Essais de développement financier axés sur les technologies financières naissantes (Fintech)
Bibliographic record
Abstract
Il est de plus en plus évident que le secteur des paiements (la manière dont les consommateurs et les entreprises choisissent de payer pour les biens et les services) est à la pointe du développement financier dans de nombreuses régions du monde. Les technologies financières naissantes sont en train de modifier la façon dont les économies fonctionnent, et le nombre d'innovations de paiement à lui seul est impressionnant : Bitcoin, m-Pesa, Venmo, Apple Pay, applications de paiement mobile, e-Transfer et bien d'autres. Sous oublier qu’on n’a pas mentionné les avancées technologiques des méthodes de paiement plus connues qui rendent ces dernières plus sécurisées et plus faciles à utiliser (par exemple, le paiement sans contact par cartes bancaires). Même les espèces ont fait l'objet d'innovations techniques. Dans le cadre de la lutte contre la contrefaçon, les billets en papier sont remplacés dans de nombreux pays par des billets en polymère dotés de fonctions de sécurité à la pointe de la technologie.Bitcoin est un excellent cas d'étude de la vitesse d'adoption et de l'impact des technologies de paiement naissantes, et ce, pour plusieurs raisons. L'objectif initial de Bitcoin était d'éliminer le besoin de banques centrales et de leur argent en fonctionnant comme une plateforme de paiement décentralisée. Au lieu de recourir aux espèces des banques centrales ou aux services des institutions financières traditionnelles, Bitcoin se sert de la cryptographie pour sécuriser les transactions. Bien entendu, les intentions ne reflètent pas toujours la réalité et la trajectoire de Bitcoin a été pour le moins compliquée. Bien qu'il puisse certainement être (et soit) utilisé pour les transactions, beaucoup y ont vu un « crypto-actif » plus qu'une cryptomonnaie.Cette thèse contribue à deux questions importantes sur les technologies financières naissantes soulevées dans les publications académiques traitant de l'économie des paiements : 1] Quelle est la manière la plus efficace de collecter des données qui peuvent nous aider à comprendre et à évaluer l'impact des nouvelles technologies de paiement sur l'économie ? (Méthodologie) 2] Quels sont les compromis pertinents pour les consommateurs lorsqu'ils décident d'adopter et d'utiliser de nouvelles formes de technologies de paiement ? (Modélisation économique). Par conséquent, cette thèse est organisée en deux parties.La partie 1 (chapitres 1 et 2) traite des préoccupations méthodologiques. Les dites données sont essentielles à l'étude des technologies émergentes, car habituellement, il y a souvent peu de consensus ou de données accessibles qui pourraient guider les chercheurs. Souvent, la collecte de données utiles constitue une grande partie de l'effort. Malgré un long historique d'enquêtes sur les paiements menées auprès des consommateurs (et des commerçants) par les banques centrales, le chapitre 1 offre une occasion unique d'éclairer le choix de paiement en testant et en validant une méthodologie basée sur des enquêtes (en particulier les paiements en espèces en comparaison avec les paiements par carte électronique ; le tout en utilisant un nouvel ensemble de données provenant de la Hongrie et extraites de toutes les transactions du commerce de détail. Quant au chapitre 2, il donne un aperçu des travaux en cours pour mesurer les changements que connaissent la notoriété et l'utilisation de Bitcoin au Canada. Nous passons en revue les résultats de l'enquête Bitcoin Omnibus 2018 menée par la Banque du Canada, tout en soulignant les efforts visant à améliorer l'instrument d'enquête, les données et l'exactitude des estimations.Dans la partie 2 (chapitres 3 et 4), nous abordons la modélisation économique des décisions des consommateurs. Le chapitre 3 remet en question le postulat selon lequel l'adoption des nouvelles technologies de paiement numérique entraînera nécessairement une baisse de l'utilisation des espèces. (...)
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.004 | 0.006 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".