Critical Success Factors of Public-Private-Community Partnership in Bali Tourism Infrastructure Development
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
According to the National Development Planning Agency (Bappenas), the limited budget of the Government of Indonesia to improve public facilities can be resolved through the approach of Public-Private Partnership (PPP). PPP beneficial for the parties involved in such cooperation, among others, the transfer of technology, transfer of risk, and increase accountability. Until now, the PPP has not involve the active participation of the community, it is necessary to add an element of society in the so-called Public-Private-Community Partnership (PPCP). This study aims to investigate Critical Success Factors (CSF) of PPCP. CSF of PPCP obtained from the literature study of PPP. Respondents came from the regency/city level agency heads such as: the private sector at management level, party people represented by Indigenous Chairman (bendesa adat), penyarikan (secretary) and juru raksa (treasurer). Data of the questionnaire results collected resulted in a significant index (rate of interest) and subsequently analyzed with the “factor analysis“ to determine CSF of PPCP. This study resulted in CSF of PPCP by incorporating local communities into the PPP, which is an improvement proposal for Decree No. 13 of 2007 about cooperation between the government and the private sector in infrastructure. From the results of a factor analysis, obtained the nine CSF are: socio-cultural factors (values diversity of 29.914%), legal factors (14.198%), procurement factor (5.330%), risk factors (4.956%), a consortium factor (4.312%), technical factors (3.951%), economic factors (3.643%), financial factors (3.241%), and technological factors (3.224%).
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.
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 | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle