山東省城市用水量變化驅動力分析

Analysis of Driving Forces for Changes in Urban Water Consumption of Shandong Province

WANG Yaolei ^1，2 ，CHEN Huawei ^2，3 ， LI Fulin ^2，3 ， ZHANG Jian ⁴ （204號

（1.School of Water Conservancy and Environment，University of Jinan，Jinan 25OO22，Shandong，China; 2.Water Resource Research Institute of Shandong Province，Jinan 25OO14，Shandong，China； 3.Key Laboratory of Water Resourcesand Environment of Shandong Province，Jinan 25oo14，Shandong，China; 4.Dezhou Water Resources Bureau，Dezhou 253O11，Shandong，China）

Abstract：Tofurtheranalyze thedriving forcesof waterconsumption change indiferentcities，basedonthe surveyand statistical dataof urban waterconsumption indicators in Shandong Provincefrom2O09 to2O20，principalcomponentanalysis and grey corelation method were used to reveal the driving forces of urban water consumption changes of Shandong Province.Theresults showthatindustrial structure indicators such as urbanizationrate，ndustrialadded value，percapita grossregional product，and tertiary industryadded value have the greatest impactonthechanges of urban water consumption in Shandong Province.Crop planting structure is an important indicator foroptimizing waterresource allocation.Qingdao Cityhas the highest driving forcescore andthe best water resources allcation.The grey corelation degres of water-saving irigation area，water consumption of state-owned and above-scale industries，annual average water consumptionof urban residentsandannual temperaturewith agricultural，industrial，domesticand ecological water consumptionare 0.871， 0.731，0.92Oand O.82O，respectively，whichare the main driving factors afecting urban water consumptionchanges.

Keywords：urban water consumption；driving force；principalcomponent analysis；grey correlation；Shandong Province

水資源系統具有非線性、復雜性和開放性等顯著特點，且與其他系統關系密切[1]。在自然界和人類社會中，流動的水資源配置受到自然和人為的雙重驅動，其中：人為驅動因子較為活躍，短時間內可深入影響水資源系統的配置情況；自然驅動因子的影響需要長時間的累積，相對穩定[2]。明確用水驅動力是完善水資源配置的必要途徑，能夠使水資源的經濟、社會和環境價值得到更均衡、更有效的發揮。評價用水量變化驅動力要充分考慮區域的經濟狀況、人口數量和水資源稟賦等因素，雖然不同區域的驅動力不盡相同，但也緊密地聯系在一起[3]。

氣候變化和社會經濟驅動力是影響全球水資源壓力的主要因素，而水資源壓力增加的重要原因是收入增加所刺激的生活用水量的變化[4]。受氣候條件驅動，預計2050年瑞士的水資源供應將會受到限制，原水價格將大幅提高[5]。我國水資源利用的供需矛盾日益加劇，各地水資源稟賦條件差異較大。Gao等[6研究了生產用水變化的驅動因素，提出革新節水技術并以低用水量促進經濟增長的舉措建議。全李宇等7研究發現，以工業為主的驅動因子是目前河南省鄭州市水資源利用的重要驅動因子。包鑫如等提出工業生產總值、國內生產總值（GDP）等指標是長江經濟帶主要水資源利用驅動力。易晶晶等利用對數平均迪氏分解（LMDI）模型分析了廣東省產業用水的驅動力和驅動效應，得到了產業結構對用水產生負向驅動的結論。劉兵等[10]研究了典型干旱灌區的用水驅動力，提出了調整種植結構和種植規模的建議。徐蘊韻等[\"]運用灰色關聯理論分析了南水北調東線江蘇段的用水驅動力，提出了優化地區產業結構的調控措施。吳昊等[12]研究發現，經濟結構調整和人口演變等因素是影響江蘇省南京市水資源利用的主要驅動力。

目前對用水量變化驅動力的研究以時間演變為主，對不同城市用水量的驅動力分析較少。本文中以山東省為研究區，利用主成分分析和灰色關聯等方法研究不同城市用水量變化驅動力，為實現水資源合理分配，提高用水效率，建設節水型社會提供參考。

研究方法與數據來源

1. 1 主成分分析

Pearson在1901年提出主成分分析這一多元統計分析的重要統計方法[13]，利用降維的思想在缺失少量信息的前提下，將多指標轉換為幾個主要綜合指標。轉換后的指標關聯性較小，同時能有效反映總體信息，可以在一定程度上克服主觀隨意性，增加評價體系的可信性。本文中將統計產品與服務解決方案軟件包（SPSS）用于主成分分析的計算。

