1. 引言
随着金融科技的迅猛发展，人工智能、大数据、云计算等新兴技术逐步渗透到金融领域的各个环节，推动金融服务的智能化、便捷化和个性化。其中，智能投顾(Robo-Advisory)作为一种基于算法和模型驱动的自动化投资咨询服务，正在迅速崛起并改变传统投资顾问的服务模式。智能投顾通过分析用户的风险偏好、财务状况以及投资目标，自动生成并优化投资组合方案，为用户提供低成本、高效率的投资建议，从而吸引了大量年轻投资者和中低净值客户的关注。
然而，尽管智能投顾在技术层面日趋成熟，其在用户端的接受度却呈现出明显的差异。一方面，部分用户对智能投顾表现出较高的信任与采纳意愿，认为其具备透明度高、操作便捷、费用低廉等优势；另一方面，也有相当数量的用户对其存在疑虑，担忧算法决策的可靠性、数据隐私安全以及缺乏人性化服务等问题。这种接受度的差异不仅受到技术因素的影响，还与用户的心理、认知、信任等因素密切相关。
从市场发展来看，智能投顾在全球范围内呈现出快速扩张的趋势。美国、欧洲等发达国家的智能投顾市场已相对成熟，而中国作为金融科技发展最为活跃的国家之一，近年来也涌现出多家智能投顾平台，如蚂蚁财富、理财魔方、摩羯智投等。然而，由于监管环境、用户金融素养、文化背景等方面的差异，国内外智能投顾的发展路径和用户接受情况显著不同。
在此背景下，深入研究用户对智能投顾的采纳意愿及其影响因素，不仅有助于了解智能投顾在实际应用中的推广瓶颈，也为金融机构优化产品设计、提升用户体验提供理论支持和实践指导。
2. 文献综述
(一) 国内外研究现状
1. 国外研究现状
智能投顾作为金融科技的重要组成部分，最早起源于美国，代表性平台包括Betterment、Wealthfront等。Rathod (2025)认为智能投顾为中小投资者带来资本市场投资变革的潜力，由于它较低的费用、多样化和易获得性，并论证了其在民主化投资机会方面的重要性。近年来人工智能在金融服务业的快速发展不仅重塑了金融服务业的格局，也带来了颠覆性的创新[1]。且其中最突出的是智能投顾，它在金融科技空间中带来了效率、可伸缩性和个性化的催化变化。但Singh等(2025)发现采用智能投顾仍然存在很多障碍，主要障碍是对信任的担忧、感知风险和缺乏人与人之间的互动[2]。Mohapatra等(2025)通过使用PLS-SEM对他们所收集的数据进行分析，也发现信任，感知风险，用户友好性，感知有用性和情感唤醒等因素会对投资者的可持续投资决策行为意向产生重大影响，且可持续投资意识和政府法规对塑造投资者的行为意向都有调节作用[3]。
2. 国内研究现状
近年来，随着中国金融科技的快速发展，国内学者也开始关注智能投顾的发展及其用户接受度问题。李艺轩等(2025)认为尽管中国智能投顾市场仍处于初级阶段，但在居民财富增长、理财需求上升及金融产品多样化的推动下，智能投顾市场潜力巨大[4]。邓浏睿等(2024)通过构建智能投顾对投资者的投资决策的影响机制模型，发现智能投顾能有效降低投资者选择投资顾问的财富门槛，提升投资者对投资顾问的需求并增加投资[5]。目前中国智能投顾市场尚处于起步阶段，用户对智能投顾的接受度普遍偏低，王飞阳(2024)认为任务技术匹配度和信任分别作为功能和心理的两个维度，对接受意愿有正向作用[6]。沈芙蓉(2023)的调研结果也表明感知有用性、易用性、趣味性会对用户采纳意愿有积极的正向影响效果，而对风险和成本的感知则对采纳意愿有负向影响[7]。
(二) 文献述评
总体来看，国外在智能投顾领域的研究起步较早，理论体系较为成熟，尤其是在用户采纳意愿、信任机制、技术接受模型等方面已有较为深入的研究。相比之下，国内相关研究尚处于发展阶段，虽然已有学者尝试将国外理论模型引入国内智能投顾领域，但还存在很多不足。国内多数研究直接套用TAM、UTAUT等模型，缺乏结合中国用户行为特征的本土化调整。且目前多数研究停留在理论分析层面，缺乏基于真实用户数据的实证研究。影响因素研究也不够系统，对用户采纳意愿的影响因素研究多为单一维度，缺乏系统性整合。
因此，本研究将在已有理论基础上，结合中国智能投顾市场的实际情况，构建更具解释力的用户采纳意愿影响因素模型，并进行实证分析。
3. 理论基础及研究假设
(一) 理论基础
