Examining the Factors Influencing Mobile Banking Adoption in Somalia: A Quantitative Study
Notice bibliographique
Résumé
Somalia has a large mobile money user base, with over 83% of mobile phone users using mobile money services. Compare this to the penetration rate of financial services, which is just 5% among rural populations and 1% among internally displaced people. This paper seeks to determine the factors influencing mobile banking adoption in Somalia Through a comprehensive survey involving 130 participants, integrating online as well as face-to-face approaches was employed. The data that was collected that subsequently assessed employing the SPSS software, facilitating a thorough investigation into the subject. This research reveals that perceived ease of use, perceived usefulness, and trust significantly influence individuals' intentions to adopt mobile banking services in Somalia. Focusing on enhancing the user experience, emphasizing practical benefits, and fostering trustworthiness emerges as crucial strategies for boosting mobile banking adoption rates. Notably, perceived cost and risk play a lesser role, possibly owing to cost-effective transaction options and high trust in the reliability of mobile money services. These findings emphasize actionable steps for mobile banking stakeholders in Somalia, pointing towards the importance of user-centric enhancements, clear communication of practical advantages, and continued efforts to build and maintain trust in the mobile banking ecosystem. Based on these findings, a recommendation would be to focus on improving the user experience of mobile banking applications in Somalia. Furthermore, collaboration between mobile network operators, financial institutions, and the government could foster a supportive environment for mobile banking adoption, leading to increased accessibility and usage for the broader population in Somalia.
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 | 0,001 |
| 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 | 0,001 | 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 ».