The role of industrial actors in the circular economy for critical raw materials: a framework with case studies across a range of industries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In this article, we explore concrete examples of circularity strategies for critical raw materials (CRMs) in commercial settings. We propose a company-level framework for systematically evaluating circularity strategies (e.g., material recycling, product reuse, and product or component lifetime extension) in specific applications of CRMs from the perspectives of specific industrial actors. This framework is applied in qualitative analyses—informed by relevant literature and expert consultation—of five case studies across a range of industries: (1) rhenium in high-pressure turbine components, (2) platinum group metals in industrial catalysts for chemical processing and oil refining, (3) rare earth permanent magnets in computer hard disk drives, (4) various CRMs in consumer electronics, and (5) helium in magnetic resonance imaging (MRI) machines. Drawing from these case studies, three broader observations can be made about company circularity strategies for CRMs. Firstly, there are multiple, partly competing motivations that influence the adoption of circularity strategies, including cost savings, supply security, and external stakeholder pressure. Secondly, business models and value-chain structure play a major role in the implementation of circularity strategies; business-to-business models appear to be more conducive to circularity than business-to-consumer models. Finally, it is important to distinguish between closed-loop circularity, in which material flows are contained within the “focal” actor’s system boundary, and open-loop circularity, in which material flows cross the system boundary, as the latter has limited potential for mitigating material criticality from the perspective of the focal actor.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle