What Accelerates the Choice of Mobile Banking for Digital Banks in Indonesia?
Notice bibliographique
Résumé
The recent COVID-19 pandemic has led to changes in business, technology, and social interactions, creating a new normal that has important implications for the role of technology, including mobile banking services that offer safer and more hygienic payment methods than cash. Innovations in mobile banking services have been considered to have the ability to provide unbanked customers with better access in growing markets such as Indonesia, which still has a huge unbanked population of 100 million people. This study evaluates the driving factors of mobile banking adoption by 1441 banking customers among major digital banks in Indonesia. Data collected between September 2022 and March 2023 were examined using PLS-SEM with Smart PLS 4.0.9.6. This study extends the Decomposed Theory of Planned Behavior (DTPB) framework by including Disease Risk, Trust, Firm Reputation, Perceived Risk, Performance Risk, Privacy Risk, Financial Risk, Psychological Risk, Time Risk, and Disease Risk. The findings show that Trust, Attitude, Perceived Behavior Control, Perceived Risk, Psychological Risk, and Disease Risk play a significant role in respondents’ intention to adopt mobile banking services. In contrast, Subjective Norm, Firm Reputation, Performance Risk, Privacy Risk, Financial Risk, and Time Risk had lower impacts. The findings suggest that users choose mobile banking over cash as a safety measure. As a result, banks must prioritize their mobile banking innovations tailored to personalized user experience to deepen engagement, with easy-to-use navigation that fits the lifestyles, values, and needs of banking customers.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».