A predictive and prescriptive analytics approach for sustainable cellphone return management
Notice bibliographique
Résumé
The rapid turnover of cellphones intensifies electronic waste challenges, demanding data-driven strategies for sustainable management. This study predicts cellphone return rates in Canada by integrating the Hawkins, Best, and Coney consumer behavior model, which captures key psychological and situational drivers of returns, with machine learning algorithms (Random Forest, Extreme Gradient Boosting, and Neural Network). The machine learning analysis achieved predictive accuracy of R 2 = 0 . 9984 , identifying privacy protection (21.8 percent) and incentives (19.4 percent) as the most influential factors. Predicted return volumes were then processed through a hybrid fuzzy rule-based and Monte Carlo simulation framework to classify returned devices by quality: 49.13 percent market-ready, 5.93 percent suitable for parts harvesting, and 44.94 percent requiring recycling. Newer devices (1–2 years) achieved resale rates approximately 80 percent, while four-year-old phones were mostly scrapped. Scenario analysis indicates that increasing return rates by 20 percent could recover over 8.5 million devices annually, prevent 540 million kilograms of CO 2 emissions, avoid 1.9 million kilograms of e-waste, and save energy equivalent to powering 16,500 Canadian homes for a year. Metal recovery from scrapped units could be valued at up to USD 18 million, while refurbishing market-ready phones saves 385,000 metric tons of CO 2 . This study demonstrates stepwise integration of behavioral modeling, machine learning prediction, and hybrid simulation, providing an actionable framework for reverse logistics planning. The findings support strategic decision-making for refurbishment and recycling, highlight substantial environmental and economic benefits, and align with Sustainable Development Goal 12, advancing circular economy practices and sustainable electronic waste management. • Predict cellphone return rates using behavioral data and machine learning. • Model device quality uncertainty with fuzzy logic and Monte Carlo simulation. • Optimize reverse logistics through predictive and prescriptive analytics. • Drive resource recovery and waste reduction with decision support systems. • Support environmental goals by analyzing return behaviors and device conditions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».