基于SPSS的大连市农业碳排放影响因素多元回归分析

基于SPSS的大连市农业碳排放影响因素多元回归分析关键词：农业碳排放；回归分析；SPSS中图分类号：X131.2文献标识码：A文章编号：2095-672X大连市近十年来的农业发展迅速，农业生产水平大幅提升，根据2013年大连市统计年鉴，2001年的农林牧渔业总产值为2024900万元，而2012年的农林牧渔业总产值为8235942万元，在12年间增长了306%。粮食的产量由2001年的121.36万吨增长到2012年的165.56万吨，增长了36%。蔬菜的产量由2001年的209.01万吨增长到2012年的257.03万吨，增长了23%。而大牲畜年底存栏量，由2001年的30.60万头增长到2012年的35.70万头，增长了17%。采用省级温室气体清单编制指南中对农业碳排放量的估算方法计算出大连市温室气体排放量，见图1。3基于SPSS的多元回归分析法回归分析是通过对观察数据的统计和处理，研究与确定事物间相关关系和联系形式的方法，回归分析不仅可以提供变量间相关关系的数学表达式，而且可以利用概率统计知识对此关系进行分析，以判别其有效性；还可以利用关系式，由一个或多个变量值，预测和控制另一个变量的取值，进一步可以知道这种预测和控制达到了何种程度，并进行相关因素的相关性强度分析【2】。为了更系统全面的进行大连市农业碳排放的影响因素分析，本文以2001年-2012年大连市农业碳排放的相关数据为基础材料，运用多元统计分析中的回归分析方法，通过利用SPSS软件，对大连农业碳排放量的主要影响因素进行提取，为提出有效的环境治理措施提供一定的理论指导【3】。3.1农用地CO2当量排放量影响因素分析农用地CO2当量值包括稻田甲烷CO2排放当量及农用地氧化亚氮CO2排放当量，根据筛选出的基本因素数据【1】，设定，Y（CO2当量）为因变量，X为自变量，详见表1。分别以X1-X16为自变量进行多元线性回归分析，建立全回归模型，影响因素不进行筛选。首先引入变量。见表2VariablesEntered/Removedb由表2显示强行引入的变量为X1-X16，方法为强迫引入法。进行模型拟合度检验，见表3模型汇总ModelSummary表中R为相关系数，R方为相关系数的平方，又称为判定系数，判定线性回归的你和成都，用来说明用自变量屆时因变量变异的程度（所占比例），R房衡量方程拟合优度，R方越大越好，一般地，大于0.8说明方程对样本点的拟合效果很好，由上表可以看出，y与x的相关系数和判定系数都为1，调整后的判定系数也为1，则说明，自变量可以解释因变量100%的变话，所以其模型具有完整的拟合度，没有不能被解释的变量。为了分析出影响因变量的主要因素，重新建模，采用逐步引入剔除法多元回归分析法（stepwisemultipleregressionanalysis），剔除对选取的因变量影响不明显的自变量，计算回归系数并进行显著性分析。此法是根据统计准则依序选取自变量进入回归模型，是一种探索性的复回归方法，同时使用前进选取法（forwardmethod）与后退删除法（backwardmethod）两种方法，运用计算机特性筛选出一个最佳的复回归分析模型。首先引入变量，并进行模型拟合度检验，见表4模型汇总ModelSummary。由上表中我们可以看出有两个回归模型，随着逐步回归分析的进行，R、R2和调整R2逐渐增加，而预测值标准差值却逐渐减小，说明回归方程的拟合程度在逐步提高，由此可见，模型2拟合程度更完美，自变量对因变量变异程度的解释也更为贴切。表5中Sig值是T统计量的对应概率值，所以Sig值要求小于给定的显著性水平（0.05），Sig值越接近于0越好；如上表中两种模型的Sig=0.000根据观察，两个模型中都有因素中的因变量显著性小于0.05，被解释变量与解释变量全体的线性关系是显著的，所以可以选用这两个模型对本例进行解释，但根据前面分析2号模型的拟合度最好。由此可见，影响自变量的最因素主要是X11其他豆类籽产量（t）和X2化肥总用量（t）。另外根据表7：逐步回归分析之外的变量，根据显著性分析，其次影响CO2当量排放量的因素为，X4、X1、X7、X5，X3、X8、X15、X16，最后的影响因素为X6、X12、X13、X9、X10、X14。