FinTech and economic, environmental, and social sustainability: Uncovering financial innovation’s sustainable potential
Notice bibliographique
Résumé
Purpose The appearance of Financial Technologies (FinTech) is considered a major breakthrough in the financial services industry. With it comes the promise of increasing economic efficiency and performance, achieving equitable social growth, and reducing the degradation of the environment. The present study empirically measures the impact of FinTech on economic, social, and environmental sustainability. As such it aims to fill the gaps in the literature and settle the debate regarding whether FinTech promotes or hinders economic and social development and if it can mitigate environmental degradation. Design/methodology/approach The study uses econometric modeling to test the relationships between FinTech and economic, social, and environmental sustainability. It relies on annual panel data from 20 OECD countries for the period between 2005 and 2021. Findings Results show that FinTech positively affects sustainable economic development and has a positive social impact. Findings also confirm that FinTech enhances environmental sustainability. Further, the results of the study confirm the resource curse as natural resources rent is shown to decrease economic growth and adversely affect environmental sustainability. Originality/value The study differs from previous works as it is not limited to investigating the impact of FinTech on environmental sustainability but rather considers the three dimensions of sustainable development: economic, social, and environmental. The results of this study offer insights for policymakers and regulators to promote and support the agenda of FinTech with higher levels of conviction and confidence.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 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 ».