許 萍，宋宜林，陳梓豪

（1.北京建筑大學(xué)城市雨水系統(tǒng)與水環(huán)境教育部重點實驗室，北京 100044；2.北京建筑大學(xué)水環(huán)境國家級實驗教學(xué)示范中心，北京 100044）

0 引 言

隨著社會經(jīng)濟的快速發(fā)展，我國水資源短缺形勢愈發(fā)嚴(yán)重，城市用水供需矛盾也日益加?。?］。通過利用價格杠桿對用水需求進行管理，是緩解水資源供需矛盾的重要手段之一［2］。近年來，居民家庭用水量在我國城市用水結(jié)構(gòu)中占比不斷增加，達到全國城市用水總量的39.69%（2019年）［3］，有巨大的節(jié)水潛力，因此如何有效利用水價引導(dǎo)居民合理用水是推進節(jié)水工作的新思路。水資源與一般的居民消費商品不同，其具有很強的公共產(chǎn)品屬性［4］，需要保障居民的基本用水需求，是人民生活的必需品，政府勢必需要對水價進行整體調(diào)控，防止水價如其他普通消費品一般隨市場需求而自由變化。但目前我國普遍使用的平均成本定價法僅以工程成本定價，難以反映水資源的稀缺性，不利于提升居民的節(jié)水意識，對減少水資源浪費作用有限［5］。同時，我國現(xiàn)行城市水價中包含的資源水價（水資源費/稅）收費標(biāo)準(zhǔn)長期較低，難以發(fā)揮其對水資源的節(jié)約利用效果［6-8］。

若干實證案例研究表明，水價對用水需求存在一定影響，張家瑞等［9］通過建立流域水價政策復(fù)雜系統(tǒng)模型，對滇池流域水價政策進行仿真分析，發(fā)現(xiàn)水價上升能夠有效降低居民生活用水量；魏強［10］運用系統(tǒng)動力學(xué)仿真模擬發(fā)現(xiàn)，長春市居民水價由2.5 元/m3提高至4.4 元/m3時，其生活用水總量將下降約0.103 億m3。但已有研究多集中于對單個城市進行的水價變化與用水需求的分析，而城市間經(jīng)濟水平不平衡導(dǎo)致居民對水價變動的承受程度不同［11-13］，同時，全國各地城市氣候不同，而氣候變化也在很大程度上決定了居民家庭的生活用水習(xí)慣，從而影響居民對水價的敏感程度［14-17］。因此現(xiàn)有研究結(jié)果不夠全面，缺乏從宏觀層面對全國不同類型城市的針對性研究。另一方面，現(xiàn)有研究多是對水價在一段時間內(nèi)的靜態(tài)效果進行研究或預(yù)測，缺乏水價對用水需求影響的實際動態(tài)關(guān)系研究，且多是基于雙對數(shù)模型的價格彈性計算，存在較強的變量內(nèi)生性問題，難以準(zhǔn)確反映二者關(guān)系［18］。

因此，本文選取全國8個典型城市（北京、上海、大連、蘭州、寧波、長沙、昆明及南寧），通過VAR模型定量表達水價、收入對居民用水需求的影響程度大小，并揭示居民用水需求與水價、收入間的動態(tài)關(guān)系，旨在為更具針對性的政策出臺提供理論依據(jù)。

