Lessons from Remarkable FinTech Companies for the Financial Inclusion in Peru
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Financial inclusion, defined as the adequate access and usage of formal financial services to improve people’s lives, is a crucial area for the economic development of a country through its various angles. This paper analyzes the impact of selected FinTech companies on financial inclusion in their respective countries to obtain lessons of their business models and country environments that can help Peruvian financial inclusion. The selected FinTechs are M-PESA in Kenya, Nubank in Brazil, GCASH in the Philippines, and Easypaisa in Pakistan, which revolutionized the financial sector in their respective countries. However, a comparative study of their impact on financial inclusion in their respective country has not been conducted yet; therefore, the lessons obtained are helpful for the Peruvian situation due to their practical implications and because they raise possible areas for further and deeper research. The approach of this study considered a qualitative and quantitative method (to find a Pearson correlation between the percentage of the population of Country (A) that are users of FinTech (a) and the six selected demand-side indicators per country retrieved from the Global Findex Database) analysis to understand the results obtained. The results obtained indicate that M-PESA and GCASH, companies specialized in providing basic mobile money transactions such as remittances and withdrawals, did not impact the provision of other financial services such as savings or credit cards. In Easypaisa’s case, this company positively impacts the studied indicators, probably due to its original partnership with a microfinance institution. Regarding Nubank, despite its remarkable growth in the last years, the company does not affect financial inclusion in Brazil yet. Nonetheless, after its recent expansion to provide more financial services, future research could assess the impact of this company on Brazilian financial inclusion.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 découle