CN113656715A - 一种快递包装废弃物可视化数据库系统和碳排放分析方法 - Google Patents

Abstract

本发明提供了一种快递包装废弃物可视化数据库系统和碳排放分析方法，包括业务量模块、数据库统计模块、总量成分查询模块、类型统计模块、分布统计模块；通过量化快递包装废弃物的产生特征与发展趋势，建立Web可视化数据界面，实现了统计快递包装废弃物的技术数据并可视化的展现统计结果的功能；进一步基于数据库数据，LCA(生命周期)和物质流理论量化研究了典型区域快递包装废弃物的环境影响(碳排放)。本发明的数据库信息量丰富，展示形式直观易懂，为相关政府、企业和科研单位提供基础研究数据，填补了固体废弃物领域包装类废弃物区域统计数据及其可视化平台的研究空白，为进一步可回收类包装废弃物的效益分析提供了基础数据和计算方法。

Description

一种快递包装废弃物可视化数据库系统和碳排放分析方法

技术领域

本发明属于可视化数据库技术领域，具体涉及一种快递包装废弃物可视化数据库系统和碳排放分析方法。

背景技术

随着人民生活水平的提高和互联网新技术的快速发展，网上购物成了人们日常生活中不可缺少的重要消费模式。伴随着大量快递交易产生的大量快递包装废弃物，以及由此带来的环境问题逐渐成为了不容忽视的问题。如何量化这些包装废弃物的环境影响，以及可回收成分的经济价值和环境效益呢？这是目前快递包装研究领域急需解决的问题。目前尚无官方的快递废弃物的统计数据，且统计类数据也无可视化界面展示平台。

随着互联网技术和大数据的高速发展，大量数据信息的可视化势必会成为各个业界在未来的重要发展方向，并且已在医学，教育，科研文献等领域得到了广泛和发展，在固体废弃的管理对象中目前尚处于初探阶段。目前，越来越多的单位与机构通过基本架构一个数据库和N个面向用户业务的WEB交互网页，继而通过页面后台脚本来获取用户交互界面提供的特定数据信息；通过可视化，不但展现全貌，增强理解、便于对话、探索、交流，还简化复杂性，增强审视。因此，数据库的可视化操作是使用者能够接受的可行方案和最佳选择。

发明内容

本发明要解决的技术问题是：提供一种快递包装废弃物可视化数据库系统和碳排放分析方法，用于统计快递包装废弃物的技术数据并可视化的展现统计结果。

本发明为解决上述技术问题所采取的技术方案为：一种快递包装废弃物可视化数据库系统，包括业务量模块、数据库统计模块、总量成分查询模块、类型统计模块、分布统计模块；业务量模块用于根据用户选择的月份、同异城、图形样式，以包括簇型或堆积型柱状统计图展示某地在某段时间的业务量统计数据，供用户查询指定年的业务量数据；数据库统计模块用于记录某地在某段时间内的快递包装废弃物产量、某地在未来五年的快递包装废弃物预测产量、某地各区块在某段时间内的快递包装废弃物产量、某地各区块在未来五年的快递包装废弃物预测产量、某地各高校在某段时间内的快递包装废弃物产量、某地各高校在未来五年的快递包装废弃物预测产量；总量成分查询模块用于统计不同类型的快递包装废弃物的平均质量和各类废弃物的总量，供用户通过消费者类型、同异城和废弃物种类三个选项定向查询所需的产量数据，并以密度图的形式展现所选废弃物的质量分布情况；类型统计模块用于供用户通过消费者种类、时间范围、废弃物种类三个选项定向、可视化地展示某段时间内废弃物的类型的统计数据；分布统计模块用于供用户通过消费者种类、废弃物种类、同异城三个选项定向查询数据，并以可视化地图的方式展示查询到的数据。

按上述方案，业务量模块包括阶段业务量统计模块、区域业务量统计模块、图形样式模块；阶段业务量统计模块包括年份和月份两个过滤项，年份过滤项包括总年份和指定年两个选项；区域业务量统计模块包括同城和异城两个选项；图形样式模块包括簇型和堆积型两个选项。

