分水制度的情境分析¶

本笔记本分析三次不同实验的结果，分别是在不同的时间开始强制执行统一调度：

• 1998年
• 1987年
• 2020年（从不强制）

In [1]:

%load_ext autoreload
%autoreload 2
%matplotlib inline
%config InlineBackend.figure_format = 'retina'
from IPython.core.interactiveshell import InteractiveShell

InteractiveShell.ast_node_interactivity = "all"

from pathlib import Path
import pandas as pd
import numpy as np
from hydra import compose, initialize
import os

# 加载项目层面的配置
with initialize(version_base=None, config_path="../../config"):
    cfg = compose(config_name="config")
os.chdir(cfg.root)

%load_ext autoreload %autoreload 2 %matplotlib inline %config InlineBackend.figure_format = 'retina' from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity = "all" from pathlib import Path import pandas as pd import numpy as np from hydra import compose, initialize import os # 加载项目层面的配置 with initialize(version_base=None, config_path="../../config"): cfg = compose(config_name="config") os.chdir(cfg.root)

在这次试验中，我们使用了三种情景：

• 基准情景（历史情景）：在1998年，强制执行统一调度
• 1987年情景：在1987年配额制度颁布之初，就强制执行
• 2020年情景：截止研究时期结束，都不强制执行统一调度

In [2]:

from src.ci import ExpAnalyzer

multirun = ExpAnalyzer("out/2024-06-07/20-50-35")
multirun.overrides
multirun.diff_runs

from src.ci import ExpAnalyzer multirun = ExpAnalyzer("out/2024-06-07/20-50-35") multirun.overrides multirun.diff_runs

Out[2]:

{'farmer.forced_since': ['1987', '1998', '2020']}

Out[2]:

	farmer.forced_since
0	1998
1	2020
2	1987

将数据在省级尺度上进行聚合，可以分析不同时间执行统一调度，会对超采水资源带来怎样的影响。

In [3]:

from src.ci import ResultAnalyzer

datasets = []
for subdir in multirun.subdir:
    res = ResultAnalyzer(subdir)
    data = res.get_data(level="province", water_unit="m3")
    data["forced_since"] = res.select("farmer.forced_since")
    datasets.append(data)

df = pd.concat(datasets)

from src.ci import ResultAnalyzer datasets = [] for subdir in multirun.subdir: res = ResultAnalyzer(subdir) data = res.get_data(level="province", water_unit="m3") data["forced_since"] = res.select("farmer.forced_since") datasets.append(data) df = pd.concat(datasets)

通过最基本的折线图，绘制地表水资源开采量随时间的变化曲线，可以反应不同的政策情景下的引黄用水情况：

1. 如果1987年就开始，那么超配额的情况会在1987年之后就得到一定控制；
2. 但是历史是在1998年开始，由于忽然开始强制配额制度，超配额的情况会存在；
3. 如果一直没有强制执行统一调度，那么超配额的情况会持续存在，且略多于1998年开始的情况；

In [4]:

%matplotlib inline
import seaborn as sns

ax = sns.lineplot(
    df,
    x="Time",
    y="surface",
    hue="forced_since",
)
sns.despine(ax=ax, offset=10, trim=True)

%matplotlib inline import seaborn as sns ax = sns.lineplot( df, x="Time", y="surface", hue="forced_since", ) sns.despine(ax=ax, offset=10, trim=True)

为了细化这个分析，我们可以对比两个时间段的三种情景：

1. 在1987年至1998年之间
2. 在1987年至2010年之间

In [5]:

from typing import Tuple

from matplotlib import pyplot as plt
from matplotlib.ticker import ScalarFormatter

formatter = ScalarFormatter()  # 设置偏移为 1e9
formatter.set_scientific(True)  # 明确开启科学记数法
formatter.set_powerlimits((0, 0))  # 应用于所有数值


start = 1988
end = 1998


def select_data(time: Tuple[int, int], cols=None) -> pd.DataFrame:
    if cols is None:
        cols = df["forced_since"].unique()
    mask1 = df["forced_since"].isin(cols)
    mask2 = df["Time"] <= time[-1]
    mask3 = df["Time"] >= time[0]
    return df.loc[mask1 & mask2 & mask3].copy()


fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(6, 2), tight_layout=True)

sns.violinplot(
    data=select_data((1987, 2008), [1998, 2020]),
    y="crop",
    x="outdo",
    hue="forced_since",
    ax=ax2,
)

sns.violinplot(
    data=select_data((1987, 1998), [1998, 2020]),
    y="crop",
    x="outdo",
    hue="forced_since",
    ax=ax1,
)
for ax in (ax1, ax2):
    sns.despine(ax=ax, offset=5, trim=True)
    ax.xaxis.set_major_formatter(formatter)
ax1.set_xlabel("1987-1998")
ax2.set_xlabel("1987-2008")
# fig.title('over withdraw')
ax2.set_ylabel("")
ax2.set_yticklabels("")
plt.show();

