文摘

本研究探讨了电子支付系统的影响在沙特阿拉伯的客户满意度COVID-19大流行。描述性分析方法的样本1025人生活在沙特阿拉伯被用来回答研究问题和测试的假设。然后,一个新的混合模糊推理系统(HyFIS)提出了预测COVID-19大流行期间客户满意度。该系统考虑客户电阻(CR),访问技术(在),隐私(PV)、成本(CT),效率和速度(SE)作为输入变量和顾客满意(CS)作为输出变量。利用各种统计测试来确定输入变量在获得数据的效率。多重共线性统计测试测试,可靠性和有效性,顺序最小二乘(OLS),固定效应和随机开发。因此,我们可以确定每个输入变量的直接和间接影响到CS。下OLS、固定效应和意想不到的效果,SE, CT, PV,, CR EP大大影响。EP已被证明有重大积极的间接影响。在OLS、固定效应和随机效应,发现CT、PV,铬对CS产生重大的积极影响。 In addition, the AT has a substantial impact on CS in a fixed effect indirect effect. The results of HyFIS were compared to those of the adaptive network-based fuzzy inference system (ANFIS). The results reveal that HyFIS outperforms ANFIS in predicting CS based on the error criterion.

1。介绍

世界所有国家的负面影响经济和健康的COVID-19大流行。这些国家包括沙特阿拉伯,沙特阿拉伯记录超过751000例确诊病例,九千人死亡4月1日,20221]。据报道,在沙特阿拉伯的主要负面影响国内生产总值(GDP)在2020年估计介于4.8%和9.8%之间的基线水平相比,尽管沙特政府的财政对策导致2.5%的实际国内生产总值(产生积极的影响2]。注意,更多的依赖已经放在电子商务(电子商务)和网上银行服务,开发技术的新方法。值得注意的是,COVID-19大流行期间,全球电子支付迅速扩大的依赖3,4]。根据中国银行和保险新闻的一项研究(2020),通过手机支付交易的数量,一种电子支付系统,在2020年第一季度增加了187%在中国相比前一年(5]。

电子商务最近成为买家和卖家之间的连接器或生产者和消费者之间。它允许销售和购买不同的产品根据交易有效地通过各种互联网服务和执行EP通过电子银行和手机银行(6]。银行业是一个重要的行业,在不同的金融交易涉及EP。这使得许多交易发生容易和快速7]。因此,EP被认为是电子商务的一个重要支柱。服务灵活的付款是由银行系统,随时可以利用这些服务无所不在地(例如,电子银行,手机银行,等等)。提供一些客户使用这些服务,没有时间限制。相比之下,也练习了他们(非现金支付8]。此外,许多电子商务网站都与银行合作提供在线支付与几个安全层,特别是对于全球跨币种交易(9]。此外,银行服务可以支持电子商务进行不同类型的交易。电子商务应与银行合作,加强在各种在线交易支付服务让消费者方便当继续他们的首付,包括几个不同的选择在线支付的10]。

获取信息的著名理论从信托理论获得消费者的满意可以越来越依赖可靠性而进行额外的消费,因为由消费者承担(11]。信任是顾客忠诚度的主要驱动因素(12]。此外,EP系统应高度重视安全因素(13]。EP系统内的保护和安全系统代表消费者的主要集中在执行他们的事务。当这两个操作应用,消费者可以立即进行还款。整个风险应该避免,因为他们影响对一个机构缺乏信心。此外,CS比较不同服务或购进货物符合“顾客”的期望。它会导致一种快乐的感觉,因为它匹配他们的期望14]。消费者的满意度具有显著影响消费者的忠诚和回购的产品和服务15]。

