Factors influencing e-government maturity in transition economies and developing countries
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
This study examines the influences of relevant environmental factors on E-government (E-gov) maturity in transition economies and developing countries (TEDC). Countries from Eastern Europe, Sub-Saharan Africa, Latin American and South Asia were selected for the study. Prior research has investigated E-gov growth, development, and diffusion across both the developed and developing worlds. While such a focus is useful for comparative analyses at a global level, it is however argued that more useful information will emerge to enrich insight when research efforts particularly focus attention on issues in emerging parts of the world. Very few researchers have studied the factors influencing E-gov maturity in TEDC and with the approach employed in this present research. Using relevant theoretical frameworks, this research identified and examined the impact of 9 environmental factors of socio, political, economic, and technological dimensions on E-gov maturity in TEDC. A 5-year panel data consisting of 320 observations or data points was used in conjunction with the ordinary least squares (OLS) technique. This research also provided analyses for each of the selected sub-regions to enhance insight. Overall, the results showed that the availability of quality human resource, technological infrastructure, innovative capacity, wealth, rule of law, and transparency levels are important factors that positively impact E-gov maturity in TEDC. The implications of the study's findings for research and policy making are discussed. Future research avenues are also highlighted.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,018 |
| 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 découle