时间序列分析在全国gdp预测中的应用及生物催化法生产r-扁桃酸及其年产500吨规模的工厂工艺设计

时间序列分析在全国GDP预测中的应用ApplicationofTimeSeriesAnalysisinForecastGDPofTheWholeNation摘要：从《中国统计年鉴2009》选取全国1978年～2008年31个年度的GDP的历史数据并画出时序图，再根据时间序列的确定性分析的指数平滑法和随机性分析的取对数法及Excel、SAS软件对其进行分析与预测，最后得到比较满意的未来5年GDP的预测结果。关键词：GDP时间序列指数平滑法预测Abstract：From“ChinaStatisticalYearbook2009"selectnational1978-200831yearofGDPofhistoricaldataanddrawoutplots,againbasedontimeseriesofdeterministicanalysisofexponentialsmoothing,andanalysisofthelogarithmsofrandomnessandExcel,SASsoftwaretoanalyzeandforecast,theresultingquitesatisfactoryforthenext5yearsGDPestimates.Keywords:GDPTimeseriesExponentialsmoothingForecast

目录TOC\o"1-4"\h\z\u摘要 iAbstract ii第一章时间序列分析的概况和基本方法 11.1研究背景及意义 11.2指数平滑法 11.3Auto-Regressive模型的建模步骤 21.3.1对序列趋势进行Auto-Regressive拟合 21.3.2残差自相关检验 3检验原理 3Durbin-Waston检验 4模型拟合 5确定自回归模型的阶数 5参数估计 5模型预测 6第二章实例分析 72.1数据来源 72.2确定性分析--指数平滑法 72.3随机性分析 132.3.1取对数后Auto-Regressive模型拟合法 132.4未来5年全国GDP的预测 17结论 18成果声明 20参考文献 21致谢 22第一章时间序列分析的概况和基本方法1.1研究背景及意义预测是人们根据事物之间的相互联系，事物发展的历史数据及相关信息，利用己经掌握的科学知识和手段，对客观事物的未来发展状况或趋势进行事前分析和推断的科学与艺术。预测的科学性在于，它有科学基础，包括理论、资料、方法、计算等因素，依赖于对客观经济规律的认识和掌握。预测的艺术特征在于，它依赖于预测者提出假设、选择方法、利用资料的技巧和运用自己的学识、经验、获得的情报进行判断的能力。预测的目的在于为制定计划或进行决策提供客观依据。事物是发展变化的，其结果具有不确定性，与人们的生产活动密切相连。“凡事预则立，不预则废”。社会经济、工程等诸多领域都离不开预测，日常天气的预测、太阳黑子活动的预测、网络流量的预测、企业产品销售量的预测、股票走势预测等等，无一不和我们的生活息息相关。印度洋海啸把人们卷入苦难的深渊，也引发诸多思考。我们现在的预测方法还不够成熟，对一些重大的自然灾害，比如说地震，海啸等，没有形成一种比较合理有效的预测方法。而解决预测问题的最有力的方法是发现、揭示给定动态过程或现象背后的规律。如果其规律能被彻底发现并描述，例如用一组普通的不等式来描述，那么当初始条件已知时就可通过解这组不等式而预测未来，但不幸的是有关事物的信息经常是不完全的，有关理论也是不完善的，人们对事物的了解仅限于观察数据，因此只能利用现有的历史数据构造模型，进而预测未来。时间序列是按照时间顺序取得的一系列观测值。很多数据是以时间序列的形式出现的，如股票市场的每日波动，科学实验，一个工厂装船货物数量的月度序列，公路事故数量的周期序列，某化工生产过程按小时观测的产量等等。人们希望通过对时间序列的分析，从中发现和揭示某一现象的发展变化规律，或从动态的角度描述某一现象和其他现象之间的内在数量关系及其变化规律，从而尽可能多地从中提取出所需要的准确信息，并将这些知识和信息用于预测，以更好地掌握和控制未来行为。从经济到工程技术，从天文地理到气象，几乎在自然科学和社会科学各个领域中都会遇到时间序列，因此对时间序列预测方法进行研究具有重要意义。1.2指数平滑法指数平滑法是利用平滑平均数的计算对时间序列进行修匀的一种方法。它对过去的数据分别加以不同的权数，而且更重视近期的数据。即数据越近，权数越大；数据越远，权数越小。与重近轻远原则完全吻合。重近轻远原则所用的权数是按等比级数逐一递减的，这个级数的首项叫平滑常数，用表示，公比为。在指数平滑法中，平滑常数的大小与修匀程度成反比；而在反应最新数据的敏感性方面，与取值大小成正比。如果指数平滑的目的在于用新的指数平滑平均数去反映时间序列中所包含的长期趋势，一般取0.1～0.3。指数平滑的基本公式是:--时间的平滑值--时间的实际值--时间的平滑值--平滑常数，其取值范围为1.3Auto-Regressive模型的建模步骤1.3.1对序列趋势进行Auto-Regressive拟合Auto-Regressive模型的构造思想是首先通过确定性因素分解方法提取序列中主要的确定性信息：式中，为趋势效应拟合；为季节效应拟合。考虑到因素分解方法对确定性信息的提取可能不够充分，因而需要进一步检验残差序列的自相关性。如果检验结果显示残差序列自相关不显著，说明以上这个确定性回归模型对信息的提取比较充分，可以停止分析了。如果检验结果显示残差序列自相关性显著，说明以上这个确定性回归模型对信息的提取不充分，这时可以考虑对残差序列拟合自回归模型，进一步提取相关信息：这样构造的模型：称为（残差）自回归模型。实践中，对趋势拟合常用如下两种方式：自变量为时间的冥函数2.自变量为历史观察值第二种方式和差分方式的原理雷同。对季节效应的拟合也有两种常用的方式：给定季节指数式中，是某个已知的季节指数。建立季节自回归模型假定固定周期为。1.3.2残差自相关检验检验原理确定性模型拟合好之后，我们要对该模型的拟合效果进行检验。如果残差序列显示出纯随机的性质，即就说明确定性模型拟合得非常好，已经能够充分提取序列中的相关信息了，我们不需要再对残差序列进行二次信息提取了，分析结束。反之，如果残差序列显示出显著的自相关性，即那就说明确定性模型拟合得不够精确，序列中的相关信息没有得到充分提取，我们应该对残差序列再次拟合，提取其中残存的相关信息，以提高模型拟合的精度。Durbin-Waston检验Durbin-Waston检验（简称DW检验）是由J.Durbin和G.S.Watson于1950年在考虑多元回归模型的残差独立性时提出的一个自相关检验统计量。我们把它借鉴过来进行时间序列残差自相关检验。构造DW检验统计量：在大数场合，有所以DW检验统计量近似等于根据自相关系数的定义，有即因为，所以。当时，序列正相关，且时，；时，。根据这个性质，再给定，由n和k的大小查DW分布表，可以确定两个临界值，当时，序列显著正相关，当时，序列显著不相关。当时，现有数据还无法做出肯定判断，需要更多的信息支持。当时，序列正相关，且时，；时，。同理可以确定两个临界值，当时，序列显著负相关，当时，序列显著不相关。