《基于多元回归的城市发展与二氧化碳排放关系实证研究》8100字

II基于多元回归的城市发展与二氧化碳排放关系实证研究摘要 I1.引言 11.1研究目的 11.2研究意义 11.3国内外研究现状 12.理论知识 42.1ARIMA模型 42.2多元线性回归 42.3岭回归 43.数据来源及处理 63.1数据获取及预处理 64.数据分析 74.1描述性统计分析 74.2时间序列预测 84.2.1时间序列初步分析 84.2.2时间序列模型检验与预测 154.3多元回归模型 184.3.1多元线性回归 184.3.2岭回归法 194.3.2模型解释 215.结论与展望 23参考文献 25附录 27摘要全球碳排放进程中，城市扮演了主要角色，城市所排放的二氧化碳占总排放的75%左右，在中国地区这个占比更高一些，大概是80%，碳排放的主要来源于城市的经济、建筑、交通等人类社会活动.本文将影响城市发展的指标分为环境指标、经济指标和社会指标，本文中，环境指标主要指的是二氧化碳排放，经济指标主要包括产业结构、人均GDP、技术水平、社会指标主要包括毕业大学生的人数、汽车的数量以及城镇化水平.为了探究经济指标与社会指标对环境的影响，对本文首先使用时间序列对影响环境指标、经济指标、社会指标的各个指标进行推测，其后，建立多元回归模型，最终发现人均GDP、第二产业、毕业学生人数、第三产业以及城镇化水平对二氧化碳的排放量影响显著.关键词：城市发展；二氧化碳排放；时间序列；多元线性回归1.引言1.1研究目的第七次人口普查结果显示，居住在城镇的人口占人口总数的63.89%，城市发展水平的提高使得居民的物质以及精神生活水平得到了显著的提升.但是与此同时城市的快速发展也会带来数以万计的能源使用和消耗.据相关机构统计，仅以城市为经济单位的系统已消耗全球大概76％的煤炭资源、65％的石油资源、以及将近83％的天然气资源.城市的占地面积仅仅只是总占地面积的1％，而能源的消耗带来的是气温升高、海平面上升、酸雨等一系列环境问题.故在保证城市发展水平提升的同时，也要切实降低二氧化碳的排放量1.2研究意义本文基于前人的研究，从发展趋势和排放趋势的角度入手，探究城市发展指标与二氧化碳排放的关系.首先使用时间序列推测各个变量的变化趋势，后又基于人均GDP、技术水平、第二产业占比、第三产业占比、毕业大学生的数量等7个因素对影响二氧化碳排放的城市发展指标进行探究，给出相关结论.1.3国内外研究现状林伯强,蒋竺均在《中国二氧化碳的环境库兹涅茨曲线预测及影响因素分析》一文中，采用对数平均迪式分解法以及STIPRA模型得到我国人均GDP的库兹涅茨曲线的拐点为37170[4]元.王峰等在《中国经济发展中碳排放增长的驱动因素研究》利用LMDI方法分析二氧化碳增加的原因，发现导致二氧化碳增加的主因是城市化水平提高带来的人均GDP增加[5].林伯强在《中国城市化阶段的碳排放:影响因素和减排策略》一文中，使用协整模型进行分析，发现城市化率对二氧化碳排放有长期正向[6]的影响.苏丽萍、娄宇红等人在《二氧化碳排放量与我国经济增长的关系：基于中国统计数据的讨论》的文章中采用面板数据与时间序列来研究二氧化碳排放量与我国经济增长之间的关系，并且使用库兹涅茨曲线对我国人均二氧化碳与人均GDP的排放量构建模型,模型首次验证验证出人均二氧化碳与人均GDP有长期协整关系并且通过计算曲线驻点，验证了我国现在处于人均GDP的增长会减少二氧化碳排放量阶段,且模型的驻点为7.8，对应的人均GDP为1718[8]元.浙江大学蒋俊文在《中国城市化影响碳排放的理论机制及实证研究》中基于Tobit模型分析城市化水平与碳排放效率之间的关系，结果发现，东部地区的城市化水平对碳排放的影响效率最小，西部地区的城市化水平对碳排放的影响明显大于平均水平[10].