我国主要城市气温影响因素分析

摘要：一个城市的平均气温与其生产活动和经济运行息息相关，同时对该市将来的持续发展也有着较为显著的影响。故平均气温一直是研究工作者们讨论的一个重要课题。本文通过简单随机抽样，对城市全年降水量、建成区面积、纬度、森林资源情况以及日平均日照时数与城市年平均气温进行回归分析，研究了全国31个主要城市中以上因素对年平均气温的影响程度。基于2019年的最新数据，我们通过Eviews建立了多元线性回归模型，经过对模型的检验和调整，验证了其多重共线性不严重，同时不存在异方差问题。通过筛选和修正，最终确定了影响我国主要城市年平均气温的显著性因素，得出了最终模型。结果表明，纬度、森林资源情况以及日平均日照时数对我国主要城市年平均气温有显著影响。关键词：年平均气温；抽样调查；多元线性回归模型；Eviews一、绪论随着人类社会的进步与发展，人们的生产活动对自然和生态也有着越来越大的影响。近年来，全球气候变暖的大趋势为世人所瞩目，关于气温不正常变化的议题层出不穷。而气温变化无论是对作物的生产成长还是人类的经济生活都有着重要影响，因此，对我国主要城市的年平均气温的研究分析就显得意义非凡了。故，本文旨在通过分析全年降水量、建成区面积、纬度、森林资源情况以及日平均日照时数与主要城市年平均温度的关系，判断其相关性强弱，从而得出影响全国年平均温度的因素及其重要性，给出相关结论及建议。1.1研究背景据不完全统计，全球每年至少有半数以上人类生产活动受到气候影响，对各大企业而言，由气候原因等不可控因素造成的经济损失更是难以计量。而我国作为农业大国，疆域辽阔，自然灾害频繁，社会经济发展受到气候因素的严重制约，如农业等对气候因素依赖严重的行业更是在国民经济中占据较大比重。因此，城市气候等因素足以影响到国民经济的稳健运行。1.2研究意义城市气温与人们的日常生活息息相关，无论是经济作物的生长或是人类工作活动的开展，气温都在其中扮演了一个相对重要的角色。因此，展开对城市平均气温主要影响因素的专项研究是很有必要的。对主要影响因素及其作用程度的掌握，有利于我们发现城市气温演变规律，从而做出更为精准的预测，人为控制生产活动适应城市气候，增加人类生产活动效率。此外，我国南北跨越暖温带、亚热带、热带，具有比较丰富的气候条件和多变的气温类型，因此，对我国主要城市平均气温影响因素的研究不仅能表明我国城市气温状况，同时对全球城市平均气温影响因素的研究分析也具有重大意义和深远影响。1.3国内外文献综述1.3.1国内文献综述为了探究市平均气温与选定的解释变量的具体相关关系，我们查询了诸多类似文献。通过观察学者们对相关因素的研究分析，学习其研究方法和过程，同时分析其结论从而给我们的结论形成带来帮助。从研究结论上看我们发现，对于某省份的地级市而言，城市的绿化面积与年平均气温有着较大的相关关系，二者之间的回归方程为Y=-0.934X+17.700，相关系数R2=0.8489。故城市绿化面积每增加1hm2，城市年平均气温降低0.934℃（杜敏晴、王晨、吴世祥、刘守江[1]，2018）。可见城市绿化面积对于降低城市气温具有显著影响。另外，在α=0.01的条件下，气温日较差与日照时间在全年均呈显著正相关，与平均降水量均呈负相关，但后者只在春夏及全年时段通过了α=0.01的检验（周宇、史军、孙国武、董广涛[2]，2012）。从数据来源上，在查阅诸多文献时我们发现，学者们通常于统计年鉴中查询相关时间序列数据，也有的于国家划分的160个气象站中收集资料（周宇、史军、孙国武、董广涛，2012），这为我们一开始的数据收集与资料查找提供了方向。另外，在研究方法上，研究一个解释变量的学者们并不会局限于该变量的时间序列数据分析，还会研究其距平值、极端值，从而排除由外界因素带来的不利干扰，增加研究结果的准确性。（董晓珊、千怀遂[3]，2017）所以我们在此次回归分析中，一开始也通过一系列的筛选方法排除了一些不显著因素，把原定的8个解释变量精简到了5个，并对其进行全面分析。