Modèle de gestion des matières résiduelles pour les magasins d'alimentation
Bibliographic record
Abstract
L’objectif de cet essai est d’optimiser la gestion des matières résiduelles d’un magasin d’alimentation, afin d’en faire un modèle pour d’autres magasins d’alimentation. La dernière politique québécoise de gestion des matières résiduelles et son plan d’action 2011-2015 ont établi des objectifs de récupération et de recyclage auxquels tous doivent contribuer. Pour ce faire, les municipalités ont l’obligation de considérer les matières résiduelles des industries, commerces et institutions dans l’écriture de leurs plans de gestion des matières résiduelles, mais il est du devoir de chaque entreprise de gérer le plus efficacement possible ses propres matières résiduelles. L’entreprise Metro est un chef de ligne au niveau de la responsabilité d’entreprise et son dernier objectif de gestion des matières résiduelles est ambitieux, soit de réduire de 25 % la quantité de matières résiduelles envoyées à l’élimination de 2010 à 2015. \nLe Metro Saint-Constant a été sélectionné lors de cette étude pour son ouverture et son initiative en matière d’environnement. Plusieurs mesures visant à optimiser la gestion des matières résiduelles de l’établissement ont déjà été mise en place, notamment l’instauration d’une presse à cartons et autres matières recyclables et d’un système de récupération des matières organiques et de dons pour des banques alimentaires. Les effets des mesures visant les matières recyclables sont impressionnants, puisque 86 % de ce type de matières étaient effectivement détournés de l’élimination à la fin de l’année 2014. La situation des matières organiques à cette date était une moins grande réussite, puisque le taux de diversion n’atteignait que 37 %, ce qui est sensiblement inférieur aux objectifs gouvernementaux. \nDes modifications ont donc été proposées dans cet essai afin de répondre à cette problématique. Malheureusement, la solution miracle n’existe pas, mais la combinaison de plusieurs changements au niveau de la connaissance des données, de la gestion du personnel, de l’amélioration du système de récupération et de stratégies de marketing peut contribuer à rapprocher l’établissement de Saint-Constant des objectifs du gouvernement et de Metro. Avec ces ajouts à la gestion des matières résiduelles de l’établissement, d’autres magasins d’alimentation auraient avantage à s’inspirer de ses réussites afin d’améliorer la gestion des matières résiduelles sur l’ensemble du Québec.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".