Linking the digital finance, e-competence and e-finance quality on Indonesian MSMEs performance in the digital 5.0 era
Notice bibliographique
Résumé
In this digital era, digital technology plays an important role in finance for Micro-, Small and Medium-sized Enterprises (MSMEs). This research aims to analyze the relationship between digital finance technology and performance, the e-quality of financial reports and performance, and finally the relationship between e-competence and performance. The research method used in this research is quantitative survey research. This research uses an online questionnaire as a tool to collect data from respondents. Research data was obtained by distributing online questionnaires to 682 MSMEs owners who were determined using a simple random sampling method. The questionnaire was designed to contain statement items and the Likert scale used in this research was a Likert scale. The data analysis method used in this research is structural equation modelling partial least squares (PLS-SEM) with data processing tools, namely SmartPLS 4.0 software. The results of the research analysis show that e-finance has a positive and significant relationship with performance. The e-quality of financial reports has a positive and significant relationship with performance. Finally, e-competence has a positive and significant relationship to performance. E-The quality of the financial reports produced will indicate whether the performance accountability of a government agency is good or not. Accountability for the performance of government agencies that present financial reports by government accounting standards will produce quality financial reports.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 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 ».