黄河流域煤炭富集区煤炭水足迹演变及驱动效应研究

刘秀丽, 王昕, 郭丕斌, 熊睿, 聂雷, 申俊, 张静

地理科学 ›› 2022, Vol. 42 ›› Issue (2) : 293-302.

PDF(3286 KB)
EN中文
PDF(3286 KB)
地理科学 ›› 2022, Vol. 42 ›› Issue (2) : 293-302. DOI: 10.13249/j.cnki.sgs.2022.02.011

黄河流域煤炭富集区煤炭水足迹演变及驱动效应研究

作者信息 +

Evolution and Driving Effect of Coal-Water Footprint in Coal Rich Areas of the Yellow River Basin

Author information +
文章历史 +

摘要

煤炭与水资源相互影响和制约，如何评价煤炭耗水的演变趋势及其影响机制对煤炭和水资源进行协同管理具有重要意义。基于国际标准的煤炭水足迹测算模型，分析2000—2017年黄河流域煤炭富集区——晋陕蒙煤炭水足迹的时空演变趋势，构建煤炭水足迹压力指数评价区域煤炭和水资源的匹配关系，并运用LMDI模型定量分析煤炭水足迹的驱动效应。结论如下：① 煤炭水足迹总量在研究期内呈增长趋势，主要以原煤和火力发电水足迹为主，山西和内蒙古煤炭水足迹最高，陕西最低。② 研究区整体煤炭水足迹压力指数逐渐增大，由煤–水关系缓和型逐渐演变为煤–水关系制约型，从空间分异来看，山西最大，研究期内均属于煤–水紧张型，陕西次之，内蒙古最小，均由煤–水关系缓和型演变为煤–水关系制约型。③ 影响煤炭水足迹的主要驱动因素是经济效应和技术效应，前者对煤炭水足迹的影响逐渐增强，后者对煤炭水足迹压力的影响先增强后减弱，各驱动效应空间分异明显。研究结果可为煤炭富集区煤炭和水资源可持续利用提供决策参考，为黄河流域生态保护和高质量发展的资源管理提供决策支持。

Abstract

Coal and water resources are important strategic natural resources in China. How to evaluate the evolution of coal and water consumption and its influence mechanism is great significantly for the coordinated management of coal and water consumption. The coal-water footprint is calculated based on ISO standard method to measure the space-time evolution trend of coal-water footprint in Yellow River basin in 2000-2017, using coal- water footprint pressure index evaluation to analysis the matching relation between coal and water, and using Kaya identities and LMDI model to analyze the driving effect of coal-water footprint. The conclusions are as follows: 1) The total coal-water footprint showed an increasing trend during the study period, and the coal-water footprint was mainly dominated by raw coal and thermal power generation. The coal-water footprint in Shanxi and Inner Mongolia was the highest, while that in Shaanxi was the lowest. 2) The coal-water footprint pressure index gradually increased, and gradually changed from the moderating type of coal-water relationship to the moderating type of coal-water relationship. From the perspective of spatial variation, Shanxi was the largest, with the intense type of coal-water relationship. Shaanxi followed closely, and Inner Mongolia was the smallest, both of which changed from the moderating type to the moderating type of coal-water relationship. 3) The main factors influencing the coal-water footprint pressure were economic effect and technological effect. The former had a gradually enhanced influence on the coal-water footprint pressure, while the latter had a gradually weakened influence on the coal-water footprint pressure. The spatial differentiation of each driving factor was obvious. The research results can provide reference for the sustainable utilization of coal and water resources in the coal-rich areas, and provide decision support for the resource management of ecological protection and high-quality development in the Yellow River Basin.

关键词

煤炭水足迹 / LMDI模型 / 煤–水关系 / 黄河流域

Key words

coal-water footprint / LMDI model / coal-water relationship / the Yellow River Basin

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用
刘秀丽, 王昕, 郭丕斌, 熊睿, 聂雷, 申俊, 张静. 黄河流域煤炭富集区煤炭水足迹演变及驱动效应研究[J]. 地理科学, 2022, 42(2): 293-302 https://doi.org/10.13249/j.cnki.sgs.2022.02.011
Liu Xiuli, Wang Xin, Guo Pibin, Xiong Rui, Nie Lei, Shen Jun, Zhang Jing. Evolution and Driving Effect of Coal-Water Footprint in Coal Rich Areas of the Yellow River Basin[J]. SCIENTIA GEOGRAPHICA SINICA, 2022, 42(2): 293-302 https://doi.org/10.13249/j.cnki.sgs.2022.02.011

