Analysis of adoption rates for Needs Driven versus Value Driven innovation water technologies
Notice bibliographique
Résumé
This paper analyzes six case studies of new water technology innovations in the last three decades and investigates the differences in timelines for moving through the various stages of water technology commercialization. The concept of two different types of innovation was explored: Crisis/Needs Driven and Value Driven. It was found that the case studies that mapped to the Crisis/Needs Driven innovation moved relatively quickly compared to Value Driven innovations and in most cases involved new entrants. New entrants refer to new companies or start-ups that have recently entered the water technology market. The case studies, which could be mapped to Value Driven innovation, had a slower rate of technology diffusion, and they involved a combination of existing companies as well as new entrants. PRACTITIONER POINTS: The paper identifies two key types of innovation: Crisis/Needs Driven and Value Driven. Legislation was observed to be a key driver for the adoption of new technology innovation in the water sector. The Crisis/Needs driven innovations studied were observed to diffuse through the Water Technology Diffusion model at up to twice the pace of Value driven innovation. Crisis/Needs driven innovation typically involves disruptive innovation offered by new entrants, whereas with Value driven innovation, the solutions are provided by both existing companies as well as new entrants. It is also observed that in most cases a technology that is adopted in order to meet a crisis or need in the market is more expensive at the outset compared with incumbent solutions. While value driven adoption has a slower cycle for adoption, it presents a lower risk as it is less dependent on external factors and timing of implementation of regulations or the occurrence of some public health related or environmental crisis.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».