基于DEA-Malmquist我国高技术产业创新效率分析及基于annagnps模型的农业非点源污染模拟

PAGEPAGE1基于DEA—Malmquist我国高技术产业创新效率分析摘要：文章采用BCC模型测算了2000—2008年中国28个省份的高技术产业的技术创新效率，并使用DEA-Malmquist生产率指数测算了28个省份高技术产业的全要素生产率（TFP）的变动。研究表明：中国大部分省份高技术产业的技术效率不高，且省际间技术效率差异较大，主要由规模效率的差异所导致；东、中、西部地区高技术产业的技术创新效率呈现上升趋势；中国高技术产业的TFP有所上升，但是各地区TFP增长的源泉不同：东部地区主要依赖于技术进步，中部地区主要依赖于技术效率的增长，而技术退步是西部地区TFP负增长的主要原因。关键词：高技术产业；数据包络分析；Malmquist指数Onthebasisofhigh-techindustrialinnovationMalmquistDEA-efficiencyanalysisAbstract:thearticleUSEStheBCCmodelestimatesthe2000-2008yearsofChinese28provincesofhightechnologyindustrytechnologyinnovationefficiency,andUSESDEA-Malmquistproductivityindexof28provincesofhightechnologyindustrytotalfactorproductivity(TFP).ResearchshowsthatmostofChina'shightechnologyindustrytechnicalefficiencyisnothigh,andtechnicalefficiencyaredifferentbetweenprovinces,mainlybythedifferencecausedbytheefficiencyofscale;Eastern,centralandwesternregionsofhightechnologyindustrytechnologyinnovationefficiencyrise;TFPinChina'shightechnologyindustryhasincreased,butthesourceofTFPgrowthindifferentregionsisdifferent:theeasternregionmainlydependsontechnicalprogress,thecentralregionmainlydependsonthetechnicalefficiencyofgrowth,andtechnologyretrogressionisamajorcauseofTFPgrowthinthewesternregionofChina.Keywords:hightechnologyindustries;Dataenvelopmentanalysis(dea);Malmquistindex1.引言当前，高技术产业已成为一个国家和地区拉动经济增长和社会持续发展的重要手段，发展知识密集、技术密集、附加值高的高科技产业成为中国转变经济发展方式的必然选择。近年来，中国高技术产业也有了很大的发展。截止到2011年，中国高新技术产值达到8843亿元，占国民生产总值的18.73%，已成为拉动国民经济增长和促进产业结构调整的重要力量。随着高技术产业在国家经济和社会发展中的作用越来越显著，国家也逐渐加大对高技术产业人力物力的投入。数据显示，近年来中国高技术产业的投入持续攀升。R&D经费从1998年的56.45亿元，增长到2007年的545.32亿元，年均增长28.44%；R&D人员总量也有大幅度增长，从1998年到70879人，增长到2007年的248228人，年均增长14.94%。但是，仅仅加大对高技术产业的资源投入就能够提升其生产效率吗？数据显示，高技术产业的新产品销售收入从1998年的1207.254亿元，增长到2007年的10303.222亿元，年均增长只有26.68%，比R&D经费年均增长率还低。由此可见，中国高技术产业的发展不仅要注重生产要素的投入，更要注重生产要素的合理利用，即生产效率的提高。相对于发达国家，中国科技创新资源存量严重不足。因此，对中国各个省份的高技术产业的技术创新效率的测算与评价有利于当地政府认清自身发展的不足，从而制定合理的发展规划策略，实现高技术产业的可持续发展。2.文献综述目前，国内外学者对于高新技术产业创新效率进行了很多研究。研究表明，对于高新技术产业创新效率的度量有利于其向集约型生产方式进行转变，并且有利于改善高新技术产业的创新活动。当前国内外学者主要从两个角度研究中国高新技术产业的创新效率。一是从行业的角度，对高新技术产业内部的五大行业的创新效率进行测算和分析。Sun等测算了韩国制造业的技术创新效率，指出在高技术产业和低技术产业都存在技术进步，需要对技术进步和技术效率这两方面加以改进；杨惠瑛从研发的角度测算了中国高技术产业的R&D效率，指出高技术产业技术效率较高，但规模效率高低不一的状况；石光等利用1996—2007年中国高技术产业的面板数据，估算了中国高技术产业研发投入对于高技术产业发展的作用；冯缨从横向比较和纵向分析两个角度评价了江苏省域际高技术产业技术创新效率，及高级产业中各个行业的技术创新效率陈程等从创新链的角度，采用二段DEA模型测度了1999—2008年中国高新技术产业的创新绩效，并对其影响因素进行了分析；官建成等测量了五大高技术产业中的15个细分产业2001—2004年的技术创新效率，指出中国高技术产业纯技术效率有所改善，但规模效率逐年恶化；朱有为等使用随机前沿生产函数测算了中国高新技术产业研发效率，并分析了企业规模等因素对研发效率的影响；赵莉、单春霞采用DEA-Malmquist方法计算了五大高技术产业的技术进步指数和TFP指数；方毅等采用Malmquist指数测算了中国高新技术产业不同行业的动态研发效率；吕品等测算了1995—2007年中国高技术产业17个行业全要素生产率的Malmquist指数，指出中国高技术产业技术进步较低，且创新能力不足，与发达国家相比存在很大差距。二是从地区角度，对不同地区的高技术产业技术创新效率进行测量。