环境科学学报  2020, Vol. 40 Issue (8): 3053-3061
基于灰水足迹和熵值法的苏锡常地区水敏感性行业识别    [PDF全文]
刘艺文1, 王洪涛1,2    
1. 同济大学环境科学与工程学院, 长江水环境教育部重点实验室, 上海 200092;
2. 联合国环境规划署-同济大学环境与可持续发展学院, 上海 200092
摘要:水敏感性行业的识别对于行业整治和水环境保护具有重要指导意义.为了识别太湖流域的水敏感性重点行业,为进一步开展行业整治提供参考,基于全国排污许可证管理信息平台提供的企业排污数据,运用灰水足迹及其熵值法改进的核算方法,对太湖流域苏州、无锡、常州(苏锡常)三市主要制造业的污染物排放数据进行分析,结果表明:①在不同方法产生的排序结果中,纺织业的水敏感性始终占据第一位;②除纺织业外,还应重点关注以下几个水敏感性行业:化学原料和化学制品制造业、金属制品业以及造纸和纸制品业;③常州的黑色金属冶炼和压延加工业是其特色行业.对比于其他文献对于太湖流域重点行业的定义,本研究的排序结果比较相近,证明了方法的有效性.
关键词苏锡常    灰水足迹    熵值法    水敏感性行业    行业排序    全国排污许可证管理信息平台    
Identification of water-sensitive industries in Su-Xi-Chang Region based on grey water footprint and entropy method
LIU Yiwen1, WANG Hongtao1,2    
1. College of Environmental Science and Engineering, Key Laboratory of Yangtze River Water Environment, Ministry of Education, Shanghai 200092;
2. UNEP-Tongji Institute of Environment for Sustainable Development, Shanghai 200092
Received 29 February 2020; received in revised from 5 May 2020; accepted 5 May 2020
Abstract: The identification of water-sensitive industries is of guiding significance to industrial pollution control, rehabilitation work and water environmental protection. To identify the water-sensitive industries within Taihu Basin, and to provide some reference to further pollution control and rehabilitation work, we analyzed the pollutant discharge data from National Pollution Permit Management Information Platform of various industries in Su-Xi-Chang Region of Taihu Basin via the grey water footprint and its entropy method modified version. The results reveal that:① Textile industry occupies the first position in the list of water sensitivity within the scope of Suzhou, Wuxi, Changzhou and the three cities as a whole, no matter which method is used; ② In addition to the textile industry, special attention should be paid to Chemical raw materials and chemical products manufacturing industry, Metal products industry and Paper and paper products industry; ③ Ferrous metal smelting and rolling industry is a feature industry of Changzhou. The ranking results of this research are similar to that in other publications, which proves the viability of the methods used.
Keywords: Su-Xi-Chang Region    grey water footprint    entropy method    water-sensitive industry    industry ranking    National Pollution Permit Management Information Platform    
1 引言(Introduction)

自2007年无锡水污染事件以来, 太湖流域的水质问题一直备受关注.据《太湖流域健康状况报告2017》(水利部太湖流域管理局, 2017), 太湖流域GDP占全国9.8%, 是我国最大的综合工业基地之一.识别出需要重点监控和整治的行业是改善太湖流域水质和生态环境的关键一步.随着整治工作的进行, 产业格局的调整, 相关政策的出台, 以前识别的重点行业是否还符合现状, 是否需要做出及时的调整, 是值得研究的问题.之前已有关于太湖流域污染的研究, 有些研究者关注污染的时空变化规律(张杰, 2019), 还有一些研究者关注第一产业、第二产业和第三产业对水质的影响(靳晓莉, 2006), 也有研究(谢红彬, 2002)从工业产值的角度对太湖流域的支柱产业进行了排序.很少有研究将污染物排放分析细化到第二产业中具体的不同行业层面, 而对于造成太湖流域污染的重点行业的识别正是产业结构调整政策管控的科学依据, 也是本文的出发点.综合考虑太湖流域所包含的行政区域的完整性、经济发达程度以及数据的可获得性, 最终确定研究区域重点考虑“苏锡常”地区.

