2000—2020年中国耕地撂荒的时空格局演变与主导因素分析

Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 61, No. 5 (Sept. 2025)

国家自然科学基金(42471106)和中国电建贵阳院重大科研项目贵州省数智水网建设关键技术研究(YJZDZX240001)资助

1.中国电建集团贵阳勘测设计研究院有限公司, 贵阳 550081; 2.北京大学城市与环境学院城市与经济地理系, 北京 100871; 3.北京大学城市与环境学院, 地表过程分析与模拟教育部重点实验室, 北京 100871; †通信作者, E-mail: jijunm@pku.edu.cn

摘要采用土地利用轨迹变化检测法, 构建 2000—2020 年中国耕地撂荒的空间信息数据集, 进而分析耕地撂荒的空间格局演变特征及主导因素。结果表明: 1)2000—2020 年, 中国耕地撂荒面积和撂荒率呈现持续增长趋势, 撂荒面积从 255.96×104 hm2 增长到 3113.03×104 hm2, 撂荒率从 1.29%增长到 14.08%, 撂荒率较高的区域集中分布在胡焕庸线西侧; 2)中国耕地撂荒具有显著的空间自相关性, “高–高”集聚区持续扩大, 集中分布在胡焕庸线两侧区域, “低–低”集聚区主要分布在东部平原区, 在撂荒率持续上升的同时, 农业区内部出现两极分化现象; 3)2020 年, 土壤类型、人口密度、海拔高程、乡村人口占比和地貌类型 5 个因素对耕地撂荒空间分异产生重要影响, 双因子探测结果均为非线性增强或双因子增强, 自然环境因素组内部的协同效应更强。当自然环境因素存在时, 经济社会因素对耕地撂荒空间分异的解释度显著增强。

中国耕地资源具有总量多、人均占有量少、优质耕地少和后备资源少的“一多三少”特征[1]。21 世纪以来, 在快速工业化和城镇化背景下, 中国经历了规模巨大的农业劳动力转移和农村经济的非农转型, 耕地撂荒现象日益严重[2], 全国各省区均有耕地撂荒。2017 年, 我国粮食主产区耕地撂荒面积为405.53 万 hm2, 撂荒率达 5.85%[3–4]。在粮食单产提高幅度有限的情况下, 保持耕地数量不减少, 质量不降低, 对保障国家粮食安全具有重要意义[5]。

撂荒是一个广义的概念, 表示农业用地未被利用或农业管理状态的终止[6]。减少或停止在可耕地上进行农业活动的行为通常可被界定为“耕地撂荒”, 强调对土地耕作功能的放弃[7]。由于撂荒程度不同, 存在完全撂荒、半撂荒和过渡撂荒 3 种类别。半撂荒指管理水平低, 但尚未完全放弃耕种的耕地[8]。撂荒可能涉及植被自然恢复的过程, 例如生态退耕, 也称为过渡撂荒[9]。从生产投入的角度, 又分为显性撂荒和隐形撂荒, 前者是耕地经营者主动弃种, 导致耕地闲置, 后者是由于相对粗放的土地管理, 导致耕地处于不充分利用状态, 通常较难精准地判定[10]。根据撂荒时长的不同, 还衍生出常年性撂荒与季节性撂荒之分[11]。国内学界在经历“耕地弃耕”“耕地抛荒”“耕地荒废”等不同称谓后, 逐渐统一使用“耕地撂荒”[2]。2011 年土地整理与储备国际研讨会对耕地撂荒的界定是“至少连续 2 年以上未被利用的耕地”, 成为国内研究工作及土地管理政策实践常用的标准[4]。

精准识别并提取耕地撂荒信息是开展耕地撂荒研究的基础, 目前主要有抽样调查、文献荟萃和遥感监测三类方法[12–14]。其中, 遥感监测技术以其获取信息速度快、周期短和范围广等特点, 在耕地撂荒信息提取中优势明显[14]。遥感监测技术分为直接提取和间接提取两种路径。直接提取是基于特征规则提取耕地撂荒信息, 包括目视解译和监督分类。目视解译操作简单, 准确率高, 但自动化程度较低, 不适用于大面积监测[15]。监督分类可以大面积提取耕地撂荒信息, 但样本选择的主观性强, 且难以区分具有相似光谱特征的地类[16]。间接提取可分为双时点分类叠加检测、土地利用轨迹变化检测和遥感指数时序变化检测三类[17]。双时点分类叠加检测相对简单, 可用于分析两个时点之间的耕地撂荒变化趋势[18]。土地利用轨迹变化检测是利用多时间节点的遥感影像构建土地利用变化轨迹, 从而提取耕地撂荒信息, 已广泛用于提取不同国家和地区的耕地撂荒信息[19]。遥感指数时序变化检测能同时进行年内和年际检测, 可有效地区分撂荒与休耕, 是小尺度耕地撂荒监测的重要手段[20]。

耕地撂荒是一个复杂的动态过程, 农业生产机会成本上升带来的耕地边际化被认为是耕地撂荒的根本原因[21], 但在不同空间尺度下, 使用不同的方法, 影响因素的分析结果会存在一定的差异[13]。耕地撂荒是自然环境、经济发展、政策制度和技术进步等多因素综合影响的结果[22]。自然环境因素包括耕地可达性、坡度、破碎度和土壤类型等, 它们对大尺度、长时序耕地撂荒的影响更显著[23]。经济社会因素包括城镇化率、人口结构、城乡收入差距和非农就业机会等, 在较小的时空尺度下, 劳动力析出会成为耕地撂荒的直接原因[24]。政治制度变化和武装冲突也是耕地撂荒的影响因素, 但只在特定地区发生[25]。总的来说, 耕地撂荒是多种因素综合作用的结果, 需要根据研究的时空尺度, 选择适宜的指标进行分析[26]。

