| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 市场/贸易 |
| 垃圾分类小程序使用意愿调查 |
| 第748期 作者：□文/谢清霞 李佳欣 宿致源 黄士玮 石雨菲 时间：2025/3/2 9:12:11 浏览：20次 |
［提要］ 本文旨在探讨影响居民垃圾分类意愿与使用垃圾分类识图App意愿的主要因素，以及使用垃圾分类识图App的潜在用户。调查结果表明：提升居民分类知识、优化App设计及加强政策和社区支持是提高居民使用垃圾分类App意愿的关键。
关键词：垃圾分类识图App；BP神经网络；Logistic回归模型；K-Means聚类
中图分类号：F713.52 文献标识码：A
收录日期：2024年8月8日
随着人口增长、经济发展和城市化进程加快，我国正面临着生活垃圾数量急剧增长的问题。2016年，国家发改委、住建部出台《“十三五”全国城镇生活垃圾无害化处理设施建设规划》，指出生活垃圾无害化处理的基本原则包括分类回收、促进利用。2017年，国家发改委、住建部出台《生活垃圾分类制度实施方案》，指出垃圾分类基本原则包括：政府推动，全民参与；因地制宜，循序渐进。2018年，住建部发布《关于加快推进部分重点城市生活垃圾分类工作的通知》，要求46个重点城市在2018年均要形成若干垃圾分类示范片区。随着科技的发展，智能化工具打破了传统的回收方式，使得工作效率大大提高。本研究将在此背景下聚焦垃圾分类识图App/小程序的使用现状、用户对垃圾分类识图App/小程序的功能需求、影响使用App/小程序的主要因素等几个方面，了解居民对于垃圾分类的诉求，为相关产品提出改进意见，进而改善用户体验，调查垃圾分类识图App/小程序的潜在市场推广度。
一、数据来源与基本特征
（一）数据来源。本文采取配额抽样与随机抽样相结合的方法调查了全国7个行政区域（华东、华南、华中、华北、西北、西南、东北）不同性别、不同年龄层次、不同学历、不同职业的人群。根据各地区常住人口数量计算总体层权进行样本量分配，同时严格按照抽样比例进行问卷发放，预计在东北、华北、华中、华东、华南、西北与西南地区分别回收问卷119、193、247、456、192、114、224份，预计总回收问卷1，544份，最终收取的有效问卷回答数量为1，345份，有效回收率为87%。
（二）数据基本特征。对问卷垃圾分类与环境保护知识、垃圾分类意愿、垃圾分类识图App/小程序三类题型数据分别进行信度分析与效度分析，得到的Cronbach α系数均大于0.7，KMO也均大于0.7，且巴特利特球形度检验p值均小于0.001，问卷的信效度较高。
调查显示，在关于不能做到垃圾分类的原因调查中，缺乏相关设施占比93%，缺乏相关知识占比81%，分别位居第一、第二。在日常生活中较常使用垃圾分类识图App/小程序的用户中，男性占比66%，显著高于女性；从年龄来看，使用者74%以上的人群年龄分布在18～39岁之间，受众较为年轻；从受教育程度来看，使用者中本科及以上学历占比较高；从使用者地域来看，华东地区的调查样本中使用人数比例最高，占27%；从职业来看，学生、政府、事业单位人员等职业分布最多；同时，在有意愿使用此类产品的潜在使用人群中，18～39岁的群体占比最高；从受教育程度角度来看，高学历人群更加具有使用潜力；从地域分布来看，华中地区潜在受众最多，但总体来看各个地区都比较愿意使用此类产品。在关于垃圾分类识图App/小程序的功能需求调查中，垃圾识别功能有96%的选择率，垃圾分类指导有93%的选择率，说明这是民众最需要、最关心的功能，开发者应尽量完善这两类功能。
二、基于BP神经网络分析预测居民垃圾分类意愿