Raab等对2002年美国50个州的高新技术产业的技术效率进行了评价和分析；Lu等利用DEA-Tobit模型对台湾194家高新技术企业的研发效率进行了评价，并对效率的影响因素进行了分析,探索高技术企业效率无效的原因所在；苏屹等使用改进DEA模型对各个省份高新技术产业技术创新绩效进行了研究，认为中国高新技术产业对中间成果过分注重，但对商品化阶段成功重视不足的问题；肖仁桥等使用二阶段DEA模型从价值链的角度，对中国28个省份2005—2009年高新技术产业的创新效率和影响因素进行了分析，指出高技术产业整体效率及分阶段效率较低，政府支持、企业规模、劳动者素质、产业结构等都对高技术产业的创新效率有着显著影响；余泳泽从价值链的角度对省际高新技术产业技术创新效率及影响因素进行了分析，认为两个阶段的技术创新的平均效率偏低，且呈现逐年恶化，这主要是由于纯技术无效率，且市场化程度、企业规模、政府政策支持和企业自身的经营绩效对各地区高技术产业技术创新效率均有正的影响；冯锋等使用链式网络DEA测算中国29个省的科技投入效率，指出中国两阶段的科技投入产出链的效率在省区和区域都存在差异；余永泽等采用随机前沿模型计算了1996—2007年中国高技术产业的研发效率，发现中国高技术产业研发效率整体较低，但呈现逐年改善的趋势，而且呈现出一定的空间差异性。上述文献从各个角度对中国高技术产业技术创新效率进行了测算，但是对于中国各个省份高技术产业的全要素生产效率（TFP）的变动趋势及其变动源泉的研究较少。因此，本文首先采用DEA的传统模型对中国各个省份高技术产业技术创新的技术效率、纯技术效率和规模效率进行分析，探讨中国省际高技术产业技术创新效率的差异所在；再采用DEA的Malmquist指数来测算和分解高技术产业的TFP，考察各个省份及地区的技术效率和技术进步对其TFP增长的影响，从而找出TFP增长的源泉所在，期望为各个省份优化产业资源配置提供科学依据。研究方法与指标选取3.1研究方法介绍3.1.1数据包络分析数据包络分析（DEA，DataEnvelopmentAnalysis）是以相对效率概念为基础对同部门或同单位多投入、多产出经济系统的相对有效性或相对效益进行评价的一种方法。Charnes、Cooper和Rhodes于1978年首先提出了规模报酬不变的CCR模型。而后，Banker、Charnes和Cooper在1984年用规模报酬变动假设取代了CCR模型的固定规模报酬假设，发展成BCC模型。BCC模型可以区分纯技术效率和规模效率，能够评价决策单位在生产技术既定的情况下是否处于生产规模最优。基于此，本文采用DEA方法中的BCC模型对中国各省份高技术产业技术创新效率进行测度。设有n个决策单元，每个决策单元有输入向量输出向量Y=，对于任意的决策单元DMUj,在凸性、锥性、无效性和最小性的公理假设下，其生产可能集：。可得到以下DEA模型：（1）公式是考虑规模收益不变的C2R模型，若在限定的条件再加上，则得到规模收益可变的BC2模型。其中，θ表示决策单元的技术效率值（TE），S+和S—表示决策单元投入冗余与产出不足。若θ=1.且S+=S-=0，则说明该决策单元DEA有效；若θ=1.且S+=S-≠0，则说明该决策单元弱DEA有效；若θ＜1，则说明该决策单元为DEA无效。3.1.2Malmquist生产效率指数Malmquis指数方法是基于DEA而提出，并用来考察跨时期的多投入和多产出变量间的动态生产效率，并由此测定全要素生产率的变化。Malmquist指数将TFP分解为技术进步变化和技术效率变化两个部分。而技术效率变化又可进一步分解为纯技术效率变化和规模效率变化。通过对TFP的分解，我们可以对效率和技术的变动情况进行测量，从而有利于TFP增长推动的内在因素进行研究。根据Fare等于1992年对Malmquist指数的定义，其表达公式如下：其中，和是分别根据生产点在相同时间段即（t和t+1）同前沿技术相比较得到的投入距离函数；和分别是根据生产点在混合期间同前沿面技术相比较得到的投入距离函数。另外，根据Fare等人的研究，Malmquist生产率指数可以分解为技术效率变化和技术变化两部分，其中技术效率变化又可进一步分解为纯技术效率变化和规模效率变化。公式（2）可变形为：（3）其中，第一项表示规模效率变化Sech，第二项表示纯技术效率变化Pech，第三项表示技术进步Tech，且第一项和第二项的乘积表示技术效率变化Effch。根据公式（3），TFP的变化可分解为规模效率的变化、纯技术效率变化以及技术进步。Sech>1，意味着生产存在规模效率；Pech>1，意味着管理水平或制度的改善使得生产效率有所提高；Tech>1，意味着由于新技术的使用或新发明的出现，使得生产前沿面向前推移，实现技术进步；Tfpch>1，意味着生产效率有所改善。反之，上述指标小于1，则表明相应效率退化。3.2指标选取与数据说明3.2.1指标选取根据以往学者们对高技术产业技术创新效率的指标体系的研究中，对于投入指标的选取主要集中在人力投入和资金投入两个方面。因此，本文选取R&D经费内部支出（X1）和新产品开发经费（X2）作为资金投入指标，选取R&D人员全时当量（X3）作为人力投入指标。而对于产出指标的选取主要集中在经济产出和专利发明两个方面。因此，本文选取新产品销售收入（Y1）衡量其经济效益产出，选取专利申请量（Y2）和拥有专利量（Y3）作为衡量其专利发明的产出。3.2.2数据说明由于西藏、海南和新疆的数据缺失较多，无法补全，本文仅选取中国大陆28个省份2004—2012年的数据进行分析。由于研发投入转化为最终经济产出具有一定的时滞性，本文按照通常的做法，取滞后期1年。投入指标为2004—2011年的数据，产出指标为2005—2012年的数据，所有数据均来自于2004—2009年的《中国高技术产业统计年鉴》。投入产出指标数据特征如表1所示。表1投入产出指标的描述性统计（2004—2012）数据来源于：2007—2012年《中国高技术产业统计年鉴》表2投入、产出指标之间的Pearson相关系数表注：**.在p＜0.01水平（双侧）上显著相关由表2可以看出，投入指标R&D经费内部支出（X1）、新产品开发经费（X2）和R&D人员全时当量（X3）与产出指标新产品销售收入（Y1）、专利申请量（Y2）和拥有专利量（Y3）呈现显著正相关，而且相关系数都在0.7以上。通过对投入产出变量相关性的检验，发现所选样本满足DEA模型所要求的产出随投入的增加而变大的性质，即等张性。因此，利用该样本数据建立DEA效率测度模型是有效的。实证分析4.1.1基于BCC模型的中国省际及地区高技术产业技术创新效率测算结果及分析各个省份高技术产业技术创新效率测算结果及分析。本研究选取2004—2012年中国28个省份的高技术产业的投入产出数据，基于规模报酬可变的产出导向的DEA模型，利用Deap2.1软件，测算了这些省份的技术效率值、纯技术效率值和规模效率值。并且，计算得出这28个省份在2004—2012年的技术效率的均值、纯技术效率的均值、规模报酬的均值，以及各个省份在2004—2012年间的规模报酬递增、递减和不变所占的比例。具体结果见表3。（1）云南和天津的技术效率、纯技术效率和规模效率的均值都为1，在所有年份都是DEA有效的。可见，这两个省份的创新效率较高，技术水平和资源配置水平都是全国最高的。其次，福建、上海、北京、山西和青海的技术效率值都大于0.6，创新效率相对较高。其中，福建、上海和北京地处东部沿海地带，科技水平处于全国领先地位，具有大量的优秀人才，国家也给与了许多政策的支持，为该地的高技术产业发展提供良好的条件。