重庆丘陵山区耕地非粮化时空变异及驱动类型划分

谢雨琦，王子芳，王颖，郑杰炳，向书江，高明

（1.西南大学资源环境学院，重庆 400715；2.重庆市规划与自然资源局，重庆 404599；3.重庆地质矿产研究院，重庆 401120）

中国作为世界上人口最多的国家，其粮食生产与安全是关系到经济运行、社会安定、国家安全的重要战略问题[1-2]。我国在过去的几十年里，通过建立比较完整的耕地保护政策体系，有效地减少因城市扩张导致的耕地大规模流失[3]，但仅关注耕地面积的维持和耕地向建设用地转化还不够，随着国家粮食安全战略的实施，耕地内部的非粮化现象逐渐受到高度重视。“非粮化”被定义为将大量耕地转化为非粮食生产，如花卉或苗圃种植、家禽养殖和农业旅游等活动的行为[4]。非粮化活动可以为农民带来收益，缩小城乡差距，但同时也会改变耕地利用方式、减少耕地数量、削弱耕地质量，对区域生态环境造成威胁，过度非粮化还会造成对粮食生产前景高估的情况[5]，这会进一步威胁粮食安全。2020 年11 月，国务院办公厅印发了《关于防止耕地“非粮化”稳定粮食生产的意见》，要求采取有力举措抑制耕地过度非粮化，政、学两界均重视起耕地非粮化问题。

当前，学者围绕“非粮化”进行了大量研究，研究成果主要在于揭示非粮化活动现状、潜在原因。陈浮等[6]的研究揭示了中国非粮化率呈现西北和东南高、东北和中部低的分布格局，且不同省份的非粮化状况差异明显。孟菲等[7]指出2016 年后我国非粮作物种植出现显著提升，2017—2018 年耕地非粮化水平增长了0.39%。这说明我国面临着保证粮食安全的重大挑战，并且有必要讨论非粮化的影响机制。戚渊等[8]、曾雅婷等[9]围绕农地资本化、农地流转与非粮化的关系进行分析，认为耕地地价上涨是非粮化重要的诱因，程宪波等[10]在“人”“地”“业”“制”多元框架下，讨论了在城镇化快速发展地区耕地非粮化易受人口老龄化特征和自然禀赋的影响。也有大量研究围绕粮食主产区、经济发达地区，建立RDA 模型[11]、地理加权回归模型[12]、统计模型[8]，从自然与经济方面分析非粮化的影响因素，发现农业产业政策[12]、农业人口数量[13]、机械化水平[14]对非粮化有不小的影响。综上所述，以往研究已对“非粮化”进行了丰富的研究，但仍存在不足之处：①研究多集中于粮食主产区和沿海城市，忽视了西南丘陵山区自然、经济的差异特征，致使研究结果不全面；②在驱动因素方面，没有将经济、自然条件与区位和农业生产等因素综合考虑，没有分析出完整的影响机理；③少有研究对某一区域非粮化驱动类型进行划分，未能提出针对性、差异化的应对措施。鉴于此，本研究以重庆市作为研究区域，分析2011—2020 年重庆市耕地非粮化率的时空特征，并在区位、经济发展、农业生产能力、农业生产投入和农业生产禀赋综合框架下讨论重庆市耕地非粮化的影响机理，并对非粮化驱动类型进行了划分，从而提出差异化的管控政策。

重庆市作为长江上游地区经济中心，在过去10年间城市建设扩张蔓延[15]，产业的发展使得耕地占用以及非粮化现象增多。近几十年来重庆市粮食产量曲折上行，2021重庆市粮食单产为5.27 t·hm-2，农业产值为159.6 亿元，均处于我国中等偏下的位置。第三次全国国土调查数据表明，重庆市要以187万hm2耕地满足3 016 万人口的粮食需求，压力巨大。从粮食自给率来看，重庆市粮食安全能力靠后，不及邻近的四川，因此亟需寻求新的粮食安全战略。作为丘陵山区内陆的特大城市，重庆市发展格局有明显的大城市带大农村的特征，渝东南地区的区县仍保留着大量的农业生产活动，易受自然因素和社会经济的影响[16]，由此可见确保重庆市粮食生产自给能力对于西南区域稳定发展和粮食安全具有重要意义，因此探究其耕地非粮化时空演变、驱动因素以及分区管理，不仅可以为重庆市耕地非粮化管控提供科学依据，而且为其他同类型丘陵山地城市农业可持续发展和政策制定提供参考。

