垃圾分类模型

数学建模刘慧慧等人垃圾减量分类的量化分析摘要随着城镇化的加快和人们生活水平的提高，城市的生活垃圾对生态环境及人类生存带来极大的威胁，这逐渐成为重要的社会问题。本文以深圳天景花园和阳光花园为例，通过研究社会因素和个体因素对垃圾减量分析的影响，以及各类来及之间的相关性，对垃圾减量工程进行了分析探讨，提出了垃圾减量量化模型的和有效的预测算法。针对问题一：为了分析城市生活垃圾与社会因素以及个体因素的关系，我们通过查阅深圳市2000—2010年的统计年鉴，统计了城市垃圾清运量与政府教育支出、GDP、人均GDP、环保投入、总人口数、户籍/非户籍比例、家庭结构的数据，运用的相关性分析法和多元线性回归法，用EVIEWS软件进行分析，得到的量化模型为：7654321901079.7573286.252609.11620093.002541.1747037.10185947.0014799.0XXXXXXXY由于存在多重共线性，通过剔除变量，得到修正模型为：针对问题二：在相关性分析的基础上，可以直接用SPSS分析了四类垃圾之间存在的相关性，得出了结论与原因。接着，利用第一问中构建的减量分类模型，我们将附录2，3的各类垃圾组分的数量变化进行定性的相关性分析。最后总体得出政府各项激励措施和减量分类效果之间存在正的相关性关系。针对问题三：基础数据项是否足够，主要是通过与一些发达地区及环保工作做得比较好的地区之间比较以及地区之间的气候、地理等相似度，根据现有经验分析，结果是在厨余垃圾和混合类垃圾及有害垃圾方面细分；对于颗粒度是否足够，主要是根据附件8中的数据进行分析并参照《生活垃圾采样和物理分析方法（CJ/T313-2009）》的要求判断，求解结果是足够的；通过垃圾分类的作图，在对数据分析以及一些发达地区及地理位置相近的发达地区标准的基础上确定精力和成本的投入方向；运用统计学上的一些抽样思想来达到设置少量抽样数据来检测一定区域内减量分类工作的效果的目的。针对问题四：通过前几问的分析我们可以看出，在自然因素，社会因素和内在因素中，所占比重的是个体因素和社会因素，个体因素不稳定，所以政府可以从社会因素出发。加大环保投入，注重教育来改善。我们的思路是，首先用灰色预测法计算出政府教育支出（1X）、GDP（2X）、人均GDP（3X）、环保投入（4X）、总人口数（5X）、户籍/非户籍比例（6X）、家庭结构(7X)、在未来五年的预测值，然后代入主成分分析法得到的主成分模型，就得到了城市生活垃圾清运量关键词：主成分分析灰色预测多元线形回归模型一问题的重述为了减少该区垃圾占用大量土地、污染水体、污染大气、破坏植被,严重影响地区的外容景观和居民的生活环境。该地区垃圾已成为各国政府急需妥善解决的首要问题之一。根据该区的实际情况与环境影响则这一控制过程的研究需要进行改良和量化分析，提出了以下问题。1、分析附件有关资料并结合你自己的经历和生活观察，考虑各项教育、督导、激励措施对居民家庭垃圾减量分类结果的影响，构建量化模型描述深圳天景花园、阳光家园垃圾减量分类过程，模型应能以量化参数描述社会因素（如各项教育、督导、激励措施等）以及个体因素（如家庭收入水平、家庭结构、户籍类型、生活习惯等），并在后续的进一步研究过程中通过调整相关参数来修正模型。2、基于你构建的减量分类模型，试分析试点小区四类垃圾组分本身的数量存在什么样的相关性？各项激励措施与减量分类效果存在什么相关性？原因是什么？3、根据你构建减量分类模型的研究结果，你认为在深圳现有垃圾减量分类督导过程中，目前统计的基础数据分项及颗粒度是否足够？应该在哪些数据的获取中投放更多的成本和精力？在减量分类模式大面积推广时，如何设置少量抽样数据来检测一定区域内减量分类工作的效果？4、基于你构建的减量分类模型，指出深圳未来5年推进减量分类工作关键措施，并预测措施实施的最好与最坏结果二、问题分析2.1对于问题一分析：要分析社会因素和个体因素与城市生活垃圾的清运量之间的关系，我们就要考虑与社会因素相关的教育、激励措施，与个人因素相关的家庭收入水平、家庭结构、户籍类型和城市生活垃圾的清运量之间的关系。我们通过查阅深圳市2000—2010年的统计年鉴，统计了城市垃圾清运量与政府教育支出、GDP、人均GDP、环保投入、总人口数、户籍/非户籍比例、家庭结构的数据，用Eviews软件对这些数据进行相关性分析和多元线性回归分析，得出线性回归模型，也即是这些变量对城市生活垃圾的清运量的量化关系，说明了各因素对垃圾清运量的具体影响情况。2.2对于问题二分析：分析试点小区四类垃圾组分本身的数量存在什么样的相关性？根据附件二由SPSS可以直接看他的相关性，由于数据的特殊性，删除了二月份的几个数据，得到跟好的结果，从结果中可以看出：总量垃圾由厨余垃圾，可回收垃圾构成，与有害垃圾大致无关。可回收物与厨余垃圾呈弱正相关，与有害垃圾呈极弱相关，与其他垃圾呈中等程度负相关；厨余垃圾与有害垃圾呈弱相关，与有害垃圾呈极弱负相关；有害垃圾与其他垃圾呈极弱负相关。再基于你构建的减量分类模型可以知道政府各项激励措施和减量分类效果之间存在正的相关性关系。2.3对于问题三分析：首先对本题中的几个名词加以分析，基础数据项：是对垃圾的具体分类。数据颗粒度：是用于表示某数据集的组成的最小单元，根据附件8所给信息知道深圳市对垃圾处理的颗粒度标准。基础数据分项是否足够主要通过与一些发达地区及环保工作做得比较好的地区之间比较以及根据现有经验分析；对于颗粒度是否足够主要通过对附件8的数据分析并参照《生活垃圾采样和物理分析方法（CJ/T313-2009）》的要求判断；通过垃圾分类的作图，再对数据分析及根据一些发达地区的标准的基础上确定成本和精力投入方向；运用统计学上的一些抽样思想来达到设置少量抽样数据来检测一定区域内减量分类工作的效果的目的。2.4对于问题四分析：通过前几问的分析我们可以看出，在自然因素，社会因素和内在因素中，所占比重的是个体因素和社会因素，个体因素不稳定，所以政府可以从社会因素出发。加大环保投入，注重教育来改善。我们的思路是，首先用灰色预测法计算出政府教育支出（1X）、GDP（2X）、人均GDP（3X）、环保投入（4X）、总人口数（5X）、户籍/非户籍比例（6X）、家庭结构(7X)、在未来五年的预测值，然后代入主成分分析法得到的主成分模型，就得到了城市生活垃圾清运量。三、模型假设1.假设题目所给数据及建模搜集数据真实可靠;2.假设小区居民扔垃圾的量不受天气和气候的影响；3.假设所有人都按要求对垃圾分类；4.假设有新的变化因素引进时，或者原有的因素减少时，单一准则下，原有因素的排序全职的比例不变；5.各个指标因素互不相关，互不影响；6.假设收垃圾的车不会因为故障而将收垃圾的时间延后；7.假设建模中涉及主观分析的结论基本与事实相符；8.假设深圳队环保的投资全部用于对垃圾的减量分类过程。四、符号说明1X-----政府教育支出2X-----GDP3X-----人均GDP4X------环保投入5X------总人口数6X------户籍/非户籍比例7X------家庭结构Y--------城市垃圾清运量Wi------基础数据分项的抽样量权重N----总抽样量Pi-----各区人口P-----总人口五、模型建立与求解5.1.1模型的建立要分析社会因素和个体因素与城市生活垃圾的清运量之间的关系，我们就要考虑与社会因素相关的教育、激励措施，与个人因素相关的家庭收入水平、家庭结构、户籍类型和城市生活垃圾的清运量之间的关系。我们采用了城市垃圾清运量与政府教育支出、GDP、人均GDP、环保投入、总人口数、户籍/非户籍比例、家庭结构的数据，对这些数据进行相关性分析和多元线性回归分析，得出最后的量化模型。建立的线性回归模型为：Y=a0+a1X1+a2X27666554433XaXaXaXaXa5.1.2模型的求解根据2000—2010年的深圳市的统计年鉴，可以得出如下的政府教育支出（1X）、GDP（2X）、人均GDP（3X）、环保投入（4X）、总人口数（5X）、户籍/非户籍比例（6X）、家庭结构(7X)、城市垃圾清运量（Y）数据表如下：用EVIEWS对1X、2X、3X、4X、5X、6X、7X、Y进行多元线性回归的得到的结果如下表所示：DependentVariable:YMethod:LeastSquaresDate:08/24/12Time:16:43Sample:20002010Includedobservations:11VariableCoefficientStd.Errort-StatisticProb.C-0.0147990.070929-0.2086410.8481X10.1859470.1382271.3452290.2712X2-10.470372.761677-3.7913070.0322X317.025414.3332873.9289830.0293X40.6200930.1837213.3751870.0432X5-11.526093.008411-3.8312880.0313X6-2.5732860.779544-3.3010160.0457X77.9010791.8909254.1784200.0250R-squared0.995893Meandependentvar0.090909AdjustedR-squared0.986310S.D.dependentvar0.026339S.E.ofregression0.003082Akaikeinfocriterion-8.571337Sumsquared2.85E-05Schwarzcriterion-8.2819resid59Loglikelihood55.14236F-statistic103.9216Durbin-Watsonstat2.602710Prob(F-statistic)0.001421则线性回归模型为：7654321901079.7573286.252609.11620093.002541.1747037.10185947.0014799.0XXXXXXXY5.1.3模型的结果和分析由上表可以得出：模型的可决系数为2R=0.995893，说明模型建立的可行性较强，但变量1X的P值大于0.05，不通过检验，说明1X与其他各变量之间存在较强的多重共线性，通过分析，将变量1X剔除，进行模型的修正，可以得到的结果如下表所示：DependentVariable:YMethod:LeastSquaresDate:08/24/12Time:16:53Sample:20002010Includedobservations:11VariableCoefficientStd.Errort-StatisticProb.C-0.0051740.077380-0.0668660.9499X2-12.284012.642926-4.6478820.0097X320.164164.0040155.0359870.0073X40.7626500.1645674.6342940.0098X5-13.669492.798193-4.8851150.0081X6-3.1268450.726007-4.3069100.0126X79.2104451.7776905.1811320.0066R-squared0.993416Meandependentvar0.090909AdjustedR-squared0.983539S.D.dependentvar0.026339S.E.ofregression0.003379Akaikeinfocriterion-8.281145Sumsquared4.57E-05Schwarzcriterion-8.0279resid39Loglikelihood52.54630F-statistic100.5815Durbin-Watsonstat2.361642P