论文标题：AI-Enhanced Assessment Framework for City-Scale Management of Municipal Living Plastic Waste Towards Zero-Waste Cities

期刊：Engineering

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

微信链接：点击此处阅读微信文章

管理城市生活塑料垃圾（MLPW）在收集、回收和处理环节面临着复杂的系统级挑战，需要同时兼顾资源循环、环境减排和经济效益等多重目标。然而，在实际管理中，稳健的评估往往受阻于底层数据匮乏和测量不准确，这极大地削弱了评估模型在地方决策中的可靠性与可迁移性。为了克服这些局限，东南大学曹世杰教授团队提出了一种人工智能（AI）增强的评估框架，旨在为城市规模的MLPW精细化管理提供关键的数据支撑，并探索优化其低碳与经济双重绩效的最佳实施路径。

该研究的核心在于通过融合现场实测与机器学习算法，构建高置信度的底层物质流数据库，并在统一的系统边界内耦合生命周期评估与成本效益分析。研究团队以超大城市南京为例，通过系统性的现场采样和差示扫描量热法（DSC）获取了详实的塑料成分与流向数据。随后，运用人工神经网络（ANN）模型对实测数据进行独立的交叉验证、缺失值插补以及显式的不确定性传播，有效克服了传统研究中数据失真的问题，确保了环境与经济核算结果的科学性。

图1评估框架的流程图。该图展示了整个研究的框架。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。该图展示了材料组成和端到端的去向。图的左侧用不同颜色代表聚合物类型，右侧的流向代表处理路径。粉色代表焚烧，绿色代表机械回收，前缀“r”代表回收的材料。

多情景模拟分析与系统评估展示了该框架的应用价值。结果表明，将源头减量、生物基材料替代与高质量回收进行系统整合，能够产生显著的减排与经济协同效益。在最佳组合情景下，到2060年，该市塑料垃圾处理的年度温室气体排放量较基准线可大幅骤降96.3%。在2020至2060年的评估期内，该最优路径可累计实现22.22百万吨二氧化碳当量的减排，并创造约1977亿元人民币的净经济效益。此外，研究证实，在当前技术条件下，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路径。

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继续保持1.5%的增长率。左图（S1）和右图（S2）分别代表自2035年起增长率降为1%和0%，并结合了生物材料替代（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）到2035年继续保持1.5%的增长率（黑线）。S1（左图）和S2（右图）情景代表自2035年起MLPW的增长率分别为1%和0%，并结合了生物材料替代（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切实可行的方法论，也为废弃物管理政策的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基础设施的同时，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应用于其他城市固废子系统，为全球“无废城市”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