环境科学  2021, Vol. 42 Issue (6): 2758-2768   PDF    
引用本文
郑锦涛, 马涛, 刘九夫, 彭安帮, 邓晰元, 郑皓. 基于RDA-REM模型的我国再生水开发利用潜力[J]. 环境科学, 2021, 42(6): 2758-2768.
ZHENG Jin-tao, MA Tao, LIU Jiu-fu, PENG An-bang, DENG Xi-yuan, ZHENG Hao. China's Reuse Water Development and Utilization Potential Based on the RDA-REM Model[J]. Environmental Science, 2021, 42(6): 2758-2768.
基于RDA-REM模型的我国再生水开发利用潜力
郑锦涛1,2, 马涛1,3, 刘九夫1,3, 彭安帮1,3, 邓晰元1,3, 郑皓1,3     
1. 南京水利科学研究院, 南京 210029;
2. 河海大学水文水资源学院, 南京 210098;
3. 水文水资源与水利工程科学国家重点实验室, 南京 210098
收稿日期: 2020-09-07; 修订日期: 2020-11-23
基金项目: 国家重点研发计划项目（2017YFC0403501）；水利部水资源节约项目（126302001000190006）
作者简介: 郑锦涛(1993~), 男, 博士研究生, 主要研究方向为水文学与水资源, E-mail: 2261669514@qq.com
通信作者: 马涛, E-mail: tma@nhri.cn
摘要: 为促进我国再生水资源高效利用，优化水资源配置结构，针对再生水开发利用潜力开展再生水开发利用影响因素分析，剖析再生水资源的特殊性与竞争性，揭示再生水开发利用的驱动机制与约束机制，建立再生水供需双侧协调交互式的潜力指标体系，并基于冗余分析（RDA）筛选潜力预测关键指标，并以此为基础，构建具有随机效应的潜力预测模型（REM），预测全国再生水开发利用潜力.同时，针对REM模型参数的不确定性，刻画10%~90%分位数水平下的参数置信区间.结果发现，生态用水量、建成区供水管道密度、再生水处理设施建设固定资产投资和污水处理总量这4项指标与再生水开发利用紧密相关，为潜力预测关键指标.REM潜力预测模型拟合精度较高，最大拟合误差为-8.5%.未来一段时期内，我国再生水开发利用量将继续保持高速增长趋势，2025年全国开发利用潜力有望达到129亿m3，将有助于优化城市供水结构，提高区域水资源循环利用率.
关键词: 再生水      RDA-REM模型      潜力分析      冗余分析(RDA)      水资源管理     
China's Reuse Water Development and Utilization Potential Based on the RDA-REM Model
ZHENG Jin-tao1,2 , MA Tao1,3 , LIU Jiu-fu1,3 , PENG An-bang1,3 , DENG Xi-yuan1,3 , ZHENG Hao1,3     
1. Nanjing Hydraulic Research Institute, Nanjing 210029, China;
2. College of Hydrology and Water Resources, Hohai University, Nanjing 210098, China;
3. State Key Laboratory of Hydrology-Water Resources and Hydraulic Engineering, Nanjing 210098, China
Abstract: To promote the efficient utilization of China's reuse water resources and optimize the allocation of water resources, an analysis of factors influencing the development and utilization of reuse water resources was conducted. The uniqueness and competitiveness of reuse water resources were analyzed, and the driving and constraint mechanisms were revealed. A potential indicator system for the bilateral coordination of the supply and demand of reuse water was also established. Based on redundancy analysis (RDA), key indicators for the prediction of reuse water development and utilization potential were screened. On this basis, a national-scale reuse water development and utilization potential prediction model was constructed (the random effects model, REM). Given some uncertainty in the parameters of the REM model, the confidence interval ranges of the parameters at the 10%-90% quartile levels were identified. The results show that four indicators (ecological water consumption, density of water supply pipelines in built-up areas, fixed asset investment in the construction of reuse water treatment facilities, and total wastewater treatment) are closely related to the development and utilization of reuse water and, hence, are key indicators. The REM for the potential prediction has a high fitting accuracy, which can effectively reflect the fluctuations in the observed values with a maximum fitting error of -8.5%. China's reuse water development and utilization will continue to maintain rapid growth long into the future, reaching 12.9 billion m3 by 2025. This will help optimize national urban water supply structures and improve the reuse rate of regional water resources.
Key words: reused water      RDA-REM model      potential analysis      redundancy analysis(RDA)      water resources management     

我国水资源总量丰富, 但由于人口基数大, 导致人均水资源占有量仅为世界平均水平的1/4, 属于水资源极度匮乏的国家之一, 随着我国工业化和城市化进程加快, 水环境污染日趋严重, 进一步加剧了我国水资源短缺压力.在水资源供需矛盾日益严峻的形势下, 如何更好地应对水资源短缺压力成为现阶段我国亟待解决的问题.再生水开发利用可置换常规水资源, 降低对新鲜水的消耗, 提高水资源循环利用率, 对于缓解水资源供需矛盾具有积极作用, “将再生水纳入水资源统一配置体系”已成为新时期水利部推进全国节约用水工作、贯彻落实“节水优先”方针的一项重要举措[1].不过由于我国再生水开发利用工作尚处于发展阶段[2], 再生水开发利用量在全国供水总量中所占比重尚不足1.5%, 与世界先进水平存在较大差距.因此, 研究再生水开发利用的驱动和约束因素, 掌握再生水开发利用潜力水平, 对于提升再生水利用规模和效率、破解制约再生水开发利用瓶颈十分必要.

