人工智能对金融科技创新阻力的影响机制研究

一、绪论根据《金融科技发展规划（2022-2025年）》，数字经济的蓬勃兴起为金融创新发展构筑广阔舞台，数字技术的快速严谨为金融数字化转型注入充沛活力，金融科技逐步迈入高质量发展的新阶段。在“十三五”规划期间，我国逐步形成了以“F（综合金融科技）A（人工智能）B（区块链）C（云计算）D（大数据）E（用户体验）”为主体的金融科技创新体系。“十四五”规划明确将创新驱动作为发展方向，具体到金融科技领域，重点提到“要提升金融科技水平”[1]。金融科技一词源于金融和技术这两个词的缩写，于1972年出现在科学文献中，被定义为“将银行专业知识与现代管理科学技术和计算机结合起来”[2]。目前，金融科技正在以惊人的速度变革金融业[3][4][5][6]。金融科技有助于降低成本，增加客户的可接触性，并以更有效的方式管理风险，帮助企业获得可持续的竞争优势[6]，带动企业自主创新。例如，在金融科技的帮助下，小企业和个人或家庭，能够便捷使用移动支付、在线贷款等金融服务；企业获得在信用评估方面的信息优势，量化风险，提高自身风控和风险管理能力；其强大的数据收集和分析能力，能有效减少信息不对称，促进金融市场和金融体系的稳定发展等。而金融科技给用户带来高效便捷的体验时，也改变了用户使用金融科技服务的传统方式，这可能会使用户产生金融科技的创新阻力。创新阻力是消费者由于现有满意状态的潜在变化或信念矛盾而反对创新[7][8]。一旦创新打破了消费者的规范、传统、习惯或惯例，或与消费者的信仰、信念、价值观发生冲突，就会产生抵触[9]。近年来，虽然创新阻力的研究在移动和互联网银行[10]、移动式电子钱包[11]、移动支付[12]等具体领域正迅速获得学者们的关注，但学者们较少聚焦于当前金融科技的核心技术——人工智能对金融科技创新阻力的影响。人工智能则由于能够为客户提供廉价、高效和个性化的服务，在金融行业越来越受欢迎[13]。并且，《金融科技发展规划（2022-2025年）》指出，抓住全球人工智能发展新机遇，着力打造场景感知、人机协同、跨界融合的指挥金融新业态；不断提升金融服务深度、广度和温度。“金融科技+人工智能”模式不仅给金融行业带来了前所未有的机遇，而且也颠覆了用户体验金融服务的传统使用方式和渠道，如智能支付、智能客服、智能征信、智能风控、智能投顾、智能理赔、智能保险等。Haenlein和Kaplan[14]将人工智能定义为“一种系统的能力，即正确解释外部数据，从这些数据中学习，并通过灵活地采用这些学习结论来实现特定的目标和任务”。随着服务提供商将人工智能技术整合到面向客户的活动中，它不仅可能改变消费者的服务体验[15]，还可能有助于创建更高效的后台操作[16]。总的来说，在人工智能的支持下，机器在工作场所和整个社会中执行当前由人类负责的特定角色和任务的能力不断提高[17]。人工智能以机器学习、语音识别和预测分析的形式，使机器人和聊天机器人能够提供财务建议；分析风险；管理资产并从事算法交易[13]。整体而言，人工智能技术进一步提升金融行业的数据处理能力和效率，推动金融服务模式趋向主动化、个性化、智能化，提升金融风险控制效能和助推普惠金融服务发展[18]。此外，随着金融机构将其商业模式转向数字自助服务技术渠道，客户在与人工智能代理交互时感到舒适的需求对于增强客户体验和公司绩效至关重要[16]。综上，结合现有文献中的研究，人工智能具有不同于其他科技的特性，即感知智能化和感知拟人化。我们将感知智能化定义为感知人工智能的行为是高效和自主的，具有处理和产生自然语言并提供有效输出的能力；感知拟人化定义为用户基于典型和独特的人类特征感知代理类人的程度，比如流利、尊重或有趣（人类独有的特征），以及友好、快乐或关心（人类的特征）[19]。因此，在本研究中，我们将探讨人工智能如何降低金融科技创新阻力，以减少用户使用金融科技产品和服务的障碍，推动智慧金融服务与生产生活场景深度融合，拓展金融服务触达半径和辐射范围，弥合地域间、群体间、机构间的数字鸿沟，让金融科技发展成果更广泛、更深入、更公平地惠及广大人民群众。在上述背景下，本文旨在研究人工智能对金融科技创新阻力的影响机制，以创新阻力理论为基础，结合人工智能感知智能化和感知拟人化的特性，把调查环境锁定在国内。学者们主要关注金融科技中人工智能的应用和监管[13][20][21]，而对于人工智能感知智能化和感知拟人化对金融科技创新阻力的影响研究较少，这是有关金融科技研究领域的一块空缺，故本文拟继续对此展开研究。并且，虽然已有学者们和大型金融机构等对国内人工智能在金融科技中的创新进行研究，但其主要针对中小企业，商业银行等主要参与者[22][23]，而对于作为金融科技的起点的用户，学者们的关注较少，故本研究以用户为研究对象展开深入研究，完善和填补当前研究的这一空缺，从而促进对人工智能影响金融科技创新阻力的理解。下一节首先对现有人工智能和金融科技创新阻力研究的文献综述，其次提出了实证研究的假设和研究模型。在对研究数据和结果进行讨论后，我们总结了其局限性和未来发展方向。二、文献综述金融稳定理事会将金融科技定义为金融服务领域的技术创新，这些创新可能会带来新的商业模式、应用程序、流程或产品，并对金融市场和机构以及金融服务的提供产生相关的重大影响。尽管金融科技在一定程度上给予用户生产生活便捷的服务和帮助，仍存在一些因素导致用户延迟或减少对金融科技的采用，进而阻碍金融科技的进一步发展以及降低金融服务的水平和效率。先前学者们在对金融科技的采用和持续使用的研究中，常采用技术接受模型（TechnologyAcceptanceModel，TAM）和技术接受整合模型（UnifiedTheoryofUserAcceptanceofTechnology，UTAUT）等[20][24][25][26][27][28]，仍主要关注金融科技采用的推动因素，对于金融科技产生的创新阻力的影响的关注有限。然而，理解人们为什么不使用一种新产品和服务的原因与理解他们为什么使用它一样重要。这一结论不仅有助于新产品和服务的开发阶段，而且对现有的“新”产品的服务提出了调整建议[12]。在创新不断进入市场的背景下，创新阻力理论的重要性日益凸显。该理论着重于从不同的障碍因素来解释消费者对任何产品的反应，为学者们解释创新的阻力提供了理论基础[10]。并且，人工智能已广泛应用于现有的金融科技服务。因此通过创新阻力理论，同时能填补人工智能对金融科技创新阻力的影响机制研究的空白。创新阻力理论已被学者们广泛用于研究不同创新产品或服务给用户带来的障碍和阻力，如表1所示。具体来说，创新阻力可以被定义为由于现有状况的改变和现有信念体系的偏离可能带来的变化，进而产生对创新的采用和使用进行再次理性思考并影响最终决策的行为[16]。其中，该理论提出了五种障碍，即使用障碍、价值障碍、风险障碍、传统障碍和形象障碍[8]。先前的文献中，学者们对不同种类的金融科技产品或服务给用户造成的阻力进行了实证研究，部分展示于表1中。随着人工智能高度渗透金融科技领域，它通过提高金融科技服务效率和提供更智能化的金融科技产品和金融服务来推动金融业和社会经济水平的的新增长。如智能支付减少现金使用频率，便利了我们的日常生活；智能投顾为不同类型客户提供个性化的投资服务，提高闲置资金的使用率；智能风控有效降低风险事件发生的概率和损失，保障金融机构的业务效率和安全性等。因此基于创新阻力理论，我们考虑从人工智能感知智能化和感知拟人化两个维度，结合“使用障碍、价值障碍、风险障碍、传统障碍和形象障碍”五个方面，探讨人工智能对金融科技创新阻力的影响。