基于县域尺度的粮食主产区耕地压力空间分异及其影响因子实证研究与预警

罗海平，周静逸，何志文

(南昌大学 a.中国中部经济社会发展研究中心； b.经济管理学院，江西 南昌 330047)

“万物土中生，有土斯有粮”。耕地资源作为最宝贵的自然资源之一，其数量和质量安全对国家的粮食安全、生态安全、社会稳定与经济发展有至关重要的影响。近年来，随着工业化和城镇化的不断加速，不少地区的耕地由于城镇建设占用、生态退耕、农业结构调整等原因不断减少。尽管我国耕地总面积受耕地红线管控下降并不大，基本能实现耕地数量占补平衡，但却存在耕地质量下降、耕地污染、土壤退化，以及耕地后备资源不足等严重问题。

长期以来，中国粮食安全问题都是世界关注的热点。1995年， Brown[1]提出了“谁来养活中国”的问题，警示中国耕地资源短缺对世界粮食安全的威胁隐患。耕地资源是农业生产最基本的物质条件，耕地数量和质量的变化必将影响粮食生产，从而影响粮食有效供给和粮食安全保障水平[2]。蔡运龙等[3]认为，在工业化、城市化过程中，耕地的用途转移不可避免，但当实际人均耕地面积低于最小人均耕地面积时就会危及食物安全。张士功等[4]认为，耕地资源安全是粮食安全问题的核心。朱红波等[5]将耕地资源安全细分为耕地数量安全、质量安全和生态安全3方面，并通过计算发现耕地质量安全和生态安全对保障粮食安全起重要作用。任桂镇等[6]在耕地压力指数的基础上提出耕地生态压力指数，发现耕地资源的持续减少是我国耕地压力一直不能得到有效缓解的主要原因。张海峰等[7]认为，土地的利用格局对粮食安全至关重要。李效顺等[8]从保障粮食安全的角度出发，测算出在单产提高情景下，2020年中国耕地资源缺口为180万hm2。张元红等[9]提出，我国农业和粮食生产面临的最大压力在于耕地资源短缺。聂英[10]认为，日显稀缺的耕地资源已成为制约我国粮食安全的瓶颈，建立科学合理的耕地资源安全保障机制是实现我国粮食安全的必然选择。姚成胜等[11]将人均耕地面积作为粮食生产资源的一项指标纳入其构建的中国粮食安全系统评价指标体系，发现2000—2010年人均耕地面积对粮食安全系统的障碍程度不断增大。罗翔等[12]指出，修正的耕地压力指数对粮食产量具有显著的负向影响，耕地压力过大威胁粮食安全。张慧等[13]指出，全国342个地级行政区的耕地压力存在显著的区域间差异和局部集聚性。张雅杰等[14]分析发现，中国31个省级行政区(不含港、澳、台)的耕地压力呈现明显的地域差异性。总的来看，以往关于耕地压力对粮食安全影响的研究多集中于省级层面[15-19]，更关注总体变化而忽视了内部差异，若将县级行政单位作为研究对象则可更详细地突出个体变化特征。在研究方法上，国内学者多选择耕地压力指数模型进行研究。为更深入地探究最小人均耕地面积与实际人均耕地面积之间的关系和变化情况，本研究拟在运用耕地压力指数模型的基础上提出耕地压力承载系数与耕地压力敏感系数，以期更全面地评估耕地压力的变动情况。

习近平总书记指出，“中国人要把饭碗端在自己手里，而且要装自己的粮食。”中国粮食安全的关键在于粮食主产区，尤其是粮食主产区产粮大县的耕地安全。鉴于此，本研究以我国13个粮食主产省(自治区)157个产粮大县(从全国200个产粮大县中选出位于我国粮食主产区的157个，含县级市、市辖区、旗、自治旗、自治县，不含黑龙江省农垦总局下属的友谊农场、七星农场、八五四农场、查哈阳农场)为研究对象，对其2000—2030年耕地压力的时空演变进行实证测算和影响因子分析，以期科学评估耕地资源的紧张程度和潜在问题。

