期货研究中的需求导向思维：对国内水资源利用研究中的假设进行分析

《Sustainable Futures》：Demand thinking in futures research: Characterising assumptions in studies of domestic water use

　　Leilai Immel-Parkinson|Alison Browne|Claire Hoolohan
曼彻斯特大学科学与工程学院Tyndall气候变化研究中心，英国

**摘要**
在未来的研究中，资源需求的概念化对研究结果和需求管理策略的形成起着决定性作用。本文提出“需求思维”这一术语作为分析工具，以审视这些概念化方式，明确通过何种假设来构想并采取行动。这样做有助于讨论未来方法和建模实践如何影响哪些干预措施被视为可能和可取的。本文探讨了在两个需求未来研究领域中如何运用需求思维。首先，系统地概述了家庭用水需求未来的研究，对研究目的、模型类型和需求变量进行了分类。这些分类用于描述关于未来家庭用水使用的假设。其次，本文探讨了从社会实践视角出发来弥补现有文献中缺口的潜力。研究结果表明，尽管建模技术不断发展，家庭需求未来研究仍然主要基于实证主义假设。这种框架掩盖了需求的复杂社会性和情境性，并限制了所设想的干预路径的范围。此外，很少有未来研究将水资源需求置于更广泛的社会背景中考虑。本文通过关注日常生活中的未来情景并强调需求的变异性，将社会实践视角作为对主流方法的反驳。最终，本文主张方法论的多样性——即在方法论内部和不同研究领域中采用多种需求思维方式——以促进有效的需求管理和在水资源领域内外的可持续发展。

**1. 引言**
未来研究在指导需求管理策略方面发挥着重要作用，因为它探讨了未来资源需求的可能性、现实性和可取性[1]。在能源（例如[2,3]）、物质消费（例如[4]）或水资源（例如[5]）等领域，研究问题和方法都是基于对需求的特定概念化[6]。这些概念化不仅指导研究实践，还对政策议程和人们的生活体验产生实际影响[7]。因此，审视需求是如何被理解和运用的至关重要，这有助于拓宽在多个资源治理领域内可采取的未来路径。

在更广泛的社会和可持续发展变革过程中，面对气候变化、人口增长、城市化和生活方式变化，确保长期水资源安全已成为全球北方和南方各国政府面临的日益严峻的挑战[8]。虽然水资源管理历来侧重于保障充足供应，但越来越多地认识到需求管理对于未来水资源安全至关重要[9,10]。这一转变的重要性因水资源与能源需求之间常被忽视的联系以及水资源在气候变化适应中的作用而更为凸显[8]。作为回应，各国政府正在引入减排目标。例如，英国实施了法定目标，要求在30年内将人均用水量减少20%（以2019/20年为基准[9]）。在中国，到2030年实现用水量峰值的目标是资源规划的焦点[12]。构建这些目标的预测和情景——以及相关的需求管理策略——通常基于需求建模，并包含关于需求成因及其可 Influenced 方式的假设[13]。因此，需求建模和其他以未来为导向的技术可以被视为具有认识论意义的做法，直接影响社会和制度变革的构想及推进方式[14]。

本文引入“需求思维”这一术语，作为分析工具来探索、比较和批判性地反思需求的不同理解和运用方式。这一术语是为本文特别界定的，其灵感来源于批判多种需求管理范式的文献[6,15,16,17]。需求思维指的是研究人员、从业者、政策制定者和其他利益相关者对需求概念的不同构想、理解和运用的方式。这些假设可能是显性的（例如，关于人口增长和技术效率[3]），也可能是隐性的（例如，对社会变革方式的默会理解[17]）。无论哪种情况，所选择的方法及其使用的变量都是需求思维的关键指标。专业人士通过研究方法、政策或资源与需求管理策略来实现需求思维[18]。

本文探讨了在两个文献领域中如何运用需求思维。首先，分析了家庭用水需求未来的研究，对研究中明确的目标、方法和输入变量进行了分类和分析。其次，探讨了将社会实践视角应用于需求未来研究的新兴文献。通过对这些文献的系统性分析，突出了该方法的核心特征。

本文的其余部分结构如下：第2节讨论了需求思维的主要和替代方法及其对未来研究的影响；第3节介绍了本文采用的方法论方法；第4节分析了家庭用水需求未来的研究；第5节从非水领域的文献出发，对应用社会实践视角的需求未来研究进行了主题分析，并评估了这些文献中运用的需求思维类型；第6节提出了一些结论性思考。

**2. 需求思维的概念化及其对未来研究的影响**
本节将需求思维作为本文的概念框架，探讨了它如何通过不同的范式来影响需求的概念化和治理。这些范式通过不同的研究方法和相关政策话语之间的长期对话得以体现（例如[19,20]）。它们基于不同的理论流派：主流范式主要侧重于个体行为视角，而源自社会和系统视角的方法则常被视为替代方案[19]。在寻求打破主导的个体主义范式的研究人员中，受社会实践理论影响的方法可能最为广泛采用[6]。然而，这些认识论对未来研究的影响尚未得到充分探索。

