垃圾减量分类

1、垃圾减量分类活动中社会及个体因素的量化分析摘要垃圾减量分类处理就是人类社会对自身垃圾产生系统的干预过程，主要是社会通过教育、督导、激励等措施（社会因素）影响个人及家庭垃圾产生动因（个体因素），最终形成减少垃圾总量并分类回收良性结果的控制过程。本文主要是通过建立量化模型分析社会及个人因素对垃圾减量分类活动效果的影响，从而得到深圳市俩个试点小区的垃圾减量处理后分类垃圾间的相关性，最后对未来5年的减量处理的预测。 针对问题一，根据我们所掌握的影响垃圾减量分类的影响因素，采用层次分析法，构造对比矩阵，并用MATLAB软件得出相应值，最终得出每个影响因素相对于目标层的权重，从而得出政府的教育投入和督导激

2、励对居民家庭垃圾减量分类影响较大。针对问题二，结合附件2，3用MATLAB软件绘出试点小区四类垃圾统计图，经对比得出厨余垃圾与可回收垃圾呈负相关，同时结合第一问综合评价指数得到政府督导激励与减量分类效果呈正相关。针对问题三，由附件8中所给信息对比美国、日本和台湾减量分类情况得出，深圳市数据分项是不够的颗粒度是足够的。同样由附件8给出信息分析得出政府应在处理厨余垃圾投放更多的精力成本，在根据分层抽样的方法按照人口比例制定抽样点个数，来检测这些区域减量分类工作的效果。针对问题四，采用灰色预测系列中GM（1，1）模型对深圳未来五年减量分类工作关键措施的预测。因此得出增强政府教育，家庭的受教育程度将会

3、推动减量分类工作的发展。关键字：层次分析法、MATLAB、综合评价指数、分层抽样、灰色预测GM(1，1)；一、 问题的提出随着经济的发展，城镇化进程的加快、人们的生活水平和生活方式的改变。原始的垃圾处理方式造成了土地和空气的严重污染，为了进行标本兼治，从源头一对垃圾进行减样分类和资源的回收再利用迫在眉睫。现对深圳市天景花园和阳光家园两个小区实际情况建立数学模型进行量化分析。因此，我们先需要解决以下几个问题：1、根据附件有关资料并结合生活经历和观察，如何构建量化模型描述天景花园 和阳光家园垃圾减量分类过程，模型以量化参数描述社会因素（如各项教育、督导、激励措施等）以及个人因素（如家庭收入水平、家

4、庭结构、户籍类型、生活习惯等）对居民家庭垃圾分类结果的影响。2、基于减量分类模型，分析出天景花园和阳光家园四类垃圾组分本身的数量存在什么样的相关？各项激励措施与减量分类效果又存在着什么相关性？原因是什么？3、根据减量分类模型的的研究结果，分析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？再见来呢个分类模式大面积推广时，怎样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、基于我们所构建的减量分类模型，指出深圳未来五年推进减量分类工作的关 键措施，并预测措施实施的最好与最坏的结果。二、 问题的分析1、对于问题一：我们需要

5、构建一个量化模型描述社会因素（如各项教育、督导、激励措施等）和个人因素（如家庭收入水平、家庭结构、户籍类型、生活习惯等）对居民家庭垃圾分类结果的影响。而描述因素是需要主观看发来定性分析的，同时也需要有一定精度的量化分析。显然，将定性分析和定量分析结合起来完成题目，层次分析法是必然的选择。首先，我们根据影响因素构造层次模型；其次，将影响因素通过讨论两两比较得到矩阵，并且可以通过MATLAB得到其特征根；然后，将得到的各项权重分析比较，就可以确定各因素对居民家庭垃圾减量分类效果的影响；最后，进行一致性检验。2、对于问题二：我们结合题中所给出的附件使用MATLAB软件，绘制试点小区四类垃圾组分之间的

