“一带一路”沿线国家农作物虚拟水贸易时空格局及驱动因素分析

doi:10.11867/j.issn.1001-8166.2021.040

“一带一路”沿线国家农作物虚拟水贸易时空格局及驱动因素分析

陈良侃^,¹^,², 陈少辉^,¹

1.中国科学院地理科学与资源研究所，陆地水循环及地表过程重点实验室，北京 100101

2.中国科学院大学资源与环境学院，北京 100049

Analysis of Spatiotemporal Pattern and Drivers of Virtual Crops Water Trade Along the Belt and Road

CHEN Liangkan^,¹^,², CHEN Shaohui^,¹

1.Key Laboratory of Water Cycle and Related Land Surface Processes，Institute of Geographic Sciences and Natural Resources Research，Beijing 100101，China

2.College of Resources and Environment，University of Chinese Academy of Sciences，Beijing 100049，China

通讯作者: 陈少辉(1976-),男,河北保定人,副研究员,主要从事遥感水文研究. E-mail:chensh@igsnrr.ac.cn

收稿日期: 2021-02-28 修回日期: 2021-03-28 网络出版日期: 2021-05-31

基金资助:

国家自然科学基金联合基金项目“四维同化框架下荒漠河岸林蒸散与地下水互制机理解耦建模”. U2003105
国家对地观测科学数据中心开放基金项目“青藏高原高时空分辨率土壤湿度及肥力专题产品研制”. DAOP 2020003

Corresponding authors: CHEN Shaohui (1976-), male, Baoding City, Hebei Province, Associate professor. Research areas include remote sensing hydrology. E-mail:chensh@igsnrr.ac.cn

Received: 2021-02-28 Revised: 2021-03-28 Online: 2021-05-31

作者简介 About authors

陈良侃(1996-),男,湖北咸宁人,硕士研究生,主要从事生态水文研究.E-mail:chenlk.19s@igsnrr.ac.cn

CHENLiangkan(1996-),male,XianningCity,HubeiProvince,Masterstudent.Researchareasincludeecohydrologicalchange.E-mail:chenlk.19s@igsnrr.ac.cn

摘要

“一带一路”沿线地区水资源短缺且空间分布不均衡，虚拟水贸易实现了对水资源的远距离空间调配。以2010—2018年“一带一路”沿线59个国家和37种农作物为研究对象核算各国农作物虚拟水贸易，利用标准差椭圆、Moran's I指数、LISA指数刻画农作物虚拟水贸易的时空格局特征，通过地理探测器和地理加权回归模型分析农作物虚拟水贸易的驱动因素及其空间异质性。研究发现： $①$ 沿线各国“低耗水—高出口型”作物占比4.013%，“高耗水—高出口型”作物占比1.926%。 $②$ 沿线各国农作物虚拟水贸易的进口格局呈收缩趋势，出口格局呈扩张趋势，且其局部存在一定的集聚特征，进口的“高—高集聚”区域主要处于南亚地区，出口的“高—高集聚”区域主要分布在中东欧地区。 $③$ 各显著驱动因素能较好地解释沿线各国农作物虚拟水净出口量，各因素中国内生产总值呈负相关驱动特征，耕地面积呈正相关驱动特征，而人口规模、森林面积和邻国接边数在各单元间呈正负两极的差异驱动特征。

关键词： 虚拟水贸易 ; 时空格局 ; 驱动因素 ; 空间分异 ; “一带一路”

Abstract

Water resources are scarce and unevenly distributed along the Belt and Road， whereas virtual water trade could achieve the spatial allocation of water resources over long distances. The virtual crop water trade was calculated， including 37 crops from 59 countries along the Belt and Road between 2010-2018.Based on the results， the spatiotemporal patterns of virtual crop water trade were studied with the method of the standard deviation ellipse， Moran's I index， and LISA index， and the spatial variation of driving forces were analyzed by the geographical detector and geographically weighted regression. The proportion of "low water-consuming and high export" of crops was 4.013%， and the "high water-consuming and high export" was 1.926% among these 8countries. Its import spatiotemporal pattern had a trend of contraction， conversely， the export showed an expansive trend. Some aggregation characteristics arose in the local area， with the high-high concentrated regions for import were mainly distributed among South Asia， and the high-high concentrated areas for export were almost in Central and Eastern Europe. The significant drivers could explain the forcing of net crop virtual water exports well along the Belt and Road， with negative driving characteristics for GDP and positive driving characteristics for arable land area， while population scale， forest area， and the number of bordering neighbors showed positive and negative bipolar driving characteristics among different countries.

Keywords： Virtual water trade ; Spatiotemporal pattern ; Driving forces ; Spatial variation ; The Belt and Road.

PDF (9503KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

陈良侃, 陈少辉. “一带一路”沿线国家农作物虚拟水贸易时空格局及驱动因素分析. 地球科学进展[J], 2021, 36(4): 399-412 DOI:10.11867/j.issn.1001-8166.2021.040

CHEN Liangkan, CHEN Shaohui. Analysis of Spatiotemporal Pattern and Drivers of Virtual Crops Water Trade Along the Belt and Road. Advances in Earth Science[J], 2021, 36(4): 399-412 DOI:10.11867/j.issn.1001-8166.2021.040

1 引言

“一带一路”倡议由中国于2013年提出，旨在促进沿线国家在经济贸易上的合作，形成开放、包容的国际区域经济合作网络，推动贸易自由化和全球化的进程^［1，2］。自倡议提出以来，沿线国家城镇化进程总体推进，跨入新一轮的发展时期，2016年沿线国家对外贸易总额达71 885.5亿美元，占全球贸易总额的21.7%^［3］。随着沿线国家经济规模的扩大，水资源作为经济发展的战略性资源，各国对其需求将持续增强。而地理位置和气候条件的差异，导致“一带一路”沿线区域中人均可再生淡水资源量的空间分布并不均衡^［4］，部分国家甚至已出现人均可再生淡水资源缩减的现象^［5］，使得因水资源短缺而引起的水资源调配需求日益凸显。

