E-Commerce Challenges and Policy Considerations in Nigeria
Notice bibliographique
Résumé
Electronic commerce (or e-commerce) is the popular term for doing business electronically. According to Haag, Cummings, and McCubbrey (1998), for businesses, electronic commerce includes performing transactions with customers over the Internet for purposes such as home shopping, home banking, and electronic cash use; performing transactions with other organizations through the use of electronic data interchange (EDI); gathering information relating to consumer market research and competitors; and distributing information to prospective customers through interactive advertising, sales, and marketing efforts. Benefits of e-commerce to companies include a wider potential market (i.e., global access); lowering of transaction costs; increase in the speed of transactions; improved economies of scale; minimization of human intervention in business processes; and unlimited access to product information for customers (Sesan, 2000; Wood, 2003). While a few developing countries such as Costa Rica are making inroads into electronic commerce (Travica, 2002), many others are slow in its adoption. For example, a study, which rated 42 developing countries on their “e-readiness,” found that Taiwan and Estonia had emerged as leaders among developing countries in the ability to conduct e-commerce, whereas Russia, much of the Middle East, and Africa were lagging behind (Anonymous, 2000). One of the countries included in the study but that rated poorly in its e-commerce efforts is Nigeria. In this articl, we shall be discussing the challenges being faced by the country as it grapples with the adoption of e-commerce.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».