当时，现有数据还无法做出肯定判断，需要更多的信息支持。根据的对称性，有模型拟合确定自回归模型的阶数残差序列的自相关图从左到右输出的信息分别是：自相关系数值和自相关图，而它的偏自相关图从左到右输出的信息分别是：偏自相关系数和偏自相关图。从自相关图和偏自相关图可以看出：如果残差自相关系数或偏自相关系数在最初的阶明显大于倍标准差范围，而后几乎95%的自相关系数都落在2倍标准差的范围以内，而且由非零自相关系数衰减为小值波动的过程非常突然，这时，通常视为自相关系数截尾。截尾阶数为；如果有超过5%的样本相关系数落入倍标准差范围之外，或者是由显著非零的相关系数衰减为小值波动的过程比较缓慢或者非常连续，这时，通常视为相关系数不截尾。为了有效弥补根据自相关图和偏自相关图定阶的主观性，AIC准则和SBC准则能够在有限的阶数范围内，帮助我们寻找相对最优拟合模型。之所以称为相对最优模型而不是绝对的最优模型，是因为我们不可能比较所有模型的AIC和SBC函数值，再选择其中AIC和SBC函数值达到最小的那个模型作为最终的拟合模型，因而这样得到的最优模型就是一个相对最优模型。参数估计 单纯根据残差序列的值可以非常容易地确定残差自回归模型的口径：但是，由于残差序列与序列回归值之间具有相关性，所以按照上述方法将它们分开求解实际上忽略了相关性的影响，这将会降低模型拟合的精度。所以，参数最优估计应该是在前面分析的基础上，确定回归模型的结构和残差自回归模型的阶数，将所有参数联合求解。模型预测根据检验和比较的结果,选择最后的方程模型,将相应的值带入,就得到原时间序列的将来走势。第二章实例分析2.1数据来源《中国统计年鉴2009年》中的19782008年共31年的数据。国内生产总值(GDP)受经济基础、人口增长、资源、科技、环境等诸多因素的影响,这些因素之间又有着错综复杂的关系,因此,运用结构性的因果模型分析和预测GDP往往比较困难。将历年的GDP作为时间序列,根据过去的数据得出其变化规律,建立预测模型,用此来预测未来的发展变化,有着重要的意义。下面以全国1978—2006年国内生产总值数据(见表1)为例,介绍用时间序列分析法对数据分析的过程,并通过其预测2007年、2008年的生产总值与实际的生产总值进行比较，选出合理的预测方法，再对未来5年全国GDP做出预测。表1全国1978-2006年国内生产总值（GDP）数据（单位：亿元）年份GDP年份GDP年份GDP19783645.22198815042.82199884402.2819794062.58198916992.32199989677.0519804545.62199018667.82200099214.5519814891.56199121781.52001109655.219825323.35199226923.482002120332.719835962.65199335333.922003135822.819847208.05199448197.862004159878.319859016.04199560793.732005183217.4198610275592006211923.5198712058.62199778973.032.2确定性分析--指数平滑法首先对数据进行平稳性与随机性检验绘制原始GDP的时序图如下：图1序列GDP的时序图由时序图可以看出数据呈现显著的指数递增趋势。图2原始GDP自相关图从原始自相关图可以看出，自相关系数递减到零的速度相当缓慢，在很长的延迟时期里，自相关系数一直为正，则可以说明该时间序列是非平稳的，由于图检验带有很强的主观色彩，为了客观起见，再用单位根检验其平稳性，其结果如下：图3原始GDP单位根检验检验结果显示，无论考虑何种类型的模型,Tau检验统计量的P值均显著大于,所以可以认为国内生产总值GDP序列显著非平稳。因此选用三次平滑法比较具有合理性。由于指数平滑存在滞后现象，因此，无论一次指数平滑或二次、三次指数平滑值都不宜直接作为预测值，但可以利用它来修匀时间序列，以获得时间序列的变化趋势，从而建立预测模型。一次指数平滑法的一般表达式为：可以通过整理得：无论取何值，它们的都等于。则分别选取，，，，对原始数据做指数平滑。一次指数平滑法的指数平滑预测值的运算过程如下表所示：表2一次指数平滑法计算表年度(亿元）指数平滑预测值--19783645.2219794062.583645.223645.223645.223645.223645.2219804545.623686.9563707.8243728.6923749.563770.42819814891.563772.8223833.4933892.0783948.5754002.98619825323.353884.6963992.2034091.9744184.3214269.55819835962.654028.5624191.8754338.2494469.0784585.69619847208.054221.974457.4924663.1294842.4714998.78219859016.044520.5784870.0755172.1145433.8665661.562198610275.184970.1255491.975940.8996329.4096667.906198712058.625500.636209.4526807.7557315.8527750.088198815042.826156.4297086.8277857.9288501.5449042.648198916992.327045.0688280.2269294.90610136.8610842.7199018667.828039.7939587.0410834.3911850.7312687.59199121781.59102.59610949.1612401.081355514481.66199226923.4810370.4912574.0114277.1615611.6316671.61199335333.9212025.7914726.4316806.4218439.59197478614356.617817.5520511.9222663.1724423.2199560793.7317740.7322374.626049.1129046.8431555.59199671176.5922046.0328137.4732998.0336983.5740327.04199778973.0326959.0834593.3440633.7545531.8249581.9199884402.2832160.4841250.2948301.653892.1258399.24199989677.0537384.6647723.0955521.7461519.66662005542613.954016.1862352.868559.0173243.222001109655.1748273.9660795.9469725.1576222.8981034.622002120332.6954412.0868124.8277711.1584580.9689620.792003135822.7661004.147595686235.4693518.998834.362004159878.3468486.0184936.0296152.92104094.9109930.92005183217.477625.2496177.37108898118040.7124915.12006211923.588184.45109233.4123761.9134334.9142405.82007-100558.4124636.9141394.2153732163261.1一次指数平滑法只需要较少的数据量和较小的计算量。