本次研究的主要关注点在于水敏感性行业的识别, 水敏感性在不同的领域有不同的含义(李保雄等, 2007蔡凯臻等, 2008), 本论文所指水敏感性行业定义为排污对流域水质影响大的行业(周志方等, 2019).灰水足迹作为与污染有关的指标, 定义为以自然本底浓度以及水环境的水质标准为基准, 将一定的污染负荷稀释同化所需的淡水体积(Hoekstra et al., 2011).灰水足迹工具将企业的排污数据与水质标准进行结合, 提供了一种除污染物排放量之外的可以更精确量化企业排污对水质影响的方法.但灰水足迹的适用性也存在一定争议.比如在一般的灰水足迹核算公式中, 每个污染物对应一个灰水足迹值, 取最大值为最终核算值, 该核算方法掩盖了除最大值所属的污染物之外的其他污染物指标的信息, 如要包含多个污染物指标, 则需考虑每个指标的权重问题.熵值法可以将各污染物指标计算得出的灰水足迹客观赋予权重, 得到综合的灰水足迹评价值.本文将灰水足迹和熵值法结合, 用于苏锡常地区水敏感性行业识别.本文“水敏感性”并不对应于灰水足迹的绝对值, 而是取决于各行业灰水足迹及相关数据排名的相对结果.

2 方法与数据(Methods and data) 2.1 水敏感性行业识别整体方法框架

本文水敏感行业识别的整体方法框架见图 1, 具体分为两个体系:①对各行业进行灰水足迹核算, 并基于核算结果进行排序识别重点行业;②对各行业不同污染物指标的灰水足迹核算结果进行熵值法处理, 得到综合的灰水足迹评价值, 并根据评价值进行排序识别重点行业.本文“水敏感性”为相对概念, 通过灰水足迹和熵值法等方法对苏锡常各主要行业的排污数据进行处理分析, 识别出“水敏感性”相对更强的行业, 为行业整治工作提供参考.

图 1 水敏感性行业识别整体方法框架 Fig. 1 Overall framework of methods to identify water-sensitive industries

本研究在传统灰水足迹核算的基础上, 做了两个层面的改进:①单独核算以氨氮、总氮和总磷为指标的灰水足迹, 以在同一污染指标的基础上对各行业产生的灰水足迹进行比较;②引入熵值法, 考虑其中各指标的权重, 并将各污染物指标都包含到最终的核算结果中.

2.2 灰水足迹 2.2.1 灰水足迹的应用

目前有不少研究关注灰水足迹的核算.在这些研究中, 有的考虑不同的尺度, 把研究限定在一个国家, 一个流域, 或一个省市, 核算区域内的三大产业或某一行业的灰水足迹, 例如孙才志等(2016)分析了1998—2012年中国31省市的灰水足迹以及灰水足迹的荷载系数, 根据系数的不同, 将省市分为高荷载、较高荷载、中度荷载、较低荷载和低荷载地区几大类, 为区域的可持续发展提供了理论支持;Khan等(2019)基于1986—2015年的氮磷排放数据, 利用灰水足迹工具, 对Kabul河的径流进行污染分析和预测; 冼超凡等(2019)将灰水足迹和氮足迹相结合, 研究了深圳市的氮和水污染导致的风险之间的耦合关系并提出了应对策略.有的研究则重点关注某一种产品的灰水足迹, 如丁宁等(2016)为能源系统的水足迹评价提供了数据支持和方法理论;任滋禾等(2019)针对我国的纺织印染企业的水足迹提供了精确的测算方法, 并为节水分析提供支持;Zhang等(2014)比较了3种拉链的水足迹, 其中灰水足迹占了全部水足迹的80%以上.

2.2.2 灰水足迹的核算公式

本研究涉及到的排污数据为全国排污许可证管理信息平台提供的各企业的不同污染物年排放质量, 灰水足迹核算公式见式(1) (Hoekstra et al., 2011).

(1)

式中, GWF为工业灰水足迹(m3·a-1); L 为工业污染物排放量(kg·a-1), Cmax为污染物水质标准浓度(kg·m-3); Cnat为受纳水体的自然本底浓度(kg·m-3), 由于Cnat的获取较为困难, 参考其他研究, 此处取0(Hoekstra et al., 2011).

