2019, Vol. 39
[PDF全文]
随着社会的快速发展, 城市生活垃圾快速增长(陈倩倩等, 2018), 已经导致了一系列健康和社会环境问题(Antmann et al., 2013).近10年间, 中国城市生活垃圾每年大概以3%~5%的速度增长, 已由2006年的14841×104 t增加到2016年的20362×104 t(中国统计局, 2016), 导致我国大约2/3的城市陷入垃圾围城之中, 有大约1/4的城市已到了垃圾无处可填埋的境地刘欣等, 2014).城市生活垃圾产量的准确预测对于城市生活垃圾管理系统来说是至关重要的, 也是最基本的(Beigl et al., 2008).但实现准确预测城市生活垃圾的产生趋势是十分具有挑战性的, 涉及到时间与空间尺度, 及相互交互的一些影响因素, 并且由于我国的城市生活垃圾管理工作起步较晚, 大部分中小城市的统计数据十分缺乏, 所以寻求适用于统计数据缺乏、发展快速的城市和地区的垃圾产生量预测的方法已成为一种必然趋势(杜吴鹏等, 2006).已经有越来越多的学者对城市生活垃圾产生量进行预测, 这些研究大概可以分为系统动力学模型(Karavezyris et al., 2002; 蔡林, 2006; Estay-Ossandon et al., 2018)、人工智能模型(Noori et al., 2010; Antanasijevic et al., 2013)、基于计量经济学的回归分析模型(丁湘蓉等, 2007; Rimaityte et al., 2012)和时间序列模型(Chang et al., 1997; Liu et al., 2007).人工智能模型如支持向量机和人工神经网络等对城市生活垃圾的产生量进行预测, 具有高度的灵活性和适用性(Nabavi-Pelesaraei et al., 2017), 但此模型求解算法复杂, 操作性不强, 并且需要较多的历史数据, 在我国统计数据缺乏的实际情况下比较难以实现(鲁宝智, 2017).回归分析模型和时间序列模型由于其理论成熟, 算法简单, 在生活垃圾的产生量预测中得到了广泛的应用, 但在运用回归分析模型(丁湘蓉等, 2007; Rimaityte et al., 2012)时, 如果自变量确定不准确或波动较大时, 预测精度会大大降低; 时间序列分析法(Chang et al., 1997;Liu et al., 2007)具有较好的短期预测效果, 但对原始数据要求较高, 如果原始数据光滑性较差, 则预测效果不好.而系统动力学既可以识别和定量人口和社会经济等因素, 分析系统内各因素之间的反馈关系建立系统的结构模型, 在模型中采用微分方程对系统进行定量描述, 用计算机模拟进行数学模型的模拟和求解, 又能解决数据稀缺条件下城市生活垃圾产生量的准确预测问题(Inghels et al., 2011).
厦门市作为中国的经济特区之一, 经济快速发展, 生活垃圾也快速增长(张子睿等, 2018).目前, 厦门市有3座垃圾焚烧发电厂：后坑垃圾焚烧发电厂、翔安垃圾焚烧发电厂(一期)、海沧垃圾焚烧发电厂(一期), 日综合处理生活垃圾1800 t; 东部固废处理中心日处理生活垃圾2500 t, 而厦门市城市垃圾的日产生量已经超过了4000 t, 对城市生活垃圾的管理造成了巨大的压力.因此, 对厦门市城市生活垃圾进行准确预测, 以便提前采取措施进行管理是当务之急.本文运用系统动力学方法对城市生活垃圾产生进行梳理建模, 从人口、经济、垃圾3个角度出发, 预测厦门市城市生活垃圾的产生量, 分析和解决城市生活垃圾问题.