按上述方案，数据库统计模块包括对象模块、年份模块、月份模块、区域模块、废物类型模块；对象模块包括总对象、居民、大学生、办公人员四个选项；年份模块包括总年份、制定年、现状、预测四个选项；月份模块包括月均值、指定月、11月三个选项；区域模块包括总区域、同城、异城三个选项；废物类型模块包括纸箱、塑料袋、编织袋、纸箱或快递袋、其它五个选项。

按上述方案，总量成分查询模块包括对象模块、区域模块、可回收类模块、不可回收类模块；对象模块包括总对象、居民、高校学生、办公人员四个选项；区域模块包括总区域、同城、异城三个选项；可回收类模块包括纸箱、快递袋两个过滤项，纸箱过滤项按规格包括超大、大、中、小四个选项，快递袋过滤项按规格包括大、小两个选项；不可回收类模块包括塑料袋、编织袋、其它三个过滤项，塑料袋按颜色包括白色、红黄蓝、灰黑三个选项，编织袋按规格包括大、小两个选项，其它按规格包括大、小两个选项。

按上述方案，类型统计模块包括对象模块、时间范围模块、种类模块；对象模块包括总对象、高校学生、居民、办公人员四个选项；时间范围模块包括双十一前、双十一后两个选项；种类模块包括总种类、纸箱、塑料袋、编织袋、纸箱或快递袋、泡沫、信封七个选项。

按上述方案，分布统计模块包括对象模块、废物类型模块、区域模块；对象模块包括总对象、高校学生、居民、办公人员四个选项；废物类型模块包括快递包装废弃物总量、可回收快递包装废弃物两个选项；区域模块包括同城、异城两个选项。

(1)基于区域的快递包装废弃物的产量计算

按上述方案，数据库统计模块根据同城快递W_c和异城快递W_u，计算得到给定年快递包装废弃物产量W_T为：

W_R＝W_c+W_u；

(2)基于包装废物类型的快递包装废弃物的产量计算

根据i类型包裹的重量Wp_i、i类型包裹的占比pt_i，计算得到总的包裹的重量W_p：

W_p＝Wp_i*pt_i，

根据包装废弃物的重量Wpm_i、i类型包裹的占比pt_i，计算得到包装材料的重量W_pm：

W_pm＝Wpm_i*pt_i；

(3)基于消费者类型的快递包装废弃物的产量计算

根据不同类型包装材料的每周人均产废率R_ijk；包装废弃物的类型i，i＝1， 2，…，m；快递的类型j，j＝1，2，…，n；快递消费者的类型k，k＝1，2，…， t；消费者购买快递的比例λ，每周的点餐频率F，人口数P，消费的假期H，每年的总天数Y，每周的天数D，计算得到快递包装废弃物的总产量W_T为：

按上述方案，数据库统计模块基于灰色理论和BP神经网络计算给定时间段的快递包装废弃物的预测产量；

设初始数据序列中x₀＝{x₀(1),x₀(2),x₀(3),...,x₀(n)}为参考序列，则相关数据序列为：

x₁＝{x₁(1),x₁(2),x₁(3),...,x₁(n)}，

x₂＝{x₂(1),x₂(2),x₂(3),...,x₂(n)}，

…，

x_m＝{x₂(1),x₂(2),x₂(3),...,x₂(n)}；

将初始数据序列标准化为：

x_m＝{x₂(1),x₂(2),x₂(3),...,x₂(n)}，

参考数据序列的偏差为：

Δ'_i(k)＝|x'₀(k)-x'_i(k)|,Δ_i＝(Δ_i(1),Δ_i(1)，...，Δ_i(n)),i＝1,2,...,m；

计算最大值M为：

最小值m为：

设灰色系数为ξ，ξ∈[0，1]，则灰色相关系数为：

设灰色相关度为γ_oi，其值越大，表示自变量对因变量的贡献越大，则计算灰色相关度为：

一种碳排分析方法，其特征在于：

S1：基于生命周期理论确定系统边界：通过运输、处理、处置三个阶段的碳排放量度量快递包装废弃物的环境影响，其中运输阶段包括异城运输和同城运输两个阶段；

S2：设同城的快递运输的碳排放量为Ce_ci，快递包裹的质量为Wp，卡车的碳排放因子为FT_c，同城运输的总距离为Td_ci，运输中的最后一公里路程为Dl，电动车的碳排放因子为FE_c，快递包裹的数量为D_v，则同城运输的碳排放量模型为：

