江西省城市水资源利用效率时空演变与驱动因素

田进明，孟丽红，刘友存，宋迎飞

（1.赣南师范大学地理与环境工程学院，江西赣州 341000；2.嘉应学院地理科学与旅游学院，广东梅州 514015）

0 引 言

随着社会的发展，人类对水资源的需求不断增大，本世纪以来全世界的淡水使用量增加了8倍以上。如何对水资源进行更加高效利用成为联合国2030年可持续发展目标的重要组成部分［1-3］。当前，水资源短缺和用水效率低下是制约中国社会发展的限制性因素之一，提高用水效率，实现水资源可持续利用是中国建设生态文明社会的重要任务［4-6］。江西省地处中国东南部，属亚热带季风气候区，水资源丰富［7］。近年来，随着江西省新型城镇化进程的加快、人口的迅速增长以全球气候变化，江西省台风、旱涝等灾害频发，水资源时空分布不均［8］，同时存在水资源调蓄能力不足、水资源开发利用率偏低、用水粗犷等问题［9］。在这种背景下，对江西省水资源利用效率及其驱动因素进行研究，对于维持江西省社会经济可持续发展，加快建立健全绿色循环经济体制具有重要的意义［10］。

水资源利用效率问题作为学界研究的热点问题，备受国内外学者关注，在效率测算和驱动因素研究领域已奠定一定基础［11-14］。在水资源利用效率方面，主要采用比值法、指标体系法及数据包络法（DEA），对不同行业、城市、部门进行研究。国外研究主要集中在农业用水效率和供水效率，如Kim 研究了土地利用类型对水资源利用效率的影响，结果显示茂密的森林、农田、草原等水资源利用效率高于其他植被类型［15］。Lombardi等采用数据包络分析对意大利水行业不同性质企业、不同地区企业、不同规模企业效率进行比较并分析其影响因素，为建立高效可持续水部门提供纠正政策和措施参考［16］。Veettil 等通过测算印度克里西纳河流域不同农业生产系统的灌溉用水效率，分析了水价对用水效率和用水行为的影响［17］。国内研究主要是利用上述方法对不同行业、不同地区或生态系统进行水资源利用效率与影响因素分析。张兆方等［12］研究了一带一路沿线省市水资源效率影响因素，结果表明，社会经济、固定资产投资等对水资源利用效率有一定的影响。对以上文献进行梳理发现，国内外学者对水资源利用效率进行了较为丰富的理论分析和实证研究，但较少关注省域尺度长时间序列水资源利用效率的时空分布及驱动因素研究。

鉴于此，本文基于江西省11 个地级市2008-2018年水资源、社会经济相关数据，运用DEA 模型和地理探测器方法，分析江西省水资源利用效率时空演变特征并探究其驱动因素，旨在为江西省乃至其他地区水资源利用与保护和协调发展提供决策参考。

1 研究区概况

本文研究区域包括江西省下辖所有地级市，地处北纬24°29′14″至30°04′41″，东经113°34′36″至118°28′58″之间（图1）。全境河流密布，气候湿润，雨量充沛，年均降水量1 341 mm到1 940 mm。江西河川径流主要靠降水补给，故季节性变化很大，具有夏季丰水、冬季枯水、春秋过渡的特点。年内波动较大，4 至6月降水量占全年一半以上，其他月份较少。降水的年际变化也很大，多雨与少雨年份相差将近一倍［11］。可以看出，江西省水资源丰富，但是也存在年内与年际波动大、水资源调蓄能力不足、水资源开发利用率偏低等问题。因此如何合理地对水资源进行利用，提高水资源利用效率是亟待解决的问题。

图1 研究区示意图Fig.1 Overview of the study area

2 研究方法与数据源

2.1 数据包络分析

数据包络分析（DEA）是由美国著名运筹学家Charnes 于1978年提出［18］，是一种常用的用于测度具有多个投入和多个产出的决策单元之间相对有效性的非参数方法［19］，是线性规划模型的应用之一。目前已经成为了在多投入多产出情况下测度决策单元相对有效性和规模效益方面应用最为广泛的数理方法之一［20］。

DEA 中 较 为 经 典 的 模 型 有CCR（Charnes，Cooper 和Rhodes，1978）、BCC（Banker，Charnes，和Cooper，1984）、FG（Färe 和Grosskopf，1985）、ST（Seiford 和Thrall，1990）等［21］。其中CCR 模型最为经典，但假设规模收益不变，与水资源利用效率的变化不符。而BCC 模型假设规模收益可变，并且在CCR 的基础上增加了凸性假设∑λj= 1，将综合技术效率细分为纯技术效率和规模效率［22］，可对水资源利用效率及其影响因素进行进一步的分析与研究。而本文拟通过在对江西省水资源利用结构与利用效率分析的基础上，进一步探究水资源利用效率驱动因素。因此，选择可从规模与技术效率两方面同时分析的BCC 模型。考虑到江西省各地级市在规模报酬上一般是可变的，因此在分析时选取投入主导型DEA模型。

