農業生產的灰水足跡研究綜述

武慧君, 戴成娟, 劉英,2

(1.安徽理工大學地球與環境學院, 淮南 232001; 2.安徽省高潛水位礦區水土資源綜合利用與生態保護工程實驗室, 淮南 232001)

中國人均水資源占有量僅占世界平均水平的1/6,隨著農田化肥農藥的增加導致水環境質量惡化,威脅人類飲水安全,同時加劇水資源短缺[1],因此,農業生產導致的水資源的消耗與污染狀況不容忽視,農業生產過程中施用的化肥農藥可能造成農業面源污染,是用水和水壓力的主要原因[2-3]。在這種情況下,學者們開發了一種定量分析水資源利用狀況方法,稱為水足跡(water footprint,WF),同時該方法更好地解釋了人類的生產活動與產品服務中直接和間接蘊含的日益增長的用水壓力之間的聯系[4]。

Hoekstra[5]于2002年首次提出“水足跡”概念。此后,水足跡評價法不斷發展,如應用于農作物生產與加工、農作物的消費及廢物處理等活動[6]。隨著水足跡研究的進一步推進,學者們提出水足跡是由3種顏色編碼的成分組成,即綠色、藍色和灰色水足跡。綠水足跡主要指農作物在生長過程中蒸發的來自土壤中雨水的水資源量[7]。藍水足跡主要包括農田灌溉用水的蒸發,表示消耗使用淡水水體的水資源量[8]。綠水和藍水足跡沒有將水資源消耗和水污染指標結合起來,無法綜合分析水資源的利用情況。相比之下,使用灰水足跡可以定量分析用水量和污水排放量之間的關系,從水資源角度評價水污染狀況[9]。基于此,Hoekstra等[10]于2008年提出了“灰水足跡”(grey water footprint,GWF)的概念,將灰水足跡定義為排放到水體的污染負荷與最大容許濃度的比值,作為水污染評估和廢水控制的統一指標。研究發現,在核算灰水足跡時,使用最大容許濃度和自然本底值濃度之間的差異來代替原先定義中的最大容許濃度,更具科學合理性。2011年,Hoekstra[4]對灰水足跡定義進行了完善,將其定義為: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。灰水足跡專注于水質和水量間的定量關系研究,更準確地反映了水污染對水資源數量的影響,為農作物生產水污染領域提供了新的研究思路。

灰水足跡理論的提出引起了國際組織和中外學者的廣泛重視,包括聯合國環境規劃署(United Nations Environment Programme,UNEP)、聯合國糧農組織(Food and Agriculture Organization of the United Nations,FAO)、世界糧食計劃署(World Food Programme,WFP)等,以及相關領域內的學者們,其中,由于農業生產對水環境的重要影響,農業灰水足跡是學者普遍關注的熱點之一。農業生產灰水足跡指農業生產過程中所排放到水體中的污染物使其達到環境排放標準而需要的水資源,是指農業生產過程中消耗的水足跡之和,它屬于過程水足跡的范疇。中外學者針對特定農作物全球[11-12]、國家[13]、區域[14-16]、省市[17-19]農業產品灰水足跡、時空演化特征進行了大量研究,已經取得了一系列成果。

灰水足跡自2008年開始傳播,其所依據的概念也經歷了不斷的發展,了解農業生產灰水足跡發展歷程以理解其演變十分必要。鑒于此,重點對農業生產灰水足跡進行文獻綜述,系統梳理農業灰水足跡核算模型發展歷程,分析中外主要農作物生產灰水足跡時空分布格局研究現狀,并總結農業生產的灰水足跡影響因素,最后對灰水足跡評估不足與未來研究突破點進行分析。

1 研究方法

分別選擇Web of Science核心數據庫及中國知網檢索2008—2022年農業生產灰水足跡研究成果。在Web of Science核心數據庫中檢索關鍵詞包括:“Water Footprint、Grey Water、Grey water footprint、Crop Grey Water Footprint、Grey Water Stress、Agricultural Crops”;中國知網中檢索關鍵詞包括:“水足跡、灰水、灰水足跡、農業灰水足跡”。在Web of Science核心數據庫中檢索篩選出相關文獻500余篇,其中農業生產相關文獻量229篇;在中國知網中檢索篩選出農業灰水足跡相關文獻63篇,發文量總體呈逐年上升趨勢。通過文獻題目、關鍵詞、摘要及全文瀏覽,梳理農業灰水足跡核算模型發展歷程及主要農作物生產灰水足跡核算研究現狀,總結農業灰水足跡的主要驅動因素。