1 材料与方法

1.1 数据来源与处理

本研究以157个产粮大县作为研究对象，研究年份为2000、2003、2006、2009、2012、2015年。各产粮大县的耕地面积、农作物和粮食作物播种面积、粮食产量、年末户籍人口数、化肥折纯量、农村居民人均可支配收入、户籍人口城镇化率等数据来源于相应年份的统计年鉴，部分农作物播种面积和粮食作物播种面积数据来源于相应年份政府工作报告，以及国民经济和社会发展统计公报。

为详细探究我国粮食主产区157个产粮大县在空间层面的耕地压力特征，根据各产粮大县的所属省份及其地理区位，将其划分为5个大的地理区域——东北、华北、华中、华东和西南(表1)。

表1 2015年中国粮食主产区157个产粮大县的粮食生产基本情况

续表1 Continued Table 1

1.2 157个产粮大县农业生产基本情况

1.2.1 157个产粮大县2015年的耕地资源与粮食安全地位

以2015年为例，本研究分别计算了13个粮食主产省(自治区)产粮大县的粮食总产量占全省(自治区)粮食总产量的比例，以及各省(自治区)产粮大县的耕地面积占全省(自治区)总耕地面积的比例(表1)。表现最为突出的是吉林省，吉林省的14个产粮大县以占不到全省1/2的耕地生产出了全省2/3以上的粮食。其次是黑龙江省，在未考虑农场对全省粮食生产贡献的情况下，黑龙江省的18个产粮大县耕地面积总和不足全省的30%，但却贡献了全省近一半的粮食产量。辽宁、内蒙古、安徽、江苏、河南、湖北、山东、江西8省共93个县，以平均占全省(自治区)25.69%的耕地面积承担了全省(自治区)34.60%的粮食生产。四川(12个)、湖南(10个)、河北(10个)的产粮大县分别以占全省11.64%、14.57%和10.41%的耕地面积生产出全省22.33%、20.73%和18.12%的粮食。

由此可见，本研究选取的157个产粮大县都具有以少量的耕地生产出大量粮食的特征，在13个粮食主产省(自治区)承担着主要的粮食生产任务。因此，研究这157个产粮大县的耕地资源紧张程度对于保障我国粮食安全具有特殊的意义。

1.2.2 2000—2015年157个产粮大县耕地资源与粮食安全地位演变

2000—2015年，157个产粮大县的粮食总产量与耕地总面积都呈上升趋势(图1)。其中，耕地面积稳中有升；粮食总产量大幅增加，由9 279.5万t上升到16 919.4万t，2015年的粮食总产量是2000年粮食总产量的1.82倍。除2003年由于我国大部分地区遭受严重自然灾害导致粮食作物播种面积大幅缩减、粮食产量下滑以外，2000—2012年157个产粮大县的粮食总产量呈阶梯式上升。2015年，由于同时受到播种面积减少和单产下降的影响，河北、内蒙古、辽宁、黑龙江、山东、四川6省(自治区)共73个产粮大县的粮食总产量下降，导致157个产粮大县的粮食总产量比2012年下降了644.33万t。其中，产量下降最为明显的是黑龙江、辽宁、四川3省的38个产粮大县。

图1 2000—2015年157个产粮大县的耕地总面积和粮食总产量Fig.1 Total area of arable land and total grain output of 157 major grain-producing counties from 2000 to 2015

总体来看，除特殊原因导致的个别年份粮食产量有所下滑外，2000—2015年157个产粮大县总的粮食产量呈渐进式上升，耕地面积在平稳中略有上升。

1.3 耕地压力测度模型

1.3.1 耕地压力指数

耕地压力指数由蔡运龙等[3]提出，反映了一个地区耕地资源的紧张程度，具体计算公式如下：

(1)

式(1)中，Sa为实际人均耕地面积(hm2)，Smin为最小人均耕地面积(hm2)。K值越大，耕地压力越大。当0

最小人均耕地面积Smin给出了为保证特定区域粮食安全所需的耕地数量底线，具体计算公式如下：

(2)

