《垃圾焚烧厂选址+a》由会员分享，可在线阅读，更多相关《垃圾焚烧厂选址+a（20页珍藏版）》请在金锄头文库上搜索。
1、垃圾焚烧厂选址摘要本文首先通过中国统计年鉴得到1998年到2013年的垃圾清运量的数据，再根据该数据画出趋势图，分析杭州市垃圾处理现状是以填埋为主、焚烧为辅，在查询与垃圾清运量相关的年末人口量、客运量、货运量、财政收入等因素进行相关性检验1，通过建立相应的原假设和备择假设对不同指标两两之间的相关性进行判断，着重人口与垃圾清运量之间的关系。建立一元线性方程和多元线性方程，得到垃圾清运量的方程。并运用灰色预测模型，建立GM(1,1)模型2，得出结论：2020年垃圾清运量的预测值每年492.97万吨。再依据预测的垃圾清运量预测值与杭州市现有垃圾焚烧场的处理能力计算得到还需要建立2-3个垃圾焚烧厂，才
2、能够处理杭州市日益增加的垃圾。并且综合考虑焚烧厂建设、运营、运输、补偿等总成本的基础上。建立了对附近居民负面影响极小化且总成本最低的垃圾焚烧厂选址问题，提出合理的垃圾焚烧厂的选址方案，并对选址结果进行分析验证。关键字：一元线性 多元线性 GM(1，1) SPSS软件一、 问题重述“垃圾围城”已经成为世界性难题，中国尤为突出，数据显示，目前全国三分之二以上的城市面临“垃圾围城”问题，垃圾堆放累计侵占土地75万亩。垃圾焚烧正逐步成为中国垃圾处理的主要手段之一，中国与于1988年在深圳建立第一座生活垃圾焚烧厂， 目前，珠海、广州、上海、北京、杭州、厦门等地均加快了垃圾焚烧发电的步伐。垃圾焚烧，即城市
3、垃圾经过分类处理，剔除可回收垃圾和有害垃圾后将剩余垃圾在焚烧炉中焚烧处理，既可避免垃圾填埋侵占大量的土地，又可利用垃圾焚烧产生的能量进行发电等获得可观的经济效益。1、先找出杭州市垃圾清理量，再根据该数据，对杭州市垃圾处理的现状给出基本情况介绍。2、本文根据灰色预测模型，对杭州市市生活垃圾的趋势进行预测，以目前的垃圾处理能力还需要新建几座垃圾焚烧厂。3、新建日处理生活垃圾3000吨的垃圾焚烧厂，应选在哪个或哪些位置要使得杭州市除可回收垃圾和有害垃圾之外的垃圾总量达到80%被焚烧处理。4、基于上述全部或部分分析结果，给杭州市相关主管部门撰写一份有关“杭州市新建垃圾焚烧厂选址及相关问题处理”的政策建
4、议书。二、 模型的假设1. 假设题目给出的各组数据真实可信，不考虑人为因素。2. 假定焚烧炉的排放符合国家新的污染物排放标准3. 假定所有数据客观真实4. 假设污染物在空气中传播的速度相等5. 假设不考虑气体在遇到阻碍的速度变化三、 问题的分析与建模思路针对问题一，对附录一即杭州市内的环境监测数据，通过画出趋势图，再根据趋势图介绍杭州市的垃圾的基本情况。针对问题二，通过一元线性模型和多元线性模型预测出杭州市的人口，再根据人口模型，预测出杭州市垃圾量，查询数据得到杭州市处理垃圾的效率根据对应分析得出需要重新建立多少个焚烧厂较好。针对问题3，新建日处理生活垃圾3000吨的垃圾焚烧厂，应选在哪个或哪
5、些位置要使得杭州市除可回收垃圾和有害垃圾之外的垃圾总量达到80%被焚烧处理针对问题4，基于上述全部或部分分析结果，给杭州市相关主管部门撰写一份有关“杭州市新建垃圾焚烧厂选址及相关问题处理”的政策建议书。四、 符号说明与名词假设符号说明杭州市垃圾量杭州市年末人口、客运、量货运量、财政收入内在潜在变量外在潜在变量代表两者的因果关系的未知参数矩阵结构方程中的残差项五、 模型的建立、分析与求解1.2.3.4.5.5.1. 模型一：5.1.1. 相关性模型3设为二维随机变量 (1.1)相关系数刻画了与之间的线性关系强弱，因此也常称其为“线性相关系数”。若，则称与不相关。不相关是指与之间没有线性关系，但与
6、之间可能有其他的函数关系，譬如平方关系、对数关系等。若，则称与完全正相关；若，则称与完全负相关。若，则称与有“一定程度”的线性关系，越接近于，则线性相关程度越高；越接近于，则线性相关程度越低。5.1.2. 模型的求解根据统计年检查得的数据如下：表1 垃圾清运量年份垃圾量人口量客运量货运量居民消费价格指数财政收入199879.7611.641739511329101.8199986.7616.051788211684100.4200094.3621.581860711459100.82001101.9629.14203421244399.52002109.5636.81210891434798.
