Risks, Regulations, and Impacts of <scp>FinTech</scp> Adoption on Commercial Banks in the United States and Canada: A Comparative Analysis
Notice bibliographique
Résumé
ABSTRACT The growth of FinTech has increasingly attracted the attention of financial industry players. The speed and complexity with which new financial technologies have spread around the world have created regulatory challenges for the United States and Canadian authorities. Unlike the United States, where there is regulatory fragmentation and a supervisory instrument with regulatory relief, Canada has a more integrated regulatory approach managed by regulatory sandbox principles. The aim of this article is to study and compare the impact of FinTech adoption on commercial banks over the 2018–2023 period in the United States and Canadian FinTech ecosystems. The results essentially show that FinTech has a positive impact on commercial banks' performance and financial growth, and a negative impact on liquidity and financial risk. Our results present several contributions and mainly show that: (1) In the presence of multiple entry channels for FinTech startups, the impact of FinTech on financial performance is higher in the United States than in Canada. (2) Because of its regulatory approach, Canada lags behind the United States in the adoption rate of financial technologies. (3) Balance of power in the financial sector induces commercial banks not to consider FinTech startups as threats but rather as partners that offer opportunities for expertise and reduced regulatory costs. Finally, FinTech can be disruptive and presents many challenges for regulators given the complexity and speed of innovation it promotes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».