Accounting for the Ecological Footprint of Materials in Consumer Goods at the Urban Scale
Notice bibliographique
Résumé
Ecological footprint analysis (EFA) can be used by cities to account for their on-going demands on global renewable resources. To date, EFA has not been fully implemented as an urban policy and planning tool in part due to limitations of local data availability. In this paper we focus on the material consumption component of the urban ecological footprint and identify the ‘component, solid waste life cycle assessment approach’ as one that overcomes data limitations by using data many cities regularly collect: municipal, solid waste composition data which serves as a proxy for material consumption. The approach requires energy use and/or carbon dioxide emissions data from process LCA studies as well as agricultural and forest land data for calculation of a material’s ecological footprint conversion value. We reviewed the process LCA literature for twelve materials commonly consumed in cities and determined ecological footprint conversion values for each. We found a limited number of original LCA studies but were able to generate a range of values for each material. Our set of values highlights the importance for cities to identify both the quantities consumed and per unit production impacts of a material. Some materials like textiles and aluminum have high ecological footprints but make up relatively smaller proportions of urban waste streams than products like paper and diapers. Local government use of the solid waste LCA approach helps to clearly identify the ecological loads associated with the waste they manage on behalf of their residents. This direct connection can be used to communicate to citizens about stewardship, recycling and ecologically responsible consumption choices that contribute to urban sustainability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».