Institutional Quality, Digital Readiness, and Economic Growth: Constructing and Testing a Government Project Maturity Index
Notice bibliographique
Résumé
This paper investigates the impact of government project management maturity (GPMI) on gdp per capita growth across 159 countries using panel data for 2016, 2018, 2020, 2022, and 2024. The study constructs a novel gpmi by combining six worldwide governance indicators and the e-government development index to capture institutional quality and digital readiness essential for effective public project management. The study tests the hypotheses that higher gpmi contributes to economic growth, with a particular focus on the potential delayed effects of improvements in project management maturity on economic performance. Panel fixed effects regression models were employed to analyze the relationship while controlling for inflation, trade openness, urban population share, and the log of gdp per capita. The results indicate that gpmi has a positive and statistically significant effect on gdp per capita growth when measured with a time lag, confirming that the benefits of institutional and project management reforms require time to materialize. Additionally, inflation was found to negatively impact growth, while trade openness showed a positive association. Urban population share exhibited a significant negative relationship with gdp growth, highlighting the potential infrastructure pressures associated with urbanization. These findings contribute to the literature on public sector management and economic development by emphasizing the importance of investing in government project management capacity as part of long-term development strategies.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| 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 ».