基于灰色关联分析的邯郸市空气质量影响因素研究——以经济社会指标为视角

运用灰色关联分析法研究了2014-2018年邯郸市部分经济社会指标与空气质量影响的关联程度.结果表明:工业增加值、能源消耗、邯郸市机动车拥有量是影响邯郸市空气污染的主要因素.其中工业增加值与SO_2关联程度最高,能源消耗与PM_(2.5)和PM_(10)关联程度最高,邯郸市机动车拥有量与NO_2、O_3、CO关联程度最高.针对空气质量影响因素的分析,提出产业升级改造,优化能源结构,绿色出行等建议.     

中国各地区PM_(2.5)影响因素的空间差异特征分析

基于空间变系数模型,采用局部线性BGWR拟合方法,分别从经济、人口和环境的角度,选取9个指标,对2016年中国各地区PM_(2.5)浓度的空间差异性及其影响因素进行探究.结果表明:降水、天气、森林覆盖率、对外开放水平、污染治理和地区生产总值与PM_(2.5)浓度显著负相关;单位GDP能耗、产业结构和城镇化率与PM_(2.5)浓度显著正相关.其中,天气因素和城镇化率的影响程度较其他因素更为显著.最后,提出人口空间合理布局、产业结构优化升级等建议,旨在成功实现PM_(2.5)污染控制和减排.     

乌鲁木齐PM_(2.5)与其他空气污染物的去趋势互相关系数分析

为了避免时间趋势对相关性的影响,深入了解乌鲁木齐市PM_(2.5)与其他空气污染物的相关关系,本文基于乌鲁木齐市2015-2018年监测站点空气质量实时监测数据,使用新方法—去趋势互相关系数分析法来探索乌市PM_(2.5)与PM_(10)、SO_(2)、NO_(2)、CO、O_(3)五种空气污染物之间的关系.一方面,通过去趋势互相关系数分析法分别对以“天”为单位和以“小时”为单位的数据进行分析,发现PM_(2.5)与PM_(10)、SO_(2)、NO_(2)、CO之间呈正相关性,与O_(3)呈负相关性,并发现CO相比其他空气污染物与PM_(2.5)的关系最为显著.另一方面,去趋势互相关系数分析法的等值线图可以直接观察到乌市PM_(2.5)与其他空气污染物在不同时间点和不同时间尺度下的相关关系变化状况,从而为乌市空气质量问题的治理,降低人类健康风险提供理论支持.     

基于改进高斯模型的哈尔滨市PM_(2.5)扩散问题实证分析

2013年初以来,国内发生大范围持续雾霾天气,我国城市PM_(2.5)的污染问题引起了社会各界的关注和重视.根据风场和气象变化对高斯扩散模型进行适当改进,并提出基于高斯模型的PM_(2.5)扩散预测模型.以哈尔滨市PM_(2.5)近期实测数据为基础进行实证分析,对市区内10个地区的PM_(2.5)扩散和浓度变化做出合理的预测.     

汉中市中心城区PM_(2.5)时空变化特征及影响因素分析

以汉中市中心城区2016年至2018年大气颗粒物PM_(2.5)监测数据为基础,利用数理统计和空间插值方法,分别从时间和空间的角度研究了该地区PM_(2.5)的分布变化特征,并分析了其影响因素.研究结果表明,PM_(2.5)的月均值浓度呈"单峰单谷"型,极大值和极小值分别出现在1月和7月,分别为100.8μg·m~(-3)和22.6μg·m~(-3).PM_(2.5)的浓度随季节变化的特征较为明显:冬季春季秋季夏季.从空间分布来看,总体上呈南高北低的分布特征,其中高浓度主要集中在西南部,并向东南一带递减延伸.     

基于稀疏图模型的PM_(2.5)分布的网络结构学习

本文聚焦于中国31省会城市PM_(2.5)污染的网络结构分析.基于稀疏图模型研究PM_(2.5)污染网络的中心点和PM_(2.5)污染网络的社区结构,结果表明:PM_(2.5)污染严重的城市同时也是PM_(2.5)污染网络的中心点;PM_(2.5)污染网络存在明显的区块特征,同一区块内的城市可认为其污染具有某种共性.基于研究结果,对于PM_(2.5)污染的治理,我们建议关注重点区域城市,开展分地区治理,并重点关注西部污染.     

