EN中文

Arid Zone Research >

2025 , Vol. 42 >Issue 6: 993 - 1003

DOI: https://doi.org/10.13866/j.azr.2025.06.04

Land and Water Resources

Sustainable dynamics and driving factors of the global virtual water trade in crops

  • DI Yanfeng , 1, 2 ,
  • DUAN Weili , 1, 2 ,
  • ZHOU Yiqi 3, 4 ,
  • HE Chao 5, 6
Expand
  • 1. State Key Laboratory of Desert and Oasis Ecology, Key Laboratory of Ecological Safety and Sustainable Development in Arid Lands, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, Xinjiang, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. School of Geography and Ocean Science, Nanjing University, Nanjing 210023, Jiangsu, China
  • 4. Key Laboratory of Carbon Neutrality and Territory Optimization, Ministry of Natural Resources, Nanjing 210023, Jiangsu, China
  • 5. Collaborative Innovation Center for Emissions Trading System Co-constructed by the Province and Ministry, Wuhan 430205, Hubei, China
  • 6. Wuhan Documentation and Information Center, Chinese Academy of Sciences, Wuhan 430071, Hubei, China

Received date: 2024-11-29

  Revised date: 2024-12-25

  Online published: 2025-08-12

Fold

Abstract

Incorporating agricultural irrigation water into the global trade chain and determining its sustainability is vital for ensuring water and food security. However, the issue of sustainability in the virtual water of crop trade has received limited attention, due to the conflict between economic benefits and water resource utilization. Thus, based on the crop production and trade matrix data from the Food and Agriculture Organization, this study conducted physical trade flow and spatial correlation analyses as well as multiscale geographically weighted regression to systematically analyze the spatiotemporal distribution, the spatial correlation characteristics, and the driving factors of net exported virtual water sustainability in global crop trade from 2000 to 2019. Based on the findings, the sustainable and unsustainable net exported virtual water volumes in global crop trade (especially cotton) exhibited a fluctuating upward trend (approximately 0.20 Gm3 per year) over the past two decades. However, due to agricultural technological advancements, the proportion of unsustainable virtual water in the total virtual water trade volume decreased from 42.31% to 41.40%. Although the spatial analysis revealed considerable spatial clustering of unsustainable net exported virtual water volumes between 2000 and 2009, as shown by global and local Moran’s I statistics, this clustering trend weakened and became more dispersed over the past decade. Moreover, the increase in net exported virtual water was mainly driven by changes in cultivated land area, with agricultural value-added having a significant negative impact on virtual water in trade. Overall, these results highlight the importance of implementing stringent food security policies in order to facilitate the sustainable development of the global virtual water trade in crops and to further reduce the proportion of unsustainable water use.

Key words： global; crops; virtual water; sustainability; driving factors

Cite this article

DI Yanfeng , DUAN Weili , ZHOU Yiqi , HE Chao . Sustainable dynamics and driving factors of the global virtual water trade in crops[J]. Arid Zone Research, 2025 , 42(6) : 993 -1003 . DOI: 10.13866/j.azr.2025.06.04

随着淡水资源总量减少和各经济部门对水需求的增加，满足日益增长的人口对基本生活的需求以及保障水资源的长期可持续性面临严峻挑战[1-3]。预计2010—2050年，全球用水需求将增加20%~30%[4]。在全球气候变化的背景下，虚拟水贸易为解决区域水资源安全和粮食安全问题提供了新思路[5-6]。虚拟水贸易主要通过农产品及其他商品的国际贸易，将水资源隐含地从水资源丰富的国家或地区“转移”至水资源短缺的区域[7-8]。这种资源的隐性转移对于缓解因人口增长和消费模式变化等带来的水资源压力具有重要意义，尤其在水资源分布不均的地区尤为关键[9]。因此，理解农作物贸易过程中虚拟水足迹的动态演变，对于制定有效的水资源管理战略至关重要。
蓝色虚拟水指的是在商品生产过程中，尤其是农业灌溉中，消耗的地表水和地下水资源所体现的虚拟水量[9]。它代表了生产该商品所需的可提取和利用的淡水资源，用于量化水资源在全球贸易中的间接流动及其对水资源可持续管理的影响[10]。近年来，越来越多的研究在不同空间尺度上探讨了与农作物贸易可持续性相关的水足迹，以评估农作物贸易对水资源可持续利用的影响[11-17]。在全球尺度上，Mekonnen和Hoekstra[1]以5弧分的空间分辨率量化并绘制了各国国民消费的蓝色水足迹，研究结果显示，全球消费的蓝色虚拟水中有43%来自环境径流已超载（即不可持续）的区域。在国家尺度，Hekmatnia等[18]对2002—2021年小麦的虚拟水贸易进行了全球评估，结果显示全球小麦虚拟水贸易中有68.3%为不可持续，且这一不可持续性主要由美国、澳大利亚和俄罗斯等水资源丰富的国家驱动。在区域尺度，Gao等[19]基于2004—2013年中国20种主要农作物的虚拟水足迹进行案例分析，结果表明在研究期间，省际间不可持续的农作物虚拟水足迹增长了8%，且虚拟水足迹在可持续性与效率之间存在权衡效应。鉴于贸易网络可以跨越地理和政治边界，从全球多区域视角研究各国农作物生产和贸易的水足迹，并分析其可持续性，对于农业水资源的可持续利用具有重要意义。
目前，国内外学者已采用多种方法核算虚拟水贸易及其可持续性评估，包括CropWat模型[20-22]、GEPIC模型[23-24]和多区域投入产出模型（Multi-Regional Input-Output，MRIO）[25-26]等。例如，刘叶等 [13]利用投入产出法测算了2015—2019年河南省农产品的虚拟水贸易量，发现河南省在此期间虚拟水贸易发展水平稳步提升，其中经济发展、基础设施建设、贸易顺差以及农业生产的实体水管理是促进虚拟水贸易增长的重要因素。然而，由于MRIO模型侧重于宏观经济部门，在农产品的具体分类方面存在不足[27]。Kastner等[28]提出了实物贸易流（Physical Trade Flow，PTF）方法，以更高的部门和产品分辨率对农产品贸易流进行详细分析，从而更直接、更清晰地将消费数据与初级产品来源联系起来[10]。因此，本研究尝试采用实物贸易流方法核算全球虚拟水贸易的动态变化及其可持续性，为优化全球水资源管理提供科学依据。
基于此，本研究采用实物贸易流方法，核算并分析了2000—2019年全球18个地区（涵盖205个国家）35种作物及其农产品贸易相关的灌溉水足迹动态演变趋势。同时，本研究考虑了环境流量，量化了这些地区和国家之间进出口水足迹流量的可持续性。此外，研究运用地理加权回归方法，评估了经济、社会、自然等12个驱动因素对贸易水足迹从生产到消费的可持续性变化的贡献。本研究将整个食品供应链中的水足迹在全球范围内归因到最终消费者，提供了一致且细化的流程和产品分解视角。这种综合方法有助于识别并制定针对整个贸易过程和最终消费者的政策干预措施，进而优化从生产到消费环节中低效水足迹流动的减少策略。