Ce_ci＝Wp*[FT_c*(Td_ci-Dl)+(FE_c*Dl)]*D_v；

S3：建立异城运输的碳排放量模型为包括起始城市的同城运输过程、支线运输过程、干线运输过程、支线运输过程、同城运输过程五个阶段的轴辐式网络模型。

进一步的，所述的步骤S3中，具体步骤为：

S31：设异城运输过程中的阶段I与阶段V的碳排放量为Ce_ci，此阶段与同城运输碳排放模型相同；设快递包裹的质量为Wp，车的碳排放因子为FT_c，同城运输的总距离为Td_ci，运输中的最后一公里路程为Dl，卡电动车的碳排放因子为FE_c，快递包裹的数量为D_v，则异城运输过程中阶段I与阶段V的碳排放量为：

Ce_ci＝Wp*[FT_c*(Td_ci-Dl)+(FE_c*Dl)]*D_v；

S32：设阶段II与阶段IV的支线运输过程中的碳排放量为Ce_bl，快递包裹的重量为Wp，支线运输过程中的路程为Td_bl，卡车的碳排放因子为FT_c，支线运输的运距为D_cn，则异城运输过程中阶段II与阶段IV的碳排放量为：

Ce_bl＝Wp*Td_bl*FT_c*D_c.n；

S33：阶段III是多运输工具阶段，设该阶段干线运输过程中的碳排放量为 Ce_ml，不同干线的运程为Tr_j，运输工具的类型为i，干线的数量为j，快递包裹的重量为Wp，运输类型(如道路、空运、火车)的比例为P_i，相应的运输方式的路程为Dl_mi，相应运输方式的碳排放因子为FT_ci，从起点到终点的转移比例为 Pt_i，干线运输的运距为D_cu，则异城运输过程中阶段III碳排放量为：

S34：异城运输过程中总的碳排放量Ce_cu为：

Ce_cu＝Ce_{ci_I}+Ce_{bl_II}+Ce_ml+Ce_{bl_IV}+Ce_{ci_V}；

S35：设G_FDW为快递包装废弃物的总量，不同处置方式所占的比例为PD_i，不同生活垃圾处理方式的占比为i＝1或m，运往垃圾处理场所的运输距离为D_i，运输过程中能源消耗的碳排放因子为CEF_D，各种处理方式的碳排放因子为CEF_i，则快递包装废弃物的总碳排放量为CE_FDW为：

本发明的有益效果为：

1.本发明的一种快递包装废弃物可视化数据库系统和碳排放分析方法通过量化快递包装废弃物的产生特征与发展趋势，建立Web可视化数据界面，实现了统计快递包装废弃物的技术数据并可视化的展现统计结果的功能。

2.本发明通过现场测量、调研和模型模拟等多方法体系，明确了不同消费群体的快递包装废弃物的产生特征与发展趋势，通过探索不同情景条件下快递废弃物资源化水平和可回收类包装废弃物的环境效益，为实现区域水平可回收包装废弃物经济价值和环境效益提供了基础数据，为快递包装废弃物的3R管理提供了数据参考和政策支持。

3.本发明在结合调研，模型，数据分析基础上，运用R语言的shiny包(网页和数据库制作)建立的可视化数据库，相比较传统统计年鉴数据模式的互联网 +的数据展示形式，信息量更加丰富，展示形式更加直观，易懂。该数据库可为相关政府、企业和科研单位提供基础研究数据，包括为环保的相关部门如生态环境局和固体废弃物管理部门，以及垃圾处理企业，科研单位，包装废弃物回收单位和资源化处理企业等提供源头的产量数据。