1 材料与方法

1.1 研究区概况

重庆市是长江上游地区经济中心，介于东经105°11′～110°11′、北纬28°10′～32°13′之间，如图1所示，重庆市东邻湖北、湖南，南接贵州，西邻四川，北连陕西。重庆地势整体由南北向长江河谷逐级降低，西北部和中部以山地、丘陵为主，东南部邻接大巴山和武陵山两大山脉，坡地较多，素有“山城”之称。

图1 研究区位置Figure 1 Geographical location of the study area

1.2 数据来源

重庆市下辖38 个区县行政单元，因渝中区为全面城建区没有耕地，因此将其剔除，本研究涵盖了其余的37 个区县；耕地粮食播种数据、耕地面积以及相关的社会经济数据来源于《重庆统计年鉴》、《中国农村统计年鉴》、第三次全国国土调查成果和各区县的统计年鉴；气候生产潜力指数查阅自《农用地质量分等规程》；DEM 数据下载自地理空间数据云服务平台（http：//www.gscloud.cn/）中的ASTER GDEM 产品，空间分辨率为30 m。

1.3 研究方法

1.3.1 非粮化测度

界定“非粮化”的概念是研究耕地非粮化的重要前提，许多学者采用流转后非粮食作物播种面积占流转总面积的比例[17]、粮食收入占总收入的比例[18]、种植经济作物的家庭农场数量占比[19]来反映耕地非粮化的水平。非粮作物种植比例可以表征某一区域种植比例及种植结构上“非粮化”[7，20]，鉴于重庆市所公开数据的权威性、可获得性和相关研究结果[21]，本研究将耕地非粮化界定为种植结构的非粮化。以各区县的非粮食作物播种总面积与农作物播种总面积的比值来表征非粮化率，计算公式如下：

式中：P为耕地非粮化率，%；G表示粮食作物的播种面积，hm2；C为农业作物的播种总面积，hm2。

1.3.2 空间自相关模型

（1）全局自相关可以反映某一属性在一个区域空间内的集聚程度和分散情况，能够反映空间邻域单元属性值的相似程度[22]，可判断非粮化率在空间上是否存在集聚或分散现象，全局莫兰指数（Global Moran′sI）公式如下：

式中：xi为区域i的观测值；Wij是空间权重矩阵。Global Moran′sI的取值范围为[-1，1]，I大于0 代表集聚分布，I小于0代表离散分布，I等于0代表空间单元之间相互独立。

（2）局部空间自相关则能够表示每个局部单元与全局总趋势相符的程度，并揭示数据的空间异质性[23]，利用局部莫兰指数（Local Moran′sI）可以识别非粮化率高值和低值的空间关联模式，公式如下：

Local Moran′sI的取值不限于[-1，1]，因此通过以下公式对其进行统计检验：

1.3.3 指标体系构建

耕地“非粮化”受自然因素与社会经济因素的影响较大，以整体性、适宜性、科学性和数据可得性为原则，从自然、区位、社会经济、农业生产能力、农业生产投入和农业资源禀赋6 个维度选取指标来构建耕地“非粮化”驱动因子指标体系（表1）。

表1 耕地非粮化水平驱动因子指标体系Table 1 Index system of driving factors for non-grain level of cultivated land

地形地貌因素会制约和影响土地的利用方式及程度，坡度越大，种植蔬菜、水果、茶叶等经济作物收益更高，趋向于“非粮化”；海拔高低变化引起的温度变化会影响该区域种植作物的生长，因此选用坡度和海拔作为自然条件的衡量指标。