由以上分析我们可以得到结论，在化肥的氮含量及秸秆还田率等影响因素不变的情况下，影响农用地CO2当量排放量的最主要因素为X11（其他豆类籽产量）、X2（化肥总用量），又因为影响因素X4（稻谷籽产量）、X1（水稻种植面积）两个数据具有密切的相关性，两者共同的CO2的贡献值较大，因此，我们重新确定影响农用地CO2当量排放量的最主要因素：“X1（水稻种植面积）”、“X2（化肥总用量）”、“X11（其他豆类籽产量）”对农用地CO2当量排放量的影响程度最大；其次为“X3（粪肥氮输入量）”、“X5（小麦籽产量）”、“X7（高粱籽产量）”、“X8（谷子籽产量）”、“X15（薯类籽产量）”、“X16（蔬菜（含菜用瓜）籽产量）”；最后影响相最小的因素为“X6（玉米籽产量）”、“X9（其他谷类籽产量）”、“X10（大豆籽产量）”、“X12（花生籽产量）”、“X13（芝麻籽产量）”、“X14（棉花籽产量）”。3.2畜牧业CO2当量排放量影响因素分析畜牧业CO2当量值包括动物肠道发酵甲烷排放量的CO2当量及动物粪便管理甲烷和氧化亚氮排放当量的CO2当量，根据筛选出基本因素数据，设定，Y（CO2当量）为因变量，X为自变量，详见表8变量对照表。分别以X1-X8为因变量进行多元线性回归分析，建立全回归模型，影响因素不进行筛选。首先引入变量。见表9VariablesEntered/Removedb由表9显示显示强行引入的变量为X1-X8，方法为强迫引入法。进行模型拟合度检验，见表10模型汇总ModelSummary由上表可以看出，y与x的相关系数为1，判定系数为0.999，调整后的判定系数也为0.998，都很接近1，自变量可以解释因变量99%以上的变化，所以其模型拟合度较高，不能被解释的变量较少。表中列出，回归平方和为1245.826，自由度为8，回归均方差为155.728。F=564.969，Sig=0.000由上表可知，X1显著性概率=0.019，X4显著性概率=0.003，在0.05显著性水平上存在显著关系，X2、X3、X5、X6、X7、X8显著性概率都大于0.05，在0.05显著水平上无显著关系。这些变量保留在方程中是不正确的。所以该模型不可用，应重新建模。那么，为了分析出影响因变量的主要因素，重新建模，采用逐步引入剔除法多元回归分析法（stepwisemultipleregressionanalysis），首先引入变量，并进行模型拟合度检验，见表13模型汇总ModelSummary。数据分析出现了四个模型，根据观察，复相关系数、判定系数、调整后的判定系数数值最近接1的模型为4号模型。由此可见，模型4拟合程度更完美，自变量对因变量变异程度的解释也更为贴切。四种模型的Sig=0.000根据观察，四个模型中都有因素中的因变量显著性小于0.05，被解释变量与解释变量全体的线性关系是显著的，所以可以选用这四个模型对本例进行解释，但根据前面分析4号模型的拟合度最好。由此可见，影响自变量的最因素主要是“X1（奶牛）”、“X2（非奶牛）”、“X4（山羊）”和“X5（猪）”。另外根据表7：逐步回归分析之外的变量，其次影响自变量的因素变量为”X3（绵羊）”、”X6（家禽）”、”X7（马）”、”X8（驴/骡）”。4农业碳减排对策分析4.1减少反刍动物甲烷排放一般情况下，改善饲料质量和提高动物生产力是减少动物甲烷排放的有效措施。推广秸秆青贮、氨化，减少畜禽动物的CH4排放量。通过日粮合理搭配，降低畜禽动物的CH4排放量。使用多功能舔砖或营养添加剂减少CH4排放。4.2减少稻田甲烷排放减少稻田CH4排放的方法主要有施肥、灌水管理和选择适宜的水稻品种。推广间歇灌溉可减少甲烷排放。利用沼渣替代农家有机肥可减少稻田甲烷排放。种植和选育新的品种减少甲烷排放。应用稻鸭共作等生态农业生产方式，可减少甲烷排放。4.3减少畜禽粪便甲烷排放减少畜禽粪便的甲烷排放的主要措施是针对排放潜力大的粪便减少液体贮存过程，并通过厌氧发酵回收甲烷减少温室气体排放。建设沼气工程回收利用甲烷。改湿清粪为干清粪减少甲烷排放量。通过覆盖等改变粪便贮存方式减少甲烷排放。4.4减少化肥使用量、提高氮肥利用效率、采用缓释肥和添加硝化抑制剂减少农田N2O排放采用缓释肥和长效肥料可以降低农田N2O排放。施用硝化抑制剂减少农田土壤氧化亚氮排放。测土配方施肥，提高氮肥利用率、避免过量施肥造成的农田N2O排放。参考文献【1】田云，张俊飚.中国省级区域农业碳排放公平性研究.中国人口资源与环境，2013，23（11）：36-44.【2】刘.世界优秀统计工具SPSS11.0统计分析教程（高級篇）.中国图书商报，2002-08-13（012）.【3】董红敏，李玉娥，陶秀萍，彭小培，李娜，朱志平.中国农业源温室气体排放与减排技术对策.农业工程学报，2008（10）：269-273.