Effect of FinTech Adoption, Green Finance and Green Innovation on Sustainability Performance of Nepalese Financial Institutions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study is aimed to investigate the impact of FinTech adoption on the sustainability performance of financial institutions of Nepal focusing the mediating role of green finance and green innovation. Employing a descriptive and causal comparative research design, the research systematically describes the characteristics of FinTech adoption among customers of financial institutions of the selected area and explores potential cause-and-effect relationships between FinTech adoption and sustainability performance. Data were collected from 180 respondents through a structured questionnaire distributed via an online survey platform, utilizing a 5-point Likert scale. Confirmatory Factor Analysis (CFA) and Structural Equation Modelling (SEM) were used to test the measurement model and examine the relationships between the constructs. The study confirmed that FinTech adoption positively impacts sustainability performance and green finance, although it negatively influences green innovation. Mediation analysis revealed that neither green finance nor green innovation significantly mediate the relationship between FinTech adoption and sustainability performance. The findings underscore the necessity for financial institutions to integrate both technological advancements and sustainable practices comprehensively. This study contributes to the academic literature by providing empirical evidence from Nepal and offers practical insights for policymakers and financial institutions aiming to enhance sustainability through fintech. By addressing critical research gaps, this study advances our understanding of how FinTech can be effectively aligned with sustainable financial practices in Nepal, ensuring long-term environmental, social, and economic benefits.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 découle