本研究以技术接受模型(Technology Acceptance Model, TAM)为核心理论框架，结合创新扩散理论(Innovation Diffusion Theory, IDT)和社会认知理论(Social Cognitive Theory, SCT)等，构建智能投顾用户接受度的理论模型。
1) 技术接受模型(TAM)
TAM模型由Davis于1989年提出，主要用于解释用户对信息技术的接受行为。该模型的核心变量包括感知有用性(Perceived Usefulness, PU)和感知易用性(Perceived Ease of Use, PEOU)，二者共同影响用户的使用态度和行为意向。
本研究中，感知有用性和感知易用性作为影响用户采纳意愿的关键因素被纳入模型。
2. 创新扩散理论(IDT)
IDT强调个体对新事物的接受程度与其创新意识密切相关。个人创新意识越强，越容易接受新技术或新服务。因此，将个人创新意识作为影响智能投顾采纳意愿的重要前因变量引入模型。
3. 社会认知理论(SCT)
社会认知理论认为个体行为受环境、个人因素和行为之间的相互作用影响。其中，社交影响(Social Influence)在用户决策中扮演重要角色。在本研究中，“社交影响”作为外部社会因素被纳入模型。
4. 感知价值理论
感知价值(Perceived Value)是指用户在使用某项服务时对其付出与回报的主观评价。感知价值对用户采纳意愿具有显著正向影响。本研究将感知价值作为中介变量进行探讨。感知风险(Perceived Risk)和感知成本(Perceived Cost)是用户在决策过程中常考虑的负面因素。这些因素可能抑制用户对智能投顾的采纳意愿。本研究将感知风险与感知成本纳入影响因素体系中。感知趣味性(Perceived Enjoyment)是近年来在信息系统研究中被广泛引入的变量，尤其在年轻用户群体中，其对技术接受行为具有显著影响。本研究结合智能投顾平台的互动性与用户体验，引入感知趣味性作为影响因素之一。
(二) 研究假设
基于上述理论基础，本研究提出以下研究假设，探讨各变量之间对智能投顾采纳意愿的影响关系：
1. H1：个人创新意识和社交影响正向影响用户对智能投顾的采纳意愿。
2. H2：感知有用性、感知易用性、感知趣味性及感知价值均正向影响用户对智能投顾的采纳意愿。
3. H3：感知成本和感知风险负向影响用户对智能投顾的采纳意愿。
4. 研究设计
(一) 数据来源与样本选择
本研究采用问卷调查法收集数据，调查对象为具有投资理财经验的用户群体，主要通过线上问卷平台(问卷星)进行发放，辅以线下纸质问卷作为补充。共回收有效问卷357份，样本涵盖不同年龄、性别、职业、收入及教育背景的投资者，具有较好的代表性。
(二) 变量定义
本研究变量的自变量有：个人创新意识(对新技术或服务的接受和尝试意愿)、社交影响(周围人群对使用智能投顾的影响程度)、感知有用性(智能投顾对投资决策的帮助程度)、感知易用性(智能投顾操作的便捷程度)、感知趣味性(使用智能投顾平台的愉悦程度)、感知成本(使用智能投顾所需付出的成本感知)、感知风险(使用智能投顾可能带来的风险感知)、感知价值(用户对智能投顾服务整体价值的评价)。旨在研究以上自变量对因变量采纳意愿(用户未来是否愿意使用智能投顾的意愿程度)的影响。
由此建立假设模型：
(三) 数据处理方法
本研究采用SPSS和AMOS进行数据分析，具体步骤如下：
1. 描述性统计分析
对样本的基本特征(如性别、年龄、职业、收入、教育程度)进行频数统计与百分比分析；对各变量的均值、标准差、偏度、峰度等进行描述，初步了解数据分布情况。
2. 信度分析
采用Cronbach’s α系数检验量表内部一致性；若Cronbach’s α值大于0.7，认为量表具有良好的信度。
3. 效度分析
采用探索性因子分析(EFA)检验量表的结构效度；KMO值大于0.7、Bartlett球形检验显著性小于0.05，表明适合进行因子分析；各因子载荷值大于0.5，说明变量具有良好的聚合效度。
4. Harman单因子检验法
用于检验共同方法偏差(Common Method Bias)；若未旋转因子分析中第一个因子解释的总方差小于50%，则认为共同方法偏差不严重。