设有n个决策单元，每个决策单元都有m项投入，x1j，x2j，…，xmj和t项产出y1j，y2j，…，ytj（其中xij，yij＞0），λj为各省投入和产出的权向量。对于投入主导型的BCC模型，计算公式如下：

式中：λj≥0，ε＞0 为非阿基米德无穷小，一般取ε= 10-6；为产出松弛变量为投入松弛变量；θ为效率评价指数，当θ=1 时，表明该决策单元为DEA 有效，城市的水资源利用效率同时为综合效率有效、纯技术效率有效、规模效率有效且无投入冗余；当θ＜1时，为DEA无效，且存在投入冗余［21］。

关于水资源利用效率指标，本着指标选取的代表性和可获得性原则［23］，同时借鉴其他学者的研究成果［24-27］，从资本投入、劳动力投入和水资源投入3个方面，选取固定资产投资额、全社会从业人员、总用水量为投入指标，以地区生产总值为产出指标对江西省水资源利用效率进行计算。其中GDP与固定资产投资额皆按照2008年不变价格计算，计算方法为×It1，FAIrt=×It2，其中GDPrt、FAIrt为各市区的实际GDP与固定资产投资额，It1与It2指GDP与固定资产投资额相对2008年的增长指数、为GDP与固定资产投资的基期数值。

2.2 地理探测器

地理探测器是探测空间分异性，以及揭示其背后驱动因子的一种新的统计学方法，已经被广泛地用于分析各种现象的驱动力与影响因子以及多因子的交互作用［28］，应用于包括探测水资源利用效率在内的自然与社会的多个领域［29］。共有4个探测器：因子探测器、风险探测器、交互探测器、生态探测器［28］。本研究目的在于探讨江西省水资源利用效率驱动因素以及各个因素相互作用对水资源利用效率影响，因此选择因子探测器、交互探测器进行研究。

因子探测器：Q值表示该因子对因变量的影响程度，值域是［0，1］该值越大表示影响程度越大。

Q值的大小反映了其对某种因素空间分布的影响程度［23］，公式为：

式中：h=1，2，…，L为变量Y或自变量X的分层；Nh和N为层h内和区域内的单元数；和σ2分别是层h和全区的Y值的方差；SSW和SST分别为层内方差之和、全区总方差。根据Q值的大小，可以识别各个因子对水资源利用效率影响的大小。

交互作用探测器：识别不同风险因子之间的交互作用，即评估两个因子共同作用时是否会增加或减弱对因变量的解释力，或这些因子对因变量的影响是相互独立的。交互作用由弱到强分别为非线性减弱、单因子非线性减弱、双因子增强、独立和非线性增强。

2.3 驱动因素选择

水资源利用效率的受多重因素的影响，本文在综合刘莉、应卓晖、任玉芬等学者的研究基础上［29-31］，遵循全面性、科学性、可操作性、时效性等原则，同时结合江西省水资源具体特点，重点选取其他学者认为关系相对密切的自然、经济、社会技术以及环境规划四类因素作为水资源利用效率的主要驱动因素（表1）。

表1 江西省水资源利用驱动因素指标体系Tab.1 Index system of driving factors of water resources utilization in Jiangxi Province

2.4 数据来源

本文数据来源于《江西省水资源公报（2008-2018）》和《江西统计年鉴（2009-2019）》，利用Excel 2010软件进行处理；矢量数据来源于地理国情监测云平台，利用ArcGIS 10.2 软件进行处理。

3 研究结果与分析

3.1 江西省水资源利用结构

2008-2018年江西省总用水量呈倒U 形波动上升状态，从最初2008年的234.2亿m3上升到2018年的250.8亿m3。江西省各地级市水资源利用结构如图2所示，农田灌溉用水占比最多，其次是工业用水，其他类型用水总量仅仅占总用水量15%左右。从用水结构时间变化来看，2008-2018年除农田灌溉用水外，其他类型用水量皆有所增加。从空间分布上看，总用水量2008年基本呈现赣南＞赣北＞赣中的态势，宜春最高，景德镇和萍乡最低。而2018年，总用水量分布状态发生转变呈现赣北＞赣南＞赣中的状态，总用水量最多的依然是宜春，其次南昌与上饶，总用水量最低的是鹰潭。

图2 江西省各地市2008-2018年用水结构时空分布图Fig.2 Spatio-temporal distribution map of water use structure of various cities in Jiangxi Province from 2008 to 2018