2 材料与方法(Materials and methods) 2.1 数据来源本文运用VENSIM软件, 构建的系统动力学模型模拟区间为2010—2030年, 其中：2010—2017年为模拟期, 利用现有历史统计数据对模型结构和参数进行调试优化; 2018—2030年为预测期, 利用建立的系统动力学模型对预测期内的城市生活垃圾产生量、人均垃圾日产生量、城市常住人口等指标进行预测.本模型中的输入数据主要来源于2000—2018年间福建统计局出版的《福建统计年鉴》和厦门市统计局出版的《厦门经济特区年鉴》, 通过对历史数据进行分析, 得到对应的输入数据.厦门市生活垃圾及相关变量统计数据如表 1所示.
| 表 1 厦门市生活垃圾及相关变量统计数据 Table 1 Statistical data of MSW and related variables in Xiamen City |
 |
系统动力学SD(system dynamics)由美国麻省理工学院的Forrester教授于1956年提出, 最初是为了分析生产管理及库存管理等企业问题而提出的系统仿真方法, 后来, 逐渐发展成一门借助计算机模拟技术, 基于系统思维分析研究复杂信息反馈系统的交叉学科(王其藩, 2009).为了解决日益复杂的社会问题, Sterman(2000)强调系统思维角度发展的需要和把这个世界看作是一个复杂系统的能力, 在这个体系中, 要理解不能只做一件事, 一切都是相互联系的, 不同的思想流派和系统思维的应用领域存在并涵盖定性方法以及形式化SD建模.正如1972年的《增长的极限》开创性研究所示, 系统动力学是一种模拟复杂系统的技术(Rome, 2015), 例如, 以社会行动有关的经济、环境和社会变量之间的关系, 以揭开进化的另类路径(Costanza, 2006).本文运用VENSIM软件建模, VENSIM是一种系统动力学仿真软件, 具有描述系统简明、清晰的特点, 可用它来描述模型的主要方程, 建立各种变量之间的关系, 而且具有数表、曲线等多种变量模拟结果输出形式, 使得结果输出清晰明确(钟永光, 2009).
2.3 模型构建 2.3.1 因果回路图Prades等(2015)研究表明影响城市生活垃圾主要的因素是人口、地理和经济, 徐礼来等(2013)研究表明人口、国内生产总值(GDP)、人均可支配收入等因素对城市生活垃圾产量影响很大.基于影响因素关联度分析(Noori et al., 2009), 充分考虑厦门市的实际情况, 选取户籍人口、非户籍人口、GDP、城镇居民人均可支配收入、城镇居民人均消费性支出等作为影响厦门市生活垃圾的主要因素.人口是影响城市垃圾生产量最为直接的因素(何德文等, 2005), 所以本研究采用人口和人均垃圾产生量相乘的方式预测城市生活垃圾总量.户籍人口和非户籍人口的增加会导致常住人口增长, 进而导致城市生活垃圾产生总量的增长, 垃圾量增长造成的环境污染等问题又会反过来抑制人口的增长; 我国处于经济的高速发展时期, GDP增长导致居民人均可支配收入提高, 收入的提高会带动消费增加, 进而产生更多的城市生活垃圾; 同时, 经济发展也会吸引外来人口的迁入, 导致人口的增加, 但是经济发展水平的提高又会导致城市物价、房价等生活成本的提高, 因此经济发展到一定程度后, 过高的生活成本一定程度上会抑制外来人口的迁入, 进而抑制城市人口的增加; 人口的增加可以提高城市劳动力的总量, 促进GDP增长(徐礼来等, 2013).综上, 各因素及变量之间是因果反馈关系如图 1所示.
 |
| 图 1 城市生活垃圾的因果循环图 Fig. 1 Causal loop diagram of MSW |
采用VENSIM软件对模型进行计算机模拟, 根据模型结构分析, 将模型分为人口、经济及人均垃圾产生量3个子系统进行分别设计.
① 人口子系统模型：对人口的统计只包含常住人口的统计, 即在厦门居住半年以上的人口数, 常住人口由户籍人口和非户籍人口组成, 户籍人口和非户籍人口是状态变量.在研究人口变化时, 通常采用自然增长率和机械增长率对人口增长进行表征.此模型户籍人口自然增长率=户籍人口自然增长率基准值×垃圾影响因子×政策影响因子1, 户籍人口机械增长率=户籍人口机械增长率基准值×政策影响因子2, 非户籍人口增长率=非户籍人口增长率基准值×GDP影响因子×房价抑制因子.各增长率基准值通过分析历史数据, 计算平均值所得, 户籍人口自然增长率基准值为5.9‰, 户籍人口机械增长率基准值为23.05‰, 非户籍人口增长率基准值为14.45‰.由于垃圾增长导致环境污染从而降低人口的自然增长率用垃圾影响因子表示, 垃圾影响因子和生活垃圾产生量之间的非线性关系通过构造表函数表示.在2015年以前, 厦门市的户籍人口出生率在12‰波动, 由于“二胎”政策的开放, 2016年户籍人口出生率达到21.32‰, 户籍人口的自然增长率就需要用政策影响因子1来修正, 这是一个由于国家政策变化随时间变化的表函数.
