粮食主产区耕地非粮化空间格局分异及其成因

常媛媛，刘俊娜，张琦，于昊辰，卞正富，陈浮，2*

（1.中国矿业大学公共管理学院，江苏 徐州 221116；2.中国矿业大学低碳能源研究院，江苏 徐州 221008）

从20 世纪90 年代起，我国步入快速工业化和城市化发展阶段，平均每年有2.94×105hm2耕地被非农化[1]，同时吸引大量农村劳动力外流，对农业形成比较利益低下和粮食需求旺盛的双重压力。在经济利益驱使下一些高收益农作物大面积替代粮食作物[2]，仅2019 年粮食播种面积就下降了9.70×105hm2。“非粮化”导致的粮食生产力隐性损失已远大于“非农化”的显性损失，严重危害粮食安全、生态安全与社会稳定[3]。如何妥善解决非粮化问题已成为政府与公众关注的焦点[4-6]，2020年11月国务院办公厅印发《关于防止耕地“非粮化”稳定粮食生产的意见》，要求严格控制耕地转化为林地、园地等其他类型农用地。此外，近几年工商资本大量流向乡村也加速了耕地非粮化[7]。粮食安全是国家稳定与发展的基石，气候异常、疫情蔓延和粮食贸易封锁更加凸显遏制非粮化的重大意义。

国家明令禁止耕地非粮化，2021 年3 月1 日施行的《农村土地经营权流转管理办法》也要求严格防止耕地非粮化，明确土地经营权流转要确保农地农用，优先用于粮食生产。但禁止非粮化的政策执行很难落实到位，主要有三方面原因：一是种粮效益低下，地方政府和农户均缺乏积极性。孔祥斌[8]、祝洪章[9]、高晓燕等[10]从不同角度证实了上述原因是非粮化的驱动作用，并分析了非粮化对国家粮食安全的负面影响。二是土地流转和工商资本逐利促进了非粮转化。SETO 等[11]发现外来投资拉动、规划不科学、管理不当致使珠三角经济区耕地和粮食生产能力损失严重。廖富洲等[12]分析了土地流转过程中承包人逐利行为对非粮化的影响，并从限制不当流转入手提出防止耕地过度非粮化的措施与建议。三是非粮化不像非农化直接导致耕地损失，其危害较小。非粮化行为多数属于农业内部结构调整，涉及种植农户的利益，无法“一刀切”。此外，一些特定的因素，如种植规模[13]、产业结构[14]、家庭特征[15]和惠农政策[16]也影响非粮化。尽管先前研究已涉及非粮化诸多方面，但主要围绕非粮化状况、原因、对策及影响因素，宏观政策或定性分析多[17-19]，小尺度或实地核查研究近乎空白。这主要与先前的认知有关，一般认为非粮化多为农业内部结构调整、耕地未被占用、危害小，没必要投入大量的人力、财力进行实地核查或高分辨影像监测。然而，对非粮化及空间特征的精准评估对当前耕地保护工作和国家粮食安全形势尤为重要。

城市化极大地改变了区域土地利用状况，形成了以非农化为特征的空间格局。同时受比较利益和机会成本等影响，周边粮食主产区内耕地遭挤占，使之极易非粮化。然而，先前研究对粮食主产区内部的非粮化问题关注极少。徐州市属于黄泛冲积平原，耕地是最主要利用类型，约占土地总面积的60%，一直是国家重要的粮食主产区，永久基本农田保护率高达90%，但近年城市化、工业化发展迅猛，城乡发展差距大，且受采矿等活动干扰严重，非粮化外部动力强劲，可作为复杂因素影响粮食主产区非粮化的典型案例。故本研究选择徐州市作为研究区域，旨在厘清粮食主产区耕地非粮化的总体态势，揭示非粮化空间分异特征及成因，为今后耕地保护规划、惠农政策调控提供科学依据。

