华北空气质量综合评价及基于ARMA(1,2)模型预测分析

袁章帅 陈震元 张圣梅

摘要：针对京津冀及周边地区空气质量改善问题，综合PM2.5等各项环境指标，构建华北地区空气质量综合评价模型，得出28个城市的空气质量考核结果.且对2013年12月到2018年8月华北地区的典型城市——北京市的PM2.5平均浓度数据进行平稳性检验，建立了北京市空气质量预测ARMA（1，2）模型.通过实际数据进行预测，验证了模型的精确性，同时得出2022年北京市空气质量会得到较好地改善，并为有关部门提出大气污染治理的合理、科学的建议.

关键词：空气质量;PM2.5;综合评价;聚类分析;自回归移动平均模型

中图分类号：X51  文献标识码：A  文章编号：1673-260X（2019）05-0061-04

当前，大气污染问题是环境的突出问题.党的十九大报告明确提出，要“坚持全民共治、源头治理，持续实施大气污染防治行动，打赢蓝天保卫战”.环境保护部指出，2017年1～11月我国京津冀、长三角和珠三角PM2.5浓度分别下降38.2%、31.7%和25.6%.这些成果的取得来之不易，是包括各级环境管理人员在内的社会各界共同努力的结果.然而，近年来区域经济发展迅速，城市化进程加快，华北已经成为全国乃至全世界空气污染最为严重的地区[1]（张瑜等，2015），因此，对华北地區的空气质量探究至关重要.

1 研究综述

近年来，众多学者通过多种定性与定量的研究方法对华北地区空气质量开展了大量的研究.在定性研究方面，李晓燕等人[2]（2016）归纳总结出京津冀地区雾霾产生的原因并运用实证研究方法分析不同原因对京津冀地区的影响程度.刘娜[3]（2016）等人提出应建立公正的环境资源分配机制，完善京津冀地区生态补偿机制.王颖[4]（2016）等人指出为有效做到雾霾污染治理的转型，应在理念、组织架构、运行机制等方面进行改善.韩志明[5]（2016）等人提出公民是雾霾治理的重要力量，京津冀政府要以协同发展为契机，为公民参与雾霾治理提供支持和保障，提高雾霾治理的效率.王洛忠[6]（2016）等人指出对于区域性环境污染问题，应该构建跨行政的合作治理模式.

在定量研究方面，多数学者的研究方向主要集中在空气质量对人体健康和社会发展的影响[7，8]（Lelieveld et al.，2015; Gauderman et al.，2015）、空气质量与气象因子之间的关系[9，10]（肖建能等，2016;白鹤鸣等，2015）、局部城市空气质量的成因[11，12]（王占山等，2015;王冠岚等，2016）、特定时段空气污染过程[13]（潘竟虎等，2016）、空气质量年际及季节变化（李名升等，2013;邓霞君等，2013）[14，15]等方面.还有学者对中外空气质量评价标准的差异进行了研究并提出改进意见[16]（高庆先等，2015）.

基于此，本文运用传统数理统计的方法，对华北地区28个城市的空气质量指标PM2.5浓度规律进行探究，并采用时间序列模型对华北地区典型城市北京市的未来空气质量（PM2.5）进行预测分析，以期为华北地区大气污染防治提供决策参考以及科学合理的建议.

2 数据来源与模型假设

本文使用的数据均来源于中国空气质量在线检测分析平台，为了方便模型的构建，做出如下假设：⑴假设网页抓取的环境质量数据（PM2.5）准确无误;⑵不考虑政府的其他政策和措施对PM2.5的影响;⑶假设北京的监管和执法能力一直保持稳定，整改力度保持一定强度.

3 对华北地区空气质量的综合评价

3.1 研究思路

采用回归分析的方法，考虑重污染天数对评价指标的影响因素，运用变异系数法对不同指标的权重进行计算，建立综合评价模型.最后，使用聚类分析确定分级，并按照每个城市的具体得分为依据对华北地区28个城市进行排名.

3.2 空气质量模型构建

3.2.1 数据处理

由于空气质量目标完成情况表中的同比变幅、目标等变量数值为负，且各指标间的水平差异很大，为保证分析结果的可靠性，首先对各指标进行min—max标准化处理.

3.2.2 确定影响度

重污染天数这一指标直接影响着PM2.5平均浓度，因此用线性最小二乘法估计法计算这种影响程度，分别取PM2.5平均浓度目标完成情况和重污染天数标准化指标，对应同比变幅、目标、完成率，利用EVIEWS软件得出OLS估计结果如下表1所示：

同比变幅：y1=0.323x1+0.719;目标：y2=0.138x2-0.236;完成率：y3=1.146x3+0.708;即重污染天数在同比变幅、目标、完成率三个方面对PM2.5平均浓度的影响程度分别为0.323、0.138、1.146.

3.2.3 建立各评价指标的权重关系

由于各指标对评价结果的影响程度不同，因此通过变异系数法计算各评价指标权重大小.根据上述分析，对标准化的数据进行处理后计算结果如下表2所示：

3.2.4 建立综合评价模型

再次选取距离最小元素，并重复以上步骤，直到所有城市聚为四类.利用SPSS软件完成上述操作，并按得分降序将考核等级依次设置为优秀、良好、合格、不合格;具体考核结果如表4所示.

