黄河流域水资源、能源与粮食生产的时空匹配及阻尼效应

陈 帅，侯孟阳，李园园，邓元杰，姚顺波

·土地保障与生态安全·

黄河流域水资源、能源与粮食生产的时空匹配及阻尼效应

陈 帅1，侯孟阳2，李园园1，邓元杰1，姚顺波1※

（1. 西北农林科技大学经济管理学院，咸阳 712100；2. 河北大学经济学院，保定 071000）

水、能源与粮食是人类生活与可持续发展的重要保障，探究水资源、能源对粮食生产作用对于优化资源配置与保障粮食安全有着重要的意义。该研究运用洛伦兹曲线与基尼系数评估黄河流域上中下游水资源、能源与粮食生产之间的匹配度，并基于柯布-道格拉斯生产函数引入粮食增长阻尼模型测算出黄河流域水资源与能源对于粮食生产的制约程度。结果表明：1）黄河流域水资源、能源对粮食的基尼指数呈现出先减小后增大情形，黄河下游区域的匹配度要比上中游区域更为合理，2019年下游区域水资源、能源对粮食都呈现出高度匹配状态情形。2）黄河流域水资源对于粮食生产的阻尼系数波动较大，阻尼系数变化范围为0.005～0.032，且水资源对粮食增长阻尼作用呈现出6 a一周期情形。能源对于粮食生产的阻尼作用呈现出稳步上升情形，且在2015年后上升较快。在水资源与能源约束条件下，2019年黄河流域粮食产量增长要比上一年分别降低0.76%与5.28%。3）黄河流域水资源阻尼系数呈现出西部小东部大情形，能源阻尼效应呈现中高约束状态集中在黄河上游东部区域与下游区域，低约束状态集中于黄河中游区域。另外，黄河流域水资源与能源阻尼系数具有典型的空间集聚特征，水资源阻尼效应高-高集聚区主要分布在黄河下游区域，能源阻尼效应低-低集聚区分布在中游北部区域。研究结论可为黄河流域粮食的稳定增长与资源有效配置提供科学依据。

空间匹配；基尼指数；增长阻尼；粮食生产；黄河流域

0 引 言

水资源是农业发展的重要载体，能源是促进农业发展的物质支撑，粮食是人类生存最基本的保障，它们是国家经济发展进程中至关重要的战略性物资[1]。由于中国各区域资源存在差异性以及受气候、政策等因素的影响，农业耗水与农业能源对于粮食生产的匹配与制约作用也存在着较大差异。对于黄河流域而言，在目前水资源短缺日益紧迫、能源消耗在“双碳”政策与生态保护与高质量发展环境下得以限制以及粮食生产在农业产业效益逐渐低下与各种资源非农化背景下，面对农业资源要素的消耗与空间分布不平衡的状况，如何有效配置资源要素助推粮食生产已成为关键所在。针对目前黄河流域农业各资源供给与需求矛盾，国家及当地政府也采取了相关措施，2021年10月8日，中共中央、国务院印发《黄河流域生态保护和高质量发展规划纲要》，该纲要提出了黄河流域农业节水措施，以及确定了如何依据水资源与生态环境承载力来确定能源行业生产规模方案。因此，研究黄河流域水资源、能源与粮食之间匹配与制约关系对缓解资源供需矛盾有着重要的科学价值，另外，在黄河流域水资源日益紧缺与能源消耗日益增加以及粮食安全背景下，厘清水资源、能源与粮食生产的匹配关系并分析其对粮食生产的制约作用，可为黄河流域粮食系统的安全与资源有效配置提供重要的参考依据。

粮食种植与水资源密切相关，国内外学者对水资源与粮食的关联进行了大量研究，研究角度趋于多样化。国内相关研究集中在农业生产用水效率[2-4]、水分生产力[5]、粮食生产水足迹[6-7]等方面，相关研究证实了水资源对于粮食生产起到显著的促进作用[8-10]。对于能源与粮食关联研究并不多，部分研究集中于能源投入对于粮食产量影响[11-12]。此外，对于变量匹配关联的研究，多数学者分析了农业生产中水土资源匹配特征[13-15]以及水土资源与经济、环境之间的匹配度[16-17]、协调度[18]等。周美玲等对浙江省绿色空间与经济发展典型要素匹配进行研究，发现杭州市空间匹配度最低而舟山市与嘉兴市的空间匹配度较高[19]，熊鹰等[20]发现长株潭城市群水资源分布与土地面积、人口高度协调。另外，因自然资源消耗引发的阻尼效应研究集中在经济要素方面，如水资源约束[21-22]、土地资源约束[23-24]、能源约束[25]等。

