我国城市空气质量宏微观分析及研究

我国城市空气质量宏微观分析及研究作者：杨武岳郭启明来源：《楚商》2016年第04期摘要：随着气候的变化和我国的经济快速增长，空气污染严重影响了人类的正常生活和身体健康，所以对空气质量的研究显着尤为的重要。

本文采用宏微观分析两种方式对我国的空气质量进行研究，在宏观方面首先利用SPSS软件对我国31个主要城市的AQI进行系统聚类分析，共分为5个类型的城市等级，得出2015年我国主要城市大多处于第三等级水平的结论。

其次，将影响空气质量的因素分为自然因素和人为因素，选取典型城市并对其影响其空气质量的自然因素进行回归分析，得到PM2.5、O3浓度值以及温度和湿度为主要的影响因素的结论。

微观方面，回归分析影响北京地区AQI指标值过大的人为因素。

得到人口、第一产业、地区生产总值指数对解释变量的影响较大的结论。

其次，利用神经网络算法对北京地区未来几年的空气质量状况进行预测，得出北京市未来空气质量呈现波动上涨的变化趋势的结论。

最后针对以上问题的结论提出相关的解决措施和建议。

关键词：宏微观分析 AQI 系统聚类回归分析神经网络 SPSS空气污染关系到人类的生存以及健康状况，所以对空气质量的研究显着尤为的重要。

关于对空气质量近几年的研究有以下几个方面，第一，对影响空气质量优劣的因素的研究，如周兆媛等人[1]利用主成分回归分析法阐述了2001～2010年京津冀的空气污染指数与气象要素的关系。

第二，研究空气质量优劣对人类的影响。

第三，倡导环境保护的相关政策研究。

目前有很多政策性的明文规定对环境加以保护，如制定严格的工厂废气、废液的排放量和排放标准，私家车限号行驶以及对采用新型能源的汽车公司加以政府补贴等等政策性措施。

但是采用数据分析方式对空气质量进行宏微观两个方面的研究还很少。

为此，本文将基于数据分析技术对我国主要城市空气质量相关的数据进行整理和分析，并给出相应结论与意见。

一、分析目标及数据来源本文分析目标分为四个方面：首先利用“中国空气质量在线监测分析平台”网站提取出北京、哈尔滨、广州、呼和浩特等31个省会城市在2015年1月1日至2016年1月1日的综合检测值（其中包括AQI、PM2.5、PM10、CO、NO2、O3、SO2、温度、湿度、风级10项指标值）。

并根据AQI值对城市进行系统聚类，将31所城市分为5类城市等级。

其次，将AQI作为因变量，PM2.5、PM10、温度、风级等空气质量影响因素作为自变量进行多元回归分析，得到影响AQI指标值的主要影响因素。

再次，针对环保重点城市——北京地区做微观方面的数据分析，通过在中华人民共和国国家统计局网站[3]、中国宏观经济数据网站[4]上查找2004年至2014年这11年间北京地区的人口数据、宏观经济数据GDP、第一产业生产总值、第二产业生产总值、第三种产业生产总值、地区生产总值指数，回归分析影响北京地区AQI过大的因素。

最后，以空气质量达到及好于二级的天数作为判别空气质量好坏的指标，利用神经网络算法对北京地区未来几年的空气质量进行预测。

二、基于空气质量的城市等级分类根据2015到2016年大陆31个省会城市的空气质量指数AQI，利用SPSS软件对国内31个大陆城市空气质量类型进行聚类分析，并根据巴莱多定律（即在任何事物中，最重要的、起决定性作用的只占其中一小部分，约20%；其余80%的尽管是多数，却是次要的、非决定性）将31所城市分为5个城市群，并针对每一种类型进行分析与评价。

系统聚类分析系统聚类又称为分层聚类，其聚类的过程是按照一定的层次进行的。

分层聚类有两种类型：对变量进行分类，对样本进行分类。

本节针对31个样本城市2015～2016空气质量指标值对城市进行聚类分析，数据见下1所示。

利用SPSS产生的聚类分析结果如下图1所示，共有5个城市空气质量等级分类。

由图1所示的结果所示，第一类等级城市有北京、济南、郑州、乌鲁木齐、石家庄，第二类城市有天津、哈尔滨、武汉、沈阳、西安、长春，第三类城市有杭州、合肥、上海、呼和浩特、长沙、银川、成都、太原、兰州、西宁、兰州，第四类城市有福州、海口、贵阳、昆明，第五类城市有重庆、南昌、广州、拉萨、南宁。

由此可见，如北京、济南、郑州、乌鲁木齐这样工业发达的城市所对应的城市群为同一种类型，福州、海口、昆明这样沿海旅游城市的空气质量类型为一种类型。

根据分析结果将五种城市群包含的城市个数统计出来，如下图2所示：第一类城市群的AQI在112～135之间，第二类在98～104之间，第三类在83～94之间，第四类在62～75之间，第五类41～57之间。