神经网络在复杂自相关预测过程中的应用及对比研究

由于PM_(2.5)日均浓度值受外界多重复杂因素的影响,其较强的自相关性使得时间序列模型ARIMA构建难以实现,因此,给出高映射能力的非线性神经网络预测模型,并分别建立基于BP神经网络和GRNN神经网络的预测模型,进行PM_(2.5)浓度预测实验.结果表明,BP神经网络回检过程和检测过程存在不稳定性,预测残差波动较大,而GRNN神经网络检测残差呈完全U型,回检过程和检测过程较稳定,并且GRNN神经网络回检数据拟合度、预测数据精度和运算速度均优于BP神经网络,建模过程更为方便,易于实际应用.     

基于时间序列分析的北京地区PM2.5浓度研究

基于中国环境监测总站公布的实时空气质量监测数据, 利用时间序列模型对PM2.5指标的数据进行了平稳性、纯随机性检验, 同时进行了模型阶数、未知参数估计以及模型显著性检验与优化. 最终在此基础上建立了指标预测的数学模型, 并对未来三天的PM2.5浓度值进行预测. 进一步地, 基于向量自回归(VAR)模型, 对北京市万寿西宫站PM2.5数据进行相关性分析, 研究空气中污染物O_{2}、NO_{2}、CO、O_{3}、PM10与PM2.5的动态影响关系. 研究发现当天的PM2.5浓度会受到前几天PM2.5、PM10、O_{3}、SO_{2}等污染物浓度的影响,其中PM10对PM2.5的影响最为明显且持续时间最长, O_{3}、SO_{2}对PM2.5浓度的影响在二、三期最为明显.     

基于GM(1,1)模型群的深圳市大气污染物灰色预测

通过灰色系统GM(1,1)模型群,对深圳市未来两年的主要大气污染物浓度进行了预测分析.通过预测得到,在未来两年内,深圳市的SO2浓度基本已经达到国家环境空气质量一级标准,NO_2、PM_(10)浓度已达到国家二级标准,深圳市空气质量将持续好转.结果表明,GM(1,1)模型群具有一定的实用价值.     

转型期我国劳动争议现状及其关键影响因素分析——基于我国内地31个省(市、自治区)的面板数据

研究首先对2001-2017年以来我国劳动关系现状进行梳理,具体包括劳动争议案件受理情况、劳动争议的主要原因以及劳动争议案件处理情况三部分.其次选取我国内地31个省(市、自治区)劳动关系的2002-2017年面板数据,以劳均案件数与产均案件数作为被解释变量,以年度GDP、抚养比、文盲比、GDP增长率、人均GDP、失业率、工会组织数、市场化和城镇化为解释变量,通过建立面板回归模型发现:1)对和谐劳动关系影响显著的解释变量存在显著的地区差异性;2)地区内部的劳均案件与产均案件影响因素几乎一致;3)对于劳均劳动争议、产均劳动争议以及各解释变量的分类结果存在较大省际差异.研究结论可为我国和谐劳动关系的构建提供参考.     

空气中PM2.5问题的研究

主要研究空气污染中的PM2.5扩散问题.首先利用相关分析法讨论了PM2.5与SO_2,NO_2,CO,PM10,O_3的相关性,建立线性回归方程;然后建立一维的反应扩散方程,预测PM2.5浓度变化,并定量与定性分析西安市空气污染状况;再建立高斯烟羽模型,对持续高浓度PM2.5扩散情形进行拟合,并对污染物扩散范围进行预测,得到重度污染以及可能安全区域;最后通过建立最优化模型,得到较有经济效益的空气治理方案.     

西安市PM2.5相关因素多元回归分析模型

为了探索空气污染的主要因素,对空气污染监测指标PM2.5与AQI中其他监测指标进行相关性分析,得到PM2.5与SO2、NO2、CO呈正相关,与O3和温度呈负相关,同时利用多元回归模型得到PM2.5与主因子的数量关系,给西安市PM2.5防控提供参考意见.     

基于时间序列的长沙市PM2.5的统计分析

通过对长沙市2015年AQI检测指标数值PM2.5与SO_2,NO_2,PM10,CO,O_3间相关性进行分析,得到PM2.5与SO_2,NO_2,PM10,CO间存在正相关关系,与O_3间为负相关关系.后建立自回归移动平均模型(ARMA)对长沙市2015年的PM2.5进行短期预测,得到最优模型为ARMA(3,2).最后对长沙治理PM2.5提出相关建议.     