整体而言，学者们对农业资源协调度、匹配度以及水土资源配置研究取得了可观成果，但仍有一定的改进空间。第一，部分文献对于水-能源-粮食系统协调安全性进行了评价[26]但无法厘清粮食生产中水资源与能源配置对于粮食产量的影响，构造粮食生产中水资源与能源的匹配研究框架将拓宽资源配置理论的应用范围。在当前黄河流域水资源短缺、能源需求与消耗矛盾突显，威胁粮食安全的背景下，从时间演变与空间异质两种维度和匹配均衡与阻尼效应两种视角探寻黄河流域粮食生产的资源配置策略具有一定的现实意义。第二，相关文献表明作物生产要素匹配程度越高则农业生产条件越优越[15]，现实情况是否也是如此？文章依据匹配特征与阻尼效应以及结合黄河流域现实情况去分析这一观点，这对现有文献关于“匹配均衡则为优”的评价标准有着全新的认识。另外，黄河上中下游资源禀赋差异性较大，对黄河流域上中下游水资源与能源对于粮食的匹配研究相比仅对整体流域研究更加准确具体。鉴于此，本文基于市级尺度与时空视角，对黄河流域上中下游水资源-粮食与能源-粮食的基尼指数进行分区测算，引入Cobb-Douglas生产函数推导出粮食生产的增长阻尼公式，并基于增长阻尼公式与岭回归模型结果测算黄河流域水资源与能源对粮食生产的阻尼效应值，并通过ArcGIS软件分析其空间分布特征。这为进一步探寻黄河流域粮食生产中资源配置的优化策略提供科学性指导。

1 研究方法与数据来源

1.1 研究区域概况

黄河流域横贯中国东西，大部分区域位于中国西北部，从西到东横跨青藏高原、内蒙古高原、黄土高原与黄淮海平原，地势呈现出西高东低情形。黄河流域水资源总量约占全国的2.6%，在中国七大江河中排名第4位，但降水量在中国十大流域中排名居后。2020年黄河流域平均降水量为507 mm，地表水取水量为426.17亿m3，占总取水量的79.5%。农业耗水量达到231.01亿m3，占到地表耗水量的65.3%，人均水资源量约900 m3。此外，黄河流域是中国重要的能源、化工原料基地，中下游煤炭资源和石油资源丰富，煤炭储备量占全国总量的50%以上，中国目前产煤规模最大的三个省份（内蒙古、山西和陕西）皆位于该流域内，但同时也面临传统产能过剩、产业结构单一及能源产业分布不均等困境。2019年，黄河流域粮食种植面积达到4 181万hm2，粮食产量为23 438万t，约占全国三分之一，重点分布在黄河下游区域。

在遵循以自然黄河流域范围的基础上和保证地区级行政单元完整性原则上，借鉴相关研究[27-28]，绘制出以下研究区域（图1），具体研究区域涉及到黄河流域78个地级市，其中上游、中游与下游涉及到地级市个数分别为30、31与17个。

1.2 基尼指数

洛伦兹曲线与基尼指数在经济学上是分析收入分配均衡程度的一种客观指标[29]。水资源与能源在地域空间分布的差异性会影响到区域粮食产量以及农业发展，文章以粮食产量作为基本匹配对象，以水资源与能源作为分级匹配对象。整理出黄河流域以及各上中下游各市（州）单位水资源和能源所对应的粮食产量，并计算出相应的水资源、能源与粮食产量占总量的累积百分比，并依据各变量累计比例绘制出洛伦兹曲线。此外，本研究采用梯形面积法计算其基尼指数，如式（1）所示。

式中x表示第个地区水资源量累计百分比，y表示第个地区粮食产量的累计百分比。

图1 研究区域概况图

参照经济学上的基尼系数评价居民收入公平程度的划分方法，本文将水资源和能源对粮食生产的匹配程度划分为5个等级，从高到低依次为高度匹配、相对匹配、一般匹配、不太匹配与极不匹配；相应等级对应的基尼系数范围为(0，0.2)、[0.2，0.3)、[0.3，0.4)、[0.4，0.5)与[0.5，1)。该数值接近0，表示对于单位水资源或能源投入粮食生产越均衡[19]。按照国际惯例将0.4作为基尼指数值的警戒线，当基尼指数值超过0.4，表明两者不太匹配。

1.3 阻尼效应

为量化黄河流域水资源与能源对于粮食生产的制约作用，本文借鉴Romer变形后的生产函数“growth drag”概念[30]与现有相关研究成果[31]，将水资源（能源）对粮食生产的阻尼效应定义为在现有水资源（能源）利用下的粮食产量增长与假定不受水资源（能源）约束下粮食产量增长值的差值。关于水资源与能源增长阻尼公式的推导与思路如下：

式中()表示在时间的粮食产量（万t），()、()分别表示在时间的能源投入量（kW）和水资源投入量（亿m3），()表示在时间的粮食作物投入面积（103hm2），()表示在时间的劳动力投入量（万人），()表示在时间的知识或劳动的有效性，为相应的产出弹性，其数值都大于0，且<1。另外，文章将单位劳动生产率引入增长阻尼模型，在本文中定义它为在一年时间内单位劳动者所生产的粮食产量，表达式为()()()，将其代入式（2）并对两边取对数处理

对式中进行求导得出式（4），

式中g()、g()、g()、g()、g()与g()分别表示单位时间内粮食、能源、水资源、土地、劳动力生产率的增长率与技术进步率。

依据Romer理论[30]，假设经济保持均衡增长，在平衡增长路径所需资本与产出均以一个恒定不变的速率增长，对于粮食产量在平衡增长路径来讲同样适用，g()与g()相等，在平衡增长路径下粮食产出增长率为

当资源受到限制时，各资源的增长率为实际增长率，但在各资源不受限制时，即水资源和能源的增长率不再是g()和g()，而是g()(单位劳动生产率增长率)，即g()=g()=g()，在平衡经济增长路径上，单位劳动力生产率粮食产量增长率为