目前, 针对再生水开发利用潜力研究较少, 集中于某一时间段内区域规划、经济技术等条件确定情况下的供需平衡分析[3~5].唐莲等[6]按照再生水厂处理能力计算出银川市再生水可供水量, 根据再生水利用途径计算出再生水需水量, 通过供需平衡分析, 确定再生水潜在开发利用量.田巍等[7]结合地区供水规划, 采用定额法计算城市需水量, 通过指定未来时期的再生水利用比例, 测算了再生水开发利用潜力.采用供需平衡分析需要对研究区域进行完备的供需水量测算, 通过供需水量差值或按照需水量的一定比例计算再生水开发利用潜力, 所需数据类型较为庞杂, 针对再生水利用比例的选取也具有一定主观性, 同时, 难以判断工艺技术、市场参与等因素对再生水开发利用的影响.

本文通过综合考虑区域水资源禀赋条件、水源特性与区域常规水资源稀缺程度、生态环境脆弱状态、开发利用水平、社会经济条件和配套工程完备性等要素, 构建基于供需双侧协调交互式的潜力指标体系, 并基于冗余分析方法研究各个指标对再生水开发利用影响程度, 以筛选出潜力预测关键指标, 建立随机效应潜力预测模型, 进而对再生水开发利用潜力进行分析, 以期为再生水合理开发利用提供参考.

1 我国再生水开发利用现状

我国较大规模开展再生水开发利用及其研究较以色列和新加坡等缺水型国家起步晚, 2009年全国再生水利用量仅为24亿m3, 占总供水量的0.40%.但随着相关法律法规的相继颁布[8, 9], 尤其是2012年实行最严格水资源管理制度以来, 我国再生水利用事业快速发展, 截至2018年, 全国再生水利用量已达73.50亿m3, 再生水生产能力也由2009年的1 153万m3·d-1提升至3 578万m3·d-1.与此同时, 随着PPP模式的兴起, 多元投资主体共同发展, 政府和企业在再生水处理设施基础建设方面也逐渐丰满, 再生水管道敷设里程增长率达到了35.95%·a-1.

2009年~2018年再生水开发利用量和再生水生产能力如图 1所示.从中可知, 再生水生产能力与开发利用量呈逐年递增趋势, 再生水利用量占全国供水总量的比例由2009年不足0.40%提升到2018年的1.22%.根据文献[10]的规划, 到2020年, 缺水城市再生水利用率将达到20%以上, 作为缓解我国水资源危机的现实选择与重要途径, 再生水水资源的巨大潜力未来将得到进一步释放, “第二水源”的作用也将得到进一步增强.

图 1 2009~2018年再生水开发利用量与生产能力 Fig. 1 Reuse water development, utilization, and production capacity, 2009-2018

2 再生水开发利用影响因素分析及潜力指标体系建立

本文从驱动因素和约束因素这2个方面对再生水开发利用影响因素进行了分析, 综合考虑区域水资源禀赋条件、水源特性、常规水资源稀缺程度、生态环境脆弱状态、开发利用水平、社会经济条件和配套工程完备性等要素, 建立了基于供需双侧协调交互式的再生水潜力指标体系.

2.1 再生水开发利用影响因素分析 2.1.1 驱动因素

再生水开发利用受到供给、需求双侧的共同驱动影响, 区域天然水资源禀赋条件、再生水供水水源稳定性、政策激励程度以及市场参与度为再生水开发利用供给侧的影响因子, 人口增长、城市化进程加快以及工业、农林牧渔、生态等用水需求紧张为需求侧的影响因子.正是基于再生水开发利用供给、需求双侧驱动, 再生水资源的潜力才具有现实意义.

(1) 供给侧  为研究供给侧对再生水开发利用的影响, 本文选取了水资源总量、人均水资源量、污水处理量和水处理业就业人员数这4项指标.其中, 水资源总量与人均水资源量代表了当地水资源禀赋条件[11], 反映出当地水资源对再生水水源的潜在补给能力; 由于再生水厂进水水源多为污水处理厂处理后的尾水[12], 因此污水处理厂的污水处理量对于保证再生水供水水源的稳定性也具有重要意义; 水处理业就业人员数反映了再生水资源的市场化程度, 可综合体现再生水开发利用政策激励程度与市场参与程度.

