مقاله انگلیسی چگونگی اندازه گیری و پیش بینی تاثیرات محیطی هنگام آزمایش با مدل های کسب و کار دایره ای؟
ترجمه نشده

مقاله انگلیسی چگونگی اندازه گیری و پیش بینی تاثیرات محیطی هنگام آزمایش با مدل های کسب و کار دایره ای؟

عنوان فارسی مقاله: چگونه شرکت ها هنگام آزمایش با مدل های کسب و کار چرخشی اثرات محیطی را اندازه گیری و پیش بینی می کنند؟
عنوان انگلیسی مقاله: How do companies measure and forecast environmental impacts when experimenting with circular business models?
مجله/کنفرانس: تولید و مصرف پایدار - Sustainable Production and Consumption
رشته های تحصیلی مرتبط: مدیریت، اقتصاد
گرایش های تحصیلی مرتبط: مدیریت کسب و کار، اقتصاد محیط زیست
کلمات کلیدی فارسی: اقتصاد چرخشی، مدل های کسب و کار چرخشی، ارزیابی اثرات محیطی، انتقال مدل کسب و کار، آزمایش مدل کسب و کار
کلمات کلیدی انگلیسی: Circular economy - Circular business models - Environmental impact assessment - Business Model Transition - Business Model Experimentation
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journals List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.spc.2021.10.009
دانشگاه: Maastricht Sustainability Institute, School of Business and Economics, Maastricht University, Netherlands
صفحات مقاله انگلیسی: 13
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2022
ایمپکت فاکتور: 5.335 در سال 2020
شاخص H_index: 26 در سال 2021
شاخص SJR: 1.019 در سال 2020
شناسه ISSN: 2352-5509
شاخص Quartile (چارک): Q1 در سال 2020
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: E15812
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (انگلیسی)

Abstract

Keywords

1. Introduction

2. Conceptual background

3. Methods

4. Results

5. Discussion

6. Conclusion

Declaration of Competing Interest

Acknowledgement

Appendix.

References

بخشی از مقاله (انگلیسی)

Abstract

Many companies have innovated their business models in their attempts to transition towards a circular economy. However, the label ‘circular’ does not necessarily mean better for the environment. How do companies measure the environmental performance of their business models? And as they alter them for a circular economy, how do they forecast the potential environmental impacts? These questions are important to better understand the impacts of circular business models. This study sets out to answer these questions through 29 semi-structured interviews and 39 survey responses, with business developers, managers, product designers and consultants from more than 10 industries. The results reveal that while most participants measure the impact of their current business models, they do not forecast the future impacts of their circular business ideas before implementation. The most popular measurement method was rules of thumb, followed by life-cycle assessment (LCA) or LCA-based tools. A lack of data, increased uncertainty during experimentation and a lack of knowledge are the common barriers that keep the participants from measuring environmental impacts.

 

1. Introduction

The need for a more circular economy is increasingly being recognised by both governments and the private sector (European Commission, 2020; Government of Canada, 2019; Government of the Netherlands, 2016; Lewandowski, 2016). Businesses are trying to become more sustainable by trialling circular business models (CBMs) that aim at longer product lifetimes and production of less waste (Bocken and Antikainen, 2018; Geissdoerfer et al., 2020). Companies often do this through business model experimentation (Bocken and Snihur, 2020), which tends to follow the – ‘build, measure, learn’ – Lean Startup approach (Blank, 2013; Ries, 2011). This is an iterative approach, where different business strategies are repeatedly trialled to find the best product-market fit (Chesbrough, 2010). In the circular economy context, business experimentation also focuses on addressing pressing sustainability issues, in particular to narrow, slow, close, and regenerate resource loops (Bocken et al., 2016a,b; Konietzko et al., 2020a).