依据前文“增长阻尼”定义，可得水资源与能源对粮食的“增长阻尼”为

因此可得出水资源与能源的增长阻尼方程式为Drag与Drag。

劳动生产率增长率、水资源与能源增长率依据方程式0(1+)(s-1)=y进行测算。0为变量初期值，本文初期为2000 年，y为变量第期数值，为该变量年平均增长率。当水资源阻尼系数Drag为正值时，表明在现有水资源利用下制约了粮食产量的增加，该数值越大，阻尼效应越强。本文采用随机效应模型、固定效应模型以及岭回归模型对其参数进行估计，并对其进行检验与Hausman检验，选出最佳模型以得出相关参数。

1.4 变量选取与数据来源

为测算基尼指数值与阻尼效应值，选取以下相关变量：1）粮食产量()：粮食产量一般是指当年某地区豆类、谷物与薯类作物生产量的总称。已有文献将粮食产值与农业产值作为产出，但因通货膨胀原因使得粮食产值与农业产值不能反映真实粮食产出情况，因此本文采用粮食产量作为粮食产出。2）水资源投入()：本文选取的水资源用水量是基于相关水资源公报中农田灌溉用水，其中粮食作物用水量可换算为()，其中=粮食作物播种面积/农作物播种面积。3）能源投入()：本文选取农业机械总动力为基础数据，农业机械动力一般是指从事农业生产活动所需的各种机械动力总和，在本文中，粮食生产所需的能源投入为：()。4）土地资源投入()：本文以粮食播种面积进行表示。5）劳动力投入()：基于农林牧渔业从业人数，本文对于从事粮食生产的劳动力投入进行换算：()，其中，农业总产值/农林牧渔业总产值。

本文研究水资源、能源与粮食的时空匹配以及阻尼效应采用的是2000—2019年黄河流域78市（州）面板数据集，相关数据来源于青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南、山东9个省级行政区统计年鉴以及各城市统计年鉴、9个省级行政区水资源统计公报以及EPS数据库。本文对相关数据进行了整理与换算，并对缺失数据进行差值法补齐处理。

2 结果与分析

2.1 水资源、能源与粮食的匹配特征分析

通过对相关数据整理测算，绘制出2019年黄河流域及其上中下游的水资源、能源与粮食产量匹配的洛伦兹曲线，如图2所示。

由图2可知，黄河下游区域水资源量与粮食产量的洛伦兹曲线几乎是直线，基尼指数值为0.122，表明黄河下游地区作物用水与粮食产量匹配是合理的。黄河中游与上游作物用水与粮食产量的洛伦兹曲线偏离过原点的直线，而黄河上游基尼系数值为0.379，这一数值靠近警戒线，表明黄河上游粮食生产所需的水资源量较不均衡，中游区域及整体流域的作物用水与粮食生产的匹配程度为一般匹配。黄河上游流经中国地势第一、第二级阶梯交界处，流域地势具有起伏大、落差大与水流急等特点，水资源较为丰富，加上近年来全球变暖导致了冰川融化，黄河上中游水资源量有所增加，虽然有利于缓解黄河上中游农业对水资源需求，部分区域仍存在农作物灌溉用水冗余情况。另外，由于当地农业用水价过低，出现农民不爱惜水现象，不愿花钱购买节水灌溉设备，灌溉管理单位收取的水费入不敷出，农业用水效率降低，因此出现了黄河中上游区域农业水资源与粮食生产匹配度不高现象。

黄河下游区域农业机械总动力与粮食产量的洛伦兹曲线靠近绝对平均线，其基尼指数值为0.118，属于高度匹配状态。而黄河流域中下游农业机械与粮食产量的洛伦兹曲线相对偏离过原点直线，其基尼指数值分别为为0.206与0.213。黄河中上游区域农业规模化水平低，粮食耕作技术落后，农业基础设施条件较差，相关农业机械设备品种少，规格不全，农业机械设备使用未能达到优良效果，导致中上游区域农业规模化经营与产业化生产水平不高。因此，黄河中上游区域能源机械与粮食生产匹配度相对不高。从整体流域来看，黄河流域能源投入与粮食生产的匹配程度是相对较高的。

a. 水资源a. Water resourceb. 能源b. Energy

2000—2019年黄河水资源、能源与粮食产量之间的基尼指数结果如表1所示。从表1可知，黄河下游区域的水资源量与粮食产量的基尼指数值变动幅度小，一直维持在0.12到0.14之间，处于高度匹配状态。黄河上中游以及整个流域的水资源用量与粮食产量的基尼指数值变化波动大。中游区域基尼指数从2000年的0.244上涨到2019年的0.336，在2000年、2006年与2012年都保持相对匹配状态。值得注意的是，黄河上游区域水资源与粮食生产的基尼指数值都在0.34之上，其中在2000年，基尼指数值超过了基尼指数的警戒线，匹配处于失衡状态。黄河下游区域农业机械总动力与粮食产量的基尼指数值基本保持稳定，基尼指数值在2006年与2012年未达到0.1，可见匹配状态是合理的，农业机械总动力能推进粮食生产且鲜少存在农业能源投入冗余现象。黄河中游与上游区域的农业机械总动力与粮食产量的基尼指数呈现先降低后上升情形。从时间角度来看，黄河流域的农业机械总动力与粮食产量的基尼指数值呈现先减小后增大情形。

