农业生产的灰水足迹研究综述

武慧君, 戴成娟, 刘英,2

(1.安徽理工大学地球与环境学院, 淮南 232001; 2.安徽省高潜水位矿区水土资源综合利用与生态保护工程实验室, 淮南 232001)

中国人均水资源占有量仅占世界平均水平的1/6,随着农田化肥农药的增加导致水环境质量恶化,威胁人类饮水安全,同时加剧水资源短缺[1],因此,农业生产导致的水资源的消耗与污染状况不容忽视,农业生产过程中施用的化肥农药可能造成农业面源污染,是用水和水压力的主要原因[2-3]。在这种情况下,学者们开发了一种定量分析水资源利用状况方法,称为水足迹(water footprint,WF),同时该方法更好地解释了人类的生产活动与产品服务中直接和间接蕴含的日益增长的用水压力之间的联系[4]。

Hoekstra[5]于2002年首次提出“水足迹”概念。此后,水足迹评价法不断发展,如应用于农作物生产与加工、农作物的消费及废物处理等活动[6]。随着水足迹研究的进一步推进,学者们提出水足迹是由3种颜色编码的成分组成,即绿色、蓝色和灰色水足迹。绿水足迹主要指农作物在生长过程中蒸发的来自土壤中雨水的水资源量[7]。蓝水足迹主要包括农田灌溉用水的蒸发,表示消耗使用淡水水体的水资源量[8]。绿水和蓝水足迹没有将水资源消耗和水污染指标结合起来,无法综合分析水资源的利用情况。相比之下,使用灰水足迹可以定量分析用水量和污水排放量之间的关系,从水资源角度评价水污染状况[9]。基于此,Hoekstra等[10]于2008年提出了“灰水足迹”(grey water footprint,GWF)的概念,将灰水足迹定义为排放到水体的污染负荷与最大容许浓度的比值,作为水污染评估和废水控制的统一指标。研究发现,在核算灰水足迹时,使用最大容许浓度和自然本底值浓度之间的差异来代替原先定义中的最大容许浓度,更具科学合理性。2011年,Hoekstra[4]对灰水足迹定义进行了完善,将其定义为:以水环境质量标准为基准,将污染负荷稀释至高于特定环境水质标准所需淡水的体积。灰水足迹专注于水质和水量间的定量关系研究,更准确地反映了水污染对水资源数量的影响,为农作物生产水污染领域提供了新的研究思路。

灰水足迹理论的提出引起了国际组织和中外学者的广泛重视,包括联合国环境规划署(United Nations Environment Programme,UNEP)、联合国粮农组织(Food and Agriculture Organization of the United Nations,FAO)、世界粮食计划署(World Food Programme,WFP)等,以及相关领域内的学者们,其中,由于农业生产对水环境的重要影响,农业灰水足迹是学者普遍关注的热点之一。农业生产灰水足迹指农业生产过程中所排放到水体中的污染物使其达到环境排放标准而需要的水资源,是指农业生产过程中消耗的水足迹之和,它属于过程水足迹的范畴。中外学者针对特定农作物全球[11-12]、国家[13]、区域[14-16]、省市[17-19]农业产品灰水足迹、时空演化特征进行了大量研究,已经取得了一系列成果。

灰水足迹自2008年开始传播,其所依据的概念也经历了不断的发展,了解农业生产灰水足迹发展历程以理解其演变十分必要。鉴于此,重点对农业生产灰水足迹进行文献综述,系统梳理农业灰水足迹核算模型发展历程,分析中外主要农作物生产灰水足迹时空分布格局研究现状,并总结农业生产的灰水足迹影响因素,最后对灰水足迹评估不足与未来研究突破点进行分析。

1 研究方法

分别选择Web of Science核心数据库及中国知网检索2008—2022年农业生产灰水足迹研究成果。在Web of Science核心数据库中检索关键词包括:“Water Footprint、Grey Water、Grey water footprint、Crop Grey Water Footprint、Grey Water Stress、Agricultural Crops”;中国知网中检索关键词包括:“水足迹、灰水、灰水足迹、农业灰水足迹”。在Web of Science核心数据库中检索筛选出相关文献500余篇,其中农业生产相关文献量229篇;在中国知网中检索筛选出农业灰水足迹相关文献63篇,发文量总体呈逐年上升趋势。通过文献题目、关键词、摘要及全文浏览,梳理农业灰水足迹核算模型发展历程及主要农作物生产灰水足迹核算研究现状,总结农业灰水足迹的主要驱动因素。