5. 多元线性回归分析
在控制人口统计变量的基础上，对各影响因素与采纳意愿之间的关系进行回归分析；检验各变量的显著性水平(p值)、标准化回归系数(β值)及其方向，验证研究假设。
5. 实证分析
(一) 描述性统计分析
Table 1. Descriptive analysis
表1. 描述性分析
名称 |
选项 |
频数 |
百分比(%) |
累积百分比(%) |
性别 |
男 |
169 |
47.34 |
47.34 |
女 |
188 |
52.66 |
100.00 |
学历 |
高中及以下 |
62 |
17.37 |
17.37 |
大专 |
111 |
31.09 |
48.46 |
本科 |
128 |
35.85 |
84.31 |
硕士 |
56 |
15.69 |
100.00 |
家庭年收入情况 |
<10万元 |
27 |
7.56 |
7.56 |
10万元~30万元(含10万) |
91 |
25.49 |
33.05 |
30万元~50万元(含30万) |
135 |
37.82 |
70.87 |
50万元~100万元(含50万) |
85 |
23.81 |
94.68 |
≥100万元 |
19 |
5.32 |
100.00 |
投资经验 |
2年以下 |
56 |
15.69 |
15.69 |
2~5年 |
131 |
36.69 |
52.38 |
5~10年 |
110 |
30.81 |
83.19 |
10年及以上 |
60 |
16.81 |
100.00 |
风险承受能力 |
C1 (低风险承受) |
27 |
7.56 |
7.56 |
C2 (中低风险承受) |
90 |
25.21 |
32.77 |
C3 (中风险承受) |
116 |
32.49 |
65.27 |
C4 (中高风险承受) |
100 |
28.01 |
93.28 |
C5 (高风险承受) |
24 |
6.72 |
100.00 |
合计 |
357 |
100.0 |
100.0 |
本次调查共回收有效问卷357份，从受访者的基本信息来看，样本在性别方面分布较为均衡，其中女性占比略高，为52.66%，男性占47.34%。在学历分布上，受访者以本科及以上学历为主，其中本科占35.85%，硕士及以上学历占15.69%，大专学历占31.09%，高中及以下学历占17.37%，总体受教育水平较高，有利于理解并评价智能投顾相关问题(见表1)。
家庭年收入方面，大部分受访者的年收入集中在“10万元至50万元”区间，其中“30万元至50万元”群体占比最高，为37.82%；“10万元至30万元”占25.49%，“50万元至100万元”占23.81%；年收入在10万元以下和100万元以上的受访者分别占比7.56%和5.32%，整体呈现中等偏上的收入结构(见表1)。
投资经验方面，受访者以中等经验群体为主，其中“2~5年”投资经验者占比36.69%，其次为“5~10年”占30.81%，“10年及以上”占16.81%；投资经验在“2年以下”的占比为15.69%，说明多数受访者具有一定的投资经验，具备参与智能投顾产品的潜在基础(见表1)。
在风险承受能力方面，受访者整体风险偏好呈现中等及以上水平，其中“中风险承受(C3)”占32.49%，“中高风险承受(C4)”占28.01%，“中低风险承受(C2)”占25.21%，“高风险承受(C5)”和“低风险承受(C1)”群体分别占6.72%和7.56% (见表1)。该分布表明大多数受访者具备一定的风险承受能力，适合评估并采纳智能投顾等新型投资方式。
从对“是否使用过或听说过类似智能投顾产品”的多选题分析结果可以看出，受访者中对于各类主流智能投顾产品的了解程度存在较小差异。选择“摩羯智投”、“AI智投”、“理财魔方”和“蛋卷”的响应率(指某个选项被选中的次数占所有选项总选中次数的比例，用于对比各选项的相对选择比例)在14%左右，普及率(指选中某选项的受访者占总受访者人数的比例，用于分析某项的普及程度)在17%左右，说明市场上较为主流的智能投顾平台在部分受访者中已有一定认知基础。然而，仍有41.39%的受访者表示从未使用或听说过任何相关产品，占据近一半比例，普及率为48.46%，表明整体而言，智能投顾在大众中的渗透程度尚有限，市场认知存在提升空间(见表2)。
