Securing Strategic Advantage: The Role of Cybersecurity Actions and Government Support in Enhancing Digital Platform Capabilities
Notice bibliographique
Résumé
ABSTRACT In today's digital age, digital platforms are foundational to the business strategies of major firms but are increasingly vulnerable to cyber‐attacks that can severely impact user trust and operational functionality. This study examines the impact of cybersecurity actions on the strategic capabilities of digital platforms, moderated by government support for cybersecurity policy. Drawing on the resource‐based view (RBV) with the core competence perspective, this research posits that proactive cybersecurity measures are not merely protective mechanisms but strategic assets that enhance digital platforms' reliability, innovation potential, and competitive positioning in the digital economy. Based on 1017 survey responses from 817 firms in Taiwan, this study validates a model that confirms the positive impact of cybersecurity actions on the strategic capabilities of digital platforms and elucidates the moderating role of government support. The findings reveal that government policies not only boost the effectiveness of cybersecurity measures but also align corporate strategies with broader policy frameworks, enhancing the resilience and strategic agility of digital platforms. This study extends the RBV by incorporating cybersecurity as a pivotal intangible resource and highlights the necessity for integrated approaches where government support amplifies the strategic benefits of cybersecurity actions. The insights provided offer substantial implications for policymakers and business leaders in navigating the complexities of cybersecurity in the digital age.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,003 |
| 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 ».