在对以上文献的研究中，我们也同样发现了一些需要改进的地方。例如选取较少解释变量进行分析的学者数据显得较为单薄，不具有很大说服力，故我们于变量个数上做了较大改进；有的文献选择的调查地区地理位置和周边环境等太过特殊，研究分析的结果不具有太大代表性（杜敏晴、王晨、吴世祥、刘守江，2018）。故我们在选取数据的时候，选择了全国31个主要城市的当年数据，使研究结果显得更有真实性和标志性。1.3.2国外文献综述HuangHuanchun、YangHailin、DengXin、HaoCui、LiuZhifeng、LiuWei、ZengPeng[4]（2020）指出，人类活动和土地覆盖变化对城市热场格局的影响与地表温度和气温密切相关。并采用地理建模等空间分析方法对北京市气温影响因素的组成和尺度进行了研究，结果表明，地表温度和自然绿地率等对城市热岛效应愈加严重的地区温度影响较大。M.Feichtinger、R.deWit、G.Goldenits、T.Kolejka、B.Hollósi、M.Žuvela-Aloise、J.Feigl[5](2020)基于人群数据对维也纳市近区夏季城市气温进行分析。他们尝试使用公民气象站网络，从而得到密集高效的观测网络，以研究维也纳市近区夏季城市的气温模式。由此可见，国外的城市气温影响因素研究发展较为成熟，在研究方法、结论等方面成果也比较丰富。1.4研究方法与技术路线1.4.1研究方法文献归纳法本文首先对国内外关于城市气温影响因素的文献及书籍进行整理，初步了解相关领域的研究现状；然后从中选取相关信息，通过概括其中重合的影响因素等找到选取解释变量的方向；并对相关文献资料的研究方法进行归纳和学习，以便于研究过程中的实践应用。对比分析法本文将相关文献资料的研究方法、以及各种路径下的研究结果进行对比分析，从而找到不同时期、不同估计量下分析结果的差异，以便发现更多思路和解决问题的角度，选择出更适合本文的研究方法。1.4.2技术路线分析研究工作的背景环境及影响，提出研究问题。查阅已有理论基础，撰写文献综述，通过文献归纳和对比分析选取变量，找到主要方向。根据相关理论基础建立模型，通过检验和修正得出结论。对数据做描述性分析及预测，与最终结果进行比较。1.5创新与不足1.5.1创新之处一方面，本文研究所用数据均为国家统计年鉴最新发布的统计数据，在数据上具有创新性，所得结论也更为贴近我国当前状况，具有一定借鉴性。另一方面，本文在选取数据时，选择了全国31个主要城市的当年数据，使研究结果显得更有可信度和代表性，更加贴合我国实际情况，弥补了相关文献的不足。1.5.2不足之处一方面，本文抽取的样本量数据尚且较为片面，代表性不足。在数据选取过程中，由于数据来源存在局限性，只能选取各省会与直辖市的相关数据，不能精细到更多城市丰富样本，部分变量数据采用局部代表性数据来取代整体，以致造成模型的偏差。另一方面，选取的解释变量不够齐全。在最初选取气温的影响因素时，由于部分主要影响因素难以用数值进行表达和评估，比如地形、海陆位置、洋流因素等等，因而纳入可能相关性较低的解释变量，导致模型说服力偏低。另外，由于本人水平不足，本次实验方案还不够完善，研究模型较为简单，在统计数据资料搜集和研究方式创新方面均尚有不足之处。二、数据选取与变量选择2.1数据选取本文于国家统计年鉴中选取了2019年我国31个主要城市的相关数据，主要包括年平均温度、全年降水量、该生森林资源情况（森林面积）、建成区面积、纬度等。考虑到选取的是2019年的最新数据，且数据范围包含了我国绝大部分城市的气温情况，各变量相关性较高，故本文数据具有代表性和实用性。2.2变量选择从相关文献及生活常识中可以归纳出，城市气温主要与其地理位置、降水情况、开发程度及一些气候因素等有密切联系。