1 研究方法與數(shù)據(jù)來源

1.1 向量自回歸理論

向量自回歸模型（Vector Auto Regression models，VAR）是一種時間序列模型，可以有效揭示變量間的動態(tài)關(guān)系和定量表達變量間影響程度的大小，同時不具有約束性［19］。VAR模型最初由Sims［20］在1980年引入宏觀經(jīng)濟分析中，現(xiàn)已被廣泛應(yīng)用于產(chǎn)業(yè)結(jié)構(gòu)升級、資源環(huán)境污染等因素與經(jīng)濟增長的關(guān)系研究，并取得了良好的效果［21-24］。Tian 等［25］分析了GDP 與總用水量之間的動態(tài)響應(yīng)關(guān)系，并利用VAR模型對未來水資源利用情況進行預(yù)測；Sun 等［26］基于VAR 模型研究了工業(yè)廢水對經(jīng)濟增長的雙向影響機制及其長期動態(tài)關(guān)系；崔毅［27］基于VAR模型從宏觀用水角度說明通過提高生產(chǎn)生活用水占比，對優(yōu)化地區(qū)用水結(jié)構(gòu)的重要作用；王飛等［28］通過VAR模型模擬分析江蘇省經(jīng)濟產(chǎn)出、水資源消費和水價間的時變關(guān)系，發(fā)現(xiàn)適當(dāng)提高水價對經(jīng)濟發(fā)展有促進作用，但對城市總體用水量影響不大。根據(jù)國內(nèi)外研究中對VAR模型應(yīng)用的經(jīng)驗，該模型適用于用水量與水價及收入等產(chǎn)業(yè)產(chǎn)值增長相關(guān)指標(biāo)間的分析。

VAR模型的數(shù)學(xué)表達式如式（1）所示［29］：

式中：yt是內(nèi)生變量；xt是外生變量；樣本數(shù)目為T；A1，A2，…，Ap是待估計的參數(shù)矩陣；p是滯后階數(shù)；B是xt待估系數(shù)；εt是隨機擾動列向量。

VAR模型轉(zhuǎn)化為矩陣表示為：

VAR 模型建立的前提要求是各變量應(yīng)為平穩(wěn)序列或存在協(xié)整關(guān)系，方可建立VAR 模型［30］。當(dāng)模型系統(tǒng)穩(wěn)定時，即可使用脈沖響應(yīng)函數(shù)和方差分解對沖擊進行分析研究［22，23］。

1.2 變量選取與處理

本文主要考察水價（P）及收入（S）對城市居民用水需求的動態(tài)影響關(guān)系，其中以居民人均年用水量（Q）代表居民用水需求。水價定價與城市水資源豐富度有直接關(guān)系，因此以1 000 m3/人劃分城市人均水資源量豐富度，對35 個重點城市人均水資源量進行對比，見圖1；水費承受能力是水價對用水需求的另一個影響因素［31］，本文以人均可支配收入代表城市居民水費承受能力，35 個重點城市人均可支配收入對比結(jié)果，見圖2；綜合考慮上述兩指標(biāo)并對比水價數(shù)據(jù)（見圖3），選取北京、上海、大連、蘭州、寧波、長沙、昆明及南寧8 座具有代表性的城市，分為四組進行對比分析，見表1。其中，人均水資源量選自各省市《水資源公報》，人均可支配收入根據(jù)各城市《統(tǒng)計年鑒》確定，水價數(shù)據(jù)來源于各地方政府或供水服務(wù)提供商，樣本區(qū)間為2005-2019年，因數(shù)據(jù)可獲取行，人均水資源量數(shù)據(jù)樣本時間為2017年。

圖1 2017年35個重點城市的人均水資源量對比Fig.1 Comparison of per capita water resources in 35 key cities in 2017

圖2 2005-2019年35個重點城市的人均可支配收入對比Fig.2 Comparison of per capita disposable income of 35 key cities from 2005 to 2019

圖3 2005-2019年35個重點城市的平均水價對比Fig.3 Comparison of average water prices in 35 key cities from 2005 to 2019

表1 不同類別研究城市Tab.1 Research cities in different categories

考慮到物價變化可能會造成不同年份水價、收入之間的時間差異，故利用商品零售價格指數(shù)作為平減指數(shù)，將各城市水價與人均居民可支配收入轉(zhuǎn)化為基年不變價格與不變收入。商品零售價格指數(shù)來源于各城市的歷年《統(tǒng)計年鑒》，并以2005年為基準(zhǔn)進行平減。此外，為避免數(shù)據(jù)的劇烈波動，消除可能存在的異方差，對各項原始數(shù)據(jù)進行對數(shù)化處理，分別計為lnQ、lnP和lnS。本文采用EViews 軟件進行模型的檢驗與構(gòu)建等系列工作。