1 数据与方法

1.1 研究区概况

本研究基于世界银行提供的主要区域分组（https://datatopics.worldbank.org/world-development-indicatos/the-world-by-income-and-region.html）为基础，在全球范围内进行了研究。研究考虑了2000—2019年世界国家的主要存在时间，匹配了变动前后的数据确保数据的时间序列完整，本研究的区域划分参考了文献[17]的研究方案（图1）。
图1 研究区示意图

Fig. 1 Map of the study area

1.2 数据来源

本研究使用了联合国粮食及农业组织（Food and Agriculture Organization，FAO）提供的1999—2020年的生产数据（https://www.fao.org/faostat/en/#data/QCL）。该数据集涵盖了研究所需35种主要农作物的生产数量，包括谷物、柑橘类水果和纤维等作物。此外，FAO还提供了研究期间的贸易矩阵数据，详细描述了主要农作物及其加工产品的实际贸易互动，以主粮作物小麦为例，贸易矩阵中记录了小麦作物的贸易，也囊括了小麦粉、小麦麸皮、小麦粗粉等小麦作物的附加产品（表1）。此外，FAO还提供了研究期间的贸易矩阵数据，详细描述了主要农作物及其加工产品的实际贸易互动。由于严格的进口关税控制，分析中主要采用了作物进口数据，出口数据则用于补充缺失的进口信息[10,17]。为消除贸易数据和生产数据的年度波动，本研究对农作物的生产数据以及农作物及其副产品贸易数据采用了三年的平均值。研究中所使用的农业商品技术转换因子同样由FAO提供（https://www.fao.org/fileadmin/templates/ess/documents/methodology/tcf.pdf），用来将贸易中的农业副产品数据转化为初级产品以为后续捕捉完整的农作物再出口供应链。
表1 本研究选取的35种农作物种类

Tab. 1 35 selected crop types in this study

FAO
编码		 作物
名称		 作物
类别		 FAO
编码		 作物
名称		 作物
类别
15 小麦 谷物 242 生花生 油料作物
27 大米 谷物 249 椰子 油料作物
56 玉米 谷物 254 油棕果 油料作物
44 大麦 谷物 267 葵花籽 油料作物
79 小米 谷物 270 油菜籽 油料作物
83 高粱 谷物 289 芝麻籽 油料作物
116 土豆 根茎类 328 棉花 纤维作物
122 红薯 根茎类 656 生咖啡 兴奋剂类作物
137 山药 根茎类 661 可可豆 兴奋剂类作物
125 木薯 根茎类 667 茶叶 兴奋剂类作物
156 甘蔗 糖类作物 486 香蕉 水果
157 甜菜根 糖类作物 489 大蕉 水果
176 干豆 豆类 512 柑橘 水果
191 干鹰嘴豆 豆类 388 番茄 蔬菜
195 干豇豆 豆类 403 洋葱 蔬菜
197 干鸽豆 豆类 826 烟草 其他作物
201 干扁豆 豆类 836 橡胶 其他作物
236 大豆 油料作物
研究中使用的蓝色水足迹数据反映了作物灌溉情况，来源于Scientific Data提供的农业水足迹数据集[29]，该数据集提供了1990—2019年间各国详细的作物单位灌溉用水足迹，考虑了年度的气候变动与灌溉面积扩张的情况。本研究使用的全球水资源压力指数数据来源于AQUASTAT，指标计算参考了可持续发展目标第6.2.4项指标，将环境径流纳入水资源承载能力的考量。对于缺失的时间序列数据，本研究采用样条插值方法进行向前插补。

