An Empirical Evaluation of the Technology Acceptance Model for Peer-to-Peer Insurance Adoption: Does Income Really Matter?
Notice bibliographique
Résumé
One essential component of insurance technology (Insurtech) is peer-to-peer (P2P) insurance, which represents a transformative shift from conventional insurance to digital platforms by fostering community-based risk sharing. This study contributes to the body of knowledge by engaging the Technology Acceptance Model (TAM2) to explore how perceived usefulness, perceived ease of use, subjective norms, and perceived trust influence the adoption of P2P insurance, and the moderating influence of income on these relationships. This study used a self-administered survey questionnaire to collect data from short-term insurance clients in South Africa. The survey was analysed using the confirmatory factor analysis and structural equation modelling (SEM) approach. The findings demonstrate that perceived usefulness, ease of use, and subjective norms present a significant positive influence on the adoption of P2P insurance, underscoring the relevance of value, ease of use, and social influence in predicting the adoption of insurance technologies, particularly P2P insurance. However, perceived risk and trust exhibit a positive but statistically insignificant relationship. Additionally, this study reveals that income exerts a significant positive moderating influence on perceived usefulness, ease of use, and subjective norms in affecting P2P adoption, implying that individuals with higher incomes are responsive to these factors when considering P2P insurance. This study highlights the need for policies that support the development of digital infrastructure, as its accessibility and ease of use, including social norms, are predicted as essential drivers of P2P insurance adoption. Also, policymakers should focus on creating a regulatory environment that encourages accountability and openness to P2P insurance.
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 | 0,004 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».