CN116307184B - 一种基于因果关系的空气污染治理效果评估方法 - Google Patents
一种基于因果关系的空气污染治理效果评估方法 Download PDFInfo
- Publication number
- CN116307184B CN116307184B CN202310270352.8A CN202310270352A CN116307184B CN 116307184 B CN116307184 B CN 116307184B CN 202310270352 A CN202310270352 A CN 202310270352A CN 116307184 B CN116307184 B CN 116307184B
- Authority
- CN
- China
- Prior art keywords
- policy
- breakpoint
- data
- environmental
- pollutant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000000694 effects Effects 0.000 title claims abstract description 32
- 230000001364 causal effect Effects 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 title claims abstract description 14
- 238000003915 air pollution Methods 0.000 title claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 35
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 28
- 231100000719 pollutant Toxicity 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000013210 evaluation model Methods 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 239000000809 air pollutant Substances 0.000 claims description 6
- 231100001243 air pollutant Toxicity 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 101100020619 Arabidopsis thaliana LATE gene Proteins 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于因果关系的空气污染治理效果评估方法，方法如下：获取空气质量监测点每小时的污染物数据；收集气象因素站点的逐时气象数据；对污染物数据和气象数据进行预处理，获得污染物时序数据；对环境政策断点左右两侧的污染物时间序列数据分别进行回归拟合，绘制出污染物浓度的时变趋势图，进行断点检验；以环境治理政策为研究对象、政策实施的日期为起点，建立基于断点回归设计的政策评价模型，评估环境治理政策对空气质量变化的影响。本发明有益效果是：解决了难以量化环境政策的有效性的问题，提供了多种模型有效性和稳健性检验方法，提高了其环境政策效果的评估精度。
Description
技术领域
本发明涉及环境治理领域，尤其涉及一种基于因果关系的空气污染治理效果评估方法。
背景技术
评估环境政策对空气质量的影响，对于制定有效的环境政策至关重要。由于环境政策的许多影响因素及其它们之间复杂的关系，这使得很难量化环境政策的有效性。
在一段时间内，人们通常只能看到实施政策的空气质量或者未实施政策的空气质量。环境政策能在多大程度上改善大气环境尚不清楚。通过评估空气污染控制的有效性可以反馈给管理者，有助于为后续治理提供理论支持。
目前环境政策治理效果有效性评价的方法主要包括：
(1)化学运输模型：使用基本物理方程模拟空气污染物的输运、扩散、反应和耗竭，然后评估政策对相关空气污染的影响。然而这些复杂模型的执行非常耗时，需要大量的计算资源；
(2)数据驱动的统计模型：通过统计技术和数据驱动模型来挖掘隐藏在数据集中的知识，来证实空气质量的改善效果；
(3)化学分析模型：从化学分析的角度来测量政策实施前后颗粒物的成分含量变化。
然而现有研究大多利用传统的回归方法，评估环境政策与空气污染之间的相关关系，但这并不能充分描述不同样本之间的差异。与对数据进行总结的相关性分析不同，因果性分析是对数据的解释，因果关系是一种更牢固的、深层次关系，所以环境政策与空气污染的关系需要依据准确的因果分析。
发明内容
有鉴于此，本发明提供了一种基于因果关系的空气污染治理效果评估方法，方法包括以下步骤：
S1：获取空气质量监测点每小时的污染物数据；收集气象因素站点的逐时气象数据；
S2：对污染物数据和气象数据进行预处理，获得污染物时序数据；
S3：对环境政策断点左右两侧的污染物时间序列数据分别进行回归拟合，绘制出污染物浓度的时变趋势图，进行断点检验；
S4：以环境治理政策为研究对象、政策实施的日期为起点，建立基于断点回归设计的政策评价模型，评估环境治理政策对空气质量变化的影响。
