粮食主产区农田利用绿色转型的时空动态与非线性驱动因素研究——以中国江苏省为例

《Land Degradation & Development》：Unraveling the Spatiotemporal Dynamics and Nonlinear Drivers of Green Transition of Farmland Use in Major Grain-Producing Areas: A Case Study of Jiangsu Province, China

　　

在主要粮食产区推动农田利用绿色转型（GTFU）对于保障粮食安全和推进农业可持续发展至关重要。然而，现有关于GTFU的研究主要依赖静态截面分析，对其非线性驱动机制关注不足。为填补这些空白，本研究基于“空间转型–功能转型–模式转型”框架，构建了江苏省县域GTFU评价体系。采用熵权法（entropy weight method）、标准差椭圆分析（standard deviation ellipse analysis）和马尔可夫链分析（Markov chain analysis）定量刻画2006–2022年GTFU的时空演化特征。进一步，将机器学习模型与SHapley Additive exPlanations（SHAP）相结合，揭示社会经济与环境驱动因素的非线性效应及交互作用。结果表明：研究期间江苏省GTFU总体提升，高水平集中于苏北，低水平见于苏南；全省呈现显著的空间不均衡，2010年后西北–东南方向的空间差异略有扩大；GTFU类别间的转移表现出强路径依赖，而邻近高GTFU水平的县域受益于正向空间溢出效应。社会经济驱动因素对GTFU的影响强于环境因素。在主导驱动因子中，人口密度和耕地非粮化程度分别在0.68人/0.1?ha和0.24处呈现阈值效应，先促进后抑制GTFU；相反，农业产业结构、机械化水平和科技创新呈现相反的非线性模式。值得注意的是，地形条件和耕地破碎度表现出更复杂的非线性效应。驱动因子间的交互作用也对GTFU产生重要影响。这些发现为江苏省及其他类似主要粮食产区推动GTFU的政策制定提供了宝贵见解。

**论文解读：江苏省粮食主产区农田利用绿色转型的时空动态与非线性驱动机制**

**研究背景与现存问题**
全球粮食不安全持续严峻，2024年仍有6.38-7.2亿人面临饥饿（FAO等，2025）。农田作为粮食生产的基础资源，其过度开发导致生产能力和生态功能退化，威胁粮食安全。在此背景下，促进农田利用绿色转型（GTFU）成为应对全球粮食危机和实现联合国可持续发展目标（SDGs，特别是SDG 2零饥饿和SDG 13气候行动）的关键路径。中国虽连续两年粮食产量超7亿吨，但农田系统仍面临土地质量退化、后备资源紧张等挑战，且地缘政治与气候变化加剧了粮食生产的不确定性。因此，加速GTFU对提升粮食生产绿色效率和推进农业现代化至关重要。

现有GTFU研究存在以下不足：（1）多基于静态截面分析，缺乏长期动态监测；（2）研究尺度较粗（省域或地级市），县域尺度分析不足；（3）地理探测器（GD）、时空地理加权回归（GTWR）和空间计量模型难以充分捕捉驱动因素的非线性效应，而可解释机器学习模型在GTFU研究中应用有限；（4）多数研究侧重单一因素效应，对社会经济与环境驱动因素交互作用的评估不足。

**研究内容与结论**
本研究以经济快速发展且农田保护严格的粮食主产区江苏省为案例，聚焦县域尺度，通过构建“空间转型–功能转型–模式转型”三维评价体系，运用熵权法、标准差椭圆分析和马尔可夫链分析刻画2006-2022年GTFU的时空演化，并集成多种机器学习模型与SHAP（SHapley Additive exPlanations）值揭示非线性驱动机制。主要结论：（1）江苏省县域GTFU呈总体上升趋势，空间格局逐渐演变为“北高南低”，2022年仍有64.15%的县域处于中低水平，提升空间显著；（2）标准差椭圆主轴呈西北–东南方向，2010年后空间差异沿该方向扩大；GTFU状态转移呈现强路径依赖，且邻近高GTFU水平的县域受正向空间溢出效应影响；（3）社会经济驱动因素（人口密度、农业机械化水平、农业产业结构）对GTFU的影响力强于环境因素（地形、耕地破碎度等）；（4）人口密度和非粮化程度分别在0.68人/0.1?ha和0.24处呈现先促进后抑制的阈值效应；农业机械化水平、农业产业结构、农业科技创新水平则呈现相反的非线性模式，分别在3.3?kW/ha、0.07和1.5?件/1000?ha处由抑制转为促进；地形条件和耕地破碎度表现出更复杂的非线性作用；（5）驱动因子间的交互作用显著，其中城市化与农业产业结构、人口密度与非粮化程度、人口密度与耕地破碎度的交互效应尤为突出。该研究发表在《Land Degradation》，为优化农田资源分配、保障粮食与生态安全提供了决策支持，并为其他经济发达的粮食主产区推进GTFU提供了可借鉴的经验。