表1有关创新阻力理论的实证研究作者研究主题理论主要研究结果Shikshaetal.,2019有机食品消费消费价值理论；创新阻力理论本文是2004年后首个关于有机食品消费的不同动机和障碍的系统文献综述。本文利用两个著名的理论框架，即消费价值理论和创新阻力理论，对不同的动机和障碍进行了分类。当前的系统文献综述发展了一个关于动机、障碍和消费者购买决策之间潜在关联的综合框架，其将使学者能够在有机食品中选择和测试影响购买决定的最相关的因素。Mohdetal.,2020购买环保化妆品创新阻力理论所有障碍都是采用环保化妆品的重要障碍，其中传统壁垒和形象壁垒对消费者购买意愿的抑制力最强。消费者对环境的关注降低了价值障碍和形象障碍对消费者购买环保产品意愿的负面影响。消费者对健康的关注降低了传统障碍和风险障碍对消费者环保化妆品购买意图的负面影响。Shalinietal.,2020在线旅行社消费创新阻力理论利益障碍是在线旅行社服务购买意愿的主要抑制因素。隐私和安全问题以及脆弱性障碍与意图呈正相关。可见性影响利益障碍和购买意愿之间的关联强度，其强度在年轻、中年和老年用户之间存在差异。Long&Chei2019慕课的使用创新阻力理论发展中国家学生在采用慕课时遇到的主要障碍是使用障碍、价值障碍和传统障碍。个人因素（如自我控制和态度）以及环境（如基础设施和经济）也会影响学生使用慕课的决定。Puneetetal.,2020移动支付创新阻力理论使用、价值和风险障碍与用户使用移动支付的意图呈负相关，而传统障碍和形象障碍与其没有关联。使用和价值障碍与用户推荐移动支付的意图呈负相关。Kuo&Silvia2020移动支付自决理论；创新阻力论使用移动支付的自主性对复杂性障碍、图象障碍、风险障碍有显著的负面影响；使用移动支付的能力对图象障碍有显著的负面影响；使用移动支付的相关性对图象障碍和风险障碍有显著的负面影响。复杂性障碍和图象障碍对移动支付的使用意图有显著的负面影响。Leongetal.,2020移动钱包创新阻力理论研究发现教育对移动钱包创新阻力有负面影响，收入则对其有积极影响，感知新颖性对其有显著影响。在创新阻力中，对移动钱包创新阻力的影响由强到弱是使用障碍、传统障碍、风险障碍和价值障碍。人工智能因其在媒体中的重要性及其改变商业和日常生活方式的潜力而获得了广泛的公众兴趣，它包括通过专家系统、机器学习或深度学习来设计模仿人类智能和能力的机器[29]。人工智能拥有克服人类的一些计算密集型、智力甚至有限创造性的能力，在教育和营销、医疗保健、金融和制造领域开辟了新的应用领域，从而对生产力和绩效产生影响。人工智能系统的时代已经发展到可以通过机器智能执行自动驾驶汽车、聊天机器人、自主规划和调度、游戏、翻译、医疗诊断甚至和垃圾邮件对抗的水平[30]。随着人工智能和数字平台等的崛起，它们可能导致传统银行业务模式的纵向和横向解体。专业的金融服务提供商可以削减不依赖存款资金的服务，例如支付和资产管理服务。数字平台则可以成为银行与其客户之间的新中间人[31]。同时，越来越多的金融机构寻求从人工智能应用程序中受益，以简化其客户群的运营和服务绩效[32]。同时，在国内研究中，程雪军[33]基于我国消费金融的发展难点以及人工智能的技术特点，分析了人工智能深度介入消费金融行业的动因、主要风险，提出人工智能在消费金融场景的应用中的风险防控措施，探索人工智能赋能消费金融的发展意义。在金融科技的持续发展和用户的金融需求不断增长方面，人工智能代表了一个明显的机会，通过为用户提供更大的价值和增加公司的收入从而推动金融业的转型[20]。在P2P网络借贷平台中，机器人顾问以自动化的方式生成大量数据，这些数据不仅可以用来改进服务，使其更加个性化，还可以降低合规风险[21]。在移动银行领域，近年来，人工智能已成为应对网络安全威胁的重要工具，例如，它能够快速识别对客户账户未经授权的使用，并采取行动将财务风险降至最低，而客户无需付出任何努力[16]。同时，由人工智能支持的聊天机器人在执行重复性任务时，通常更具成本效益和速度更快。并且，在银行账户和某些投资等特定类型的财务建议上，客户似乎更信任人工智能[13]。在人工智能的支持下，金融科技和传统金融服务已经并将继续以更快的速度发生变化[29]。表2总结了人工智能在金融科技业务中的应用研究。表2人工智能在金融科技业务中的应用研究作者研究主题主要研究成果Belancheetal.,2019机器人顾问的采用态度是使用财务机器人顾问的行为意图的最强预测因素，其次是主观规范。当参与者对使用机器人的熟悉程度较低时，主观规范的影响比当他们熟悉程度较高的时候更大。不同参与者的文化对使用意向前因的影响存在相关差异。Payneetal.,2021人工智能；移动银行服务平台这表明消费者更加重视人工智能和移动银行的实用价值（即安全性、速度和便利性）而不是在非社会背景下提供服务的享乐价值。结果支持将消费者视为数字技术渠道中价值共创过程的参与者的观点。人工智能所支持的应用常直接或间接作用于消费者使用的金融产品或服务，由此用户的感知则是金融科技受人工智能影响的结果。人工智能作为获取某一领域的海量信息，并利用这些信息对具体案例做出判断，达成特定目标的一种技术。它可能模仿人类思考于认知的模式和在与人交互时拥有人类的反应[18]。Moussawi[19]等人将感知智能化定义为感知人工智能的行为是高效和自主的，具有处理和产生自然语言并提供有效输出的能力；感知拟人化定义为用户基于典型和独特的人类特征感知代理类人的程度，比如流利、尊重或有趣（人类独有的特征），以及友好、快乐或关心（人类的特征）。具体到金融科技领域，一方面机器智能分析复杂的客户数据，了解呵护的消费习惯和金融诉求，另一方面会说话的机器人在无人值守银行里作为大堂经理来引导客户、和客户对话、解决客户问题并完成交易，使批量实现对客户的智能化和个性化服务成为可能[18]。因此，我们认为人工智能的感知智能化和感知拟人化会影响金融科技创新阻力。创新阻力理论以功能障碍和心理障碍的形式指出消费者抵抗的所有主要来源，解释了消费者拒绝购买新产品的原因，是研究障碍或消费者阻力的最成熟和有效的框架[34]。金融科技在金融和科技的深入融合中不断推进金融业的创新发展，拓宽金融服务，提供智能化的金融产品，提升传统金融的服务效率，助力金融机构数字化转型。该理论认为，消费者面临的创新阻力可以具体分为使用障碍、价值障碍、风险障碍、传统障碍和形象障碍[8]。当消费者感受到创新所带来的变化时，功能障碍就会产生影响，而当创新与既定的价值观或信念相悖时，心理障碍就会被激活[9]。这就意味着，在消费者采用金融科技前后均会受到创新阻力的影响。而基于创新所带来的变化或其不连续的程度，和/或它与消费者的信念结构冲突所产生的创新阻力的程度不同，对创新的采用时机的影响不同[8]。因此，为了进一步了解人工智能智能化和拟人化特征对金融科技创新阻力的影响，我们选择创新阻力理论作为本研究适合的理论框架。Chung和Liang[12]结合了创新阻力理论和自决理论，提出一个综合的研究框架，探讨了消费者对移动支付的使用意图，并试图从用户的角度来理解和分类对移动支付的阻力。基于上述，国内外学者们对于金融科技创新阻力的影响的关注有限。因此，本研究重点关注中国用户，从人工智能智能化和拟人化方面探讨其对金融科技创新阻力的影响。这有助于提升普惠金融服务质效，让更多小微市场主体真正获益。