北京市空气污染指数(API)时间序列分析.PDF

北京市空气污染指数(API)时间序列分析 北京工商大学 冯宇通、朱晶、王一鹤 目录 摘要：1 一、本文研究的数据2 二、本文使用的模型3 1.ARMA 模型3 2.GARCH 模型4 三、实证分析4 1.数据选取和预处理：4 2.数据基本统计性质：4 3.序列的平稳性和纯随机性检验5 3.1 平稳性检验5 3.2 纯随机性检验6 4.建立均值方程6 4.1 ARMA 模型的建立6 4.2 残差随机性检验7 5.GARCH 模型拟合8 5.1 GARCH(p,q)模型8 6.预测9 7.结论10 7.1 API 呈现季节性规律10 7.2 长期记忆性10 7.3 波动时聚性10 四、不足之处11 [摘要]去年冬天北京连续出现雾霾天气，使公众加强了对空气污染治理方面的关 注，我们小组成员通过统计方法对北京空气污染状况进行分析，希望能从统计的 角度对空气污染有全新的认识。我们从中华人民共和国环境保护部数据中心获取 了2009-2012 年北京市空气污染指数的数据，采用时间序列分析方法, 对空气污 染指数建立ARMA 模型和GARCH 模型，并用构建的模型进行了预测。结果表 明: 运用时间序列方法分析北京市的空气污染状况是可行的，从分析的结果可以 为空气污染的治理提供帮助。 [关键词] 空气污染指数API 时间序列分析 ARMA GARCH 预测 近十年来，北京市在环境治理方面的确是花了不少心思，由于08年的北京奥 运会，更是促进了北京环保事业的发展，整个城市的绿化和环境取得了有目共睹 的进步。但是环境治理不是一蹴而就的事情，是个慢工，尽管北京市环境有了很 大的改观，可去年冬天连续出现的阴霾天气使得我们生活在这里的普通老百姓担 心起来，因为空气的质量高低关乎人的生命健康，谁都不愿意生活在一个“毒气 罐”里。同时国内外空气质量衡量标准的差异还引发了很大的争议。空气质量是 衡量城市环境好坏最重要的因素，随着经济的发展和城市化的推进，北京市激增 的汽车数量给空气带来了巨大的负面影响，大气环境质量也日趋恶化, 这就亟需 对城市大气环境质量进行客观、全面、实时的评价。目前，对空气质量评价的方 法有很多，例如：模糊数学、GIS技术等等。但是这些技术都没有考虑时间的因 素，空气质量是随着时间变化的。出于这样的考虑，我们选择了对北京市空气污 染指数进行时间序列分析的课题，希望通过所学的知识，运用正版的EVIEWS统计 软件，获得一些对空气治理有帮助的结论。 一、本文研究的数据 我们选择的指标是北京市空气污染指数，空气污染指数(Air pollution Index ， 简称API)就是将常规监测的几种空气污染物浓度简化成为单一的概念性指数值 形式，并分级表征空气污染程度和空气质量状况，适合于表示城市的短期空气质 量状况和变化趋势。空气污染的污染物有：烟尘、总悬浮颗粒物、可吸入悬浮颗 粒物（浮尘）、二氧化氮、二氧化硫、一氧化碳、臭氧、挥发性有机化合物等等。 该指数是反映城市空气质量情况最直接的指标，从中华人民共和国环境保护部数 据中心网站上获取了2009-2012年北京市空气污染指数的数据，对其运用一些时 间序列分析的方法，建立模型，检验预测。 表1.1 空气污染指数分级标准表 二、本文使用的模型 1.ARMA 模型 ARMA 模型是一类常用的随机模型，由博克思 ·詹金斯创立，亦称 B-J 方法。他是一种精确度较高的时序短期预测方法，其基本思想是：某些时间序列 是依赖于时间的一组随机变量，构成该时序的单个序列值，虽然具有不确定性， 但整个序列的变化却有一定的规律性，可以用相应的数学模型描述。一个平稳的 自回归移动平均时间序列，记作ARMA p ,q ，其基本模型包括三种：自回归(AR)   模型、移动平均(MA)模型、自回归移动平均(ARMA)模型。 2.G