0 引 言
伴随信息和通信技术的快速发展，电子产品创新升级加快，导致废弃电器电子产品(waste electrical and electronic equipments,WEEE)的产生量大幅增加[1]。中国不仅是电器电子产品的最大生产国和消费国，而且是受到电子废物非法进口和非正规回收污染严重的地区[2]。因此，对WEEE产生量进行准确的估算，探明电器电子产品从资源到废物的动态过程，有利于城市矿产的潜力研究，政府和相关部门对拆解产业进行合理布局，以及企业、行业和协会制定科学决策。
在过去10年中，已经有很多学者开展了WEEE产生量估算和方法研究，但关于估算结果准确性问题的详细研究较少。本文梳理了典型的5种WEEE产生量估算方法，通过对比分析其设计思路、估算公式及应用实例，重点从数据完整性和精度、产品寿命、梯次利用、区域流动角度探讨我国实际应用中存在的局限性，并提出相应的改进建议及未来发展趋势，以期为WEEE估算方法的改进和应用提供参考。
1 WEEE产生量估算方法的研究进展
针对WEEE产生量估算方法，本文总结了目前应用较广泛的5种模型，包括市场供给模型、斯坦福模型、时间序列模型、消费与使用模型、存量流量模型。
1.1 市场供给模型
市场供给模型(market supply model)是由产品的销售量及平均使用寿命来表征WEEE产生量的一种方法。该模型适用于平均寿命较稳定，随时间变化波动较小的产品。表达式如式(1)所示，市场供给A模型在市场供给模型的基础上对使用寿命进行优化，即假定产品服从几种不同的寿命期，并按照比例采用分布值表示，见式(2)：
On=Sn
(1)
(2)
式中：On为n年度产生量，万台；Sn为n年度销售量，万台；寿命参数g(i)为电子产品销售了i年后废弃的百分比。
市场供给模型适用于对宏观趋势的预测，Tan等[3]利用该模型结合预期照明需求，对2012—2020年中国不同地区废弃荧光灯的产生量分布情况进行了评估，发现广东将成为废弃量最大的省份。宋广翰等[4]等利用该模型对2015—2024年打印机销售量及报废量进行估算，并基于品牌、型号以及寿命分布的差异分析其估算结果存在的不确定性。
1.2 斯坦福模型
斯坦福模型(Stanford estimation model)是由产品的销售量和寿命分布比例来估算报废量。该模型是对市场供给A模型的进一步改进，将t(i)定义为随时间变化的某一类别电器电子产品的寿命分布，根据每年销售产品使用方式、科技水平的不同，服从不同的寿命期。其表达式如式(3)所示：
(3)
式中：t(i)为电子产品销售了i年后废弃的百分比。
斯坦福模型广泛应用于更新换代较快的数码类产品。何捷娴等[5]运用该模型估算了2012—2022年广东省家用电脑的报废产生量。结果表明：随着销售量的稳步上升，其废弃量将达到1个高峰。针对我国数码类产品各省份的空间分布，张伟等[6]利用斯坦福模型定量化预测了2011—2020年我国主要电子废弃物产生量及不同地区分布情况，根据不同地区的产生量分析可知，东南沿海等发达地区以及河南、四川等人口大省是报废量密度集中区域。
1.3 时间序列模型
时间序列模型(time-series model)的基本原理是时间序列中的每一组数据都是多个因素综合作用得到的结果。因此，时间序列方法总是假设预测对象的变化仅与时间有关，其基本思路是首先分析实际序列的变化特征，选择适当的模型参数以建立预测模型，再利用模型推测未来状态，对模型预测值进行评价和修正，得到预测结果。
针对数据可获得性低的地区，Rahmani等[7]融合了多种模型估算伊朗废弃计算机和手机的产生量，首先利用1999—2011年销售量计算得到报废比例，然后利用时间序列模型估算报废陈旧设备量，最后利用逻辑模型曲线预估未来计算机和手机的价格。Habuer等[8]利用时间序列产品流分析和物质流分析估算了包括电视机、洗衣机、空调、冰箱和电脑5种家用电器的平均家庭拥有量和报废量。
1.4 消费与使用模型