1. 2 基尼系數

基尼系數是用于定量評價收入分配差異的統計指標[14]，取值為0＼～1，數值越小，財富分配越平均，表達式為

式中： G 為基尼系數； A_r 、 A_r+1 分別為 r，r+1 區域的總用水累積比例； B_r ） B_r+1 分別為 r，r+1 區域的各類型用水累積比例； n 是區域的個數。

基尼系數的評價區間劃分標準如表1所示。通常將0.4作為基尼系數的“警戒線”。

本文中將用水量分為農業、工業、生活和生態4種類型。首先利用基尼系數評價各用水類型的空間分布情況，再將基尼系數與灰色關聯法相結合作為母序列，進一步分析用水量變化的驅動力。

1.3 灰色關聯分析

同一系統中2個因素變化趨勢的相似程度可用灰色關聯法進行量化分析[15]。首先針對母序列 x₀ 和特征序列 x_i 進行無量綱化處理，進一步求解灰色關聯系數，表達式為

式中： x₀（k） 為時間序列 k 對應的母序列， k=1 ，2，…， n;x_i（k） 為時間序列 k 對應的指標 i 的特征序列，i=1，2，…。

得到關聯系數值后求解關聯度值，表達式為

式中關聯度 γ_i 取值為 0～1 ，數值越大關系越密切。最后將關聯度值排序，得出結論。

1.4 數據來源與選取

研究數據來源于歷年《山東省統計年鑒》《山東省水資源公報》，包括山東省各城市2009—2020 年的農業、工業、生活、生態用水量以及各用水指標等基礎數據資料。

用水量受到多種因素變化的影響，水資源配置的長期演變是社會經濟因素和自然環境變化因素共同作用的結果，例如，人口數量的增加導致生活用水量的增長，城市環境質量的改善和服務業的發展導致公共用水量的增加，重復利用率和用水定額水平的提高對工業用水變化的負驅動作用等。通過比較分析，初步選取了12個具有代表性的指標作為主成分分析的基本參數，如表2所示。

在灰色關聯度分析中，區域用水量分為農業、工業、生活和生態用水量，選取了相應的驅動因子，如表3所示。

2 研究區概況

山東省位于中國東部沿海地區，下轄16個地級市，陸域面積為18.58萬 km² ，地跨黃河、淮河、海河、小清河和膠東水系，屬暖溫帶季風氣候。山東省水資源的特點是總量不足，人均、地均占有量少，地區分布不均勻，年際年內變化劇烈。全省多年人均占有水量為 298m³ ，屬于嚴重缺水地區[16] 。

水資源緊缺是山東的基本省情，也是制約社會經濟發展的重要因素[17]。山東省2009—2020 年用水量的變化如圖1所示。由圖可以看出：全省年度用水量從2009年的219.99億 m³ 增加至2020年的222.5億 m³ ，波動中略有上升，其中農業用水量總體呈下降趨勢，工業用水量波動上升，生活與生態用水量穩步增加。2020年全省用水量較2019年略有下降，農業生產仍為最大用水單元。

3結果分析

3.1 用水量變化驅動力主成分分析

選取12個相關因子組成的序列對2020年山東省各城市的用水量變化驅動力進行主成分分析，總方差解釋如表4所示。按照以累積貢獻率大小選擇主成分的原則，選取表4中的前3個成分，累積貢獻率為 82.767% ，特征值均大于1。

成分矩陣如表5所示。由表可知，主成分1中荷載較高的因子均與產業結構有關，城鎮化率、工業增加值、人均地區生產總值和第三產業增加值具有較大的正荷載量，萬元國內生產總值（GDP）用水量、第一產業產值比例和萬元工業增加值用水量具有較大的負荷載量。主成分1的貢獻率為 43.832% ，說明產業結構驅動因子影響最大，優化區域內的產業結構是完善水資源配置的重點。主成分1的回歸方程為

