环境科学研究  2020, Vol. 33 Issue (5): 1225-1232  DOI: 10.13198/j.issn.1001-6929.2020.03.20

引用本文  

李玮, 戴凌全, 吴敬凯, 等. 基于结构分解法的长江经济带产业排水量驱动因素评估[J]. 环境科学研究, 2020, 33(5): 1225-1232.
LI Wei, DAI Lingquan, WU Jingkai, et al. Evaluation of Driving Factors for Industrial Water Discharge in the Yangtze River Economic Belt Based on Structural Decomposition Analysis[J]. Research of Environmental Sciences, 2020, 33(5): 1225-1232.

基金项目

国家自然科学基金项目(No.51809150)
National Natural Science Foundation of China (No.51809150)

作者简介

李玮(1985-), 女, 河北东光人, 高级工程师, 博士, 主要从事水资源与水环境规划研究, li_wei29@ctg.com.cn

文章历史

收稿日期:2020-02-06
修订日期:2020-03-07
基于结构分解法的长江经济带产业排水量驱动因素评估
李玮, 戴凌全, 吴敬凯, 高勇    
中国长江三峡集团有限公司, 北京 100038
摘要:为分析长江经济带产业排水量变化的驱动因素,以2002年、2007年和2012年长江经济带11省市投入产出表、排水估计量为基础,利用基于投入产出的结构分解法对各省市数据进行比较静态分析,对驱动产业排水量变化的因素进行分解及定量评估,包括节水减排效应、投入结构效应、需求结构效应及规模效应.结果表明:①长江经济带产业排水量由增长趋势变为下降趋势,2002—2007年排水量增长了16.9%,2007—2012年排水量降低了0.4%,2002年、2007年、2012年产业平均耗水率为46%,上海市、江苏省等省市产业排水量下降趋势明显.②规模效应是驱动各省市产业排水增加的主要因素,其在2002—2007年、2007—2012年带动排水量分别增长了67%和61%;规模效应影响逐渐分化,上海市、江苏省、浙江省规模效应带动产业排水量增幅逐渐减弱.③节水减排效应是驱动排水量减少的最主要因素,其在2002—2007年、2007—2012年带动排水量分别减少了35%和60%,节水减排效应影响逐渐增强,各省市排水强度明显降低.④长江经济带大部分省市的需求结构效应驱动产业排水量不断减少,其驱动力的绝对值呈增长趋势;投入结构效应对产业排水量的驱动力较弱且变化规律性不明显.建议长江经济带通过技术进步、应用创新等提高清洁生产能力,通过需求及投入结构优化带动产业结构调整,对进一步降低产业排水量具有一定价值.
关键词结构分解法    产业排水量    节水减排    长江经济带    
Evaluation of Driving Factors for Industrial Water Discharge in the Yangtze River Economic Belt Based on Structural Decomposition Analysis
LI Wei, DAI Lingquan, WU Jingkai, GAO Yong    
China Three Gorges Corporation, Beijing 100038, China
Abstract: Industrial wastewater has a serious impact on the environment. In order to analyze the drivers of industrial water drainage changes in the Yangtze River Economic Belt, the driving factors were evaluated using the structural decomposition analysis method, which is based on the input-output tables and wastewater discharge data of 11 provinces and cities in 2002, 2007, and 2012. The effects of water-saving and emission reduction, input structure, demand structure, and scale were considered. The results indicated that: (1) The wastewater discharge of the Yangtze River Economic Belt shows an increasing trend, with an increase of 16.9% from 2002 to 2007, a decrease of 0.4% from 2007 to 2012, and a water consumption average rate of 46%. The wastewater discharge from Shanghai and Jiangsu Province presents a decreasing trend. (2) The scale effect is the main factor leading to the increase in water drainage and an increase of 67% (2002-2007) and 61% (2007-2012). The scale effect gradually differentiates. The scale effect on drainage growth in Shanghai, Jiangsu Province, and Zhejiang Province is gradually reduced. (3) The effects of water-saving and emission reduction are the most important factors to reduce water drainage by 35% from 2002 to 2007 and 60% from 2007 to 2012. The effect of water saving and emission reduction is gradually increasing, indicating that the drainage intensity is decreasing. (4) The demand structure effect reduces water drainage in most areas and its influence shows an increasing trend. The input structural effect is a relatively minor factor and its development regularity is not obvious. To further decrease drainage, the industrial structure of the Yangtze River Economic Belt needs further adjustment through demand and input structure optimization; the clean production capacity needs improvement with technological progress and application innovation.
Keywords: structural decomposition analysis    industrial water discharge    water conservation    Yangtze River Economic Belt    