重庆市具有明显的分区发展模式，距离中心城区较近的区县经济水平高、粮食需求大、交通运输条件好，这样的区位条件会影响区域农业生产的方向，因此选择各区县距中心城区距离作为衡量区位条件的指标。

一个地区的经济发展水平会影响农户收入水平，进而影响和改变其种植作物的选择，地区生产总值可以表征一个地区的经济发展水平，城镇化率能反映区域的城镇化进程，农村人均可支配收入和城乡人均可支配收入差距可以反映出农村经济特征以及城乡发展的差距，因此选择以上4 个指标来衡量社会经济的发展水平。

农业发展的状况对耕地非粮化也有较大影响，粮食单产和农业生产总值能反映研究单元的粮食生产能力和农业生产规模；从投入-产出的角度来看，农业生产的投入也会影响粮食生产与农户的种植选择，因此选用农业机械总动力、农药化肥施用量、农业劳动力占比来表征其农业生产投入水平；某地所拥有的耕地面积决定其农业生产的上限，会影响农户的利用方式，而气候生产潜力指数能够反映在农业气候条件达到理想最优时农作物所能达到的最高产量。因此选用以上指标来衡量农业发展的整体状况。

1.3.4 地理探测器

地理探测器是一种探测分析空间分异性及其背后驱动力的一组统计学方法[27]。其核心理论是：若某自变量对某因变量产生影响较大，那么自变量与因变量的空间分布格局应趋于一致[28]。因子探测器中q统计量值可以用来评判自变量对因变量空间分异的解释力，q值为0则因变量与自变量无关，q值为1则表明该自变量完全解释了因变量的空间分布。公式如下：

式中：h为因子X或变量Y的分层（分类或分区），h=1，2，…，L；Nh和N分别为层h和全区单元数和σ2分别是层h和全区Y值的方差。

交互作用探测用于识别不同风险因子间的交互作用，通过分析两个因子叠加之后的q值与原单个因子q值的关系来判断不同因子之间的交互作用及其强度，因子交互类型的划分见表2。

表2 因子交互作用类型Table 2 Types of factor interaction

1.3.5 耕地非粮化驱动类型划分

主成分分析法基于线性代数、支持向量机等相关理论，通过降维处理将多个因子转化为一个或几个综合指标[29]，获得原始资料反映的特征信息，本研究采用主成分分析法提取重庆市耕地非粮化驱动因子的综合指标。K均值聚类法通常将样本数据依据某种特征划分为n组，在选择初始聚类中心的基础上，依据距离规则反复迭代以确定最终分组[30]。基于主成分得分，利用K均值聚类法可以得到耕地非粮化不同的驱动类型。

2 结果与分析

2.1 重庆市耕地非粮化时空演变特征

重庆市耕地非粮化率上升明显，2011—2020 年耕地非粮化率平均值由37.51%上升至42.87%，增长了5.36 个百分点。非粮化率最高值由2011 年的98.63%降为2020年的76.22%，最低值由21.18%增长为27.21%。

参考前人的研究[6，25]，在使用自然断点法使非粮化率各组分类差异最大化的基础之上，适度调整分类界限，以更好地对比两个年份重庆市耕地非粮化情况的差异，本研究将重庆市耕地非粮化程度划分为3 个等级：低度非粮化（非粮化率≤35%）、中度非粮化（35%＜非粮化率≤50%）、高度非粮化（非粮化率＞50%）。重庆市耕地非粮化在空间上呈现出较强的差异性（图2），总体呈现西南高东北低的格局，2011—2020 年空间分布格局变化显著，2011 年高度非粮化区域集中于中心城区，中度分布于主城新区并逐步向东南城镇群蔓延，至2020 年，低度非粮化仅存于渝东北山区。统计结果（表3）表明，2011—2020 年重庆市中度非粮化水平的区县增加了12 个，高度非粮化水平的区县增加了2 个，说明重庆市耕地非粮化水平呈现由低度向中高度转化的趋势。

