You are entitled to access the full text of this documentThe inflected of fintech solutions on financial performance in SMEs: An analysis of the IT industry in the UAE
Notice bibliographique
Résumé
This study investigates the impact of introducing financial technology (Fintech) on increasing the financial viability of small and medium enterprises (SMEs) operating in the IT sector in the United Arab Emirates (UAE). By identifying the obstacles that SMEs experience while dealing digital transformation, this study aims to show how the emerging financial technologies, including digital banking, peer-to-peer lending, and AI applications, can drive enhancements in financial utilization and the innovation of banking products, cost-cuts, increased organizational productivity, and better client experiences. A quantitative research approach was implemented, and the research tool used was a structured questionnaire developed to capture respondents’ data from 250 respondents from SMEs in the UAE. Descriptive and inferential statistics of correlation and regression analysis were done using the stratified random sampling technique. Results indicated that fintech adoption enhances financial performance in SMEs. Specifically, increased accessibility shows a strong positive correlation with financial performance (r = 0.998, p < 0.01), while enhanced efficiency and improved customer experience also show strong correlations (r = 0.635, p < 0.01). The variable "Increased Accessibility" showed the most significant effect on the financial performance of SMEs, with a highly significant positive correlation and the strongest predictive value in the regression analysis. This study concludes that the implementation of fintech solutions offers significant opportunities for improving the financial performance of SMEs and recommends increased investment in fintech and appropriate regulation for that purpose.
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 | 0,001 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».