**2.1. 对立的需求思维范式**
根植于行为心理学和新古典经济学的需求思维方法，基于对个体和社会层面人类行为的根本预期[17]。个体被视为对外部刺激（如价格、信息或感知效用）有可预测的反应[15]。这种理性选择方法[21]在著名的水资源管理策略中得到体现，例如英国政府的用水效率标签计划[9]。尽管这些举措为个人提供了明智选择的工具[16]，但当将其作为资源使用转型的核心机制时，它们将改变的责任归结为“知情消费者”的概念[7,18]。此外，将消费者视为产生需求的核心，意味着方法论上的个体主义[21]，即“总体需求被视为个体决策的累积效应，与系统层面的约束无关”（[22]：第24页）。与这种个体化的需求观相反，实践理论强调了更广泛社会现象在塑造资源使用中的作用，如基础设施发展或对舒适度和清洁度的共同理解[23,24]。该领域的学者将需求视角从“个人”和个体行为转向“实践”及其构成的各种要素[17]。因此，需求不仅仅是个体行为的产物，而是日常常规、集体知识和基础设施的结果[6]。这些观点反映在关于社会变革的广泛讨论中，社会实践方法被用来拓宽变革路径的构想和治理方式[25]。

Hand等人[26]在水资源需求背景下展示了社会实践方法。他们讨论了英国日常淋浴习惯如何受到基础设施（如室内管道和淋浴用品的可用性）、对清洁度的认知变化（如身体卫生标准的提高）以及日常习惯的时间因素（如淋浴速度与泡澡的比较）的影响。这种以日常实践为分析单元的需求思维方法可以在需求管理策略中得到应用，例如针对供应系统或集体规范而非个体行为[18]。尽管社会实践方法在政策制定者中取得了一定的关注，但相比行为方法仍然处于边缘地位[19,27]。

**2.2. 需求思维对未来研究的影响**
需求思维范式直接影响未来研究的开展方式和所探讨的未来类型。目前，水资源需求未来研究主要采用确定最可能未来的方法[22]。这些方法通常是统计和数学预测技术，如线性回归或时间序列模型，基于定量变量来计算水资源需求的预测[22]。这些定量模型旨在用简化的方式表示复杂系统，为决策提供结构化的近似值[28]。随着对资源需求复杂性的日益认识，模型发展正趋向于更高复杂性。机器学习和动态建模技术（如系统动力学和基于代理的模型）等进步的出现，试图捕捉需求系统中的相互依赖性和非线性互动[28]。然而，尽管复杂性有所增加，模型的基本目标（即预测）和潜在假设（即因果关系和个体能动性）仍然与统计和数学方法保持一致[22,29]。

许多对水资源需求未来研究的综述批判了主流的需求建模方法，指出了方法论现状的两个主要问题[20,22,29]。首先，统计建模技术涉及对总体需求的平均化处理。平均化可以通过将总需求除以人口数量来实现，或者通过计算预期的人均消费值并扩展到整个人群[30,31]。无论哪种方式，这种统计平滑处理都使水资源使用与使用者及其实践的多样性和动态性脱节[31]：第800页。Medd和Shove[32]指出：“无论多么有用，平均化都会掩盖和扭曲实际用水模式”。当需求被简化为平均值时，模型结果可能无法揭示干预措施如何有意义地影响需求[31]，也无法预测需求如何根据外部刺激（如政策环境[32]或COVID-19大流行等意外社会事件[33]）而演变。

其次，主流建模方法侧重于量化的人口统计和社会经济变量，将需求决定因素与更广泛的社会、地理和政府背景分开[13,34]。在家中，人们使用资源并不是为了满足需求本身，而是为了实现其他目标。例如，洗澡时使用水可能是出于对个人卫生的考虑或温暖的需求。Morley[35]利用“元服务”的概念说明了资源使用与潜在动机之间的分离，表明资源使用实践嵌入在广泛的社会意义、供应系统和体验意图网络中，无法孤立看待。Welch[36]提出了“目的情感形成”，将这些理解视为受文化影响的实践序列或旨在实现特定目标（如健康或保持外貌）的行为组。这些观点揭示了需求的复杂性：很难将资源使用的瞬间与导致该瞬间的更广泛影响、目标或理想分开。尽管这些概念被广泛理解，但它们很少被纳入定量需求模型中，表明概念理解与最终影响需求管理策略的方法之间存在脱节[22]。因此，在将复杂性和背景纳入需求未来的预测和情景中存在挑战，同时在将模型输出转化为政策干预措施时也存在误导确定性的风险[[13], [29], [37]]。受社会实践方法对需求思考影响的定性和混合方法预测技术在研究能源需求方面越来越受到重视（例如，[38,39]）。这些技术响应了在预测研究中强调社会科学的呼声（例如，[40]），而过去这些研究主要受到社会技术视角的支配[39]。与传统的建模技术所鼓励的统计平滑不同，以实践为导向的预测技术强调与需求相关的多样化的实践以及家庭之间和内部的不同实践变体（例如，[[30], [41]]）。这些研究试图通过探索构成需求的实践之间的动态相互关系、它们的时间轨迹以及它们发生的更广泛背景来表示复杂性和不确定性[38]。上述讨论突显了主导的需求建模方法与发展需求的社会和背景维度之间的持续紧张关系。尽管对主导方法的批评以及从社会科学中汲取见解的呼吁在文献中已经确立（例如，[[5], [22], [29], [42]]），但这些观点在实践中究竟在多大程度上影响了预测研究仍不清楚。因此，以下部分将考察未来水需求研究的目标、方法和使用的变量，揭示在这一文献体系中狭隘的实证主义需求思维仍然存在的程度。第5节将转向受社会实践方法启发的替代视角。

3. 方法论：识别预测研究中的需求思维
本文采用混合方法文献分析法来批判性地审视关于未来家庭水需求的学术研究，并提出推进该领域研究的建议。定性和定量方法的整合发生在分析和解释阶段，符合既定的混合方法原则[43]。具体来说，定性内容分析用于对所审查研究中的目标、模型和需求决定因素进行分类，而描述性定量分析用于检查这些分类内部和之间的分布和关系。分析基于两个文献体系：一是对家庭水需求预测研究的初步系统回顾，二是基于社会实践视角的预测研究的补充主题回顾（不限于水行业）。需求思维的概念被用来识别和描述这两个文献体系中的潜在假设。

