DOI: https://doi.org/10.1186/s40854-024-00625-3
تاريخ النشر: 2024-03-02
المؤلف: Blanco-Oliver Antonio وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تستكشف هذه الورقة البحثية العوامل التي تؤثر على اعتماد المستهلكين لأنظمة الدفع من نظير إلى نظير (P2P) عبر الهواتف المحمولة، مع التركيز بشكل خاص على منصة Bizum في السياق الإسباني. باستخدام مجموعة بيانات من 701 مشارك، تحدد الدراسة المحركات الرئيسية مثل الفائدة المدركة، التأثيرات الاجتماعية (المعايير الذاتية)، الثقة، ومتعة المستخدم. تم تطوير نموذج تعلم آلي للتنبؤ باعتماد المدفوعات عبر الهواتف المحمولة P2P، مما يوضح أن الطرق غير المعلمية، وخاصة تلك التي تستخدم خوارزميات الغابات العشوائية، تعزز بشكل كبير دقة التنبؤ من خلال تحسين اختيار الميزات وتقليل ضوضاء النموذج.
تؤكد النتائج على الأهمية المتزايدة للمدفوعات الرقمية P2P، خاصة بين الفئات العمرية الشابة، والتي تسارعت بسبب جائحة COVID-19 وانتشار تطبيقات الدفع عبر الهواتف المحمولة. تبرز الدراسة ضرورة استفادة البنوك والمؤسسات المالية من تقنيات التعلم الآلي لفهم سلوك العملاء بشكل أفضل والتنبؤ به فيما يتعلق باعتماد المدفوعات عبر الهواتف المحمولة P2P. كما تدعو إلى مزيد من البحث عبر سياقات ثقافية ومؤسسية مختلفة لتقييم شامل للعوامل التي تؤثر على اعتماد المدفوعات عبر الهواتف المحمولة P2P على مستوى العالم.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للتقدم التكنولوجي على صناعة الخدمات المالية، وخاصة من خلال ظهور حلول التكنولوجيا المالية مثل أنظمة الدفع من نظير إلى نظير (P2P) عبر الهواتف المحمولة. لقد اكتسبت هذه الأنظمة، التي تمثلها تطبيقات مثل Bizum، زخمًا كبيرًا، خاصة خلال جائحة COVID-19، حيث تقدم بديلاً أسرع وأكثر ملاءمة وغالبًا ما يكون خاليًا من التكاليف مقارنة بطرق الدفع التقليدية. تحدد الورقة حاجة ملحة للمؤسسات المالية لفهم العوامل التي تؤثر على اعتماد العملاء للمدفوعات عبر الهواتف المحمولة P2P، فضلاً عن الحواجز التي تعيق استخدامها.
تهدف الدراسة إلى تحليل المحركات والحواجز التي تؤثر على اعتماد المدفوعات عبر الهواتف المحمولة P2P بين عملاء البنوك، باستخدام مجموعة بيانات فريدة من 701 فرد. تستخدم الدراسة كل من التقنيات الإحصائية التقليدية المعلمية وطرق التعلم الآلي غير المعلمية لتصنيف المستخدمين وغير المستخدمين لهذه الأنظمة. تستند الأبحاث إلى نظريات قبول التكنولوجيا المعروفة لتأطير تحليلها وتؤكد على أهمية دمج Bizum مع الهياكل المصرفية التقليدية كعامل رئيسي في اعتماده الواسع. من المتوقع أن توفر النتائج رؤى قيمة للبنوك التي تسعى لتكييف عروضها واستراتيجياتها في مشهد الدفع الرقمي المتطور.
