Digital financial inclusion and socioeconomic sustainability in Saudi Arabia examining drivers disparities and policy pathways
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
This study explores the evolution, determinants, and disparities of digital financial inclusion (DFI) in Saudi Arabia from 2011 to 2021, including the initial post-COVID-19 phase. Although our data are cross-sectional, we infer changes over time by comparing results across four waves of the World Bank’s Global Findex surveys (2011, 2014, 2017, and 2021). Using multiple Probit regressions, we examine the drivers of DFI across demographic, socioeconomic, and infrastructural dimensions. While Saudi Arabia has made notable progress in digital finance, gaps persist among women, individuals with lower education, low-income groups, and the unemployed. Access to mobile phones and internet connectivity significantly enhances DFI, highlighting the importance of digital infrastructure. To ensure the reliability of our findings, we conduct two sets of robustness checks. First, we use seemingly unrelated estimation (SUEST) to jointly test the equality of coefficients across probit models. Second, we construct a latent DFI index via Multiple Correspondence Analysis (MCA) and re-estimate the model using both OLS and probit frameworks. These robustness checks confirm the consistency and direction of the main effects, particularly the gender gap and the role of income, education, and mobile access. As one of the first systematic analyses of DFI in Saudi Arabia using Global Findex data, this study offers timely insights into the country’s inclusive digital transformation. It emphasizes how expanding equitable access to digital financial services can support broader goals of socioeconomic sustainability, reduce structural inequalities, and contribute to the Vision 2030 agenda. The findings offer practical guidance for policymakers seeking to build inclusive and sustainable digital financial ecosystems.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découle