故本文挑选了较具有代表性的纬度、全年降水量、日平均日照时数、建成区面积、森林资源情况等指标作为解释变量，城市年平均温度为被解释变量，进而具体分析出城市气温与这些变量的相关程度及具体相关情况。2.2.1被解释变量：Y（年平均温度）城市年平均温度是指该城市整年每日的日平均温度的均值，而通常来说，年平均温度用月平均温度来计算。我国各城市年平均气温对城市发展及日常生活都有着重要影响，对平均气温影响因素的研究不仅能判断各因素对气温的影响性强弱；在全球气温变暖的大环境下，更是可以为相关研究工作者进行城市的发展规划设计、环境建设等提供较为科学的参考。2.2.2解释变量1）X1：全年降水量降水量是即自然落到地面上的液态和固态降水，一年中每月降水量平均值的总和就是年降水量。一个城市的纬度、海陆位置及地形因素等都会对当地年降水量产生影响，考虑到充足的水汽和气温下降等也会很大程度上影响到降水量的大小，故我们选择城市全年降水量作为一个解释变量，反向研究其对平均温度的影响程度。2）X2：该省森林资源情况城市森林资源情况（此处考虑森林面积）是指该城市由乔木构成，林冠层盖度达到0.2及以上的林地或者林冠幅宽度达到10米以上的林带的面积。由于光合作用和蒸腾作用，森林向来有冬暖夏凉的特征，更是能对整个周边环境起到较大影响，被称为大自然的调度师。故考虑这一指标为解释变量，研究其对平均温度的影响性大小。3）X3：建成区面积建成区面积是指城市行政区域内实质上已大面积开发规划建设、市政当局的公用设施和基础公共设施大体已经具备的地带。据资料显示，城市规模的迅速扩张，在一定层面上对大气层的热环境造成了不小的影响，如城市热岛效应等。故我们打算将城市建成区面积作为一个解释变量，研究其与年平均温度的相关性强弱，从而探究人类城市化的进程对大气热环境的冲击。4）X4：纬度一个地点的纬度，是指地球上该点重力方向的铅垂线与赤道平面之间的夹角。而据地理学研究表明，地区温度与纬度之间有着莫大的联系。气温主要受太阳辐射的影响，因为在低纬度地区一年中受太阳辐射特别是直射的时间更长，而高纬度地区受太阳辐射特别是直射的时间较短，因此一般来讲，气温有从低纬度向高纬度递减的特点。但由于温度还和其他原因有关,例如大气环流和地形等，所以无法确切表明纬度和温度的关系。故本文将纬度作为解释变量，研究其与年平均温度的具体相关程度。5）X5：日平均日照时数日平均日照时数，即当日太阳直接辐照度大于等于120W/m²的时间总和的平均数。一般而言，日照时数较长的区域有较强的日光，故此类资料可用来描绘一个地区当前或过去的气温情况。而日照时数增加可能导致温室气体增加，二氧化碳等温室气体的滞后效应也会对地表温度的增长起着一定作用，故我们计划通过回归分析，来判定日平均日照时数与年平均温度之间是否存在某种关联。三、相关理论基础3.1.多元回归分析法多元回归分析法是指在研究涉及的变量中，取一个变量为被解释变量，剩余一个或多个变量为解释变量，建立多个变量之间的数量关系式，并利用所得样本数据进行研究分析的方法。城市气温影响因素分析的核心就是对各解释变量与城市气温的相关性进行检测，在此过程中考虑的因素较多且较为复杂。假定每一个自变量对因变量的影响都是线性的，可建立多元线性回归模型Yi而为了保证多元回归分析的有效性，本文假定模型符合古典假定，即满足零均值假定、同方差假定、无自相关假定、无多重共线性假定、正态性假定以及随机扰动项与解释变量不相关假定。3.2最小二乘法最小二乘法是一种通过寻找最小的残差平方和来寻找数据的最佳函数匹配的曲线拟合方法。多元线性回归模型的多组观察值可以由无数条曲线来拟合，而最小二乘法的原理就是通过残差平方和最小确定曲线位置，使曲线处于样本数据的中心，从而使回归函数尽量好地拟合这组数据。本文中的被解释变量与解释变量存在一定线性相关性，可得到多元线性预测公式Yi=β0+3.3回归方程检验3.3.1R2检验法相关系数R是用以反映变量之间相关程度的统计指标，在线性拟合中可以通过其反映结果之间的线性相关度。