AI驱动城市废塑治理：迈向零废弃目标的创新路径

管控城市生活塑料垃圾（MLPW）在收运、再生及处置阶段遭遇了复杂的系统性难题，必须兼顾资源循环、环境降碳及经济效益等多重目标。然而，实际操作中，评估的可靠性常因底层数据缺失及测量偏差而大打折扣。针对此瓶颈，东南大学曹世杰教授团队研发了一种AI增强型评估框架，旨在为城市级MLPW精细化管理提供关键数据支撑，并探寻其低碳与经济双赢的最优实施策略。

本研究重点在于融合实地测量与机器学习算法，构建高可信度的底层物质流数据库，并在统一系统边界内耦合生命周期评价与成本效益分析。团队以超大城市南京为例，通过系统性采样及差示扫描量热法（DSC）获取详尽的塑料成分与流向数据。随后，利用人工神经网络（ANN）模型对实测数据进行独立交叉验证、缺失值填补及显式不确定性传递，有效解决了传统研究中的数据失真问题，保障了环境与经济核算的科学性。

图1评估框架流程图。该图展示了研究全貌。以城市为分析单元，工作流遵循“数据—情景—评估—决策”链条。MLPW：城市生活源废塑料，MSW：城市生活垃圾，GHGs：温室气体。

图2南京市MLPW产生与回收的物质流。该图展示了材料构成及全流程去向。左侧不同颜色代表聚合物类型，右侧流向代表处理路径。粉色代表焚烧，绿色代表机械回收，前缀“r”代表回收材料。

多情景模拟与系统评估验证了该框架的应用价值。结果显示，将源头减量、生物基替代与高质量回收进行系统整合，能产生显著的减排与经济协同效应。在最佳组合情景下，至2060年，该市塑料垃圾处理年温室气体排放量较基准线大幅骤降96.3%。在2020至2060年评估期内，该最优路径可累计减排22.22百万吨二氧化碳当量，并创造约1977亿元净经济效益。此外，研究证实，在当前技术下，机械回收凭借约108 kg CO2-eq/t的低排放强度和约613.9 CNY/t的高经济回报率，是近中期最具成本效益的首选治理手段。

图3 2020至2060年不同情景下MLPW处理的预测碳排放量。S0情景（黑线）代表自2035年起MLPW保持1.5%增长率。左图（S1）和右图（S2）分别代表自2035年起增长率降至1%和0%，并结合生物材料替代（R）和回收利用（U）措施的各种组合曲线。

图4 2020至2060年不同情景下MLPW管理的全生命周期净经济效益。S0情景代表城市生活塑料垃圾（MLPW）至2035年保持1.5%增长率（黑线）。S1（左图）和S2（右图）情景代表自2035年起MLPW增长率分别为1%和0%，并结合生物材料替代（R）和回收利用（U）措施。

图5 MLPW管理的成本效益分析。展示各情景的经济成本、效益及其在碳减排方面的潜力。

这项研究不仅为城市生活塑料垃圾的综合治理提供了一套务实的方法论，也为废弃物管理政策制定提供了坚实的定量依据。研究建议，决策者应将源头减量和循环设计作为长期约束，在优先升级机械回收设施的同时，通过靶向示范项目稳步推进化学回收技术。未来，这种低数据依赖且具备高度可迁移性的AI增强框架可进一步拓展至其他城市固废子系统，为全球“零废弃城市”建设中的政策优先级筛选、设施空间布局规划与财政预算治理提供强有力的技术支撑。

论文信息：

Ziyang Wang, Shen Yang, Junqi Wang, Shi-Jie Cao. AI-Enhanced Assessment Framework for City-Scale Management of Municipal Living Plastic Waste Towards Zero-Waste Cities. Engineering.

开放获取：

https://doi.org/10.1016/j.eng.2026.03.009