长江经济带以长江黄金水道为纽带,涵盖上海市、江苏省、浙江省、贵州省、四川省等11个省市的国家重点发展区域.长江经济带面积约205×104 km2,占全国总面积的21%,长江经济带内人口密布、经济活跃,人口和经济总量占全国的40%以上.同时,随着高强度的开发建设,长江经济带也面临资源紧缺、生态环境恶化等问题.特别是水资源的开发利用,2017年长江经济带11省市用水总量2 637×108 m3[1],占全国用水总量的43.6%;污染排放强度大,长江经济带废水排放总量占全国总量的40%以上[2].在很多城市水资源利用已超过其承载能力,废水排放也直接影响了河流水环境健康.

社会经济发展与产业废水排放密切相关,是驱动排水量变化的重要因素.随着社会需求的增加,生产规模不断扩大驱动用水需求增长,导致废水排放量随之增加.而节水技术发展及污水减排措施等会驱动排水量降低.产业结构的变化也会导致排水量随之变动.在社会经济系统研究中,常用的定量分析驱动因素影响力的方法有指数分解法和SDA (structural decomposition analysis,结构分解法),这些方法被用来研究资源利用、能源消耗、碳排放及污染物排放等与社会经济发展密切相关的资源环境问题.

SDA方法属于因素分解法的一种,SDA方法可以将目标变量变化分解为与之相关的独立影响因子变化之和,从而达到对目标变量影响因素的定量分解[3].针对SDA方法的研究包括对传统方法的改进研究[4-5],以及与其他分解方法的对比研究[6]等.随着基于投入产出的SDA方法逐步成熟,该方法被广泛应用于研究国内外社会经济发展、能源、资源及环境问题[7-8].如国外利用SDA方法对温室气体排放驱动因素进行研究[9-10],对世界范围内废水排放驱动力进行研究[11],对用水驱动机制进行研究[12]等.在国内,经济领域包括利用SDA方法开展经济增长驱动力研究[13]、经济区域间分析及影响因素研究[14]等.在环境领域,针对大气污染物排放的驱动研究非常广泛,如将SDA方法应用于碳排放驱动因素研究[15]以及国内外贸易对碳排放影响[16-17]等. SDA方法在水资源领域的研究逐步深入,如利用SDA方法研究水资源承载力[18]、水足迹及驱动因素[19]、用水及驱动因素[20]以及水资源与经济发展关系[21]等.由于基础数据限制,SDA方法在水污染物排放领域的应用并不充分.产业污废水的排放是水环境污染的主要影响因素,对产业排水的驱动分析有利于有针对性地制订水污染防治措施.为定量评估驱动长江经济带产业排水量变化的因素,该研究基于对长江经济带11省市行业排水量的估算,利用SDA方法分析了2002—2007年及2007—2012年排水量变化的驱动因素,解析长江经济带各省市节水减排效应、投入结构效应、需求结构效应及规模效应对排水的定量影响,以期为长江经济带各省市污染减排措施的制订与绿色发展提供依据.

1 研究方法与数据来源 1.1 SDA方法

基于SDA方法对排水量变化进行驱动因素分解,首先要建立排水量与投入产出的关联,再通过对关联关系中关键参数变动的比较静态分析,得到排水量变化的驱动因素.进行结构分解分析一般需要具有2年以上的时间序列投入产出表(不变价处理后)[22].

投入产出模型:

$ \boldsymbol{X}=\boldsymbol{L} \times \boldsymbol{Y} $ (1)

式中:X为总产出列向量,为n×1阶矩阵,n为投入产出表中部门分类数;L为列昂惕夫逆矩阵,为n×n阶矩阵,表示为获得单位最终产品各部门需要生产的产品总量;Y为最终需求列向量,为n×1阶矩阵.

最终需求Y可表示为最终需求总量与需求结构的乘积[23],即

$ \boldsymbol{Y}=\boldsymbol{S} \times g $ (2)

式中:S为最终需求结构,为n ×1阶矩阵,其元素为各部门最终需求占最终需求总量的比值;g为最终需求规模,最终需求一般包括最终消费、资本形成、出口和国内省外流出,104元.

因此,产业排水量可表示为

$ P=\boldsymbol{C}^{\prime} \times \boldsymbol{X}=\boldsymbol{C}^{\prime} \times \boldsymbol{L} \times \boldsymbol{S} \times g $ (3)

式中:P为产业排水量,m3C′为排水强度,即部门完成单位产值带来的排水量,为1× n阶矩阵.

