Analysis of policy regulations and market access as drivers of collaboration in enhancing sustainable competitiveness in the project creative industry
Notice bibliographique
Résumé
This study uses a structural equation model to analyze the role of regulation and policy with market access through collaboration and networking to sustainably improve the creative industry's competitiveness. Questionnaires were distributed to respondents in the creative sector in four big cities in Indonesia, namely Surabaya, Bandung, Yogyakarta, and Solo. The results of distributing questionnaires to 280 respondents and 250 questionnaires can be further processed with a response rate of 89.29%. Based on the goodness of fit test results, the model tested fits the data very well. All evaluation criteria met or exceeded the recommended values. Market access is the most influential variable on collaboration, networking, and competitiveness in the creative industry, with a coefficient value of 0.60. Collaboration and networking are essential variables in improving creative sectors, with a coefficient of 0.59. Although influential on collaboration and networking, regulations and policies do not significantly affect the creative industry's competitiveness because the coefficient index value is -0.11. However, rules and guidelines can indirectly affect the competitiveness of the creative sector through collaboration and networking, with a coefficient value of 0.189. The practical contribution of research provides insight for the government to create policies and regulations that support the creative industry and protect imported products so they do not kill domestic creative products. Contribution for practitioners to build collaboration with various parties in the country and build market access so they can export products. Theoretical contributions can enrich studies on resources-based views and national competitiveness.
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 | 0,002 | 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 | 0,000 | 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 ».