**主要关键技术方法**（不超过250字）
本研究以江苏省53个县级单元为样本（2006-2022年面板数据），采用以下关键技术方法：（1）基于“空间转型–功能转型–模式转型”框架构建GTFU评价指标体系，利用熵权法客观赋权并测算综合水平；（2）运用标准差椭圆分析刻画GTFU重心迁移与方向性演化，采用传统马尔可夫链和空间马尔可夫链分析状态转移概率与空间溢出效应；（3）通过比较线性回归（LR）、决策树（DT）、随机森林（RF）、极端梯度提升（XGB）、类别型梯度提升（CAT）和轻量级梯度提升（LGB）六种模型，以决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）评估性能，选定最优模型（CAT）；（4）结合SHAP值定量揭示驱动因素的正负贡献、非线性阈值效应及其交互效应。数据来源包括中国土地覆盖数据集（CLCD）、国家知识产权局专利数据、资源环境科学数据平台、江苏省统计年鉴及各地级市统计年鉴等。

**研究结果**

**3.1 GTFU时空动态**

**3.1.1 GTFU的时空格局**
通过熵权法测算2006-2022年江苏省县域GTFU水平，发现时间上GTFU总体呈上升趋势，低水平和中低水平县域数量显著减少，但高水平县域比例仍较低。空间上，2006年仅金湖县达到中高水平；2014年中高水平和高水平县域占11.32%，低水平县域集中于中南部；至2022年，GTFU呈现“北高南低”的空间分异格局，苏北耕地连片有助于维持农田系统多功能稳定性，而苏南工业化和城市化加速导致农田非农化与破碎化，制约GTFU。

**3.1.2 GTFU的演化方向**
标准差椭圆分析选取2006、2010、2014、2020、2022年五个时间断面，发现椭圆主轴始终呈西北–东南方向，重心位于高邮市，2006-2010年向东北移动0.26?km，2010-2022年持续向西北迁移约6?km，表明“北高南低”格局相对稳定。主轴长度和椭圆面积先减后增，2010年为转折点，形状指数则呈相反趋势，2022年降至0.4385，较2010年下降2.06%，表明2010年后GTFU空间差异加大，尤其沿主轴方向，这与江苏省土地利用规划强调保护苏北优质农田有关。

**3.1.3 GTFU的状态演化趋势**
传统马尔可夫链分析表明，不考虑空间效应时，转移概率矩阵对角线元素均大于0.85，GTFU状态具有强稳定性；非对角线转移仅发生在相邻级别，呈现强路径依赖，无跳跃式跨越。空间马尔可夫链分析进一步揭示，当县域被低水平邻居包围时，各等级向上转移概率显著降低；当邻居为低中水平时，低水平县域向低中水平转移概率增至0.1531；当邻居为中高水平时，低中水平县域向中高水平转移概率升至0.2000，远高于传统分析值，表明邻近高GTFU区域产生显著正向空间溢出效应。

**3.2 GTFU的非线性驱动因素**

**3.2.1 模型性能比较**
通过皮尔逊相关分析和方差膨胀因子（VIF）诊断，所有驱动因子VIF值低于5，无显著多重共线性。以4:1划分训练集和测试集，采用Optuna自动超参数调优和五折交叉验证，比较六个模型。LR模型表现最差（测试集R²=0.5593，RMSE=0.0305）；CAT模型表现最优（训练集R²=0.9997，测试集R²=0.9490，RMSE=0.0104，MAE=0.0077），且训练集与测试集R²差异最小（0.0507），预测值与实测值接近1:1线，拟合精度和泛化能力最佳。

**3.2.2 基于SHAP分析的GTFU主导驱动因子识别**
基于优化后的CAT模型，SHAP特征重要性显示，平均绝对SHAP值最大的三个因子为人口密度（PD）、农业机械化水平（AML）和农业产业结构（AIS），均超过0.01；干旱程度（DD）、温度条件（TEC）和降水条件（PC）影响力最小，均低于0.002。社会经济指标对GTFU的解释力显著高于环境指标。SHAP摘要图显示，PD和非粮化程度（DNCL）的低值集中于正SHAP区域，高值集中于负SHAP区域，表明超过阈值后抑制GTFU；AML和农业科技创新水平（ATIL）呈相反模式；环境因子中地形条件（TC）和耕地破碎度指数（CLFI）影响力最大，且SHAP值在零轴两侧混合分布，非线性效应更复杂。