进一步地，步骤S1中，所述气象数据包括：温度、风速和湿度。
进一步地，步骤S2中预处理具体指：对污染物数据和气象数据中的缺失值进行均值补全。
进一步地，步骤S3中，绘制污染物浓度的时变趋势图的过程如下：
S31、确定拟合点的数量和位置；
S32、以拟合点为中心，确定k个最接近的点；
S33、使用权重函数计算k个点的权重；
S34、对于该段数据用权重函数做加权的线性回归得到该点的平滑值(x,y)，x为拟合点的位置，y为拟合后曲线的对应值；
S35、对所有点重复上述操作，最终得到一组平滑点，将这些点用曲线连接起来，得到时变趋势图。
进一步地，步骤S4中基于断点回归设计的政策评价模型的构建过程如下：
S41、根据某一时刻的日期和政策实施的日期，确定该时刻的治疗变量Di；
S42、根据治疗变量Di，得到Yi(1)和Yi(0)之间的等式关系，其中Yi(1)表示受政策影响的结果变量，Yi(0)表示不受政策影响的结果变量；
S43、求解出局部平均因果效应，判断Yi(1)和Yi(0)的差值，衡量政策效果。
进一步地，在步骤S4评估环境治理政策对空气质量变化的影响之后，还通过内生分组操纵检验、控制变量连续性检验、带宽稳健性检验和内核检验进行效果检验。
进一步地，所述内生分组操纵检验的具体过程如下：
S511、根据赋值变量将样本分为等距小箱体，并计算每个箱体的样本频率，画出历史直方图；
S512、通过观察频数的跳跃来判断赋值变量是否被操纵，是否存在内生分组现象；
S513、通过核密度估计绘制赋值变量的核密度曲线，提供检验证据。
进一步地，所述控制变量连续性检验的具体过程如下：选取包括温度、湿度和风速的多种气象数据作为控制变量，分别将这些控制变量作为因变量构建断点回归设计的政策评价模型，获取断点前后这些控制变量的变化值，检验它们是否在断点处存在跳跃现象；若控制变量在断点c处存在跳跃现象，表示该断点处空气污染物的变化无法判断是由于实施环境政策引起，否则表示由于实施环境政策引起。
进一步地，带宽稳健性检验的方法为：使用Cerrd方法来选择最优带宽进行断点回归设计，通过观察改变带宽的结果，若保持一致或在误差允许范围内，则通过带宽稳健性检验。
内核检验的方法为：使用Epanechnikov核函数，然后观察改变核密度的结果，若保持一致或在误差允许范围内，则通过内核稳健性检验。
本发明提供的有益效果是：
(1)将因果关系引入到环境政策对空气质量效果评估中，用未实施政策的环境数据预测值和政策实施后的实际值进行对照，用以度量环境政策的效益高低，解决了难以量化环境政策的有效性的问题。
(2)综合考虑了整个研究区域和单个监测站点的治理效果，并且提供了多种模型有效性和稳健性检验方法，提高了其环境政策效果的评估精度。
附图说明
图1是本发明方法流程图；
图2是本发明中其中一地区空气监测站点空间分布示意图；
图3是本发明中监测站点污染物浓度的断点检验分析图；
图4是本发明完成评估后的宏观结果示意图；
图5是本发明完成评估后的微观结果示意图；
图6是图5的结果可视化示意图；
图7是本发明对结果进行内生分组稳健性检验后的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，图1是本发明方法流程图。本发明提供了一种基于因果关系的空气污染治理效果评估方法，包括以下步骤：
请参考图2，步骤S1：获取空气质量监测点每小时的污染物数据；收集气象因素站点的逐时气象数据；
本发明中，考虑到SO2、NO2、PM10、PM2.5、CO和O3等空气污染物是我国大气环境监测指标，也是评价空气质量的常用指标，本发明获取了这些空气质量监测站点逐时的污染物数据。此外，考虑到可能存在一些潜在的影响大气质量的天气条件因子，在研究中有必要对这些变量进行控制。因此，本发明收集了研究区域中气象因素站点的逐时数据，将温度、风速和湿度等气象因素作为控制变量。
S2：对污染物数据和气象数据进行预处理，获得污染物时序数据；
预处理手段具体为：对于数据集中的缺失值本发明使用了该数据项的均值进行补全，并且给出了这些变量的总结，包括均值、标准差、最小值和最大值。
请参考图3，步骤S3：对环境政策断点左右两侧的污染物时间序列数据分别进行回归拟合，绘制出污染物浓度的时变趋势图，进行断点检验；
需要说明的是，对断点c左右两侧的空气污染物时间序列数据分别进行回归拟合，采用局部加权回归散射平滑法绘制了污染物浓度的时变趋势图，基于拟合结果可以判断空气污染物是否存在跳跃性变化。如果在政策实施的时间节点前后，能够观察到研究区域空气质量在政策断点处产生跳跃现象，则满足了使用模型评估政策处理效应的首要条件。
本发明中，断点c即为政策实施的时间节点，考虑到判断所用模型的有效性，需要初步判断研究问题中的研究对象是否存在断点现象，即本质上是看断点c附近两侧的个体数量是否出现了跳跃性变化。若结果出现了跳跃，则说明可以使用本发明中的模型来研究问题；若结果未出现跳跃现象，此时使用模型结果无效。
具体的，使用局部加权回归散射平滑法绘制污染物浓度的时变趋势图的方法为：(1)确定拟合点的数量和位置；(2)以拟合点为中心，确定k个最接近的点；(3)使用权重函数计算这k个点的权重；(4)对于该段数据用权重函数做一个加权的线性回归得到该点的平滑值(x,y)，x为拟合点的位置，y为拟合后曲线的对应值；(5)对所有点重复上述操作，最终得到一组平滑点，将这些点用曲线连接起来。
请参考图4和图5，步骤S4：以环境治理政策为研究对象、政策实施的日期为起点，建立基于断点回归设计的政策评价模型，评估环境治理政策对空气质量变化的影响。
