Critical Success Factors Affecting E-Procurement Adoption in Public Sector Organizations in Sri Lanka
Notice bibliographique
Résumé
E-procurement is one of the Information Communication Technology (ICT) applications utilized in both public and private sector organizations. Many countries all over the world including Canada, Korea and Philippine benefited through the government procurement using electronic means as it enables the government to offer more convenient and widespread accessible government services in an efficient, cost-effective and participatory manner. The main objectives of the study are (a) to access the level of e-procurement usage in the public-sector in Sri Lanka; (b) to identify the significant factors affecting the public-sector e-procurement adoption in Sri Lanka; and (c) to identify the barriers in adopting e-procurement in those organizations. The population of the study comprises of the national level public sector entities such as; Ministries, Departments, Statutory Boards and Public Companies. A sample of 114 officers who involved in the procurement function was selected as key informants based on stratified random sampling method. 74 officers were responded for the study. Both qualitative and quantitative methods were utilized in this study. Quantitative data were collected through a structured questionnaire to identify the determinants of successful e-procurement adoption and the level of e-procurement usage. The qualitative data were collected through 10 interviews to identify barriers in e-procurement adoption. The study found that Relative Advantage, Compatibility, Complexity, Top Management Support, Employee Knowledge and skills and Supplier Readiness are statistically significant (at p<0.01) determinants of e-procurement adoption. These variables altogether explain 66.2% of variance in e-procurement adoption in the public-sector organizations in Sri Lanka. Among them, Top Management Support and Employee Knowledge are the major determinants of the successful e-procurement adoption. Weak procurement guidelines, Weak Legal framework and ICT infrastructure, and Lack of IT knowledge and experience of employees are the present barriers to e-procurement adoption in public sector organizations in Sri Lanka. Finally, policy recommendations for the e-procurement adoption are proposed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».