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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».