1 引言(Introduction)

没有塑料的世界似乎不可想象, 但是随着塑料产品大量广泛使用, 世界大多数国家产生的塑料垃圾占城市固体废弃物比例(占比)已由1960年的1%提高到2005年的10%.据估算, 1950—2015年世界塑料垃圾产量由200×10⁴ t增加到3.8×10⁸ t, 年增长率高达8.4%(Geyer et al., 2017).不幸的是由于城市固体废弃物管理不善, 仍有大量塑料垃圾进入空气、土壤和水环境, 并在环境中老化破碎、渗漏、甚至传输到生物圈(Vethaak et al., 2016; Ivleva et al., 2017).据估算, 2015年世界进入环境中的城市塑料垃圾高达6000×10⁴ t~9900×10⁴ t.由于城市塑料垃圾自身含有一些有害化学成分、且容易携带污染物和病原微生物, 因此其老化破碎产生的微塑料和纳米塑料可能对生态系统和人类健康造成严重危害(Thompson et al., 2005; Vethaak et al., 2016), 正日益成为全球研究的焦点和热点问题(Rochman et al., 2013).中国是世界上最大塑料生产和消费国, 仅2016年便生产塑料产品8120×10⁴ t, 占世界塑料产量的29%(Wang et al., 2019).中国也是世界上城市塑料垃圾环境排放最高的国家(Jambeck et al., 2015; Lebreton et al., 2017), 对我国甚至世界的生态环境具有很高的潜在风险.随着我国经济和城市化水平的快速提高, 未来塑料生产可能进一步翻翻, 由此带来的生态环境问题已经引起了国内外的高度关注(Rochman et al., 2013; Who, 2013; Zheng et al., 2019).

世界范围内关于城市塑料垃圾占比和产量的研究并未得到高度重视, 导致对塑料垃圾的生态环境影响评估并不准确(Jambeck et al., 2015; Lebreton et al., 2019).目前, 城市塑料垃圾数据的缺乏和可获得的城市塑料垃圾数据的可靠性是城市生活垃圾规划、分类技术实施、支撑塑料垃圾管理信息系统运用所面临的挑战.从源头上消减城市塑料垃圾是减少塑料污染的重要、有效的途径(Who, 2013; Jambeck et al., 2015).从源头消减塑料垃圾需要掌握大量城市塑料垃圾占比、影响城市塑料垃圾产量的数据, 从而为准确预测未来城市塑料垃圾产量及其变化趋势(Jambeck et al., 2015; Geyer et al., 2017)、为城市生活垃圾的收集、运输、处理处置及管理规划提供重要的决策支持.因此, 城市塑料垃圾产量模拟预测的研究对于防治塑料垃圾的污染及危害具有重要的理论和现实意义.

由于城市生活垃圾的产生是一个集社会、经济和环境因素于一体的系统, 其产量受多种因素的影响, 因素间相互影响, 共同决定了城市生活垃圾的产量(Pan et al., 2019).作为城市生活垃圾一部分的城市塑料垃圾也受到类似因素的影响, 但是塑料垃圾产生也有其自身特点, 因此识别塑料垃圾产生的影响因素是模拟城市塑料垃圾产量的最重要挑战之一(Zhang et al., 2019).目前, 已有的研究多关注城市生活垃圾产生的影响因素, 专门针对城市塑料垃圾产生的影响因素的研究较少.国内外关于城市生活垃圾产生影响因素的研究成果可为城市塑料垃圾产生影响因素的研究提供很好的借鉴.国外研究表明, 塑料垃圾产量主要受到人均塑料使用量、社会经济和人口因素的影响.人均塑料使用量通常与当地GDP成正比(Hoornweg et al., 2013), GDP高的国家(例如美、日、欧等)人均塑料使用量一般较高、因而塑料垃圾产量也高(Hussain et al., 2014)；但即使人均塑料使用量相对较低、但人口密度很高的国家(例如印度或中国)仍然可以产生大量的塑料垃圾(Lebreton et al., 2019).另外, 城市化水平、工业化程度(Eriksen et al., 2013; Yonkos et al., 2014)和城市垃圾管理方式(Jambeck et al., 2015; Lebreton et al., 2017)均对塑料垃圾产量具有显著影响.今后亟需加强对城市塑料垃圾产量影响因素的研究, 以便为城市塑料垃圾产量的建模奠定良好的基础.