综上所述, 目前对耕地撂荒的研究多局限于省市级行政单元或单一自然地理区域, 由于缺乏准确反映全国耕地撂荒数量与空间分布的基础数据, 全国层面的定量化研究相对较少[4]。本研究利用 30m×30m 分辨率土地利用/覆被数据, 采用土地利用轨迹变化检测法提取耕地撂荒信息, 以“耕地转变为除不透水面外的其他地类持续 2 年以上”作为耕地撂荒的判别标准, 构建 2000—2020 年中国耕地撂荒的空间分布数据集, 并分析耕地撂荒的时空演变格局与主导因素, 以期为我国耕地保护及耕地撂荒管理提供科学依据。

1 数据来源及处理

1.1 数据来源

本研究提取耕地撂荒信息的 1998—2020 年全国土地利用数据来自 CLCD(China Land Cover Data-set)数据集(https://zenodo.org/records/4417810), 包括耕地、森林、灌木、草地、水体、冰雪、裸地、不透水面和湿地等 9 种地类。该数据集基于 GEE (Google Earth Engine)平台(https://earthengine.goog le.com/), 以时间序列 Landsat 影像作为输入数据, 采用随机森林分类器监督分类获得, 并通过时空滤波和逻辑推理进行分类处理, 进一步提高数据的时空一致性。

此外, 用于主导因素分析的高程和坡度等数据来自 NASADEM 30m 数字高程数据, 获取自 GEE平台。地貌类型、土壤类型、年平均气温、年平均降水量以及 1km 分辨率的人口密度和 GDP 等数据来自中国科学院资源环境科学与数据中心(http:// www.resdc.cn/), 人均 GDP 根据人口密度和 GDP 数据进行计算。乡村人口占比和城乡收入差距等经济社会统计数据来自国家统计局发布的中国统计年鉴(https://www.stats.gov.cn/sj/)。

1.2 耕地撂荒数据提取

以 1998 年的土地利用/覆被数据作为检测的初始状态, 构建每个栅格的地类变化轨迹, 获取耕地撂荒的空间分布信息及撂荒数据集(图 1)。具体步骤如下: 1)以栅格作为检测单元, 以 1998 年的地类作为初始状态, 在 n 年内, 从第 i 年到第 i+1 年, 如果耕地转换为除不透水面外的其他地类, 则该栅格的持续未耕种年限 a 增加 1; 2)如果从其他地类又转为耕地, 则该栅格的持续未耕种年限 a 重新设置为0, 其中 n 为 1998, 1999, …, 2020; 3)得到逐年的耕地持续未耕种时长空间分布数据集, 栅格的数值表示该栅格从 1998 年起到当年的持续未耕种时长, 数值大于 2 的栅格单元即被判定为耕地撂荒; 4)根据提取结果, 获取 2000—2020 年中国耕地撂荒数据集。

2 研究方法

2.1 耕地撂荒量化指数

耕地撂荒率是常用的耕地撂荒量化指数, 指区域内耕地撂荒面积占耕地总面积的比例, 能在一定程度上反映耕地撂荒的程度, 计算公式为

式中, ARi 表示研究单元 i 的耕地撂荒率; mi 表示研究单元 i 的耕地撂荒面积; Mi 表示研究单元 i 的耕地总面积, 包括撂荒耕地面积在内。

2.2 核密度分析

核密度分析是一种通过对离散样本点进行平滑内插来计算密度分布的空间分析方法, 可用于计算要素在其周围邻域中的密度。借助连续密度曲线, 核密度分析可以更直观地展示变量的分布形态特征, 计算公式为

式中, Fn(x)表示耕地撂荒率分布核密度值, n 表示窗宽(h)范围内的斑块点数, K(*)为特定缩放核函数。核密度分析对宽窗的选择较为敏感, 本研究基于应用性较广的 Silverman 估计方法, 结合常用的 Gaus-sian核函数来确定最优窗宽。

2.3 空间自相关分析

全局空间自相关的 Moran’s I 指数可用来判断某一空间内部要素是否存在显著的整体相关性。计算公式为

式中, i为研究单元数量, xi和xj分别为栅格单元i和j的耕地撂荒率, 𝑥为耕地撂荒率的平均值, wij表示空间权重矩阵。Moran’s I的取值区间为[−1, 1], 大于0表示正相关, 小于0表示负相关, 等于0表示不相关。

Moran’s I指数无法对局部聚集性进行度量。空间关联局部指标(LISA)可识别区域内观测值与相邻区域观测值之间的依赖关系, 判断空间要素的热点区域, 从而弥补全局空间自相关分析的不足。LISA的计算公式为

式中, wij 表示空间权重矩阵, zi 和 zj 分别是栅格单元i 和 j 的耕地撂荒率的标准化值。根据 Ii 值和 zi 值的组合关系特征, 可以判断单元 i 的局部空间自相关类型。两者都大于 0 表示高值聚集, 都小于零表示低值聚集。上述指标都可以运用 ArcGIS 的空间统计工具进行计算。