表3 不同程度非粮化区县数量与占比Table 3 The number and proportion of districts and counties with different degrees of non-grain cultivated land

图2 重庆市耕地非粮化空间格局Figure 2 Spatial pattern of non-grain cultivated land in Chongqing

2011 年和2020 年重庆市耕地非粮化的全局Moran′sI通过90%和95%的置信度检验，Z值为正且均大于临界值1.65，说明重庆市耕地非粮化的空间分布格局有较强的正相关性。研究期内，重庆市耕地非粮化全局Moran′sI上升，由2011 年的0.14 上升为2020年的0.18，说明重庆市非粮化的空间聚集程度随着区域的发展而加大。

图3 展示了重庆市耕地非粮化集聚的空间分布格局，重庆市耕地非粮化的空间集聚类型以高-高集聚和低-高集聚为主，2020 年重庆市高-高集聚的区县有5 个，均为重庆市中心城区。高值聚类区位于经济发展水平较高的城建区，城市化的推进以及农业生产的多样性促使耕地利用脱离了粮食生产，因此非粮化程度很高。低-高集聚的区县一直保持在6 个，均围绕着中心城区分布，这些区县是重庆的主城发展新区，其经济发展并不成熟，承接中心城区的功能与产业转移，对于耕地的使用仍然以保证粮食生产为主，因此形成低高聚类。低-低集聚分布于渝东北，该区域在重庆市“一区两群”的规划中被视为生态涵养发展区，城镇化进程较慢，农业生产本底较好，有良好的粮食生产条件，因此非粮化率较低。

2.2 重庆市耕地非粮化驱动力

2.2.1 因子探测结果

基于地理探测器“因子探测”模块可确定14 个驱动因子对耕地非粮化空间分异的贡献率以及重要性。14 个因子均通过显著性检验，探测结果（表4）表明，重庆市耕地非粮化空间分布差异受多种因子共同驱动，各因子按照q值降序排列为：城乡居民人均可支配收入差距（0.380）＞城镇化率（0.360）＞各区县距主城区距离（0.357）＞农业劳动力占比（0.334）＞农业机械总动力（0.327）＞GDP（0.309）＞高程（0.227）＞气候生产潜力指数（0.221）＞坡度（0.216）＞农药化肥使用量（0.211）＞农村人均可支配收入（0.201）＞农业总产值（0.170）＞粮食单产量（0.145）＞耕地面积（0.134）。

表4 单因子探测结果（q值，P＜0.01）Table 4 Single factor detection results（q statistic value，P＜0.01）

结果显示，社会经济、区位和农业生产投入因子对重庆市耕地非粮化的空间解释力度较强，城乡人均可支配收入差距的q值最大，其可以看作是其他一些因子影响下的综合体现，具体影响机理如图4 所示。距离中心城区越近的区县非粮化率越高，这与空间自相关的分析结果相印证，中心城区是经济发展的核心，该区域高度非粮化区县集聚，是因为其经济的发展使得GDP 逐年增加、城镇化率不断提升，这导致区县耕地使用更多地脱离粮食生产的功能，转而种植经济效益更高的经济作物或者寻求生产性调整，城区具有了很强的辐射和吸收能力，不断吸引乡村人口向城区流动，由此造成了乡村劳动力的流失，农业劳动力占比低的区县受制于劳动力不足会减少粮食作物种植，最终导致城乡发展割裂、乡村衰落，城乡可支配收入差距增大，非粮化率升高。尽管经济作物的种植能一定程度上增加农民收益，但并不能弥补农村发展上的缺陷和不足，仍然无法缩小城乡居民的收入差异。