2 研究結(jié)果與分析

2.1 序列平穩(wěn)性檢驗

為避免模型出現(xiàn)偽回歸現(xiàn)象，保證結(jié)果的可靠性，本文采用ADF 檢驗法（Augmented Dickey-Fuller Test）對各城市變量序列平穩(wěn)性進行檢驗，若序列不平穩(wěn)，則可對其差分處理，北京市檢驗結(jié)果見表2。

表2 北京市各變量序列平穩(wěn)性檢驗結(jié)果Tab.2 Test results of sequence stationarity of variables in Beijing

根據(jù)表2，北京市l(wèi)nQ和lnS為平穩(wěn)變量，而lnP為非平穩(wěn)的，在對其進行一階差分處理并再次檢驗后通過，DlnP為平穩(wěn)變量。在其他城市的檢驗中，上海、寧波、長沙和昆明的各變量序列均平穩(wěn)，大連、蘭州和南寧則同樣存在不平穩(wěn)變量序列，需進行差分處理，而在對各不平穩(wěn)變量進行一階差分處理后，再次檢驗顯示均通過。

然而使用差分后的數(shù)據(jù)構(gòu)建VAR 模型往往會損失總量的長期信息［30］，導(dǎo)致分析結(jié)果準(zhǔn)確性下降。而隨著協(xié)整理論的發(fā)展，對于非平穩(wěn)時間序列，只要各變量之間存在協(xié)整關(guān)系也可以直接利用原變量序列建立VAR模型［32］，故對包含非平穩(wěn)變量序列的城市進行協(xié)整檢驗，若檢驗通過，則利用原數(shù)據(jù)建立VAR模型。

2.2 VAR模型的建立與系統(tǒng)穩(wěn)定性檢驗

VAR 模型建立的關(guān)鍵前提為確定滯后階數(shù)，只有確定了滯后階數(shù)，才可確定VAR模型的形式，可按照少數(shù)服從多數(shù)原則，根據(jù)LR、FPE、AIC、SC和HQ五種檢驗準(zhǔn)則的結(jié)果進行綜合判斷后確定滯后階數(shù)。北京市檢驗結(jié)果見表3。

表3 北京市VAR模型的滯后階數(shù)檢驗Tab.3 Lag order test of VAR model in Beijing

由表3可知，在5 項檢驗中有3 項的滯后階數(shù)指向1 階，故北京市VAR 模型的最佳滯后階數(shù)為1 階，遵循以上過程對其他城市進行檢驗的結(jié)果顯示：大連、蘭州、寧波、長沙和南寧的最佳滯后階數(shù)均為1階，上海和昆明則為2階。

為保證模型穩(wěn)定有效，采用Johansen 協(xié)整檢驗法對出現(xiàn)非平穩(wěn)變量現(xiàn)象的城市進行檢驗。北京市協(xié)整檢驗結(jié)果見表4。

表4 北京市VAR模型的協(xié)整檢驗結(jié)果Tab.4 Cointegration test results of VAR model in Beijing

表4結(jié)果表明，不論是跡檢驗還是最大特征值檢驗，其結(jié)果均在5%的顯著性水平下拒絕無協(xié)整關(guān)系的原假設(shè)，故變量間存在協(xié)整關(guān)系，可建立VAR 模型。而遵循以上過程，對其他存在非平穩(wěn)變量序列的城市進行協(xié)整檢驗后，結(jié)果也均顯示各變量間存在協(xié)整關(guān)系，檢驗通過。

穩(wěn)定的VAR模型是進行脈沖響應(yīng)分析和方差分解的前提，AR根圖檢驗是確定VAR模型穩(wěn)定性的主要方式，若AR根均落在單位圓內(nèi)，則說明VAR模型穩(wěn)定，反之亦然。北京市AR根圖檢驗結(jié)果，見圖4。