4.本发明的数据库的开发是基于当前尚无快递包装垃圾的统计数据提出的，填补了固体废弃物类快递包装类数据的研究空白。运用多方法体系系统地，首次量化了基于不同消费者类型的同城和异城双十一前后包装废弃物的产生特征，以及不同类型包装废弃物的产量特征和可回收类包装废弃物碳减排潜力，填补了固体废弃物领域区域水平包装类废弃物量化的空白和环境效益的分析。

附图说明

图1是本发明实施例的功能框图。

图2是本发明实施例的技术路线图。

图3是本发明实施例的11月份量同年其余月份均值及总业务量堆积型图。

图4是本发明实施例的11月份量其他月份均值均产量簇型图。

图5是本发明实施例的11月份量同年其余月份均值簇型图。

图6是本发明实施例的11月份量其他月份均值堆积型图。

图7是本发明实施例的2020年至2025年数据统计和预测图。

图8是本发明实施例的城市各区数据统计图。

图9是本发明实施例的各高校数据统计图。

图10是本发明实施例的各种类包装质量统计图。

图11是本发明实施例的双十一前所有消费者的快递包装规格统计图。

图12是本发明实施例的双十一后所有消费者的快递包装规格统计图。

图13是本发明实施例的双十一前居民的快递包装规格统计图。

图14是本发明实施例的双十一后居民的快递包装规格统计图。

图15是本发明实施例的双十一前高校学生的快递包装规格统计图。

图16是本发明实施例的双十一后高校学生的快递包装规格统计图。

图17是本发明实施例的研究目的和系统边界图。

图18是本发明实施例的基于轴辐式网络模型的异城运输模式图。

图19是本发明实施例的异城快递的五个运输阶段图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

参见图1，本发明的实施例基于区域水平上的实验测量和大量调研数据，以城市居民，大学生和企事业单位工作人员产生的快递包装废弃物为研究对象，运用多种技术手段，建立城市不同类型消费者的快递包装废弃的同城和异城废弃物的现状和未来发展趋势数据，同时生成Web界面可视化数据库。本发明体现了定量研究，多方法体系，可视化界面，废物的3R管理理念等的特点，本发明所用的技术方法包括：称重法，物质流法，预测模型(灰色相关理论结合BP-ANN (后反馈神经网络)，软件是Matlab)，可视化界面分析方法(R语言中的shiny 包，ggplot2包，html和css网页制作)，具体如图2所示。

功能模块一：快递业务量

参见图3至图6，2013至2019年间11月份快递包装废弃物均高于其他月份的平均值。该功能模块通过用户所选的“月份”(Month)、“同异城”(Region)以及“图形样式”(Graphic style)以簇型或堆积型柱状统计图展示2013至2019年间某市的业务量统计数据，并通过“年份”(Year)选项查看指定年的业务量数据，方便了用户的使用体验。

功能模块二：数据库信息统计

参见图7至图9，本功能模块记录了某市从2013年到2019年的快递包装废弃物产量，以及未来五年(2020-2025年)的预测产量，并将数据细化到某市不同区块和多所高校的具体情况，数据库信息量庞大，使使用者了解更加全面。

功能模块三：近年快递包装废弃物总量成分查询

参见图10，本功能模块统计了各类快递包装废弃物的平均质量以及调研的各类废弃物总重。用户可通过“消费者类型”(Consumer)、“同异城”(Region) 和“废弃物种类”(Type of waste)这三个选项定向查询所需的产量数据，并以密度图的形式展现所选废弃物的质量分布情况。

功能模块四：近年快递包装废弃物类型统计

参见图11至图16，本功能模块通过用户在三个选项卡：“消费者种类”、“时间范围”(Date)以及“废弃物种类”的选择定向、可视化展示双11前后废弃物的组分的统计数据。