طرق البحث
في هذه الدراسة، تم جمع البيانات من استبيان شمل 701 مستخدم هاتف ذكي إسباني، جميعهم لديهم خبرة سابقة في الأنشطة التجارية عبر الهواتف المحمولة، لتقييم استخدامهم المحتمل لأنظمة الدفع من نظير إلى نظير (P2P) عبر الهواتف المحمولة. كان المستجيبون ممثلين للمواطن الإسباني العادي ضمن السياق الثقافي الأوروبي. تم استخدام طريقة أخذ العينات غير الاحتمالية المعروفة باسم “العينة الثلجية”، مستفيدين من قوائم البريد والشبكات الاجتماعية لتجنيد المشاركين. بينما يُفضل غالبًا أخذ العينات العشوائية البسيطة، فقد تم استخدام طريقة العينة الثلجية بشكل فعال في دراسات تجريبية ذات تأثير كبير (Belanche et al. 2022; Huang et al. 2019).
تم تصميم استبيان الدراسة لقياس متغيرات كامنة مختلفة، كما هو موضح في الجدول 2، باستخدام مقياس ليكرت من سبع نقاط (1: أعارض بشدة؛ 7: أوافق بشدة). تم اعتماد نهج متعدد العناصر، مع ثلاثة عناصر أو أكثر لكل متغير، وهو ممارسة شائعة في أبحاث التسويق. تم تعريف المتغير التابع كمؤشر ثنائي، حيث تشير القيمة 0 إلى عدم وجود نظام دفع عبر الهاتف المحمول و1 تشير إلى وجوده. تم تصنيف المتغيرات المستقلة إلى مجموعتين: المتغيرات السلوكية المتعلقة بنظريات اعتماد التكنولوجيا (مثل: سهولة الاستخدام المدركة، المخاطر المدركة، الثقة، الابتكار الشخصي، المعايير الذاتية، المتعة المدركة، الولاء للعلامة التجارية المصرفية، والجودة المدركة) والمتغيرات الديموغرافية (الجنس والعمر). تستند الدراسة إلى الأدبيات المعروفة لتأطير هذه المتغيرات، مع ملاحظات حول التطبيقات الحديثة للمدفوعات عبر الهواتف المحمولة وP2P (Upadhyay et al. 2022; Belanche et al. 2022). تم تقديم أوصاف مفصلة للمتغيرات ومصادرها في الجدول 2.
النتائج
في هذا القسم، يوضح المؤلفون نتائج إجراءات اختيار الميزات (FS) التي تهدف إلى تحسين الأداء التنبؤي لنموذج التصنيف الخاص بهم. قاموا بتوحيد متغيرات التنبؤ إلى الفترة [0،1] واستخدموا طريقتين لاختيار الميزات: خوارزمية الغابة العشوائية (RF) باستخدام مؤشر جيني وخوارزمية بوروتا. تم اختيار هذه الطرق للتخفيف من المشكلات مثل الإفراط في التكيف والتعدد الخطي، والتي يمكن أن تنشأ من استخدام بيانات عالية الأبعاد مع العديد من المتنبئين. كشفت التحليلات أن ثمانية من أصل عشرة متغيرات الأكثر صلة تم التعرف عليها باستمرار من قبل كلا الطريقتين، مما قلل بشكل كبير من تعقيد النموذج إلى 19.04% فقط من مجموعة البيانات الأصلية مع تحسين القابلية للتفسير والكفاءة الحاسوبية.
تشير النتائج إلى أن الفائدة المدركة، المعايير الذاتية، الثقة، والمتعة المدركة هي عوامل حاسمة تؤثر على النية لاستخدام أنظمة الدفع عبر الهواتف المحمولة. تم تقييم أداء نموذج RF باستخدام مقاييس مثل المساحة تحت منحنى ROC (AUC) وخطأ خارج الحقيبة (OOB)، مما يظهر تحسينًا في قوة التصنيف بعد تطبيق FS. تألفت العينة النهائية من 701 مشارك، مع معدل استجابة صالح بلغ 98%. أظهرت مقاييس الأداء أن تقنيات التعلم الآلي غير المعلمية، وخاصة تعزيز ثنائي، تفوقت على الطرق الكلاسيكية مثل تحليل التمييز الخطي (LDA) والانحدار اللوجستي (LR)، حيث حقق تعزيز ثنائي أعلى درجة GPI بلغت 0.6859. بشكل عام، أدى تنفيذ FS إلى تحسين أداء النموذج باستمرار عبر مقاييس مختلفة.