一次指数平滑的初值的确定有两种方法：方法一是取第一期的实际值为初值，方法二是取最初几期的平均值为初值。因此，本文选用第一种方法来确定初值。分别计算五种预测结果的均方差，也就是平均误差平方。（1）平滑常数（2）平滑常数（3）平滑常数（4）平滑常数（5）平滑常数最终发现当时所对应的均方差最小，所以选定0.3作为平滑常数。二次指数平滑法是在一次平滑的基础上再做一次平滑,其预测模型适用于时间序列数据呈线性趋势的情况,但二次曲线指数平滑法不仅考虑了线性增长的因素，而且也考虑了二次抛物线的增长因素。虽然二次曲线指数平滑法的计算方法比前几种指数平滑法略微复杂，但对非平稳时间序列的预测相当有效，它能随着时间序列呈抛物线增长而调整预测值。二次曲线指数平滑法的初始值依赖于两个时期的观察值和，而它的平滑常数由一次指数平滑法的平滑常数来确定。已知和，假设：那么：，，。为了预测全国和年的国内生产总值，取，分别取。由指数平滑数值可计算出：，，故得二次曲线指数平滑预测模型为：计算过程列在表3中。表3二次曲线指数平滑法预测全国国内生产总值年度19783645.223645.223645.223645.2219794062.583770.433682.783656.493919.4357.4711.27-19804545.624002.993778.843693.204365.62136.4925.443982.5319814891.564269.563926.063763.054793.55191.1033.154514.8319825323.354585.704123.953871.325256.56237.8138.415001.2319835962.654998.784386.404025.855862.99300.8646.255513.5719847208.055661.564768.954248.786926.62441.5968.416186.9819859016.046667.915338.644575.738563.55664.30104.037402.42198610275.187750.096062.075021.6410085.69802.79118.949279.85198712058.629042.656956.245602.0211861.23953.40134.4810947.94198815042.8210842.708122.186358.0714519.621244.13175.6712881.87198916992.3212687.599491.807298.1916885.541392.40184.0715851.58199018667.8214481.6610988.768405.3618884.051416.03167.0518369.97199121781.5016671.6112693.619691.8421625.821578.76179.3120383.61199226923.4819747.1714809.6811227.1926039.662041.16248.8823294.23199335333.9224423.2017693.7313167.1533355.532984.72404.6128205.26199448197.8631555.5921852.2915772.6944882.604558.43665.5836542.56199560793.7340327.0427394.7219259.3058056.266056.75881.0649773.82199671176.5949581.9034050.8723696.7770289.866941.37950.8664553.54199778973.0358399.2441355.3828994.3680125.937049.05860.1177706.67199884402.2866200.1548808.8134938.6987112.716477.00646.7587605.04199989677.0573243.2256139.1441298.8392611.085687.16415.8093913.08200099214.5581034.6263607.7847991.51100272.035512.10332.5598506.142001109655.1789620.7971411.6855017.56109644.875715.77333.36105950.412002120332.6998834.3679638.4862403.84119991.466052.78360.23115527.322003135822.76109930.8888726.2070300.55133914.577034.97510.43126224.352004159878.34124915.1299582.8879085.25155081.979266.77887.99141204.762005183217.40142405.80112429.7589088.60179016.7411485.951218.65164792.732006211923.50163261.11127679.16100665.77207411.6214028.481573.82191112.022007222227.00由表中的得预测结果为：表4指数平滑法07、08预测结果与实际结果比较年份预测值（亿元）实际值（亿元）相对误差2007222227257305.6-13.633%2008238616.2300670-20.639%其中，相对误差=|(估计值-实际值)/实际值|。由表4中可以看到，预测2007年的相对误差为-13.633%，但是预测2008年的相对误差却为-20.639%，说明预测的精确度随时间的递增却大幅度地降低。2.3随机性分析 2.3.1取对数后Auto-Regressive模型拟合法对于含有指数趋势的时间序列，可以通过取对数将指数趋势转化为线性趋势，则对原始数据先取对数后画出时序图并检验平稳性如下：图4原始数据取对数后时序图图5原始数据取对数后自相关图从原始数据取对数后自相关图可以看出，自相关系数递减到零的速度相当缓慢，在很长的延迟时期里，自相关系数一直为正，则可以说明该时间序列是非平稳的，由于图检验带有很强的主观色彩，为了客观起见，再用单位根检验其平稳性，其结果如下：图6原始数据取对数后单位根检验检验结果显示，无论考虑何种类型的模型,Tau检验统计量的P值均显著大于,所以可以认为取对数后的GDP序列显著非平稳，又加上时序图显示序列lnGDP有一个明显的随时间线性递增的趋势，所以不妨考虑使用Auto-Regressive模型拟合该序列的发展。