功能模块五：近年包装废弃物的分布

本数据模块通过读取用户所选的“消费者种类”、“废弃物种类”和“同异城”定向查询数据，同时以可视化地图的方式呈现出查询的到的数据。

以下对各数据特征进行分析：

(1)废弃物主要产量特征分析

①快递包装废弃物的产量

W_T＝W_c+W_u

W_T是给定年快递包装废弃物量，其中W_c代表同城快递，W_u代表异城快递。

②不同材料类型的快递包装废弃物的产量

W_p＝Wp_i*pt_i

W_pm＝Wpm_i*pt_i

W_p和W_pm分别代表的是总的包裹的重量和包装材料的重量；Wp_i和Wpm_i分别代表i类型包裹和包装废弃物的重量；pt_i代表i类型包裹的占比。

③快递包装废弃物的总产量

式中，R_ijk为不同类型包装材料的每周人均产废率，i、j、k分别代表包装废弃物的类型，快递的类型(同城和异城两种)，快递消费者的类型(大学生和居民)；λ是为消费者购买快递的比例(通过问卷调查获取)；F代表每周的点餐频率(通过问卷调查获取)；P代表人口数；H代表的是消费的假期，如居民的话，则是每年餐饮的放假时间，一般为5天左右；大学生一般为三个月90天；Y是每年的总天数，一般取365天，D是每周的天数(7天)。

(2)基于灰色理论和BP神经网络预测模型的废物产量发展趋势

本研究拟根据现状2013-2019的快递包装废弃物的产量，结合相关影响因素，运用灰色理论BP神经网络预测模型预设废物2020-2030年的产量特征。

灰色理论的应用：

①初始数据序列

假设x₀＝{x₀(1),x₀(2),x₀(3),...,x₀(n)}是参考序列，则相关数据序列如下:

x₁＝{x₁(1),x₁(2),x₁(3),...,x₁(n)}，

x₂＝{x₂(1),x₂(2),x₂(3),...,x₂(n)}，

…，

x_m＝{x₂(1),x₂(2),x₂(3),...,x₂(n)}；

②初始数据序列的标准化

x_m＝{x₂(1),x₂(2),x₂(3)，...，x₂(n)}，

③参考数据序列偏差

Δ'_i(k)＝|x'₀(k)-x'_i(k)|，Δ_i＝(Δ_i(1)，Δ_i(1)，...，Δ_i(n))，i＝1，2，...，m

④最大值和最小值的计算

⑤灰色相关系数

ξ常被用作灰色系数，ξ∈[0，1]

⑥灰色相关度的计算

γ_oi为灰色相关度，其值越大，表示自变量对因变量的贡献越大。

(3)基于SLCA的环境影响及节能减排潜力分析

①研究目的和系统边界的确定

快递包装废弃物的环境影响通常通过碳排放量来度量。碳排放量包括运输阶段，处理、处置阶段的碳排放量。快递运输阶段的碳排放量又包括异城运输和同城运输碳排放量。本发明以某市为例，基于生命周期理(LCA)理论研究发来某市的同城和异城快递包装废物生命周期阶段，即运输、处理、处置阶段的碳排放量，如图17。

②同城运输的碳排放量模型

Ce_ci＝Wp*[FT_c*(Td_ci-Dl)+(FE_c*Dl)]*D_v

式中，Ce_ci指的是同城的快递运输的碳排放量，Wp指的是快递包裹的质量，Td_ci代表同城运输的总距离，Dl指代运输中的最后一公里路程，FT_c是卡车的碳排放因子，FE_c代表了电动车的碳排放因子，D_v代表快递包裹的数量。

③异城运输的碳排放量模型

相较于同城的快递运输情况，异城的快递运输情况则复杂许多，其过程可分为五个阶段：

(1)起始城市的同城运输过程(从商家到起始城的物流中心)；

(2)支线运输过程(从物流中心到起始城对应的分拣中心X)；

(3)干线运输过程(由分拣中心X送至目的地相应的分拣中心Y)；

(4)支线运输过程(由分拣中心Y运送至终点城市的物流中心)；

(5)同城运输过程(终点城市的物流中心至客户)。

结合以上五个阶段，基于轴辐式网络模型的异城运输模式如图18所示，建立了异城运输的碳排放量模型，如下列方程式组(1)-(4)所示。

④异城运输过程中阶段1与阶段V的碳排放量：

Ce_ci＝Wp*[FT_c*(Td_ci-Dl)+(FE_c*Dl)]*D_v (1)