7、82003112.53642.78213481681599.52004128.28651.682283318895102.52005137.99660.452412419909101.72006158.42666.312581020924101.22007188.67672.352802622569103.52008213.9677.642908422550104.92009230.13683.38301162237298.62010246.36689.123377225915103.92011261695.713477828831104.82012281.54700.523581930089
8、102.52013308.67706.613640930734102.5对几种因素做相关分析，得到结果如下：表2 与垃圾清运量的相关关系Correlations垃圾清运量年末人口量客运量货运量居民消费价格指数财政收入垃圾清运量Pearson Correlation1.970*.992*.968*.537*.993*Sig. (2-tailed).000.000.000.032.000N161616161616*. Correlation is significant at the 0.01 level (2-tailed).*. Correlation is significant at th
9、e 0.05 level (2-tailed). 根据上述结果得到垃圾清运量与年末人口量、货运量、客运量、财政收入有高度相关性。先将垃圾清运量与人口做一元线性回归模型3得到结果如下：图1 垃圾清运量趋势图根据上述图形得到杭州市的垃圾量在逐渐的增加。同时得到杭州市垃圾处理现状：杭州市区现有生活垃圾处理设施6座，其中4座垃圾焚烧厂分别位于滨江浦沿、余杭乔司、余杭仓前、萧山犁头金；另2座填埋场分别位于拱墅区天子岭、萧山外六工段。虽然已经有6处垃圾处理设施，不过面对杭州日渐增长的垃圾量，垃圾处理还是显得力不从心。2013年，杭州市区生活垃圾处理量达308.7万吨，日均8456吨。据杭州市城管委统计，近
10、年来，杭州市区垃圾年增长率在10%上下。而今年，杭州市生活固体废弃物处置监管报告显示，2014年3月份最高日生活垃圾处理量已达10959吨。5.2. 模型二5.2.1. 人口模型3通过spss软件对杭州市1998-2013年垃圾量与人口做相关性分析得到：表3 等级相关系数Correlations垃圾量杭州市人口垃圾量Pearson Correlation1.970*Sig. (2-tailed).000N1616杭州市人口Pearson Correlation.970*1Sig. (2-tailed).000N1616*. Correlation is significant at the 0
11、.01 level (2-tailed).根据上表得出杭州市人口与杭州市垃圾的sig.值为0.97，呈高度显著性相关。方差分析：表4 方差分析表ANOVAbModelSum of SquaresdfMean SquareFSig.1Regression81840.685181840.685223.236.000aResidual5132.54114366.610Total86973.22615a. Predictors: (Constant), 杭州市年末人口量b. Dependent Variable: 垃圾量由上表的方差分析知道F值为224.491，sig.值为0 ，说明y值与x值显著性相
12、关。模型总结：表5 模型总结Model SummaryModelRR SquareAdjusted R SquareStd. Error of the Estimate1.970a.941.93719.09664a. Predictors: (Constant), 杭州市人口根据上表得到的决定系数为0.941，拟合效果较好。所以用一元线性回归4得到如下所示：表6 系数表CoefficientsaModelUnstandardized CoefficientsStandardized CoefficientstSig.BStd. ErrorBeta1(Constant)-1392.192104.
13、748-13.291.000杭州市年末人口量2.368.159.97014.941.000a. Dependent Variable: 垃圾量根据上表得到方程为： 式 1其中，y为杭州市垃圾量，x为杭州市人口。图2 残差图再对其进行多元线性回归模型得到结果如下所示：表7 模型总结model SummarybModelRR SquareAdjusted R SquareStd. Error of the EstimateDurbin-Watson1.998a.995.9945.791151.577a. Predictors: (Constant), 财政收入, 年末人口量, 货运量b. Dependent Variable: 垃圾清运量由上表得到的决定系数为0.995，拟合效果较好。表8 方差分析ANOVAbModelSum of SquaresdfMean SquareFSig.1Regression86570.777328856.926860.438.000aResidual402.4501233.537Total86973.22615a. Predictors: (Constan
