Investigating and Predicting Intentions to Continue Using Mobile Payment Platforms after the COVID-19 Pandemic: An Empirical Study among Retailers in India
Notice bibliographique
Résumé
The Indian retail industry has registered tremendous growth recently. The sudden emergence of Coronavirus Disease 2019 (COVID-19) and the related measures that were taken by the authorities to curb the pandemic have compelled retailers and their consumers to transact using digital platforms. This study investigates the critical precursors to retailers’ behavioral intention to use mobile platforms for their business transactions in the post-pandemic era. This study adopted a framework that combined the theory of planned behavior (TPB) and self-determination theory (SDT) to predict behavioral intentions. A hybrid approach combining partial least squares structural equation modeling (PLS-SEM) and artificial neural network (ANN) techniques was used to test and validate the proposed framework. Four hundred and ninety-six participants from different central Indian cities participated in the study. PLS-SEM results confirmed that the motivational factors (need satisfaction [NS] and need frustration [NF]) significantly influence the attitude (AT), subjective norms (SN), perceived behavioral control (PBC), and behavioral intention (BI). Furthermore, the findings also established the partial mediating effect of AT, SN, and PBC on the relationship between motivational construct (NS and NF) and BI. Finally, the relationship established by SEM was successfully validated by ANN in the existence of a nonlinear relationship in the data. The findings may help retail stakeholders to support retail owners in their pursuit to continue using mobile payment systems in the post-COVID-19 world.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».