Table 2. Analysis of multiple choice questions
表2. 多选题分析
是否使用过或听说过类似智能投顾产品 |
响应 |
普及率 |
n |
响应率 |
招商银行“摩羯智投” |
65 |
15.55% |
18.21% |
工商银行“AI智投” |
62 |
14.83% |
17.37% |
“理财魔方” |
60 |
14.35% |
16.81% |
“蛋卷” |
58 |
13.88% |
16.25% |
均未使用过(听说过) |
173 |
41.39% |
48.46% |
汇总 |
418 |
100% |
117.09% |
(二) 信度分析
为检验问卷量表的内部一致性，本研究对各变量维度进行了Cronbach α系数的信度分析。结果显示，所有构念的Cronbach α系数均超过0.8，表明各维度内部题项之间具有高度一致性(见表3)。同时，整体量表29个题项的α系数为0.758，亦高于一般认为可接受的最低标准0.7，验证了本问卷具有良好的内部一致性和较高的测量稳定性，适用于后续的结构模型检验与实证分析。
Table 3. The results of the reliability analysis
表3. 信度分析结果
名称 |
项数 |
Cronbach α系数 |
个人创新意识 |
3 |
0.897 |
社交影响 |
2 |
0.924 |
感知有用性 |
3 |
0.914 |
感知易用性 |
4 |
0.932 |
感知趣味性 |
3 |
0.925 |
感知成本 |
3 |
0.922 |
感知风险 |
3 |
0.916 |
感知价值 |
4 |
0.931 |
采纳意愿 |
4 |
0.879 |
总体 |
29 |
0.758 |
(三) 效度分析
为进一步验证问卷量表的结构效度，本研究进行了KMO检验与Bartlett球形度检验。结果显示，Kaiser-Meyer-Olkin(KMO)取样适切性检验值为0.851，远高于0.7的标准阈值，表明变量之间具有较高的相关性，适合进行因子分析。同时，Bartlett球形度检验结果显示近似卡方值为8038.835，自由度为406，显著性水平p < 0.001，说明原假设(变量之间不具相关性)被拒绝，变量间存在显著的相关结构(见表4)。
Table 4. Validity analysis results
表4. 效度分析结果
KMO值 |
0.851 |
Bartlett球形度检验 |
近似卡方 |
8038.385 |
df |
406 |
p值 |
0.000 |
(四) 探索性因子分析
为检验问卷是否存在显著的共同方法偏差，本研究采用Harman单因子检验法对全部测量项进行了无旋转的探索性因子分析。结果显示，共提取出9个特征根大于1的公因子，旋转前第一因子的特征根为8.033，对总方差的解释率为27.701%，远低于40%的判断标准，说明单一因子未能占据主要解释力，不存在明显的单因子主导现象(见表5)。同时，在经过旋转后，各因子的方差解释率分布更趋均衡，前9个因子累计解释了84.333%的总方差，表明本研究问卷不存在严重的共同方法偏差，测量结果具有较高的信度与效度基础。
Table 5. Variance explanation rate table
表5. 方差解释率表格
因子编号 |
特征根 |
旋转前方差解释率 |
旋转后方差解释率 |
特征根 |
方差解释率% |
累积% |
特征根 |
方差解释率% |
累积% |
特征根 |
方差解释率% |
累积% |
1 |
8.033 |
27.701 |
27.701 |
8.033 |
27.701 |
27.701 |
3.397 |
11.715 |
11.715 |
2 |
2.771 |
9.556 |
37.257 |
2.771 |
9.556 |
37.257 |
3.371 |
11.624 |
23.339 |
3 |
2.528 |
8.717 |
