通过空间与技术协同配置实现动力电池可持续回收（Sustainable Battery Recycling through Spatial and Technological Alignment）

《Nature Sustainability》：Sustainable battery recycling through spatial and technological alignment

　　

报废(end-of-life, EOL)动力电池回收对可持续能源转型至关重要，但现有回收体系常受空间错配、技术错配及政策错配制约，环境效益未能充分发挥。本研究提出一个多尺度分析框架，集成机器学习(machine learning)、生命周期评价(life-cycle assessment, LCA)与空间综合情景模拟(spatial integrated scenario modelling)，用以评估电池回收体系的环境足迹与环境负荷及资源回收潜力。该框架可实现对电池退役趋势的高分辨率预测、回收工艺技术评估及供需策略优化。以中国为案例，研究人员分析了364个城市、涉及24种电池化学体系(battery chemistries)的300余个回收项目中的EOL电池流向。结果表明，2020–2030年间EOL电池总量达16.67–19.99 Mt，呈现东北—西南—西北的热点迁移格局；省际协调可使处理产能利用率提升67.12%，但无法完全消除EOL电池供给与可用处理产能间的空间错配。优化情景显示，供需规划可使排放降低最高44%、锂(lithium, Li)回收率提高53%。本研究为设计低碳高效电池回收体系提供了可推广的工具，助力循环经济(circular economy)与能源转型。

论文解读：通过空间与技术协同配置实现动力电池可持续回收

研究背景与意义

随着全球电动汽车(electric vehicles, EVs)规模化推广，中国已成为全球最大EV生产国与消费国，锂离子动力电池(lithium-ion batteries, LIBs)产量占全球70%以上。当电池容量衰减至初始值的70%–80%时即面临退役，预计将形成巨量报废(end-of-life, EOL)动力电池流。关键金属锂(lithium, Li)、钴(cobalt, Co)、镍(nickel, Ni)对外依存度高（分别>85%、95%、90%），且废弃电池具环境污染与燃爆风险。中国工信部认定156家合规回收企业，但实际从业者超5万家，仅约40%EOL电池进入正规渠道，其余流入技术及环保水平低下的非正式(informal)渠道。现有研究多采用全国或省级平均数据，忽视城市级时空异质性与省际电网结构差异，难以支撑精细化治理。因此，研究人员开展了这项以中国364个城市为对象、融合机器学习、LCA与空间情景模拟的多尺度研究，成果发表于《Nature Sustainability》。

主要关键技术方法

研究人员基于中国364个城市的新能源汽车交强险投保数据及人口、GDP、城镇化率、地方补贴、百度搜索指数等行为指标，通过主成分分析与k-means聚类将城市分组，分别采用极端梯度提升(eXtreme Gradient Boosting, XGBoost)与人工神经网络(artificial neural network, ANN)预测乘用车(passenger EVs, PEVs)与商用车(commercial EVs, CEVs)销量，结合Weibull寿命分布模型与24种电池化学体系（LFP、NCM111/523/622/811、NCA等×4车型类别）计算城市级EOL电池质量与容量。跨区运输模拟基于高德地图API距离并引入绕行系数，设定省内回收(BAU)、300 km半径、城市群协作、邻省调配四种流向规则。生命周期评价(life-cycle assessment, LCA)依据ISO 14040/14044标准建立省级数据库，涵盖近300个回收项目的工艺类型（火法-湿法(pyro-hydrometallurgy/hydrometallurgy)组合）、能耗、省级电网排放因子及八类典型工艺排放等级（低/中/高），采用CML-IA方法进行影响评价（全球变暖潜值GWP、酸化潜值AP、富营养化潜值EP、人体毒性潜值HTP）。在此基础上设置供应侧四情景（BAU、电池类型比例TP、能量密度提升ED、寿命延长LE）与需求侧五干预维度（能源结构调整ES、正规回收率提升authorized recycling AR、技术优化technological optimization TO、梯次利用secondary utilization SU）共52种组合进行情景模拟。

研究结果

Spatiotemporal pattern of EOL batteries（EOL电池的时空分布格局）

机器学习模型预测2020–2030年全国累积EOL电池达16.67–19.99 Mt，2030年单年可达5.48–7.07 Mt（CAGR 50.59%）。2024年前商用车电池主导退役，2024后乘用车退役激增，2030年占比65.90%。磷酸铁锂(lithium iron phosphate, LFP)电池在BAU下占退役质量60.10%。空间上EOL电池高度集中于广东（占全国14.19%）、江苏、山东、浙江等经济大省，标准偏差椭圆与重心分析显示退役热点由东北向西南再向西北迁移。表明未来回收设施布局须预判EOL供给时空转移而非仅依当前制造基地分布。