2 农业灰水足迹核算、特征分析及驱动因素研究现状

2.1 农业灰水足迹核算的发展历程

Chapagain等[20]针对作物种植的灰水足迹进行了研究,评估了15个棉花生产最多的国家(中国、美国、印度、巴基斯坦、埃及、乌兹别克斯坦、土耳其、巴西、澳大利亚、希腊、叙利亚、土库曼斯坦、阿根廷、马里、墨西哥)棉花消费的水足迹,计算了绿水、蓝水和灰水足迹,其中灰水足迹采用美国国家环境保护局[21]建议的允许限值进行计算。Hoekstra等[10]研究认为,绿水、蓝水和灰水产生的机制及影响因素不同,不能通过简单求和计算总水足迹,并于2008年首次尝试改进全球水贸易计算模型,增加了重复计算量、集水区回水和径流等问题对总水足迹的影响,在2011年使用实际灌溉的本地数据基于改进的计算模型对水稻的灰水足迹进行首次全球评估[12]。2012年,Hoekstra等[22]对1996—2005年全球水足迹进行再次核算,比首次核算的水足迹评估值高出30%,其中,绿水、蓝水和灰水所占比例分别为74%、11%和15%。2010年末,随着Hoekstra等[22]提出的水足迹模型取得突破性进展,污染造成生态影响的灰水足迹测度模型得到统一和规范,主要以现有水环境水质标准为基础,以用于消纳、稀释产品生产、消费过程中所排放污染物(如农业生产中作物生长施用的营养元素氮、磷、钾及除草药剂等),所需淡水量作为水环境影响程度的衡量指标[23]。此后,灰水足迹测度模型得到进一步发展。Ariyani等[24]指出,除化肥外,农业生产活动中农药的流失也是导致水环境污染的主要因素,而第一次全球评估水稻灰水足迹核算主要根据施氮量、淋滤径流分数和硝酸盐水质标准计算的,没有考虑来自农药施加对灰水足迹总量的贡献,进而将农药纳入灰水足迹评估,校正了水足迹成分的比率值,进一步完善了农业生产灰水足迹核算模型。王丹阳等[25]指出,在传统灰水足迹核算过程中,忽略了污染物的稀释实际上是由不同水体完成的,且将污染物排放量大与产生的灰水足迹大同等对待,从而导致较大的核算误差,指出总灰水足迹计算时,建议将污染物分解到不同水体,分别计算各水体的灰水足迹后再进行求和。Liu等[26]研究表明,当前灰水足迹核算模型中没有重视灰色水足迹评估的适当水质标准及多种污染物的灰水足迹综合效应,并基于此对灰水足迹模型进一步发展改进。另外,灰水足迹量化核算容许限制对于模型核算准确性有较大影响,常用的水质限值参考美国环境保护署(United States Environmental Protection Agency,US-EPA)和欧洲联盟(European Union,EU)容许限值,部分在全球范围的灰水足迹核算研究中,没有明确定义为容许限值选择的方法[7],但根据文献[27-28],容许限制应在研究区域本地特征进行定义。

当前研究主要将上述灰水足迹核算模型运用于在农作物灰水足迹的核算与评价[29]、灰水足迹空间关联分析[30]、农业灰水足迹效率研究[9]、灰水足迹全生命周期评估[31-32]、灰水足迹空间分布格局[2]、驱动因素分析[33-35]等方面。此外,随着遥感(remote sensing,RS)和地理信息系统(geographic information system,GIS)技术的发展,使得灰水足迹在不同尺度的核算在空间格局上更具可视性,诸多学者借助遥感影像在GIS软件中将研究区域按照一定尺度划分为不同的计算栅格,根据空间插值与地统计等方法,确定每一个栅格内的灰水足迹核算模型需要的参数,随后对每一个栅格内的灰水足迹进行量化处理[36-39]。综上所述,目前针对农业生产灰水足迹核算模型研究尚处于不断更新与发展的阶段,新方法的运用为农业生产灰水足迹更科学核算提供了新的切入点。