图4 重庆市耕地非粮化影响机理Figure 4 Influence mechanism of cultivated land in Chongqing

农业机械总动力对耕地非粮化的解释力也较强，是一个正向指标。“巴掌田、鸡窝地”是重庆市土地资源自然禀赋的短板，山地丘陵地形使得耕地破碎化，从而限制了耕地的使用效率。重庆于2004 年颁布实施的《农业机械化促进法》和2005 年以后国家实施的农机购置补贴政策都促使重庆农业机械化水平的提高，在“十二五”期间整体机械化率由26%提升至42%，至2017 年已达47.2%。进行土地整理、提高农机应用率可以降低粮食种植成本，提升种粮效率，从而提高农民的种粮意愿。

2.2.2 因子交互探测结果

重庆市耕地非粮化率的空间变异交互探测结果（图5）表明，任意两因子的相互作用均大于单一因子的解释力，且因子交互类型多为非线性增强。

图5 因子交互探测热力图Figure 5 Heat map of factor interaction detection

各区县距中心城区距离与城乡居民可支配收入差距因子交互对非粮化空间格局的影响最强，q值高达0.98；农村人均可支配收入∩城乡可支配收入差距的q值达0.95，说明经济因子的交互也能很好地解释非粮化空间格局的形成；城镇化率∩各区县距中心城区距离、农业劳动力占比∩各区县距中心城区距离，以及农业劳动力占比∩农业机械总动力的q值均在0.9 以上，从交互类型来看，区位因子和经济因子、农业投入类的因子交互后对重庆市耕地非粮化空间分异的解释力极强，说明重庆市非粮化情况与区位密切相关，在空间上有明显的划分，因此有必要进行分区探讨。自然条件与社会经济、区位条件与社会经济的交互增强了对非粮化现象的解释力，如高程、粮食单产量等单因子在与其他因子交互后具有很强的解释力，说明重庆市耕地非粮化分异是不同影响因素共同作用的结果。其余交互因子q值未达到0.9，但交互后解释力均有很大的提升，表明双因子较单一因子对非粮化空间分异影响程度更高。

2.3 重庆市耕地非粮化驱动类型

2.3.1 划分方法

利用主成分分析方法对所选的14 个指标进行主成分提取，以确定影响耕地非粮化的主要因子。主成分分析所得KOM 值为0.773，通过显著性检验，说明主成分分析可行。前3个主成分的特征值（表5）依次为5.63、3.45、1.39，其累积贡献率占总方差百分比的74.81%，说明前3 个主成分可以涵盖14 个指标的信息，因此选用前3 个主成分作为耕地非粮化驱动类型划分的依据。

表5 主成分特征值与贡献率Table 5 Eigenvalues and contribution rates of principal components

成分矩阵（表6）表明，第1 主成分在区县距中心城区距离、城镇化率、农村人均可支配收入等因子上具有较大载荷，将该主成分归为经济与区位因子；第2 主成分在农业生产总值、粮食单产量、农业机械总动力、化肥农药施用量上有较大载荷且呈正相关，可归为农业生产投入与产出因子；第3 个主成分在气候生产潜力指数、城乡人均收入差距上有较大载荷，气候条件决定了农业发展的适宜性，而城乡收入差距可以体现农村、农业的发展状况，因此将此归为农业发展条件因子。

表6 成分矩阵Table 6 Component matrix

计算各区县在3 个因子上的主成分得分，依据该得分进行K均值聚类分析，以判别不同的非粮化驱动类型，聚类分析结果（图6）表明：第一类在农业生产投入与产出因子上得分较高，第二类在经济与区位上得分较高，第三类在农业发展条件因子上得分高于另两类。因此认为重庆市耕地非粮化驱动类型可以划分为三类：农业生产支持型、经济区位引导型和农业生产弱化型。

图6 分类主成分得分Figure 6 Classification principal component scores

2.3.2 重庆市非粮化驱动类型划分

通过K均值聚类分析最终获得了重庆市37 个区县耕地非粮化驱动类型的划分结果（图7），该划分结果与重庆市区域发展规划——“一区两群”格局一致（图8），各类型指标平均值见表7：