from typing import Tuple from matplotlib import pyplot as plt from matplotlib.ticker import ScalarFormatter formatter = ScalarFormatter() # 设置偏移为 1e9 formatter.set_scientific(True) # 明确开启科学记数法 formatter.set_powerlimits((0, 0)) # 应用于所有数值 start = 1988 end = 1998 def select_data(time: Tuple[int, int], cols=None) -> pd.DataFrame: if cols is None: cols = df["forced_since"].unique() mask1 = df["forced_since"].isin(cols) mask2 = df["Time"] <= time[-1] mask3 = df["Time"] >= time[0] return df.loc[mask1 & mask2 & mask3].copy() fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(6, 2), tight_layout=True) sns.violinplot( data=select_data((1987, 2008), [1998, 2020]), y="crop", x="outdo", hue="forced_since", ax=ax2, ) sns.violinplot( data=select_data((1987, 1998), [1998, 2020]), y="crop", x="outdo", hue="forced_since", ax=ax1, ) for ax in (ax1, ax2): sns.despine(ax=ax, offset=5, trim=True) ax.xaxis.set_major_formatter(formatter) ax1.set_xlabel("1987-1998") ax2.set_xlabel("1987-2008") # fig.title('over withdraw') ax2.set_ylabel("") ax2.set_yticklabels("") plt.show();

由上图可以看出来，平均每年因种植小麦和水稻而超配额开采的黄河地表水资源更多

In [6]:

start = 1987
end = 2010
scenario = 1998

data = select_data((start, end), cols=[1998, 2020])
agg = data.groupby(["province", "forced_since"])["outdo"].sum().reset_index()

sns.barplot(
    agg,
    x="province",
    y="outdo",
    hue="forced_since",
)
# print()

start = 1987 end = 2010 scenario = 1998 data = select_data((start, end), cols=[1998, 2020]) agg = data.groupby(["province", "forced_since"])["outdo"].sum().reset_index() sns.barplot( agg, x="province", y="outdo", hue="forced_since", ) # print()

Out[6]:

<Axes: xlabel='province', ylabel='outdo'>

黄河水资源分配制度的成功与失败

决策没有效应，农民的最优决策就是继续多用地表的灌溉水

In [7]:

start = 1987
end = 2010

data = select_data((start, end))
agg = data.groupby(["province", "forced_since"])["surface"].sum().reset_index()

pivot = agg.pivot_table(
    index="province", columns="forced_since", aggfunc="sum", values="surface"
)

data = pd.DataFrame(
    {
        "Scenario 1987": pivot[1987] - pivot[1998],
        "Scenario 2020": pivot[2020] - pivot[1998],
    }
)
melted_df = data.reset_index().melt(
    id_vars=["province"], var_name="Scenario", value_name="Volume"
)
melted_df.head()

start = 1987 end = 2010 data = select_data((start, end)) agg = data.groupby(["province", "forced_since"])["surface"].sum().reset_index() pivot = agg.pivot_table( index="province", columns="forced_since", aggfunc="sum", values="surface" ) data = pd.DataFrame( { "Scenario 1987": pivot[1987] - pivot[1998], "Scenario 2020": pivot[2020] - pivot[1998], } ) melted_df = data.reset_index().melt( id_vars=["province"], var_name="Scenario", value_name="Volume" ) melted_df.head()

Out[7]:

	province	Scenario	Volume
0	Gansu	Scenario 1987	-6.687529e+09
1	Henan	Scenario 1987	-5.537660e+09
2	Neimeng	Scenario 1987	-1.024857e+10
3	Ningxia	Scenario 1987	-6.401384e+09
4	Qinghai	Scenario 1987	-8.244350e+08

In [8]:

sns.barplot(
    melted_df,
    x="province",
    y="Volume",
    hue="Scenario",
)

sns.barplot( melted_df, x="province", y="Volume", hue="Scenario", )

Out[8]:

<Axes: xlabel='province', ylabel='Volume'>

In [31]:

data.sum()

fig, ax = plt.subplots(figsize=(3, 2))
ax = sns.barplot(data.sum(), ax=ax)
ax.set_ylabel("Diff. WU from Yellow River")
ax.axhline(0, ls=":", color="red")
sns.despine(ax=ax, offset=5, trim=True)
plt.show();

data.sum() fig, ax = plt.subplots(figsize=(3, 2)) ax = sns.barplot(data.sum(), ax=ax) ax.set_ylabel("Diff. WU from Yellow River") ax.axhline(0, ls=":", color="red") sns.despine(ax=ax, offset=5, trim=True) plt.show();

上面的图说明：

1. 当一直不实用统一调度时，超配额的情况会持续存在，平均每年可能比历史情景多采 20.3 亿立方米的黄河水
2. 如果尽早实施统一调度，相比于历史情景更能每年少采超20亿立方米的水，节约的水资源潜力更大

统一调度的优势¶

统一调度最大的优势，是把黄河水资源的分配权从地方政府转移到中央政府，这样可以更好地保护黄河水资源，避免超采的情况发生。

但在执行层面来说，这种总量控制形成的倒推机制，使得用水效率增加：

后续研究：

统一调度如何能够在释放粮食生产潜力的同时节约用水？