2 農業灰水足跡核算、特征分析及驅動因素研究現狀

2.1 農業灰水足跡核算的發展歷程

Chapagain等[20]針對作物種植的灰水足跡進行了研究,評估了15個棉花生產最多的國家(中國、美國、印度、巴基斯坦、埃及、烏茲別克斯坦、土耳其、巴西、澳大利亞、希臘、敘利亞、土庫曼斯坦、阿根廷、馬里、墨西哥)棉花消費的水足跡,計算了綠水、藍水和灰水足跡,其中灰水足跡采用美國國家環境保護局[21]建議的允許限值進行計算。Hoekstra等[10]研究認為,綠水、藍水和灰水產生的機制及影響因素不同,不能通過簡單求和計算總水足跡,并于2008年首次嘗試改進全球水貿易計算模型,增加了重復計算量、集水區回水和徑流等問題對總水足跡的影響,在2011年使用實際灌溉的本地數據基于改進的計算模型對水稻的灰水足跡進行首次全球評估[12]。2012年,Hoekstra等[22]對1996—2005年全球水足跡進行再次核算,比首次核算的水足跡評估值高出30%,其中,綠水、藍水和灰水所占比例分別為74%、11%和15%。2010年末,隨著Hoekstra等[22]提出的水足跡模型取得突破性進展,污染造成生態影響的灰水足跡測度模型得到統一和規范,主要以現有水環境水質標準為基礎,以用于消納、稀釋產品生產、消費過程中所排放污染物(如農業生產中作物生長施用的營養元素氮、磷、鉀及除草藥劑等),所需淡水量作為水環境影響程度的衡量指標[23]。此后,灰水足跡測度模型得到進一步發展。Ariyani等[24]指出,除化肥外,農業生產活動中農藥的流失也是導致水環境污染的主要因素,而第一次全球評估水稻灰水足跡核算主要根據施氮量、淋濾徑流分數和硝酸鹽水質標準計算的,沒有考慮來自農藥施加對灰水足跡總量的貢獻,進而將農藥納入灰水足跡評估,校正了水足跡成分的比率值,進一步完善了農業生產灰水足跡核算模型。王丹陽等[25]指出,在傳統灰水足跡核算過程中,忽略了污染物的稀釋實際上是由不同水體完成的,且將污染物排放量大與產生的灰水足跡大同等對待,從而導致較大的核算誤差,指出總灰水足跡計算時,建議將污染物分解到不同水體,分別計算各水體的灰水足跡后再進行求和。Liu等[26]研究表明,當前灰水足跡核算模型中沒有重視灰色水足跡評估的適當水質標準及多種污染物的灰水足跡綜合效應,并基于此對灰水足跡模型進一步發展改進。另外,灰水足跡量化核算容許限制對于模型核算準確性有較大影響,常用的水質限值參考美國環境保護署(United States Environmental Protection Agency,US-EPA)和歐洲聯盟(European Union,EU)容許限值,部分在全球范圍的灰水足跡核算研究中,沒有明確定義為容許限值選擇的方法[7],但根據文獻[27-28],容許限制應在研究區域本地特征進行定義。

當前研究主要將上述灰水足跡核算模型運用于在農作物灰水足跡的核算與評價[29]、灰水足跡空間關聯分析[30]、農業灰水足跡效率研究[9]、灰水足跡全生命周期評估[31-32]、灰水足跡空間分布格局[2]、驅動因素分析[33-35]等方面。此外,隨著遙感(remote sensing,RS)和地理信息系統(geographic information system,GIS)技術的發展,使得灰水足跡在不同尺度的核算在空間格局上更具可視性,諸多學者借助遙感影像在GIS軟件中將研究區域按照一定尺度劃分為不同的計算柵格,根據空間插值與地統計等方法,確定每一個柵格內的灰水足跡核算模型需要的參數,隨后對每一個柵格內的灰水足跡進行量化處理[36-39]。綜上所述,目前針對農業生產灰水足跡核算模型研究尚處于不斷更新與發展的階段,新方法的運用為農業生產灰水足跡更科學核算提供了新的切入點。