(2) 需求侧  提高再生水资源的开发利用率作为“以水定城”要求的内在体现, 意味着再生水开发利用与城市化发展密切相关, 也是对未来新型城市化发展的必然要求.因此, 需求侧驱动指标选取了城区面积、城市人口密度指标, 从城区面积、城市人口两个维度较为综合地反映城市化进程的发展[13], 体现了城市化发展对再生水开发利用的需求; 目前国内尚未统计再生水各领域利用量, 余鹏明等[14]研究结果表明: 再生水在生产运营、公共服务、居民生活和生态环境等领域中将发挥愈加重要的作用, 并且再生水利用量与各领域用水量之间的相关性呈逐年显著性递增趋势.因此, 本文添加了各领域用水指标作为再生水开发利用需求驱动指标.

2.1.2 约束因素

(1) 工程条件  再生水开发利用受到水源特性与现有水利工程设施的影响和限制, 强化再生水厂处理设施建设及配套管网建设是推动再生水开发利用的关键[15].本文综合考虑了再生水水源水量及水质条件、配套管网体系完备程度等方面因素, 选取了城市污水日处理能力、建成区供水管道密度、建成区排水管道密度、具备二、三级污水处理能力污水处理厂数量、污水处理率、污水处理总量和供水综合生产能力这7项指标作为反映再生水开发利用工程条件约束的指标集.

(2) 经济条件  国民经济层次中, 再生水开发利用项目作为一种公共投资, 应综合考虑当地经济发展水平、再生水处理设施与主体工程建设成本等方面因素[16].本文选取了地区生产总值、人均地区生产总值指数、工业污染治理废水投资完成情况、污水处理设施建设固定资产投资和再生水处理设施建设固定资产投资这5项指标作为反映再生水开发利用经济条件约束的指标集.

(3) 技术水平  再生水处理技术的发展对于再生水开发利用的普及至关重要[17], 随着再生水厂深度处理技术由20世纪80年代的简单生物曝气处理向超滤-反渗透、超磁分离和膜生物反应器等技术的发展, 再生水处理效率得以极大提升.因此, 本文考虑处理工艺技术和利用技术措施等方面的因素, 选取了水处理业专利授权数作为综合反映再生水开发利用技术水平约束的指标.

(4) 生态环境  再生水开发利用对现有水生态环境将产生一定影响, 具体体现在水量、水质两方面[18].水量上, 再生水资源作为城市“第二水源”, 原污水处理厂尾水被深度处理为“下游用户”所需水质, 随着再生水利用规模的增加, 自然水循环中的水量将可能减少, 从而对水生态环境产生不利影响[19]; 水质上, 随着《城市污水再生利用景观环境用水水质》(GB/T 18921-2019)和《城市污水再生利用地下水回灌水质》(GB/T 19772-2005)等国家标准的颁布与更新, 对用于补给生态环境的再生水水质提出了更为严格的要求, 将有利于水生态环境的改善.本文选取了年平均降水量、年平均蒸发量、地表水资源量、地下水资源量、劣Ⅴ类河长百分比和建成区绿化覆盖率这6项指标作为反映再生水开发利用生态环境约束的指标集.

2.2 潜力指标体系建立

基于上述再生水开发利用影响因素分析, 建立了潜力指标体系(见表 1).

表 1 再生水开发利用潜力指标体系 Table 1 Indicator system for potential utilization of reuse water

3 筛选再生水潜力预测关键指标

为探究各影响因子对再生水开发利用的影响机制, 基于上述建立的再生水开发利用潜力指标体系, 依据2018年全国节约用水办公室组织各省(自治区、直辖市)、各计划单列市和新疆生产建设兵团统计的2015~2018年再生水开发利用量数据与2009~2018年全国再生水开发利用量数据[20], 结合潜力指标体系中32项指标的面板数据, 以此为基础数据, 采用冗余分析法(redundancy analysis, RDA)分析了指标集特征, 研究了各指标对再生水开发利用的影响程度, 并最终筛选出潜力预测关键指标.

3.1 方法介绍

冗余分析不仅可用于研究影响因子之间的相关性, 还可用于探索目标对象与影响因子的相互关系, 其本质上为回归分析结合主成分分析的排序方法, 也是多响应变量多元回归分析的拓展[23].通过冗余分析, 可以计算由解释变量提取的典范特征根向量所能解释的响应变量样本总方差比例, 以测度各指标的信息贡献率, 从而筛选相互独立且贡献率较大的指标.冗余分析计算流程如图 2所示.