2.4 地理探测器

地理探测器是一种无假设条件的统计学方法[27],可以克服分析多源异构数据较为困难的局限性。该方法已在多维度变量的影响机理研究中得到广泛应用。其中, 因子探测可用于识别耕地撂荒空间分异的主导因素, 计算公式为

式中, N 与 Nh 分别表示整个区域与层 h 区域的样本数, L 是因子的分层数, σ2 与 σh2 分别表示撂荒率在整个区域与层 h 区域的方差。q 的取值范围为[0, 1], q值越大, 因子对耕地撂荒空间分异的解释度越强。

交互作用探测可以进一步分析双因子对耕地撂荒空间分异的协同效应是增强还是减弱。交互类型的判断标准如下: q(X1∩X2)>q(X1)+q(X2)为非线性增强, q(X1∩X2)=q(X1)+q(X2)为双因子独立, q(X1)+ q(X2)>q(X1∩X2)>Max(q(X1), q(X2))为双因子增强, Max(q(X1), q(X2))>q(X1∩X2)>Min(q(X1), q(X2))为单因子非线性减弱, Min(q(X1), q(X2))>q(X1∩X2)为非线性减弱。

2.5 主导因素选择

耕地撂荒是多因素综合作用的结果, 为深入剖析耕地撂荒空间分异的主导因素, 可以从自然环境和经济社会维度选择指标进行分析[23–24]。在自然环境方面, 选择高程(DEM)、坡度(Slope)、地貌类型(GT)、土壤类型(ST)、耕地破碎度(AF)、年平均气温(MAT)和年平均降水量(MATP)等 7 个因素, 它们能较为充分地反映土地的自然特征和生产条件, 从而对耕地撂荒产生影响。例如高程、坡度和地貌类型与区域水、热、养分的再分配过程紧密联系, 从而形成质量各异的耕地条件, 影响农户耕作的成本。高程大、坡度大的区域, 水土流失风险提升, 相较于其他平坦地带更易成为撂荒地[28]。耕地破碎度这类生产条件则会影响耕种的管理难度, 耕地破碎化程度越高, 机械化耕作实施难度就越大, 农户弃耕可能性也越大[29]。在经济社会方面, 选择人口密度(PD)、乡村人口占比(RP)、GDP、人均GDP(PGDP)和城乡收入差距(URG)等 5 个因素。它们体现区域劳动力状况及经济社会发展水平, 对耕地撂荒也有重要影响。例如, 乡村人口占比越大, 从事农业生产的劳动力越多, 发生耕地撂荒的可能性越低[30]。人均 GDP 越高的地区, 非农就业机会更多, 收益更高, 耕地撂荒发生可能性也越大[31]。另外, 采用斑块密度、边缘密度、形状指数、平均斑块面积和斑块聚集指数表征耕地破碎度[32]。

本研究采用渔网法, 对所选因素进行空间赋值。增加网格密度, 可以得到更小的分析单元, 从而提高分析结果的精度, 在考虑数据特点和算力需求的基础上, 空间分析单元设定为 10km×10km 的网格。此外, 对于源数据精度大于 10km 的因素(高程、地貌类型等), 借助 ArcGIS 的重采样工具, 高程取格网内像元的均值, 地貌类型取格网内像元的众数。对于乡村人口占比和城乡收入差距等因素, 则根据重采样后栅格所在行政区, 将相应数值赋值给该栅格。

3 时空格局演变分析

3.1 耕地撂荒的时空分布

提取 2000—2020 年中国耕地撂荒数据集后, 我们统计了研究期内耕地撂荒面积和撂荒率的变化情况(图 2)。从整体上看, 2000—2020 年, 中国耕地撂荒面积和撂荒率呈现持续增长趋势, 撂荒面积从255.96×104hm2 增长到 3113.03×104hm2, 撂荒率从1.29%增长到 14.08%, 撂荒面积年均增长 143.23× 104hm2。分阶段来看, 2011 年后, 撂荒面积和撂荒率的增长速度明显放缓, 新增撂荒时长为 2 年的耕地面积略有下降, 可能与 2009 年起严格执行的“耕地红线”政策有关; 2011—2020 年, 耕地撂荒面积年均增加 76.97×104hm2, 明显低于 2000—2010 年的199.87×104hm2; 2020 年, 耕地撂荒面积出现下降, 与国家近年来不断强化粮食安全保障有关, 政策层层压实, 督促农户耕种, 确保现有耕地面积基本上稳定, 土壤质量不下降。此外, 部分农民工因疫情滞留家乡, 恢复耕种, 在一定程度上抑制了耕地撂荒的增长。

图 3 展示 2000—2020 年中国耕地撂荒率的空间分布情况。可以看出, 以胡焕庸线为分界, 中国耕地撂荒率的空间分布同时呈现动态性和稳定性特征。从动态性看, 2000—2020 年, 撂荒率整体上持续上升, 尤其是胡焕庸线两侧的区域。2000—2010年, 撂荒率的上升更明显, 尤其是黄土高原区、内蒙古及长城沿线区以及东北区的大兴安岭、小兴安岭和长白山地区。2010—2020 年, 西南区北部、青藏区东部及南部、海南岛的撂荒率明显上升。从稳定性看, 撂荒率较高的区域集中分布在胡焕庸线西侧。黄淮海区、长江中下游区及东北区的东北平原, 撂荒率一直相对较低。2010—2020 年, 大部分地区的撂荒率趋于稳定, 海南岛等少部分地区撂荒率出现下降的趋势。