Y₁=-0.386X₁+0.38X₂-0.37X₃+0.364X₄+0.359X₅+ 0.346X₆-0.286X₇+0.081X₈-0.194X₉+0.119X₁₀+ 0. 171X1 -0. 138X12，

式中： Y₁ 為主成分1的分值； X₁ 為萬元GDP用水量； X₂ 為城鎮化率； X₃ 為第一產業產值比例； X₄ 為工業增加值； X₅ 為人均地區生產總值； X₆ 為第三產業增加值； X_γ 為萬元工業增加值用水量； X₈ 為年均降水量； X₉ 為有效灌溉面積； X₁₀ 為建成區綠化覆蓋率； X₁₁ 為廢水排放量； X₁₂ 為農作物種植結構。

主成分2的貢獻率是 24.432% ，其中貢獻較大的是年均降水量、有效灌溉面積、建成區綠化覆蓋率和廢水排放量（廢水排放量包括工業廢水與城鎮生活污水排放量），代表了自然因素、農業與環境因素對用水量變化的影響。主成分2的回歸方程為

052X₅+ 0. 253X6-0.048X，-0. 424Xg-0. 411X，-0. 407X10 + 0. 405X +0. 353X12 ，

式中 Y₂ 為主成分2的分值。

主成分3的貢獻率為 14.503% ，主要代表因子為農作物種植結構，具有較大的正荷載量，在主成分2中也有一定的貢獻量，表明農作物種植結構對用水量變化的影響是多方面的，是用水量變化優化效果最顯著的指標之一。主成分3的回歸方程為

0. 178X.， +0. 517X12 ，

式中 Y₃ 為主成分3的分值。

根據上述3個主成分的特征值和貢獻率，可得主成分 Y 的綜合得分計算式為

主成分分析模型計算得到的山東省各城市用水量驅動力綜合得分如表6所示。從表中可以看出，各城市中青島市得分最高，水資源配置情況最好。

山東省各城市用水量驅動力在主成分1、2上的分布如圖2所示。從圖中可以看出，驅動力因子未呈現明顯的聚集分布，同一劃分區域（魯中、魯北、膠東半島和魯南魯西南）內各城市用水量變化驅動力無明顯相似，其中菏澤、和濱州市的分布較為聚集，相關性較強，水資源配置情況相似。

3.2 用水量變化情況評價

將山東省2009—2020 年用水量分為農業、生活、工業與生態4個部分，利用基尼系數評價用水量的變化，如圖3所示。由圖可以看出，2009—2020年全省農業用水量的基尼系數評價為絕對平均，保持增加趨勢；工業與生活兩類用水量的基尼系數評價為比較平均，年際變化不大，除2019年外，同期差值均在 3% 以內；生態用水量的基尼系數離散程度最大，其中2019年的最大值為0.48，且12a內有7a的基尼系數均超過了“警戒線”，表明山東省農業用水量的空間配置最好，工業用水量和生活用水量次之，生態用水量配置最差，年際差異較大。

3.3 基于灰色關聯的驅動力分析

按時間序列對驅動因子取值，水資源配置的基尼系數為參考值，即母序列，各驅動因子為特征序列。根據數值大小將關聯度分為3個等級：關聯度為 0～0.35 時，為弱相關；關聯度為 gt;0.35～0.70 時，為中等相關：關聯度為 gt;0.70～1.00 時，為強相關。山東省城市用水量驅動因子的灰色關聯度計算及評價結果如表7所示。由表可知：各驅動因子的灰色關聯度均大于0.5，具有一定的代表性。在時間序列上，節水灌溉面積對農業用水的影響最大，灰色關聯度為0.871，農作物種植結構和有效灌溉面積的灰色關聯度都大于0.6，年均降水量與林牧漁產值占比的影響次之。山東省節水灌溉面積占有效灌溉面積的比例從2009年的 43.78% 增加為2020年的70.69% ，可見這一指標的增加可縮短年際和各城市間的農業用水差距，對提升農田灌溉用水效率也具有重要意義。同樣地，2020年山東省耕地面積約為2008年的 65% ，加上農作物種植結構的調整，糧食作物播種面積占農作物播種面積比例的逐年提高，都使得農業用水的利用更加科學、合理[18]

在影響工業用水合理性的因子中，前4項關聯強度均為強相關，國有及規模以上工業用水量的灰色關聯度為0.731，最后一項火電工業用水量的關聯度也在0.6以上。在第二產業比重逐年下降的前提下，工業產值和國有規模以上工業用水量穩步增加，萬元工業增加值用水量逐年減少，更凸顯了山東省工業用水向著更科學、合理的生產方向前進[19]值得注意的是，2018年前火電工業用水量呈上升趨勢，對年際間用水均衡性的影響很大，對這一高耗水、高污染的行業要予以管控