三、研究模型本研究在“创新阻力理论（innovationresistancetheory）”[35]的基础上，结合人工智能的感知智能化和感知拟人化的特性，如图1，从“创新阻力理论（innovationresistancetheory）”中的“使用障碍、价值障碍、风险障碍、传统障碍和形象障碍”五个方面，结合人工智能感知智能化和感知拟人化的特性，建立了分析人工智能对金融科技创新阻力的影响的研究模型。创新阻力理论创新阻力理论人工智能的特性使用障碍人工智能的特性使用障碍假设1-5假设6-15假设1-5假设6-15价值障碍金融科技创新阻力金融科技创新阻力感知智能化风险障碍感知拟人化风险障碍感知拟人化传统障碍传统障碍形象障碍形象障碍图1研究模型（一）创新阻力对金融科技阻力的影响1.使用障碍使用障碍是指该创新对现有的实践、工作流程或习惯造成不便或不兼容的情况，因为新的产品可能会扰乱消费者的使用模式，如个人习惯，导致更多的问题而不是方便[36]。以移动式电子钱包为例，它是使用带有小键盘和屏幕的移动设备进行的，与使用笔记本电脑或台式电脑相比，解释和数据输入更困难[37]。当用户意识到移动钱包由于显示器有限和移动设备的小键盘而难以使用时，他们将不愿意使用移动钱包[38]。所以，金融科技创新带来的使用习惯的改变，会增加金融科技的创新阻力。因此，我们假设：假设1：使用障碍会增加金融科技创新阻力。2.价值障碍价值障碍是指创新成本，以及与现有替代品相比的性价比[35]。这表明，想要吸引用户并改变其行为，创新产品所产生的价值要大于现有产品所产生的价值[7]。对于习惯使用人工方式进行金融交易的用户来说，金融科技的创新意味着必须有电脑或智能手机等设备与互联网连接，增加了用户使用金融科技创新的成本。所以，如果金融科技服务不能提供给用户更好的价格和性能，金融科技的创新阻力会上升。因此，我们假设：假设2：价值障碍会增加金融科技创新阻力。3.风险障碍风险障碍包括任何一种创新的不确定性[35]，并会带来无法预料的潜在副作用。用户意识到风险，试图推迟采用此类创新，直到他们可以了解更多关于它的情况。金融科技的创新带来了新的风险，比如网络安全风险（如网络攻击、恶意程序破坏）等。对创新的感知风险越高，技术接受率越低[39]。风险会对用户的个人利益造成威胁，从而造成金融科技创新的阻力。因此，我们假设：假设3：风险障碍会增加金融科技创新阻力。4.传统障碍传统障碍是指创新改变了消费者的现有文化并与之发生冲突的情况[40]。对于个人消费者来说，违反社会规范和社会与家庭价值观的行为会造成障碍。传统的金融交易活动需要在指定场合通过专业人士进行金融业务的办理和处理。而在金融科技的背景下，我们可以随时随地参与金融活动，享受金融服务。但这也意味着，金融服务不再由专业人士所协助。换句话说，人工智能设备的使用改变了我们的日常生活习惯和固定模式，金融科技创新阻力上升。因此，我们假设：假设4：传统障碍会增加金融科技创新阻力。5.形象障碍形象障碍是指用户对原产国家、行业生产的品牌、产品质量、服务或创新的副作用存在不良印象[40]。可以说，形象障碍是一种源于刻板思维的感知问题，这会使创新变得困难[8]。对于金融科技的创新，由于此前p2p网贷机构的违约规模庞大，其经营操作涉及严重违法违纪，给大众留下负面印象。所以，金融科技创新的安全等问题，使用户对此创新呈观望态度，推迟用户做出初次使用金融科技创新的决策，从而增加金融科技创新阻力。因此，我们假设：假设5：形象障碍会增加金融科技创新阻力。（二）人工智能对创新阻力的影响感知智能化部分主要关注技术的使用和问题的解决，感知拟人化部分则侧重于其与人类和社会的交互的形象和内在感知。接着，金融科技在人工智能的帮助下，感知智能化和感知拟人化能否降低创新的阻力，本文提出下列假设。使用障碍过去，想要参与金融交易的用户需要在指定场所或借助专业人士的协助进行操作。而在人工智能设备的帮助下，用户可以不受时间和空间的限制，灵活地进行金融交易。如我们原本需要通过电话联系或在电脑终端进行买卖股票，但现在我们可以直接使用智能手机这类移动终端的上的软件或应用小程序进行交易。所以，用户感知到人工智能设备的实用性，有利于其改变使用金融科技创新方式，降低使用障碍。人工智能设备类人特征的影响，如进行对话的能力和代表性的化身，可以用社会存在，即用户与他们的交流伙伴之间的联系感来解释[41]。在采集用户数据以全面评估信用风险时，人工智能客服通过模仿人与人的对话，并创建更像人的对话，使得互动更自然和愉快，增强用户提供隐私信息的主动性。所以，人工智能客服创造给用户如同面对真人时的交流氛围，增强用户对金融科技创新的了解，减少由创新带来的不便。因此，本文假设：假设6：感知智能化会降低使用障碍。假设7：感知拟人化会降低使用障碍。价值障碍与传统的人类咨询服务相比，机器人顾问减少了费用，并提供了全天候的财务机会，强化了可访问的普遍性，显著降低管理费[42][43]。比如，在使用移动银行服务时，无论用户在何处，都能够检查账户余额和交易，增加客户在移动设备中对其财务事务的控制感[44]。所以，智能化的人工智能设备有利于用户感知金融科技创新的易用性，在用户体验过程中突出其性能的提升，从而降低价值障碍。人工智能支持的咨询流程有助于用户对产品资料的学习和掌握，使他们能够做出与金融产品相关的更明智的决策[45]。人工智能客服具有与人类似的社交能力和表达能力，能激发用户的交互欲望，更乐于表明自己的观点。人工智能设备的拟人化特征通过增加客户的参与对客户的行为产生积极影响[46]。所以，用户在金融科技中的参与感增强，享受到更好的服务，价值障碍下降。因此，本文假设：假设8：感知智能化会降低价值障碍。假设9：感知拟人化会降低价值障碍。风险障碍安全是消费者关注的主要问题之一[47]，不安全可靠的技术会增加用户的风险感知。在用户投资的过程中，信用风险或成为他们的主要关注对象。若被投资者产生违约风险，会对投资者资金的使用和收益造成负面影响。而人工智能设备可以使用强大的算法系统，对企业或个人进行精准的风险测量，提供被投资对象详尽的分析报告，减少信息的不对称，降低信用风险发生的概率。所以，通过使用人工智能算法来记录和识别金融产品的任何潜在问题，对可能发生的风险发布预警，并提供可行的解决方案，减少用户参与金融交易的顾虑，从而降低风险障碍。人性化外观可能使得用户在人机互动中对获得的信息更积极地感知[48][49][50]，用户会更努力理解人工智能客服提供的个性化投资理财方案，对金融科技产品有更全面的认识，了解其存在的潜在风险，做出更理智的决策。所以，用户减少了金融科技创新存在的潜在副作用的不确定性，从而降低风险障碍。因此，本文假设假设10：感知智能化会降低风险障碍。假设11：感知拟人化会降低风险障碍。传统障碍随着越来越多的个人和组织愿意接受人工智能设备的使用，用户可能会将人工智能设备视为高效有效的服务交付工具，更愿意接受它们在服务交互中的使用[38]。如日常生活中，因支付方式的智能化，用户可以通过二维码进行付款，此类创新使用户替代了以前的现金支付习惯。人们大量使用移动支付后所感知的便捷，会在一定程度上影响周围人群的行为。所以，用户在获得对人工智能设备的智能化体验后，可能会提高对人工智能设备的认可度，降低传统障碍。拥有人工智能设备来实现人类员工承担的功能、社会和情感角色，从根本上挑战了用户服务的核心信念[51]。在银行业务中，机器人客服为用户提供符合个人特色的投资、理财建议。区别于人为的金融投资方案，使用人工智能设备进行分析和涉及的方案，能够更加全面涵盖用户的需求，更加精准地解决用户的问题，为用户实现经济效益最大化。Song[52]发现，感知的有用性和社交能力都是服务机器人采用的决定因素。