② 经济子系统模型：GDP是一个状态变量, 将GDP作为经济发展水平的主要指标, GDP增长量为速率变量, GDP增长量=GDP×GDP增长率, GDP增长率=GDP增长率基准值×GDP调控因子.通过分析厦门市的统计数据, 自1990年以来, 厦门市的GDP都以高于10%的速度高速增长, 近5年来有所减缓.根据美国著名经济学家弗里德曼的持久收入假说, 家庭消费很大程度上取决于其长期预期(即持久的收入), 且只有持久收入才能影响人们的消费(张邦科等, 2011), 人均生活垃圾产生量最直接的影响因素为居民生活水平, 而城镇居民人均消费性支出为居民生活水平最直观的表现, 随着经济的发展, 人均可支配收入增加, 人均消费性支出增加.通过对历史数据的分析, 发现人居可支配收入占人均GDP的比例稳定在46%左右, 以人均可支配收入为自变量, 人均消费性支出为因变量做线性回归, 回归方程为：人均消费性支出=0.624×人均可支配收入+1745.6.GDP增长也会吸引外来人口, 两者的关系通过GDP影响因子来表示, GDP影响因子是关于GDP增长率的表函数.
③ 垃圾产生子系统模型：通过常住人口与人均垃圾产生量相乘得到城市生活垃圾总量, 经济的增长会给人们带来更高的收入, 因此消费更多产生更多的生活垃圾(Hong et al., 2017), 人均消费性支出的影响用人均消费性支出影响因子表示, 构造出以人均消费性支出为自变量的S形增长的表函数关系.人均垃圾产生量=人均垃圾产生量初值×人均消费性支出影响因子×垃圾收费影响因子.人均垃圾产生量初值通过分析历史数据计算平均值为0.78 kg · d-1, 垃圾收费在一定程度上抑制人均垃圾产生量, 结合厦门市目前36元每人每年的垃圾收费情况得出目前的垃圾收费影响因子为0.855.
综上所述, 厦门市城市生活垃圾系统动力学模型流图如图 2所示.
 |
| 图 2 厦门市城市生活垃圾系统动力学流图 Fig. 2 Stock-and-flow diagram of the MSW in Xiamen city |
厦门市生活垃圾的产生量模拟预测结果如图 3所示, 用矩形点表示厦门市生活垃圾产生量的历史数据, 用圆形点表示模拟数据值, 可以看出, 两者具有很高的重合度.表 2列出了主要变量的历史数据及模拟数据, 通过将历史数据与模拟数据比较, 相对误差都在5%以内, 证明该模型是正确适用的且具有较高的预测精度.表 3是模型中主要的变量预测结果, 在预测期内, 厦门的生活垃圾产生量在时间尺度上呈现出长期持续增长趋势, 2030年将达到304×104 t左右, 是2017年的1.6倍.经济的增长会带动消费水平的提高, 导致人均垃圾产生量的增加, 到2030年, 预计人均生活垃圾日产生量约为1.65 kg.利用系统动力学模型对厦门市城市生活垃圾的长期产生量进行预测, 为决策者提供了一个基本情景, 即随着城市生活垃圾产生量的增加, 其超出城市生活垃圾的处理能力, 给厦门市带来巨大的环境负荷.经济持续增长, 城市化进程不断推进, 而城市生活垃圾的管理和战略保持现状, 既没有处理上的突破, 也没有强调城市生活垃圾的最小化、再利用、再循环和回收.在制定管理战略和政策、选择适当的技术、调度垃圾填埋场和规划焚烧炉的能力时, 政府和垃圾管理部门尤其需要对所提出的模型进行长期预测.此外, 以厦门市为例, 证明了系统动力学模型在垃圾产生量的长期预测中是优良的, 即使在数据稀缺的情况下, 其预测精度也是理想的.
