Understanding mobile money adoption in rural subsistence markets: a construal-based perspective
Notice bibliographique
Résumé
Purpose This study aims to advance understanding of mobile money adoption by examining the similarities and differences between the drivers of adoption intention and actual usage. It also seeks to address critical gaps in the literature by focusing on rural subsistence consumers, who are often underrepresented in mobile money research. Design/methodology/approach The study employs a mixed-methods approach, combining quantitative survey data collected from 326 users and 130 non-users of mobile money in the Peruvian Amazon with qualitative insights from two focus group discussions involving key stakeholders in the mobile money ecosystem. Partial least squares structural equation modeling and multigroup analysis were used to examine relationships between key factors and to assess differences across the intention and usage stages. Findings The study identifies significant similarities and differences in the drivers of mobile money adoption intention and use in rural subsistence markets. Perceived usefulness, ease of use and service accessibility are equally important for both stages. However, collective needs and perceived relative advantage have a stronger influence on adoption intention, while subjective norms, affordability, compatibility and perceived risk are more critical during the usage stage. Originality/value This study makes a unique contribution by applying construal level theory to mobile money adoption, highlighting how psychological distance shapes decision-making at different stages of adoption. By focusing on the Peruvian Amazon – a region marked by high poverty levels and limited success in government-led efforts to promote mobile money adoption – this research provides novel insights into adoption behaviors in rural subsistence markets.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 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 ».