黑龙江省不同规模与水源类型典型样点灌区用水评价

孙雪梅，李梦玲，谢世尧，戴长雷

（1.黑龙江省水利科学研究院，哈尔滨150080；2.黑龙江大学水利电力学院，哈尔滨150080；3.黑龙江大学寒区地下水研究所，哈尔滨150080）

0 引言

灌溉用水对农业生产、农民的生活以及粮食安全等问题都起着重要的保障和支撑作用[1]。灌区用水情况能够反映灌区的灌溉工程质量、灌溉技术水平和灌溉用水管理的基本状况，是评价农业水资源利用、指导节水灌溉和大中型灌区续建配套及节水改造健康发展的重要参考，对提高用水效率起到关键作用[2-4]。不同规模的灌区由于管理因素、工程因素的不同，灌溉用水情况也存在很大的差距，根据不同规模灌区的特点实施相应的措施，对于提高灌区用水效率具有重要意义。

灌区高效用水直接关系到农业的发展，且受到多重因素的影响。当前研究较多的是针对灌溉用水效率及其影响因素分析，主要应用的方法有层次分析法、Malmquist 指数、模糊综合评价法、灰色关联分析、DEA-Tobit 模型等[5-8]。杨晓慧等[9]利用DSSAT-CERES-Wheat 模型分析结果表明灌溉水利用率大小受降雨量的影响。李莹莹等[10]基于农业用水特征及内涵，构建农业用水效率评价指标体系，为提高农业用水效率提供参考依据。但是对于不同规模与水源类型灌区用水情况的对比研究相对较少。

本研究基于GINI 系数得到不同规模与水源类型灌区灌溉用水量与灌溉面积的匹配度，采用主成分分析法对灌区用水情况的影响因素进行分析，为实现黑龙江省灌区用水科学管理以及水资源的优化配置提供理论依据。

1 材料与方法

1.1 研究区概况

黑龙江省位于我国东北地区的北部，面积47.3 万km2，地势西北、东南高，东北、西南低，为温带季风气候，四季较为分明。黑龙江省是我国重要粮食产区之一，主要盛产水稻、玉米、大豆[11]。全省农业灌溉分为东、西两大平原区和南、北两大山地区，全省灌区分属13 个地市、农垦系统、森工系统和监狱系统。

全省主要灌溉作物为水稻，按区域布局分，东部三江平原水田灌溉面积占全省水田灌溉总面积的59%；西部松嫩平原水田灌溉面积占全省水田灌溉总面积的32%；中部地区水田灌溉面积占全省水田灌溉总面积的9%。按灌区类型分，660 hm2以上灌区水田面积占全省水田灌溉面积的26%；五小工程水田面积占全省水田灌溉面积74%。按水源类型分，水田地表水灌溉面积占全省水田灌溉面积38%；地下水灌溉面积占全省水田灌溉面积62%。就取水类型而言，提水灌区主要分布在哈尔滨、齐齐哈尔、牡丹江、佳木斯、绥化、大庆、鸡西、双鸭山、鹤岗9个地市；自流灌区主要分布在除大兴安岭以外的12个地市；纯井灌区主要分布在三江平原地区。

近10年全省不同规模灌区有效灌溉面积见图1，纯井灌区有效灌溉面积大于大、中、小型灌区，且各规模灌区灌溉面积变化趋势基本一致，近五年变化幅度较小。纯井灌区的数量和面积占全省灌区的比重较大，2018年纯井灌区数占全省灌区的96%，有效灌溉面积占全省总有效灌溉面积的72%。

图1 黑龙江省不同规模灌区有效灌溉面积Fig.1 Effective irrigated area in different scale irrigated areas in Heilongjiang Province

1.2 数据来源

黑龙江省灌区大部分集中在松嫩和三江两大平原，本研究综合考虑了研究区的灌区规模、水源类型、灌区地形、土壤类型等因素，共选取80 个典型样点灌区。其中大、中、小以及纯井灌区各选取20 个，包括自流引水、提水以及纯井灌区的喷灌和土质渠道地面灌溉的不同水源类型。灌区地形以平原和丘陵为主，分别占77%和20%，少部分为山地区。土壤类型多为壤土，兼顾沙壤土、黏壤土、草甸土，同时包括比较有区域特点的白浆土和沼泽土，基本包含了黑龙江省种植区所有土壤类型。

样点灌区分布示意图见图2。所选样点灌区工程设施和管理水平以能够代表所在区域内同类型灌区的水平为准。黑龙江省灌区种植作物以水稻和玉米两种作物为主，而灌溉作物主要是水稻，玉米只在个别纯井灌区中进行灌溉，样点灌区作物种植结构即包括水稻和玉米两种。基于数据收集的难易程度以及研究区的实际情况，选取2018年各典型样点灌区的灌溉面积、节水灌溉工程面积、灌溉用水量、地下水埋深、降水量等数据对黑龙江省不同规模灌区用水情况进行评价。

