Leveraging industry 4.0 technologies and industrial symbiosis: Advancing circular economy practices in BRICS economies
Notice bibliographique
Résumé
In addressing the dynamics of a circular economy (CE), Industry 4.0 technologies (IN4.0T) and Industrial Symbiosis (IS) necessitate meticulous management strategies to optimize their advantageous impacts on circular practices. The present study investigates the influence of IN4.0T, such as Artificial Intelligence (AI), the Internet of Things (IoT), and IS on advancing CE principles in BRICS economies during 2011-2021. To estimate these nexuses, Panel Cross Sectionally Augmented Autoregressive Distributed Lag econometric approach is employed. The results reveal that IS, AI, and IoT significantly enhance CE efficiency in BRICS nations. The study's findings contribute to current literature in three discrete ways: first, it stipulates empirical evidence of how AI and IoT facilitate CE practices; second, it demonstrates the facilitating role of IS in strengthening the restorative-circularity nexus; and third, it offers insights specific to BRICS nations, where rapid economic growth intersects with environmental challenges. The results align with and extend theoretical frameworks, including the Natural-Resources-Based and the Business-Technology-Adoptions models. The findings suggest that policymakers should invest in Industrial Symbiosis and digital technologies to lessen waste, improve resource efficiency, nurture collaborations, and boost CE transitions in BRICS economies.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».