The contribution of tipping fees to the operation, maintenance, and management of fecal sludge treatment plants: The case of Ghana
Notice bibliographique
Résumé
Globally, collection of tipping fees is being promoted as a solution to sustain the operation of fecal sludge treatment plants (FSTPs). Currently, there are six large-scale FSTPs in Ghana, of which five were in operation in June 2017. In Kumasi, Sekondi-Takoradi and Tamale, fecal sludge (FS) is co-treated with landfill leachate using waste stabilization ponds (WSPs). In Tema and Accra, FS is treated using WSPs and a mechanical dewatering system coupled with an upflow anaerobic sludge blanket (UASB). The focus of this study is FSTPs and to assess how, and if, the tipping fees set by the municipalities could enable cost recovery to sustain their long-term operation. Using a questionnaire survey to interview plant managers from the public and private sectors, and directors of waste management departments, we found that the overall average operation, maintenance and management (OM&M) costs per 1000 m3 of treated waste (FS or FS + leachate) in 2017 were USD89 in Kumasi, USD150 in Tamale, USD179 in Tema, USD244 in Sekondi-Takoradi and USD1,743 in Accra. There were important disparities between FSTPs due to their scale, age, and level of treatment and monitoring. Currently, most FSTPs charge tipping fees that range between USD310 and USD530/1000 m3 of FS, averaging USD421 ± 98/1000 m3 of FS discharged at FSTPs. Our study also showed that the OM&M costs of large-scale intensive FSTPs cannot be sustained by relying solely on tipping fees. However, there could be potential to cover the routine expenditures associated with operating smaller FSTPs that relying on WSP technologies.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».