式(2)中：β为粮食自给率(%)；G为人均粮食需求量(kg)；p为单位面积粮食产量(kg·hm-2)；q为粮食播种面积与农作物总播种面积之比；k为复种指数(%)。

需要说明的是，由于本研究的对象是粮食主产区中的产粮大县，因此，除满足自身粮食需求外，产粮大县还需满足其他地区的粮食供应需求。用公式可表示为

β=1+Ct。

(3)

式(3)中，Ct为t年157个产粮大县对其他地区的粮食贡献率，是一个动态变化的值，用公式表示为

(4)

式(4)中，Pt为t年157个产粮大县的粮食总产量(kg)，Dt为t年157个产粮大县自身的粮食总需求(kg)。

Dt=G·at。

(5)

式(5)中，at为t年157个产粮大县的总人口数。

参考全国人均年粮食消费的3种标准(300～350 kg属维持温饱，350～600 kg属消费改善，600 kg以上属满足享受)，以及朱红波等[5]对人均粮食需求量的设定，本研究将人均粮食需求量确定为2000、2003年420 kg，2006、2009年440 kg，2012、2015年460 kg。

1.3.2 耕地压力承载系数

为进一步详细探究157个产粮大县的耕地压力，本研究提出耕地压力承载系数(B)来反映一个地区耕地压力的可承受程度，即保证某特定地区粮食安全所需的耕地数量底线与该地区实际人均耕地面积的相对差距。耕地压力承载系数是耕地资源自我调节能力的一种体现，计算公式为

(6)

B越小，一个地区所承受的耕地压力越小。当-1

1.3.3 耕地压力敏感系数

为研究保障粮食安全所需的耕地资源对实际拥有的耕地资源变动的反应程度，本研究提出耕地压力敏感系数(E)。它是一定时期内最小人均耕地面积变动率与实际人均耕地面积变动率的比值，反映了最小人均耕地面积的变动幅度对实际人均耕地面积变动幅度的依存关系。计算公式为

(7)

式(7)中：ΔSmin表示本研究年份与上一研究年份最小人均耕地面积(Smin)的差值；ΔSa表示本研究年份与上一研究年份实际人均耕地面积(Sa)的差值。当|E|>1时，此时所需的最小人均耕地面积的增长速度快于实际人均耕地面积的增长速度，耕地压力处于非常敏感的状态；当|E|=1时，二者的增长速度一致，最小人均耕地面积变动对耕地压力的影响与实际人均耕地面积变动对耕地压力的影响一致；当|E|<1时，此时最小人均耕地面积的增长速度小于实际人均耕地面积的增长速度，耕地压力处于不敏感状态。

1.4 耕地压力的空间分异与空间集聚效应模型

1.4.1 耕地压力空间分异的泰尔指数(Theil指数)测算

Theil指数是衡量样本差异的一个指标。本研究用Theil指数(T)来分析157个产粮大县的耕地压力在空间尺度上的整体差异。计算公式如下：

(8)

式(8)中，Ki为第i个产粮大县的耕地压力指数；μ为157个产粮大县的耕地压力指数平均值；n为县级行政单位个数。T≥0，T越大，表明157个产粮大县之间的耕地压力差异越大。

1.4.2 耕地压力空间集聚效应的Moran’s I指数测算

Moran’s I指数是度量空间相关性的一个重要指标。本研究用Moran’s I指数(I)来表示157个产粮大县的耕地压力在研究年份(2000、2003、2006、2009、2012、2015年)的空间相关性。计算公式如下：

(9)

(10)

式(9)、(10)中：Ki和Kj分别是第i个和第j个产粮大县的耕地压力指数；μ为耕地压力指数平均值；Wij是各产粮大县的空间权重矩阵，产粮大县之间的距离在设定的门槛距离内则为1，大于该距离则为0。

