基于數據驅動的居民垃圾分類激勵行為模型

中圖分類號：C8

文獻標識碼：A

Abstract：To explore the driving effect of incentive mechanisms on residents' enthusiasm for participating in garbage classification，this article is based on empirical data analysis of garbage classification in multiple communities. Using the RFM model，it quantifies residents' enthusiasm for participating in garbage classification and categorizes user value. Based on this，a multi-agent simulation model of user value transformation is established around subjective norms，classification knowledge，and classification attitudes. The results show that residents' enthusiasm for garbage disposal is influenced by subjective norms； there is a positive correlation between classification knowledge，classification attitudes，and residents' enthusiasm for garbage disposal.

Keywords：RFM model;garbage classification；individual behavior;ABM

0 引言

國家經濟高速發展伴隨著不斷增加的垃圾[1]，垃圾分類是有效應對垃圾問題的一種行之有效的手段。近年來，垃圾分類工作受到了國家層面的高度重視。2021年全國兩會的政府工作報告中指出要有序推進城鎮生活垃圾分類，十四五\"將是垃圾分類與處理處置在全國加速推進與發展的五年。然而，垃圾分類需要居民在轉變生活理念的同時重塑生活習慣，而習慣重塑顯然難以一蹴而就，因此關鍵在于提高居民參與垃圾分類的積極性。目前，有關提升居民垃圾分類積極性的研究主要聚焦于如何激發居民自覺參與生活垃圾治理，分析探討居民參與垃圾分類活動的影響因素。何可等[2]、周雄勇等[3]均發現制度環境會顯著影響居民的環保行為。郭心怡等[4]、崔亞飛和Bluemling B^[5] 都基于計劃行為理論探討農戶垃圾分類行為。

中國長期實踐證明\"家長式\"強推垃圾分類無效，必須建立長效激勵機制，鼓勵居民自覺參與，培養垃圾分類良好習慣。激勵機制備受關注，城市增加垃圾管理資金投入以提高居民積極性。在此社會背景下，垃圾分類的“積分獎勵\"逐漸興起，各地積極推行。“積分獎勵”對參與垃圾分類的居民提供物質獎勵，垃圾投遞按規定可兌換積分，通過積分累積在指定兌換點可換取不同物品。試點城市如上海的\"綠色賬戶\"、北京的\"綠寶e生活\"等推出具有本地特色的積分兌換制度。王賀松、張真[6定義了\"綠色賬戶\"等積分激勵模式，指出居民的精神激勵同物質激勵同等重要。吳巧玉[]發現這些模式有一定效果，但需不斷完善，提出強調市場作用、加強精神激勵、采取差異化物質獎勵的建議。

同時，不少學者選擇基于 AI仿真模擬研究環境規制。Abuga 和 Raghava[8利用 NetLogo 對垃圾分類進行系統構建，Lee 等[9]在仿真平臺上實現模糊邏輯在智慧城市智能垃圾桶的戰略部署中的應用。林晶晶等[10]構建了“互聯網 + 再生資源回收\"模式下城市生活垃圾回收的演化博弈模型。劉德海、陳靜峰[1]構建了環境污染群體性突發事件的協同演化博弈模型。

基于多主體仿真模擬可幫助研究者分析并理解自然與社會各種復雜對象的行為演化規律[12]。其中，NetL-ogo 作為常用仿真軟件之一，具備編程語言簡潔易學、軟件環境兼容性良好、自由度高等多種優勢。本文將在實證數據分析的基礎上，基于NetLogo建立用戶價值轉變的多主體仿真模型，以探討實證積分激勵制度下個體內在因素對居民參與垃圾分類積極性的影響，并提供相關建議。