但这三个省份的规模效率要小于纯技术效率，从而拉低了其技术效率值。而山西省重视科研经费的投入、人才的引进与培训等工作，纳米氧化锌等新材料产业走在全国的前列；青海利用青藏高原特殊动植物优势资源，形成以生物技术、中藏药为主导的高科技生物产业集群。这两个省份不仅高技术产业的科技水平较高，而且取得了良好的规模效率。山西的规模效率较高为0.913，且在2000年、2003年、2004年这三年中都呈现规模报酬递增的态势。而青海的技术效率较高为0.955，且2002年、2003年、2004年和2007年都呈现规模报酬递增的态势。这说明了这两个省份以较少的投入产生了较多的产出，而且存在投入不足，生产规模过小的情况，可以加大对其高技术产业的支持力度，扩大规模，获取规模效益。表3各个省份高技术产业技术创新效率均值及规模报酬地区技术效率值纯技术效率值规模效率值规模递减比例规模递增比例规模不变比例北京0.6630.9270.70275.0%—25%天津1.0001.0001.000——100.0%河北0.2100.3460.626100.0%——山西0.7170.7840.91325.0%37.5%37.5%内蒙古0.5120.7810.71612.5%62.5%25.0%辽宁0.3960.5880.66287.5%12.5%—吉林0.4820.7020.682100.0%——黑龙江0.2820.4520.60787.5%12.5%—上海0.7910.9890.79787.5%—12.5%江苏0.4500.8550.515100.0%——浙江0.4130.7140.586100.0%——安徽0.3130.4090.756100.0%——福建0.8210.9610.85362.5%—37.5%江西0.1920.3210.629100.0%——山东0.4830.8080.621100.0%——河南0.3160.6080.562100.0%——湖北0.2290.5830.440100.0%——湖南0.4550.7820.579100.0%——广东0.5211.0000.521100.0%——广西0.5210.6170.83387.5%12.5%—重庆0.3450.4890.705100.0%——四川0.3580.6360.581100.0%——贵州0.3470.6530.568100.0%——云南1.0001.0001.000——100.0%陕西0.1370.3280.426100.0%——甘肃0.3820.4190.87262.5%37.5%—青海0.7950.9550.816—50.0%50.0%宁夏0.5420.5710.91725.0%37.5%37.5%东部0.5750.8190.688中部0.3730.5800.646—西部0.4940.6450.743而其余省份的技术效率值相对较小。特别是河北、黑龙江、江西、湖北、陕西等省份的技术效率值在0.3以下，创新效率较低，科技水平和资源配置水平都相对较低。主要原因在于这些地区技术水平等行业发展环境明显落后于东部地区。而且，这些地区的产业结构以劳动密集型的制造业和农业为主，且高技术产业的产品同质化严重，从而导致其高技术产业投入资源拥挤，产品利润低下。（2）技术效率值为纯技术效率值和规模效率值的乘积，纯技术效率值越高，说明其技术和管理水平越高；而规模效率值越高，说明其当前的生产规模越接近规模最优。中国许多省份的纯技术效率值相差不大，而规模效率相差较大，是造成省际技术效率差距的主要原因。广东省的高技术产业的纯技术效率值为1，说明了该省在当前的技术水平下，对于投入资源的利用是有效率的，并没有因为技术或者管理的因素而造成资源浪费。但是，广东省的规模效率仅为0.521，说明了该省高技术产业的规模过大，投入较多，却产出不足。除了广东省以外，江苏和山东这两个东部沿海城市的纯技术效率较高，分别为0.855和0.808。但是，由于规模效率较低，使得江苏和山东的技术效率值较低。（3）根据各个省份在2004—2012年之间，其高技术产业存在规模报酬递增、递减还是不变的情况，得知：在26个DEA无效的省份中，15个省份在所有年份都呈现规模报酬递减；7个省份在超过一半的年份呈现规模报酬递减；仅4个省份规模报酬递增的年份多于递减的年份。这说明了，中国大多数省份高技术产业的生产规模并未达到最优，存在投入较大而产出不足的情况。而事实也是如此。根据刘和东等的研究表明，中国高技术产业在1998—2007年期间的R&D经费年均增长28.44%；R&D人员总量年均增长14.94%。但与此同时，新产品销售收入年均增长只有26.68%，低于R&D经费年均增长率。这说明了一味的增加生产要素的投入，扩大生产规模并不一定有利于高技术产业的可持续发展。因此，各个省份高技术产业应逐步实现粗放式经营到集约式经营的转型。4.1.2中国省际及地区高技术产业Malmquist指数的测算结果及分析本研究利用Deap2.1软件和各个省份高技术产业2004—2012年的面板数据，计算出28个省份的Malmquist生产率指数，包括：全要素生产率指数（TFP）、技术进步指数、技术效率变化指数、纯技术效率变化指数和规模效率变化指数。具体结果见表4。中国28个省份中，有21个省份的全要素生产率（TFP）有所上升，而7个省份的全要素生产率（TFP）有所降低。其中，TFP降低的7个省份包括：内蒙古、黑龙江、广西、四川、云南、青海和宁夏。除了黑龙江以外，其余省份都地处西部地区。其中，青海省TFP年均增长率为-49.8%，技术进步年均增长率为-42%，技术效率变化年均增长率为-21.6%。本文认为技术进步呈现负增长并不是说明其高技术产业出现了技术衰退，而是其技术进步的增长速度有所下降。所以，青海省的高技术产业的技术进步的增长速度呈现衰退趋势，从而使得其高技术产业的整体技术创新水平与生产前沿面上的省份的差距逐渐拉大，是其TFP呈现负增长的主要原因。与其处于相同处境的还有云南省和宁夏省。根据省际高技术产业技术创新效率的测算结果，云南省高技术产业在2000—2008年都是DEA有效的，处于最优的生产前沿面上，即在当前的技术水平和管理水平下，达到生产规模最优，从而获得最大的产出。但是，云南省TFP年均增长率为-24.2%，技术进步年均增长率为-24.3%，技术效率无变化。这说明了云南省高技术产业虽然在当前的技术和管理水平下，达到规模最优，投入产出有效。但是，云南省的技术进步增长速度也呈现下降的趋势，使得其高技术产业的技术创新水平与先进省份的差距逐渐加大，是其TFP呈现负增长的源泉。而宁夏省的TFP年均增长率为-9.9%，技术进步年均增长率为-9.2%，技术效率变化年均增长率为-0.8%。可见，技术进步的增长速度放缓也是宁夏省TFP降低的主要原因。而黑龙江的TFP年均增长率为-6%，技术进步年均增长率为7.6%，技术效率变化的年均增长率-12.6%。