2.2 黄河流域水资源与能源增长阻尼效应的时序分析

根据Drag与Drag的方程式，表2展示各因素对于粮食生产的回归模结果，结果显示3种模型的拟合效果都较好，2值都在0.93以上，综合各变量显著性与拟合效果最终选取了岭回归模型作为最终参数估计模型。

由表2岭回归模型可知所有变量都通过1%显著性检验，其中水资源与能源的产出弹性都较大，可通过水资源与能源来解释粮食生产增长。从岭回归系数来看，水资源与能源的产出弹性系数为0.130与0.481，可见黄河流域粮食生产依赖水和农业能源的投入。粮食作物面积与农业劳动力的产出弹性分别为0.588与-0.050，由于黄河流域农业劳动力存在剩余，要素边际收益存在递减规律，农业劳动力的产出弹性呈现负数情形。将以上计算出来的相关系数代入Drag与Drag的方程式中，可得出各时期水资源与能源对于粮食增长的阻尼效应值。

表1 2000—2019年黄河流域水资源、能源与粮食产量基尼指数变化

表2 计量模型回归估计结果

注：*、**、***分别表示在10%、5%、1%水平显著，括号内数字为值。

Note: *, * *, * * * are significant at the level of 10%, 5% and 1% respectively, the figures in brackets arevalues.

由图3来看，黄河流域水资源的阻尼系数波动较大，变化范围为0.005～0.032。其中2003—2004年、2006—2012年与2016年黄河流域水资源对于粮食生产具有相对高约束状态。在水资源约束条件下，2019年的粮食增长要比上一年降低0.76%。近二十年来，黄河流域粮食产量呈现上涨趋势，在2003—2004年间，粮食产量上涨幅度较大，达到10%左右。粮食生产的增加也需更多水量灌溉，便出现了水资源对粮食生产阻尼系数越来越大情形。在2004—2007年间，粮食产量有所增加但增长率处于降低情形，黄河流域在该期间处于丰水年份，农业灌溉用水对于粮食生产制约作用有所减弱。2008年以来，黄河流域粮食产量缓慢增长，而黄河流域的降水量波动较大，其中在2013—2014年与2017—2020年间，黄河流域年平均降雨量达到480 mm以上，近年来黄河水资源对于粮食的阻尼效应有所减弱。另外，黄河流域水资源对粮食的阻尼效应呈现循环波动特征，其波动时期分别是2000—2006年、2006—2013年与2013—2019年，黄河流域水资源对粮食增长阻尼效应呈现为大致为6 a一个波动周期。

图3 2000—2019年黄河流域水资源与能源增长阻尼系数

Fig.3 Water resources and energy damping growth coefficient in the Yellow River Basin from 2000 to 2019

图3显示出黄河流域能源对粮食生产阻尼效应呈现递增趋势。在能源约束条件下，2019年的粮食增长要比上一年降低5.28%。随着中国农业耕作方式从传统手工向智能机械化过渡，多数地区出现规模化种植特征。另外，粮食从耕作到收割过程中都将依赖能源的推动。相关数据表明黄河流域作物生产中农业机械总动力消耗在2000年突破1亿kW，在2019年达到2亿kW，黄河流域粮食生产越来越依靠能源机械来推动粮食生产，这与研究结果呈现一致情形。近年来，中国为推进低碳绿色发展提出了碳达峰、碳中和目标，“双碳”政策的提出在一定程度上抑制了农业能源的供给，而黄河流域粮食生产对能源有着强烈的需求，导致2015年以来能源阻尼系数上升幅度较大。

2.3 黄河流域水资源、能源增长阻尼效应空间特征分析

图4为黄河流域水资源阻尼系数与能源阻尼系数空间分布图，部分区域水资源阻尼系数出现负数，该无约束状态主要分布在黄河西北地区，如海西蒙古族藏族自治州、海北藏族自治州、张掖市，部分还分布在黄河中南与东部地区。当农田灌溉大于粮食单产最高需水量时，会出现水资源供给增加，粮食减少现象，水资源灌溉过多过少都不利于粮食生产。低约束状态的水资源阻尼系数范围为0.001～0.010，主要分布在上游南部区域以及中游东北区域，如甘孜藏族自治州、忻州市、太原市、汉中市与安康市等市。中约束状态的阻尼系数范围为0.011～0.050，主要分布在黄河东部地区，如榆林市、延安市、运城市、洛阳市、平顶山市等区域，部分中约束状态分布在黄河中部地区。高约束状态的水资源阻尼系数范围为0.051～0.180，主要分布在黄河下游区域，如东营市、德州市、济宁市、开封市，少数分布在黄河中部地区。下游区域鲜少出现农业用水粗放问题，粮食作物灌溉越来越科学化，但即使用水效率高也难免会存在水资源供给不足而导致粮食产量减少，下游区域水资源对于粮食的阻尼作用较大。

黄河能源对粮食的制约作用为无约束状态有玉树藏族自治州、果洛藏族自治州、榆林市、吕梁市、长治市等市。低约束状态集中于黄河中游区域，如宝鸡市、临汾市、运城市、太原市、忻州市等市。陕西省与山西省地区作为黄河流域重要煤炭资源基地，2020年陕西省规模以上工业原煤产量6.79亿t，能源供给充足在一定程度使得粮食生产中农业能源需求得到满足，中游多数区域能源阻尼系数整体偏小。中约束与高约束状态的阻尼系数值范围为0.011～0.050与0.051～0.200，中高约束情形主要分布在黄河上游东部与黄河下游区域，能源对于粮食增长在这些区域起到一定的制约作用。下游区域耕作技术先进，农业机械化程度高，而下游区域作为黄河流域的粮食主产区，更需能源投入来促进粮食产量增加。