1 數據和方法介紹

1.1 數據介紹

本文數據來源于“浙江凈禾\"在小區內放置“智能垃圾屋”（如圖1a所示）所記錄的居民垃圾投放行為。社區居民在“智能垃圾屋\"內完成身份認證后投放垃圾，智能垃圾箱會實時記錄每一次的垃圾投遞信息，通過人工智能技術識別垃圾類別，并上傳至垃圾監管平臺。平臺包含數據管理和積分管理模塊，在數據管理中可根據投放設備號或戶主號進行篩選查看，在積分管理模塊中則可以查看積分規則和積分變更數據。自 2019年12月1日至2022年9月1日，涉及到浙江省17個區縣（縣級市），共計363個小區參與積分激勵制度的推行，已完成智能垃圾屋安裝、獲取垃圾數據的小區數量為124個，注冊社區居民37026戶，共計6612525條垃圾投放記錄。

垃圾投遞數據記錄的是戶主每一次投遞的垃圾數據，具體內容如圖1b所示。居民參加垃圾分類可以積累積分從而獲得物質獎勵。積分變更數據記錄的是戶主每一次有效投遞垃圾獲取積分的數據和每一次兌換貨物消耗積分的數據，具體記錄內容如圖1c所示。

通過智能垃圾箱可以獲取和分析垃圾投遞的數據，進而引導有效的垃圾分類行為。圖2展示了兩個小區在4個相關指標上的垃圾分類效果。其中注冊率表示為人臉識別注冊戶主數占小區總戶主的比例，參與率為每天參與垃圾分類活動的戶主數占小區注冊總戶主數，準確率表示所有參與垃圾分類積分活動投遞的平均準確率，分出率為每日易腐垃圾投遞的重量在所有垃圾投遞重量的占比。圖2顯示，垃圾分類準確率較低（ 50% 左右），但用戶注冊率和準確率在持續上升，表明越來越多的用戶愿意參與到垃圾分類中。

圖3所示為自積分激勵機制進社區以來，2021年社區垃圾分類的部分統計數據變化趨勢圖，數據為參與小區的平均值，且均按月顯示。其中垃圾投遞重量、投放次數和參與用戶數均呈現出顯著上升趨勢，尤其是參與用戶數，從2021年1月份的97.83人次至2021年12月份的592.25人次。統計指標的顯著增長體現出居民對該制度的接受度較高，反映出積分激勵制度的正向效果。

為驗證兌換機制對垃圾投遞行為的效果，本文根據該月有無參與貨物兌換對用戶進行簡單區分，并統計這兩類用戶下一個月的月均積分增長率。數據為某小區2021年整年的投遞記錄，這里用積分數據表示用戶有效投遞垃圾的行為，結果如圖4a所示。可以發現上月參與禮品兌換的用戶下一個月的積分增長率要顯著高于未參與禮品兌換的用戶。此外，本文進一步對居民的積分兌換次數和投遞垃圾所獲積分總額作相關性分析，結果如圖4b顯示。其中，橙色代表高價值用戶，綠色代表一般價值用戶，紫色代表低價值用戶。居民的積分總額與兌換次數呈現顯著正相關，即所獲積分越高的居民兌換貨物的頻率越高，這說明積分兌換提升了居民垃圾投遞的積極性，也證實了積分激勵制度的激勵效果從而引導用戶進行有效的垃圾投遞。

1.2基于RFM模型的用戶價值劃分

RFM（Recency Frequency Magnitude）模型于1994 年由 Hughes教授提出[13]，根據用戶交易金額和交易活躍度，進行用戶價值細分。本文借助RFM模型，對小區居民參與垃圾分類的積極性進行價值劃分。

根據垃圾投遞數據構建RFM模型的規則如下：

R（Recency）：最近一次消費。模型認為，最近一次來消費的用戶最有可能對提供的商品或服務做出響應。本文選擇用戶最后一次投遞垃圾的日期距離一個統計周期內截止日期的時間間隔為 R，R 值越小即代表該用戶參與垃圾分類的積極性越高。

F（Frequency）：消費頻率。購買頻次越高的用戶表明其對該商品的滿意度越高。統計期內用戶投遞垃圾的總次數為 F，F 值越高代表該用戶參與垃圾分類的積極性越高。