المناقشة
تسلط المناقشة الضوء على تطور أنظمة الدفع المدفوعة بالتقدم في تكنولوجيا المعلومات والاتصالات، والتي حولت المعاملات التقليدية المعتمدة على النقد إلى أنظمة دفع إلكترونية. يعالج هذا التحول تحديات مختلفة، بما في ذلك التكاليف المرتبطة بالنقود المادية، والحاجة إلى المرونة في المشتريات الصغيرة، وتعزيز الأمان ضد الاحتيال، ونمو التجارة الإلكترونية. أفاد البنك المركزي الأوروبي (2022) بزيادة كبيرة في معاملات الدفع غير النقدية في منطقة اليورو، حيث تشكل المدفوعات بالبطاقات 49% من إجمالي المعاملات. بالإضافة إلى ذلك، ظهرت حلول الدفع عبر الهواتف المحمولة، مستفيدة من تكنولوجيا الهواتف الذكية لتسهيل المعاملات في نقاط البيع ومن خلال تطبيقات مخصصة، مما أعاد تشكيل سلوكيات الدفع لدى المستخدمين.
تستعرض هذه القسم أيضًا الأدبيات الموجودة حول اعتماد الدفع عبر الهواتف المحمولة، مشيرة إلى أنه بينما توسع البحث منذ العمل الأساسي لـ Dahlberg et al. (2008)، لا يزال هناك تركيز على الدراسات الخاصة بكل بلد بدلاً من المقارنات عبر الدول. تؤكد المراجعات البيبليومترية الحديثة على أهمية هذا المجال البحثي، خاصة فيما يتعلق بالتكنولوجيا والأمان وسلوك المستخدم. تناقش الورقة أنظمة الدفع من نظير إلى نظير (P2P)، مثل Bizum، التي اكتسبت زخمًا في المعاملات الشخصية والتجارية بسبب فورية استخدامها، وشموليتها، وسهولة استخدامها. يقترح المؤلفون تعزيز التقنيات التحليلية لفهم أفضل للمتغيرات التي تؤثر على اعتماد أنظمة الدفع P2P، باستخدام طرق إحصائية متقدمة لتحسين نموذج نوايا المستخدمين.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات للبحث المستقبلي التي يمكن أن تعزز فهم اعتماد الدفع من نظير إلى نظير (P2P) عبر الهواتف المحمولة. أولاً، قد يوفر توسيع مجموعة البيانات لتشمل متغيرات مثل تدريب المستخدمين على التقنيات الجديدة، والخلفية التعليمية، وتجنب المخاطر رؤى حاسمة حول كيفية تفاعل هذه الخصائص الفردية مع العوامل الأخرى التي تؤثر على استخدام الدفع عبر الهواتف المحمولة P2P. بالإضافة إلى ذلك، سيسمح جمع البيانات حول متوسط حجم معاملات الدفع الرقمية باستكشاف العلاقة بين تجنب المخاطر لدى المستخدمين واحتمالية مشاركتهم في معاملات أكبر، مما يوضح تأثير إدراك المخاطر على سلوك الاستخدام.