3.1. 家庭水需求预测研究——数据收集与分析
根据Preferred Reporting Items for Systematic Review and Meta-Analyses (PRISMA) 协议[44]，对未来家庭水需求的预测研究进行了系统回顾，时间范围为十年或更长时间。预测研究被定义为探讨可能、潜在或未来的实证研究[1]。搜索标准将研究限制在2003年至2025年（含）期间发表在同行评审期刊上的英文文章。选择2003年作为起始年份，因为这一年标志着学术界首次提出水需求管理研究的呼声[10]，同时也标志着早期社会科学贡献的发表，这些贡献现在是需求研究的基础（例如，[24]）。使用表1中提供的关键词和搜索字符串在SCOPUS中进行搜索，并通过适当的布尔运算符连接它们。关键词按照三个要素（背景、主题和研究方法）组织，以捕获所有相关研究。

表1. 系统回顾搜索字符串中包含的关键词，按搜索要素组织。符号*表示搜索通配符。
搜索要素
背景
家庭；国内；住宅；城市
主题
水消耗；用水；水需求；水资源保护
研究方法
预测*；情景*；人物角色；回溯法；共享历史；因果层次分析；新兴问题分析；愿景*；超越；远见；未来*；过渡*；地平线扫描；德尔菲法

最初的搜索返回了3447条记录，这些记录在标题、摘要和全文层面进行了筛选，排除了不符合上述纳入标准的研究，最终得到229项适用的研究。对所得研究进行了混合方法分析。首先，定性内容分析用于为以下方面分配代码并开发分类：(i) 方法和模型；(ii) 明确的目标；(iii) 需求决定因素（模型输入变量）。记录了关于地理范围、时间范围和关键贡献和/或政策建议的补充信息。对于(i) 方法和模型，结果根据Sharmina等人[22]开发的类型学进行分类（图1），该类型学使用“展望未来需求的定量和定性方法”的广义定义（[22]：第19页）。对于(ii) 明确的目标和(iii) 需求决定因素，结果通过将代码分组到关键主题来进行分类。其次，对所得分类进行了描述性定量分析，创建了两个可视化图表：一个条形图按发表日期显示方法（图2），一个网络分析图显示常见的需求决定因素分组（图3）。这些分析描述了水需求预测文献中的需求思维。

下载：下载高分辨率图像（955KB）
下载：下载全尺寸图像
图1. Sharmina等人[22]开发的未来能源和水需求研究方法类型学；用于对系统回顾中识别的水需求研究进行分类。来源：Sharmina等人[22]。

下载：下载高分辨率图像（163KB）
下载：下载全尺寸图像
图2. 2003年至2025年间发表的家庭水需求预测研究中使用的模型类型分布。每个垂直条代表一项单独的研究，按发表年份排列并按模型类型分类（统计/数学、定性/混合方法、机器学习/动态和其他）。

下载：下载高分辨率图像（385KB）
下载：下载全尺寸图像
图3. 网络分析图显示了系统回顾中包含的229项研究中的独立变量类别的突出性和共现情况。节点代表变量类别，节点大小表示使用每个类别的研究数量。边粗细表示两个类别在同一研究中同时出现的频率。

3.2. 从社会实践视角出发的需求预测研究——数据收集与分析
对三个研究领域交叉的文献进行了主题回顾：需求（任何行业）、预测研究技术和社会实践理论。此次搜索的目标不是获得大量数据，而是识别该领域中的关键研究，从而理解其中的核心概念。主题回顾同样在SCOPUS中使用以下搜索词组合进行：sustainable*；需求；能源；交通；食品；纽带；未来*；情景*；回溯法；地平线；社会实践理论；实践理论*；实践；日常未来*。通过标题和摘要筛选出感兴趣的研究，并通过研究内的引用链来识别额外的论文。使用以下分析框架记录这些研究的信息：(i) 明确的目标；(ii) 时间范围；(iii) 理论基础；(iv) 方法；(v) 关键贡献和/或政策建议。为分析框架的每个要素开发了主题代码，并作为在适当的情况下在各要素内部和之间发展概念叙述的基础。

4. 描述家庭水需求预测研究中的需求思维
分析表明，关于家庭水需求的仍然主要采用实证主义的需求思维方法。这些研究中的模型选择几乎完全是定量的，而研究目标主要集中在预测未来需求上。水需求最常见的表述方式是作为人口、气候和社会经济变量的函数。当包含行为变量时，它们通常受到理性行为者模型的影响，模型结构要求行为对其他变量的变化作出可预测的反应。这些研究通常基于比较定量情景下的预测需求推荐需求管理策略。因此，这些研究的影响是限制而不是开辟潜在的需求管理途径。

本次回顾中的家庭水需求预测研究受到关于如何了解和表示未来的假设的驱动。这些假设反映在依赖历史数据外推上，而不是采用技术来预测可能对需求产生重大影响的随机事件或社会动态的变化。系统地使用二手定量数据，加上对人口和环境变量的偏好，导致了对未来的表述掩盖了日常生活的多样性和复杂性[39]，最终影响了人们对水需求的理解和预测方式。本节的其余部分基于三项分析来证明家庭水需求研究中动员的需求思维类型。第4.1节考察了整个文献集中使用的模型类型，并将模型选择作为需求思维的关键指标。第4.2节对研究中的明确目标进行分类，第4.3节考察了模型中使用的独立变量，重点是行为变量及其揭示的假设。第4.4节提供了发现摘要。在这些小节中，分析考虑了模型选择、明确的目标和需求变量如何塑造文献集中动员的需求思维类型。