6、关系图，并且结合第一问的结果分析出各项激励措施与减量分类效果之间的联系。3、对于问题三：我们通过查找相关减量分类垃圾信息，分析比较深圳与国外，台湾减量分类督导过程，从而找到需要改进的地方。根据问题一中我们数据分析得到，权向量中哪个权值最大，那么对应的因素就是居民减量分类影响较大，因此我们就因该在哪一方面投放更多成本和精力。对于如何设置少数抽样数据我们采用分层抽样的方法。4、对于问题四：我们通过对深圳市20002010年垃圾运行梁的分析，用灰色预测GM(1，1)模型对深圳是未来五年垃圾产量进行预测，利用MATLAB软件对其进行求解，最后介绍应采取哪些措施来推进垃圾减量工作。三、 模型的假设1、假

7、设定性分析附件中影响因素与实际符合；2、假设小区的垃圾产量不受天气变化和节假日的影响；3、假设垃圾车不会因为其他原因改变时间；4、假设居民倾倒垃圾时按照正常标准分类扔垃圾；5、假设题目中所给数据是真实可靠的。四、 符号说明符号说明垃圾减量分类的影响政府教育投入政府督导激励家庭收入家庭结构家庭户籍家庭生活习惯受教育程度判别矩阵最大特征根特征向量1归一处理的特征向量权重综合评价指数 一致性指标一致性比率五、 模型的建立与求解5.1问题一模型的建立和求解（1） 首先，建立层次分析法模型，把垃圾减量分类的影响作为目标层，分别把政府教育投入、政府督导激励、家庭收入、家庭结构、家庭户籍、家庭生活习惯、受教

8、育程度，作为准则层。垃圾减量分类的影响响政府教育投入政府督导激励家庭收入家庭结构家庭户籍家庭生活习惯受教育程度（2）然后，根据我们主观思想定性的建立两两比较矩阵 X1X2X3X4X5X6X71359823X21/3125512 X3 1/51/21261/31/2 X4 1/91/51/2111/41/6X51/81/51/6111/41/7X61/211/24412X71/31/22671/21A=（3）用MATLAB计算出最大特征根，特征向量0.784,0.3706,0.1867,0.0739,0.0657,0.3301,0.3073T对特征向量进行归一化处理得10.370108106，0

9、.174951612，0.088136713，0.034886466，0.031015437，0.155832507，0.145069159T根据特征根法：得到各因素的权重：因素权重（）2.6444594251.2500467640.6297456310.2492672850.2216083981.1134388471.03653365综合评价指数：（2.644459425* 1.250046764* 0.629745631* 0.249267285* 0.221608398* 1.113438847* 1.03653365* ）（4）对判别矩阵一致性检验：一致性指标 一致性比率 0.1随机一

10、致性指标RI的数值n12345678RI000.580.891.121.261.361.41由此可以看出CR120 30 10 3 在深圳的垃圾分类处把筛选样品研磨至0.5mm一下，按照生活垃圾样品物理组成的干基比例，配置测定用合成样，合成样的重量（M样）可以根据测定项目所用仪器要求确定，各种成分的重量（Mi）按计算，称重结果精确至0.0005。远远低于我们称量使用的电子台秤的最小量程，说明颗粒度已经足够了。（2）根据上图我们可以清楚的看出厨余类垃圾占垃圾总量相对最多，同时由附件8中信息也同样证明厨余类垃圾所占比例比较大，而且厨余类垃圾所占水率也是相对最大。因此，应该对厨余类垃圾的数据收集和厨

11、余类垃圾分类投入更多的精力。（3）我们采用分层抽样法，对深圳各区分为各个抽样层，再按照人口比例对制定出抽样点个数，然后按简单随机抽样隔时对垃圾进行抽取。生活垃圾采样和分析方法中规定采样点数据要求人口数（万人）200至少采样点8162030深圳市区面积与人口数据（2010年11月1日）区划名称面积（公里3）常住人口（人）人口密度（人/公里3）罗湖区78.7592342311726福田区78.66131805516756南山区185.1110879365877宝安区569.1940178077059龙岗区682.8520112252945盐田区155.442089612798光明新区155.444

