EN中文

Economic geography >

2021 , Vol. 41 >Issue 4: 118 - 126

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.04.015

Water Footprint and Water Consumption Prediction of Food Crop Production in Five Central Asian Countries

  • HUANG Li , 1 ,
  • WANG Wulin , ※
Expand
  • 1. Institute of Global Innovation and Development，East China Normal University，Shanghai 200062，China
  • 2. College of Environment and Resources，Fuzhou University，Fuzhou 350116，Fujian，China

Received date: 2020-03-24

  Online published: 2025-04-25

Fold

Abstract

Based on the methods of CropWAT Model,Kernel Density Estimation and Markov Chain,the study calculates the water footprint,water consumption and the relative state transition probability of the major food crops in five Central Asian countries from 1992 to 2017,and predicts the relative state transition probability of water consumption by 2042. This study finds that: 1) Wheat ranks first in the water consumption in five Central Asian countries,it has differences in the second-largest water consumption in five countries,barley ranks second in Kazakhstan, Kyrgyzstan and Tajikistan,and rice ranks second in Turkmenistan and Uzbekistan. 2) There are three types of the water consumption in relative status,which include High Consumption Status (HCS),Normal Consumption Status (NCS),and Low Consumption Status (LCS),and the HCS & NCS are both at a tendency toward NCS. Therefore the water consumption increase obviously. The transition probability from HCS and LCS to NCS are 57.14% and 33.33% respectively,and the probability of leapfrogging transition is zero. The transition probability of maintaining their original relative status is higher in Kazakhstan and Turkmenistan than the whole probability of the five Central Asian countries,while the probability of leapfrogging transition is zero in each country among the five Central Asian countries. 3) According to the prediction results from 2017 to 2042,it shows that the mutual transition probability between HCS and NCS will increase,the same goes for mutual transition between NCS and LCS. The study indicates the increase of HCS and LCS will lead to possible risks in the future. In Uzbekistan,Tajikistan and Kyrgyzstan,the transition probability from LCS and NCS to HCS are higher than the corresponding data of the five Central Asian countries.

Key words： water resource; water footprint; water consumption; prediction; food crops; five Central Asian countries; The Belt and Road Initiative

Cite this article

HUANG Li , WANG Wulin . Water Footprint and Water Consumption Prediction of Food Crop Production in Five Central Asian Countries[J]. Economic geography, 2021 , 41(4) : 118 -126 . DOI: 10.15957/j.cnki.jjdl.2021.04.015

粮食生产的安全问题一直为世界所关注。随着全球人口不断增长，水土资源约束持续加大，科学准确地评估和预测国家或地区粮食与水资源的状况尤为重要。基于Allan用虚拟水表征粮食贸易中看不见的水消耗现象[1]，Hoekstra引入水足迹指标来衡量一个国家、地区或个人在一定时间内单位产品或服务的水消耗[2]。有别于传统水消耗指标，水足迹测算可对工业、农业甚至服务业的水消耗进行分门别类分析，有助于精细测算生产和贸易过程中的水消耗，受到学界的广泛关注[3]。此后，部分学者用水足迹法测算过小麦和玉米等粮食作物生产的真实水消耗[4⇓⇓-7]、土地集约和水流失[8]，也分析了粮食贸易与节水效应[9]、水消耗的相关影响因素及利用策略[10-11]等。
由于地处内陆干旱区，中亚五国是全球水资源最为短缺但人均耗水量最高的地区之一，近年来，该地区水资源脆弱性正日益凸显[12]。同时，中亚五国是世界上国际河流最密集和最复杂的地区之一，1992年中亚五国曾共同签署过约定该地区多条跨境河流水资源利用配额的《阿拉木图协议》，但由于该地区一直是世界重要的粮食产区[13]，水资源跨界纠纷问题，就必然叠加到日益凸显的水土资源不平衡问题上[14-15]，成为中亚五国间冲突不断的“导火索”[16]，不但影响着中亚五国自身粮食生产的安全，也成为美俄和欧洲等大国及国际组织介入中亚事务的地缘政治籍口[17]。
中亚五国是我国“丝绸之路经济带”与中亚共建区的战略地带[18]，毫无疑问，也成为了美俄和欧洲大国博弈的势力重合区。中亚五国具有丰富的资源和能源储备，是中国向西出口的第一站[19]，与中国的贸易往来正不断加深和扩大[20]。近年来，中亚五国成为中国对“一带一路”沿线投资最快的地区[21]，是中国对外农业生产投资的重要目的地[22]，在此背景下，水资源必然成为“‘一带一路’倡议”下中国与中亚五国农业经贸长期合作的关键，极易触发该地区的地缘安全隐患[23]。因而，中亚水资源和粮食安全议题探究，是针对中国“‘一带一路’倡议”的预警研究，其结论或可为中亚水危机带来若干创新解决思路[16]。
现有中亚国家水资源研究多聚焦于径流量[14]、气候响应[24]与水危机应对[25]等方面，探究中亚五国粮食生产水足迹的成果相对较少，粮食生产水消耗量的特征研究也不多见，更缺乏对中亚五国未来粮食生产水消耗量趋势和风险的研究。本文基于国际普遍采用的CropWAT模型[26-27]，通过输入气象、土地和作物生长期等数据，利用Kernel密度估计法，精细量化中亚五国粮食作物生产过程中的水足迹和水消耗量，同时借鉴管理学科常用的预测模型马尔科夫链，进一步评估和预测该五国粮食生产水消耗的整体格局和动态[28]，解析中亚五国主要粮食作物生产的水足迹、水消耗量及其演化趋势，以期有关各方能加深对该地区水资源消耗议题的重视程度，为“‘一带一路’倡议”决策保驾护航。