Masudin et al。16)检查对印尼的食品可追溯系统的影响冷链COVID-19流行期间性能和冷的食物的需求定义消费者在印尼关于可追溯系统。事实上,以前的文献使用OLS和结构方程模型来预测CS。Al-Hashem et al (17调查e-personalization的角色和e-customization实现电子客户满意度对于COVID-19。Nasereddin et al。18]研究了接受移动支付在约旦,特别是一些因素影响移动支付在约旦的验收,如光伏、成本和安全性。的意义和Uddin [19)调查了消费者的网上购物行为影响因素在COVID-19孟加拉国的大流行。这条措施变量如价格、产品影响力,付款,省时、安全、心理、和组织因素影响消费者的网络购物行为在COVID-19大流行。哈西姆(20.]讨论了因素影响客户行为变化在COVID-19流行网购。这些因素包括价格、必要性、支付方式、频率和可用性的产品。注意,各种机器学习模型最近申请检测COVID-19流行病[21- - - - - -23]。的研究(24EP)旨在揭示的因素影响消费者接受基于不同的观点来自沙特。之间的联系的实际使用EP和EP是后来学习的决定。基于研究的回归发现,主观标准,使用简单,收益,和自我效能影响沙特消费者“EP系统”的观念。注意,没有相关研究HyFIS和简称ANFIS模型来预测基于EP的CS系统的行为。在这项研究中,我们调查了CR的关系,,PV, CT和SE CS在COVID-19统计方法的部分5。为此,我们创建了一个问卷调查来衡量网络支付系统和客户满意度的影响在沙特阿拉伯。然后,提出了新的HyFIS,简称ANFIS预测CS COVID-19大流行期间。注意,HyFIS方法使用启发式模糊逻辑规则和输入输出模糊隶属度函数,可以从培训经过调优的例子通过混合学习方案。节2,我们讨论了本研究的概念模型,而部分3讨论了研究方法和细节。我们采用的数学模型是描述的部分4节,而实验结果5。部分6结束了这个结论。

2。概念模型

概念框架代表聚集理论和变量之间的关系(25),描述了研究区域。结构模型显示CS在COVID-19 EP系统之间的关系。此外,它演示了独立变量之间的直接和间接关系(变化,CR, CT、SE和PV问题)上的因变量(EP客户满意度)显著性水平。这个模型是基于之前学者的理论发表在同行评议期刊。假设检验的目的是确定外生的影响,内生,调节变量。如果(假定值<选择显著性水平),那么我们拒绝零假设26]。假设是来自在第三节下面描述的概念模型。(1)CS和性能一直是生存和成功的关键因素,在当今竞争激烈的商业(27]。它已经在商业中引起相当大的关注文学因其重要性决定客户的行为和购买行为28]。根据(29日),客户满意度评级由客户对一个项目或服务满足他们的需求。企业家和涉众可以使用CS在电子货币支付系统的影响,如方便,时间效率,和易于操作,指标来衡量成功的CS (30.]。根据(31日],c是一种精神状态,客户比较prepurchase期望反对他们postpurchase产品性能的印象。这个评估是由产品的可用性、可用性的信息,和对产品的需求。基于这三个变量,顾客会比较他们的期望和看法。人员服务质量显著影响CS, CS影响顾客忠诚度。技术服务质量也显著影响顾客忠诚度(32]。(2)EP吸引了学者和政策制定者的注意是一个重要的新商业模式创新在商业和经济生活(33]。付款是一个复杂的过程涉及多个阶段和许多派对。在过去的几年里,一直在大幅增长的电子支付服务支付更高效和方便消费者16]。同时,技术也影响了欺诈在网络支付系统的范围。这种风险最小化的一种方法是通过使用生物识别数据指纹和面部识别身份验证在每个阶段的处理付款。然而,这些系统是昂贵和繁琐的运行。被大肆宣传的“生物ATM卡”未能实现由于高成本的维护生物扫描仪在每个ATM网络。付款使用一个区块链的新想法似乎很简单和更快的事务(34]。区块链可能会增加产品安全、安全性和质量控制。采用区块链技术在供应链运作和管理也可能减少欺诈造假,提高可持续供应链管理,减少中介机构的必要性。EP发挥作用使生活更容易为客户解决付款问题,提高他们的满意度。EP服务指的是电子支付,而不是传统方法的客户使用现金在指定的地方。EP并不需要更多的费用,时间,精力,和特定的地方比传统付款。EP的好处包括其方便,易于使用,快速的交易时间,快速的付款,和简单的支付交易增加CS (35]。(3)CR指的是客户不愿从常规付账单的电子开关。CR被认为是其中一个关键原因失败/成功的创新市场上(36]。公司必须了解CR和变量有助于更有效地提高生产率、竞争力和盈利能力37]。根据(38),这个研究是关于消费者对改变他们的方式支付账单或取代传统方法依赖于纸张和因素影响客户对EP的态度。(4)是指一个客户访问技术和使用他们的能力。根据(39),在EP和PV起着关键作用。社交媒体可能是一个营销策略,允许用户连接,消费,协作,实现业务最终目标(40]。之一,而且作为一个沟通的平台,使用社会媒体的优点是便于公司及其利益相关者之间的双向联系。赞助的追随者相信有影响力的帖子是受到influencer-generated材料的信息价值和影响力的可信度,魅力,和相似的追随者41]。金融技术的可用性、可访问性、简单的使用和性能,交易成本和服务安全积极和显著影响银行客户满意度42]。(5)PV确定的危险使用网上个人信息和财务信息。(43)表示,客户服务、信任问题、学习、和PV的变量影响EP。安全性和PV的许多变量是两个重要的固体元素满足Fintech移动支付,这是一个组件的EP系统(18,44]。(6)CT是指客户愿意支付较低的手续费买服务和产品(45]研究了电子银行服务对客户满意度的影响使用调查问卷给175约旦人。结果表明这些特征的影响(方便、成本的简单使用,个性化和定制,和安全)在银行业客户满意度是有利的。因为隐私指标是与另一个变量,它从模型中删除。只有光伏已经发现不影响客户满意度。(7)SE是指客户不愿再等了比他们要服务或购买产品。在我们的社会不断发展的数字,每天选择扩大,客户比以往任何时候都更愿意把他们的业务转移到其他地方,如果他们没有得到他们想要的东西当他们想要它。根据(28),电子银行服务消费者满意或不满的结果不断的评估和监控。它是最健壮的标准评估银行的服务。客户满意度评估协助银行充实和调整的电子银行服务的方便,灵活性,和,以及CT低的服务。