尽管目前国际通常采用城市生活垃圾年产量与城市塑料年占比的乘积计算城市塑料垃圾产量, 没有其他特定针对城市塑料垃圾产量的模拟模型, 但城市塑料垃圾产量的模拟仍可借鉴城市生活垃圾组成和产量的常用模拟方法、例如时间序列模型、系统动态方法、回归分析方法和人工神经网络模型(ANN)等(Ayvaz-Cavdaroglu et al., 2019).时间序列模型以大量的历史数据为基础, 而系统动态方法依赖于建立垃圾产量和社会经济等参数间的因果关系进行建模(Kollikkathara et al., 2010).由于建模单元之间的异质性, 因而按市级、县级和家庭各户等不同分类级别收集的垃圾产量数据存在很大差异.时间序列模型和系统动态建模都集中于单个复合区域的垃圾产量变化, 而没有考虑包含多个区域垃圾数据的差异性(Kannangara et al., 2018).多元线性回归(MLR)可建立社会经济变量与不同分类级别收集的垃圾产量间的关系模型(Monavari et al., 2013).ANN能够模拟社会经济变量与垃圾产量的非线性行为, 比MLR模型具有更好的预测生活垃圾产量的能力, 因此越来越多地用于生活垃圾产量建模(Jahandideh et al., 2009).以上模型是否适合城市塑料垃圾产量的模拟预测是一个需要探讨的科学问题.根据国内外塑料垃圾的特点和影响因素的研究, 本研究拟同时采取MLR模型、灰色系统模型(GM(1, 1))和BP神经网络模型, 开展城市塑料垃圾产量模拟预测及其影响因素的对比分析, 以便筛选出较准确模拟预测城市塑料垃圾产量的模型.另外, 无论在国家层面还是地区层面, 未来城市塑料垃圾占比和产量的变化皆具有很大的空间异质性(Lebreton et al., 2019), 因此对特殊、重要城市塑料垃圾的研究十分必要.

北京是我国超大型中心城市, 是政治、文化、国际交往、科技创新的中心.2017年城镇化率为86.50%, 城市生活垃圾产量由1978年的104×10⁴ t急剧增加到2017年的873×10⁴ t, 增加了8.4倍.随着北京市城市化、社会经济和人口的快速发展, 其城市垃圾组分也经历了显著的变化.1990年以前, 城市生活垃圾中塑料垃圾很少, 但随着北京人口增加, 旅游业发展, 居民的日常生活中消耗了大量的塑料制品, 大部分在短期使用后被丢弃, 增加了处理和处置塑料垃圾的数量(周翠红, 2004; 王桂琴等, 2018).至今仍未针对北京城市塑料垃圾占比及其产量开展定量研究.本研究在大量收集北京城市生活垃圾产量、塑料垃圾组分(即塑料垃圾占比)、社会经济和人口等数据的基础上, 首次采用AIC模拟预测了北京市城市塑料垃圾占比的变化趋势, 采用灰关联度法筛选北京城市生活垃圾和塑料垃圾产量的影响因素, 最后分别利用多元线性回归、灰色系统GM(1, 1)模型和BP神经网络模型对北京城市塑料垃圾产量进行了科学合理地模拟预测, 并与城市垃圾产量与塑料垃圾占比的乘积的计算结果进行对比, 获得了北京市城市塑料垃圾产量的最佳模拟预测结果.本研究可为北京城市塑料垃圾的规划管理与防控、处理处置与资源化利用提供重要的理论依据和决策支持.

