以下文章来源于国土空间治理Studio ，作者课题组
近日，浙江大学土地管理系岳文泽课题组在国际SCI期刊《Journal of Cleaner Production》上发表了一篇关于中国耕地撂荒格局、驱动力及其对粮食安全影响的研究成果，论文英文标题为“Cropland abandonment in China: Patterns, drivers, and implications for food security”。合作者包含国安东博士（浙江大学博士后，第一作者）、杨俊教授（东北大学）等。
01
文章导读
耕地作为人类赖以生存的基础资源，掌握中国耕地撂荒格局有助于保护和管理耕地，维护国家的粮食安全和社会稳定。尽管以往的研究已在识别中国耕地撂荒问题上取得一些成果，但多集中在局部区域和较短的时间段，对于长时间序列和全国范围内的耕地撂荒格局的了解仍然有限。这项研究综合中国近30年的长时间序列土地覆被、自然因素和社会经济数据，深入探讨耕地撂荒的时空格局、驱动因素及其对粮食安全影响。研究表明，中国年均耕地撂荒面积约为2.34×104 km2。此外，通过增强回归树模型结果表明，耕地的集聚度和自然因素是导致耕地撂荒的主要驱动力，且这些驱动力在各农业区间存在显著差异。最后，结合遥感和统计数据评估历年粮食损失量，结果表明每年因耕地撂荒而造成的粮食损失量约为79.4亿公斤，这可以供应近2000万人的粮食需求。本研究填补了中国高精度、长时间序列耕地撂荒格局的研究空白，深化了对耕地撂荒驱动力的理解，并通过量化撂荒导致的粮食损失量，为制定耕地撂荒治理策略和相关政策提供了基础数据支持。
02
内容摘选
这项研究综合运用了土地覆被、地形、气候、人口及社会统计等多源数据，旨在深入探讨中国耕地撂荒时空格局、驱动因素，以及评估和预测由于耕地撂荒对粮食损失的影响。需要强调的是，本研究以中国的9个一级农业区和38个二级农业区为基本单元（Fig. 1）。这些农业区是根据区域农业生产条件、特点、发展方向、主要问题、行政单位（县级行政单位）边界等因素进行划分，各农业区都具有其自身的特点，这对于农业生产的管理和指导具有重要意义。此外，本研究的关键在于识别耕地撂荒格局。我们根据《中华人民共和国土地管理法》和耕地实际使用情况，将连续两年未使用的耕地定义为耕地撂荒。为此，该文使用了1990-2019年CLCD数据（武汉大学），识别了中国近30年的耕地撂荒格局。
Fig. 1 中国农业区划分布
研究内容可以分为三个部分：（1）刻画中国近30年来的耕地撂荒时空格局，探究各一级农业区和二级农业区的时空差异；（2）综合自然环境、景观格局、人口和社会经济等数据，运用机器学习算法（增强回归树），揭示各因子对耕地撂荒的相对影响和边际效应；（3）评估历年由耕地撂荒导致的粮食潜在损失量，并运用ARIMA时间序列模型预测其至2030年变化趋势。
据遥感影像统计，自1992年的197.38×104 km2到2019年的188.78×104 km2，中国耕地面积减少了8.68×104 km2，平均每年减少0.3×104 km2，这充分揭示了耕地保护的严峻态势。因此，强烈呼唤实施更为严格的耕地保护政策。关于耕地撂荒，撂荒面积和撂荒率的变化在一定程度上维持稳定，年均值分别为2.34×104 km²和1.21%。
Fig. 2 中国耕地撂荒统计（1992-2019年）
中国一级农业区耕地撂荒的空间分布存在显著差异（Fig. 3）。撂荒面积多集中在西南区、内蒙古及长城沿线区，年均分别为5.4×103 km2和 4.2×103 km2，其次为东北区（3.0×103 km2）和黄土高原区（3.4×103 km2)。然而，耕地面积最大的黄淮海区的撂荒面积仅为0.4×103 km2。在撂荒率方面，内蒙古及长城沿线区（3.1%）和青藏区（3.9%）最为显著。从经度角度看，耕地撂荒呈现“双峰”模式，主要集中在110°E（163.2 km2）和122°E（78.2 km2）附近，并且撂荒面积在中部地区（103° E−115° E），总数达到13.6×103 km2。