1.3 研究方法

1.3.1 实物贸易流方法

采用实物贸易流（Physical Trade Flow，PTF）方法，基于2000—2019年205个国家或地区之间的实际贸易流量，估算了35种初级和加工农业产品的水资源消耗量。PTF方法由Kastner提出[28]，以更高产品分辨率对农产品贸易流进行详细分析，从而更直接、更清晰地将消费数据与初级产品来源联系起来。能够追踪农作物产品在国际供应链中的流动，包括从国内生产到国家间的双边贸易，最终到达产品的终端消费者。该方法对于农业产品对环境影响的消费核算得到广泛应用，如农业用水[10]，农业碳排放[17]等。对于每一年的每种作物（c），本研究构建了以下矩阵：
C i r r i g a t i o n c , y = c ^ c , y × I - A c , y - 1 × P ^ c , y ×                                                     u ^ W F i r r i g a t i o n c , y
A = T / D M I
式中： C i r r i g a t i o n c , y表示年份 y中国家层面作物 c的灌溉用水消耗矩阵； c ^表示国内物质消费（Domestic Material Consumption，DMC）在国内物质输入（Domestic Material Input，DMI）中的比重向量； A为按目的地国划分的出口占DMI的比重矩阵。矩阵 T表示由FAO提供的贸易数据，包含作物及其加工产品的贸易量； I为与 A维度相同的单位矩阵； P ^ c , y为作物产量的对角矩阵； u ^ W F i r r i g a t i o n c , y为每吨作物的水足迹消耗量（m3·t-1·a-1）。
此外，本研究确定了每个国家的实际灌溉用水消耗量 C w c以及作物灌溉水的最终消费量 P w c，计算方法如下：
C w c = ∑ J ˙ i ≠ j n C i r r i g a t i o n c , y
P w c = ∑ i ˙ i ≠ j n C i r r i g a t i o n c , y
在计算中，净进口总量为每个国家的作物灌溉用水进口量与出口量之差。

1.3.2 虚拟水可持续性分析

将每个地区年度农作物贸易消费的蓝色水足迹与全球水资源压力指数地图相叠加，以计算蓝色水资源的稀缺度[1]。如果某个地区的蓝色水资源稀缺度超过1，则该地区的蓝色水足迹被视为不可持续或超出环境径流要求。这表明当地的蓝色水足迹超出了可用水量，而可用水量被定义为自然径流减去环境径流。一个国家或地区从另一个国家进口的与特定产品相关的超标环境径流的蓝色虚拟水比例，可以通过将该国对该特定产品的虚拟水进口量，结合环境径流的超标比例来计算。
本研究基于Mekonnen和Hoekstra（2016）[30]对蓝水足迹短缺等级的划分方法，以衡量径流变化的程度及水资源压力，将轻度蓝水短缺（水资源短缺指数<1.0）定义为可持续虚拟水，而将其余类别归为不可持续虚拟水（水资源短缺指数≥1.0），即不满足环境流量的要求。考虑到全球各个国家的统一框架，本研究中的水资源短缺标准按照SDG 6.4.2（进口所体现的稀缺水消耗量）标准进行调整，以满足国家尺度衡量水足迹压力的要求，具体而言对于SDG 6.4.2计算的水资源短缺指数在国家尺度上WSI=0.25被视为水资源压力的界限。

1.3.3 空间自相关分析

空间自相关是指同一区域内变量之间潜在的相互依赖关系[31]。在农作物虚拟水贸易的分析中，空间自相关方法有助于识别特定区域内虚拟水的输入或输出聚集效应。若某一地区的虚拟水贸易显著表现出高值聚集，可能反映了该地区的农作物贸易对当地水资源的较高依赖性，从而对该区域的水资源管理带来一定挑战。本研究利用全局Moran’s I指数来衡量农作物虚拟水贸易可持续性的全局空间自相关性。全局Moran’s I的取值范围为[-1, 1]，当在某一显著性水平下，全局Moran’s I值大于0时，表示高值和高值或低值和低值间存在聚集效应，即空间正相关；若全局Moran’s I值小于0，则为负相关，呈现空间分散的特征。接近0的值则表明无明显空间相关性。尽管全局空间自相关分析能够揭示数据的总体聚集趋势，但未能体现区域内部的空间异质性[32]。因此，为了更深入了解空间自相关特征，引入局部空间自相关测度（Anselin Local Moran’s I），以揭示区域内的空间异质性。局部空间自相关能够识别统计上显著的空间聚类，如高值聚类（热点）和低值聚类（冷点）。通过对虚拟水贸易的空间自相关性进行分析，能够更系统地理解各国间水资源依赖关系的空间格局，进而揭示其对可持续发展的影响与潜在问题。

1.3.4 多尺度地理加权回归

采用多尺度地理加权回归（Multiscale Geographically Weighted Regression，MGWR）模型，分析社会、经济、自然等统计变量（表2）对多区域农作物虚拟水贸易的影响。地理统计空间分析方法对于识别这些变量在不同地理区域中表现和交互方式的差异具有重要意义，从而揭示局部影响和显著趋势。多尺度地理加权回归相较于传统回归分析具有显著的改进，特别适用于空间和地理相关的研究。传统回归模型假定因变量与自变量之间的关系在整个研究区域内保持一致，而多尺度地理加权回归通过允许回归参数在不同空间单元之间变化，适应了空间可变性。这种方法能够更细致地揭示地理动态，为理解农作物虚拟水贸易中的空间差异提供了有力工具。计算公式如下：
y i = β 0 u i , v i + ∑ k = 1 k β k u i , v i x i k + ϵ i
式中： y i表示第 i个观测点的因变量值； β 0 u i , v i表示在位置 ( u i , v i )上的截距项，这里的 u i和 v i是第 i个位置的地理坐标； β k u i , v i表示自变量 x k在位置 ( u i , v i )上的回归系数，反映了自变量 x k在不同地理位置对因变量的不同影响； x i k表示第 i个观测点的第 k个自变量值； ϵ i表示第 i个观测点的随机误差项。
表2 农作物贸易虚拟水驱动因素指标选取

