Financial innovation and money demand in Nigeria: Exploring the impact of banking innovations, fintech developments and digital payment channels on the money demand
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The paper contributes to the frontier of knowledge by examining the role of banks and Fintech innovations across the different financial innovation platforms on four money-demand models. Quarterly data from Q1 2009 to Q4 2022 were adopted by employing the Feasible Quasi Generalized Least Squares technique, the CUSUM and CUSUMSQ techniques, and the Granger causality methods due to their suitability for running this type of regression. The results indicate that the value and volume of payments within the banking industry have a significant positive impact on the demand for reserve money. In contrast, the value of payments had adverse effects on the demand for narrow money, broad money, and total money. The significant positive impact of payment value and volume on the demand for reserve money indicates that as transactional activities increase, banks require more reserves. The negative impact of payment value on the demand for narrow, broad, and total money suggests a substitution effect where higher transaction volumes reduce the need for holding other forms of money. Furthermore, the findings demonstrated that money demand is unstable, implying that the monetary authorities should provide the transition framework for a proper inflation-targeting strategy to achieve its key objective of attaining low and stable inflation. The instability in money demand suggests that traditional monetary aggregates may not be reliable indicators for monetary policy. Therefore, the central bank should adopt a more flexible and responsive framework, such as inflation targeting, which focuses directly on achieving price stability rather than relying on intermediary targets.
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.
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 | 0,000 |
| 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 | 0,001 | 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 découle