图 2 RDA分析计算流程 Fig. 2 RDA analysis calculation flow

3.2 计算结果

为降低数据间欧氏距离对高数值数据的敏感度, 须对原始数据进行Hellinger转化[24].基于Hellinger转化的再生水开发利用量及32项指标构成的面板数据, 通过RDA分析, 结果表明, 由32类潜力指标组成的前五典范排序轴的累计方差解释率为94.67%, 意味着排序轴较好地代表了再生水资源的原始信息, 主要的结构趋势已被潜力指标解释.同时, 对RDA分析结果进行置换检验, 检验各排序轴显著性情况.排序轴方差解释量及置换检验结果见表 2.

表 2 排序轴的方差解释量及方差解释率 Table 2 Variance and percentage of variance for sorting axes

由表 2可知, 第一、二和三排序轴置换方差解释量大于1, 高于期望均值, 且检验结果显著, 累计方差解释率达到了74.86%, 对原始信息依然具有良好的代表性.因此选取第一、二和三排序轴为约束轴, 绘制RDA三序图(见图 3和图 4), 用以判别各潜力指标与再生水开发利用的相关性, 从而筛选潜力预测关键指标.

图 3 潜力指标RDA分析(第一、二排序轴) Fig. 3 RDA analysis of potential indicators (first-and second-order axes)

图 4 潜力指标RDA分析(第一、三排序轴) Fig. 4 RDA analysis of potential indicators (first-and third-order axes)

依据RDA排序解释变量的位置坐标, 分析其在响应变量方向向量上的投影, 以探究解释变量对响应变量的影响程度.若解释变量在响应变量方向向量上的投影模数越大, 表明其对响应变量的影响越大.解释变量与响应变量方向向量间的夹角情况也可用于判断二者相关性, 若夹角越接近90°, 表明二者相关性越小, 独立性越强.由图中再生水投影方向向量与潜力指标的坐标位置可初步判断各指标与再生水利用的相关性, 通过计算潜力指标与响应变量方向向量间的倾角与投影模数, 可定量判断不同指标对再生水开发利用的影响程度.潜力指标与再生水投影方向向量间倾角及投影模数比例见表 3.

表 3 潜力预测关键指标的筛选 Table 3 Screening of key indicators for potential prediction

由表 3分析可知, 生态用水量(E11)、建成区供水管道密度(E15)、污水处理总量(E19)和再生水处理设施建设固定资产投资(E25)等潜力指标与再生水投影方向向量间倾角小于25°, 投影模数比例大于25%, 意味着指标与再生水资源紧密相关, 综合考虑指标时间序列长度及数据可获得性, 将其选为再生水开发利用潜力预测关键指标:

(1) 建成区供水管道密度  指建成区内供水管道分布的疏密程度.计算公式为:

(1)

(2) 污水处理总量  指污水处理厂(或污水处理装置)实际处理的污水量, 包括物理处理量、生物处理量和化学处理量.

(3) 再生水处理设施建设固定资产投资  指计划总投资在5万元以上的再生水处理设施项目, 包括固定资产更新、改建、扩建、新建等活动.

(4) 生态用水总量  仅包括人为措施供给的城镇环境用水和部分河湖、湿地补水, 而不包括降水、径流自然满足的水量.

4 面板数据回归分析

基于上述潜力预测关键指标的筛选分析, 构建关键指标与再生水利用量的回归模型, 预测再生水开发利用量潜力.

4.1 单位根检验

针对面板数据的回归分析, 需对模型变量进行单位根检验, 以检验其残差序列的平稳性, 避免模型出现伪回归情况.本文采用ADF检验[25]及KPSS检验[26]进行面板数据单位根检验, 检验结果见表 4.

表 4 面板数据单位根检验结果1) Table 4 Unit root test results of the panel data

由表 4可知, E19拒绝不存在单位根假设, 但对变量数据一阶差分后, 各变量均拒接原假设, 即一阶差分后变量均不含单位根, 表现出序列平稳性, 因此可将原变量数据纳入回归模型.

4.2 REM潜力预测回归模型

常用面板数据回归模型[27]包括固定效应模型[28](fixed effects model, FEM)、随机效应模型[29](random effects model, REM)和混合回归模型[30](mixed effects model, MEM)这3类.基于面板数据变量的平稳性检验, 构建3类回归模型, 参数估计采用OLS估计.模型参数估计结果见表 5.

表 5 不同模型参数估计结果1) Table 5 Estimated results for the parameters of different models

针对回归模型的选择, 分别构造F统计量和Hausman统计量[31], 其中F检验用于检验识别MEM模型与FEM模型, Hausman检验用于检验识别FEM模型与REM模型.依据F检验与Hausman检验结果可知(见表 6), F检验统计量大于置信水平阈值, P值< 0.001, 拒绝了原假设, 认为固定效应显著.综合Hausman检验结果, Hausman统计量为2.718, 相对应的概率为0.746, 在5%的置信水平上接受原假设, 即接受个体随机效应模型, 因此本文最终选取REM模型用于实证分析.