Allan^［6］在20世纪90年代提出虚拟水（Virtual Water）的概念，指地区在进行生产和服务过程中所消耗的水资源。虚拟水随着产品和服务进行贸易交换时在不同区域间发生流动，其流动形式克服了水资源在远距离空间运输中的困难，这种以贸易形式完成对水资源的再调配过程即称为虚拟水贸易。在农作物国际贸易中，缺水国家通过进口水资源密集型农产品来确保国内粮食和水资源的安全^［7］。虚拟水贸易作为调控水资源分布、解决水资源安全的策略之一，得到了研究者们的广泛关注。

国内外学者对虚拟水的研究已取得了较多成果，研究内容主要包括虚拟水的核算方法、区域间虚拟水贸易量的测算和虚拟水贸易的驱动因素3类。其中，对虚拟水的核算方法分为“自下而上”和“自上而下”两类^［8］：“自下而上”是指特定产品在生产过程中的直接耗水量即为虚拟水含量，代表计算模型有CropWat模型^［9，10］和GEPIC模型^［11］等，模型根据农作物生长期的蒸散发总量结合产量进行计算；“自上而下”根据区域的投入产出情况来估算耗水量，分为单区域投入产出模型（Single Region Input-Output，SRIO）^［12］和多区域投入产出模型（Multi-Regional Input-Output，MRIO）^［13］。SRIO模型核算单一研究区整体的虚拟水量，MRIO模型考虑研究区与其他区域贸易的联系，描述区域间虚拟水的流动关系。在区域间虚拟水贸易格局的量化研究中，不同学者测量了国家尺度^{［14，15］}、省级尺度^［16~18］和地级市尺度^［19］虚拟水贸易的流动特征，提出通过调整贸易结构减少水资源的不合理消耗^［20］。在虚拟水贸易的驱动因素分析方面，多利用相关分析^［21］、引力模型^［22］和结构分解分析法（Structure Decomposition Analysis，SDA）^［23］等对虚拟水驱动因素进行分解分析，方法从全局对驱动因素进行拟合，忽略了各类因素作用的空间异质性。自“一带一路”倡议提出以来，已有学者从中国与沿线典型国家间的虚拟水贸易结构^［24］、农产品虚拟水贸易的流动特征^［25］和相关驱动因素^［26］的视角展开研究。

综上，由于投入产出法计算各国虚拟水贸易量过程中数据获取困难的问题，现有研究较少对“一带一路”区域从国别角度较全面地探查沿线各国的农作物虚拟水贸易量，对虚拟水贸易的时空格局变化特征进行研究。目前对虚拟水贸易驱动因素的研究多采用经典统计方法进行全局的因素分解分析，而未考虑各因素对农作物虚拟水贸易作用强度的空间异质性。鉴于此，本研究主要从以下2个方面开展新工作，一是选取沿线59个国家和37种农作物为研究对象计算各国农作物虚拟水贸易；二是从地理学角度，运用空间统计学方法考察沿线各国2010—2018年农作物虚拟水贸易格局的演变特征，进一步按经济、社会、自然和地理4个维度选取12项驱动因素，以地理探测器和地理加权回归模型，对探测得到的显著驱动因素在地理空间中存在的空间异质性进行定量分析。本研究通过核算各国农作物需水量及虚拟水贸易量，明确“一带一路”区域农作物虚拟水贸易的空间格局演变及空间集聚模式，研究结果为“一带一路”沿线国家水资源的绿色可持续发展提供参考。

2 研究区、数据源与方法

2.1　研究区概况

“一带一路”是全球开放性区域合作倡议，尚没有明确的空间界限。本文选取了“一带一路”沿线的59个国家，参照已有研究^［27］及中国“一带一路”网（www.yidaiyilu.gov.cn）中65个国家的划分标准，将研究区划分为东北亚（3个国家）、中亚（5个国家）、东南亚（9个国家）、南亚（6个国家）、西亚北非（19个国家），以及中东欧（17个国家），具体划分结果如表1所列。

表1 研究区国家地理位置划分

Table 1 Geographical division of countries in study area

区域	国名	国家数量/个
东北亚	中国、蒙古国、俄罗斯	3
中亚	哈萨克斯坦、吉尔吉斯斯坦、土库曼斯坦、塔吉克斯坦、乌兹别克斯坦	5
东南亚	新加坡、印度尼西亚、马来西亚、泰国、越南、菲律宾、柬埔寨、缅甸、老挝	9
南亚	印度、巴基斯坦、斯里兰卡、孟加拉国、尼泊尔、马尔代夫	6
西亚北非	阿联酋、科威特、土耳其、卡塔尔、阿曼、黎巴嫩、沙特阿拉伯、巴林、以色列、也门、埃及、伊朗、约旦、叙利亚、伊拉克、阿富汗、阿塞拜疆、格鲁吉亚、亚美尼亚	19
中东欧	波兰、阿尔巴尼亚、爱沙尼亚、立陶宛、斯洛文尼亚、保加利亚、捷克、匈牙利、北马其顿、罗马尼亚、斯洛伐克、克罗地亚、拉脱维亚、波黑、乌克兰、白俄罗斯、摩尔多瓦	17

