金融科技APP隱私政策對企業績效作用機制

徐昌龍 夏火松

摘 要：論文從隱私計算理論的抑制角度出發，通過用戶信任衡量風險感知，探討金融科技APP隱私政策對用戶和企業的影響，分析其中的作用機理。論文根據隱私計算理論、APCO模型，構建金融科技APP隱私政策的完整性和可讀性對企業績效作用機制模型，采用數據挖掘分析方法度量金融科技APP隱私政策的完整性、可讀性和隱私控制權，驗證隱私政策完整性和可讀性對企業績效的作用機制。研究發現金融科技APP隱私政策完整性和可讀性對企業績效存在正向影響，用戶信任對企業績效存在正向影響；金融科技APP隱私控制權在隱私政策完整性和可讀性對用戶信任影響之間起調節作用。論文提出了金融科技情景下隱私政策因果研究方法，豐富了在線隱私行為的前因和結果研究。

關鍵詞：金融科技APP；隱私保護；企業績效；隱私政策完整性；隱私政策可讀性

中圖分類號：F273.1 文獻標識碼：A 文章編號：2095－414X（2024）02－0091－09

0 ?引言

數字化進程促使金融科技蓬勃發展^[1]。2020年，全球金融科技投資達到了1053億美元，風險投資對金融科技公司的投資為423億美元^[2]。各種金融科技獨角獸陸續成立，中國的金融科技產業也在快速增長^[3]。數據分析等信息技術的發展促進數字金融服務的發展^[4]，利用移動網絡、社交媒體軟件和當前大數據等技術可以覆蓋金融的所有領域，包括借貸、支付和資產管理等領域，金融科技的應用可以為傳統的金融服務公司提供無法提供的創新服務，用戶對于金融科技的使用需求在繼續增長^[5]。

隨著用戶對于安全和個人信息保護的意識增強，金融科技公司為了告知用戶如何收集、使用、披露和管理其隱私數據的詳細信息，實施了不同的隱私政策。作為金融科技APP特有的屬性且金融交易的敏感性^[6]，對隱私保護的要求更高，其既是提供服務的對象，同時又是網絡信息服務的主體，因此在保護用戶隱私的過程中發揮著關鍵作用^?[7]。其中APP隱私政策的公布和有效執行是保護用戶隱私不被泄露的有效方法之一。但是，目前各類APP的隱私政策內容和執行效果方面存在諸多問題，有研究發現消費者普遍不信任隱私政策，多數人認為隱私政策在反映執法、改變觀念或影響購買行為方面基本上無效^[8]。隱私政策作為用戶和APP服務提供商的一種法律契約，但是一些隱私政策文本很長且可讀性不高，很多消費者不會去閱讀隱私政策^[9]，繼而直接同意服務條款。然而大多數隱私政策中存在免責聲明、APP收集的個人隱私以及關于個人隱私的使用、共享等對用戶不利的條款，用戶不閱讀直接同意隱私政策，面臨巨大的潛在風險^[10]。例如隱私政策單方面宣布企業隨時有權改變或者停止自己的業務；強制免除所有責任；對所有爭議實施仲裁且僅實施仲裁等等霸王條款^[11]。這暗示了個人隱私數據存在泄露的潛在風險。例如企業通過一些不明確的隱私政策，在用戶不知情的情況下過度收集用戶個人信息，違法違規使用、泄露用戶個人信息以及基于用戶使用痕跡形成精準畫像并定向推送廣告等^[12]。

由于金融交易的敏感性，無論是數字信息還是非數字信息，用戶需要保留控制對個人隱私信息的權利^[6]1144-1168。當用戶不了解或者不熟悉金融APP所提供的服務時，隱私擔憂會增加，特別是如果他們的信息未經授權被用于其他目的，從而導致隱私泄露、財產損失和其他不良結果^[13]。隱私問題是用戶使用金融科技APP服務時一個不可忽視的問題。根據溝通隱私管理理論，由于在不確定網絡環境下個人隱私信息缺乏保護，用戶會評估風險和收益^[14]，有研究發現用戶對安全、隱私和金融風險的感知對使用金融APP所提供的服務有顯著影響^[15]，隱私感知越高，對金融科技APP隱私保護和所收集的隱私信息要求就越高，因此具有低隱私控制權的金融科技APP對用戶信任的影響越大。