1 材料与方法

1.1 研究区概况

徐州市位于江苏省西北部（116°22′～118°40′E、33°43′～34°58′N），下辖5个区63个街道（镇）（图1），属暖温带季风性气候，年均气温14 ℃，年均降水量880 mm。研究区以平原为主（面积占比90%），是传统的粮食主产区。近20年社会经济发展迅速，2020年城市化率已达66.5%。同时，徐州市又是传统的老工业基地，城市扩张、工业化和采煤等人类活动占用周边农业空间。尽管城市周边已划定了环状永久基本农田保护区，但非粮化趋向时刻威胁着耕地保护和粮食安全。

图1 徐州市城区行政区划图Figure 1 Xuzhou City administrative division map

1.2 数据来源与处理

本研究数据包含土地利用和社会经济数据。为便于后续研究，对耕地作如下严格界定：①自然资源管理部门土地利用变更数据库内的耕地（简称“法定耕地”，记为LF）；②划入永久基本农田范围内的耕地（简称“永保耕地”，记为BF）；③划入粮食生产功能区与重要农产品生产保护区的耕地（简称“两区耕地”，记为FF）。详见技术路线图（图2）。

图2 研究技术路线Figure 2 Technical flow of the study

（1）数据来源：①土地利用现状数据、镇级行政边界、永久基本农田数据库、高分二号卫星影像来源于徐州市自然资源与规划局；②粮食生产功能区与重要农产品生产保护区划定成果来源于徐州市农业农村局；③Landsat 8遥感影像来源于中国地理空间数据云平台（http：//www.gscloud.cn/）；④社会经济发展数据来源于《徐州统计年鉴2018》、2018 年铜山区农村社会经济统计台帐和2018 年贾汪区农村社会经济统计台帐；⑤土地流转情况来源于徐州市农村产权交易信息服务平台（http：//xzs.jsnc.gov.cn/）。

（2）数据处理：从2019 年土地利用现状数据库中提取法定耕地范围，匹配0.8 m 分辨率的高分二号卫星影像，采用目视解译法，共取得31 470 个非粮用途图斑，占全部耕地图斑的25.32%。并对鼓楼区全部1 171 个非粮化图斑进行无人机实地校核，仅14 个图斑目视解译有误，总体误差率为1.20%。依据《土地利用现状分类》（GB/T 21010—2017），并结合实际情况，将非粮化地块分为菜地、辅助生产用地、园地、林地、草地5个类型，但后3类面积极小，故合并分析。

（3）数据分析：选取2018 年户籍人口、常住人口、农业人口、非农业人口、农业收入、非农业收入、农业利用外资额、农业机械总动力、土地流转率、农业合作社数、交通区位等11 个社会经济因素，运用空间自相关分析与冗余分析探寻非粮化的主要驱动因子。其中，交通区位量化选取镇为评价单元，以0～10 km、10～20 km、>20 km 为区间划分至高速公路出入口、距区中心距离、距市中心距离作缓冲分析，并分别赋予这3个指标权重为0.5、0.3、0.2，其他10个因素按最大值标准化计算分值。

1.3 研究方法

1.3.1 空间自相关分析

Global Moran′sI可以揭示区域某一属性的空间分布与邻近区的相关性及相关程度，能直观地反映某种空间现象的关联性与差异性[20]，见公式（1）：

式中：n为研究区内镇（街道）的总个数；xi和xj分别为第i和j单元的观测值；xˉ为研究区所有单元的平均值；wij是每个单元空间权重矩阵；I值范围为[-1，1]，I>0时为正相关，空间要素的属性呈集聚性分布；I<0时为空间负相关，空间要素属性呈离散化分布；I=0时为随机分布。

全局空间自相关主要研究空间要素整体分布特征，前提条件是研究区内空间具有同质性，但难以衡量空间局部集聚及其空间异质性，仍需进一步探究局部空间关系。Local Moran′sI可以从局部尺度分析与周边空间差异水平[21]，以期探究非粮化空间格局特征及成因，详见公式（2）：

