中國糧食主產區耕地“非糧化”時空演變特征及影響因素

曾 艷

華南理工大學公共管理學院，廣東 廣州 510640

0 引言

中國是人口大國，也是世界糧食進口大國。對中國來說，穩定糧食產量、保障糧食安全具有重大的戰略意義。但當前，中國面臨著嚴峻的糧食生產形勢：城鎮化、工業化發展導致的耕地數量減少與農民趨利動機下的農業產業結構調整進一步加劇了耕地“非糧化”。在這種情況下，如何遏制耕地“非糧化”成為政府、學界與公眾關注的熱點問題。2020 年11 月，國務院辦公廳印發的《關于防止耕地“非糧化”穩定糧食生產的意見》明確提出：“采取有力舉措防止耕地‘非糧化’，切實穩定糧食生產，牢牢守住國家糧食安全的生命線。”

相關研究表明，中國耕地“非糧化”水平整體上隨時間推進波動上升，其嚴重態勢由東北向西南逐漸遞增［1］。而學界對影響“非糧化”水平的因素分析表明：農戶自身因素中的性別、年齡［2］、收入水平及結構［3-4］，自然環境因素中的耕地質量［5］、區位［6］和地形［7］，社會經濟因素中的因成本與收益改變而不斷變化的種糧比較收益［8］、地區發展水平差異［9］，政策因素中的農地流轉政策［10］、農業補貼政策，以及部分鄉村振興措施［11］等因素都會影響區域耕地“非糧化”水平及發展趨勢。對此，學界認為，國家應穩定和完善種糧補貼政策，在加大對規模化糧食生產扶持力度［12］的同時，促使相關部門進一步細化農地利用類型［13］。此外，應從國家頂層設計出發，完善相應法律法規，從而協調好農業短期經濟效益與長期糧食生產安全之間的矛盾［8］。

由此不難看出，現有研究大多數都是在國家或者單個省、市、縣尺度上分析耕地“非糧化”的時空特征、影響因素與治理措施，對于全國13 個糧食主產區耕地“非糧化”情況的系統分析較少。糧食主產區作為全國糧食生產基地，在保障國家糧食安全中起到了關鍵作用，因此更應關注其耕地“非糧化”情況。基于此，筆者以全國13個糧食主產區為研究對象，通過計算1980—2020年每隔5年各區的“非糧化”率分析耕地“非糧化”時空分異特征，再根據對應年份的各區社會經濟相關統計數據探究其耕地“非糧化”影響因素，以了解中國糧食主產區1980—2020 年的耕地“非糧化”狀況及其變化情況，并根據相關影響因素提出對策建議。

1 研究區概況、數據來源與研究方法

1.1 研究區概況

2003 年財政部發布《關于改革和完善農業綜合開發若干政策措施的意見》，確定黑龍江省（含省農墾總局）、吉林省、遼寧省（不含大連市）、內蒙古自治區、河北省、河南省、山東省（不含青島市）、江蘇省、安徽省、四川省、湖南省、湖北省、江西省等13 個糧食主產區，涉及東北平原區、北方干旱半干旱區、黃淮海平原區、長江中下游地區和四川盆地等綜合農業區。國家統計局發布的數據顯示，2021 年糧食主產區糧食總產量約為5.36 億t，占全國總產量的78.5%；其中，北方7 個糧食主產區的糧食總產量約為3.42億t，占全國糧食總產量的50.0%［14］。

1.2 數據來源及處理

該研究涉及的13 個糧食主產區的社會經濟相關數據來源于《中國統計年鑒》（1981—2021 年）、《中國農村統計年鑒》（1981—2021 年）、各研究地1981—2021年的統計年鑒及統計公報。

1.3 研究方法

1.3.1 耕地“非糧化”水平測度

當前，中國糧食作物主要包括谷類作物、豆類作物和薯類作物3 種，非糧食作物則包括油料作物、糖料作物、蔬菜和瓜類等。在以往相關研究中，大多數學者用非糧食作物的播種面積與農作物總播種面積之比來測度區域耕地“非糧化”水平［8］。因此，此研究以“非糧化”率（非糧食作物播種面積占農作物播種總面積的比率）來衡量13 個糧食主產區的耕地“非糧化”水平。具體計算公式為

式（1）中：R為“非糧化”率，N為非糧食作物播種面積，G為農作物播種總面積。

1.3.2 空間自相關

空間自相關模型包括全局空間自相關和局部空間自相關，用于測度“非糧化”率的空間集聚程度及集聚中心的空間位置。

全局空間自相關是從區域整體上測度某一屬性的空間集聚或分散程度，常用全局莫蘭指數（Global Moran's I）表示。全局莫蘭指數（Ig）的取值范圍是［-1,1］，其值為正代表集聚分布，值為負代表離散分布，值為零代表隨機分布。因此，該研究可利用全局莫蘭指數來整體判斷13 個糧食主產區耕地“非糧化”率是否存在統計上的集聚或分散現象，具體計算公式為