式(1)中Ce_ci代表异城运输过程中的阶段1与阶段V的碳排放量，此过程与同城运输碳排放模型相同。Wp指的是快递包裹的质量，Td_ci代表同城运输的总距离，Dl指代运输中的最后一公里路程，FT_c是卡车的碳排放因子，FE_c代表了电动车的碳排放因子，D_v代表快递包裹的数量。

⑤异城运输过程中阶段II与阶段IV的碳排放量：

Ce_bl＝Wp*Td_bl*FT_c*D_c.n (2)

式(2)中Ce_bl代表阶段2与阶段4的支线运输过程中的碳排放量，Wp代表快递包裹的重量，Td_bl代表支线运输过程中的路程，FT_c代表卡车的碳排放因子。

⑥异城运输过程中阶段III的碳排放量：

式(3)中Ce_ml是阶段3的干线运输过程中的碳排放量，不同干线的运程为 Tr_j，运输工具的类型为i，干线的数量为j，Wp代表快递包裹的重量，Pi代表运输类型的比例(公路、航空、铁路)，Dl_mi代表相应的运输方式的路程，FT_ci相应运输方式的碳排放因子，Pt_i是从起点到终点的转移比例，干线运输的运距为 D_cu。

⑦异城运输过程中总的碳排放量：

Ce_cu＝Ce_{ci_I}+Ce_{bl_II}+Ce_ml+Ce_{bl_IV}+Ce_{ci_V} (4)

式(3)中Ce_cu代表异城运输过程中的碳排放量。

异城运输过程包括五个阶段，以异地到某市工程大学的快递为例，如图19 所示。阶段I：区域的分支城市H1；阶段II：从H1到区域中心H2；阶段III：从本区域的中心H2到其它的区域中心如某市；阶段IV：从某市分拣中心到某区。阶段V：从某区到收到地(目的地)工程大学。

⑧快递包装废弃物总排放量

式中，CE_FDW指的是快递包装废弃物的碳排放量，G_FDW为快递包装废弃物的总量，不同处置方式所占的比例为PD_i，i＝1或m分别意味着填埋和焚烧等生活垃圾处理方式的占比，这里以某市近三年的情况为例，即以焚烧为主，辅以填埋, 即m＝2；D_i指分别运往填焚烧厂和填埋场的运输距离；CEF_D指的是运输过程中能源消耗的碳排放因子，一般为柴油；各种处理方式的碳排放因子为CEF_i。

⑨快递包装废弃物节能减排潜力

此方法结合快递包装废弃物的预测数据，进一步运用情景分析法构建多个情景如保守、适度和乐观情景分析相地于基准情景的节能减排潜力的大小。

(4)快递包装废弃物的可视化界面数据库和APP在线交易平台

本发明体现功能模块的可读性和可视化，以及数据的有效性，通过R语言程序的可视化网页制作工具，构建可视化的某市快递包装废弃物的的产量特征以及时空分布的特征数据库，前期基本部分调研数据，已经构建了该可视化数据库的部分功能。本发明的网页绘图运用了ggplot2包。另外，在网页制作中运用了html 和css，以后改进中可能会用到javascripyt。在线交易平台搭建见技术路线。

快递包装废弃物可视化数据库部分代码为：

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (10)

1.一种快递包装废弃物可视化数据库系统，其特征在于：包括业务量模块、数据库统计模块、总量成分查询模块、类型统计模块、分布统计模块；

业务量模块用于根据用户选择的月份、同异城、图形样式，以包括簇型或堆积型柱状统计图展示某地在某段时间的业务量统计数据，供用户查询指定年的业务量数据；

数据库统计模块用于记录某地在某段时间内的快递包装废弃物产量、某地在未来五年的快递包装废弃物预测产量、某地各区块在某段时间内的快递包装废弃物产量、某地各区块在未来五年的快递包装废弃物预测产量、某地各高校在某段时间内的快递包装废弃物产量、某地各高校在未来五年的快递包装废弃物预测产量；