序列lnGDP关于变量year的线性回归模型最小二乘估计输出结果如图所示：图7序列lnGDP关于变量year的线性回归模型最小二乘估计结果输出结果显示DW统计量的值等于0.2064，输出概率显示残差序列显著正相关。所以应该考虑对残差序列拟合自相关模型，修改AUTOREG程序得到最终拟合模型图形如下：图8原始数据取对数后最终拟合模型输出结果从以上结果可以看出:SBC函数值等于-88.651723，AIC函数值等于-94.120906，它们都是通过在选定范围内的模型当中选出最小的两个值，还有拟合残差自回归模型的总体等于0.9991，拟合误差MSE等于0.00180，表明误差很小，所以考虑残差自相关后,不但提高模型预测精度,而且模拟的曲线更符合数据变化的实际趋势(图7)。得到最终拟合模型为：同时我们可以根据下表得到残差预测值，表如下：表5残差输出结果xptrendlnGDPyear8.1107510.0263788.1107518.219788.343781-0.022718.2636178.3119798.422919-0.002928.4164838.4219808.540513-0.040518.569358.519818.611214-0.031218.7222168.5819828.704122-0.014128.8750828.6919838.8439230.0360779.0279488.8819849.0865620.0234389.1808149.1119859.332507-0.092519.333689.2419869.3925350.0074659.4865479.419879.5734780.0465229.6394139.6219889.825999-0.0869.7922799.7419899.877799-0.04789.9451459.8319909.9567290.03327110.098019.99199110.167280.03271910.2508810.2199210.404170.06582910.4037410.47199310.697830.08216610.5566110.78199411.009610.01039310.7094811.02199511.18236-0.0123610.8623411.17199611.266240.01375711.0152111.28199711.35423-0.0142311.1680711.34199811.393670.00633211.3209411.4199911.470120.03988111.4738111.51200011.62472-0.0147211.6266711.61200111.72669-0.0266911.7795411.7200211.82042-0.0004211.932411.82200311.968450.0115512.0852711.98200412.1568-0.036812.2381412.12200512.28427-0.0242712.39112.262006表6残差预测与对数预测值年份20072008残差预测值-0.01070.0012对数值预测值12.754012.7659则可得GDP预测值为：表707、08年预测结果与实际结果比较年份预测值（亿元）实际值（亿元）相对误差2007296884.7265257305.6015.38%2008350087.8787300670.0016.44%为了得到直观的拟合效果，还可以利用OUTPUT命令将拟合结果存入SAS数据集中，并对输出结果作图，输出图形如下：图9原始数据取对数后拟合效果图2.4未来5年全国GDP的预测通过上面两种方法对全国GDP的分析及对2007、2008年GDP预测值与原始值的比较，可以发现第二种方法的预测结果比较好。因此，选择第二种方法对全国未来5年GDP做出预测。表8未来5年全国GDP的预测值年份20092010201120122013GDP预测值（亿元）411430.7481629.4561661.5653146.4758171由此结果可以看出全国GDP在未来5年中将会继续呈逐年上升的趋势。结论本文使用了时间序列分析的方法对全国生产总值的年度数据序列分别进行了确定性分析和随机性分析，并运用两种分析方法中的指数平滑法和Auto-Regressive模型预测方法对全国的国内生产总值进行了小规模的预测。通过对论文中涉及的两种方法得到的结果进行比较：表9指数平滑法07、08预测结果与实际结果比较年份预测值（亿元）实际值（亿元）相对误差2007222227257305.6-13.633%2008238616.2300670-20.639%表10Auto-Regressive模型07、08年预测结果与实际结果比较年份预测值（亿元）实际值（亿元）相对误差2007296884.7265257305.6015.38%2008350087.8787300670.0016.44%由比较结果可以看出第二种方法的预测值与实际值最为接近，即该种方法比较好，故最后选取第二种方法对全国未来5年的GDP做出预测。从该论文分别采取确定性和随机性分析的方法对时间序列做出分析和预测的结果中可以看出，随机性分析要远好于确定性分析。Auto-Regressive模型是一种拟合非平稳时间序列的方法,它既能提取序列的确定性信息,又能提取其随机性信息,不仅提高了模型的拟合精度,还使结果符合实际,变得更易解释,兼具了时间序列确定性分析和随机性分析的优点。当一个时间序列具有明显的确定性趋势或季节效应时,可考虑应用此模型。本文采用的我国1978～2008年间国内生产总值的案例中,原始数据取对数后的时间序列呈明显的线性上升趋势,若仅用一般线性回归进行拟合，残差序列会存在自相关性,提示对序列信息的提取不充分,进一步应用Auto-Regressive模型拟合后发现信息提取充分,大大降低了拟合(模型)误差、提高了模型的精度。Auto-Regressive模型的计算虽然复杂,但借助计算机技术可方便快捷地实现这一过程,如应用SAS/ETS模块中的AUTOREG过程,通过自行编程可以灵活实现不同领域时间序列的Auto-Regressive模型拟合。因此Auto-Regressive模型的应用有良好的发展前景。由本文得到的较为满意的拟合结果可知时间序列短期预测精度是比较高的。由此可见，时间序列预测法是一种重要的预测方法，其模型比较简单，对资料的要求比较单一，只需变量本身的历史数据，在实际中有着泛的适用性。在应用中，应该根据所要解决的问题及问题的特点等方面因素来综合考虑并选择相对最优的模型。当然国内生产总值是国民经济的核心内容，经济状况几乎要牵涉到经济体系中的一切的部分，像这样复杂的现象是不可能用任何一个或者几个个别的因素来说明的。因此本文还有着许多的不足之处，会在以后的学习中将其不断完善。成果声明本人郑重声明：所呈交的毕业论文是本人在指导老师的指导下独立进行研究所取得的成果。除文中已经注明引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的科研成果。本文的研究和撰写对做出重要贡献的个人和集体,均已在文中以明确方式标明。