圖4 北京AR根圖檢驗結(jié)果Fig.4 Test results of AR root diagram in Beijing

根據(jù)圖4，北京市VAR 模型所有的AR 根均在單位圓內(nèi)，說明各模型穩(wěn)定，可利用脈沖響應(yīng)函數(shù)與方差分解展開相應(yīng)分析。其他各城市VAR模型經(jīng)檢驗后所有的AR根也均在單位圓內(nèi)，檢驗通過。

2.3 城市居民用水需求變化與水價的動態(tài)關(guān)系分析

參照基于北京市數(shù)據(jù)進行的VAR模型的檢驗與建立過程，其他城市均遵循此過程進行檢驗，根據(jù)城市分組情況對各城市模擬結(jié)果進行對比分析。

2.3.1 脈沖響應(yīng)函數(shù)分析

脈沖響應(yīng)函數(shù)用于刻畫當(dāng)VAR 模型系統(tǒng)受到某個內(nèi)生變量的沖擊時，給其他內(nèi)生變量所帶來的影響，并通過脈沖響應(yīng)圖展現(xiàn)出每個變量的動態(tài)影響過程及影響的正負(fù)。當(dāng)隨機誤差項施加一個單位大小的正向標(biāo)準(zhǔn)差的沖擊后，若水價對居民用水需求的沖擊響應(yīng)度為負(fù)，表明水價對用水需求產(chǎn)生了有效抑制；而若沖擊響應(yīng)度為正，則表明水價對用水需求的抑制失效；收入則反之亦然。

（1）人均水資源量較低-收入水平較高組。在人均水資源量相對較低而收入水平相對較高的情況下，北京水價高于上海，兩者水價和收入對居民用水需求的沖擊效應(yīng)有所不同，見圖5。

根據(jù)圖5（a）～（d），水價相對較高的北京市，其lnP對lnQ的沖擊在1～10 期內(nèi)均為負(fù)，沖擊響應(yīng)度在第2 期達到最大，后逐漸降低，說明北京市水價對居民用水需求產(chǎn)生了明顯的抑制效應(yīng)，居民用水量下降，但隨著時間的推移，水價的抑制強度逐漸降低，其原因可能在于居民對水價的敏感度將隨時間減弱；lnS對lnQ的沖擊則在1～10 期內(nèi)均為正，但沖擊響應(yīng)度均不大，說明收入對居民用水需求具有一定的拉動效應(yīng)，但影響強度低于水價的抑制效應(yīng)。而水價相對較低的上海市，其lnP對lnQ的沖擊在第2 期為負(fù)，第3 期接近0，第4～7 期為正，呈現(xiàn)出正負(fù)交替形態(tài)，說明上海水價雖相對較低，但仍對居民用水需求在前期產(chǎn)生了較為明顯的抑制效應(yīng)，居民用水量有所下降，但抑制效應(yīng)難以持續(xù)，后期居民用水需求出現(xiàn)反彈現(xiàn)象；而lnS對lnQ的沖擊則為負(fù)向波動，后趨近于0，說明收入同樣對居民用水需求產(chǎn)生了一定的抑制，居民用水量有所下降。

圖5 分類1典型城市的脈沖響應(yīng)函數(shù)圖Fig.5 Impulse response function diagram of typical cities in Category 1

對于上海市出現(xiàn)的水價抑制失效的情況，其原因可能為受物價變化的影響，水價實際上出現(xiàn)了較長時間的連續(xù)下降。如上海市于2013年將水價調(diào)整水價后6年未再做出調(diào)整，加之水價本身較低，導(dǎo)致其2019年的不變價格僅為2.83 元/m3，遠(yuǎn)低于其3.45元/m3的名義價格。所以，可能出現(xiàn)了因不變價格下降而導(dǎo)致的居民用水量上升的情況。另一方面，可能因為當(dāng)?shù)鼐用窦彝ビ盟恳堰_剛性需求，下降空間有限。上海市人均居民家庭用水量在2005年至2010年間已從157.24 L/（人·d）下降至116.63 L/（人·d）的較低水平。繼而居民用水量開始逐漸回升，在2019年時達122.83 L/（人·d）的規(guī)范水平，故水價表現(xiàn)出前期有效抑制，而在居民用水量達到剛性需求后，表現(xiàn)為失效狀態(tài)。