针对居民垃圾分类意愿的研究，缺乏相关知识、缺少垃圾分类设施、缺乏相关意识、社区宣传不到位、缺少监督措施这五个因素记为Xi（i=1，…，5），目标输出数据Y1代表垃圾分类意愿。分析和探究居民垃圾分类意愿与这五个因素的关系并进行预测。其中，每个因素的回答都是在1～5的范围内，1～5的同意程度逐渐增强。将1，345个样本随机划分为70%训练集、15%验证集与15%测试集。为了增加模型稳定性、确保泛化能力，对数据进行归一化处理。归一化后，每个问题的数据将被转换到一个统一的区间［-1，1］，从而使得它们的数值范围相同。设置最大训练次数为500次；学习速率和训练精度分别设置为0.05和0.0001。网络训练输出了训练集、验证集与测试集的准确度分别为98%、95%与98%，说明模型效果较好。
通过训练好的垃圾分类意愿模型进行单因素预测，得到：当“缺乏相关知识”因素为极端值时，垃圾分类意愿的预测值为6.0136，这表明知识缺乏对垃圾分类意愿有显著影响。因此，提高居民的垃圾分类知识是至关重要的。当“缺少垃圾分类设施”因素为极端值时，垃圾分类意愿的预测值为3.8701，说明设施的缺失对垃圾分类意愿有一定影响，但相对于其他因素来说影响较小。当“缺乏相关意识”因素为极端值时，垃圾分类意愿的预测值为5.6763，这指出意识的缺乏对垃圾分类意愿有中等程度的影响。当“社区宣传不到位”因素为极端值时，垃圾分类意愿的预测值为6.9355，这是所有因素中最高的预测值，表明宣传的效果对垃圾分类意愿有非常强的影响。当“缺少监督措施”因素为极端值时，垃圾分类意愿的预测值为4.634，这表明监督措施的缺失对垃圾分类意愿有一定的负面影响。根据预测结果显示的影响因素重要性顺序，提出以下建议：加强社区宣传和提升相关知识普及，以增强居民对垃圾分类的认识和参与度。虽然缺少垃圾分类设施对意愿影响较小，但仍建议改善设施，提高居民的垃圾分类便利度。综上所述，通过这些措施可以促进居民更积极地参与垃圾分类，从而提高垃圾分类的效果和社区环境的整体卫生水平。
同样基于BP神经网络对居民垃圾分类实际行动进行分析，这里目标输出数据Y1代表居民垃圾分类实际行动。网络训练输出了训练集、验证集与测试集的准确度分别为87%、95%与84%，说明模型效果较好。根据训练好的模型进行单因素预测，输出结果为：当“缺乏相关知识”因素为极端值时，垃圾分类实际行动的预测值为0.86242，这表明人们认为缺乏相关知识会影响垃圾分类的实际行动，根据模型预测，有这样想法的样本大多没有进行垃圾分类。当“缺少垃圾分类设施”因素为极端值时，垃圾分类实际行动的预测值为4.2888，这意味着设施缺失对垃圾分类实际行动有显著的负面影响。提供足够的垃圾分类设施是促进居民参与垃圾分类的重要措施。当“缺乏相关意识”因素为极端值时，垃圾分类实际行动的预测值为-1.3738，这是一个负值。当“社区宣传不到位”因素为极端值时，垃圾分类实际行动的预测值为0.87676，这与当“缺乏相关知识”因素为极端值的情况类似。当“缺少监督措施”因素为极端值时，垃圾分类实际行动的预测值为3.9788，这表明监督措施的缺失对垃圾分类实际行动有中等程度的影响。
三、垃圾分类识图类App/小程序下载使用意愿影响因素分析
通过二元Logistic回归模型，针对全体受访者的垃圾分类App下载使用意愿进行分析。以“是否愿意下载使用垃圾分类App”为因变量，以受访者的基本特征及其对垃圾分类App的性能需求为自变量，探究全体受访者对垃圾分类App下载使用意愿的影响因素。