具体到核算各企业的GWF-氨氮, GWF-总氮, GWF-总磷和GWF-传统时, 氨氮、总氮和总磷对应的Cmax均取《地表水环境质量标准GB3838—2002》(国家环境保护总局, 2002)中Ⅳ类水标准对应的数值, 分别为1.5、1.5以及0.3 mg·L-1.根据灰水足迹核算方法, GWF-传统为GWF-氨氮、GWF-总氮、GWF-总磷三者中的最大值.

2.3 熵值法原理、应用以及实现步骤 2.3.1 熵值法的原理和应用

信息的熵是对照热力学中的熵提出的, 对系统状态不确定性的一种度量.信息量越大, 对应的不确定性越小, 即熵越小.由于可以利用熵来判断数据的离散程度, 从而为多指标的综合评价提供依据, 客观地为多个指标的观测值赋予权重, 避免了人为赋予权重时产生的主观臆断, 具有较高的客观性和可信度.熵值法作为一种客观赋权的方法, 被广泛应用于多领域.李磊等(2014)将层次分析和熵值法结合, 对武汉市的水资源的承载力进行评价, 相比人工定权更为客观公正.苏华等(2011)构建产业承接能力的评价体系, 并依照体系基于熵值法对全国各地区进行了分析.Yuan等(2013)利用熵值法对于湖南省的农业可持续发展能力进行了动态的分析.

2.3.2 熵值法识别主要水敏感性行业步骤

① 模型构建.原始矩阵X一般由m组数据, 每组数据n个指标构成, 如式(2)所示.

(2)

本文针对行业水敏感性的排序需求, 需要依据地理范围的不同建立4个熵值法模型.其中各X矩阵中的m为特定地理范围内考虑的行业个数;由于单污染指标灰水足迹核算均考虑到的是氨氮、总氮和总磷这3种污染物, n均为3.

② 原始数据的矩阵标准化处理.得到原始数据矩阵之后首先要做的是数据的同质化, 即标准化, 原数据形式为X, 经过式(3)~(5), 将其处理得到新的数据矩阵Y, 见式(6).其中xmaxxmin分别为m个第j项指标的最大值和最小值, 见式(4)和式(5), 对应于本文中的概念, 即可理解为所有的待评测的行业中, 第j个污染物因子最大灰水足迹核算值和最小灰水足迹核算值.一般式(3)中取a=1, 以保证参与到最终对数计算的值有意义, 此时yij所对应的范围为[1, 2].对于某一个特定的指标j而言, yij之间的差距越大, 即离散程度越大, 在多指标综合评价中的重要性越大, 反之相反.

(3)
(4)
(5)
(6)

③ 计算比重矩阵.得到标准化的矩阵之后, 则需要计算比重矩阵, 过程见式(7), 得到新的P数据矩阵见式(8).pij的含义为针对某一特定污染物因子j, 不同行业中的每个j指标对应的灰水足迹核算值yij所占该指标下所有灰水足迹核算值的比值大小.

(7)
(8)

④ 计算熵值.根据比重矩阵计算各污染物指标对应的熵值ej, 方法见式(9).其中k与参与评价的数据组数m有关, 一般取k=lnm, 当pij取1/m时, ej最大, 为1, 其实际意义可以理解为, 当该指标下的各组数据贡献度区域一致, 熵值越大, 无序度越大, 则该指标在最终评测时所占的权重则会减弱, 趋于0.

(9)

⑤ 计算差异性系数.各污染物指标的差异性系数为1和其对应熵值的差, 见式(10), 和熵值相反, 某指标对应的差异性系数越大, 其在最终综合评定时所占的重要性越大.

(10)

⑥ 计算权重.根据式(11)则可以计算出权重, 其为衡量各个污染物指标核算出的灰水足迹结果的重要性程度.

(11)

⑦ 计算评价值.根据式(12)最终获得每个行业的水敏感性评价值, 其值的大小不具有绝对意义, 只具有排序比较的相对意义.

(12)
2.4 全国排污许可证管理信息平台

本文的主要数据来自全国排污许可证管理信息平台(中华人民共和国生态环境部, 2019), 该平台统一进行全国固定污染源的管理, 申请、核发、监管和信息公开一体化, 从而实现许可、监测、监管、评价闭环管理.

