Resurseffektivitet blir nästa konkurrensfördel

Om du kan köpa material lokalt och minska beroendet av sårbara värdekedjor stärker du din motståndskraft. Det minskar inte bara risken utan skapar också en betydande konkurrensfördel. Dessutom kan det möjliggöra kostnadsbesparingar och minska koldioxidavtrycket per produkt, säger Elin, Head of Sustainability for Sweden and the Norden på Siemens.

Förvandla utmaningar till en konkurrensfördel

Ett cirkulärt tänkesätt ger dubbelt värde - det förstärker både affärsprestanda och hållbarhetspåverkan. Forskning visar att konsumenterna är villiga att betala upp till 10% mer för hållbart producerade produkter och tjänster, vilket ytterligare ökar konkurrenskraften. Och potentialen växer snabbt: Europas cirkulära ekonomi beräknas bli fem gånger större år 2040 jämfört med 2021.

” Tidigare har resurseffektivitet ofta förbisetts. Fler företag inser nu de potentiella riskerna och inser behovet av att säkra sina materialflöden — till exempel genom att integrera återvunnet material, fortsätter Elin.

Effekten är betydande: så mycket som 45% av de globala utsläppen av växthusgaser är kopplade till materialanvändning. Det innebär att cirkulär resurshantering inte bara är en resursfråga utan en förutsättning för att nå klimatmålen — och öppna nya möjligheter till tillväxt och lönsamhet.

För beslutsfattare innebär skiftet att gå från att se linjära beroenden som en risk till att se cirkularitet som en strategisk möjlighet. Genom att integrera cirkulära principer kan företag bygga mer motståndskraftiga värdekedjor.

”Genom att till exempel integrera cirkularitetskriterier i din produktdesign och förbättra resurseffektiviteten i dina produktionsprocesser skapar du en starkare grund för långsiktig affärsmotståndskraft.”

Strategier för längre livscykler och förutsägbart underhåll

Traditionellt har produkter designats med prestanda och kostnad som huvudfokus. I en cirkulär ekonomi måste design också ta hänsyn till livslängd, reparerbarhet och återanvändning.

” På Siemens gör vi aktivt om våra produkter så att de håller längre, kan uppgraderas och repareras och lättare kan återvinnas. Genom att fokusera på hållbara material, förbättrad prestanda och längre livslängd skapar vi produkter med minskat miljöavtryck samtidigt som vi möjliggör cirkulära värdeflöden, säger Elin.

Förlängning av en produkts livslängd beror också på förutsägbart underhåll. Genom att utnyttja sensorer, dataanalys och digitala tvillingar är det möjligt att förutsäga slitage och förlänga utrustningens livslängd — ett viktigt steg mot mer cirkulära och resurseffektiva produktionssystem.

— En utmaning i svensk industri idag är att cirka 60% av allt underhåll förblir reaktivt*. Det finns en enorm outnyttjad potential att använda ett mer datadrivet och förutsägbart tillvägagångssätt — förlänga tillgångarnas livslängd och minska resursförbrukningen, tillägger Elin.

Datadrivna beslut för resurseffektiva produkter och produktion

Cirkularitet börjar i designstadiet, både i hur en produkt utformas och hur produktionsprocesser är strukturerade. Att minimera avfall och optimera resursanvändningen kräver datadrivet beslutsfattande.

” Den cirkulära övergången är i grunden en teknisk och industriell omvandling. Data och digitalisering är avgörande för att anpassa produktion, produkter och materialflöden i den takt som krävs, förklarar Elin.

Genom att analysera produktionsdata kan företag identifiera var resurserna används mest effektivt och var förbättringsmöjligheterna ligger.

För att verkligen uppnå resurseffektivitet måste industrin börja ställa nya typer av frågor: Var är våra största materiella förluster idag — och hur kan dessa bli nya resurser? Vilken andel av våra insatsmaterial kan återvinnas? Och vad kan data från användningsfasen lära oss om att designa produkter som håller längre och cirkulerar mer effektivt? Ju starkare datagrundationen är, desto mer exakta och hållbara beslut — och tekniken för att uppnå detta finns redan, avslutar Elin.


*Källa: https://produktion2030.se/projekt/predictive-maintenance-using-advanced-cluster-analysis-paca/