空气中PM2.5的动态扩散及宏观预测

以PM2.5扩散、衰减模式为研究对象,分析探究了PM2.5的扩散规律、危机治理及其后5年的治理问题.首先通过主成分分析法,建立了PM2.5与其它污染物之间的多元非线性对数模型.同时引入相对湿度的影响因素对模型进行再度优化,提高了模型的拟合优度.运用统计学原理,得出采集点之间的PM2.5具有较高的协同性.另外分析了静态下PM2.5污染物颗粒的受力和漂移模式和从点源、面源两方面分析了PM2.5动态扩散模式,建立了PM2.5的扩散偏微分方程模型.根据建立的扩散模型,对突变的污染物浓度确定安全区域的范围.最后建立综合费用和专项费用的多目标优化模型,利用贝叶斯支持向量机方法对PM2.5进行宏观预测,并运用系统动力学理论对目标值进一步优化,并对不同治理模式进行对比分析.     

基于Pairwise惩罚方法的面板数据模型结构变点估计

面板数据模型在经济、生物、统计等领域有着广泛的应用。经典的面板数据模型假设解释变量系数不随时间变化。然而在现实中,解释变量系数可能会因多种因素的影响而存在多重未知的结构变点。本文假设交互固定效应面板数据模型中含有多重未知的结构变点。研究发现通过Pairwise惩罚的参数估计方法在目标函数中增加对相邻时间解释变量系数的惩罚项,能够同时进行参数估计和结构变点诊断。蒙特卡洛模拟结果显示,不管是否存在同方差假设,该方法估计的解释变量系数均偏差较小且结构变点诊断错误率低。     

PM2.5成因的逐步回归分析及治理方案研究

应用逐步回归分析方法获得了PM2.5与3个既与综合治理又与专项治理有关的因素SO_2、NO_2、PM10的最优二次回归方程,在将治理基准年与五年后目标的PM2.5浓度折算为对应的AQI指标之后,结合数据分析计算出了基准年的PM2.5、SO_2、NO_2、PM10这4个基准指标值.然后结合PM2.5综合治理与专项治理的费用经验公式,按照五年治理投入总经费最小的原则建立了一个标准的非线性规划模型,并求解出了最少的五年总投入经费及每年经费投入.对于指导PM2.5的治理工作有一定实际意义.     

PM2.5扩散模型及预测研究

以武汉为例,以高斯扩散模型为基础研究PM2.5的扩散与衰减规律,充分考虑影响PM2.5扩散的因素,分析地面与建筑物边界反射、干沉积、雨洗湿沉积及湿度的影响,逐步改进高斯扩散模型,并引入时间t,计算当点源持续污染情况下,污染源上风和下风L公里处的浓度.通过数值仿真,得到距污染源下风向距离一定条件下污染扩散浓度的分布规律,预估突发情形下PM2.5的扩散距离及安全区域,结合三维图及平面图分析危险区及安全区.最后,结合小波理论及神经网络理论,提出小波神经网络的结构及算法,并通过Matlab实现了对PM2.5值的预测,并取得较高的预测拟合度.     

基于主成分回归的杭州市PM2.5含量的综合分析

为探究杭州市PM2.5含量与其他指标之间的关系,搜集杭州市2019年的AQI指数和AQI 6项指标进行分析.首先通过相关分析揭示PM2.5与其余5项指标的相关性,发现各指标与PM2.5均呈线性关系,又因为其余5项指标之间存在显著的线性相关性,故自变量之间存在多重共线性.为了消除多重共线性的影响,对这5项指标提取主成分,再基于主成分分析做回归分析.最后对模型进行统计诊断,按照一定标准筛选出原始数据中的强影响点,删除强影响点后得到最终模型.     

部分线性模型在空气质量指数细颗粒物PM2.5中的分析应用

主要是研究细颗粒物PM2.5与其它影响空气质量指数的因素之间的相关性.首先运用主成分分析法对影响细颗粒物PM2.5的五个指标进行降维,然后对降维过后的数据拟合部分线性模型,拟合的效果比一般线性模型与多项式回归模型所拟合的效果更好.