注：参考沿线国家区域划分标准中，东帝汶、文莱、不丹、巴勒斯坦、黑山和塞尔维亚6国因农作物需水量数据缺失，未被列入到本文的研究区内

新窗口打开| 下载CSV

2.2　数据源

2.2.1　农作物选取

研究共选取37种农作物，农作物筛选标准与Hoekstra农作物需水量计算表^［28］中所规定的标准作物HS编码保持一致（表2）。沿线各国农作物单位亩产量数据来自联合国农贸组织统计数据库（Food and Agriculture Organization Statistics，FAOSTAT），农作物贸易的进出口数据从FAOSTAT及联合国贸易商品统计数据库（UN Comtrade）综合获取，农作物数据时间范围选取为2010—2018年。

表2 研究选取农作物种类HS编码

Table 2 HS codes for the crop species in the study

农作物	HS编码	农作物	HS编码	农作物	HS编码	农作物	HS编码
洋蓟	070991	柑橘	080590	青葱	070310	葵花籽	120600
香蕉	080390	葡萄	0806	豌豆	070810	甘薯	071420
大麦	100300	花生	1202	辣椒	0904	烟草	240110
红豆	071332	莴苣	070519	马铃薯	0701	番茄	070200
绿豆	071331	玉米	1005	大米	100640	蔬菜	-
卷心菜	070511	芒果	080450	红花籽	120760	西瓜	080711
胡萝卜	070610	小米	100820	高粱	100700	小麦	100810
花椰菜	070410	燕麦	1004	黄豆	1201
棉籽	120927	棕榈	120710	菠菜	070970
黄瓜	070700	干洋葱	071220	甜菜	121291

注：“-”表示无参考文献[28]中对应农作物的HS编码，蔬菜项数据采用联合国农贸组织数据库（FAOSTAT）中对应的“Vegetables, freshnes”和“Vegetables,frozen”2项共同表示

新窗口打开| 下载CSV

2.2.2　驱动因素指标选取

农作物虚拟水贸易受多重因素的综合影响，本文参考相关学者的研究成果^{［19~21，24］}，以沿线各国农作物虚拟水贸易净出口量作为被解释变量，分别从经济、社会、自然和地理4个维度选取12项指标作为解释变量（表3）。经济维度指标反映国家的经济发展规模，包括国内生产总值（X1）、物价水平比（X2）和农业增加值（X3）；社会维度指标反映国家贸易环境及贸易需求，包括物流绩效指数（X4）、对外贸易系数（X5）和人口规模（X6）；自然维度指标反映自然资源丰富度，包括耕地面积（X7）、森林面积（X8）、人均淡水资源（X9）和水资源紧缩率（X10）；地理维度指标反映地理区位优势度，包括是否为内陆国（X11）和邻国接边数（X12）。指标数据选取2014年为时间截面，数据源包括世界发展指标数据库（World Development Indicators，WDI）和国际前瞻研究中心数据库（Center for International Prospective Studies，CEPII）。

表3 驱动因素指标的变量说明

Table 3 Variable description of driving indicators

维度	指标	指标解释	单位	变量符号	预期作用
经济因素	国内生产总值	反映国家经济发展水平	美元	X1	正
	物价水平比	购买力平价/汇率，购买相同产品所需的统一货币数	%	X2	负
	农业增加值	衡量农业生产力水平	%	X3	正
社会因素	物流绩效指数	贸易与物流基础设施评分（低1~高5）	-	X4	正
	对外贸易系数	进出口总额/GDP，反映国家对外贸易的依赖程度	%	X5	正
	人口规模	人口规模越大，对农作物的需求量越高	人	X6	负
自然因素	耕地面积	反映国家具备的农业耕地资源	km²	X7	负
	森林面积	反映国家的环境蓄水能力	km²	X8	负
	人均淡水资源	反映国家水资源的富裕程度	m³	X9	正
	水资源紧缩率	反映国家水资源的紧缺程度	%	X10	负
地理因素	是否为内陆国	反映国家的地理位置情况，有无海岸线	-	X11	正
地理因素	邻国接边数	领国间趋于贸易成本降低，贸易量增加	国	X12	正

注:“-”表示无单位

新窗口打开| 下载CSV

2.3　研究方法

2.3.1　虚拟水计算方法

农作物属于贸易中的“初级产品”，计算农作物贸易中的虚拟水含量只需核算作物生长期的直接耗水。农作物虚拟水含量定义为某种作物生长期间的蒸散发量除以其产量^［15］，计算公式如下：

W_{c, p} = \frac{{\bar{E T}}_{c, p}}{Y_{c, p}}

，（1）

式中： $W_{c, p}$ 为 $c$ 国 $p$ 作物的虚拟水含量， ${\bar{E T}}_{c, p}$ 为 $c$ 国种植 $p$ 作物区域的平均蒸散发量， $Y_{c, p}$ 为 $c$ 国 $p$ 作物的单位面积产量。

Hoekstra^［28］根据联合国粮食及农业组织（Food and Agriculture Organization of the United Nations，FAO）提供的CropWat模型，采用修正的标准彭曼公式^［29］计算得出1999年全球208个国家及地区的38种农作物需水量，是目前对农作物需水量较为科学、全面的计算结果^{［15，30］}。本文基于Hoekstra的计算结果，根据对应作物的各年单位面积产量数据对需水量系数进行调整^{［15，31~33］}。理论基于假设气候因素对作物需水量的影响不变的情况下，作物水分生产率（Crop Water Productivity， CWP）与作物产量存在较强的线性关系^［34］，参考作物需水量计算公式亦可对此关系进行验证。该方法将农作物虚拟水含量变化归因于产量趋势，忽略蒸散发变化的影响，全球尺度下农作物虚拟水的量化结果误差小于10%^［35］。2010—2018年农作物需水量调整的计算公式如下：