2.2 主要農作物生產灰水足跡特征研究現狀

目前,已經開展不同農作物灰水足跡的時空分布格局研究的國家包括:中國[40]、美國[41]、韓國[42]、哥倫比亞[43]、沙特阿拉伯[38]、智利[44]、希臘[45]、伊朗[46]、巴基斯坦[47]、意大利[14]、孟加拉國[48]、阿根廷[49]、突尼斯[50]、新西蘭[51]、摩洛哥[52]等。涉及的農作物主要包括玉米[16]、小麥[53]、水稻[17]、土豆[54]、大豆[55]、大麥[49]、番茄[29]、油菜[56]、甜菜[57]、甘蔗[58]、棉花[59]、葡萄[29]、向日葵[56]、苜蓿[60]、煙草[46]、椰棗[61]、橄欖[62]、檸檬[63]、蘋果[64]等。不同國家主要農作物生產灰水足跡時空分布格局與各個國家主要農作物類型、土壤類型、受保護或不受保護的系統、灌溉系統、原產地和氣候、產量和耕作系統等因素密切相關[7]。由于天氣條件和化肥大量投入,意大利番茄種植生產灰水遠高于美國[65]。西班牙是最大的水資源消耗國之一,灌溉用水量在歐盟灌溉用水總量中比例較高,其灰水足跡值較大[66]。也有學者從生命周期評價的角度評價作物種植灰水足跡,得到中國每千克橙子的灰水足跡含量最高,其次是西班牙、意大利和巴西,而美國生產的橙子灰水足跡含量最低[67]。有意思的是,單位不同灰水含量空間分布格局也有差異,當以m3/ha作為計算單位,這種計算差異與作物產量相關,波蘭草莓種植灰水以m3/kg計最高,而摩洛哥和西班牙草莓種植灰水以m3/ha計最高。盡管英國和波蘭每公頃草莓種植的耗水量相似,但由于英國草莓產量較高,每千克草莓種植灰水含量反而較低[68]。

中國農業生產灰水足跡在時間上總體呈先上升后下降的趨勢,省際農業生產灰水生態足跡空間上呈西高東低分布,傳統農業和人口大省四川、河南、山東農業灰水足跡較高,北京年平均灰水生態足跡最低[69]。東中部各省市的灰水生態足跡整體呈現先升后降的趨勢,大多數省市灰水生態足跡下降趨勢較為明顯,西部的部分省市灰水生態足跡出現了增長現象,如內蒙古自治區、云南、甘肅、青海、新疆維吾爾自治區的灰水生態足跡均有一定程度的上升[70]。2017年,中國種植業灰水足跡為4.90×1011m3,在地理空間分布上存在集聚效應,主要呈現“南高北低”的特征,排前6的江蘇、廣東、湖北、湖南、安徽和河南灰水足跡為2.94×1011m3,約占中國總量的42.97%,從灰水足跡結構得出,各省市區的總磷帶來的稀釋水需求量均大于氨氮的,總磷為限制性指標[71]。在特定作物層面,以2018年Hu 等[13]核算結果為例,2015年中國糧食生產的總灰水足跡為8.17×1011m3,其中,由于小麥、玉米、蔬菜和水果種植規模較大,河南和山東上述農作物灰水足跡高于中國其他大部分省份;玉米、小麥生產平均灰水足跡相對較高,分別為3.86×1010m3和3.10×1010m3,甜菜和雙季早稻的平均灰水足跡最小;從每生產1 kg農作物產生的灰水來看,油菜的灰水足跡最高8.64 m3/kg,緊隨其后的是小麥6.37 m3/kg、橙子6.31 m3/kg,此外,淀粉根、蘋果、玉米和其他水果也具有相對較高的灰水足跡。此外,不同學者對農作物生產灰水足跡時空分布格局研究的尺度有所差異,包括全球尺度[11,72]、國家尺度[73]、流域尺度[74]、省域尺度[17-18]、市域尺度[75]、縣域尺度[76]等。

綜上所述,中外學者對主要農作物生產灰水足跡時空分布特征研究方面已經取得了一系列成果,但尚處于不斷更新發展階段,特別是中國在該方面的研究主要是對國外研究方法的學習和應用,且主要集中在國家尺度[17]或少數省市主要農作物,如湖南[23]、新疆維吾爾自治區[77]、黑龍江[31]、陜西[18]、華北平原[76]、內蒙古自治區河套灌區[78]等地關于水稻、棉花、小麥、大豆、玉米、油料作物、蔬菜、水果等灰水足跡的核算。需要指明的是,中國南方濕潤地區存在“水多、水少、水臟、水渾”等嚴重的水資源問題,在這些地區農業灰水足跡也是一個不可忽視的問題,但關于南方不同尺度下農業灰水足跡的研究則相對缺乏。