根据SDA方法[24],对两个不同时期排水量进行比较,变化量(ΔP)可以进行分解:

$ \begin{array}{*{20}{c}} {\Delta P = {P_1} - {P_0} = \mathit{\boldsymbol{C}}_1^\prime \times {\mathit{\boldsymbol{L}}_1} \times {\mathit{\boldsymbol{S}}_1} \times {g_1} - }\\ {\mathit{\boldsymbol{C}}_0^\prime \times {\mathit{\boldsymbol{L}}_0} \times {\mathit{\boldsymbol{S}}_0} \times {g_0} = \Delta {\mathit{\boldsymbol{C}}^\prime } \times {\mathit{\boldsymbol{L}}_1} \times {\mathit{\boldsymbol{S}}_1} \times {g_1} + }\\ {\mathit{\boldsymbol{C}}_0^\prime \times \Delta \mathit{\boldsymbol{L}} \times {\mathit{\boldsymbol{S}}_1} \times {g_1} + \mathit{\boldsymbol{C}}_0^\prime \times {\mathit{\boldsymbol{L}}_0} \times \Delta \mathit{\boldsymbol{S}} \times {g_1} + }\\ {\mathit{\boldsymbol{C}}_0^\prime \times {\mathit{\boldsymbol{L}}_0} \times {\mathit{\boldsymbol{S}}_0} \times \Delta g} \end{array} $ (4)

也可以得到:

$ \begin{array}{*{20}{c}} {\Delta P = \Delta {\mathit{\boldsymbol{C}}^\prime } \times {\mathit{\boldsymbol{L}}_0} \times {\mathit{\boldsymbol{S}}_0} \times {g_0} + \mathit{\boldsymbol{C}}_1^\prime \times \Delta \mathit{\boldsymbol{L}} \times {\mathit{\boldsymbol{S}}_0} \times {g_0} + }\\ {\mathit{\boldsymbol{C}}_1^\prime \times {\mathit{\boldsymbol{L}}_1} \times \Delta \mathit{\boldsymbol{S}} \times {g_0} + \mathit{\boldsymbol{C}}_1^\prime \times {\mathit{\boldsymbol{L}}_1} \times {\mathit{\boldsymbol{S}}_1} \times \Delta g\quad } \end{array} $ (5)

式中:P1P0分别为比较期和基准期的产业排水量,m3C1′、C0′分别为比较期和基准期的排水强度;L1L0分别为比较期和基准期的列昂惕夫逆矩阵;S1S0分别为比较期和基准期的最终需求结构;g1g0分别为比较期和基准期的最终需求规模,104元.

对特定变量结构分解的结果形式通常是不唯一的. Dietzenbacher等[25]指出包含m个因素的变动效应的分解形式共有m!种,并提出用完全分解法解决这一问题,指出m!种分解形式是等价的,但是它们的结果可能存在明显的差异,可以采用m!种分解形式的均值来衡量分解结果;另一个解决方法是两级分解法,两极分解法是从完全分解形式中选取从第一个因素开始分解的结果和从最后一个因素开始分解的结果,用两种分解形式的均值代表最终分解结果.对SDA计算方法的研究[25-26]表明,两极分解法是完全分解法计算结果的近似值.采用两级分解法,排水量变化可以表示为

$ \begin{array}{*{20}{c}} {\Delta P = \left( {\Delta {\mathit{\boldsymbol{C}}^\prime } \times {\mathit{\boldsymbol{L}}_0} \times {\mathit{\boldsymbol{S}}_0} \times {g_0} + \Delta {\mathit{\boldsymbol{C}}^\prime } \times {\mathit{\boldsymbol{L}}_1} \times {\mathit{\boldsymbol{S}}_1} \times {g_1}} \right)/2 + }\\ {\left( {\mathit{\boldsymbol{C}}_1^\prime \times \Delta \mathit{\boldsymbol{L}} \times {\mathit{\boldsymbol{S}}_0} \times {g_0} + \mathit{\boldsymbol{C}}_0^\prime \times \Delta \mathit{\boldsymbol{L}} \times {\mathit{\boldsymbol{S}}_1} \times {g_1}} \right)/2 + }\\ {\left( {\mathit{\boldsymbol{C}}_1^\prime \times {\mathit{\boldsymbol{L}}_1} \times \Delta \mathit{\boldsymbol{S}} \times {g_0} + \mathit{\boldsymbol{C}}_0^\prime \times {\mathit{\boldsymbol{L}}_0} \times \Delta \mathit{\boldsymbol{S}} \times {g_1}} \right)/2 + }\\ {\left( {\mathit{\boldsymbol{C}}_1^\prime \times {\mathit{\boldsymbol{L}}_1} \times {\mathit{\boldsymbol{S}}_1} \times \Delta g + \mathit{\boldsymbol{C}}_0^\prime \times {\mathit{\boldsymbol{L}}_0} \times {\mathit{\boldsymbol{S}}_0} \times \Delta g} \right)/2\quad } \end{array} $ (6)