可见，黑龙江的技术进步速度有所上升，但是其技术效率呈现下降趋势。而其纯技术效率年均增长率为-16.6%，规模效率年均增长率为4.6%。这说明了黑龙江在当前的技术和管理水平下，其投入资源的利用存在浪费，且产出不足。而技术效率变化的降低是其TFP呈现负增长的主要原因。表4中国省际高技术产业Malmquist指数及其构成地区TFP指数技术进步指数技术效率变化指数纯技术效率变化指数规模效率变化指数北京1.1611.1271.0311.0001.031天津1.0341.0341.0001.0001.000河北1.1811.0261.1501.1700.983山西1.3601.2181.1171.1041.011内蒙古0.8120.9050.8981.0000.898辽宁1.0591.0091.0491.0441.005吉林1.3851.0451.3261.3310.996黑龙江0.9401.0760.8740.8351.046上海1.0471.0520.9961.0000.996江苏1.0541.0810.9751.0000.975浙江1.0631.0341.0291.0071.021安徽1.3921.1551.2051.2670.951福建1.0211.0640.9590.9830.976江西1.0231.0081.0161.0131.002山东1.0931.0781.0130.9351.084河南1.0860.9671.1231.1970.939湖北1.2660.9781.2951.3140.986湖南1.0430.9251.1281.0151.073广东1.1541.0301.1211.0001.121广西0.8690.9590.9060.9051.002重庆1.0451.0540.9910.9811.010四川0.8320.9690.8590.8491.012贵州1.1691.0711.0911.1520.947云南0.8580.8581.0001.0001.000陕西1.1610.9631.2061.0821.115甘肃1.3211.1411.1571.1371.018青海0.5120.5800.8841.0000.884宁夏0.9010.9080.9921.0000.992在21个TFP有所上升的省份中，山西、吉林、安徽和甘肃的TFP年均增长幅度都在30%以上，增长幅度较大。除甘肃以外，其余省份都地处中部。其中，安徽TFP年均增长率为39.2%，技术进步年均增长率15.5%，技术效率变化年均增长率为20.5%；吉林TFP年均增长率为38.5%，技术进步年均增长率4.5%，技术效率变化年均增长率为32.6%。可见，安徽和吉林省的高技术产业的技术进步的增长速度有所上升。但是，其技术效率变化的增长幅度更大，是其高技术产业TFP快速增长的源泉。而山西TFP年均增长率为36%，技术进步年均增长率21.8%，技术效率变化年均增长率为11.7%。可见，由于技术进步的增长速度逐渐加快，缩小了与先进地区的技术水平的差距，从而带动了其高技术产业TFP的增长，“追赶效应”显著。另外，甘肃TFP年均增长率为32.1%，技术进步年均增长率14.1%，技术效率变化年均增长率为15.7%。可见，甘肃省高技术产业不仅技术进步的增长速度有所提高，而且改善了管理水平，提升了投入资源的利用率，这两方面因素共同推动了其TFP的增长。其余TFP年均增长率为正的省份，根据TFP增长的动力源泉的不同，可分为两类。一是主要由技术进步的增长速度加快所推动的，包括：北京、天津、上海、浙江、江苏、福建和重庆，大多省份位处东部地区；二是主要由技术效率变化的增长所推动的，包括：河北、辽宁、江西、河南、湖北、湖南、广东、贵州、陕西和甘肃，大多省份位处中西部地区。通过上述分析可知，对于东部地区的省份，由于其优越的区位优势，使得其能够较早的接触并引进先进的技术、设备和管理理念，技术的进步是推动其TFP增长的关键因素；而对于中西部地区的省份，其技术进步逐渐放缓，而技术效率变化的增长成为了其TFP增长的动力来源。4.13中国高技术产业Malmquist生产率指数的整体变化及区域差异分析（1）中国高技术产业TFP整体变化分析。从2000—2007年，中国高技术产业年均增长率为4.7%。其中，技术进步年均增长率为0.3%，技术效率年均增长率4.3%。由此可见，中国高技术产业的技术进步增长速度缓慢，说明了高技术产业对于新技术或者新发明的应用较少，产业整体技术创新水平的提升幅度较小，导致其TFP增长缓慢。而高技术产业的技术效率变化的增长大于技术进步，是中国高技术产业TFP增长的动力所在。而中国高技术产业的纯技术效率年均增长率为4.2%，规模效率的年均增长率仅为0.1%。由此可见，技术效率变化的增长主要来源于纯技术效率的提高，这说明了中国高技术产业经过多年的发展，已经培养出一批优秀的管理人才，产业整体的管理水平有所提高，对于创新性资源的利用率有所提升。但是，中国高技术产业的规模扩张较快，大多省份呈现规模报酬递减的状况，资源投入过剩，产出不足的现象仍然存在，致使规模效率的增长并不明显。而且，近年来中国高技术产业技术进步的增长速度呈现下降的趋势，有可能成为产业可持续发展的制约因素。表5中国技术产业Malmquist指数及构成年份TFP指数技术进步指数技术效率变化指数纯技术效率变化指数规模效率变化指数2004-20050.9340.8091.1541.2150.9502005-20061.0521.3660.7700.7780.9912006-20071.2051.3270.9081.0020.9062007-20081.3051.0491.2441.0661.1672008-20090.8191.0910.7511.0840.6932009-20101.1450.8431.3581.0681.2722010-20110.9480.7231.3121.1401.150均值1.0471.0031.0431.0421.001中国各地区Malmquist指数的区域差异分析。从区域角度来看，中部和东部地区的TFP有所增长，而西部地区的TFP呈现下降趋势。其中，中部地区TFP年均增长率为17.4%，在三个地区中增长幅度最大。其高技术产业的技术效率变化指数年均增长率为12.7%，技术进步指数年均增长率为4.2%。由此可见，技术效率变化的增长是其高技术产业TFP的大幅度增长的源泉。而产业的技术进步增长速度缓慢，“追赶效应”不明显。而中部地区纯技术效率变化年均增长率为12.7%，规模效率没有变化。可见，其技术效率变化的增长来源于纯技术效率的增长，说明了近年来中部地区高新技术产业的技术水平和管理水平有了很好的改善，生产要素的集约利用率逐年上升。东部地区TFP年均增长率为8.5%。其中，技术进步年均增长率为5.3%，是三个地区中唯一一个超过全国技术进步年均增长率平均水平的地区，而技术效率的年均增长率为3.1%。由此可见，技术进步是推动东部地区TFP增长的主要源泉，这也与东部地区优异的区位优势和产业结构相匹配。