Solid Waste Collection, Treatment and Achievement of Sustainable Development Goals in the Context of Waste Management
Notice bibliographique
Résumé
Il mondo sta affrontando numerose sfide, e il cambiamento climatico è una di queste. Diversi fattori stanno influenzando il cambiamento climatico, e gli impatti negativi di parecchie attività umane stanno contribuendo a questo fenomeno. La produzione di rifiuti e l'efficienza nella gestione degli stessi sono aspetti cruciali in termini di cambiamento climatico e sostenibilità. I rifiuti possono essere classificati in diverse forme: solidi, liquidi, gassosi o altre forme. Il processo di gestione dei rifiuti coinvolge tutte le fasi del trattamento e dello smaltimento, dalla produzione al monitoraggio continuo, nonché l'introduzione e l'implementazione di politiche di gestione dei rifiuti. Questo studio si è concentrato su diversi aspetti, tra cui una comprensione generale dei rifiuti, della gestione degli stessi, del quadro degli Obiettivi di Sviluppo Sostenibile (Sustainable Development Goals (SDGs), delle associazioni tra gestione dei rifiuti e SDGs, della comprensione degli indicatori di rifiuti negli SDGs, della valutazione dei risultati nazionali relativi agli obiettivi SDGs legati ai rifiuti in Italia e Canada, e della misurazione dell'efficienza nella gestione dei rifiuti in Emilia Romagna, una regione del Nord Italia. Lo studio ha utilizzato diversi metodi e strumenti per ciascun aspetto ed è stato suddiviso in sei capitoli. Il primo capitolo si concentra sul contesto della ricerca, sulla comprensione di diversi termini, sugli obiettivi dello studio e su una panoramica delle metodologie. Il secondo capitolo applica una revisione sistematica della letteratura per analizzare un numero significativo di studi volti a comprendere la gestione dei rifiuti, esplorare gli indicatori di rifiuti negli SDGs e sottolineare le associazioni tra gestione dei rifiuti e SDGs. Il terzo capitolo valuta i risultati nazionali dell'Italia nel raggiungimento degli obiettivi SDGs relativi alla gestione dei rifiuti. Questo capitolo utilizza il dataset nazionale sugli SDGs e i dati disponibili su variabili socioeconomiche e geografiche. Sono stati applicati metodi di statistica descrittiva, correlazione di Pearson, regressione Partial Least Square (PLSR) e Elastic Net Regression, evidenziando la relazione tra gli indicatori di rifiuti degli SDGs e fattori sociali, economici e geografici. I risultati mostrano una significativa associazione tra gli indicatori di gestione dei rifiuti degli SDGs e variabili demografiche. Il quarto capitolo discute la gestione dei rifiuti solidi urbani in Emilia-Romagna, considerando dimensioni ambientali, economiche e sociali. Il capitolo utilizza il dataset di ATERSIR (Agenzia Territoriale dell'Emilia-Romagna per i Servizi Idrici e Rifiuti). L'integrazione di dati su varie dimensioni ha permesso di identificare modelli chiave nelle performance di gestione dei rifiuti tra i comuni. L'uso di indicatori compositi ha fornito una visione olistica delle performance comunali e ha permesso di identificare comuni ad alte prestazioni e quelli in difficoltà. I risultati mostrano che alcuni comuni hanno performance costantemente buone, mentre altri lottano in tutte le dimensioni, specialmente quando valutati con metodi di aggregazione non compensativa. Lo studio ha anche evidenziato l'impatto della densità di popolazione, degli operatori dei servizi e dei metodi di pagamento sui risultati della gestione dei rifiuti. L'ultimo capitolo si concentra sul raggiungimento degli obiettivi SDGs legati ai rifiuti in Canada. Il capitolo applica una revisione della letteratura e rileva una mancanza di politiche uniformi nel paese riguardo alla gestione dei rifiuti. Sono stati identificati vari sforzi intrapresi dal paese, ma permangono sfide nel raggiungimento degli obiettivi SDGs relativi agli indicatori di rifiuti.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».