通过两级分解法排水量变化可以分解为四项,分别代表了排水强度影响、生产技术效率影响、最终需求结构影响及需求规模影响.排水强度( C′)是行业单位产值排水量,直接影响排水量,反映节水减排效应.生产技术效率(L)是指生产系统中不同行业间中间投入品的情况,如果中间投入品使用效率提高,会导致排水量下降,可以看作投入结构效应.最终需求结构(S)表示社会对不同产品的需求,或称需求衡量的产业结构,需求结构差异导致的排水变化可以看作需求结构效应.需求规模(g)增加主要通过扩大生产规模来满足,生产规模扩大导致排水量增长,反映规模效应.

1.2 长江经济带各省市投入产出表

投入产出表每5年编制一次,目前长江经济带11省市公布的最新投入产出表为2012年版,因此选定2002年、2007年和2012年为研究对象.长江经济带11省市2002年、2007年、2012年共33张投入产出表的数据来自各省市统计年鉴.投入产出表常用部分可以分为3个象限,第1象限为分部门的中间产品使用/投入,反映经济内部关系;第2象限为最终需求矩阵,一般包括最终消费、资本形成与存货增加、出口三项;第3象限为增加值矩阵或最终投入矩阵,包括劳动报酬、剩余产品等.各省市投入产出表共包括42个部门,其中包括1个农业部门、27个工业部门、14个服务业部门.通过各省市投入产出表可以获得需求规模、结构、投入结构等数据.在计算中,为使数据具有可比性,利用多年价格指数数据将投入产出表中资金数据统一为以2007年价格为基准的可比价数据.

1.3 长江经济带各省市排水量估算

产业排水量研究对象包括长江经济带11省市的农业、工业及服务业的42个部门.统计数据一般为废水排放量,主要指工业、第三产业和城镇居民生活等排水量,不包括农业排水,而农业排水作为重要的面源污染也会对环境造成不利影响,因此该研究选择所有产业排水量进行研究.此外,由于多数省市未发布分行业废水排放量数据,因此该研究采用估算数据.排水量数据根据分行业的用水数据及耗水率计算得到,即用水量减去耗水量(蒸发、土壤吸收、进入产品、饮用等消耗量)为排水量.用水数据来自《中国水资源公报》和各地方水资源公报,工业(除火、核电以外)和服务业分行业用水数据根据文献[27]中方法确定,即根据投入产出表中水的生产与供应行业数据计算得到.不同行业具有不同的用水特点,耗水率也有所不同,耗水率采用文献[28]中对长江流域不同地区不同产业的研究成果,分为农田灌溉,林牧渔业,一般工业,火、核电和城镇用水等.

2 结果与讨论 2.1 产业排水量变化

2002年、2007年及2012年长江经济带产业排水总量分别为1 019×108、1 191×108和1 186×108 m3. 2002—2007年长江经济带产业排水总量增长了16.9%,2007—2012年降低了0.4%. 2002年、2007年、2012年产业平均耗水率为46%.排水量变化与用水量变化有较强的关联性,耗水率是影响排水量的一个因素,随着污水收集系统的不断完善,工业耗水率将会下降,而农业节水技术进步将会促进农业耗水率的提高(农业用水损失量减少).由图 1可见,2002—2007年,长江经济带各省市排水量均有所增长;2007—2012年,排水量发展趋势有所分化,上海市、江苏省、浙江省、江西省、重庆市、贵州省及云南省的排水量呈基本持平或下降的趋势,安徽省、湖北省、湖南省、四川省等地区排水量仍呈上升趋势,排水量增长比例最高的是安徽省,2007—2012年安徽省产业排水量增长率为16.7%.

