The impact of fintech-based eco-friendly incentives in improving sustainable environmental performance: A mediating-moderating model
Notice bibliographique
Résumé
China is the largest emitter of greenhouse gases globally, responsible for a substantial portion of the world's total carbon dioxide emissions. Many researchers investigated this issue; however, the literature is silent on how FinTech-based incentives can improve environmental performance. The research aims to shed light on the complex relationships among FinTech incentives, green consumer behavior, environmental consciousness, and environmental performance. Data was collected from 380 respondents representing diverse roles in the manufacturing industry. We used Smart-PLS and SPSS to test our hypothesis. The results confirm a positive relationship between FinTech incentives and green consumer behavior. However, consumer demographics and environmental awareness do not significantly moderate this relationship. The mediation analysis reveals that green consumer behavior mediates the relationship between FinTech incentives and environmental performance, while environmental consciousness mediates the relationship between FinTech incentives and green consumer behavior. Additionally, green consumer behavior mediates the relationship between environmental consciousness and environmental performance. The study's findings suggest that FinTech incentives effectively encourage eco-friendly choices, positively influencing environmental performance. This research contributes valuable insights for policymakers and businesses seeking to design effective environmental strategies and promote sustainability in the manufacturing industry. By leveraging FinTech incentives to encourage eco-friendly choices and foster environmental consciousness, businesses can contribute to a more sustainable future, aligning with global efforts to address environmental challenges and foster responsible consumption patterns in China and beyond.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,004 |
| 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 ».