《Big Tech与金融数字化变革(探讨).docx》由会员分享，可在线阅读，更多相关《Big Tech与金融数字化变革(探讨).docx（9页珍藏版）》请在三一办公上搜索。
1、BigTech与金融数字化变革（探讨）金融数字化需要金融机构和BigTech企业的双轮驱动，BigTech助力金融数字化需要清晰的制度环境，明确BigTeCh可以做什么以及如何做。新冠肺炎疫情的暴发让人们看到了科技对传统金融的重塑，刷脸支付、线上借贷等“非接触式金融”迅速崛起。在线下金融业务几乎停滞的情况下，人工智能、大数据、云计算、区块链等技术帮助金融业快速推进线上化、数字化转型，维持了金融业的快速发展势头。在金融线上化、数字化改造的推进过程中，BigTech（具有技术优势和渠道优势的大型科技公司）是不可或缺的参与者和推动者。金融数字化是大势所趋，当前应积极修补数据、制度和基础设施等方面的短
2、板，更好地发挥BigTech的赋能作用，推动金融数字化高质量发展。数字化是金融业变革的必然趋势从金融发展的演进趋势来看，BigTech推动下的金融数字化发展既是当前应对疫情冲击的非常之需，更是未来高质量发展的必经之路。多层次、多样化的金融科技生态体系逐步形成在供需两端的推动下，“非接触式金融”在疫情后“提挡加速二在疫情暴发后，金融科技在金融业的应用实现了从“离散式”推进到“全面开花”推进的转变，各类金融机构深化与以BigTeCh为代表的金融科技、数字科技企业合作，通过数字化转型来应对此次的现实版“压力测试:金融科技、数字科技在金融市场业务、对公业务（含中小企业业务）、零售业务，以及支付业务、投
3、融资业务、同业业务等各个业务领域的应用加快推进，很好地弥补了金融机构网点服务的短板。全国工商联会同银行业协会等推出的“非接触式贷款”小额援助计划，吸引了100多家银行的迅速聚集加入，贷款范围涵盖十大行业，预计半年之内可支持全国约1000万户小微企业、个体工商户和农民恢复生产。第三方支付公司所提供的刷脸支付、扫码支付等一系列非接触支付方式，有效避免了不必要的接触，从而保护了日常生活消费活动的顺利开展。非接触式金融发展的背后，是金融科技的持续创新和广泛运用。近些年来，我国金融科技创新保持了快速的迭代升级，多层次、多样化的金融科技生态体系逐步形成。以BigTeCh为代表的金融科技和数字科技企业不但向
4、金融机构持续输出金融科技技术、产品和解决方案，还开始打造金融科技开放平台，利用数字科技连接金融机构和实体企业，推动金融数字化和产业数字化携同共进。金融数字化是金融供给侧结构性改革的“必经之路”宏观层面，金融数字化有利于构建广覆盖、多层次、有差异的金融机构体系，提升金融服务实体经济质效。近年来我国金融体系改革创新持续推进，但金融结构不合理、机构竞争同质化、风险管理粗放化等问题依然突出，小微企业融资难、融资贵持续存在。以BigTech为代表的数字科技企业的直接驱动和竞争影响下，技术、场景与金融的融合发展成为金融供给侧结构性改革的有效方式，可以切实提升金融机构的服务能力和内在动力，从而更快形成广覆盖
5、、多层次、有差异的金融机构体系。具体而言，金融数字化基于客户需求来创新产品业务和运营模式,有助于解决金融机构同质化竞争问题；通过线上化服务极大拓宽金融服务覆盖面，有助于解决覆盖面不足问题；通过行为场景数据和大数据手段等缓解信息不对称，有助于解决定价不精细问题；通过大数据建模等有效识别管控风险，有助于解决风控过度依赖抵质押物问题。微观层面，数字化是解放金融数据生产力的重要方式，有助于提升金融机构的经营管理效率。金融业发展与数据息息相关，随着金融服务范围的拓宽和服务产品的丰富，金融机构急需采集和应用更多的数据来解决信息不对称问题。2020年3月，中共中央国务院发布关于构建更加完善的要素市场化配置体