2.3 農業灰水足跡的驅動因素研究現狀

2.3.1 農業灰水足跡的驅動因素分析模型

常用與農業灰水足跡的驅動因素分析的模型主要包括:對數平均迪式指數分解法(logarithmic mean Divisia index,LMDI)模型[79]、Kaya恒等式[80]、通徑分析法[81]、最小方差模型(least square error,LSE)[82]、物質流分析(material flow analysis,MFA)[13]。

LMDI模型是一種完全分解無殘差的影響因素分析方法[83-84],近年來用于水污染驅動因素分解研究[85-86]。李勝楠等[79]選擇人口因素、經濟因素、城鄉結構因素、技術因素、產業結構因素作為指標,利用LMDI模型對福建省及各地市2001—2017年的灰水足跡時空變化驅動因素進行了分解研究。Kaya恒等式對灰水足跡變化驅動因素解釋力強,能夠反映驅動因素的貢獻值,但無法反映區域差異。學者們常將LMDI模型和Kaya恒等式結合使用[87]。張智雄等[80]結合LMDI模型和Kaya恒等式,充分考慮資本和勞動力因素,選取經濟活度效應、資本深化效應、資本效率效應、足跡強度效應、環境效率效應等指標,運用擴展的Kaya恒等式和LMDI模型對中國各省市的人均灰水生態足跡變化的驅動因素進行了測度分析。但LMDI模型多基于Kaya恒等式為基礎進行拓展,將研究變量分解為多種因素相乘的形式,由此得到的驅動因素之間相關性較強,從而導致LMDI模型無法同時包含多種絕對量和相對量因素,進而有可能忽略掉一些其他潛在變量,導致驅動因素分解結果誤差較大[80]。

通徑分析是一種多元統計分析方法,用于研究變量之間的相互關系以及自變量對因變量的作用方式和程度,該方法在多元回歸的基礎上將相關系數進行分解,通過直接、間接和總通徑系數來表示某一變量對因變量的直接、間接和總體影響,已廣泛用于農業用水量的定量歸因分析,近年在水資源環境領域得到廣泛應用[88-89]。但在利用通徑分析解析農業灰水足跡的驅動因素時,要盡可能的考慮到所有影響因素,并需要獲取所有影響因素的長期試驗觀測數據,取得大量完備的樣本后,才能取得可靠的分析結果[88]。LSE模型指實際值與期望值的偏差最小值,將LSE模型引入灰水足跡效率驅動類型研究中,通過對比不同尺度上灰水足跡效率變化的實際效應貢獻率分布與理論分布的最小方差來確定驅動類型。韓琴等[82]利用LSE模型根據驅動效應的絕對貢獻率進行了尺度分類,并研究了1998—2012年中國省際灰水足跡的驅動模式。MFA是一種在特定時空范圍內對特定系統的物質流動與貯存進行系統分析或評價的方法。根據質量守恒定律,物質流分析結果可以通過比較所有的輸入、貯存和輸出來揭示簡單的物質平衡規律[13]。因此,基于MFA可以建立從作物、牲畜和水產養殖生產到地表水(通過徑流)的活性氮排放模型,量化目標行政邊界和長時間段內的水污染水平,包括詳細的食品類型和生產過程,并進行進一步灰水足跡核算[12]。Hu等[13]在詳細評估食品生產灰水足跡的基礎上,利用MFA模型量化了食品生產灰水足跡的驅動因素。

2.3.2 農業灰水足跡主要驅動因素

在灰水足跡測算的基礎上,學者們對灰水足跡的主要驅動因素進行了研究,主要概括為兩方面:一方面主要為農業生產過程中涉及到的活動,如農藥、化肥的施加;另一方面主要為與農業生產密切相關的外部因素(圖1),如經濟因素與資本深化程度、城鄉結構因素、技術和產業結構因素、人口與社會福利因素等。