2.2 主要农作物生产灰水足迹特征研究现状

目前,已经开展不同农作物灰水足迹的时空分布格局研究的国家包括:中国[40]、美国[41]、韩国[42]、哥伦比亚[43]、沙特阿拉伯[38]、智利[44]、希腊[45]、伊朗[46]、巴基斯坦[47]、意大利[14]、孟加拉国[48]、阿根廷[49]、突尼斯[50]、新西兰[51]、摩洛哥[52]等。涉及的农作物主要包括玉米[16]、小麦[53]、水稻[17]、土豆[54]、大豆[55]、大麦[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]、烟草[46]、椰枣[61]、橄榄[62]、柠檬[63]、苹果[64]等。不同国家主要农作物生产灰水足迹时空分布格局与各个国家主要农作物类型、土壤类型、受保护或不受保护的系统、灌溉系统、原产地和气候、产量和耕作系统等因素密切相关[7]。由于天气条件和化肥大量投入,意大利番茄种植生产灰水远高于美国[65]。西班牙是最大的水资源消耗国之一,灌溉用水量在欧盟灌溉用水总量中比例较高,其灰水足迹值较大[66]。也有学者从生命周期评价的角度评价作物种植灰水足迹,得到中国每千克橙子的灰水足迹含量最高,其次是西班牙、意大利和巴西,而美国生产的橙子灰水足迹含量最低[67]。有意思的是,单位不同灰水含量空间分布格局也有差异,当以m3/ha作为计算单位,这种计算差异与作物产量相关,波兰草莓种植灰水以m3/kg计最高,而摩洛哥和西班牙草莓种植灰水以m3/ha计最高。尽管英国和波兰每公顷草莓种植的耗水量相似,但由于英国草莓产量较高,每千克草莓种植灰水含量反而较低[68]。

中国农业生产灰水足迹在时间上总体呈先上升后下降的趋势,省际农业生产灰水生态足迹空间上呈西高东低分布,传统农业和人口大省四川、河南、山东农业灰水足迹较高,北京年平均灰水生态足迹最低[69]。东中部各省市的灰水生态足迹整体呈现先升后降的趋势,大多数省市灰水生态足迹下降趋势较为明显,西部的部分省市灰水生态足迹出现了增长现象,如内蒙古自治区、云南、甘肃、青海、新疆维吾尔自治区的灰水生态足迹均有一定程度的上升[70]。2017年,中国种植业灰水足迹为4.90×1011m3,在地理空间分布上存在集聚效应,主要呈现“南高北低”的特征,排前6的江苏、广东、湖北、湖南、安徽和河南灰水足迹为2.94×1011m3,约占中国总量的42.97%,从灰水足迹结构得出,各省市区的总磷带来的稀释水需求量均大于氨氮的,总磷为限制性指标[71]。在特定作物层面,以2018年Hu 等[13]核算结果为例,2015年中国粮食生产的总灰水足迹为8.17×1011m3,其中,由于小麦、玉米、蔬菜和水果种植规模较大,河南和山东上述农作物灰水足迹高于中国其他大部分省份;玉米、小麦生产平均灰水足迹相对较高,分别为3.86×1010m3和3.10×1010m3,甜菜和双季早稻的平均灰水足迹最小;从每生产1 kg农作物产生的灰水来看,油菜的灰水足迹最高8.64 m3/kg,紧随其后的是小麦6.37 m3/kg、橙子6.31 m3/kg,此外,淀粉根、苹果、玉米和其他水果也具有相对较高的灰水足迹。此外,不同学者对农作物生产灰水足迹时空分布格局研究的尺度有所差异,包括全球尺度[11,72]、国家尺度[73]、流域尺度[74]、省域尺度[17-18]、市域尺度[75]、县域尺度[76]等。

综上所述,中外学者对主要农作物生产灰水足迹时空分布特征研究方面已经取得了一系列成果,但尚处于不断更新发展阶段,特别是中国在该方面的研究主要是对国外研究方法的学习和应用,且主要集中在国家尺度[17]或少数省市主要农作物,如湖南[23]、新疆维吾尔自治区[77]、黑龙江[31]、陕西[18]、华北平原[76]、内蒙古自治区河套灌区[78]等地关于水稻、棉花、小麦、大豆、玉米、油料作物、蔬菜、水果等灰水足迹的核算。需要指明的是,中国南方湿润地区存在“水多、水少、水脏、水浑”等严重的水资源问题,在这些地区农业灰水足迹也是一个不可忽视的问题,但关于南方不同尺度下农业灰水足迹的研究则相对缺乏。

