XiaoMi-AI文件搜索系统
World File Search Systemmining
检查伊朗基于知识的公司的循环经济实践和可持续性绩效
摘要本研究依赖于资源和行业的观点和利益相关者，开发了一个模型，该模型显示了技术采用的作用，将废物减少到零的方法，市场不确定性以及绿色经济激励措施在促进循环经济实践以及改善知识基础公司的可持续性绩效方面的作用。本文使用了定量研究方法和结构化问卷工具，其中从知识公司的经理和专家那里收集了调查数据，以使用结构方程建模（SEM）来测试假设。该研究的统计人群是来自伊朗电子和电气设备生产领域的知识公司的所有经理和专家，有384人。结果表明，采用技术，零废物实践和绿色经济激励措施对循环经济实践产生了积极和重大影响，而市场的不确定性对循环经济实践没有重大影响。结果还表明，循环经济实践对基于知识的公司的可持续性绩效产生积极而显着的影响。此外，通过采用循环经济企业家精神作为调节变量，可以改善循环经济实践和公司的可持续性绩效。关键词：循环经济实践，技术采用，零废物实践，绿色经济激励措施，基于知识的公司的可持续性。JEL分类：A10，L26，Q01，Q53，Q55 *通讯作者Ramin Bashir Khodaparasti - 电子邮件：R.Bashirkhodaparast@urmia.ac.ac.ir
循环经济和工业生态学概念如何交织在一起？文献计量和文本挖掘分析
尽管工业生态学 (IE) 在过去二十年中已经得到了彻底的理论化和分析（Cecchin 等人，2020 年），但围绕循环经济 (CE) 的研究仍处于萌芽阶段，并越来越受到企业、政策制定者和学术界的关注（Korhonen 等人，2018 年 a）。然而，这个 CE 概念并不完全是新的，它的基础是包括 IE 在内的多个研究流派。例如，根据艾伦·麦克阿瑟基金会 (EMF, 2015) 的说法，CE 范式基于七个“思想流派”，即：工业生态学、仿生学、自然资本主义、再生设计、从摇篮到摇篮、蓝色经济、绩效经济。对于法国环境与能源管理局 (ADEME, 2014) 来说，工业生态学也是建立循环经济的几大支柱之一，包括生态设计或产品即服务。
端到端网络中断 - 检查中间箱...
网络中间箱是现代网络系统中的重要组成部分，根据最近的研究影响了大约40％的网络路径。这篇调查文章深入研究了他们的地方性存在，以超过二十年的发现丰富了2002 RFC，并强调了它们在安全和绩效方面的影响。此外，它根据其功能，目标和更改对网络中间箱进行分类。在当今的世界中，网络中间箱作为双刃剑出现。虽然对网络操作很重要，但它们也带来了安全风险。我们提出了他们引入的各种挑战，包括它们对互联网骨化的贡献，审查制度，监视和交通差异的潜力。巨大的努力仍然是使他们的存在对最终用户更加可见。本文探讨了潜在的解决方案，从预防和检测到治疗措施。最终，我们旨在将这项调查作为解决围绕网络中间箱概念的挑战的基础资源，从而促进该领域的进一步研究和创新。
确定 COVID-19 抑制政策的最佳持续时间：成本效益分析
如果得不到任何干预，新冠病毒将给美国经济造成超过 9 万亿美元的损失。抑制政策旨在通过关闭学校和非必要企业等严格的社会隔离措施来减少新病例数量。缓解政策限制较少，旨在通过限制密切互动和隔离传染性个体来减缓新病例的增长。假设在疫苗上市之前，抑制阶段将被缓解阶段取代，我们发现，抑制阶段的经济成本越高，最佳持续时间越短，两个阶段减少病毒传播的效果就越好。最后，通常提出的开关式抑制政策在经济效率上不如在疫情爆发之初实施的持续抑制制度。
引用 Bag S、Dhamija P、Gupta S 等人 (2021) 探讨采购 4.0 对再制造运营和循环经济的作用。产品
版权所有 © 2020 Taylor & Francis。本稿件的记录版本已发布，可在《生产规划与控制》2021 32(16): 1368-1383 中找到。http://www.tandfonline.com/https://doi.org/10.1080/09537287.2020.1817602
Synteruptor：非经典专用代谢物基因簇的采矿基因组岛
*应向谁解决。电话：+33 1 69 82 62 48;电子邮件：sylvie.lautru@i2bc.paris-saclay.fr也可以发送给Olivier Lespinet。电话：+33 1 69 82 62 21;电子邮件：olivier.lespinet@i2bc.paris-saclay.fr†前两位作者应被视为联合第一作者。当前的地址：Drago Haas，Biose Industrie，Aurillac 15000，法国。Matthieu Barba，欧洲生物信息学研究所，欣克斯顿CB10 1SD，英国。CláudiaM。Vicente，Genphyse，Toulouse Univer，Inrae，Envt，Castanet-Tolosan，法国。 