M（Monetary）：消費金額。一般來說，消費金額越大，對應的客戶再次向賣方購買產品或服務的可能性越大。統計期間內用戶投遞垃圾所獲取的積分總額為 M，M 值越大代表該用戶參與垃圾分類的積極性越高。

在R、F、M3個維度上分別計算對應均值： Mean_R，Mean_F，Mean_M 。根據用戶 k 在3個維度的值進行分類，將用戶分為高價值用戶、一般價值用戶和低價值用戶，具體分類標準如表1所示。

根據分類標準，高價值用戶的 R 較小， F 和 M 維度的值較大；低價值用戶則 R 較大， F 和 M 值較小；一般價值用戶3個維度的值都趨于中間。用戶價值越大意味著該用戶參與垃圾分類的積極性越高。同一用戶的價值會隨著自己的垃圾投遞行為進行變化，用戶投遞的次數越多，投遞換取的積分越高，該用戶成為高價值用戶的可能性也就越大。圖4顯示了一個小區不同類別的用戶在3個維度的分布。其圖5a和5b分別表示2020年12月31日和2021年7月31日的分類情況。不同類別居民的顏色分類情況同圖 4b 。

1.3用戶價值轉變的多主體建模仿真

本文以謝林模型[14]（Agent-Based Model）和生命游戲模型[15]（Game of Life Model）為基礎，構建多主體仿真模型。該仿真模型從居民個體內在因素出發，實證居民垃圾投遞行為與分類知識、分類態度和主觀規范相關，通過實證結果對垃圾分類進社區提出有關建議。

1.3.1 用戶數量

針對不同小區規模，模型內設置的用戶數量為小區內的活躍用戶數（即有垃圾投遞行為的用戶數）。在仿真模型中，每一個海龜代表一個用戶，不同顏色代表不同種類的用戶，其中紅色代表高價值用戶，綠色代表一般價值用戶，白色代表低價值用戶。

1.3.2用戶兌換貨物次數

模型用兌換貨物的次數來量化居民的分類知識。具體規則為模型對每一個用戶賦值 Exchange，即按照實際數據中每個居民的貨物兌換次數給予賦值。在迭代規則中（表2）引人用戶兌換貨物次數 Exchange，該值越大用戶越有可能轉變為高價值用戶。

1.3.3 用戶視野

模型賦予用戶視野值Vision來衡量用戶的分類態度，視野表示居民對于他人參與垃圾分類行為的關注程度。視野越大表示該居民對周邊居民參與垃圾投遞的關注度較高，該居民的環境態度、分類態度越高。由于不同

用戶的視野大小存在差異，因此隨機設置用戶視野值Vision，根據最優參數選擇，Vision為符合均值5，方差為2的正態分布。

1.3.4 用戶價值

設立 Δvision_n1 為視野中的高價值用戶數； 為視野中的一般價值用戶數； 為視野中的低價值用戶數。不同種類的用戶賦予不同的權重，高價值用戶賦值權重為3；一般價值用戶賦值權重為2;低價值用戶賦值權重為1。

1.3.5 迭代規則

迭代原理為每個居民的類別會根據視野內不同類別居民的數量而迭代更改，每一次迭代步長為一天。模型設置中，居民會受到視野范圍內與其不同類別居民的交互影響，該迭代規則與生命游戲模型相類似，即每一個格子的下一回合迭代狀態（生或死）由鄰居的狀態所決定。

具體而言，高價值用戶會受到視野范圍內低價值用戶和一般價值用戶的影響；一般價值用戶會受到視野范圍內高價值用戶和低價值用戶的影響;低價值用戶會受到視野范圍內高價值用戶和一般價值用戶的影響。模型的閾值設計參考來自謝林模型，即每一次的迭代都需要與模型定義的閾值相比較。

具體規則如表2所示，表格中所示數值均為模型最優參數。

1.3.6 仿真模型

本節利用NetLogo軟件根據給定流程循環或順序來執行，具體流程如下：

步驟1系統初始化：按照所設置的仿真場景尺寸和個體初始化仿真環境，確定坐標系及仿真時長。計算出小區在剛剛開始實行積分激勵制度時的不同類型用戶數，作為仿真模型的初始化值。