2.3 农业灰水足迹的驱动因素研究现状

2.3.1 农业灰水足迹的驱动因素分析模型

常用与农业灰水足迹的驱动因素分析的模型主要包括:对数平均迪式指数分解法(logarithmic mean Divisia index,LMDI)模型[79]、Kaya恒等式[80]、通径分析法[81]、最小方差模型(least square error,LSE)[82]、物质流分析(material flow analysis,MFA)[13]。

LMDI模型是一种完全分解无残差的影响因素分析方法[83-84],近年来用于水污染驱动因素分解研究[85-86]。李胜楠等[79]选择人口因素、经济因素、城乡结构因素、技术因素、产业结构因素作为指标,利用LMDI模型对福建省及各地市2001—2017年的灰水足迹时空变化驱动因素进行了分解研究。Kaya恒等式对灰水足迹变化驱动因素解释力强,能够反映驱动因素的贡献值,但无法反映区域差异。学者们常将LMDI模型和Kaya恒等式结合使用[87]。张智雄等[80]结合LMDI模型和Kaya恒等式,充分考虑资本和劳动力因素,选取经济活度效应、资本深化效应、资本效率效应、足迹强度效应、环境效率效应等指标,运用扩展的Kaya恒等式和LMDI模型对中国各省市的人均灰水生态足迹变化的驱动因素进行了测度分析。但LMDI模型多基于Kaya恒等式为基础进行拓展,将研究变量分解为多种因素相乘的形式,由此得到的驱动因素之间相关性较强,从而导致LMDI模型无法同时包含多种绝对量和相对量因素,进而有可能忽略掉一些其他潜在变量,导致驱动因素分解结果误差较大[80]。

通径分析是一种多元统计分析方法,用于研究变量之间的相互关系以及自变量对因变量的作用方式和程度,该方法在多元回归的基础上将相关系数进行分解,通过直接、间接和总通径系数来表示某一变量对因变量的直接、间接和总体影响,已广泛用于农业用水量的定量归因分析,近年在水资源环境领域得到广泛应用[88-89]。但在利用通径分析解析农业灰水足迹的驱动因素时,要尽可能的考虑到所有影响因素,并需要获取所有影响因素的长期试验观测数据,取得大量完备的样本后,才能取得可靠的分析结果[88]。LSE模型指实际值与期望值的偏差最小值,将LSE模型引入灰水足迹效率驱动类型研究中,通过对比不同尺度上灰水足迹效率变化的实际效应贡献率分布与理论分布的最小方差来确定驱动类型。韩琴等[82]利用LSE模型根据驱动效应的绝对贡献率进行了尺度分类,并研究了1998—2012年中国省际灰水足迹的驱动模式。MFA是一种在特定时空范围内对特定系统的物质流动与贮存进行系统分析或评价的方法。根据质量守恒定律,物质流分析结果可以通过比较所有的输入、贮存和输出来揭示简单的物质平衡规律[13]。因此,基于MFA可以建立从作物、牲畜和水产养殖生产到地表水(通过径流)的活性氮排放模型,量化目标行政边界和长时间段内的水污染水平,包括详细的食品类型和生产过程,并进行进一步灰水足迹核算[12]。Hu等[13]在详细评估食品生产灰水足迹的基础上,利用MFA模型量化了食品生产灰水足迹的驱动因素。

2.3.2 农业灰水足迹主要驱动因素

在灰水足迹测算的基础上,学者们对灰水足迹的主要驱动因素进行了研究,主要概括为两方面:一方面主要为农业生产过程中涉及到的活动,如农药、化肥的施加;另一方面主要为与农业生产密切相关的外部因素(图1),如经济因素与资本深化程度、城乡结构因素、技术和产业结构因素、人口与社会福利因素等。

