E-WALLET ADOPTION: A CASE IN MALAYSIA
Notice bibliographique
Résumé
In line with the rapid growth in internet access, Fintech, online shopping and cross border trading in recent years, mobile payment transactions are expected to be the most prevalent means to complete sales transactions. A RM30 incentive of the use of E-wallet was announced for the Malaysia Budget 2020 to spur the use of E-wallet in Malaysia, while the central bank of Malaysia (BNM) has launched the Financial Sector Blueprint 2011-2020 aiming to eliminate the issuance of cheques and to increase e-payments, which accelerate the speed of transformation into a cashless society and stimulate the shift towards the electronic payment era. This paper contributes by examining the E-wallet adoption behavior of Malaysian smartphone users. The UTAUT model has been used. Data from 210 respondents were collected through an online survey. The findings show that three quarter of Malaysians have tried or started to use E-wallet, despite that it is still not a very common payment option. Half are spending less than RM100 per month using E-wallet with the average amount per transaction of not more than RM50. Partial-least-squares-structural-equation-modelling (PLS-SEM) is applied. The results reveal performance expectation, effort expectation and social influence have positive impact on the use behavior of E-wallet, whilst the perceived risk and perceived costs have no significant influence. Being at the infant stage of E-wallet in Malaysia, the regulators and retailers should focus their efforts on promoting the benefits brought by
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».