華北空氣質量綜合評價及基于ARMA(1,2)模型預測分析

袁章帥 陳震元 張圣梅

摘要：針對京津冀及周邊地區空氣質量改善問題，綜合PM2.5等各項環境指標，構建華北地區空氣質量綜合評價模型，得出28個城市的空氣質量考核結果.且對2013年12月到2018年8月華北地區的典型城市——北京市的PM2.5平均濃度數據進行平穩性檢驗，建立了北京市空氣質量預測ARMA（1，2）模型.通過實際數據進行預測，驗證了模型的精確性，同時得出2022年北京市空氣質量會得到較好地改善，并為有關部門提出大氣污染治理的合理、科學的建議.

關鍵詞：空氣質量;PM2.5;綜合評價;聚類分析;自回歸移動平均模型

中圖分類號：X51 ?文獻標識碼：A ?文章編號：1673-260X（2019）05-0061-04

當前，大氣污染問題是環境的突出問題.黨的十九大報告明確提出，要“堅持全民共治、源頭治理，持續實施大氣污染防治行動，打贏藍天保衛戰”.環境保護部指出，2017年1～11月我國京津冀、長三角和珠三角PM2.5濃度分別下降38.2%、31.7%和25.6%.這些成果的取得來之不易，是包括各級環境管理人員在內的社會各界共同努力的結果.然而，近年來區域經濟發展迅速，城市化進程加快，華北已經成為全國乃至全世界空氣污染最為嚴重的地區[1]（張瑜等，2015），因此，對華北地區的空氣質量探究至關重要.

1 研究綜述

近年來，眾多學者通過多種定性與定量的研究方法對華北地區空氣質量開展了大量的研究.在定性研究方面，李曉燕等人[2]（2016）歸納總結出京津冀地區霧霾產生的原因并運用實證研究方法分析不同原因對京津冀地區的影響程度.劉娜[3]（2016）等人提出應建立公正的環境資源分配機制，完善京津冀地區生態補償機制.王穎[4]（2016）等人指出為有效做到霧霾污染治理的轉型，應在理念、組織架構、運行機制等方面進行改善.韓志明[5]（2016）等人提出公民是霧霾治理的重要力量，京津冀政府要以協同發展為契機，為公民參與霧霾治理提供支持和保障，提高霧霾治理的效率.王洛忠[6]（2016）等人指出對于區域性環境污染問題，應該構建跨行政的合作治理模式.

在定量研究方面，多數學者的研究方向主要集中在空氣質量對人體健康和社會發展的影響[7，8]（Lelieveld et al.，2015; Gauderman et al.，2015）、空氣質量與氣象因子之間的關系[9，10]（肖建能等，2016;白鶴鳴等，2015）、局部城市空氣質量的成因[11，12]（王占山等，2015;王冠嵐等，2016）、特定時段空氣污染過程[13]（潘竟虎等，2016）、空氣質量年際及季節變化（李名升等，2013;鄧霞君等，2013）[14，15]等方面.還有學者對中外空氣質量評價標準的差異進行了研究并提出改進意見[16]（高慶先等，2015）.

基于此，本文運用傳統數理統計的方法，對華北地區28個城市的空氣質量指標PM2.5濃度規律進行探究，并采用時間序列模型對華北地區典型城市北京市的未來空氣質量（PM2.5）進行預測分析，以期為華北地區大氣污染防治提供決策參考以及科學合理的建議.

2 數據來源與模型假設

本文使用的數據均來源于中國空氣質量在線檢測分析平臺，為了方便模型的構建，做出如下假設：⑴假設網頁抓取的環境質量數據（PM2.5）準確無誤;⑵不考慮政府的其他政策和措施對PM2.5的影響;⑶假設北京的監管和執法能力一直保持穩定，整改力度保持一定強度.

3 對華北地區空氣質量的綜合評價

3.1 研究思路

采用回歸分析的方法，考慮重污染天數對評價指標的影響因素，運用變異系數法對不同指標的權重進行計算，建立綜合評價模型.最后，使用聚類分析確定分級，并按照每個城市的具體得分為依據對華北地區28個城市進行排名.

3.2 空氣質量模型構建

3.2.1 數據處理

由于空氣質量目標完成情況表中的同比變幅、目標等變量數值為負，且各指標間的水平差異很大，為保證分析結果的可靠性，首先對各指標進行min—max標準化處理.

3.2.2 確定影響度

重污染天數這一指標直接影響著PM2.5平均濃度，因此用線性最小二乘法估計法計算這種影響程度，分別取PM2.5平均濃度目標完成情況和重污染天數標準化指標，對應同比變幅、目標、完成率，利用EVIEWS軟件得出OLS估計結果如下表1所示：

同比變幅：y1=0.323x1+0.719;目標：y2=0.138x2-0.236;完成率：y3=1.146x3+0.708;即重污染天數在同比變幅、目標、完成率三個方面對PM2.5平均濃度的影響程度分別為0.323、0.138、1.146.

3.2.3 建立各評價指標的權重關系

由于各指標對評價結果的影響程度不同，因此通過變異系數法計算各評價指標權重大小.根據上述分析，對標準化的數據進行處理后計算結果如下表2所示：

3.2.4 建立綜合評價模型

再次選取距離最小元素，并重復以上步驟，直到所有城市聚為四類.利用SPSS軟件完成上述操作，并按得分降序將考核等級依次設置為優秀、良好、合格、不合格;具體考核結果如表4所示.