具体的，本发明设置研究周期为两个月，构建基于断点回归设计(RDD)的空气污染治理效果评估方法，从宏观角度分析整个研究区域的治理效果，从微观角度聚焦于研究区域分散的监测站，来评估环境治理政策对空气质量变化的影响。
本发明中，断点回归设计(RDD)是一种基于反事实思想的因果分析政策评价模型，它集中于断点处的不连续，这可以通过断点两侧跳跃的方向和幅度来观察。如果不连续被检验为显著的，它将表明处理的因果效应。因此，RDD通过在断点两边寻找协变量分布的差异来检验随机性，进而准确估计各实验变量对空气质量变化的影响，并且避免了其他政策因素对某一类政策的评价的影响，得到是可靠的环境监管对改善空气质量的净影响。
为了全面研究政策的影响，本发明从宏观角度分析整个研究区域的治理效果，它将揭示该政策能否在总体上降低大气污染物的浓度，从微观角度将聚焦于研究区域内分散的监测站点，观察每个监测站是否有显著的变化。
具体的，在断点回归设计模型中，本研究的赋值变量xi为日期，固定阈值c是政策实施的日期。治疗变量Di是xi的确定性函数，即Di由赋值变量xi是否超过固定阈值c决定：
那么，存在两种结果变量Yi(1)和Yi(0)，其中Yi(1)表示受政策影响的结果变量，Yi(0)表示不受政策影响的结果变量。两者之间关系如公式所示：
Yi＝Yi(0)·(1-Di)+Yi(1)·Di＝Yi(0)+(Yi(1)-Yi(0))·Di
衡量政策效果最简单的方法是计算Yi(1)和Yi(0)的差值。在现实中，不可能同时观察两者。而RDD可以通过公式得到局部平均因果效应(LATE)，从而有效地解决这一问题：
其中和/>分别表示值分别取自c的左右两侧。这里假设了期望函数E(yi(1)|x＝c)和E(yi(o)|x＝c)是连续函数，所以极限值等于函数值。回归方程yi可以写作公式：
yi＝α+β(xi-c)+γDi+δ(xi-c)Di+εi
其中yi表示大气污染物，如CO、NO2、SO2和O3等；c表示赋值变量的RDD阈值；β是关键参数，它显示了政策前后去环境治理政策对大气污染物的影响；γ和δ是变量的系数；εi是残差项。
在步骤S4评估环境治理政策对空气质量变化的影响之后，还通过内生分组操纵检验、控制变量连续性检验、带宽稳健性检验和内核检验进行效果检验。
本发明中，考虑到RDD有效性的核心前提是假设在断点附近是完全随机实验，这就要求研究对象不可以存在人为分组现象。如果研究对象事先知道分组规则，通过人为干预的方式去控制赋值变量，进而对研究对象进行分组，就会导致在断点附近出现“内生分组”情况，从而使得RDD结果出现估计偏差，导致RDD结果失效。
请参考图7，其中，内生分组操纵检验的过程如下：(1)本发明根据赋值变量将样本分为等距小箱体，并计算每个箱体的样本频率，画出历史直方图；(2)通过观察频数的跳跃来判断赋值变量是否被操纵，是否存在内生分组现象；(3)通过核密度估计绘制赋值变量的核密度曲线，进一步提供检验证据。
本发明中，控制变量的连续性是保证RDD结果有效性的一个重要前提条件。在RDD模型中加入与被解释变量具有较强关联性的控制变量，可以提高估计结果的准确性，降低扰动项方差。但是加入的控制变量不能在断点处出现跳跃，即加入的变量不能是内生变量，这可以避免解释变量对因变量的影响受到控制变量的干扰。
具体的，控制变量连续性检验的过程如下：本发明中选取温度、湿度和风速三个控制变量。如果控制变量在断点c处存在“断点”，那么将无法判断在断点处空气污染物的变化是否完全是由于实施环境政策引起的，即因果推断失去效力。因此，分别对三个控制变量作为因变量构建了断点回归设计模型，获取断点前后这些控制变量的变化值，检验它们是否在断点c处存在跳跃现象。
具体的，带宽选择会影响回归估计的稳健性，考虑到RDD是在断点c处相邻区间范围(c-h,c+h)内进行的随机实验，选择适合带宽h是得到政策处理效应的必要条件。本发明中使用了Mserd方法选择最优带宽进行RDD估计，Mserd方法是使用均方误差(MSE)来选择最优带宽的。因此，考虑到结果的可靠性，本节选择使用另一种Cerrd方法选择最优带宽进行RDD估计，用以稳健性检验。Cerrd方法使用的是覆盖错误率(CER)选择最优带宽。具体算式如下：
使用MSE选择最优带宽：
其中，Bj和Vj分别表示估计量的偏差平方和方差，n表示可用的总样本数，p表示用于估计的多项式阶数。
使用CER选择最优带宽：
具体的，局部平均因果效应(LATE)可以通过使用核函数计算权重，对带宽h范围内的观测值进行加权计算求出，本发明之前过程中使用了三角核函数计算局部平均处理效应。因此，本节选择使用Epanechnikov核函数，使用不同的核函数计算局部平均处理效应，通过观察改变核密度后的模型结果，从而进行稳健性检验。
综合来看，本发明的有益效果是：
(1)将因果关系引入到环境政策对空气质量效果评估中，用未实施政策的环境数据预测值和政策实施后的实际值进行对照，用以度量环境政策的效益高低，解决了难以量化环境政策的有效性的问题。
(2)综合考虑了整个研究区域和单个监测站点的治理效果，并且提供了多种模型有效性和稳健性检验方法，提高了其环境政策效果的评估精度。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于因果关系的空气污染治理效果评估方法，其特征在于：包括以下步骤：
S1：获取空气质量监测点每小时的污染物数据；收集气象因素站点的逐时气象数据；步骤S1中，所述气象数据包括：温度、风速和湿度；
