夜雨聆风📄 论文基本信息
英文标题：The impact of artificial intelligence (AI) competencies on subjective financial well-being in AI-enabled mobile banking: A construal level theory perspective
作者：Jung-Chieh Lee、Xueer Zhou（北京师范大学珠海校区）
发表期刊：Journal of Business Research，Volume 202，2026年
期刊信息：中科院管理学大类一区Top期刊，JCR Q1区；2024年影响因子10.5，在Business领域302本期刊中排名第9
🤔 研究背景：AI手机银行火遍全国，但它真的让你“更有钱的感觉”了吗？
在中国，AI赋能的手机银行应用（如招商银行App）已为数百万用户提供了个性化理财建议、智能客服、投资规划等服务。这些应用通过自然语言处理和机器学习，理解用户的财务需求并精准响应。
然而，现有研究几乎全部聚焦于一个问题：“用户会不会用/会不会继续用？”
TAM、UTAUT、ECM、AIDUA……各种模型轮番上阵
核心关注的永远是：感知有用性、感知易用性、使用意愿
但一个更根本的问题被忽略了：用AI手机银行之后，用户真的觉得自己的财务状况更好了吗？
这种“财务幸福感”不仅仅是账户余额的增加，更是一种主观感受——对金钱的掌控感、安全感和信心。如果AI手机银行无法提升这种感受，那么再高的“使用率”也只是表面繁荣。
本研究将视角从“用户是否会使用”转向“用户是否因此而幸福”，首次系统探究AI能力如何影响用户的主观财务幸福感。
🔬 理论框架：解释水平理论（CLT）
解释水平理论（Construal Level Theory, CLT） 由Trope和Liberman（2010）提出，核心观点是：
| 建构水平 | 思维特征 | 对AI交互的意义 |
|---|---|---|
| 高解释水平 | 抽象、整体、关注“为什么” | 用户感知AI为“亲近的社会伙伴”，信任增强 |
| 低解释水平 | 具体、细节、关注“如何” | 用户感知AI为“遥远的工具”，距离感增强 |
社会心理距离是CLT的核心概念之一——用户与AI之间的“亲近感”决定了他们如何解读AI的行为。
核心逻辑链：
📝 研究假设
三大AI能力对心理距离的影响
| 假设 | 内容 |
|---|---|
| H1 | 认知能力减少社会心理距离 |
| H2 | 关系能力减少社会心理距离 |
| H3 | 情感能力减少社会心理距离 |
心理距离→社会临场感
| 假设 | 内容 |
|---|---|
| H4 | 社会心理距离减少社会临场感（即距离越近，临场感越强） |
社会临场感的“双刃剑”
| 假设 | 内容 |
|---|---|
| H5 | 社会临场感增加用户信任 |
| H6 | 社会临场感增加AI怀疑（未支持） |
信任/怀疑→满意度→财务幸福感
| 假设 | 内容 |
|---|---|
| H7 | 信任增加满意度 |
| H8 | AI怀疑减少满意度 |
| H9 | 满意度增加主观财务幸福感 |
调节变量
| 假设 | 内容 |
|---|---|
| H10a-c | 用户对AI银行的熟悉度增强（负向调节）AI能力→心理距离的关系 |
| H11a-c | 金融素养增强（负向调节）AI能力→心理距离的关系 |
🧪 研究设计：三波纵向调查
数据收集
方式：三波纵向调查（T1→T2间隔1个月，T2→T3间隔1个月）
平台：小红书、百度贴吧、微博、微信、东方财富股吧
样本：初始500人 → 最终有效398人（女性39.45%，男性60.55%）
年龄分布：20-29岁（48.5%）、30-39岁（25.6%）、40-49岁（19.1%）
使用频率：44.7%每天使用AI手机银行
纵向设计优势
减少共同方法偏差：不同时间点测量不同变量
增强因果推断：自变量→中介变量→因变量存在时间先后
控制社会期望偏差：匿名+无标准答案引导
测量量表来源
所有量表采用7点李克特量表：
| 变量 | 来源 | 题项数 | 示例题项（语义差异/陈述） |
|---|---|---|---|
| 认知能力 | Chandra et al.（2022） | 3题 | “务实的 - 有远见的”“计划性的 - 自发性的” |
| 关系能力 | Chandra et al.（2022） | 4题 | “不合作的 - 合作的”“不公平的 - 公平的” |