步驟2加載用戶信息：每次仿真給所有用戶隨機設置一個用戶視野值，該值在迭代過程中保持不變。不同的用戶按照不同類別設置顏色，所有用戶的初始位置隨機。

步驟3用戶類別迭代：仿真開始，根據表2所述迭代規則進行模擬。

步驟4結束：設置仿真迭代次數為30，達到30次時結束程序。

2 仿真結果分析

2.1 時間步長

樣本小區自2020年12月1日開始推行垃圾分類積分激勵制度，由于前期推廣階段和后期運行階段存在顯著區別，且對于政府和物業而言，在前期推廣階段快速積累活躍用戶有助于推行垃圾分類政策。因此，本文選擇小區2020年12月1日至2020年12月31日的垃圾投遞數據來構建擬合模型，以該小區2020年12月1日的不同種類用戶數量為初始值進行設置，即高價值用戶數為4；一般價值用戶數為4;低價值用戶數為 376。

2.2 求解最優參數

仿真模型參數設計中，部分參數（用戶數量、用戶兌換貨物次數）根據小區實際情況設定，因此需要尋找最優參數Paramters （??）^* ，最優參數需滿足條件式（1）。其中模型構建數據是 f_sim（?） ，即 （Y₁，Y₂，…，Y_i，…，Y₇） ，真實小區數據為 f_real（?） ，即 。

2.3擬合結果分析

為避免隨機性，所有結果均在最優參數下經過500次重復模擬檢驗，結果如圖6所示，三類不同用戶的仿真模擬變化趨勢與實際變化趨勢均相吻合。

為進一步驗證模擬的有效性，采用Pearson相關性系數對模擬數據和真實數據做相關性分析，如表3和表4

所示，可以看到三類用戶的相關性系數值均大于0.9，高價值用戶和低價值用戶的相關性系數值幾乎接近1，該模型規則和機制可以得到較好的驗證。

2.4 魯棒性分析

本文引人K-S算法[16]對模擬仿真結果進行檢驗。其原假設為：兩組獨立樣本來自的總體的分布無顯著差異。若 P -value lt;0.05 ，拒絕原假設，認為數據不服從正態分布。結果如圖7所示，子圖 7a，7b，7c 代表的不同價值用戶類比的數次迭代均滿足P-value gt;0.05 ，不拒絕原假設，因此數據服從正態分布，進一步驗證了模型的有效性和穩健型。

此外，為避免偶然性，本文將另外4個小區展開垃圾分類激勵制度第一個月的真實數據進行模擬和數據擬合。由于不同小區的顯示情況均存在差異，為了更好地擬合數據，在不改變模型規則的前提下對模型參數進行調整。根據相關性結果（表5）顯示，4個代表小區的擬合結果顯示良好，平均數和眾數 （N=500 ）的相關性值均大于0.7。這也進一步說明該模型以及該模型規則可適配于不同小區。

3討論與結論

目前國內外有關垃圾分類行為影響因素的指標體系主要由個體社會經濟變量、個體內在因素和外在情景因素三項構成。其中，個體社會經濟變量主要包括性別、經濟情況、年齡、受教育程度等社會數據[17-18]。外在情景因素主要是指環境衛生設施、垃圾分類政策、垃圾清運情況等外在條件[19];個體內在因素僅僅與個體主觀思想有關，可簡單分為3類：分類知識、分類態度、主觀規范。本文圍繞主觀規范、分類知識和分類態度進行仿真模型構建，以探討個體內在因素對居民參與垃圾分類積極性的影響。

3.1分類知識對用戶價值的影響

分類知識主要是指居民對垃圾分類政策和分類標準的掌握程度，同時也反映出垃圾分類宣傳教育的效果[20]。模型中通過用居民參與積分兌換的次數來量化居民的分類知識，量化居民對小區施行激勵政策的了解程度和參與意愿。用戶的價值類別改變，不僅會受到主觀規范的影響，同樣會受到分類知識的影響。居民的兌換次數越多，就越可能轉變為高價值客戶，也意味著居民的參與積極性越強。模型的高度擬合證實了居民垃圾分類知識與參與垃圾分類的意愿呈現出正相關性。