当用户通过机器人参与金融科技活动时，获得高效服务的同时，与人工智能设备的交互类似与人类的沟通交流，这可以降低对专业人士的情感依赖，从而减轻传统障碍的影响。因此，本文假设：假设12：感知智能化会降低传统障碍。假设13：感知拟人化会降低传统障碍。形象障碍由于人工智能技术赋予的先进数据存储能力、快速的处理速度和精确的个性化功能，人工智能设备不仅可以提供更标准和及时的服务，而且比人类员工的服务质量更高[53]。如今，大多数用户借助人工智能设备参与金融科技活动，如蚂蚁金服旗下的花呗，用户使用此类消费信贷产品，享受“先消费，后付款”的购物体验，能够缓解短时间内资金有限的问题。所以，现有的智能化设备给用户带来了便捷、愉快的使用体验，用户对金融科技中人工智能的使用有较好的印象，降低了人工智能设备的形象障碍。智能投资顾问可以提供个性化的投资理财建议，增强与用户的认知共情，从而对用户采用产生正面影响。区块链的使用，增强了用户对金融科技的信任，提高使用满意度。而情绪对接受人工智能设备使用的意愿的影响很大[38]。当用户对人工智能设备共情的拟人化特性体验感到满意时，即人工智能设备在操作过程中能够识别用户的需求、感知用户的情绪并做出相应的反馈，提高了对金融科技的好感度，积极的情绪会大大提升用户的使用意愿，形象障碍会下降。因此，本文假设：假设14：感知智能化会降低形象障碍。假设15：感知拟人化会降低形象障碍。四、研究方法（一）研究设计本研究通过网络问卷调查的方式对模型和假设进行验证，选择有使用金融科技经历的用户作为研究对象。问卷基于过往研究中的已验证过的量表并结合本研究情景进行本问卷问题的设计，采用李克特7分量表设置测量项目的尺度。为确保信效度，问卷经过专业人士审查，以确认问卷各题目的有效适用的同时预先发送给多名金融科技用户进行填写测试，以保证措辞符合国内的语言习惯。最后，问卷使用问卷星这一在线问卷调查平台进行发放，并主要通过微信等渠道进行传播，来确保样本的随机性。（二）测量标准构建本问卷包括8个潜在变量，其中7个自变量（感知智能化、感知拟人化、使用障碍、价值障碍、风险障碍、传统障碍、形象障碍），1个因变量（金融科技创新阻力）。由表3可见问卷各测量变量项及其参考文献。表3问卷量表变量测量变量项参考文献感知智能化（PI）PI1.J金融科技可以帮助我快速完成金融业务。PI2.金融科技可以理解我的的指示。PI3.金融科技可以以我理解的方式与我交流。PI4.金融科技可以根据用户需求自动设置和执行任务。PI5.金融科技可以根据之前发生的事情调整其行为。[54]感知拟人化（PA）PA1.使用金融科技完成业务的感觉类似于与真人互动。PA2.金融科技让我感觉是友好的。PA3.我感觉金融科技是尊重我的。PA4.金融科技让我感觉到是有趣的。PA5.金融科技让我感觉到是考虑周到的。[54]使用障碍（UB）UB1.我觉得金融科技很难使用。（强调使用是的困难等）UB2.对我来说，使用金融科技不方便。UB3.我对金融科技的使用流程不清楚。[11]价值障碍（VB）VB1.与传统金融产品和服务相比，金融科技没有任何优势。VB2.使用金融科技没有提高我自身办理金融业务、控制财务的能力。VB3.金融科技产品和服务（如移动支付）不能很好地替代传统的金融产品和服务（如现金支付）。VB4.金融科技在使用时并没有很好地消除时空的限制。[11]风险障碍（RB）RB1.我担心在我使用金融科技过程中犯任何错误。RB2.我担心当我使用金融科技时，我可能会输入错误的信息。RB3.我担心当我使用金融科技时，会将个人隐私暴露给第三方。RB4.我担心当我使用金融科技时，会出现不合理或者欺诈性的消费。RB5.我担心当我使用金融科技时，有人可能会盗用我的帐户。[10][11]传统障碍（TB）TB1.我对金融科技的服务感到不耐烦。TB2.我发现很难获取有关金融科技使用的一些信息。TB3.我发现金融科技服务平台不能解决我的问题。[10][11]形象障碍（IB）IB1.我对金融科技的印象非常差。IB2.在我看来，金融科技通常太复杂以至于没用。IB3.我觉得金融科技很难用。（强调我对金融科技的印象是这样）[11]创新阻力（RS）RS1.我担心使用金融科技浪费我的时间。RS2.在不久的将来，我不太可能使用金融科技。RS3.我觉得金融科技产品和服务不适合我。RS4.我不需要金融科技产品和服务。[11]样本描述统计经过问卷的收集与筛选，剔除没有使用金融科技经历的无效问卷后，共收回249份数据，样本信息见表4。由统计结果可见：金融科技的用户主要来自去全日制学生。其中，男女比例约为1:2，以月平均收入在6000元以下的19-25岁青年人为主。69%以上的用户使用金融科技的频率为每周使用两三次甚至每天都使用，但也有小于或等于每月两三次使用金融科技的用户。表4样本人口统计信息类别数量百分比类别数量百分比性别教育背景高中及以下41.61%专科72.81%男8032.13%本科23795.18%女16967.87%研究生及以上10.40%年龄月平均收入（元）18岁及以下52.01%19-25岁24096.39%＜300021586.35%26-35岁10.40%3000-59992710.84%36-45岁20.80%6000-899920.80%45岁以上10.40%＞900052.01%职业最近一年内使用金融科技的频次事业单位/公务员/政府工作人员10.40%企业职员41.61%专业技术人员31.20%少于每季度一次4116.47%商业/服务业从业人员20.80%每季度两三次187.23%全日制学生23694.78%每月两三次187.23%退休人员20.80%每周两三次208.03%其他10.40%每天都使用15261.04%五、数据分析（一）测量模型分析本文基于结构方程模型（StructuralEquationModeling,SEM）中的偏最小二乘法，使用SmartPLS3.3.3软件进行数据运算分析，从而评估测量模型和结构模型。测量模型分析即信效度分析，重点在于验证理论中各测量变数是否能正确的测量到其潜在变项，是否有负荷在不同潜在变项的复杂测量变数，主要包含三个方面：信度、收敛效度（ConvergentValidity,CV）、区别效度（DiscriminantValidity,DV）。信度是检定结果稳定性、可靠性和一致性的分析方法，通常选择组合信度（CompositeReliability,CR）、平均萃取变异量（AverageVarianceExtracted,AVE）、各变量因素负荷量（FactorLoading）、Cronbach’sα进行检验。当组合信度大于0.7、平均萃取变异量大于0.5、各变量因素负荷量大于0.7、Cronbach’sα大于0.7，并且值越高，题项越能测出该潜在变数，就表明研究具有良好的构面信度。如表5所示，各变量均达到信度的各项检定因素标准值，因此各题项对应的构面中存在良好的内部一致性，模型的构面信度较强。此外，平均萃取变异量（大于0.5）和各变量因素负荷量（大于0.7）也是收敛效度的检定因素。收敛效度是指来自相同构面的项目之间相关性高。由表5可知，所有平均萃取变异量均大于0.5、各变量因素负荷量均大于0.7，表明各测量变项对潜在变项较强的解释力。区别效度则是检定测量变项对于不同的构面间的鉴别程度。通过判断平均萃取变异量的平方根是否大于构面间相关系数、各变量因素负荷是否大于交叉负荷（CrossLoading）以及异质-单质比率（heterotrait-monotraitratio，HTMT）是否小于0.9进行验定[55]，以证明来自不同构面的项目之间相关性低。