣、空間自相關系數等內容。空間自相關系數包含全局空間自相關系數和局部空間自相關系數。

1.1.1全局Moran′s指數

在研究全局空間自相關的系數中，文章選取全局Moran′s指數做進一步研究。全局Moran′s指數可以辨別研究范圍內觀測值的聚集或分散特征。定義如下：

(1)

1.1.2局部Moran′s指數

全局Moran′s指數只能判斷觀測值在整個研究范圍的關聯與差異程度，但不能判斷研究范圍內部的具體空間集聚特征及其顯著性。局部Moran′s指數的提出解決了這一問題。其定義如下：

(2)

1.2灰水足跡核算方法

根據灰水足跡的概念，借鑒Arjen Y.Hoekstra等[5- 6]編著的《水足跡評價手冊》中的灰水足跡計算公式并結合前人研究的成果，將灰水足跡按人類生產生活的不同方面計算：

1.2.1農業灰水足跡

農藥、化肥的大量施用及畜禽糞便的隨意排放都會造成不同程度的水污染。據《第一次全國污染源普查》資料，農業已成為水污染物排放的主要源頭。根據農業生產的主要方面，將農業灰水足跡分為種植業灰水足跡和畜禽養殖業灰水足跡兩大類。

(1)種植業灰水足跡

農作物在生長過程中施加化肥、噴灑農藥等除被植物利用外，部分在降水、灌溉等作用下，經過地表徑流和地下淋溶進入水體，對水體造成污染。區別于工業與生活部門的水污染，種植業主要是面源污染，它以擴散方式進入水體。綜合考慮種植業中的主要水污染物，選取氮肥作為水污染物進行灰水足跡計算。參照《水足跡評價手冊》的常用模型，假設施用氮肥中固定比例(氮肥淋失率)的氮進入水體做簡單的估算。其公式如下：

(3)

式中,WFpla-grey為種植業灰水足跡(m3/a)，為氮肥淋失率，α為氮肥淋失率，變量Appl表示氮肥施用量(kg/a)，Cmax為污染物水質標準濃度(kg/m3)，Cnat為收納水體的自然本底濃度(kg/m3)。

(2)養殖業灰水足跡

作為農業生產的重要組成部分，隨著人口的增長、飲食結構的改變等原因，中國養殖業迅速發展，但畜舍沖洗、糞便排放等造成了嚴重水污染，據《第一次全國污染源普查》，畜禽養殖業已成為農業水污染的主要來源。選取具有代表性的畜禽(包括豬、牛、羊、家禽)養殖排污作為考量對象，通過養殖數量、飼養周期、排泄系數、單位糞便水污染物含量和進入水體流失率計算出畜禽養殖業污染負荷。為避免重復計算，飼養周期小于1年的豬與家禽數量取年末出欄量；飼養周期大于等于1年的牛、羊的數量取年末存欄量[27]。一般而言污水中包含多種形式的污染物，灰水足跡由其中最關鍵的污染物決定即造成灰水足跡最大的決定[5- 6]。結合單位糞便水污染物含量，選取COD、總氮作為指標評價畜禽養殖業的灰水足跡。由于水體可以同時對COD和氮元素進行稀釋，因此，選擇以兩者為不同衡量指標的灰水足跡中的最大值作為畜禽養殖業灰水足跡。計算公式表達如下：

WFbre-grey=max(WFbre-grey(COD),WFbre-grey(TN))

(4)

其中：

(5)

Lbre(i)=畜禽數量×飼養周期×(日排糞量×糞污染物含量×流失率+日排尿量×尿污染物含量×流失率)

(6)

式中,WFbre-grey為養殖業灰水足跡，WFbre-grey(i)表示以第i類污染物為標準的養殖灰水足跡，Lbre(i)為養殖業i類污染物排放負荷(kg/a)。

(3)農業總灰水足跡計算

通過以上對種植業灰水足跡和養殖業灰水足跡的計算，結合計算的特殊性，農業總灰水足跡的計算公式如下：

WFagr-grey=max[WFbre-grey(COD),(WFpla-grey(TN)+WFbre-grey(TN))]