图 1 长江经济带11省市产业排水量 Fig.1 Industrial water discharge of 11 provinces and cities in the Yangtze River Economic Belt
2.2 产业排水变化驱动因素评估

长江经济带11省市排水量变化驱动因素分解评估结果如图 2(2002—2007年)、图 3(2007—2012年)所示.各省市驱动产业排水量变化的因素被分解为节水减排效应、投入结构效应、需求结构效应及规模效应.由图 23可见:驱动排水量增长的因素主要为规模效应,驱动排水量减少的主要为节水减排效应,而投入结构效应和需求结构效应在不同地区不同时段呈现出不同的结果. 2007—2012年上海市、江苏省、浙江省、江西省及贵州省已实现排水量的显著降低.上海市、江苏省主要依赖节水减排措施驱动排水量降低,但需要进一步关注产业结构调整;江西省、贵州省主要通过节水减排与结构调整等措施使水资源利用更加有效,排水强度逐渐降低;重庆市、云南省排水量缓慢增长,未来需要重视加强节水减排措施来实现排水量的进一步降低;安徽省、湖北省、湖南省及四川省在规模效应影响下排水量的增长趋势仍较高,需要加强节水减排措施与结构调整,进一步减少水资源利用量及排水量.从各驱动效应的发展变化来看,2007—2012年江西省、湖北省、重庆市、四川省、贵州省、云南省需求结构效应的驱动作用逐渐明显,这可能与地区发展阶段有关系.

注:驱动力百分比以长江经济带各省市2002年排水量为基准计算,正值表示驱动排水量增长,负值表示驱动排水量降低. 图 2 2002—2007年产业排水量驱动因素评估结果 Fig.2 Assessment results of waste water discharge drivers from 2002 to 2007

注:驱动力百分比以长江经济带各省市2007年排水量为基准计算,正值表示驱动排水量增长,负值表示驱动排水量降低. 图 3 2007—2012年产业排水量驱动因素评估结果 Fig.3 Assessment results of waste water discharge drivers from 2007 to 2012
2.3 规模效应与节水减排效应分析

长江经济带各省市经济发展迅速,经济规模逐渐扩大.由图 4可见:2012年长江经济带11省市地区生产总值达23.59×1012元,尤其是下游长三角地区,该地区生产总值占长江经济带生产总值的46%;此外,长江经济带中部城市圈——成渝城市圈也是重要的经济中心.

注:地区生产总值为当年价,地区生产总值等于最终需求减去进口中间投入品的价值. 图 4 长江经济带11省市地区生产总值 Fig.4 Gross regional product of 11 provinces and cities in the Yangtze River Economic Belt

驱动排水量增长的主要因素为需求规模增长,即规模效应. 2002—2007年和2007—2012年规模效应带动长江经济带产业排水量分别增长了67%与61%. 2002—2007年,规模效应驱动排水量增长超过67%的地区有上海市、江苏省、浙江省、安徽省、重庆市,规模效应在各省市影响较平均. 2007—2012年,规模效应影响总体减弱,但其驱动效应发展趋势在区域间出现差异,规模效应使上海市、江苏省、浙江省排水量增长均降至61%以下,规模效应对排水的增长驱动力逐渐减弱;而其他8个省市规模效应对产业排水量的影响均呈增加趋势,说明在需求规模增长的同时,排水量呈同步增长的潜力.

节水减排效应是驱动产业排水量下降的主要因素,其在2002—2007年和2007—2012年驱动排水量分别下降了35%和60%,驱动力逐渐增强,说明长江经济带各地区逐渐重视行业的节水减排,且措施效果明显. 2002—2007年,节水减排效应驱动产业排水量下降大于35%的地区有上海市、江苏省、浙江省及四川省;2007—2012年,上海市、江苏省、安徽省、江西省、湖北省、重庆市、贵州省等地区受节水减排效应影响排水量均下降60%以上,表明2007—2012年受节水减排效应影响的省市在增加.浙江省节水减排效应影响由55%(2002—2007年)降至45%(2007—2012年),驱动力下降,云南省节水减排效应在2002—2007年和2007—2012年分别为31%和38%,驱动力较低,因此浙江省和云南省的水减排效果需引起注意.

2.4 需求结构效应与投入结构效应分析

长江经济带中浙江省和湖北省分行业总产出结构如图 5所示.由图 5可见:浙江省和湖北省产业结构发展具有相似性,如化学产品业迅速发展,电力、热力的生产和供应业以及建筑业和其他服务业在2007—2012年均呈现成倍增长的态势.不同地区产业结构也表现出自身的发展特色,如浙江省纺织品业、金融业取得快速发展;湖北省则发展为以农林牧渔业、食品和烟草业、交通运输设备业为主的产业结构.纺织品业、化学产品业以及电力、热力的生产和供应业均为高耗水行业,其中化学产品业和纺织品业均为高污染行业[29],高耗水、高污染行业的发展必然影响水资源利用与废水排放.