本文所分析利用的数据包含苏州、无锡、常州三市的纺织业、化学原料和化学制品制造业、造纸和纸制品业、金属制品业、农副食品加工业、医药制造业、黑色金属冶炼和压延加工业、皮革毛皮羽毛及其制品和制鞋业、食品制造业、纺织服装服饰业、石油/煤炭及其他燃料加工业、化学纤维制造业、非金属矿物制造业、有色金属冶炼和压延加工业以及电力热力生产和供应业, 共15个行业(其中苏州有数据的行业有8个, 无锡有数据的行业有11个, 常州有数据的行业有9个)的企业的“水污染排放信息”中的“全厂排放口总计”中的各污染物指标许可年排放量数据.

3 结果与分析(Results and analysis) 3.1 水敏感性行业排序(苏锡常地区及单个城市)——基于灰水足迹方法

图 2中列出了苏、锡、常及苏锡常地区水敏感性行业排序的结果, 由于各区域各核算方法下前五名所占灰水足迹比例均接近或超过80%, 为了方便讨论, 本研究取各排名结果中前五的行业来进行深入讨论分析.图 3中是基于不同污染物指标的灰水足迹核算结果给出的苏锡常地区及单个城市的排名前五的水敏感性行业.确定的地理范围, 无论何种方法核算, 排名前五行业不变.

图 2 水敏感性行业排序——基于灰水足迹核算结果 Fig. 2 Ranking of water-sensitive industries-based on grey water footprint results

图 3 排名前五水敏感行业及纺织业占比——基于灰水足迹核算结果 Fig. 3 Top 5 water-sensitive industries and the proportions of textile industry-based on grey water footprint results

可以看出不同的方法、不同的地理范围, 排名第一的行业均为纺织业, 并且和第二名的差异大多在一个数量级.苏锡常地区和三市单独来看, 排名前五都包含纺织业、化学原料和化学制品制造业以及金属制品业这3个行业.根据对绿色江南2016—2018年年度报告(绿色江南, 2016—2018)中与水污染有关的并且可以追溯到具体苏锡常企业的调研案例的统计, 73%的案例中涉及到的企业隶属于纺织业、化学原料和化学制品制造业以及金属制品业这3个行业.

除以总磷为指标核算的结果之外, 其余3种方法核算结果均可得出苏锡常地区、苏州、无锡这3个地理范围的排名前三均为纺织业、化学原料和化学制品制造业以及造纸和纸制品业.苏锡常三市的前五中, 仅常州没有造纸和纸制品业.黑色金属冶炼和压延加工业是常州的特色行业.《常州统计年鉴2018》(陈邦辉等, 2018)中记载, 有七大工业行业产值全面增长, 其中冶金行业同比增长20.4%, 占七个行业之首.2017年度工业企业主营业务收入前100排名中第一名企业为黑色金属冶炼和压延加工业企业.

以总磷为指标核算时, 苏锡常地区、苏州、无锡这3个地理范围的排名前两名均为纺织业以及造纸和纸制品业, 相较于其他核算方法, 该方法会提高造纸和纸制品业的排名.

传统方法和以总氮为指标的排序结果几乎一致, 也意味着以总氮为指标的核算结果最大.从原始的排放质量数据来看, 大多情况下, 总氮的排放质量比总磷的排放质量多一个数量级, 而灰水足迹核算公式中所采用的《地表水环境质量标准GB3838—2002》中总氮和总磷对应的Ⅳ类水标准分别为1.5和0.3 mg·L-1, 相差少于一个数量级;氨氮(NH3-N, 指水体中以游离氨和离子铵形式存在的氮)和总氮(以N记, 氨氮、硝酸盐氮、亚硝酸盐氮和各种有机态氮)水质标准一样, 均为1.5 mg·L-1, 而氨氮和总氮定义的不同使得氨氮质量总是小于总氮, 所以总氮为指标的灰水足迹在大多情况下比总磷和总氮为指标的数据大.