暨南大学孙苑秋在《金融发展背景下的城市化与碳排放关系再论证》的研究表明，1995-2005年碳排放相比于增长迅速的经济来说，增长速度的相对来说比较缓慢，然而2006年以后，由于经济的飞速发展以及我国加强了对二氧化碳排放的控制，使得二氧化碳的排放增速减弱.2010年之后，由于经济更快地发展，二氧化碳排放的增长速度也随之加快，一系列环境问题由此到来[12].刘天娇在《中国城市化与二氧化碳排放之间的关系——基于省级面板数据的分析》一文中，将我国城市分为东部、中部、西部三部分,使用格兰杰因果检验法，最终发现，东部地区的城市化对二氧化碳排放没有显著影响，中部地区城市化发展大部分都影响着二氧化碳的排放，西部地区并没有显著的因果关系[14].张磊在《城市化与碳排放——基于夜间灯光数据》中，采用系统GMM的方法，并且结合数据的异质性和稳健性进行探究，得到存在能源消费“刚性”，并且产业结构存在明显的碳排放影响的结论[15].国外，Zhangetal.在《ImpactofurbanizationonenergyrelatedCO2emissionatdifferentdevelopmentlevels:RegionaldifferenceinChina》中，通过构建双向固定效应模型，并结合STIRPAT的理论框架，发现城市发展与二氧化碳排放呈现的关系是倒U型的，并且，Zhangetal.将29个省份划分为三个区域，发现城市发展与二氧化碳排放同样呈现倒U曲线，通过回归分析对划分的区域进行实证检验，其结果发现，城市发展的不同阶段中，二氧化碳排放也会随着城市的发展处于不同的阶段[2].在探究城市经济发展发展与二氧化碳排放的关系时，Lin&Liu在《China'scarbondioxideemissionsundertheurbanizationprocess:Influencefactorsandabatementpolicies》中，基于协整检验，探讨经济发展中碳排放与城市化的关系.研究表明，经济发展水平对碳排放有显著[3]关系.2.理论知识2.1ARIMA模型ARIMA模型（AutoregressiveIntegratedMovingAveragemodel）也被称为差分整合移动自平均回归模型，是在确定阶数后，对数据建立的模型.与ARMA（p,d,q）模型相同，也是对时间序列进行预测的一个重要方式.ARIMA（p,d,q）模型是时间序列的一个重要模型，各个变量分别为：自回归系数项、时间序列要差分的阶数、滑动平均项数.2.2多元线性回归随机变量y与一般变量x1,x2,…,y=β0+β在式中，设未知参数β0,β1,…,βp有p+1个，其中β0被称为回归常数，β1,…,βp被称为回归系数.y就被称为被解释变量也叫因变量，x1,x2,…,xp是Eε称Ey=为理论回归方程.就一个实际问题而言，如果我们得到了n组数据进行观测(xi1,xy1=β2.3岭回归岭回归是一种专门用于共线性分析的有偏估计回归方法，实际上，就是一种改良过的最小二乘估计法，放弃最小二乘法的无偏性，以降低精度、损失部分信息为代价获得回归系数更为符合实际，更加可靠的方法.3.数据来源及处理3.1数据获取及预处理本文采用了1990-2020总共30年的时间跨度，原始数据均来源于《中国统计年鉴》[16]与Wind数据库.获取数据后，对于缺失数据本文采用了均值插值的方法进行处理.本文将二氧化碳排放量作为因变量，由于不同的文献对二氧化碳排放总量有不同的解释，不论是单位碳排放还是能源消耗总量都可以作为一个指标来衡量二氧化碳排放情况，本文采用的是总能源消耗排放的二氧化碳量作为相应指标.从经济指标和社会指标中选取7个变量，分别是二氧化碳排放量、城镇化水平、第二产业占比、技术水平、第三产业占比、人均GDP、汽车的数量、毕业大学生人数.表3-1变量说明简称英文缩写定义单位二氧化碳排放量CO二氧化碳排放总量104城镇化水平UL城镇人口与总人口的比值%第二产业占比IS第二产业的GDP占比%技术水平T每年申请专利的数量件第三产业占比TS第三产业的GDP占比%人均GDPpgdp人均国内生产总值元汽车的数量NV私人汽车保有量万辆毕业大学生人数GRAD--万人4.