式中：Ii>0 表示第i镇各社会经济环境指标与周围镇域差异显著性较小，均质性和集聚性较强；反之，差异显著性较大，均质性和集聚性较弱。

1.3.2 冗余分析

冗余分析（RDA 分析）是基于线性模型的限制性排序分析方法，可用降维度、可视化等方式，以特定排序轴长度及两轴间夹角的二维空间展示[22]，揭示非粮化与社会经济因素之间的非线性响应关系。为此，选取LF、BF、FF 中非粮化占用面积作为因变量，选取户籍人口、常住人口、农业人口、非农人口、农业收入、非农收入、农业机械总动力、交通区位、土地流转率、农业利用外资额和农业合作社数作为自变量。冗余分析需要两个数据矩阵，本研究以徐州城区58 个街道为研究单元，对3 个因变量LF、BF、FF 作一个3×58 维数据矩阵；对11 个自变量作一个11×58 维驱动因子矩阵。随后，利用Canoco 5.0 进行数量统计检验和冗余分析[23]。

2 结果与分析

2.1 粮食主产区耕地非粮化的总体特征

对2018 年目视解译和无人机实地核查的非粮化用途类型数据进行分类统计，并将数据纳入LF、BF和FF数据库（表1）。从表1可以看出：LF范围内非粮化面积为15 002.05 hm2，占耕地比例为10.25%。菜地、辅助生产用地、园林草地分别占用9 582.57、1 199.81、4 219.67 hm2，占耕地比例为6.55%、0.82%、2.88%。BF 范围内非粮化面积为7 727.80 hm2，占耕地比例为7.30%；菜地、辅助生产用地、园林草地分别占用5 817.91、58.37、1 851.51 hm2，占耕地比例为5.49%、0.06%、1.75%。FF 范围内非粮化面积为2 076.52 hm2，占耕地比例为2.67%，菜地、辅助生产用地、园林草地分别占用1 739.88、16.47、320.17 hm2，占耕地比例为2.24%、0.02%、0.41%。总体来看：LF、BF 和FF范围内非粮化率呈现递减趋势，LF 范围内非粮化面积与非粮化率均高于BF 和FF，表明管制政策越严越有利于控制非粮化，坚守最严格的耕地保护制度对国家粮食安全十分必要。

表1 2018年徐州市不同范围内耕地非粮化特征Table 1 Characteristics of cultivated land non-grain conversion in different ranges of Xuzhou City in 2018

为进一步分析区位的影响，将贾汪、铜山归并为郊区，鼓楼、泉山、云龙合并为城区（图3）。结果表明：徐州市LF 范围内非粮化率为10.25%，低于全国平均值[24]，且BF 和FF 范围内非粮化率更低；郊区LF、BF、FF 范围内非粮化率分别为9.46%、6.91%、2.67%，远低于城区LF 和BF 范围内非粮化率（23.02% 和23.14%）。城区单元尽管非粮化面积少，但非粮化率却远高于郊区；菜地面积和占比均为最高，LF、BF 和FF 范围内分别为6.55%、5.49%、2.24%。经济效益相对高且靠近市场的菜地是非粮化的主要类型，今后政策管理上要适度考虑菜地发展的合理化需求。

图3 2018年徐州市不同区位非粮化比例Figure 3 Proportion of cultivated land non-grain conversion in different locations of Xuzhou City in 2018

2.2 粮食主产区耕地非粮化的空间格局分异

2.2.1 不同范围内耕地非粮化的空间格局

按LF、BF 和FF 不同范围划分，耕地非粮化空间分布如图4 所示。可以看出：非粮化空间格局具有异质性。菜地分布最广，但相对集中于铜山西北部与南部、贾汪西南部和鼓楼东北部。园林草地相对少，集中分布于G104 沿线及坡地。辅助生产用地总量少，分布极为零散。从LF、BF至FF范围内非粮化率逐渐减小，但菜地占比却不断提高。2018 年全国蔬菜种植约为2 000 万hm2，占非粮化总面积的45.0%。本研究中菜地面积在LF、BF 和FF 内逐渐减少，与非粮化面积变化趋势一致，但在LF、BF 和FF 范围内占比从63.90%逐渐升至83.58%。

图4 2018年徐州市不同范围内耕地非粮化空间格局Figure 4 Spatial patterns of cultivated land non-grain conversion of different ranges in Xuzhou City in 2018