Tab. 2 Selection of indicators for drivers of virtual water in crop trade

维度 序号 指标 单位
经济因素 1 国内生产总值 $
2 消费者物价指数 -
3 农林渔业增加值 $
社会因素 4 物流绩效指数 -
5 商品净出口总额 $
6 总人口 -
自然因素 7 耕地面积 hm2
8 森林面积 km2
9 人均可再生内陆淡水资源量 m3
10 水资源压力水平 -
地理因素 11 是否为内陆国 -
12 国家邻接数 -

2 结果与分析

2.1 全球农作物贸易净出口虚拟水的可持续性

图2展示了2000—2019年期间，与作物贸易相关的净出口可持续与不可持续虚拟水的时空分布格局。总体而言，可持续净出口虚拟水量呈逐年波动上升趋势，从2000年的28.07 Gm3增加到2019年的32.06 Gm3。其中，中国、日本和越南的可持续净出口虚拟水量位居前列，分别达到5.75 Gm3、2.25 Gm3和2.17 Gm3。研究期间，不可持续的净出口虚拟水足迹增加了66.50%，从2000年的20.59 Gm3上升至2019年的61.47 Gm3，平均每年增加0.20 Gm3。然而，不可持续净出口虚拟水足迹在总虚拟水足迹中的比例略有下降，从42.31%减少至41.40%。在2019年，印度、巴基斯坦和埃及在不可持续净出口虚拟水足迹中占据了最大的份额，分别为27.13%、16.47%和13.22%。2001—2020年，全球农作物贸易的可持续净出口虚拟水总量为644.33 Gm3，年均32.22 Gm3。
图2 2000—2019年农作物贸易中可持续与不可持续净出口虚拟水分布格局

Fig. 2 Spatial distribution patterns of sustainable and unsustainable net exports of virtual crop trade water from 2000 to 2019

从农作物角度来看，2000年，棉花造成的不可持续净出口虚拟水有15.48 Gm3，其次是甘蔗（1.63 Gm3）和玉米（0.78 Gm3）。2019年，棉花消费的不可持续净出口虚拟水仍然最大，占总量的37.93%，其次是甘蔗（25.72%），小麦（12.06%）以及甜菜根（5.58%）。

2.2 全球农作物贸易净出口虚拟水的可持续性空间关联

为进一步分析全球各区域农作物贸易净出口虚拟水的空间关联特征，对农作物贸易净出口虚拟水量进行了全局空间自相关分析。结果显示（表3），2000—2019年农作物可持续虚拟水的空间分布呈随机状态，不存在集聚或离散。此外，农作物贸易中不可持续净出口虚拟水的Moran’s I指数均为正值，表明研究区域内不可持续净出口虚拟水具有较强的正向空间自相关性。在2000年不可持续净出口虚拟水的Moran’s I值为0.14，Z得分为5.58，显示出显著的空间聚集特征。2004年，Moran’s I值略微下降至0.10，Z得分为3.90，聚集效应有所减弱。至2009年，Moran’s I值进一步降低至0.09，Z得分为4.29，表明空间聚集效应持续减弱。2014年和2019年，不可持续净出口虚拟水的Moran’s I值分别为0.06和0.04，Z得分分别为2.48和1.66，显示出空间聚集效应存在逐渐降低的趋势。这些结果揭示了不可持续净出口虚拟水的空间聚集特征在2000—2009年显著，但在2009—2019年逐渐减弱并趋于分散。
表3 2000—2019年全球农作物贸易净出口虚拟水Moran’s I估计值

Tab. 3 Estimated Moran’s I values for net exports of virtual crop trade water from 2000 to 2019

指标 指数 2000年 2004年 2009年 2014年 2019年
农作物可持续净出口虚拟水 Moran’s I值 0.00 0.00 0.00 0.00 0.00
Z得分 -0.18 -0.16 0.38 0.36 -0.08
P值 0.57 0.56 0.35 0.36 0.53
农作物不可持续净出口虚拟水 Moran’s I值 0.14 0.10 0.09 0.06 0.04
Z得分 5.58 3.90 4.29 2.48 1.66
P值 0.00 0.00 0.00 0.01 0.05
图3展示了局部空间自相关分析的结果，揭示了全球范围内农作物贸易净出口虚拟水可持续性显著的冷点和热点分布特征。2019年，热点区域主要集中在美国、巴西和巴基斯坦，显示出这些地区农作物贸易净出口的不可持续性较为突出，表明它们在农作物生产中对水资源的消耗较大，且高度依赖外部水资源，不可持续农作物贸易净出口虚拟水的输出量显著。相较之下，冷点区域分布在农作物贸易净出口虚拟水较为可持续的国家，如俄罗斯、加拿大和部分东欧国家，这些地区在农作物生产中表现出较高的水资源自给率，具有较强的可持续性。
图3 2000—2019年农作物贸易中可持续与不可持续净出口虚拟水空间LISA关联特征

Fig. 3 Spatial LISA clustering patterns of sustainable and unsustainable net virtual water exports in global crop trade from 2000 to 2019

此外，图3还表明，从2000—2019年，东欧地区的可持续农作物贸易净出口虚拟水集群逐渐减少，可能反映出这些国家在虚拟水出口过程中可持续性逐步降低的趋势。同时，撒哈拉以南非洲和南亚部分地区在过去20 a间持续面临水资源短缺的问题，虚拟水贸易的可持续性较低，显示出这些地区在应对水资源短缺和保障农作物生产方面所承受的长期压力。