注:行业总产出为当年价. 图 5 浙江省和湖北省分行业总产出结构 Fig.5 Total output by industry in Zhejiang Province and Hubei Province

最终需求结构与投入结构是影响地区产业结构的主要因素.大部分情况下需求结构效应是驱动排水量下降的因素,其在2002—2007年和2007—2012年驱动排水量分别下降了17%和5%.浙江省需求结构效应对降低排水量的贡献较小,这与浙江省以纺织品业、化学产品业为主的产业结构有关;江西省、湖北省、重庆市、四川省、贵州省、云南省等地区需求结构效应对排水量影响逐渐增强,不断促进排水量降低,说明需求结构调整有利于节约用水,减少排水;而上海市和江苏省需求结构效应带动排水量有一定程度增长,这也是整个长江经济带需求结构效应对排水量影响出现减弱趋势的主要原因.从各省市来看,最终需求结构对排水量的影响力绝对值逐渐增强,是未来进一步减排需要注意的方向,可通过消费引导、税收优惠等措施,大力提高高新技术产业需求,限制高耗水、高污染产品需求,从而促进产业结构优化,减少排水量.

2002—2007年和2007—2012年投入结构效应驱动排水量分别增加了1%和4%,其影响力相对其他因素来说较弱. 2002—2007年上海市投入结构对排水量增长的贡献较显著,但其影响逐渐降低;江西省与湖北省投入结构效应由负值转为正值,说明生产部门的投入结构中产生了更多高污染型的中间产品投入需求.要通过投入结构优化减少排水量,主要需依赖技术进步、提高生产效率、优化工艺流程等措施来减少高污染型中间投入品的需求.

目前,国内针对污废水排放驱动因素的研究较为鲜见,李长嘉等[30]采用对数平均迪氏指数(LMDI)法对1992—2008年全国工业废水排放变化进行了因素分解,得到的结论与该研究类似,即规模效应是驱动废水排放增长的主要因素,技术效应(对应该研究的节水减排效应)主要起到削减废水排放的作用,结构效应多表现为削减废水排放的作用,但贡献不大.

3 结论与建议

a) 2002年、2007年、2012年长江经济带产业排水量分别为1 019×108、1 191×108与1 186×108 m3,产业平均耗水率为46%;2002—2007年产业排水量增长了16.9%,2007—2012年产业排水量降低了0.4%,上海市、江苏省等地区产业排水量下降趋势明显.

b) 驱动产业排水量增长的主要因素为规模效应,其在2002—2007年和2007—2012年带动长江经济带产业排水量分别增长了67%和61%,但规模效应影响趋势逐渐分化.节水减排效应是驱动排水量减少的最主要因素,其在2002—2007年和2007—2012年分别驱动产业排水量减少了35%和60%,影响力显著增强,影响范围逐渐扩大.长江经济带节水减排措施成效明显,环境友好型的发展方式正在逐步建立.在大部分情况下需求结构效应是驱动排水量下降的因素,其影响力的绝对值逐渐增强.投入结构效应影响较弱,规律性不明显.今后需要进一步关注长江经济带需求结构,通过政策引导,减少高耗水、高污染产品的最终需求及中间投入需求.

c)“十四五”期间,上海市、江苏省需进一步关注通过需求引导、政策引导等方式促进产业结构向低耗水、低排放产业的调整.浙江省、云南省需要重视加强节水减排措施来实现排水量的进一步降低.安徽省、湖北省、湖南省、四川省等地区排水量仍具有较高的增长趋势,需要加强节水减排措施与结构调整,限制高耗水、高污染行业发展,减少产业排水量.

d) 长江经济带产业进一步节水减排需要依赖技术发展,加强技术研发与创新应用,提高生产效率、工艺水平及资源回收利用率,促进产业清洁生产能力提升等方式.发挥结构效应的减排作用,可通过进一步优化最终需求结构和投入结构,减少高污染型产品及中间投入品的需求等措施;另外,在供给侧推进产业结构调整也具有重要意义,产业环境保护政策是重要的手段,通过环保税征收、严格执法、限制准入等措施控制高污染行业发展,通过税收优惠、消费引导等促进低污染行业发展;同时,也应该注重环保产业发展,使其发挥更大的污染减排作用.

e) 该研究的不足之处体现在SDA方法依赖于投入产出表,而地区投入产出表编制一般较滞后,导致该方法分析数据也有滞后,此外对省市间产品流动及影响分析不足.今后,随着投入产出预测方法的发展,SDA方法将可用于对现状进行分析及未来情景预测.