3.2分類態度對用戶價值的影響

分類態度表示居民參與垃圾分類的積極性。圖8為仿真迭代過程中不同價值用戶視野值的密度分布圖。可以發現，高價值用戶的視野值相對較集中，低價值用戶視野的密度分布范圍較大且出現雙峰，即視野范圍過大或過小都可能導致居民垃圾投遞的積極性不高。圖8中的豎線為不同類別用戶的視野均值，可以發現低價值用戶的視野均值 lt; 一般價值用戶 lt; 高價值用戶，這表明分類態度與參與垃圾分類的積極性呈正相關關系。

3.3主觀規范對用戶價值的影響

主觀規范是指受訪人會受到對受訪人而言較重要和

親近的人的影響而轉變參與垃圾分類的意愿。模型主要圍繞主觀規范進行構建，模型的高度擬合說明了居民垃圾投遞會受到身邊親近人的影響。如果一個居民的身邊都是高價值用戶，該居民很可能會被這個氛圍所感染而積極投身于此，但如果居民身邊都是低價值用戶，他們會對該用戶宣揚垃圾分類的非必要性，進而高價值用戶可能轉換成低價值用戶。因此，如何在不同的群體當中適當地選擇關鍵個體對于垃圾分類行為的推動顯得至關重要[21-22]

參考文獻：

[1]王吉祥，黎海波．城市垃圾分類影響因素分析[J]．科教導刊，2020，8（23）：157－159.WANGJX，LIHBAalysisofifuencgfactorsofurbangbagessficatio]SienceadEducatioGude23）：159.

[2]何可，張俊飚，張露，等。人際信任、制度信任與農民環境治理參與意愿——以農業廢棄物資源化為例[J]：管理世界，2015（5）：75-88.HEKHAtalteolttstalstdsilsrtateioalance—taking agricultural waste recycling as an example[J]. Management World，2ol5（5）： 75-88.

[3]周雄勇，許志端，郗永勤．中國節能減排系統動力學模型及政策優化仿真[J]．系統工程理論與實踐，2018，38（6）：1422－1444.ZHOUXY，XUZD，XIYQ.DnamicmodelingofChina'seergyconservationandemissoneductiossteandpolicyotizatiosila-

[4］郭心怡，段雨言，沈程煉，綠色存折制度對農戶生活垃圾分類行為的影響[J]。農村經濟與科技，2022，33（3）：265－269.GUO X Y，DUANYY，SHENCL.Theimpactof greenpassbook systemoruralhouseholdwaste sortingbhaviorJ].RuralEconomyandScienceamp;.Technology，2022，33（3）：265-269.

［5]崔亞飛，BLUEMLINGB.農戶生活垃圾處理行為的影響因素及其效應研究——基于拓展的計劃行為理論框架[J]．干旱區資源與環境，2018，32（5）：37-42.CUIYF，BLUEMINGB.Studyontheinfluencingfactorsandefectsofhouseholdwastetreatmentbehavior—basedontheextendedtheoryof planned behavior framework[J]. Journal of Arid Land Resources and Environment，2o18，32（5）：37-42.

[6]王賀松，張真．基于“綠色賬戶\"的垃圾分類激勵機制優化[J]．環境經濟，2018（5）：54－57.WANGHS，ZHZOtiaionofgarbageclasificationincentivemehanmbasedon\"gnaccont\"]EnvromntalEcoics，2018（5）：54-57.

[7］吳巧玉.“互聯網十垃圾分類\"模式存在問題與建議——以上海“綠色賬戶\"為例[J]．現代商業，2018（21）：181－183.WU QY. Isues and suggestions on the \"Internet + garbage clasification\" model—taking the \"green account\" in Shanghai as an example[J].Modern Business，2018（21）：181-183.