表 1 显示 2000—2020 年中国各农业区的耕地撂荒面积及撂荒率变化情况。从撂荒面积看, 西南区最大, 为 713.31×104hm2, 内蒙古及长城沿线区为650.25×104hm2, 黄淮海区及青藏区的撂荒面积较小, 分别为 72.38×104hm2和 53.14×104hm2。从撂荒率看, 2020 年, 青藏区和内蒙古及长城沿线区最高, 分别达到 30.34%和 29.59%, 远高于全国撂荒率均值 14.07%; 长江中下游区、东北区及黄淮海区的撂荒率都低于 10%, 其中最低的黄淮海区仅为 2.38%。从撂荒时长看, 西南区、长江中下游区及甘新区多在 10 年以内; 与之相反, 内蒙古及长城沿线区多在10 年以上。黄土高原区的撂荒年限相对均衡, 说明该地区存在持续稳定的耕地撂荒现象。

3.2 耕地撂荒的空间集聚性

首先利用 Moran’s I 指数对 2000—2020 年中国耕地撂荒率进行全局空间相关性分析, 分析结果通过了显著性检验, 表明中国耕地撂荒具有空间自相关性。图 4 展示中国 10km 格网耕地撂荒率的 LISA聚类特征。2000 年, 中国耕地撂荒率空间分布“高–高”集聚区主要分布在东北区的大兴安岭和小兴安岭地区, “低–低”集聚区主要分布在黄淮海区、东北区的东北平原、西南区的四川盆地以及长江中下游区北部和西部。2000—2020 年, “高–高”集聚区持续扩大, 集中分布在胡焕庸线两侧区域, 尤其是黄土高原区、内蒙古及长城沿线区以及西南区北部。研究期内, “低–低”集聚区总体上保持稳定, 集中分布在各大平原区, 且略有扩大的趋势, 说明这些区域的耕地一直被高效利用。

进一步对撂荒率 LISA 聚类特征进行统计分析, 结果见表 2。2000—2020 年, 中国耕地撂荒率的“高–高”(H-H)与“低–低”(L-L)集聚区的同质占比明显高于“低–高”(L-H)与“高–低”(H-L)集聚区。从类型看, 全国 9 个农业区可以分为三类。第一类“高–高”与“低–低”集聚区的同质占比都相对较高, 包括东北区、甘新区、黄土高原区、西南区和华南区, 说明这些区域同时存在规模化的耕地撂荒与耕地利用。第二类以“高–高”集聚区为主, 包括内蒙古及长城沿线区以及青藏区, 说明这些区域因退耕还林还草等生态工程的实施存在较为集中连片的耕地撂荒现象。第三类以“低–低”集聚区为主, 包括黄淮海区和长江中下游区, 这些区域是中国重要的粮食主产区, 耕地撂荒现象一直得到很好的抑制。

3.3 耕地撂荒的空间均衡性

小提琴图是一种融合核密度曲线及箱线图的表达方式, 能够更好地展示耕地撂荒的空间均衡性特征。小提琴图的可视化表达(图 5)显示, 2000—2020年中国耕地撂荒的空间均衡状态呈现两个特点。

1)耕地撂荒水平持续上升, 出现两极分化现象。2000—2010 年, 中国耕地撂荒率均值从 1.29%增长到 10.56%。除黄淮海区外, 其他各农业区小提琴图的变化较显著, 核密度曲线明显变长且波形逐渐上移。在此期间, 大多数地区耕地撂荒率增长至5%～25%, 少数地区的耕地撂荒率甚至接近 100%。2010—2020 年, 耕地撂荒率持续上升, 内蒙古及长城沿线区以及青藏区等地区的核密度曲线出现双峰形态, 且分布的延展性拓宽, 表明耕地撂荒率出现两极分化态势。

2)耕地撂荒水平空间的差异先扩大, 然后趋于稳定。2000 年, 各农业区的耕地撂荒率都较低, 农业区之间与农业区内部的差异都不明显。2000—2010 年, 从纵向上看, 各农业区的核密度曲线明显变长, 极差显著增大, 且分布的延展性向高值区拓展, 农业区内部耕地撂荒率出现明显的差异。从横向上看, 各农业区之间的核密度曲线波形差异显著, 农业区之间的耕地撂荒率也呈现明显的空间差异。2010—2020年, 内蒙古及长城沿线区、青藏区、西南区和长江中下游区的耕地撂荒率仍然略有上升, 其他农业区的核密度曲线变化已趋于稳定。

4 主导因素分析

4.1 单因子探测

首先, 借助 SPSS 工具进行 VIF 检验。逐步回归法的步进概率 Entry 和 Removal 分别设置为 0.05和 0.10, 12 个因素的 VIF 值均小于 5, 平均 VIF 值为1.27, 表明不存在多重共线性问题。然后, 利用 R语言对 2020 年的中国耕地撂荒进行单因子探测分析, 获得各因素对耕地撂荒空间分异解释度的 q 统计值(表 3), 所有因素均通过显著性检验(p<0.05)。