不论何种方法, 苏州的灰水足迹值在三市中占比最大.根据《苏州统计年鉴2018》(朱桂萍等, 2018)中的统计数字, 苏州的地区生产总值以及财政收入均排名全省第一.

3.2 水敏感性行业排序(苏锡常地区及单个城市)——基于熵值法

传统灰水足迹核算方法在面对多个污染物指标时, 取各个污染物指标核算出的灰水足迹最大值作为最终结果, 即未将各污染物指标的灰水足迹都考虑进去, 本研究在前文单独考虑多个污染物指标来核算灰水足迹的基础上, 利用熵值法的方法, 将各污染物指标核算出的灰水足迹进行客观赋权重, 综合多污染物指标进行灰水足迹核算, 从而进行行业间水敏感性排序的目的.由于本研究考虑的行业排序地理范围有4个, 分别是苏锡常地区以及苏、锡、常3市, 本文需要建立4个熵值法模型, 根据方法与数据部分说明的熵值法实现步骤, 得出了一系列数据结果, 其中各模型计算出的熵, 差异性系数, 权重见表 1, 最终的评价值见表 2.

表 1 各污染物指标灰水足迹的熵、差异性系数和权重 Table 1 Entropy, difference coefficient and weightiness of grey water footprint of each pollutant index

基于熵值法苏锡常地区及单个城市的水敏感性排序结果见表 2.除常州外, 其他3个地理范围的熵值法灰水足迹评价值排序前三位皆为纺织业、化学原料和化学制品制造业以及造纸和纸制品业.而常州的医药制造业和黑色金属冶炼和压延加工业的排名相比于其他3个范围的排名较为突出.

表 2 各行业灰水足迹评价值及水敏感性排名 Table 2 Grey water footprint evaluation value and water sensitivity ranking result of each industry

苏锡常地区、苏州和无锡的熵值法的排序结果与传统灰水足迹的排序结果大致相近, 只有部分细微的差异, 比如苏锡常地区的第9名和第10名的电力热力生产和供应业、皮革毛皮羽毛及其制品和制鞋业以及第13和第14名的化学纤维制造业、非金属矿物制造业在传统灰水足迹方法核算结果的排序中相互颠倒, 出现相似情况的还有如无锡的水敏感性排名的第8名和第9名的食品制造业、黑色金属冶炼和压延加工业以及第10名和第11名的化学纤维制造业、非金属矿物制造业.从灰水足迹方法进行排序的结果来看, 可以得出总磷指标对于常州的特殊性, 而常州的熵值法排名和以总磷为污染指标时的灰水足迹排序结果基本一致, 体现出熵值法相对于传统灰水足迹取各指标对应水足迹最大值的优势.

差异出现的主要原因可能是由于方法本身原理的不同, 在两种方法中出现排名差异的行业所对应的传统灰水足迹方法核算结果本身数据较为接近, 如上文中提到的苏锡常地区的第13和第14名的化学纤维制造业, 非金属矿物制造业, 他们的传统灰水足迹方法核算结果为0.06×106 m3和0.07×106 m3, 对比下来结果较为接近, 相互印证说明了结果的可信度.

4 讨论(Discussion) 4.1 对比其他灰水足迹核算方法

灰水足迹将水量与水质相挂钩, 传统的灰水足迹核算方法提出之后, 被广泛应用到各个领域, 它的提出为水资源管理提供了一个新的思路.在应用过程中已经有学者意识到传统灰水足迹工具的不足, 并根据不同的需要已经对灰水足迹的核算方法做出了改进, 比如越来越多的研究者在利用灰水足迹核算时, 由于Cnat值难以获取, 普遍解决方案是取0, 但是其实有学者在研究过程中做了灵敏度的分析, 不同的本底值取值有可能会使得灰水足迹核算结果发生很大波动(Johnson et al., 2019), 在公式提出初始, 未考虑实践数据获取难度及简化方案——对此, 有学者查阅研究地域的历史本底值数据, 限定范围后利用蒙特卡洛方法在范围内取多个值, 得到分布情况, 再利用传统统计学方法来确定最终的灰水足迹值(Girolamo, 2019).同样, 灵敏度分析显示, 水质标准的取值也有可能很大程度上影响最后的结果(Johnson et al., 2019), 在大多数研究中并未考虑到水质标准在不同地区的差异性.传统的核算方法还忽略了污水排放口到地表水监测断面之间, 点源污染的迁移和衰减效应, 有专利针对这一问题对河流的灰水足迹评估方法做出了改进(Yang et al., 2019).还有学者由于传统的灰水足迹只有一个维度, 不能很好反映研究对象的真实情况, 于是将灰水足迹提出了三维的表达形式, 将其对水质、水量的影响以及在水中的停留时间均进行了考虑(Gu et al., 2014).而本文主要就传统灰水足迹核算中的最终结果只取多个指标对应的灰水足迹的最大值这一点做了改进——依据氨氮、总氮和总磷3个指标的灰水足迹进行排名, 并且利用熵值法对单指标结果进行处理得出多指标综合排序.