6、制机制的意见，将“数据”与土地、劳动力、资本、技术等传统要素并列，要求加快培育数据要素市场，全面提升数据要素价值。金融机构数字化的过程就是金融数据效能最大化的过程。BigTeCh企业深化数据与金融业务的融合，分布式数据库、区块链技术可以帮助金融机构改善金融数据存储、读取的安全性、高效性；云计算、人工智能可以帮助金融机构降低数据运营成本，提升数据分析与业务支持效率；移动通信、线上场景帮助金融机构拓展数据获取和业务供给的来源和渠道。BigTech是金融数字化发展的重要推手根据2019年国际清算银行在年度报告中的分析，BigTeCh具有较强的“数据网络的自我强化能力”，是金融数字化的重要推手：Big
7、TeCh通过其主营业务获取大量的数据和流量，并在网络效应的作用下引来更多的数据和流量，进而可以通过较低的边际成本，将业务拓展到支付、信贷、金融产品销售等具有网络效应的金融服务领域，实现技术、场景与金融的融合发展。BigTech依托技术力量全面改造金融供应链从业务发展看，BigTeCh对金融的数字化改造是全流程全方位的。金融业务是一个涉及多个环节的供应链，包括产品设计、资金筹集、营销获客、风险控制、贷后（售后）管理等多个环节和领域。BigTeCh通过对金融供应链各个环节的线上化、数字化改造，促进了金融供应链前后环节的纵向联动和不同链条之间的横向联动。具体而言，BigTeCh改变了金融服务的“人、
8、货、场”的性质和形态一“参与金融供应链的主体”“产品和服务”和“服务和交易场所二第一，参与金融供应链的主体种类更加丰富、供给和需求更加多元。例如BigTech提供的支付服务和平台服务使得其自身成为金融供应链中的设施和通道提供方，使用这些服务的金融机构、消费者以及其他技术服务商互为供给和需求方。第二，金融供应链所承载的产品和服务更加标准化、多元化。BigTeeh利用其技术优势为金融机构创新创造金融产品和服务提供了基础且丰富的数字化“生产工具”（产品和技术组件），金融机构可以通过组合选用的方式实现自身的需求。第三，金融供应链的服务和交易场所进一步改造创新。BigTeCh一方面帮助金融机构实现其传统
9、交易场所的线上场景变迁和线下效能提升；另一方面打造“开放平台”，聚拢金融机构、金融消费者以及其他服务商，满足平台上各类客户需求的同时，更在推动着金融数字化生态的共建。从发展过程看，BigTeCh对金融业的数字化改造不断深化拓展。截至目前，这个改造过程可以大致概括为三个阶段：第一个阶段是自营金融业务，BigTech在申请的金融牌照许可范围内，利用数字科技自己开展金融业务，将数字科技能力在自身金融业务上进行验证；第二个阶段是输出科技解决方案，BigTeCh用数字科技帮金融机构做金融，将数字科技能力输出、赋能给金融机构；第三个阶段是打造开放平台，BigTech用数字科技连接金融和实体产业，将数字科技
10、作为金融数字化、产业数字化的桥梁。BigTech利用比较优势协同推进金融数字化在金融数字化发展过程中，BigTech与传统金融机构的资源禀赋存在差异，各有优势：金融机构在金融市场筹集资金的成本低，金融风险控制能力强，但技术基因不及数字科技企业；BigTeCh则在技术上有核心禀赋，在跨界联动、快速响应市场需求上具有明显的竞争优势。BigTeCh与传统金融机构协同推进，可以更好地实现技术、场景与金融的深度融合。BigTeCh拥有差异化的“数字化输出能力:根据国际清算银行的分析，BigTech拥有数字化输出的“DNA”数据分析(DataAnalytiCS)能力使得BigTech能够比银行更好地加工数
11、据，提升数据分析的效果；网络外部性(NetWorkExternalities)将梅特卡夫效应复制到金融领域；互动活动(InterWOVenACtiVitieS)使得BigTeCh可以将自身场景和服务与金融业务更好地结合打通。BigTech企业利用信息科技比较优势和数字化输出能力，帮助金融机构改造业务模式、管理方式、发展理念，形成差异化的市场定位、业务模式和竞争优势。BigTeCh与金融机构协同推进金融数字化。相关调查报告显示，相对于金融机构自建金融科技、推进数字化转型来说，以BigTeCh为代表的数字科技企业拥有更加成熟的数字化解决方案、更加多样的数字化渠道。在助力金融机构数字化的过程中，Bi