总量成分查询模块用于统计不同类型的快递包装废弃物的平均质量和各类废弃物的总量，供用户通过消费者类型、同异城和废弃物种类三个选项定向查询所需的产量数据，并以密度图的形式展现所选废弃物的质量分布情况；

类型统计模块用于供用户通过消费者种类、时间范围、废弃物种类三个选项定向、可视化地展示某段时间内废弃物的类型的统计数据；

分布统计模块用于供用户通过消费者种类、废弃物种类、同异城三个选项定向查询数据，并以可视化地图的方式展示查询到的数据。

2.根据权利要求1所述的一种快递包装废弃物可视化数据库系统，其特征在于：

业务量模块包括阶段业务量统计模块、区域业务量统计模块、图形样式模块；

阶段业务量统计模块包括年份和月份两个过滤项，年份过滤项包括总年份和指定年两个选项；

区域业务量统计模块包括同城和异城两个选项；

图形样式模块包括簇型和堆积型两个选项。

3.根据权利要求1所述的一种快递包装废弃物可视化数据库系统，其特征在于：

数据库统计模块包括对象模块、年份模块、月份模块、区域模块、废物类型模块；

对象模块包括总对象、居民、大学生、办公人员四个选项；

年份模块包括总年份、制定年、现状、预测四个选项；

月份模块包括月均值、指定月、11月三个选项；

区域模块包括总区域、同城、异城三个选项；

废物类型模块包括纸箱、塑料袋、编织袋、纸箱或快递袋、其它五个选项。

4.根据权利要求1所述的一种快递包装废弃物可视化数据库系统，其特征在于：

总量成分查询模块包括对象模块、区域模块、可回收类模块、不可回收类模块；

对象模块包括总对象、居民、高校学生、办公人员四个选项；

区域模块包括总区域、同城、异城三个选项；

可回收类模块包括纸箱、快递袋两个过滤项，纸箱过滤项按规格包括超大、大、中、小四个选项，快递袋过滤项按规格包括大、小两个选项；

不可回收类模块包括塑料袋、编织袋、其它三个过滤项，塑料袋按颜色包括白色、红黄蓝、灰黑三个选项，编织袋按规格包括大、小两个选项，其它按规格包括大、小两个选项。

5.根据权利要求1所述的一种快递包装废弃物可视化数据库系统，其特征在于：

类型统计模块包括对象模块、时间范围模块、种类模块；

对象模块包括总对象、高校学生、居民、办公人员四个选项；

时间范围模块包括双十一前、双十一后两个选项；

种类模块包括总种类、纸箱、塑料袋、编织袋、纸箱或快递袋、泡沫、信封七个选项。

6.根据权利要求1所述的一种快递包装废弃物可视化数据库系统，其特征在于：

分布统计模块包括对象模块、废物类型模块、区域模块；

对象模块包括总对象、高校学生、居民、办公人员四个选项；

废物类型模块包括快递包装废弃物总量、可回收快递包装废弃物两个选项；

区域模块包括同城、异城两个选项。

7.根据权利要求1所述的一种快递包装废弃物可视化数据库系统，其特征在于：数据库统计模块根据同城快递W_c和异城快递W_u，计算得到给定年快递包装废弃物产量W_R为：

W_R＝W_c+W_u；

根据i类型包裹的重量Wp_i、i类型包裹的占比pt_i，计算得到总的包裹的重量W_p：

W_p＝Wp_i*pt_i，

根据包装废弃物的重量Wpm_i、i类型包裹的占比pt_i，计算得到包装材料的重量W_pm：

W_pm＝Wpm_i*pt_i；

根据不同类型包装材料的每周人均产废率R_ijk；包装废弃物的类型i，i＝1，2，…，m；快递的类型j，j＝1，2，…，n；快递消费者的类型k，k＝1，2，…，t；消费者购买快递的比例λ，每周的点餐频率F，人口数P，消费的假期H，每年的总天数Y，每周的天数D，计算得到不同消费者类型的快递包装废弃物的产量W_T为：