数据分析4.1描述性统计分析由原始数据观察可知，人均GDP数据呈现指数增长，为了缩小数据的绝对值，进而对该变量取对数.设因变量二氧化碳的排放量为y，人均GDP为x1、第二产业占比为x2、技术水平为x3、汽车的数量为x4、每年毕业大学生的人数为x5表4-1变量描述性统计分析变量最小值最大值平均值标准差y2246989460082681.448x1663720001436822620.42x37.8447.5644.332.96033x10280501603011786521491771x822439360047837.08x57.0787378.41307.7217x32.3864.4642.456.720839x26.4163.8943.5912.10975绘制折线图来描绘1990-2020年二氧化碳排放的变化趋势，这样可以使得观测更加直观.图4-1二氧化碳排放随时间变化的趋势从时序图的变化可以清晰的看出，二氧化碳排量随着年份的在增长，并且上升的趋势逐步放缓.4.2时间序列预测采用时间序列的方法对以上变量以及二氧化碳的排放量今后的发展趋势进行预测.4.2.1时间序列初步分析在进行时间序列建模之前，首先要确定时间序列是平稳的，通过绘制时序图，发现上述7个变量的时间序列都是非平稳的.为了使时间序列保持平稳，对上述7个变量进行差分处理，经过一阶或二阶差分后，使所有时间序列保持平稳，得到以下时序图：图4-2各变量差分图从差分结果来看，这七个变量都为平稳的时间序列.随后，对差分结果进行白噪声检验和单位根检验，具体结果如下表：表4-2一阶差分单位根检验类别不同自由度下的p值2468二氧化碳排放量5.998e-050.00031110.0016980.003938第三产业占比0.073480.054920.014180.0433表4-2二阶差分单位根检验类别P值不带漂移和趋势项带漂移无趋势项带漂移和趋势项人均GDP0.01000.11060.4107第二产业占比0.01000.01830.0675技术水平0.01000.01000.0100汽车的数量0.01000.01000.0174就业人数0.01000.01000.0138城镇化水平0.01000.01000.0100取P值等于0.1，根据上述单位根检验，发现所有变量均小于P值，说明时间序列都是平稳非白噪声的.下面，通过R软件画出数据差分后的ACF图与PACF图：图4-3各个变量ACF和PACF图根据变量各自的ACF图和PACF图，以及AIC准则，选择以下时间序列模型，具体如下表：表4-4各变量的ARIMA模型变量时间序列模型二氧化碳排放量ARIMA（1,1,0）第三产业占比ARIMA（0,1,1）人均GDPARIMA（0,2,1）第二产业占比ARIMA（0,2,2）技术水平ARIMA（0,2,2）汽车数量ARIMA（2,2,2）毕业大学生就业人数ARIMA（2,2,0）城镇化水平ARIMA（0,2,0）建立了变量各自的时间序列模型之后，对建立的模型进行检验与预测.4.2.2时间序列模型检验与预测对建立的时间序列模型进行检验，检验结果如下：表4-5模型检验类型模型参数显著性检验残差白噪声检验参数t统计量P值延迟阶数LB统计量P值二氧化碳排放量ARIMA（1,1,0）ϕ9.27599<0.0000168.9170.1783第三产业占比ARIMA（0,1,1）θ4.632352<0.0000165.13110.5271人均GDPARIMA（0,2,1）θ2.7668850.00479866.57810.3616第二产业占比ARIMA（0,2,2）θ1.9449980.03076441.29470.8623θ1.9754270.02890263.25770.7759技术水平ARIMA（0,2,2）θ8.21687<0.0000141.04860.9023