煤炭与水资源是中国重要的战略性自然资源，对于保障中国经济社会发展具有非常重要的意义。据预测，一定时期内中国的能源结构仍然以煤炭为主[1]，但多年来煤炭的过度开发严重破坏了当地的地下水资源，全国每消耗1 t煤炭损耗的水资源量为2.48 t[2]。煤炭资源型地区已出现严重的煤–水供需失衡[3~5]，如何评价煤炭耗水的时空演变及其影响机制对煤炭资源型地区煤–水协同管理具有重要意义。黄河流域晋陕蒙地区为中国火力发电水足迹高值集聚区，火力发电水足迹的比重高于50%，而可利用水资源量较少[6]，水资源成为约束黄河流域煤炭富集区可持续发展的主要因素[7]。推进煤炭和水资源的节约集约利用是推动黄河流域生态保护和高质量发展的必然要求。
煤炭水足迹的测算多采用混合投入产出分析（IOA）的集成生命周期模型和国家标准委员会（ISO）发布的基于生命周期的水足迹评价方法来评估[8]。投入产出分析可以同时考虑水的直接消费（例如冷却水用于发电）和间接消耗（例如用于建设发电厂的水）[9]，不仅能够计算部门的直接耗水情况，还能够计算水资源在各部门之间的流动情况[10]，因此在学术界得到了广泛应用[11~13]。然而该方法受投入产出表的限制，大多数研究基于国家编制的投入产出表，年份往往较早，不能够精确反映当前水足迹现状。基于ISO标准的水足迹评价模型侧重于考虑所有煤炭产业运行过程中的用水问题，对煤炭生产、利用过程中的需水量进行物理评价[14]。如Zhu等[14]建立了基于生态足迹的生命周期水足迹评价框架，测算了2016年中国燃煤发电产品生命周期虚拟水。关伟等[6]对中国30个省（市、自治区）2004—2016年能源生产和利用过程中消耗的水足迹进行了评价。对黄河流域的能源消费和水足迹研究也比较丰富，如吕倩和刘海滨[15]以及武娜等[16]基于夜间灯光数据对黄河流域能源消费的碳排放时空演变进行了分析。可以看出，现有研究多为单一年份，缺乏对典型区域层面的煤炭生产、利用过程的综合耗水的时空演变研究。其次，对于黄河流域典型煤炭富集区，现有研究多侧重于能源消耗的碳排放问题，而忽略了能源耗水的研究。最后，现有研究对煤炭水足迹的驱动效应比较缺乏。
基于此，本文以黄河流域煤炭富集区——晋陕蒙为研究区，采用基于ISO标准的煤炭水足迹测算模型、煤炭水足迹压力指数以及指数分解模型分析2000—2017年区域煤炭水足迹的时空演变趋势、煤炭和水资源的匹配关系以及煤炭水足迹的驱动效应。本研究可为煤炭资源型地区煤炭和水资源可持续利用提供决策参考，为黄河流域生态保护和高质量发展的资源管理提供决策支持。

1 研究方法与数据来源

1.1 煤炭水足迹

本文采用基于ISO标准的煤炭水足迹模型测算煤炭产业生产、利用中的取水、用水以及废水排放所需水量[5]。主要包括原煤、洗选煤和火力发电生产生命周期中的直接水足迹和因为材料和能源投入所带来的间接水足迹。将煤炭水足迹分为蓝水足迹和灰水足迹，前者为生产过程中消耗的自然水，后者为生产过程中排放的废水稀释到排放标准所需要的水量。煤炭水足迹计算公式为：
$ {W}_{C}={{W}}_{{d}{i}{r}{e}{c}{t}}+{{W}}_{{i}{n}{d}{i}{r}{e}{c}{t}}={{W}}_{{b},{d}}+{{W}}_{{g},{d}}+{{W}}_{{b},{i}{n}}+{{W}}_{{g},{i}{n}} $
(1)
式中， $ {W}_{C} $ 指煤炭水足迹（m3）， $ {W}_{direct} $ 为煤炭直接水足迹（m3）， $ {W}_{indirect} $ 为煤炭间接水足迹（m3）， $ {W}_{b,d} $ 为煤炭直接蓝水足迹（m3）， $ {W}_{g,d} $ 为煤炭直接灰水足迹（m3）， $ {W}_{b,in} $ 为煤炭间接蓝水足迹（m3）， $ {W}_{g,in} $ 为煤炭间接灰水足迹（m3）。由于煤炭生产过程中的水污染数据较难获取，采用ISO标准计算的灰水足迹精确性较差，因此本文采用水足迹网络（WFN）[17, 18]模型计算煤炭灰水足迹，计算公式为：
$ {W}_{g}=\frac{L\times {V}_{p}}{{C}_{{\rm{max}}}-{C}_{nat}} $
(2)
式中， $ {W}_{g} $ 为煤炭灰水足迹，L为煤炭产业废水排放量（ ${\mathrm{m}}^{3}/{\mathrm{G}\mathrm{J}}$ ）， $ {V}_{p} $ 为排放废水中污染物的质量浓度（ $ \mathrm{m}\mathrm{g}/{\mathrm{m}}^{3} $ ）， ${C}_{{\rm{max}}}$ 为水中可接受的污染物最大质量浓度（ $ \mathrm{m}\mathrm{g}/{\mathrm{m}}^{3} $ ）， $ {C}_{nat} $ 为自然水中该污染物的质量浓度（ $ \mathrm{m}\mathrm{g}/{\mathrm{m}}^{3} $ ）。通常选取化学需氧量（Chemical Oxygen Demand, COD）作为煤炭产业排放废水中最重要的污染物指标[5]， $ {C}_{nat} $ 设为0。

1.2 煤炭水足迹压力指数

采用煤炭水足迹压力指数评价区域煤炭和水资源的匹配关系。参考相关研究[19, 20]构建煤炭水足迹压力指数F，F值越大表明该地区的煤炭资源对水资源的压力越大，二者匹配程度越小。计算公式如下：
$ F= \frac{{w}_{c}}{{Q}_{w}} $
(3)
式中，F为地区煤炭水足迹压力指数， $ {w}_{c} $ 为该地区煤炭水足迹（m3）， $ {Q}_{w} $ 为该地区当年可利用水资源量（m3）。

