MétaCan
Menu
Retour à la cohorte
Enregistrement W4311514103 · doi:10.5267/j.ijdns.2022.12.007

The effects of e-government, e-billing and e-filing on taxpayer compliance: A case of taxpayers in Indonesia

2022· article· en· W4311514103 sur OpenAlexvenueno aff
Ali Rokhman, Waluyo Handoko, Tobirin Tobirin, Andi Antono, Denok Kurniasih, Adhi Iman Sulaiman

Notice bibliographique

RevueInternational Journal of Data and Network Science · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueTaxation and Compliance Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTaxpayerCompliance (psychology)Government (linguistics)ModerationLikert scaleVariablesSample (material)PopulationBusinessNonprobability samplingAccountingMeasure (data warehouse)Variable (mathematics)PsychologyStatisticsComputer scienceData miningMedicineSocial psychologyPolitical scienceLawMathematicsEnvironmental healthChemistry

Résumé

récupéré en direct d'OpenAlex

The purpose of this study is to analyze the effects of the application of e-government, e-billing and e-SPT on taxpayer compliance. This type of research is quantitative research. The variables in this study consist of one dependent variable and three independent variables. The dependent variable is taxpayer compliance, while the independent variables are application of e-government, application of e-billing, and application of e-filing (e-SPT). The population in this study is Indonesian taxpayer. The sample in this research was 430 respondents who filled out the Likert Scale questionnaire. The sampling technique in this study was incidental sampling, with research instruments using online questionnaires distributed via social media. The data analysis technique in this study used a structural equation model (SEM) with SmartPLS 3.0 software. The results of this study indicate that the application of e-government had a positive and significant effect on taxpayer compliance, the application of e-billing had a positive and significant effect on taxpayer compliance, and the application of e-SPT had a positive and significant effect on taxpayer compliance.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,074
Score d'incertitude au seuil0,157

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,054
Tête enseignante GPT0,297
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Data and Network ScienceMême sujetTaxation and Compliance StudiesTravaux en français237 207