表6中国东、中、西地区高技术产业Malmquist指数及其构成地区TFP指数技术进步指数技术效率变化指数纯技术效率变化指数规模效率变化指数东部1.0851.0531.0311.0121.018中部1.1741.0421.1271.1271.000西部0.9200.9270.9921.0070.986全国1.0471.0431.0031.0421.001西部地区的TFP年均增长率为-8%。其中，技术进步年均增长率为-7.3%，技术效率变化年均增长率为-0.8%。由此可见，西部地区高技术产业的技术进步增长速度逐年下降，与东部和中部地区的技术水平的差距越来越大，从而导致其高技术产业的TFP呈现负增长。结论（1）中国大部分省份的技术效率不高，且省际间技术效率差异较大，主要由规模效率的差异所导致。而且，大部分省份呈现规模报酬递减的状况，需要控制其高技术产业的发展规模，努力提升生产要素的效率。（2）东、中、西部地区高技术产业的技术创新效率呈现上升的趋势，且东部地区>西部地区>中部地区，呈现东、西、中地区创新效率递减趋势。其中，东部地区的纯技术效率最高，但存在规模效率较低的问题。这说明了东部地区虽然具有较强的技术优势和管理水平，值得中部和西部学习。但是，但其在大力引进先进技术和优秀人才时，未考虑到高技术产业的规模效应，存在投入冗余和产出不足的现象。而西部地区的规模效率值最高，但纯技术效率较低的问题。这说明了西部地区在现有的技术和管理水平下，能够实现规模效益，从而获得可观的产出。但是，其高技术产业技术创新能力较弱，管理水平落后，需要加强技术改进。而中部地区的纯技术效率和规模效率都最低。（3）中国大部分省份高技术产业的TFP都有所上升。其中，山西、北京、天津、上海、浙江、江苏、福建和重庆等高技术产业TFP的增长源泉在于技术进步增长速度的加快；安徽、吉林、河北、辽宁、江西、河南、湖北、湖南、广东、贵州、陕西和甘肃等高新技术产业TFP的增长源泉在于技术效率的改善。而技术进步的速度放缓导致了云南、青海和宁夏高技术产业TFP呈现负增长；技术效率的下降是内蒙古、黑龙江、广西和四川高技术产业TFP负增长的源泉。（4）从全国层面来看，中国高技术产业的TFP呈现上升趋势，其动力来源于技术效率的改善。但是，由于技术进步未发挥良好的作用，使得产业TFP增长缓慢。（5）东部和中部地区高技术产业的TFP都有所增长，但是TFP增长的动力来源有所不同。东部地区主要依赖于技术进步的增长，这也比较符合东部地区的区位优势；中部地区则更多的依赖于技术效率的增长，特别是纯技术效率的增长，说明了中部地区高技术产业的管理水平有所改善，投入要素的利用效率有所提高。而西部地区高技术产业的TFP呈现下降的趋势，主要是由于其高技术产业的技术进步速度有所放缓。6.参考文献[1]刘和东，陈程.中国原创性高新技术产业技术效率测度研究———基于创新链视角的两阶段分析[J].科技进步与对策，2011，28（12）：119-124.[2]官建成，陈凯华.中国高技术产业技术创新效率的测度[J].数量经济技术经济研究，2009，26（10）：19-33.[3]SunCH，KalirajanKP.Gaugingthesourcesofgrowthofhigh-techandlow-techindustries：ThecaseofKoreanmanufacturing[J].AustralianEconomicPapers，2005，44（2）：170-185.[4]杨惠瑛，王新红.高新技术产业R&D效率测度[J].科技进步与对策，2012，29（2）：113-116.[5]石光，薛卫.中国高技术产业研发效率的面板数据检验[J].科技管理研究，2011：56-49.[6]冯缨，滕家佳.江苏省高技术产业技术创新效率评价[J].科学学与科学技术管理，2010（8）：107-112.[7]陈程，刘和东.中国高新技术产业创新绩效测度及影响因素研究[J].科技进步与对策，2012，29（1）：133-137.[8]官建成，陈凯华.我国高技术产业技术创新效率的测度[J].数量经济技术经济研究，2009（10）：19-32.[9]朱有为，徐康宁.中国高技术产业研发效率的实证研究[J].中国工业经济，2006（11）：38-45.[10]赵莉，基于DEA分析法的高新技术产业R&D创新效率研究[J].华北水利水电学院学报，2012，28（4）：76-78.基于AnnAGNPS模型的农业非点源污染模拟摘要：本文以大沽河典型小流域为研究区，借助GIS和相关资料率定参数，完成模型数据库的建立。在此基础上，采用流域出口2001～2002年径流量、泥沙和总氮监测数据优化参数、校准和验证模型，分析AnnAGNPS模型在大沽河典型小流域应用的可行性。2000～2001年，地表径流的年均模拟偏差分别为12.7%和7%，丰水期的月模拟偏差都在±30%以内，日模拟值与实测值相关系数分别是0.98和0.91，模拟结果理想；年均泥沙输出模拟误差分别为19.1％和15%，月均泥沙估算的相关系数分别为0.78和0.73，模拟结果基本可接受；年均模拟误差为50%左右，月均估计及降雨场次模拟的相关系数分别低于0.7和0.6，总氮污染负荷估算有很大的不确定性。结果表明，如何提高模型的营养盐模拟精度将是未来AnnAGNPS模型在大沽河流域应用的前提与基础。本研究成果对于AnnAGNPS模型在国内的应用和推广，具有很好的示范性，并为大沽河全流域分布式水文模型的构建奠定了基础。关键词:非点源AnnAGNPS模型大沽河典型小流域适用性

Simulationofagriculturalnon-pointpollutionbasedonAnnAGNPSmodelZOUGui-hong1,CuiJian-yong2(1.Collageofenvironmentalscienceandengineering,OceanUniversityofChina,QingdaoChina,2660032.CollegeofEarthResourcesandInformation，ChinaUniversityofPetroleum,DongyingChina,257061)Abstract:GIS(GeographicInformationSystem)wasintegratedwithAnnAGNPS(AnnualizedAgriculturalNon-PointSourceModel),whichwasusedtoinput,analyze,andvisualizespatialdatathatagriculturalNon-pointsourcepollutionconcerned.Onthisbasis,theperformanceofAnnAGNPS,insimulatingrunoff,siltandtotalnitrogenintypicalsub-watershedsofDagucatchmentwasevaluated.Themodelwascalibratedandvalidatedusingobservedstreamflow,sedimentloadandtotalnitrogendataduring2000and2001insub-watershedsoutlet.Theannuallyrelativeerrorofsurfacerunoffwasseparately12.7%and7%,thedifferenceduringthewetmonthswasunder30%,andR2of0.98and0.91wasseparatelyforevent-basedrunoff,whichshowedthemodelperformedwellforrunoffsimulation.Moderateaccuracyofpredictionforsedimentwasobtainedwithannuallyrelativeerrorof19.1%and15%,andR2of0.78and0.73duringcalibrationandvalidation.Astherelativeerrorof50%forannualoutputoftotalnitrogen,however,AnnAGNPSfailedtocalculatethetotalnitrogenwithR2separatelydownto0.7and0.6formonthlyanddailysimulation.Itisobservedthatthereisaneedtomodifyorimprovetheestimationmethodsofthetotalnitrogentoincreasetheperformanceofthemodelwhichcanaidwatershedmanagementinlocalconditions.ThestudyresultsinthispapermakeagooddemonstrationforapplyingAnnAGNPSmodelinChina,andlayagoodfoundationforestablishmentofwholeDagubasinKeywords:non-pointsource,AnnAGNNPSmodel,Dagutypicalsub-watersheds,evaluation

0引言随着点源污染的有效控制，非点源污染已成为水体污染的主要因素之一，受到越来越多的关注和研究[1-2]。研究表明，非点源污染负荷有逐渐超过点源污染负荷，成为地表和地下水体首要污染源的趋势[3-4]。非点源污染模型是实现非点源污染定量评价的有效工具之一。它通过对整个流域系统及其内部复杂污染过程的定量描述，帮助我们分析非点源污染产生的时间和空间分布特征，识别其主要来源和迁移途径，预报污染负荷量及其对水体的影响，并评价土地利用变换以及不同管理措施对非点源污染和水质的影响，为流域规划和管理提供决策支持[5]。在国外，尤其是美国已经开发了许多流域非点源污染模型并且将其应用到了流域污染负荷模拟及其管理措施的制定和评价中[1]。我国由于基础资料的缺乏，适合我国情况的流域非点源污染模型开发较少，因此将国外成熟的流域非点源污染模型引入我国流域非点源污染及流域管理中具有一定的研究意义[5-6]。由美国农业部开发的AnnAGNPS模型作为农业非点源污染研究的主要手段，被广泛应用于计算非点源污染负荷、关键源区识别、模拟非点源管理方案中[7]。模型在中国的应用集中在东南沿海的浙江和福建[8],对于受非点源污染严重影响的东部沿海地区，此类研究鲜见报道。本文以大沽河典型小流域为例，在划分集水单元，提取模型参数的基础上，通过小流域出口2001～2002年降雨径流、泥沙及总氮监测数据，分别检验AnnAGNPS模型在大沽河典型小流域日、月及年尺度上的适用性，为大沽河流域水资源与水环境提供重要的水文基础支持。1.材料与方法1.1研究区概括大沽河是胶东半岛最大的河流，流域面积7511.5km2，流域水资源丰富，多年平均河川径流量为6.3×108m3。大沽河流域是鲁东低山丘陵区的一部分，地形变化的总趋势是北高南低。处于北暖温带季风气候区，降水年际变化悬殊，主要集中于5～本研究选取以张家院水文站为出口的小流域为研究区（图1）。研究区分布于河流的上游地段，其面积为610.81km2。土地利用类型主要为耕地、林地、草地、水体，其中耕地面积占总面积的60%左右，草地占27%。土壤类型主要图1.研究区、站点位置图Fig.1Thelocationofstudyregionandstation1.2AnnAGNPS模型AnnAGNPS模型（AnnualizedAgriculturalNon-pointSourcePollutionModel）是由美国农业部开发研究而成的用于模拟评估流域地表径流、泥沙侵蚀和氮磷营养盐流失的连续型分布式参数模型[9],与其前期版本AGNPS相比，AnnAGNPS模型的改进之处在于：以日为基础连续模拟一个时段内每天及累计的径流、泥沙、养分、农药等输出结果，可用于评价流域内非点源污染的长期影响；根据地形水文特征进行流域集水单元的划分，且模拟的流域尺度更大；与GIS的紧密集成，模型参数大多可自动提取，模拟结果的显示度得以显著提高[10]。该模型采用SCS-CN径流曲线方程计算地表径流量，并按每日的耕作、土壤水分和作物情况，相应地调整曲线数。其中前期土壤水分条件由SWRRB和EPIC模型计算，渗漏计算采用了Brooks-Corey方程，流量峰值计算采用了TR-55模型。采用校正的通用土壤流失方程计算地表泥沙侵蚀量。模型逐日计算各集水单元内氮、磷和有机碳的营养盐状况，包括作物对氮磷的吸收、施肥、残留的降解和氮磷的迁移等。氮磷和有机物的输出按可溶态和颗粒吸附态分别计算，并采用了一组动力学方程计算平衡浓度。作物对可溶态营养盐的吸收计算，则采用了简单的作物生长阶段指数。采用与CREAMS模型相同的公式计算氮、磷的可溶态浓度和颗粒态浓度[9]。1.3参数率定1.3.1集水单元以流域1:50000地形图为数据源，利用ARCGIS软件建立数字高程模型（DEM）。在此基础上，利用AnnAGNPS-Arcview集成界面，运行地形参数模块（TOPAGNPS）自动划分集水单元（cell），勾划地表排水沟道（reach），生成集水单元文件AnnAGNPS_cell.dat和沟道参数文件AnnAGNPS_reach.dat,分别包括各集水单元和沟道的面积、高程、坡度、坡长等参数。由定义的临界源面积（thecriticalsourcearea,CSA）和最小初始沟道长度(theminimumchannellength,MSCL)来反映流域下垫面的空间变异性。根据研究区地形、土地覆被的差异将小流域划分为104个集水单元和142条河道。