12、gTech的效率和成本更加具有优势。在实践过程中，头部的BigTech企业将数字营销、智能风控等能力以及多样化业务场景整合输出，一方面开放自身流量，体现渠道优势，帮助金融机构完成线下向线上的迁移；另一方面为金融机构打造技术中台、数据中台、业务中台、移动中台、开放平台等核心能力，提供定制化解决方案，助力金融机构的管理更加高效。积极破除BigTech赋能金融数字化的外部约束为了更好释放BigTeCh对金融数字化的赋能作用，推动金融服务“增量、扩面、提质、降本”，除了BigTeCh自身不断强化技术创新和应用能力外，也需要积极弥补数据、制度、基础设施等方面的短板，创造一个更好的外部环境。从政策与技术两
13、端发力，夯实BigTech赋能金融数字化的数据基础隐私保护和数据合理使用之间往往存在着一定程度的冲突，是数据要素价值无法最大化面临的现实难题。近日，中共中央国务院发布关于构建更加完善的要素市场化配置体制机制的意见，要求加快培育数据要素市场，对推进政府数据开放共享、提升社会数据资源价值、加强数据资源整合和安全保护做出了总体部署。为了推动数据要素在金融领域更加高效稳健的使用，实现数据使用和隐私保护的统一，应当从政策和技术两方面共同发力，夯实BigTeCh助力金融数字化的数据基础。一方面，在网络安全法个人信息安全规范个人金融信息保护技术规范的基础上进一步完善数据使用相关的政策法规和标准指引，规范数据
14、收集、传输、存储、展示、共享和转让、汇聚融合等行为，为数据使用者设定合理合法使用的边界，并明确收益分配方式以及责任承担方式；另一方面，也可以通过技术手段实现数据保护，如对于涉及个人隐私的信息，可以在约定授权范围的同时.，通过脱敏处理方式实现数据交互；也可以在优化迭代、联邦学习、分布式数据库等技术手段以及技术模型的基础上,使得作为信息控制者的BigTech可以不断提升数据使用效能并强化数据保护。完善政策指引和监管机制，明确BigTch赋能金融数字化的政策预期金融数字化需要金融机构和BigTech企业的双轮驱动，BigTech助力金融数字化需要清晰的制度环境，明确BigTech可以做什么以及如何做
15、。人民银行2019年印发的金融科技(FinTeCh)发展规划(2019-2021年)主要从金融机构的角度明确了金融科技发展的主要目标和任务，还应在此基础上，进一步明确金融数字化金融科技企业和BigTeCh的作用范围。同时，目前已有的监管规则都是针对传统的线下业务模式制定的，随着金融数字化、线上化发展，应对相应的监管规则做出适应性修改并完善监管机制，鼓励金融数字化创新发展。这些问题已经引起相关部门的关注，相关政策正在不断优化调整。2020年3月，北京金融科技监管试点二期项目就规定，申报机构主体除了持牌金融机构、持牌金融机构+科技企业外，从事金融相关业务系统、算力存储、算法模型等科技产品研发的科技
16、公司也可独立申请。同时，针对金融数字化、线上化发展，相关部门正在研究制定商业银行互联网贷款管理暂行办法以及个人金融信息（数据）保护试行办法等规则。下一步，还需要相关部门根据金融数字化发展的进程以及BigTech发挥的作用范围，对相关政策和规则进行动态修改。加快经济金融新基建，筑牢BigTech赋能金融数字化的基础设施BigTech是连接经济新基建与金融数字化的重要桥梁。新基建核心是数字经济的基建，既是我国应对当前疫情冲击的重要政策，也是推动经济金融数字化变革、释放未来十年中国经济发展潜能的重要部署。2020年4月，发改委首次明确“新基建”包含信息基础设施、融合基础设施、创新基础设施三个方面，涵
17、盖了5G网络建设、工业互联网、人工智能、大数据、智能交通基础设施、智慧能源基础设施等。一方面，以BigTeCh为代表科技企业是新基建的“技术供应商”,新基建需要BigTeCh的技术赋能；另一方面，BigTeCh是金融数字化的重要参与者，金融的数字化才能更好地满足新基建发展的金融需求。BigTech是数字化金融基础设施建设的重要参与者。我国正在积极推进统一社会信用代码体系建设，并与金融稳定理事会提出的法人机构识别编码一一LEl码建立起完善的映射关系，有利于促进信用信息资源共享，降低金融机构和数字科技企业的识别成本、管理成本。此外作为“数字化金融基础设施”软件的各类金融数字化技术标准也在积极推进，
