Notice bibliographique
Résumé
Purpose This study aims to investigate investing and borrowing behavior in retail banking between ethnic groups, specifically the Caucasians vis‐à‐vis the Chinese. Design/methodology/approach A total sample of 645 Caucasians and Chinese in Australia, Canada and China were tested for their level of business assigned to their main banks, defined as share of wallet (SOW) in this study. The study applied multivariate analyses. Findings No significant differences were found between the ethnic Chinese in Australia and Canada in comparison to their counterparts in mainland China, or compared with the Caucasians in Australia and Canada. This finding of convergence suggests that ethnic Chinese have adapted to the local banking behavior. The ethnic Chinese in Australia and Canada assigned 81‐88 percent of their assets to their main banks, in comparison to only 72 percent for their counterparts in China and 73 percent for the Caucasians. As such, the ethnic Chinese in Australia and Canada have developed their own unique behavior, resulting in crossvergence: an over‐adaptation to local behavior in managing their assets, and a mid‐way approach between the Chinese in China and the local Caucasians when it comes to borrowing money. Practical implications For bank marketing managers, this form of crossvergence constitutes a challenge as it suggests that gaining the trust of Chinese customers is complex since the SOW is lowest in the booming emerging market (i.e. China) whereas ethnic Chinese consumers in Western markets have formed their own unique pattern of allocating business to their banks. “Ethnic banking” is suggested to offer tailored services to ethnic groups in order to satisfy their specific money management. Originality/value This study establishes that Chinese consumers in Western markets are a distinct consumer group. Products and services need to be specially customized to suit their wants and needs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».