 |
| 图 3 厦门市生活垃圾产生量的历史数据与模拟数据对比 Fig. 3 Comparison between historical and simulation data on MSW generation amount in Xiamen City |
| 表 2 主要变量的模拟数据与历史数据及相对误差 Table 2 Simulated data, historical data and relative errors of major variables |
|
| 表 3 主要变量预测结果 Table 3 The forecasting results of major variables |
|
在图 4中, 是人口子模型的模拟结果, 包括户籍人口、非户籍人口和常住人口的增长趋势.自国家2015年10月开放二孩政策后, 厦门市人口出生率大幅度提高, 2016年户籍人口出生率达到21.32‰, 受此政策影响今后几年户籍人口会显著提高; 而非户籍人口在近几年来, 已经呈现出负增长的趋势, 这主要由于厦门市高房价的抑制作用, 缺乏有效的政策吸引(罗瑾等, 2016).因此, 在当前环境下, 户籍人口将持续增长, 在2030年将达到331.31万人; 如果缺乏政策吸引, 年轻化劳动人口长期溢出, 尽管有GDP影响因子的促进, 非户籍人口也是没有增长的, 2030年稳定在172万人左右; 常住人口是持续增长的, 2030年将达到503万人左右.
 |
| 图 4 厦门市常住人口、户籍人口与非户籍人口的模拟结果 Fig. 4 The simulation results of resident population, registered population and non-resident population in Xiamen |
对于经济子模型, 由于厦门“十二五”规划中完成情况的年平均经济增长率为10.6%, 所以将10.6%作为GDP增长率的基准值, 然而“十三五”规划的年平均经济增长率为8.5%, 用GDP调控因子构造以时间为自变量的表函数进行调控, 预测期内, 厦门市经济仍高速发展, 但GDP增长率呈下降趋势, 在2030年, 年平均增长率为8%左右, GDP总量为12197亿元, 这也符合经济发展的一般规律.
3.2 调控结果与分析由SD模型可以看出, 城市生活垃圾产生量与人口和人均垃圾产生量密切相关, 因此从这两个方面着手可以对城市生活垃圾的管理可以起到重要作用.从人口数量上来看, 国家2015年10月开放二孩政策, 所以近几年内厦门的户籍人口数量会显著增加; 而非户籍人口在近几年来, 已经呈现出负增长的趋势, 所以人口只能优化结构, 避免年轻化劳动人口溢出.通过借鉴国内外城市生活垃圾管理的经验, 教育对垃圾管理是至关重要的(Williams, 2014), 土地稀缺、人口稠密的新加坡从20世纪六、七十年代的“垃圾围城”到现在的“花园城市”, 公众的教育也是成功的关键一点(Xue et al., 2016).厦门也应做好社会公众教育的长效机制, 提高居民的环保意识, 将垃圾分类等付诸实践.2017年9月10日正式实施了《厦门经济特区垃圾分类管理办法》, 让垃圾分类工作有了法律保障, 所以方案一就是严格执行垃圾分类制度, 以国务院颁布的《生活垃圾分类制度实施方案》要求到2020年底达到35%的回收利用率的目标进行.从人均垃圾产生量来看, 适当提高垃圾的收费可以减少人均垃圾产生量, 厦门市从2006年4月1日起征收城市生活垃圾处理费, 垃圾收费对生活垃圾的产生有抑制作用, 方案二将目前按照常住人口每人每月征收3元生活垃圾处理费提高到每人每年42元.方案三将前两个措施结合即分类回收结合适当提高垃圾收费.3种方案的模拟结果如图 5所示, 线条4是不采取措施自然趋势的预测结果.从图中可以看出, 方案一的减量效果最明显, 方案三的效果最好.若按照方案三对厦门市生活垃圾进行调控管理, 生活垃圾总量在2030年为223万, 比自然趋势下模拟出的304×104 t降低了26.64%, 大大减轻了生活垃圾处理的负荷.