1 研究区域及数据方法说明

1.1 研究区域

本文的研究区域为中亚五国，即哈萨克斯坦、乌兹别克斯坦、土库曼斯坦、塔吉克斯坦和吉尔吉斯斯坦（分别简称哈国、乌国、土国、塔国和吉国）（图1）。
图1 中亚五国区位示意图

审图号：GS（2016）2938号。

Fig.1 Location map of five Central Asian countries

中亚五国国土面积合计约400.17万 km2，其中哈国约272.49万 km2。2018年中亚五国人口约7 186.05万人，GDP约2 774.16亿美元，人口从多到少依次是乌国（3 236.5万人）、哈国（1 840.4万人）、塔国（910.7万人）、吉国（613.3万人）和土国（585.2万人），GDP从高到低依次是哈国（1 793.4亿美元）、乌国（505.0亿美元）、土国（407.6亿美元）、吉国（80.9亿美元）和塔国（75.2亿美元）。中亚五国区域内主要河流包括阿姆河、锡尔河、伊犁河、额尔齐斯河、乌拉尔河等，多为跨界河流。

1.2 研究方法

1.2.1 水足迹和水消耗量计算方法

作物质量水足迹表征生产单位质量作物所需要的水资源数量（单位：m3∕kg），可根据Hoekstra等提出的方法来量化计算理想状态下作物质量水足迹[3]，各相关指标的计算方法如下：
C W R = C W U Y c
C W U = 10 × ∑ d = 1 l g p E T
E T = K c × E T 0
E T 0 = 0.408 Δ R n - G + γ 900 T + 273 V 2 P a - P b Δ + γ 1 + 0.34 V 2
式中：CWR、CWU、 Y c、ET、Kc和 E T 0分别表示作物的单位质量需水量（m3/kg）、单位面积需水量（m3/hm2）、单位面积产量（kg/hm2）、蒸发系数（mm/d）、作物系数和参考作物蒸发蒸腾水量。CWR表示区域n内作物c的单位质量需水量，等于区域n内作物c的单位面积需水量CWU与区域n内作物c的单位面积产量 Y c之比；CWU表示区域n内作物c的单位面积需水量，等于作物c生长周期内的蒸发累积量ET的10倍； Y c表示区域n内作物c的单位面积产量，等于区域n内作物c的质量与种植面积之比；ET表示区域n内作物c的蒸发系数，等于作物系数 K c与参考作物蒸发蒸腾水量 E T 0的乘积； K c表示作物系数，表示区域n内作物c的实际作物与参考作物的覆盖度的差异程度。公式（4）利用CropWAT模型内嵌的Penman-Monteith公式进行量化，由联合国粮农组织（FAO）推荐并修正[29]， E T 0表示区域n内作物c的参考作物蒸发蒸腾水量，运用标准彭曼公式求解，其中 R n表示地面净辐射蒸发当量（MJ/（m2·d））；G表示土壤热通量（MJ/（m2·d）；γ表示温度计常数（kPa/℃）；T表示平均气温（℃）；V2表示地面上2 m高的风速（m/s）； P a表示饱和水气压（kPa）； P d表示实际水气压（kPa）；Δ表示温度—饱和水气压曲线的斜率（kPa/℃）。
基于中亚五国历年各主要粮食作物历年的水足迹，用其值乘以相应的粮食产量，即可得到相应的水消耗量。