本人完全意识到本声明的法律责任由本人承担。另外：本文版权属贵州民族学院所有。论文作者签名：日期：参考文献[1]张利.\o"基于时间序列ARIMA模型的分析预测算法研究及系统实现"基于时间序列ARIMA模型的分析预测算法研究及系统实现[D].江苏大学,2008.[2]安鸿志，陈兆国，杜金观，潘一民.时间序列的分析与应用[M].北京:科学出版社，1983.[3]迟灵芝.指数平滑法在粮食产量预测中的应用[J].本溪冶金高等专科学校学报,2004,(04).[4]刘薇.\o"时间序列分析在吉林省GDP预测中的应用"时间序列分析在吉林省GDP预测中的应用[D].东北师范大学,2008.[5]王燕.应用时间序列分析.北京:中国人民大学出版社,2005.[6]《中国统计年鉴2009》.中国统计出版社.[7]徐国祥.统计预测和决策.上海：上海财经大学出版社，2008.11.[8] 侯青霞.中国人均GDP的函数系数自回归模型的预测研究[D].西安理工大学,2008.[9] 邱渊磊.浙江省人均GDP时间序列模型的建立与预测[J].浙江海洋学院学报(自然科学版),2009,(02).[10]刘晓冬,景睿,孟祥臻,李向云.\o"残差自回归模型及SAS程序实现相似度58%"残差自回归模型及SAS程序实现[J].中国卫生统计,2008,(05).致谢谨向我的指导老师黄老师表示衷心的感谢。感谢黄老师在过去的三年中，在我完成学业和毕业论文的写作过程中，对我的悉心指导和帮助;在生活上，对我的关心和照顾。当我遇到困难的时候，黄老师总是热心帮助，给我支持和鼓励。我被黄老师诚恳的待人方式，广博扎实的专业知识，严谨的治学态度，富有启发的思维方式，孜孜不倦的诲人态度，非凡的人格魅力所折服，使我受益非浅，令我终生难忘。再次向黄老师深表谢意！在我学习道路上对我的培养。难忘各位老师的辛勤付出和鼓励支持，再次表示感谢。感谢在我的学习和生活中曾帮助和关心过我的所有理学院同学！最诚挚地感谢所有辛勤审评的专家和对此文提出宝贵建议的老师和同学们！论文作者签名：日期：硕士学位论文论文题目：生物催化法生产R-扁桃酸及其年产500吨规模的工厂工艺设计作者姓名指导教师教授副教授学科专业生物工程所在学院生环学院提交日期BiocatalyticsynthesisofR-mandelicacidandprocessdesignof500t/ascaleSubmittedtoZhejiangUniversityofTechnologyforMasterDegreeWrittenbyShenzhufeiMajoringinBiologicalEngineeringSupervisedbyProfessorZhengYuguoCollegeofBiologicalandEnvironmentalEngineeringofZhejiangUniversityofTechnologyMay,2013目录TOC\o"1-4"\h\z\u摘要 IAbstract III第一章文献综述 11.1简介 11.2R-MA的工业合成方法 21.3生物催化法合成R-MA 61.3.1脂肪酶法生物催化合成R-MA 61.3.2氧化还原酶催化合成R-MA 71.3.3腈水解酶催化合成R-MA 81.4腈水解酶研究概况 91.5生物制药过程放大研究进展 121.5.1生物制药工艺设计 121.5.2生物工程优化与放大 121.5.3生物反应器设计 141.6本论文的研究目的与内容 15第二章生物催化法生产R-MA小试试验工艺研究 162.1发酵产酶工段工艺 172.1.1材料和方法 17菌株 17培养基 17菌种培养条件 18生物量测定 18腈水解酶活力测定 192.1.2诱导剂的选择 192.1.3发酵温度优化 202.1.4最优条件下5L发酵罐中培养 212.1.5pH连续调控对产酶的影响 222.1.6补加甘油对产酶的影响 232.1.7小结 242.2不对称水解工段工艺 252.2.1材料与方法 25酶催化剂 25静息细胞制备 25主要试剂 25腈水解酶活力测定 25HPLC分析方法 26薄层色谱层析(TLC) 262.2.2pH对腈水解酶活性的影响 262.2.3温度对酶活性的影响 272.2.4不同底物浓度对腈水解酶活性的影响 292.2.5金属离子对转化反应的影响 302.2.6助溶剂对催化反应的影响 322.2.7分批补料催化生产R-MA 332.2.8小结 342.3分离纯化工段工艺 35第三章生物催化法生产R-MA工艺放大研究 383.1产腈水解酶发酵罐放大工艺研究 383.23L催化体系与100mL体系反应结果比较 413.3小试工艺路线修正 423.3.1发酵液中催化反应的研究 433.3.2离子交换层析分离纯化R-MA 433.4本章小节 44第四章年产500tR-MA的工艺设计 464.1概论 464.1.1设计任务 464.1.2设计的技术依据 464.1.3设计原则 464.1.4工艺流程 464.2发酵工段工艺 474.2.1操作流程 484.2.2灭菌操作 484.2.3操作要点 494.3物料衡算 494.3.1生产规模 49生产批量 49各阶段产量 49种子罐公称体积 50罐参数汇总 504.3.2发酵罐进出物料衡算 50发酵培养基原料计算 50发酵罐进出物料 51发酵罐设计 52发酵罐物料平衡图 54发酵罐示意图 564.3.3不对称水解工段物料平衡 564.3.4离子交换树脂HZ202计算 574.3.5制备R-MA总物料衡算 574.4能耗分析 584.4.1蒸汽耗量分析 58发酵空消与实消 58干燥工段 58蒸发结晶精提取工段 594.4.2冷却水耗量分析 59发酵工段 59双效浓缩器浓缩工段 594.5经济效益分析 604.5.1年经营费用计算 60折旧费和大修费 60原材料、燃料消耗费用 604.5.2利润、利润率、投资回收期计算 61利润 61利润率 61投资回收期 614.5.3生产盈亏平衡点 614.6车间布置 614.6.1车间区域和工艺设备布置原则 614.6.2工艺过程工序划分 624.6.3车间区域布置及其环境设计等级确定 624.7“三废”处理 62第五章结语 64参考文献 65附录一：工艺流程图 69附录二：发酵罐示意图 70附录三：车间布置平面图 71致谢 73浙江工业大学硕士学位论文PAGE4生物催化法生产R-扁桃酸及其年产500吨规模的工厂工艺设计摘要R-扁桃酸是一种重要的精细化工中间体和手性药物前体，被广泛应用于制药与化工行业。生物催化法合成手性药物具有条件温和、催化效率高以及高度选择性等优点，并且无污染和能耗低，是一种环境友好型的绿色合成方法。腈水解酶作为生物催化法制备R-扁桃酸的一种重要工业酶，得到了广泛关注。本文以腈水解酶产生菌重组E.coliQ196S为研究对象，优化了重组腈水解酶的制备工艺，开发了pH连续调控工艺和甘油补加工艺，并在30L发酵罐中经放大验证，产酶水平可提高至24991U/L。研究了静息细胞不对称水解扁桃腈的转化条件，以及分批补料操作生产高浓度的R-扁桃酸，确定了最优催化工艺条件：菌体浓度50g/L，加入1mM的Ba2+和1%(v/v)异辛醇作为助溶剂，最适底物浓度64mM，pH7.5，反应温度45°C。经过9.5h的转化时间后，R-扁桃酸的积累浓度可达到587mM，e.e.