基于因子研究及聚类研究各地区环境污染程度评价.docVIP

基于因子研究及聚类研究各地区环境污染程度评价摘要：因子分析模型和聚类分析模型是用少数不可观测的变量来解释原始变量间相互关系的一种数学模型。本文采用因子分析和聚类分析的方法，对我国各地区大量工业及生活排放污染物数据进行了计算分析，发现环境污染的主要因素，为各地区环境整治提供了科学、准确的方法。 关键词：SPSS软件； 因子分析； 聚类分析； 环境污染 引言 近年来，随着城市经济高速发展，城市规模逐步扩大、布局不断调整。一方面，城市化的发展孕育了城市现代文明，改变了人们的传统观念，促进了经济、文化、科技的全面发展。另一方面，随着发展的需要，从环境获取资源的数量越来越多，排放到环境中的气体、液体和固体废弃物也迅猛增加，既造成环境污染，又造成自然资源的破坏和再生能力的下降；同时随着城市人口密集度的增加，产生的废弃物也愈来越多，一定程度上会加重环境污染。因此，如何解决好经济的可持续发展和环境问题的冲突，是一个亟待研究的重要课题。 一.环境污染数据统计与分析 （一）数据来源 本文以全国31个地区为研究对象，遵循科学性、合理性、可操作性和可比性原则，选取八项指标进行研究分析。具体为：x1：工业废水排放量（万吨）、x2：工业废气排放量（亿标立方米）、x3：工业二氧化硫排放量（万吨）、x4：工业固体废物排放量（吨）、x5：工业烟尘排放量（万吨）、x6：生活污水中化学需氧量排放量（万吨）、x7：工业废水中化学需氧量排放量（万吨）、x8：生活污水排放量（万吨）。数据均来源于《中国统计年鉴》（2010年版）。 （二）应用SPSS对数据进行因子分析和聚类分析 1.因子分析的前提条件 对变量进行巴特利特球度检验和KMO检验方法进行分析，可知：巴特利特球度检验统计量的观测值为136.341，相应的概率P-值接近0。如果显著性水平α为0.05，由于概率P-值小于显著性水平α，则拒绝原假设，认为相关系数矩阵与单位阵有显著差异。同时，KOM值为0.780，根据KMO度量标准可知，原有变量可以进行因子分析。 表1 2.提取因子 首先，对原变量采用主成分分析法提取因子并选取特征根值大于1的特征根，得到因子分析的初始解，经分析得出：工业废水排放量、工业二氧化硫排放量等变量的绝大部分信息（大于81%）被因子解释，变量的信息丢失较少，但其他变量的信息丢失较为严重（近40%）。因此，本次因子提取的总体效果不理想。指定提取2个因子，得到的分析结果不理想。指定提取3个因子，得到的分析结果是：此时所有变量的共同度均较高，各个变量的信息丢失都较少。所以，提取三个因子的总体效果较理想。其次，采用最大方差法，根据其中第三大列Rotation Sums Of Squared Loadings描述了因子解的情况，三个因子共解释了原有变量总方差的83.535%，总体上，原有变量的信息丢失较少，因子分析效果较理想。第四大列：描述了最终因子解的情况。因子旋转后，重新分配了各个因子解释原有变量的方差，改变了各因子的方差贡献，使得因子易于解释。 3.因子命名 根据提取因子，得出因子载荷矩阵，采用方差最大法对因子载荷矩阵进行正交旋转，并按第一因子载荷降序的顺序输出旋转后的因子载荷，从而得出：第一个因子主要解释了工业烟尘排放量、工业二氧化硫排放量、工业废气排放量、工业废水中化学需氧量排放量，可解释为气体因子。第二个因子主要解释了生活污水排放量、生活污水汇总化学需氧量排放量、工业废水排放量，可解释为液体因子。第三个因子主要解释了工业固体废物排放量，可解释为固体因子。 4.计算因子得分 采用回归法估计因子得分系数，并输出因子得分系数。可写出因子得分函数为： F1=-0.074工业废水+0.364工业废气+0.338工业二氧化硫-0.079工业固体废物+0.450工业烟尘-0.140生活污水需氧量+0.201工业废水-0.265生活污水 F2=0.345工业废水-0.147工业废气-0.084工业二氧化硫+0.154工业固体废物-0.249工业烟尘+0.418生活污水需氧量+0.031工业废水+0.535生活污水 F3=0.004工业废水-0.054工业废气+0.057工业二氧化硫+1.017工业固体废物-0.053工业烟尘+0.081生活污水需氧量-0.125工业废水+0.157生活污水 表2是各地区因子得分情况。按第一因子（包括河北省在工业烟尘排放量、工业二氧化硫排放量、工业废气排放量、工业废水中化学需要氧量排放量）降序排列，可发现：河北省得分最高，为2.09，其次为河南1.89，北京得分最低为-1.44。河北省在第一主因子方面污染严重主要是因为河北省能源资源丰富，但是由于经济增长率持续加快，产业结构属偏重型，如今能源消耗已大