1.2.2 Kernel密度估计

Kernel密度估计是一种非参数估计方法，可用来估计随机变量的概率密度。不同于非连续的频数分布直方图概率密度估计，Kernel密度估计可通过连续平滑的密度函数曲线，更好地描述变量的分布形态。Kernel密度估计的优势在于无需假定总体分布形式，利用数据本身获取数据特征，稳健性强、连续性好，多被用来研究不均衡分布的研究。
假设随机向量X的密度函数为 f x=f（x1，x2，…，xn），X1-n为一组独立同分布的样本，这组样本在点x的密度为：
f x = 1 N h ∑ i = 1 n K X i - x h
式中：N是观测值的个数；h为床宽；K（·）是核函数，是一种加权函数或平滑函数。本文借助Matlab软件计算水消耗量相对状态的Kernel密度曲线，采用的方法是高斯正态核，床宽h设为0.9 SeN-1/5，Se是随机变量观测值的标准差。

1.2.3 马尔科夫预测法

马尔科夫预测法是基于马尔科夫链，根据事件现状预测其将来各个时刻变动状况的一种方法。马尔科夫链具有“无后效性”，即随机变量X在t时期状态j的概率仅取决于X在t-1时期的状态。
本文首先将中亚五国水消耗量相对状态划分为k不同类型，然后计算从t年份i类型到t+1年份j类型的转换概率，并生成一个状态概率转换矩阵，以此对中亚五国水消耗量的动态演进过程进行分析和预测。如果将t年份的水消耗量类型的概率分布表示为1×k的状态概率向量Ft，记为Ft=[F1t，F2t，…，Fkt]，而不同年份水消耗量之间的转换可以用一个k×k的马尔科夫概率矩阵M表示，矩阵M的元素mij表示t年份属于i类型的状态转换为j类型的概率，采用以下公式计算[30]：
m i j = n i j / n i
式中： n i j表示整个研究时期内，由t年份i类型状态在t+1年份转换为j类型的数量之和； n i是所有年份中属于i类型的数量之和。

1.3 数据来源

本文涉及的主要数据及其来源如下：①中亚五国1992—2017年小麦、大麦、土豆、大米、玉米、小米、大豆和高粱等8种主要粮食作物的种植面积和产量数据，来源于FAO官方网站数据库 ① ，其中土国缺失小米、大豆和高粱的种植面积及产量的数据，乌国缺失大豆的种植面积和产量数据；②中亚五国的气候气象数据，涉及多年平均气温、湿度、光照、风速以及降水等数据，来源于FAO的CLIMAT2.0软件气象数据库；③主要粮食作物的蒸发蒸腾参数，来源于FAO的CropWAT软件有关数据库；④其它数据资料，包括相关政策文件和标准地图等。

2 中亚五国主要粮食作物水足迹及水消耗量变化

2.1 中亚五国粮食生产与贸易变化

2.1.1 生产变化

1992—2017年，中亚五国小麦、大麦、土豆、大米、玉米、小米、大豆和高粱8种主要粮食作物的总种植面积占所有农作物播种植面积的71.09%以上，其产量的变化经历一定的波动，从1992年的3 656.16万t增长到2017年的3 982.10万t，占所有农作物产量的46.11%以上（图2）。中亚五国上述8种粮食作物的种植面积和产量占所有农作物的相应比重均较高，故本文选取上述8种主要粮食作物作为水足迹研究对象。
图2 1992—2017年中亚五国主要粮食产量及其在所有农作物中的面积与产量占比

Fig.2 Production of the main food crops and its proportion of planting area and production in total planting area in five Central Asian countries(1992-2017)

1992—2017年，中亚五国上述8种粮食作物的产量发生不同程度的增减，哈国产量由1992年的3 066.06万t下降到2017年的2 322.79万t，其余四国均有不同程度的增长：乌国由1992年的276.51万t增长到2017年的980.62万t，土国由76.18万t增长到150.58万t，塔国由42.81万t上升到214.45万t，吉国由194.60万t增长到313.66万t。此外，小麦是中亚五国最主要的粮食作物，哈国是中亚五国中最大的小麦生产国，其产量大于乌国、土国、塔国和吉国等其余四国产量之和。

2.1.2 贸易变化

中亚五国对小麦、大麦、土豆、大米和玉米等粮食作物均有不同程度的进口依赖，但自1995年起，中亚五国主要粮食总出口量始超总进口量，其中小麦的出口量最大，其出口额从1992年的3.2亿美元增长到2016年的6.85亿美元，出口量从288.6万t增长到444.8万t。哈国是中亚五国最大的小麦出口国，出口量占中亚五国的89.31%~100%，中亚五国均存在一定数量的小麦进口，乌国是中亚五国中最大的小麦进口国（图3）。此外，哈国是中亚五国最主要的大麦、土豆、大米和玉米出口国，其余四国出口极少甚至为零，哈国还进口一定数量的大麦、土豆、大米和玉米，其余四国以乌国进口量最大。
图3 1992—2016年中亚五国小麦进出口数量变化

Fig.3 Imports and exports of wheat in five Central Asian countries (1992-2016)

2.2 中亚五国主要粮食作物的水足迹变化

根据公式（1）~（4）计算求得1992—2017年中亚五国主要粮食作物的水足迹（图4）。哈国高粱和小麦的水足迹相对较高，年平均值分别为6.76 m3/kg和4.32 m3/kg，土豆和玉米的水足迹相对较低，年平均值分别为0.41 m3/kg和1.40 m3/kg，大麦、小米、大米和大豆的水足迹居于中间水平；乌国大麦和大米的水足迹相对较高，年平均值分别为4.06 m3/kg和3.19m3/kg，土豆和高粱的水足迹相对较低，年平均值分别为0.49 m3/kg和0.65 m3/kg，玉米、小麦和小米的水足迹居于中间水平；土国大米、大麦和玉米的水足迹相对较高，年平均值分别为10.77m3/kg、8.91m3/kg和8.53m3/kg，土豆的水足迹相对较低，年平均值分别为0.81m3/kg，小麦的水足迹居于中间水平，年平均值为4.94m3/kg；塔国小米和大麦的水足迹相对较高，年平均值分别为6.85m3/kg和5.05m3/kg，土豆和玉米的水足迹相对较低，年平均值分别为0.45m3/kg和1.65m3/kg，大米、小麦和高粱的水足迹居于中间水平；吉国高粱和大豆的水足迹相对较高，年平均值分别为6.92m3/kg和6.76m3/kg，土豆和玉米的水足迹相对较低，年平均值分别为0.53m3/kg和1.32m3/kg，小米、小麦、大麦和大米的水足迹居于中间水平。
图4 1992—2017年中亚五国主要粮食作物水足迹对比

Fig.4 Comparison of water footprint of major food crops in five Central Asian countries(1992-2017)

2.3 中亚五国主要粮食作物水消耗量变化

由中亚五国主要粮食作物水足迹和相应粮食作物产量数据求得中亚五国主要粮食作物水消耗量，其中小麦的水消耗量最大，其次是大麦和大米，高粱、小米、大豆等粮食作物的水消耗量相对较小。
由于土国、乌国等国家的小米、大豆、高粱等数据获取不全，仅比较中亚五国小麦、大麦、土豆、大米和玉米的水消耗量变化（图5）。图5中加粗数字表示中亚五国上述5种粮食作物水消耗量的总和，未加粗数字表示小麦水消耗量数据，比较发现，1992—2017年：①哈国小麦的水消耗量最大，年均达486.27亿m3，占上述5种粮食作物水消耗量的64.04%~88.19%，其次大麦年均为93.27亿m3，占5种粮食作物水消耗量的8.39%~32.77%，土豆、大米、玉米的水消耗量相对较小；②乌国小麦的水消耗量最大，年均84.81亿m3，占5种粮食作物水消耗量的45.52%~85.15%，其次为大米和大麦，其年均为9.83亿m3和7.45亿m3，占5种粮食作物水消耗量的2.33%~22.64%和2.87%~19.25%，土豆、玉米的水消耗量相对较小；③土国小麦的水消费量最大，年均60.25亿m3，占5种粮食作物水消耗量的54.84%~94.07%，其次大米年均为7.14亿m3，占5种粮食水消耗量的2.88%~19.80%，大麦、玉米和土豆的水消耗量相对较小；④塔国小麦的水消耗量最大，年均为16.7亿m3，占5种粮食作物水消耗量的63.02%~81.19%，其次大麦年均2.6亿m3，占5种粮食作物的4.39%~18.20%，土豆、大米、玉米的水消耗量相对较小；⑤吉国小麦的水消耗量最大，年均为24.33亿m3，占5种粮食作物水消耗量的37.18%~73.00%，其次大麦年均为8.17亿m3，占5种粮食作物水消耗量的8.72%~42.72%，土豆、玉米和大米的水消耗量相对较小。
图5 1992—2017年中亚五国主要粮食作物水消耗量对比

Fig.5 Comparison of water consumption of major food crops in five Central Asian countries（1992-2017）

整体来看，中亚五国小麦的水消耗量最大，年均达672.37亿m3，占5种粮食作物水消耗量的61.82%~85.43%，其次大麦年均为114.52亿m3，占5种粮食作物水消耗量的7.98%~30.60%，大米、土豆和玉米的年均水消耗量分别为25.37亿m3、22.46亿m3和16.35亿m3。

3 中亚五国主要粮食作物水消耗量变化及预测

3.1 水消耗量相对状态的Kernel密度估计

假设1992—2017年中亚五国主要粮食作物水消耗量为Ai，i表示年份，a和μ分别为中亚五国主要粮食作物水消耗量的均值和标准偏差，可将水消耗量划分为3种相对状态：①当Ai>a+μ，该年的水消耗量为高度消耗（H）；②当a-μ≤Ai≤a+μ时，该年的水足迹为正常消耗（N）；③当Ai<a-μ时，该年的水消耗量为低度消耗（L）。
选取1992、2002和2017年为特征年份进行Kernel密度估计，以考察中亚五国主要粮食作物生产水消耗量的相对状态。由于2002年以后的大部分年份水消耗量的相对状态与2017年一致，故选择2002年作为中间年份进行分析。1992—2017年，水消耗量相对状态呈正态分布并经历了先升后降的峰值变化过程。其中，1992—2002年，核密度曲线由“低扁”的峰状变为“高尖”的峰状，峰值轻微向右移动，说明水消耗量相对状态的总体差距逐渐减小，总体强度轻微增长，呈现由低度消耗向正常消耗转换的趋势；2002—2017年，核密度曲线宽度轻微扩大，峰值呈轻微的下降和右移的趋势，说明水消耗量相对状态总体差距略有扩大，相对状态的总体强度轻微增长，高度消耗轻微扩大。整体而言，1992—2017年，水消耗量相对状态的总体差距明显缩小，而总体强度明显增长，向正常消耗转换的趋势明显（图6）。
图6 水消耗量相对状态的Kernel密度图

Fig.6 Kernel density diagram of the relative status of water consumption

3.2 基于马尔科夫链的水消耗量相对状态变化与预测

粮食生产的水消耗量具有“无后效性”，因此本文适合运用马尔科夫链的分析方法推算水消耗量相对状态的转换概率。计算1992—2017年中亚五国主要粮食作物水消耗量相对状态的转换概率矩阵，一个t时期为26年，再据此预测下一个26年即2042年中亚五国主要粮食作物水消耗量相对状态。根据矩阵结果，对角线上元素表示主要粮食作物水消耗量的维持自身原有相对状态的概率，非对角线元素表示相对状态发生变化的概率（表1）。
表1 中亚五国粮食作物水消量的马尔科夫转换概率矩阵

Tab.1 The transition probability matrix of Markov chain for water consumption of major food crops in five Central Asian countries

1992—2017 哈萨克斯坦 乌兹别克斯坦 土库曼斯坦
H N L H N L H N L
H 0.6667 0.3333 0 0.3333 0.6667 0 0.7500 0.2500 0
N 0 0.9474 0.0526 0.1111 0.8333 0.0556 0.0556 0.9444 0
L 0 0.3333 0.6667 0 0.5000 0.5000 0 0.3333 0.6667
1992—2017 塔吉克斯坦 吉尔吉斯斯坦 中亚五国
H N L H N L H N L
H 0 1 0 0 1 0 0.4285 0.5714 0
N 0.0500 0.9500 0 0.1667 0.8333 0 0.0753 0.9032 0.0215
L 0 0.2500 0.7500 0 0.2500 0.75 0 0.3333 0.6667
2017—2042 哈萨克斯坦 乌兹别克斯坦 土库曼斯坦
H N L H N L H N L
H 0.4444 0.5380 0.0175 0.1852 0.7778 0.0370 0.5764 0.4236 0
N 0 0.9151 0.0849 0.1296 0.7963 0.0741 0.0941 0.9059 0
L 0 0.5380 0.4620 0.0556 0.6667 0.2778 0.0185 0.5370 0.4444
2017—2042 塔吉克斯坦 吉尔吉斯斯坦 中亚五国
H N L H N L H N L
H 0.0500 0.9500 0 0.1667 0.8333 0 0.2267 0.7610 0.0123
N 0.0500 0.9500 0 0.1389 0.8611 0 0.1002 0.8660 0.0388
L 0.1200 0.4300 0.5600 0.0417 0.3958 0.5625 0.0251 0.5233 0.4516
1992—2017年中亚五国主要粮食作物水消耗量相对状态变化总体表现为：①高度消耗、正常消耗和低度消耗维持自身状态的概率分别为0.4285、0.9032和0.6667，可见维持正常消耗和低度消耗的概率相对较大。②从三种相对状态发生转换概率来看，高度消耗向正常消耗转换的概率为0.5714，向低度消耗转换的概率为0；正常消耗向高度消耗转换的概率为0.0753，向低度消耗转换的概率为0.0251；低度消耗向高度消耗转换的概率为0，向正常消耗转换的概率为0.3333；低度消耗与高度消耗之间的相互转换概率为0，说明中亚五国主要粮食作物水消耗量最多趋向于正常消耗或保持原有相对状态。
下一个26年即2042年相应的变化表现为：①高度消耗、正常消耗和低度消耗维持自身状态的概率均有所下降，分别为0.2267、0.8660和0.4516。②从相对状态发生转换的情况来看，高度消耗向正常消耗转换的概率为0.7610，向低度消耗转换的概率为0.0123；正常消耗向高度消耗转换的概率为0.1002，向低度消耗转换的概率仅为0.0338；低度消耗向正常消耗转换的概率为0.5233，向高度消耗转换的概率为0.0251。可见，到2042年，相对状态越级转换概率不再是0，任何相对状态之间都存在转换的可能性（表1，图7）。
图7 中亚五国粮食作物水消耗量相对状态的转换概率图