45.974 |
2.528 |
8.717 |
45.974 |
2.921 |
10.074 |
33.413 |
4 |
2.375 |
8.19 |
54.163 |
2.375 |
8.19 |
54.163 |
2.624 |
9.047 |
42.46 |
5 |
2.147 |
7.404 |
61.567 |
2.147 |
7.404 |
61.567 |
2.596 |
8.952 |
51.411 |
6 |
1.903 |
6.56 |
68.127 |
1.903 |
6.56 |
68.127 |
2.594 |
8.943 |
60.355 |
7 |
1.778 |
6.129 |
74.257 |
1.778 |
6.129 |
74.257 |
2.579 |
8.894 |
69.248 |
8 |
1.555 |
5.361 |
79.618 |
1.555 |
5.361 |
79.618 |
2.513 |
8.666 |
77.914 |
9 |
1.367 |
4.715 |
84.333 |
1.367 |
4.715 |
84.333 |
1.862 |
6.419 |
84.333 |
为进一步验证问卷的结构效度并明确因子归属，本研究采用最大方差旋转法进行了探索性因子分析。结果提取出九个公因子，各题项在对应因子上的载荷系数普遍超过0.70，共同度较高，表明测量题项能够较好地反映其所属构念(见表6)。九个因子分别命名为：个人创新意识、社交影响、感知有用性、感知易用性、感知趣味性、感知成本、感知风险、感知价值和采纳意愿。
Table 6. Rotated factor loading coefficient table
表6. 旋转后因子载荷系数表格
名称 |
因子载荷系数 |
共同度 |
因子1 |
因子2 |
因子3 |
因子4 |
因子5 |
因子6 |
因子7 |
因子8 |
因子9 |
PSI1 |
0.109 |
0.045 |
0.178 |
−0.014 |
0.047 |
−0.003 |
0.117 |
0.909 |
0.058 |
0.892 |
PSI2 |
0.102 |
0.120 |
0.150 |
−0.056 |
0.101 |
−0.102 |
0.139 |
0.849 |
0.025 |
0.812 |
PSI3 |
0.022 |
0.063 |
0.150 |
−0.077 |
0.097 |
−0.057 |
0.038 |
0.871 |
0.088 |
0.813 |
SI1 |
−0.020 |
0.039 |
0.106 |
−0.059 |
0.053 |
−0.063 |
0.072 |
0.089 |
0.948 |
0.936 |
SI2 |
0.077 |
0.091 |
0.140 |
−0.086 |
0.068 |
−0.113 |
0.041 |
0.070 |
0.929 |
0.929 |
PU1 |
0.050 |
0.074 |
0.174 |
−0.006 |
0.071 |
−0.098 |
0.902 |
0.126 |
0.037 |
0.884 |
PU2 |
0.090 |
0.100 |
0.075 |
−0.076 |
0.096 |
−0.083 |
0.893 |
0.073 |
0.041 |
0.850 |
PU3 |
0.017 |
0.103 |
0.098 |
0.021 |
0.087 |
−0.065 |
0.894 |
0.087 |
0.044 |
0.841 |
PEOU1 |
0.898 |
0.071 |
0.148 |
−0.082 |
0.067 |
−0.036 |
0.015 |
0.040 |
−0.036 |
0.850 |
PEOU2 |
0.893 |
0.099 |
0.081 |
−0.039 |
0.042 |
−0.043 |
0.063 |
0.083 |
0.023 |
0.830 |
PEOU3 |
0.885 |
0.149 |
0.134 |
−0.056 |
0.093 |
−0.042 |