S2：对污染物数据和气象数据进行预处理，获得污染物时序数据；
步骤S2中预处理具体指：对污染物数据和气象数据中的缺失值进行均值补全；
S3：对环境政策断点左右两侧的污染物时间序列数据分别进行回归拟合，绘制出污染物浓度的时变趋势图，进行断点检验；
步骤S3中，绘制污染物浓度的时变趋势图的过程如下：
S31、确定拟合点的数量和位置；
S32、以拟合点为中心，确定k个最接近的点；
S33、使用权重函数计算k个点的权重；
S34、对于该段数据用权重函数做加权的线性回归得到该点的平滑值(x,y)，x为拟合点的位置，y为拟合后曲线的对应值；
S35、对所有点重复上述操作，最终得到一组平滑点，将这些点用曲线连接起来，得到时变趋势图；
S4：以环境治理政策为研究对象、政策实施的日期为起点，建立基于断点回归设计的政策评价模型，评估环境治理政策对空气质量变化的影响；
步骤S4中基于断点回归设计的政策评价模型的构建过程如下：
S41、根据某一时刻的日期和政策实施的日期，确定该时刻的治疗变量Di；
S42、根据治疗变量Di，得到Yi(1)和Yi(0)之间的等式关系，其中Yi(1)表示受政策影响的结果变量，Yi(0)表示不受政策影响的结果变量；
S43、求解出局部平均因果效应，判断Yi(1)和Yi(0)的差值，衡量政策效果；
在步骤S4评估环境治理政策对空气质量变化的影响之后，还通过内生分组操纵检验、控制变量连续性检验、带宽稳健性检验和内核检验进行效果检验；
所述内生分组操纵检验的具体过程如下：
S511、根据赋值变量将样本分为等距小箱体，并计算每个箱体的样本频率，画出历史直方图；
S512、通过观察频数的跳跃来判断赋值变量是否被操纵，是否存在内生分组现象；
S513、通过核密度估计绘制赋值变量的核密度曲线，提供检验证据；
所述控制变量连续性检验的具体过程如下：选取包括温度、湿度和风速的多种气象数据作为控制变量，分别将这些控制变量作为因变量构建断点回归设计的政策评价模型，获取断点前后这些控制变量的变化值，检验它们是否在断点处存在跳跃现象；若控制变量在断点c处存在跳跃现象，表示该断点处空气污染物的变化无法判断是由于实施环境政策引起，否则表示由于实施环境政策引起；
带宽稳健性检验的方法为：使用Cerrd方法来选择最优带宽进行断点回归设计，通过观察改变带宽的结果，若保持一致或在误差允许范围内，则通过带宽稳健性检验；
内核检验的方法为：使用Epanechnikov核函数，然后观察改变核密度的结果，若保持一致或在误差允许范围内，则通过内核稳健性检验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310270352.8A CN116307184B (zh) | 2023-03-15 | 2023-03-15 | 一种基于因果关系的空气污染治理效果评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310270352.8A CN116307184B (zh) | 2023-03-15 | 2023-03-15 | 一种基于因果关系的空气污染治理效果评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116307184A CN116307184A (zh) | 2023-06-23 |
| CN116307184B true CN116307184B (zh) | 2024-03-01 |
Family
ID=86781188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310270352.8A Active CN116307184B (zh) | 2023-03-15 | 2023-03-15 | 一种基于因果关系的空气污染治理效果评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307184B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657377A (zh) * | 2017-09-26 | 2018-02-02 | 大连理工大学 | 一种基于断点回归的公交专用道政策评价方法 |
| AU2020104020A4 (en) * | 2020-12-11 | 2021-02-18 | Liuzhou Workers' Hospital | A Method for Predicting CO Poisoning Based on Data from Meteorological Conditions and Atmospheric Pollutants |
| CN114240719A (zh) * | 2021-12-24 | 2022-03-25 | 西安交通大学 | 一种基于多元逐步回归的空气质量缺失数据填充方法及系统 |
-
2023
- 2023-03-15 CN CN202310270352.8A patent/CN116307184B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657377A (zh) * | 2017-09-26 | 2018-02-02 | 大连理工大学 | 一种基于断点回归的公交专用道政策评价方法 |