Fig.7 The transition probability diagram of the relative status of water consumption of food crops in five Central Asian countries

比较中亚五国整体及各国相应的转换概率：①1992—2017年哈国和土国维持原有相对状态的概率较高，高于中亚五国整体水平；到2042年，两国维持原有相对状态的概率高于中亚五国整体水平。②1992—2017年塔国和吉国的高度消耗向正常消耗转换的概率高达100%，乌国的低度消耗向正常消耗转换概率为0.50，5个国家相对状态的越级转换概率均为0；到2042年，哈国更趋向于向正常消耗转换，乌国、塔国和吉国由低度消耗和正常消耗向高度消耗转换的概率相对较高，高于中亚五国整体的相应概率。

4 结论与讨论

4.1 结论

本文基于1992—2017年中亚五国多年平均气象气候和主要粮食作物生产等数据的梳理，探究中亚五国主要粮食作物的水足迹、水消耗量相对状态的转换概率，并预测2042年水消耗量相对状态之间转换的可能性，研究发现：
①哈国水足迹相对较高的粮食作物为高粱和小麦，较低的为土豆和玉米，大麦、小米、大米和大豆居中；乌国水足迹相对较高的粮食作物是大麦和大米，相对较低的是土豆和高粱，玉米、小麦和小米居中；土国水足迹相对较高的粮食作物是大米、大麦和玉米，相对较低的是土豆，小麦居中；塔国水足迹相对较高的粮食作物为小米和大麦，相对较低的为土豆和玉米，大米、小麦和高粱居中；吉国水足迹相对较高的粮食作物为高粱和大豆，相对较低的为土豆和玉米，小米、小麦、大麦和大米居中。
②哈国历年水消耗量最大的粮食作物小麦占主要粮食作物水消耗量的80.47%，其次大麦约占15.43%，土豆、大米、玉米、小米、大豆、高粱的水消耗量较小；乌国水消耗量最大的粮食作物小麦约占主要粮食作物水消耗量的76.59%，其次大米约占8.88%，大麦、土豆、玉米、高粱、小米的水消耗量相对较小；土国水消耗量最大的粮食作物小麦约占主要粮食作物的82.23%，其次大米约占9.75%，大麦、玉米和土豆的水消耗量相对较小；塔国水消耗量最大粮食作物小麦约占主要粮食作物水消耗量的69.83%，其次大麦约占10.88%，土豆、大米、玉米、高粱、大豆、小米相对较小；吉国水消耗量最大的粮食作物小麦约占主要粮食作物水消耗量的56.12%，其次大麦、土豆和玉米分别占18.84%、12.22%和11.32%，大米、大豆、小米、高粱的水消耗量相对较小。
③1992—2017年，中亚五国主要粮食作物水消耗量相对状态的总体差距明显缩小，总体强度明显上升，呈现出向正常消耗转换的趋势；高度消耗、正常消耗和低度消耗向自身相对状态转换的概率较高，高度消耗和低度消耗向正常消耗的转换概率较高，正常消耗向高度消耗与低度消耗转换的概率较低，相对状态越级转换的概率为0。哈国、土国主要粮食作物水消耗量维持原有相对状态的概率高于中亚五国整体水平，塔国和吉国的高度消耗向正常消耗转换的概率高达100%，乌国低度消耗向正常消耗转换概率为50%，中亚五国相对状态越级转换的概率均为0。
④预计到2042年，中亚五国主要粮食作物水消耗量的三种相对状态之间均具有相互转换的可能性，三种相对状态自我维持的概率有所下降，高度消耗与正常消耗之间、正常消耗与低度消耗之间相互转换的概率均有所升高，未来中亚五国主要粮食作物水消耗量的高度消耗和低度消耗的风险增加。以国别看，哈国和土国维持原有相对状态的概率高于中亚五国整体水平，乌国、塔国和吉国向高度消耗转换的概率相对较高。

