来源： 土地科学研究2026年1月6日

文章基本信息

• 期刊：Agricultural Systems（中科院一区TOP）

• 英文题目：Spatio-temporal changes in cropland system and its impacts on grain production in China

• 中文题目：中国农田系统时空演变及其对粮食生产的影响

• 发表时间：2026年

• 文章链接：https://doi.org/10.1016/j.agsy.2025.104573

摘要

背景：全球粮食安全仍是紧迫问题，城市化、气候变化和土壤退化加剧了营养不良率上升。因此，理解农田系统的动态变化对提高粮食产量至关重要，尤其在中国这样以有限耕地资源养活全球大量人口的国家。

研究目标：本研究旨在分析1980至2018年中国地级行政区尺度农田集约化空间变异性，通过整合农田利用强度与集约化空间变异性，揭示农田管理系统的时空演变规律。重点考察农田面积变化与集约化程度的关联性，并评估二者对粮食产量的相对贡献。

方法：采用K均值聚类算法识别出不同的农田管理系统。运用LMDI方法量化农田面积变化与集约化程度对粮食产量的贡献。

结果与结论：研究表明农业投入强度急剧上升，尤其农药和化肥使用量显著增加，而劳动力投入时间明显减少。共识别出六种典型农田管理系统，其中第1型和第3型最为普遍。第1型主要分布于东北和西北地区，表现为初始投入强度低、投入量小幅增长、投入时间小幅减少。集中于南部的第三类则呈现稳定的投入增长与适度的时间投入减少。此外，58%的省份同时存在耕地面积扩张与生产集约化现象。集约化驱动了79%的粮食增产，但存在明显区域差异：东北部和中部省份增产显著，而东南沿海地区因耕地流失导致产量下降。研究强调了耕地集约化对提升粮食产量的关键作用。这些发现表明，应制定针对性强的区域化策略，支持可持续集约化生产和节省劳动力技术，从而在城市化进程和劳动力成本上升的背景下保障长期粮食安全。

意义：本研究首次在精细空间尺度上，对中国的耕地系统动态——包括耕地集约化与面积变化——进行了长期综合分析，并考察了二者对粮食产量的协同影响。该研究不仅揭示了通过扩大耕地面积或提高耕地集约化水平均可提升粮食产量的机制，更阐明了不同地区主导增产路径的差异、作用程度及组合方式。该研究为政策制定者和利益相关方提供了关键洞见，为可持续农业实践及国家粮食安全议题的探讨作出贡献。

Highlights

•投入品使用量上升与劳动力减少预示农业生产方式发生重大转变。

• 中国各地呈现耕地面积扩张与耕作强度提升的双重趋势。

• 耕地强度提升推动了79%的粮食增产，其贡献度超越耕地扩张效应。

• 可持续性权衡关系要求制定更强有力的政策以促进可持续集约化发展。

研究框架

图1展示了用于分析耕地集约化特征、阐明耕地管理强度与面积的交互作用、并计算其对1980至2018年中国粮食产量的贡献的研究框架（基于地级行政区尺度）。具体步骤如下：

首先，通过评估单位耕地面积的农业投入（涵盖农业材料和劳动者投入的时间），分析耕地集约化程度。具体而言，耕地集约化指在现有土地上增加投入以提升生产力的过程。本研究将农田集约化具体化为：通过增加单位耕地面积（通常指物理面积）的可量化物质投入（农药、化肥、灌溉、农用塑料薄膜及机械）和劳动力投入（劳动者投入时间），从而提升土地生产力。我们聚焦于这些特定投入要素主要基于两点考量：首先，它们是物理土地系统框架内土地利用集约化的核心可量化指标。其次，在我们研究的数十年时间跨度内，这些投入在省一级均有完整且一致的数据可供使用。结合集约化程度的变化和产量差距（截至1980年），通过K均值聚类算法，本分析深入探讨了耕地管理系统的特征。

其次，我们探究了耕地面积变化与耕地利用集约化之间的相互作用。后者通过产量差距随时间缩小来衡量。这种方法具有合理性，因为尽管产量差距受品种改良和管理等多种因素影响，但在研究期间中国缩小该差距的主导路径与投入品集约化密切相关。因此，产量差距趋势可作为反映净集约化动态的综合性宏观指标。

最后，基于耕地利用强度与耕地面积的变化，采用LMDI量化了耕地利用强度与面积对粮食产量的贡献。

未来展望

本研究存在若干局限性。首先，受数据可用性限制，分析基于县级数据，可能掩盖农田管理实践的精细尺度差异。未来研究可采用更高分辨率数据以捕捉地域差异。其次，研究聚焦于有限的集约化指标（包括农业投入品与劳动时间投入）。然而受限于研究时空尺度，本研究未能直接捕捉作物品种改良、土壤管理措施等其他因素的影响。未来研究若能纳入品种采用和土壤管理实践数据，将有助于厘清这些复杂的相互作用。第三，重要的是，我们的分析未纳入关键环境约束因素，如水资源短缺和灌溉水水质（例如地下水盐度），而这些因素对于评估中国水资源紧张地区农业系统的长期可持续性至关重要。第四，虽然我们分解了总谷物产量，但模型并未区分具体谷物（如稻米、小麦、玉米）的空间分布模式及其驱动因素，这些因素可能受不同的生物物理和社会经济条件影响。未来研究若能纳入品种采用、水土管理及作物特异性路径等数据，将有助于厘清这些复杂的交互作用。最后，本研究将粮食产量分解为耕地面积与单产两部分。该模型虽捕捉了这些直接驱动因素，却忽略了潜在的生物物理与社会经济因素（如农艺关系、土壤质量、气候及农民决策），这将成为未来研究的重要方向。

文章主要图表

声明：本推送内容仅代表个人对文章的理解，烦请有兴趣的同学阅读原文。

原文请见：Tang, L., Verburg, P. H., Ke, X., Wang, C., Wu, S., Li, W., & Zhu, J. (2026). Spatio-temporal changes in cropland system and its impacts on grain production in China. Agricultural Systems, 232, 104573.