1.3 Kaya恒等式的扩展

Kaya 恒等式于1989 年由Kaya[21]提出，用来衡量人类社会活动过程中所产生的碳排放与经济、政策和人口等因素之间的关系。随着学者的不断研究，部分学者将扩展的Kaya恒等式应用到能源领域[22, 23]。本文在前人研究基础上，将Kaya恒等式运用到人均煤炭水足迹变化的驱动效应分析，计算公式如下：
$ w=\frac{{W}_{c}}{P}=\frac{{W}_{c}}{G}\times \frac{G}{GDP}\times \frac{GDP}{{Q}_{w}}\times \frac{{Q}_{w}}{P}=t\times s\times e\times r $
(4)
式中，w为人均煤炭水足迹（m3 /人），Wc为煤炭水足迹（m3），G为煤炭工业总产值（108元）， $ {Q}_{w} $ 为该区域当年可利用水资源量（m3）， $ P $ 为区域人口数（108人）。t= $ {W}_{c}/G $ 为煤炭水足迹的技术效率（ $ {\mathrm{m}}^{3}/\mathrm{元} $ ），s= $ G/GDP $ 为煤炭水足迹的部门效率；e= $ GDP/{Q}_{w} $ 为经济效率（元/ $ {\mathrm{m}}^{3} $ ），r= $ {Q}_{w}/P $ 为人均水资源量，表示水资源禀赋水平（m3 /人）。

1.4 LMDI模型

LMDI（Logarithmic Mean Divisia Index）模型由Ang和Choi在1997年首次提出[24]，并被广泛应用于Kaya恒等式[25]。分解公式如下：
$ \Delta F={F}_{t}-{F}_{0}=\Delta {F}_{teff}-\Delta {F}_{seff}-\Delta {F}_{eeff}-\Delta {F}_{reff} $
(5)
$ \Delta {F}_{teff}=\frac{{F}_{t}-{F}_{0}}{{\rm{ln}}{F}_{t}-{\rm{ln}}{F}_{0}}{\rm{ln}}\left(\frac{{t}_{t}}{{t}_{0}}\right) $
(6)
$ \Delta {F}_{seff}=\frac{{F}_{t}-{F}_{0}}{{\rm{ln}}{F}_{t}-{\rm{ln}}{F}_{0}}{\rm{ln}}\left(\frac{{s}_{t}}{{s}_{0}}\right) $
(7)
$ \Delta {F}_{eeff}=\frac{{F}_{t}-{F}_{0}}{{\rm{ln}}{F}_{t}-{\rm{ln}}{F}_{0}}{\rm{ln}}\left(\frac{{e}_{t}}{{e}_{0}}\right) $
(8)
$ \Delta {F}_{reff}=\frac{{F}_{t}-{F}_{0}}{{\rm{ln}}{F}_{t}-{\rm{ln}}{F}_{0}}{\rm{ln}}\left(\frac{{r}_{t}}{{r}_{0}}\right) $
(9)
式中， $ \Delta F $ 为区域人均煤炭水足迹差值；Ft、F0分别为期末、期初区域人均煤炭水足迹；驱动因素可分解为技术效应（ $ \Delta {F}_{teff} $ ）、部门效应（ $ \Delta {F}_{seff} $ ）、经济效应（ $ \Delta {F}_{eeff} $ ）、资源禀赋效应（ $ \Delta {F}_{reff} $ ）；tt、st、et、rt分别代表期末的煤炭水足迹技术效率、部门效率、经济效率和资源禀赋效率；t0、s0、e0、r0分别为期初的煤炭水足迹技术效率、部门效率、经济效率和资源禀赋效率。其中，技术效应表征技术创新对煤炭水足迹的影响，部门效应表征产业结构对煤炭水足迹的影响，经济效应反映经济发展水平对煤炭水足迹的影响，资源禀赋效应表征水资源可利用量对煤炭水足迹的影响。若驱动效应值为正值，表明其促进煤炭水足迹的增加，若为负值，则促进煤炭水足迹压力的减少。

1.5 数据来源

煤炭产业包括原煤生产、洗煤和火力发电，数据来源于各省统计年鉴，平均低位发热量系数来源于《中国能源统计年鉴》（2000—2017）[26]。区域水资源量来源于《山西统计年鉴》[27]、《陕西统计年鉴》[28]、《内蒙古统计年鉴》[29]，可利用水资源量按照总量的40%计算[8]。原煤、洗煤的单位产量直接蓝水和灰水足迹值来源于国家环境保护总局发布的煤炭采选业清洁生产标准和煤炭工业污染物排放标准[30, 31]。由于间接水足迹计算复杂，本文只计算了原煤和洗煤的直接水足迹。火力发电消耗水足迹分为冷却系统消耗的直接水足迹和火电能源投入消耗的间接水足迹。研究区火力发电冷却一般有循环冷却、空气冷却、直流冷却3种形式，通过调研，按照各区域各种冷却方式的占比计算其消耗的直接蓝水足迹。按火电行业产排污系数[32]计算火力发电的化学需氧量（Chemical Oxygen Demand, COD）排放量，选取30 m/L作为火电行业废水排放中可接受的最大COD值[33]。火力发电的单位发热量间接蓝水足迹和灰水足迹值源于《中国能源统计年鉴》（2000—2017）[26]。各省煤炭产值、GDP、人口总量等均源于《山西统计年鉴》[27]、《陕西统计年鉴》[28]、《内蒙古统计年鉴》[29]，并且对受价格影响的指标将2000年作为基期进行了平减。