表7 非粮化各驱动类型指标均值Table 7 Mean values of non-grain indicators of each driving type

图7 非粮化驱动类型划分Figure 7 Classification of non-grain driving types

图8 重庆市“一区两群”规划图Figure 8 Planning diagram of“One district and two groups”in Chongqing

（1）农业生产支持型：共计12 个区县，大部分属于重庆市的主城新区，以中度非粮化为主，平均耕地非粮化率为41.77%。该类型区县围绕中心城区分布，经济发展迅速，交通区位条件较好，其在农业化肥、机械总动力、农业生产总值等指标上均值最高，说明该类型有大量的农业投入并且农业生产能力很强。上述特征表明农业生产支持型的非粮化区县符合其经济发展的态势，良好的区位条件促使其不断向中心城区的发展靠近，但并未完全丧失农业生产的功能。

（2）经济区位引导型：共计16 个区县，是最主要的非粮化驱动类型（43.24%），平均非粮化率仅为38.56%，主要分布在渝东北和渝东南城镇群，“城镇群”的主要目的是在不破坏生态的前提下固定过剩劳动力[31]，这极大地影响了其农用地的使用。该类型GDP、城镇化率、农业生产总值均值是三种类型里最低的，距主城区的距离也最远，经济发展与城镇化较缓，使得农业从业人口中从事农业的比例最高，“两翼”生态保护的定位，也确保了对耕地的保护和使用。

（3）农业生产弱化型：共计9 个区县，多位于中心城区，是非粮化程度最严重的类型，平均耕地非粮化率为52.02%。该类型气候生产潜力指数最低，说明农业生产的自然条件弱于其他两个类型，其城乡居民可支配收入差距最大。这是由于该类型的区县着力发展二三产业以实现区域经济的完善，多数已发展为城建区，导致农业发展萎缩，缺少农业生产条件，因此促进了非粮化率的升高。

3 讨论

3.1 重庆市耕地非粮化时空格局与驱动力

本研究表明，重庆市整体处于中度非粮化状态，耕地非粮化存在空间依赖性，与城市经济发展和区域功能规划密切相关，经济发展水平越高的地方越容易产生非粮化行为，同时非粮化活动因产业发展、风俗习惯以及村民间相互学习和借鉴而易形成集聚[4]。因子探测结果表明，城乡居民人均收入差异对重庆市非粮化空间格局分异的解释力最强，由此推测重庆市耕地非粮化的影响机理本质上是城乡发展的二元制导致了农村发展衰弱、农业劳动力流失、农业投入减少，从而加重了地区的非粮化率。对比张颖诗等[25]对广东省非粮化的研究发现，两地同为山地丘陵地形区，其缺少了农业机械化对非粮化影响的探讨，山地丘陵的破碎化是导致农作物种植困难和产量低下的重要原因[32]，且耕地破碎化对于促进非粮化有较强的正向作用[33]，因此进行土地综合整理与规划、提高机械化水平对于丘陵山地地形区来说是遏制过度非粮化的重要手段，但在机械化应用过程中应合理引导，不能完全为了提高效益只种植经济作物而忽视了粮食生产，要避免种植结构的失衡。

当前研究多针对中国整体的非粮化情况进行探究，聚焦市、县等中微观尺度的研究较少，以往以中国[7]、山东[14]、广西[24]、广东[25]为研究区域探究耕地非粮化影响因素的研究采用地理加权回归、随机森林、线性回归等方法探讨了单个因子与非粮化之间的相关性，而未考虑多个因素交互后对耕地非粮化的作用及影响。本研究使用地理探测器发现，重庆市耕地非粮化受两个因子交互的影响均大于单个因子的影响，且区位因子与经济、农业生产条件类因子交互后解释力极强，说明重庆市耕地非粮化受区位、经济的引导作用较大，而双因子交互后解释力增强也证明非粮化分异形成原因具有复杂性，是多因素共同作用的结果。

