清华新闻网1月5日电 2025年12月31日，清华大学车辆学院郝瀚副教授团队发布汽车关键材料追踪数据集（AMT,Automotive Material Tracker），该数据集面向交通电动化所需锂、钴、镍等关键材料管理需求，提供汽车城市矿山高分辨率画像（AMS, Automotive Material Stock）、关键材料典型供需情景（AMD, Automotive Material Dynamics）、回收成本评估（AMR, Automotive Material Recycling）等功能模块，为全球汽车关键材料回收、汽车生产零碳转型、资源供需管理、回收产能布局等重大问题的解决提供关键基础工具。

数据集概况

数据集系统边界及分辨率

汽车城市矿山高分辨率画像数据集（AMS）对在用汽车内含关键材料（“城市矿山”）进行高分辨率画像（“勘探”），提供汽车城市矿山在地理（中国337地级市/全球192国家）、车型（15类乘用车/18类商用车）、动力系统（内燃机/插电混动/纯电/燃料电池）、电池化学体系（10类化学体系）、整车/电池生产企业（30家头部企业）、整车/电池产地（全球分国家）等维度下的存量估计。

关键材料典型供需情景数据集（AMD）提供典型情景下交通电动化中长期（2020-2100）关键材料需求及回收潜力预测。涵盖5类对象（车辆、电池、锂、钴、镍）的流入量、流出量、存量估计，在地理、车型、动力系统、电池化学体系等维度的分辨率与AMS数据集相同。情景设计涵盖单车电池容量、电池化学体系、车型级别等关键因素变化所产生的影响。

回收成本评估数据集（AMR）提供具有地理、电池化学体系分辨率（与AMS数据集相同）的动力电池回收成本及碳排放估计及预测（2020-2035）。

数据集可视化示意

该数据集由团队自主开发，提出了多数据源“融合-组织-增强-动态化”方法学框架：对汽车行业生产、销售、使用等领域的核心数据集进行了跨领域、跨系统的融合；构建“地理-载具-技术-产业”多维数据组织构架，形成了完整的数据组织规范方法学；在一般汽车产品属性基础上，拓展了面向关键材料载量、资源品位、国际贸易等重点关切的产品属性字段；开发了汽车保有水平预测、“电池-车辆”联合存活等动态模型，实现了基于静态数据的动态情景生成。相关工作得到国家自然科学基金、国家重点研发计划的支持。

数据集链接：

www.star-amt.com

供稿：车辆学院

编辑：李华山

审核：郭玲