Solid Waste Collection, Treatment and Achievement of Sustainable Development Goals in the Context of Waste Management
Bibliographic record
Abstract
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.
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 | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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".