Smith于2011年時首次提出來的用于解釋隱私如何影響個人決策的APCO模型（Antecedents →Privacy → Concerns→Outcomes， APCO）^[16]，構建一條由“隱私政策-信任-用戶披露隱私”的作用機制。但是該模型是解釋通用領域隱私對個人隱私披露的影響，缺乏不同情景下的隱私關注對個人隱私披露的影響。此外，該模型忽略了一個重要主體。隱私政策是由企業實施的，模型只研究了隱私政策對于用戶的個人隱私披露的影響，而忽略了隱私政策對于企業績效的影響。因此，論文基于APCO模型，加入企業主體，研究隱私政策對于企業績效的影響。綜上，論文提出以下研究問題：

Q1：在APCO模型下，探究金融科技APP隱私政策的完整性和可讀性如何作用企業績效？

Q2：金融科技APP隱私政策隱私控制權的高低是否會影響用戶對其信任？

在金融科技APP隱私政策可讀性指數的構建上這篇論文雖然構建了專業詞匯表和改進Fog Index公式來測量隱私政策的可讀性，但是本質上始終是人工提取變量來測量的。之后的研究可以引進深度學習，通過改進無監督的算法克服其針對具有異質性和分散性的短文本的缺點來測量長文本隱私政策的可讀性。

由于論文收集的企業多數未上市，只能通過收集一些公開披露的數據，例如注冊資本，參保人數和集團人數等數據來間接測量企業的市場份額和企業規模。之后可以和企業合作收集到更加直接的數據，例如企業的營業額數據來更加合理的測量企業的市場份額，直接探究金融科技APP隱私政策的完整性和可讀性對企業績效的作用機制。

1 ?理論視角與研究假設

1.1 ?APCO模型

APCO模型是Smith于2011年時首次提出來的用于解釋隱私如何影響個人決策^[16]989-1015。如圖1該模型核心變量是隱私關注，構建了一條“前因—隱私關注—結果”的作用機制，其中模型中還包含了一條由“隱私政策-信任-用戶披露隱私”的作用機制。但是該模型是解釋通用領域隱私對個人隱私披露的影響，缺乏不同情景下的隱私關注對個人隱私披露的影響。此外，模型忽略了一個重要主體。隱私政策是由企業實施的，模型只研究了隱私政策對于用戶的個人隱私披露的影響，而忽略了隱私政策對于企業績效的影響。

在此基礎上的研究主要分為三個角度，第一是隱私政策淺表因素，研究其與用戶感知隱私等因素的關系^[17]，第二是局部深入研究隱私政策的可讀性與用戶隱私披露的影響^[18]，第三是從技術角度研究隱私政策存在的問題^[19]。這些研究要么是僅僅局限于隱私政策本身，只探討隱私政策內容存在的問題，要么是從隱私政策淺表出發，探討隱私政策作為前因，對用戶產生什么影響，而忽略了企業主體，缺乏隱私政策對企業績效的影響研究。其次已有文獻對于隱私政策的完整性和可讀性度量主要是根據出臺的關于個人信息保護的法律法規總結出測量指標，人為干擾因素較大，因此隱私政策的可讀性測量缺乏合理性。例如有學者收集了655名參與者對隱私政策對的看法，識別影響用戶使用APP的激勵因素和阻礙因素^[20]。因此論文基于APCO模型，聚焦隱私政策內容本身，結合機器學習和人工編碼的方法，減少人為干擾因素和機器學習的隨機性，并引入領域知識，合理度量隱私政策完整性和可讀性，將其作為前因，加入企業主體，研究隱私政策對于企業績效的作用機制。