消费与使用模型(consumption and use model)是通过社会保有量和平均寿命对WEEE产生量进行预测，也称为“保有量系数”模型、“估计”模型等。由于目前完全废弃的WEEE数量有限，多数进入二手市场或被闲置，因此通常利用该模型预估的产生量比市场供给模型偏大，其表达式如式(4)所示：
(4)
式中：On为某年废弃电子电器产品的产生量，万台；H为该产品的社会保有量，分为城镇和农村两部分，万台；n为该类产品的平均使用寿命，年。
我国研究学者[9-11]多以国家统计年鉴中“城乡居民家庭百户平均拥有量”为保有量数据来源，再利用该模型预测某一地区未来年份WEEE产生量。对于缺乏准确贸易统计量和销售量区域，也可采用该模型进行WEEE产生量预估，如Alavi等[12]利用该模型估算了伊朗阿瓦士市8种主要家用电器的社会保有量及预期报废情况；林雅菲等[13]利用该模型预测2015—2020年北京市主要家电的理论报废量，为废旧家电逆向物流体系的构建提供数据支持。
1.5 存量流量模型
存量流量模型(stock-based model)的基本原理是基于质量守恒原理的，在给定时间内，存量变化是产品流入和产品流出的差值，即流入与流出量的差额等于存量变动值，如式(5)—(6)所示：
Si-On=Pi-Pi-1
(5)
(6)
式中：Pi为社会保有量即存量，万台；Si为销售量即流入量，万台；On为报废量即流出量，万台；同时，第n年的报废量应等于第n-i年销售量与其第i年淘汰比例的乘积之和。
利用存量流量模型进行WEEE产生量预测时，保有量数据往往不易获得。因此，研究学者提出利用历史数据拟合保有量，如国内学者彭尔柯等[14]采用逻辑模型推测1985—2040年湖南省主要家用电器各年城乡社会保有量，进一步利用存量流量模型估算WEEE产生量及有价金属资源量；为探究电器电子产品在市场中从使用到报废的动态过程，Zeng等[15]估算了中国2010—2030年期间WEEE的产生量，并根据其中有价值资源含量及市场价格，得到电器电子产品的综合回收潜力。
1.6 模型特点对比
基于估算方法的不同特点，总结上述5种模型的特点及相对适用性，如表1所示。
表1 估算模型特点对比
Table 1 Comparison of different estimation models
模型名称特点相对适用性市场供给模型简单易用,但预测误差较大适用于简单快速的粗略估算斯坦福模型估算准确性较高,但寿命分布数据不易获得适用于更新换代较快的数码电子产品时间序列模型数据需求低,但参数设置不具推广性适用于饱和市场中寿命相对较短的产品消费与使用模型考虑城乡差异,但使用寿命存在一定误差适用于缺失贸易统计量和销售量的地区存量流量模型数据可获得性高,但不适用于欠发达地区适用于具体物质的流动追踪及成分分析
市场供给模型适用于对宏观趋势的预测，当数据资料不充分、预测结果精度要求较低时，采用该方法进行预测，能够较快得到预测结果；斯坦福模型尤其适用于估算智能电脑、智能手机、数码相机等更新速度较快的数码类电子产品；为解决数据可获得性低的问题，研究学者提出的时间序列模型仅需要很少的数据输入，但该模型适用范围较窄，仅适用饱和市场的预估；针对没有准确的贸易统计量和销售量的地区，可采用消费与使用模型通过社会保有量数据分别对城市和农村进行未来趋势的预估；存量流量模型适用于具体物质的流动追踪及成分分析，通过边界分析设定合理的上下限，在区间范围内进行预测，将得到较长时间的预测结果。综上所述，在实际应用中，应根据数据可获得性、地区特点、人口特点等因素选择合适的估算方法。
2 我国WEEE产生量估算方法的局限性分析
我国在估算WEEE产生量的研究中，基于本土特点，积累了大量的研究成果，但在实际应用中仍存在一定局限性，主要体现在：数据的完整性和精度方面、产品寿命方面、梯次利用方面、区域流动方面，有待进一步探究。
2.1 数据完整性和精度方面
估算未来时期的WEEE产生量时需要收集大量数据，开展一系列调研工作。因此，对数据的有效性和完整性进行审查以得到准确的预测至关重要。在数据方面造成的估算偏差主要包含不同估算方法造成的参数差异和数据质量低的问题。
