Evaluating a hospital’s carbon footprint – A method using energy, materials and financial data
Notice bibliographique
Résumé
Background: Healthcare systems have to prepare for climate change’s health impact, while reducing healthcare’s contribution to global warming. Most evaluations of healthcare’s greenhouse gas emissions involve national level methodologies.Objective: As sustainability metrics become a key factor in hospital management, the paper describes a method for quantifying emissions at a large tertiary care hospital in Singapore.Methods: Hospital operational and financial data was used to determine the greenhouse gas effect of the hospital. Emission factors from government and academic sources were used for on-site and purchased energy emissions. Spend based emission factors from the environmentally-extended multiregional input-output (EE-MRIO) Eora database were used for other indirect emissions. This provided the total carbon footprint across the various scopes.Results:The hospital had an annual carbon footprint of 245,962 tonnes of carbon dioxide equivalents (CO2e). Scope 1 emissions accounted for 4,223 tonnes of CO2e, scope 2 for 38,380 tonnes of CO2e and scope 3 for 165,190 tonnes of CO2e. Operating carbon totalled 207,793 tonnes of CO2e, and 38,169 tonnes of scope 3 CO2e was attributed to capital expenditure projects. Medical equipment, pharmaceutical supplies and electricity were the largest contributors to the hospital’s carbon footprint.Conclusions: Identifying key areas contributing to emissions can enable targeted approaches in reducing a hospital’s carbon footprint, better preparing the hospital as the carbon economy evolves to include the healthcare sector.
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 | 0,000 |
| 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 ».