18、金融分布式账本技术、云计算技术金融应用标准已经发布，帮助金融行业以相互兼容的方式降低风险。在此基础上，为了更好地推进数字化金融基础设施建设，还需要统筹考虑解决以下问题：金融科技和数字化发展需要哪些基础设施保障，数据中心、金融云、数字化金融服务平台等企业推出的金融科技创新是否是重要的金融基础设施，金融数字化基础设施建设运营的准入条件是什么等。附参考资料：BigTeCh公司的金融科技服务所谓的BigTech公司（尤其是以亚马逊、苹果、谷歌和Meta为例），都在不断尝试向新的业务领域发展。由于在数据分析方面具有专长，它们已在许多行业迅速站稳脚跟。目前，BigTeCh公司正在拓展其金融服务,然而，其在
19、金融服务领域面临的最大挑战是客户的接受度。本文将对数字生态系统这一新兴领域以及用户对敏感服务的接受度做出研究。虽然BigTeCh公司已经获得了广泛关注，但实证分析却很少。本文旨在阐明客户接受BigTeCh银行服务的决定因素。基于在瑞士进行的一项调查，本文建立了一个分析模型来识别和测试这些决定因素，并得出结论：主观风险和信任的影响最大。一、简介金融科技（简称“FinTech）是指金融服务的数字化，主要由技术创新、流程颠覆和服务转型驱动（Gomber等人，2018年）。作为一个总括术语，它包括由信息技术支持的创新解决方案，通常用于提供这些解决方案的初创公司，但也包括银行等现有金融服务提供商。早在2
20、015年，经济学人就曾撰文指出，“穿着T恤衫的极客们与风险资本的神奇组合颠覆了其他行业，也将金融服务纳入其视野。从支付到财富管理，从点对点借贷到众筹，新一代初创企业正瞄准行业的核心以及高盛估计价值4.7万亿美元的收入。（经济学人，2015年）”尤其是在2008年全球金融危机之后，金融业被更加灵活、更具成本效益的金融科技初创企业所颠覆，这些企业能够更有说服力、更全面地满足客户的需求。然而，新的竞争并不仅限于初创企业领域。BigTech(BigTechonology)公司，尤其是亚马逊、苹果、谷歌和Meta,目前正威胁着传统金融机构的业务(由于微软没有专门提供任何金融服务，因此不在研究范围内)。与
21、金融科技初创企业相比，它们已经拥有来自大量客户的海量数据和投资创新解决方案的资金，这可能使BigTeCh公司有资格成为银行的真正竞争对手。这些公司的市值超过4.5万亿美元(截至2022年12月)，高于世界第四大经济体德国4.29万亿美元的国内生产总值。BigTech公司提供的创新银行服务包括ApplePay和GooglePay等移动支付应用、亚马逊贷款，以及Meta的前琰计划等数字货币。尽管BigTech公司尚未制定明确的银行业务战略，但银行已意识到它们的巨大潜力。BigTech公司在进入银行业市场时颇为犹豫，原因之一是客户对其提供的金融解决方案的接受程度，尤其是金融服务与信任这一关键成功因素
22、密切相关。例如，一项针对2000名美国银行客户的调查显示，89%的客户对数据隐私和共享表示担忧(TheCIearingHOUS6,2018年)，这显然为在同一项调查中被视为最值得信赖的机构的银行铺平了道路。在银行业，这被视为银行以外的其他提供商提供创新服务所面临的最大挑战。二、理论背景如今，在全球最有价值的五家公司中，BigTech公司占了四家(Meta目前排在第26位)。这些科技公司总共雇用了近80万人，营业额超过5000亿美元。仅从这些数字就可以看出大型科技公司在当今的主导地位。迄今为止，几乎所有行业都未能幸免于这四家公司的活动。尽管出现了许多丑闻，如剑桥分析公司在Facebook上的失误
23、，但BigTeCh公司仍然深受用户欢迎。金融行业就是近年来BigTech公司扩大活动范围的市场之一，这主要是由于许多国家的监管要求更加灵活。传统金融机构拥有不断增长的数据量，但对这些数据的利用却十分有限。在人工智能和数据科学的帮助下，银行可以独立提供基于数据智能链接的创新产品。随着新的支付服务指令(PSD2)于2018年1月在欧洲生效，传统金融机构不得不在客户同意的情况下，通过标准化接口(APl)允许经过认证的第三方提供商访问其客户数据(ACCeSStoACCOUntXS2A)。欧盟希望通过这项新规定来加强支付交易的竞争，从而促进创新。因此，BigTech等数据巨头也是受益者之一。BigTeC