本文引入全局莫兰指数对黄河流域水资源阻尼与能源阻尼空间集聚特征进行分析，结果显示黄河流域水资源阻尼系数莫兰指数为0.165，能源阻尼效应莫兰指数为0.083，且值在0.05水平下显著，说明黄河流域水资源及能源阻尼效应具有一定的空间集聚特征，且水资源阻尼效应的空间相关性要比能源阻尼效应强。此外，运用局部莫兰指数对黄河各区域水资源与能源阻尼效应的空间集聚特征进行分析，结果如图5所示。

对于水资源阻尼效应而言，高-高（High-High，H-H）与低-低（Low- Low，L-L）族类分布较多，其中H-H族类主要分布在黄河下游区域，具体区域有临沂市、石嘴山市、德州市、淄博市、濮阳市等，这些区域水资源阻尼效应高，且周边区域水资源阻尼系数也较高。L-L族类主要在黄河上游的东南区域与中游西南区域，涉及区域有海东市、海南藏族自治州、陇南市、天水市、定西市、宝鸡市、汉中市等，这些区域水资源阻尼系数较低，且周边区域水资源阻尼系数也较低。低-高（Low-High，L-H）族类分布在黄河流域东部区域，例如滨州市、济南市、聊城市、泰安市等，这些区域水资源阻尼系数较低，但周边区域水资源阻尼系数较高。高-低（High-Low，H-L）族类个数较少且分布较广，包括乌兰察布市、白银市、平凉市、甘南藏族自治州与咸阳市，这些区域水资源阻尼系数较高，但周边区域水资源阻尼系数较低。对于能源阻尼而言，H-H族类分布在中游西南区域和下游南部区域，L-L族类主要分布在中游北部。黄河流域水资源与能源阻尼效应集聚特征是资源、社会、经济共同影响的结果，作为粮食生产所需的土壤、化肥、农膜、农业用水、灌溉水平、劳动力以及农业资本的投入，因为这些投入要素在地理上表现出类似性，从而导致水资源与能源阻尼效应在空间上出现的集聚特征。黄河下游区域虽然水资源缺乏，但经济较为发达，农业机械化水平高且农业节水技术较强且运用范围较广，这些综合因素在一定程度上缓解了下游区域农业用水对粮食生产的影响。

a. 水资源a. Water resourceb. 能源b. Energy

a. 水资源a. Water resourceb. 能源b. Energy

3 讨论与结论

3.1 讨论

结合研究结果来看，黄河中上游水资源与粮食匹配度较低，下游匹配度较高，但同时下游区域面临的水资源的阻尼效应较大，可见下游单位水资源投入对粮食生产潜力比中上游区域大，而下游区域是水资源短缺的重要区域，农业资源配置未处于最优状态，从经济学角度来看，粮食产量效益未达到最大化，以此来看“匹配均衡则为优”并非如此。中上游区域可推广农田灌溉技术，严格把控农田灌溉用水量，提高作物灌溉用水利用效率。黄河下游作为粮食主产区域，除了充分利用地表水与地下水，还可采用先进灌溉技术且适时适量地对农作物进行灌溉，以满足作物生产用水需求。此外，还要提升黄河区域的防洪能力，近年来，黄河部分区域频频出现涝灾情况。2021年9月份，河南省、陕西省与山西省出现了罕见的持久性暴雨，涝灾严重损害粮食作物，其中，山西省洪涝灾害导致1800多平方千米农作物受灾，粮食产量严重减少。当地政府需加强区域的排洪输沙功能，提高防汛保障能力，以防粮食作物出现大面积损害。

2021年9月下旬以来，中国东北地区出现突发性大面积停电事件，其主要原因是由于煤炭能源供给端紧缺。在碳中和、碳达峰与能耗双控的背景下，中国部分区域将可能面临粮食生产所需能源供给不足等问题，因为黄河下游区域农业能源对于粮食生产阻尼作用比其他区域大，应着重提高下游粮食主产区农业能源供给水平并完善能源可供性核查。另外，下游区域可发展太阳能、风能、生物质能等可再生能源，落实“双碳”目标政策，实行节约使用资源和加强能源的循环利用，降低资源耗竭速度。随着能源、电价以及化肥的价格大幅上涨，粮食生产成本上升，使得部分农民从事农业活动的积极性大大降低，因此可适当对农业生产用能进行补贴以促进农业发展。另外，黄河流域工业经济处在蓬勃发展时期，工业经济高能耗的粗放增长方式必然导致能源短缺，这对于黄河流域生态保护会产生一定影响，所以要积极倡导农业与工业耗能的科学方式。另外，黄河上中下游要发挥好区域自身的资源优势，取长补短尽可能消除资源的不平衡以促进农业发展。

3.2 结论

水资源与能源作为粮食生产的重要资源，水资源与能源的空间匹配在一定程度上会影响粮食产业的发展。本研究分析了黄河上中下游区域水资源与粮食生产和能源与粮食生产之间的匹配情况，并基于Romer增长阻尼模型测算了黄河流域水资源与能源对粮食生产的阻尼系数，分析了黄河流域水资源与能源对于粮食增长的阻尼效应，主要结论如下：