Fig.3 中国一级农业区耕地撂荒（1992-2019年）
该研究表明，耕地撂荒高值区（>1000 km2）主要集中在胡焕庸线附近和西南地区（Fig. 4），如内蒙古中南部牧农区（B-2）、长城沿线农牧区（B-3）、秦岭大巴山林农区（F-1）、四川盆地农林区（F-2）等。然而，撂荒的低值主要位于青藏区和黄淮海区，如青藏高寒地带（I-4）、冀鲁豫低洼平原农业区（C-2）及黄淮平原农业区（C-3）。有趣的是，胡焕庸线东侧的耕地撂荒程度远高于西侧，分别约为0.77和0.23。
Fig. 4 中国二级农业区耕地撂荒格局
该研究揭示了不同农业地区之间存在显著差异。除黄淮海区之外的所有农业区，耕地聚集指数（AI）被确定为耕地撂荒的主要驱动因子（Fig. 5）。其中，青藏区尤其显著，AI达到15.5%，其次是黄土高原区（10.6%）和西南区（10.4%）。对于东北区，影响耕地撂荒的关键因子包括AI、年均降水量、年均农田生长潜力和GDP。在内蒙古及长江沿线区、甘新区和青藏区，这些位于边疆地带、幅员辽阔的地区，人口和社会经济对耕地撂荒的影响超过自然气候。然而，尽管黄淮海区拥有最多的耕地，其撂荒面积和撂荒率却相对较低，主要集中在DEM的高值区，相对影响为15.9%。
Fig. 5 各因子对耕地撂荒的影响程度
Fig. 6表明耕地撂荒与各驱动因素之间存在非线性关系。例如，AI在各农业区（~85%）和全国尺度（~70%）时，其与耕地撂荒呈负相关性，这表明耕地的集聚度越高，撂荒率越低。同样，随农田年平均生产潜力（PCY）、GDP和年平均降水（MAP）的增加，它们与耕地撂荒的关系也呈负相关。然而，年平均气温（MAT）则显示出相反的规律，即随着MAT的增加，撂荒率增加。有趣的是，研究表明在不同时间段，驱动力的影响特征有所不同。例如，在2000年，距离市行政中心（黄土高原区）和距离县行政中心（西南区）值越低，耕地撂荒就越高。然而，到2010年，随着城市的扩张和经济的发展，距离越远的地方，其耕地撂荒反而更高。
Fig. 6 各因子对耕地撂荒的边际效应影响
最后，我们结合各省的复种指数、粮作比和粮食单产，评估2001-2019年中国粮食损失量（Fig. 7）。结果表明，耕地撂荒造成的粮食损失量总体上呈现出增加的趋势，从2001年的61.9亿公斤增加到2019年的88.3亿公斤，平均每年损失量约79.4亿公斤。此外，我们采用ARIMA模型预测其未来的趋势，到2030年，耕地撂荒造成的粮食损失量将达到约79.2亿公斤。根据联合国粮农组织提出的400公斤的“安全线”，可知每年耕地撂荒造成的粮食损失可满足了约2000万人的安全食物需求，这接近于北京的人口总数。
Fig. 7 粮食损量评估、预测和总人口
阅读原文：Guo, A., Yue, W., Yang, J., Xue, B., Xiao, W. & Li, M., et al. (2023). Cropland abandonment in China: Patterns, drivers, and implications for food security. Journal of Cleaner Production, 418, 138154. https://doi.org/10.1016/j.jclepro.2023.138154
转自：“经管学术联盟”微信公众号
如有侵权，请联系本站删除！