1.5 耕地压力影响因子分析模型

为找出影响耕地压力变动的关键因素，本研究参考张慧等[13]构建的中国耕地压力影响因素模型，考虑耕地生产力和社会经济因素对耕地压力可能产生的影响，选取耕地质量、化肥投入、种植结构(粮农比)、农民收入(农村居民人均可支配收入)、城镇化水平5个代表性变量构建影响因素模型。其中，耕地质量(Q)通过影响粮食单产对耕地压力产生影响，用标准耕地系数表示；化肥投入(F)可反映一个地区耕地资源的污染程度，通过影响粮食产出和粮食作物播种面积对耕地压力产生影响，用当地化肥折纯量与粮食作物播种面积的比值(kg·hm-2)来表示；种植结构(R)体现一个地区粮食作物的播种情况，直接影响耕地压力，用一个地区粮食作物播种面积与该地农作物播种面积的比值来表示；农民收入(Y)的高低影响到农民种植粮食的积极性，进而影响粮食作物播种面积与产出，进一步影响耕地压力，用农村居民人均可支配收入(元)来表示；城镇化水平(U)可侧面反映一个地区农业生产的规模，通过影响该地耕地面积对耕地压力产生影响，用户籍人口城镇化率(%)来表示。

当157个产粮大县的耕地压力出现高度的空间相关关系时，可运用以上5个指标构建影响耕地压力的空间回归模型，模型具体设置如下：

lnKit=β0+ρWlnKit+β1lnQ+β2lnF+β3lnR+β4lnY+β5lnU+εit。

(11)

式(11)中：Kit为i县第t年的耕地压力指数；β0为常数项；ρ为空间自回归系数；W为空间权重矩阵；β1，…，β5为待估计系数；εit为随机扰动项。其中，标准耕地系数参考宋小青等[20]提出的算法公式，i县的耕地质量Qi可表示为

(12)

式(12)中：pi和p分别表示产粮大县i和157个产粮大县的单位面积粮食产量(kg·hm-2)；ki和k分别表示产粮大县i和157个产粮大县总体的复种指数(%)。

1.6 耕地压力预测的GM(1，1)模型

灰色系统模型是对既含有已知信息又含有未知信息的系统进行预测的模型，目前在预测未来耕地压力指数时应用较为广泛。本研究运用灰色GM(1，1)模型来对2018、2021、2024、2027、2030年的耕地面积、粮农作物播种面积、粮食总产量、人口数量和耕地压力指数进行预测。表达式如下：

(13)

式(13)中：X为原始数据序列；m、n分别为计算得出的模型参数；t为年份。预测模型采用平均相对误差P检验。当P≤0.01时，表明模型优良；当0.010.1时，模型设置不合格。

2 结果与分析

2.1 耕地压力指数变动

总的来看，157个产粮大县的耕地压力在2000—2015年得到了有效缓解，总体耕地压力指数由2000年的0.88下降到了2015年的0.66，呈向好态势。分区域来看，2000—2015年平均耕地压力从小到大一直保持为东北<华北<华东<华中<西南(图2)，在空间分布上并无较大变化，大致可概括为南高北低、西高东低。东北、华北、华东和华中的耕地压力在研究期内均有不同程度的下降，然而西南的耕地压力不降反升，15 a间增加了0.35。

2000—2015年耕地压力持续上升的产粮大县仅有1个，为河北临漳县，由2000年的安全压力区上升到2015年的潜在压力区。耕地压力持续下降的产粮大县包括内蒙古开鲁县、辽宁黑山县、吉林镇赉县和黑龙江宝清县。开鲁县在2000—2015年的耕地压力指数小于0.41，处于安全压力区；黑山县由于受到1999年辽宁省特大干旱的影响，2000年达到轻度压力区，2003—2015年处于安全压力区，且耕地压力持续减小到0.44；镇赉县在2000—2015年处于安全压力区，且2015年耕地压力指数相比2000年减小了0.48，压力得到显著缓解；宝清县在2000年受到黑龙江省虫旱涝灾等自然灾害影响，耕地压力达到轻度压力区，但自2003年开始压力明显下降，到2015年一直处于安全压力区。2000—2015年河北9县、江苏5县、湖南7县、四川12县的耕地压力波动增加，其余产粮大县的耕地压力波动减小。