2 材料与方法(Materials and methods) 2.1 研究数据来源

本研究以历年城市生活垃圾清运量代表城市生活垃圾产量, 因为城市生活垃圾清运量与城市生活垃圾产量呈正比, 一定时期内的比例系数为常数, 因此可以等效替代(徐礼来等, 2013).2000年前北京城市生活垃圾产量统计数据为车吨位的估计值, 误差很大, 2000年以后城市生活垃圾产量为实际测量值.为提高研究结果的准确性和可靠性、减少误差, 本研究仅选择2000—2018年的北京城市生活垃圾的实际测量值作为模型模拟数据, 开展北京城市塑料垃圾产量的预测建模、模拟和验证研究.由于无官方公布统计数据, 北京市城市塑料垃圾占城市生活垃圾的比例(城市塑料垃圾占比)数据来源于已公开发表的中英文科技文献.按照文献报道的结果能代表整个北京城市塑料垃圾特征的原则, 筛选获得1989—2012年北京城市塑料垃圾占比数据(王维平等, 2001; 黄凯等, 2002; 裴成虎, 2003; 荣波等, 2004; 周翠红, 2004; 刘竞, 2006; Zhen-Shan et al, 2009; 姜薇, 2009; 王伟等, 2009; 贾子利, 2011; 李春芸, 2015; 王桂琴等, 2018), 结合2000—2012年北京城市生活垃圾产量计算2000—2012年北京城市塑料垃圾产量.通常, 由城市生活垃圾产量与城市塑料垃圾占比的乘积可计算城市塑料垃圾产量.城市生活垃圾产量数据和人口、旅游、人民生活水平等影响因素数据来源于历年《北京市统计年鉴》(2000—2018年).

2.2 城市塑料垃圾占城市生活垃圾的比例(占比)的年变化趋势模拟

根据以往城市塑料垃圾增长预测研究(Jambeck et al., 2015), 建立城市塑料垃圾占比年增长值的4种模型(常数、一阶、二阶和对数模型), 以赤池信息量准则(Akaike Information Criterion：AIC准则)判定最佳拟合模型, 获得城市塑料垃圾占比的年变化趋势.

2.3 城市塑料垃圾年产量的影响因素灰关联度分析

本研究参考城市生活垃圾的影响因素, 对影响城市塑料垃圾产量的影响因素进行筛选.城市生活垃圾的影响因素一般划分为3类(向盛斌等, 1994; 王超, 2011)：个体因素、社会因素和内在因素.个体因素表现在个体生活习惯等方面.社会因素是外部、间接性的影响因素, 主要包括社会行为准则、社会道德规范等.由于社会因素与个体因素的不可预见性, 且影响程度难以计算, 因此不列入预测模型中.内在因素如城市经济发展状况和当地消费水平可直接导致垃圾产量变化, 其中GDP、城市人口、城市道路、绿地、人均消费支出等社会经济因素应用最为广泛(Liu et al., 2011).基于前人的研究和北京城市垃圾的实际情况, 本研究选择常住人口、GDP、第三产业产值、人均消费性支出、城市绿化覆盖率、旅游人口等17项作为北京城市塑料垃圾产量的影响因素.在全球范围尺度上, 就业因素与垃圾产量具有显著的相关性, 但在特定省份或地方范围尺度上, 其相关性减弱(Keser et al., 2011), 因此没有纳入模型.

2.4 城市塑料垃圾年产量模拟预测及精度验证

为避免单一模型对城市塑料垃圾产量的预测缺乏准确性, 根据数据特点, 选择城市生活垃圾年产量与城市塑料垃圾年占比的乘积(乘积法)、多元线性回归模型(MLR)、GM(1, 1)灰色系统模型和BP神经网络模型分别对北京城市塑料垃圾年产量进行模拟预测.研究主要包括3个部分：

① 基础数据收集, 明确城市生活垃圾和城市塑料垃圾年产量的影响因素的取值.

② 建立多元线性回归模型(MLR)、灰色系统模型GM(1, 1)模型和BP神经网络模型, 对北京城市生活垃圾和塑料垃圾年产量进行模拟预测, 相关模型及参数分别见2.4.1节、2.4.2节和2.4.3节.

③ 通过对比城市生活垃圾年产量与城市塑料年占比的乘积(下文简称“乘积法”)估算的城市塑料垃圾年产量与以上各模型模拟获得的城市塑料垃圾的年产量的多个精度指标(见2.4.5节), 确定最优模拟预测模型.

2.4.1 多元线性回归模型(MLR)

基于灰色关联度排序后筛选出城市塑料垃圾年产量的影响因子, 用MLR(式(1))进一步统计分析, 建立城市塑料垃圾年产量与16个影响因子的模型.

(1)

式中, y为城市塑料垃圾年产量, x_i(i=1, 2, 3…n)为灰关联度筛选出的n个影响因素(本研究中n=5).在SPSS19.0软件中完成统计分析.