为进一步细化非粮化空间分布，以镇为单元提取LF 范围内非粮化面积及比率（图5）。从图5 可知：非粮化面积在南部最为集中，西北部次之，中部最少。非粮化面积超过500 hm2的乡镇达6 个，均分布于铜山区。但非粮化率则呈中部高、外围低的分布格局。有17 个镇级单元非粮化率高于30%，城区泰山街道等6 个街道非粮化率超过50%，但非粮化面积却极小。

图5 LF范围内徐州市镇级单元非粮化面积及非粮化率Figure 5 The area of cultivated land non-grain conversion and its rate at town level in Xuzhou City

2.2.2 不同范围内耕地非粮化的特征分异

将非粮化率作为观测变量，评判不同范围内非粮化的分异特征，具体参数见表2。在置信度95%水平上，3 个范围内Global Moran′sI均大于0，说明镇级单元非粮化率存在显著空间集聚性。从LF、BF至FF范围内Global Moran′sI指数逐渐减小，反映3 个范围内非粮化率格局差异越来越低。

表2 2018年徐州市耕地非粮化率Global Moran′s I及其检验Table 2 Global Moran′s I and test of cultivated land non-grain conversion rate in Xuzhou City in 2018

引入Local Moran′sI进一步分析各镇级单元非粮化率的空间集聚程度（图6），结果发现：在LF范围内，存在2 个高-高集聚区，包含鼓楼和泉山的7 个街道，非粮化率高且与邻近单元差异小；存在1 个高-低集聚区，为庞庄街道。其位于城郊边缘，本身耕地少，菜地、辅助生产用地和园林景观占用多，因此非粮化率远高于邻近的单元。在BF 范围内，存在1 个连片高-高集聚区。从贾汪区大吴街道向西南一直延伸至云龙区大龙湖街道，这是城市向外拓展的主要发展方向，反映了城市建设对周边永久基本农田非粮化的压力。此外，庞庄街道仍为高-低集聚区，其他区域无显著集聚特征。在FF 范围内，存在2 个高-高集聚区，分别位于铜山区何桥镇、黄集镇以及贾汪区紫庄镇。其余区域无显著集聚特征。对比3 个范围内非粮化率分异特征，发现高-高集聚区单元呈先增大后减小趋势，也兼有先集中再分散的趋势。LF 和BF 范围内非粮化率有一定的空间异质性。但这种异质性在FF 范围内明显减弱，这也表明了FF 范围内耕地质量和管制程度更高。

图6 2018年徐州市耕地非粮化率空间集聚图Figure 6 Spatial agglomeration of cultivated land non-grain conversion rate in Xuzhou City in 2018

2.3 粮食主产区耕地非粮化的成因

由于非粮化率与剔除共线性后的社会经济多因子回归并不显著，因此采用RDA 分析来探索社会经济变量的间接梯度，从而解释影响非粮化面积的关键因子。利用Monte Carlo 置换检测对社会经济变量进行预选（表3），总体来看：社会经济变量解释了91.85%的非粮化面积特征向量的变化，其中第一、第二排序轴特征值分别为73.68%、4.19%，两个排序轴解释了73.68%的非粮化面积变化及77.87%非粮化面积与社会经济因子之间关系，冗余分析排序效果较好。此外，第一、第二排序轴相关系数分别为92.49%和60.38%，表明所选的社会经济变量与各单元非粮化面积之间关系密切。

表3 耕地非粮化特征向量与社会经济解释变量的RDA结果Table 3 RDA result of eigenvalues change of non-grain conversion with all variables