若R>0,则两变量存在正相关关系；R<0,两变量存在负相关关系；R=0，则两变量之间不存在相关关系。|R|≤1，通常而言，R越大表示相关性越高。而R2可表示被解释变量通过回归关系被解释变量说明的程度，故R2越大，回归结果越显著，拟合回归的效果越好。3.3.2F统计量检验法F值是方差检验量，可以检测模型各变量之间线性关系的显著性。将软件计算得出的F值与该显著性水平下查表所得的F值进行比较（本文设定显著性水平为α=0.05），若计算所得的F值小于查表所得，则差异不显著，回归方程可以较好反映变量之间的线性统计关系；反之，则差异显著，回归模型无效。3.4多重共线性检验回归中的多重共线性，是指由于模型中一些变量之间存在高度相关关系造成最终结果不够准确的现象。其可能引致模型的显著性失去意义，从而将一些较为重要的解释变量忽略，致使最终结果不准确。因此，我们在初步回归后通常要进行多重共线性检验，用自变量逐一对其他自变量做回归，如果R2始终非常大，接近于1，则可能存在多重共线性。另外，还可求得方差膨胀因子VIF=1/（1-R2），若VIF>10，则可认为多重共线性存在。一般可采用逐步回归法对存在的多重共线性进行修正。即用Y分别对Xi进行回归（i=1，2，…k），得到k个R2，再选择R2最大的X，将其余X逐个加入进行回归，若回归后系数正常，调整R2、F值等上升，则可保留此解释变量，反之，则剔除。3.5异方差检验建立模型的一个重要假设是同方差假设，如果随机项u的方差随观测值不同而发生变化，则存在异方差。对此的检验问题，常用的有WHite检验法和GQ检验法。WHite检验即假设H0和H1，通过辅助回归模型求出T统计量和F统计量，若T统计量或F统计量大于临界值，则认为异方差存在。反之，则不存在。GQ检验则是将样本分为三组，删掉中间一组，假定余下两组数据满足同方差，通过检验余下两组的方差是否有明显差异，来检验异方差是否存在。四．描述性统计4.1描述性统计说明本部分将对收集的数据做出描述性统计分析，即对这些数据运用制表、图形、计算等对数据各种特征进行分析。在此部分可通过一些特定数值来对数据的集中和离散趋势进行描述分析，也可通过图形和表格分析等归纳变量之间的相关性，主要原则为着重于客观事实，归纳数据及模型特征，再对总体进行预测。4.2年平均温度与纬度相关趋势分析图1-折线图年平均温度与纬度趋势在研究变量之间的相关性时，我绘制了城市年平均温度和其纬度的折线图。由图可见，在我国31个主要城市中，纬度较低的城市（如海口、南宁等）年平均温度较高，而纬度相对较高的城市（如长春、哈尔滨等）年平均温度较低。从数据趋势来看，年平均温度与城市纬度呈负相关。且两条折线走势几乎相反，升降趋势均可对应，故而相关性可能较强。4.3全年降水量和日平均日照时数关系图2-散点图全年降水量与日平均日照时数将全国31个主要城市的全年降水量与日平均日照时数绘制成散点图并添加趋势线，得到R=-0.704476，由此可见两组数据之间的相关性较强，且呈负相关趋势，初步判断以这两组数据为解释变量的模型存在多重共线性。4.4建成区面积对年平均温度的影响图3-折线图建成区面积与年平均温度采用城市建成区面积和年平均温度绘制折线图，由图可见二者之间并无明显的相关性。尽管建成区面积最小的海口年平均温度最高，但由于大多数城市的不对应以及海口地理位置的特殊性，可当作偶然情况处理，初步判断建成区面积与年平均温度不存在明显相关性。但由于城市热岛效应的存在，即市区因居民生活、工业产热等导致的高温化现象，建成区面积与城市年平均温度的相关性还有待分析。五．模型的建立、检验与修正5.1模型建立经分析，影响各地区年平均温度Y的可能有全年降水量X1、该省森林资源情况X2、建成区面积X3、纬度X4、日平均日照时数X5.