Influential factors of cybersecurity investment: A quantitative SEM analysis
Notice bibliographique
Résumé
In the dynamic landscape of digital enterprises, cybersecurity has emerged as a critical determinant of organizational effectiveness. This study delves into the intricate realm of cybersecurity investment within ASEAN organizations, exploring the key facets that drive decision-making in this domain. Using a quantitative approach through structural equation modeling (SEM), we conducted an in-depth analysis based on a sample of 419 enterprises meeting cybersecurity criteria. Our findings reveal that cybersecurity strategy, financial considerations, and institutional and regulatory conditions are the primary factors influencing cybersecurity investments in the ASEAN region. In particular, financial resources emerged as the most critical determinant, underscoring the importance of adequate funding to address evolving cyber threats. Furthermore, our study highlights the crucial role of institutional and regulatory frameworks in shaping investment behavior, indicating a heightened awareness among firms regarding compliance with legal requirements. By unpacking these dynamics, our research provides deep insights into the intricate interplay of factors shaping cybersecurity investments in ASEAN organizations. This study contributes to the discourse by emphasizing the imperative nature of understanding the impact of risk aversion, organizational structures, and long-term practices on cybersecurity resilience. The implications of our findings extend to policy making, innovation, and future research directions in the cybersecurity domain, offering valuable insights to improve cybersecurity preparedness and resilience against evolving cyber threats.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 ».