2.4.2 灰色系统模型(GM(1, 1))

对原始城市塑料垃圾年产量X₀(k)序列进行一次累加, 降低预测数据序列的噪声, 得到新序列X₁(k), 通过紧邻均值生产构建矩阵, 进一步通过最小二乘估计得出模型的参数.具体操作在DPS软件中完成.

2.4.3 BP神经网络模型

人工神经网络是一个复杂的非线性动态系统, 具有很强的自适应、自组织和自学习能力, 可以对任何非线性关系进行建模, 是预测短、中、长期城市生活垃圾产量的重要工具之一(Keser et al., 2011).典型的BP模型有三层网络结构：输入层、隐含层和输出层, 每一层由许多神经元接点组成, 上层和下层节点由权值连接.在MATLAB软件中完成BP神经网络的建立和训练.

2.4.4 乘积法估算城市塑料垃圾年产量

根据已有北京城市生活垃圾年产量预测的研究(周翠红, 2004; 高会苗等, 2014), 基于灰关联度筛选影响因素, 拟合2019—2050年北京城市生活垃圾产量, 进一步与对应城市塑料垃圾占比相乘, 计算2019—2050年城市塑料垃圾年产量.

2.4.5 模型精度验证

为了评估本研究不同模型的预测精度, 假设塑料垃圾年产量原始值为X_obs, 塑料垃圾年产量拟合值为X_sim, 计算以下4个精度指标：

① 平均绝对百分比误差(MAPE), 见式(2), 广泛使用于预测精度.

(2)

② 平均绝对偏差(MAE), 见式(3).

(3)

③ 均方根误差(RMSE), 见式(4).

(4)

④ 标准均方根误差(NRMSE), 见式(5).

(5)

本研究n=13, 以上4个精度指标越接近于0, 表示预测精度越高.不同精度检验方法有其自身的优点和局限性, 没有一个单一验证方法在所有情况下都通用(Abbasi et al., 2016), 因此同时应用几个精度检验方法可提高研究的准确性.

3 结果和讨论(Results and discussion) 3.1 北京城市塑料垃圾占比的年变化及趋势

1989—1996年北京城市塑料垃圾占比由1.88%增加到13.42%, 增加了6倍, 1996—2012年在10%~14%之间波动(图 1a).城市塑料垃圾占比增长主要由于塑料制品替代了一些较重的材料例如玻璃、金属等导致.根据AIC准则, 对数增长是1989—2012年塑料垃圾占比的最佳拟合模型(AIC=17.6, 标准误差0.06%).对数增长模拟结果表明, 2013—2050年北京城市塑料垃圾占比的增长趋势比较平缓, 基本稳定在14%~19%, 到2020、2025、2035、2050年塑料垃圾占比将分别增加至15.71%、16.4%、17.9%和18.9%(图 1b).

北京城市塑料垃圾占比与世界上其他国家的城市塑料垃圾占比比较接近, 例如约旦(16%)(Bani-Melhem et al., 2018)、毛里塔尼亚(20%) (Njoku et al., 2019)、日本东京(17%) (Babalola, 2019)的城市塑料垃圾占比, 但远高于纽约(12%)(Johnson et al., 2017)、威尔士(9%)(Dastjerdi et al., 2019)、墨西卡利(6%)(Saucedo Martinez et al., 2019)和爱尔兰(9%)(Zavodska et al., 2014)的城市塑料垃圾占比.城市塑料垃圾占比大幅度上升趋势与过去50年高收入国家的城市塑料垃圾占比变化趋势相一致(Ferronato et al., 2019).由于再生资源回收行业进入阶段性低谷, 同时随着快递物流等服务业的飞速发展, 因此未来城市塑料垃圾占比仍会保持增长的态势.鉴于过去和未来北京城市塑料垃圾占比呈增长趋势, 为增加塑料资源的再生资源化利用、减少塑料垃圾的二次污染, 北京应尽快实施城市生活垃圾分类收集, 提高城市生活垃圾焚烧处理的比例.

