HOW DOES THE FINTECH INNOVATION WAVE AFFECT FINANCIAL MARKETS, THE BANKING INDUSTRY, AND CUSTOMER BEHAVIOR?
Notice bibliographique
Résumé
This study investigate FinTech’s on financial markets, the banking sector, and consumers. It aims to examine the role and effects FinTech in the presentation and use of financial services. The study focuses on FinTech investment areas in countries such as America, Canada, Brazil, Germany, France, Israel, China, and India, which are prominent in FinTech investments, between 2012 and 2020, using the panel data method and fixed effects model. FinTech investments are grouped according to payment management, insurance, information technologies, software, financial services, and other categories, and the relationships between them have been empirically tested. The FinTech investment amount was used as the dependent variable Inflation, number of branches, unemployment, and GDP were considered as independent variables. The results show that the increase in FinTech investment is affected by inflation and the number of branches in a negative and statistically significant manner. However, the results concluded that the individual Internet usage variable positively affected the FinTech investment amount. These findings provide strong empirical evidence that FinTech investments can increase profitability levels in the finance and banking sectors. This study highlights the impact of FinTech on the transformation process in the financial sector, and it can offer valuable insights for financial service providers and policymakers. It may also be essential for understanding consumers' demands and expectations for financial technologies. Such studies can offer a valuable roadmap for understanding
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 | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».