摘 要

在我国城市发展的过程中，垃圾问题始终是制约城市发展的一个重要问题，而对垃圾清运量的研究是解决垃圾问题的关键手段之一，以往的研究多采用传统的最小二乘线性回归模型分析垃圾清运量影响因素，但这种模型没有考虑垃圾清运量的空间自相关性。本文以中国内地城市生活垃圾清运量为因变量，从经济、人文、商业等指标中选取多个解释变量并进行筛选，在对生活垃圾清运量进行空间依赖性检验的基础上，建立了基于空间回归的中国内地大尺度区域下的城市生活垃圾清运量影响因素辨析模型（MSW-SRW模型）和基于地理加权回归的中国内地小尺度区域下的城市生活垃圾清运量影响因素辨析模型（MSW-GWR模型），定量分析了中国内地城市生活垃圾清运量的影响因素。结果表明，中国内地城市生活垃圾清运量的主要影响因素为：实际用水量、园林绿化投资、耕地面积和电力消费量，在大区域尺度视角下，电力消费量对城市生活垃圾清运量的影响程度最高，其余三个因素对城市生活垃圾清运量的影响程度相差不多；在小区域尺度视角下，各影响因素对生活垃圾清运量的影响程度存在显著的空间差异性。

关键词：城市生活垃圾清运量；空间依赖性；空间回归；地理加权回归

Abstract

In the process of urban development in China, the problem of garbage has always been an important issue restricting urban development. The research on the clearance of Municipal Solid Waste is one of the key means to solve the garbage problem. Previous studies usually used OLS model to analyze the factors affecting the clearance of Municipal Solid Waste, but this model does not consider the spatial autocorrelation of the clearance of Municipal Solid Waste. Based on the amount of domestic garbage removal in the Chinese mainland, this study selects multiple explanatory variables from economic, humanities, and commercial indicators and screens them. Based on the spatial dependence test of domestic garbage removal volume, this paper establishes a Spatial Regression-Based Analysis Model for Influencing Factors of Municipal Solid Waste Clearance in Large-Scale Regions of China (MSW-SRW Model) and Geographical Weighted Regression-Based Analysis Model for Influencing Factors of Municipal Solid Waste Clearance in Mainland China (MSW-GWR model), quantitative analyzes the influencing factors of domestic garbage removal in the Chinese mainland. The results show that the main influencing factors affecting the amount of domestic garbage in the Chinese mainland are: actual water consumption, landscaping investment, cultivated land area and electricity consumption. From the perspective of large regional scale, the electricity consumption has the highest impact on the amount of municipal solid waste removal. The other three factors have similar effects on the amount of municipal solid waste removal. Under the perspective of small regional scale, there is a significant spatial difference in the degree of impact of domestic garbage removal.

Key Words：MSW transportation amount；Spatial dependence；Spatial regression； Geographically weighted regression

目录

摘要 I

Abstract II

第1章 绪论 1

1.1研究背景 1

1.2研究意义 1

1.3国内外研究现状 1

1.3.1国外研究现状 2

1.3.2国内研究现状 2

1.4研究内容 2

1.4.1研究的基本内容 2

1.4.2技术路线 3

第2章 研究的理论基础 4

2.1 OLS回归 4

2.2全局空间回归 5

2.2.1空间依赖性 5

2.2.2空间权重矩阵 6

2.2.3空间滞后模型 6

2.2.4空间误差模型 7

2.3地理加权回归 7

2.3.1空间异质性 7

2.3.2地理加权回归的定义 7

第3章 城市生活垃圾清运量影响因素分析方法 9

3.1城市生活垃圾清运量影响因素的选择与筛选 9

3.1.1城市生活垃圾清运量影响因素的选择 9

3.1.2城市生活垃圾清运量影响因素的筛选 10

3.2空间依赖性检测 11

3.3模型的建立 11

第4章 中国内地城市生活垃圾清运量影响因素分析 12

4.1数据来源及预处理 12

4.2城市生活垃圾清运量影响因素的筛选 13

4.3空间依赖性检测 14

4.4 MSW-SRM模型 15

4.4.1 模型选择 15

4.4.2 建模 15

4.4.3垃圾清运量影响因素分析 16

4.5 MSW-GWR模型 17

4.5.1建模 17

4.5.2垃圾清运量影响因素分析 18

第5章 结论与建议 22

5.1结论 22

5.2建议 22

参考文献 24

附录 26

致谢 27

第1章 绪论

1.1研究背景

垃圾问题作为城市基础设施管理的重要问题之一，严重影响着城市的发展，而我国许多城市对于垃圾问题的重视程度不够，导致垃圾清运基础设施无法对日益增长的生活垃圾进行有效地处理，因此，很多城市的发展都受到垃圾问题的制约。垃圾问题的产生，不仅会对居民的日常生活产生影响，还会给城市带来一系列环境问题和社会问题。城市生活垃圾得不到有效地清运而堆积在城市中，缩小了人们的日常活动空间，还会使城市的空气质量有所下降，同时，垃圾问题也会制约城市化的进程，破坏城市的土地资源，给城市带来许多其他方面的问题。对生活垃圾进行有效地清理，不仅需要进行系统的实践，更需要相关理论的支持。目前，国内城市生活垃圾的管理已经取得了许多进步，但是，很多问题仍然没有得到较好的解决，例如污染城市环境、阻碍城市交通等。