W_{t, c, p} = W_{1999, c, p} \frac{Y_{1999, c, p}}{Y_{t, c, p}}

，（2）

式中： $W_{1999, c, p}$ 为1999年 $c$ 国生产 $p$ 作物的需水量， $Y_{1999, c, p}$ 为1999年 $c$ 国 $p$ 作物的单位面积产量，相对应 $Y_{t, c, p}$ 则为 $t$ 年 $c$ 国 $p$ 作物的单位面积产量。

农作物贸易中的虚拟水含量（Virtual Water Content， VWC），定义为该作物在进口国生产时所需消耗的水资源量^{［27，36］}。某国一年的农作物贸易中进口或出口的虚拟水量，即该国在这年进口或出口的各类农作物中所含虚拟水的总和。计算公式如下：

V W C_{t, c} = \sum_{p} W_{t, c, p} \times M_{t, c, p}

，（3）

式中： $V W C_{t, c}$ 代表 $t$ 年 $c$ 国进口或出口虚拟水的总量， $W_{t, c, p}$ 为 $t$ 年 $c$ 国生产 $p$ 作物的需水量， $M_{t, c, p}$ 为 $t$ 年 $c$ 国对 $p$ 作物的进口量或出口量。虚拟水的净出口量表示为出口总量减去进口总量。

2.3.2　标准差椭圆

探索性空间统计分析中，标准差椭圆（Standard Deviational Ellipse，SDE）是一种定量研究地理要素空间分布特征的方法^［37］。椭圆中心代表贸易重心，1倍椭圆的面积范围包括区域内贸易量的68%。椭圆长轴方向表示贸易分布的主要趋势，扁率（椭圆长短半轴之差）代表贸易空间分布方向的显著性。本文运用标准差椭圆方法，定量刻画沿线国家农作物虚拟水贸易整体的空间分布特征及演变规律。

2.3.3　空间自相关分析

空间自相关分析综合地理要素的属性值和位置信息，度量要素间的空间集聚性和集聚特征。相关研究指出农作物贸易格局受Tobler地理学第一定律的影响深刻^［38］，且国家农业虚拟水贸易受邻近区域的影响，存在一定的空间自相关性^［21］。全局Moran's I指数观测区域内整体格局的聚集性，当 $I \in (0,1]$ 时，表示整体空间集聚呈正相关，当 $I \in [- 1,0)$ 时，表示整体空间集聚呈负相关。 $I = 0$ 表明空间格局呈随机分布。计算公式如下：

M o r a n^{'} s I = \frac{N}{\sum_{i j} w_{i j}} \frac{\sum_{i} \sum_{j} w_{i j} (x_{i} - \bar{x})}{\sum_{i} {(x_{i} - \bar{x})}^{2}}

，（4）

式中： $N$ 为沿线国家数； $i$ ， $j$ 为国家编号； $w_{i j}$ 为空间权重矩阵； $x_{i}$ 为第 $i$ 国的贸易值； $\bar{x}$ 为整个研究区的均值。全局Moran's I指数需要通过Z得分以检验其显著性，当 $|Z|$ >1.96时，表明其在95%的概率下存在空间自相关性。计算公式如下：

Z = \frac{I - E (I)}{\sqrt[]{v (I)}} ~ N (0,1)

，（5）

式中： $E (I)$ 表示全局 $M o r a n^{'} s I$ 的数学期望， $v (I)$ 表示全局 $M o r a n^{'} s I$ 的方差， $N (0,1)$ 表示正态分布。

全局 $M o r a n^{'} s I$ 指数能统计整体集聚的显著性特征，而空间联系局部指标（Local Indicators of Spatial Association， LISA）能识别空间集聚的局部特征，从而揭示局部区域空间关联的异质性。LISA指数识别“高—高集聚”、“高—低集聚”、“低—高集聚”和“低—低集聚”4种空间关联类型，分别代表不同类型的空间集聚模式。

2.3.4　地理探测器

地理探测器是测度空间分异性并揭示驱动因素的空间统计方法。模型通过计算自变量 $X$ 与因变量 $Y$ 之间空间分布格局的相似性，从而探测自变量对因变量的解释作用强度^［39］。本文使用地理探测器方法，分析沿线各国农作物虚拟水净出口与经济、社会、自然和地理这4类驱动因素间的联系强度，识别农作物虚拟水贸易空间格局形成的主要驱动因素。公式如下：

q = 1 - \frac{\sum_{i = 1}^{N} N_{i} σ_{i}^{2}}{N σ^{2}}

，（6）

式中： $q$ 值即为自变量对因变量的解释度， $q$ 值越大表示解释力越强； $i$ 为自变量 $X$ 与因变量 $Y$ 的分层号，分层采用Jenks自然间断点分级法将连续变量离散化处理； $N_{i}$ 和 $N$ 分别为层 $i$ 和研究区国家的个数； $σ_{i}^{2}$ 和 $σ^{2}$ 分别是层 $i$ 和研究区内自变量的方差。

2.3.5　地理加权回归

地理加权回归（Geographic Weighted Regression，GWR）模型是一种局部线性回归模型。传统的普通最小二乘法（Ordinary Least Squares，OLS）模型为全局线性回归，掩盖了变量的局部系数特征，GWR模型通过将地理位置嵌入到回归方程中，有效解释了因地理位置变化而引起的变量间线性关系的局部变异^［40］。本文采用GWR模型对沿线国家农作物虚拟水贸易的显著驱动因素强度进行量化分析，模型的一般公式表达为：

y_{i} = β_{0} (u_{i}, v_{i}) + \sum_{k} β_{k} (u_{i}, v_{i}) x_{i k} + ε_{i}

，（7）

式中： $y_{i}$ 为因变量， $(u_{i}, v_{i})$ 是地理单元 $i$ 的坐标， $β_{0} (u_{i}, v_{i})$ 为地理单元 $i$ 的截距项， $k$ 为自变量个数， $β_{k} (u_{i}, v_{i})$ 是地理单元 $i$ 上第 $k$ 回归系数， $x_{i k}$ 为自变量 $k$ 在地理单元 $i$ 上的值， $ε_{i}$ 为随机扰动项。

