Factors Influencing the Adoption of FinTech for the Enhancement of Financial Inclusion in Rural India Using a Mixed Methods Approach
Notice bibliographique
Résumé
The swift expansion of financial technology (FinTech) can substantially improve financial inclusion, especially in the rural regions of emerging nations such as India. FinTech has the potential to drive inclusive growth, reduce inequalities, and foster sustainable economic development. This research examines the determinants affecting the adoption of FinTech services in rural India by synthesizing three theoretical frameworks: The Technology Acceptance Model (TAM), the Theory of Planned Behavior (TPB), and the Technology Readiness Index (TRI). A mixed methods approach that combines partial least squares structured equation modeling (PLS-SEM) and fuzzy set comparative qualitative analysis (fsQCA) was used to evaluate the suggested framework. The integrated PLS-SEM and fsQCA offer a comprehensive, elegant, and resilient method for data analysis. While fsQCA addresses more intricate patterns within the data, PLS-SEM effectively identifies the relationships among significant factors. This makes the mixed method approach more judicious and advantageous than the single method approach. The findings showed that attitude (β = 0.35), perceived behavioral control (β = 0.28) from the Theory of Planned Behavior (TPB), perceived ease of use (β = 0.31) from the Technology Acceptance Model (TAM), and perceived insecurity (β = −0.19) from the Technology Readiness Index (TRI) all have a big impact on how people use FinTech. The findings also indicate that the desire to adopt FinTech positively influences financial inclusion among rural residents. These research findings enhance the debate on sustainable development by demonstrating how specific FinTech interventions can close the financial inclusion gap, empower rural populations, and achieve various Sustainable Development Goals (SDGs). The study’s findings could help governments, banks, and FinTech firms aiming to enhance the accessibility and use of digital financial services in rural India.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».