| 情感能力 | Chandra et al.（2022） | 3题 | “冷漠的 - 有同情心的”“情感不稳定的 - 情感稳定的” |
| 社会心理距离 | Sands et al.（2022） | 3题 | “遥远的 - 亲近的”“不可接近的 - 可接近的” |
| 社会临场感 | Juquelier et al.（2025） | 5题 | “与AI互动中有一种人际接触感” |
| 信任 | Lee & Chen（2022） | 4题 | “我相信AI银行应用值得信赖”“它会保护我的个人信息” |
| AI怀疑 | Jahannir & Lages（2016） | 2题 | “我对AI银行应用持怀疑和谨慎态度” |
| 用户熟悉度 | Flavián et al.（2006） | 3题 | “我对AI银行应用相当熟悉” |
| 金融素养 | Shaheen et al.（2025） | 5题 | “我知道如何搜索可靠的财务信息” |
| 满意度 | Lee et al.（2023） | 4题 | “我对AI银行应用提供的服务感到满意” |
| 主观财务幸福感 | 改编自She et al.（2021）+自行开发 | 6题 | “使用AI银行后，我对财务状况感到更有信心” |
统计方法
| 步骤 | 方法 | 工具/标准 |
|---|---|---|
| ① 共同方法偏差检验 | Harman单因子、VIF、CLF | 主因子35.77%（<50%），VIF<3.3 |
| ② 测量模型评估 | 因子载荷、CR、Cronbach's α、AVE | 载荷>0.70, CR>0.70, AVE>0.50 |
| ③ 区分效度 | HTMT（<0.85） | 全部低于阈值 ✅ |
| ④ 假设检验 | PLS-SEM（偏最小二乘结构方程模型） | SmartPLS 3.0 |
| ⑤ 预测能力评估 | PLSpredict + CVPAT | Q_predict>0，RMSE优于LM |
| ⑥ 中介检验 | Bootstrap（5000次） | 95% BCa置信区间 |
| ⑦ 年龄差异 | 多组分析（MGA） | 29岁以下 vs 30岁以上 |
📊 核心结果
主效应：全部显著
| 假设 | 路径 | β | p | 效应量f² | 结论 |
|---|---|---|---|---|---|
| H1 | 认知能力 → 心理距离 | -0.466 | <0.001 | 0.212（中） | ✅ |
| H2 | 关系能力 → 心理距离 | -0.375 | <0.001 | 0.188（中） | ✅ |
| H3 | 情感能力 → 心理距离 | -0.305 | <0.001 | 0.146（中） | ✅ |
| H4 | 心理距离 → 社会临场感 | -0.577 | <0.001 | 0.231（中） | ✅ |
| H5 | 社会临场感 → 信任 | 0.533 | <0.001 | 0.227（中） | ✅ |
| H6 | 社会临场感 → AI怀疑 | 0.081 | 不显著 | 0.007 | ❌ |
| H7 | 信任 → 满意度 | 0.461 | <0.001 | 0.215（中） | ✅ |
| H8 | AI怀疑 → 满意度 | -0.155 | <0.05 | 0.031（小） | ✅ |
| H9 | 满意度 → 财务幸福感 | 0.412 | <0.001 | 0.203（中） | ✅ |
🔥 效应量排名：
社会心理距离→社会临场感（β=-0.577） —— 心理距离是“开关”
社会临场感→信任（β=0.533） —— 临场感是“信任孵化器”
认知能力→心理距离（β=-0.466） —— 三大能力中影响最大
为什么“社会临场感→AI怀疑”不显著？
理论预期：AI太像人可能引发“恐怖谷效应”，触发怀疑。
但本研究中的AI是文本交互型（手机银行App），而非人形机器人。Diederich et al.（2022）指出，恐怖谷效应主要由视觉或行为上的不一致触发。在纯文本交互中，用户感知到的“社会临场感”更可能被视为“能力”而非“可疑”。
💡 关键洞察：在文本型AI中，社会临场感的“双刃剑效应”不成立——它只磨砺信任，不滋生怀疑。
调节效应：部分支持
| 假设 | 调节效应 | β | p | 结论 |
|---|---|---|---|---|
| H10a | 用户熟悉度 × 认知能力 → 心理距离 | -0.177 | <0.05 | ✅ |