(7)

式中,WFagr-grey為農業總灰水足跡。

1.2.2工業灰水足跡

工業作為國民經濟的重要組成部分，它的發展程度已成為衡量一個國家綜合實力的主要標志，但是大力發展工業的同時也引起了大量的污染。較農業部門灰水足跡，工業源廢水是直接排放進入水體，屬點源污染，故可直接測算廢水中主要污染物排放量，而COD和氨氮是排放污水中的主要污染物，所以，工業部門采用COD和氨氮作為衡量指標。其計算公式如下：

(8)

其中：

(9)

式中,WFind-grey表示工業灰水足跡，WFind-grey(i)表示以第i類污染物為標準的工業灰水足跡，Lind(i)表示工業i類污染物排放負荷(kg/a)，Wed表示工業廢水排放量。

1.2.3生活灰水足跡

由于生活污水與工業污水同屬于點源污染且排放污水中均是COD和氨氮為主要污染物，所以生活灰水足跡(WFdom-grey)的計算同工業灰水足跡。

1.2.4區域總灰水足跡

區域總灰水足跡由農業灰水足跡、工業灰水足跡、生活灰水足跡三部分組成。總結可得區域總灰水足跡計算公式如下：

WFgrey=WFagr-grey+WFind-grey+WFdom-grey

(10)

式中,WFgrey表示區域總灰水足跡。

1.2.5灰水足跡荷載系數

灰水足跡并不能完全反應出一個地區的水環境壓力，如部分地區雖灰水足跡相對較小，但地區水資源缺乏從而導致其水環境壓力較大，基于此本文構建了灰水足跡荷載系數。灰水足跡荷載系數是稀釋水污染到一定環境水質標準所用水量與水資源量的比值，建立起灰水足跡與水資源總量之間的關系，用于表示水污染壓力的系數，系數越大，水污染壓力越大。

(11)

式中,K為灰水足跡荷載系數，Twr為區域水資源總量(m3)。

1.3數據來源

本文農業部門的氮肥施用量和畜禽養殖數量數據來源于《中國農村統計年鑒》、《中國畜牧業年鑒》和《新中國五十年農業統計資料》；氮肥淋失率選取全國平均氮肥淋失率7%[28]；畜禽飼養周期、排放系數、單位糞便COD和總氮排放量、進入水體流失率數據取自于《全國規模化畜禽養殖業污染情況調查技術報告》；工業廢水和生活污水的廢水排放量及其COD和氨氮量數據來源于《中國環境統計年鑒》；水資源總量數據選取《中國水資源公報》及各省市(自治區)統計年鑒。

文中污染物濃度達標排放標準采用《污水綜合排放標準》(GB8978—1996)中一級排放標準，COD和氨氮的排放達標濃度分別為60、15 mg/L(綜合文中總氮也采用氨氮標準考慮)。受納水體的自然本底濃度指自然條件、無人為影響下水體中某污染物的濃度設為0[5- 6]。

2結果分析

2.1灰水足跡計算結果

通過以上各個部門的灰水足跡計算，得到1998—2012年中國31個省市(自治區)的灰水足跡見表1(限于頁面寬度僅列偶數年份)。如圖1所示，1998—2006年全國灰水足跡呈現波動趨勢，由1998年的5078.58×108m3上升至2006年的5238.53×108m3，并達到研究期間內全國灰水足跡最大值；2007年開始，全國灰水足跡呈現下降趨勢，下降至2012年的4400.85×108m3同時達到研究期間內全國灰水足跡最小值，說明隨著經濟發展、技術水平的進步、環保意識的增強等原因，我國灰水足跡開始有所減小。