4.2 讨论

中亚五国自身的粮食生产和供应保障及其所关联的双边贸易国家，是构成该地区水资源可持续议题的共同体，由此，考察中亚五国粮食安全所需水资源的动态可持续性十分迫切。小麦是中亚五国产量最高、水消耗量最大的粮食作物，同时中亚五国的大麦、玉米等粮食生产耗水量也有上升趋势，总体上，中亚五国粮食生产及其耗水量格局不断滑向扁平结构，或可带来更多未知隐患。基于对中亚五国未来粮食生产水消耗的预测结果可以得出，除哈国外，其余四国的粮食生产在自足、调配和出口等方面的安全状况均处于较低水平，尤以塔国和吉国粮食生产安全的抗风险能力最弱。因此，中亚五国粮食生产水消耗量的空间匹配及其趋势，应当引起我国相关中亚贸易和合作部门的足够重视。只有通过预见性的政策安排，与中亚五国一道，尽早建立双边和多边复合型水治理框架，优化该地区水资源利用格局，与该地区开展水利用技术的长期合作，才能尽可能化解“一带一路”的不稳定因素。
另外，本文采用马尔科夫链分析预测中亚五国粮食生产所需水消耗的动态变化，相对准确地锁定了被研究对象时空变化的前后关联性，为研究中亚五国粮食生产与水消耗的区域不平衡现象提供了较为科学的方法支撑。同时，粮食生产的水消耗量具有明显的“无后效性”，即当年的水消耗量相对状态仅与上一年的水消耗量相对状态有关，正好符合马尔科夫链法对被研究对象“无后效性”的分析要求。因而，运用马尔科夫链预测中亚五国粮食生产水消耗量的相对状态，研究结果比常规的经济和政策等影响因素分析法更有解释力。
水足迹预测的影响因素错综复杂，全面而深度地研究中亚五国粮食作物生产的水足迹和水消耗议题，还需要考虑不同国家粮食作物的种植结构、食物构成、社会习俗和管理制度的差异性，这是本研究继续深入时有待跟进的内容。当然，本论文涉及的数据量较大，中亚五国相关统计数据的精确度参差不齐，加之缺失布点均匀的气象数据和个别国家特定粮食作物的产量数据，使得本文对中亚五国主要粮食作物水足迹和水消耗量的分析仅止步于宏观尺度。希望在今后的研究中，能深入中亚五国进行实地细致调研，以进一步完善和充实本文结论。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Allan J A. ‘Virtual water’:A long term solution for water short Middle Eastern economies?[R]. London: School of Oriental and African Studies,University of London,1997.

[2]
Hoekstra A Y. Virtual water trade:Proceedings of the international expert meeting on virtual water trade[R]. Delft,The Netherlands,International Expert Meeting on Virtual Water Trade 12,2003.

[3]
Hoekstra A Y, Chapagain A K, Aldaya M M, 等. 水足迹评价手册[M]. 刘俊国,曾昭,赵乾斌,等,译. 北京: 科学出版社, 2012.

[4]
Gerbens-Leenes W, Hoekstra A Y, van der Meer T H. The water footprint of bioenergy[J]. Proceedings of the National Academy of Sciences, 2009, 106(25):10219-10223.

[5]
田园宏, 诸大建, 王欢明, 等. 中国主要粮食作物的水足迹值:1978-2010[J]. 中国人口·资源与环境, 2013, 23(6):122-128.

[6]
操信春, 吴普特, 王玉宝, 等. 中国灌区粮食生产水足迹及用水评价[J]. 自然资源学报, 2014, 29(11):1826-1835.

DOI

[7]
马驰, 杨中文, 宋进喜, 等. 1992—2017 年中亚五国农作物水足迹变化特征[J]. 中国生态农业学报(中英文), 2021, 29(2):269-279.