一方面，由于我国不同地区之间的资源分布不均，科技水平处于不同层次，各地域间的数据存在明显差别，数据通用性较差；即使同一地区，当采用不同模型进行估算时，由于模型参数设置及数据源的差异，其结果也必然存在一定差异性。例如，Cao等[16]分别采用市场供给模型、斯坦福模型及消费与使用模型对浙江省废旧电视、冰箱、空调、洗衣机、电脑、移动电话和相机的产生量进行预测，得到结果整体趋势相同，但数量却存在明显差异。另一方面，数据的低质量问题也是造成估算结果偏差一个不容小视的原因，由于我国历史年份的产品销售量和库存数据通常是零星且不完整的，无全面的消费者调查和进一步敏感性验证，数据精度低。
2.2 产品寿命方面
寿命分布是研究WEEE产生量必不可少的参数之一，韦伯分布被广泛应用于电器电子产品中[17]。目前，基于产品寿命造成的估算结果偏差主要体现在平均寿命不能真实表现产品的使用寿命，而随时间变化的寿命分布往往又难以获得。
基于我国快速发展的经济和技术，产品的寿命分布与时间变化存在动态变化。但受到市场调查的限制，我国随时间变化的寿命分布参数很难得到。如表2所示，电器电子产品的使用寿命范围较为广泛，简单采用平均使用寿命进行估算并不符合实际情况，这必然造成较大的结果偏差。
表2 主要电器电子产品使用寿命
Table 2 Lifetime of primary electrical and electronic equipments 年
使用寿命洗衣机冰箱彩电空调电脑移动电话使用寿命范围11～1412～168～125～85～81～3平均使用寿命121410762
2.3 梯次利用方面
20世纪90年代后，我国二手电器电子产品已占据较高市场份额，形成了相对成熟的产业链。在进行产生量估算时，由于电器电子产品进入市场的时间有所不同，各个产品的报废时间就会存在差异，这种基于梯次利用影响造成的估算结果偏差不容小视。
电器电子产品的市场需求受新技术影响较大，如图1所示，WEEE从高端消费者手中“报废”流出，以整机或零部件形式被回收站或流动商贩回收[18]，经过修复翻新流入二手市场，最终将重新回到消费者手中，达到梯次利用的效果，而这时产品的“报废”概念则具有一定的相对性。受到广阔的二手市场的影响，WEEE的寿命分布比例将发生变化，这必然造成产生量的估算结果偏差。
图1 WEEE的梯次利用
Fig.1 Gradient utilization of WEEE
2.4 区域流动方面
当前，电器电子产品向着便携化、轻量化发展，如移动电源、掌上游戏机、电话手表、移动硬盘等小型电子产品销量日益增高，随之而来的是其流动成本的降低。因此，WEEE区域流动造成的产生量预测结果偏差已不容小视。
基于海关系统所追踪的进出口数据，国际上WEEE流动的数据较易获得。但是，我国各省市间的流动信息尚不明确，无法直接评估由此产生的WEEE区域流动，仅可根据各省市的销售数据间接估算得到。尽管中国已经在全国范围内建立了109家正规回收拆解企业[19]，但非正规回收企业仍然普遍存在。根据Tong等[20]的研究，目前我国超过1/3的WEEE来自其他省份通过非正规渠道回收，这将造成部分产生量无法统计，导致估算结果的偏差。
3 我国WEEE产生量估算方法的趋势分析
为实现准确的WEEE产生量预测，本研究针对目前现有5种估算模型在我国应用中存在的局限性，提出完善本土数据库、融合多种估算模型、解析资源代谢过程、追踪物质转移过程等改进措施与方法。
3.1 完善本土数据库，提高数据精度与完整性
数据是估算WEEE产生量的基础，其质量直接影响估算结果的准确性和可靠性，故应致力于改善数据可获得性低、数据质量低等问题，完善我国的本土数据库，以期获得准确的估算结果。
针对数据可获得性低的问题，可充分发挥产学研合作优势，鼓励企业合作参与，以加强对原始数据的获取，通过与其他研究者进行交流和合作，增加估算模型的数据可获得性及影响力；针对数据质量低的问题，基于具体产品特点、产品属性、研究边界等个性化指标对数据进行敏感性分析和不确定性分析，根据误差范围和波动区间确定估算结果受各种输入变量的影响变化。另外，一些已有研究使用的输入数据为转引自其他研究的“二次数据”，需要对转引数据的可靠性加以评估，将不确定性控制在合理范围内。