位于四川省的12个产粮大县耕地压力一直居高不下，这12个产粮大县集中分布在四川东北部。究其原因，主要是由粮食单产低、耕地面积大幅减少，以及人口多、消费需求大等多方面因素导致的。157个产粮大县2015年的平均粮食单产为6 703.08 kg·hm-2，而四川12个产粮大县2015年的平均粮食单产仅为5 272.45 kg·hm-2，远低于总体平均水平。同时，城镇化建设侵占大量耕地，以及我国自1999年起实行的退耕还林(草)政策使得四川12个产粮大县的耕地面积自2000年起开始大幅减少，再加上人口不断增加，工业用粮、饲料用粮等粮食需求不断扩大，当地的耕地压力进一步加大。

图2 2000—2015年不同区域产粮大县的耕地压力指数变化Fig.2 Changes in arable land pressure index of different regions from 2000 to 2015

2.2 耕地压力承载系数变动

2000—2015年157个产粮大县总体的耕地压力承载系数B位于-0.36～-0.09，并呈逐渐减小的趋势(图3)。B由2000年的-0.12下降到了2015年的-0.34，表明耕地压力处于可承受范围内，且157个产粮大县所承受的耕地压力越来越小。

2000—2015年157个产粮大县中，有30个的耕地压力承载系数始终为正，在0～0.8波动，表明耕地资源紧张；13个在-0.5～0波动增大，集中分布在河北(8个)、江苏(3个)、河南(1个)和湖北(1个)，表明其耕地压力较小，但有加剧风险；46个的耕地压力承载系数下降至-1～-0.5，包括吉林全部14个，黑龙江全部18个，内蒙古7个，辽宁4个，以及山东省齐河县、陵县、平原县，说明其耕地资源充足，且压力进一步缓解；其余68个产粮大县在-0.5～1.5波动减小，其耕地压力承载系数在2015年都处于-0.5～0，表明耕地压力得到缓解，且现阶段压力水平较小。

图3 2000—2015年157个产粮大县耕地压力承载系数与耕地压力敏感系数变动Fig.3 Changes of bearing coefficient and sensitivity coefficient of arable land pressure in 157 major grain-producing counties from 2000 to 2015

2.3 耕地压力敏感系数变动

由于耕地压力敏感系数E是反映本期与基期耕地压力变化速度的指标，因此耕地压力敏感系数的起始年份为2003年。从变动速率方面看，157个产粮大县总体的耕地压力敏感系数E在-3.13～3.85波动，大致呈 “W”形，除2009年外，其余年份的耕地压力都处于非常敏感的状态。耕地压力敏感系数E在2003年达到极大值3.85，此时总体的耕地压力为研究期内最敏感的状态。

2003—2015年157个产粮大县中有30个耕地压力敏感系数的绝对值始终大于1，表明其始终处于非常敏感的状态，几乎遍布所有粮食主产区，其中归江苏省所属的最多，有5个；其余127个产粮大县的耕地压力敏感系数都在正负之间上下波动，耕地压力敏感状态实时变化。

2.4 耕地压力空间分异变化

经测算，Theil指数在2000—2015年波动上升，由2000年的0.136 0上升至2015年的0.356 5，在2012年达到最大值0.429 0(表2)，表明157个产粮大县耕地压力的空间分布差异在研究期内不断增大，2009—2012年表现尤为突出。空间分布差异的增大主要表现为粮食主产区内部南-北、东-西的耕地压力差异扩大。2000年以来，粮食主产区耕地压力的南北分化趋势显著加深，东北与西南耕地压力指数的极差由2000年的0.602增加到了2015年的1.243，差距显著扩大。期初耕地压力较小的北部地区由于研究期内粮食产量大幅提升，期末耕地压力得到进一步缓解；而期初耕地压力较大的西南地区由于耕地供需关系进一步加剧，致使期末的耕地压力明显高于期初。由此，出现了耕地压力层面的“马太效应”。

