《Journal of Cleaner Production》：Data for circularity assessment: what, where, and how?
编辑推荐：
提出了一种四阶段方法，以促进制造业中的循环性评估。该方法应用于一家跨国医学影像系统制造商。69个循环性指标（c-indicators）被分解为91个循环性数据（c-data）点。25%的循环性指标仅需使用8个信息系统中的1个即可计算。仅收集13%的循环性数据即
提出了一种四阶段方法，以促进制造业中的循环性评估。该方法应用于一家跨国医学影像系统制造商。69个循环性指标（c-indicators）被分解为91个循环性数据（c-data）点。25%的循环性指标仅需使用8个信息系统中的1个即可计算。仅收集13%的循环性数据即可实现25%的循环性指标的计算。
**论文解读：基于数据驱动的循环性评估方法在制造业中的应用**
**研究背景与问题**
循环经济（CE）作为传统线性“取-制-弃”模式的替代方案，通过减缓、闭合和缩小物质循环，有助于实现可持续发展目标。制造业企业采用CE以提高资源效率、降低成本，并催生产品-服务系统和回收系统等新商业模式。然而，CE的实践依赖于循环性评估（即对循环性测量结果的评价与解释，ISO 59004:2024），但企业在操作层面面临多重挑战：首先，循环经济定义缺乏共识导致指标选择模糊且异质；其次，即使确定了指标，也难以明确所需底层数据；最后，数据收集本身存在障碍，包括数据分散于生命周期阶段、组织功能与价值链参与者之间，以及信息系统的碎片化与数据结构不兼容。企业面临数据收集量上的权衡：更大数据集带来更高成本，而有限数据集则限制指标计算。现有文献中，数据驱动的CE评估框架虽涉及数据来源的三个实践——意义建构（sense-making）、数据收集（data collection）和数据调和（data reconciliation），但前两个实践仍未被充分解决。尚无框架提供将法规或规范转化为结构化数据需求的方法，也缺乏基于组织现有信息系统的实用数据收集方法。因此，本研究提出研究问题：制造业组织如何在数据密集型环境中操作化并促进循环性评估？
**研究内容与结论**
研究人员提出了一种自上而下的四阶段方法，并通过一家生产复杂医学影像系统（如磁共振成像和计算机断层扫描仪）的大型跨国原始设备制造商（OEM，即GE HealthCare）的案例进行演示。该方法将循环性评估目标与数据收集相连接，从69个目标循环性指标（c-indicators）中分解出91个可收集的循环性数据（c-data）点。优化模型显示，仅访问8个企业信息系统（EIS）中的3个（产品生命周期管理PLM、客户关系管理CRM、企业资源计划ERP），即可计算84.1%的指标；仅收集13%的c-data即可实现25%的指标计算。该研究强调了数据收集效率与评估覆盖度之间的非线性关系，为制造业组织提供了一种结构化、可扩展的循环性评估实施路径。论文发表在《Journal of Cleaner Production》。
**关键方法**
研究人员采用以下主要技术方法：首先，通过半结构化访谈开展工业诊断，明确组织的循环性评估目标、系统边界（SOI）及现有企业信息系统（EIS）清单（案例中包括PLM、CAD、TMS、CRM、ERP、SCM、IoT系统、CMMS共8个系统）。其次，通过系统性意义建构，从四个CE评估资源（CSRD的ESRS E5、ISO 59040、客户招标文件、内部需求研讨会）中提取并统一为281个独特的CE数据需求。第三，采用递归分解法，将69个目标c-indicators构建为有向无环图（DAG），识别出91个作为叶节点的c-data点。第四，构建二元混合整数线性规划（MILP）模型，在评估性能（可计算指标与可满足资源）与实施努力（访问系统数与收集数据点数）之间权衡，得到最优数据收集策略。案例样本来源于GE HealthCare的供应链与制造系统。
**研究结果**
**Phase 1 – 工业诊断**
通过10次半结构化访谈，识别出组织对CE评估的四个目标：遵守CSRD法规、评估CE认证准备、响应客户可持续性要求、改善内部循环性管理。系统边界（SOI）被定义为涵盖产品生命周期的四个阶段（设计、生产、使用、报废）、供应链过程（采购、制造、运输、安装、维护、回购、拆解、翻新）以及物质流（材料、产品、配件、备件、包装、废弃物）。8个EIS被识别并映射。
**Phase 2 – 系统性意义建构**
从四个CE评估资源（CSRD的ESRS E5、ISO 59040、客户招标文件、内部需求研讨会）中提取了324个CE数据需求，经统一后得到281个独特需求。其中，CSRD贡献了47个，ISO 59040贡献了92个，客户招标文件贡献了120个，内部研讨会贡献了65个。
**Phase 3 – 从c-indicators到c-data**
从281个CE数据需求中识别出170个c-indicators，根据监管优先级、数据可用性和建模复杂度分配就绪水平（readiness），选择就绪水平最高的69个作为目标c-indicators（I*）。通过递归分解，构建有向无环图，得到91个c-data点。其中，重量相关的c-data点（如产品材料重量、产品总重量、废弃物重量）被最频繁使用。CSRD的c-indicators数据需求量大，7个指标各需至少25个c-data点。
**Phase 4 – 战略数据收集**
将91个c-data点假设性地映射到8个EIS，并通过数据工程师验证前30个最常用映射。MILP模型在α=0.5时得到最优场景：访问PLM、CRM、ERP三个系统（占37.5%），收集65个c-data点（71.4%），可计算58个指标（84.1%），完全满足ISO 59040、客户需求和内部需求三个CE评估资源（75%）。敏感性分析显示，不同α值下存在三种数据收集场景，其中最低努力场景仅需访问1个EIS、收集13%的c-data，即可计算25%的指标。映射误差敏感性分析表明，低误差率下结果稳健，高误差率下需增加系统访问。
**讨论与结论**
讨论部分指出，该方法的贡献在于为“什么、在哪里、如何”提供结构化框架，引入c-data概念以区分可收集数据点与高层级指标，并与现有研究（如Araujo等2025）形成对比，强调c-data的颗粒度和可操作性。方法的通用性体现在：Phase 2可适应不同资源集，指标分解逻辑可扩展至其他可持续性指标，优化模型在大型OEM中可求解。但依赖于企业信息系统存在、利益相关者可及性及系统边界定义。局限性包括：映射假设可能不准确、优化模型简化了成本和访问权限、就绪水平分类带主观性、仅通过单一案例验证。未来研究需加强映射验证、引入概率模型、考虑数据所有权和缺失值估计。结论部分翻译如下：
本文通过提出并演示一种结构化、数据驱动的方法，探讨了制造业组织中操作化循环性评估的挑战。四个阶段将循环性评估目标与企业信息系统（EIS）内的数据收集相连接，提供了从法规和组织需求到可计算指标的清晰路径。应用于放射学系统制造案例，该方法将69个目标循环性指标（c-indicators）分解为91个可收集的数据点，优化模型识别出高效的数据收集配置，表明有限的信息系统子集即可支持大部分指标计算。主要贡献在于提出了一种旨在弥合组织对循环性评估日益增长的兴趣与实际实施之间差距的工作流程。通过结合意义建构、图模型和优化，该方法为循环性评估的数据来源实践提供了集成方法。然而，该方法依赖于数据可用性假设，若无进一步验证，直接适用性可能受限。未来工作应侧重于加强并验证循环性数据（c-data）与企业信息系统（EIS）之间的关联，改进优化模型以更好地反映实施约束，并将方法扩展到多组织供应链，其中数据治理变得至关重要。