4 基于华北地区典型城市——北京市空气质量改善情况的预测研究

本文搜集了2013年12月到2018年8月北京市PM2.5平均浓度变化情况.其次选取月度变化数据进行平稳性检验，观察序列的自相关和偏自相关图对序列进行初步定阶，并采用最小二乘法构建ARMA（p，q）模型，根据AIC准则和SBC准则确定最优模型，并依此模型预测2022年北京市PM2.5平均浓度.

4.1 序列平稳性检验

若任一时间序列{Yt，t∈T}的所有二阶矩都存在，且对任意的t∈T，E（Yt）=？滋为一常数，对任意s，t∈T，自协方差函数？酌（s，t）只与时间差t—s有关，则序列Yt为宽平稳序列.

首先运用EVIEWS软件画出2013年12月-2018年8月时序图，如下图1所示，该时间序列没有明显的趋势，因此初步判断PM2.5平均浓度变化是平稳的.

综合上述原理，利用EVIEWS软件进行预测分析，得出原始序列的预测值与其真值的对比图如图3，由此可知，除2016年1月和2017年1月这两个拐点的预测值与真实值相差较大外，其余点的预测值都在误差极小的情况下尽可能地接近了真实值，说明可以运用该模型进行2022年PM2.5平均浓度的预测.

利用ARMA（1，2）对2018-2022年北京市每月PM2.5平均浓度进行预测，其中2022年北京市的每月PM2.5浓度具体预测结果如表6所示.

将上表中各月PM2.5平均浓度取平均值，得出北京市2022年年PM2.5平均浓度为25.829μg/m3;相比2018年下降39.21%，由此可知北京市未来5年空气质量得到明显的改善.

5 结束语

本文通过构建华北地区空气质量综合评价模型，为华北地区28个城市的空气质量进行综合评价且将28个城市聚为四类，分别为优秀、良好、合格、不合格，得出各个城市空气质量排名和聚类分级情况.同时运用AMRA（1，2）模型预测了作为典型城市的北京市2022年空气质量状况.对空气质量预测的研究会有很多，如唐晓城的基于BP神经网络改进算法的大气污染预测模型[17].根据本文模型预测结果表明，北京市未来5年空气质量呈现不断好转的趋势，对相关环境保护部门均有一定的借鉴意义.

为使华北地区空气质量状况得到进一步的改善与提升，提出以下具体建议：（1）各地政府应当有效监控各地区生产制造等行业的大气污染，并加强环境整治力度;（2）大力提倡植树造林，从根本上绿化生态环境;（3）政府强化监督管理力度.

参考文献：

〔1〕张瑜，银燕，石立新，段英，吴志会.华北地区典型污染天大气气溶胶飞机探测个例分析[J].高原氣象，2012，31（05）：1432-1438.

〔2〕李晓燕.京津冀地区雾霾影响因素实证分析[J].生态经济，2016，32（3）：144-150.

〔3〕刘娜.京津冀地区环境治理绩效评价的公正性研究[D].大连理工大学，2016.

〔4〕王颖，杨利花.跨界治理与雾霾治理转型研究——以京津冀区域为例[J].东北大学学报（社会科学版），2016，18（04）：388-393.

〔5〕韩志明，刘璎.京津冀地区公民参与雾霾治理的现状与对策[J].天津行政学院学报，2016，18（5）：33-39.

〔6〕王洛忠，丁颖.京津冀雾霾合作治理困境及其解决途径[J].中共中央党校学报，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，杜国明，施益强，温宥越，姚杰，高宇婷，林锦耀.厦门市环境空气污染时空特征及其与气象因素相关分析[J].环境科学学报，2016，36（09）：3363-3371.

〔10〕白鹤鸣，师华定，高庆先，李喜仓，邸瑞琦，吴宜航.基于气象调整的京津冀典型城市空气污染指数序列重建[J].生态与农村环境学报，2015，31（01）：44-49.

〔11〕王占山，李云婷，陈添，张大伟，孙峰，潘丽波.2013年北京市PM_（2.5）的时空分布[J].地理学报，2015，70（01）：110-120.

〔12〕王冠岚，薛建军，张建忠.2014年京津冀空气污染时空分布特征及主要成因分析[J].气象与环境科学，2016，39（01）：34-42.

〔13〕潘竟虎，张文，王春娟.2011—2013年中国雾霾易发生期间API的分布格局[J].环境工程学报，2016，10（03）：1340-1348.

〔14〕李名升，张建辉，张殷俊，周磊，李茜，陈远航.近10年中国大气PM_（10）污染时空格局演变[J].地理学报，2013，68（11）：1504-1512.

〔15〕邓霞君，廖良清，胡桂萍.近10年中国主要城市空气API及与气象因子相关性分析[J].环境科学与技术，2013，36（09）：70-75+80.

〔16〕高庆先，刘俊蓉，李文涛，高文康.中美空气质量指数（AQI）对比研究及启示[J].环境科学，2015，36（04）：1141-1147.

〔17〕唐晓城.基于BP神经网络改进算法的大气污染预测模型[J].河南科技学院学报（自然科学版），2018（01）：74-78.