3.2 北京城市生活垃圾与塑料垃圾年产量变化及其影响因素

2000—2012年北京城市塑料垃圾年产量持续增长, 年均增长6.8×10⁴ t.2000—2006年北京城市塑料垃圾年产量与城市生活垃圾年产量保持同步增长, 2006年以后城市塑料垃圾年产量增长速率远高于城市生活垃圾(图 1), 出现城市塑料垃圾年产量和城市垃圾年产量变化“脱钩”的现象, 欧盟、美国等国家也出现类似现象(Tsiamis et al., 2018).“脱钩”现象主要由于塑料制品替代了其他材料增加了消费市场中塑料产品数量, 而近年来再生资源回收行业进入阶段性低谷导致城市塑料垃圾产量增加(王桂琴等, 2018).北京城市塑料垃圾增加与城市生活垃圾中的玻璃和金属的减少相吻合(周翠红, 2004).在“八五”期间北京城市生活垃圾年产量快速增长, 但在2002年后增长趋势放缓(裴成虎, 2003), 但从“八五”开始, 北京城市塑料垃圾年产量却一直呈显著上升趋势, 因此二者的年际增长情况并不一致.

由表 1可知, 2000—2012年北京城市生活垃圾年产量主要受经济发展状况GDP(0.8941)、生活消费水平的生活服务支出(0.7991)和城市人口的城镇常住人口(0.9017)影响, 其中城市经济发展状况GDP和城镇常住人口对北京城市生活垃圾年产量产生正向影响, 与前人的研究结果一致(刘竞, 2006; Khan et al., 2016).2000—2012年间影响北京城市塑料垃圾年产量各因素的灰关联度由大到小依次是：GDP(0.9183)>城镇人均可支配收入(0.8982)>公园绿地面积(0.8452)>国内旅游收入(0.8331)>人均GDP(0.8007)>人均消费性支出(0.7995)>第三产业(0.7876)>城镇居民消费水平(0.7677)>国内旅游人口(0.6948)>城镇常住人口(0.6417)>生活服务支出(0.6379)>城市绿化覆盖率(0.6127)>教育及娱乐服务支出(0.5913)>衣着(0.5623)>旅游人口(0.5482)>食品(0.5261).根据同类影响因素的灰关联度最大的原则, 筛选出对城市塑料垃圾年产量影响最大的5个不同类因素：GDP、城镇人均可支配收入、公园绿地面积、国内旅游收入和城镇常住人口, 它们分别表征城市的经济发展状况、生活消费水平、建设水平、旅游业状况和人口规模.

城市生活垃圾和城市塑料垃圾年产量的影响因素不仅存在共性, 也存在个性.在经济发展状况和城市人口方面, GDP和城镇常住人口对城市生活垃圾和城市塑料垃圾年产量产生较大的正向影响.在生活消费水平方面, 生活服务支出和人均可支配收入对城市生活垃圾年产量产生较大影响, 城市建设水平和旅游状况对城市生活垃圾年产量的影响较低(关联度小于0.6), 但对城市塑料垃圾年产量影响较高(关联度大于0.7).

通过三维图进一步分析了2000—2012年筛选的5个因素与北京城市塑料垃圾年产量间的关系(图 2).随着人均可支配收入和国内旅游收入的增加, 北京城市塑料垃圾年产量(z轴)随之增加(图 2a)；同样, 随着常住人口、GDP和公园绿地面积的增加, 北京城市塑料垃圾年产量亦呈增加趋势(图 2b, 2c).

2000—2012年间北京的GDP由3213亿元增加至17879亿元, 增加了约6倍.GDP的增加表明, 经济的繁荣发展、消费活动增加和商业扩张(王超, 2011)、塑料制品大量使用是导致该期间北京城市塑料垃圾产量快速上升的重要因素(图 3a).

城市生活消费水平中的城市人均可支配收入是消费开支中最重要的决定性因素.北京城镇人均可支配收入从2000年的10350元增加到2012年的40306元, 平均每年增长22.3%.随着可支配收入增加, 居民购买和消费塑料制品的比重增加, 从而导致城市塑料垃圾产量增加(Khan et al., 2016).已有研究表明家庭收入与城市塑料垃圾产量呈正相关(Qdais et al., 1997), 当人均可支配收入低时, 人们更倾向于重复利用塑料袋等塑料制品、减少消费性支出, 因而塑料垃圾产量较低.城市生活消费的食品和衣着对塑料垃圾产量的影响程度较低, 可能由于食品支出产生的塑料包装垃圾的量相对于食品垃圾的产量要少、而衣着消费支出产生的垃圾量存在不确定性和时间上的滞后性, 因此它们对城市塑料垃圾产量的影响并不显著.

