﻿ 厦门市PM2.5浓度的多元统计分析与预测 Multivariate Statistical Analysis and Prediction of PM2.5 Concentration in Xiamen

Statistics and Application
Vol.06 No.03(2017), Article ID:21644,9 pages
10.12677/SA.2017.63036

Multivariate Statistical Analysis and Prediction of PM2.5 Concentration in Xiamen

Xiaofen Xu, Qitong Ou

School of Applied Mathematics, Xiamen University of Technology, Xiamen Fujian

Received: Jul. 20th, 2017; accepted: Aug. 5th, 2017; published: Aug. 9th, 2017

ABSTRACT

In this paper, we use the statistical principle to analyze the factors influencing the concentration of PM2.5 in Xiamen daily in 2016, and use statistical software to test whether it has correlation at first. Then we use the method of multiple linear regression analysis to build reasonable mathematical model, to forecast the concentration of PM2.5 in Xiamen during January and February 2017. Finally, reasonable suggestions are put forward according to the prediction results.

Keywords:PM2.5, Multiple Stepwise Regression Analysis, Air Quality Index AQI, SPSS

1. 引言

1) 分析厦门市2016年AQI里的6个基本监测指标的相关性；

2) PM2.5的浓度变化受其他5个指标影响的显著性，建立回归模型，求出PM2.5与各变量的相关系数；

3) 利用搜集到的数据，以及对李子奈 [4] 、何晓群 [5] 和杨云 [6] 相关著作的研究，建立回归模型，对2017年前两个月PM2.5的浓度做线性回归进而完成预测。

2. 数据的收集和处理

3. PM2.5浓度影响因素的相关性分析

Table 1. 2016 Air Quality Index and Monthly Mean of 6 Indicators (μg/m3)

Table 2. Pearson correlation coefficients for each indicator in March

Figure 1. The monthly mean change of PM2.5 concentration

4. 多元线性回归模型

Table 3. Pearson correlation coefficients for each index in June

Table 4. Pearson correlation coefficients for each indicator in 2016

Figure 2. Single factor analysis of variance

Table 5. Calculation of regression model coefficients

Table 6. Calculate the regression model coefficients after rejecting the outliers

Figure 3. Cook distance

.

Table 7. Spearman rank correlation coefficients

Table 8. Weighted least squares estimation regression coefficients

Table 9. The test of R2

Table 10. The variance homogeneity of F test

1) 在拟合前，由统计软件可计算得R2 = 0.918，表9显示拟合之后R2 = 0.999，相差甚大，可见自变量与因变量之间的相关性极高，说明模型拟合比原模型好；

2) 方差齐性分析中的计算概率为0，小于显著性水平0.05，说明上述加权多元回归模型有效。

Table 11. The comparison of PM2.5 actual value and the predicted value

Figure 4. Comparison of actual and predicted values

5. PM2.5浓度的预测

6. 结论

1) 积极响应国家“去产能”的号召，淘汰掉落后的产能。

2) 推动各产业的结构化调整和技术创新，对扬尘和工业污染进行综合治理。

3) 严格施行单双号车限行制度，增加大排气量车购置税，控制机动车尾气排放。

4) 对厦门不同区域的植被结构进行不同设置，合理高效地利用生态绿化消除PM2.5.

5) 根据不同阶段的气候特征对PM2.5采取不同的治理措施。

Multivariate Statistical Analysis and Prediction of PM2.5 Concentration in Xiamen[J]. 统计学与应用, 2017, 06(03): 311-319. http://dx.doi.org/10.12677/SA.2017.63036

1. 1. 肖建能, 杜国明, 施益强, 等. 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(9): 3363-3371.

2. 2. 赵晨曦, 王玉杰, 王云琦, 等. 细颗粒物(PM_(2.5))与植被关系的研究综述[J]. 生态学杂志, 2013(8): 2203-2210.

3. 3. 吴建南, 秦朝, 张攀. 雾霾污染的影响因素: 基于中国监测城市PM2.5浓度的实证研究[J]. 行政论坛, 2016(1): 62-66.

4. 4. 李子奈, 潘文卿. 计量经济学(第三版) [M]. 北京: 高等教育出版社, 2006.

5. 5. 何晓群, 刘文卿.应用回归分析(第四版) [M]. 北京: 中国人民大学出版社, 2015.

6. 6. 杨云, 付彦丽. 关于空气中PM2.5质量浓度预测研究[J]. 计算机仿真, 2016(3): 413-418.