2.3 全球农作物贸易净出口虚拟水的驱动因素

在应用MGWR模型进行回归分析之前，本研究首先采用线性回归模型对农作物虚拟水净出口量与各显著驱动因素进行了全局拟合，对于OLS模型的结果使用逐步剔除的方法删除VIF较大的数据，最终模型的VIF值均小于7.5，本研究中删除了总人口指标用以建立MGWR模型，保证变量间不存在多重共线性。表4展示了线性回归模型和MGWR模型的拟合结果，其中MGWR模型的调整R2值为0.80，显著高于线性回归模型的0.72。此外，MGWR模型的修正赤池信息准则（Akaike Information Criterion，AIC）值比线性回归模型低176.88，综合结果表明MGWR模型的拟合效果更优。
表4 MGWR模型与线性回归模型结果对比

Tab. 4 Comparison of MGWR Model and Linear Regression Model Results

R2 调整R2 AIC
OLS 0.74 0.72 465.88
MGWR 0.83 0.80 289.00
通过MGWR模型测算得到5个显著驱动因素：国内生产总值、耕地面积、净出口总额、国家邻接数和农业增加值的空间分异回归系数（图4）。从标准化残差空间分布图来看（图4f），区域内标准化残差的均值为-0.01，阿富汗的标准化残差较大（-4.21），纳米比亚、贝宁和几内亚偏低，MGWR模型整体上对各研究区域的拟合精度较好。
图4 2000—2019年农作物贸易净出口虚拟水量空间分异影响因子回归系数的MGWR模型分布

Fig. 4 Distribution of regression coefficients from the MGWR model for factors influencing the spatial differentiation of virtual water in net crop trade exports from 2000 to 2019

基于图4中MGWR模型对2019年农作物贸易净出口虚拟水量的空间分异影响因子回归系数的估计，显著驱动因素包括国内生产总值、国家邻接数、农业增加值、耕地面积和净出口总额。其中，国内生产总值的回归系数范围为-0.236~-0.215（图4a），在空间分布上，东亚和南亚地区表现出高值集聚特征，而北美和西欧地区呈现低值集聚特征。国家邻接数的回归系数范围为-0.109~-0.027（图4d），正值主要集中在中亚和东欧地区，而负值则分布于非洲北部、南亚等区域，其中新西兰的系数最低。农业增加值的回归系数范围为-0.678~-0.629（图4e），高值影响区域集中在南亚和中美洲，而低值影响区域主要出现在东欧和部分非洲国家。对于耕地面积（图4b），其回归系数均为正值，范围为0.225~1.122，显示出显著的空间异质性。欧洲国家是显著的低值区，而东亚和东南亚则是高值集聚地区。净出口总额的回归系数范围较广，从-1.798到5.10不等（图4c），在空间上也表现出不同的波动性，高值区域主要分布在北美洲，而低值区域则集中在非洲、中东和部分东欧国家。

3 讨论

本研究为全球农作物贸易中不可持续虚拟水量的持续增长提供了定量证据，并识别出其主要驱动因素。研究结果显示，这一增长主要受耕地面积变动的驱动。此外，农业增加值对贸易中的虚拟水量产生显著的负向影响，值得特别关注。

3.1 净出口虚拟水量变化归因

研究结果显示，近20 a间可持续净出口虚拟水量呈逐年波动上升趋势，中国、日本和越南在全球可持续净出口虚拟水量排名中位居前列。有研究表明，在中国和日本等国家，农业技术的进步与水资源管理的优化显著提高了水资源利用效率[33-35]。这些国家逐步推广高效灌溉技术与先进的农业管理手段，有效降低了农业生产中对不可持续水资源的依赖，使得更多的虚拟水出口符合可持续标准[36]。
同时，尽管不可持续的净出口虚拟水足迹总量有所增加，但其在总虚拟水足迹中的比例略有下降。这一趋势表明，全球农产品需求的增加带动了虚拟水贸易规模的扩大[37-38]，从而推高了总虚拟水足迹。与此同时，随着全球对可持续发展的日益重视，许多国家（例如马来西亚等东盟诸国）积极推进可持续农业政策[39-41]，甚至对不可持续的生产方式设置贸易限制[42]。此外，消费者对环境友好型农产品的需求逐渐增加，也在一定程度上推动了出口国提升可持续虚拟水足迹的比例，降低了不可持续虚拟水在总量中的比例。
然而，印度、巴基斯坦和埃及等国家依然面临严重的水资源短缺，尤其是在农业生产中高度依赖不可再生水源或过度抽取地下水进行灌溉[43-44]。因此，这些国家在农业水资源管理、灌溉技术改进、政策制定和经济发展模式上仍需克服诸多挑战，以实现水资源利用的可持续性。

3.2 净出口虚拟水空间聚集特征的影响

与上述结果相对应，不可持续净出口虚拟水的空间聚集特征在2000—2009年较为显著，而在2009—2019年逐渐减弱并趋于分散。已有研究表明，2000年初全球农产品贸易快速增长，部分国家（例如撒哈拉以南非洲和南亚部分地区）的农业生产依赖高水耗、低效率的传统灌溉方式，导致水资源不可持续使用现象在特定区域内集聚[45-47]。全球市场的需求推动了这些高耗水型农产品的生产和出口，形成了较为明显的空间聚集特征。
然而，从2009年开始，随着全球对水资源保护与可持续发展的关注日益加深，许多国家逐步采用了更为高效、节水的农业技术和管理方式，尤其是俄罗斯、加拿大及部分东欧国家在推动虚拟水贸易可持续性方面发挥了积极作用[48-49]。此外，国际社会对水资源短缺地区的关注和政策干预力度的加大，尤其是在贸易政策和国际协定中对可持续农业的鼓励[50]，使虚拟水贸易的不可持续性逐渐在空间上趋于分散，聚集性特征逐步减弱。