（2）人均水資源量較低-收入水平較低組。在人均水資源量相對較低且收入水平也相對較低的情況下，對比分析大連和蘭州的水價及收入對居民用水需求的沖擊效應(yīng)，見圖6。

根據(jù)圖6（a）～（d），水價相對較高的大連市，其lnP對lnQ的沖擊與北京市相似，在1～10 期內(nèi)均為負(fù)，且沖擊在第2 期達到最大，后逐漸降低；相對來說，其lnS對lnQ的沖擊則幾乎與橫軸貼合。說明大連市水價同樣對居民用水需求產(chǎn)生了明顯的抑制效應(yīng)，居民用水量有所下降，但隨著時間的推移水價的抑制強度逐漸降低；而收入對居民用水需求的影響則相對不明顯。而水價較低的蘭州市，其lnP對lnQ的沖擊在1～10期內(nèi)均為正，而lnS對lnQ的沖擊在1～10 期內(nèi)均為負(fù)，但幅度相對較小。說明蘭州市水價未能對居民用水需求產(chǎn)生抑制效應(yīng)，居民用水量仍會上升；而收入則呈現(xiàn)出微弱的抑制效應(yīng)。

圖6 分類2典型城市的脈沖響應(yīng)函數(shù)圖Fig.6 Impulse response function diagram of typical cities in Category 2

大連與蘭州同屬嚴(yán)重缺水型城市，二者2017年人均水資源量均不足200 m3/人，同時蘭州市人均可支配收入反而相對更低，本應(yīng)對水價更為敏感，但由于蘭州居民水價自身長期過低，2005-2019年其居民平均水價僅為2.29元/m3，排在全國35個重點城市中的第31位，因此導(dǎo)致價格信號無法有效傳達水資源的緊缺程度，致使水價的抑制效應(yīng)失效。同時，蘭州市水價的不變價格在2005-2019年的15年間有2/3 的年份在下降，所以水價不僅完全失效，還出現(xiàn)了因不變價格下降而導(dǎo)致的居民用水量上升的情況。此外，蘭州市2005-2019年居民人均年用水量平均值為129.78 L/（人·d），接近《城市居民生活用水量標(biāo)準(zhǔn)》要求上限，說明并非因居民用水達到剛性需求而致使水價失效。

（3）人均水資源量較高-收入水平較高組。在人均水資源量相對較高且收入水平也相對較高的情況下，水價相對較高的寧波市和水價相對較低的長沙市，兩者水價和收入對居民用水需求的沖擊效應(yīng)，見圖7。

根據(jù)圖7（a）～（d），水價相對較高的寧波市與水價相對較低的長沙市，二者lnP對lnQ的沖擊均在1～10 期內(nèi)均為正；而lnS對lnQ的沖擊則均為負(fù)且幅度較小。說明二者水價均未能對居民用水需求產(chǎn)生抑制效應(yīng)，呈現(xiàn)出失效狀態(tài)，居民用水量仍會上升；而收入的增加則將小幅降低居民用水量，呈現(xiàn)出微弱的抑制效應(yīng)。

圖7 分類3典型城市的脈沖響應(yīng)函數(shù)圖Fig.7 Impulse response function diagram of typical cities in Category 3