4.2 对比其他文件关于太湖重点行业的定义

为了印证本研究给出水敏感性行业的可信度, 查找对比了两个文件中对于太湖流域重点行业的说明:①《太湖流域水环境综合治理总体方案(2013年修编)》(中华人民共和国国家发展和改革委员会, 2013)指出, 入湖工业点源污染中, 江苏省纺织、化工、冶金、机械电子以及造纸等行业废水和COD排放量大, 尤其是纺织行业更为突出, 其中苏州市排放量远高于无锡、常州、南京、镇江四市;②江苏省地方标准《太湖地区城镇污水处理厂及重点工业行业主要水污染物排放限值》(江苏省环境保护厅, 2018)中定义重点行业包括纺织工业、化学工业、造纸工业、钢铁工业、电镀工业以及食品工业.其中, 纺织、化工、冶金以及造纸均在本文中综合各个排序结果中有体现.

4.3 展望

本文因为数据的局限性, 为了达到行业对水质污染的影响可以量化比较的目的, 只考虑了水质指标中的氨氮、总氮和总磷这3个共有的指标, 实际上行业对于水质的影响不仅仅由这3个水质指标决定.之后的研究可以聚焦每个行业特征污染物对于水质的影响分析, 例如纺织业的总锑;金属制品行业以及黑色金属冶炼和压延加工业的重金属指标如总铜、总镍、总铬等.本研究中所涉及“水敏感性”为相对概念, 今后可以深入研究“水敏感性”的量化方法.

5 结论(Conclusions)

1) 不论是运用传统灰水足迹的方法, 还是单独考虑某一指标下的灰水足迹, 抑或是熵值法来改进的灰水足迹核算方法, 在苏锡常地区以及各城市单独的地理范围内, 纺织业的水敏感性始终占据第一的位置.

2) 除了纺织业需要特别关注之外, 化学原料和化学制品制造业、金属制品业以及造纸和纸制品业都在不同的排序结果中处于较高的排名.

3) 常州的黑色金属冶炼和压延加工业是其特色行业.

4) 基于全国排污许可证管理信息平台提供的企业排污数据, 利用灰水足迹及其熵值法改进的方法进行灰水足迹核算排序来识别太湖流域苏锡常地区水敏感性行业是可行的, 该方法可为全国其他区域和流域的水敏感性行业识别提供参考.

