Unraveling the empirical impact on MSMEs: Socio-economic characteristics, nudging application, and e-commerce adoption
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 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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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