图2 选取典型样点灌区分布示意图Fig.2 Select the distribution diagram of irrigation area of typical sample points

1.3 研究方法

（1）洛伦兹曲线与GINI 系数。洛伦兹曲线最初是由美国统计学家洛伦兹提出，用来研究经济学中收入中的不均问题，目前已经广泛应用于其他各个领域[12]。GINI 系数是由意大利经济学家基尼根据洛伦兹曲线提出，用来表示人口累计百分比和收入累计百分比之间的对应关系曲线，曲线的弯曲程度有重要的意义，反映了收入分配的不平等程度，且与其成正比关系[13]。本文基于黑龙江省不同规模和水源类型样点灌区的灌溉用水量和灌溉面积原始数据绘制洛伦兹曲线，并计算GINI 系数，得到灌溉用水量与灌溉面积的匹配度，从而反映出不同规模和水源类型灌区的用水情况。

（2）主成分分析。选取黑龙江省不同规模和水源类型样点灌区的用水量、灌溉面积、降水量、地下水埋深、节水灌溉工程面积、骨干渠系防渗率等原始数据，运用主成分分析法对灌溉用水量与灌溉面积匹配度的影响因素进行分析。使用SPSS 24.0 对原始数据进行标准化，对选取的各指标进行相关性分析，运用KMO 和巴特利特球度进行检验，证明所选指标的合理性，然后再进行主成分的提取[14]。

2 结果与分析

2.1 灌溉用水量与灌溉面积的匹配度

2.1.1 绘制洛伦兹曲线

以各典型样点灌区为基本元，选取毛灌溉用水量作为匹配原象，以有效灌溉面积作为匹配对象。计算单位用水量所对应的灌溉面积按从小到大的升序次序对不同规模与水源类型的各灌区进行排序，并计算累计百分比。分别构建不同规模与水源类型灌区的洛伦兹曲线，如图3所示。

图3 不同规模与水源类型洛伦兹曲线Fig.3 Lorentz curves of different sizes and water sources

2.1.2 计算GINI系数

根据洛伦兹曲线和GINI 系数，采用梯形面积法求取灌区灌溉用水量与灌溉面积的区域基尼系数，即灌区灌溉用水量与灌溉面积的匹配度G。计算公式为：

式中：G为灌溉用水量与灌溉面积的匹配度；Xi为灌区内灌溉用水量累计百分比；Yi为灌溉面积的累计百分比，当i=1 时，(Xi－1，Yi－1)视为(0，0)。G取值范围为［0，1］。

GINI系数越小表明灌溉用水量与灌溉面积的匹配度越好，数值越大，则表明其匹配度越差，GINI 系数匹配程度等级划分见表1。

表1 GINI系数的国际划分标准Tab.1 International GINI coefficient division standard

不同规模与水源类型灌区的GINI 系数计算结果与匹配度度排名见表2。结果显示：除纯井灌区外，其他类型灌区的匹配度均较优；其中小型灌区自流引水的GINI 系数最小，表明灌溉用水量与灌溉面积的匹配度最好；其次是大型灌区自流引水、中型灌区自流引水；然后是大型灌区提水、中型灌区提水、小型灌区提水；纯井灌区的土质渠道地面灌溉和喷灌所得GINI 系数较大，表明灌溉用水量与灌溉面积的匹配度相对较差。综合GINI 系数的结果，大、中、小型自流引水灌区的匹配度均优于提水灌区。

表2 不同规模与水源类型GINI系数Tab.2 GINI coefficients of different sizes and water sources

2.2 影响因素分析

2.2.1 因素选取

灌溉用水量与灌溉面积的匹配度受到多重因素的影响，主要包括自然和人为两个方面。考虑到数据指标收集的难易程度以及黑龙江省的实际情况，分析灌溉用水从渠首取水、渠道输水到农田灌水的水流过程，结合样点灌区的选取原则，将选取的因素分为自然因素和人为因素，自然因素包括降水量和地下水埋深，人为因素包括管理因素和工程因素（实际灌溉面积、节水灌溉工程面积、骨干渠系防渗率等）。

2.2.2 因子分析

样点灌区的灌溉用水量与灌溉面积的匹配度受到多种因素的综合影响，通过主成分分析找到影响最大的因素，为进一步提高灌溉用水量与灌溉面积的匹配度的措施方法提供有力的理论支撑。通过收集每个样点灌区的原始数据，并结合各灌区实际情况运用理论分析和频率统计等的方法选取实际灌溉面积(X1)、有效灌溉面积(X2)、节水灌溉工程面积(X3)、毛灌溉用水量(X4)、净灌溉用水量(X5)、灌区地下水埋深上限(X6)、灌区地下水埋深下限(X7)、当年降水量(X8)、骨干渠系防渗率(X9)9个指标，运用SPSS 24.0进行主成分分析处理。

