FinTech and the Emerging Digital Money Market: What Can We Learn from the Global South?
Notice bibliographique
Résumé
Digital financial technologies, as enablers of digital currencies and financial services, have sparked the emergence of a new market in the financial industry and become one of the tools used by countries in the Global South to transform their economies and solve grand societal challenges. For example, the remarkably high adoption of Mpesa (Mobile Money) in Kenya illustrates how digital money can improve the livelihoods of a significant majority in the Global South who have been excluded from access to financial services or are underserved. At the same time, introducing these financial digital technologies and currencies (e.g. Blockchain, cryptocurrency, Mobile Money, Central Bank Digital Currency) is disrupting the business environment in the Global South, especially the traditional financial systems. New players such as telecom operators, crypto companies, and other FinTechs have entered the banking sector and are reshaping this business landscape. Understanding these transformations, challenges, mechanisms, and their impacts has become a scholarly imperative. This Symposium proposal assembles scholars intending to advance this emerging literature by discussing recent and ongoing research. Institutional Pressures in the Formation of Institutional Field: Case of the FinTech Field in Ghana Author: Melissa Selley Akosua Baba; University of Southampton Author: Daniel Gozman; The University of Sydney Author: Keiichi Nakata; Henley Business School Reconfiguring Financial Systems for Inclusion: An Experiment with Central Bank Digital Currency Author: Johnson Delali Oware; University of Ottawa Author: Saouré Kouamé; Telfer School of Management, University of Ottawa When Social Worlds Merge Inclusion Happens: A Case of Embodied Financial Inclusion in Ghana Author: Jadwiga Supryn; University of Oxford Digital Complementary Currencies and Reciprocity Economies in Kenyan Informal Settlements Author: George Kuk; Manchester Metropolitan University Author: Stephanie Giamporcaro; KEDGE Business School The Brazilian Landscape for Community and Municipal Currencies Author: Eduardo Henrique Diniz; Fundação Getulio Vargas Author: Ester Barinaga; Lund University Author: Luiz Arthur Silva de Faria; -
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».