 |
| 图 5 3种方案对城市生活垃圾产生量的影响 Fig. 5 Impact of three schemes on MSW generation |
1) 系统动力学方法为城市生活垃圾产生量预测提供了一个很好的工具, 定性和定量相结合可以将一些动态的及不确定性因素包含在模型中, 特别适合于历史数据缺乏、发展迅速的区域的生活垃圾产生量预测, 因此对目前我国大多数城市都有较高的适用性.系统动力学不仅可以通过分析垃圾产生系统各变量间的互动关系建立模型, 进行精度要求范围内的垃圾产生量预测, 而且可以在此基础上对城市生活垃圾产生系统实施政策调控, 这为应用系统动力学方法对整个城市生活垃圾管理系统进行调控和优化打开了思路.
2) 通过模拟系统动力学模型, 按照厦门市生活垃圾的产生量趋势, 可以预测在2030年将达到304×104 t左右, 是2017年的1.6倍.
3) 根据厦门市的实际情况, 人口规模的调整是很慎重的, 但是可以建立社会公众教育的长效机制, 提供居民环保意识, 严格执行垃圾分类回收, 减少城市生活垃圾的产生, 另外结合调整征收居民的垃圾处理费用措施来管理城市生活垃圾, 通过系统动力学模拟结果表明是有效的.
Antanasijevic D, Pocajt V, Popovic I, et al. 2013. The forecasting of municipal waste generation using artificial neural networks and sustainability indicators[J]. Sustainability Science, 8(1): 37–46.
|
Antmann E D, Shi X, Celik N, et al. 2013. Continuous-discrete simulation-based decision making framework for solid waste management and recycling programs[J]. Computers & Industrial Engineering, 65(3): 438–454.
|
Beigl P, Lebersorger S, Salhofer S. 2008. Modelling municipal solid waste generation:A review[J]. Waste Management, 28(1): 200–214.
DOI:10.1016/j.wasman.2006.12.011
|
Chang N, Lin Y T. 1997. An analysis of recycling impacts on solid waste generation by time series intervention modeling[J]. Resources, Conservation & Recycling, 19(3): 165–186.
|
Costanza R. 2006. Limits to growth:The 30-year update[J]. Ecological Economics, 59(3): 397–399.
DOI:10.1016/j.ecolecon.2005.10.008
|
蔡林. 2006. 北京市垃圾问题的系统动力学模拟分析[J]. 北京社会科学, 2006(3): 56–61.
DOI:10.3969/j.issn.1002-3054.2006.03.010 |
陈倩倩, 杨栋, 黄颖, 等. 2018. 宁波市不同区分类垃圾组成与理化特性研究[J]. 环境科学学报, 2018, 38(3): 1064–1070.
|
丁湘蓉, 霍维周, 童金义, 等. 2007. 生活垃圾产量预测实例研究[J]. 环境与可持续发展, 2007(6): 39–42.
DOI:10.3969/j.issn.1673-288X.2007.06.014 |
杜吴鹏, 高庆先, 张恩琛, 等. 2006. 中国城市生活垃圾处理及趋势分析[J]. 环境科学研究, 2006, 19(6): 115–120.
DOI:10.3321/j.issn:1001-6929.2006.06.023 |
Estay-Ossandon C, Mena-Nieto A. 2018. Modelling the driving forces of the municipal solid waste generation in touristic islands. A case study of the Balearic Islands (2000-2030)[J]. Waste Management, 75: 70–81.
DOI:10.1016/j.wasman.2017.12.029
|
Hong J, Chen Y, Wang M, et al. 2017. Intensification of municipal solid waste disposal in China[J]. Renewable & Sustainable Energy Reviews, 69: 168–176.
|
何德文, 金艳, 柴立元, 等. 2005. 国内大中城市生活垃圾产生量与成分的影响因素分析[J]. 环境卫生工程, 2005(4): 7–10.
DOI:10.3969/j.issn.1005-8206.2005.04.003 |
Inghels D, Dullaert W. 2011. An analysis of household waste management policy using system dynamics modelling[J]. Waste Management Research, 29(4): 351–370.