| AU2020104020A4 (en) * | 2020-12-11 | 2021-02-18 | Liuzhou Workers' Hospital | A Method for Predicting CO Poisoning Based on Data from Meteorological Conditions and Atmospheric Pollutants |
| CN114240719A (zh) * | 2021-12-24 | 2022-03-25 | 西安交通大学 | 一种基于多元逐步回归的空气质量缺失数据填充方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| "Evaluating the impact of partial driving restrictions on local air quality in Chongqing using regression discontinuity design";xin li et al.;《EPB: Urban Analytics and City Science》;文件第1-18页 * |
| "京津冀及周边地区"煤改气电"政策对供暖期空气质量的影响研究";铁美;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑(月刊) 2022 年 第10期》;文件第2-6章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116307184A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gong et al. | Evolutionary generation of test data for many paths coverage based on grouping | |
| CN108664690A (zh) | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 | |
| CN110110529B (zh) | 一种基于复杂网络的软件网络关键节点挖掘方法 | |
| Sargent et al. | A tutorial on the operational validation of simulation models | |
| CN117195135B (zh) | 一种水污染异常溯源检测方法及系统 | |
| Karimi et al. | Bayesian spatial regression models with closed skew normal correlated errors and missing observations | |
| CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
| CN115270266B (zh) | 基于改进层次分析法的边坡监测状态风险判断方法 | |
| CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
| CN111160667B (zh) | 一种提高食品安全预测模型鲁棒性的方法及装置 | |
| Miao | Prediction‐Based Maintenance of Existing Bridges Using Neural Network and Sensitivity Analysis | |
| CN115660407A (zh) | 污染场地风险等级预测模型的训练方法和训练装置 | |
| CN109632942B (zh) | 一种基于集成学习的管道缺陷尺寸的反演方法 | |
| CN115451803A (zh) | 基于gnss与测量机器人融合的水闸实时监测预警方法 | |
| CN113642209B (zh) | 基于数字孪生的结构植入故障响应数据获取及评判方法 | |
| CN116307184B (zh) | 一种基于因果关系的空气污染治理效果评估方法 | |
| Zong et al. | Embedded software fault prediction based on back propagation neural network | |
| CN117391463A (zh) | 一种河流污染的溯源方法 | |
| CN115510763A (zh) | 一种基于数据驱动探索的空气污染物浓度预测方法及系统 | |
| CN116432535A (zh) | 考虑多元环境要素的电力计量装置性能检定误差分析方法 | |
| CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
| CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
| Warwick et al. | Determining the likelihood of obtaining a reliable model | |
| CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
| CN109858699A (zh) | 水质定量模拟方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |