Abstract: Electronic and electrical waste (e-waste) is growing fast. The purpose of this study is to examine young consumers’ purchase intention of refurbished electronic devices (REDs) such as laptop, tablet, mobile phone and game console. From literature review the factors that influence young consumers’ purchase intention were identified as ‘environmental awareness’, ‘social acceptance’, ‘seller/brand reputation and availability’, and ‘affordability and value’. For each factor a few statements were developed and used as independent variables in a questionnaire. One statement was added about purchase intention as dependent variable. A Pearson correlation coefficient test us showed a clear positive correlation of ‘environmental awareness’ and ‘affordability and value’ with the intention to purchase REDs, but not for the other two factors. This analysis contributes to knowledge on young consumers’ perceptions of refurbished electronic devices and can inform the design of innovative value propositions and new business models for REDs that contribute to a circular economy
MULTIFILE
Offering time windows to receivers of last-mile delivery is becoming a distinguishing factor. However, we see that in practice carriers have to create routes for their vehicles based on destination information, that is just being revealed when a parcel arrives in the depot. The parcel has to be assigned directly to a vehicle, making this a Dynamic Assignment Vehicle Routing Problem. Incorporating time windows is hard in this case. In this paper an approach is presented to solve this problem including Time Windows. A comparison is made with a real observation and with a solution method for the base problem
LINK
Background: The number of people with multiple chronic conditions demanding primary care services is increasing. To deal with the complex health care demands of these people, professionals from different disciplines collaborate. This study aims to explore influential factors regarding interprofessional collaboration related to care plan development in primary care. Methods: A qualitative study, including four semi-structured focus group interviews (n = 4). In total, a heterogeneous group of experts (n = 16) and health care professionals (n = 15) participated. Participants discussed viewpoints, barriers, and facilitators regarding interprofessional collaboration related to care plan development. The data were analysed by means of inductive content analysis. Results: The findings show a variety of factors influencing the interprofessional collaboration in developing a care plan. Factors can be divided into 5 key categories: (1) patient-related factors: active role, self-management, goals and wishes, membership of the team; (2) professional-related factors: individual competences, domain thinking, motivation; (3) interpersonal factors: language differences, knowing each other, trust and respect, and motivation; (4) organisational factors: structure, composition, time, shared vision, leadership and administrative support; and (5) external factors: education, culture, hierarchy, domain thinking, law and regulations, finance, technology and ICT. Conclusions: Improving interprofessional collaboration regarding care plan development calls for an integral approach including patient- and professional related factors, interpersonal, organisational, and external factors. Further, the leader of the team seems to play a key role in watching the patient perspective, organising and coordinating interprofessional collaborations, and guiding the team through developments. The results of this study can be used as input for developing tools and interventions targeted at executing and improving interprofessional collaboration related to care plan development.
In het project “ADVICE: Advanced Driver Vehicle Interface in a Complex Environment” zijn belangrijke onderzoeksresultaten geboekt op het gebied van het schatten van de toestand en werklast van een voertuigbestuurder om hiermee systemen die informatie geven aan de bestuurder adaptief te maken om zo de veiligheid te verhogen. Een voorbeeld is om minder belangrijke informatie van een navigatiesysteem te onderdrukken, zolang de bestuurder een hoge werklast ervaart voor het autorijden en/of belangrijke informatie juist duidelijker weer te geven. Dit leidt tot een real-time werklast schatter die geografische informatie meeneemt, geavaleerd in zowel een rijsimulator als op de weg. In de ontwikkeling naar automatisch rijden is de veranderende rol van de bestuurder een belangrijk (veiligheids) onderwerp, welke sterk gerelateerd is aan de werklast van de bestuurder. Indien rijtaken meer geautomatiseerd worden, wijzigt de rol van actieve bestuurder meer naar supervisie van de rijtaken, maar tevens met de eis om snel en gericht in te grijpen indien de situatie dit vereist. Zowel deze supervisie als interventietaak zijn geen eenvoudige taken met onderling een sterk verschillende werklast (respectievelijk lage en (zeer) hoge werklast). Of een goede combinatie inclusief snelle overgangen tussen deze twee hoofdtaken veilig mogelijk is voor een bestuurder en hoe dit dan het beste ondersteund kan worden, is een belangrijk onderwerp van huidig onderzoek. De ontwikkeling naar autonoom rijden verandert niet alleen de rol van de bestuurder, maar zal ook de eisen aan het rijgedrag van het voertuig beïnvloeden, de voertuigdynamica. Voor de actieve bestuurder kunnen snelle voertuigreacties op bestuurdersinput belangrijk zijn, zeker voor een ‘sportief’ rijdende bestuurder. Indien dit voertuig ook automatische rijtaken moet uitvoeren, kan juist een meer gelijkmatig rijgedrag gewenst zijn, zodat de bestuurder ook andere taken kan uitvoeren. Dit stelt eisen aan vertaling van (automatische) input naar voertuigreactie en