如表6所示，平均萃取变异量的平方根均大于构面间相关系数，由表7可见，各变量因素负荷均大于交叉负荷。表8中，所有HTMT值都低于0.9[55]。由此可知，测量模型中各构面的变项之间相异，具有足够的区别效度。综上测量模型分析结果表明，该模型的信度、收敛效度和区别效度均符合检定因素的标准。因此，该模型可用于本文的研究。表5样本各变量信度和收敛效度分析潜变量测量变量CRAVEFactorLoadingCronbach’sα感知智能化PI1PI2PI3PI4PI50.923O.7060.8790.8350.7380.8120.9250.911感知拟人化PA1PA2PA3PA4PA50.9210.7010.8720.8230.8160.8280.8470.894使用障碍UB1UB2UB30.9330.8230.9020.9250.8950.893价值障碍VB1VB2VB3VB40.9310.7720.8810.8150.9170.8990.902风险障碍RB1RB2RB3RB4RB50.9090.6680.7730.8160.8400.8410.8140.876传统障碍TB1TB2TB30.8910.7310.8650.8550.8450.816形象障碍IB1IB2IB30.9400.8390.9080.9240.9160.904创新阻力RS1RS2RS3RS40.9330.7770.7760.9180.8990.9240.903表6样本各变量区别效度分析VBTBUBIBPAPIRSRBVB0.879TB0.4590.855UB0.6390.5460.907IB0.6740.6320.6240.916PA0.1390.0500.0800.0530.837PI-0.177-0.084-0.200-0.1940.6010.840RS0.6440.5410.6490.7420.041-0.2500.881RB0.0350.2510.1470.1160.1870.2560.0390.817注：各潜变量平均萃取变异量的平方根为对角线上的粗体值；非对角线上的值是构面间的相关系数。表7样本个变量因素负荷量与交叉负荷量分析结果VBTBUBIBPAPIRSRBVB1VB2VB3VB40.8810.8150.9170.8990.4600.3590.4050.3830.6160.4740.5670.5750.6610.4970.6000.5950.1320.0110.1920.128-0.136-0.158-0.154-0.1760.6280.4680.5640.5850.0180.0380.0550.015TB1TB2TB30.3850.3990.3940.8650.8550.8450.4790.5160.4100.5420.5310.5470.0330.0500.045-0.024-0.083-0.1070.4750.4400.4720.2130.2440.190UB1UB2UB30.5460.5940.5980.4950.4740.5200.9020.9250.8950.5400.5760.5810.0760.0380.104-0.126-0.215-0.1970.5610.6210.5810.1720.0750.158IB1IB2IB30.6130.6260.6140.5760.5530.6080.5120.5790.6190.9080.9240.9160.0060.0730.061-0.189-0.134-0.2100.6360.7060.6930.0890.1090.120PA1PA2PA3PA4PA50.1740.1650.1110.0650.0330.0490.0380.0530.067-0.0140.1270.0650.0090.0570.0460.1120.0540.0210.035-0.0450.8720.8230.8160.8280.8470.4650.5240.4720.5000.5900.0780.039-0.0210.065-0.0210.1460.1180.1440.1930.195PI1PI2PI3PI4PI5-0.231-0.104-0.034-0.046-0.157-0.099-0.0670.010-0.014-0.091-0.249-0.092-0.051-0.076-0.195-0.235-0.090-0.030-0.083-0.1980.4070.6050.5610.5920.5800.8790.8350.7380.8120.925-0.309-0.126-0.065-0.108-0.2340.3080.1370.0930.1450.225RS1RS2RS3RS40.4530.6060.6030.5950.4680.4470.4880.5070.5570.5380.5740.6190.5640.6920.6590.6920.0390.0740.040-0.007-0.189-0.189-0.248-0.2520.7760.9180.8990.9240.0980.034-0.0370.051RB1RB2RB3RB4RB50.152-0.040-0.0270.063-0.0170.2450.2250.1060.2250.2170.2820.0540.0110.1690.0680.2440.0290.0040.1400.0420.1830.1250.1110.1910.1480.1820.1970.2140.1880.2580.206-0.065-0.0260.107-0.0760.7730.8160.8400.8410.814表8HTMT分析结果价值障碍传统障碍使用障碍形象障碍感知拟人化感知智能化创新阻力风险障碍价值障碍传统障碍0.533使用障碍0.7060.642形象障碍0.7410.7350.692感知拟人化0.1530.0640.0870.080感知智能化0.1540.1040.1710.1700.716创新阻力0.7060.6320.7230.8190.0690.217风险障碍0.0890.2960.1720.1270.2130.2350.145结构模型分析结构模型分析是指对结构模型中标准化路径系数（β）与模型解释力R2进行估算与验定，从而衡量研究模型的适配度。通过对249份样本数据进行PLSAlgorithm运算，得到各变量之间的路径系数和拟合优度，见图2。路径系数用于检验是否能够达到统计上的显著，模型解释力R2则是验定各构面之间路径系数是否显著，R2在0-1之间，值越大表示模型的解释力就越好。然后，使用拔靴法，进行5000次放回后再抽样对模型假设进行检验，结果如表9所示。当t值大于1.96时，表示p值达到0.05的显著性水平，变量间因果关系具有显著性，假设成立。反之，假设不成立。当t值大于2.58时，表示p值达到0.01显著性水平；当t值大于3.29时，表示p值达到0.001显著性水平[56]。由图2可见本研究的模型解释力R2，该模型解释了64.6%金融科技的用户采用意向，达到了中等解释力的标准。此外，7个自变量构面的假设中，假设3、4、10、11、13不成立。即风险障碍和传统障碍可能不会导致金融科技的用户创新阻力增强，感知智能化与风险障碍不相关，感知拟人化也与风险障碍和传统障碍不相关。