θ5.020394<0.0000164.19270.6506汽车的数量ARIMA（2,2,2）ϕ0.7274610.03462120.927470.6289ϕ3.340482<0.0000143.6030.4624θ3.42695630.00098464.39840.6229θ3.69925730.000487毕业大学生就业人数ARIMA（2,2,0）ϕ2.3601810.012642.28970.6826ϕ0.7154300.02400364.48110.6119城镇化水平ARIMA（0,2,0）<0.0000166.19690.4015取P值等于0.05，经过对模型的参数显著性检验和残差白噪声检验，发现各个ARIMA模型参数检验的P值都小于0.05，各延迟下LB统计量的P值都显著大于0.05，可以认为各个拟合模型是平稳的，且残差序列属于白噪声序列，即拟合模型显著有效.下面，对各个变量进行时间序列预测.结果如下：图4-4每个变量时间序列预测图从预测结果分析，以观察出各个观测变量五年之后的发展趋势，从预测结果分析，人均GDP增速和二氧化碳排放增量有放缓趋势，城镇化水平则处于稳步增长状态，毕业学生就业人数、技术水平、第三产业占比和汽车数量等在未来五年快速上升，而第二产业占比在未来五年呈现下降的趋势只有第二产业将会在五年之后呈现下降的趋势.第二产业主要为加工制造业，其大幅度下降的原因可能是：一是因为受到近几年疫情的影响，国内外经济形式不好，许多人赖以生存的第二产业的企业纷纷倒闭，导致第二产业的占比逐年下降.第二是因为目前国内第二产业正在快速萎缩，加之第三产业所提供的岗位如外卖员、快递员的人数增多，大量年轻人都进入第三产业发展，对前景低迷的第二产业来说更是雪上加霜.第三人工智能的时代到来，机器人将替代工人进行劳动.4.3多元回归模型本文将进一步通过回归模型探究二氧化碳排放量与各个经济指标和社会指标之间的关系.4.3.1多元线性回归首先通过多元线性回归模型，采用最小二乘方法计算出各个观测变量的系数，并使用t检验判断各自系数是否显著，结果表4-6所示：.表4-6回归分析自变量回归系数标准差T值P值lnpgdp-7.215e+022.330e+02-0.5420.5929557**GRAD7.100e+005.618e-0112.6387.81e-12***IS1.302e+023.015e+014.3190.000254***T1.802e-042.097e-040.8680.394521NV-6.574e-023.554e-02-1.8500.077211.UL2.035e+023.659e+015.5621.17e-05***TS-8.346e+013.214e+01-2.5970.016119*表4-7模型调整后的R2R调整后0.98740.9843即在显著性水平为0.05的条件下只有技术水平量是不显著的，其余变量均显著.且该模型的R2为0.9843,R2y=−0.007215x1+0.01301x2+0.06574x4+7.1x5−0.8346在对模型进行多重共线性检查时，发现方差膨胀因子VIF数值都大于10.表4-8方差膨胀因子VIF变量VIF1/VIFlnpgdp130.58540.00765T180.835640.00553NV143.351550.00697GRAD53.450390.01870IS14.722690.06793TS86.206850.01160UL365.43250.00273VIF值都大于10，这说明变量之间存在着多重共线性.