Influence of FinTech Paylater, Financial Well Being, Behavioral Finance, and Digital Financial Literacy on MSME Sustainability in South Sumatera
Notice bibliographique
Résumé
This study examines the influence of FinTech Paylater, Financial Well Being (FW), Behavioral Finance (BF), and Digital Financial Literacy (DFL) on the sustainability of Micro, Small, and Medium Enterprises (MSMEs) in South Sumatera, Indonesia. Using a quantitative explanatory design, data from 563 MSME owners were collected through a structured questionnaire and analyzed using Structural Equation Modeling–Partial Least Squares (SEM–PLS). The results show that FinTech Paylater, FW, BF, and DFL have positive and significant effects on MSME sustainability, with DFL emerging as the strongest predictor. Paylater services support sustainability by improving liquidity and access to short-term financing, while FW enhances financial stability and resilience. BF shapes financial decision-making through behavioral control and risk awareness. The integrated model explains 61% of the variance in MSME sustainability and demonstrates that digital capability and psychological factors jointly determine whether FinTech is used productively or consumptively. The findings provide theoretical contributions to the literature on FinTech and MSME sustainability and offer practical implications for policymakers and FinTech providers in designing targeted Digital Financial Literacy programs and responsible Paylater schemes for MSMEs in emerging economies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».