参考文献
蔡凯臻, 王建国. 2008. 城市设计与城市水文管理的整合——澳大利亚水敏性城市设计[J]. 建筑与文化, (7): 96-99.
陈邦辉. 2018. 常州统计年鉴[M]. 北京: 中国统计出版社, 3-21.
丁宁, 逯馨华, 杨建新, 等. 2016. 煤炭生产的水足迹评价研究[J]. 环境科学学报, 36(11): 4228-4233.
Girolamo A. 2019. Improving grey water footprint assessment:Accounting for uncertainty[J]. Ecological Indicators, 102: 822-833. DOI:10.1016/j.ecolind.2019.03.040
Gu Y, Li Y, Wang H, et al. 2014. Gray water footprint:Taking quality, quantity, and time effect into consideration[J]. Water Resources Management, 28(11): 3871-3874.
国家环境保护总局. 2002. GB3838-2002地表水环境质量标准[S].北京: 中国标准出版社
Hoekstra A, Mekonnen M, Chapagain A. 2011. Water Footprint Assessment Manual[M]. London: Earthscan Ltd, 1-203.
江苏省环境保护厅. 2018. DB 32/1072-2018太湖地区城镇污水处理厂及重点工业行业主要水污染物排放限值[S/OL]. 2020-01-12, http://hbt.jiangsu.gov.cn/art/2018/5/18/art_1571_7642954.html.
靳晓莉, 高俊峰, 赵广举. 2006. 太湖流域近20年社会经济发展对水环境影响及发展趋势[J]. 长江流域资源与环境, 15(3): 32-36.
Johnson M B, Mehrvar M. 2019. An assessment of the grey water footprint of winery wastewater in the Niagara Region of Ontario, Canada[J]. Journal of Cleaner Production, 214: 623-632.
Khan T, Khan H. 2019. Environmental sustainability of grey water footprints in Peshawar Basin:Current and future reduced flow scenarios for Kabul River[J]. International Journal of Agricultural and Biological Engineering, 12(4): 162-168.
李保雄, 牛永红, 苗天德, 等. 2007. 兰州马兰黄土的水敏感性特征[J]. 岩土工程学报, 29(2): 294-298.
李磊, 贾磊, 赵晓雪, 等. 2014. 层次分析-熵值定权法在城市水环境承载力评价中的应用[J]. 长江流域资源与环境, 23(4): 456-460.
绿色江南. 2018.绿色江南年度报告[R/OL]. 2020-04-03, http://www.pecc.cc/index.php/mod/46.
任滋禾, 白昱, 周律. 2019. 基于产品水足迹核算的印染企业生产节水潜力分析:案例研究[J]. 环境科学学报, 39(3): 350-359.
水利部太湖流域管理局.太湖流域健康状况报告[R/OL]. 2017. 2020-01-12, http://www.tba.gov.cn/contents/45/55609.html.
苏华, 胡田田, 黄麟堡. 2011. 中国各区域产业承接能力的评价[J]. 统计与决策, (5): 41-43.
孙才志, 韩琴, 郑德凤. 2016. 中国省际灰水足迹测度及荷载系数的空间关联分析[J]. 生态学报, (1): 86-97.
冼超凡, 潘雪莲, 甄泉, 等. 2019. 城市生态系统污染氮足迹与灰水足迹综合评价[J]. 环境科学学报, 39(3): 339-349.
谢红彬, 陈雯. 2002. 太湖流域制造业结构变化对水环境演变的影响分析——以苏锡常地区为例[J]. 湖泊科学, (1): 54-60.
Yang Z, Ma S, Zhang Y, et al. 2019. Method for assessment of river gray water footprint, involves constructing one-dimensional water quality model of river to be evaluated, calculating initial concentration of pollutants in reference section and calculating water footprint[P]. China, CN109726891-A. 2019-05-07
Yuan J, Qi C. 2013. Dynamic assessment of regional agricultural sustainability of Hunan province based on entropy method[J]. Resources and Environment in the Yangtze Basin, 22(2): 152-157.
张杰, 郭西亚, 曾野, 等. 2019. 太湖流域河流沉积物重金属分布及污染评估[J]. 环境科学, 40(5): 206-214.
Zhang Y, Wu X Y, Wang L L, et al. 2014. The industrial water footprint of zippers[J]. Water Science and Technology, 70(6): 1025-1031.
中华人民共和国国家发展和改革委员会. 2013.太湖流域水环境综合治理总体方案(2013年修编)[Z/OL]. 2020-01-12, https://www.ndrc.gov.cn/xxgk/zcfb/tz/201401/t20140114_964018.html.
中华人民共和国生态环境部.全国排污许可证管理信息平台[DB/OL]. 2020-01-12, http://permit.mee.gov.cn.
周志方, 陈佳纯, 曾辉祥. 2019. 产品市场竞争对企业水信息披露的影响研究——基于2010-2016年中国高水敏感性行业的经验证据[J]. 商业经济与管理, (11): 70-86.
朱桂平, 《苏州统计年鉴-2018》编委会. 2018. 苏州统计年鉴[M]. 北京: 中国统计出版社, 48.