表 6 模型统计检验结果 Table 6 Model statistical test results

面板数据回归模型对极端数值较为敏感, 变量共线性、参数异方差等问题也可能导致回归结果出现偏差[32], 导致回归系数的不确定性较大, 并且通过回归模型无法了解解释变量对响应变量影响趋势的变化过程.因此针对模型稳健性, 开展参数的分位数分析, 可以更好地了解模型参数的不确定性情况与解释变量对响应变量影响的趋势变化情况.REM模型各参数10%~90%分位数水平下的区间估计结果如图 5所示.

图 5 10%~90%分位数水平下REM模型参数 Fig. 5 REM model parameters at 10%-90% quantile level

由图 5分析可知, E11、E19、E25与再生水开发利用均存在明显的正向影响关系, 但在分位数水平为0.1~0.3情况下出现较大范围波动.E15与再生水开发利用存在负向影响, 与指标含义基本吻合.模型参数在不同分位数情况下的区间估计符号与REM模型参数符号基本一致, 表明REM模型的参数估计较为稳健.

5 潜力预测 5.1 潜力预测关键指标序列延展

基于REM模型计算未来时期的再生水开发利用潜力, 需对各潜力预测关键指标序列进行延展.其中, 生态用水量和污水处理总量随时间变化特征显著, 拟合曲线如图 6和图 7所示.

图 6 生态用水量指标拟合曲线 Fig. 6 Fitting curve for the ecological water use indicator

图 7 污水处理总量指标拟合曲线 Fig. 7 Fitting curve for the total wastewater treatment indicator

由图 6可知, 继2012年国务院对实行最严格水资源管理制度作出的全面部署和具体安排以来, 全国生态用水量呈逐年递增趋势, 在可预见的时间内生态用水总量与时间变量之间拟合曲线为:

(2)

式中, y为生态用水量; x为年份.

由图 7可知, 随着经济社会的发展, 污水处理总量逐年递增, 并与时间变量存在显著的线性相关关系, 其拟合曲线为:

(3)

式中, y为污水处理总量; x为年份.

根据排水固定资产投资的两大主体(污水、污泥)和四大分项(污水处理、污泥处置、再生水利用、其他)的投资情况来看(如图 8), 再生水利用的分项投资比例波动较小, 多年固定资产投资运行基本平稳.

图 8 排水固定资产投资 Fig. 8 Fixed asset investment in reuse water treatment facilities

由图 8分析可知, 排水固定资产投资与时间变量显著相关, 再生水处理设施建设多年平均固定资产投资占排水固定资产总投资的约5.54%.可通过构建排水固定资产投资的拟合曲线, 结合再生水处理设施建设固定资产投资的多年平均占比, 延展其时间序列长度.

排水固定资产投资拟合曲线为:

(4)

式中, y为排水固定资产投资; x为年份.

建成区供水管道密度与建成区面积及供水管道长度密切相关, 可通过分别构建建成区面积与供水管道长度随时间变化的拟合曲线, 依据公式(1), 推导建成区供水管道密度.供水管道长度及建成区面积拟合曲线如图 9所示.

图 9 供水管道长度及建成区面积趋势 Fig. 9 Trend in the length of the water supply pipeline and the size of built-up areas

供水管道长度及建成区面积的拟合曲线分别为:

(5)
(6)

式中, y1为供水管道长度; y2为建成区面积; x为年份.

根据上述潜力预测关键指标拟合曲线, 结合指标含义, 延展各指标时间序列至2025年, 各指标预测值的计算结果见表 7.

表 7 潜力预测关键指标的推计结果 Table 7 Extrapolation of the key indicators for potential prediction

5.2 再生水开发利用潜力预测

目前, 全国再生水开发利用量约为2 013.7万m3·d-1, 依据构建的REM模型及各潜力预测关键指标序列延展结果, 测算再生水2019~2025年开发利用潜力, 并绘制再生水开发利用潜力25%、50%和75%分位数灰度图(见图 10).

图 10 再生水开发利用潜力 Fig. 10 Potential for the development and utilization of reuse water

基于REM模型, 根据各潜力预测关键指标2019~2025年推导值, 计算出2025年全国再生水开发利用潜力约为129亿m3, 25%~75%分位数水平下开发利用潜力范围为[76.4, 159.5], 其中低分位数水平下再生水开发利用潜力增长缓慢与模型参数在低分位数水平下存在较大负值变化有关.

5.3 合理性分析

通过再生水开发利用量的模型预测值与实际值对比发现, 实测期REM模型的预测点距与经验点距拟合精度较高(见表 8), 最大拟合误差为-8.5%, 并且回归曲线有效反映了经验点距的波动情况, 表明通过RDA分析筛选的4类潜力预测关键指标对再生水开发利用的原始信息具有良好代表性.从再生水开发利用量的变化趋势来看, 预计2019~2025年全国再生水开发利用量将保持增长趋势, 这与城市供水结构调整方向基本一致, 符合水资源利用与产业结构和空间布局等协调发展的要求.因此, REM模型预测结果基本合理.