从全国尺度看, 对耕地撂荒空间分异解释度最强的 5 个主导因素中, 有 3 个是自然环境因素, 分别是土壤类型(32.24%)、高程(21.55%)和地貌类型(20.24%), 有两个是经济社会因素, 分别是人口密度(23.58%)和乡村人口占比(20.96%), 上述因素的 q 值均大于 20%。此外, GDP(19.62%)、耕地破碎度(17.55%)、城乡收入差距(13.37%)以及年平均气温(12.86%)的 q 值也大于 10%, 对耕地撂荒的空间分异也有较强的解释度。从机理解释看, 土壤为农作物生长提供必要的养分, 不同土壤类型的物理性质不同, 例如褐土因其良好的渗水保水性能, 相比于pH 值过高的碱土, 更适宜农作物生长, 因此以褐土为主的耕地被撂荒的可能性更低。对于高程和地貌类型, 与平原和丘陵相比, 海拔更高的山地, 耕种条件通常更差, 耕地被弃种的可能也越大; 同样, 人口密度越低的地区, 劳动力越少, 主动弃种导致耕地撂荒的可能性越大。

从农业区尺度看, 大部分因素在东北区和黄土高原区都表现出对耕地撂荒空间的分异有较强的解释度, 12 个因素的平均 q 值分别达到 25.77%和20.48%。与之相反, 大部分因素在甘新区、青藏区和华南区表现出对耕地撂荒空间分异的解释度较弱, 12 个因素的平均 q 值分别为 7.03%, 8.07%和6.71%。除甘新区外, 高程、地貌类型、土壤类型以及人口密度等因素对农业区尺度耕地撂荒的空间分异有较强的解释度。年平均降水量、乡村人口占比、人均 GDP 以及城乡收入差距等因素对农业区尺度耕地撂荒空间分异的解释度较弱。年平均气温过高或者过低, 都不利于农作物生长, 该因素对耕地撂荒空间分异的解释度, 在不同的农业区表现并不相同, 东北区最高(33.31%), 华南区最低(2.42)。东北区属于温带季风气候, 无论是年内还是日内, 温差都比属于热带季风气候的华南区更大, 因此在东北区, 由于气温不适宜导致耕地撂荒的可能性比华南区更高。

4.2 双因子交互探测

在单因子探测的基础上, 利用 R 语言对前述 12个因素进行双因子交互探测分析, 获得各因素组合对耕地撂荒空间分异解释度的 q 统计值(表 4), 所有因素均通过显著性检验(p<0.05)。

从整体上看, 所有因素组合的探测结果均为非线性增强或双因子增强, 都存在不同程度的协同效应。从分组来看, 自然环境因素中, 土壤类型、耕地破碎度、年平均气温以及年平均降水量 4 个因素在组内交互探测中对耕地撂荒空间分异表现出较强的解释度, 说明这 4 个因素的内部协同效应较强。与之相反, 经济社会因素的 5 个因素在组内交互探测中表现出较弱的解释度, 即内部协同效应较弱。自然环境因素中, 高程、坡度、地貌类型以及土壤类型 4 个因素在与经济社会因素的交互探测中表现出更强的解释度, 存在显著的协同效应。例如, 所在区域的坡度越大, 或者土壤类型是不适于农业生产的碱土, 加上人口密度越低, 从事农业生产的劳动力越少, 就更有可能导致耕地撂荒。

从具体因素来看, 土壤类型在单因子探测中普遍表现出较强的解释度, 在双因子交互探测中, 与其他 11 个因素组合后, 交互探测类型多为双因子增强, 解释度均值高达 42.20%。与之相反, 坡度和人均 GDP 在单因子探测中普遍表现出较弱的解释度, 在双因子交互探测中, 与其他因素的组合的交互探测类型仍然大多是非线性增强。此外, 因素组合MAT∩DEM, MAT∩GT, URG∩ST 和 URG∩PGDP的交互探测类型都是非线性增强, 协同效应较弱。

5 总结与讨论

5.1 讨论

耕地撂荒是一个包含“耕地撂荒”和“撂荒耕地”两方面含义的概念, 前者强调耕地的农业生产功能的消失过程, 是本文关注的重点, 后者是耕地荒废的最终表现形式[12,33]。20 世纪 50 年代起, 西欧部分国家开启快速城镇化进程, 山区农业活动随之减少甚至停止, 耕地收缩带来自然植被恢复, 成为“国家森林转型”的逆过程, 耕地撂荒问题开始引起学界关注[33]。但是, 放弃耕种是一个动态且复杂的现象, 具有渐变性、不稳定性和空间零散性等特征, 目前对耕地撂荒的定义和年限界定尚未统一[34]。法国、乌克兰和日本等国家对耕地撂荒的界定年限为 1～5 年不等[35–36]。FAO 在 1995 年将耕地撂荒界定为“至少 5 年没有被用于农业生产或其他农业目的的可耕地”[36]。国内学界多以 2011 年土地整理与储备国际研讨会对耕地撂荒的界定为依据[2], 本文沿用这一标准, 将转变为除不透水面外的其他地类持续 2 年以上的耕地视为耕地撂荒, 且不再区分撂荒过程中涉及的生态退耕。

从研究方法上看, 相比于抽样调查法和文献荟萃法, 本文选择的遥感监测方法更适用于全国尺度的耕地撂荒数据信息提取。区域农户抽样调查适用于小尺度的案例研究。有学者通过返乡大学生获取全国 2994 个农村家庭的耕地撂荒数据, 这是中国山区县级尺度耕地撂荒的首次定量评估[37], 还有学者分析中国梯田撂荒的程度和空间分布[38], 但全国层面的抽样调查费时费力, 不适用于长期监测。有学者利用文献荟萃法, 通过梳理文献资料, 建立全国1980—2002 年的耕地撂荒数据库[39], 还有学者整合1992—2017 年 20 个省份 165 个县的耕地撂荒数据[40]。由于耕地撂荒研究案例数量有限, 文献荟萃法的可靠性仍然不足。当然, 本文选择土地利用轨迹变化检测法, 过程相对繁琐, 并且, 如果卫星影像观测周期不完全一致, 可能错过耕地撂荒检测的最佳时机, 30m 的分辨率也可能不足以精准地反映山区细碎和零散耕地的变化情况[41]。未来的工作中, 可以利用多源遥感影像融合, 引入随机森林和深度学习等方法[42], 提高耕地撂荒信息检测的准确度。