0.048 |
0.024 |
0.037 |
0.841 |
PEOU4 |
0.882 |
0.048 |
0.137 |
−0.054 |
0.067 |
−0.060 |
0.042 |
0.094 |
0.045 |
0.823 |
PE1 |
0.118 |
0.152 |
0.161 |
−0.049 |
0.885 |
−0.133 |
0.096 |
0.063 |
0.061 |
0.882 |
PE2 |
0.062 |
0.109 |
0.105 |
−0.125 |
0.902 |
−0.068 |
0.084 |
0.068 |
0.058 |
0.876 |
PE3 |
0.087 |
0.091 |
0.132 |
−0.122 |
0.878 |
−0.154 |
0.090 |
0.126 |
0.020 |
0.868 |
PC1 |
−0.046 |
−0.053 |
−0.156 |
0.920 |
−0.067 |
−0.012 |
0.001 |
−0.042 |
−0.017 |
0.882 |
PC2 |
−0.094 |
−0.164 |
−0.167 |
0.875 |
−0.122 |
−0.010 |
−0.041 |
−0.065 |
−0.082 |
0.857 |
PC3 |
−0.079 |
−0.092 |
−0.086 |
0.916 |
−0.095 |
0.061 |
−0.021 |
−0.041 |
−0.059 |
0.879 |
PR1 |
−0.051 |
−0.039 |
−0.192 |
0.016 |
−0.081 |
0.912 |
−0.072 |
−0.068 |
−0.035 |
0.890 |
PR2 |
−0.107 |
−0.108 |
−0.113 |
0.023 |
−0.135 |
0.883 |
−0.098 |
−0.054 |
−0.064 |
0.851 |
PR3 |
−0.013 |
−0.119 |
−0.127 |
0.001 |
−0.118 |
0.883 |
−0.079 |
−0.039 |
−0.090 |
0.841 |
PV1 |
0.101 |
0.881 |
0.179 |
−0.052 |
0.080 |
−0.021 |
0.082 |
0.040 |
0.079 |
0.843 |
PV2 |
0.104 |
0.890 |
0.110 |
−0.035 |
0.097 |
−0.113 |
0.068 |
0.084 |
0.009 |
0.850 |
PV3 |
0.050 |
0.879 |
0.075 |
−0.150 |
0.091 |
−0.075 |
0.051 |
0.035 |
0.012 |
0.821 |
PV4 |
0.123 |
0.873 |
0.087 |
−0.092 |
0.094 |
−0.081 |
0.108 |
0.089 |
0.057 |
0.831 |
AI1 |
0.072 |
0.090 |
0.815 |
−0.091 |
0.073 |
−0.116 |
0.145 |
0.094 |
0.028 |
0.735 |
AI2 |
0.142 |
0.137 |
0.760 |
−0.144 |
0.101 |
−0.157 |
0.110 |
0.146 |
0.056 |
0.709 |
AI3 |
0.199 |
0.132 |
0.772 |
−0.163 |
0.156 |
−0.117 |
0.098 |
0.167 |
0.124 |
0.770 |
AI4 |
0.178 |
0.140 |
0.793 |
−0.097 |
0.133 |
−0.122 |
0.052 |
0.172 |
0.127 |
0.770 |
旋转方法：最大方差法Varimax。
(五) 相关分析