同时，利用该界面将集水单元文件与流域2000年的1:10万土地利用图和1:100万土壤图分别进行空间叠加运算，确定各集水单元的主要土地利用类型和土壤类型。1.3.CN值是一个反映降雨前流域特征的综合参数，与流域前期土壤湿润状况（Antecedentmoisturecondition,AMC）、土壤、覆盖类型及水文状况密切相关。为了确定和区分CN值，美国土壤保持局按照不同的土壤渗透性能和产流能力的大小，划分了4种土壤水文类型：A类（透水）、B类（较透水）、C（较不透水）、D（接近不透水）。根据大沽河上游的土壤、植被、水文状况和土地利用类型等，参照CN值的取值条件[11]，确定各土地覆被类型的CN值（表1）。林地和草地的水文条件依据植被密度来估计，耕地的则依据作物生长季节为依据来调整。表1研究区不同土地覆盖CN值Table1CNvaluesofdifferentland-coversinthestudyregion土地覆盖类型管理措施水文条件不同水文土壤组CN值ABCD休耕地裸地差76859093好74838890行播作物直行耕作差72818891好67788589等高种植差70798488好64758286小粒作物直行耕作差65768488好63758387等高种植差63748285好60738184林地—差45667783好30557077草地—差49587178好39617480表1表征的是中等含水量（）的CN值，模型依据土壤水分条件，每日自动调整各用地类型的CN值。1.采用莱阳站1996－2001年日气象数据（雨量、最高与最低气温、露点温度、云量、风速），依据气象文件的格式说明，编译FORTRAN程序，建立日气象输入文件（Dayclim.inp）。降雨量和降雨侵蚀力(R)一般表现为幂函数关系[12]，利用2000-2001年日降雨量[13]，计算每隔15d的R值，并将其累积以获得年降雨侵蚀力。土壤数据包括空间分布数据，物理、化学属性数据。根据各集水单元的土壤类型，查阅山东省第二次土壤普查结果，获得土壤质地、分层厚度、容重、总氮及总磷数据。将小流域土壤质地由卡钦斯基粒级制转换为模型要求的美制[14]，依此间接获得土壤水文土壤组,凋萎系数，有效田间持水量、饱和导水率参数值[15]。土壤氮磷养分分别按照96%，4%，15%，85%的比例转换[16]以获得有机氮、无机氮、有机磷、无机磷的含量。作物数据从3个方面考虑:首先是作物的产量、残留物、分解等基本参数,其次是发芽、生长、成熟和衰老4个生长阶段的划分和各阶段的N、P吸收率；第三是从作物生长开始后，每隔15d的根系、覆盖和高度累积值。作物产量通过《2000年青岛统计年鉴》获得，其它参数主要利用模型提供的作物数据库文件Crop.xls和美国农业手册703号[17]获得。由农田施肥调查获得施肥量、施肥深度、各种养分含量比例。1.4校准与验证模型的校准是将模拟值与监测值进行对照，并在一定的、合理取值范围内不断调整输入参数，使模拟结果与实测值之间的误差可以接受。利用来自水文年鉴的2000~2001年张家院水文站（图1）日流量、月泥沙输出数据，青岛市环保局提供的2000~2001年东丁家、西巨家及张家院水质监测断面的日总氮负荷来校准和验证模型。在典型的河川径流过程中，流量过程线可以很直观的区分为两部分：基流与地表径流。因AnnAGNPS模型仅模拟地表径流部分，在模型校准之前，利用Pettyjohn&Henning[18]编写的HYSERP程序将基流分割出去。2000～2001年日径流范围为2.1×104～2.8×106m3/d，其均值为2.39×102m3/d，日均基流量为1.19×102m3/d20002001图22000-2001年研究区流量过程线和基流Fig.2.Hydrographandbaseflowforstudyregion为评价模型计算的质量，方便模型参数校正，本文采用两个指标来表征模型实测值与模拟值的拟合度。1)模拟偏差：（1）式中,V为模型模拟值，V’为实测值，为模拟偏差，值越趋于0，模拟精度越高。2）绘制1:1连线图和回归曲线，反映径流、泥沙及总氮的拟合度，在1:1连线图上，数据点越接近于1:1连线，则拟合度越高。决定系数R2越大，则表示实则值与模拟值的拟合度越好。研究认为，当R2大于0.8，相对误差在15%以内，模拟结果理想；R2在0.6～0.8之间，相对误差在30%以内，模拟结果基本可接受；R2小于0.6，相对误差大于30%时，模拟结果不理想[19]。2结果2.1模拟精度检验2.1.1由于地表径流影响了泥沙和氮磷输出，泥沙输出影响颗粒态氮磷输出，因此，模型模块的参数校正存在先后顺序，首先对水文模块进行校正，其次是对泥沙侵蚀模块，最后是氮磷营养盐流失模块[7]。因缺少日泥沙监测数据，仅模拟泥沙年均、月均输出负荷，而水文、营养盐模拟都是在年、月、日3个层次上完成。SCS的径流曲线数CN是影响地表径流的主要参数，土壤供水能力对地表径流量的模拟结果也产生一定的影响。对比监测值和模拟值的差异程度，依据小流域的地形特征、AnnAGNPS说明书中CN的取值范围、经验值及其它流域的取值作为参考，反复调试CN值来校准径流量。在此基础上微调土壤供水能力，使实测值最大程度与模拟值接近。利用SCS径流曲线数CN模拟地表径流量，特大暴雨时模拟值往往远高于实测值[20-22]。鉴于此，参考各地表覆盖类型CN值的取值范围，首先将CN值设为最低值，在此基础上将CN值升高一定比例，直到得到令人满意的统计评估结果。模型对CN值的改变很敏感，且当CN值比原来升高6%时模拟结果最理想。在水文模拟参数调整中，首先实现的是年水量平衡。2000和2001年实测的地表径流分别为57.6×106m3和21.73×106m3，对应的模拟值各为65.9×106m3和23.15×106m3,模拟偏差分别为12.7%和－7%，模拟结果较为理想。对于月降雨量小于10mm的枯水期（12－3月），模拟值都为0，模拟偏差高达－100％，说明水文模块对降雨量反应相当敏感。在平水期和丰水期，除个别月模拟值与实测值存在较大误差外（2001年10月），模拟偏差都在±表22000-2001月径流量实测值与模拟值对比Table2Themonthlyrunoffamountsofmeasuredandpredictedforthestudyregion月份20002001实测值模拟值降雨量模拟偏差(%)实测值模拟值降雨量模拟偏差(%)（106（106mm（106（106mm10.1800-1000.2103.4-10020.1300-1000.2700-10030.0600.3-1000.200.5-10040.460.3866.2-170.64026.2-10050.280.27.5-290.510.3963.6-2462.071.7751.7-140.550.423.7-2774.685.66213.3219.0411.14165.623840.2447.42279.4188.8410.19194.91598.096.727.6-170.640.4919.4-23102.042.6679.2300.530.3641.4-32111.171.1443.8-30.240.1817.8-25120.2305.8-1000.04013.8-100合计57.6465.93774.8-41121.7323.15570.3-593校准检验图4研究区2000-2001年日径流量实测值与模拟值拟合图Fig.4Comparisonofsimulatedandobservedsurfacerunofffrom2000to2001instudyregion2.1.2AnnAGNPS模型使用修正的通用土壤流失方程RUSLE计算坡面侵蚀，产沙量主要受RUSLE中的几个关键性因子影响，其中作物经营管理因子C最敏感，土壤可侵蚀因子K次之。