4.1. 模型作为需求思维的指标
模型选择是研究人员如何处理需求思维的关键指标——不同的模型类型具有不同的假设、方法论优先级和变量纳入标准[[22], [37], [45]]。此外，模型类型的内部结构必然影响关于未来的问题提出方式，从而形成“内置议程”（[22]：第25页）。图2显示了系统回顾中使用的研究模型类型分布，使用Sharmina等人[22]开发的需求建模类型学进行分类（见第3.1节）。虽然传统的统计和数学模型（以下简称stat/math模型）在回顾期的前半部分占主导地位，但它们仅占研究总数的38%，反映了后来机器学习和动态建模方法使用的加速，后者占42%。其他类别的模型数量也随着时间的推移而增加，占研究总数的15%。定性和混合方法模型仅占回顾中包含的研究的5%，在2013年之前没有这些方法的实例。值得注意的是，在回顾期的最后几年，该领域的研究数量急剧增加，最后三年的研究数量与之前的二十年相当。

确定性模型在使用stat/math模型的研究中普遍存在，它们必然将需求思维限制在狭窄的参数范围内。这些模型，包括多元线性回归（MLR）（例如，[46,47]）或时间序列模型（例如，[48]），基于独立的变量之间的固定线性关系或时间趋势预测单一结果[49]。它们无法解释变量的随机性质或它们之间的关系[50]。特别是MLR，鼓励使用稳定和可预测的输入，如人口或国内生产总值（GDP），不太可能包含具有复杂相互作用的变量，如用水行为或实践。例如，回顾显示，在87个stat/math模型中只有10个模型包含了与用水行为或实践相关的变量。通过排除这些变量并依赖直接的统计关系，这些模型强化了一个隐含的假设，即需求是由线性的社会经济趋势驱动的。stat/math模型通过频繁使用二手数据集（如气候预测[51]或人口普查数据[52]）来鼓励统计平滑。这些数据集汇总了人口中的用水情况，平均了变异性，掩盖了家庭和社区层面的需求差异。因此，需求通常被建模为整个人口的总消耗量，并伴随一个假设，即需求在个体之间均匀分布[[48], [53]]。它们的相对简单性意味着像MLR这样的模型可以为政策制定者和其他利益相关者提供易于理解的空间时间水安全风险输出。然而，它们对大规模数据的依赖限制了stat/math模型解释需求根本驱动因素的能力，或为其识别出的风险生成缓解措施[29]。

模拟/机器学习/人工智能/动态模型（以下简称机器学习和动态模型）经常被提出作为确定性建模的替代方案，因为它们能够表示变量之间更复杂的相互作用[[54], [55], [56]]。这种建模依赖性使得能够包含更广泛的需求变量，并似乎鼓励了一种更全面的需求思维方法。机器学习和动态模型代表了本次回顾中229项研究的96%，并且从2014年开始它们的出现频率显著增加（见图2）。动态模型，包括基于Agent的和系统动力学的方法，是这一类别中常用的方法。通过使用计算模拟，动态模型能够映射需求变量之间的相互依赖关系，从而提供对支撑需求的复杂系统的更深入理解[56]。此外，动态模型的结构允许根据社会经济或行为特征等将人群划分为不同的组（例如，[57]）。这些分组可以在模型中被赋予相应的“行为能力”，因此动态模型不是将整个群体视为行为上同质的，而是为子群体分配不同的行为模式。然而，尽管机器学习和动态模型的发展表明了对需求表示越来越复杂化的趋势，但这些模型本质上还是基于关于模型元素之间相互作用的编码假设[28]。例如，在Mashhadi Ali等人的[58]基于Agent的模型中，“家庭Agent”被赋予了规则，以根据干旱管理事件和改造技术等刺激来计算用水量。因此，虽然这些模型提高了复杂性，但它们并不一定挑战现有的需求思考范式。另外，正如Walker [29]和Larkin等人[34]所警告的那样，模型复杂性的增加可能会给人以更深入理解的印象，而其实关键假设仍然过于简化或未受到质疑。

水评估与规划（WEAP）模型被设计为决策支持工具，用于规划和管理。它们是一种输入-输出模型，在“其他”类别的35项研究中占29项（见图1）。与机器学习和动态模型类似，它们也可以表示非线性关系，但它们是在系统层面而非个别变量或Agent的层面上进行这种表示的。在回顾期的后半段，WEAP模型的使用也有所增加。WEAP模型的一个核心功能是探索假设性的“如果...会怎样”的情景，使规划者能够评估政策选择或基础设施发展对水资源消耗和可用性（例如[59]）、系统韧性（例如[60]）以及未来需求轨迹（例如[61]）的影响。通过这种方式，WEAP模型促进了以比较管理策略为中心的系统级需求思维方式。这些输出的价值取决于情景的制定和参数化方式。然而，与其他基于情景的方法一样，在这些研究中这些过程很少被透明化（也见[62]），从而掩盖了支撑模型预测的假设。此外，变化的参数通常局限于高层次的管理干预措施，如推广节水行为或技术（例如[63,64]）。