R2R2=0.103使用障碍-0.388***R-0.388***R2=0.126价值障碍-0.408***感知智能化-0.408***感知智能化0.225R2=0.067R20.225R2=0.067R2=0.626金融科技创新阻力-0.179*风险障碍-0.179*风险障碍感知拟人化化R2=0.023感知拟人化化R2=0.023传统障碍传统障碍RR2=0.082形象障碍形象障碍注：各变量之间连线上的数值为路径系数，路径系数后***表示p＜0.001，**表示p＜0.01，*表示p＜0.05，图中虚线箭头表示p＞0.05，即不显著。图2模型分析结果表9假设关系检验结果假设t值p值检验结果H1:使用障碍→创新阻力3.046**0.002成立H2:价值障碍→创新阻力2.371*0.018成立H3:风险障碍→创新阻力1.1750.240不成立H4:传统障碍→创新阻力0.9300.353不成立H5:形象障碍→创新阻力5.441***0.000成立H6:感知智能化→使用障碍6.051***0.000成立H7:感知拟人化→使用障碍3.459**0.001成立H8:感知智能化→价值障碍5.088***0.000成立H9:感知拟人化→价值障碍3.598***0.000成立H10:感知智能化→风险障碍1.6280.104不成立H11:感知拟人化→风险障碍0.4540.650不成立H12:感知智能化→传统障碍2.284*0.023成立H13:感知拟人化→传统障碍1.7380.083不成立H14:感知智能化→形象障碍4.967***0.000成立H15:感知拟人化→形象障碍2.776**0.006成立注：t值后***表示p＜0.001，**表示p＜0.01，*表示p＜0.05，无标记表示不显著。中介效果分析Lee和Xiong在研究中指出评估中介效果大小时，如果直接效果和间接效果都不显著，则不存在中介。如果直接效果和间接效果均显着，且两种效果的乘积为正，则存在互补中介。该方法中对直接效果的要求不是必须显著，即具有显著的间接效果和不显着直接影响的路径仍可表示完全中介[57][58]。因此，基于上述结构模型分析可知，假设3、4、10、11、13不成立，即风险障碍和传统障碍对金融科技创新阻力的影响不显著，从而剔除风险障碍和传统障碍作为中介的路径，选择其余六条路径进行中介效果分析。根据表8分析结果所示，感知智能化和感知拟人化对采用意向的间接影响是显著的，而直接影响则不显著。换句话说，四条路径均为完全中介，任务技术匹配和信任可以完全解释感知智能化和感知拟人化对采用意向的影响。表10中介效果分析结果路径序号路径直接效果间接效果整体效果结果1PI→UB→RS2PI→VB→RS3PI→IB→RS4PA→UB→RS5PA→VB→RS6PA→IB→RS注：（）中的数值代表t值，***代表p＜0.001，ns表示p＞0.05，即不显著。研究结果讨论（一）理论贡献（二）实践意义七、结语

参考文献[1]杨望.从“十四五”规划展望金融科技变中求进[J].国际金融,2021(02):11-18.[2]Bettinger,A.fintech:Aseriesof40timesharedmodelsusedatmanufacturershanovertrustcompany.Interfaces,1972,62-63.[3]Demirguc-Kunt,A.,L.Klapper,D.Singer,S.Ansar&J.Hess.TheGlobalFindexDatabase2017:MeasuringFinancialInclusionandTheFintechRevolution[M].TheWorldBank,2018.[4]GoldsteinI.,W.Jiang&GA.Karoly.ToFinTechandBeyond[J].ReviewofFinancialStudies,2019,32(5),1647-1661.[5]Gomber,P.,RJ.Kauffman,C.Parker&BW.Weber.ontheFintechrevolution:Interpretingtheforcesofinnovation,disruption,andtransformationinfinancialservices[J].JournalofManagementInformationSystems,2018,35(1),220-265.[6]Hua,XP.,YP.Huang&YF.Zheng.Currentpractices,newinsights,andemergingtrendsoffinancialtechnologies[J].IndustrialManagement&DataSystems,2019,119(7),1401-1410.[7]Chen,PT.,&SC.Kuo.Innovationresistanceandstrategicimplicationsofenterprisesocialmediawebsitesintaiwanthroughknowledgesharingperspective[J].TechnologicalForecastingandSocialChange,2017,118,55-69.[8]Ram,S.,&JN.Sheth.Consumerresistancetoinnovations:Themarketingproblemanditssolutions[J].TheJournalofConsumerMarketing,1989,6(2),5-14.[9]Ma,L.,&CS.Lee.Understandingthebarrierstotheuseofmoocsinadevelopingcountry:Aninnovationresistanceperspective[J].JournalofEducationalComputingResearch,2019,57(3),571-590.[10]Kaur,P.,A.Dhir,N.Singh,G.Sahu&M.Almotairi.Aninnovationresistancetheoryperspectiveonmobilepaymentsolutions[J].JournalofRetailingandConsumerServices,2020,55,102059.[11]]Leong,LY.,TS.Hew,KB.Ooi&J.Wei.Predictingmobilewalletresistance:Atwo-stagedstructuralequationmodeling-artificialneuralnetworkapproach[J].InternationalJournalofInformationManagement,2020,51,102047.[12]Chung,KC.,&SWJ.Liang.Understandingfactorsaffectinginnovationresistanceofmobilepaymentsintaiwan:Anintegrativeperspective[J].Mathematics,2020,8(10),1841.[13]Alison,L&L.GeorgeWilliam.Artificialintelligenceandaugmentedintelligencecollaboration:Regainingtrustandconfidenceinthefinancialsector[J].Information&communicationstechnologylaw,2018,27(3),267-283.