作物经营管理因子C与地表覆盖度、叶冠覆盖率关系密切，为本文的主要调整对象。根据土地利用性质、作物生长状况、模型中的参数取值范围以及文献中的参数取值[23]调整地表覆盖度和叶冠覆盖率的大小，来校准模型。在此基础上，根据土壤性质微调K值，使泥沙的模型输出值与实测值最大程度的接近。泥沙作为一种载体，吸附了大量的N、P等营养物质进入水体，水质校正首先从泥沙开始。2000～2001年实测泥沙年均输出量分别为10.99×104t和46.59×103t，对应的模拟值为13.09×104t和53.6×103t，泥沙输出量分别被高估了19.1％和15%。这主要是模型采用Bagnold方程计算河道输沙量，没有考虑水流对河床的摩擦，增大了河床泥沙能量的损失，造成渠道泥沙的有效迁移力远大于由侵蚀提供的泥沙量，系统地高估泥沙迁移力[24]。2000年和2001年月均泥沙模拟值与实测值的相关系数分别为0.78和0.73（图5）。由于缺少数据，不能确定日泥沙的模拟精度。因与月泥沙输出相比，日泥沙估算对输入参数要求将更加严格，且RUSLE适于模拟年均土壤侵蚀，可以预测日均泥沙模拟精度低于月均泥沙输出。校准检验图52000-2001年泥沙输出量实测值与模拟值拟合图Fig.5Comparisonofsimulatedandobservedsedimentfrom2000to2001instudyregion2.1.3对于氮营养盐的输出，氮的衰减系数和河道曼宁系数比较敏感，化肥施用量、土壤中氮的本底值也对氮的输出产生一定程度的影响。研究发现，将曼宁系数由模型默认的0.04调整为0.05，氮的衰减系数由0.75增加到0.1，模拟结果最理想。在此基础上，分别根据作物生长周期、土壤类型微调化肥施用量和土壤含氮量，使模拟值与实测值最大程度吻合。化肥施用量和土壤含量氮与模型的氮营养盐输出基本成线性关系，表现出化肥施用量、土壤含氮量较高时，总氮输出值也较高的特征。2000～2001年东丁家、西巨家及张家院站总氮监测值较少。鉴于此，利用张家院站降雨场次总氮监测值来校准模型，东丁家、西巨家站的相应数据来验证模型。西巨家、东丁家及张家院年均总氮负荷分别为79.96t,126.01t和137.31t，实测值各为142.43t，195.19t和237.77t，其模拟偏差分别为－43.86%，－35.44%和－49.85％。从以上结果可以看出，各小流域总氮输出量明显被低估，这可能是本文为了避免误差累积，未将基流中总氮含量分割出去所致。年均总氮输出的相对误差大于30%，模拟结果不理想。张家院、东丁家及西巨家，月均总氮实测值与模拟值的相关系数分别为0.64，0.68和0.72。与年、月总氮输出相比，降雨场次总氮模拟精度很差，张家院、东丁家及西巨家实测值与模拟值的相关系数分别为0.49，0.48和0.55（图6）。张家院断面，日总氮模拟偏差变幅很大，为2.88%～244.25%；东丁家小流域出现日总氮含量被高估三倍的情况；相比较而言，西巨家断面模拟精度稍有提高,模拟偏差在－85.38％～5.35％之间，主要是该小流域汇水面积最小，受外界干扰最少。与径流与泥沙模拟相比，研究区总氮模拟输出表现出很大的不确定性。模型的水文模块模拟精度较高，对总氮输出的模拟情况较差。主要是因为在水文部分或者侵蚀部分出现的误差，会转移并且扩大到营养盐部分。由于数据精度的限制，本文未能严格区分径流中的氮和泥沙携带氮，这可能也是总氮输出模拟精度较差的原因之一。校准检验图62000-2001年总氮实测值与模拟值拟合图Fig.6Comparisonofsimulatedandobservedtotalnitrogenfrom2000to2001instudyregion以上结论与国外学者的研究结果比较一致。在VirginiaPiedmont流域，AnnAGNPS模型的降雨场次地表径流，泥沙，总氮输出实测值与模拟值的相关系数分别为0.97，0.76和0.4[24]。Hanalei流域的日径流量实测值与模拟值的相关系数为0.55，月均径流相关系数增为0.9，日均、月均沉积物实测值与模拟值的相关系数分别为0.5和0.85[22]。2.2敏感度分析本文利用敏感性指数对输入参数（径流曲线数CN、地表残茬覆盖度、叶冠覆盖率、土壤可侵蚀力K、氮的衰减系数、河道曼宁系数）进行敏感性分析，评价模型在参数输入发生变化时的响应过程，识别出对模型结果影响最为敏感的参数。（2）式中S为敏感性指数，I1和I2是输入参数的最小和最大值；I12为I1和I2的平均值；O1和O2分别为与I1和I2对应的模型输出，O12为O1和O2的均值。研究发现影响地表径流输出最敏感的参数为CN值，敏感性指数S为2.37。对于泥沙输出，地表残茬覆盖度和叶冠覆盖率最敏感，降雨侵蚀力次之，S值分别为－2.9，－2.4和0.9。地表残茬覆盖度、叶冠覆盖率与泥沙输出呈负相关关系，即地表残茬覆盖度和叶冠覆盖率越低，泥沙输出量越大。对于氮磷营养盐的输出，最敏感的参数为氮的衰减系数和曼宁系数，S值分别为－0.272和－0.345。3.结论非点源污染模型AnnAGNPS具有强大的水循环模拟能力和对水资源综合管理的支撑能力，在世界范围内得到广泛应用。本研究将其应用于受非点源污染严重的大沽河流域，分析其在大沽河流域应用的可靠性。研究表明：对地表径流年均模拟偏差在15%以内，月均偏差在±30%以内，降雨场次模拟的R2在0.9以上，模型对该区域地表径流的模拟较适宜；对泥沙输出的年均模拟偏差在±20%以内，月均R2高于0.7，模拟结果可接受；总氮模拟年均偏差高达50%，月均和降雨场次总氮负荷的相关系数分别在0.6和0.5附近波动，模拟结果表现了很大的不确定性。可见，如何提高模型在研究区的营养盐模拟精度将是未来AnnAGNPS的重点研究方向之一。本研究对于AnnAGNPS模型在国内的应用和推广，具有很好的示范性，并为胶州湾入海全流域分布式水文模型的构建奠定了基础。[参考文献][1]胡雪涛，陈吉宁，张天柱.非点源污染模型研究[J].环境科学，2002，23（3）：124－128[2]朱继业，窦贻俭.城市水环境非点源污染总量控制研究与应用[J].环境科学学报，1999,19(