[8]ABUGAD，RAGHAVANS.Real-timesmartgarbagebinmechanismforsolid waste managementinsmartcitis].SustainableCitiesandSociety，2021，75：103347.

[9]LEEJSOVAT，MA-KA，etal.lexiesofagentbsedmodelingoutptanalysis]JoartilSocieties and Social Simulation，20l5，18（4）：1-27.

[10］林晶晶，毛雅婧，林宗平.“互聯網 + 再生資源回收\"模式推進機制的三方演化博弈研究[J]．生態經濟，2022，38（3）：202－209.LIN JJ，MAO Y J，LIN Z P. Tripartite evolutionary game research on the promotion mechanism of \"Internet + recycling of renewable re-sources\" model[J]. Ecological Economics，2022，38（3）：202-209.

[11］王潔，劉建國．基于行為模式的用戶聲譽度量方法研究[J]．上海理工大學學報，2023，45（1）：8－16.WANGJ，LIUJGMeasurementofuerreputatiovisers'ehavirpates]JoualofUniversityofShangaifoienceandTeology，2023，45（1）：8-16.

[12]CHIACCHOF，ENSIM，USSOG，etal.Agentbasedmodelingoftheimunesystem：netog，apromisinframework]omedResearch International，2014，（1-4）：907171.

[13] HUGHES A. Strategic Database Marketing[M]. USA： McGraw-Hill Pub Co，2005.

[14]KHALILMA，FATMRHowresidentialenergyconsumptionhaschangedduetoCOVID-19pandemic？anagent-basedmodelustainable Cities and Society，2022，81：103832.

[15]TURNEYPD.Evolutionofautopoiesis and multicelularityinthegameof life[J].ArtificialLife，2021，27（1）：26－43.

[16]YANC，WNGXD，IUW，al.UBcainsurancerategradedeteiatiobasedoK-SlgoritJ]JoualoflieardCexAnalysis，2019，20（5）：957.

[17］詹秀秀，余小燕，劉闖，等．時序超網絡上重要節點挖掘方法研究[J].上海理工大學學報，2023，45（1）：17－26.ZHANXX，YUXUCetal.ingmetodsofiportantodesontepralhyeretworksJJouralofUniverstyofaaforScience and Technology，2023，45（1）：17-26.

[18]GUERINDREE，ERRJ.Amultielalysisfteeterantsofrecylingavirintheeuropeancountriesoialence Research，2001，30（2）：195-218.

[19]SINGHIRUNNUSORN W，DONLAKORN K，KAEWHANIN W.Contextualfactors influencing householdrecyclingbehaviours：acaseofwaste bank project inmahasarakhammunicipality[J].Procedia-Social and Behavioral Sciences，2O12，36（1）：688－697.

[20]于凱，楊富義．基于事理圖譜的突發事件網絡輿情演化模型構建[J]．上海理工大學學報，2023，45（1）：27－35.YUK，YANGFY.ConstructionofanevolutionmodelofemergencynetworkpublicopinonbasedoneventknowledgegrahJJoualofUniversity of Shanghai for Science and Technology，2023，45（1）：27-35.

[21]周明洋，吳向陽，曹揚，等．基于群體影響力的網絡傳播關鍵節點選擇策略[J]。中國科學：信息科學，2019，49（10）：1333－1342.ZHOU MY，WUXY，CAOY，etal.KeynodeselectionstrategfrnetworkpropagationbsedongroupinfluenceJ].SienceChnaInformation Sciences，2019，49（10）：1333-1342.

[2］廖好，黃曉敏，吳子強，等．Network-spliter：一種基于重疊社區的網絡特征提取算法及其在鏈路預測中的應用[J]．中國科學：信息科學，2021，51（7）：1116-1130.LIAOH，HUAGXMWUZQetaletwokiter：Anetorkfeatureeractioalgoritsedoverlapgcoisndiapplication in link prediction[J]. Science China Information Sciences，2021，51（7）：1116－1130.

（豐任編輯 耿今花）