二元逻辑回归模型的变量设定：因变量为是否愿意下载使用垃圾分类App，回答是=1；否=0。自变量包括受访者的个人基本特征及其对垃圾分类App的功能与效果反馈程度两大部分，5个基本特征包含性别（Z1）（男=1；女=0）、年龄（Z2）（18岁以下；18～28岁；29～39岁；40～50岁；50岁以上）、个人的受教育水平（Z3）（小学；初中；高中；大学；研究生）、地区（Z4）（华东；华南；华中；华北；西北；西南；东北）和职业（Z5）（普通职工；学生；企业管理人员；政府、事业单位人员；自由职业者；其他）；垃圾分类App的功能与反馈程度包含其他用户反馈使用体验（X1）、便于进行垃圾分类（X2）、便于学习知识（X3）、社区鼓励使用（X4）、宣传到位（X5）、身边人的推荐（X6）、是否收费（X7）、操作是否简便（X8）、功能是否齐全（X9）、界面设计是否美观（X10）、识别准确性（X11）、数据安全程度（X12）与社交功能（X13）。综合以上变量，探究全体受访者下载使用垃圾分类App意愿的影响因素。
对于模型中涉及的多分类变量，引入虚拟变量进行处理。其中，对属于无序多分类变量的年龄、受教育水平、地区和职业，引入哑变量进行分析，如年龄组变量以18岁以下作为对照组，将18～28岁、29～39岁、40～50岁和50岁以上分别命名为变量年龄1、年龄2、年龄3、年龄4，在每一个变量的取值中，属于该年龄段取值为1，否则为0。受教育水平组以小学为对照组；地区组以华东地区为对照组；职业组以普通职工作为对照组。对属于有序多分类变量的因素，将其结果进行等区间划分后，对有序区间进行等距赋值，并将此赋值作为相应变量的取值。例如，对于其他用户的反馈使用体验，很同意为5，同意为4，一般为3，不同意为2，很不同意为1，其他类似变量按照程度或看法由强到弱，分别将其赋值为5、4、3、2、1。
以5个基本特征和13个对下载使用垃圾分类App的功能与反馈重要性程度打分结果作为自变量，探索全体受访者对下载使用App意愿的影响因素。对有下载使用垃圾分类App的意愿进行二元逻辑回归，探究下载使用App意愿的影响因素。由于问卷调查数据难免有一定的误差，也为了避免遗漏重要的解释变量，将模型的P值放宽到0.1。根据初步回归结果剔除不显著变量之后的回归结果如表1所示。（表1）
剔除后剩下解释变量的P值都小于0.1，即对下载使用垃圾分类App意愿均产生影响显著。
根据二元逻辑回归结果分析，可以得到以下结论：在个人的基本特征变量中，性别（Z1）、年龄（Z2）、地区（Z4）、职业（Z5）不会显著地影响下载使用垃圾分类App的意愿，但是个人的受教育水平（Z3）会显著影响受访者对垃圾分类App的下载使用。其中，受教育水平为大学（Z33）和研究生（Z34）的受访者对下载使用垃圾分类App的意愿相对较强，受教育水平为大学以下的意愿相对较弱。在App的功能及反馈因素方面，其他用户反馈使用体验（X1）、便于学习知识（X3）、宣传到位（X5）、是否收费（X7）、操作是否简便（X8）、功能是否齐全（X9）、界面设计是否美观（X10）、识别准确性（X11）、数据安全程度（X12）都对是否下载使用垃圾分类App有显著影响，并且除了收费的回归系数为负值，其他因素的回归系数均为正。
从上述模型研究得出影响用户下载使用App意愿的因素中，App主要受众群体的学历在大学以上，并且这些使用者更倾向于使用一款能保证个人隐私数据安全、操作简单、垃圾识别准确、设计美观、功能齐全、不收费使用、现有用户体验良好并且便于学习到垃圾分类知识的App。因此，设计App的企业可以设计一款保证个人数据安全与封面美观的App，并且软件的首页就是垃圾分类识别的按钮，可以简洁快速地直接进行垃圾识别，通过对App进行垃圾分类训练提升，提高日常识别垃圾种类的准确率；此外，还可以在软件设置一些垃圾分类趣味答题小游戏，通过答题得积分换取小礼品，一些日常垃圾分类小能手工具用品推荐以及用户日常垃圾分类习惯及环境保护短视频推送，这些有趣多样化的功能可以增加更多App用户；公司企业还要加大宣传力度，针对这些潜在的用户群体进行推广，增加用户流量。
四、基于K-Means聚类的垃圾分类App潜在用户分析