8.根据权利要求1所述的一种快递包装废弃物可视化数据库系统，其特征在于：数据库统计模块基于灰色理论和BP神经网络计算给定时间段的快递包装废弃物的预测产量；

设初始数据序列中x₀＝{x₀(1),x₀(2),x₀(3),...,x₀(n)}为参考序列，则相关数据序列为

将初始数据序列标准化为：

x_m＝{x₂(1),x₂(2),x₂(3),...,x₂(n)}，

参考数据序列的偏差为：

Δ'_i(k)＝|x'₀(k)-x′_i(k)|,Δ_i＝(Δ_i(1),Δ_i(1),...,Δ_i(n)),i＝1,2,...,m；

计算最大值M为：

最小值m为：

设灰色系数为ξ，ξ∈[0，1]，则灰色相关系数为：

设灰色相关度为γ_oi，其值越大，表示自变量对因变量的贡献越大，则计算灰色相关度为：

9.根据1至8中任意一项所述的一种快递包装废弃物可视化数据库系统的碳排分析方法，其特征在于：

S1：基于生命周期理论确定系统边界：通过运输、处理、处置三个阶段的碳排放量度量快递包装废弃物的环境影响，其中运输阶段包括异城运输和同城运输两个阶段；

S2：设同城的快递运输的碳排放量为Ce_ci，快递包裹的质量为Wp，卡车的碳排放因子为FT_c，同城运输的总距离为Td_ci，运输中的最后一公里路程为Dl，电动车的碳排放因子为FE_c，快递包裹的数量为D_v，则同城运输的碳排放量模型为：

Ce_ci＝Wp*[FT_c*(Td_ci-Dl)+(FE_c*Dl)]*D_v；

S3：建立异城运输的碳排放量模型为包括起始城市的同城运输过程、支线运输过程、干线运输过程、支线运输过程、同城运输过程五个阶段的轴辐式网络模型。

10.根据权利要求9所述的碳排分析方法，其特征在于：所述的步骤S3中，具体步骤为：

S31：设异城运输过程中的阶段I与阶段V的碳排放量为Ce_ci，此阶段与同城运输碳排放模型相同；设快递包裹的质量为Wp，车的碳排放因子为FT_c，同城运输的总距离为Td_ci，运输中的最后一公里路程为Dl，卡电动车的碳排放因子为FE_c，快递包裹的数量为D_v，则异城运输过程中阶段I与阶段V的碳排放量为：

Ce_ci＝Wp*[FT_c*(Td_ci-Dl)+(FE_c*Dl)]*D_v；

S32：设阶段II与阶段IV的支线运输过程中的碳排放量为Ce_bl，快递包裹的重量为Wp，支线运输过程中的路程为Td_bl，卡车的碳排放因子为FT_c，支线运输的运距为D_cn，则异城运输过程中阶段II与阶段IV的碳排放量为：

Ce_bl＝Wp*Td_bl*FT_c*D_c.n；

S33：设阶段III的干线运输过程中的碳排放量为Ce_ml，不同干线的运程为Tr_j，运输工具的类型为i，干线的数量为j，快递包裹的重量为Wp，运输类型的比例为P_i，相应的运输方式的路程为Dl_mi，相应运输方式的碳排放因子为FT_ci，从起点到终点的转移比例为Pt_i，干线运输的运距为D_cu，则异城运输过程中阶段III的碳排放量为：

S34：异城运输过程中总的碳排放量Ce_cu为：

Ce_cu＝Ce_{ci_I}+Ce_{bl_II}+Ce_ml+Ce_{bl_IV}+Ce_{ci_V}；

S35：设G_FDW为快递包装废弃物的总量，不同处置方式所占的比例为PD_i，不同生活垃圾处理方式的占比为i＝1或m，运往垃圾处理场所的运输距离为D_i，运输过程中能源消耗的碳排放因子为CEF_D，各种处理方式的碳排放因子为CEF_i，则快递包装废弃物的总碳排放量为CE_FDW为：

Images