局部空間自相關則用于探索集聚中心的空間位置。此研究利用局部莫蘭指數（Local Moran's I）識別“非糧化”率高值和低值的空間聚類特征。局部莫蘭指數（Il）大于0 表示某單元觀測值與周圍單元差異性顯著小，表現為高-高或低-低聚集現象；反之，局部莫蘭指數（Il）小于0 則表示與周圍差異性顯著大，表現為低-高或高-低聚集現象。計算公式為

式（2）和式（3）中：n為研究單元數；xi和xj分別為第i與j單元的觀測值；xˉ為全部單元的平均值；Wij為每一個單元的空間權重矩陣（i與j為相鄰單元則權重為1，不相鄰則權重為0）。

1.3.3 面板模型回歸

該研究采用面板數據模型實證分析各種自然因素及社會經濟因素對糧食主產區耕地“非糧化”水平的影響。構建的模型形式為

式（4）中：下標i和t分別代表第i個省（自治區）和第t年；Yit為因變量，即耕地“非糧化”水平；αit為模型的常數項；Xit為各影響因素，具體從各糧食主產區耕地資源稟賦、糧食種植成本、種糧比較收益、農村勞動力流失狀況、地區經濟發展水平、農民生活水平和城鄉居民收入差距等方面選取相應變量；βit為各影響因素的估計系數；εit為模型的隨機誤差項；N為糧食主產區數量，T為觀察時期總數（筆者采用13 個糧食主產區1980 年、1985 年、1990 年、1995 年、2000 年、2005 年、2010 年、2015年和2020年的面板數據，故N=13，T=9）。

2 實證結果分析

2.1 糧食主產區耕地“非糧化”時空演變特征分析

2.1.1 糧食主產區耕地“非糧化”時序特征

糧食主產區1980—2020 年整體耕地“非糧化”水平如圖1 所示。由圖1 可知，1980—2020 年，中國糧食主產區的耕地“非糧化”面積與“非糧化”率均于2005年達到峰值；整體來看，耕地“非糧化”水平經歷了先升后降、整體提高的波動變化。

圖1 糧食主產區耕地“非糧化”總面積和平均“非糧化”率

1980—2020，13 個糧食主產區的耕地“非糧化”水平具體情況如圖2和圖3所示。由圖3可知，2020年耕地“非糧化”水平較高的省份分別是湖南省（43.2%）、湖北省（41.0%）和四川省（35.2%），耕地“非糧化”水平較低的省份是黑龍江省（2.9%）、吉林省（7.7%）和安徽省（17.0%）。各個糧食主產區的耕地“非糧化”水平變化均呈現出先增后降的趨勢，整體波動水平較大，具體而言大致可以分為兩個階段。

圖2 各糧食主產區耕地“非糧化”面積

圖3 各糧食主產區耕地“非糧化”率變化

第一階段是1980—2005年（含2005年）。該階段，大部分糧食主產區耕地“非糧化”水平波動較大，均大致經歷了先升后降再升至最高值的過程。改革開放后，我國加速城市化，城市的發展對勞動力和建設用地需求量大增，從而直接導致農村耕地數量減少、種糧勞動力數量下降。同時，城市的發展增加了對蔬菜、瓜果等非糧食作物的需求量，供求關系的變化引導農戶在城市近郊區耕地上種植蔬菜、瓜果等非糧食作物。此外，逐漸寬松的農村土地流轉政策也讓種植大戶更易于將耕地集中連片種植經濟作物。這些因素均推動了1980—2005年糧食主產區耕地“非糧化”的發展。

第二階段是2005—2020 年。該階段，湖南省耕地“非糧化”水平持續上升，其他糧食主產區耕地“非糧化”水平均持續下降。該階段耕地“非糧化”率持續下降很大程度上得益于國家前期耕地保護政策的效果顯化及一系列加大保護耕地力度的舉措。但是，由于該研究的“非糧化”水平是以體現相對關系的非糧比衡量的，所以需要結合圖2 進行分析。從圖2 來看，2005—2020 年，四川省、湖北省和湖南省耕地“非糧化”面積整體上均呈增加的趨勢。這種部分糧食主產區耕地“非糧化”面積持續上升的趨勢是新時期調整耕地保護政策需要注意的。