表 8 REM模型拟合结果1) Table 8 REM model fitting results

6 建议

(1) 推动统筹规划编制建议尽快制定出台再生水利用指导意见, 明确再生水建设和运营主体, 建立再生水利用监管体系, 限制具有再生水使用条件的用户取用原水和自来水.推进各地区再生水配置利用专项规划编制工作, 以再生水系统、给排水系统、道路系统三系统同步进行, 近期远期相结合为原则, 统筹规划再生水系统布局.

(2) 推进管网规划建设结合各再生水厂现状, 加快推进再生水管网规划编制工作, 按照属地管理原则, 明确资金筹资主体, 根据不同片区发展定位和土地利用规划, 同步建设再生水输配水设施.建议再生水主管网及利用设施由市财政投资, 在新建及改造道路实施工程中, 由工程实施主体同步配套建设再生水管网预留孔, 同时对再生水开发利用企业予以补贴, 降低水资源开发成本, 鼓励污水处理厂及再生水供水管线周边用户使用再生水, 全面提升再生水利用效率.

(3) 加大政策激励力度再生水基础建设具有投资运营成本大、投资回报周期长、公益性强等特点, 仅依托相关企业和社会力量投资建设难度大.建议在设备和管道等工程建设阶段, 国家能够给予专项资金支持, 拓宽建设资金来源渠道, 与地方政府和相关企业共同承担基础设施建设费用.同时, 在运营管理阶段, 对再生水经营主体和用户予以税费减免、政策补贴等政策激励措施, 提高用户和经营主体积极性.

(4) 创新处理技术科技建议加强生活污水源头减量和尾水回收利用, 探索新的再生水利用途径.加大财政对再生水生产技术研发的投入力度, 不断推动已有技术的改进与更新, 同时加强新工艺、新流程、新技术和新设备的研究开发与推广应用, 促进再生水生产技术集成体系的形成.尤其要加强对膜处理工艺的研发, 提高国产膜的质量与性能, 使质优价廉的国产膜得到推广应用, 从而进一步降低再生水生产的技术成本.

(5) 合理制定水价机制由于再生水是自来水的不完全替代品, 对于部分自来水价格偏低的地区, 再生水不具有经济优势, 难以实现再生水推广利用.建议完善该地区自来水价格设计机制, 合理制定可持续的水价机制.同时, 建议针对不同的再生水回用对象及不同服务市场, 采取不同的定价策略, 通过合理制定阶梯水量分界点和用水单价, 更好地刺激用户对再生水使用的积极性, 进而调节市场供需平衡.

(6) 加大示范宣传力度利用互联网、电视、移动终端等媒介, 加强再生水的宣传科普, 提升再生水利用意识, 提高用户使用再生水的积极性.加强示范高校、示范企业, 尤其是高耗水企业等再生水回用节水减排建设, 发挥示范企业引领作用.

7 结论

(1) 通过对供需双侧协调交互式再生水开发利用潜力指标体系的RDA分析, 生态用水量、建成区供水管道密度、再生水处理设施建设固定资产投资和污水处理总量4类指标与再生水开发利用紧密相关, 可作为再生水开发利用潜力预测的关键指标.

(2) 构建的REM模型预测点距与经验点距拟合精度较高, 可有效反映经验点距波动情况.同时, 通过潜力预测分析, 未来一段时期内我国再生水开发利用将继续保持高速增长趋势, 2025年开发利用量有望达到129亿m3, 这将有助于提高区域水资源循环利用率, 优化城市供水结构.

