Does Fintech-Driven Inclusive Finance Induce Bank Profitability? Empirical Evidence from Developing Countries
Notice bibliographique
Résumé
This study explores the effect of fintech-driven inclusive finance on the profitability of banks using an unbalanced panel dataset from 660 banks across 40 developing countries between 2011 and 2021. We start with a fixed-effect estimate and subsequently validate our main findings using two-stage least squares (2SLS-IV), two-step system generalized method of moments (GMM), and generalized least squares (GLS) methodologies. Our analysis centers on three key profitability metrics: ROA, ROE, and NIM. Our findings suggest that fintech-backed inclusive finance boosts ROA by 9.10%, ROE by 18.87%, and NIM by 7.98%, highlighting the growing importance of mobile, internet, and agent banking in these nations. We also note that large banks benefit more from inclusive finance than small ones. Additionally, conventional banks see a more marked improvement in profitability than Islamic and savings banks. The relationship between inclusive finance and bank profitability is stronger in countries with higher GDP growth and those actively advancing financial inclusion through fintech, compared to countries with slower GDP growth and less emphasis on financial inclusion. When examining the interaction effects, the COVID-19 pandemic has further emphasized the positive connection between fintech and bank profitability. This suggests that fintech-driven inclusive finance can play a role in enhancing bank profitability, even in challenging times like the COVID-19 period. The transition towards fintech, however, mandates substantial investments, enhanced financial literacy, and heightened customer security, presenting persistent challenges for governments, policymakers, regulators, and financial institutions.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».