3.2 水资源利用效率评价结果

利用DEAP 2.1软件，以固定资产投资额、全社会从业人员、总用水量为投入指标，以地区生产总值为产出指标，选择BCC模型，对江西省水资源利用效率进行计算。得到综合效率、纯技术效率与规模效率结果，其中纯技术效率与规模效率的乘积为规模效率，当三种效率结果都为1 时，称为DEA 有效，否则无效。DEA计算结果如图3～6所示。

从3 种结果时间分布图来看（图3），江西省水资源利用纯技术效率总体呈现上升趋势。规模效率在2011年达到最大后持续走低，2017-2018年下降最多，但从数值来看，仍处于较高状态。综合效率与其他两者分布不太一致，呈现明显的倒U型，与规模效率类似，2008-2011年为上升阶段并到达峰值，随后缓慢下降，2018年达到最小值0.826，虽然水资源利用效率仍然处于较高的状态但已有减小趋势。

图3 江西省水资源利用效率总体均值Fig.3 The overall mean value of water resource utilization efficiency in Jiangxi Province

江西省各市2008-2018年综合效率分布结果如图4 所示，从空间上看，DEA 有效水平呈现赣北＞赣南＞赣中。从时间上来看，2008-2012年综合效率明显高于后期。利用自然断点法将水资源利用综合效率分为五档，综合利用效率均值最高的南昌、鹰潭、新余和萍乡四市，皆分布于赣北地区，第二档的为赣州和景德镇，第三档的为宜春和上饶，其次是九江和抚州，中部地区的吉安最差，但是在研究期内也水资源利用综合效率也在逐渐攀升。

图4 2008-2018年江西省各市水资源利用综合效率分布Fig.4 Distribution of Comprehensive Water Resources Utilization Efficiency in Jiangxi Province from 2008 to 2018

纯技术效率与规模效率结果如图5、6 所示，其中纯技术效率逐年呈现上升趋势，赣中地区尤其明显。分地区来看，纯技术效率DEA 有效水平各时间点基本呈现赣北＞赣南＞赣中的状态。规模效率方面，江西省各地市总体规模效率值较高，规模效率普遍高于综合效率与纯技术效率，规模效率DEA 有效水平总体呈现赣北＞赣中＞赣南的分布状态，其中赣南与赣中地区呈现逐年递减状态。规模效率最高的为鹰潭，其次为南昌与新余，最差的是宜春，但也达到了0.9。总体来看，江西省水资源利用规模效率水平较高，技术效率仍然有很大的发展空间。

图5 2008-2018年江西省各市纯技术效率分布图Fig.5 Distribution map of pure technical efficiency of cities in Jiangxi Province from 2008 to 2018

投入冗余方面，由图7可以看出，2008-2018年江西省11地市只有南昌、新余和鹰潭三项投入都不存在投入冗余，其他各市或多或少存在冗余现象，导致各自的水资源利用效率未达到最优。三项投入中水资源冗余现象最为严重，固定资产投资冗余次数最少。时间尺度上，2015-2018年各城市水资源冗余现象明显高于2008-2014年。从空间上看，存在投入冗余的年份比例从低到高为赣北＞赣南＞赣中，投入冗余次数最多的为上饶（16 次），其次为抚州和吉安（14 次），最低的为南昌、新余和鹰潭（0次）。

图6 2008-2018年江西省各市规模效率分布图Fig.6 Distribution map of scale efficiency of cities in Jiangxi Province from 2008 to 2018

图7 2008-2018年江西省各市投入冗余情况Fig.7 The investment redundancy of each city in Jiangxi Province from 2008 to 2018

3.3 水资源利用效率驱动因素探测

在前文研究江西省水资源利用效率的基础上，进一步利用地理探测器研究了2008-2018年表1 中的各个因子在单独作用和两两成对作用时对江西省水资源利用效率的影响，因水资源利用效率结果差距不大，而共有11 个地市，分类数太多较为繁琐，太少影响因子分析结果不明显。因此将各个数据在ArcGIS软件中利用自然断点法分为具梯度性的5 个等级，并利用地理探测器进行分析，因子探测结果如表2所示。

由表2 可知，从单项指标影响力来看城市化率与降水对江西省水资源利用效率解释力最强超过60%，其次是地表水与地下水因子影响力超过50%，最低的是GDP 与固定资产投资因子，解释力仅为19.6%与19.4%。总的来看，自然因子（降水量、地表水、地下水资源量）对江西省水资源利用效率影响最大，影响力最低的为经济因子（GDP、固定资产投资额）。

表2 水资源驱动因素因子探测结果Tab.2 Detection results of water driving factors

从各因子时间变化来看，随着人口、科技的增长和人类环境保护观念的增强，社会技术因子和环境规制因子对江西省水资源利用效率的影响力逐渐变大。自然因子作为对水资源利用效率影响力最强的因素，随着时间的变化的影响力变化不大。而经济因子则随着时间的变化对江西省水资源利用效率的影响逐渐变小。