致谢: 感谢全国节约用水办公室对本研究工作的大力支持！

参考文献
[1] 中华人民共和国水利部办公厅. 水利部关于非常规水源纳入水资源统一配置的指导意见[Z]. 2017-08-16.
[2] 刘晓君, 杨兴, 付汉良. 再生水研究的发展态势与研究热点分析——基于CiteSpace的图谱量化研究[J]. 干旱区资源与环境, 2019, 33(4): 68-75.
Liu X J, Yang X, Fu H L. Development trend and research hotspots of reclaimed water research: visualize quantitative research based on CiteSpace[J]. Journal of Arid Land Resources and Environment, 2019, 33(4): 68-75.
[3] Hussain M I, Muscolo A, Farooq M, et al. Sustainable use and management of non-conventional water resources for rehabilitation of marginal lands in arid and semiarid environments[J]. Agricultural Water Management, 2019, 221: 462-476. DOI:10.1016/j.agwat.2019.04.014
[4] 张田媛, 谭倩, 王淑萍. 北京市清水与再生水协同利用优化模型[J]. 环境科学, 2019, 40(7): 3223-3232.
Zhang T Y, Tan Q, Wang S P. Model-based optimization for the coordinated supply of clear and reclaimed water in the central districts of Beijing, China[J]. Environmental Science, 2019, 40(7): 3223-3232.
[5] 付意成, 邢乃春, 赵进勇, 等. 北方缺水城市水资源短缺问题解决策略研究——以廊坊市为例[J]. 中国农村水利水电, 2017(11): 1-5.
Fu Y C, Xing N C, Zhao J Y, et al. Solutions to the water shortage of water-lacking cities in the North China: taking Langfang City as an example[J]. China Rural Water and Hydropower, 2017(11): 1-5. DOI:10.3969/j.issn.1007-2284.2017.11.001
[6] 唐莲, 刘超. 基于供需平衡的城市污水再生利用潜力预测[J]. 节水灌溉, 2014(11): 56-59.
Tang L, Liu C. Sewage regeneration and reuse potential estimation based on supply and demand balance[J]. Water Saving Irrigation, 2014(11): 56-59. DOI:10.3969/j.issn.1007-4929.2014.11.016
[7] 田巍, 陈耀文, 周志轩. 银川市市区再生水利用潜力测算与配置研究[J]. 中国农村水利水电, 2018(3): 40-43.
Tian W, Chen Y W, Zhou Z X. Research on the potential calculation and collocation of reclaimed water in Yinchuan City[J]. China Rural Water and Hydropower, 2018(3): 40-43. DOI:10.3969/j.issn.1007-2284.2018.03.009
[8] 生态环境部. 新《中华人民共和国水法》[EB/OL]. http://fgs.mee.gov.cn/fl/201811/t20181129_676286.shtml, 2016-10-08.
[9] 生态环境部. 中华人民共和国循环经济促进法[EB/OL]. http://www.mee.gov.cn/ywgz/fgbz/fl/201811/t20181114_673624.shtml, 2018-11-14.
[10] 中国政府网. 发展改革委水利部联合印发《国家节水行动方案》[EB/OL]. http://www.gov.cn/xinwen/2019-04/19/content_5384418.htm, 2019-04-19.
[11] 徐依婷, 穆月英. 粮食生产水足迹动态演变及分解效应[J]. 华南农业大学学报(社会科学版), 2020, 19(3): 70-83.
Xu Y T, Mu Y Y. Dynamic change and decomposition effects of water footprint in grain production[J]. Journal of South China Agricultural University (Social Science Edition), 2020, 19(3): 70-83.
[12] 刘健, 程丽华, 王明月, 等. 不同水源的再生水中溶解性有机物的特性[J]. 中国给水排水, 2019, 35(21): 92-96.
Liu J, Cheng L H, Wang M Y, et al. Characteristic of dissolved organic matter of reclaimed water from different sources[J]. China Water & Wastewater, 2019, 35(21): 92-96.
[13] Bao C, He D M. Scenario Modeling of urbanization development and water scarcity based on system dynamics: a case study of Beijing-Tianjin-Hebei urban agglomeration, China[J]. International Journal of Environmental Research and Public Health, 2019, 16(20). DOI:10.3390/ijerph16203834
[14] 余鹏明, 管孝艳, 陈俊英, 等. 基于Spearman秩相关的再生水利用量影响因素研究[J]. 节水灌溉, 2019(10): 78-82, 88.
Yu P M, Guan X Y, Chen J Y, et al. Study on factors affecting reclaimed water utilization based on Spearman rank correlation[J]. Water Saving Irrigation, 2019(10): 78-82, 88. DOI:10.3969/j.issn.1007-4929.2019.10.017
[15] 刘广奇, 赵志伟, 白桦. 基于复杂网络理论的城市供排水系统规划优化[J]. 中国给水排水, 2020, 36(13): 113-118.
Liu G Q, Zhao Z W, Bai H. Optimization of urban water system planning based on complex network theory[J]. China Water & Wastewater, 2020, 36(13): 113-118.
[16] 高旭阔, 刘奇. 再生水项目国民经济评价体系研究[J]. 环境科学与技术, 2019, 42(4): 229-236.
Gao X K, Liu Q. National economic evaluation of reclaimed water project[J]. Environmental Science & Technology, 2019, 42(4): 229-236.
[17] 胡洪营, 吴乾元, 吴光学, 等. 污水特质(水征)评价及其在污水再生处理工艺研究中的应用[J]. 环境科学研究, 2019, 32(5): 725-733.