本研究对各影响因素与智能投顾采纳意愿之间的相关关系进行了分析。结果显示，个人创新意识、社交影响、感知有用性、感知易用性、感知趣味性及感知价值均与采纳意愿呈显著正相关，相关系数分别为0.394、0.278、0.304、0.350、0.359和0.333，且均在0.01水平上显著，表明这些因素的提升有助于增强用户的采纳意愿(见表7)。相反，感知成本和感知风险与采纳意愿呈显著负相关，相关系数分别为−0.334和−0.355，均在0.01水平显著，说明较高的成本和风险感知会抑制用户对智能投顾的采纳意愿。
Table 7. The relevant analysis results
表7. 相关分析结果
名称 |
平均值 |
标准差 |
采纳意愿 |
个人创新意识 |
3.598 |
0.822 |
0.394** |
社交影响 |
3.700 |
0.897 |
0.278** |
感知有用性 |
3.568 |
0.895 |
0.304** |
感知易用性 |
3.473 |
0.880 |
0.350** |
感知趣味性 |
3.611 |
0.917 |
0.356** |
感知成本 |
2.395 |
0.925 |
−0.334** |
感知风险 |
2.440 |
0.921 |
−0.355** |
感知价值 |
3.518 |
0.892 |
0.333** |
*p < 0.05；**p < 0.01。
Table 8. Regression analysis results
表8. 回归分析结果
|
非标准化系数 |
标准化系数 |
t |
p |
共线性诊断 |
B |
标准误 |
Beta |
VIF |
容忍度 |
常数 |
2.145 |
0.244 |
- |
8.797 |
0.000** |
- |
- |
个人创新意识 |
0.139 |
0.030 |
0.206 |
4.577 |
0.000** |
1.169 |
0.855 |
社交影响 |
0.067 |
0.027 |
0.108 |
2.471 |
0.014* |
1.101 |
0.908 |
感知有用性 |
0.066 |
0.028 |
0.106 |
2.356 |
0.019* |
1.159 |
0.863 |
感知易用性 |
0.112 |
0.028 |
0.177 |
3.995 |
0.000** |
1.127 |
0.887 |
感知趣味性 |
0.060 |
0.028 |
0.098 |
2.097 |
0.037* |
1.264 |
0.791 |
感知成本 |
−0.106 |
0.027 |
−0.176 |
−3.953 |
0.000** |
1.138 |
0.879 |
感知风险 |
−0.107 |
0.027 |
−0.178 |
−3.942 |
0.000** |
1.175 |
0.851 |
感知价值 |
0.060 |
0.029 |
0.096 |
2.101 |
0.036* |
1.212 |
0.825 |
R2 |
0.395 |
调整R2 |
0.381 |
F |
F(8, 348) = 28.372, p = 0.000 |
D-W值 |
2.002 |
备注：因变量 = 采纳意愿；*p < 0.05，**p < 0.01。
(六) 回归分析
为进一步检验各变量对智能投顾采纳意愿的影响，本研究采用多元线性回归分析方法，结果表明模型整体拟合良好，F值为28.372，显著性为0.000，R2为0.395，调整后R2为0.381，说明所选解释变量能够较好地解释采纳意愿的变异情况(见表8)。回归结果显示，个人创新意识对采纳意愿的影响显著，标准化回归系数为0.206，p值小于0.01；社交影响的标准化系数为0.108，p值为0.014；感知有用性、感知易用性和感知趣味性对采纳意愿的影响也均达到显著水平，标准化系数分别为0.106、0.177和0.098，p值均小于0.05 (见表8)。相对而言，感知成本和感知风险对采纳意愿具有显著负向影响，标准化系数分别为−0.176和−0.178，p值均小于0.01。感知价值的正向作用亦达到显著水平，标准化系数为0.096，p值为0.036 (见表8)。共线性诊断结果显示，所有变量的方差膨胀因子(VIF)均小于1.3，容忍度均大于0.7，说明模型不存在多重共线性问题(见表8)。
6. 讨论与结论
(一) 研究结果讨论
