Risk-Mitigating Technologies: The Case of Radiation Diagnostic Devices
Notice bibliographique
Résumé
We study the impact of consumers’ risk perception on firm innovation. Our analysis exploits a major surge in the perceived risk of radiation diagnostic devices following extensive media coverage of a set of overradiation accidents involving computed tomography (CT) scanners in late 2009. Using data on radiation diagnostic device patents and Food and Drug Administration (FDA) product clearances, we find that the increased perception of radiation risk spurred the development of new technologies that mitigated such risk and led to a greater number of new products. Using CT scanners as a case study, we provide an in-depth characterization of two different types of risk-mitigating technologies that firms developed after the shock. Firm-level analysis shows that, although firms were similarly responsive in their patenting activities, large incumbents were significantly more responsive than smaller firms in terms of new product introductions, and, in the case of CT scanners, large incumbents were also significantly more responsive in terms of the more radical type of risk-mitigating technologies. We also provide qualitative evidence and describe patterns of equipment usage and upgrade that are consistent with increased risk perception and, consequently, a greater willingness to pay for safety. Overall, our findings suggest that changes in risk perception can be an important driver of innovation, can shape the direction of technological progress, and can impact market structure. This paper was accepted by Ashish Arora, entrepreneurship and innovation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».