图1
研究结构模型。H01:没有效果的EP系统在CS COVID-19层面的意义(α≤0.05)。明朗化:没有影响CR在CS COVID-19层面的意义(α≤0.05)。H012:没有效果,在CS COVID-19层面的意义(α≤0.05)。H013年:没有光伏效应的担忧在CS COVID-19层面的意义(α≤0.05)。H014年:没有影响CT的担忧在CS COVID-19层面的意义(α≤0.05)。H015年:没有影响,SE在CS COVID-19层面的意义(α≤0.05)。

3所示。研究方法

3.1。这项工作的方法是总结如下

(1)在这项研究中,我们创建了一个问卷调查来衡量网络支付系统的影响在沙特阿拉伯和客户满意度。图1显示了选定元素,材料选择基于统计测试。这些测试是多重共线性测试信度和效度,OLS、固定效应和随机效应。独立的直接和间接关系因素(变化,CR, CT、SE和PV关切)对因变量(EP客户满意度)中所描述的人物1(46]。研究了这些因素通过以下假设测试。主要的零假设是H01(没有影响EP系统在CS COVID-19显著性水平的不到5%)。sub-null假设明朗化,H012、H013 H014, H015。(2)我们提出新的预测人工神经网络模型使用HyFIS和简称ANFIS系统。模型被用来预测客户满意度在沙特阿拉伯COVID-19大流行期间网络支付系统。(3)提出了模型的结果比较基于统计误差的一些测试。

4所示。数学模型

4.1。多元回归模型

一种统计方法,可以用来分析一个因变量与自变量之间的关系是多重回归。自变量的多元回归分析用于预测已知单一依赖值的值。重量为每个预测体重值,这表示它们的相对贡献的预测。 在哪里 的因变量是吗 - - - - - -的观察和 是独立的变量。的 独立变量的系数, 是恒定的, 代表未被注意的变量(错误)。

直接和间接影响的研究在这一节中使用三种不同的方法:普通最小二乘法(OLS),固定效应和随机效应。在统计,OLS是一种线性最小二乘方法估计未知参数的线性回归模型。此外,OLS选择线性函数的参数的一组解释变量根据最小二乘法原理:最小化的平方和的观察因变量之间的差异在指定的数据集和预测的独立变量的线性函数。时的OLS估计量是一致的解释变量是外生的。当错误有限方差,下的最小方差mean-unbiased OLS方法提供了估计高斯-马尔可夫定理。

通常使用固定效应回归,假设自变量是固定的。随机效应模型称为方差分量模型。与固定效应模型,在随机效应模型,细化效果是一个随机变量与解释变量不相关(47]。

4.2。简称ANFIS模型

简称ANFIS由模糊逻辑与人工神经网络。简称ANFIS训练,神经网络学习算法将使用(48]。两个进程,向前和向后一步,包括简称ANFIS学习算法。前进的过程是通过五层(49]。考虑模糊推理系统应该有两个输入( 和 )和一个输出( )简化的解释。模糊if - then规则的标准规则集基地的一阶Sugeno模糊模型可以表示如下:如果 是 和 是 ,然后 ;在这里, ,和 是线性输出参数。简称ANFIS的体系结构有两个输入和一个输出如图2(48,49]。


图2
简称ANFIS的架构与四个规则两个输入和一个输出。
4.2.1。准备图层1

每个节点 在这一层是一个广场节点与节点的功能。 在哪里 和 输入节点 ,和 和 是输入语言标签。换句话说, 的隶属函数是 和 。通常情况下, 和 选择与最大的钟形1和最低为0,如 , ,参数的设置在哪里 , 。这些参数被称为前提参数在这一层。事实上,使用高斯函数作为隶属函数的形状,模糊化过程将脆转化为语言值。

4.2.2。层2

每个节点在这一层是一个圆节点标记Π繁殖传入信号并发送产品。例如,

每个节点输出描述规则的发射强度。推理阶段使用该层t-norm运营商(和操作符)。

4.2.3。第三层

每个节点在这一层是一个圆节点称为n 节点措施的比例 th规则发射强度的总和规则的射击优势:

简而言之,的比例计算规则的优势在这一层。

4.2.4。第四层

每一个 节点在这一层是一个广场节点与节点的功能 在哪里 是输出层三个 参数设置。参数在这一层将被称为顺向参数。简而言之,结果部分的参数评估在这一层。

4.2.5。5层

一圈节点称为 是这一层的单节点计算的整体输出的总和所有传入的信号:

事实上,整个输出作为输入信号的总和决定在这一层。落后一步是一个数据库组成的隶属函数参数估计方法在前期部分和随之而来的域的线性方程系数。由于高斯函数作为隶属函数在这个过程中,这个函数的两个参数进行了优化:均值和方差。采用最小二乘法进行参数学习在这一步。

模糊推理系统(FIS)可以解决回归问题在几个领域。这些系统利用模糊逻辑映射输入数据,输出数据。if - then模糊规则生成的一组输入数据映射的模糊化过程。隶属函数将输入转化成归一化值和创建。模糊if - then规则的目标进行模式识别和决策支持导致帮助解决实际问题。金融中间人将模糊集转换为输出值。这些模式是有效的工具在许多科学和工程应用程序中使用(例如,预测)这些范例开发处理许多环境变量(50]。混合神经模糊推理系统(HyFIS),由金和Kasabov提出51),是一个基于范式在FIS的优势合并两个模糊概念和人工神经网络(ann) [52),因此,优化学习过程。FIS的HyFIS提高利用启发式模糊逻辑规则和输入输出模糊隶属度函数使用一个定制的混合学习方法包括两个步骤:规则生成和规则优化(51]。当错误有限方差最小方差mean-unbiased OLS方法产量估算。HyFIS被应用于不同领域和使用为基础开发其他系统由于其能力使神经网络学习速度和更准确。

5。实验结果

5.1。人口和抽样

本研究采用的是问卷调查方法和扩展的历史实证研究包括铬、,PV, CT, SE, EP, CS。问卷包含两个部分:第一部分介绍了人口档案的受访者,和其他部分提出了研究变量项5分李克特量表根据从(1)“强烈不同意”(5)的“强烈同意。”

