Mitigating Tannery Pollution in Sub-Saharan Africa and South Asia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The global leather market is worth more than $270 billion annually, and provides an important and accessible source of manufacturing exports for countries in the Global South. Leather is the source for a range of apparel items, including handbags, belts, shoes, wallets, gloves, and various other products, such as furniture, car seats, and luggage. Behind all leather goods is the tannery industry, with much of the raw materials processing located in the Global South (Lund-Thomsen, 2009, Journal of Business Ethics, vol. 90, p. 57). Unlike most synthetic fibers, which are derived from plastics and associated with the petrochemical industry, leather has the potential for a comparatively lighter footprint because it is based on natural and renewable materials not associated with the carbon emissions of fossil fuels. However, leather has suffered from various concerns, including animal rights and toxic effluents. It is ranked as the fourth most dangerous global industry to human health, with many tanneries in the Global South lacking basic protection for the workers and leaching toxic chromium into rivers (Green Cross and Pure Earth, 2016, World’s worst pollution problems: The toxics beneath our feet). This article explores the prospects for reducing the environmental footprint of tanneries in the Global South, focusing on the Sustainable Manufacturing and Environmental Pollution (SMEP) program, a series of projects in South Asia (SA) and Sub-Saharan Africa (SSA) that explore ways to reduce manufacturing pollution. The article lays out a series of technical and managerial interventions that would vastly reduce the negative impacts on human health and the natural environment.
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.
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 | 0,001 | 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 découle