Titulli i Disertacionit: ROLI I BIG DATA ANALYTICS NË EKONOMINË QARKULLUESE 

Autori: Irena FATA

• Institucioni: Universiteti i Tiranës, Fakulteti i Ekonomisë, Departamenti i Statistikës dhe Informatikës së Zbatuar

• Fusha e studimit:  Statistikë dhe Informatikë e Zbatuar / Statistikë dhe Matematikë e Aplikuar në Ekonomi

• Data e publikimit: 08.07.2026

• Disertacioni gjendet i publikuar në Gjuhën Shqipe

© E drejta e autorit: Irena FATA

Publikuar nga Universiteti i Tiranës
Bazuar në aktet ligjore, rregulloreve dhe politikave të UT-ës

👉 Klikoni këtu për të parë disertacionin e plotë (PDF)

 

Abstrakti

Ky disertacion shqyrton në mënyrë të integruar ndërthurjen midis Ekonomisë Qarkulluese (EQ) dhe Big Data Analytics (BDA), duke synuar të kontribuojë në kuptimin analitik të rolit të të dhënave në vlerësimin dhe interpretimin e tranzicionit qarkullues. Pavarësisht rritjes së ndjeshme të interesit shkencor për këtë fushë, literatura bashkëkohore karakterizohet nga fragmentim konceptual, heterogjenitet metodologjik dhe mungesë e evidencës empirike të konsoliduar. Në këtë kontekst, studimi trajton hendekun ndërmjet potencialit analitik të BDA dhe rezultateve reale të performancës qarkulluese.

Disertacioni mbështetet në një qasje metodologjike integruese, e cila kombinon analizën bibliometrike, analizën semantike përmes teknikave të topic modelling dhe analizën empirike statistikore mbi të dhëna panel shumëdimensionale në nivel shtetesh. Analiza bibliometrike dhe ajo semantike përdoren për të identifikuar strukturën shkencore dhe përmbajtjen konceptuale të fushës EQ-BDA, ndërsa analiza empirike integruese shkon përtej një qasjeje thjesht tipologjike. Në këtë kuadër, ajo përfshin regresionin OLS mbi të dhëna panel me gabime standarde cluster-robust, duke krahasuar katër specifikime alternative (M_VAR, M_KL, M1, M2), me qëllim vlerësimin e kontributit relativ të faktorëve strukturorë dhe digjitalë, si dhe testimin e rolit të digjitalizimit si tregues i tërthortë i BDA-së. Krahas kësaj, disertacioni përfshin edhe modelimin parashikues të bazuar në Machine Learning (XGBoost), për kuantifikimin e trajektores së gjenerimit të mbetjeve urbane dhe për vlerësimin e skenarëve alternativë të politikave qarkulluese.

Rezultatet tregojnë se tranzicioni drejt ekonomisë qarkulluese karakterizohet nga konfigurime strukturore të ndryshme dhe trajektore jo-lineare, edhe në kontekste me korniza politike formalisht të ngjashme. Studimi thekson rolin e Big Data Analytics si mekanizëm analitik ndërmjetësues që mbështet interpretimin e këtyre konfigurimeve, pa supozuar modele universale tranzicioni. Analiza ekonometrike evidenton se gjenerimi i mbetjeve për frymë dhe PBB-ja për frymë janë faktorët kryesorë shpjegues, ndërsa kapaciteti digjital nuk shfaq efekt të drejtpërdrejtë të matshëm, duke konfirmuar empirikisht rolin ndërmjetësues të BDA-së. Analiza parashikuese tregon një stagnim strukturor në skenarin bazë dhe një reduktim kumulativ deri në 6,971 ton deri në vitin 2030 në skenarin e ndërhyrjes agresive. Kontributi i disertacionit qëndron në integrimin teorik, metodologjik dhe empirik të ndërthurjes EQ-BDA , duke ofruar një kornizë analitike për kuptimin e performancës qarkulluese të bazuar në evidencë.

Fusha: Ekonomia qarkulluese dhe Big Data Analytics në kontekstin e zhvillimit të qëndrueshëm

Fjalët kyçe: Ekonomia qarkulluese; Big Data Analytics; Menaxhimi i mbetjeve; Performanca qarkulluese; Analiza empirike; Tranzicioni i qëndrueshëm; Indikatorë mjedisorë; Regresion panel OLS; Machine Learning; XGBoost; Parashikim seri kohore; Skenarë politikash

 

Abstract

This dissertation examines, in an integrated manner, the interconnection between the Circular Economy (CE) and Big Data Analytics (BDA), aiming to contribute to the analytical understanding of the role of data in assessing and interpreting the circular transition. Despite the rapidly growing scientific interest in this field, the contemporary literature remains characterized by conceptual fragmentation, methodological heterogeneity, and a limited consolidation of empirical evidence. Within this context, the study addresses the persistent gap between the analytical potential of Big Data Analytics and the observed empirical outcomes of circular performance.

The dissertation relies on an integrative methodological approach that combines bibliometric analysis, semantic analysis using topic modeling techniques, and empirical statistical analysis of multidimensional panel data at the country level. Bibliometric and semantic analysis are used to identify the scientific structure and conceptual content of the EQ-BDA field, while the integrative empirical analysis goes beyond a purely typological approach. In this context, it includes OLS regression on panel data with cluster-robust standard errors, comparing four alternative specifications (M_VAR, M_KL, M1, M2) to assess the relative contribution of structural and digital factors, and to test the role of digitalization as a proxy indicator of BDA. In addition, the dissertation includes predictive modeling using Machine Learning (XGBoost) to quantify the trajectory of urban waste generation and evaluate alternative circular policy scenarios.

The findings indicate that the transition towards a circular economy is characterized by diverse structural configurations and non-linear trajectories, even across contexts with formally similar policy frameworks. Econometric results identify waste generation per capita and GDP per capita as the primary structural determinants of landfill dependency, while the digitalization variable yields no statistically significant direct effect , empirical confirmation of BDA’s intermediary rather than causal role. Forecasting analysis reveals structural stagnation under the business-as-usual scenario (11,200–12,500 ton/year) and a cumulative reduction of up to 6,971 tonnes by 2030 under the aggressive intervention scenario (−4%/year). The study highlights the role of Big Data Analytics as an intermediary analytical mechanism that supports the interpretation of these configurations and the quantification of policy effects, without assuming universal transition models. The main contribution of the dissertation lies in the theoretical, methodological, and empirical integration of the CE–BDA nexus, offering an evidence-based analytical framework for understanding circular performance.

Field of study: Circular Economy and Big Data Analytics in the context of sustainable development

Keywords: Circular economy; Big Data Analytics; Waste management; Circular performance; OLS panel regression; Machine Learning; XGBoost; Medium-term forecasting; Policy scenarios; Empirical analysis; Sustainable transition; Environmental indicators