定性研究和混合方法研究共占系统回顾中229项研究的12%，与主导的定量方法形成了对比。主要区别在于它们强调环境因素和技术所处的文化和社会背景[[34]，[65]]。因此，这些研究倾向于将水资源需求视为更大社会技术系统的一部分。这种更广泛的关注点，例如“整体关联思维”[34]或“城市改造”[66]，鼓励了对整体需求变量的研究。然而，在研究结果中，水资源未来通常被边缘化，而是嵌入到更广泛的能源或城市未来情景中。定性研究和混合方法研究经常采用参与式技术，如逆向预测[67]或情景构建[[34]，[66]，[68]]。研究者与关键利益相关者（即实践者和研究者）共同举办的研讨会是常用的方法。这种方法选择反映了这样一个假设：关于未来需求的知识分布在各个利益相关者之间，因此适当选择利益相关者对于避免“自我中心主义”至关重要，即水资源管理者不能假设所有社区的水资源使用方式都与他们自己的一样[31]。Iwaniec等人[68]（第9页）试图通过结合“多样化的观点、证据和人类价值观”来克服这种偏见，以实现“用严格的建模方法无法实现的未来条件”的探索。同样，Larkin等人[34]（第5页）发现，参与式方法产生的情景包含了对支持政策和创新所需的“结构和系统”潜在变化的详细见解。除了参与式未来方法外，Ambaum等人[65]采用了一个定性系统动力学模型，使用因果循环图来表示社会规范、用水动机和干旱响应之间的反馈。他们的模型说明了需求如何通过更广泛的社会技术系统中的互动而演变。

4.2. 研究目的的分类
对未来家庭水资源需求的研究目的被分为四大类：(i) 在不同条件下预测可能的水资源需求（包括不同的管理策略）；(ii) 生成未来水资源使用的潜在情景；(iii) 发展或改进建模技术；(iv) 其他。

在回顾的所有研究中，57%的研究目的具有预测性，属于第一类。许多研究评估了特定地理区域内的供需求平衡（例如[53]，[69]）。其他研究测试了特定变量或情景对需求的影响，如人口增长率（例如[59]）或IPCC气候预测（例如[51]）。例如，Ashoori等人[46]旨在预测到2050年的水资源需求，考虑了气候变化、人口增长、价格结构和保护水平等多种潜在的治理情景。旨在评估需求管理策略的研究通常使用定量技术来预测不同干预措施下的供需求平衡。例如，Mehta等人[70]和Saleem等人[61]分别在非洲和巴基斯坦应用WEAP模型，量化了供应和需求方面的影响。然而，这些研究往往没有提出具体的减少需求的建议，而是暗示需要通过“节水措施”来平衡增加的供应量（[63]第14页）。Schneider和Rist的[71]混合方法WEAP研究在其建议的具体性方面是一个显著的例外。

当研究目的是预测性的时候，研究问题的复杂性各不相同。一些研究提供了策略比较，例如比较城市土地使用规划和家庭雨水收集的相对优点[72]。其他研究更为复杂，有助于策略的开发；例如，Pluchinotta等人[73]使用系统动力学模型来研究新住房开发中的可持续城市水资源管理。提出的干预措施通常是基于市场或技术的（例如[47]，[73]，[74]），尽管Parsons等人[75]（第15页）增加了一个称为“公众支持”的因素，承认高效技术需要用户具备实现预期需求减少所需的“知识和热情”。少数研究（2.5%）的具体目的是生成未来的水资源使用情景（例如[34]，[66]）。值得注意的是，这些研究大多采用定性或混合方法。与大多数系统回顾中的研究相比，这些研究更侧重于情景的开发，而不是预测或测试它们（例如，参见[68]中提出的各种情景）。虽然一些研究仍然关注技术和监管工具，如[66]研究的智能网络城市情景，但其他研究更加强调未来水资源使用的社会和文化背景。例如，Absar[76]使用因果层次分析[77]将水资源管理策略与文化和社会原则相协调。Absar[76]的建议包括将传统知识和社区管理纳入更广泛的水资源政策中。其他研究（例如[34]，[68]）采用与多样化实践者利益相关者共同参与的方法来构想基于日常实践的社会未来。这些研究的成果强调了“长期和系统级思维”的重要性（[68]：第9页）以及社会、地理和治理背景在解决未来水资源需求挑战中的作用[34]。

在系统回顾中，旨在发展和改进建模技术或测试模型准确性的研究（占总数的28%）大多采用了机器学习或动态方法（例如[58,78]）。这突显了使用这些技术来解决统计/数学模型缺陷的倾向。这一类别中的一些研究还尝试通过纳入行为变量来提高模型准确性。例如，Mashhadi Ali等人[58]采用的社会技术建模方法在基于Agent的模型中整合了环境、行为和政策因素。Walker[29]指出，需求建模方法的复杂化并未带来相应的预测准确性提升，特别是在社会和经济变化时期。尽管如此，建模技术的发展经常被描述为向更准确的需求表示迈出的进步。近年来向机器学习和动态模型的转变反映了这一发展轨迹，这反映了计算能力的提高以及输入变量选择的变化（例如[79]，[80]，[81]）。这种发展基于一个假设，即不断提高的模型准确性会导致对需求的更全面表示，尽管模型仍然保留了定量因果关系的基本机制[29]。反过来，这种假设可能会忽视那些以更描述性、批判性或有意义的方式捕捉需求社会和文化维度的完全不同的建模范式的价值（例如[34]）。

4.3. 需求独立变量的分类
未来需求的定量和统计模型需要以“独立变量”的形式作为输入，这些变量可以被视为研究人员对需求驱动因素理解的体现[82]。因此，某些独立变量的包含或排除表明了模型所基于的假设，并提供了相关需求思维方式的见解。结果显示，在整个研究中，人口统计、气候和社会经济变量最为常见，而当包含行为变量时，这些变量受到理性选择需求思维方式的强烈影响。对229项研究进行定性编码后，发现了八类独立变量：人口统计、社会经济、环境、空间、价格、技术、政策和行为。每类变量及其使用示例研究见表2。