Hu H Y, Wu Q Y, Wu G X, et al. Evaluation of water feature and its application in the wastewater reclamation[J]. Research of Environmental Sciences, 2019, 32(5): 725-733.
[18] 张瑞, 刘操, 孙德智, 等. 北京地区再生水补给型河湖水质改善工程案例分析与问题诊断[J]. 环境科学研究, 2016, 29(12): 1872-1881.
Zhang R, Liu C, Sun D Z, et al. Water quality improvement engineering for urban rivers and lakes supplied by reclaimed water in Beijing: case analysis and problem diagnosis[J]. Research of Environmental Sciences, 2016, 29(12): 1872-1881.
[19] 廖安然, 宋献方, 张应华, 等. 2017年最大降水对再生水受水河道径流组成的影响[J]. 环境科学, 2018, 39(12): 5440-5450.
Liao A R, Song X F, Zhang Y H, et al. Impact of maximum precipitation in 2017 on the runoff component of reclaimed water-intaking river[J]. Environmental Science, 2018, 39(12): 5440-5450.
[20] 中华人民共和国水利部. 中国水资源公报[M]. 北京: 中国水利水电出版社, 2019.
Ministry of Water Resources People's Republic of China. China water resources bulletin[M]. Beijing: China Water & Power Press, 2019.
[21] 中华人民共和国住房和城乡建设部. 城市建设统计年鉴[EB/OL]. http://www.mohurd.gov.cn/xytj/tjzljsxytjgb/jstjnj/, 2020-03-27.
[22] 国家统计局. 中国统计年鉴[EB/OL]. http://www.stats.gov.cn/tjsj/ndsj/, 2020-07-14.
[23] 杨敏, 李亚明, 魏源送, 等. 大型再生水厂不同污水处理工艺的能耗比较与节能途径[J]. 环境科学, 2015, 36(6): 2203-2209.
Yang M, Li Y M, Wei Y S, et al. Energy consumption comparison and energy saving approaches for different wastewater treatment processes in a large-scale reclaimed water plant[J]. Environmental Science, 2015, 36(6): 2203-2209.
[24] 董明刚, 姜振龙, 敬超. 基于海林格距离和SMOTE的多类不平衡学习算法[J]. 计算机科学, 2020, 47(1): 102-109.
Dong M G, Jiang Z L, Jing C. Multi-class imbalanced learning algorithm based on Hellinger distance and SMOTE algorithm[J]. Computer Science, 2020, 47(1): 102-109.
[25] 左秀霞. 带高次趋势项的ADF单位根检验[J]. 数量经济技术经济研究, 2019, 36(1): 152-169.
Zuo X X. ADF unit root test with high order trend term[J]. The Journal of Quantitative & Technical Economics, 2019, 36(1): 152-169.
[26] 管河山, 邹清明, 罗智超. 时间序列平稳性分类识别研究[J]. 统计与信息论坛, 2016, 31(4): 3-8.
Guan H S, Zou Q M, Luo Z C. Study on classification and identification of time series stationarity[J]. Statistics & Information Forum, 2016, 31(4): 3-8. DOI:10.3969/j.issn.1007-3116.2016.04.001
[27] 陶丽, 邰凌楠, 田茂再. 带固定效应面板分位回归方法的构建与比较[J]. 统计与决策, 2020, 36(17): 9-13.
Tao L, Tai L N, Tian M Z. Construction and comparison of quantile regression method with fixed effects panel[J]. Statistics & Decision, 2020, 36(17): 9-13.
[28] 李雅男, 丁振民, 邓元杰, 等. 中国城市工业化发展与PM2.5的关系: 兼论EKC曲线形成的内在机制[J]. 环境科学, 2020, 41(4): 1987-1996.
Li Y N, Ding Z M, Deng Y J, et al. Relationship between urban industrialization and PM2.5concentration in China and the internal mechanism of EKC[J]. Environmental Science, 2020, 41(4): 1987-1996.
[29] 叶伟鹏, 刘苗苗, 毕军. 中国臭氧短期暴露与人群死亡之间关系的Meta分析研究[J]. 环境科学学报, 2020, 40(7): 2644-2651.
Ye W P, Liu M M, Bi J. Meta-analysis of the associations between short-term ozone exposure and human mortality in China[J]. Acta Scientiae Circumstantiae, 2020, 40(7): 2644-2651.
[30] 王晓彦, 王帅, 朱莉莉, 等. 2014~2016年京津冀沿山城市空气质量首要污染物特征分析[J]. 环境科学, 2018, 39(10): 4422-4429.
Wang X Y, Wang S, Zhu L L, et al. Characteristics of primary pollutants of air quality in cities along the Taihang Mountains in Beijing-Tianjin-Hebei region during 2014-2016[J]. Environmental Science, 2018, 39(10): 4422-4429.
[31] 连玉君, 王闻达, 叶汝财. Hausman检验统计量有效性的Monte Carlo模拟分析[J]. 数理统计与管理, 2014, 33(5): 830-841.
Lian Y J, Wang W D, Ye R C. The efficiency of Hausman test statistics: a Monte-Carlo investigation[J]. Journal of Applied Statistics and Management, 2014, 33(5): 830-841.
[32] 温珺, 阎志军, 程愚. 数字经济驱动创新效应研究——基于省际面板数据的回归[J]. 经济体制改革, 2020(3): 31-38.
Wen J, Yan Z J, Cheng Y. Research on the effect of digital economy on upgrading innovation capacity-based on provincial-level panel data[J]. Reform of Economic System, 2020(3): 31-38.