多模態 AI 與大語言模型在循環經濟之動態模擬與政策評估中的應用

Abstract

隨著全球資源枯竭與氣候變遷風險日益增加，循環經濟（Circular Economy）已被廣泛視為實現永續發展目標的重要路徑。在政策制定過程中，如何精確評估物質流動趨勢並預測政策干預的效果，是環境管理領域的核心課題。傳統上，物質流分析（Material Flow Analysis）與系統動力學（System Dynamics）被視為量化資源管理的主要工具。然而，根據過去的文獻回顧與實務觀察，該類方法在應用上存在若干技術侷限：首先，高品質數據的獲取往往受限於統計時滯或產業保密限制，導致模型參數化過程極為艱鉅；其次，傳統建模程序高度依賴專家經驗與手動校對，難以迅速應對日趨複雜的政策變遷與動態市場環境；最後，質性政策文本與定量系統參數之間的轉譯缺口，亦限制了模擬結果的解釋力。 基於上述背景，本研究試圖初步探討新興人工智慧技術——特別是多模態人工智慧（Multimodal AI）與大語言模型（Large Language Models, LLM）——輔助循環經濟決策之潛力。本研究並非旨在完全取代現有建模典範，而是提出一套輔助性框架，探究其是否能有效緩解傳統建模在數據處理與政策轉譯上的負擔，進而提升動態模擬的精確度與透明度。 本研究提出之 AI 輔助政策評估框架，主要建立在跨領域技術的整合嘗試之上。方法論架構可歸納為三個遞進層次：首先是物質流圖像的自動化解析，本研究嘗試運用多模態 AI 技術，對複雜的物質流系統圖進行視覺辨識，旨在初步提取系統內的單元組成、流動路徑及其隱含的質量守恆邏輯，藉此評估自動化結構開發的可行性。其次，本研究探索引入 LLM 進行政策文本的語義分析與參數映射。傳統政策評估需人工解讀海量法規與產業手冊，本研究則測試 LLM 是否能準確識別政策中的目標數值、實施時程與影響因素，並嘗試將這些非結構化的自然語言資訊轉譯為系統動力學模型中的存量、流量及輔助變數。此一嘗試旨在探討如何透過預訓練模型的推理能力，建立一套具備邏輯一致性的「語義－數量」轉換機制，以降低建模過程中的主觀偏誤。最後，將前述解析之資訊匯入系統動力學模型，進行長期動態模擬與情境分析，並透過視覺化工具輔助驗證模型之合理性，確保模擬結果能作為決策參考。 為評估此框架在宏觀層面之適用性，本研究以台灣 2013 至 2022 年之永續物料管理（SMM）為案例。基於歷史數據與政策目標，本研究透過 AI 輔助設定並評估了九種不同強度的政策情境。模擬結果顯示，在維持經濟增長的同時，若要顯著降低直接物質投入（DMI）並提高循環利用投入（CUI），需結合源頭減量與末端回收等多重機制之協同作用。透過模擬分析，研究觀察到在特定政策組合下，能夠兼顧資源循環與經濟生產力。此案例之貢獻在於，證明了 AI 工具在處理跨年度巨觀數據時，能提供更具效率的情境篩選能力。 在微觀產業層面，本研究以筆記型電腦循環體系為案例，探討高不確定性電子產品物料流動之建模問題。鑑於家戶行為與非正式回收體系對物質流向之影響，本研究運用大語言模型的知識檢索與推理能力，對全台筆電在用存量與流量進行結構化推估，並辨識影響回收效率之關鍵因子。研究結果顯示，除產品技術壽命外，消費者行為對循環績效具有顯著影響，其中「資料安全疑慮」為導致電子產品進入休眠流動之主要因素，凸顯於循環經濟建模中納入社會行為變數之必要性，並初步驗證 LLM 在挖掘非結構化行為資料上的輔助價值。 本研究之主要貢獻在於：於理論層面，提出一套結合人工智慧與系統模擬之探索性分析框架，初步縮小質性政策論述與定量動態建模之轉譯落差；於應用層面，發展一套具可擴展性的數位化輔助工具構想，協助決策者在複雜環境治理情境下，進行更具數據基礎與可比較性的政策評估。

As global resource depletion and climate change risks intensify, the Circular Economy (CE) has become a pivotal pathway for achieving sustainable development goals. However, traditional quantitative tools, such as Material Flow Analysis (MFA) and System Dynamics (SD), face technical constraints in policy evaluation, including data acquisition delays, labor-intensive modeling processes, and the "translation gap" between qualitative policy texts and quantitative system parameters. This study proposes an exploratory AI-assisted framework that integrates Multimodal Artificial Intelligence and Large Language Models (LLMs) to complement existing modeling paradigms. The objective is to investigate the potential of AI in alleviating the burdens of data processing and policy translation, thereby enhancing the transparency and efficiency of dynamic simulations. The methodological framework consists of three levels: (1) utilizing Multimodal AI for the automated visual parsing of MFA diagrams to extract system structures; (2) employing LLMs for semantic analysis and parameter mapping of policy documents to reduce subjective bias; and (3) integrating these inputs into SD models for dynamic simulation and scenario analysis. The framework's applicability was evaluated through two case studies in Taiwan. At the macro level, the study analyzed Sustainable Material Management (SMM) from 2013 to 2022, assessing nine policy scenarios. The results suggest that achieving a balance between resource circulation and economic productivity requires the synergistic effect of source reduction and end-of-pipe recycling. At the micro level, the study examined the laptop circularity system. By leveraging the reasoning capabilities of LLMs, the research identified consumer "data security concerns" as a critical factor driving "hibernation flow." This finding highlights the importance of incorporating social behavioral variables into CE modeling. In conclusion, this research provides preliminary evidence that Multimodal AI and LLMs possess significant potential to optimize CE simulation workflows. The primary contribution lies in bridging the gap between qualitative policy discourse and quantitative modeling, offering a scalable digital foundation for future decision support. While the framework shows promise, the study emphasizes the ongoing necessity of expert supervision to mitigate risks such as model hallucination and ensure the rigor of policy evaluations.