aan de voertuigdynamica. Mogelijk wil zelfs een sportieve bestuurder een meer comfortabel voertuiggedrag tijdens automatisch rijden. Eveneens voor deze twee voertuigtoestanden, menselijke of automatische besturing, moet gezocht worden naar een goede combinatie inclusief (veilige) overgangen tussen deze twee toestanden. Hierbij speelt de werklast en toestand van de bestuurder een doorslaggevende rol. In de geschetste ontwikkelingen in automatisch rijden kunnen de onderzoeksresultaten van ADVICE een goede ondersteuning bieden. Veel van deze ontwikkelingen worstelen met het schatten van de werklast van de bestuurder als cruciaal (veiligheids) aspect van automatisch rijden. De ADVICE resultaten zijn echter gepresenteerd voor beperkt publiek en gepubliceerd op conferenties, waarvan de artikelen veelal slechts tegen betaling toegankelijk zijn. Daarnaast zijn dergelijke artikelen gelimiteerd in aantal pagina’s waardoor de over te dragen informatie beperkt is. Om een betere doorwerking van ADVICE aan ‘iedereen’ te realiseren en tevens de mogelijkheden hiervan in de toekomst van automatisch rijden te plaatsen, willen wij top-up gebruiken om hierover een artikel te schrijven en dit in een peer-reviewed Open Access tijdschrift online toegankelijk te maken. Hierdoor wordt de informatie voor iedereen, gratis toegankelijk (open access), is de inhoud uitgebreider aan te geven (tijdschriftartikel) en is de inhoud en kwaliteit goed en relevant voor het vakgebied (peer-reviewed).
In order to stay competitive and respond to the increasing demand for steady and predictable aircraft turnaround times, process optimization has been identified by Maintenance, Repair and Overhaul (MRO) SMEs in the aviation industry as their key element for innovation. Indeed, MRO SMEs have always been looking for options to organize their work as efficient as possible, which often resulted in applying lean business organization solutions. However, their aircraft maintenance processes stay characterized by unpredictable process times and material requirements. Lean business methodologies are unable to change this fact. This problem is often compensated by large buffers in terms of time, personnel and parts, leading to a relatively expensive and inefficient process. To tackle this problem of unpredictability, MRO SMEs want to explore the possibilities of data mining: the exploration and analysis of large quantities of their own historical maintenance data, with the meaning of discovering useful knowledge from seemingly unrelated data. Ideally, it will help predict failures in the maintenance process and thus better anticipate repair times and material requirements. With this, MRO SMEs face two challenges. First, the data they have available is often fragmented and non-transparent, while standardized data availability is a basic requirement for successful data analysis. Second, it is difficult to find meaningful patterns within these data sets because no operative system for data mining exists in the industry. This RAAK MKB project is initiated by the Aviation Academy of the Amsterdam University of Applied Sciences (Hogeschool van Amsterdan, hereinafter: HvA), in direct cooperation with the industry, to help MRO SMEs improve their maintenance process. Its main aim is to develop new knowledge of - and a method for - data mining. To do so, the current state of data presence within MRO SMEs is explored, mapped, categorized, cleaned and prepared. This will result in readable data sets that have predictive value for key elements of the maintenance process. Secondly, analysis principles are developed to interpret this data. These principles are translated into an easy-to-use data mining (IT)tool, helping MRO SMEs to predict their maintenance requirements in terms of costs and time, allowing them to adapt their maintenance process accordingly. In several case studies these products are tested and further improved. This is a resubmission of an earlier proposal dated October 2015 (3rd round) entitled ‘Data mining for MRO process optimization’ (number 2015-03-23M). We believe the merits of the proposal are substantial, and sufficient to be awarded a grant. The text of this submission is essentially unchanged from the previous proposal. Where text has been added – for clarification – this has been marked in yellow. Almost all of these new text parts are taken from our rebuttal (hoor en wederhoor), submitted in January 2016.
This project extends the knowledge and scope of carbon footprinting in tourism. Currently, the carbon footprint of holidaymakers is available as time-series based on the CVO (Continue Vakantie Onderzoek) for the years 2002, 2005 and all between 2008 and 2018. For one year, 2009, a report has also been written about inbound tourism. The carbon footprint of business travel has not been determined, whereas there has been considerable interest throughout the years from businesses to assess and mitigate their travel footprints. There is also increasing policy attention for travel footprints. In 2018, a modified setup of the CVO caused the need to revise our statistical model and correction factors to be developed to counter the potential effects of a trend-breach. The project aimed to check and improve the current syntax for Dutch holidaymakers, adjust the one for inbound tourism, and develop a new one for Dutch business travel. The project output includes a report on the carbon footprint of Dutch holidaymakers for 2018, on inbound tourism for 2014, and on Dutch business travel for 2016, based on the CVO, inbound tourim dataset, and CZO. The project ends with a workshop with stakeholders to identify the way forward in tourism carbon footprinting in the Netherlands (tools, applications, etc.)Project partners: NRIT Research, NBTC-NIPO Research, CBS