值99%。本文还进一步研究了反应混合液中R-扁桃酸的分离纯化工艺，在不影响e.e.值的前提下得到了高纯度的R-扁桃酸。在小试研究基础上，本文经过中试工艺优化及修正，确定了工艺放大法则采用体积溶氧系数KLa=常数，以及在分离纯化工段使用离子交换层析代替萃取操作。通过工艺流程设计、物料衡算、能量衡算、车间布置设计、“三废处理”及综合利用等内容的设计，完成了年产500吨纯度99%的R-扁桃酸工厂工艺设计。关键词生物催化，腈水解酶，R-扁桃酸，工艺设计BiocatalyticsynthesisofR-mandelicacidandprocessdesignof500t/ascaleAbstractR-mandelicacidistheimportantfinechemicalintermediatesandchiralprodrugwithbroadusesinpharmaceuticalandchemicalindustry.Synthetizingchiraldrugwithbiologicalcatalysismethodhasmanyadvantages,suchasmildconditions,highefficiencyandhighstereoselectivity,etc.Inaddition,itisnon-pollutionandlowenergyconsumption,whichisanenvironmentfriendlygreensynthesismethod.AsnitrilasesareimportantindustrialenzymesthatconvertmandelonitriledirectlyintotheR-mandelicacid,theyreceiveextensiveattention.ThisdissertationisdevotedtothecomprehensiveunderstandingofthefermentationfundamentalofnitrilaseintherecombinantE.coliQ196S,optimizingthepreparationtechnicsofrecombinantnitrilaseanddevelopinganoveltechnologyofcontinuousregulatingpHandglycerolfed-batchfermentation.Subseguently,theoptimumprocesswasverifiedin30-Lfermenter,andtheproductionofnitrilasewas24991U/L.ThepaperinvestigatedthebioconversionconditionsofmandelonitriletoR-mandelicacidwithrestingcellsandpreparationofR-mandelicacidathighaccumulativeconcentrationwithfed-batch.Theoptimalcatalysisconditionsareasfollows:50g/Lrestingcells,1mMBa2+,1%(v/v)isooctanolasco-solvent,substrate64mM,pH7.5and45°C.Aftercontinuousreactionfor9.5h，acquired587mMR-mandelicacidandthee.e.valuewas99%.Afterwards,theseparationandpurificationofR-mandelicacidfromthereactionmixturewerestudied.Basedonlabexperiment,theprocessconditionswereinvestigatedbymagnifiedtestanddesignofindustrialproduction.Aftertheprocessrevised,KLawasthescale-upprincipleandextractionwasreplacedbyionexchangechromatography.Toobtainprocessworkshopof500tonsR-mandelicacidperyear,severalcontents,suchasprocessdesign,materialcalculation,energycalculation,workshoplayoutdesign,“threewastes”treatmentandcomprehensiveutilizationweresystematicallyinvestigatedanddesigned.Keywords:biocatalysis,nitrilase,R-mandelicacid,processdesign第一章文献综述1.1简介单一构型手性药物已成为当前国内外新药开发和研究的关注重点，手性技术在新药研制中逐渐开始受到重视。手性药物在国内外上市销售的药物总数中所占比例正逐年上升，2005年全球范围内上市的新药已经有60%是单一构型药物ADDINEN.CITE<EndNote><Cite><Author>孙志浩</Author><Year>2004</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><keyapp="EN"db-id="sstps0ed9tterie5wvcxtetyfeaa59vpf59a">1</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">孙志浩</style></author></authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">手性技术与生物催化</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">生物加工过程</style></secondary-title></titles><periodical><full-title>生物加工过程</full-title></periodical><pages><styleface="normal"font="default"size="100%">6</style><styleface="normal"font="default"charset="134"size="100%">-10</style></pages><volume>2</volume><number>4</number><dates><year><styleface="normal"font="default"charset="134"size="100%">2004</style></year></dates><urls></urls></record></Cite></EndNote>[1]。