故建立模型为：Yi=β0表1初步回归结果X1（全年降水量）X2（该省森林资源情况）X3（建成区面积）X4（纬度）X5（日平均日照时数）CCoefficient0.001244-0.0017240.001310-0.449184-0.84640933.56046Std.Error0.00090.00060.00120.08800.35863.9018t-Statistic1.3234-2.78071.0835-5.1025-2.36068.6013Prob0.19770.01020.28890.00000.02640.0000R20.8737R0.8484F34.5885从回归结果来看，模型拟合效果较好，回归整体显著。但在α=0.05或5.2残差正态性检验对回归进行残差正态性检验，所得结果如下表：表2残差正态性检验结果Std.Dev.1.865910Kurtosis2.871247Jarque-Bera1.445684Probability0.485371正态性检验结果表明，P=0.485371>α=0.05，故不能拒绝原假设，在α=0.05的情况下，残差符合正态性分布。5.3多重共线性5.3.1多重共线性检验1.计算各自变量的相关系数，得到相关系数矩阵：表3相关系数矩阵X1X2X3X4X5X11.0000-0.04680.2820-0.7143-0.7045X2-0.04681.0000-0.3079-0.07240.0003X30.2820-0.30791.00000.0276-0.3177X4-0.7143-0.07240.02761.00000.6211X5-0.70450.0003-0.31770.62111.0000从解释变量的相关系数矩阵可以看出，x1、x4、x5之间有较强的相关性，即模型的确存在着一定的多重共线性。为进一步分析模型存在的多重共线性，我们对解释变量作辅助回归，所得R2和VIF值如下表4辅助回归结果解释变量可决系数R方差扩大因子VIFX0.62102.6385X0.53782.1636X0.52472.1039由于辅助回归的R2不是很高，且VIF均小于10，说明各解释变量之间没有严重的多重共线性。但为了谨慎起见，采取逐步回归法筛选变量。5.3.2多重共线性修正接下来进行逐步回归：分别作因变量对各自变量的一元回归，结果如下：表5逐步回归结果解释变量RX0.6254X0.0413X0.0714X0.6999X0.5750由上表知，X4贡献度最大，则在X4基础上逐一带入其他变量。表6在X4基础上逐一带入其他变量引入变量R2引入X10.776175引入X20.769851引入X30.784254引入X50.792654由以上结果得，X5对R2最为有效，所以保留X5.且由文献综述得，X4和X5变量对Y的影响较大，所以接下来以X4和X5为基础进行变量筛选。在X4、X5的基础上逐一带入其他变量：表7在X4、X5的基础上逐一带入其他变量引入变量R2引入X10.814939引入X20.853772引入X30.824071由上述得，引入X2对增加R2最为有效，三者相较之下，X1不仅对R2无明显改善，且自身在0.05的显著性水平下也不够显著，所以综合来看，应当去掉X1。3）在X2、X4、X5的基础上引入X3，得R2=0.864852，故可得X3的引入对R2的改善作用不大。再者，X3本身在α=0.05时也不显著，所以去掉X3。4）综上所述，去掉变量X1（全年降水量）、X3（建成区面积），结果如下：表8去掉X1、X3后的回归结果X2（该省森林资源情况）X4（纬度）X5（日平均日照时数）CCoefficient-0.0020-0.4820-1.230539.1257Std.Error0.00060.07280.31262.0327t-Statistic-3.3593-6.6237-3.932419.2478Prob0.00230.00000.00050.0000R20.8538R0.8375F52.5477n315.4异方差5.4.1White检验White检验结果如下表：表9White检验结果F-statistic0.471537