如上图所示，2015年到2016年城市空气质量类型处于第三类型的城市较多，第一、二、四、五类型的城市个数均在5个左右。

因此，我国主要城市在2015～2016年间空气质量水平处在中等等级的城市较多。

三、空气质量优劣程度的主要影响因素分析概括影响空气质量优劣程度大小的因素分为两个主要因素，一种是人为因素，另一种是自然因素。

其中自然因素包括大气污染物、温度、湿度等因素，人为因素包括人口以及人类为了追求经济利益而引发的环境污染所对应的环境因素。

本节针对自然因素进行分析评价，第5节针对人为因素进行分析。

考虑到影响城市空气质量的9个主要因素（PM2.5，PM10，CO，NO2，O3，SO2，温度，湿度，风级），如下表2。

利用SPSS进行多元线性回归分析，得出影响AQI大小的主要因素。

（一）多元线性回归分析首先画出所有自然类的影响因素关于AQI变化的散点图，如下图3和4所示：由图3和4所示，AQI与空气污染物和气候因素大致呈现线性关系。

故设PM2.5、PM10、CO、NO2、O3、SO2、温度、湿度、风级分别为X1，X2，X3，X4，X5，X6，X7，X8，X9，因变量AQI为。

则被解释变量与解释变量间的多元线性回归模型[6]为：由上图可得由PM2.5、PM10、O3与AQI值呈现正相关变化，即PM2.5越大AQI值越大，空气质量越恶劣。

温度越高，AQI越低，空气质量越好，这在空间垂直方向上反映气温变化对空气质量的影响的规律是相吻合的。

一般情况下，温度随着高度的增加而降低的，近地面层空气中的污染物和粉尘向高空移散，所以近地面的空气质量要优于高空中。

再由上表4的结果可知因变量与自变量之间的显著性水平为0.000四、典型城市环境情况分析—以北京市为例为了探究影响空气质量的人为因素，以环保重点城市——北京为例，探究影响空气质量状况的各类人为因素，统计结果如表5所示。

（一）回归分析影响北京市空气质量优劣的因素考虑到空气质量达到及好于二级的天数可以评价空气质量的优劣程度，通过查阅中国统计年鉴[3]中北京地区的相关统计数据，针对北京市2004年到2014年空气质量达到及好于二级的天数以及人口、GDP等经济类指标建立多元回归模型。

设空气质量达到及好于二级的天数为Y，人口、GDP、第一产业、第二产业、第三产业、地区生产总值指数分别为X1～X6。

由结果可得人口、第一产业、地区生产总值指数对被解释变量的影响较大，并且地区生产总值指数、第一产业、第二产业、第三产业与因变量负相关。

第一产业对空气质量状况的影响更大一些。

（二）神经网络预测北京地区空气质量变化趋势本节根据表5的统计结果，利用MATLAB结合神经网络对北京市未来的空气质量进行预测分析。

相对于传统的线性模型（如ARMA模型），神经网络作为一种通用的非线性预测模型，在理论上具备了优于线性模型的更一般的表达能力，因而能更准确地模拟现实世界中的复杂现象[7]。

NARX 神经网络[8]是一种动态的前馈神经网络，本模型使用LM前馈算法可以实现对NARX神经网络的快速收敛。

在NARX 神经网络的当时输出不仅取决于过去的输出y（t-d），还取决于当时的输入向量X（t-d）。

则NARX神经网络函数过程可定义为：样本可分为两部分，一部分是不同年份统计的空气质量达到及好于二级的天数y（t），另一部分是多维时间序列X（t）。

NARX 神经网络模型将参与建模的数据分为两部分，一部分是训练数据，另一部分是测试数据。

验证数据不直接参与模型训练，但在模型训练过程中对网络进行反馈，从而优化网络中的训练参数。

如图5所示，蓝色的点为训练值，红色的点为预测值，由预测结果可得，北京市未来空气质量达到及好于二级的天数呈现波动上涨的变化。

预测相对误差为0.34%。

五、总结及相关建议根据第3节的结果，可以让北京地区的一些重工业工厂迁往到沿海地区，不要集中在一座城市，否则由于累积效应会加重对城市的污染。

由第4节的结果，需要我们发明生产新能源设备需要来减少PM2.5、PM10等主要污染物的排放量，从而减轻对大气的污染。

又因为空气的温度和湿度与空气质量呈现负相关的趋势，故可以适当增加空气湿度、适当提高温度使得污染指标下降。

由第5节的结论，人口和经济也是影响空气质量的两个重要的影响因素，虽然我们不能刻意的减少人口的数量或者减慢经济的发展速度，但是可以倡导绿色经济发展和环保经济发展，这样不仅可以让经济得以稳健的发展，而且可以减少对环境的危害。

参考文献：[1]周兆媛，张时煌，高庆先，等.京津冀地区气象要素对空气质量的影响及未来变化趋势分析[J].资源科学，2014，36（1）：191-199.[2]中国空气质量在线监测分析平台http：///[3]中华人民共和国国家统计局.中国统计年鉴[M].中国统计出版社，2014.[4]中国宏观经济数据http：///mac/[5]时立文.SPSS19.0统计分析从入门到精通[M].清华大学出版社，2012.[6]高惠璇.应用多元统计分析[M].北京大学出版社，2005.[7]李会军.基于人工神经元网络的非线性模型预测控制方法研究[D].中国科学院自动化研究所，2008.[8]林明，杨林楠，彭琳，等.基于BFGS—NARX神经网络的农产品价格预测方法[J].统计与决策，2013（16）：18-20.作者单位：杨武岳，北京林业大学理学院郭启明，华北电力大学电气与电子工程学院。