3.3 不确定性分析与未来展望

本研究表明，全球农作物贸易中的不可持续虚拟水量在短期内可能会继续增长。尽管本研究提供了关于全球农作物灌溉水贸易网络的相关分析，仍需承认一些局限性。首先，核算边界聚焦于农作物灌溉水的贸易消费，仅涵盖农作物相关的贸易。PTF方法的优势是捕捉更多的贸易链并提供详尽数据，但相较于MRIO方法，PTF方法缺乏对能源作物利用和作物储存等关联性的全面考量。未来研究可考虑结合PTF和MRIO方法的优势，进一步揭示农作物贸易网络的复杂性。其次，局限于农作物贸易及其本地核算，未涵盖牲畜饲料的消费。这是由于大多数饲料作物（如苜蓿）主要在本地消费，且缺乏支持牲畜饲料消费准确核算或转换的长期可靠数据。第三，数据方面采用粮农组织的权威数据对进出口进行比较，并基于更准确的进口数据进行计算，但进出口数据间可能存在一定误差。
未来的研究计划引入更多数据集，进一步加强对特定贸易供应链中水足迹相关环境影响的分析，重点研究不同消费需求如何驱动水足迹消费。此外，在探讨水足迹的区域差异时，应进一步考察其他农业投入（如机械使用和施肥）对更广泛环境足迹的影响，以更全面地评估农作物贸易的可持续性。

4 结论

本研究量化了2000—2019年全球农作物虚拟水贸易的可持续性动态演变过程，揭示了农作物虚拟水贸易的空间关联特征，并确定了影响净出口虚拟水量的关键驱动因素。结论如下：（1） 全球农作物可持续净出口虚拟水量呈现出逐年波动上升的趋势，其中以中国、日本和越南的可持续净出口虚拟水量位居前列。此外，全球农作物（尤其是棉花）的不可持续净出口虚拟水量也在持续增加，但其在虚拟水贸易总量中的占比略有下降。（2） 从空间关联特征来看，2000—2019年全球农作物不可持续净出口虚拟水量表现出显著的空间聚集特征，然而近10 a这一聚集趋势逐渐减弱并趋向分散。在全球范围内，农作物贸易净出口虚拟水可持续性的热点区域主要集中在美国、巴西和巴基斯坦等地，而冷点区域则分布在虚拟水贸易较为可持续的国家，如俄罗斯、加拿大和部分东欧国家。（3） 净出口水量的增长主要受耕地面积变动的驱动，农业增加值对贸易中的虚拟水量产生显著的负向影响。为支持农作物贸易的可持续发展，建议政府机构和政策制定者优先提升水资源配置效率，以应对水资源分布不均衡和环境压力等挑战，从而推进农作物贸易的虚拟水可持续性发展。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Mekonnen M M, Hoekstra A Y. Blue water footprint linked to national consumption and international trade is unsustainable[J]. Nature Food, 2020, 1(12): 792-800.

DOI PMID

[2]
徐东来, 孙秀秀, 李文良, 等. 自然变化和人类活动影响下区域虚拟水贸易定量分析[J]. 人民黄河, 2023, 45(9): 90-95.

[Xu Donglai, Sun Xiuxiu, Li Wenliang, et al. Quantitative analysis of virtual water net exports under the impacts of natural changes and human activities[J]. Yellow River, 2023, 45(9): 90-95.]

[3]
邓光耀, 毛颖. 黄河流域虚拟水贸易核算及影响因素研究[J]. 人民黄河, 2024, 46(4): 68-72, 85.

[Deng Guangyao, Mao Ying. Study on virtual water trade accounting and its influencing factors in the Yellow River Basin[J]. Yellow River, 2024, 46(4): 68-72, 85.]

[4]
Hanjra M A, Qureshi M E. Global water crisis and future food security in an era of climate change[J]. Food Policy, 2010, 35(5): 365-377.

[5]
沈晓梅, 孔千慧, 于欣鑫, 等. 长三角地区农业虚拟水流动格局研究——基于水资源拓展的多地区投入产出分析[J]. 中国农村水利水电, 2023(9): 17-25.

DOI

[Shen Xiaomei, Kong Qianhui, Yu Xinxin, et al. Research on the pattern of agricultural virtual water flow in Yangtze River Delta: Based on water resource expanded MRIO model[J]. China Rural Water and Hydropower, 2023(9): 17-25.]

DOI

[6]
孙才志, 张佳亮. 中国与“一带一路”沿线国家农产品贸易的水资源压力效应[J]. 水利水电科技进展, 2023, 43(4): 1-8.

[Sun Caizhi, Zhang Jialiang. Effects of water resources stress on agricultural trade between China and countries along belt and road[J]. Advances in Science and Technology of Water Resources, 2023, 43(4): 1-8.]

[7]
Nishad S N, Kumar N. Virtual water trade and its implications on water sustainability[J]. Water Supply, 2022, 22(2): 1704-1715.

[8]
王宁, 董小刚, 钟耀, 等. 陕西省虚拟水产业配置及省际贸易时空变化[J]. 人民黄河, 2023, 45(3): 66-72.