3.2 耕地非粮化分区管控措施

通过主成分分析以及K均值聚类方法，本研究对重庆市非粮化驱动类型进行了划分，所得划分结果与重庆市“一区两群”的发展规划一致，说明“一区两群”不仅是经济发展、区域发展的规划，同时也可以作为重庆市非粮化分区精准管控的参照。

（1）农业生产弱化型：耕地非粮化率因城区经济发达且农业生产禀赋较弱，要以城市周边永久基本农田划定成果为依据，调整耕地和基本农田保护目标，优化调整农用地结构，鉴于其核心带动功能和产业升级引领区的发展定位，应利用都市核心区良好的粮食需求市场和销售渠道确保种粮农民的收入，以维系耕地的粮食种植功能。

（2）农业生产支持型：经济发展潜力大、速度快，城镇化进程快，作为主城新区仍保有农业发展的能力，该类型应加快培育农民合作社、家庭农场等新型农业经营主体，创新股权合作机制和农业经营模式，完善利益联结机制，实现小农户和现代农业有机衔接，应在土地合同中明确耕地用途和作物种类，避免违约情况的发生，防止无序无理的非粮化行为。对耕地土层损害较小的非粮种植行为可被适度允许，一些生态农业一体化耕作模式，如稻鱼一体化、稻羊一体化不会过度脱离粮食生产，同时又可以提高耕地产出效率和农民收入，不仅符合了区域经济发展、促进了乡村振兴，也一定程度上保障了粮食生产安全。

（3）经济区位引导型：属于重庆市的生态涵养和保护区，也是重要的粮食生产区，高海拔以及远离主城区使其经济发展缓慢，该类型区县应从自然地理条件、农民种植意愿以及市场需求等角度考虑粮食作物与经济作物的种植结构，发展壮大现代山地特色高效农业，使产业发展与粮食生产协调同步，推广新型立体综合养殖农业以达到稳粮增效的目标。严格落实永久基本农田特殊保护制度，切实落实“两区”的建设和经营，并且利用遥感监测技术对易发生非粮化的区域进行监控，严控对生态和耕地土层破坏的非粮化行为。

本研究针对重庆市耕地“非粮化”进行了探究，除自然条件、经济区位等影响因素之外，还考虑了农村、农业的发展状况，以此阐明了城乡发展的割裂对耕地非粮化造成的影响。但驱动因素未包含土地流转及农户自身行为因素，也没有探明不同非粮化类型的占比、空间集聚程度以及成因，后续研究应利用区县乃至乡镇等微观尺度遥感数据进一步探讨耕地非粮化的时空变化特征及影响因素，更深入地了解耕地非粮化的驱动机制，为抑制过度非粮化、确保我国粮食安全提供更科学的政策依据。

4 结论

本研究选择重庆市37 个区县为研究单元，收集相关数据揭示山地丘陵山区的耕地非粮化空间格局及特征，识别驱动因子并进行驱动类型划分，主要结论如下：

（1）2011—2020 年重庆市平均非粮化率提升，中、高度非粮化区县的数量增加。重庆市耕地非粮化在空间上存在相关性，聚集程度随区域的发展而加强。中心城区是重庆市非粮化的热点区域，整体来看，重庆市耕地非粮化程度加深。

（2）单个因子探测中城乡人均可支配收入差距对重庆市耕地非粮化空间格局分布解释力最强，说明城乡发展割裂、乡村发展衰落导致耕地非粮化现象的增加。对于山地城市来说，提高机械化水平有助于抑制耕地非粮化趋势。双因子交互后解释力均明显增强，证明非粮化受多种因素的影响。

（3）重庆市非粮化驱动类型划分结果与重庆市城乡发展规划的“一区两群”格局一致，包括三种类型：①农业生产支持型，主要包含主城新区，位于渝西南；②农业生产弱化型，集中于中心城区，其农业生产条件本身较弱，加之经济产业的快速发展，导致平均非粮化率最高；③经济区位引导型，是最主要的非粮化驱动类型，分布于生态涵养与保护为主的两个城镇群，靠近山区，加大监控力度、寻求粮食生产与生态的平衡是关键。