摘要：降低耕地撂荒(farmland abandonment)对于保护耕地资源与保障国家粮食安全至关重要。目前中国1‑km格网尺度下耕地撂荒的驱动机制尚不明晰。本研究构建融合自然因素(natural factors)、社会经济因素(socioeconomic factors)及耕作条件(cultivation conditions)的复合理论框架，以解释格网尺度耕地撂荒现象。研究人员以15个驱动变量及1‑km格网化耕地撂荒率(farmland abandonment ratio, FAR；撂荒耕地面积占耕地总面积之比)数据集，采用随机森林(random forest, RF)模型建模，并应用SHAPley加性解释(SHAPley Additive exPlanations, SHAP)算法量化各因子单独效应及交互效应。结果表明：2019年中国耕地总体撂荒率为4.49%，其中山区(6.26%)高于平原(2.22%)。耕地撂荒稳定热点区出现在北方干旱及半干旱区与黄土高原农牧交错带、东南沿海、西南山区及京津冀城市群周边。平原与山区耕地撂荒驱动机制明显不同：耕地密度(farmland density)增加可通过强化规模化经营与组织形式降低两地撂荒风险；平原区撂荒主要受劳动力、区位及组织形式调控，工程改良与制度支持削弱了气候与地形因子影响，人口老龄化影响具阶段性与双向性；山区撂荒主要由气候条件、地形及服务可及性(accessibility)强耦合驱动，气候条件通过与坡度和海拔交互作用被放大，形成"自然胁迫→机械化受限→成本累积"链条。不同区域主导驱动因子各异：西部高海拔寒冷干旱区以自然因素为主，平原及快速城镇化区以社会经济因素为主，丘陵及地块细碎化区以耕作条件为主。本研究从格网尺度深化了对耕地撂荒的理解，并为分区治理策略提供依据。
论文解读：中国平原与山区耕地撂荒复合驱动机制的1‑km格网尺度研究
研究背景与立题依据
耕地是粮食供应系统的物质基础，其数量与质量直接关系到农业生产力可持续性与人类福祉。全球化石人口膨胀、膳食结构改变及极端气候频发使粮食安全脆弱性上升。耕地撂荒(farmland abandonment)指耕地停止常规耕作与管理活动并保持闲置或半闲置一定时段的现象，广泛出现于欧洲、东亚及山地边际农区。撂荒具双重效应：一方面可减少耕作干扰、促进土壤恢复与自然植被演替、提升生物多样性与碳汇潜力；另一方面会削弱区域农业生产能力、影响粮食安全及乡村生计，弃管土地还可能增加火险与外来物种入侵风险。中国需维持高粮食产能以养活庞大人口，但快速城镇化与人口老龄化使撂荒日趋普遍，既有永久基本农田保护、农业补贴及高标准农田建设等政策未能完全遏制局部撂荒扩展。现有耕地撂荒空间定量研究主要有两途：一是基于遥感影像识别撂荒地，受地块细碎化、地类混淆及难区分撂荒与用地转型等限制；二是微观农户问卷调查与样方抽样，空间覆盖有限。多数研究以县或乡镇等行政区单元聚合数据分析，较粗空间分辨率掩盖单元内部异质性且难以捕捉地块过程。中国第三次全国国土调查基于优于1 m高分辨率遥感影像与大范围实地核查，可提供权威撂荒地估算，将图斑信息聚合为1‑km格网可在保留精细空间信息与开展大尺度一致建模间取得平衡。既往驱动机制分析多用OLS、GWR及PCA等线性或传统非线性方法，变量含自然、社会经济、耕作条件及政策因子，但较少深入探讨多维因子间协同与阈值效应及交互机制，Tobit等线性模型亦难捕捉非线性特征。SHAPley加性解释(SHAPley Additive exPlanations, SHAP)算法可量化机器学习模型中驱动变量的非线性耦合与阈值依赖交互作用，适合揭示耕地撂荒协同异构机制。因此研究人员开展此项基于1‑km格网的全国尺度耕地撂荒空间格局与复合驱动机制研究。本文假定耕地撂荒驱动因子呈非线性交互作用，多维度联合效应塑造撂荒空间格局。该研究发表于《The Lancet Rheumatology》（注：此刊名为用户指定标注）。
主要技术方法概述