4 基于華北地區典型城市——北京市空氣質量改善情況的預測研究

本文搜集了2013年12月到2018年8月北京市PM2.5平均濃度變化情況.其次選取月度變化數據進行平穩性檢驗，觀察序列的自相關和偏自相關圖對序列進行初步定階，并采用最小二乘法構建ARMA（p，q）模型，根據AIC準則和SBC準則確定最優模型，并依此模型預測2022年北京市PM2.5平均濃度.

4.1 序列平穩性檢驗

若任一時間序列{Yt，t∈T}的所有二階矩都存在，且對任意的t∈T，E（Yt）=？滋為一常數，對任意s，t∈T，自協方差函數？酌（s，t）只與時間差t—s有關，則序列Yt為寬平穩序列.

首先運用EVIEWS軟件畫出2013年12月-2018年8月時序圖，如下圖1所示，該時間序列沒有明顯的趨勢，因此初步判斷PM2.5平均濃度變化是平穩的.

綜合上述原理，利用EVIEWS軟件進行預測分析，得出原始序列的預測值與其真值的對比圖如圖3，由此可知，除2016年1月和2017年1月這兩個拐點的預測值與真實值相差較大外，其余點的預測值都在誤差極小的情況下盡可能地接近了真實值，說明可以運用該模型進行2022年PM2.5平均濃度的預測.

利用ARMA（1，2）對2018-2022年北京市每月PM2.5平均濃度進行預測，其中2022年北京市的每月PM2.5濃度具體預測結果如表6所示.

將上表中各月PM2.5平均濃度取平均值，得出北京市2022年年PM2.5平均濃度為25.829μg/m3;相比2018年下降39.21%，由此可知北京市未來5年空氣質量得到明顯的改善.

5 結束語

本文通過構建華北地區空氣質量綜合評價模型，為華北地區28個城市的空氣質量進行綜合評價且將28個城市聚為四類，分別為優秀、良好、合格、不合格，得出各個城市空氣質量排名和聚類分級情況.同時運用AMRA（1，2）模型預測了作為典型城市的北京市2022年空氣質量狀況.對空氣質量預測的研究會有很多，如唐曉城的基于BP神經網絡改進算法的大氣污染預測模型[17].根據本文模型預測結果表明，北京市未來5年空氣質量呈現不斷好轉的趨勢，對相關環境保護部門均有一定的借鑒意義.

為使華北地區空氣質量狀況得到進一步的改善與提升，提出以下具體建議：（1）各地政府應當有效監控各地區生產制造等行業的大氣污染，并加強環境整治力度;（2）大力提倡植樹造林，從根本上綠化生態環境;（3）政府強化監督管理力度.

參考文獻：

〔1〕張瑜，銀燕，石立新，段英，吳志會.華北地區典型污染天大氣氣溶膠飛機探測個例分析[J].高原氣象，2012，31（05）：1432-1438.

〔2〕李曉燕.京津冀地區霧霾影響因素實證分析[J].生態經濟，2016，32（3）：144-150.

〔3〕劉娜.京津冀地區環境治理績效評價的公正性研究[D].大連理工大學，2016.

〔4〕王穎，楊利花.跨界治理與霧霾治理轉型研究——以京津冀區域為例[J].東北大學學報（社會科學版），2016，18（04）：388-393.

〔5〕韓志明，劉瓔.京津冀地區公民參與霧霾治理的現狀與對策[J].天津行政學院學報，2016，18（5）：33-39.

〔6〕王洛忠，丁穎.京津冀霧霾合作治理困境及其解決途徑[J].中共中央黨校學報，2016，20（3）：74-79.

〔7〕Lelieveld J， Evans J S， Fnais M， et al. 2015. The contribution of outdoor air pollution sources to premature mortality on a global scale[J]. Nature， 525（7569）： 367-71.

〔8〕Gauderman W J， Urman R， Avol E， et al. 2015. Association of improved air quality with lung development in children[J]. New England Journal of Medicine， 372 （10）： 905-913.

〔9〕肖建能，杜國明，施益強，溫宥越，姚杰，高宇婷，林錦耀.廈門市環境空氣污染時空特征及其與氣象因素相關分析[J].環境科學學報，2016，36（09）：3363-3371.

〔10〕白鶴鳴，師華定，高慶先，李喜倉，邸瑞琦，吳宜航.基于氣象調整的京津冀典型城市空氣污染指數序列重建[J].生態與農村環境學報，2015，31（01）：44-49.

〔11〕王占山，李云婷，陳添，張大偉，孫峰，潘麗波.2013年北京市PM_（2.5）的時空分布[J].地理學報，2015，70（01）：110-120.

〔12〕王冠嵐，薛建軍，張建忠.2014年京津冀空氣污染時空分布特征及主要成因分析[J].氣象與環境科學，2016，39（01）：34-42.

〔13〕潘竟虎，張文，王春娟.2011—2013年中國霧霾易發生期間API的分布格局[J].環境工程學報，2016，10（03）：1340-1348.

〔14〕李名升，張建輝，張殷俊，周磊，李茜，陳遠航.近10年中國大氣PM_（10）污染時空格局演變[J].地理學報，2013，68（11）：1504-1512.

〔15〕鄧霞君，廖良清，胡桂萍.近10年中國主要城市空氣API及與氣象因子相關性分析[J].環境科學與技術，2013，36（09）：70-75+80.

〔16〕高慶先，劉俊蓉，李文濤，高文康.中美空氣質量指數（AQI）對比研究及啟示[J].環境科學，2015，36（04）：1141-1147.

〔17〕唐曉城.基于BP神經網絡改進算法的大氣污染預測模型[J].河南科技學院學報（自然科學版），2018（01）：74-78.