由圖1可知，全國灰水足跡中農業灰水足跡所占比例最大、生活次之、工業最小。同時隨著時間的變化，農業灰水足跡雖在2007年降低，但2007年之后灰水足跡又出現上升趨勢；生活灰水足跡相對較穩定，雖然隨著人口的增長、人民生活水平的提高在研究期間開始有所上升，但隨著環保意識的提高、技術水平的進步，生活灰水足跡開始下降；工業灰水足跡在研究期間呈現明顯的下降趨勢，這得益于國家可持續發展觀念的提升、工業結構的調整等原因。由以上分析可知，我國工業、生活部門的點源污染得到有效控制、農業部門的面源污染呈現擴大趨勢。

圖1　中國1998—2012年灰水足跡結構與變化圖Fig.1　The composition and change of grey water footprint from 1998 to 2012

地區Region1998年2000年2002年2004年2006年2008年2010年2012年平均Average北京33.9733.5429.8425.5119.3215.7311.659.4722.27天津42.3936.3525.1133.2333.8828.0127.9129.1330.92河北308.67287.99277.86295.21312.15236.51217.34216.21267.67山西122.7195.7493.55104.07107.0985.6780.4876.7495.88內蒙古118.75113.01110.01144.59171.05169.94170.19166.16144.98遼寧174.81172.74159.12157.81186.37174.24175.03169.66172.28吉林152.27164.71146.40168.43173.93148.87146.89143.40155.70黑龍江170.39163.38165.54173.25176.12171.62174.66173.77171.03上海52.3047.9848.4035.7135.3129.7318.2811.0435.83江蘇226.67202.66217.37224.44232.76211.58199.87186.80213.72浙江146.30129.36118.76113.58113.43101.7388.2182.71110.58安徽219.08202.32202.42154.07175.90154.11152.80153.29180.39福建96.5293.8684.6787.0196.3887.3787.3791.5691.28江西144.47137.59135.76134.22150.08133.28135.61134.06139.75山東459.44398.04377.97277.56341.90274.41253.85249.80337.06河南401.76402.49401.35359.31437.92360.07353.11337.97387.47湖北241.00227.24220.86211.66224.31211.42216.01213.50220.13湖南232.44242.12257.66265.58301.93265.75258.64253.24262.78廣東236.49242.78240.45207.06238.94208.77190.24186.87223.65廣西254.90294.60259.68249.86300.61246.94245.17238.66261.69海南34.2536.0932.8534.1539.8334.6334.4635.1635.24重慶85.6287.2484.3679.1688.6378.5982.9683.9285.00四川334.55364.53364.49332.81366.80331.08334.59325.26345.97貴州136.71134.85136.96124.48157.22124.57125.09117.12134.26云南194.96187.05181.01186.18195.58184.99191.78195.66189.53西藏66.9168.5869.6077.1578.7177.8976.3975.0673.02陜西117.10118.49118.67112.64133.82111.89109.97109.87118.35甘肅77.4378.4484.1597.47100.8197.1498.1796.8190.99青海55.2753.7356.1065.6160.1765.5267.4063.7959.81寧夏32.6442.9132.2538.3242.1638.4936.7535.7636.72新疆107.80101.54107.21122.24145.40120.92124.32138.40120.36全國Nationaltotal5078.584961.954840.434596.795238.534581.454485.184400.854814.30

全國灰水足跡在地區上呈現出人口大省、農業大省灰水足跡較大的特征，河南、山東、四川、河北等地區灰水足跡明顯高出全國平均水平，其中河南省灰水足跡為全國灰水足跡量最大的地區，平均達到387.47×108m3；北京、天津、上海、海南等地區灰水足跡較小，其中北京為全國灰水足跡最小的地區，平均僅為22.27×108m3。