图7 显示了非粮化面积特征向量与各驱动因子及不同区域间RDA 排序，可以看出：不同范围内非粮化存在象限差异，LF 和BF 非粮化面积落于第1 象限且与第一、二轴均为正相关，FF 则位于第4 象限。LF和BF范围内非粮化面积特征向量与社会经济因子中户籍人口、土地流转率、农业利用外资额、农业人口呈显著正相关，这表明在远郊区非粮化行为更容易发生在农业人口多、土地流转率高的单元，如图7（b）中的铜山区或贾汪区。FF 范围内非粮化面积特征向量与社会经济因子中农业收入、农业机械总动力和农业合作社数呈显著正相关，这表明FF 范围内非粮化现象更容易发生在农业收入高、农业机械总动力强和农业产业化多的单元，如城区周边菜地生产基地。LF、BF和FF范围内非粮化面积特征向量与社会经济因子中非农业人口、交通区位、非农业收入形成钝角，说明呈现显著负相关。粮食与其他经济作物的收益差距致使种植缺乏吸引力，非农收入增加意味着非粮化面积扩大，且更多地发生于城区单元，如图7（b）中的主城区。由此可知，与种植业经济收益低下（农业收入、农业机械总动力）、工商资本介入（农业利用外资额、农业合作社数）以及土地流转等经济社会因子是粮食主产区耕地非粮化空间格局分异的主要驱动力。

图7 耕地非粮化特征值与社会经济因子之间的关系及不同区域排序的RDA结果Figure 7 RDA results of the relationship between eigenvalues of non-grain conversion and socio-economic factors，and the ranking of different regions

3 讨论

从实际核查结果来看，研究区域LF、BF 和FF 范围内耕地非粮化率分别为10.25%、7.30%和2.67%。这个水平是极为理想的值，远低于全国平均值27.0%[24]，更低于一些特定气候区非粮化率[19]。这表明尽管受城市化、工业化和采矿活动的影响，但作为传统的粮食主产区，徐州市耕地保护责任落实十分有效、执行有力，非粮化率一直保持低水平。但不同范围内非粮化面积和非粮化率差异较大，LF 范围内非粮化率分别是BF 和FF 的1.41 倍和3.82 倍。与此同时，LF、BF 至FF 不同范围内Global Moran′sI指数也逐渐减小，也进一步证实了非粮化率存在空间异质性。这种异质性归结于不同的经济社会因子驱动，但从根源上反映土地用途管制制度的作用，政策越严越有利于减少非粮化，坚守最严格的耕地保护制度对国家粮食安全十分必要。此外，不同区位耕地非粮化也差异显著，城区LF 和BF 范围内非粮化率分别为23.02%和23.14%，远高于远郊LF 和BF（9.46%和6.91%）。这说明距城市较近且经济效益相对低的种植业容易受到挤压，未来惠农政策应实行种植业优先、经济作物少补或不补的差别化农业政策。蔬菜种植是非粮化的主要类型，占比远超过60%，这与其他研究结果相似[24]。

一般认为种植业收益低[8]、工商资本介入[7]、资源禀赋差[13-15]以及土地流转[2，9]驱动了非粮化，但先前研究多为宏观或政策因素分析，极少从空间角度关注非粮化的形成机制。本研究表明，尽管代表种植业经济收益的农业收入和农业机械总动力、代表工商资本介入的农业利用外资额和农业合作社数，以及土地流转等经济社会因子仍是粮食主产区非粮化空间格局分异的主要驱动力，但不同区位耕地非粮化的驱动力不同，RDA 排序结果（图7b）揭示了城区与远郊耕地非粮化形成机制的差异。城区各单元非粮化面积与非农业收入、交通区位和非农人口等社会经济因子的箭头最为接近，其中非农业收入箭头最长，且与农业人口、农业收入、农业机械总动力、农业利用外资额和农业合作社数等因子较远，表明非农收入是城区耕地非粮化的关键驱动因子。远郊各镇级单元非粮化面积与农业机械总动力、土地流转率、农业人口和户籍人口均存在正相关关系，其中与农业机械总动力和农业合作社数这2 个因子关系最为密切，且农业机械总动力是远郊耕地非粮化的主控因子。与此同时，一些种植习惯也是非粮化的重要因素，如研究区域西北部长期种植蔬菜区及南部苗木基地，已形成稳定的生产-物流-销售网络，它们既是城市周边长期土地利用合理分工的结果，也是由经济社会高质量发展需求所决定的。此外，本研究还发现非粮化面积特征向量与交通区位之间呈负相关，说明非粮化态势在交通不便利地区更为严峻。祝洪章[9]发现交通便利导致土地流转费用高，农业机械使用及能源价格上涨导致生产成本上涨，二者共同降低了种植业收益。一些交通相对不便利的乡镇土地流转费用低、农业用工成本低，反而可能增加种植收益，促成更高的土地流转率，同时也增大了耕地非粮化的可能性，进一步佐证了本研究结果。