表2 157个产粮大县耕地压力指数的Theil指数

运用ArcMap中的点密度分析2000—2015年粮食主产区157个产粮大县的耕地压力格局，结果显示，157个产粮大县的耕地压力呈总体相对稳定、局部差异增大的变化特征。总体相对稳定表现在：东北、华北的耕地压力小，稳定地处于安全压力区，西南、华东的耕地压力大，一直处于轻度压力区，存在一定的粮食安全风险。局部差异增大体现在：一方面，我国北方黑龙江、吉林、辽宁、内蒙古、河北等地54个产粮大县的耕地压力持续下降，其中9个从潜在压力区下降至安全压力区，粮食安全状况良好；另一方面，四川、湖南2省13个产粮大县的耕地压力不断上升，由轻度压力区上升至中度压力区，耕地资源紧张程度加剧，主要由耕地面积减少、粮食产量不高、粮食需求刚性增加之间的矛盾激化导致。

2.5 耕地压力空间集聚特征

经测算，2000—2015年157个产粮大县耕地压力指数的全局Moran’s I指数均为正值，且均通过1%水平的显著性检验(表3)，说明2000—2015年157个产粮大县的耕地压力指数具有显著的空间自相关特征，即耕地压力指数相近的产粮大县在空间上趋于集中分布。而且，Moran’s I呈波动上升态势，说明这种空间集聚效应有增强趋势。

表3 157个产粮大县的耕地压力指数全局Moran’s I

2000—2015年东北的平均耕地压力指数下降了0.29，华北平均下降了0.18，华东由0.98下降至0.84，华中由1.03下降至0.91，西南由1.18上升至1.53。结合各地区不同压力区的产粮大县数量(图4)来看，耕地压力小的集中分布在东北、华北，耕地资源充足，华中、华东的耕地压力多处于潜在压力区以上，耕地略为紧张，耕地压力较大的均聚集在西南。这一空间分布符合耕地压力相近区趋于集聚性分布的特征。由降幅来看，耕地压力降幅相近的产粮大县也呈集中连片分布：黑龙江、吉林、辽宁与河北、内蒙古的耕地压力指数平均降幅均在25%以上，粮食安全状况明显增强，山东、江苏、安徽与湖北、河南、湖南、江西的平均降幅在13%左右，粮食安全状况有所改善，四川的增幅为30%，粮食安全风险明显加剧。

图4 2000(a)、2015(b)年不同耕地压力区的产粮大县数量变化Fig.4 Changes in quantity of counties with different pressured arable land in 2000 (a)， 2015 (b)

2.6 耕地压力影响因素分析

前文已测算出157个产粮大县的耕地压力存在显著的空间自相关特征，因此可运用耕地压力影响因子模型进行分析。为此，特选取2015年157个产粮大县的横截面数据进行研究。为避免出现异方差，运用STATA软件对其耕地压力影响因素进行WLS回归估计和White检验。回归结果显示，空间自回归系数为1.707，P值<0.001，说明157个产粮大县的耕地压力指数间存在高度的空间正相关关系。模型回归结果如表4所示，5项因素均对耕地压力水平有显著(P<0.05)影响，其中，耕地质量、化肥投入、种植结构、城镇化水平4项因素的影响达到极显著水平(P<0.01)。

耕地质量方面，模型回归系数为-0.261，与耕地压力指数呈极显著(P<0.01)负相关，说明当其他条件不变时，耕地质量每上升1个单位，耕地压力便减小0.261个单位。耕地质量的相关系数较大，说明耕地质量对耕地压力水平的影响较大，是影响耕地压力水平的核心因素之一，是保障157个产粮大县粮食安全的关键。根据国土资源部发布的《2016年全国耕地质量等别更新评价主要数据成果》，截至2015年末，中低产田占我国耕地总面积的70%，耕地退化面积占耕地总面积的40%以上。现阶段，我国耕地普遍存在占优补劣现象，导致耕地质量下降、耕地压力增大。在此背景下，如何实现耕地质量占补平衡，进一步缓解耕地压力，亟待进一步深入研究探讨。