图4-5残差检验图从图4-5可以看出，数据几乎集中在y=x这条直线上，所以数据不存在异方差性.4.3.2岭回归法首先将数据集划分为测试与训练数据集，其中测试集占30%，然后设定参数α取值范围为0.1-10，步长为0.1，循环建立岭回归模型，并输出R2值，选择R2值最大的点为图4-6参数α的各个学习曲线取参数等于5.5的点进行岭回归分析，各城市指标的P值如下：表4-9岭回归分析自变量回归系数标准差T值P值pgdp-0.0208620.003701-5.63720.000004IS72.6797455.94280912.22990.000000T0.0001370.0000149.53040.000000NV-0.0430980.035108-1.22760.229154GRAD8.4916980.52341616.22360.000000TS-47.78516816.194263-2.955070.006098UL105.44394417.6299615.98100.000001表4-10调整后的RR调整后0.99790.99727取P值等于0.05，发现只有汽车数量的P值大于0.05，其余指标的P值都小于0.05，这说明，汽车数量这一指标的系数是不显著的，其他指标都是显著的.且该模型的R2为0.9y=−0.020862x1+72.679745x2+0.000137x3+8.491698x5−47.7851684.3.2模型解释（1）人均GDP对二氧化碳排放的影响：每增加一个单位的人均GDP，二氧化碳的排放就减少0.020862万吨.我国人均GDP的驻点是37170[13]元，2020年的人均GDP为7.8万，该数值大于37170元，所以此时人均GDP在倒U型曲线的右侧，随着人均GDP的不断增加二氧化碳的排放会随之减少.（2）第二产业对二氧化碳排放量的影响：呈现正相关，根据最终模型可以看出，第二产业每增加1%，二氧化碳的排放就会随之增加72.679745万吨.第二产业二氧化碳排放量在总体的二氧化碳排放中始终占据较大的比重，第二产业主要包括工业、电力业、采矿业和制造业,这些企业会在生产活动中排放大量二氧化碳.（3）技术水平对二氧化碳排放的影响：呈现正相关，申请专利每增加一万件，二氧海滩排放就会随之增加0.000137万吨，这是由于我国目前属于发展中国家，相比于发达国家，技术仍有欠缺，并且自主创新能力比较低，主要依靠引进国外技术来实现减排.（4）毕业人数对二氧化碳排放的影响：呈现正相关，就业人数每增加1万人，二氧化碳排放量就会随之增加8.491698万吨，本文的变量主要选取的是毕业大学生的就业人数，毕业以后会通过快餐店消费，滴滴打车等日常生活消耗能源，排放二氧化碳.（5）第三产业对二氧化碳排放的影响：明显的负相关性，第三产业占比每增加1%，则二氧化碳的排放会减少47.785168万吨，第三产业主要为服务业，在国家产业总数不变的情况下，第三产业占比增大，第一二产业的占比就会随之减少，故第三产业人口增加会减少二氧化碳排放量.（6）城镇化对二氧化碳排放量的影响：呈现正相关，城镇化水平每提高1%，则二氧化碳的排放就会随之增加105.443944万吨，由于城镇化的不断提高，煤、石油、天然气的使用会随着城镇人口的增多而增多.在城镇中煤、石油、天然气是产生二氧化碳的主要因素.5.结论与展望5.1结论本文以城市发展研究对象，通过《中国统计年鉴》相关信息，建立多元回归模型分析影响碳排放的影响因素，具体内容和结果如下：本文主要研究的是城市发展与二氧化碳排放之间的关系，根据相关文献，共确定出三个城市发展指标，分别是环境指标、经济指标和社会指标，其中，环境指标主要包括二氧化碳排放量，经济指标主要包括产业结构、人均GDP、技术水平，社会指标主要包括毕业大学生的人数、汽车的数量以及城镇化水平，随后，在时间序列的预测之下，发现第二产业的比重与二氧化碳排放量总体趋势相反，这是由于近年来第二产业的相对萎靡与第三产业的快速增长导致的，第三产业主要为服务业，给人们提供了如外卖员、快递员等工作岗位的同时也极大冲击了第二产业.随后，对各个指标进行多元回归处理，建立多元回归模型，结果发现，只有第三产业的增加会减少碳排放，其余指标的增加均会增二氧化碳排放量.这说明，我们在发展其他指标的同时，也要鼓励人们积极从事第三产业.