2 结果分析

2.1 煤炭水足迹演变特征分析

2.1.1 煤炭水足迹时间变化特征

根据煤炭水足迹计算公式（1）和（2）分别计算黄河流域煤炭富集区原煤、洗煤和火力发电3类煤炭水足迹（图1）。从总量来看，研究期内煤炭水足迹呈增长趋势，2000—2017年增长了约4.05倍，而同期水资源总量仅增加了1.11倍，表明研究区煤炭产业的发展已对水资源产生了较大的压力。从构成来看，原煤和火力发电水足迹占比较大，二者的比重占煤炭水足迹总量的93%以上。该结果主要与黄河流域煤炭产业结构有关，作为中国综合能源基地，晋陕蒙3省（区）煤矿的个数占整个黄河流域的61.2%[34]，研究期原煤开采总量增加了8.68倍，火力发电总量增加了6.21倍。随着煤炭产业内部结构的变化，原煤和火力发电占比变化趋势分异明显。2000年原煤和火力发电水足迹占比分别为26.46%和71.29%，2017年二者占比分别为56.67%和37.31%，主要原因为原煤产量的增加和火力发电冷却技术的改变。2000—2017年，洗煤水足迹呈增长趋势，增长了约11.25倍，主要原因为洗煤总量的增加，以及随着国家环境治理标准的提高，导致洗煤灰水足迹的增加。从煤炭灰水足迹来看，火力发电和原煤灰水足迹比重最大，二者的比重占煤炭水足迹总量的70%以上，其变化时序基本与原煤和火力发电水足迹占比一致。具体来看，原煤、洗煤、火力发电灰水足迹分别占各自水足迹的90.73%、79.41%和75.43%。同时，在中国碳减排约束下，黄河流域煤炭产业减排压力巨大，煤炭产业灰水足迹耗水问题易被忽视，情况不容乐观。
图1 2000—2017年黄河流域煤炭富集区煤炭水足迹

Fig. 1 Coal-water footprint of coal-rich areas in the Yellow River Basin during 2000-2017

Full size|PPT slide

2.1.2 煤炭水足迹空间分异特征

从煤炭水足迹空间分异来看（图2a），山西和内蒙古煤炭水足迹最高，陕西最低，均呈增长趋势。2000年，山西、陕西和内蒙古的煤炭水足迹分别为16.82亿m3、4.69亿m3和10.75亿m3，2017年分别为49.03亿m3、26.37亿m3和55.46亿m3，增长率分别为6.91%、11.39%和10.8%。其中，2000—2008年山西煤炭水足迹高于内蒙古，2009—2017年，内蒙古煤炭水足迹高于山西，主要原因为内蒙古原煤产量和火力发电量的持续增长。从原煤水足迹来看（图2b），2000年，山西、陕西和内蒙古的原煤水足迹占煤炭水足迹的比重分别为72.47%、0.74%和26.8%，表明当时山西作为全国的煤炭资源大省，“一家独大”较为明显。之后，陕西和内蒙古原煤水足迹比重逐步提高，山西原煤水足迹比重逐渐降低。从洗煤水足迹来看（图2c），晋陕蒙空间差异较大。山西占比最大，2000—2017年占比在86.39%~73.13%，陕西占比从3.63%增加到17.45%，内蒙古则表现为先增加后减小的趋势，2000—2010年从9.98%增加到29.43%，之后呈现减少的趋势，到2017年占比为9.42%。山西洗煤水足迹较大的原因与山西煤炭产业结构有关，2000—2017年，洗煤占煤炭产业的比重由10.59%增长到38.37%。内蒙古于2011年进一步实施煤炭产业升级战略，洗煤产量呈现下降趋势，洗煤水足迹减少。从火力发电水足迹来看（图2d），山西和内蒙古占比最大，二者共占比约80%，陕西最小。2000—2017年，山西和陕西火力发电水足迹均呈下降趋势，内蒙古火力发电水足迹呈上升趋势，到2017年内蒙古成为研究区火力发电水足迹占比最大的省份。
图2 2000—2017年黄河流域煤炭富集区各区域煤炭水足迹

Fig. 2 Coal-water footprint of each region in coal-rich areas of the Yellow River Basin during 2000-2017

Full size|PPT slide

2.2 煤炭水足迹压力指数演变特征分析

根据公式（3）可以计算出各地区煤炭水足迹压力指数，结果见图3。根据当地水资源储量占全国水资源的比重，借鉴关伟等的研究结果[6]，将研究区煤炭水足迹压力指数分为3类：煤–水关系紧张型（F>0.4），煤–水关系制约型（0.1<F<0.4）和煤–水关系缓和型（F<0.1）。可以看出，2000—2017年，晋陕蒙煤炭水足迹压力指数逐渐增大，由煤–水关系缓和型演变为制约型，表明煤炭产业发展一定程度上受到了水资源的制约。从空间分异来看，山西煤炭水足迹压力最大，2000—2017年均属于煤–水紧张型，煤炭水足迹压力指数是晋陕蒙的6.71倍，主要原因为山西水资源匮乏，可用水资源量居全国倒数第5位，作为中国首个全省域国家综合配套改革试验区，山西应加快资源型经济转型，摆脱“资源诅咒”陷阱。尽管陕西煤炭产业占比较低，但是其煤炭水足迹压力指数依然较大，2000—2017年，由煤–水关系缓和型演变为制约型，主要原因为水资源短缺。内蒙古的煤炭水足迹压力指数最小，2000—2017年由煤–水关系缓和型演变为制约型，呈现逐年增长态势，表明随着内蒙古煤炭产业的迅速发展，水资源对煤炭产业的约束日益明显，应加快实施技术创新，发展节水工艺。
图3 2000—2017年黄河流域煤炭富集区各区域煤炭水足迹压力指数

Fig. 3 Coal-water footprint pressure index of each region in the coal-rich areas of the Yellow River Basin during 2000-2017