表2. 用于家庭水资源需求未来预测模型的独立变量分类及示例研究
| 独立变量 | 示例研究 |
|------------|-------------|
| 人口统计 | Li等人[83]；Msongaleli等人[84] |
| 家庭特征（包括家庭规模、占用率、花园大小和房屋年龄） | Babel等人[85]；Giacomoni和Berglund[72]；Gross等人[86] |
| 家庭数量 | Babel等人[85]；Chu等人[87] |
| 城市密度（包括城市化率和新房屋建设） | Parsons等人[75]；Ma等人[88] |
| 花园类型/存在 | Giacomoni和Berglund[72]；Mashhadi Ali等人[58] |
| 社会经济 | 富裕度指标（包括GDP、生活水平、家庭支出、可支配收入、年收入、人均收入和恩格尔系数、识字率） | Mkandla等人[89]；Baki等人[90] |
| 经济增长 | Mitric?等人[91]；Yu等人[92] |
| 社会经济指标 | Fontdecaba等人（2011）；Rees等人[93]；He等人[80] |
| 气候 | 气象学（包括温度和降雨） | Ashoori等人[46]；Haque等人[50]；Yalcin[94] |
| 气候变化 | Polebitski等人（2011）；Saraswat等人[95] |
| 水价 | 收费标准 | Polebitski等人（2011）；Baki等人[90] |
| 技术 | 设备效率 | Nawaz等人[96]；Xue等人[52] |
| 技术创新率 | Bijl等人[2015]；Yao等人[2016]；Panda等人[97] |
| （智能）水表的可用性 | Parsons等人[75]；Nawaz等人[96]；Ambaum等人[65] |
| 政策 | 信息/教育提供 | Bakhtiari等人[98]；Saleem等人[61] |
| 地方或国家法规 | Saraswat等人[95]；Pluchinotta等人[73] |
| 社会经济或市场基 | Jacinto等人[51]；Woltemade和Fuellhart[47] |
| 使用限制 | Mkandla等人[89]；Giacomoni和Berglund[72] |
| 行为 | 社会能动性和互动；社会规范 | Bakhtiaria等人（2020）；Perello-Moragues等人[99] |
| 态度或价值观；愉悦动机；自我认同 | Baki等人[90]；Li等人[83]；Ambaum等人[65] |
| 习惯；用水实践 | Mashhadi Ali等人[58]；Xue等人[52]；Zhang等人[100] |
| 干旱响应 | Mashhadi Ali等人[58]；Ambaum等人[65] |
| 价格意识（价值取向） | Neverre和Dumas[101]；Xue等人[52] |
| 自愿节水努力/使用效率 | Jacinto等人[51]；Saleem等人[61] |
| 生活方式群体；消费者使用特征；水资源保护“原型” | Soboll等人[2010]；Nydrioti等人[102]；Obringer等人[103] |

图3可视化了系统回顾中研究包括的独立变量类别的频率和共现情况。网络显示，人口统计、社会经济和气候变量聚集最为集中，这些类别构成了核心。这种聚类表明许多研究将水资源需求视为这些因素的产物（例如[89]，[104]，[105]，[106]）。其他变量，如行为、技术和价格相关因素，在网络中的节点较小，位置较为边缘。这些模式提供了对文献中普遍存在的需求思维方法的洞察。特别是，指出了两个常见的建模假设：首先，人口规模（例如[107]）和气候变化（例如[61]）与家庭用水需求呈正相关；其次，社会经济因素（最常见的是富裕程度）（例如[108]）作为用水行为的代理指标。尽管这些因素经常被用作需求的指标，但人口统计因素和社会经济因素与用水之间的联系仍存在争议。虽然一些研究（如Fontdecaba等人[108]）使用人口普查数据发现了社会经济变量与用水需求之间的相关性，但其他研究则表明，仅凭人口统计和社会经济变量作为用水需求的指标是不足的（例如[30]）。例如，在“水资源模式”项目中的研究使用了原始数据来证明不同家庭的用水习惯存在显著差异（例如[30]，[41]）。作者认为，如果没有关于家庭成员内部及之间如何使用水资源的额外信息，仅依靠人口统计、社会经济和环境变量来预测行为可能会过于简化问题[30]。此外，依赖这些变量忽略了社会变革在塑造具有相似人口统计和社会经济特征的家庭“可能不同的未来轨迹”方面的作用[30]（第20页）。虽然行为变量仅占研究中使用的变量的一小部分，但它们在塑造需求和评估需求思维方面起着关键作用。因此，出于几个原因，这些变量值得深入研究。首先，行为变量与其他许多需求变量相关，例如环境、技术和政策变化。模型在处理这些关联时有所不同，有些模型未能考虑到行为与更广泛变量之间的反馈。用水行为和实践与更广泛的系统因素（包括社会文化发展以及技术和基础设施的可用性）之间的相互依赖性，增加了水资源需求系统的复杂性（例如[26]，[42]）。因此，在需求建模中准确表示这些动态且相互关联的系统存在困难[13,34]。其次，由于旨在减少用水需求的政策往往针对行为改变，因此这些干预措施的成功取决于对行为因素的深入理解[27]。最后，对需求驱动因素的理论理解以及在传统行为改变方法之外干预需求的机会是一个不断发展的领域（例如[6]），应该与行为建模的发展一起考虑。

