Stacking Ensemble Models for Predicting Digital Payment Adoption: A Comprehensive Machine Learning Analysis of Global Findex 2025 Data

Stellen Sie sich die Weltwirtschaft als einen riesigen, geschäftigen Marktplatz vor, auf dem jeder versucht, zu handeln, zu sparen und Dinge zu kaufen. Lange Zeit war dieser Marktplatz hauptsächlich physisch – man musste zu einer Bank gehen, Bargeld tragen oder einen Scheck schreiben. Doch vor kurzem ist ein magisches neues Werkzeug aufgetaucht: digitale Zahlungen. Dies sind wie unsichtbare Münzen, die über Smartphones und Computer durch die Luft wirbeln und es Menschen ermöglichen, für Dinge zu bezahlen, ohne jemals Papiergeld in die Hand zu nehmen. Dieser Wandel ist eine große Sache, denn er hilft Menschen, die zuvor vom Markt ausgeschlossen waren – wie etwa Menschen in abgelegenen Dörfern oder ohne viel Geld – endlich an der Party teilzunehmen. Dies wird „finanzielle Inklusion“ genannt, und sie ist der Schlüssel, um jedem zu helfen, ein besseres Leben aufzubauen.

Aber hier ist der knifflige Teil: Nicht jeder nutzt diese digitalen Münzen bereits. Einige springen mit beiden Füßen hinein, während andere am Spielfeldrand stehen, verwirrt oder verängstigt. Wissenschaftler und Ökonomen haben versucht herauszufinden, warum manche Menschen diese neuen Werkzeuge annehmen und andere nicht. Sie suchen nach Hinweisen wie dem Einkommen, dem Alter oder ob jemand ein Smartphone besitzt. Traditionell nutzten sie einfache Mathematik, um die Antwort zu erraten, aber die Welt ist chaotisch und kompliziert. Manchmal interagieren die Hinweise auf seltsame Weise – wie zum Beispiel, dass ein Smartphone nicht hilft, wenn man nicht weiß, wie man es benutzt, oder dass Geld nicht hilft, wenn man dem Internet nicht vertraut. Um dieses Rätsel zu lösen, nutzen Forscher nun „Maschinelles Lernen“, was so ist, als würde man einem superintelligenten Roboter beibringen, Millionen von Hinweisen gleichzeitig zu betrachten und Muster zu finden, die das menschliche Gehirn übersehen könnte.

In dieser Studie beschlossen Forscher, einen superintelligenten Roboter-Detektiv zu bauen, um das Geheimnis der Einführung digitaler Zahlungen zu lösen. Sie fragten nicht nur einen Roboter; sie bauten ein ganzes Team von ihnen auf, jedes mit einer anderen Denkweise, und brachten ihnen dann bei, zusammenzuarbeiten. Sie verwendeten einen riesigen Datensatz namens „Global Findex 2025“, der wie ein riesiges Fotoalbum ist, das Informationen über 144.090 Erwachsene aus 141 verschiedenen Ländern enthält. Nachdem sie die unordentlichen Teile der Daten bereinigt hatten, erhielten sie ein klares Bild von 102.954 Menschen, die sie untersuchen konnten.

Die Forscher begannen damit, ihrem Roboter-Team eine Liste von 183 verschiedenen Hinweisen (Variablen) zu geben, wie etwa Bildungsniveau, Internetzugang und Einkommensquellen. Um die Aufgabe zu erleichtern, nutzten sie einen intelligenten Filter, um die 66 wichtigsten Hinweise auszuwählen und kombinierten einige davon zu neuen „Super-Hinweisen“. Sie erstellten zum Beispiel einen „Super-Hinweis“, indem sie das Bildungsniveau einer Person mit ihrer Internetnutzung multiplizierten, da das Team vermutete, dass beide zusammen viel kraftvoller sind als nur einer allein. Sie erstellten auch neue Hinweise darüber, wie viele verschiedene Wege eine Person hat, Geld zu verdienen, und wie „finanziell orientiert“ sie ist (wie zum Beispiel, ob sie Geld sparen oder eine Kreditkarte besitzen).