علاوة على ذلك، يمكن أن يسهل تكرار الدراسة عبر دول مختلفة فحص كيفية تأثير الأطر المؤسسية المتنوعة على اعتماد الدفع عبر الهواتف المحمولة P2P. يمكن أن تكشف مثل هذه التحليلات المقارنة كيف تشكل البيئات التنظيمية والبنى المالية سلوك المستخدمين. أخيرًا، يمثل اعتماد الدراسة على طريقة أخذ العينات غير الاحتمالية المعروفة باسم “العينة الثلجية” قيدًا من حيث تمثيل العينة. يجب أن تأخذ الأبحاث المستقبلية في الاعتبار استخدام تقنيات أخذ عينات أكثر قوة، مثل أخذ العينات العشوائية البسيطة أو أخذ العينات حسب الحصة، لتعزيز الصلاحية الخارجية للنتائج. سيساهم معالجة هذه القيود في فهم أكثر دقة لاعتماد الدفع عبر الهواتف المحمولة P2P، مما سيعلم استراتيجيات مقدمي الخدمات وصانعي السياسات. بالإضافة إلى ذلك، تعترف الدراسة بالتحديات المرتبطة بالتعلم الآلي (ML)، بما في ذلك اختيار خيارات التنفيذ، والتحيز والانحراف في البيانات، وتعقيدات نماذج الصندوق الأسود.
DOI: https://doi.org/10.1186/s40854-024-00625-3
Publication Date: 2024-03-02
Author(s): Blanco-Oliver Antonio et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
This research paper investigates the factors influencing consumer adoption of mobile peer-to-peer (P2P) payment systems, particularly focusing on the Bizum platform within the Spanish context. Utilizing a dataset from 701 participants, the study identifies key drivers such as perceived usefulness, social influences (subjective norms), trust, and user enjoyment. A machine learning model is developed to predict the adoption of mobile P2P payments, demonstrating that nonparametric methods, particularly those employing random forest algorithms, significantly enhance prediction accuracy by improving feature selection and reducing model noise.
The findings underscore the growing importance of digital P2P payments, especially among younger demographics, accelerated by the COVID-19 pandemic and the proliferation of mobile payment applications. The study highlights the necessity for banks and financial institutions to leverage machine learning techniques to better understand and predict customer behavior regarding mobile P2P adoption. It also calls for further research across different cultural and institutional contexts to comprehensively assess the factors influencing mobile P2P payment adoption globally.
Introduction
The introduction of this research paper highlights the transformative impact of technological advancements on the financial services industry, particularly through the emergence of FinTech solutions such as mobile peer-to-peer (P2P) payment systems. These systems, exemplified by applications like Bizum, have gained significant traction, especially during the COVID-19 pandemic, as they offer a faster, more convenient, and often cost-free alternative to traditional payment methods. The paper identifies a critical need for financial institutions to understand the factors influencing customer adoption of mobile P2P payments, as well as the barriers that hinder their use.
The study aims to analyze the drivers and barriers affecting the adoption of mobile P2P payments among banking customers, utilizing a unique dataset of 701 individuals. It employs both traditional parametric statistical techniques and nonparametric machine learning methods to classify users and non-users of these payment systems. The research draws on established technology acceptance theories to frame its analysis and emphasizes the importance of Bizum’s integration with traditional banking structures as a key factor in its widespread adoption. The findings are expected to provide valuable insights for banks seeking to tailor their offerings and strategies in the evolving digital payment landscape.
Methods
In this study, data was collected from a survey of 701 Spanish smartphone users, all of whom had prior experience with mobile commercial activities, to assess their potential use of mobile peer-to-peer (P2P) payment systems. The respondents were representative of the average Spanish citizen within the European cultural context. A nonprobability snowball sampling method was utilized, leveraging mailing lists and social networks for participant recruitment. While simple random sampling is often preferred, the snowball method has been effectively employed in various high-impact empirical studies (Belanche et al. 2022; Huang et al. 2019).
The survey questionnaire was designed to measure various latent variables, as outlined in Table 2, using a seven-point Likert scale (1: strongly disagree; 7: strongly agree). A multi-item approach was adopted, with three or more items per variable, a common practice in marketing research. The dependent variable was defined as a binary indicator, with a value of 0 indicating the absence of a mobile payment system and 1 indicating its presence. Independent variables were categorized into two groups: behavioral variables related to technology adoption theories (e.g., perceived ease of use, perceived risk, trust, personal innovativeness, subjective norms, perceived enjoyment, loyalty to the banking brand, and perceived quality) and demographic variables (gender and age). The study draws on established literature to frame these variables, with recent applications to mobile and P2P payments noted (Upadhyay et al. 2022; Belanche et al. 2022). Detailed descriptions of the variables and their sources are provided in Table 2.