2.1.2 糧食主產區耕地“非糧化”空間特征

根據研究區耕地“非糧化”的時序變化，選取13 個糧食主產區研究期中1980 年、2005 年和2020 年的耕地“非糧化”水平數據，利用ArcGIS 10.7 軟件，按照自然斷裂點法作可視化表達，結果如表1所示。由表1可知，研究期間，糧食主產區耕地“非糧化”水平空間差異格局顯著，整體呈現出南高北低的格局。分年度而言，1980 年，糧食主產區的耕地“非糧化”重心在湖北省、湖南省和江西省，耕地“非糧化”率在第三級及以上的省（自治區）占比約為38.46%；2005 年，糧食主產區整體“非糧化”率最高，耕地“非糧化”重心分別是湖北省和山東省，耕地“非糧化”率在第三級及以上的省（自治區）占比升至46.15%；2020年，整體耕地“非糧化”率下降，但耕地“非糧化”率在第三級及以上的省（自治區）占比為61.54%，其中四川省自1980 年開始耕地“非糧化”率等級始終保持上升狀態，內蒙古自治區耕地“非糧化”率等級也首次出現在第三級，“非糧化”重心出現向西、向北擴散的趨勢。

表1 1980年、2005年及2020年耕地“非糧化”率分級

將耕地“非糧化”率作為觀測變量，采用全局莫蘭指數（Ig）評判不同范圍內耕地“非糧化”的分異特征，具體參數見表2。由表2 可知，13 個糧食主產區耕地“非糧化”率的Ig在研究期內均為正數，且整體呈現出先變大后變小的趨勢。其中，1980 年通過P＜0.05 的顯著性水平檢驗，1985 年通過P＜0.01 的顯著性水平檢驗，而1990 年、1995 年、2000 年、2005 年、2010 年、2015年、2020 年則均通過P＜0.001 的顯著性水平檢驗。這說明13 個糧食主產區的耕地“非糧化”水平存在明顯的集聚分布特征，且隨著時間的流逝，這種空間相關性即集聚分布特征經歷了先強后弱的變化過程。

表2 研究期內Ig、Z得分和P值

為了更加清楚地了解特定省級單元內耕地“非糧化”水平的集聚狀況和模式，引入局部莫蘭指數（Il）進行深入分析，結果如表3 所示。由表3 可得出以下結論。

表3 1980年、2005年及2020年耕地“非糧化”率

第一，在1980 年、2005 年和2020 年，13 個省（自治區）始終存在一片耕地“非糧化”率高-高聚集區，涉及的省（自治區）數量先增后減，其中湖北省、湖南省和江西省3 個省份始終都處在耕地“非糧化”率高-高聚集區。這些省份的耕地“非糧化”率高且與鄰近省份差異小，主要是因為其均位于長江中下游地區，糧食種植易受自然災害影響；且其鄰近經濟發達、就業機會多、工資報酬高的省份，人口容易向外輸送，留在農村種植糧食的勞動力少。

第二，1980 年和2005 年均有耕地“非糧化”率低-高聚集區，其中1980 年為一片一個省份即河南省，2005 年為兩片兩個省份，分別是安徽省和四川省。這些省份人口眾多且擁有良好的農業基礎，耕地“非糧化”水平較低，且其鄰近高“非糧化”水平的地區，因此容易形成低-高聚集區。

第三，2005 年和2020 年均有一片“非糧化”率低-低聚集區，且均為黑龍江省、吉林省和遼寧省3 個省份。這些省份均屬于農業生產潛力極高的地區，糧食作物品質優良，尤其是東北大米具有廣大的國內外市場，加之是國家重要的商品糧基地，因此形成低-低聚集區。

2.2 糧食主產區耕地“非糧化”影響因素分析

2.2.1 變量選取與說明

根據相關研究［15-16］及13 個糧食主產區1980—2020 年相關數據的可得性，選取的因變量（Y）為13 個糧食主產區研究期內的“非糧化”水平，自變量（X）為地區耕地資源稟賦、糧食種植成本、種糧比較收益、農民生活水平、城鄉居民收入差距、種糧勞動力數量及地區經濟發展水平。為了便于測度，耕地“非糧化”水平以非糧食作物播種面積與農作物總播種面積之比來衡量，各自變量分別以人均耕地面積、農業生產資料成本、糧食產值占比、農村人均年收入、城鄉居民收入比、第一產業勞動力占比及人均GDP 來衡量。變量描述性統計如表4所示。

表4 變量描述性統計分析

2.2.2 模型估計結果與分析

靜態的面板數據模型估計方法主要有混合估計模型、固定效應（Fixed Effect，FE）模型和隨機效應（Random Effects，RE）模型3 種。筆者根據F檢驗和Hausman檢驗結果確定合適的模型估計形式。在進行回歸分析前，為了減少變量間的差異，先對農業生產資料成本、人均GDP 和農村人均年收入等變量做了取對數處理。在運用上述3種模型估計并進行對應檢驗后，發現F檢驗在1%的顯著水平下拒絕了原假設，這表明固定效應模型優于混合估計模型；而在Hausman檢驗中P值為0.002 6，這表明拒絕了“隨機效應模型更優”的原假設，因而選擇固定效應模型更恰當。為了便于比較，表5列出了混合估計模型和隨機效應模型估計結果。