Cross-regional transportation and capacity distribution（跨区域转运与产能分布）

许可正规处理产能由2020年0.13 Mt·yr?1增至2030年7.40 Mt·yr?1。BAU（省内回收）下2024年全国平均产能利用率仅39.3%，省际差异大——广东产能大但受非正式渠道挤占，江浙EOL量大但正规产能偏少。允许邻省调配时间利用率升至65.68%（较BAU绝对提升26.38个百分点，相对提升67.12%）；城市群协作方案达58.22%；300 km半径方案改善有限。赣湘鄂等地产能相对本地EOL过剩，跨省调配仍难使利用率超50%。运输排放不足处理过程1%，系统瓶颈为产能—废物产生地的空间错配而非运输本身。

Provincial environmental effects and metal recovery（省级环境影响与金属回收）

相同回收工艺因各省电网碳强度不同，处理1 t NCM电池最大GWP省际差>3.61 tCO?e；内蒙、黑龙江、吉林、山西、海南GWP最高（煤电占比>70%）。非正规小企业GWP为认证湿法工艺2.12–8.40倍，人体毒性潜值HTP超15倍。2020–2030总排放最高的五省为广东、江苏、山东、上海、浙江，锂回收前五也为粤浙鲁苏豫（合计占全国42.6%），说明产业仍依赖大量低效小型作业。区域差异表现为：沿海EOL大省正规产能竞争激烈；中部赣皖湘川产能集中但本地EOL不足致低利用率；云川青因清洁电网排放低；陕冀津及偏远地区仍多用高排工艺且正规回收率<50%。

Future waste, emissions and metal recovery（未来废物量、排放与金属回收）

BAU下2020–2030累计GWP 158.97 MtCO?e，可回收Li 0.13 Mt、Co 0.17 Mt、Ni 0.43 Mt、Mn 0.17 Mt。NCM主导(TP)情景系统环境负担较BAU增6%–10%。能量密度提升(ED)联合正规回收率提升60%(AR3)可实现GWP降44%、AP降40%、EP降47%、HTP降49%，锂回收增55%(0.07 Mt)。寿命延长(LE)联合激进工艺优化(TO3)可将GWP限至基准上限的34%、HTP降41%但金属回收最低。单纯电网脱碳(ES)减排幅度2.30%–27%，梯次利用(SU)达60%时GWP降20%–34%。分省差异化干预显示：鄂湘赣渝以工艺技术优化(TO3)减排效果最佳（平均47%）；黔吉以能源结构调整(ES)最优（GWP降43%）；皖闽浙辽等提升正规渠道吞吐量(AR)最优；京琼藏AR可令Li回收提超58%；粤桂蒙鲁晋升级回收工艺技术可令Co/Ni/Mn回收均提约53%。忽略省级电网异质性会高估GWP约80%，忽略工艺异质性会低估排放66.08%。

讨论与结论总结（翻译浓缩）

研究人员指出中国动力电池回收存在三大系统性挑战：①退役电池分布与正规处理产能的空间错配，受正式与非正式回收者竞争加剧；②省际电网结构差异导致相同工艺排放倍数差异；③省域工艺组合（火法/湿法层级）不匹配。本研究贡献在于将城市级退役预测、跨区域流向、省级LCA与综合情景分析耦合于单一空间显式框架。EOL热点由东北→西南→西北的迁移表明规划应预见于新兴退役热点（如长江中游、成渝集群）提前部署设施；沿海制造—高退役区应优先正规渠道导流与跨区匹配并采购可再生电力；中部高产能低本地EOL区宜建集散中心与工艺升级吸收外部流入；高煤电工况区新建产能应与低碳电绑定并限制高耗能火法阶段；强化正规化机制将非正式纳入监管。虽以中国为实证，该分析逻辑适用于其他快速电动化且具空间不均、技术异质、电网差异的经济体。研究局限包括非正式回收商用最高排放工艺近似、未考虑海外废电池进口、跨区运输未计入经济成本。结论：通过空间—技术协同对齐的优化管理，可实现EOL电池回收系统减排最高44%、锂回收率提升53%，为低碳循环型电池回收体系提供量化决策工具。