| H10b | 用户熟悉度 × 关系能力 → 心理距离 | -0.072 | 不显著 | ❌ |
| H10c | 用户熟悉度 × 情感能力 → 心理距离 | -0.066 | 不显著 | ❌ |
| H11a | 金融素养 × 认知能力 → 心理距离 | -0.156 | <0.05 | ✅ |
| H11b | 金融素养 × 关系能力 → 心理距离 | -0.091 | 不显著 | ❌ |
| H11c | 金融素养 × 情感能力 → 心理距离 | -0.102 | 不显著 | ❌ |
💡 解读：
认知能力的效应被熟悉度和金融素养显著放大——越懂金融、越熟悉AI的人，越能识别AI的“聪明”
关系能力和情感能力不受用户特质影响——它们的效果是普适的，即使不懂金融的人也能感受到“被关心”
序列中介：三大能力的“隐形之手”
| 路径 | 间接效应 | 95% CI | 中介类型 |
|---|---|---|---|
| 认知能力 → 心理距离 → 社会临场感 → 信任 → 满意度 → 财务幸福感 | 0.027 | [0.012, 0.047] | 完全中介 ✅ |
| 关系能力 → 同一序列 | 0.022 | [0.019, 0.045] | 完全中介 ✅ |
| 情感能力 → 同一序列 | 0.018 | [0.025, 0.037] | 完全中介 ✅ |
🔥 最重要的发现：三大AI能力对财务幸福感的直接效应全部不显著（p>0.05），但间接效应全部显著。
这意味着：AI能力本身不会直接让你“更幸福”，而是通过一系列心理转换——让你感觉AI更亲近（心理距离缩短）、更真实（社会临场感增强）、更可信（信任建立）——最终转化为财务安全感和信心。
年龄差异：没有差异！
多组分析（29岁以下 vs 30岁以上）显示：
所有路径在两组之间均无显著差异。
这意味着本研究的心理机制跨越代际——无论是数字原住民还是中老年用户，AI能力都通过同样的心理链条影响财务幸福感。
💬 讨论：三大AI能力的差异化贡献
| AI能力 | β（→心理距离） | 为什么这么重要？ |
|---|---|---|
| 认知能力 | -0.466 | 最“聪明”的AI最“亲近”——精准、个性化的财务建议让用户觉得“AI懂我” |
| 关系能力 | -0.375 | 自然语言、友好语调、记住偏好——让AI从“机器”变成“伙伴” |
| 情感能力 | -0.305 | 识别焦虑、共情回应——在敏感的财务话题中，情感支持不可或缺 |
💡 管理启示：认知能力是“引擎”，但关系和情感能力是“方向盘”和“安全带”——三者缺一不可。
🛠️ 管理启示
对AI银行开发者/服务商：
1. 优先提升“认知能力”
认知能力是三大能力中影响最大的（β=-0.466）。具体措施：
精准的个性化理财建议
实时的投资提示
预测性财务预警
2. 用“关系和情感能力”建立信任
关系能力（β=-0.375）和情感能力（β=-0.305）虽略逊于认知，但构建了情感连接：
用自然语言而非模板化回复
记住用户偏好和过往交互
在用户焦虑时提供共情回应
3. 善用“心理距离→社会临场感→信任→满意度”的完整链条
不要只追求“功能好用”，要追求“用户感觉被理解”。这条心理链是财务幸福感的“秘密通道”。
4. 警惕AI怀疑的破坏性
AI怀疑虽然只影响满意度（β=-0.155），但它是唯一负向路径。AI越让人“觉得可疑”，满意度越下降。
5. 熟悉度和金融素养是“放大器”
对认知能力，熟悉度和金融素养是“催化剂”。应针对不同用户群体设计差异化引导策略：
对新用户：先建立熟悉度（引导使用、展示功能）
对金融素养较低者：用通俗语言解释AI建议
对监管层/政策制定者：
算法透明性：确保AI建议可解释、可审计
公平性：防止AI建议对特定群体（如老年人、金融素养低者）产生偏见
数据保护：强化用户数据隐私和安全标准
🔮 局限与未来方向
文化局限：仅基于中国数据，未来需跨文化比较（如高低不确定性规避社会）
量表局限：财务幸福感量表为改编+自编，未来需正式心理测量学开发
自我报告偏差：虽有三波设计和CMB检验，但仍依赖自报数据
因果推断局限：纵向设计优于横截面，但仍不完美——未来需实验验证
未来可探索：
算法厌恶（Algorithm Aversion） 的调节作用——为什么有人宁愿信自己也不信AI？
客观财务指标（如储蓄率、负债率）与主观幸福感的结合
英文文献阅读全流程：从文献如何“搜”到怎么“管”再到“读”的一站式攻略
END
点击关注，发送 "AIGC" 即可获取全文PDF