3 结果与分析

3.1　沿线国家农作物需水量结果分析

本文通过公式（2）和（3）估算得出2010—2018年“一带一路”沿线59个国家种植37种农作物的需水量，拟用农作物需水量计算沿线各国农作物贸易中虚拟水的净流出情况。由于自然条件等因素差异，不同国家生产同质量农作物所需消耗的水资源量不同。基于农作物需水量计算结果及精度验证结果，2010—2018年沿线国家中出口总量排名前五的农作物从高到低依次为小麦、棕榈、玉米、水稻和葵花籽，沿线各国生产同种同质量农作物的需水量之间存在显著差异，其中种植小麦的需水量间变异系数高达105.214%（表4）。

表4 2010—2018年“一带一路”国家主要出口农作物平均需水量排序情况（前后5国）

Table 4 Average water demand ranking of major export crops alone the Belt and Road from 2010 to 2018 (top and bottom five countries)

排名	国家	小麦	国家	棕榈	国家	玉米	国家	水稻	国家	葵花籽
前1	捷克	669	俄罗斯	341	约旦	215	波兰	740	保加利亚	1 060
前2	黎巴嫩	685	中国	381	爱沙尼亚	264	克罗地亚	754	以色列	1 112
前3	乌兹别克斯坦	720	土耳其	560	立陶宛	269	中国	793	匈牙利	1 193
前4	中国	783	泰国	594	以色列	273	捷克	824	捷克	1 286
前5	匈牙利	815	马拉西亚	678	乌兹别克斯坦	318	爱沙尼亚	826	中国	1 419
倒5	马来西亚	5 188	越南	1 054	伊拉克	1 775	泰国	3 387	伊拉克	5 134
倒4	蒙古	5 914	印度	1 628	阿富汗	1 831	沙特阿拉伯	3 462	巴基斯坦	6 396
倒3	哈萨克斯坦	5 982	以色列	1 983	印度	1 919	阿曼	3 706	吉尔吉斯斯坦	8 272
倒2	阿联酋	13 697	伊朗	7 737	黎巴嫩	2 304	也门	3 719	印度	8 522
倒1	约旦	15 245	埃及	14 230	也门	3 863	柬埔寨	4 395	伊朗	14 145

新窗口打开| 下载CSV

进一步将2010—2018年各国农作物的平均需水量数据和总出口量数据结合，采用Jenks自然间断点分级法将各作物的需水量和出口量依次划分为高、低2类，运用叠加分析方法识别区域内各国的贸易结构中各农作物需水量与其出口量的相应关系（图1）。各国出口的农作物类型，从比例上看，区域内各国农作物出口中“高耗水—高出口型”作物占比1.926%；“低耗水—高出口型”作物占比4.013%；从数量上看，“高耗水—高出口型”作物数排名从高到低依次为印度、乌克兰、泰国、中国和俄罗斯，“低耗水—高出口型”作物数排名从高到低依次为中国、印度、埃及、乌克兰、俄罗斯和波黑。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 “一带一路”国家农作物“出口量—需水量”叠加分析识别示意图

Fig.1 Overlay analysis identification of export volume and water demand of crops alone the Belt and Road

3.2　沿线国家农作物虚拟水贸易时空格局演变

3.2.1　贸易时空演变特征

运用ArcGIS的标准差椭圆工具，从2010年、2014年和2018年3个时间截面分别对农作物虚拟水贸易的进口量和出口量进行标准差椭圆分析，研究“一带一路”沿线区域农作物虚拟水贸易的空间特征（图2，表5）。2010—2018年沿线区域内进口标准差椭圆呈现明显且稳定的“西北—东南”方向分布，方向角（从正北方向起）增大朝东南向偏移。进口的1倍标准差椭圆覆盖面呈收缩趋势，其短轴标准差的变化幅度较小，主要表现为长轴标准差从2010年的5 160.973 km逐渐减小到2018年的4 788.369 km。2010—2018年的出口标准差椭圆同样呈稳定的“西北—东南”方向分布，但方向角逐渐减小。出口标准差椭圆的覆盖范围呈现扩张趋势，短轴标准差从2010年的2 241.388 km持续增长到2018年的2 693.165 km，而长轴标准差以“先增加后减少”的模式变化，整体从 2010年的5 066.206 km增加到2018年的5 245.863 km。进出口标准差椭圆扁率总体上均表现为增大，说明农作物虚拟水贸易进出口量在空间分布方向上的显著性减弱，削弱了长轴方向上出现的极化现象。以净出口为综合指标，进一步揭示沿线国家农作物虚拟水贸易中虚拟水净流出量的空间重心变化（图2中小图）。净出口重心的变化范围集中分布在中国与哈萨克斯坦接壤处，呈现“先东北后西南”的迁移规律，重心整体向东北方向偏移。从沿线各国农作物虚拟水贸易量的变化情况（图3）可知，区域内整体进口平均值从9.954×10⁹ m³提高到14.878×10⁹ m³，整体出口平均值从4.735×10⁹ m³增加到7.851×10⁹ m³，净出口量的平均水平降低。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 2010—2018年“一带一路”国家农作物虚拟水贸易量标准差椭圆分析

Fig.2 Standard deviation ellipse analysis of virtual crop water trade alone the Belt and Road from 2010 to 2018