Prob.F(9,21)0.8774Obs*R-squared5.211523

Prob.Chi-Square(9)0.8155ScaledexplainedSS7.181000

Prob.Chi-Square(9)0.6183R-squared0.168114AdjustedR-squared-0.188409F-statistic0.471537Prob(F-statistic)0.877443由WHite检验结果得，nR2=5.2113，在给定显著性水平α=0.05下，χ0.052（5.4.2G-Q检验1）基于G-Q检验的思想，本文首先对解释变量X2按递增排序，本模型样本数为n=31,去掉中间9个观测值，剩余样本平分，可以得到两个样本区间1-11和21-31，样本数均为11个，即n1=n2=11，运用最小二乘估计表10样本区间回归结果（对X2排序）对X2排序R-squaredAdjustedR-squaredF-statisticSumsquaredresid样本区间1-11的回归结果0.9306080.90086931.2922210.52546样本区间21-31的回归结果0.9399910.91427236.5494721.13826分别得到残差平方和e1i2=10.52546，e2i2=21.13826，因此F=e2i2e1i2=21.1382610.52546=2）对X4排序继续进行G-Q表11样本区间回归结果（对X4排序）对X4排序R-squaredAdjustedR-squaredF-statisticSumsquaredresid样本区间1-11的回归结果0.7501690.6430987.00629742.52631样本区间21-31的回归结果0.6420930.4887044.18604839.88843分别得到残差平方和e1i2=42.52631，e2i2=39.88843，因此F统计量为F=e1i2e2i2=42.5263139.88843对X5排序继续进行G-Q检验，结果如下表12样本区间回归结果（对X5排序）对X5排序R-squaredAdjustedR-squaredF-statisticSumsquaredresid样本区间1-11的回归结果0.5408180.3440252.74816423.82989样本区间21-31的回归结果0.4482420.2117741.89557137.12029分别得到残差平方和e1i2=23.82989此F统计量为F=e2i2e1i2=37.1202923.82989=1.5577，在给定显著性水平六．结果讨论与分析比较6.1结果讨论经过处理，最终的模型为：Y这个模型的含义是：在其他解释变量不变的情况下，该省森林资源情况（𝑋2）每增加1，年平均温度（Y）平均减少0.0020；纬度（𝑋4）每增加1，年平均温度（Y）平均减少0.4820；日平均日照时数（𝑋5）每增加1，年平均温度（Y）平均减少1.2305。本文选取的数据类型为截面数据。经讨论，我们在众多影响地区温度的因素当中挑选出全年降水量，森林资源情况，建成区面积、维度与日平均日照时数五个指标进行分析。经过多重共线性检验，决定在这五个变量当中去除全年降水量(X1)与建成区面积(X3)，剔除变量后的模型经检验部不存在异方差，并确定为最终结果。根据相关系数推断最为主要的影响因素为日平均日照时数，三个变量的系数均为负，可见其正向增长往往导致气温的下降。森林资源富饶程度与城市气温成负相关首先是森林资源情况，森林可以缓解城市"热岛效应"，在减缓气候变化方面发挥重大作用。其保护土壤、涵养水源、制造氧气、消除噪音等等功效，使其成为防止城市年平均气温过高的一大利器。[1]这样综合来讲，森林资源的富饶程度与气温呈负相关关系。纬度高低与城市气温呈负相关其次是纬度，纬度高的地方气温低，纬度低的地方气温高。但空气温度随纬度的上升而下降，这一变化并