主导因素分析有助于理解耕地撂荒的形成机理, 研究结果可以为耕地保护和撂荒风险评价提供依据[43]。需要说明的是, 诸如“退耕还林还草”政策, 显然会对耕地撂荒产生重要影响, 但该政策与高程、坡度和土壤类型等自然环境因素密切相关, 尤其在胡焕庸线两侧区域。正是由于相对脆弱的生态环境, 促使国家实施更大力度的生态退耕[8]。“退耕还林还草”是中国生态政策强制实施的结果, 而一般的耕地撂荒多是耕地收益下降造成的[29], 为避免多重共线性问题, 本文未将其引入计量模型。自然环境和经济社会的主导因素在不同的地区普遍存在[22], 本文选择高程及人口密度等 12 个因素, 它们在全国和农业区尺度都对耕地撂荒的空间分异表现出不同程度的解释度。中国地域广阔, 覆盖多个气候带及农业区, 耕地撂荒的主导因素在不同的时空尺度可能存在差异[26,43]。有研究发现, 务农机会成本上升以及农业劳动力析出是宁夏南部山区耕地撂荒的主要原因[44]。对于贵州西北高原地区, 农业收益低下, 生产条件差, 农业劳动力不足则是耕地撂荒的主要原因[45]。本研究中, 坡度和 GDP 等因素在东北区和黄土高原区都表现出对耕地撂荒的空间分异有较强的解释度, 在甘新区和青藏区则刚好相反, 可能与区域自然环境及经济发展基础有关。耕地破碎度会增加农业活动的通勤成本, 导致耕地撂荒, 但破碎化的耕地也可能是基于自然条件, 规避农业生产风险的结果[46]。本文的研究结果也表明, 耕地破碎度在东北区和黄土高原区表现出差距较大的解释度, 验证了主导因素存在区域响应差异。

5.2 总结

本研究基于 CLCD 数据, 构建 2000—2020 年中国耕地撂荒的空间分布数据集, 利用空间分析工具, 刻画中国耕地撂荒的空间集聚性和空间均衡性特征, 分析耕地撂荒空间分异的主导因素, 得到如下结论。

1)中国耕地撂荒面积和撂荒率呈现持续增长趋势。2000—2020 年, 撂荒面积从 255.96×104hm2增长到 3113.03×104hm2, 撂荒率从 1.29%增长到14.08%, 耕地面积年均增加 143.23×104hm2。以胡焕庸线为界, 中国耕地撂荒率的空间分布呈现动态性和稳定性特征。撂荒率较高的区域主要分布在胡焕庸线西侧。黄淮海区、长江中下游区及东北区的东北平原, 撂荒率相对较低。2011—2020 年, 大部分地区的撂荒率逐渐稳定, 撂荒面积年均增加 76.97 ×104hm2, 明显低于 2000—2010 年的 199.87×104hm2。2020 年, 青藏区和内蒙及长城沿线区的撂荒率最高, 分别达到 30.34%和 29.59%, 远高于全国均值 14.07%。

2)中国耕地撂荒具有显著的空间自相关性。从空间集聚性看, 2000 年, 撂荒率 LISA 聚类“高–高”集聚区主要分布在东北区的大兴安岭和小兴安岭地区, “低–低”集聚区主要分布在黄淮海区、东北区的东北平原、西南区的四川盆地以及长江中下游区的北部和西部。2000—2020 年, “高–高”集聚区持续扩大, 集中分布在胡焕庸线两侧区域, “低–低”集聚区的空间分布总体上保持稳定。从空间均衡性看, 研究期内, 在中国耕地撂荒水平持续上升的同时, 农业区内部开始出现两极分化现象, 耕地撂荒水平的空间差异先扩大, 然后趋于稳定。

3)单因子探测结果显示, 2020 年, 土壤类型、人口密度、高程、乡村人口占比及地貌类型等 5 个因素对中国耕地撂荒空间分异的解释度较强。12个因素中, 大部分在东北区和黄土高原区都表现出较强的解释度。与之相反, 大部分因素在甘新区、青藏区和华南区的解释度较弱。双因子交互探测结果显示, 所有因素组合的类型均为非线性增强或双因子增强, 但自然环境因素组内部的协同效应明显高于经济社会因素组。组间交互探测结果显示, 与自然环境因素组合后, 经济社会因素会更显著地影响中国耕地撂荒的空间分异。

本文存在一定的局限性。首先, 利用遥感监测技术提取的耕地撂荒信息, 侧重体现从耕地转为其他地类的土地性质变化, 并不能代表耕地面积的减少规模。实际上, 2000—2020 年, 我国通过土地整治、耕地复垦及耕地占补平衡等手段, 保持了耕地面积的总体稳定。其次, 本研究暂未关注因农户减少生产成本投入而导致的隐性撂荒、季节性撂荒以及不同类型耕地的撂荒差异, 下一步可以结合实地调查等手段, 对耕地撂荒类型进行更细致的区分。此外, 未来研究中应该对耕地撂荒带来的生态环境及社会经济效应进行全面的综合评估, 借助多元回归等计量工具, 分析主导因素与耕地撂荒率之间准确的函数关系, 更好地服务于耕地保护政策的制定与实施。