Results
In this section, the authors detail the results of their feature selection (FS) procedures aimed at improving the predictive performance of their classification model. They standardized predictor variables to the [0,1] interval and employed two FS methods: the random forest (RF) algorithm using the Gini index and the Boruta algorithm. These methods were chosen to mitigate issues such as overfitting and multicollinearity, which can arise from using high-dimensional data with numerous predictors. The analysis revealed that eight out of the ten most relevant variables were consistently identified by both FS methods, significantly reducing the model’s complexity to only 19.04% of the original dataset while enhancing interpretability and computational efficiency.
The findings indicate that perceived usefulness, subjective norms, trust, and perceived enjoyment are critical factors influencing the intention to use mobile payment systems. The RF model’s performance was evaluated using metrics such as the area under the ROC curve (AUC) and out-of-bag (OOB) error, demonstrating improved classification power after applying FS. The final sample comprised 701 participants, with a valid response rate of 98%. Performance metrics showed that nonparametric machine learning techniques, particularly binomial boosting, outperformed classical methods like linear discriminant analysis (LDA) and logistic regression (LR), with binomial boosting achieving the highest GPI score of 0.6859. Overall, the implementation of FS consistently enhanced model performance across various metrics.
Discussion
The discussion highlights the evolution of payment systems driven by advancements in information and communication technology, which have transformed traditional cash-based transactions into electronic payment systems. This shift addresses various challenges, including the costs associated with physical money, the need for flexibility in small purchases, enhanced security against fraud, and the growth of e-commerce. The European Central Bank (2022) reported a significant increase in noncash payment transactions in the euro area, with card payments constituting 49% of total transactions. Additionally, mobile payment solutions have emerged, leveraging smartphone technology to facilitate transactions at points of sale and through dedicated applications, thereby reshaping user payment behaviors.
The section also reviews the existing literature on mobile payment adoption, noting that while research has expanded since the foundational work of Dahlberg et al. (2008), there remains a focus on country-specific studies rather than cross-national comparisons. Recent bibliometric reviews emphasize the importance of this research area, particularly concerning technology, security, and user behavior. The paper discusses peer-to-peer (P2P) payment systems, such as Bizum, which have gained traction in both personal and commercial transactions due to their immediacy, universality, and user-friendliness. The authors propose enhancing analytical techniques to better understand the variables influencing the adoption of P2P payment systems, utilizing advanced statistical methods to refine the model of user intentions.
Limitations
The limitations of this study highlight several areas for future research that could enhance the understanding of mobile peer-to-peer (P2P) payment adoption. First, expanding the dataset to include variables such as users’ training in new technologies, educational background, and risk aversion could provide critical insights into how these individual characteristics interact with other factors influencing mobile P2P payment usage. Additionally, collecting data on the average size of digital payment transactions would allow for an exploration of the relationship between users’ risk aversion and their likelihood of engaging in larger transactions, thereby elucidating the impact of risk perception on usage behavior.
Furthermore, replicating the study across different countries could facilitate an examination of how varying institutional frameworks affect mobile P2P payment adoption. Such comparative analyses could reveal how regulatory environments and financial infrastructures shape user behavior. Lastly, the study’s reliance on a nonprobability snowball sampling method presents a limitation in terms of sample representativeness. Future research should consider employing more robust sampling techniques, such as simple random sampling or quota sampling, to enhance the external validity of the findings. Addressing these limitations will contribute to a more nuanced understanding of mobile P2P payment adoption, ultimately informing strategies for service providers and policymakers. Additionally, the study acknowledges challenges associated with machine learning (ML), including the selection of implementation options, data bias and drift, and the complexities of black-box models.