在一开始,进行了试点研究提高问卷的质量。30问卷发送通过电子邮件来研究人口,以确保受访者明确人口理解段落的问卷。共有23个问卷收集,产生77%的反应率,一个合理的反应率。此外,受访者在试点研究给出一些小的修正来提高问卷的质量。本研究的数据集包括COVID-19期间住在沙特阿拉伯的人。983的1025份问卷被用于这项研究。在这项研究中,96%的受访者都被采纳了。42问卷也取消,如部分回复或缺失值。因此,样本容量评估和解释结果起着至关重要的作用。

5.2。描述性统计

表1显示了样本的人口统计信息。这个表展示了被申请人的资料目前研究。的受访者的性别比例是47.8%的男性和52.2%的女性。此外,54.9%的受访者年龄不到30岁,35.7%是30到40岁,9.3%是40岁以上。此表格还显示学士学位的比例是65.9%,和研究生学位是19.5%。这个概要文件表解释说,管理人员8.3%的受访者,员工43.3%,学生是40.5%,unemployees是7.8%。

表1
样例配置文件。

表2显示所有研究变量的平均值和标准偏差(SD)。比较表明,EP意味着最高和最低的SD值。

表2
变量的描述性统计。
5.3。选择变量

在这一节中,选择的变量是基于多重共线性测试根据相关系数和变量的间接和直接作用于普通最小二乘法(OLS),固定效应和随机效应。

报道在表的关联系数3。变量之间存在很强的相关性,如果相关系数的绝对值等于和大于50%。不过,有一个弱相关的总价值相关系数小于50%。它展示了一个强大的正相关系数之间的因变量(CS)和其他变量除了PV和CT。重要的是要注意调解变量之间有很强的正相关关系(EP)和其他变量不含PV。此外,之间存在弱相关CR, PV, CT和SE。的确,没有这些变量之间的多重共线性。

表3
相关系数。

表4显示了探索性因素分析的结果(脂肪酸)问卷的信度和效度的物品。结果表明,CS具有数量最多的项目,克伦巴赫的α(α)为0.908,综合可靠性(CR )= 0.927,平均方差提取(AVE) = 0.616。此外,EP有五个项目,α0.751、铬 = 0.923,和大街= 0.572。此外,CR有四个项目α= 0.609,CR = 0.839,和大街= 0.567。此外,在有五项,α0.840、铬 = 0.889,和大街= 0.618。接下来,PV有五个项目α0.771、铬 = 0.844,和大街= 0.525。此外,CT有五个物品的地方α0.807、铬 = 0.866,和大街= 0.570。此外,SE有四项,α0.831、铬 = 0.890,和大街= 0.671。有效性和可靠性、因子载荷的值是可以接受的,因为所有的上面。此外,结果表明,AVE结果以上.50虽然CR结果是2,和α系数不小于0.7。

表4
探索性因素分析。

第一个情节图3残差与安装,“是有用的评价线性和方差齐性:如果残差(点图)主要是扩散到零线、线性。方差齐性指的是没有一个明确的模式在残差。这也称为残余分布。第二个情节,通常称为QQ-plot,用于评估常态的假设:剩余点越接近45度的点线,越有可能满足正态性假定。第三个情节是测试假设同方差性的关键。


图3
假设OLS回归。

过去的情节,通常称为残差与杠杆的阴谋,是一种诊断图形识别影响力的观察一个回归模型。每个观测数据集的情节中表示为一个点。的x设在每个点代表的杠杆,而y设在每个点代表的标准化的残余。程度系数回归模型的不同被称为财务杠杆。观察高杠杆影响系数的回归模型。如果我们消除这些观察结果,模型的系数会显著改变。标准化预测与实际值之间的差异被称为残余。以外的任何位置在这个阴谋是库克的距离(红色虚线)被认为是一个重要的观察。在我们的模型中,并没有任何影响力的点。最后,最小二乘估计明显是基于先前的假设。