24、h公司看到了PSD2的巨大潜力，并已在银行业崭露头角。然而，这一发展也带来了威胁，因为其可能会垄断某些领域，如消费者贷款和中小型企业(SME),这可能会迫使现有银行沦为“低成本制造商”，而这些制造商只是为BigTech公司的贷款提供资金。另一方面，消费者使用BigTeCh服务的意愿也在增强。在最近一项针对美国消费者的调查中，65%的受访者愿意从亚马逊、58%的受访者愿意从谷歌、56%的受访者愿意从苹果、35%的受访者愿意从Meta购买金融产品。一项调查显示，73%的18-34岁美国人愿意从BigTeCh公司购买金融产品，亚马逊享有最高的客户信任度(DUTOit&Bums,2017年)。一方面，
25、在许多国家，银行业的客户转换数量仍然相对较低，原因是许多流程仍然是人工和纸质的；另一个原因是，银行业务以信任为基础，传统金融机构在客户中仍然享有很高的信任度。然而，对于科技公司来说，由于它们已经拥有庞大的客户群，进入市场并不是一个难以逾越的障碍。因此，它们面临的最大挑战是金融产品的复杂性和客户的接受程度。技术接受与使用统一理论（UTAUT）在以往的研究中，“接受”和“采用”这两个术语并不总是得到恰当的区分，而是部分地被用作同义词（NabihetaL）如今，大多数研究都以这两个术语的区别为出发点，分为接受研究和采用研究。接受研究主要关注潜在客户对创新的积极态度（态度形成的决定因素）和随后的使用情
26、况。接受研究与采用研究的主要区别在于，接受研究追求的是技术创新成功或不成功的原因。与采用研究相比，接受研究只关注个人层面。而采用研究则涉及确定接受创新的决定因素和接受创新的时间。以下的实证调查以前者为基础。根据（VenkateSh等人，2003年），“技术接受与使用统一理论”（简称：UTAUT）综合了当时最广泛使用的八种接受模型的研究成果。其中包括：“理性行动理论“（TRA）、“计划行为理论“（TPB）、”理论接受模型“（TAM）、“动机模Sr（MM）、“TAM/TPB组合模型”（CTAM-TPB）、“个人电脑使用模型”（MPCU）、“创新扩散理论”（IDT）和“社会认知理论”（SCT）（Os
27、hlyanskyetal2007）（Venkatesh等人，2003）o在新开发的模型中，有四个独立的核心因素会影响实际使用创新的行为意向（Venkatesh等人，2003年）：（1）业绩预期、（2）社会影响、（3）努力预期以及便利条件。此外，模型还考虑了影响四个核心因素的四个调节变量：（1）经验，（2）自愿应用，（3）性别，（4）年龄。前三个独立因素对行为意向和实际使用产生影响,而“便利条件”则对行为使用产生直接影响。与以往的研究相反,King和He（2006年）的元分析表明，调节变量对研究有很大的影响。由于尽管存在互补因素，但许多复杂的研究项目无法完全捕捉到这些因素，因此根据研究设计的不同
28、，还会增加其他因素。三、研究背景和数据为了对模型和假设进行实证检验，我们设计了一项有361人参与的在线调查。King和He（2006年）对88项技术接受度研究进行了元分析，结果表明，适度的样本足以取得显著的结果。对于较简单的概念，四十多人的样本就足以证明其潜在的相关效应。本研究的目标群体被定义为已经与银行建立关系的瑞士总人口（Creswell,2009年）。由于调查的目的是尽可能反映瑞士人口的特征，因此目标群体的局限性可视为微不足道。所有答复均通过在线调查收集，然后使用SPSS软件进行分析。选择这种调查方式是为了获得尽可能多的（随机）数据，从而能够获得更可靠的估计值。此外，由于匿名性得到了保证
