Doelstellingen Na bestudering van dit hoofdstuk: • weet je dat gereguleerde marktwerking in het Nederlandse zorgstelsel niet zonder problemen is; • weet je dat bekostiging van zorg in belangrijke mate bepalend is voor de inrichting en vormgeving van zorgprocessen; • besef je dat de huidige regels rondom bekostiging van zorg de inrichting van preventieve zorg in de weg staan; • heb je kennis genomen van alternatieve vormen van bekostiging van zorg, ieder met eigen voordelen en nadelen; • besef je dat een zorgdomeinoverstijgend perspectief noodzakelijk is, omdat een goede gezondheid ook bepaald wordt door factoren die buiten het zorgdomein liggen; • weet je dat maatschappelijke effecten niet altijd in cijfers zijn uit te drukken en dat een maatschappelijke kosten-batenanalyse hier mogelijk uitkomst kan bieden; • heb je kennis genomen van het ‘waarom’, ‘hoe’ en ‘wat’ van businessmodellen in de zorg.
We zitten momenteel in een transitie-periode waarin we van een lineaire economie op basis van bestaande business modellen gericht op economische waarde maximalisatie toegaan naar een circulaire economie, waar business modellen streven naar waarde behoud. De volgende stap is de overgang naar een regeneratieve of restauratieve economie, waarin niet alleen economische waarde, maar ook ecologische en sociale waarde wordt gecreëerd (meervoudige waardecreatie). Vanuit accounting perspectief is een parallelle ontwikkeling zichtbaar. Ons huidige accounting systeem is met name gericht op economische waarde. Als gevolg van de transitie van een lineaire economie naar een circulaire economie, zijn er accounting modellen en frameworks in ontwikkeling gericht op meervoudige waardecreatie. De auteurs zijn echter van mening dat in de literatuur een cruciale gap bestaat tussen de ontwikkeling van accounting en meervoudige waardecreatie, en dat huidige modellen en frameworks gericht op meervoudige waarde vooral leiden tot ‘greenwashing’. In deze bijdrage gaan wij na in hoeverre de vigerende concepten van accounting bruikbaar zijn om te sturen op meervoudige waarde. Onder sturen wordt in dit kader bedoeld het bepalen, meten en waarderen. Dit doen wij aan de hand van een conceptuele analyse waarbij we de toepassing van de vigerende accounting concepten ten aanzien van profit vergelijken met mogelijke toepassing van deze concepten in relatie tot people en planet. Wij concluderen dat deze concepten over het algemeen niet toepasbaar zijn voor people en planet. Wij stellen daarom een alternatieve benadering voor, waarbij wij menen dat vigerende accounting concepten grotendeels toepasbaar zijn op people en planet. Dit is gebaseerd op een aanpak waarin het huidige ontologische uitgangspunt van accounting wordt verlaten en waarin we een aangepast ontologisch uitgangspunt verder uitwerken aan de hand van de Triple Depreciation Line (TDL) van Rambaud & Richard (2015). Tenslotte hebben we kritiekpunten geformuleerd op de TDL systematiek en stellen we een alternatieve TDL systematiek voor. Hiermee beoogt dit paper een bijdrage te leveren aan het inzichtelijk maken van de praktische en conceptuele problemen bij de toepassing van vigerende accounting concepten in een circulaire economie, om vervolgens mogelijke oplossingsrichtingen aan te reiken, gericht op bescherming, herstel en regeneratie van natuurlijk en sociaal kapitaal.
This paper investigate to use of information technology, i.e. machine learning algorithms for water assessment in Timor-Leste. It is essential to access clean water to ensure the safety for humans and others livings in this world. The Water Quality Index (WQI) is the standard tool for assessing water quality, which can be calculated from physicochemical and microbiological parameters. However, in developing countries, it is continuing need to bring water and energy for the most disadvantaged, make it necessary to find new solutions. In such case, missing-value imputation and machine learning models are useful for classifying water samples into suitable or unsuitable with significant accuracy. Some imputation methods were tested, and four machine learning algorithms were explored: logistic regression, support vector machine, random forest, and Gaussian naïve Bayes. We obtained a dataset with 368 observations from 26 groundwater sampling points in Dili city of Timor-Leste. According to experimental results, it is found that 64% of the water samples are suitable for human consumption. We also found k-NN imputation and random forest method were the clear winners, achieving 96% accuracy with three-fold cross validation. The analysis revealed that some parameters significantly affected the classification results.