表5解释的间接和直接影响独立变量(SE, CT, PV, CR)基于OLS的因变量(CS),固定效应和随机效应。OLS-indirect效果,独立变量(SE, CT, PV, CR) (B产生积极的影响SEB = 0.082,CTB = 0.135,光伏B = 0.230,在= 0.210,和BCR在调解变量(EP) = 0.097)显著水平不到1%。r平方= 64%,F-stat 1%具有重要意义。所以,我们拒绝零假设(H011年H012年H013年,和H014年在1%的显著水平。此外,EP (B有积极的影响EP= 0.082)显著性水平的不到1%。r平方= 26%,F-stat 1%具有重要意义。所以,我们拒绝零假设H01在1%的显著水平。fixed-indirect效果,独立变量(SE, CT, PV, CR) (B产生积极的影响SEB = 0.119,CTB = 0.158,光伏B = 0.274,在= 0.132,和BCR在调解变量(EP) = 0.115)显著水平不到1%。r平方= 73%,F-stat 1%具有重要意义。所以,我们拒绝零假设(H011年H012年H013年,和H014年在1%的显著水平。此外,EP (B有积极的影响EP= 0.63)显著性水平的不到1%。r平方= 20%,F-stat 1%具有重要意义。所以,我们拒绝零假设H01在1%的显著水平。在random-indirect效果,独立变量(SE, CT, PV, CR) (B产生积极的影响SEB = 0.089,CTB = 0.131,光伏B = 0.221,在= 0.221,和BCR在调解变量(EP) = 0.101)显著水平不到1%。r平方= 71%,F-stat 1%具有重要意义。所以,我们拒绝零假设(H011年H012年H013年,和H014年在1%的显著水平。此外,EP (B有积极的影响EP= 0.702)显著性水平的不到1%。r平方= 26%,F-stat 1%具有重要意义。所以,我们拒绝零假设H01在1%的显著水平。

表5
OLS、固定效应和随机效应。

表5说明了直接影响。OLS-direct效应,CT、PV和CR有显著的积极的直接影响(BCTB = 0.157,光伏= 0.261,和BCR= 0.471)CS在1%的显著水平。所以,我们拒绝零假设(H011年H013年,和H014年在1%的显著水平。然而,SE和没有显著的直接影响CS。所以,我们接受零假设(H012年和H015年在5%的显著水平。r平方= 56%,F-stat 1%具有重要意义。在定向直接效应,CT、PV和CR有显著的积极的直接影响(BCTB = 0.175,光伏= 0.260,和BCR= 0.514)CS在1%的显著水平。所以,我们拒绝零假设(H011年H013年,和H014年在1%的显著水平。此外,在有重大的积极的直接影响(B在= 0.081)CS在10%的显著水平。换句话说,我们拒绝零假设H012年在10%的显著水平。然而,本身不直接影响CS在5%的显著水平。r平方= 56%,F-stat 1%具有重要意义。random-direct效应,CT、PV和CR有显著的积极的直接影响(BCTB = 0.157,光伏= 0.261,和BCR= 0.471)CS在1%的显著水平。所以,我们拒绝零假设(H011年H013年,和H014年在1%的显著水平。然而,SE和没有显著的直接影响CS。所以,我们接受零假设(H012年和H015年在5%的显著水平。r平方= 56%,F-stat 1%具有重要意义。

改善客户的能力,将会增加客户的意愿从付账单的传统方法转向电子方法基于在EP OLS方法的影响。此外,加强光伏利用个人信息和财务信息在网上支付账单将会增加客户的意愿在OLS EP如上所述。此外,改善竞争CT购买服务或产品的在线为客户EP的意愿。政策制定者在政府和私人组织也应该得到关注CR因为它影响( )对EP和( )直接在CS。此外,减少等待时间的在线服务或产品(SE)将给予指示,增加客户的EP的意愿。

5.4。预测结果

在本节中,数据集被分成90%培训(886人)和10%(98人)为测试的预测。之后,五个独立变量(SE, CT, PV, CR)研究了基于自适应预测CS简称ANFIS和HyFIS模型与五十迭代步长0.01。表6显示了预测的10%基于简称ANFIS和HyFIS CS。简称ANFIS预测和比较HyFIS意味着在这个表与原CS。独立的t以及显示的差异意味着简称ANFIS和原始CS之间基于显著水平不到5%(否定H0:没有平均简称ANFIS和原始CS)之间的差异。同时,之间有差异意味着HyFIS和原始CS基于显著水平不到5%(否定H0:没有HyFIS和原始CS)之间的平均差异。的确,HyFIS更接近原始的均值比简称ANFIS CS [48,51]。