29、，因此可以降低社会理想答案的风险。问卷结构在探索性因素分析的帮助下进行了研究，以检查是否应将项目分组或留作单一因素。本研究侧重于三个主要发现。首先是自变量是否对因变量有影响；其次，利用方差分析表来确定整个模型本身是否显著，从而是否适合对各个变量进行分析；第三，显示各自的影响强度并用于解释（AnderSOn等人，2010年）。多元回归主要用于寻找最适合样本中所有经验点总体趋势的线性函数。本研究采用最小二乘法，这也是多元回归的目标函数。由于多元回归模型比简单回归模型更为复杂，因此必须满足一些先决条件。特别是要满足所有六个高斯马尔科夫假设。因此，最小二乘估计器是所采用模型的最佳线性估计器。具体来说，
30、这些条件是（Berry&Feldman,1985）：1 .如果回归系数是线性的，则满足第一个条件。如果违反了这一假设，就会导致估计值失真。为此，我们在SPSS中绘制并分析了部分散点图。根据这种图形表示法，可以认为本模型满足了这一假设；2 .如果调查样本是随机“选择”的，则满足第二个条件，而本研究正是这种情况；3 .第三个条件指向自变量的外生性。图形表示法无法提供关于自相关性的确切信息，这也是应用杜宾-沃森检验的原因。检验结果为1.830o因此，可以排除自相关性，因为介于0.7和2.3之间的值可以被视为一个很好的替代值；4 .条件四的前提是自变量之间不存在完全的共线性。换句话说：假设变量之间是线
31、性独立的。第五个高斯-马尔科夫条件构成了鲍鱼项方差的恒定性。散点图中的图形表示法也无法提供明确的同方差或异方差分类结果，但这在大量数据中很常见，因此必须通过统计检验来明确。残差的同方差性（方差相等）表明，模型对所有数值的预测效果相同；5 .为了明确说明第五个条件，我们进行了一次复杂的白色测试，将自变量交叉相乘。然后将新创建的109个变量用于所谓的白色测试。与Breusch-Pagan-Godfrey检验（也是常用的检验方法）的主要区别在于，所有解释变量的交叉乘积和平方都是额外形成的，并在辅助回归中予以考虑；6 .第六个也是最后一个条件是误差项的正态分布。误差项应近似于正态分布。有两种图形方法适
32、用于检查分布假设。一方面，可以生成标准化残差的直方图，在直方图中可以看到与正态分布曲线的偏差。另一方面，概率一概率一图也有助于检验正态分布。标准情况是样本越大，越有可能假设为正态分布。该图显示了残差的累积频率分布与累积正态分布。图2显示，它们相当一致，因此可以得出正态分布。四、实证分析和结果由于结果不存在严重违反高斯马尔科夫条件的情况，因此适合对结果进行多元回归分析。为此，我们采用了前面介绍的分析方法来检验提出的假设。具体而言，本研究首先检查样本的描述性特征和模型质量。其次，对平均值、标准差、相关矩阵和创建的模型进行概述和分析。4.1 样本概述通过调查收集数据，调查包括两个部分。第一部分调查人
33、口特征（如年龄和性别）和其他控制变量（技术亲和力、与BigTeCh银行服务的现有接触以及其他大科技产品/服务（如社交媒体渠道）的使用）。性别编码为O=女性，1=男性。对现有联系和使用其他BigTeCh服务的肯定用=1表示，否定用0表示（=0）。在问卷的第二部分，测试人员采用7点李克特量表（从I=“我完全不同意”到7=我完全同意”），主观地接受和评估了有关个别因素（自变量）的陈述，并辅以一个控制问题（只需点击4即可确定有多少参与者完成了整个问卷）。在407名参与者中，有7人因为没有点击控制问题而被排除在外，39人没有完成调查，因此最终调查包含了361名有效的测试对象。我们的样本显示,30岁以下的
34、年轻人和老年人（51岁以上）的比例都很高。从表1中可以看出，中年人也占有一定比例，因此我们的样本很好地反映了瑞士的人口状况。结果发现，男性参与者过多，占54.6%。男性参与者的比例也有所增加，尤其是随着年龄的增长。例如，在51岁以上的人群中，男性参与者占58.8%,女性参与者占41.2%o4.2 模型的质量控制除了上述测试外，还必须保证可靠性和有效性，以检查质量。一方面，问卷采用了之前研究中的问题/陈述（内容有效性和可靠性），另一方面，因子分析也显示了测量工具的有效性（达到了所有最小值），因此可以认为有效性是确定的。为了进一步科学地证明问卷的可靠性，对各个测量工具进行了Cronbach1SAl
