所有厨余都送去堆肥为什么不是最优解？不同食品废弃物应该怎样选择资源化路线？
负责选路线的人，拿到手的往往已经是一桶定了型的料：汤汁倒进去，含水率就定了；一次性餐具混进去，杂质就定了。这两个数字到了后端几乎调不动，只能当作已知条件。所以路线选择的前一半发生在厨房和收集点，后一半才轮到判定树。必赢亚洲厨余资源化把两半放在同一张原料画像里管理。
前端先分类，后端才有路线可选
用一组示例推演数字看差别。假设某食堂每天产生 300 kg 餐后厨余，混装收集时含水率约 78%，餐具和酱料包约占 2%，即每天 6 kg 杂质；若回收台把汤汁沥出、餐具另放，固体含水率约 70%，杂质约 0.3%，不到 1 kg。
混装收集
- 汤汁与固体同桶，含水率约 78%
- 餐具、酱料包混入，每天约 6 kg 杂质
- 每一批都要先分拣，才能进判定树
前端分类投放
- 汤汁沥出，固体含水率约 70%
- 餐具另放，杂质不到 1 kg
- 多数批次可以直接从第 2 关开始判
更上游的一步是少产生，少买一公斤、少备一份、少剩一盘，就少一份要选路线的料，这部分在必赢亚洲餐饮减废里完成；分类投放排在它后面，是浪费已发生之后通常成本最低的一次干预。
逐关判定：每一关的依据，和一个例外
判定树共六关，自上而下，哪一关答“是”就从那一关的出口离开；第 1 关的出口是先分拣，分拣后重新判。图里的阈值是常用经验值，只负责排序，不是合格线。每一关都有一种“数字对了、结论错了”的情形，下表把依据和例外放在一起。
| 关 | 看什么 | 结论 | 一个例外 |
|---|---|---|---|
| 1 杂质 | 杂质占鲜重的比例，另看有无玻璃与金属碎片 | 超标先分拣，残渣另行处置 | 占比低也要一票否决：玻璃、针状金属不能被平均掉；标着“可堆肥”的餐具，未必能在当地设施的周期内降解，除非设施书面确认，否则按杂质处理 |
| 2 含水率 | 烘干称重，现场先用手握法估计 | 低于 30% 的干燥木质、果壳，走生物炭 | 含水率低不等于适合热解：干面包渣、过期饼干也很干，却是易降解的淀粉，更适合当堆肥的干料，或加水后进厌氧消化 |
| 3 油脂 | 粗脂肪含量，是否浮油、结块 | 高于 10% 先做油脂回收，余料再从头判 | 总量太小时回收商不愿上门，可先隔油，把比例稀释到阈值以下与其他料共处理，攒够量再回收 |
| 4 蛋白与来源 | 蛋白高、易降解，且来源单一、洁净 | 走发酵，方向是饲料原料研究或有机酸 | 蛋白高而来源混杂的，如餐后剩饭，不走发酵：盐分和杂物让产物不稳定，也过不了食品安全这一关，继续往下判 |
| 5 碳氮比 | 总碳除以总氮，由检测或配方推算 | C/N 不低于 25 走好氧堆肥，含水率保持 50–60% | C/N 低不等于不能堆肥：量小、就近处理时，掺木屑、果壳拉回 25–30 的起配区间仍然稳妥，量一大干料用量就成了瓶颈（配比算例见含水率与碳氮比如何改变堆肥策略） |
| 6 体量与稳定性 | 日产量、月度波动、供料能否持续 | 量大且稳定走生物能源，否则就地厌氧消化 | 量大但时有时无，如学校放假、景区淡季，机组会长期低负荷，宜并入协同消化，或只做厌氧消化供热 |
四种单一物料按这个顺序走一遍并不难：果蔬残渣补干料堆肥，含油汤渣先回收油脂，干燥果壳去热解，餐后混合剩饭分选后进厌氧消化。麻烦出在混合物料上。
三个混合物料的判定演练