城市建设方面, 虽然北京城市公园绿地面积增加导致对绿化区的清扫保洁力度增大, 提高了园林垃圾产量(王超, 2011), 但相对其他因素而言, 园林垃圾对塑料垃圾产量影响较低、灰关联度值较小.

城市旅游业发展状况中, 国内旅游收入高于其他因素.历年来, 北京旅游业发达, 旅游活动频繁, 2000—2012年间国内旅游人口占旅游总人口的百分比稳定在97%左右, 国内旅游收入由496亿增加到3301亿, 增加了约6倍.国内旅游收入越多意味着越多的旅游人口和消费, 导致塑料垃圾年产量越高；另一方面, 旅游人口带动了服务业的发展, 旅游景点、酒店、和饭店等产生并丢弃大量塑料垃圾.但是, 也有研究表明, 由于旅游业具有地域性特征、且北京旅游旺季时间有限, 因而旅游业对北京城市塑料垃圾产量的影响程度较低.

值得注意的是, 已有研究表明(Liu et al., 2011), 城市人口是影响城市塑料垃圾产量的主要社会经济因素, 人口规模越大, 塑料制品使用量越高, 塑料垃圾产量越多.但本研究应用灰关联度的分析结果表明, 常住人口对北京城市塑料垃圾年产量的影响仅排第十位.2004—2012年间北京常住人口中外来常住人口增加, 导致家庭规模(每个家庭的人数)组成发生变化, 其中1~2人户比重增加, 由2004年39.6%增加至2018年的53.9%, 3~4人户比重降低, 由2004年52.5%下降至2018年的36.8%.家庭规模与每日塑料垃圾人均产量呈负相关(何德文等, 2005), 其对塑料垃圾年产量具有显著的负相关.在家庭共同的消费情况下, 家庭规模增加, 人均垃圾产量反而降低, 因此常住人口灰关联度值较小, 人口增长不是影响北京城市塑料垃圾产量的最关键因素.

3.3 北京城市塑料垃圾年产量的多种模型预测结果及比较

由图 3可知, MLR、GM(1, 1)、BP神经网络模拟2013—2050北京城市塑料垃圾年产量和由最优的MLR模型模拟的城市生活垃圾年产量与AIC模拟预测城市塑料垃圾占比(图 1b)的乘积计算的塑料垃圾年产量(即“乘积法”)均呈逐年递增的趋势, 其中GM(1, 1)模型预测的结果较大, MLR的预测值最小.GM(1, 1)和BP神经网络预测的2018—2035年北京城市塑料垃圾年产量的结果大致相近, 但是GM(1, 1)模型预测的2035年之后北京城市塑料垃圾的年产量逐渐高于其他模型的预测值.GM(1, 1)模型预测法避免了传统方法的固有缺陷, 对数据不完整、数据量较少的模拟预测效果较好, 但对于长期的预测, 其精度会下降, 因此对2035—2050年的预测结果远高于其他模型.由“乘积法”计算的城市塑料垃圾年产量与用MLR模拟预测的城市塑料垃圾年产量接近, 但低于BP神经网络模型的预测值.

2000—2012年间北京城市塑料垃圾年产量呈显著增长趋势(图 3).利用MLR模型对2000—2012年北京城市塑料垃圾年产量的拟合程度较好, 但从历史数据中得到的线性预测趋势可能受随机性和数据序列短的限制, 因此长期预测结果偏差可能会增大.由于BP神经网络模型在训练过程通过从数据序列的结构模式中获取经验来预测时间序列, 因此, 其预测结果的变化趋势与实际值的变化趋势接近.

根据预测模型精度指标排序：BP>GM(1, 1)>MLR>乘积法, BP神经网络是预测北京城市塑料垃圾年产量最准确的模型(表 2).模拟结果表明, BP神经网络模型拟合训练样本的相对误差最小为0.03%, 最大为17.81%, 平均相对误差为3.66%, 小于10%(张博, 2008), 因而可认为本研究的预测模型达到了高精度的预测水平.BP神经网络模型的MAPE、MAE、RMSE和NRMSE分别为3.67%、2.70、3.52和0.04.