根据 K-Means 聚类分析方法对被调查者进行聚类，将从问卷中选取特征变量进行选型独立拆分和0～1重新编码，具体信息如下：（1）基本特征：性别、年龄、受教育水平、所在城市、职业；（2）用户使用意愿：使用目的、功能需求。通过对所回收的有效问卷进行描述性分析与使用意愿因素分析，运用聚类分析将潜在愿意下载使用垃圾分类App的人群分为两类，从而进一步扩大用户群体、为用户提供更好的服务。基于上述选取的用户基本特征和使用意愿评价指标，得出潜在用户的具体信息：
第一类潜在使用垃圾分类App的用户是年龄在18～39岁之间的女性，她们拥有大学以上的学历，居住在一二线城市。这些用户注重数据安全，希望垃圾分类App能够准确识别垃圾种类，操作简便且功能齐全，同时要求界面美观，并且不希望产生额外费用。她们追求高效便捷的生活方式，对环保和科技应用持有较高的意识，希望通过利用先进科技来参与环保行动。这类用户对垃圾分类App的用户体验和功能完善度有较高要求，她们希望能够通过这样的工具更方便地参与到环保事业中。
第二类潜在使用垃圾分类App的用户是年龄在18～28岁之间的男大学生，主要分布在一二线城市。这类用户倾向于使用垃圾分类App，他们渴望学习更多关于垃圾分类的知识，希望App能够准确识别不同种类的垃圾，以便他们可以正确地进行分类处理。同时，用户也追求功能齐全的App，希望能够提供一站式的垃圾分类解决方案。在用户选择App时，数据安全是他们非常重视的一点，他们希望个人信息和数据不会被泄露或滥用。此外，用户也看重App的宣传和教育力度，希望App能够通过各种方式广泛宣传垃圾分类知识，提升公众意识。良好的用户反馈对于这类用户也至关重要，他们更愿意选择用户口碑良好、服务质量优秀的垃圾分类App，以确保自己的使用体验和环保行动的效果。
五、结论及建议
根据上述研究，得到的主要结论如下：（1）居民缺乏系统垃圾分类知识，社区缺乏正确引导与监管。（2）垃圾分类App/小程序分类标准不统一，品质良莠不齐。（3）用户群体呈现年轻化，但用户数量少、黏性低。（4）潜在用户数量多，但高学历人群更具使用潜力。（5）用户更关注识别准确性、操作便捷性、功能齐全、数据安全、是否收费等因素。
相应地也给出一些建议：（1）政府与社会可以制定相关条例，加强管理与宣传，垃圾分类入校园。（2）社区可以改善垃圾分类设施，开展垃圾分类相关讲座或活动。（3）App/小程序开发商可以协同政府进行垃圾分类宣传工作，实现互利互惠、合作双赢；强化基层合作，为社区、街道等基层组织捐赠定制的垃圾分类设施（例如带产品LOGO的垃圾桶），并适时进行App/小程序的宣传与推广；在高校中进行定点宣传，鼓励老用户进行拉新；对群众关心的识别准确、功能齐全等问题进行优化和改良；在App/小程序中设置一些垃圾分类趣味小游戏，通过游戏积分兑换小礼品，提升用户获得感。
（作者单位：中央民族大学理学院）
主要参考文献：
［1］王富城，蔡鑫，邱波.基于机器视觉的智能垃圾分类车开发与设计［J］.科技与创新，2024（03）.
［2］姜欣婷，赵新苗，黄飞鹄.基于人工智能的垃圾分类箱设计与实现［J］.信息与电脑（理论版），2023（22）.
［3］曾伟业，周婷婷，孟飞荣.垃圾分类小程序用户满意度影响因素探究［J］.合作经济与科技，2021（10）.
［4］段勇，任磊.基于BP神经网络的黄河中游日径流预测研究［J］.人民黄河，2020.42（S2）.
［5］何赏璐.基于多源异质数据的高速公路交通状态估计方法研宪［D］.南京：东南大学，2017.
［6］Horikawa S，Furuhashi T，Uchikawa Y.On fuzzy modeling using fuzzy neural networks with the back-propagation algorithm［Z］.1992.
［7］李媛，郑安刚，谭煌.基于时间序列的电能表月故障数预测方法［J］.中国电力，2020.53（06）.
|
|
|
|