寧波市與長沙市均屬于水資源較為豐富且收入水平較高的城市，且寧波市多年居民平均水價為2.92 元/m3，在35 個重點城市中排名第12 位，屬于較高水價水平；而長沙市則僅為2.11元/m3，排名第34 位，屬于較低水價水平，但兩者均表現(xiàn)出水價抑制效應(yīng)失效。同時，二者2005-2019年居民人均年用水量平均值為222.07 L/（人·d）和270.28 L/（人·d），均高于《城市居民生活用水量標(biāo)準(zhǔn)》要求，均不存在居民用水量達到了剛性需求的現(xiàn)象。故推測即使水價相對較高，但由于城市水資源相對豐富，降低了居民對水資源稀缺性的認(rèn)知，對水價發(fā)揮其抑制效應(yīng)產(chǎn)生了一定的阻礙。

（4）人均水資源量較高-收入水平較低組。在人均水資源量相對較高而收入水平相對較低的情況下，水價相對較高的昆明市和水價相對較低的南寧市，兩者水價和收入對居民用水需求的沖擊效應(yīng)，見圖8。

圖8 分類4典型城市的脈沖響應(yīng)函數(shù)圖Fig.8 Impulse response function diagram of typical cities in Category 4

根據(jù)圖8（a）～（d），水價相對較高的昆明市，其lnP對lnQ的沖擊在第2 期為負(fù)，但在第3 期幾乎為0，第4 期為負(fù)，后逐漸波動趨近于0，說明昆明市水價對居民用水需求產(chǎn)生了一定的抑制效應(yīng)，居民用水量有所下降，但隨著時間的推移水價的抑制強度逐漸波動降低；而lnS對lnQ的沖擊則在第2期為負(fù)，第3期為正，總體呈現(xiàn)出不規(guī)則正負(fù)交替形態(tài)，最終趨近于0，說明收入對居民用水需求的影響則由抑制與促進交替變化。而水價相對較低的南寧市，其lnP與lnS對lnQ的沖擊均在1～10期內(nèi)為正。說明南寧市水價未能對居民用水需求產(chǎn)生抑制效應(yīng)，呈現(xiàn)出失效狀態(tài)，居民用水量仍會上升；而收入的增加同樣使得居民用水量有所上升。

值得注意的是，雖然昆明市水資源量相對較為豐富，但與其他同類城市相比，其水價依舊能呈現(xiàn)出一定的抑制效應(yīng)，其原因可能為：①雖其2017年人均水資源量可達到1 134.00 m3/人，水資源量較為豐富，但由于滇池污染嚴(yán)重，無法達到飲用標(biāo)準(zhǔn)，因而實際面臨著嚴(yán)重的水質(zhì)型缺水問題［33］，居民具有相對較強的水危機感，2005-2019年昆明居民人均用水量平均值可達到107.88 L/（人·d），處于規(guī)范對其要求中的較低水平。②昆明水價一直處于較高水平，2005-2019年平均水價可達3.21 元/m3，可排在35 個重點城市的第7 位。所以，表明水資源量豐富的城市其水價的抑制效應(yīng)并不是絕對無效，且可印證居民對水資源緊缺的認(rèn)識程度或?qū)⒂绊懰畠r的抑制作用。

2.3.2 方差分解

根據(jù)方差分解原理，利用方差分解進行水價和收入對居民用水需求的影響貢獻度分析，結(jié)果見表5、6。

根據(jù)表5，在人均水資源量較低的情況下，典型城市水價對居民用水需求的方差分解的平均貢獻度集中在12.14%～26.41%，遠(yuǎn)高于收入的0.10%～1.16%，表明水價對改變居民用水需求的程度遠(yuǎn)高于收入。此外，各城市水價與收入合計的平均貢獻度均不超過30%，表明至少有70%的居民用水需求變化由其他因素導(dǎo)致。

表5 人均水資源量較低的典型城市組方差分解的貢獻度結(jié)果 %Tab.5 Contribution degree results of variance decomposition of typical urban groups with low per capita water resources