综述中模型最常纳入的行为变量类型（环境价值观、对环境刺激的反应和对价格上涨的认识）表明，这些研究中的需求思维方法深受理性选择理论的影响（见第2节）。此外，许多研究旨在测试的需求管理策略基于这样的假设：激励措施和信息提供将导致用水行为的可预测变化。这种框架与那些强调通过促进更好的决策来减少需求的政策方法一致[18]。即使在鼓励对更复杂行为动态进行建模的方法中（例如基于代理的模型），这些动态通常也是通过简化的决策规则来操作的，这些规则决定了“代理”如何对刺激作出反应。此外，决策规则往往源自之前的建模研究或假设的行为反应参数（例如[109,110]）。行为变量被纳入定量模型的机制通常涉及从调查回应或综合指标等来源获取数据，然后将其转换为模型可用的变量。例如，表示节水行为的调查数据已被用作统计分析中的解释变量（例如[111]），或被转换为诸如设备效率以及用水活动的频率和持续时间等变量，以支持预测算法建模（例如[100]）。在基于代理的模型中，从调查中得出的态度可能被发展为行为原型或固定的消费修正因子，从而构建模拟的水需求（例如[57]，[112]）。虽然这些技术允许在定量框架中包含社会和行为变量，但它们同时也倾向于将复杂的社会现象和具体实践简化为平均类别[30,31]，强化了需求作为个体行为总和的观点。Schneider和Rist[71]指出了在单一研究中整合多种数据类型的难度，他们在一个WEAP模型中结合了定性和定量输入。作者反思说，在与利益相关者的参与式工作坊中开发的定性场景的复杂性必须被简化，以符合WEAP模型的结构和相关定量数据的可用性。

系统综述中的九项研究使用了量化对环境压力信息作出 altruistic 行为改变的变量。例如，“节水意识”的价值[107,113]被计算为与GDP的直接关系，假设节水努力随着GDP的增加而增加，直到达到节水意识的上限[107]。其他基于类似前提的定制变量包括：“公众认同度”[75]、“可持续性文化”[90]、“社区敏感性”[83]和“环境态度”[52]。虽然这些变量旨在捕捉用水的细微方面，但将它们作为行为的代理指标引发了一些问题。首先，关于这些变量是如何构建的透明度往往有限。虽然一些研究指明了变量的数学构建方式（例如[83]，[107]），但这些表示通常与实证观察脱节。在其他情况下，变量没有明确定义（例如[52]，[90]），导致难以理解其背后的假设。其次，开发基于价值的变量的研究往往忽略了价值-行动差距，即个体声明的价值与其行为之间的明显脱节[114,115]。未能充分考虑价值-行动差距可能会简化计算，但有可能错误地表示价值、态度和用水之间的关系。

4.4. 总结
本节表明，尽管建模技术有所发展，但在研究未来家庭用水需求的研究文献中，需求思维仍然建立在实证主义认识论的基础上。历史上，这类研究主要采用统计/数学方法，其特征是预测性目标、确定性建模和大规模二手数据的使用。这种偏见阻碍了探索更具描述性或解释性的未来，并减少了批判的机会，从而导致对未来需求动态和变化的不完整理解。虽然出现了动态需求建模方法（如基于代理的模型和系统动态模型），这些方法解决了模型结构中的系统复杂性和非线性问题[56]，但它们仍然优先考虑通过因果关系来量化和预测需求。定性和混合方法为将需求的环境和技术方面嵌入文化和社会背景提供了机会，通常会产生基于背景的见解和管理策略，但在水资源未来研究中仍被忽视。

需求变量和行为变量的整体分布揭示了当代对水资源需求的理论理解与其在建模技术中的运作之间的脱节。人口统计、气候和社会经济变量是最常用的需求代理指标，但大量研究表明，用水行为受到更复杂的文化和社会动态以及物质条件的影响（例如[23]）。同时，在某些研究中，行为变量受到理性选择理论的影响，忽视了诸如价值-行动差距等已确立的现象，或试图结合多种思想流派的观点，如实践理论。

5. 对未来研究中主导需求思维形式的反驳性叙事
5.1. 采用社会实践视角的需求未来研究
本节探讨了采用社会实践视角的需求未来研究，基于主题综述的发现，批判性地挑战了主导的建模技术。在这类文献中，一个共同的目标是提出对传统未来方法（例如[39]）、主导的知识生产形式（例如[116]）、既定的研究和政策框架（例如[117]）或现有社会想象（例如[118]）的替代方案。总体而言，这些研究构成了对实证主义建模技术及其相关需求思维方法的反驳性叙事。这种差异在家庭用水方面尤为重要，因为家庭用水与日常实践密不可分，并嵌入在更广泛的常规和供应系统中[32]。因此，本文认为，以实践为导向的未来技术不仅与水资源需求研究兼容，而且对于制定有效的需求管理策略至关重要。

这一文献中的一个核心主题是强调“日常生活未来”。这一前提由Kuijer和Spurling[119]等研究者提出，将日常生活及其相关的日常惯例、材料、知识和制度置于未来导向探究的中心。这一立场强调了潜在的未来情景可能如何影响人们的日常体验[120]，并通过探讨干预措施如何在不同人群中展开来为有效政策提供信息[117]，[121]。关注日常生活未来还关注日常惯例、普通物品和共享意义作为潜在干预的切入点[38]，鼓励超越理性行动者模型的需求管理策略[41]。

本次综述中识别出的以实践为导向的需求未来研究仅使用了定性方法。这与通常用于研究水资源需求未来的方法大相径庭，这是因为社会实践理论与定性研究方法在认识论上是一致的（例如[41]，[122]）。

2. 方法论
包括定性情景（例如[123,124]）、想象（例如[39]，[116]）和人物角色（例如[38]，[125]）。这些技术强调未来生活的叙事，而不是数值预测，有助于通过添加细节来明确与政策和干预相关的抽象概念所需的社会、文化和物质变化（例如[116]）。例如，Cherry等人[125]研究了能源系统干预在结合当地社会和经济历史背景下的影响。重要的是，这些方法挑战了实证主义对需求平均值的认知。例如，人物角色展示了未来情景可能如何在不同人群中产生不同的影响[38]，从而超越了统计平滑所鼓励的“一刀切”方法。

