MODELO PREDICTIVO DE RESIDUOS ORGÁNICOS DOMICILIARIOS PER CÁPITA SEGÚN VARIABLES SOCIOECONÓMICAS Y DEMOGRÁFICAS EN POBLACIONES CON MENOS DE 70.000 HABITANTES
DOI:
https://doi.org/10.47187/perf.v1i36.392Palabras clave:
Residuos orgánicos domiciliarios, Regresión robusta, Modelado predictivo, Factores socioeconómicos, Gestión municipal de residuos, EcuadorResumen
En localidades menores a 70.000 habitantes, la gestión de residuos suele basarse en estimaciones teóricas poco exactas. Para corregir esto, el estudio desarrolló un modelo para predecir la cantidad de residuos orgánicos generados por persona, analizando factores socioeconómicos y demográficos de 15 pueblos en Ecuador mediante el monitoreo de 1.195 hogares durante siete días. El análisis empleó técnicas estadísticas avanzadas (reducción de dimensiones y un Modelo Lineal Generalizado tipo Gamma). Estas herramientas superaron a los métodos tradicionales al adaptarse mejor a la irregularidad real de los datos. Los resultados indican que el nivel de ingresos es el factor de mayor influencia, mostrando que a más ingresos, mayor generación general de residuos. Sin embargo, en familias numerosas, la cantidad de basura por persona disminuye. Un hallazgo clave demuestra que los sectores de menores recursos generan más residuos orgánicos per cápita que los sectores altos, debido al consumo frecuente de alimentos frescos. Se concluye que aplicar modelos estadísticos precisos es fundamental para diseñar sistemas de recolección eficientes y evitar errores en poblaciones con realidades socioeconómicas variadas.
Descargas
Referencias
1. Kaza S, Yao L, Bhada-Tata P, Van Woerden F. What a waste 2.0: a global snapshot of solid waste management to 2050. Washington (DC): World Bank; 2018.
2. Chen DMC, Bodirsky BL, Krueger T, Mishra A, Popp A. The world's growing municipal solid waste: trends and impacts. Environ Res Lett. 2020;15(7):074021. doi: 10.1088/1748-9326/ab8659.
3. Ferronato N, Torretta V. Waste mismanagement in developing countries: a review of global issues. Int J Environ Res Public Health. 2019;16(6):1060. doi: 10.3390/ijerph16061060.
4. Abdallah M, Abu Talib M, Feroz S, Nasir Q, Abdalla H, Mahfood B. Artificial intelligence applications in solid waste management: a systematic research review. Waste Manag. 2020;109:231–46. doi: 10.1016/j.wasman.2020.04.057.
5. Gómez-Sanabria A, Kiesewetter G, Klimont Z, Schöpp W, Haberl H. Potential for future reductions of global GHG and air pollutant emissions from circular waste management systems. Nat Commun. 2022;13(1):106. doi: 10.1038/s41467-021-27624-7.
6. Sáez A, Urdanego J. Manejo de residuos sólidos en zonas rurales y urbanas pequeñas de América Latina: desafíos y oportunidades. Rev Int Contam Ambient. 2021;37:67–79. doi: 10.20937/RICA.53671.
7. Miezah K, Obiri-Danso K, Kádár Z, Fei-Baffoe B, Mensah MY. Municipal solid waste characterization and quantification as a measure towards effective waste management in Ghana. Waste Manag. 2015;46:15–27. doi: 10.1016/j.wasman.2015.09.009.
8. Ayeleru OO, Dlamini S, Mbohwa C. The reality of solid waste management in South Africa: a review. J Clean Prod. 2020;272:122695. doi: 10.1016/j.jclepro.2020.122695.
9. Ercolano S, Gaeta GL, Ghinoi S, Silvestri F. The role of institutions in the Environmental Kuznets Curve for municipal solid waste generation. Ecol Econ. 2018;150:66–73. doi: 10.1016/j.ecolecon.2018.04.005.
10. Ali S, Pervaiz A, Afzal S, Hamid N, Yasmin A. Socio-economic factors affecting household solid waste generation in selected vicinities of Lahore City. J Mater Cycles Waste Manag. 2019;21(3):619–31. doi: 10.1007/s10163-018-0826-y.
11. Nguyen TT, Zhu D, Le NP. Factors influencing waste separation intention of residential households in a developing country: evidence from Vietnam. Habitat Int. 2019;90:102008. doi: 10.1016/j.habitatint.2019.102008.