参考文献
[1]
水利部. 2017年中国水资源公报[M]. 北京: 中国水利水电出版社, 2018. (0)
[2]
环境保护部, 国家发展和改革委员会, 水利部.长江经济带生态环境保护规划[R/OL].北京: 环境保护部, 2017-07-17[2020-03-07].http://www.mee.gov.cn/gkml/hbb/bwj/201707/W020170718547124128228.pdf. (0)
[3]
李景华. 基于投入产出局部闭模型的中国房地产业经济增长结构分解分析[J]. 系统工程理论与实践, 2012, 32(4): 784-789.
LI Jinghua. Structural decomposition analysis of the growth of China's real estate sector based on partially closed input-output model[J]. Systems Engineering-Theory & Practice, 2012, 32(4): 784-789. DOI:10.3969/j.issn.1000-6788.2012.04.014 (0)
[4]
SU B, ANG B W. Structural decomposition analysis applied to energy and emissions:some methodological developments[J]. Energy Economics, 2012, 34: 177-188. DOI:10.1016/j.eneco.2011.10.009 (0)
[5]
杨中文, 许新宜, 王红瑞, 等. 用水变化动态结构分解分析模型研究Ⅰ:建模[J]. 水利学报, 2015, 46(6): 658-667.
YANG Zhongwen, XU Xinyi, WANG Hongrui, et al. Dynamic structural decomposition analysis model of water use evolution I:modeling[J]. Journal of Hydraulic Engineering, 2015, 46(6): 658-667. DOI:10.13243/j.cnki.slxb.20140553 (0)
[6]
WANG H, ANG B W, BIN S. Assessing drivers of economy-wide energy use and emissions:IDA versus SDA[J]. Energy Policy, 2017, 107: 585-599. DOI:10.1016/j.enpol.2017.05.034 (0)
[7]
XU Y, DIETZENBACHER E. A structural decomposition analysis of the emissions embodied in trade[J]. Ecological Economics, 2014, 101: 10-20. DOI:10.1016/j.ecolecon.2014.02.015 (0)
[8]
WANG H, ANG B W, SU B. Multiplicative structural decomposition analysis of energy and emission intensities:some methodological issues[J]. Energy, 2017, 123: 47-63. DOI:10.1016/j.energy.2017.01.141 (0)
[9]
WOOD R. Structural decomposition analysis of Australia's greenhouse gas emissions[J]. Energy Policy, 2009, 37: 4943-4948. DOI:10.1016/j.enpol.2009.06.060 (0)
[10]
BRIZGA J, FENG K, HUBACEK K. Drivers of greenhouse gas emissions in the Baltic States:a structural decomposition analysis[J]. Ecological Economics, 2014, 98: 22-28. DOI:10.1016/j.ecolecon.2013.12.001 (0)
[11]
INCERA A C, AVELINO A F, SOLIS A F. Gray water and environmental externalities:international patterns of water pollution through a structural decomposition analysis[J]. Journal of Cleaner Production, 2017, 165: 1174-1187. DOI:10.1016/j.jclepro.2017.07.200 (0)
[12]
CAZCARRO I, DUARTE R, SANCHEZ-CHOLIZ J. Economic growth and the evolution of water consumption in Spain:a structural decomposition analysis[J]. Ecological Economics, 2013, 96: 51-61. DOI:10.1016/j.ecolecon.2013.09.010 (0)
[13]
宋瑞礼. 中国经济增长机理解释:基于投入产出SDA方法[J]. 经济经纬, 2012(2): 17-21.
SONG Ruili. The explanation of the mechanism for Chinese economic growth:based on input and output SDA model[J]. Economic Survey, 2012(2): 17-21. DOI:10.3969/j.issn.1006-1096.2012.02.006 (0)
[14]
孟彦菊. 投入产出空间结构分解分析模型的构建[J]. 统计与决策, 2012(19): 25-29. (0)
[15]
郭朝先. 中国二氧化碳排放增长因素分析:基于SDA分解技术[J]. 中国工业经济, 2010(12): 47-56.
GUO Chaoxian. An analysis of the increase of CO2 emission in China:based on SDA technique[J]. China Industrial Economics, 2010(12): 47-56. (0)
[16]
隗斌贤, 顾继红, 黄敏. 基于IO-SDA模型的浙江省外贸隐含碳影响因素分析[J]. 统计研究, 2012, 29(1): 101-105.
KUI Binxian, GU Jihong, HUANG Min. Analysis of influential factors of embodied carbon in Zhejiang's foreign trade based on IO-SDA model[J]. Statistical Research, 2012, 29(1): 101-105. DOI:10.3969/j.issn.1002-4565.2012.01.019 (0)
