基于ARIMA模型的PM_(2.5)预测

PM2.5的精确预测是大气污染评价和治理的关键性工作。本文针对PM2.5浓度变化的时间序列分布特征,结合环境监测站提供的相关数据,应用自回归移动平均模型(ARIMA(p,d,q))预测短期PM2.5的日平均浓度。结果表明:由于PM2.5浓度变化受气象场、排放源、复杂下垫面、理化生过程的耦合等多种因素的影响,不同时段内的变化模式存在巨大差异,因此采用分时段序列预测模型可以提高PM2.5的预测精度;通过将分时段序列模型与灰色GM(1,1)模型和全年时间序列模型的预测结果进行对比,发现该模型预测效果更好。

进口贸易与经济增长的实证分析研究

本文运用单位根检验、误差修正模型、VAR模型、脉冲响应函数,利用1978-2012年的统计数据,对进口贸易对与经济增长的内在联系进行研究,结果表明GDP与进口贸易之间存在着长期稳定的动态均衡关系,进口贸易对GDP有很强促进作用,最后根据以上分析提出相关建议。