由BP神经网络模型对北京城市塑料垃圾产量的短期和长期预测(图 3)表明：2013年以后北京城市塑料垃圾年产量随时间呈不规则的非线性增长趋势, 其中2013—2030年呈增长趋势, 2030—2040年在450×10⁴~650×10⁴ t范围内波动, 2040年后逐步上升.2050年北京城市塑料垃圾年产量(859×10⁴ t)分别是2000年(40.23×10⁴ t)、2018年(149×10⁴ t)和2035年(488×10⁴ t)的21倍、6倍和2倍, 平均每年增长16×10⁴ t, “十三五”规划期间(2016—2020年)平均增长率为10%.如果未来北京对塑料垃圾管理策略发生变化(如加强“3R”(减少原料(reduce)、重新利用(reuse)和物品回收(recycle))处理技术), 可能会影响塑料垃圾产量的预测.但目前, 我国城市塑料垃圾由非正规部门回收, 并没有在国家尺度上估算塑料垃圾的回收、再利用和减少的总量.因此, 虽然“3R”处理技术对塑料垃圾产量具有显著的影响, 但由于缺乏数据, 无法将其纳入塑料垃圾产量的预测中.

北京城市塑料垃圾年产量持续上升对垃圾物资回收系统提出了需求, 目前北京市生活垃圾的物资回收系统还不健全, 因此塑料垃圾产量与回收量之间有较大差距, 塑料垃圾很大部份没有得到收集、回收或处置.据统计, 目前已产生的塑料垃圾中79%被填埋或倾倒在环境中, 12%被焚烧, 只有9%被回收(Njoku et al., 2019).被填埋的塑料垃圾难以降解, 可对环境造成危害, 而资源化回收利用和热转化技术可以减少塑料的总体污染和碳足迹.总体上, 全球垃圾处理包括3类, 一类是人少地多, 例如美国、澳大利亚和加拿大等国, 垃圾处理以填埋为主导；第二类人口密集、土地面积小的国家多以焚烧为主；第三类是那些垃圾循环利用率较高的国家, 则与它们垃圾结构中的餐厨食物较少有关(何德文等, 2005).就典型城市和国家而言, 东京生活垃圾处理方式的比例已经趋于稳定, 其中焚烧处理的比例高达75%, 资源化回收利用占20%, 填埋仅占3%；伦敦垃圾焚烧、回收和填埋的比例分别为40%、30%和30%(Zavodska et al., 2014), 挪威和丹麦焚烧处理率分别为80%和75%.对比发现, 北京作为人多地少的超大城市, 2018年北京城市生活垃圾填埋比例高达50%, 焚烧处理占35%, 塑料垃圾处理方式尚未转变为以焚烧为主导、填埋为终端处理的模式.因此, 由于塑料垃圾占比和年产量的上升, 今后对北京城市垃圾的源头分类收集将成为必然, 未来应对城市生活垃圾处置方案进行合理的优化——加强塑料垃圾适用的焚烧处理设施的规划和建设, 增加城市生活垃圾焚烧处理的比例, 从而减少城市塑料垃圾填埋导致的二次污染.

4 结论(Conclusions)

1989—1996年北京城市塑料垃圾占比上升速度较快, 1996—2012年在10%~14%之间波动, 模型预测结果表明2012—2050年北京城市塑料垃圾占比增加平缓, 稳定在14%~20%之间.近年来北京城市塑料垃圾年产量呈持续增长的趋势, 2000—2012年北京市城市塑料垃圾年产量由40×10⁴ t上升至121×10⁴ t, 年均增长6×10⁴ t.GDP、人均可支配收入、公园绿地面积、国内旅游收入和常住人口是影响北京城市塑料垃圾年产量的最主要社会经济因素, 其中GDP的影响远高于其他因素, 但常住人口的影响没有以往的研究结果高.BP神经网络模型模拟预测的北京城市塑料垃圾年产量的精度和准确率高于GM(1, 1)、MLR模型和“乘积法”.基于BP神经网络模拟预测2013年以后北京城市塑料垃圾年产量随时间呈不规则的非线性增长趋势, 其中2020、2025、2035和2050年北京城市塑料垃圾产量分别达198×10⁴、335×10⁴、488×10⁴和859×10⁴ t, 将对北京城市生活垃圾处理处置与防控管理带来巨大挑战.