Als Nächstes trainierten die Forscher drei verschiedene Arten von „Basis“-Robotern unter Verwendung fortschrittlicher Algorithmen namens XGBoost, LightGBM und CatBoost. Stellen Sie sich das wie drei verschiedene Detektive vor: Einer ist großartig darin, kleine Details zu entdecken, ein anderer ist schnell im Verarbeiten riesiger Mengen an Informationen, und der dritte ist exzellent im Umgang mit unordentlichen, kategorialen Daten. Sie ließen diese Roboter nicht einfach nur raten; sie verwendeten ein spezielles Werkzeug namens Optuna, um ihre Einstellungen fein abzustimmen – wie das Justieren des Fokus eines Kameraobjektivs –, um sicherzustellen, dass sie so scharf wie möglich sind.

Aber die wahre Magie geschah, als sie entschieden, diese Roboter in ein „Stacking“-Team zu bringen. Anstatt einen einzelnen Roboter die endgültige Entscheidung treffen zu lassen, ließen sie die drei Basis-Roboter zuerst ihre Vermutungen anstellen. Dann speisten sie diese Vermutungen in einen „Meta-Learner“-Roboter (in diesem Fall einen ExtraTrees-Klassifizierer) ein, dessen einzige Aufgabe es war, den drei Basis-Robotern zuzuhören und zu entscheiden, wer recht hat. Es ist, als würden drei Experten ihre Meinungen abgeben und dann ein weiser Richter zu allen hört, um das endgültige Urteil zu fällen. Die Forscher testeten dieses Team gegen andere Methoden, wie etwa nur einen Roboter zu fragen oder die Roboter durch Mehrheitsentscheidung abstimmen zu lassen.

Die Ergebnisse waren beeindruckend. Das „Stacking“-Team, speziell die Kombination aus LightGBM und XGBoost als Basis-Detektive mit dem ExtraTrees-Roboter als Richter, hatte in 93,04 % der Fälle recht. Dies war die beste Punktzahl, die sie finden konnten, und sie übertraf sowohl die einzelnen Roboter als als auch andere Teamkombinationen. Die Forscher nutzten auch ein Werkzeug namens SHAP, um in das Gehirn des Roboters zu schauen und zu sehen, warum er seine Entscheidungen traf. Sie fanden heraus, dass der Roboter stark von drei Hauptfaktoren beeinflusst wurde: wie hoch die Bildung einer Person war, ob sie Zugang zum Internet hatte und wie viel Geld sie verdiente. Interessanterweise lernte der Roboter, dass Bildung und Internetzugang am besten funktionieren, wenn sie gemeinsam auftreten; das Vorhandensein von nur einem der beiden war nicht so hilfreich.

Die Studie zeigte auch, dass die Feinabstimmung der Roboter (Hyperparameter-Optimierung) zwar ein wenig half, aber das wahre Geheimrezept die Teamstruktur selbst war. Der „Stacking“-Ansatz machte die Vorhersagen viel stabiler und genauer, als es ein einzelner Roboter allein erreichen könnte. Dennoch stellten die Forscher fest, dass ihr Roboter immer noch etwas Schwierigkeiten hatte, das Verhalten von einkommensschwachen und ländlichen Bevölkerungsgruppen vorherzusagen. Dies deutet darauf hin, dass für diese Gruppen noch verborgene Barrieren existieren – wie mangelndes Vertrauen, Sicherheitsängste oder langsame Internetgeschwindigkeiten –, die der Roboter mit den vorliegenden Daten nicht vollständig erklären konnte.

Am Ende zeigt diese Arbeit, dass wir durch den Einsatz eines Teams spezialisierter, intelligenter Machine-Learning-Modelle, die zusammenarbeiten, die Nutzung digitaler Zahlungen mit sehr hoher Genauigkeit vorhersagen können. Sie bestätigt, dass Bildung und Internetzugang die goldenen Schlüssel zur Entfesselung der finanziellen Inklusion sind, warnt uns aber auch, dass der bloße Aufbau der Infrastruktur nicht ausreicht; wir müssen sicherstellen, dass die Menschen auch die Fähigkeiten und das Vertrauen haben, sie zu nutzen. Die Forscher schlagen vor, dass zukünftige Studien untersuchen sollten, wie sich diese Verhaltensweisen im Laufe der Zeit ändern, und größere wirtschaftliche Faktoren einbeziehen sollten, aber für den Moment bietet uns dieses „gestapelte“ Roboter-Team die bisher klarste Sicht darauf, wie sich die digitale Geldrevolution weltweit ausbreitet.