表5 “一带一路”沿线国家农作物虚拟水进出口的标准差椭圆参数

Table 5 Standard deviation ellipse parameters of virtual crop water trade alone the Belt and Road

年份	转角θ/°			长轴标准差/km			短轴标准差/km
年份	进口	出口	净出口	进口	出口	净出口	进口	出口	净出口
2010年	99.974	113.891	105.089	5 160.973	5 066.206	4 721.529	2 043.477	2 241.883	2 271.388
2014年	99.326	113.108	99.250	4 884.139	5 260.009	4 742.635	1 986.897	2 410.292	2 382.010
2018年	101.007	111.654	87.328	4 788.369	5 245.863	4 826.110	2 017.251	2 693.165	2 049.326

新窗口打开| 下载CSV

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 2010—2018年“一带一路”地区农作物虚拟水进出口量排名前20的国家

Fig.3 Top 20 countries in virtual crop water imports and exports alone the Belt and Road from 2010 to 2018

沿线国家淡水资源总量为“东部丰富、西部匮乏”的格局，但人均淡水资源水平差异显著（图4），中东欧、东南亚诸国和俄罗斯人均淡水资源量较为丰富，普遍高于1×10⁴ m³/人。人均淡水资源量低于1.7×10³ m³/人（水资源压力警戒线）的国家有21个，主要为位于南亚的印度和巴基斯坦，西亚与中东诸国和部分中东欧国家。人均淡水资源量低于500 m³/人（严重缺水警戒线）的国家有13个，集中分布在西亚北非地区。沿线各国农作物虚拟水净出口量，正值分布在东北亚的俄罗斯、中亚的哈萨克斯坦、南亚的印度，以及中东欧和东南亚的大部分国家；负值集中在西亚北非和中亚缺水国家，同时由于中国作为人口大国，对大豆、玉米和小麦等大宗农作物的进口量持续增加，虚拟水净出口量在沿线区域呈显著负值。值得注意的是，乌克兰和印度人均淡水资源均低于水资源压力警戒线，而作为粮食出口大国每年以农作物虚拟水贸易的形式流出300亿~500亿t水资源。从变化来看，2010—2018年区域内农作物虚拟水净出口量年变化率的平均值为2.626%，沿线各国中俄罗斯、柬埔寨、哈萨克斯坦和乌克兰等国的虚拟水净出口量显著增加；越南、巴基斯坦、土耳其和印度等国虚拟水净出口量出现了不同程度的下降。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 2010—2018年“一带一路”国家农作物虚拟水净出口量的空间分布格局

人均淡水资源数据从World Bank数据库中获取，由部分国家连续年份数据的缺失，所选数据时间均为2014年；净出口基期为负时，变化率=1-(末期/基期)^(1/年数)

Fig.4 Spatial distribution pattern of net export of virtual crop water alone the Belt and Road from 2010 to 2018

Renewable internal freshwater resources per capita from the World Bank database, by the absence of data for some countries in consecutive years, data of 2014 is selected for the graph; When the net export base period is minus, the rate of changes equals 1-(end/base period)^(1/years)

3.2.2　贸易空间关联特征

为进一步分析沿线地区各国农作物虚拟水贸易的空间关联特征，对贸易值进行全局空间自相关分析。结果显示（表6），进口、出口和净出口的Moran's I指数均为正值，且大部分I值对应的Z得分大于1.96，说明沿线区域内总体呈现较为显著的正空间分布，农作物虚拟水贸易存在一定程度的集聚现象。2010—2018年沿线区域各国农作物虚拟水的进口量、出口量及净出口量在空间上分别表现出集聚性不同程度升高，相邻国家间虚拟水贸易的空间关联特征增强。

表6 2010—2018年“一带一路”沿线国家农作物虚拟水进出口Moran’s I估计值

Table 6 The global Moran’s I of virtual crop water trade alone the Belt and Road from 2010 to 2018

指标	指数	2010年	2011年	2012年	2013年	2014年	2015年	2016年	2017年	2018年
进口	$M o r a n^{'} s I$ 值	0.079	0.101	0.077	0.096	0.117	0.123	0.131	0.096	0.131
	Z得分	1.511	1.855	1.477	1.771	2.098	2.188	2.304	1.762	2.321
	P值	0.131	0.064	0.140	0.077	0.036	0.029	0.021	0.078	0.020
出口	$M o r a n^{'} s I$ 值	0.075	0.144	0.164	0.204	0.190	0.195	0.256	0.250	0.164
	Z得分	1.432	2.506	2.808	3.437	3.209	3.292	4.241	4.149	2.806
	P值	0.152	0.012	0.005	0.001	0.001	0.001	0.000	0.000	0.005
净出口	$M o r a n^{'} s I$ 值	0.167	0.150	0.193	0.209	0.230	0.261	0.349	0.316	0.266
	Z得分	3.917	3.558	4.454	4.791	5.236	5.907	7.769	7.080	6.013
	P值	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000

新窗口打开| 下载CSV

运用LISA指数进一步研究区域内进口、出口和净出口的局部集聚特征，通过ArcGIS软件分析得到通过95%显著性检验的LISA集聚图（图5）。进口格局中，热点区域主要分布在南亚和西亚北非，冷点区域位于中东欧；出口格局中，中东欧国家出现热点集聚现象，西亚北非国家表现为冷点集聚区；净出口的局部集聚特征中，热点区域分布于中东欧，冷点主要位于西亚北非和东南亚各国，局部的集聚现象更加明显。以2010年、2014年和2018年为时间截面分析LISA的时空跃迁特征，位于南亚地区的印度、尼泊尔进口热点集聚特征表现得更加显著；中东欧地区的乌克兰、波兰等国逐渐显现出局域内出口热点的集聚现象；而伊朗和阿富汗出现的净出口冷点现象，使得西亚北非地区的净出口冷点特征区域随年逐渐扩张。另一方面，印度对农作物虚拟水的净出口量出现迅速降低，进而中国的净出口“低—高集聚”特征不再显著。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 2010—2018年“一带一路”沿线国家农作物虚拟水贸易LISA集聚图