**3.2.3 关键驱动因子的非线性阈值效应**
结合CAT-SHAP模型的部分依赖图（PDP），社会经济维度中，PD和DNCL的LOWESS曲线呈单调递减趋势，阈值分别为0.68人/0.1?ha和0.24，均表现为先促进后抑制的非线性效应。AML、ATIL和农业规模经营水平（ASOL）的LOWESS曲线呈上升趋势，阈值分别为3.3?kW/ha、1.5?件/1000?ha和1.9?ha/人，从抑制转为促进。AIS的效应总体上由抑制转为促进，但当AIS超过0.2时促进效应明显减弱。城市化率（UR）在0.20-0.28范围内正向促进GTFU，低于0.20或高于0.28时主要为负向。环境维度中，TC呈现复杂非线性效应，拐点位于5.1?m和20.2?m，先促进后抑制再促进。CLFI低于0.12或高于0.39时抑制GTFU，在0.12-0.39范围内正向促进。

**3.2.4 关键驱动因子的交互效应**
SHAP交互效应分析显示，社会经济维度中，UR与AIS、PD与DNCL、PD与AML的交互效应最强（平均绝对SHAP交互值>0.001）。当UR>0.4且AIS<0.07时，交互值主要为负，表明快速城市化下农业结构优化不足对GTFU不利。环境维度中，CLFI与TC交互效应最强，当CLFI<0.4且TC<5?m时交互值为正，表明低破碎度与平坦地形有利于GTFU。社会经济与环境因素交互中，PD与CLFI、PD与TC、作物种植生产集中度（CDCCP）与TC的交互效应较显著。当PD>0.75人/0.1?ha且CLFI>0.4时，交互值主要为负；当PD>1.0人/0.1?ha且TC>10?m时，交互效应显著负向；当CDCCP<0.02且TC>10?m时，交互值主要为负，表明地形起伏大且种植集聚度低时不足以促进GTFU。

**讨论与结论**
讨论部分指出，GTFU在粮食主产区本质上是确保粮食安全前提下对农田空间分配、功能协调和利用模式的系统性重构。社会经济因素主导GTFU的方向与速度，适度人口集聚和城市化可改善生产条件，但超过承载力则抑制GTFU；合理的农业产业结构可提升农田经济产出，但过度转向非粮作物会削弱粮食生产功能。农业机械化和科技创新能替代传统资源密集型模式，促进绿色生产。环境因素主要约束和调节GTFU，平坦地形利于机械化，复杂地形增加成本；适度耕地破碎度有助于维持景观异质性和生态韧性，但过高或过低均不利。驱动因子交互作用显著，如城市化与农业产业结构交互在快速城市化且农业结构变化不当时会抑制GTFU；地形与耕地破碎度交互在平坦且适度破碎条件下利于GTFU；人口密度与耕地破碎度交互在高密度高破碎度区域形成协同约束机制。

研究结论部分翻译如下：
加速GTFU对促进绿色农业发展和保障粮食安全至关重要。本研究基于空间转型、功能转型和模式转型维度，构建了江苏省GTFU评价指标体系。采用标准差椭圆和马尔可夫链分析刻画GTFU时空演化，通过机器学习模型结合SHAP分析识别社会经济和环境因素对GTFU的非线性效应。该框架为其他主要粮食产区评估和促进GTFU提供了有益参考。主要发现如下：第一，研究期间江苏省GTFU总体呈上升趋势，空间格局逐渐演变为“北高南低”。到2022年，64.15%的县域仍处于低中或低水平，仅金湖县达到高水平，表明提升空间显著。第二，标准差椭圆主轴始终呈西北–东南方向，2010年后主轴变长、形状指数降低，表明沿该方向GTFU差异扩大。尽管GTFU呈现空间不均衡，但邻近高GTFU水平的县域普遍受益于正向空间溢出效应。第三，CAT-SHAP模型有效揭示了GTFU的非线性驱动因素。社会经济和环境因素均呈现非线性效应，但社会经济因素总体影响力更大。在社会经济维度中，人口密度（PD）和非粮化程度（DNCL）分别在0.68人/0.1?ha和0.24处呈现阈值效应，从促进转为抑制GTFU；相反，农业机械化水平（AML）、农业产业结构（AIS）和农业科技创新水平（ATIL）呈现相反模式，阈值分别为3.3?kW/ha、0.07和1.5?件/1000?ha。最后，环境维度中，地形条件（TC）和耕地破碎度指数（CLFI）的非线性效应更为复杂。值得注意的是，CLFI低于0.12或高于0.39不利于GTFU。此外，驱动因子间交互作用产生的非线性效应也不应被忽视。