综合分析来看，随着城镇化的快速提高、经济的快速发展、就业人口的不断增加、汽车数量的增加等因素的影响，二氧化碳的排放也会随之不断增加，所以低碳经济模式必须被我们高度重视，并且随着二氧化碳排放压力的进一步增大，这也成为我国经济可持续高速发展面临的严峻问题.5.2展望推动低碳模式的可持续发展，实现二氧化碳减排的同时，我们必须改变和重视传统的经济模式，所以我国现阶段存在的不合理的经济能源消费结构急需转变.同时开发新能源、提高利用传统能源的利用率、减少使用化石能源、大力发展煤炭清洁技术和其他节能技术，都成了我国现阶段节能减排的主要目标.近几年来，新一代的信息技术、金融、服务行业等第三产业的快速融合发展，以“互联网+”赋能多种科技组合深深改变了人们的生活水平与质量.网上购物、滴滴打车、移动支付等行业高速发展.科技创新推动了第三产业等低碳排放行业的规模增加，支撑着能源结构的不断优化，降低了二氧化碳的排放强度.因此，我们在大力发展低碳技术与负排放技术的同时，也要积极调整产业结构，在保证我国经济可持续发展的同时，也能走出一条低碳、清洁的道路.参考文献LiddleB.Age-structure,urbanization,andclimatechangeindeveloped:countriesrevisitingSTIRPATfordisaggregatedpopulationandconsumption–relatedenvironmentalimpacts[J].Population&Environment,2010,31(5):317-343.JLinBQ,LiuxY.China'scarbondioxideemissionsundertheurbanizationprocess:Influencefactorsandabatementpolicies[J].EconomicResearchJournal,2010HeZ,XuS,ShenW,etal.ImpactofurbanizationonenergyrelatedCO2emissionatdifferentdevelopmentlevels:RegionaldifferenceinChina[J].JournalofCleanerProduction,2017,140:1719-1730.林伯强,蒋竺均.中国二氧化碳的环境库兹涅茨曲线预测及影响因素分析[J].管理世界，2009(04):27-36.王锋,吴丽华,杨超.[J].经济研究,2010,45(02):123-136.林伯强,刘希颖.中国城市化阶段的碳排放:影响因素和减排策略[J].经济研究，2010,45(08):66-78.龚道孝，王纯，徐一剑等．生态城市指标体系构建技术方法及案例研究：以潍坊滨海生态城为例[J].城市发展研究，2011（6）：44-48，83.苏利平，娄宇红.二氧化碳排放量与我国经济增长之间的关系:基于中国统计数据的探讨[J].21世纪建筑材料居业,2012(01):76-79.魏良臣.城市碳排放与经济增长关系实证分析[J].住宅与房地产,2016(36):266+277.蒋俊文.中国城市化影响碳排放的理论机制及实证研究[D].浙江：浙江工商大学，2017.王星.城市化对碳排放影响的区域分异性研究[D].兰州：兰州大学,2018.孙秋苑.金融发展背景下的城市化与碳排放关系再论证[D].广州：暨南大学,2018.黄天培.新兴经济体国家经济发展、城市化与二氧化碳排放的关系——基于新钻11国面板数据[J].山西农经,2020(01):4-6.刘天娇.中国城市化与二氧化碳排放之间的关系——基于省级面板数据的分析[J].山西农经,2020(03):80-81.张磊.城市化与碳排放——基于夜间灯光数据的研究[D].浙江：浙江大学,2021. 附录时间序列：C=read.csv("/Users/wuyujie/Desktop/时间序列.csv",encoding

