Urban systems have a central role in the transition toward circular economy. Systematic analysis of drivers is needed because of the complex interplay of social, economic, and political factors. Such analysis requires a good understanding of direct and indirect influences on urban circularity. Because of the presence of indirect influences, visualizing the causal networks is necessary for systematic analysis. Existing methods for formulating causal network maps (CNMs) rely on subjective approaches which inhibit robust assessment. The generation of robust CNMs can provide more accurate representation of direct and indirect influences. Therefore, this study generates a robust CNM for drivers of urban circular economy through a hybrid decision-making and trial laboratory-fuzzy cognitive map (DEMATEL-FCM) framework. DEMATEL is used for building the initial structure of the network map. The network is then trained using FCM with data obtained from the Sustainable Cities Index. A 70:30 training–testing ratio is used to partition the training and testing datasets. The trained CNM has 92.75% accuracy during training and 96.77% accuracy during testing. The trained CNM provides an empirical depiction of driver interrelationships in urban circular economies. It indicates the importance of ‘affordability’ and ‘economic development’ in the network structure. The network yields significant insights for the development of city-level plans and policies to stimulate a transition to a more circular economy. Data-driven visualization of interactions among drivers give stakeholders insights on the most effective measures to implement.

Graphic abstract

中文翻译：

---

城市循环经济因果网络图

城市系统在向循环经济转型中发挥着核心作用。由于社会、经济和政治因素的复杂相互作用，需要对驱动因素进行系统分析。这种分析需要很好地理解对城市循环的直接和间接影响。由于存在间接影响，因此需要对因果网络进行可视化以进行系统分析。用于制定因果网络图 (CNM) 的现有方法依赖于抑制稳健评估的主观方法。生成稳健的 CNM 可以更准确地表示直接和间接影响。因此，本研究通过混合决策和试验实验室模糊认知图 (DEMATEL-FCM) 框架为城市循环经济的驱动因素生成了强大的 CNM。DEMATEL 用于构建网络地图的初始结构。然后使用 FCM 和从可持续城市指数获得的数据训练网络。70:30 的训练-测试比率用于划分训练和测试数据集。经过训练的 CNM 在训练期间具有 92.75% 的准确率，在测试期间具有 96.77% 的准确率。训练有素的 CNM 提供了城市循环经济中驱动程序相互关系的实证描述。它表明了“负担能力”和“经济发展”在网络结构中的重要性。该网络为制定城市级计划和政策以刺激向循环经济转型提供了重要见解。驱动程序之间交互的数据驱动可视化让利益相关者了解最有效的实施措施。然后使用 FCM 和从可持续城市指数获得的数据训练网络。70:30 的训练-测试比率用于划分训练和测试数据集。经过训练的 CNM 在训练期间具有 92.75% 的准确率，在测试期间具有 96.77% 的准确率。训练有素的 CNM 提供了城市循环经济中驱动程序相互关系的实证描述。它表明了“负担能力”和“经济发展”在网络结构中的重要性。该网络为制定城市级计划和政策以刺激向循环经济转型提供了重要见解。驱动程序之间交互的数据驱动可视化让利益相关者了解最有效的实施措施。然后使用 FCM 和从可持续城市指数获得的数据训练网络。70:30 的训练-测试比率用于划分训练和测试数据集。经过训练的 CNM 在训练期间具有 92.75% 的准确率，在测试期间具有 96.77% 的准确率。训练有素的 CNM 提供了城市循环经济中驱动程序相互关系的实证描述。它表明了“负担能力”和“经济发展”在网络结构中的重要性。该网络为制定城市级计划和政策以刺激向循环经济转型提供了重要见解。驱动程序之间交互的数据驱动可视化让利益相关者了解最有效的实施措施。30 训练-测试比率用于划分训练和测试数据集。经过训练的 CNM 在训练期间具有 92.75% 的准确率，在测试期间具有 96.77% 的准确率。训练有素的 CNM 提供了城市循环经济中驱动程序相互关系的实证描述。它表明了“负担能力”和“经济发展”在网络结构中的重要性。该网络为制定城市级计划和政策以刺激向循环经济转型提供了重要见解。驱动程序之间交互的数据驱动可视化让利益相关者了解最有效的实施措施。30 训练-测试比率用于划分训练和测试数据集。经过训练的 CNM 在训练期间具有 92.75% 的准确率，在测试期间具有 96.77% 的准确率。训练有素的 CNM 提供了城市循环经济中驱动程序相互关系的实证描述。它表明了“负担能力”和“经济发展”在网络结构中的重要性。该网络为制定城市级计划和政策以刺激向循环经济转型提供了重要见解。驱动程序之间交互的数据驱动可视化让利益相关者了解最有效的实施措施。训练有素的 CNM 提供了城市循环经济中驱动程序相互关系的实证描述。它表明了“负担能力”和“经济发展”在网络结构中的重要性。该网络为制定城市级计划和政策以刺激向循环经济转型提供了重要见解。驱动程序之间交互的数据驱动可视化为利益相关者提供了关于最有效实施措施的见解。训练有素的 CNM 提供了城市循环经济中驱动程序相互关系的实证描述。它表明了“负担能力”和“经济发展”在网络结构中的重要性。该网络为制定城市级计划和政策以刺激向循环经济转型提供了重要见解。驱动程序之间交互的数据驱动可视化让利益相关者了解最有效的实施措施。

图形摘要