据报道，手性药物2000年销售增长率超过13%，达到1330亿美元，2008年销售额已达2000亿美元ADDINEN.CITE<EndNote><Cite><Author>C</Author><Year>2001</Year><RecNum>2</RecNum><record><rec-number>2</rec-number><foreign-keys><keyapp="EN"db-id="sstps0ed9tterie5wvcxtetyfeaa59vpf59a">2</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>StinsonSC</author></authors></contributors><titles><title><styleface="normal"font="default"size="100%">Chiral</style><styleface="normal"font="default"charset="134"size="100%"></style><styleface="normal"font="default"size="100%">pharmaceutica</style></title><secondary-title><styleface="normal"font="default"size="100%">Chem</style><styleface="normal"font="default"charset="134"size="100%"></style><styleface="normal"font="default"size="100%">Eng</style><styleface="normal"font="default"charset="134"size="100%"></style><styleface="normal"font="default"size="100%">News</style></secondary-title></titles><periodical><full-title>ChemEngNews</full-title></periodical><pages><styleface="normal"font="default"size="100%">79</style><styleface="normal"font="default"charset="134"size="100%">-97</style></pages><volume>79</volume><number>40</number><dates><year>2001</year></dates><urls></urls></record></Cite></EndNote>[2]。自从欧洲爆发的“反应停”惨剧后，人们开始逐渐意识到消旋药物中的两个对映异构体在人体中的药理毒性、代谢过程以及药理活性都存在着极大的差异ADDINEN.CITE<EndNote><Cite><Author>M</Author><Year>1995</Year><RecNum>3</RecNum><record><rec-number>3</rec-number><foreign-keys><keyapp="EN"db-id="sstps0ed9tterie5wvcxtetyfeaa59vpf59a">3</key></foreign-keys><ref-typename="Book">6</ref-type><contributors><authors><author><styleface="normal"font="default"size="100%">Nogarradi</style><styleface="normal"font="default"charset="134"size="100%"></style><styleface="normal"font="default"size="100%">M</style></author></authors></contributors><titles><title>SteroselectiveSynthesis</title></titles><dates><year>1995</year></dates><pub-location>Weinhim,Germany</pub-location><publisher>2ndED.VCH</publisher><urls></urls></record></Cite></EndNote>[3]。所以，美国食品及药物管理局FDA规定，使用消旋体申报的新药，需要提供关于消旋体和各对映异构体分别实施的毒理和药理实验报告，否则会被鉴定为药物中含有50%的杂质而不予批准，还规定包含手性分子药物必须以单一对映异构体形式申报。由于存在着巨大的利润还有市场需求，全球各大制药企业纷纷将工作重点投入到手性药物的研究开发，掀起了一阵手性药物开发的热潮。扁桃酸(mandelicacid，MA)又称作苦杏仁酸、苯乙醇酸或α-羟基苯乙酸，两种对映异构体结构如图1-1。光学纯R-扁桃酸(R-MA)是一种重要的精细化工中间体和手性药物前体ADDINEN.CITE<EndNote><Cite><Author>M</Author><Year>2003</Year><RecNum>4</RecNum><record><rec-number>4</rec-number><foreign-keys><keyapp="EN"db-id="sstps0ed9tterie5wvcxtetyfeaa59vpf59a">4</key></foreign-keys><ref-typename="Book">6</ref-type><contributors><authors><author>CoppolaGM</author><author>SchusterHF</author></authors></contributors><titles><title><styleface="normal"font="default"size="100%"></style><styleface="normal"font="default"charset="161"size="100%">α-Hydroxyacidsinenantioselectivesynthese</style></title></titles><section><styleface="normal"font="default"size="100%">137</style><styleface="normal"font="default"charset="134"size="100%">-165</style></section><dates><year>2003</year></dates><pub-location>Weinheim</pub-location><publisher>Wiley-VCH</publisher><urls></urls></record></Cite></EndNote>[4]，广泛应用于多种光学活性药物的合成，如头孢菌素和半合成青霉素等抗生素ADDINEN.CITE<EndNote><Cite><Author>A</Author><Year>1976-05-18</Year><RecNum>5</RecNum><record><rec-number>5</rec-number><foreign-keys><keyapp="EN"db-id="sstps0ed9tterie5wvcxtetyfeaa59vpf59a">5</key></foreign-keys><ref-typename="BookSection">5</ref-type><contributors><authors><author>FurlenmeierA</author><author>QuittP</author><author>VoglerK</author></authors></contributors><titles><title>6-Acylderivativesofaminopenicillanicacid</title></titles><dates><year>1976-05-18</year></dates><pub-location>U.S.Pat.