1. 研究假设验证情况
本研究在已有理论模型(TAM、IDT、SCT)的基础上，结合中国智能投顾市场的实际情况，构建了一个综合性的用户接受度模型，并引入了感知价值、感知趣味性等新变量。研究结果主要揭示所假设的变量对智能投顾采纳意愿的影响关系，结果显示各变量对采纳意愿的影响关系与假设一致。研究结果不仅验证了传统理论在中国市场环境下的适用性，也拓展了智能投顾领域的理论研究视角。特别是在用户行为研究中，感知趣味性作为一个新兴变量，其显著影响表明智能投顾平台的用户体验设计对用户采纳意愿具有重要作用，这为未来研究提供了新的理论切入点。
2. 研究结果的实践意义
本研究的实证结果对金融机构优化智能投顾产品设计、提升用户体验具有重要指导意义：
优化产品设计以提高用户接受度：为了提升用户对智能投顾的接受意愿，金融机构应从产品设计层面进行优化。通过大数据与人工智能技术，深入挖掘用户行为数据，提供更加精准的个性化投资建议，满足不同用户群体的差异化需求。为增强用户体验，可优化平台界面设计，简化操作流程，提升用户交互体验，使用户能够轻松上手并持续使用。可引入混合投顾模式，结合人工投顾与智能投顾的优势，提供“人机结合”的服务模式，满足用户在复杂投资决策中对专业意见的需求。
加强用户教育与信任建设：用户对智能投顾的信任是其采纳意愿的关键因素之一。金融机构可开展金融知识普及活动，通过线上课程、短视频、线下讲座等形式，提升用户对智能投顾的认知水平，减少因误解而产生的抵触心理。还可建立透明的信息披露机制，公开算法逻辑、投资策略、费用结构等关键信息，增强用户对平台运作的透明度感知。
平衡自动化与用户自主性之间的关系：智能投顾的核心优势在于自动化与高效性，但用户对投资决策的掌控感同样重要。为此，金融机构应提供可调节的自动化程度：允许用户根据自身偏好选择是否参与投资决策，如设置投资偏好、调整资产配置比例等，强化用户参与感与控制感。还可建立反馈机制与互动平台，鼓励用户对投资建议提出反馈，平台据此不断优化算法模型，实现“用户驱动”的智能投顾服务。
3. 研究结果的局限性
尽管本研究构建了较为全面的智能投顾用户接受度模型，并通过实证数据验证了各变量之间的关系，但仍存在以下局限性：
样本局限性：本研究的数据主要来源于问卷调查，样本覆盖范围有限，未来可结合大数据分析，获取更广泛、更具代表性的用户行为数据。
变量测量的主观性：部分变量(如“信任感”、“感知有用性”)采用主观测量方式，可能存在一定的测量误差。未来可引入客观行为数据作为补充。
跨文化差异未充分考虑：本研究主要聚焦于中国用户，未来可拓展至不同文化背景下的用户群体，比较智能投顾在不同国家的接受度差异。
(二) 研究结论
1. 主要结论
本研究从用户采纳意愿的视角出发，系统探讨了影响用户接受智能投顾服务的关键因素，并结合实证分析验证了相关研究假设。主要研究结论如下：
用户对智能投顾的认知水平显著影响其采纳意愿：金融知识越丰富、对智能投顾了解越深入的用户，越倾向于使用该服务。
信任感是用户采纳智能投顾的重要心理因素：平台的透明度、合规性以及过往用户评价显著影响用户的信任水平。
个性化与用户体验是提升用户满意度的关键：个性化推荐、良好的使用体验和便捷的操作流程能够有效增强用户粘性。
2. 对未来研究的建议
未来研究可从以下几个方向进一步深化：
探索智能投顾在不同生命周期阶段的应用：研究智能投顾在用户不同人生阶段(如青年理财、中年资产配置、退休规划)中的适应性与用户需求变化。
关注监管政策对智能投顾发展的影响：随着金融科技监管趋严，未来可研究政策环境对用户采纳意愿的影响机制。
引入行为金融学视角：结合行为金融理论，深入探讨用户在使用智能投顾过程中的非理性决策行为，为产品设计提供更科学的依据。
综上，智能投顾作为金融科技发展的重要成果，正在逐步改变传统投资方式。未来，随着技术进步与用户认知的提升，智能投顾将有更广阔的发展空间。通过不断优化产品设计、加强用户教育、提升服务体验，金融机构有望进一步推动智能投顾的普及与应用，实现用户与机构的双赢局面。
基金项目
中华女子学院一般课题“在不确定性中提升家庭金融健康水平的影响因素及长效机制研究”(编号：2024ND-0303)。
NOTES
*通讯作者。