2.2灰水足跡荷載系數計算結果

由公式計算得到1998—2012年全國31個省市(自治區)灰水足跡荷載系數見表2(限于頁面寬度僅列偶數年份)。31個省市(自治區)15a灰水足跡荷載系數變化不大，整體呈現小幅波動趨勢。在全國內部也存在著明顯的地區差異，將31個省市(自治區)15年平均灰水足跡荷載系數分為五類(圖2)，第一類為高荷載區包括天津、寧夏兩地，灰水足跡荷載系數遠高于全國平均水平，水污染壓力巨大，兩地區雖然灰水足跡較低，但寧夏研究期間平均水資源量位列全國末位、天津其次，導致其水污染壓力巨大；第二類為較高荷載區包括北京、河北、河南、山東、山西、上海6省市，除上海外均位于華北平原、黃土高原缺水地區，灰水足跡荷載系數均大于1，水污染情況不容忽視；第三類為中度荷載區包括遼寧、江蘇、甘肅、吉林、內蒙古、陜西、安徽、黑龍江、湖北9省市(自治區)；較低荷載區包括重慶、湖南、廣西、四川、貴州、新疆、廣東、浙江、海南9個省市(自治區)，主要集中于長江以南水資源豐富地區；第五類為低荷載區包括福建、江西、云南、青海、西藏5地區，主要分布于青藏高原與南方水資源豐富地區，水污染壓力較小。

灰水足跡荷載系數受灰水足跡與水資源總量共同決定，通過分析可知灰水足跡荷載系數高值主要集中在華北與西北部分地區，低值主要集中于青藏高原與江南地區。灰水足跡荷載系數表現出一定的空間集聚性，即相鄰省份的灰水足跡荷載系數有存在空間相關的可能性，故本文運用空間自相關分析方法進一步探討中國省際灰水足跡荷載系數的空間關聯格局。

表2　全國31個省市(自治區)灰水足跡荷載系數

圖2　全國灰水足跡荷載系數分類圖Fig.2　The classification map of grey water footprint load coefficient in China

3省際灰水足跡荷載系數空間關聯格局分析

3.1省際灰水足跡荷載系數全局空間自相關分析

文章將中國31個省市(自治區)研究期間的灰水足跡荷載系數運用全局空間自相關模型分析得到其全局Moran′s指數I值(表3)。經檢驗，2007年之后全局Moran′s指數I值未通過顯著性檢驗即不具有統計學意義上的全局自相關關系，2007之前(除2000年)全局Moran′s指數I值的正態統計量Z值均大于在0.05置信水平的下的臨界值(1.96)，即通過顯著性檢驗。說明中國省際灰水足跡荷載系數高值和低值分別呈現一定程度的空間集聚。動態分析可知，15a全局Moran′s指數雖然出現波動，但整體呈下降趨勢，直至2008年呈現不顯著相關。表明中國省際灰水足跡荷載系數全局空間相關性減弱，省際灰水足跡荷載系數的逐漸從空間集聚向分散轉變。

通過以上分析可知：①區域水資源總量直接影響其灰水足跡荷載系數，相鄰省份水資源量受相同地形、氣候等因素共同作用下，呈現一定的相似特征從而使灰水足跡荷載系數出現空間集聚性：②同時灰水足跡也是區域灰水足跡荷載系數的決定因素，受經濟發展水平、人口、產業結構等社會經濟因素影響，臨近省份社會經濟特征也呈現一定的相似性，故導致灰水足跡荷載系數在空間上集聚；③隨著區域發展水平的差異，區域間差異逐漸變大，影響下灰水足跡荷載系數的空間集聚現象開始減弱。

表3　中國31個省市(自治區)灰水足跡荷載系數全局自相關Moran′s指數

3.2省際灰水足跡荷載系數的局部空間自相關分析

在全局自相關分析的基礎上，利用Matlab軟件計算出中國31個省市(自治區)灰水足跡荷載系數局部Moran′s指數Ii值，并做出1998年與2012年的中國灰水足跡荷載系數的LISA集聚地圖(圖3)。如圖3所示：高高集聚(H-H)與低低集聚(L-L)地區較多、高低集聚(H-L)與低高集聚(L-H)地區相對較少，中國灰水足跡荷載系數在空間上集聚現象明顯，省際水污染壓力存在明顯的空間關聯性；但2012年H-H集聚與H-L集聚地區較1998年減少，說明中國灰水足跡荷載系數空間聚集現象開始減弱；省際水污染壓力聯系減弱。

圖3　全國31個省市(自治區)灰水足跡荷載系數的LISA集聚分布Fig.3　LISA cluster map of the grey water footprint load coefficient in China