DOI:10.1177/0734242X10373800
|
Karavezyris V, Timpe K, Marzi R. 2002. Application of system dynamics and fuzzy logic to forecasting of municipal solid waste[J]. Mathematics and Computers in Simulation, 60(3): 149–158.
|
Liu G, Yu J. 2007. Gray correlation analysis and prediction models of living refuse generation in Shanghai city[J]. Waste Management, 27(3): 345–351.
DOI:10.1016/j.wasman.2006.03.010
|
刘欣, 董飞. 2014. 我国城市固体废弃物污染状况及处理技术[J]. 科技致富向导, 2014(6): 45–45.
DOI:10.3969/j.issn.1007-1547.2014.06.064 |
鲁宝智. 2017. 《城市生活垃圾产量计算及预测方法》修订编制研究[J]. 环境卫生工程, 2017, 25(3): 19–21.
DOI:10.3969/j.issn.1005-8206.2017.03.007 |
罗瑾, 戴智彬. 2016. 厦门市常住劳动人口发展趋势分析[J]. 科技经济导刊, 2016(26): 220–220.
|
Nabavi-Pelesaraei A, Bayat R, Hosseinzadeh-Bandbafha H, et al. 2017. Modeling of energy consumption and environmental life cycle assessment for incineration and landfill systems of municipal solid waste management:A case study in Tehran Metropolis of Iran[J]. Journal of Cleaner Production, 148: 427–440.
DOI:10.1016/j.jclepro.2017.01.172
|
Noori R, Abdoli M A, Farokhnia A, et al. 2009. RETRACTED:Results uncertainty of solid waste generation forecasting by hybrid of wavelet transform-ANFIS and wavelet transform-neural network (Retracted article. See vol. 63, pg. 461, 2016)[J]. Expert Systems With Applications, 36(6): 9991–9999.
DOI:10.1016/j.eswa.2008.12.035
|
Noori R, Karbassi A R, Sabahi M S. 2010. Evaluation of PCA and Gamma test techniques on ANN operation for weekly solid waste prediction[J]. Journal of Environmental Management, 91(3): 767–771.
DOI:10.1016/j.jenvman.2009.10.007
|
Prades M, Gallardo A, Victoria Ibanez M. 2015. Factors determining waste generation in Spanish towns and cities[J]. Environmental Monitoring And Assessment, 187(1): 4098–4098.
DOI:10.1007/s10661-014-4098-6
|
Rimaityte I, Ruzgas T, Denafas G, et al. 2012. Application and evaluation of forecasting methods for municipal solid waste generation in an eastern-European city[J]. Waste Management & Research, 30(1): 89–98.
|
Rome A. 2015. The Limits to Growth:A Report for the Club of Rome's Project on the Predicament of Mankind[J]. Nature, 527(7579): 443–445.
DOI:10.1038/527443a
|
Sterman J. 2000. Business Dynamics[M]. New York: McGraw-Hill, Inc.
|
Williams I D. 2014. The importance of education to waste (resource) management[J]. Waste Management, 34(11): 1909–1910.
DOI:10.1016/j.wasman.2014.08.003
|
王其藩. 2009. 系统动力学[M]. 上海: 上海财经大学出版社.
|
徐礼来, 闫祯, 崔胜辉. 2013. 城市生活垃圾产量影响因素的路径分析——以厦门市为例[J]. 环境科学学报, 2013, 33(4): 1180–1185.
|
张邦科, 邓胜梁, 陶建平. 2011. 持久收入假说与我国城镇居民消费——基于省级面板数据的实证分析[J]. 财经科学, 2011(5): 56–62.
|
张子睿, 刘哲, 戴潞泓, 等. 2018. 2017年厦门金砖会晤期间气象因素与管控措施对空气质量的影响[J]. 环境科学学报, 2018, 38(11): 1–12.
|
中国统计局.2016.中国统计年鉴[EB/OL].2018-10-30. http://www.stats.gov.cn/tjsj/ndsj/
|
钟永光. 2009. 系统动力学[M]. 北京: 科学出版社.
|