35、pha检验。CronbachtSAlpha主要确定测量工具的内部一致性，因此可以说明随机测量误差。根据George&Mallery(2003),CronbachsAlpha值大于0.9即为优秀。介于0.7和0.9之间的值一般被归类为良好。因此本次实验总结计算得出的CronbachtSAlpha值介于0.758和0.976之间，使得其可靠性得到了保证(Nunnally,1967年)。4.3 描述性结果描述性结果包括平均值、标准差和变量之间的相关性。因变量是第一个变量,第二至九个变量是自变量。变量10-15代表控制变量。表3分析了各变量(因变量：行为意向除外)的临界相关值是否超过0.9(或其他研究
36、中的0.7)(BagoZZi等人，1991年)。由于没有一个相关值超过0.7或0.9,因此可以得出结论，没有方法上的偏差。在八个自变量中，努力期望值(16.42)的平均值最高，社会影响(10.11)的平均值最低。该模型还显示了自变量和因变量之间的相关性。通常情况下，自变量与因变量之间的相关值至少应为0.3。这一点始终符合要求。在自变量中，信任感与因变量的相关性最强(r=0.902,p0.01)。努力期望与行为意向也有很强的正相关性(r=0.871,p0.01)o与其他研究相反，本研究中的绩效预期与使用大科技银行服务的行为意向相关性最弱(Kim,2014；Lee,2009)o在自变量中，只有感知
37、风险与因变量呈显著负相关(r=-0.837,p0.01)4.4 多元回归分析表4总结了可用于检验假设的模型。第一个模型是用于分析的完整(修正)模型。这构成了假设检验的基础，并在模型2至11的简要说明后作了更详细的介绍。第二个模型分析了Venkatesh等人(2012年)确定的决定因素。第三个模型则只捕捉所使用的控制变量，用于确定重要的控制变量。其余模型(4至11)在考虑到重要控制变量的情况下，分别映射了各自的自变量。从第二个模型开始，可以说所提出模型中的因素对使用BigTech银行服务的行为意向有显著影响。努力期望、社会影响、便利条件和享乐动机对行为意向有积极影响，显著性水平为p.001。在第
38、二个模型中，便利条件的影响最大，其值为B=.29597。根据Cohen(1992),这个值可以被认为是相对较高的，因为将便利条件的值改为1会使行为意向增加(四舍五入)0.3。令人惊讶的是绩效预期。该因素“仅”在p.01的水平上显著，而且影响相对较小(=.08411),尽管该因素被认为对行为意向的影响最大。第三个模型只包含控制变量，检验各个控制变量的显著性。结果发现，只有性别和技术亲和力具有显著影响。因此，这两个变量被纳入模型4至11。第四个模型显示了自变量努力期望值的单独影响，同时考虑了上述两个控制变量。通过对模型进行全面研究，可以发现，总体模型(模型1)的R2为0.934o然而，由于模型中考
39、虑了许多变量，因此还包括校正R方。其值同样高达0.933o因此，R2描述了所使用模型的决定系数(Chin,1998年)。这意味着因变量总方差的93.3%是由所用变量解释的。这个数值可以认为是很高的，因为只有6.7%的方差无法用BigTech公司使用银行服务的行为意向模型来解释。这并不奇怪，因为该模型是在大量文献检索的基础上建立起来的，模型中既有一般技术接受度研究中的因素，也有金融行业(可能的)特殊因素。4.5 理论引申近年来，大型科技公司作为新领域展示了新的数字生态系统的出现，因而获得了极大的关注（Jacobidesetal.）商业生态系统被定义为“由相互作用的组织和个人商业世界的有机体组成的
40、经济共同体工经济共同体为客户生产有价值的商品和服务,而客户本身就是生态系统的成员。有机体成员还包括供应商、主要生产商、竞争对手和其他利益相关者。随着时间的推移，它们共同演化自身的能力和角色，并倾向于与一个或多个中心公司设定的方向保持一致。担任领导角色的公司可能会随着时间的推移而改变，但生态系统领导者的功能受到社区的重视，因为它能使成员朝着共同的愿景迈进，调整投资并找到相互支持的角色（Moore,1996年M经济生态系统为公司提供了不同的设计选择，涉及：（1）公司希望控制价值链（垂直整合）的程度，或推动或成为满足最终客户需求的生态系统的一部分；（2）公司对最终客户目标的了解程度（部分或全部）（W