表6
简称ANFIS和CS HyFIS预测为10%。

然而,预测简称ANFIS和HyFIS比较误差标准与原CS在这个表也。平均误差(我),平均百分误差(MPE)和平均绝对百分误差(日军)与原CS简称ANFIS预测0.7435,19.882,和19.882,分别。此外,我,迈普,日军与原始预测HyFIS CS是0.354,8.212,和19.781,分别。事实上,HyFIS比简称ANFIS预测CS基于我的10%的数据集,迈普,日军。

表6显示了独立t以及,也称为两个t以及样本,独立t以及样品,或者t以及学生的,是一种推论统计检验,测试,如果在两个不相关的组(原CS和预测CS),有显著统计学差异。零假设的独立t以及( )和替代假说( ),在哪里 是一个组的均值(原始CS)和 是意味着两组(CS)预测。我们拒绝零假设,因为显著水平还不到5%。

5.5。管理的含义

本节包括分析结果和管理对提高预测与EP系统CS。管理对提高业务策略将有助于管理政策。这项研究要求政府和私人机构采取指标结果改善他们的服务性能。我们的建议可以概括如下:(1)改善客户的能力,将会增加客户的意愿从付账单的传统方法转向电子方法约( ),如前所述在OLS表5。此外,这个结果是一致的(39在增强EP)的重要作用。此外,EP的增加会增加( )CS,正如前面提到的OLS在表5。这些结果也符合(42),他说金融对CS技术可用性有很大的正面影响。(2)加强安全与信任(PV)使用个人信息和财务信息网上支付账单大约会增加( )客户的意愿EP, OLS所表5。此外,强大的显著影响光伏EP包括(44]。此外,PV会影响大约( )CS的直接影响是OLS在表5中也提到了。(3)提高竞争力的CT购买服务或产品在线将贡献约( )到客户的EP的意愿。此外,降低CT在线将会增加( )直接CS,如表中所述5。这个结果是一致的(45),他说CT在约旦银行对客户满意度产生影响。政策制定者在政府和私人组织也应该注意CR因为它周围的影响( )EP和( )直接CS,表5所。CR影响客户的态度EP是一致的(38]。此外,减少等待时间有一个在线服务或产品(SE)将给予一个指标,增加客户的意愿EP关于( )(见表5)。

6。结论

CS在COVID-19 EP的影响系统提出了基于OLS成功,固定效应和随机效应在这个研究。此外,计算机科学的预测也发现成功依赖于简称ANFIS和HyFIS。调查问卷收集从1025年样本COVID-19期间住在沙特阿拉伯。输出变量被确定为CS,但是,CT, PV,在和CR的输入变量。在结果中,我们没有发现变量之间的多重共线性。有着很强的正相关性(CS)和输入输出变量之间除了PV和CT。

此外,有弱输入变量之间的相关性(CR,在光伏、CT和SE)。结果还表明,大街是高于50%,而CR的结果是70%以上,和克伦巴赫α是不少于70%的无效和可靠性测试符合(53,54]。之后,OLS、固定效应和随机效应用于选择重要的输入变量。OLS-indirect效应,对EP输入变量有显著积极影响与r平方等于64%。此外,EP有积极影响,r平方等于26%。OLS-direct效应,CT, PV,对CS和CR有显著的积极影响,但SE和没有实质性的直接影响CS, r平方等于56%。fixed-indirect效应,对EP输入变量有显著积极影响r平方= 73%。

此外,EP积极影响c r平方等于20%。PV, CT,对CS和CR实质性的积极作用,在定向直接影响r平方等于56%。random-indirect效应,输入变量有显著积极影响EP r平方= 71%。此外,对CS EP具有显著的积极影响,在r平方等于26%。random-direct效应,CT、PV和CR有显著积极影响在CS r平方等于56%。最后,10%的CS分裂后预测问卷到90%和10%。HyFIS模型比基于低误差标准简称ANFIS预测CS我,迈普,日军。

数据可用性

在这项研究中使用的数据被作者通过问卷调查收集。

的利益冲突

作者宣称没有利益冲突。

确认

作者扩展他们的升值Deputyship进行研究和创新,在沙特阿拉伯,教育部资助这项研究工作的项目没有。7977年。