化肥施用量和農產品產量是灰水足跡變化的關鍵驅動因素[33],農作物在生長過程中使用的化肥、噴灑農藥等除被植物利用外,在降水或灌溉等作用下,部分通過地表徑流和地下滲漏進入水體,而這些污染物并非直接流向外界,對當地水環境造成嚴重危害[9]。農業大量使用的氮磷肥在降雨過程中,經農田排水、地表徑流、地下滲漏等方式進入地下水體,從而導致稀釋水量增加,成為農業土地利用系統灰水足跡增長的主要原因[90-91]。經濟因素是最大正向驅動因素,經濟增長伴隨著水環境污染問題,是水污染等一系列環境污染的主要驅動力,經濟活度的提升在大部分時間段能夠造成人均灰水足跡增加[35]。資本深化程度的提高是灰水足跡增加的重要驅動因素[92],如建立在高水耗強度上的資源密集型重工業,未能采取有效的水資源保護機制造成了嚴重的水污染,使平均每年資本深化效應帶來灰水足跡增加。城鄉結構調整、建設水平提升以及排水設施逐步完善有助于污水集中整治[79]。技術因素是最大負向驅動因素,產業結構調整、清潔生產技術和污水處理技術的升級具有巨大的污水減排潛力。通過產業結構的優化調整和技術升級,可以減少污染物產排量,進一步提高灰水足跡效率[93-94]。人口密度的增加會導致水資源過度利用,增加水環境負擔和水污染治理難度,對地區灰水經濟生產率造成顯著負面影響,但提高居民綜合素質有助于減少灰水足跡,并促進地區對水資源和水環境的保護[95-96]。社會福利的增加對地區灰水經濟生產率產生積極影響,政府改善公共環境福利和提高民眾生活質量,確保經濟發展具備穩定的社會條件,對提升本地灰水經濟生產率起到積極促進作用[35]。

3 結論與展望

厘清農業生產灰水足跡的發展歷程、核算方法及驅動因素可為農業生產灰水足跡科學精準核算、區域農業可持續發展提供理論和方法支持,對水資源科學管理、合理規劃具有重要意義。基于Web of Science核心數據庫及中國知網2008—2022年農業生產灰水足跡研究成果,總結農業灰水足跡核算模型的發展歷程、主要農作物生產灰水足跡時空分布格局研究現狀、農業灰水足跡的主要驅動因素。目前國內外對主要農作物生產灰水足跡相關研究方面已經取得了一系列成果,但尚處于不斷更新與發展的階段,當前研究還存在如下不足。

(1)灰水足跡核算很大程度上依賴于對水體包含的元素(氮、磷、金屬和農藥)量化中所做的假設,另外,當前灰水足跡的核算過程中污染物排放量數據取自統計年鑒、水資源公報、環境統計年鑒等,忽視了降雨量、場地坡度、土壤質地、pH、養分、礦質含量、徑流和地表植被等因素對水體中釋放的污染物濃度的影響,核算過程中沒有考慮土壤、植被、氣候條件對污染物毒性降解作用,這意味著當前灰水足跡核算是一種簡化模式,當灰水足跡應用于農業生產時,其計算過程應遵循更詳細的方法,使用現場估算,并考慮具體地點的參數,如土壤特性、氣候條件等,實現農業生產灰水足跡的更精準核算。

(2)農藥化肥是農業生產中必不或缺的生產資料,對提高農作物產量和品質具有重要作用,但農藥與化肥的不合理使用均會導致諸多環境問題,如農業面源污染不斷加劇,尤其對土壤環境、地表水的污染等。現有研究關于對殺蟲劑和除草劑等農藥導致的水體水質污染因其致污機制復雜而暫未納入農業灰水足跡核算當中,僅將化肥施用對水質造成的面源污染納入計算,這也是目前農業灰水足跡的計算結果偏低的重要原因。隨著農藥污染造成的灰水足跡研究取得突破,糧食生產的灰水足跡計算將會更加客觀全面。此外灰水足跡量化核算水質限值選擇方面,應在研究區域本地特征進行定義。

(3)目前主要農作物生產灰水足跡核算及時空分布格局研究集中在大尺度研究層面,針對縣域及以下小尺度主要農作物生產灰水足跡核算及時空分布格局還是相對較缺乏。此外,由于不同地區地理和時間位置、氣候、技術和產量存在差異,當前已有的農作物灰水足跡并非在所有情況下都具有普適性,因此,亟需開展地方更具針對性的灰水量化研究。