=

"UTF-8")

msa.X<-function(df){#将数据框第一列设置为数据框行名

X<-df[,-1]#删除数据框1df的第一列

rownames(X)=df[,1]#将df的第一列赋值给X的行名

X#返回新的数值数据框

}

con<-msa.X(C)

#########3.2时间序列分析#######

con.ts1=ts(con$人均GDP,start=c(1990,1),frequency

=

1);con.ts2=ts(con$第二产业占比,start=c(1990,1),frequency

=

1);

con.ts3=ts(con$CO2,start=c(1990,1),frequency

=

1);con.ts4=ts(con$技术水平平,start=c(1990,1),frequency

=

1);

con.ts5=ts(con$汽车的数量,start=c(1990,1),frequency

=

1);con.ts6=ts(con$城镇化水平,start=c(1990,1),frequency

=

1);

con.ts7=ts(con$毕业学生就业人数,start=c(1990,1),frequency

=

1);con.ts8=ts(con$第三产业占比,start=c(1990,1),frequency

=

1)

#########差分

par(family="STKaiti",mfrow=c(2,2))

con.diff1=diff(con.ts1);con.diff11=diff(con.diff1)#2阶差分

plot(con.diff11,col="pink",lwd=2,main="人均GDP")

con.diff2=diff(con.ts2);con.diff22=diff(con.diff2)#2阶差分####第二产业占比

plot(con.diff22,col="pink",lwd=2,main="第二产业占比")

con.diff4=diff(con.ts4);con.diff44=diff(con.diff4)#2阶差分####技术水平

plot(con.diff44,col="pink",lwd=2,main="技术水平")

con.diff5=diff(con.ts5);con.diff55=diff(con.diff5)#2阶差分####汽车数量

plot(con.diff55,col="pink",lwd=2,main="公共交通数量")

con.diff6=diff(con.ts6);con.diff66=diff(con.diff6)#2阶差分####城镇化

plot(con.diff66,col="pink",lwd=2,main="城镇化水平")

con.diff7=diff(con.ts7);con.diff77=diff(con.diff7)#2阶差分###毕业人数

plot(con.diff66,col="pink",lwd=2,main="毕业学生就业人数")

par(mfrow=c(1,1))

con.diff3=diff(con.ts3)

plot(con.diff3,col="pink",lwd=2,main="co2")

con.diff8=diff(con.ts8)

plot(con.diff8,col="pink",lwd=2,main="第三产业占比")

###白噪声检验

adf.test(con.diff11);adf.test(con.diff22);adf.test(con.diff44);adf.test(con.diff55)

adf.test(con.diff66);adf.test(con.diff77)

for(i

in

1:4)print(Box.test(con.diff3,lag

=

2*i))

for(i

in

1:4)print(Box.test(con.diff8,lag

=

2*i))

###模型定阶

par(mfrow=c(1,1))

par(family="STKaiti",mfrow=c(1,2))

acf(con.diff11,lag=30,main="人均GDP");pacf(con.diff11,lag=30,main="人均GDP")

acf(con.diff22,lag=30,main="第二产业占比");pacf(con.diff22,lag=30,main="第二产业占比")

acf(con.diff44,lag=30,main="技术水平");pacf(con.diff44,lag=30,main="技术水平")

acf(con.diff55,lag=30,main="汽车的数量");pacf(con.diff55,lag=30,main="汽车的数量")

acf(con.diff66,lag=30,main="城镇化比水平");pacf(con.diff66,lag=30,main="城镇化水平")

acf(con.diff77,lag=30,main="毕业学生就业人数");pacf(con.diff77,lag=30,main="毕业学生就业人数")

acf(con.diff3,lag=30,main="co2");pacf(con.diff3,lag=30,main="co2")

acf(con.diff8,lag=30,main="第三产业占比");pacf(con.diff8,lag=30,main="第三产业占比")

##模型预测

con.fit1=arima(con.ts1,order=c(0,2,1))

con.for1<-forecast(con.fit1,h=5)

par(family="STKaiti",mfrow=c(2,2))

plot(con.for1,col="pink",main="人均GDP")

lines(con.for1$fitted,col="green",lty=2)

##第二产业

con.fit2=arima(con.ts2,order=c(0,2,2))

con.for2<-forecast(con.fit2,h=5)

plot(con.for2,col="pink",main="第二产业占比")

lines(con.for2$fitted,col="green",lty=2)

##技术水平

con.fit4=arima(con.ts4,order=c(0,2,2))

con.for4<-forecast(con.fit4,h=5)

plot(con.for4,col="pink",main="技术水平")

lines(con.for4$fitted,col="green",lty=2)

##汽车的数量

con.fit5=arima(con.ts5,order=c(2,2,2))

con.for5<-forecast(con.fit5,h=5)

plot(con.for5,col="pink",main="汽车的数量")

lines(con.for5$fitted,