化肥施用量和农产品产量是灰水足迹变化的关键驱动因素[33],农作物在生长过程中使用的化肥、喷洒农药等除被植物利用外,在降水或灌溉等作用下,部分通过地表径流和地下渗漏进入水体,而这些污染物并非直接流向外界,对当地水环境造成严重危害[9]。农业大量使用的氮磷肥在降雨过程中,经农田排水、地表径流、地下渗漏等方式进入地下水体,从而导致稀释水量增加,成为农业土地利用系统灰水足迹增长的主要原因[90-91]。经济因素是最大正向驱动因素,经济增长伴随着水环境污染问题,是水污染等一系列环境污染的主要驱动力,经济活度的提升在大部分时间段能够造成人均灰水足迹增加[35]。资本深化程度的提高是灰水足迹增加的重要驱动因素[92],如建立在高水耗强度上的资源密集型重工业,未能采取有效的水资源保护机制造成了严重的水污染,使平均每年资本深化效应带来灰水足迹增加。城乡结构调整、建设水平提升以及排水设施逐步完善有助于污水集中整治[79]。技术因素是最大负向驱动因素,产业结构调整、清洁生产技术和污水处理技术的升级具有巨大的污水减排潜力。通过产业结构的优化调整和技术升级,可以减少污染物产排量,进一步提高灰水足迹效率[93-94]。人口密度的增加会导致水资源过度利用,增加水环境负担和水污染治理难度,对地区灰水经济生产率造成显著负面影响,但提高居民综合素质有助于减少灰水足迹,并促进地区对水资源和水环境的保护[95-96]。社会福利的增加对地区灰水经济生产率产生积极影响,政府改善公共环境福利和提高民众生活质量,确保经济发展具备稳定的社会条件,对提升本地灰水经济生产率起到积极促进作用[35]。

3 结论与展望

厘清农业生产灰水足迹的发展历程、核算方法及驱动因素可为农业生产灰水足迹科学精准核算、区域农业可持续发展提供理论和方法支持,对水资源科学管理、合理规划具有重要意义。基于Web of Science核心数据库及中国知网2008—2022年农业生产灰水足迹研究成果,总结农业灰水足迹核算模型的发展历程、主要农作物生产灰水足迹时空分布格局研究现状、农业灰水足迹的主要驱动因素。目前国内外对主要农作物生产灰水足迹相关研究方面已经取得了一系列成果,但尚处于不断更新与发展的阶段,当前研究还存在如下不足。

(1)灰水足迹核算很大程度上依赖于对水体包含的元素(氮、磷、金属和农药)量化中所做的假设,另外,当前灰水足迹的核算过程中污染物排放量数据取自统计年鉴、水资源公报、环境统计年鉴等,忽视了降雨量、场地坡度、土壤质地、pH、养分、矿质含量、径流和地表植被等因素对水体中释放的污染物浓度的影响,核算过程中没有考虑土壤、植被、气候条件对污染物毒性降解作用,这意味着当前灰水足迹核算是一种简化模式,当灰水足迹应用于农业生产时,其计算过程应遵循更详细的方法,使用现场估算,并考虑具体地点的参数,如土壤特性、气候条件等,实现农业生产灰水足迹的更精准核算。

(2)农药化肥是农业生产中必不或缺的生产资料,对提高农作物产量和品质具有重要作用,但农药与化肥的不合理使用均会导致诸多环境问题,如农业面源污染不断加剧,尤其对土壤环境、地表水的污染等。现有研究关于对杀虫剂和除草剂等农药导致的水体水质污染因其致污机制复杂而暂未纳入农业灰水足迹核算当中,仅将化肥施用对水质造成的面源污染纳入计算,这也是目前农业灰水足迹的计算结果偏低的重要原因。随着农药污染造成的灰水足迹研究取得突破,粮食生产的灰水足迹计算将会更加客观全面。此外灰水足迹量化核算水质限值选择方面,应在研究区域本地特征进行定义。

(3)目前主要农作物生产灰水足迹核算及时空分布格局研究集中在大尺度研究层面,针对县域及以下小尺度主要农作物生产灰水足迹核算及时空分布格局还是相对较缺乏。此外,由于不同地区地理和时间位置、气候、技术和产量存在差异,当前已有的农作物灰水足迹并非在所有情况下都具有普适性,因此,亟需开展地方更具针对性的灰水量化研究。