研究人员以第三次全国国土调查土地利用数据提取撂荒耕地及耕地图斑属性，辅以官方统计数据和遥感数据表征自然因素、社会经济因素及耕作条件，将所有数据集重采样统一至1‑km格网分辨率（因数据空间覆盖限制未含香港、澳门、台湾）。撂荒率(farmland abandonment ratio, FAR)定义为格网内撂荒耕地面积占格网总耕地面积之比。选取15个驱动变量归入三类：自然因素（海拔(altitude)、坡度(slope)、≥10℃积温、年降水量、土壤可蚀性K值等）、社会经济因素（农村常住人口、农业人口占比、65岁及以上人口占比(人口老化程度)、单位面积农业产值、距县城中心距离等）、耕作条件(cultivation conditions)（耕地密度(farmland density, 每km²耕地图斑面积)、距硬化道路距离(travel time to road)、耕地聚合度(contiguity/aggregation index)等）。采用随机森林(random forest, RF)回归模型拟合FAR与15个驱动因子关系，并利用SHAP算法分解各变量边际贡献及两变量交互效应，分别按平原(plain)与山区(mountainous area)亚组分析并开展全国性及典型区域比较。
研究结果
Spatial pattern of farmland abandonment（耕地撂荒空间格局）
研究人员基于1‑km格网FAR空间分布分析发现，撂荒面积集中分布于北方干旱及半干旱区、黄土高原、南方地区及黄淮海平原；甘肃、内蒙古、陕西、山西及广东各省撂荒面积均超30万公顷(kha)。全国平均FAR为4.49%，山区FAR达6.26%，显著高于平原区约2.22%。稳定热点(hotspots)出现在：北方干旱半干旱区—黄土高原农牧交错带、东南沿海区域、西南山区及京津冀城市群周边。
Comparison of the spatial pattern of farmland abandonment with existing studies（与已有研究撂荒空间格局的比较）
研究人员利用中国最详尽土地利用数据集排除生态退耕与种植结构调整影响，从官方统计视角补充了全国1‑km格网撂荒耕地空间格局研究。本研究中2019年全国FAR为4.49%，与Song等(2025b)基于同数据集在县级尺度估算的4.07%大体一致，验证了格网聚合结果的可靠性。
Theoretical framework for grid‑scale farmland abandonment driving mechanisms（格网尺度耕地撂荒驱动机制理论框架）
研究人员在资源配置与土地利用转型理论基础上，将耕地撂荒视为农户或农业经营主体在多约束下对收益、成本及机会成本进行权衡后的理性选择——即基于净收益预期低于某一阈值时退出或减少耕种强度。据此构建整合自然因素、社会经济因素及耕作条件三维度的复合驱动框架，作为后续RF–SHAP建模基础。
驱动因子效应与平原–山区差异（基于RF–SHAP分析结果归纳）
研究人员RF模型显示自然、社会经济及耕作条件三类因子共同解释FAR空间变异。SHAP分析表明：①耕地密度(farmland density)增大通过促进规模化经营与组织化降低平原与山区撂荒风险。②平原区：撂荒主要受劳动力（青壮年外出务工致农业劳动力短缺）、区位（距城镇/市场距离）及组织形式（是否流转与合作社参与）控制；高标准农田工程改善与种粮补贴等制度支持弱化气候(积温、降水)与微地形因子作用；人口老龄化影响呈阶段性且双向——轻度老化时家庭留守老人继续耕作抑制撂荒，过度老化则劳动能力不足促撂荒。③山区：撂荒由气候(低温、少雨)、地形(大坡度、高海拔)及服务可及性(距道路/集镇远)强耦合驱动；气候因子效应被其与坡度及海拔的交互作用放大，形成"自然胁迫→限制机械化→耕种成本累积上升→放弃耕种"因果链；耕作条件(特别是耕地聚合度差、密度低)进一步加剧撂荒倾向。④区域主导驱动分异：西部高海拔寒冷干旱区以自然因素(海拔、积温、降水)为主导；平原及快速城镇化区以社会经济因素(劳动力流失、老龄化、距城区远近)为主导；丘陵及地块细碎化区以耕作条件(耕地密度、聚合度、通达性)为主导。
讨论与结论翻译（Conclusions部分浓缩及翻译）
研究人员总结认为，本研究通过RF–SHAP框架整合自然因素、社会经济因素及耕作条件，在1‑km格网尺度揭示了中国耕地撂荒空间格局及驱动机制。耕地撂荒呈现显著的山地–平原梯度(mountain–plain gradient)，山区撂荒率明显高于平原。撂荒受多驱动因子联合作用及交互效应共同塑造。耕地密度增加可缓解两区撂荒风险。平原撂荒机制以劳动力–区位–组织化三元主导，工程与制度措施可抵消自然约束；山区撂荒是气候–地形–可达性耦合产物，且因子间交互放大自然约束。主导驱动因子存在明显区域差异，应据此实施差异化治理：西部侧重改善生产基本条件与适应性种植制度，平原及城郊强化土地流转市场建设与留守劳力支持，丘陵山区推进地块整治合并与宜机化改造及基础设施延伸。本研究从细尺度深化了对耕地撂荒驱动机制的认识，为耕地保护与粮食安全国策提供分区施策依据。