[Wang Ning, Dong Xiaogang, Zhong Yao, et al. Temporal and spatial changes in the configuration of the virtual water industry and inter-provincial trade in Shaanxi[J]. Yellow River, 2023, 45(3): 66-72.]

[9]
洪思扬, 王红瑞, 程涛, 等. 国际及省际贸易视角下的中国虚拟水和隐含能源流通规律分析[J]. 地理科学, 2022, 42(10): 1735-1746.

DOI

[Hong Siyang, Wang Hongrui, Cheng Tao, et al. Circulation characteristics of virtual water and embodied energy in China from the perspective of international and inter-provincial trade[J]. Scientia Geographica Sinica, 2022, 42(10): 1735-1746.]

DOI

[10]
Gu W, Wang F, Siebert S, et al. The asymmetric impacts of international agricultural trade on water use scarcity, inequality and inequity[J]. Nature Water, 2024, 2(4): 324-336.

[11]
韩宇平, 李想, 苏潇雅, 等. 基于多区域投入产出模型的京津冀地区虚拟水贸易分析[J]. 华北水利水电大学学报(自然科学版), 2022, 43(5): 45-52.

[Han Yuping, Li Xiang, Su Xiaoya, et al. Virtual water trade in Beijing-Tianjin-Hebei Region based on multiregional input-output model[J]. Journal of North China University of Water Resources and Electric Power (Natural Science Edition), 2022, 43(5): 45-52.]

[12]
王珊珊, 刘小慧. 新发展理念下安徽省虚拟水贸易测算与分析[J]. 黑龙江工程学院学报, 2022, 36(3): 51-58.

[Wang Shanshan, Liu Xiaohui. Calculation and analysis of virtual water trade in Anhui Province under the new development principles[J]. Journal of Heilongjiang Institute of Technology, 2022, 36(3): 51-58.]

[13]
刘叶, 张馨戈, 王镇岳. 河南省农产品虚拟水贸易发展水平测度及其驱动因素分析[J]. 华北水利水电大学学报(自然科学版), 2022, 43(4): 29-35.

[Liu Ye, Zhang Xinge, Wang Zhenyue. Measurement of the development level of virtual water trade of agricultural products in Henan Province and analysis of its driving factors[J]. Journal of North China University of Water Resources and Electric Power (Natural Science Edition), 2022, 43(4): 29-35.]

[14]
杨晨, 马育军, 谢婷. 基于粮食作物的广州市虚拟水贸易研究[J]. 水文, 2022, 42(4): 96-100, 107.

[Yang Chen, Ma Yujun, Xie Ting. Research on virtual water trade based on grain crops in Guangzhou city[J]. Journal of China Hydrology, 2022, 42(4): 96-100, 107.]

[15]
杨婷婷, 张雪妮, 高翔, 等. 中国粮食省份间流通及对虚拟水土资源的影响[J]. 草业科学, 2022, 39(8): 1686-1697.

[Yang Tingting, Zhang Xueni, Gao Xiang, et al. Study on inter-provincial grain trade and its impacts on virtual water and soil resources in China[J]. Pratacultural Science, 2022, 39(8): 1686-1697.]

[16]
谢维维, 马忠. 黄河流域9个省(区)虚拟水流动格局及趋势研究[J]. 人民黄河, 2022, 44(10): 78-83.

[Xie Weiwei, Ma Zhong. Virtual water flow pattern and trend in the nine provinces of the Yellow River Basin[J]. Yellow River, 2022, 44(10): 78-83.]

[17]
Li Y, Zhong H, Shan Y, et al. Changes in global food consumption increase GHG emissions despite efficiency gains along global supply chains[J]. Nature Food, 2023, 4(6): 483-495.

DOI PMID

[18]
Hekmatnia M, Isanezhad A, Ardakani A F, et al. An attempt to develop a policy framework for the global sustainability of freshwater resources in the virtual water trade[J]. Sustainable Production and Consumption, 2023, 39: 311-325.

[19]
Gao J, Zhuo L, Liu Y, et al. Efficiency and sustainability of inter-provincial crop-related virtual water transfers in China[J]. Advances in Water Resources, 2020, 138: 103560.

[20]
Zhang L, Feng S, Zhang E, et al. How does virtual water influence the water stress pattern in Africa? A research perspective from the perspectives of production and trade[J]. Science of the Total Environment, 2024, 946: 174244.

[21]
Chouchane H, Krol M S, Hoekstra A Y. Virtual water trade patterns in relation to environmental and socioeconomic factors: A case study for Tunisia[J]. Science of the Total Environment, 2018, 613-614: 287-297.

[22]
Yang H, Wang L, Abbaspour K C, et al. Virtual water trade: An assessment of water use efficiency in the international food trade[J]. Hydrology and Earth System Sciences, 2006, 10(3): 443-454.

[23]
Liu W, Antonelli M, Kummu M, et al. Savings and losses of global water resources in food-related virtual water trade[J]. WIREs Water, 2019, 6(1): e1320.

[24]
Liu J, Williams J R, Zehnder A J B, et al. GEPIC-modelling wheat yield and crop water productivity with high resolution on a global scale[J]. Agricultural Systems, 2007, 94(2): 478-493.

[25]
Shao L, Guan D, Wu Z, et al. Multi-scale input-output analysis of consumption-based water resources: Method and application[J]. Journal of Cleaner Production, 2017, 164: 338-346.

[26]
Ye Q, Bruckner M, Wang R, et al. A hybrid multi-regional input-output model of China: Integrating the physical agricultural biomass and food system into the monetary supply chain[J]. Resources, Conservation and Recycling, 2022, 177: 105981.