(1)H-H集聚地區

穩定存在H-H集聚的地區分別為：天津、河北、山西、山東、河南，主要集中在華北地區。天津雖然在產業結構、土地面積、國家政策等影響下灰水足跡小，但地處華北地區水資源短缺，從而導致其灰水足跡荷載系數大，水污染壓力巨大。河北、山東、河南三省作為我國的人口與農業大省，糧食生產過程中農藥化肥的過量施用、能源原材料產業比重大、污水處理不足等因素影響下致使其灰水足跡遠遠高于全國平均水平，研究期間平均灰水足跡分列全國第三、四、一位，導致現有水資源無法有效稀釋水污染。山西位于我國缺水地區，研究期間平均水資源總量屬全國倒數第五，同等污染排放下水污染壓力大。

(2)H-L集聚地區

寧夏穩定位于H-L集聚地區，屬高度荷載地區。寧夏位于西北缺水地區，是全國水資源總量最少的省份，研究期間平均水資源量僅為9.9×108m3，水污染稀釋可用水量少，灰水足跡荷載系數大。

(3)L-L集聚地區

吉林、黑龍江、浙江、福建、江西、湖北、湖南、廣東、廣西、海南、重慶、四川、貴州、云南、青海、西藏、新疆17省市(自治區)穩定位于在L-L集聚，大部分位于南方、青藏高原等地區。南方與青藏高原區是中國水資源豐富地區，新疆雖位于我國西北地區，但區域內水資源分布極端不均衡，北疆地區受地形等自然條件影響，水資源豐富。此類型由于可用于水污染稀釋的水量大，故其相對缺水省市(自治區)灰水足跡荷載壓力較小。同時新疆、青海、西藏地區由于自然條件等限制下經濟發展相對落后、人口密度小，導致灰水足跡也較小。

(4)L-H集聚地區

L-H集聚區較為不穩定，內蒙古、陜西、遼寧、甘肅穩定位于該區。內蒙古畜牧業發達、養殖業灰水足跡量大，影響下其1998—2012年平均灰水足跡位列全國15位，灰水系數荷載系數位列全國13位。但內蒙古臨近河北、山西、寧夏等灰水足跡系數更大的地區，相比較而言為低值區。陜西、甘肅位于西部地區，工農業發展相對落后，水污染相對較小，灰水足跡荷載系數較小，同時臨近寧夏等H-H集聚區，故存在L-H集聚。遼寧省屬中度荷載地區，臨近河北省等較高荷載區，故存在L-H集聚。

北京市由H-H集聚區落入L-H集聚區，北京市位于華北缺水地區，且人口密度大、工業發達等原因影響下水環境壓力較大，但在發達的經濟水平、先進的技術水平、政策驅動等因素下研究期間灰水足跡呈現明顯下降趨勢，相較臨近的天津、河北等地灰水足跡荷載系數變低；安徽省由L-L集聚地區變為L-H集聚區，由于其位于中國灰水足跡荷載系數H-H集聚區與L-L集聚區過渡地區，易受二者影響；江蘇省由L-H集聚區變為H-L集聚區，與安徽相同其也位于中國灰水足跡荷載系數H-H集聚區與L-L集聚區過渡地區，易受二者影響，同時江蘇省灰水足跡荷載系數由1998年的0.45增加到2012年的0.50，導致其由L-H集聚區變為H-L集聚區；上海由H-L集聚區落入L-L集聚區，與北京類似，上海作為我國的經濟中心，在經濟高速增長的同時，工業廢水和生活污水的排放量大，水污染壓力大。同時鄰近南方水資源豐富地區，故位于H-L集聚區，但在發達的經濟水平、先進的技術水平、政策驅動等因素下研究期間灰水足跡呈現明顯下降趨勢，使其落入L-L集聚區。

4結論

通過本文研究，可以得出如下主要結論：

(1)1998—2012年全國灰水足跡呈現波動趨勢，1998年至2006年的灰水足跡呈現上升趨勢；2007年開始，全國灰水足跡呈現下降趨勢；農業在總灰水足跡的貢獻率最高、工業最低；河南是灰水足跡最大的省份，北京是灰水足跡最小的地區。