1）2019年黄河流域以及上中下游区域的水资源与粮食的基尼指数值分别为0.365、0.379、0.336与0.122，能源与粮食的基尼指数值分别为0.194、0.218、0.206与0.118，表明黄河流域能源与粮食的匹配程度比水资源与粮食的匹配程度均衡，黄河下游区域农业用水、能源消耗对粮食生产的匹配度要比黄河中上游区域合理。从时序变化看，黄河流域水与粮食匹配程度和能源与粮食的匹配程度呈现先减小后增大情况。

2）黄河流域水资源对于粮食生产的阻尼系数波动较大，其水资源阻尼作用大致为6 a一个周期，该周期呈现出“减小—增大—减小”的变化特征。黄河流域能源对于粮食生产增长阻尼效应呈现稳步上升态势，其中，能源阻尼系数在2015年上增较快，这也表明黄河流域能源对于粮食生产阻尼作用越来越大。

3）黄河西部区域水资源阻尼系数较小，东部区域阻尼系数较大，黄河上游东部地区与下游区域的能源阻尼系数较大。另外，黄河流域水资源与能源阻尼效应在空间上具有一定的集聚特征，且水资源阻尼效应要比能源阻尼效应的空间相关性要明显。

[1] 彭俊杰. 黄河流域“水-能源-粮食”纽带系统的生成机制、价值体现与路径重塑[J]. 当代经济管理，2021，43(8)：76-81.

Peng Junjie. The generating mechanism, value embodiment and path reconstruction of the water-energy-food nexus in the Yellow River Basin[J]. Contemporary Economic Management, 2021, 43(8): 76-81. (in Chinese with English abstract)

[2] 张玲玲，丁雪丽，沈莹，等. 中国农业用水效率空间异质性及其影响因素分析[J]. 长江流域资源与环境，2019，28(4)：817-828.

Zhang Lingling, Ding Xueli, Shen Ying, et al. Spatial heterogeneity and influencing factors of agricultural water use efficiency in China[J]. Resources and Environment in the Yangtze Basin, 2019, 28(4): 817-828. (in Chinese with English abstract)

[3] 常明，王西琴，贾宝珍. 中国粮食作物灌溉用水效率时空特征及驱动因素：以稻谷、小麦、玉米为例[J]. 资源科学，2019，41(11)：2032-2042.

Chang Ming, Wang Xiqin, Jia Baozhen. Driving factors and spatiotemporal differentiation of irrigation water use efficiency in China[J]. Resources Science, 2019, 41(11): 2032-2042. (in Chinese with English abstract)

[4] 冯峰，倪广恒，孟玉清.基于流向跟踪和多重赋权的引黄灌区用水效率评价[J].农业工程学报，2017，33(10)：145-153.

Feng Feng, Ni Guangheng, Meng Yuqing. Evaluation of water use efficiency in Yellow River Irrigation Area based on flow-tracing and layered-weight method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(10):145-153.(in Chinese with English abstract)

[5] Zhang W, Tian Y, Sun Z, et al. How does plastic film mulching affect crop water productivity in an arid river basin?[J]. Agricultural Water Management, 2021, 258: 107218.

[6] 黄丽，王武林. 中亚五国粮食生产水足迹及水消耗量预测[J]. 经济地理，2021，41(4)：118-126.

Huang Li, Wang Wulin. Water footprint and water consumption prediction of food crop production in five Central Asian countries[J]. Economic Geography, 2021, 41(4): 118-126. (in Chinese with English abstract)

[7] 操信春，任杰，吴梦洋，等.基于水足迹的中国农业用水效果评价[J].农业工程学报，2018，34(5)：1-8.

Cao Xinchun, Ren Jie, Wu Mengyang, et al. Assessing agricultural water use effect of China based on water footprint framework[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5):1-8. (in Chinese with English abstract)

[8] 李青，陈红梅，王雅鹏. 基于面板VAR模型的新疆农业用水与农业经济增长的互动效应研究[J]. 资源科学，2014，36(8)：1679-1685.

Li Qing, Chen Hongmei, Wang Yapeng. The interactive effect of agricultural water and agricultural economic growth in Xinjiang[J]. Resources Science, 2014, 36(8): 1679-1685. (in Chinese with English abstract)

[9] 冯颖，姚顺波，郭亚军. 基于面板数据的有效灌溉对中国粮食单产的影响[J]. 资源科学，2012，34(9)：1734-1740.

Feng Lin, Yao Shunbo, Guo Yajun. Unit area crop yield response to effective irrigation in China based on a panel data model[J]. Resources Science, 2012, 34(9): 1734-1740. (in Chinese with English abstract)

[10] 金涛. 中国粮食作物种植结构调整及其水土资源利用效应[J]. 自然资源学报，2019，34(1)：14-25.

Jin Tao. The adjustment of China's grain cropping structure and its effect on the consumption of water and land resources[J]. Journal of Natural Resources, 2019, 34(1): 14-25. (in Chinese with English abstract)

[11] 刘英基. 粮食生产的能源投入及技术变动趋势[J]. 华南农业大学学报(社会科学版)，2015(3)：104-113.