[14]Haenlein,M.,&A.Kaplan.Abriefhistoryofartificialintelligence:Onthepast,present,andfutureofartificialintelligence[J].CaliforniaManagementReview,2019,61(4),5-14.[15]Hoyer,WD.,M.Kroschke,B.Schmitt,K.Kraume&V.Shankar.Transformingthecustomerexperiencethroughnewtechnologies[J].JournalofInteractiveMarketing,2020,51,57-71.[16]Payne,EHM.,AJ.Dahl&J.Peltier.Digitalservitizationvalueco-creationframeworkforaiservices:Aresearchagendafordigitaltransformationinfinancialserviceecosystems[J].JournalofResearchInInteractiveMarketing,2021,15(2),200-222.[17]Dwivedi,YK.,L.Hughes,E.Ismagilova,G.Aarts&MD.Williams.Artificialintelligence(AI):Multidisciplinaryperspectivesonemergingchallenges,opportunities,andagendaforresearch,practiceandpolicy[J].InternationalJournalofInformationManagement,2021,57,101994.[18]谷来丰,赵国玉,邓伦胜.智能金融：人工智能在金融科技领域的13大应用场景[M].北京:电子工业出版社,2019:39-41.[19]Moussawi,S&M.Koufaris.Perceivedintelligenceandperceivedanthropomorphismofpersonalintelligentagents:Scaledevelopmentandvalidation[J].ProceedingsofThe52NdAnnualHawaiiInternationalConferenceOnSystemSciences,2019,115-124.[20]Belanche,D.,LV.Casalo&C.Flavian.ArtificialintelligenceinFintech:Understandingrobo-advisorsadoptionamongcustomers[J].IndustrialManagement&DataSystems,2019,119(7),1411-1430.[21]Giudici,P.Fintechriskmanagement:Aresearchchallengeforartificialintelligenceinfinance[J].FrontiersinArtificialIntelligence,2018,1(1).[22]Bhasin,NK.&A.Rajesh.Impactofe-collaborationbetweenindianbanksandFintechcompaniesfordigitalbankingandnewemergingtechnologies[J].Internationaljournalofe-collaboration,2021,17(1),15-35.[23]Jaksic,M&M.Marinc.Relationshipbankingandinformationtechnology:theroleofartificialintelligenceandFinTech[J].Riskmanagement-aninternationaljournal,2019,21(1),1-18.[24]Hu.ZQ,S.Ding,SZ.Li,LT.Chen&SL.Yang.AdoptionintentionofFintechservicesforbankusers:Anempiricalexaminationwithanextendedtechnologyacceptancemodel[J].Symmetry-Basel,2019,11(3),340.[25]Candra,S.,F.Nuruttarwiyah&IH.Hapsari.RevisitedtheTechnologyAcceptanceModelwithe-trustforpeer-to-peerlendinginindonesia(perspectivefromFintechusers)[J].Internationaljournaloftechnology,2020,11(4),710-721.[26]Junger,M.&M.Mietzner.Bankinggoesdigital:TheadoptionofFinTechservicesbyGermanhouseholds[J].Financeresearchletters,2020,34,101260.[27]Baabdullah,AM.,AA.Alalwan,NP.Rana,P.Patil&YK.Dwivedi.Anintegratedmodelform-bankingadoptioninSaudiArabia[J].Internationaljournalofbankmarketing,2019,37(2),452-478.[28]Sivathanu,B.AdoptionofdigitalpaymentsystemsintheeraofdemonetizationinIndiaAnempiricalstudy[J].Journalofscienceandtechnologypolicymanagement,2019,10(1),143-171.[29]Zhang,BZ.,A.Ashta&ME.Barton.DoFintechandfinancialincumbentshavedifferentexperiencesandperspectivesontheadoptionofartificialintelligence?[J].StrategicChange-BriefingsinEntrepreneurialFinance,2021,30(3),223-234.[30]Dwivedi,YK.,L.Hughes,E.Ismagilova,G.Aarts&MD.Williams.Artificialintelligencemultidisciplinaryperspectivesonemergingchallengesopportunitiesandagendaforresearchpracticeandpolicy[J].InternationalJournalofInformationManagement,2021,57,101994.[31]Boot,A.,P.Hoffmann,L.Laeven&L.Ratnovski.Fintech:what’sold,what’snew?[J].JournalofFinancialStability,2021,53,100836.