(2)31個省市(自治區)15年灰水足跡荷載系數整體呈現小幅波動趨勢。在全國內部也存在著明顯的地區差異，大體分為五類，第一類為高荷載區包括天津、寧夏兩地；第二類為較高荷載區包括北京、河北、河南、山東、山西、上海6省市；第三類為中度荷載區包括遼寧、江蘇、甘肅、吉林、內蒙古、陜西、安徽、黑龍江、湖北9省市(自治區)；較低荷載區包括重慶、湖南、廣西、四川、貴州、新疆、廣東、浙江、海南9個省市(自治區)；第五類為低荷載區包括福建、江西、云南、青海、西藏5地區。

(3)借助全局與局部空間自相關對全國31個省市(自治區)15年的灰水足跡荷載系數進行時空演變與空間分布特征的分析可知，中國省級灰水足跡存在空間集聚現象且集聚現象逐漸減弱，依據計算結果得到H-H集聚區主要包括天津、河北等省市(自治區)，H-L集聚區包括寧夏，L-L集聚區主要集中在我國南方與青藏高原區，L-H集聚區較為不穩定，主要包括內蒙古、陜西等省市(自治區)繪制LISA集聚地圖并進行分析。

本文通過灰水足跡及灰水足跡荷載系數的計算與空間關聯格局分析，為水資源利用和水污染防治提供了一定的理論基礎，可以通過對不同地區、不同污染物灰水足跡的計算，分析水污染原因并結合水資源量制定合適有效的污染物控制指標，以進行有效水污染防治，實現水資源的合理利用才能實現區域的可持續發展。

但本研究還存在一定不足，對灰水足跡的研究只取簡單和代表性的污染物，許多方面估算可能偏小。種植業灰水足跡不只受氮肥及農藥施用等的影響，且氮肥淋失率只是簡要整理而得未充分考慮土地利用類型、氣候地貌基礎等對氮肥淋失的影響；養殖業灰水足跡計算中為了便于計算只簡單考慮了主要畜禽糞便的水污染；整個面源污染考慮不足，如：農業地膜、水土流失、城市生活垃圾、工業廢棄物都可能會隨降水進入水體造成污染[29]。

參考文獻(References):

[1]Azevedo L, Gates T, Fontane D, Labadie J, Porto R. Integration of water quantity and quality in strategic river basin planning. Journal of Water Resources Planning and Management, 2000, 126(2): 85- 97.

[2]王西琴, 劉昌明, 張遠. 基于二元水循環的河流生態需水水量與水質綜合評價方法——以遼河流域為例. 地理學報, 2006, 61(11): 1132- 1140.

[3]夏星輝, 張曦, 楊志峰, 沈珍瑤, 李東. 從水質水量相結合的角度評價黃河的水資源. 自然資源學報, 2004, 19(3): 293- 299.

[4]夏星輝, 楊志峰, 沈珍瑤. 從水質水量相結合的角度再論黃河的水資源. 環境科學學報, 2005, 25(5): 595- 600.

[5]Hoekstra A Y, Chapagain A K, Aldaya M M, Mekonnen M M. The Water Footprint Assessment Manual: Setting the Global Standard. London: Routledge, 2011.

[6]Hoekstra A Y, Chapagain A K, Aldaya M M, Mekonnen M M. 水足跡評價手冊. 北京: 科學出版社, 2012.

[7]Chapagain A K, Hoekstra A K. The Green, Blue and Grey Water Footprint of Rice from Both A Production and Consumption Perspective. Delft, Netherlands: UNESCO-IHE, 2010.

[8]Mekonnen M M, Hoekstra A Y. A global and high-resolution assessment of the green, blue and grey water footprint of wheat. Hydrology and Earth System Sciences, 2010, 14(7): 1259- 1276.

[9]Kampman D A, Hoekstra A Y, Krol M S. The Water Footprint of India. Value of Water Research Report Series, Delft, The Netherlands: UNESCO-IHE, 2008, (32): 1- 152.