12. Odonkor ST, Sallar AM. Determinants of household solid waste management practices in the urban areas of Africa: a systematic review. Environ Challenges. 2021;4:100137. doi: 10.1016/j.envc.2021.100137.
13. Khan D, Kumar A, Samadder SR. Impact of socioeconomic status on municipal solid waste generation rate. Waste Manag. 2016;49:15–25. doi: 10.1016/j.wasman.2016.01.019.
14. Ojeda-Benitez S, Cruz-Sotelo SE, Taboada-Gonzalez P. Impact of household size on solid waste generation in Northern Mexico. Resour Conserv Recycl. 2020;155:104652. doi: 10.1016/j.resconrec.2019.104652.
15. Trang PTT, Dong HQ, Toan TQ, Hanh NTX, Thu NT. The effects of socio-economic factors on household solid waste generation and composition: a case study in Thu Dau Mot, Vietnam. Energy Procedia. 2017;107:253–8. doi: 10.1016/j.egypro.2016.12.144.
16. Kannangara M, Dua R, Ahmadi L, Bensebaa F. Modeling and prediction of municipal solid waste generation: a review. Waste Manag. 2018;74:105–18. doi: 10.1016/j.wasman.2018.01.030.
17. Hettiarachchi H, Meegoda JN, Ryu S. Organic waste management: new avenues for capacity building and smart waste management systems. Bioresour Technol. 2018;270:732–40. doi: 10.1016/j.biortech.2018.09.071.
18. Dunn PK, Smyth GK. Generalized linear models with examples in R. New York: Springer; 2018.
19. Beigl P, Lebersorger S, Salhofer S. Modelling municipal solid waste generation: a review. Waste Manag. 2008;28(1):200–14. doi: 10.1016/j.wasman.2006.12.011.
20. Hair JF, Black WC, Babin BJ, Anderson RE. Multivariate data analysis. 8th ed. Andover: Cengage Learning; 2019.
21. Torkashvand J, Farzadkia M, Namin MS, Rahmatian A. Predicting the generation of municipal solid waste based on independent variables of the impact: a systematic review. Iran J Public Health. 2021;50(3):441–52. doi: 10.18502/ijph.v50i3.5583.
22. Noufal M, Liu Y, Maalla Z, Adipah S. Determinants of household solid waste generation and composition in Homs City, Syria. J Environ Public Health. 2020;2020:7460356. doi: 10.1155/2020/7460356.
23. Cubillos M. Análisis comparativo de modelos de predicción de residuos sólidos urbanos mediante técnicas de machine learning. Inf Tecnol. 2021;32(4):11–22. doi: 10.4067/S0718-07642021000400011.
24. Malebana P, Ayeleru OO, Mbohwa C. Statistical modeling of municipal solid waste generation rates in Johannesburg, South Africa. Procedia Manuf. 2019;35:269–74. doi: 10.1016/j.promfg.2019.05.037.
25. Faris H, Aljarah I, Al-Madi N, Mirjalili S. Optimizing the learning process of feedforward neural networks using multi-verse optimizer. In: Mirjalili S, Faris H, Aljarah I, editors. Recent advances in intelligent paradigms and applications. Cham (CH): Springer; 2019. p. 121–42. doi: 10.1007/978-3-030-01916-7_6.
26. Reynolds C, Goucher L, Quested T, Bromley S, Gillick S, Wells V, et al. Consumption-stage food waste reduction interventions – what works and how to design better interventions. Food Policy. 2019;83:7–27. doi: 10.1016/j.foodpol.2019.01.009.
27. Dennison GJ, Dodd VA, Whelan FJ. A socio-economic based survey of household waste characteristics in the city of Dublin, Ireland. Resour Conserv Recycl. 1996;17(4):227–44. doi: 10.1016/S0921-3449(96)01153-4.
28. Ministerio del Ambiente del Ecuador. Informe nacional sobre la gestión de residuos sólidos en el Ecuador. Quito: Ministerio del Ambiente del Ecuador; 2020.
29. Hoornweg D, Bhada-Tata P. What a waste: a global review of solid waste management. Washington (DC): World Bank; 2012. (Urban development series knowledge papers; no. 15).
30. Arellano B, Rivera-Huerta ML, Rodríguez-Castellanos FE, Aguilar-Virgen Q. Methodology for characterization of municipal solid waste in small urban populations. Waste Manag. 2014;34(11):1967–74. doi: 10.1016/j.wasman.2014.07.012.
Descargas
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