表5 各模型回歸結果

由表5 的固定效應模型可知，對糧食主產區耕地“非糧化”水平具有顯著影響的因素分別是種糧比較收益（糧食產值占比）、城鄉居民收入差距（城鄉居民收入比）及種糧勞動力數量（第一產業勞動力占比）。

種糧比較收益對耕地“非糧化”具有顯著的負向作用，糧食產值占比每提高1%，耕地“非糧化”率降低約0.176%。種糧收益會直接影響農民的種糧意愿，而糧食作物與其他經濟作物相比具有種植成本高、收益低的特點，這是導致中國耕地“非糧化”面積不斷增加的根本原因。因此，一旦糧食生產收益有所提升，將會在一定程度上提高農民的種糧積極性，從而抑制耕地“非糧化”。

城鄉居民收入差距對耕地“非糧化”具有顯著的正向作用，城鄉居民收入比每提高1%，耕地“非糧化”率提高約0.025%。城鄉居民收入差距讓農村居民看到了種植糧食甚至是從事農業的機會成本，差距越大意味著其放棄非農就業的損失越大，這導致農民從事農業生產的積極性降低，從而間接導致耕地“非糧化”。

農村勞動力數量對耕地“非糧化”具有顯著的負向作用，第一產業勞動力占比每提高1%，耕地“非糧化”率降低約0.171%。中國農業生產具有小農經濟特點，糧食種植需要青壯年勞動力。城鎮化背景下，農村勞動力的流失讓農業生產面臨勞動力短缺的問題，最終導致耕地“非糧化”率提升。

此外，耕地資源稟賦、農民生活水平及糧食種植成本對糧食主產區耕地“非糧化”水平作用并不顯著，而地區經濟發展水平雖然在固定效應模型中回歸系數為負值且沒有通過顯著性檢驗，但在另外兩個模型中，回歸系數均為正值且均通過了1%的顯著性檢驗，因此，地區經濟發展水平對耕地“非糧化”率有一定程度上的正向作用。

3 結論與建議

3.1 結論

筆者以13 個糧食主產區在1980—2020 年每5 年一期的耕地“非糧化”水平為研究對象，首先從時間維度分析研究區域“非糧化”水平的變化情況，然后根據階段特征選出1980 年、2005 年和2020 年的“非糧化”水平數據，再利用ArcGIS 10.7 的自然斷點法對這3 年的數據作可視化表達，用全局空間自相關和局部空間自相關方法分析其空間分布特征。主要結論如下。

①時間上，1980—2020 年，全國13 個糧食主產區耕地“非糧化”水平先升后降，其中中部省（自治區）“非糧化”率持續居于高位。

②空間上，1980—2020 年，全國13 個糧食主產區的耕地“非糧化”分布有強烈的集聚特征，且該特征隨時間變化而強化，中部地區多存在高-高集聚狀態，東北地區則多是低-低集聚狀態。

③種糧比較收益（糧食產值占比）、城鄉居民收入差距（城鄉居民收入比）及種糧勞動力數量（第一產業勞動力占比）等對糧食主產區耕地“非糧化”水平有顯著影響。

3.2 建議

3.2.1 調整惠農政策，維護農民種糧利益

中國自2004 年開始對種糧農民實行直接補貼，但各糧食主產區耕地“非糧化”面積仍然持續增加，且目前以糧食產值占比、城鄉居民收入比為代表的社會經濟因素仍然對糧食主產區耕地“非糧化”水平影響較大。因此，國家及各地方政府應該適時調整各項惠農政策支持力度，補貼范圍應以糧食種植為主，且惠農資金應直接發放給實際糧食種植者而非承包戶，通過縮小種植糧食作物與種植非糧食作物間的收益差距來提高農民種糧積極性。

3.2.2 優化農業設施，提升農業科技水平

除了種糧比較收益外，農村第一勞動力占比也對當前糧食主產區耕地“非糧化”水平產生了顯著影響。對此，國家及各地方政府應加大對農田水利基礎設施建設的投入，大力發展農業耕種機械化與農業技術信息化，通過提升農業科技水平來降低農村第一產業勞動力日漸流失對耕地“非糧化”的影響。

3.2.3 關注區域差異，有序精準遏制“非糧化”

13 個糧食主產區耕地“非糧化”水平與影響因素各不相同。因此，一方面要關注糧食主產區耕地“非糧化”的整體趨勢，對耕地資源稟賦、種糧比較收益等共性因素“對癥下藥”；另一方面，要關注各糧食主產區的差異，根據各地實際情況，分階段、有重點地解決耕地“非糧化”問題，以大糧食觀為指導，實現有序、精準地遏制耕地“非糧化”。