主题综述中确定的一组以实践为导向的方法是对定量预测模型的有意回应。例如社会实践想象（例如[39]）、民族志未来[126]和人类学预见（例如[127]）等方法强调了需求的日常动态和社会变化。这些方法基于并源于当今人们的实际生活经验来开发情景[127]。这些技术旨在颠覆并提供一种替代方案，以对抗能源需求未来研究中普遍存在的将能源消费者置于被动角色的社会技术想象（例如[126]：第1页）。正如Dahlgren等人[123]（第12页）所指出的，它们通过关注“普通人的生活和可能未来的多样性”提供了这种替代方案。

未来研究的转化潜力部分取决于研究方法运用想象力来扩展情景探索的广度和深度[39]。Baibarac-Duignan和Mede?an[116]认为，如果没有方法能够揭示对未来主导观念的替代可能性，就可能会错过社会变革的机会。超越传统叙事和抽象预测的范围来扩展情景创造可以支持设计促进社会和文化变革的政策[128]。社会实践理论的描述性特点可以通过支持将情景发展为富含生活经验的叙事来促进这种扩展[39]。此外，富有想象力的情景生成提供了关于当前实践的反思机会[13]，以及它们如何抵抗现有习惯的重压来塑造未来的可能性[38]。

5.2. 朝向需求未来研究中的方法论多元主义
本综述的发现强调了需求未来研究中需要更大的方法论多元性。第4节探讨的主流需求思维范式在预测和建模资源需求系统的近似值方面具有价值。然而，这种范式很少支持测试需求未来的可能性的边界或考察提出的未来路径如何与日常生活现实相互作用的研究。以实践为导向的方法则强调资源使用的社会组织以及需求发生变化的条件。这些不同的方法突出了对需求如何出现、如何随时间变化以及哪些干预措施可能发生的不同理解。

探索不同的需求思维形式表明，没有一种方法论能够完全捕捉影响水资源需求的全部社会、文化、基础设施和环境动态。采用方法论多元主义[42]为概念化复杂系统（如水资源需求）以及加强后续的政策和干预策略[18]提供了一条有前景的途径。在本文中，方法论多元主义被理解为借鉴多种形式的需求思维方式，而不仅仅是简单地将定性和定量数据类型结合起来，因为这两种形式的数据都可以用于构建涵盖整个范式的研究成果。本文中的一些研究案例就体现了这一点——这些研究在基于代理的模型中使用了关于用水行为的定性数据，同时仍然坚持实证主义的需求概念框架。与此同时，在其他学术文献中也有采用批判性定量模型来揭示不平等现象和不同的世界观（例如[129]）。当然，正如第4.1节所指出的，某些方法论更倾向于鼓励特定形式的需求思维，而有些方法论则为多元本体论提供了更多的空间。此外，方法论多元主义并不一定要求在单一建模框架内结合多种形式的知识：多元主义可以存在于更广泛的研究计划中，或者在整个研究领域内存在。实现这种多元主义需要更深层次的跨学科交流，即将多个学科的见解从简单的并列转变为转化和整合（例如[13]）。从这个意义上说，多样性有助于增进对那些历史上源自同质本体论传统的问题的理解，比如家庭用水需求。对于未来研究而言，这一点尤为重要，因为它决定了决策者能够想象、分析和制定哪些改变现实世界的方案。

6. 结论
本文将需求思维作为一种分析工具，用于评估研究人员、实践者、政策制定者和其他利益相关者如何思考、理解和操作“需求”这一概念。受到关于资源需求本质的持续讨论的启发，这一术语提供了一种语言，用于表达塑造研究方法及其在文献中引入的偏见的假设。它同样适用于分析这些文献试图为管理和政策策略提供的信息。前几节探讨了当前水资源需求研究中所存在的各种需求思维方式，以及来自水资源领域之外的未来研究中的需求思维创新。对水资源领域需求未来研究的系统回顾显示，广泛接受的需求理解与这些理解在模型和情景中的体现之间存在脱节。尽管模型开发的不断进步提高了复杂性，扩大了纳入的变量范围，并使得变量之间的非线性相互作用得以表示，但这些研究的核心目标仍然是预测性的。这种对计算精炼的关注显示出一种趋势，即通过提高模型精度来推动知识进步，而忽略了对模型所基于的基本假设的审视。

在关注长期社会变化的研究中，人们越来越认识到，未来研究方法不仅仅描述可能的轨迹，还积极地影响着问题是如何被构建以及哪些干预措施会被优先考虑的。基于社会实践理论的未来方法提供了与主导需求思维方式不同的叙事，强调了日常生活、社会组织和社会供给体系的重要性。无论是主导方法还是替代方法，都对不同的分析和治理目标具有价值。对于需求未来研究而言，在水资源短缺问题日益严重和减排目标愈加雄心勃勃的背景下，采纳方法论多元主义是一种战略性的应对策略。在实践中，这可能包括将多元本体论假设应用于能够更丰富地表示动态系统的建模方法。在更广泛的层面上，这意味着需要开发整合多种方法的研究计划，特别是那些在当前研究领域中代表不足的方法。政策和决策过程也应借鉴基于多种需求思维形式的研究成果，以便更明确地审视、测试和理解潜在未来情景和干预措施中隐含的假设。

**作者贡献声明：**
Leilai Immel-Parkinson：撰写——审稿与编辑、撰写——初稿、可视化、验证、方法论、调查、形式分析、数据管理、概念化。
Alison Browne：撰写——审稿与编辑、监督、方法论、资金获取、概念化。
Claire Hoolohan：撰写——审稿与编辑、监督、方法论、资金获取、概念化。