Full size|PPT slide

2.3 驱动因素演变特征分析

2.3.1 驱动因素时间变化特征

由公式（5）~（8）可以计算出煤炭水足迹的影响因素贡献程度，如图4所示。可以看出，2000—2017年影响区域煤炭水足迹的因素主要是经济效应和技术效应，贡献率分别为40.01%和–35.6%，其次为部门效应和资源禀赋作用，贡献率分别为23.99%和0.39%。经济效应、部门效应和资源禀赋效应对煤炭水足迹起增量作用，而技术效应对煤炭水足迹起减量作用。不同类型煤炭水足迹影响因素差异较大，影响原煤和洗煤水足迹的因素主要为经济效应和部门效应，均为正效应；影响火力发电水足迹的因素主要为技术效应和经济效应，且前者为负效应，后者为正效应。相对于原煤和洗煤，火力发电水足迹的减少更加依赖于技术创新。
图4 2000—2017年黄河流域煤炭富集区各驱动因素贡献度变化趋势

Fig. 4 Changes in the contribution of driving factors in the coal rich areas of the Yellow River Basin during 2000-2017

Full size|PPT slide

从各驱动因素时间变化情况来看：①技术效应对煤炭水足迹的影响表现出先增强后减弱的趋势，且由负效应逐渐演变成了正效应。表明仅仅依赖技术创新减少单位煤炭产出的水资源消耗量已无法降低人均煤炭水足迹，甚至在2011年以后，技术创新对煤炭水足迹的总量起增量作用。可能原因是技术进步的“能源回弹效应”所致，随着技术进步带来能源效率的提高，从而导致价格降低，价格效应刺激消费增长[35]。随着晋陕蒙煤炭生产总量增加，煤炭水足迹总量亦呈增加趋势。②部门效应对煤炭水足迹的影响逐渐增强，其中2000—2011年为正效应，2011—2017为负效应。主要原因为研究区长期以煤炭产业为主导的产业结构，导致随着煤炭产业产值的增加人均煤炭水足迹逐渐增加，2010年之后随着各地区大力度进行资源型经济转型，产业结构逐步优化，煤炭产业占GDP比重开始降低，部门效应对人均煤炭水足迹起减量作用，且减量效应在逐步增加。③经济效应对人均煤炭水足迹的影响基本为正效应。表明经济发展水平对人均煤炭水足迹起增量作用，研究区经济发展对煤炭产业的依赖依然存在。如何在提高区域经济发展水平的同时降低煤炭产业人均水足迹是煤炭资源型地区面临的重要挑战。④资源禀赋效应对人均煤炭水足迹的影响基本一直呈现为负效应，表明其对人均煤炭水足迹起减量作用，要集约节约生产和生活用水，保障煤炭水资源可持续利用。

2.3.2 驱动因素空间分异特征

从各驱动因素空间分异来看，各区域差异明显。以2011年为时间节点，各区域煤炭水足迹的影响因素呈现不同的变化趋势（图5）。2000—2017年，经济效应和技术效应对山西煤炭水足迹的影响最大，二者的贡献度分别为35.93%和-35.80%。其中，2000—2011年，对山西煤炭水足迹影响最大的因素是技术效应，对煤炭水足迹起减量作用，表明该时期山西煤炭技术快速进步，煤炭耗水大幅度降低。2011—2017年，影响山西煤炭水足迹最大的因素为部门效应，对煤炭水足迹起减量作用，而技术效应演变为正效应。表明技术进步的“节约能源”效应已不明显，开始呈现出技术进步的“能源回弹”效应，而通过部门产业结构的调整对煤炭水足迹的减量效应日益显现。2000—2017年，对陕西煤炭水足迹影响最大的同样为经济效应和技术效应，贡献率分别为35.38%和-32.48%。但较山西和内蒙古相比均较小，主要原因是陕西区域经济发展水平较高，且煤炭产业产值占比较小。分阶段来看，2000—2011年，影响陕西煤炭水足迹最大的因素为部门效应，贡献率为34.71%，对煤炭水足迹起增量作用，2011—2017年，影响陕西煤炭水足迹最大的因素演变为经济效应，贡献率为60.33%，对煤炭水足迹起增量作用。此外，技术效应对陕西煤炭水足迹的影响逐渐减弱，贡献率由-34.01%降低到-5.63%，表明已无法单纯依赖技术进步降低煤炭水足迹，未来需通过产业结构调整、技术创新等多手段综合治理降低煤炭水足迹。2000—2017年，对内蒙古煤炭水足迹影响最大的为经济效应，贡献率为37.46%。2000—2011年影响内蒙古煤炭水足迹最大的是技术效应，而2011—2017年演变为部门效应，且技术效应由负效应演变为正效应，再次呈现技术进步的“能源回弹”效应。此外，内蒙古人均煤炭水足迹的经济效应和其它两省相比是最大的，表明内蒙古煤炭水足迹受经济发展的制约最明显，主要原因为内蒙古煤炭产值占GDP的比重最大。值得注意的是，资源禀赋对内蒙古人均煤炭水足迹的影响由正效应演变为负效应，表明和其它两省相比，内蒙古仍然具有一定的水资源优势。从晋陕蒙整体来看，如何在提高区域经济发展水平的同时降低煤炭水足迹是共同面临亟需解决的问题，继续加快部门产业结构调整、技术创新和保障水资源的可持续利用是未来晋陕蒙降低煤炭水足迹的主要方向。
图5 2000—2017年黄河流域煤炭富集区各区域驱动因素贡献度

Fig. 5 Contribution of driving factors in each region in the coal rich areas of the Yellow River Basin during 2000-2017