化肥投入(回归系数为0.180)对耕地压力的影响为正，表示某地区化肥投入越多，越会增大该地区的耕地压力，同时也说明现阶段化肥投入对增加粮食产量的边际效应已经达到最大甚至开始递减。相关数据显示，2016年我国单位面积(以667 m2计)化肥用量为21.9 kg，是美国的2.6倍，而世界平均水平仅为8 kg；我国农药平均利用率仅为35%，而欧美发达国家的这一指标则是50%～60%。上述情况表明，过量的化肥、农药的使用不但不会带来粮食增产，反而会造成耕地污染，损害土壤，增加耕地压力。现阶段，我国粮食主产区的产粮大县不应再盲目增加化肥农药的投入，而应注重提高化肥农药的利用率，实现耕地产能、经济效益和生态环境的最优化。

表4 耕地压力变动影响因素模型分析结果

在种植结构方面，模型回归系数为1.640，表明粮农作物播种面积对一个地区的耕地压力具有重要作用。粮农比对耕地压力的影响为正，说明在农作物总播种面积一定的条件下，肆意扩大粮食作物的播种面积会使耕地出现“过劳”问题，从而增加耕地压力。在耕地面积日益缩减的严峻现实下，一味增加粮食作物播种面积并不是提高粮食产量、保障粮食安全的有效做法。改良种植结构、改善土地经营管理、改进农业生产技术、提高农业生产效率才是缓解耕地压力、保障产粮大县粮食安全的长久之策。

农民收入方面，模型回归系数为-0.001，仅在5%水平显著。本研究认为，可以从以下角度阐释农民收入与耕地压力之间的相关关系。结合近年来粮食价格下降、农药化肥等生产成本不断上升、农村“空心化”、农民生产积极性不高等现实情况来看，农民收入提高的很大一部分是由大批农村青壮年劳动力进城务工引起的，而不是由农业生产收入增加所致。因此，非农收入的增加会挫伤一部分农民的种粮积极性。加上农业生产具有风险大、收益低等特点，为降低经营风险，一部分农民会选择稳定粮食作物种植面积或减少种植面积，对耕地实行粗放管理甚至荒废。所以，这一现象导致的耕地压力减小并不是由耕地资源利用效率提高带来的。如何提高农民种粮积极性、发展现代化农业、培育新型职业农民，这些议题都值得进一步深入研究探讨。

城镇化水平方面，户籍人口城镇化率对耕地压力的影响为正，系数为0.213，影响极显著(P<0.01)。结果显示，一个地区的城镇化水平越高，则该地区的耕地压力越大。城镇化对耕地压力的影响主要表现在2个方面：第一，由于城镇基础设施的建设需要，不可避免地会占用大量耕地，导致耕地面积刚性减少，剩余耕地承载压力变大；第二，城镇化发展会导致农村人口向城镇迁移，一方面农村人口减少，但另一方面也会释放出一定量的宅基地和非农用地，释放的土地经过土地整理可转化为耕地，可为土地规模化经营创造条件，减缓耕地压力。然而，目前我国城镇化对耕地的影响主要集中在第一个方面，大量耕地非农化导致耕地压力增加。

2.7 GM(1，1)模型预测结果

根据2000、2003、2006、2009、2012、2015年157个产粮大县的耕地面积、粮农作物播种面积、粮食总产量、人口数量等数据，本研究对以上指标和耕地压力指数在2018、2021、2024、2027、2030年的走势进行了预测。各指标预测模型的平均相对误差都在5%以下，说明各指标的模型设置基本合理。图5为耕地压力指数与粮食单产的预测结果，通过与实际值的对比可以看到，耕地压力指数与粮食单产的预测值走势比实际值轨迹更加平滑，实际值围绕预测值上下波动。出现这一现象的主要原因是预测模型未将自然灾害等不可预料的现实因素纳入考虑。