3.2 融合多种估算模型，增强寿命分布准确性
综合数据的可获得性与质量，将多种估算模型融合，可为拓宽估算应用范围、增强寿命分布的准确性和科学性提供新的途径。
目前，已有研究学者尝试将几种估算模型结合使用，如Gu等[21]建立了动态可持续估算模型，即将多种模型结合的一种预测较长时间范围的估算模型，用以预测了北京市2010—2050年间典型WEEE的产生量，见图2进行逻辑模型预测社会保有量进行用韦伯分布拟合得到寿命分布,再利用卡内基梅隆模型确定闲置量、再利用量和报废量比例，并利用存量流量模型估算得到未来报废量。Zhao等[22]与灰色关联分析结合，探究了人均保有量的相关性因素，并按照优先级排列，这种方法更贴合实际情况。Kim等[23]与人口平衡模型相结合，选取了8种典型WEEE估算韩国2000—2020年预计产生量及收集率。
图2 动态可持续估算模型
Fig.2 Flow diagram of dynamic sustainable evaluation model
3.3 解析资源代谢过程，探明梯次利用资源量
解析资源代谢过程不仅要考虑产品的销售量及最终报废量，更要关注产品由消费者流出到一级回收者、二级回收者及拆解企业至翻新再利用各环节所涉及的资源量的动态变化。
基于广阔的二手市场对WEEE产生量的影响，研究学者在进行预测研究时应探明梯次利用资源量动态变化过程，充分考虑不同的处置情景对WEEE产生量的估算结果偏差。如图3所示，庄绪宁等[24]采用卡内基梅隆模型将不同处置情景赋予一定比例，再利用灰色关联模型计算出相应的再使用量、循环利用量、储存量和最终废弃量等资源量数据，以获得更为准确的预测结果。
图3 卡内基梅隆模型分析流程
Fig.3 Flow diagram of the Carnegie Mellon Model
3.4 追踪物质转移过程，明晰区域流动影响
开展WEEE区域流动分析不仅能够积累充足的基础性数据，为危废管理及改善资源回收提供依据，对于规范回收企业也具有重要意义。
研究学者为明晰区域流动的影响，将进出口等流动参数纳入估算模型，追踪物质转移过程，探究存量变化与产品流入和报废产品流出之间的差值。例如，Oguchi等[25]探究了日本24种WEEE中有毒金属的分布情况，并利用存量流量模型追踪其在处理过程中的流动变化；郭学益等[26]基于金属所占电路板的质量分数，用群体平衡模型和物质流分析方法预测2016—2030年我国5种典型WEEE电路板中金属资源的开采潜力，为废旧电路板的资源化技术的开发及管理提供基础数据。
4 结论和建议
随着我国电器电子产品逐渐进入报废高峰期，针对我国WEEE产生量估算研究，未来可以针对以下几个方向开展研究：
1)电器电子产品多样化、智能化已成为未来发展趋势，应按照重量、成分、用途等特点进行分类，采用合适的估算模型，重点探究未来较长时期的WEEE资源化潜力预测。
2)轻便、寿命长、信息化的电器电子产品已逐渐占据主流市场，应重视WEEE区域流动问题，从源头追踪WEEE动态回收过程，对输入数据进行不确定性分析和修正，以提高估算精确性。
[1] 张号, 白建峰, 顾卫华, 等. 废旧电容器资源化方法研究现状[J]. 环境工程, 2019,37(4):153-157.
[2] 张睿，陈丽萍，陈雯. 全球电子垃圾污染带来的危害和挑战[J]. 中国预防医学杂志，2019,53(4):342-344.
[3] Tan Q Y, Li J H. A study of waste fluorescent lamp generation in mainland China[J]. Journal of Cleaner Production, 2014,81:227-233.
[4] 宋广翰, 孟雯, 宋庆彬, 等. 我国打印机废弃量估算研究[J]. 环境工程, 2016,34(7):129-133.
[5] 何捷娴, 樊宏, 尹荔松, 等. 基于TSF-Stanford模型的广东省家用电脑废弃量估算研究[J]. 绿色科技, 2013(10):233-235.