Liu Yingji. Energy input and technological trends of Chinese grain production[J]. Journal of South China Agricultural University (Social Science Edition), 2015(3): 104-113. (in Chinese with English abstract)

[12] 牛亮云，侯博，吴林海. 基于灰关联熵的中国农业能源投入与粮食产出关系研究[J]. 财贸研究，2012，23(2)：45-53.

Niu Liangyun, Hou Bo, Wu Linhai. Relationship between agricultural energy input and food output of China based on gray gelational entropy analysis[J]. Finance and Trade Research, 2012, 23(2): 45-53. (in Chinese with English abstract)

[13] 李文静，许文强，包安明，等. 阿姆河流域耕地变化及水土匹配特征分析[J]. 水资源保护，2021，37(3)：80-86，107.

Li Wenjing, Xu Wenqiang, Bao Anming, et al. Analysis of cultivated land change and water-land matching characteristics in Amu Darya River Basin[J]. Water Resources Protection, 2021, 37(3): 80-86, 107. (in Chinese with English abstract)

[14] 李晓燕，郝晋珉，陈爱琪. 山东省农业水土资源时空匹配格局及评价研究[J]. 中国农业大学学报，2020，25(11)：1-11.

Li Xiaoyan, Hao Jinmin, Chen Aiqi. Time-space matching pattern and evaluation of agricultural water and soil resources in Shandong Province[J]. Journal of China Agricultural University, 2020, 25(11): 1-11. (in Chinese with English abstract)

[15] 王佳月，辛良杰，戴尔阜. 中国典型山区农业水土资源匹配格局变化：以太行山区、横断山区、黔桂喀斯特山区为例[J]. 地理研究，2020，39(8)：1879-1891.

Wang Jiayue, Xin Liangjie, Dai Erfu. Spatio-temporal variations of the matching patterns of agricultural land and water resources in typical mountainous areas of China[J]. Geographical Research, 2020, 39(8): 1879-1891. (in Chinese with English abstract)

[16] 韩雁，贾绍凤，鲁春霞，等. 水资源与社会经济发展要素时空匹配特征：以张家口为例[J]. 自然资源学报，2020，35(6)：1392-1401.

Han Yan, Jia Shaofeng, Lu Chunxia, et al. Spatiotemporal matching between water resources and social economy: A case study in Zhangjiakou[J]. Journal of Natural Resources, 2020, 35(6): 1392-1401. (in Chinese with English abstract)

[17] 郝林钢，左其亭，刘建华，等. “一带一路”中亚区水资源利用与经济社会发展匹配度分析[J]. 水资源保护，2013，4(4)：42-48.

Hao Lingang, Zuo Qiting, Liu Jianhua, et al. Analysis of matching degree between water resource utilization and economic-social development in Central Asia area of “Belt and Road”[J]. Water Resources Protection, 2013, 4(4): 42-48. (in Chinese with English abstract)

[18] 张磊，钱畅，黄佳贤，等. 合肥市生态环境与经济协调发展研究[J]. 中国农业资源与区划，2019，40(9)：192-198.

Zhang Lei, Qian Chang, Huang Jiaxian. et al. The Study on the coordinated development of ecological environment and economy in Hefei City[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2019, 40(9): 192-198. (in Chinese with English abstract)

[19] 周美玲，冯秀丽，刘恺恺，等. 绿色空间与经济发展典型要素时空匹配性研究：以浙江省为例[J]. 中国土地科学，2021，35(3)：107-114.

Zhou Meiling, Feng Xiuli, Liu Kaikai, et al. Spatial-temporal matching between green space and typical elements of economic development: A case study on Zhejiang Province[J]. China Land Science, 2021, 35(3): 107-114. (in Chinese with English abstract)

[20] 熊鹰，孙维筠，汪敏，等. 长株潭城市群水资源与经济发展要素的时空匹配[J]. 经济地理，2019，39(1)：88-95.

Xiong Ying, Sun Weijun, Wang Min, et al. Spatio-temporal matching between water resource and economic development elements in Changsha-Zhuzhou-Xiangtan urban agglomeration[J]. Economic Geography, 2019, 39(1): 88-95. (in Chinese with English abstract)

[21] 刘耀彬，肖小东，邵翠. 长江经济带水土资源约束的动态转换机制及空间异质性分析：基于平滑面板转换模型和趋势面的检验[J]. 中国人口·资源与环境，2019，29(3)：89-98.

Liu Yaobin, Xiao Xiaodong, Shao Cui. Dynamic transformation mechanism and spatial heterogeneity analysis to water and land resources constraints in the Yangtze River Economic Zone: A test based on PSTR model and trend surface[J]. China Population, Resources and Environment, 2019, 29(3): 89-98. (in Chinese with English abstract)

[22] 王宾，杨琛. 长江经济带水资源对城镇化的约束效应研究[J]. 宏观经济研究，2019(6)：122-131.

Wang Bin, Yang Chen. A study on the constraint effect of water resources in the Yangtze River Economic Belt on urbanization[J]. Macroeconomics, 2019(6): 122-131. (in Chinese with English abstract)

[23] Zhang Y, Liu W, Khan S U, et al. An insight into the drag effect of water, land, and energy on economic growth across space and time: the application of improved Solow growth model[J]. Environmental Science and Pollution Research, 2022, 29(5): 6886-6899.

[24] Zhao C, Wu Y, Ye X, et al. The direct and indirect drag effects of land and energy on urban economic growth in the Yangtze River Delta, China[J]. Environment, Development and Sustainability, 2019, 21(6): 2945-2962.

