Improving the Management of Innovation Risks - R&D Risk Assessment for Large Technology Projects
Notice bibliographique
Résumé
Global network structures of products and services are important value creators for many companies. Complex business models include a variety of relationships and interrelationships within and across different systems particularly in the case of innovation processes. This increases innovation risks. Risk management is becoming more and more important and is crucial for the German Machinery and Plant Engineering Industry (MPEI). Many companies are medium-sized and are using standard static risk management methods. Use of these methods often means that critical situations are detected late, they do not help in the understanding of problem characteristics and their interdependencies and, consequently, lead to erroneous decisions.Therefore, the modelling of cause-and-effect structures of innovation risks in the German MPEI facilitates the exploration and understanding of the behavioral dynamic of risk clusters. In a comparison of standard risk assessment with the Causal Loop Diagram and the System Dynamics Model of Innovation Risks, the potential of System Dynamics for systemic and multi-dimensional risk management is demonstrated. In this paper, particular emphasis is given to the risk of shortages of skilled workers from a common and System Dynamics perspective. This is relevant as these shortages are the main risk associated with innovation, impacting on project timings, output and performance amongst others. The research concludes that the development of specific System Dynamic models can help to overcome certain problems and incorporate multi-causal interconnections and multidimensional views on risk.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».