12、814203097坪山新区167.003092111852深圳市1991.64103579385201 i区人口比重Wi=Pi/Psum 按比重对采样点进行添加现我将深圳市分为9个区，然后根据各个区的人口数占总人口的比例来确定各自不同的抽样比例，计算出各个区的人口比重。然后将所要获取的样本数发放到各个区，在每个区中逐层使用同样的分层抽样的方法，这样就能够较少的来检测一定区域的减量分配效果。综上所述：1、 故目前统计的基础数据分项是不够的但颗粒度已经足够了。2、 应该对厨余类垃圾的数据收集和厨余类垃圾分类投入更多的精力。3、 采用分层抽样法，根据各区人口所只能比例来确定较少检测区域的减量分配效果

13、。5.4问题四求解由第一问得出社会因素中政府教育投入和政府督导激励对居民家庭垃圾减量起至关重要的作用,所以政府应该加大教育投入和督导激励；由台湾的先来可以清晰的展现，垃圾分类的推行带来巨大成果，从1998年的888.05万吨垃圾，降至2011的361.08万吨垃圾，降幅59.34%，现在深圳的推行垃圾的减量分类是巨大可行新的。由附件8中的表年份20002001200220032004200520062007200820092010垃圾量(万吨)201.9219221.1324.5346.97332.9356.97406.98440.69475.96479.25使用灰色预测GM（1,1）对其进行

14、预测；垃圾量为行为因子x(0)=x(0)(1) ,x(0)(2),x(0)(3),x(0)(4),x(0)(5),x(0)(6),x(0)(7),x(0)(8),x(0)(7),x(0)(10) 做累加x(1)(k)=x(0)(1)+x(0)(2)+.+x(0)(k);生成数列x(1)=x(1)(1) ,x(1)(2),x(1)(3),x(1)(4),x(1)(5),x(1)(6),x(1)(7),x(1)(8),x(1)(7),x(1)(10) 微分方程dx(1)(t)/dt+b1x(1)(t)=b2模型参数b1,b2在区间k-1t A=1 3 5 9 8 2 3;1/3 1 2 5 5 1

15、 2;1/5 1/2 1 2 6 1/3 1/2;1/9 1/5 1/2 1 1 1/4 1/6;1/8 1/5 1/6 1 1 1/4 1/7;1/2 1 1/2 4 4 1 2;1/3 1/2 2 6 7 1/2 1; e=eigs(A)e = 7.1451 0.0973 - 1.1943i 0.0973 + 1.1943i -0.0961 - 0.6174i -0.0961 + 0.6174i -0.0738 - 0.2760i x,y=eig(A)x = 0.7840 -0.7574 -0.7574 0.8522 0.8522 0.8501 0.8501 0.3706 -0.2691

16、- 0.2112i -0.2691 + 0.2112i -0.0048 + 0.2104i -0.0048 - 0.2104i -0.1329 + 0.3106i -0.1329 - 0.3106i 0.1867 0.2331 - 0.1255i 0.2331 + 0.1255i -0.0960 + 0.1543i -0.0960 - 0.1543i -0.0062 - 0.0250i -0.0062 + 0.0250i 0.0739 0.0017 + 0.0125i 0.0017 - 0.0125i 0.0621 + 0.0158i 0.0621 - 0.0158i -0.0236 + 0.

17、0384i -0.0236 - 0.0384i 0.0657 0.0365 + 0.0925i 0.0365 - 0.0925i -0.0248 - 0.0419i -0.0248 + 0.0419i 0.0005 - 0.0116i 0.0005 + 0.0116i 0.3301 -0.2348 + 0.2221i -0.2348 - 0.2221i -0.3909 - 0.1323i -0.3909 + 0.1323i -0.2542 - 0.2876i -0.2542 + 0.2876i 0.3073 0.1625 - 0.3135i 0.1625 + 0.3135i -0.0061 -

18、 0.1398i -0.0061 + 0.1398i 0.0777 - 0.0834i 0.0777 + 0.0834iy = 7.1451 0 0 0 0 0 00 0.0973+1.1493i 0 0 0 0 00 0 0.0973-1.1943i 0 0 0 00 0 0 -0.0961-0.06174i 0 0 00 0 0 0 -0.0961+0.6174i 0 00 0 0 0 0 -0.0961-0.06174i 00 0 0 0 0 0 -0.0738-0.02760i 天景花园程序y1=58 59 60 55 58 64 59 60 55 60 58 56 60 56 58