[6] 张伟, 蒋洪强, 王金南, 等. 我国主要电子废弃物产生量预测及特征分析[J]. 环境科学与技术, 2013,36(6):195-199.
[7] Rahmani M, Nabizadeh R, Yaghmaeian K, et al. Estimation of waste from computers and mobile phones in Iran[J]. Resources, Conservation and Recycling, 2014,87:21-29.
[8] Habuer, Nakatani J, Moriguchi Y. Time-series product and substance flow analyses of end-of-life electrical and electronic equipment in China[J]. Waste Management, 2014,34(2):489-497.
[9] 刘志峰, 薛雅琼, 黄海鸿. 我国大陆地区电器电子产品报废量预测研究[J]. 环境科学学报, 2016,36(5):1875-1882.
[10] 刘恒博, 雍毅, 尹朝阳. 基于消费与使用模型的成都市废弃电器电子产品产生量预测研究[J]. 环境与可持续发展, 2016,41(2):135-138.
[11] 何开伦, 程创业, 孙会龙, 等. 基于“估计”模型的重庆市主要电子废弃物产生量预测研究[J]. 绿色科技, 2015(3):227-228, 229.
[12] Alavi N, Shirmardi M, Babaei A, et al. Waste electrical and electronic equipment (WEEE) estimation: a case study of Ahvaz City, Iran[J]. Journal of the Air & Waste Management Association, 2015,65(3):298-305.
[13] 林雅菲, 杨蓥铭. 基于报废量预测的北京市废旧家电逆向物流研究[J]. 中国市场, 2017(5):159-163，173.
[14] 彭尔柯, 严康, 吴湘滨, 等. 湖南省典型家用电子电器废弃量及其有价金属资源量研究[J]. 金属材料与冶金工程, 2017,45(2):59-64.
[15] Zeng X L, Gong R Y, Chen W Q, et al. Uncovering the recycling potential of “New” WEEE in China[J]. Environmental Science & Technology, 2016,50(3):1347-1358.
[16] Cao J, Chen Y Y, Shi B, et al. WEEE recycling in Zhejiang Province, China: generation, treatment, and public awareness[J]. Journal of Cleaner Production, 2016,127:311-324.
[17] Petridis N E, Stiakakis E, Petridis K, et al. Estimation of computer waste quantities using forecasting techniques[J]. Journal of Cleaner Production, 2016,112:3072-3085.
[18] Gu Y F, Wu Y F, Xu M, et al. The stability and profitability of the informal WEEE collector in developing countries: a case study of China[J]. Resources Conservation and Recycling,2016,107:18-26.
[19] 余辉, 吴军莲, 蔡璐, 等. 废家电处理中持久性有机污染物的减控管理综述[J]. 环境工程, 2017,35(3):123-126.
[20] Tong X, Wang T, Chen Y G, et al. Towards an inclusive circular economy: quantifying the spatial flows of e-waste through the informal sector in China[J]. Resources Conservation and Recycling, 2018,135(S):163-171.
[21] Gu Y F, Wu Y F, Xu M, et al. Waste electrical and electronic equipment (WEEE) recycling for a sustainable resource supply in the electronics industry in China[J]. Journal of Cleaner Production, 2016,127:331-338.
[22] Zhao M, Zhao C, Yu L L, et al. Prediction and analysis of WEEE in China based on the gray model[J]. Procedia Environmental Sciences, 2016,31:925-934.
[23] Kim S, Oguchi M, Yoshida A, et al. Estimating the amount of WEEE generated in south Korea by using the population balance model[J]. Waste Management, 2013,33(2):474-483.
[24] 庄绪宁, 宋小龙, 白建峰, 等. 我国废弃液晶显示器产生量预测及管理策略分析[J]. 环境工程技术学报, 2014,4(6):489-495.
[25] Oguchi M, Sakanakura H, Terazono A. Toxic metals in WEEE: characterization and substance flow analysis in waste treatment processes[J]. Science of The Total Environment, 2013,463/464:1124-1132.
[26] 郭学益, 严康, 张婧熙, 等. 典型电子废弃物中金属资源开采潜力分析[J]. 中国有色金属学报, 2018,28(2):365-376.