文章标题：Cropland abandonment in China: Patterns, drivers, and implications for food security
发表期刊：《Journal of Cleaner Production》
影响因子：11.1
第一单位：浙江大学
在线日期：2023年7月18日
了解中国耕地撂荒模式有助于保护耕地，从而确保持久的国家粮食安全。然而，对全国范围内的长期耕地撂荒格局认知仍然有限。在该研究中作者通过整合连续的长期土地覆盖、自然因素和社会经济数据，调查了 1990-2019 年中国耕地撂荒的时空模式和驱动因素。研究发现每年平均废弃耕地面积为 2.34 × 104 km2。耕地空间格局和自然因素是耕地撂荒的主要驱动因素，但不同农业地区之间存在很大差异。进一步分析表明，每年因耕地撂荒造成的粮食损失约为79.4亿公斤，可养活1985万人。这些发现有助于更好地理解耕地撂荒模式的空间异质性和驱动力，为治理全球耕地撂荒和制定相关政策提供启发。
图1.中国九大农业区划分。
（该图层可通过该链接获得资源分享|中国九大农业区划图）
表2.耕地撂荒的解释变量。
图2. 1992年至2019年中国耕地撂荒情况。
图3.1992-2019年一级农业区耕地撂荒情况(a) 一级农业区平均耕地撂荒面积和率；(b) 农田撂荒因经度而异。(c) 农田撂荒情况因纬度而异；(d) 各一级农区耕地撂荒面积；(e) 各一级农业区耕地撂荒率。
图4.次级农业区耕地撂荒。(a-j) 1992-2019 年二级农业区每三年农田撂荒情况；a = 1992 年，b = 1995 年，c = 1998 年·····j = 2019 年；(k) 年平均废弃面积。
图5.各因素对耕地撂荒的贡献。（DEM和Slope代表地形高程和坡度，MAP和MAT代表降水量和温度，PCY代表耕地生产潜力，AI和Division代表耕地分布的集聚和破碎程度；PNAP和RP代表非农人口和乡村人口数比例，NGR和>65描述人口自然增长率和人口老龄化，AYE和PIP代表受教育年限和文盲人口，GDP和UR代表经济发展和城镇化化率，TPAM和IFA代表农业机械化和固定资产投入，DisPref和DisCity分别指距地级和县级城市行政中心的距离。）
图 6.解释变量对耕地撂荒概率的影响。a-d，各农业区废弃耕地的边际效应。(a) NER，(b) IMGWR，(c)LPR，(d)SCR。e，全国范围内耕地撂荒的边际效应。具体来说，纵轴值 < 0、0 和 > 0 分别表示每个变量与放弃率呈负相关、不相关和正相关。而且，绝对值越大，其影响力就越高。
图7.粮食损失评估、预测和总人口。(a) 粮食损失评估和预测；(b) 人口数量。
图8.作物潜在产量损失和粮食损失的比较分析。