Full size|PPT slide

3 结论与讨论

3.1 结论

本文采用基于ISO标准的水足迹测算方法测算2000—2017年黄河流域煤炭富集区——晋陕蒙煤炭水足迹的时间演变趋势，采用煤炭水足迹压力指数评价区域煤炭和水资源的匹配关系，并运用拓展的Kaya恒等式和LMDI模型定量分析煤炭水足迹的驱动效应，结论如下：
1）从煤炭水足迹的演变来看，2000—2017年，煤炭水足迹总量呈增长趋势，主要以原煤和火力发电水足迹为主，二者比重占煤炭水足迹总量的93%以上。其中，原煤水足迹占比逐渐增加，而火力发电水足迹占比逐渐减少。从煤炭灰水足迹来看，火力发电和原煤灰水足迹比重最大，二者的比重占煤炭水足迹总量的70%以上，其变化时序基本与原煤和火力发电水足迹占比一致。从煤炭水足迹空间分异来看，山西和内蒙古最多，陕西最少，均呈现增长趋势。原煤水足迹主要分布在内蒙古和山西，洗煤水足迹主要分布在山西，火力发电水足迹主要分布在内蒙古。
2）从煤炭水足迹压力指数来看，2000—2017年，晋陕蒙煤炭水足迹压力指数逐渐增大，由煤–水关系缓和型逐渐演变为煤–水关系制约型。从空间分异来看，山西省煤炭水足迹压力最大，研究期内均属于煤–水紧张型，陕西次之，内蒙古最小，煤炭水足迹压力指数均由煤–水关系缓和型演变为煤–水关系制约型。
3）从煤炭水足迹压力的驱动因素来看，影响人均煤炭水足迹的主要因素是经济效应和技术效应，其次为部门效应和资源禀赋作用。技术效应对人均煤炭水足迹的影响由强到弱，且由负效应逐渐演变成正效应，部门效应对人均煤炭水足迹的影响逐渐增强，由正效应逐渐演变成了负效应，经济效应对人均煤炭水足迹的影响基本一直呈现为正效应，资源禀赋效应基本呈现负效应。各驱动因素空间分异明显，经济效应和技术效应对内蒙古人均煤炭水足迹的影响最大，对陕西人均煤炭水足迹的影响最小。

3.2 讨论

晋陕蒙地区是中国黄河流域煤炭富集区，但同时也是中国水资源短缺区，煤–水矛盾十分突出。如何在保障水资源可持续利用的情况下，发展煤炭产业是需要解决的问题。一般认为可通过煤炭节水技术的创新来降低煤炭产业耗水问题，然而研究发现，煤炭水足迹受多种因素的影响，必须充分考虑区域经济发展水平、区域产业结构以及水资源的承载力。因此，本文认为由于各地区煤–水足迹压力指数差异较大，山西煤炭产业已对水资源造成严重压力，应加快资源型经济转型，降低煤炭在区域产业结构的比重；内蒙古煤炭产业的发展仍有较大的潜力，但应在转变区域产业结构的同时加强水资源保护；陕西可适度发展煤炭产业，同时由于技术创新仍然对陕西煤炭水足迹起减量作用，要进一步加大技术投入，但要注意煤炭水足迹压力呈增长趋势，从长远来看，发展煤炭产业与保护水资源并重势在必行。总体来看，晋陕蒙煤炭富集区面临的共同问题是如何在提高区域经济发展水平的同时减少煤炭水足迹，加快资源型经济转型，调整产业结构，加快技术创新，实现区域高质量发展是解决该现实问题的必由之路。
本文采用基于ISO标准的煤炭水足迹方法计算煤炭耗水问题比传统指标计算结果更加精确，更能体现区域煤炭和水资源的关联性；相较于现有研究多为单一年份的煤炭火力发电耗水评价或煤炭生产耗水测算，基于多年份的区域层面的数据弥补了区域煤炭生产、利用过程的综合耗水的时空演变研究的空缺；针对现有研究对区域煤炭耗水的驱动效应研究的不足，采用LMDI模型定量分析煤炭水足迹的驱动效应可加强对区域煤炭水足迹的认识，进而找到影响区域煤炭水足迹的因素。
本文仍有一些不足之处：由于间接水足迹计算复杂，本文只计算了原煤和洗煤的直接水足迹，且在计算火力发电中各种冷却方式占比采用调研评估得出，计算结果的准确性有一定误差；影响煤炭水足迹的因素众多，本文并未考虑水足迹在区域间以及区域外由贸易引起的虚拟水输入和输出情况。更加客观的煤炭水足迹计算以及包含更加全面的煤炭水足迹驱动力研究是本文进一步研究的方向。