下面三个物料是假设的，数字属示例推演，只用来看判定过程。
示例推演 · 学校食堂餐后混合料
画像：日产 300 kg，含水率 78%，油脂 4%，C/N 约 20，含餐具
第1关 杂质超标 先分拣
第2、3关 78%、4% 均为否
第4关 来源混杂 否
第5关 C/N 20 < 25 否
第6关 学期内稳定，假期停供 按不稳定处理
结论：分拣后就地厌氧消化，假期另备出口示例推演 · 豆制品作坊的豆渣
画像：日产 2 吨，含水率 80%，蛋白高，油脂低，无包装
第1、2、3关 均为否
第4关 蛋白高且来源单一洁净 是
结论：发酵（有机酸，或作为饲料原料评估）
回落：饲料用途受法规与检测约束，不通过就继续
第5关 C/N 偏低 否 → 第6关 量大且稳定 是 → 生物能源示例推演 · 配送中心的过期蔬果
画像：日产 1.5 吨，含水率 85%，C/N 约 18，带托盘与保鲜膜
第1关 包装物超标 先分拣
第2、3、4关 均为否
第5关 C/N 18 < 25 否
第6关 全年稳定、量大，沼气量待核算 是
结论：分拣后走生物能源（消化产沼气，发电或提纯）三条路径里，“分拣后”“假期另备出口”“回落”这三处，都是判定树本身给不出、要靠人补上的判断。必赢亚洲模型的设计是把它们写成规则：输出推荐路线，同时列出待补的检测项和备用出口，最终仍由处理方确认。
检测与小试：一套最小方案
判定树要的数字不多，难的是每一批都有数字。建议分四步。
- 每批入场：称重，拍一张杂质照片，手握法估含水率，记下来源、餐段，看有没有浮油。
- 每周一次，来源或菜单变化时加测：烘干法测含水率，测粗脂肪，测总碳与总氮以算碳氮比，必要时加测电导率。
- 灰区批次做小试：把阈值上下各约 10% 的批次标为灰区，如含水率 27–33%、油脂 9–11%、C/N 22.5–27.5，不硬切，做小堆堆肥试配，或做生化甲烷势（BMP）试验。后者要跑数周，需要提前排期。
- 结果挂回批次：物料编码与批号的规则见食品到底浪费在哪里的统一字段，在必赢亚洲 App 里登记来源、类别、称重与抽检，路线出问题时才查得回去。
引用研究的限制
2026 年发表于《Nature Food》的研究用 848 组全球堆肥实验训练机器学习模型，识别出 19 个影响排放的管理参数。按模型情景估算，调整曝气、添加物和碳氮比后，全球堆肥链条可由约 40.1 MtCO2e 的净排放变为约 −15.1 MtCO2e 的碳汇，同时保留养分。这是全球尺度的情景估算，不是某座工厂的实测。它支持的结论是“同样选了堆肥，管理方式的差别很大”，并不支持“堆肥一定优于厌氧消化”。有一项发表于《Bioresource Technology》的多模型研究报告称，曝气速率和含水率分别是甲烷与氧化亚氮的关键驱动，与第 2 关重视含水率一致。
判定树是启发式规则，回答的是“哪条路线更可能行得通”，不比较成本与排放。2026 年的多篇综述指出，AI 过程模型正与生命周期评价（LCA）、技术经济分析（TEA）结合。落到路线选择上，可以对推荐路线和一条备选路线各算一次单位处理成本与全过程排放（评分方法见机器学习怎样进入有机废弃物处理）；两者不一致的批次，最值得回头复查阈值和系统边界。
边界条件
- 当地设施类型、运距和法规，尤其是饲料与肥料用途，会直接否决某些路线。
- 小试与判定树推荐不一致时，以小试为准，并回头修正阈值。
判定树最有用的时刻，是它把一批料退回前端的时候。