[27]
Zhao H, Miller T R, Ishii N, et al. Global spatio-temporal change assessment in interregional water stress footprint in China by a high resolution MRIO model[J]. Science of the Total Environment, 2022, 841: 156682.

[28]
Kastner T, Kastner M, Nonhebel S. Tracing distant environmental impacts of agricultural products from a consumer perspective[J]. Ecological Economics, 2011, 70(6): 1032-1040.

[29]
Mialyk O, Schyns J F, Booij M J, et al. Water footprints and crop water use of 175 individual crops for 1990-2019 simulated with a global crop model[J]. Scientific Data, 2024, 11(1): 206.

[30]
Mekonnen M M, Hoekstra A Y. Four billion people facing severe water scarcity[J]. Science Advances, 2016, 2(2): e1500323.

[31]
Shan Y, Wang X, Wang Z, et al. The pattern and mechanism of air pollution in developed coastal areas of China: From the perspective of urban agglomeration[J]. PLoS One, 2020, 15(9): e023 7863.

[32]
Song W, Wang C, Chen W, et al. Unlocking the spatial heterogeneous relationship between Per Capita GDP and nearby air quality using bivariate local indicator of spatial association[J]. Resources, Conservation and Recycling, 2020, 160: 104880.

[33]
Hu Y, Li B, Zhang Z, et al. Farm size and agricultural technology progress: Evidence from China[J]. Journal of Rural Studies, 2022, 93: 417-429.

[34]
Gao Y, Zhao D, Yu L, et al. Influence of a new agricultural technology extension mode on farmers’ technology adoption behavior in China[J]. Journal of Rural Studies, 2020, 76: 173-183.

[35]
Khan N, Ray R L, Sargani G R, et al. Current progress and future prospects of agriculture technology: Gateway to sustainable agriculture[J]. Sustainability, 2021, 13(9): 4883.

[36]
杨春, 韩正清. 农产品虚拟水实证研究——基于中国30个省市区主要农作物生产、消费、贸易数据[J]. 重庆工商大学学报(社会科学版), 2016, 33(3): 25-31.

[Yang Chun, Han Zhengqing. An empirical study on virtual water for agricultural products——production, consumption and trading data based on main crops of 30 provinces, cities and districts in China[J]. Journal of Chongqing Technology and Business University (Social Science Edition), 2016, 33(3): 25-31.]

[37]
Anderson R, Bayer P E, Edwards D. Climate change and the need for agricultural adaptation[J]. Curr Opin Plant Biol, 2020, 56: 197-202.

DOI PMID

[38]
Fukase E, Martin W. Economic growth, convergence, and world food demand and supply[J]. World Development, 2020, 132: 104954.

[39]
Piñeiro V, Arias J, Dürr J, et al. A scoping review on incentives for adoption of sustainable agricultural practices and their outcomes[J]. Nature Sustainability, 2020, 3(10): 809-820.

[40]
Zhang X, Yao G, Vishwakarma S, et al. Quantitative assessment of agricultural sustainability reveals divergent priorities among nations[J]. One Earth, 2021, 4(9): 1262-1277.

[41]
Chopra R, Magazzino C, Shah M I, et al. The role of renewable energy and natural resources for sustainable agriculture in ASEAN countries: Do carbon emissions and deforestation affect agriculture productivity?[J]. Resources Policy, 2022, 76: 102578.

[42]
Sridhar A, Balakrishnan A, Jacob M M, et al. Global impact of COVID-19 on agriculture: Role of sustainable agriculture and digital farming[J]. Environmental Science and Pollution Research, 2023, 30(15): 42509-42525.

[43]
Zhang D, Sial M S, Ahmad N, et al. Water scarcity and sustainability in an emerging economy: A management perspective for future[J]. Sustainability, 2021, 13(1): 144.

[44]
Mishra V, Thirumalai K, Jain S, et al. Unprecedented drought in south India and recent water scarcity[J]. Environmental research letters, 2021, 16(5): 54007.

[45]
Miao M, Liu H, Chen J. Factors affecting fluctuations in China’s aquatic product exports to Japan, the USA, South Korea, Southeast Asia, and the EU[J]. Aquaculture International, 2021, 29(6): 2507-2533.

[46]
Xia W, Chen X, Song C, et al. Driving factors of virtual water in international grain trade: A study for belt and road countries[J]. Agricultural Water Management, 2022, 262: 107441.

[47]
Wu B, Tian F, Zhang M, et al. Quantifying global agricultural water appropriation with data derived from earth observations[J]. Journal of Cleaner Production, 2022, 358: 131891.

[48]
Kastner T, Chaudhary A, Gingrich S, et al. Global agricultural trade and land system sustainability: Implications for ecosystem carbon storage, biodiversity, and human nutrition[J]. One Earth, 2021, 4(10): 1425-1443.

[49]
Erokhin V, Diao L, Du P. Sustainability-related implications of competitive advantages in agricultural value chains: Evidence from central asia—China trade and investment[J]. Sustainability, 2020, 12(3): 1117.

[50]
朱启荣, 孙雪洁, 杨媛媛. 虚拟水视角下中国农产品进出口贸易节水问题研究[J]. 世界经济研究, 2016, 32(1): 87-98.

[Zhu Qirong, Sun Xuejie, Yang Yuanyuan. Saving water from China’s agricultural imports & exports based on virtual water[J]. World Economy Studies, 2016, 32(1): 87-98.]

Options
Outlines

/

〈 〉