Fig.5 LISA map for virtual crop water trade along the Belt and Road from 2010 to 2018

3.3　沿线国家农作物虚拟水贸易驱动因素分析

3.3.1　驱动因素的探测识别

使用地理探测器对驱动因素进行分析，基于探测结果解释度q值及显著性检验识别指标中的显著驱动因素，将其作为模型解释变量。探测结果（表7）显示，2014年“一带一路”沿线国家的各指标数据中，通过0.01水平显著性检验的驱动因素解释力排序结果为：耕地面积（X7）大于人口规模（X6）大于国内生产总值（X1）大于森林面积（X8）大于邻国接边数（X12）。耕地面积和人口规模的解释度高达95%，显著高于其他驱动因素，表明“一带一路”沿线各国农作物虚拟水净出口受耕地面积和人口规模的主导影响，其原因是沿线国家多为发展中国家，以农作物出口作为国民经济的重要支撑，耕地和人口规模是影响农作物生产和需求的主要驱动因素。

表7 驱动因素的地理探测结果

Table 7 Geographical detector results of driving factors

因素分类	变量	$P$ 值	显著性水平	$q$ 值	解释力排序
经济因素	国内生产总值	<0.001	0.01	0.942	3
	物价水平比	0.815	-	0.306
	农业增加值	0.933	-	0.239
社会因素	物流绩效指数	0.262	-	0.523
	对外贸易系数	0.999	-	0.119
	人口规模	<0.001	0.01	0.951	2
自然因素	耕地面积	<0.001	0.01	0.953	1
	森林面积	<0.001	0.01	0.917	4
	人均淡水资源	0.513	-	0.443
	水资源紧缩率	0.935	-	0.245
地理因素	是否为内陆国	0.365	-	0.015
地理因素	邻国接边数	<0.001	0.01	0.827	5

注：“-”表示 $q$ 值未通过显著性检验；仅对通过显著性检验的变量进行解释力排序，空格表示未通过0.01显著性检验的变量

新窗口打开| 下载CSV

3.3.2　显著驱动因素的空间异质性分析

传统OLS模型建立在研究区为均质的假设基础上对研究区进行全局线性回归。本文在运用GWR模型进行回归分析前，使用OLS模型将各国农作物虚拟水净出口量与各显著驱动因素进行全局拟合，VIF值均小于7.5，各显著驱动因子间不存在多重线性关系。GWR模型使用前需要判断被解释变量的空间分布特征，其2014年净出口Moran's I值显著为正（表6），具有较明显的空间集聚特征。GWR模型中每个研究单元均有对应的回归系数，较好地解释了显著驱动因子在空间上的异质性。OLS模型和GWR模型拟合的结果显示（表8），利用GWR模型回归得到的调整可决系数R²为0.907，高于OLS模型的0.833，GWR模型的修正赤池信息准则（corrected Akaike Information Criterion，AICc）值比OLS模型低8.855，综合表明GWR模型的拟合结果更优。

表8 GWR模型与OLS模型结果对比

Table 8 Comparison of GWR model and OLS model results

	$A I C c$	$R^{2}$	调整后 $R^{2}$
OLS	-178.332	0.848	0.833
GWR	-187.187	0.942	0.907

新窗口打开| 下载CSV

通过GWR回归分析，测算得到国内生产总值、人口规模、耕地面积、森林面积和邻国接边数5个显著驱动因素的空间分异回归系数。从标准化残差空间分布图（图6f）来看，区域内标准化残差的均值为-0.118、标准差为1.133，大部分国家的标准化残差围绕均值分布，其中泰国的标准化残差偏大，伊朗、印度尼西亚和约旦偏低，GWR模型整体上对各研究单元的拟合精度较好。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 沿线国家农作物贸易虚拟水净出口驱动因素作用的空间差异

Fig.6 Spatial variations in the driving factors of virtual crop water net export in countries along the route

显著驱动因素中，国内生产总值（图6a）回归系数均为负值，范围为-1.980~-1.111，空间上表现为东南亚地区、西亚北非部分呈高值集聚，中东欧地区呈低值集聚的特征。人口规模（图6b）的回归系数有正有负，范围为1.512~0.540，正值集中在东南亚和南亚地区，负值出现在东北亚、中亚、西亚北非部分和中东欧地区，中东欧地区系数最低。耕地面积（图6c）的回归系数均为正值，范围为0.124~0.389，高值影响区域在中东欧和中亚周边地区，低值影响区主要在东北亚、东南亚和西亚部分国家。森林面积（图6c）的回归系数有正有负，在区域内有显著的空间异质性，呈现出“自西向东”的逐级递减特征，高值主要集中在中东欧地区。邻国接边数（图6e）回归系数有正有负，范围为-0.160~0.156，变化波动较为稳定，高值区域主要在东北亚、东南亚和中东欧地区，低值区域在中亚、南亚和西亚北非部分地区。