根據(jù)表6，在人均水資源量較高的情況下，典型城市水價對居民用水需求的方差分解的平均貢獻度集中在2.72%～10.10%，雖同樣高于其收入平均貢獻度，但遠(yuǎn)低于人均水資源量較低的典型城市結(jié)果，表明在人均水資源量較低的城市，其水價對改變居民用水需求的程度遠(yuǎn)高于人均水資源量較高的城市，與一般認(rèn)知相符。

表6 人均水資源量較高的典型城市組方差分解的貢獻度結(jié)果 %Tab.6 Contribution degree results of variance decomposition oftypical urban groups with high per capita water resources

目前多數(shù)研究認(rèn)為水價對用水需求的影響小于收入［34-36］，而本文結(jié)果則與之相反，其原因可能在于：①已有研究的時間較早，而在與本文研究時間就近的研究中出現(xiàn)了結(jié)果接近的情況，如張立尖等［11］對上海市價格彈性的計算研究（時間跨度2005-2015年）中同樣得出價格彈性的絕對值（-0.160±0.016）大于收入彈性（0.015±0.011）；②已有研究多采用雙對數(shù)模型為計算方法，而該方法存在一定的內(nèi)生性問題，導(dǎo)致結(jié)果有所差異，鄭新業(yè)等［18］采用聯(lián)立方程式法解決內(nèi)生性問題后計算出我國水價的價格彈性（-2.43）的絕對值同樣大于收入彈性（1.30），而本文結(jié)果由于采用VAR 模型得出，同樣避免了內(nèi)生性問題，因而得出的結(jié)果相似。

3 結(jié)論與建議

本文通過構(gòu)建向量自回歸模型，運用脈沖響應(yīng)函數(shù)和方差分解從實證角度探討與分析了水價和收入對城市居民用水需求的影響與動態(tài)關(guān)系，得出以下主要結(jié)論。

（1）高水價能夠?qū)τ盟枨笮纬捎行б种疲种菩?yīng)將隨時間推移而降低；而較低水價難以準(zhǔn)確反映水資源的緊缺程度，從而無法有效抑制居民用水需求的增長，并且，居民對水資源緊缺程度的認(rèn)知或?qū)⒂绊懰畠r的抑制效果。

（2）在部分城市中，收入并非促進了居民用水需求的增長，反而起到了一定的抑制作用。這可能與居民的節(jié)水意識同收入一并提高有關(guān)；又或因收入的增長使得居民更有意愿或支付能力更換節(jié)水器具，從而形成了收入對用水需求的抑制效果。未來可針對該現(xiàn)象進一步探究。

（3）缺水城市中水價對居民用水需求的影響普遍高于水資源量較為充沛的城市，二者平均貢獻度分別集中于12.14%～26.41%和2.72%～10.10%。此外，無缺水與否，各典型城市水價對居民用水需求的影響普遍高于收入。

因此無論水資源是否緊缺，水價都是必要的節(jié)水工具，而關(guān)鍵在于水價能否準(zhǔn)確反映水資源的稀缺程度，從而向居民傳遞有效的節(jié)水信號。綜上所述，為實現(xiàn)水價對城市居民用水需求有效長期的控制，本文提出以下幾點建議：

（1）對于缺水型城市，應(yīng)明確水價調(diào)整周期或制定水價調(diào)整啟動條件，同時保證水價充分反映水資源稀缺程度，向居民傳遞有效節(jié)水信號。

（2）對于水資源相對豐富的城市，宜優(yōu)先加大力度開展節(jié)水宣傳工作，提高居民對水資源緊缺與節(jié)水工作必要性的認(rèn)知程度；其次，適當(dāng)提高水價，利用盈余資金建立相關(guān)節(jié)水專項賬戶，主動為居民更換節(jié)水型器具，從政府層面幫助居民提升節(jié)水行為。

（3）加快完善居民階梯用水價制度，嚴(yán)格制定第一階梯水量，合理確立階梯比價關(guān)系，避免階梯水價制度出現(xiàn)空轉(zhuǎn)使得居民無法有效感知節(jié)水的價格信號，從而加強水價自身的節(jié)水明確性。