[10]Mekonnen M M, Hoekstra A Y. The green, blue and grey water footprint of crops and derived crop products. Hydrology and Earth System Sciences, 2011, 15(5): 1577- 1600.

[11]Chapagain A K, Hoekstra A Y. The blue, green and grey water footprint of rice from production and consumption perspectives. Ecological Economics, 2011, 70(4): 749- 758.

[12]Mekonnen M M, Hoekstra A Y. A global assessment of the water footprint of farm animal products. Ecosystems, 2012, 15(3): 401- 415.

[13]Mekonnen M M, Hoekstra A Y. The Green, Blue and Grey Water Footprint of Farm Animals and Animal Products. Value of Water Research Report Series NO. 48, Delft, Netherlands: UNESCO-IHE, 2010.

[14]Ercin A E, Aldaya M M, Hoekstra A Y. Corporate water footprint accounting and impact assessment: The case of the water footprint of a sugar-containing carbonated beverage. Water Resources Management, 2011, 25(2): 721- 741.

[15]Mekonnen M M, Hoekstra A Y. National Water Footprint Accounts: The Green, Blue and Grey Water Footprint of Production and Consumption. Value of Water Research Report Series No. 50, Delft, the Netherlands: UNESCO-IHE, 2011: 17- 22.

[16]Hoekstra A Y, Mekonnen M M. The water footprint of humanity. Proceedings of the National Academy of Sciences of the United States of America, 2011, 109(9): 3232- 3237.

[17]蓋力強, 謝高地, 李士美, 張彩霞, 陳龍. 華北平原小麥, 玉米作物生產水足跡的研究. 資源科學, 2010, 32(11): 2066- 2071.

[18]何浩, 黃晶, 淮賀舉, 童文杰. 湖南省水稻水足跡計算及其變化特征分析. 中國農學通報, 2010, 26(14): 294- 298.

[19]張郁, 張崢, 蘇明濤. 基于化肥污染的黑龍江墾區糧食生產灰水足跡研究. 干旱區資源與環境, 2013, 27(7): 28- 32.

[20]鄧曉軍, 謝世友, 崔天順, 李藝, 李暉. 南疆棉花消費水足跡及其對生態環境影響研究. 水土保持研究, 2009, 16(2): 176- 180, 185- 185.

[21]秦麗杰, 靳英華, 段佩利. 吉林省西部玉米生產水足跡研究. 地理科學, 2012, 32(8): 1020- 1025.

[22]王來力, 丁雪梅, 吳雄英. 紡織產品的碳水足跡核算. 印染, 2013, 39(9): 41- 43.

[23]孫才志, 劉玉玉, 陳麗新, 張蕾. 基于基尼系數和錫爾指數的中國水足跡強度時空差異變化格局. 生態學報, 2010, 30(5): 1312- 1321.

[24]曾昭, 劉俊國. 北京市灰水足跡評價. 自然資源學報, 2013, 28(7): 1169- 1178.

[25]謝花林, 李秀彬, 張燕婷, 彭小琳. 基于ESDA的京津冀地區草地變化空間分異. 自然資源學報, 2012, 27(7): 1224- 1232.

[26]孫才志, 閆曉露, 鐘敬秋. 下遼河平原景觀格局脆弱性及空間關聯格局. 生態學報, 2014, 34(2): 247- 257.

[27]李飛, 董鎖成. 西部地區畜禽養殖污染負荷與資源化路徑研究. 資源科學, 2011, 33(11): 2204- 2211.

[28]朱兆良. 農田中氮肥的損失與對策. 土壤與環境, 2000, 9(1): 1- 6.

[29]岳勇, 程紅光, 楊勝天, 郝芳華. 松花江流域非點源污染負荷估算與評價. 地理科學, 2007, 27(2): 231- 236.