城市生活垃圾清运量指在生活垃圾产生量中能被运到垃圾处理场所的量，是城市垃圾问题处理过程中的重要参数。研究城市生活垃圾清运量的影响因素，能够更好地认识城市的垃圾问题，从而为城市基础设施建设提供参考依据，助力城市的发展。

1.2研究意义

针对我国许多城市存在的垃圾问题，通过选择合适的模型，科学分析城市生活垃圾清运量的影响因子及其与各影响因子的相关关系，可以得到垃圾清运量的主要影响因子及各主要影响因子对垃圾清运量影响程度的大小，同时，定量化的分析方法更具体地解释了自变量与因变量的相关关系，为城市垃圾基础问题的处理提供宝贵的科学依据。

在传统的研究方式中引入空间信息作为权重，可以达到更好的模型拟合效果，使研究结果更令人信服，在此基础上，还可以研究城市生活垃圾清运量在中国内地区域下的空间非平稳性与各影响因子对其影响程度的区域差异性。通过分别建立全局回归和地理加权回归模型，对中国内地城市生活垃圾清运量的影响因素进行研究，不仅为城市的基础设施规划、垃圾管理等问题提供了建议与依据，也是城市垃圾管理问题的一项基础性工作。

1.3国内外研究现状

近年来，国内外研究人员从不同角度针对垃圾清运量影响因素作了大量研究，取得了许多成效。

1.3.1国外研究现状

Daniel Hockett 等以美国东南部地区为研究区域，建立了人均城市生活垃圾产生量的影响因素分析模型^[1]；Annegrete Bruvoll等通过一般均衡模型模拟影响生活垃圾的主要经济影响因素，同时预测挪威制造业的固体废物产生量^[2]；Nayseang Sun等通过采用线性回归模型和神经网络模型来确定影响曼谷城市生活垃圾产生量的影响变量，并预测曼谷未来的城市生活垃圾产生量，结果显示，在某些方面，人工神经网络模型比线性回归模型更适合用来拟合城市生活垃圾产生量^[3]；Leaksmy Chhay等分别使用灰色预测模型、深度神经网络模型和一般回归模型分析了中国城市生活垃圾产生量的影响因素，并在此基础上进行了简单的预测，结果表明人工神经网络模型拟合效果最好^[4]。

1.3.2国内研究现状

国内学者对城市生活垃圾清运量影响因素的分析大多采用线性回归模型和灰色预测模型。于涛等运用主成分分析的方法提取出兰州市生活垃圾清运量影响因素的3个主成分，并用简单回归的方法预测了兰州市城市生活垃圾清运量^[5]；聂永丰等分别运用了预测类比法和层次分析法确定了城市生活垃圾清运量的影响因素和类比城市，在此基础上拟合了城市生活垃圾清运量^[6]；张后虎等根据2003-2007年江苏省相关统计数据，在灰色系统理论的支持下，对后5年的江苏省城市生活垃圾清运量进行了预测^[7]；吕洪涛采用灰色关联分析确定了辽宁省城市生活垃圾清运量的主要影响因素，并用多元线性回归分析进行了预测^[8]；俞艳等分别用OLS模型和空间误差模型分析中国城市生活垃圾清运量的影响因素，结果表明，考虑了空间关系的空间误差模型拟合效果比OLS模型更好^[9]。

1.4研究内容

1.4.1研究的基本内容

国内外学者在研究城市生活垃圾清运量的影响因素时，大多将垃圾清运量作为独立的变量进行考虑，并未顾及它们之间的空间相关性。根据地理学第一定律，任何事物都与其他事物相关，且相近的事物关联更紧密^[15]，因此，为了更好的解释数据在空间相关性或空间异质性方面存在的问题，本文在获取中国内地城市生活垃圾清运量及相关统计数据的基础上，从大量指标中选择影响生活垃圾清运量的影响因素，通过一定的方法筛选出主要因素，在此基础上，对城市生活垃圾清运量进行空间依赖性检测，若不存在空间依赖，则使用传统的OLS模型进行分析，若存在空间依赖，则构建基于空间回归的中国内地大尺度区域下的城市生活垃圾清运量影响因素辨析模型（MSW-SRW模型）。同时，为了研究数据的空间非平稳性，构建了基于地理加权回归的中国内地小尺度区域下的城市生活垃圾清运量影响因素辨析模型（MSW-GWR模型），分析生活垃圾清运量的主要影响因子，并根据模型结果分析两种尺度下各影响因子对城市生活垃圾清运量影响程度的异同以及小尺度下每个因素对城市生活垃圾清运量影响程度的区域差异。