AmélieGarénaux，Applied Medical，Rancho Santa Margarita，CA 92688，美国。 Jean-NoëlLorenzi，CNRS，法国巴黎F-75013研究所。 Luisa Laureti，DNA损伤和基因组不稳定性，Marseille癌症研究中心（CRCM）； CNR，AIX Marseille大学，Inserm，Paoli-Calmettes，法国马赛。CláudiaM。Vicente，Genphyse，Toulouse Univer，Inrae，Envt，Castanet-Tolosan，法国。AmélieGarénaux，Applied Medical，Rancho Santa Margarita，CA 92688，美国。 Jean-NoëlLorenzi，CNRS，法国巴黎F-75013研究所。 Luisa Laureti，DNA损伤和基因组不稳定性，Marseille癌症研究中心（CRCM）； CNR，AIX Marseille大学，Inserm，Paoli-Calmettes，法国马赛。AmélieGarénaux，Applied Medical，Rancho Santa Margarita，CA 92688，美国。Jean-NoëlLorenzi，CNRS，法国巴黎F-75013研究所。Luisa Laureti，DNA损伤和基因组不稳定性，Marseille癌症研究中心（CRCM）； CNR，AIX Marseille大学，Inserm，Paoli-Calmettes，法国马赛。
确定清理措施是否使用永久解决方案在最大程度上使用不成比例的成本分析
模型毒物控制法（MTCA）要求生态学“在最大程度上偏爱永久解决方案”（RCW 70A.305.030（1）（b））。反映本法定授权，MTCA规则要求“最大程度地使用永久解决方案”（WAC 173-340-360（3）（a）（x））“使用永久解决方案”。MTCA规则还指定了如何在可行性研究（FS）中评估清洁行动替代方案的程序（步骤），以确定哪种替代方案符合这一要求（WAC 173-340-360（5））。
确定解决马尔可夫决策过程的有效方法
我们在这里考虑马尔可夫决策过程（MDPS），总体知识是已知的过渡和奖励功能。主要有两种有效的方法，可以使用基于模型的方法来精确求解MDP：动态编程或线性程序，如[11]中所述。确定解决MDP问题的最有效方法一直是文献研究的主题。有关全面的审查，请参阅[1]以及[11，9]。根据[11]，有人认为，基于价值的算法（例如价值迭代（VI）及其变体）并不像基于政策的方法那样实用，因此建议避免使用。另一方面，对基于策略的方法进行了比较下注政策迭代（PI）和政策迭代（PIM）尚不清楚，尽管后者似乎更有效[11]。早期的发现表明，线性编程方法不适合解决此类问题，这主要是由于求解器的速度慢[9]。尽管如此，文献中的比较研究有限，截至2007年，这个问题仍未解决[10]。随着线性编程求解器（例如Gurobi或cplex）的性能不断提高，以及并行化可能性的进步，对求解方法的定期重新评估变得相关。因此，在[1]的研究中，对线性编程和政策迭代的性能进行了比较分析，是对特定的马尔可夫决策过程（MDP）模型进行的，重点介绍了预期的总奖励标准。非零条目的1％。所考虑的MDP的特征是较大的状态空间（基数至少为2000），并且表现出各种动作选择（范围为2至500）。值得注意的是，所有过渡矩阵都高度稀疏，仅包含1％和0。先前的研究采用内点方法来解决线性程序。他们认为线性编程（LP）优于策略迭代（PI），并且对于特定模型而言，这显着。必须注意，[1]检查的模型类别在文献中很普遍，尤其是在给定状态下可能的转移数量的网络问题中。尽管如此，该研究仍具有一定的局限性。首先，即使这些方法可能会超过速度上的标准PI，但它并未考虑修改策略迭代及其变体。其次，研究中采用的LP解决方法仅提供政策而不是政策和价值观，就像动态编程一样。最后，其结论对更稀疏或其他操作标准的更广泛案例的概括性仍然不确定。这项工作的目的是找出线性编程在更一般的情况下是否仍然是一种有效的工具，并且在哪些条件（状态空间和行动空间维度，稀疏性）下找到使用动态编程仍然有效。
通过可解释的自动化机器学习迈向大型工业数据挖掘
抽象工业系统资源能够生成大量数据。这些数据通常采用异质格式并分发，但它们表示可以挖掘可以允许部署智能管理工具进行生产活动的信息。为此，有必要使用人工智能（AI）模型来实施知识提取和预测过程，但是对于非专家用户而言，对预期AI模型的选择和配置往往越来越复杂。在本文中，我们提出了一种方法和一个软件平台，该方法可能允许不熟悉AI的工业参与者选择和配置算法，以最佳地适应他们的需求。因此，该方法基本上是基于自动化的机器学习。产生的平台有效地可以在AI算法和超参数配置的组合之间做出更好的选择。也可以提供重新塑造算法和模型的解释性的功能，从而提高这些模型在实践用户社区中的可占用性。所提出的方法已应用于预测维护的领域。当前测试是