19、60 50 59 60 53 61 62 52 63 56 60 62 64 56 60 63 65 57 62 69 64 60 69 65 60 30 25 28 35 45 36 40 43 51 55 45 60 55 51 62 68 62 70 63 62 65 68 58 67 62 69 61 59 68 65 70 62 70 63 68 67 71 65 72 62 70 63 60 73 62 70 63 71 65 67;y2=110 103 105 110 115 120 115 99 105 115 99 115 130 110 99 92 96 93 114 12

20、0 122 109 125 99 98 121 119 108 125 130 121 110 105 130 109 112 135 122 126 114 60 75 122 95 133 110 117 125 116 119 120 101 119 105 131 138 122 125 131 106 111 127 113 138 134 112 130 135 136 125 123 131 130 129 110 129 110 120 135 124 133 129 150 140 110 105 128 138 141 123;y3=0 0 0.5 0 0 0 0 0.1

21、0 0 0 1 0 0 0 0 0 0.2 0.1 0 0 2 0 0 0.2 0 0.1 0 0.3 0 0.5 0 0.3 0.5 0 0.2 1 0.5 0 0 0 0 0.4 0 0 1 0 1 0 0 0 0 1 0 0 0.5 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 1 0 1 0 1.5 0 0 0.3 0 1 0 0 0 1 0 0;y4=117 134 139.5 156 157 118 132 136.9 120 128 153 134 130 145 145 147 154 136.8 137.9 152 133 138 149 143 1

22、45.8 122 117.9 134 152.7 111 117.5 135 142.7 107.5 137 122.8 114 138.5 130 128 115 110 82.6 130 108 123 123 131 126 125 140 129 127 142 112 103.5 116 111 117 130 126 117 125 105 105 126 118 117 110 130 108 119 106 117 120 102 123 127 111.5 116 92 121.7 130 118 129 123 114 102 99 120;x=1:1:90;plot(x,

23、y1,g+ -,x,y2,r*:,x,y3,b-.o,x,y4,k-x)阳光家园程序y1=402 422 390 404 376 430 410 388 380 404 416 426 442 414 430 392 384 418 400 424 440 410 424 396 360 398 414 418 404 440 444 422 414 418 440 450 424 396 408 398 418 422 438 402 446 408 414 392 422 434 440 410 418 396 416 410 424 406 436 378 420; y2=280 275

24、 290 277 301 286 292 295 276 282 290 296 301 287 292 295 293 299 280 275 282 288 279 290 298 279 300 302 305 295 288 299 279 288 301 292 276 282 299 306 301 300 288 280 279 290 308 310 280 292 299 279 301 305 310 288 276 290 286 303 306; y3=0.8 0.7 1 1.1 1.3 0.5 1 0.9 0.8 1.1 1.2 0.3 0.6 0.7 1.3 1.1

25、 1 1.3 0.8 0.6 1.3 1.2 1.2 0.5 0.3 0.7 1.2 1.6 0.9 1.7 1.3 1.1 1.2 1 1.2 0.5 0.6 0 0.9 1 1.1 0.5 0.6 0.8 0.2 1 1.6 1.1 1 1.8 1.6 1 0.5 0.8 0.7 1.1 1 1.1 1.3 0.3 1.3; y4=1429.2 1454.3 1419 1397.9 1441.7 1373.5 1382 1446.1 1495.2 1455.9 1403.8 1412.7 1381.4 1380.3 1348.7 1369.9 1414 1369.7 1385.2 1403.4 1398.7 1436.8 1397.8 1455.5 1446.7 1414.3 1397.8 1410.4 1390.1 1361.3 1344.7 1399.9 1449.8 1404 1339.8 1356.5 1431.4 1466 1444.1 1385 1365.9 1387.5 1361.4 1439.2 1416.8 1431 1392.4 1416.9