参考文献

列表( 原文顺序 | 文献年度倒序 | 文中引用次数倒序 ) 可视化分析
[1]
Cai Y P, Cai J Y, Xu L Y et al. Integrated risk analysis of water-energy nexus systems based on systems dynamics, orthogonal design and copula analysis[J]. Renewable and Sustainable Energy Reviews, 2019, 99: 125-137.
https://doi.org/10.1016/j.rser.2018.10.001
本文引用 [1]
[2]
Shang Y Z, Hei P F, Lu S B et al. China’s energy-water nexus: Assessing water conservation synergies of the total coal consumption cap strategy until 2050[J]. Applied Energy, 2018, 210: 643-660.
https://doi.org/10.1016/j.apenergy.2016.11.008
本文引用 [1]
[3]
Fan J L, Wei S J Zhang X et al. A comparison of the regional investment benefits of CCS retrofitting of coal-fired power plants and renewable power generation projects in China[J]. International Journal of Greenhouse Gas Control, 2020, 92: 102858
https://doi.org/10.1016/j.ijggc.2019.102858
本文引用 [1]
[4]
Zheng X Z, Wang C, Cai W J et al. The vulnerability of thermoelectric power generation to water scarcity in China: Current status and future scenarios for power planning and climate change[J]. Applied Energy, 2016, 171: 444-455.
https://doi.org/10.1016/j.apenergy.2016.03.040
[5]
丁宁, 逯馨华, 杨建新, 等. 煤炭生产的水足迹评价研究[J]. 环境科学学报, 2016, 36(11): 4228-4233.
Ding Ning, Lu Xinhua, Yang Jianxin et al. Water footprint of coal production. Acta Scientiae Circumstantiae, 2016, 36(11): 4228-4233.
本文引用 [3]
[6]
关伟, 赵湘宁, 许淑婷. 中国能源水足迹时空特征及其与水资源匹配关系[J]. 资源科学, 2019, 41(11): 2008-2019.
https://doi.org/10.18402/resci.2019.11.05
Guan Wei, Zhao Xiangning, Xu Shuting. Spatiotemporal feature of the water footprint of energy and its relationship with water resources in China. Resources Science, 2019, 41(11): 2008-2019.
https://doi.org/10.18402/resci.2019.11.05
本文引用 [3]
[7]
Li Y M, Zhang B, Wang B et al. Evolutionary trend of the coal industry chain in China: Evidence from the analysis of I-O and APL model[J]. Resources, Conservation and Recycling, 2019, 145: 399-410.
https://doi.org/10.1016/j.resconrec.2019.02.026
本文引用 [1]
[8]
白景锋, 张海军. 中国水-能源-粮食压力时空变动及驱动力分析[J]. 地理科学, 2018, 38(10): 1653-1660.
Bai Jingfeng, Zhang Haijun. Spatio-temporal variation and driving force of water-energy-food pressure in China. Scientia Geographica Sinica, 2018, 38(10): 1653-1660.
本文引用 [2]
[9]
Chu C, Ritter W, Sun X H. Spatial variances of water-energy nexus in China and its implications for provincial resource interdependence[J]. Energy Policy, 2019, 125: 487-502.
https://doi.org/10.1016/j.enpol.2018.10.057
本文引用 [1]
[10]
Chai L, Liao X W, Yang L et al. Assessing life cycle water use and pollution of coal-fired power generation in China using input-output analysis[J]. Applied Energy, 2018, 231: 951-958.
https://doi.org/10.1016/j.apenergy.2018.09.178
本文引用 [1]
[11]
Fan J L, Kong L S, Zhang X et al. Energy-water nexus embodied in the supply chain of China: Direct and indirect perspectives[J]. Energy Conversion and Management, 2019, 183: 126-136.
https://doi.org/10.1016/j.enconman.2018.12.095
本文引用 [1]
[12]
Wang S G, Fath B, Chen B. Energy-water nexus under energy mix scenarios using input-output and ecological network analyses[J]. Applied Energy, 2019, 233-234: 827-839.
https://doi.org/10.1016/j.apenergy.2018.10.056
[13]
孙才志, 郑靖伟. 基于MRIO与SNA的中国水资源空间转移网络分析[J]. 水资源保护, 2020, 36(1): 9-17.
https://doi.org/10.3880/j.issn.1004-6933.2020.01.002
Sun Caizhi, Zheng Jingwei. Analysis of China’s water resources spatial transfer network based on MRIO and SNA. Water Resources Protection, 2020, 36(1): 9-17.
https://doi.org/10.3880/j.issn.1004-6933.2020.01.002
本文引用 [1]
[14]
Zhu Y N, Jiang S, Zhao Y et al. Life-cycle-based water footprint assessment of coal-fired power generation in China[J]. Journal of Cleaner Production, 2020, 254: 120098
https://doi.org/10.1016/j.jclepro.2020.120098
本文引用 [2]
[15]
吕倩, 刘海滨. 基于夜间灯光数据的黄河流域能源消费碳排放时空演变多尺度分析[J]. 经济地理, 2020, 40(12): 12-21.
Lvu Qian, Liu Haibin. Multiscale spatio-temporal characteristics of carbon emission of energy consumption in Yellow River Basin based on the nighttime light datasets. Economic Geography, 2020, 40(12): 12-21.
本文引用 [1]
[16]
武娜, 沈镭, 钟帅. 基于夜间灯光数据的晋陕蒙能源消费碳排放时空格局[J]. 地球信息科学学报, 2019, 21(7): 1040-1050.
https://doi.org/10.12082/dqxxkx.2019.190010
Wu Na, Shen Lei, Zhong Shuai. Spatio-temporal pattern of carbon emissions based on nightlight data of Shanxi-Shaanxi-Inner Mongolia region of China. Journal of Geo-information Science, 2019, 21(7): 1040-1050.
https://doi.org/10.12082/dqxxkx.2019.190010
本文引用 [1]
[17]
孙才志, 白天骄, 吴永杰, 等. 要素与效率耦合视角下中国人均灰水足迹驱动效应研究[J]. 自然资源学报, 2018, 33(9): 1490-1502.
https://doi.org/10.31497/zrzyxb.20170795
Sun Caizhi, Bai Tianjiao, Wu Yongjie et al. Driving effect of per capita grey water footprint in China from the perspective of factor and efficiency coupling. Journal of Natural Resources, 2018, 33(9): 1490-1502.