The spatial correlation of the provincial grey water footprint and its loading

coefficient in China

SUN Caizhi*，HAN Qin，ZHENG Defeng

CollegeofUrbanandEnvironment，LiaoningNormalUniversity，Dalian116029，China

Abstract：Water is one of our most important resources, being closely linked to the development of society and human beings. With the rapid development of its economy, water scarcity and water pollution have become very serious problems in China. The total volume of water resources in China is rather large, but the per capita water resources are much lower than the global average. The discharge of waste and polluted water increased from 593 × 108t in 1998 to 785 × 108t in 2012. Traditionally, the volume of water resources and water pollution are studied separately, with little research comprehensively evaluating both. Thus, the concept of the grey water footprint was introduced in this context. Hoekstra and Chapagain first presented the concept of the grey water footprint in 2008, after which the idea was further developed by a few of the Water Footprint Network′s grey water footprint groups. The grey water footprint is defined as the volume of freshwater needed to dilute the load of contaminants based on existing environmental water quality standards. The concept of the grey water footprint provides a metric for the comprehensive assessment of water resource scarcity due to pollution. Overall, studies that investigate the assessment of grey water footprints from a regional perspective, and analyze the spatial correlation patterns of grey water footprints are few. Applying the formula for calculating grey water footprints designed by Hoekatra, this study calculated the grey water footprint and grey water footprint load coefficient of 31 provinces, municipalities, and autonomous regions in China, from 1998 to 2012. Spatial autocorrelation methods were used to study the grey water footprint, load coefficient, partial correlation pattern, and tendency towards change. In this paper, analyses of the agricultural, industrial, and domestic sectors will be presented. The results show that: 1) the total grey water footprint of China is increased from 5078.58 × 108m3in 1998 to 4400.85 × 108m3in 2012; however, the grey water footprint fluctuated during those 15 years. The contribution of each source to the grey water footprint is as follows: agriculture produces the most, and industry the least; 2) the grey water footprint load coefficient of China also tended to fluctuate during this period. The average grey water footprint load coefficient of China over the 15 years surveyed was divided into five categories: the first, which have high grey water footprint load coefficients, include Tianjin and Ningxia; the second is an area with a higher-than-average grey water footprint load coefficient, and it includes Beijing, Hebei, Shanghai, Shandong, Shanxi, and Henan; the third is an area comprising 9 provinces of which each has a medium grey water footprint load coefficient, and it includes Jiangsu, Gansu, Shannxi Liaoning, Jilin, Heilongjiang, Inner Mongolia, Anhui, and Hubei; the fourth is an area of 9 provinces with a lower than average grey water footprint load coefficient, and includes Zhejiang, Hunan, Guangdong, Guangxi Hainan Chongqing, Sichuan, Guizhou, and Xinjiang; the last is an area comprising 5 provinces of which each has low grey water footprint load coefficients, and includes Fujian, Jiangxi, Qinghai, Yunnan, and Xizang. 3) Through the analysis of the global spatial autocorrelation index of grey water footprint load coefficients in China from 1998 to 2012 shows that the grey water footprint load coefficient exists a spatial cluster feature, but the cluster phenomenon was attenuated year by year. By analyzing its local spatial autocorrelation index, it was found that the regions with an H-H correlation are mainly located in northern China, whereas the regions with L-L correlations are mainly located in southern of China. The spatial correlation pattern of grey water footprint load coefficients is closely related with regional water resources and grey water footprints.

Key Words:grey water footprint; grey water footprint load coefficient; spatial autocorrelation analysis

DOI:10.5846/stxb201408251675

*通訊作者Corresponding author.E-mail: suncaizhi@lnnu.edu.cn

收稿日期:2014- 08- 25;

修訂日期:2015- 07- 22

基金項目:教育部新世紀優秀人才項目(2013- 13-0844); 國家社會科學基金(11BJY063)

孫才志，韓琴，鄭德鳳.中國省際灰水足跡測度及荷載系數的空間關聯分析.生態學報,2016,36(1):86- 97.

Sun C Z，Han Q，Zheng D F.The spatial correlation of the provincial grey water footprint and its loading coefficient in China.Acta Ecologica Sinica,2016,36(1):86- 97.