41、ein&Woemer,2015年）。根据这一定义，这些生态系统的具体特征是：（1）提供品牌平台；（2）确保良好的客户体验；（3）第三方产品即插即用；（4）从所有数据中提取客户知识；（5）将客户需求与供应商相匹配；（6）从供应商处提取“租金”。目前，大多数银行主要在垂直整合的价值链中开展工作，涵盖对最终客户目标的全面了解。但银行正日益演变为由网络、客户、（非）银行和供应商组成的数字生态系统。这可能还包括从其他行业的公司提供和（或）外购服务，从而日益模糊行业部门的边界。这些数字生态系统需要清楚地了解消费者的偏好，尤其是大科技公司很早就涉足这一领域，因此在金融服务这样敏感的领域分析消费者的偏好对其他
42、领域也很重要。因此，本研究有助于探讨数字生态系统的消费者偏好。本研究贡献新知识的第二个相关领域是数字生态系统背景下消费者对技术的接受程度。由于迄今为止几乎没有关于BigTech公司对银行服务接受度的文献，因此本研究考虑了相关研究领域的贡献。因此，可以找到相对较多的关于移动支付解决方案技术接受度的研究。此外，由于技术接受度模型和UTAUT2模型（本研究以此为基础）迄今为止尚未被用于此类研究，因此本研究通过帮助建立适用于这一背景的UTAUT2模型，开拓了未知领域。我们的研究还填补了接受度研究领域的空白，因为BigTech银行服务的技术接受度尚未得到广泛关注。本研究的一大贡献是扩展了有关技术接受度的
43、现有文献。根据我们的实证调查，“努力预期”、社会影响”、便利条件和享乐动机”被确认为数字生态系统背景下银行服务接受度的关键因素。五、结论尽管亚马逊、苹果、谷歌和Meta四大科技公司正越来越多地进入金融服务市场，但有关这些数字金融解决方案接受度的研究还不多。换句话说，人们对影响客户接受大科技银行服务的决定因素知之甚少。为了填补这一研究空白，本研究对客户接受BigTech公司这类新型银行服务的决定因素进行了研究。在文献检索的基础上，指出了BigTech公司目前为进入银行市场所做的努力以及由此带来的挑战。后者随后用于调整技术接受度模型（UTAUT2）,并从中得出八个假设。在定量调查的帮助下，这些假设
44、得到了验证。为此，共对361份填写完毕的问卷进行了评估，并使用多元回归法进行了分析。八个假设中有七个得到了证实，“努力预期”、“社会影响”、“感知风险、便利条件”、“享乐动机”、“感知兼容性和“感知信任”等因素被归类为与大技术银行服务的预期使用相关。“绩效预期未能被确定为一个重要的影响因素。总体而言，93.3%（校正R平方）的总方差可借助所提出的模型进行解释，该模型在总体上被证明是显著的。模型显示,感知信任的影响最大,其次是感知风险。这一点令人惊讶,因为BigTeCh公司经常说，业绩预期是支撑其相对于现有金融机构竞争优势的因素。虽然分析结果显示了重大影响，但也存在一些局限性。一方面，分析结果不
45、能普遍应用于其他国家。由于只对瑞士公民进行了访谈，因此研究结果只适用于瑞士，在其他国家可能会有所不同；另一个限制因素是实际模型，因为它并不直接衡量BigTeeh银行服务的接受或使用情况，而是衡量对行为意图的影响，在此说明这一点，但这并不代表主要的局限性，因为大多数关于技术接受度的研究都采用了这种模型设计，并且发现接受度/使用率与行为使用意向之间存在很强的相关性；最后，本次调查是在BigTeCh公司广泛进入银行业的初始阶段进行的，因此是在面向未来的技术研究背景下进行的。在数据收集方面，将BigTeCh公司作为一个群体来介绍也可以说是一个局限，因为很可能个别公司（亚马逊、苹果、谷歌、Meta）在技术接受度方面会得到不同的评价。因此，在今后的工作中，对这些公司进行单独研究，尤其是考虑到B2B的观点，例如对亚马逊零售商进行访谈，肯定会很有意义。文献研究表明，大型科技公司（尤其是亚马逊）也在企业对企业领域大力发展。因此，在未来的研究中对这些发现进行深入探讨将是非常有意义的。