[32]Hassan,A.LectureNotesinNetworksandSystems[M].2022，Volume238:8-19.[33]程雪军.人工智能深度介入消费金融：动因、风险及防控[J].深圳大学学报(人文社会科学版),2021,38(03):67-76.[34]Kushwah,S.,A.Dhir&M.Sagar.Understandingconsumerresistancetotheconsumptionoforganicfood.Astudyofethicalconsumption,purchasing,andchoicebehaviour[J].Foodqualityandpreference,2019,77,1-14.[35]ElMhamdi,S.,G.Wolfcarius-Khiari,S.Mhalla,K.BenSalem&S.M.Soltani.Prevalenceandpredictorsofsmokingamongadolescentschoolchildreninmonastir,tunisia[J].EasternMediterraneanHealthJournal,2011,17(6),523-528.[36]Kleijien,M.,N.Lee&M.Wetzels.Anexplorationofconsumerresistancetoinnovationanditsantecedents[J].JournalofEconomicPsychology,2009,30(3),344-357.[37]Bruner,GC.,&A.Kumar,A.Explainingconsumeracceptanceofhandheldinternetdevices[J].JournalofBusinessResearch,2005,58(5),553-558.[38]Gursoy,D.,OHX.Chi,L.Lu&R.Nunkoo.Consumersacceptanceofartificiallyintelligent(AI)deviceuseinservicedelivery[J].InternationalJournalofInformationManagement,2019,49,157-169.[39]Luo,X.,H.Li,J.Zhang&JP.Shim.Examiningmulti-dimensionaltrustandmulti-facetedriskininitialacceptanceofemergingtechnologies:Anempiricalstudyofmobilebankingservices[J].DecisionSupportSystems,2010,49(2),222-234.[40]Lian,JW&DC.Yen.Onlineshoppingdriversandbarriersforolderadults:Ageandgenderdifferences[J].ComputersInHumanBehavior,2014,37,133-143.[41]ParkerE.,J.Short,E.Williams&B.Christie.Thesocialpsychologyoftelecommunications[J].ContemporarySociology,1978,7(1),32.[42]Faubion,B.EffectofAutomatedAdvisingPlatformsOnTheFinancialAdvisingMarket[D].ayetteville,Arkansas:SamM.WaltonCollegeofBusiness,UniversityofArkansas,2016.[43]Park,J.Y.,J.P.Ryu&H.J.Shin.Roboadvisorsforportfoliomanagement[J].AdvancedScienceandTechnologyLetters,2016,141,104-108.[44]Laukkanen,T.,&J.Lauronen.Consumervaluecreationinmobilebankingservices[J].InternationalJournalofMobileCommunications,2005,3(4),325-338.[45]Heinrich,P.,&G.Schwabe.Facilitatinginformeddecision-makinginfinancialserviceencounters[J].Business&InformationSystemsEngineering,2018,60(4),317-329.[46]Schuetzler,RM.,JS.Giboney,GM.Grimes&JF.Nunamaker.Theinfluenceofconversationalagentembodimentandconversationalrelevanceonsociallydesirableresponding[J].DecisionSupportSystems,2018,114,94-102.[47]Rogers,EM.DiffusionofInnovations,SpringerNature,UnitedKingdom,2003.[48]Qiu,LY.,&I.Benbasat.Evaluatinganthropomorphicproductrecommendationagents:Asocialrelationshipperspectivetodesigninginformationsystems[J].JournalofManagementInformationSystems,2009,25(4),145-181.[49]Khan,RF.,&A.Sutcliffe.Attractiveagentsaremorepersuasive[J].InternationalJournalofHuman-ComputerInteraction,2014,30(2),142-150.[50]Kim,KJ.,E.Park&SS.Sundar.Caregivingroleinhuman-robotinteraction:Astudyofthemediatingeffectsofperceivedbenefitandsocialpresence[J].ComputersInHumanBehavior,2013,29(4),1799-1806.[51]Lu,L.,RY.Cai&D.Gursoy.Developingandvalidatingaservicerobotintegrationwillingnessscale[J].InternationalJournalofHospitalityManagement,2019,80,36-51.[52]Song,S.Y.Modelingtheconsumeracceptanceofretailservicerobots[D].Knoxville:UniversityofTennessee,2017.[53]West,A.,J.Clifford&D.Atkinson.“Alexa,BuildMeaBrand”:Aninvestigationintotheimpactofartificialintelligenceonbranding[J].TheBusiness&ManagementReview,2018,9(3)