稿件查询
版权信息
主  管:广东省冶金工业总公司
主  办:广州市金属学会,广东工程职业技术学院

国际标准刊号:ISSN 2096-2789
国内统一刊号:CN44-1727/N
邮发代号:30-1005

出  版:《工程技术研究》编辑部
查稿电话:020-28163491
投稿邮箱:gczztg@126.com
     gczztg@163.com
社  址:广州市天河区凤凰街渔兴路18号
工程技术您的当前位置:首页 >> 工程技术
长沙市PM2.5与空气污染物之间的动态关系
作者:邓洋  发布时间:2017年6月20日 浏览:1126 次

随着社会经济飞速发展,频发的雾霾天气使大气污染问题受到广泛关注。PM2.5会导致能见度下降,造成雾霾,还是一种可吸入肺的细颗粒物,对人体会产生极大的危害。李加鹏[1]分析了PM2.5对室外体育锻炼群体的危害,发现长时间暴露在PM2.5高浓度区域内极易引发细胞突变诱发癌症。林瑜等[2]通过对成都市西南郊区春季大气PM2.5的污染来源分析发现成都西南郊区PM2.5的主要污染源为燃煤燃烧、土壤扬尘、汽车尾气、电子生产及机械加工。王新等[3]对兰州城区大气PM2.5污染特征也进行了研究,结果表明该地区的二次污染较为严重,污染来源于燃煤燃烧和机动车尾气;OC冬季浓度最高,而EC夏季浓度最高,形成了二次有机碳污染。魏艳等[4]研究了南充市区PM2.5的时空分布特征,发现南充市主城区PM2.5污染季节变化程度由重到轻依次是冬季、春季、秋季、夏季;城区污染的空间分布特征为嘉陵区浓度最高,其次为高坪区,最后是顺庆区。

目前关于PM2.5的研究主要集中其危害性、来源、时空变化特征,对PM2.5与空气污染物之间的动态关系研究较少。本文主要研究长沙市PM2.5与空气污染物之间的动态关系,分析其他空气污染物对 PM2.5的影响作用,为政府部门对治理PM2.5提供科学依据

1数据来源和研究方法

1.1数据来源

本文数据来源于中国空气质量在线监测分析平台网站http://www.aqistudy.cn发布的历史数据,选取长沙市201511日至20151231日的空气质量浓度日均数据,本文剔除AQI数据,主要考虑CONO2O3PM10PM2.5SO26项指标数据,单位为ug/m3,其中COmg/m3

1.2研究方法

向量自回归(VAR)是基于数据的统计性质建立模型,VAR模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型,从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。VAR模型一般写如下形式:

           

式中:k维内生变量;d维外生变量,p是滞后阶数,T是样本个数,k×k维矩阵  

           

收稿日期:2016-10-

基金项目:吉首大学校级科学研究项目(Jdy16006)

作者简介:邓 洋(1991—),女,湖南岳阳人,吉首大学数学与统计学院硕士研究生,主要从事应用统计研究。Email: dengyang1225@163.com

k×d维矩阵是待估计的系数矩阵,k维扰动列向量,它们相互之间可以相关同期,但不能有自相关,且不能与模型右边的变量相关。VAR模型要求序列是平稳的,因此先检验序列的平稳性[5]

2  结果分析

2.1单位根检验

在建立VAR模型前,要对序列进行单位根检验,确保序列数据平稳。本文采用 ADF方法对数据进行单位根检验。由序列数据的数据具有趋势,这里采用含常数项和趋势项、滞后项为0,其中检验的最优步长是根据SC值确定的,结果如表1,从表中可以看出,定义的新变量LCOLNO2LO3LPM10LPM2_5LSO25%的显著性水平下均是平稳的,因此可以用于VAR模型。

1   ADF单位根检验结果

变 量

ADF统计量

各显著性水平下的临界值

D.W.

检验结果

5%显著水平

10%显著水平

LCO

-6.9884

-3.4222

-3.1339

2.0909

平稳

LNO2

-6.4058

-3.4222

-3.1339

1.9534

平稳

LO3

-7.4926

-3.4222

-3.1339

2.1030

平稳

LPM10

-9.5923

-3.4222

-3.1339

1.9702

平稳

LPM2_5

-7.2356

-3.4222

-3.1339

1.9824

平稳

LSO2

-8.8068

-3.4222

-3.1339

1.9691

平稳

2.2 VAR模型的建立与稳定性检验

ADF检验平稳后,以这六个变量构建6维向量自回归模型为了确定VAR模型的滞后期, 根据LRFPEAICSC  HQ 取值准则,结果如表2。其中SCHQ 指标最优滞后期为1FPEAIC 指标最优滞后期为3LR指标最优滞后期为5,综合考虑将VAR的滞后期值确定为3,即建立VAR(3)

2   VAR模型的滞后期判断

Lag

LogL

LR

FPE

AIC

SC

HQ

0

-810.6515

NA

3.81E-06

4.549591

4.614493

4.5754

1

-53.11329

1485.535

6.84E-08

0.529879

0.984195*

0.710543*

2

-2.157014

98.22212

6.30E-08

0.446557

1.290287

0.782075

3

41.01062

81.766

6.05e-08*

0.406626*

1.63977

0.896999

4

69.59683

53.19105

6.31E-08

0.447929

2.070487

1.093156

5

106.2994

67.06653*

6.30E-08

0.444015

2.455987

1.244096

6

127.4797

37.99467

6.85E-08

0.526576

2.927962

1.481512

注:*表示根据该准则选定的滞后期;Lag表示滞后阶数、Log L表示对数似然函数、LR表示似然比统计量、FPE表示最终预测误差统计量、AIC表示赤池信息准则统计量、SC表示施瓦茨信息统计量HQ表示信息准则统计量。


    再运用AR特征多项式对VAR(3)进行稳定性检验,单位根图如图1所示,可以看出所有根的倒数均在单位圆之中,说明VAR(3)模型具有稳定性。

     1   VAR(3)模型单位根图

2.3 广义脉冲响应函数

系统的动态特征是每个内生变量的变动或冲击对它自己以及所有其他内生变量产生的影响作用,这可以通过脉冲响应函数加以刻画。采用广义脉冲响应函数对长沙市PM2.5对其他空气污染物的脉冲响应进行分析,选择分析期的长度为 10 期。脉冲响应函数图中实线表示脉冲响应函数曲线,虚线表示正负两倍的标准差置信带,结果如图2(af)

        

                     (a)                         (b)                       (c)