文章基本信息
期刊：Land Use Policy（中科院一区TOP）
英文题目：Governing non-grain production of farmland: A differentiated strategy based on grain production loss risk
中文题目：耕地非粮化生产管理：基于粮食产量损失风险的差异化策略
发表时间：2026年
文章链接：https://doi.org/10.1016/j.landusepol.2026.107924
摘要
在全球粮食安全风险加剧与城乡发展转型深化双重背景下，协调粮食安全与农民增收已成为土地治理的关键挑战。耕地非粮化现象正是这种矛盾的典型体现。当前治理路径主要聚焦于既有问题的管控与普适性政策的实施，缺乏对潜在发生区域及由此引发的粮食安全风险的主动预测与前瞻性预警。为此，本研究构建了“概率预测—风险评估—分类治理”的综合分析框架。以湖北省为研究对象，依据农业功能差异将研究区域划分为都市农业区（UAZ）、粮食主产区（MGZ）和特色农产品区（CAPZ）三类，分别开展研究。具体而言，本研究首先运用Maxent模型预测非粮化概率并解析其驱动机制，继而结合概率-损失评估模型量化耕地非粮化对单位及总产量的潜在风险。最后针对中高风险区域，采用自组织映射+k均值聚类法识别主导驱动因子组合，据此制定差异化治理策略。研究结果表明，耕地非粮化呈现显著的区域异质性：都市农业区主要受灌溉便利性（16.4%）、机械化水平（16.5%）和集约化指数（14.6%）驱动，其耕地非粮化转型的概率最高； 特色农产品区主要受距镇距离（13.6%）、农业劳动力老龄化比例（17.6%）及承包经营权持有率（10%）的综合影响，转换概率位居次位； 粮食主产区受机械化水平（27.1%）、永久基本农田占比（17.6%）、农业劳动力老龄化比例（12.3%）及农村人口平均受教育程度（11.7%）共同驱动，转换概率最低。风险分析表明，单位粮食产量损失风险呈现都市农业区＞粮食主产区＞特色农产品区的递减趋势。粮食主产区因耕地规模大、复种指数高，呈现最显著的粮食产量损失风险，30米栅格尺度均值达115.59千克，其次为都市农业区（103.82千克）和特色农产品区（68.55千克）。基于上述研究成果，本研究将三大农业区内中高风险农田进一步划分为具有明显主导风险机制的空间治理单元，提出针对性治理措施。该框架为耕地非粮化的前瞻性差异化治理提供了支撑。
Highlights
构建非粮化生产综合治理框架。
引入最大熵模型预测非粮化生产的概率。
基于概率-损失评估模型量化粮食减产风险。
通过自组织映射+k均值聚类技术，按主导风险因素划分治理区域。
研究框架
本研究构建了耕地非粮化概率预测、粮食安全风险评估与差异化治理相结合的综合研究框架（图2），包含三个步骤：（1）基于MaxEnt机器学习模型预测耕地非粮化发生概率并分析其驱动机制； （2）基于概率-损失评估模型量化耕地非粮化对粮食安全的潜在影响；（3）针对中高风险区域，运用自组织映射+k均值聚类法识别主导驱动因子组合，据此制定差异化治理策略。
未来展望
本研究尝试构建“概率预测—风险评估—分类治理”的三阶段研究框架，为耕地非粮化精细化治理提供新思路。但该框架仍存在局限性：首先受限于高精度变化调查数据的获取。本研究采用的土地利用数据源自2020年湖北省土地利用变化调查。尽管该数据集基于第三次全国国土调查，是当前最精确规范的权威数据，且考虑到短期内农田空间分布相对稳定，其固有滞后性仍不可否认。其次，MaxEnt模型的预测性能高度依赖于输入样本能否无偏地代表耕地非粮化现象的真实分布。尽管我们采用空间分层抽样以增强样本代表性，但这种热点区抽样策略可能导致模型对非热点区域零星分布的小规模耕地非粮化生产区敏感度不足。此外，MaxEnt模型对环境变量间多重共线性极为敏感。尽管我们通过成对相关分析筛选变量，并采用县级直接分配法处理统计数据以保持精度，但该方法可能抹平行政区划内的差异，且难以完全消除变量间的复杂非线性关系。未来研究可引入更精细的农业调查数据，以进一步提升模型的预测准确性和可靠性。
文章主要图表
京公网安备 11010802031220号