综上所述，沿线各国农作物虚拟水贸易受经济、社会、自然和地理等多维度驱动因素的共同影响，不同维度的驱动因素对农作物虚拟水贸易的影响方式和强度均存在空间异质性。国内生产总值和人口规模能反映国家对农作物虚拟水的供给能力和需求能力。一般农业国家经济规模越大，其潜在的农作物供给能力将越强。但经济发展推动产业结构转型升级和城镇化水平提升，普遍造成农业就业人口及水土资源比例下降，而引起国家对进口农作物需求的提升^［3］。沿线各国的国内生产总值的回归系数均为负值，表现为随经济与市场规模发展，社会消费所需的农作物量将持续增加，从而使农作物虚拟水净出口量降低。东南亚地区是全球重要的粮食供应基地，农业就业人口比例显著高于沿线其他国家，人口规模的扩大对农作物虚拟水净出口的影响正相关。中东欧地区被称为欧洲粮仓，自然条件优越，但城镇化的过程中农村劳动力流失造成农业就业人口比例较低，人口规模的扩大对其农作物虚拟水净出口显著负相关。耕地面积对沿线区域内国家的回归系数均为正值，沿线国家自然资源在绝对数量和人均数量上存在显著差异，东北亚和东南亚地区大部分国家人均耕地面积较低，耕地面积的增加对农作物虚拟水净出口的影响较小。森林面积能一定程度地描述国家生态环境中对水资源的储蓄能力，在沿线区域内的影响差异显著，主要可能受气候条件和农业用地生产效率等因素共同影响。邻国接边数描述国家双边贸易的便利程度，双边贸易的距离成本下降会促进农作物虚拟水的贸易，俄罗斯在区域内即为典型高值，而东南亚地区表现出高值，其原因可能更多地归因于该区域较为密集的港口海运为贸易带来了便利。

4 结论与讨论

4.1　结论

“一带一路”建设不断推进沿线各国的经济贸易活动，各国通过农作物虚拟水贸易的形式产生水资源的远距离运输。本文以2010—2018年“一带一路”沿线各国农作物虚拟水的贸易量为研究基础，对沿线区域的农作物虚拟水贸易进行时空格局变化分析，从地理学空间异质性角度分析农作物虚拟水贸易的驱动因素，相关结论如下。

（1）“一带一路”沿线59个国家出口贸易的37种农作物中，各国生产同种作物的需水量之间差异显著，区域内统计“低耗水—高出口型”作物占比4.013%，“高耗水—高出口型”作物占比1.926%。“高耗水—高出口型”作物主要来自于印度、乌克兰、泰国、中国和俄罗斯等国。

（2）“一带一路”沿线各国2010—2018年农作物虚拟水的进口格局呈收缩趋势，出口格局呈扩张趋势，进出口量在区域内空间分布的方向性显著减弱。区域内农作物虚拟水的年进口量平均水平增加4.924×10⁹ m³，年出口量平均水平增加3.116×10⁹ m³，沿线各国平均净出口量水平降低。净出口量显著增加的国家包括俄罗斯、乌克兰、哈萨克斯坦和埃及，显著降低的有中国、印尼、越南、伊朗和印度。沿线国家农作物虚拟水贸易存在显著的空间关联特征，局部空间存在一定的集聚现象，进口“高—高集聚”区域主要处于南亚地区，出口“高—高集聚”区域主要在中东欧地区。

（3）基于地理探测器分析结果，各维度指标中解释强度从高到低依次为耕地面积、人口规模、国内生产总值、森林面积和邻国接边数，显著解释沿线各国农作物虚拟水净出口量，其中耕地面积和人口规模是主要驱动因素。GWR模型分析得出沿线各国农作物虚拟水净出口量的驱动因素中，国内生产总值呈负相关驱动特征，耕地面积呈正相关驱动特征，人口规模、森林面积和邻国接边数对研究单元呈正负两极的差异驱动特征。

4.2　讨论

根据以上研究结论，结合“一带一路”沿线各国农作物虚拟水贸易的时空演变特征和驱动因素作用异质性机理，本文从以下3个方面给出建议：

（1）沿线各国种植同种农作物的需水量之间存在显著差异，参考“出口量—需水量”叠加分析结果，各国应着重减少“高耗水—高出口型”作物的出口量比重，扩大“低耗水—高出口型”作物的出口贸易，针对性地调整农作物贸易结构，从节约水资源角度降低“一带一路”沿线区域的可再生淡水资源损耗。

（2）沿线各国间农作物对外贸易政策、国家经济支柱结构和经济规模差异较大。区域内大部分国家作物生产效率低下，但农业在国民经济中占据重要地位，存在如印度等人均淡水资源低于水资源压力警戒线，却同时以农作物贸易形式大量净出口虚拟水的国家。各国应重视淡水资源安全，提高农业基础设施条件，以政策和科技手段共同调控节约国内人均可利用淡水资源。

（3）沿线各国农作物虚拟水贸易的出口格局呈扩张趋势，各国应综合考虑多种驱动因素的影响机制，避免过度伐树造田、围湖造田，合理控制耕地和森林绿化面积占比以期降低农作物虚拟水净出口中的因自然种植环境而引起的淡水资源消耗。

本文核算沿线各国农作物需水量采用线性假设理论^［34］，根据Hoekstra核算结果^［28］调整需水系数实现较快速且全面地核算沿线国家的农作物虚拟水贸易量，但计算结果仍存在一定误差，后续研究可通过多数据源广泛收集沿线各国的投入产出表数据，通过投入产出模型核算虚拟水，多种虚拟水核算方法之间进行交叉验证，进一步提高核算结果的精度。各国农作物虚拟水贸易受各维度驱动因素的共同作用影响，本文通过地理探测器和GWR模型发现显著驱动因子及其空间异质性作用，而驱动因素之间依然存在相互的耦合作用机制，今后研究中可进一步探究解释。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

LIU

Weidong

Scientific understanding of the Belt and Road Initiative of China and related research themes

［J］. Progress in Geography， 2015， 34（5）：538-544.