Revolutionizing Banking: Neobanks’ Digital Transformation for Enhanced Efficiency
Notice bibliographique
Résumé
Changes in customer behaviors after the COVID-19 pandemic have encouraged the transformation of banking systems. Neobanks have emerged as an innovation and entered the banking system to compete with traditional banks by offering new customer experiences. Neobanks transform traditional banking products and services which are delivered through physical interactions into those delivered via digital channels. This paper analyzes traditional banks that have transformed into neobanks, specifically their efficiency after digital transformation. Efficiency was measured using Stochastic Frontier Analysis (SFA), as it is highly accurate in estimating efficiency scores. This study also used a Pooled Mean Group (PMG) estimation of the Panel ARDL (Autoregressive Distributed Lag), as this approach is useful for analyzing the relationship between variables in panel data, to investigate digital transformation as a determinant of neobanks’ efficiency and examine the existence of short-term and long-term relationships between digital transformation and efficiency. We found that the efficiency of neobanks increases after digital transformation. Furthermore, it can be concluded that digital transformation is a determinant of efficiency and that there is long-term relationship between digital transformation and efficiency. In the short term, digital transformation has a significant negative correlation with efficiency, but in the long term, it has a significant positive relationship; this is because the cost of digital transformation initially decreases the profit efficiency, but afterwards, it increases the efficiency.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».