进一步通过交互因子探测器探究两两因子结合对江西省水资源利用效率的影响力变化，选取研究期内等间隔三年进行探究，共9个因子55对交互作用。结果如表3～5所示。

由表3可以看出，在九个因子相互交互之后，其对江西省水资源利用效率的影响作用均增强，且全部为双因子增强和非线性增强，其中非线性增强11 对。从单个因子之间的交互来看，城市化率与环境规制之间的交互影响力最高（0.998），表明环境规制在与城市化相结合时对江西省水资源利用效率影响最大。从不同因子间的交互可以看出，社会技术因子与自然因子的交互作用最强均值达到了0.813，经济因子与社会技术因子之间的交互作用最弱。

表3 2008年水资源利用效率影响因子交互结果Tab.3 Interaction results of influencing factors of water resource use efficiency in 2008

从2013年各个因子之间的交互可以看出，社会经济因子之间的交互作用最强达到了0.995。自然因子与环境规制因子的交互作用最强位列第一，社会经济因子与其他因子的交互作用依然排在最后。这一年社会技术因子与其他因子的交互作用相较2008年有所增强，表明社会技术因子对江西省水资源利用效率的作用进一步增强。

2018年各因子交互作用结果显示，非线性增强对数有所减少仅为8 对，表明相较之前各因子的交互作用有所减弱。从表5中可以看出环境规制因子与地下水资源量和专利数之间的交互作用较强分别为（0.958、0.953）。但总的来看，社会技术因子与自然因子的交互成为了影响最强的交互，其次为环境与社会技术因子的交互，最差的依然为社会经济因子之间的交互。

表5 2018年水资源利用效率影响因子交互结果Tab.5 Interaction results of influencing factors of water resource use efficiency in 2018

从交互因子探测器结果可以看出，各个因子之间的交互有利于提高因子对于江西省水资源利用效率的影响。其中，社会技术因子与自然因子对江西省水资源利用效率的影响作用最大。此外，环境规制因子在通过交互之后大大的提高了对水资源利用效率的影响程度。因此，在引进与提高技术能力保护自然资源的同时，进行环境规制制定对提高水资源利用效率是有必要的。

表4 2013年水资源利用效率影响因子交互结果Tab.4 Interaction results of influencing factors of water resource use efficiency in 2013

4 结论与讨论

4.1 结 论

利用数据包络分析（DEA）方法，并结合地理探测器，对江西省2008-2018年水资源利用效率时空演变及其影响因素进行研究，得出以下结论：

（1）总用水量方面，从时间上看，2008-2018年江西省总用水量呈倒U 形波动上升状态，农业用水占比达一半以上。从空间分布上看，总用水量2008年基本呈现赣南＞赣北＞赣中的状态，到了2018年，总用水量分布状态发生转变呈现赣北＞赣南＞赣中的状态。

（2）水资源利用效率方面，从时间分布来看，江西省水资源利用纯技术效率总体呈现上升趋势，规模效率在2011年达到最大后持续走低。综合效率则呈现明显的倒U 型，在2011年达到峰值，2018年降至最小值。从空间上看，综合效率、规模效率与技术效率水平呈现同样态势皆为赣北＞赣南＞赣中。

（3）水资源利用效率驱动因素方面，自然因子（降水量、地表水、地下水资源量）对江西省水资源利用效率影响最大，其次是社会技术因子、环境规制因子，影响力最低的为经济因子（GDP、固定资产投资额）。此外，交互因子探测器显示，两两因素交互能够使影响因子对江西省水资源利用效率影响力增强。

4.2 讨 论

（1）水资源与人类生活息息相关，尤其是当前淡水资源缺乏的现状下，探究水资源利用效率及其驱动因素已经成为了当前学术界的热点。通过研究发现，江西省水资源利用效率大体呈现赣北＞赣南＞赣中的态势。此外，研究发现影响江西省水资源利用效率的主要因素是城市化率和自然因子（降水、地表水资源量、地下水资源量）与其他学者的研究相一致。

（2）影响因子交互作用结果显示，当影响因子两两交互时对水资源利用效率的影响力变大，因此提升技术水平的同时进行环境规划和自然环境的保护，多手共抓，水资源利用效率才会更加有效地提升。

（3）因研究区域基本定位不同，对江西省的研究未涉及生态范畴，这会是以后的研究重点。此外，后期研究将注重水资源绿色效率时空格局演变及空间溢出效益研究，为江西省水资源利用提出更加科学有效的建议。

（4）研究结果可为江西省、中部地区至全国的水资源规划与合理开发利用提供决策依据，也为城市之间的空间交互作用提供了新方法和新思路，同时为丰富水文学、环境经济学等学科理论和方法提供新的素材。