[25] Xu J, Zhou M, Li H. The drag effect of coal consumption on economic growth in China during 1953-2013[J]. Resources, Conservation and Recycling, 2018, 129: 326-332.

[26] 李红芳，王会肖，赵茹欣，等. 基于Copula函数的水-能源-粮食共生安全风险概率[J].农业工程学报，2021，37(08)：332-340.

Li Hongfang, Wang Huixiao, Zhao Ruxin, et al. Estimating the symbiosis risk probability of water-energy-food using Copula function[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(8): 332-340. (in Chinese with English abstract)

[27] 张可云，张颖. 不同空间尺度下黄河流域区域经济差异的演变[J]. 经济地理，2020，40(7)：1-11.

Zhang Keyun, Zhang Ying. The evolution of regional economic disparity in the Yellow River Basin at different spatial scales[J]. Economic Geography, 2020, 40(7): 1-11. (in Chinese with English abstract)

[28] 周晓艳，郝慧迪，叶信岳，等. 黄河流域区域经济差异的时空动态分析[J]. 人文地理，2016，31(5)：119-125.

Zhou Xiaoyan, Hao Huidi, Ye Xinyue, et al. A spatial-temporal analysis of regional economic inequality in Yellow River Valley[J]. Human Geography, 2016, 31(5): 119-125. (in Chinese with English abstract)

[29] 高鸿业. 西方经济学：微观部分[M]. 北京：中国人民大学出版社，2018.

[30] Romer D. Advanced Macroeconomics[M]. Second Edition, Shanghai: Shanghai University of Finance＆Economics Press, 2003: 31-33.

[31] Zhao M, Chen Z, Zhang H, et al. Impact assessment of growth drag and its contribution factors: Evidence from China’s agricultural economy[J]. Sustainability, 2018, 10(9): 3262.

Spatial-temporal matching patterns for grain production using water and energy resources and damping effect in the Yellow River Basin

Chen Shuai1, Hou Mengyang2, Li Yuanyuan1, Deng Yuanjie1, Yao Shunbo1※

1.,,,712100,; 2071000,)

Shortage and matching dislocation of water resources and energy can pose a serious risk to the growth rate of food production. Particularly, water, energy and food are the indispensable resources in the human life and development. In this study, the Lorentz curve and Gini coefficient were used to evaluate the matching degree between the water-grain and energy-grain in the Yellow River Basin. Cobb-Douglas function was also applied for the grain growth damping model, in order to calculate the restriction degree of water resources and energy on the grain production. The results show that: 1) The Gini index of water resources and energy to the grain decreased first and then increased, the matching degree of which was more reasonable in the lower reaches of the Yellow River than that of the upper and middle reaches. In 2019, the Gini index values of water resources to grain in the Yellow River and the upper, middle and lower reaches were 0.365, 0.379, 0.336, and 0.122, respectively, while the Gini index values of energy to grain were 0.194, 0.218, 0.206, and 0.118, respectively, indicating the high matching in the lower reaches. The water resources and energy in the upper and middle reaches were generally matched with the grain. 2) The damping coefficient of water resources to grain production was fluctuated greatly, where the variation range of damping coefficient was 0.005-0.032. Besides, the damping effect of water resources on the grain growth basically presented a six-year cycle with a decrease-increase-decrease situation. By contrast, there was a steady increase in the damping effect of energy on the grain, the energy damping coefficient increased rapidly after 2015. Under the constraints of water resources and energy in 2019, the annual grain output growth was reduced by 0.76%, and 5.28%, respectively, compared with the previous year. 3) There was a certain degree of agglomeration in the damping effect of water resources and energy. The damping coefficient of water resources presented the pattern of small in the West and large in the East. A medium and high constraint state was obtained in the energy damping effect, which was concentrated in the eastern and lower reaches of the upper reaches, whereas, the low constraint state was concentrated in the middle reaches of the Yellow River. In addition, there was the typical spatial agglomeration in the damping coefficient of water resources and energy. The H(High)-H(High) agglomeration area of water resources damping effect was mainly distributed in the lower reaches of the Yellow River, whereas, the L(Low)-L(Low) agglomeration area of energy damping effect was distributed in the northern part of the middle reaches. The finding can provide a strong reference for the stable growth of grain and the effective allocation of resources in the Yellow River Basin.

spatial matching; Gini index; growth damping; food production; Yellow River Basin

10.11975/j.issn.1002-6819.2022.18.027

F302.5

A

1002-6819(2022)-18-0246-09

陈帅，侯孟阳，李园园，等. 黄河流域水资源、能源与粮食生产的时空匹配及阻尼效应[J]. 农业工程学报，2022，38(18)：246-254.doi：10.11975/j.issn.1002-6819.2022.18.027 http://www.tcsae.org

Chen Shuai, Hou Mengyang, Li Yuanyuan, et al. Spatial-temporal matching patterns for grain production using water and energy resources and damping effect in the Yellow River Basin[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(18): 246-254. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.18.027 http://www.tcsae.org

2022-06-08

2022-08-26

国家自然科学基金项目（71773091）

陈帅，博士生，研究方向为资源经济与环境管理、区域经济研究。Email：xncs26@163.com

姚顺波，博士，教授，博士生导师，研究方向为资源经济与环境管理、林业政策效果评估。Email：yaoshunbo@163.com