在影響生活用水均衡性的因子中，城鎮居民生活年均用水量、城鎮化率和第三產業比重的灰色關聯呈強相關，灰色關聯度分別為0.920、0.855和0.837，人口自然增長率為中等相關。生活水平的提高、人口增長和城鎮化發展所帶來的生活方式的改善和第三產業結構的發展，將會是很長一段時間內影響用水合理性的主要因素，普及節水意識，增加節水器具使用率，是提高生活用水均衡性和用水效率的重要措施，同時在城鎮化率逐年提升而人口自然增長率快速下降的趨勢下，城鎮相關生活用水的優化顯得尤為重要。

在生態用水驅動因子中，年均氣溫與建成區綠化覆蓋面積為強相關，其中年均氣溫的灰色關聯度最大，為0.820，年均降水和公園面積呈中等相關。隨著人們生態文明意識的不斷提高，城市生態面積逐年增加，生態用水會成為越來越重要的驅動因素[20] 。

4結論

本文中利用主成分分析和灰色關聯等方法研究山東省不同城市用水量變化驅動力，從相關因子中提取了影響用水量變化的主要成分，評價了2009—2020年用水量的空間分布情況，同時對不同類型用水量的驅動因子進行了分析，得到如下主要結論：

1）城鎮化率、工業增加值、人均地區生產總值和第三產業增加值等產業結構因子為主成分1，對山東省用水量變化的影響最大，累積貢獻率為 43.832% 。年均降水量、有效灌溉面積、建成區綠化覆蓋率和廢水排放量等因子組成主成分2，累積貢獻率為24.432% 。主成分3的累積貢獻率 14.503% ，主要代表因子為農作物種植結構，具有較大的正荷載量。在該主成分分析模型下，青島市的得分最高，水資源配置情況最好。

2）山東省2009—2020年農業用水量的配置最好，基尼系數評價為絕對平均；工業和生活用水量的基尼系數評價為比較平均，空間分布較為合理；生態用水量空間分布不均衡，基尼系數評價多為差距較大。

3）節水灌溉面積與農業用水量的基尼系數的關系為強相關，關聯度為0.871；國有及規模以上工業用水量、萬元工業增加值用水量、第二產業比重、工業產值與工業用水量的基尼系數呈強相關關系，其中國有及規模以上工業用水量灰色關聯度最高，為0.731；在生活用水的驅動因子中，城鎮居民生活年均用水量、城鎮化率和第三產業比重為強相關，城鎮居民生活年均用水量關聯度最大，為0.920；年均氣溫、建成區綠化覆蓋面積與生態用水量基尼系數關系為強相關，年均氣溫的關聯度最大，為0.820。

4）膠東半島和魯中地區的城市用水量驅動力綜合得分較高，工業和服務業發達，應進一步優化產業結構，完善第三產業用水定額標準。魯南魯西南和魯西北地區是山東省主要的產糧基地，在主成分分析中排名較為靠后，應大力發展農業節水技術，提升水資源利用效率。

5）節水意識的普及、產業結構調整以及生活方式的變更等對水資源分配利用有著深遠的影響。山東省應著力落實節水措施，適當調整農作物的種植結構，優化城鎮生活的用水配置，重點關注經濟、民生用水情況。

參考文獻：

[1] 李謹，董亞軍，傅新，等．基于生態足跡法的徒駭河-馬頰河流域水資源承載力動態分析與預測[J]．大學學報（自然科學版），2022，36（5）：524.

[2] 王樹旺．區域用水結構演變規律及驅動力分析[D]．合肥：合肥工業大學，2015.

[3] 張兵兵．中國用水結構優化研究［D]．杭州：浙江大學，2017.

[4] ALCAMO J， FLORKE M， MARKER M. Future long-term changesin global water resources driven by socio-economic and climaticchanges[J]. Hydrological Sciences Journal，2007，52（2）： 247.

[5] FAUST AK，GONSETHC，VIELLE M. The economic impact ofclimate-driven changes in wateravailability in Switzerland[J].WaterPolicy，2015，17（5）：848.

