通过时间序列分析预测未来广州的空气质量指数变化

摘要

文章通过研究收集到2014-2019五年间每月广州平均空气质量指数 （AQI） ，建立多个时间序列模型进行比较，得到最适合的模型预测广州未来空气质量指数。

引言

环境保护与空气质量一直是政府与民众关注的社会热点问题，2019年9月燃烧至今的澳洲山火火势仍未得到控制，山火产生的有毒烟雾正随着季风被吹向全球每个角落；自改革开放以来，中国经济增长迅速，工业化程度与人均汽车拥有量都在稳步提高，以广州为例，2017 年 GDP 总量达 2.15万亿， 2018 年 GDP 总量达 2.3 万亿元，年增长率达 6.9%。 2017 年机动车产量超 310 万辆，位居全国城市之首； 工业规模与机动车数量的不断扩大，广州的空气质量饱受社会关注。
近年来许多学者对于空气质量指数都有独到的研究与分析，陈焕盛【1】 对 2010 年广州气象要素和 PM10 日均浓度进行气象场、排放源的空间对比、时间序列对比、散点分析、统计分析，较为全面地判断气候条件对于空气质量的影响。林植林【2】基于 ARIMA 模型对 2014年广州市日空气质量指数进行预测，其他文献则对空气质量预测标准的合理性进行介绍。
文章使用数据来源为https://www.aqistudy.cn/historydata/monthdata.php?city=%E5%B9%BF%E5%B7%9E（PM2.5历史数据网），收集广州2014-2019五年间每月的平均空气质量指数，对数据进行时间序列分析，通过其 AIC 值、 BIC 值等参数检验计算，提出广州空气质量指数预测模型，预测未来六个月的空气质量指数。

研究思路

收集广州空气质量指数数据，对数据进行时间序列建模，定性与定量分析相结合，研究思路流程图如下

图1： 广州空气质量指数研究思路流程图

文章获取广州市 2014-2019五年间每月平均空气质量指数，利用 Stata15 分析软件构建广州空气质量指数的时间序列分析模型，首先进行数据平稳性检验，判断数据平稳后接着识别模型等等步骤，最后通过理论与实际指数的比较，预测并分析未来广州六个月空气质量指数。

空气质量指数平稳性分析

图2：时间序列图

可以看出，AQI值在70附近剧烈波动，为证明时间序列图的平稳性，对时间序列进行单位根（ADF）检验。

ADF检验表

Dickey-Fuller test for unit root                   Number of obs   =        66

                               ---------- Interpolated Dickey-Fuller ---------
                  Test         1% Critical       5% Critical      10% Critical
               Statistic           Value             Value             Value
------------------------------------------------------------------------------
 Z(t)             -6.619            -3.558            -2.917            -2.594
------------------------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.0000

ADF 检验统计量值-6.619，小于 1%显著性水平下的临界值-3.558，拒绝存在单位根的零假设，说明时间序列是平稳的，无单位根存在。

图3：自相关图

图4：偏自相关图

由时间序列的 ACF 与 PACF 图像均拖尾可知，该时间序列模型为 ARIMA 模型，根据时间序列的偏自相关图与自相关图，推测 p 值与 q 值均为 1。为了保证模型更加准确，尝试将多个 ARIMA 模型并分别计算其 AIC 和 BIC 值，判断准则： AIC 与 BIC 值相对越小，模型的拟合效果越优。发现却是 ARIMA(1， 0)模型最优。

模型比较

-------------