[17]
袁鹏, 程施, 刘海洋. 国际贸易对我国CO2排放增长的影响:基于SDA与LMDI结合的分解法[J]. 经济评论, 2012(1): 122-132.
YUAN Peng, CHENG Shi, LIU Haiyang. The effect of international trade on CO2 emission growth in China:base on a method combined SDA with LMDI[J]. Economic Review, 2012(1): 122-132. (0)
[18]
王喜峰. 经济安全、高质量发展与水资源承载力关系研究[J]. 价格理论与实践, 2019(1): 22-26.
WANG Xifeng. National food security, high-quality economic development and water resources bearing capacity[J]. Price:Theory & Practice, 2019(1): 22-26. (0)
[19]
FENG L, CHEN B, HAYAT T, et al. The driving force of water footprint under the rapid urbanization process:a structural decomposition analysis for Zhangye City in China[J]. Journal of Cleaner Production, 2017, 163: 322-328. DOI:10.1016/j.jclepro.2015.09.047 (0)
[20]
杨中文, 许新宜, 陈午, 等. 用水变化动态结构分解分析模型研究Ⅱ:应用[J]. 水利学报, 2015, 46(7): 802-810.
YANG Zhongwen, XU Xinyi, CHEN Wu, et al. Dynamic structural decomposition analysis model of water use evolution Ⅱ:application[J]. Journal of Hydraulic Engineering, 2015, 46(7): 802-810. (0)
[21]
王喜峰, 沈大军, 李玮. 水资源利用与经济增长脱钩机制、模型及应用研究[J]. 中国人口·资源与环境, 2019, 29(11): 139-147.
WANG Xifeng, SHEN Dajun, LI Wei. Research on the mechanism, model and application of decoupling between water resources utilization and economic growth[J]. China Population, Resources and Environment, 2019, 29(11): 139-147. (0)
[22]
陈锡康, 杨翠红. 投入产出技术[M]. 北京: 科学出版社, 2011: 365. (0)
[23]
张友国. 经济发展方式变化对中国碳排放强度的影响[J]. 经济研究, 2010(4): 120-133.
ZHANG Youguo. Economic development pattern change impact on China's carbon intensity[J]. Economic Research Journal, 2010(4): 120-133. (0)
[24]
李景华. SDA模型的加权平均分解法及在中国第三产业经济发展分析中的应用[J]. 系统工程, 2004, 22(9): 69-73.
LI Jinghua. A weighted average decomposition method of SDA model and its application in Chinese tertiary industry development[J]. System Engineering, 2004, 22(9): 69-73. DOI:10.3969/j.issn.1001-4098.2004.09.016 (0)
[25]
DIETZENBACHER E, LOS B. Structural decomposition techniques:sense and sensitivity[J]. Economic Systems Research, 1998, 10: 307-323. DOI:10.1080/09535319800000023 (0)
[26]
张友国. 中国对外贸易的环境成本:基于能耗视角的分析[M]. 北京: 中国社会科学出版社, 2011: 145. (0)
[27]
李玮, 刘家宏, 贾仰文, 等. 社会水循环演变的经济驱动因素归因分析[J]. 中国水利水电科学研究院学报, 2016, 14(5): 356-361.
LI Wei, LIU Jiahong, JIA Yangwen, et al. Attribution analysis of economic driving factors of social water cycle evolution[J]. Journal of China Institute of Water Resources and Hydropower Research, 2016, 14(5): 356-361. (0)
[28]
邓宇杰, 肖昌虎, 严浩, 等. 长江流域不同行业耗水率初步研究[J]. 人民长江, 2011, 42(18): 65-67.
DENG Yujie, XIAO Changhu, YAN Hao, et al. Preliminary study of water consumption rate of different industries in Yangtze River Basin[J]. Yangtze River, 2011, 42(18): 65-67. DOI:10.3969/j.issn.1001-4179.2011.18.018 (0)
[29]
谢丛丛, 张海涛, 李彦彬, 等. 我国高用水工业行业的界定与划分[J]. 水利水电技术, 2015, 46(3): 7-11.
XIE Congcong, ZHANG Haitao, LI Yanbin, et al. Definition and division of industrial sectors with high water consumption in China[J]. Water Resources and Hydropower Engineering, 2015, 46(3): 7-11. DOI:10.3969/j.issn.1000-0860.2015.03.002 (0)
[30]
李长嘉, 潘成忠, 雷宏军, 等. 1992-2008年我国工业废水排放变化效应[J]. 环境科学研究, 2013, 26(5): 569-575.
LI Changjia, PAN Chengzhong, LEI Hongjun, et al. Decomposing analysis on China's industrial wastewater discharges in 1992-2008[J]. Research of Environmental Sciences, 2013, 26(5): 569-575. (0)