机器学习驱动的开放式创新：食品服务业中以客户为中心的循环经济即服务(CEaaS)决策框架

本研究针对食品服务业中循环经济措施(CEaaS)与客户满意度脱节的问题，通过机器学习方法构建开放式创新框架。研究人员采用随机森林(Random Forest)分类和特征选择技术，评估了16项CEaaS措施在印尼和匈牙利市场的实施效果。研究发现可持续采购、可重复使用包装系统和循环忠诚计划是最关键的CEaaS措施，研究结果为食品服务业可持续转型提供了数据支撑。

　　

在全球食品服务业快速发展的背景下，行业面临着一个尖锐的矛盾：一方面推动经济增长和就业，另一方面却成为环境退化的主要推手。数据显示，该行业产生了大量废弃物、温室气体排放和资源消耗。尽管循环经济(CE)原则为解决这些问题提供了框架，但企业在实际操作中仍难以将可持续实践与动态变化的客户需求相结合。这种脱节导致许多可持续承诺停留在表面，难以真正落地实施。

为破解这一难题，研究人员开展了一项开创性研究，提出将机器学习(ML)驱动的开放式创新框架应用于食品服务业的循环经济即服务(CEaaS)决策。这项发表在《Cleaner Environmental Systems》的研究，通过整合循环经济原则、客户洞察和机器学习技术，为行业可持续转型提供了新思路。

研究采用了三项关键技术方法：1)基于PRISMA框架的系统文献综述，从Scopus和Web of Science数据库筛选出14篇核心文献；2)在印尼和匈牙利开展大规模客户调查，收集1428份有效问卷；3)运用随机森林(RF)分类器和特征选择算法，评估16项CEaaS措施对客户满意度的影响。

研究结果部分，"受访者概况"显示样本覆盖了印尼(820人)和匈牙利(608人)两个具有代表性的市场，确保了数据的多样性。"措施识别"部分通过系统文献回顾确定了16项关键CEaaS措施，包括食物浪费升级利用(CM1)、可重复使用包装系统(CM2)等。"模型性能指标和CEaaS措施优先级"部分发现，在印尼数据集中，可持续采购(CM6)的重要性得分最高(0.121333)，而在匈牙利数据集中，循环忠诚计划(CM16)最受重视(0.108223)。

研究结论指出，可持续采购、可重复使用包装系统和循环忠诚计划是跨文化背景下最具影响力的CEaaS措施。这些发现为食品服务企业提供了明确的可持续发展路线图：应优先投资于可追溯的供应链、可见的废弃物减少系统和行为激励设计。政策制定者则可据此出台针对性措施，如对可持续采购给予税收优惠、规范包装标准等。

这项研究的创新之处在于首次将机器学习技术系统应用于CEaaS决策过程，通过量化分析揭示了不同文化背景下消费者对可持续措施的偏好差异。研究不仅推动了开放式创新理论的发展，也为实现联合国可持续发展目标(SDGs)中的负责任的消费和生产(SDG12)、气候行动(SDG13)等提供了实践路径。未来研究可扩大样本覆盖范围，并探索动态追踪消费者态度变化，以进一步完善这一决策框架。