The impact of financial intermediation by BPRs, commercial banks, and fintech P2P lending on per capita consumption, MSME production, and GRDP in Indonesia
Notice bibliographique
Résumé
We investigate how financial intermediation by rural banks (BPRs), commercial banks, and fintech P2P lending influences per-capita household consumption, MSME production, and Gross Regional Domestic Product (GRDP) across Indonesia’s 34 provinces during 2022–2024 (N = 102). Using Partial Least Squares Structural Equation Modeling (PLS-SEM) via SmartPLS with bootstrapped inference, we estimate a system of simultaneous equations that captures both direct and indirect (mediated) pathways from each intermediation channel to regional output. Results show that BPR intermediation (X₁) and commercial-bank intermediation (X₂) significantly and positively affect MSME production (H4 and H5 supported; p < 0.05), whereas fintech P2P lending (X₃) does not (H6 rejected; p = 0.161). Fintech P2P lending positively influences per-capita consumption (H3 supported at the 90% level; p ≈ 0.078), while BPR and commercial-bank intermediation have no significant effect (H1 and H2 rejected). MSME production strongly enhances GRDP (H7 supported; p < 0.01), and consumption is positively associated with GRDP at the 90% level (H8 supported; p ≈ 0.085). Direct paths from intermediation to GRDP (H9–H11) are not significant, supporting a mediated mechanism: BPRs and commercial banks primarily operate through MSME production, while fintech channels influence GRDP via consumption. Model fit is acceptable (SRMR = 0.091), although some covariance-fit indices are weak (discussed in the manuscript), so inference relies on bootstrapped path estimates and mediation diagnostics. Policy implications suggest regulators should reinforce BPR and commercial-bank support for MSME financing, while guiding fintech to expand safe consumer access that enhances household purchasing power without introducing systemic risks.
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 ».