4 结论与建议

4.1 结论

受粮食种植收益低下、城市化扩张以及工商资本介入等多重因素影响，一些地区出现了严重的耕地非粮化倾向，严重威胁国家粮食安全和耕地保护的良好态势，亟需各界广泛重视。为此，本研究对徐州市周边124 265 个耕地图斑进行全面核查，发现31 470 个非粮化图斑，包含菜地、辅助生产用地和园林草地等3 大类，并结合社会经济因素揭示非粮化空间格局分异及其驱动因子。主要结论如下：

（1）粮食主产区非粮化率总体不高，以菜地占用为主。不同范围、不同区位非粮化率差异明显，耕地保护越严格越有利于控制非粮化。

（2）城区耕地非粮化率高，且更易于转为辅助生产用地或园林草地。远郊非粮化面积大，更易转为菜地。

（3）非粮化在不同耕地范围内均呈现一定的空间集聚性，但法定耕地范围内集聚最为显著。

（4）常住人口、户籍人口、土地流转率、农业人口、农业收入、农业利用外资额和农业机械总动力等多因素共同驱动了粮食主产区的非粮化，其中非农业收入是城区耕地非粮化的关键因子，农业机械总动力是远郊耕地非粮化的主控因子。

4.2 政策建议

不同范围、不同区位土地利用特点、资源禀赋和经济发展水平不尽相同，非粮化驱动力也不同。为此，应从三方面着手，切实加强粮食主产区非粮化问题管控，力保粮食安全。

（1）严控非粮化总量，摸清存量，遏制增量

耕地的多功能性决定了其利用的多元化。受经济利益驱动，部分耕地很难优先用于粮食生产。一些区域的种植习惯也是长期经营的结果，如徐州西北部蔬菜种植区和南部苗木花卉基地。但作为粮食主产区，应保证非粮化率的底线：一要统筹兼顾粮食安全、市场需求、耕地产能、生态保护、乡村振兴、区位条件等多重需求，审慎测算，严控非粮化总量；二要尽快摸清粮食种植与非粮食种植底数，按年度监测耕地使用状态，为分步、分类精准治理提供依据；三要杜绝永久基本农田和两区划定范围内新增非粮转化。此外，针对城市周边种植蔬菜、苗木花卉等非粮化行为，应实事求是、分类处置，避免“一刀切”。

（2）精准监控非粮化行为，有序引导种粮意愿

精准监控是高效监管的保证，本研究利用国产高分二号卫星影像结合土地利用现状数据库，采用目视解译和无人机实地核验方法清查非粮化。相比传统方法节省了大量的人力、物力和时间，且准确率高达98.8%，但仍耗时2 个月。未来应全方位监控不合理土地利用转换引发的“非粮化”问题，逐步修订现行农业补贴政策，摒弃按农户耕地面积发放补贴的形式。农业补贴应向粮食生产者倾斜，降低或取消非粮补贴，提高农户种粮积极性，弥补其种粮效益低下的损失。此外，要厘清乡村振兴、耕地保护与粮食安全三者间的辩证关系，工商资本下乡、激发农户种粮积极性和振兴乡村经济多措并举，统筹兼顾。

（3）规范流转行为，压实土地用途管制责任

规范土地流转行为，尤其是工商资本介入行为，依法明确非粮化的概念、类型、程度等“边界条件”，防止“搭便车”或“打擦边球”行为。加大对《农村土地经营权流转管理办法》的政策宣传与解读，向农民与基层干部普及相关知识，实现耕地优先用于粮食生产。同时，农业和自然资源管理部门应对流转耕地实施全程监管，深入了解流转前后耕地种植状况、农田健康状况以及经济效益状况，对不按规定执行、私自改变土地用途或破坏耕地的行为依法严惩，彻底遏制由土地流转导致的非粮化行为。