Exploring individuals' socioeconomic characteristics and digital infrastructure determinants of digital payment adoption in Ethiopia
Notice bibliographique
Résumé
The COVID-19 pandemic has spurred a surge in digital payments, with over 40 % of adults in low- and middle-income countries making their first merchant payments using cards, phones, or the internet since the pandemic began. This study examines the determinants of adopting digital payments during the COVID-19 pandemic in Ethiopia. To achieve this objective, the study utilized secondary data from the World Bank's most recent dataset, collected as part of the Global Findex Database 2021. A Covariance Based-Structural Equation Modeling (CB-SEM) was applied to analyze the data and explore the intricate pathways between variables. The mediation role of the use of technological tools on the relationship between socio-economic factors and digital payment adoption was also examined. Accordingly, mobile ownership, having an ATM/Debit card, and internet access were the technological tools significantly determining digital payment adoption. Age, education, income quantile, receiving wage payment, and engagement in formal financial transactions (as a proxy for financial inclusion) were among the socio-economic characteristics influencing digital payment adoption. Engagement in formal financial inclusion , mobile ownership, having an ATM/Debit card, and internet access were also influenced by individuals' socio-economic characteristics. Mobile ownership, having an ATM/Debit card, internet access, and engagement in formal financial transactions were significant mediating factors in the relationship between digital payment and socio-economic predictors.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,004 | 0,017 |
| Science ouverte | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».