[6] GAOC，XIER，ZHANGYG，etal.Drivers ofdynamicevolu-tion in provincial production water usage： perspective of regional

（上接第331頁）

[20] 呂建樹，張祖陸，劉洋，等．日照市土壤重金屬來源解析及環境風險評價[J]．地理學報，2012，67（7）：971.

[21] 李偉，孫晶，熊健，等．西藏拉魯濕地表層土壤重金屬分布特征和風險評價[J]．環境科學與技術，2023，46（1）：92.

[22] 于元赫，呂建樹，王亞夢．黃河下游典型區域土壤重金屬來源解析及空間分布[J]．環境科學，2018，39（6）：2865.

[23] GIERSZJ，BARTOSIAKM，JANKOWSKIK.Sensitivedetermi-nation of Hg together with Mn，Fe，Cu bycombined photochemi-cal vapor generation and pneumatic nebulizationin the program-mable temperature spray chamber and inductively coupled plasmaoptical emissionspectrometry[J].Talanta，2017，167：279.

[24]KARIMZ，QURESHIBA，MUMTAZM，et al.Heavy metalcontent in urban soilsasan indicator of anthropogenic and naturalInternational，2021，28（12）：15130.

[7］全李宇，牛超杰，劉成帥，等．鄭州市用水結構演變及驅動力分析［J]．水電能源科學，2022，40（10）：48.

［8］包鑫如，張行南，張文婷，等.長江經濟帶用水結構演變及驅動力分析[J]．長江科學院院報，2023，40（2）：19.

[9]易晶晶，陳志和．基于LMDI模型的廣東省產業用水驅動力和驅動效應分析［J]．人民珠江，2019，40（8）：39.

［10］劉兵，何新林，張少博，等．干旱灌區用水結構演變及驅動力分析[J]．中國農村水利水電，2017（4）：12.

［11］徐蘊韻，吳昊，李永泰，等．南水北調東線江蘇段用水結構及其時空演變[J]．水資源保護，2022，38（2）：97.

[12］吳昊，華驊，王臘春，等．區域用水結構演變及驅動力分析[J]．河海大學學報（自然科學版），2016，44（6）：477.

[13]LIT，ZHANGHC，YUANC，etal.APCA-based method forconstruction of composite sustainability indicators[J].The Inter-national Journal ofLife Cycle Assessment，2012，17：593.

[14]DARKWAHKA，NORTEYENN，LOTSIA.Estimationof theGini coefficient for the lognormal distribution of income using theLorenz curve[J].SpringerPlus，2016，5：1196.

[15］孫秀秀，王維平，李文良，等．基于投入產出表的山東省水資源利用狀況研究[J]．大學學報（自然科學版），2021，35（3） ： 223.

［16］陳學群，管清花，題宇洋，等．水資源剛性約束研究與山東實踐[J]．中國水利，2022（16）：14.

［17］吳振，李福林，陳華偉，等．基于優化配置的多水源多環節綜合水價研究[J]．中國農村水利水電，2021（9）：76.

［18］欒軍強，王榮成，朱子媛，等．山東省糧食供需變動下農業生產格局研究[J].中國農業資源與區劃，2021，42（8）：201.

［19］刁子乘，趙晶，韓宇平．中國北方地區工業用水邊際效益及影響因素研究［J]．人民珠江，2022，43（11）：8.

[20]趙賓華，黃金華，李占斌，等.基于AHP-熵值法組合賦權的甘肅省城市生態用水安全綜合評價及影響因素分析[J]．水土保持通報，2023，43（1）：167.

（責任編輯：于海琴）

influencesonlandscape of Karachi：amultivariate spatio-temporal analysis[J].Ecological Indicators，2014，42：20.

[25] LI XY，LIULJ，WANGYG，et al.Heavy metal contamination ofurbansoil inan old industrial city（Shenyang）in Northeast China[J].Geoderma，2013，192（1）：50.

[26] LYUJS，LIUY，ZHANGZL，etal.Identifying theorigins and spatial distributions of heavy metals in soils ofJu country（Eastern China）using multivariate and geostatistical approach[J]. Journal of Soils and Sediments，2015，15（1）：163.

[27]LU A X，WANG JH，QIN XY，et al. Multivariate and geostatistical analyses of the spatial distributionand originof heavy metals inthe agricultural soils inShunyi，Beijing，China[J].Science of the Total Environment，2012，425：66.

（責任編輯：于海琴）