1.4.2技术路线

本研究的技术路线如图1.1，在数据采集与预处理的基础上，先筛选出中国内地城市生活垃圾清运量的主要影响因素，再对垃圾清运量数据进行空间依赖性测试，确定研究所使用的模型类型，最后使用相关模型进行建模，并分析模型结果，得出结论。

图1.1 技术路线图

第2章 研究的理论基础

2.1 OLS回归

对于城市生活垃圾清运量影响因素研究，国内外学者大多使用回归分析的方法进行，其中，普通最小二乘(OLS)回归的应用最为普遍，它通过使拟合值与实际值之间的平方和最小的方式找到数据的最优拟合。

以一元线性回归模型为例，对于因变量y，自变量x，假设OLS回归模型为y = ax b，y´_t值为拟合值，y_t值为实际值，则OLS回归的原则是：使Σ(y´_t-y_t)²值最小。

OLS回归作为回归分析中最典型的方法之一，在某种程度上能够找到样本数据的最小误差平方和匹配函数，但是当样本数据存在多重共线性时，OLS回归会出现回归系数难以估计、回归系数估计值稳定性下降等一系列问题。

多重共线性，指的是线性回归模型中的自变量之间由于存在一定的相关关系而造成的模型结果不可靠或精度降低的特性。对于线性回归模型

其中Y为自变量，X₁、X₂…X_P为解释变量，β₀、β₂…βp为回归系数，ε为残差。

若有一组不全为零的数

α₁，α_2， …α_r

使得

则称此回归模型存在完全共线性^[10]；若存在随机误差 v，满足

Ev=0 , 且Ev²小于无穷大 

使得

则称线性回归模型存在非完全共线性。

2.2全局空间回归

OLS回归能解决大多数回归分析相关的问题，但是当样本数据存在空间依赖性时，OLS方法往往不再适用。因此，需要借助全局空间回归相关模型进行分析。

2.2.1空间依赖性

空间依赖性是指地理空间中某个实体的某个属性值在一定程度上依赖于其周围实体的对应属性值。当实体存在空间依赖性时，对于实体属性的统计分析，传统的OLS模型将不再适用，而要将空间位置信息加入回归模型中，则要通过全局空间回归或地理加权回归来实现。空间依赖性最突出的表现形式之一就是空间自相关。

空间自相关是指空间实体的同一属性在不同位置上的相关性，空间自相关性存在于许多地理数据中^[11]。对于任何空间实体Z的属性X，空间自相关描述的是Z的近邻的属性X的值与Z自身属性X的值相似或不相似的程度。若两个值相似，则表现为空间正相关，若两个值不相似，则表现为空间负相关。空间自相关性揭示了空间实体间的某种联系性，这种联系使每个空间单元不再具有严格意义上的独立性，因此，整个研究区域可以看做一个内部相互影响的系统。而这个系统的空间自相关性又有两种表现形式，分别是全局空间自相关和局部空间自相关，前者形容整个系统的自相关性，后者形容系统内局部区域的自相关性。本文主要探讨城市生活垃圾清运量在全局范围内的空间相关性，因此对于局部空间自相关不做深入研究。全局空间自相关性可由全局Moran’s I、全局Geary’s C或全局Geti-Ord G等统计量来衡量，本文选取全局Moran’s I统计量进行分析，其计算公式如下：

式中，I为莫兰指数，X_i为空间单元i的变量值，W_ij表示空间单元i与j的空间邻近关系。

莫兰指数的值介于-1和1之间，值越趋于0表示区域的全局空间自相关性越小，值越趋于-1或1表示区域的全局空间自相关性越大，且值为正表示为正相关，值为负表示为负相关^[18]。

若数据存在空间依赖性，则传统的OLS方法会使结果出现较大的偏差，因此，需要通过结合空间信息的回归模型进行分析。全局空间回归模型通过把空间关系引入传统的线性回归模型，将空间位置信息与属性值结合起来，能够更好的解释地理事物之间的关系，而这种空间关系则需要空间权重矩阵进行表达。

2.2.2空间权重矩阵

空间权重矩阵用来描述空间对象之间的位置关系，假设区域存在n个多边形，那么每两个多边形之间存在一种空间关系，这种空间关系需要根据同一种标准来判断^[11]。通常研究区域中的若干个空间单元的空间邻近关系是用一个二元空间权重矩阵来表达。其形式如下：