灌溉用水量与灌溉面积的匹配度各指标相关系数矩阵见表3。结果表明各指标之间存在必然程度的相关性，这是进行主成分分析的基础和条件，验证了主成分分析的合理性。

表3 相关系数矩阵Tab.3 Correlation coefficient matrix

运用KMO 和巴特利特球度依次进行检验，结果见表4，输出结果中KMO 的值为0.705，大于0.5，且巴特利特球度检验统计量的伴随几率小于显著性水平0.05，表明所选变量适合做因子分析。

表4 KMO检验和巴特利特球度检验结果Tab.4 KMO test and Bartlett sphericity test results

主成分的提取结果见表5，累计程度由大到小排序，前3个成分的特征值均大于1，且累计贡献率为78.123%，基本可以反应原始数据的信息。

表5 主成分提取结果Tab.5 Principal component extraction results

主成分载荷反映了主成分与变量之间的相关系数，灌溉用水量与灌溉面积匹配度的成分矩阵见表6。第1 主成分中毛灌溉用水量(X4)、净灌溉用水量(X5)、实际灌溉面积(X1)以及有效灌溉面积(X2)所占比例较大；第2 主成分中灌区地下水埋深上限(X6)和灌区地下水埋深下限(X7)占比较大，代表了自然因素对匹配度的影响；第3 主成分中当年降水量(X8)和骨干渠系防渗率(X9)占比较大，代表了自然因素和工程因素对匹配度的影响。

2.2.3 结果分析

综合表6 结果，通过主成分的贡献率可知，第1 主成分的因素中主要代表了人为因素中的管理因素，且累计贡献率为47.615%，其中占比较大的实际灌溉面积主要反映了灌区的管理水平因素，对灌溉用水量与灌溉面积的匹配度具有较强的正面影响。纯井灌区灌溉面积较小，且多为分散管理，而其他规模灌区多为集中管理，且专业管理人员会集中在大、中型灌区，纯井灌区缺乏管理人员的现象较常见，因此纯井灌区的灌溉用水量与灌溉面积的匹配度低于其他规模灌区。通过加强管理水平让灌溉水充分灌溉的田间各处，能够提高灌溉用水量与灌溉面积的匹配度。第2主成分的因素中地下水埋深的上限和下限占比较大，表明灌区地下水埋深对灌区灌溉用水量与灌溉面积的匹配度影响较大。

表6 成分矩阵Tab.6 Component matrix

第3主成分的因素中占比较大的是降水量和骨干渠系防渗率，其中当年降水量荷载为负数，说明此因素对灌区灌溉用水量与灌溉面积的匹配度有一定的负面影响。2018年黑龙江省平均降水量628.9 mm，比多年平均多17.9%，属于丰水年。但是部分地区虽在作物生育期内降雨量大，但在作物灌溉关键期降雨少，大量雨水不能被充分利用，虽然降雨量大，毛灌溉水量却并未减少，因此对灌区灌溉用水量与灌溉面积的匹配度具有负面影响。骨干渠系防渗率代表了灌区的工程因素，能够减少灌溉用水在输配水和田间灌水过程中的损失和深层渗漏，对灌区灌溉用水量与灌溉面积的匹配度有一定的正面影响，尤其对自流引水灌区。而提水灌区较多使用电力提水灌溉，受渠防渗情况影响较小。通过加大对灌区资金投入，进行标准化建设，完善灌区渠道整修和防渗处理，从而提高灌溉用水量与灌溉面积的匹配度，因此各规模灌区中自流引水灌区的匹配度均高于提水灌区。

3 结论

本文采用GINI系数得到灌溉用水量与灌溉面积的匹配度，选取影响因素使用主成分分析法对灌溉用水量与灌溉面积匹配度的影响因素进行分析，得到以下结论：

（1）黑龙江省不同规模和不同水源类型灌区的灌溉用水量与灌溉面积的匹配度排名：小型灌区自流引水＞大型灌区自流引水＞中型灌区自流引水＞大型灌区提水＞中型灌区提水＞小型灌区提水＞纯井灌区土质渠道地面灌溉＞纯井灌区喷灌。且自流引水灌区灌溉用水量与灌溉面积的匹配度均优于提水灌区。

（2）灌溉用水量与灌溉面积的匹配度同时受到人为因素和自然因素的影响，其中管理因素和工程因素对匹配度具有正面影响，自然因素中当年降水量对匹配度具有一定的负面影响。

（3）纯井灌区由于灌溉面积较小，多为分散管理，且缺乏专业管理人员等，灌溉用水量与灌溉面积的匹配度低于其他规模灌区。提水灌区由于多使用电力提水灌溉，与自流引水灌区不同，受渠道防渗情况影响较小，主要受管理水平的影响，灌溉用水量与灌溉面积的匹配度低于自流引水灌区。可通过自动化、信息化用水管理技术，加强灌区管理水平，从而提高提水灌区的灌溉用水量与灌溉面积的匹配度。