[8]
Fader M, Gerten D, Thammer M, et al. Internal and external green-blue agricultural water footprints of nations,and related water and land savings through trade[J]. Hydrology and Earth System Sciences, 2011, 15(5):1641-1660.

[9]
Mekonnen M M, Hoekstra A Y. A global and high-resolution assessment of the green,blue and grey water footprint of wheat[J]. Hydrology and Earth System Sciences, 2010, 14(7):1259-1276.

[10]
Aldaya M M, Allan J A, Hoekstra A Y. Strategic importance of green water in international crop trade[J]. Ecological Economics, 2010, 69(4):887-894.

[11]
Sun S, Wu P, Wang Y, et al. The impacts of interannual climate variability and agricultural inputs on water footprint of crop production in an irrigation district of China[J]. Science of the Total Environment, 2013,444:498-507.

[12]
于水, 陈迪桃, 黄法融, 等. 中亚农业水资源脆弱性空间格局及分区研究[J]. 中国农业资源与区划, 2020, 41(4):11-20.

[13]
徐海燕. 构建丝路粮食通道的若干思考[J]. 国际问题研究, 2016(4):66-74.

[14]
Chen Y, Li Z, Fang G, et al. Large hydrological processes changes in the transboundary rivers of Central Asia[J]. Journal of Geophysical Research:Atmospheres, 2018, 123(10):5059-5069.

[15]
杨胜天, 于心怡, 丁建丽, 等. 中亚地区水问题研究综述[J]. 地理学报, 2017, 72(1):79-93.

DOI

[16]
李立凡, 陈佳骏. 中亚跨境水资源:发展困境与治理挑战[J]. 国际政治研究, 2018, 39(3):89-107.

[17]
石天戈, 时卉. 中亚五国资源环境承载与经济发展耦合协调性分析[J]. 世界地理研究, 2019, 28(6):32-41.

DOI

[18]
王惠文, 葛岳静, 马腾. 地缘位势与中国—中亚地缘关系初探[J]. 经济地理, 2018, 38(9):10-21.

DOI

[19]
赵亚博, 葛岳静. 基于事件分析法的中国与中亚地区地缘关系演变[J]. 经济地理, 2019, 39(5):1-9.

DOI

[20]
杨立卓, 刘雪娇, 余稳策. “一带一路”背景下我国与中亚国家贸易互补性研究[J]. 上海经济研究, 2015(11):94-103.

[21]
郑蕾, 刘志高. 中国对“一带一路”沿线直接投资空间格局[J]. 地理科学进展, 2015, 34(5):563-570.

DOI

[22]
Du J, Zhang Y. Does one belt one road initiative promote Chinese overseas direct investment?[J]. China Economic Review, 2018(47):189-205.

[23]
Howard K W, Howard K K. The new “Silk Road Economic Belt” as a threat to the sustainable management of Central Asia's transboundary water resources[J]. Environmental Earth Sciences, 2016,https://doi.org/10.1007/s12665-016-5752-9.

[24]
陈亚宁, 李稚, 方功焕, 等. 气候变化对中亚天山山区水资源影响研究[J]. 地理学报, 2017, 72(1):18-26.

DOI

[25]
Zhang Y F, Li Y P, Sun J, et al. Optimizing water resources allocation and soil salinity control for supporting agricultural and environmental sustainable development in Central Asia[J]. Science of the Total Environment, 2020,704:135281. https://doi.org/10.1016/j.scitotenv.2019.135281.

[26]
Jefferies D, Muñoz I, Hodges J, et al. Water footprint and life cycle assessment as approaches to assess potential impacts of products on water consumption. Key learning points from pilot studies on tea and margarine[J]. Journal of Cleaner Production, 2012(33):155-166.

[27]
Lovarelli D, Bacenetti J, Fiala M. Water footprint of crop productions:a review[J]. Science of the Total Environment, 2016,548:236-251.

[28]
Feng L, Chen B, Hayat T, et al. Dynamic forecasting of agricultural water footprint based on Markov Chain-a case study of the Heihe River Basin[J]. Ecological Modelling, 2017,353:150-157.

[29]
Allen R G, Pereira L S, Raes D, et al. Crop evapotranspiration-guidelines for computing crop water requirements[R]. FAO Irrigation and Drainage Paper 56,1998.

[30]
戴其文, 魏也华, 宁越敏. 欠发达省域经济差异的时空演变分析[J]. 经济地理, 2015, 35(2):14-21,29.

Options
Outlines

/

〈 〉