Unraveling the empirical impact on MSMEs: Socio-economic characteristics, nudging application, and e-commerce adoption
Notice bibliographique
Résumé
This study examined socio-economic factors affecting Micro, Small, and Medium Enterprises (MSME) e-commerce adoption, focusing on gender, income, and education. Using the 2022 National Socio-Economic Survey (Susenas) data, a logistic regression model was employed to analyze key determinants of e-commerce utilization. Additionally, an online survey of 550 MSMEs across 29 provinces was conducted to assess the impact of digitalization on business performance. In comparison, an offline study of 42 MSMEs with low digital adoption provided insights into the barriers hindering digital transformation. A natural experiment was conducted to evaluate the effectiveness of behavioral interventions in promoting the adoption of e-payments and e-commerce. The main contribution of this study lies in integrating large-scale national survey data with experimental approaches to provide a deeper understanding of digital adoption among MSMEs. Unlike previous studies focusing solely on socio-economic determinants, this research incorporated a digital nudging experiment to examine how targeted incentives influenced e-commerce participation. The findings revealed that digital transformation significantly enhanced MSME performance, particularly in turnover, product volume, customer base, and worker productivity. Socio-economic factors such as gender, household head status, and social media access significantly influenced digital adoption decisions. Behavioral nudging proved effective in increasing MSME participation in e-commerce. Although this study was limited to Susenas 2022 data and survey responses, it bridges a critical research gap by linking socio-economic factors with behavioral interventions in MSME digitalization. The findings offer key insights for policymakers in formulating evidence-based strategies to drive MSME digital transformation and e-commerce growth in Indonesia.
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 | 0,004 | 0,013 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».