https://doi.org/10.31497/zrzyxb.20170795
本文引用 [1]
[18]
孙才志, 阎晓东. 基于MRIO的中国省区和产业灰水足迹测算及转移分析[J]. 地理科学进展, 2020, 39(2): 207-218.
https://doi.org/10.18306/dlkxjz.2020.02.003
Sun Caizhi, Yan Xiaodong. Estimation and transfer analysis of grey water footprint of provinces, regions and industries in China based on MRIO. Progress in Geography, 2020, 39(2): 207-218.
https://doi.org/10.18306/dlkxjz.2020.02.003
本文引用 [1]
[19]
李云玲, 郭旭宁, 郭东阳, 等. 水资源承载能力评价方法研究及应用[J]. 地理科学进展, 2017, 36(3): 342-349.
https://doi.org/10.18306/dlkxjz.2017.03.010
Li Yunling, Guo Xuning, Guo Dongyang et al. An evaluation method of water resources carrying capacity and application. Progress in Geography, 2017, 36(3): 342-349.
https://doi.org/10.18306/dlkxjz.2017.03.010
本文引用 [1]
[20]
韩琴, 孙才志, 邹玮. 1998-2012年中国省际灰水足迹效率测度与驱动模式分析[J]. 资源科学, 2016, 38(6): 1179-1191.
Han Qin, Sun Caizhi, Zou Wei. Grey water footprint efficiency measure and its driving pattern analysis on provincial scale in China from 1998 to 2012. Resources Science, 2016, 38(6): 1179-1191.
本文引用 [1]
[21]
Yoichi K. Impact of carbon dioxide emission on GNP growth: Interpretation of proposed scenarios[R]. Paris: Presentation to the Energy and Industry Subgroup,Response Strategies Working Group,IPCC,1989.
本文引用 [1]
[22]
Ma M D, Yan R, Du Y J et al. A methodology to assess China’s building energy savings at the national level: An IPAT-LMDI model approach[J]. Journal of Cleaner Production, 2017, 143: 784-793.
https://doi.org/10.1016/j.jclepro.2016.12.046
本文引用 [1]
[23]
Li H, Lin J, Zhao Y H et al. Identifying the driving factors of energy-water nexus in Beijing from both economy-and sector-wide perspectives[J]. Journal of Cleaner Production, 2019, 235: 1450-1464.
https://doi.org/10.1016/j.jclepro.2019.07.001
本文引用 [1]
[24]
Ang B W. Decomposition analysis for policymaking in energy: Which is the preferred method?[J]. Fuel and Energy Abstracts, 2004, 32(9): 1131-1139.
本文引用 [1]
[25]
Han R, Tang B J, Fan J L et al. Integrated weighting approach to carbon emission quotas: An application case of Beijing-Tianjin-Hebei region[J]. Journal of Cleaner Production, 2016, 131: 448-459.
https://doi.org/10.1016/j.jclepro.2016.05.001
本文引用 [1]
[26]
国家统计局能源统计司. 中国能源统计年鉴[M]. 北京: 中国统计出版社, 2000.
Department of Energy Statistics, National Bureau of Statistics . China energy statistical yearbook. Beijing: China Statistical Press, 2000.
本文引用 [2]
[27]
山西省统计局. 山西统计年鉴[M]. 北京: 中国统计出版社, 2021.
Shanxi Statistical Bureau. Shanxi statistical yearbook. Beijing: China Statistical Press, 2021.
本文引用 [2]
[28]
陕西省统计局. 陕西统计年鉴[M]. 北京: 中国统计出版社, 2021.
Shaanxi Statistical Bureau. Shaanxi statistical yearbook. Beijing: China Statistical Press, 2021.
本文引用 [2]
[29]
内蒙古自治区统计局. 内蒙古统计年鉴[M]. 北京: 中国统计出版社, 2021.
Inner Mongolia Autonomous Regional Bureau of Statistics. Inner Mongolia statistical yearbook. Beijing: China Statistical Press, 2021.
本文引用 [2]
[30]
国家环境保护总局. 清洁生产标准: 煤炭采选业(HJ 446-2008)[M]. 北京: 中国环境科学出版社, 2008.
State Environmental Protection Administration. Cleaner production standard: Coal mining industry (HJ 446-2008). Beijing: China Environmental Science Press, 2008.
本文引用 [1]
[31]
国家环境保护总局. 煤炭工业污染物排放标准[M]. 北京: 中国环境科学出版社, 2006.
State Environmental Protection Administration. Discharge standard of pollutants in coal industry. Beijing: China Environmental Science Press, 2006.
本文引用 [1]
[32]
朱法华, 钟鲁文, 王强, 等. 火电行业主要污染物产排污系数[M]. 北京: 中国环境科学出版社, 2009.
Zhu Fahua, Zhong Luwen, Wang Qiang et al. Coefficient of production and discharge of main pollutants in thermal power industry. Beijing: China Environmental Science Press, 2009.
本文引用 [1]
[33]
国家环境保护总局. 地表水环境质量标准(GB 3838-2002)[M]. 北京: 中国环境科学出版社, 2002.
State Environmental Protection Administration. Environmental quality standard for surface water (GB 3838-2002). Beijing: China Environmental Science Press, 2002.
本文引用 [1]
[34]
时光, 任慧君, 乔立瑾, 等. 黄河流域煤炭高质量发展研究[J]. 煤炭经济研究, 2020, 40(8): 36-44.
Shi Guang, Ren Huijun, Qiao Lijin et al. Research on high-quality development of coal in the Yellow River Basin. Coal Economic Research, 2020, 40(8): 36-44.
本文引用 [1]
[35]
刘备, 杨洒洒. 技术进步与能源消费的动态关联效应——基于MS-VAR模型的实证检验[J]. 工业技术经济, 2020, 39(11): 75-82.
https://doi.org/10.3969/j.issn.1004-910X.2020.11.010
Liu Bei, Yang Sasa. Dynamic correlation between technical progress and energy consumption—Empirical test based on MS-VAR model. Journal of Industrial Technological Economics, 2020, 39(11): 75-82.
https://doi.org/10.3969/j.issn.1004-910X.2020.11.010
本文引用 [1]

基金

国家自然科学基金项目(42001257)
国家自然科学基金项目(71874119)
山西省高等学校哲学社会科学研究项目(20210115)
山西省研究生教育创新项目(2021Y571)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
PDF(3286 KB)

Accesses

Citation

Detail
段落导航
相关文章

/

〈 〉