模型预测结果显示，我国157个产粮大县的耕地压力指数在2018—2030年会呈缓慢下降的走势，耕地压力会进一步缓解，粮食安全状况良好。产生这一乐观估计的原因：一方面，是基于对未来粮食总产大幅提升的向好预期；另一方面，是基于人口增长速度预计会进一步放缓，从而粮食需求增速放缓的预期。虽然近年来国家全面放开二胎政策，但政策效果不尽如人意。国家统计局数据显示，2017年中国新出生人口为1 723万人，比2016年减少63万人，人口出生率为12.43‰，比2016年下降0.52‰。与此同时，耕地数量下降的问题在政策引导下得到有效遏制。因此，预计实际人均耕地面积有望呈现逐渐上升的趋势。随着更先进、更高效的耕作技术的推广，以及复种指数的提高，产粮大县的粮食单产势将呈现持续增加趋势，因此157个产粮大县的耕地压力预计将呈现出缓慢下降态势。然而值得注意的是，上述对粮食产量的向好预期是建立在不发生严重自然灾害的前提下的。随着全球气温上升，极端气候和天气将更大程度地影响粮食产量稳定。如2018年8月底，受“温比亚”台风影响，山东省遭受了严重的洪水灾害，全省农作物受灾面积达到62.05万hm2。因此，在未来不断改进农业生产技术的同时，也应着力提高应对自然灾害的防范能力。

图5 2018—2030年157个产粮大县的耕地压力指数与单产预测Fig.5 Prediction of arable land pressure index and yield in 157 major grain-producing counties from 2018 to 2030

3 结论与启示

3.1 关于耕地压力的空间分布特征

产粮大县整体耕地压力呈降低趋势，但空间格局正趋于固化。除西南12个产粮大县的平均耕地压力指数在波动中有所增加外，东北、华北、华东和华中的平均耕地压力指数均得到不同程度缓解。整体的空间分布特征是南高北低，西高东低。2000—2015年5大区域的耕地压力高低位次并未发生明显变化，耕地压力由小到大依次为东北<华北<华东<华中<西南。157个产粮大县总体的耕地压力位于可承受区间，但耕地压力敏感系数波动显著。

南北耕地压力的空间分布差异呈扩大趋势，空间集聚程度趋于强化。Theil指数由0.136 0扩大到0.356 5，东北和华北的耕地压力逐步减小，西南由于粮食供需矛盾的加剧导致耕地压力逐渐增大。全局Moran’s I指数结果显示，157个产粮大县具有显著的空间集聚特征，耕地压力水平相近的区域在地理空间上趋于集中分布，且空间集聚程度趋于加强，马太效应显著。针对这一情况，现阶段保障我国粮食主产区粮食安全的重点应放在四川省、湖南省，应采取措施着力缓解其耕地紧张状态。

3.2 关于耕地压力的影响因素

耕地质量、种植结构是对产粮大县的耕地压力起决定作用的影响因素。157个产粮大县的耕地压力指数之间存在高度的空间正相关关系。模型回归显示，耕地质量、化肥投入、种植结构、农民收入、城镇化水平5项因素均对产粮大县的耕地压力有显著影响，其中，耕地质量和种植结构的影响最大。如何实现耕地质量占补平衡、改善土地经营管理是保障粮食安全可持续发展的关键。除此之外，一些社会经济因素对耕地压力的影响也在逐步增大。如化肥农药过度使用导致的耕地污染对耕地压力产生的影响，快速城镇化背景下带来的农村劳动力流失、农民种粮积极性不高、耕地资源占优补劣等一系列问题，都需要进一步研究探讨。

3.3 关于未来耕地压力的预测

GM(1，1)模型预测产粮大县在2018—2030年耕地压力指数呈缓慢下降趋势。根据人口增长预期，以及粮食种植技术和单产的提高，在不考虑极端天气等不确定因素的情况下，未来产粮大县的耕地压力将进一步缓解，粮食安全趋于乐观。但今后仍应不断改进农业生产技术，积极提高应对自然灾害的防范能力，在不断改善耕地资源、提高生产效率的同时，提高风险防范能力，构筑起我国粮食主产区粮食安全的有力保障。