[1] 程维明, 高晓雨, 马廷, 等. 基于地貌分区的 1990 —2015 年中国耕地时空特征变化分析. 地理学报, 2018, 73(9): 1613–1629

[2] 李升发, 李秀彬. 耕地撂荒研究进展与展望. 地理学报, 2016, 71(3): 370–389

[3] 李广泳, 姜广辉, 张永红, 等. 我国耕地撂荒机理及盘活对策研究. 中国国土资源经济, 2021, 34(2): 36–41

[4] 李雨凌, 马雯秋, 姜广辉, 等. 中国粮食主产区耕地撂荒程度及其对粮食产量的影响. 自然资源学报, 2021, 36(6): 1439–1454

[5] 周伟, 石吉金, 范振林. 基于粮食安全和生态安全的耕地生态保护研究. 中国土地科学, 2023, 37(7): 125–134

[6] Smaliychuk A, Müller D, Prishchepov A V, et al. Recultivation of abandoned agricultural lands in Ukraine: patterns and drivers. Global Environmental Change, 2016, 38: 70–81

[7] Löw F, Prishchepov A V, Waldner F, et al. Mapping cropland abandonment in the Aral Sea Basin with MODIS time series. Remote Sensing, 2018, 10(2): 159

[8] 杨通, 郭旭东, 于潇, 等. 撂荒地监测方法与生态影响述评. 生态环境学报, 2020, 29(8): 1683–1692

[9] Díaz G I, Nahuelhual L, Echeverría C, et al. Drivers of land abandonment in Southern Chile and implications for landscape planning. Landscape and Urban Plan-ning, 2011, 99(3/4): 207–217

[10] 陈欣怡, 郑国全. 国内外耕地撂荒研究进展. 中国人口·资源与环境, 2018, 28(增刊2): 37–41

[11] 王容, 李贤, 黄毅祥, 等. 关中平原西部耕地季节性撂荒的农户行为机理研究. 水土保持研究, 2022, 29(2): 372–379

[12] 李升发, 李秀彬. 中国山区耕地利用边际化表现及其机理. 地理学报, 2018, 73(5): 803–817

[13] 梁流涛, 翟彬. 基于PRA和LCA方法的农户土地利用行为环境效应评价——以河南省传统农区为例. 中国土地科学, 2015, 29(5): 84–92

[14] Novara A, Gristina L, Sala G, et al. Agricultural land abandonment in Mediterranean environment provides ecosystem services via soil carbon sequestration. Science of the Total Environment, 2017, 576: 420–429

[15] Yin H, Brandão A, Buchner J, et al. Monitoring cro-pland abandonment with Landsat time series. Remote Sensing of Environment, 2020, 246: 111873

[16] 冯茂秋, 潘洪义, 朱芳, 等. 不同撂荒耕地类型空间格局及影响因素研究——以德阳市中江县为例. 西南农业学报, 2018, 31(6): 1260–1266

[17] Morell-Monzó S, Estornell J, Sebastiá-Frasquet M T. Comparison of Sentinel-2 and high-resolution imagery for mapping land abandonment in fragmented areas. Remote Sensing, 2020, 12(12): 2062

[18] Müller D, Leitão P J, Sikor T. Comparing the deter-minants of cropland abandonment in Albania and Romania using boosted regression trees. Agricultural Systems, 2013, 117: 66–77

[19] Van Vliet J, de Groot H L, Rietveld P, et al. Mani-festations and underlying drivers of agricultural land use change in Europe. Landscape and Urban Planning, 2015, 133: 24–36

[20] Zheng Y, dos Santos Luciano A C, Dong J, et al. High-resolution map of sugarcane cultivation in Brazil using a phenology-based method. Earth System Science Data, 2022, 14(4): 2065–2080

[21] Su Y Y, Wu S K, Kang S G, et al. Monitoring cropland abandonment in Southern China from 1992 to 2020 based on the combination of phenological and time-series algorithm using landsat imagery and Google Earth engine. Remote Sensing, 2023, 15(3): 669

[22] Chen Q R, Xie H L. Research progress and discoveries related to cultivated land abandonment. Journal of Resources and Ecology, 2021, 12(2): 165–174

[23] Subedi Y R, Kristiansen P, Cacho O, et al. Agricultural land abandonment in the hill agro-ecological region of Nepal: analysis of extent, drivers and impact of change. Environmental Management, 2021, 67: 1100–1118

[24] Vidal-Macua J J, Ninyerola M, Zabala A, et al. Envi-ronmental and socioeconomic factors of abandonment of rainfed and irrigated crops in northeast Spain. Applied Geography, 2018, 90: 155–174

[25] Zhou T, Koomen E, Ke X. Determinants of farmland abandonment on the urban–rural fringe. Environmental Management, 2020, 65: 369–384

[26] Prishchepov A V, Radeloff V C, Baumann M, et al. Effects of institutional changes on land use: agricul-tural land abandonment during the transition from sta-tecommand to market-driven economies in post-So-viet Eastern Europe. Environmental Research Letters, 2012, 7(2): 024021