</pub-location><publisher>3,957,758</publisher><urls></urls></record></Cite><Cite><Author>A</Author><Year>1976-05-18</Year><RecNum>5</RecNum><record><rec-number>5</rec-number><foreign-keys><keyapp="EN"db-id="sstps0ed9tterie5wvcxtetyfeaa59vpf59a">5</key></foreign-keys><ref-typename="BookSection">5</ref-type><contributors><authors><author>FurlenmeierA</author><author>QuittP</author><author>VoglerK</author></authors></contributors><titles><title>6-Acylderivativesofaminopenicillanicacid</title></titles><dates><year>1976-05-18</year></dates><pub-location>U.S.Pat.</pub-location><publisher>3,957,758</publisher><urls></urls></record></Cite><Cite><Author>K</Author><Year>1990-01-30</Year><RecNum>6</RecNum><record><rec-number>6</rec-number><foreign-keys><keyapp="EN"db-id="sstps0ed9tterie5wvcxtetyfeaa59vpf59a">6</key></foreign-keys><ref-typename="BookSection">5</ref-type><contributors><authors><author>YoshiokaK</author><author>HaradaS</author><author>OchiaiM</author><author>MasuyaH</author></authors></contributors><titles><title>Antibioticderivatives,theirproductionanduse</title></titles><dates><year>1990-01-30</year></dates><pub-location>U.S.Pat.</pub-location><publisher>4,897,489</publisher><urls></urls></record></Cite></EndNote>[5,6]、抗肿瘤药物ADDINEN.CITEADDINEN.CITE.DATA[7,8]、减肥药物ADDINEN.CITEADDINEN.CITE.DATA[9]、农药ADDINEN.CITE<EndNote><Cite><Author>徐逸楣</Author><Year>1998</Year><RecNum>10</RecNum><record><rec-number>10</rec-number><foreign-keys><keyapp="EN"db-id="sstps0ed9tterie5wvcxtetyfeaa59vpf59a">10</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">徐逸楣</style></author></authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">光学活性农药开发的现状与展望(下)</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">农药译丛</style></secondary-title></titles><periodical><full-title>农药译丛</full-title></periodical><pages><styleface="normal"font="default"size="100%">21</style><styleface="normal"font="default"charset="134"size="100%">-32</style></pages><volume>20</volume><number>2</number><dates><year>1998</year></dates><urls></urls></record></Cite></EndNote>[10]及其他药物ADDINEN.CITEADDINEN.CITE.DATA[11,12]。以R-邻氯扁桃酸为中间体的抗血小板聚集药物氯吡格雷居全球最畅销药品排行榜第二位ADDINEN.CITE<EndNote><Cite><Author>T</Author><Year>2007</Year><RecNum>13</RecNum><record><rec-number>13</rec-number><foreign-keys><keyapp="EN"db-id="sstps0ed9tterie5wvcxtetyfeaa59vpf59a">13</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author><styleface="normal"font="default"size="100%">Ema</style><styleface="normal"font="default"charset="134"size="100%"></style><styleface="normal"font="default"size="100%">T</style></author><author><styleface="normal"font