[27] 王劲峰, 徐成东. 地理探测器: 原理与展望. 地理学报, 2017, 72(1): 116–134

[28] 宋宪强, 梁钊雄, 周红艺, 等. 基于决策树与时序NDVI变化检测的耕地撂荒遥感监测——以四川省凉山州普格县为例. 山地学报, 2021, 39(6): 912–921

[29] 王亚辉, 杨遨郗, 辛良杰, 等. 中国不同类型耕地撂荒时空分异及其影响因素研究——基于全国 346个山区县的调查数据. 地理研究, 2024, 43(8): 1977–1993

[30] 王刚, 廖和平, 温涛. 重庆南川村域耕地撂荒成因及分异机制与调控. 地理学报, 2024, 79(7): 1824–1841

[31] 李俊高. 耕地撂荒的时空嬗变特征、影响因素及分类治理对策——以四川省为例. 世界地理研究, 2024, 33(10): 180–188

[32] 陈文波, 肖笃宁, 李秀珍. 景观指数分类、应用及构建研究. 应用生态学报, 2002, 13(1): 121–125

[33] Zheng Q M, Ha T, Prishchepov A V, et al. The neglected role of abandoned cropland in supporting both food security and climate change mitigation. Nature Communications, 2023, 14(1): 6083

[34] 肖国峰, 朱秀芳, 侯陈瑶, 等. 撂荒耕地的提取与分析——以山东省庆云县和无棣县为例. 地理学报, 2018, 73(9): 1658–1673

[35] Su Y, Li T X, Cheng S K, et al. Spatial distribution exploration and driving factor identification for soil salinisation based on geodetector models in coastal area. Ecological Engineering, 2020, 156: 105961

[36] 联合国粮食及农业组织. 亚太区域粮食和农业发展指标选辑 1996—2006. 北京: 中国农业出版社, 2009

[37] 李升发, 李秀彬, 辛良杰, 等. 中国山区耕地撂荒程度及空间分布——基于全国山区抽样调查结果. 资源科学, 2017, 39(10): 1801–1811

[38] Dong S J, Xin L J, Li S F, et al. Extent and spatial distribution of terrace abandonment in China. Journal of Geographical Sciences, 2023, 33(7): 1361–1376

[39] 刘成武, 李秀彬. 1980 年以来中国农地利用变化的区域差异. 地理学报, 2006, 61(2): 139–145

[40] 张学珍, 赵彩杉, 董金玮, 等. 1992—2017 年基于荟萃分析的中国耕地撂荒时空特征. 地理学报, 2019, 74(3): 411–420

[41] 欧阳许童, 张璇, 李维庆, 等. 基于 Sentinel-2 和Landsat卫星时序数据的耕地撂荒识别. 测绘通报, 2023(8): 57–62

[42] He S, Shao H, Xian W, et al. Extraction of abandoned land in hilly areas based on the spatio-temporal fusion of multi-source remote sensing images. Remote Sen-sing, 2021, 13(19): 3956

[43] Jiang Y L, He X K, Yin X G, et al. The pattern of abandoned cropland and its productivity potential in China: a four-years continuous study. Science of The Total Environment, 2023, 870: 161928

[44] 田玉军, 李秀彬, 辛良杰, 等. 农业劳动力机会成本上升对农地利用的影响. 自然资源学报, 2009, 24(3): 369–377

[45] 葛霖, 高明, 胡正峰, 等. 基于农户视角的山区耕地撂荒原因分析. 中国农业资源与区划, 2012, 33 (4): 42–46

[46] Deininger K, Savastano S, Carletto C. Land fragmenta-tion, cropland abandonment, and land market operation in Albania. World Development, 2012, 40(10): 2108–2122

Spatial-Temporal Pattern Evolution and Leading Factors of Farmland Abandonment in China from 2000 to 2020

1. Power China Guiyang Engineering Corporation Limited, Guiyang 550081; 2. Department of Urban and Economic Geography, College of Urban and Environmental Sciences, Peking University, Beijing 100871; 3. Laboratory for Earth Surface Processes (MOE), College of Urban and Environmental Sciences, Peking University, Beijing 100871; †Corresponding author, E-mail: jijunm@pku.edu.cn

Abstract This paper constructed a dataset of China’s abandoned farmland from 2000 to 2020, and analyzed the evolution characteristics and leading factors of the spatial pattern. The findings are as follows. 1) From 2000 to 2020, the abandoned area and abandonment rate showed a continuous growth trend, with the abandoned area increasing from 255.96×104 hm2 to 3113.03×104 hm2, and the abandonment rate increasing from 1.29% to 14.08%. The areas with a higher abandonment rate were concentrated in the west side of the Hu Line. 2) There was a significant spatial autocorrelation of farmland abandonment. The “high-high” agglomeration area continued to expand and was concentrated on both sides of the Hu Line, while the “low-low” agglomeration area was mainly distributed in the eastern plain area. Meanwhile, as the abandonment rate continued to rise, a phenomenon of polarization emerged within agricultural regions. 3) In 2020, five factors, including soil type, population density, elevation, rural population proportion and geomorphic type, had strong explanatory power to the spatial differentiation of farmland abandonment. The results of two-factor detection showed nonlinear or double-factor enhancement, and the synergistic driving effect within the natural environmental factor group was stronger. On the basis of natural environmental factors, the explanatory power of socio-economic factors was obviously enhanced.

Key words farmland abandonment; spatio-temporal pattern; leading factors; China