1.2 ?隱私政策與信任

長期以來，信任是在線交易的催化劑^[17]1-21。在各種網絡環境下，信任在減少個體的不安全感和風險感知方面起著關鍵作用。已有研究中信任一般作為前因、結果、中介或者調節因素。研究表明信任影響著用戶使用APP所提供的服務的意愿^[18]774-795。隱私政策旨在保護用戶的隱私和安全并保護信息不被濫用的機制^[21]。而隱私政策采取的格式合同，對于消費者是極其不利的。在起草隱私政策的時候通常是企業方的律師，或者是企業代請第三方公司代理。而代理人作為企業一方，是沒有公平分配風險的動機的，而監控方除了企業本身以外，也沒有用戶參與。因此，在訂立隱私政策的最初目標可能是維護企業一方利益，扭曲合同條款，偏離企業風險和用戶風險平衡的最優條款。正是由于格式合同的原因，導致這些隱私政策的完整性與可讀性很差，隱藏在其中對用戶不利的條款也不易被發現，最后也很容易發生糾紛，降低用戶的信任。因此提出H1a假設：

H1a：隱私政策完整性越低，用戶對APP的信任越低。

同時，金融科技APP隱私政策的完整性與可讀性較低，也意味著其安全性存在著問題。根據隱私計算理論，用戶的決策過程受到感知風險的影響^[22]。金融科技APP涉及的個人隱私、未經授權信息的收集和共享會導致用戶對服務的感知效能產生重大影響，如果用戶隱私得到保護，用戶會更加信任金融科技APP提供的金融服務。隱私政可讀性越低，對用戶不利的條款越多，導致隱私泄露的風險會加大，用戶的信任越低。所以認為隱私政策可讀性與用戶信任存在關系。因此提出H1b假設：

H1b：隱私政策可讀性越低，用戶對APP的信任越低。

1.3 ?企業績效相關研究

聲譽是對一個組織的產品和服務內容、社會角色、用戶信任以及關于該組織服務用戶的可信度的總體評估。有研究發現隱私政策是否有效實施，以及是否被用戶理解和信任影響企業聲譽^[24]。另外有學者研究發現用戶不信任隱私政策并認為企業利用隱私政策竊取個人隱私，會導致企業產生隱私災難，嚴重影響企業聲譽，對企業績效造成巨大影響^[25]。另一方面，隱私政策的實施可以緩解消費者的隱私擔憂，建立信任并避免潛在的損失^[11]281-798。隱私政策代表了企業對于用戶的長期承諾，而研究發現易于理解、有效并透明的隱私政策更加可以提高用戶的信任。甚至有學者建議用戶從具有高隱私保護的網站上購買產品和服務，企業可以將高隱私保護作為賣點^[8]601-626。總的來說，各種學者認為，完整可信的隱私政策有助于企業建立良好聲譽，贏得用戶的信任，獲得企業績效的提高。因此提出H2a假設：

H2a：隱私政策完整性越低，企業績效就越低。

同樣具有高可讀性的隱私政策也有助于企業建立良好聲譽，贏得用戶的信任，獲得企業績效的提高。因此提出H2b假設：

H2b：隱私政策可讀性越低，企業績效就越低。

1.4 ?信任的中介作用

論文中信任是一種基于隱私政策的信任，并將信任作為中介變量，影響隱私政策對企業績效的影響。基于隱私政策的信任強調企業提供的保障措施可以讓用戶感到值得信任，進而產生主動的意向和行為^[26]。由政策形成的信任最有可能減輕個人關于隱私信息泄露的擔憂，當用戶傾向于信任企業所提供的隱私政策，就會做出使用意愿^{[20]166465-166487}。另外信任是用戶忠誠度的重要決定因素，對于保持企業市場占有率和盈利能力至關重要^[27]。用戶的感知安全和感知隱私會影響到用戶的信任^[28]。隱私政策完整性低，則其中包含的對用戶不利的條款越多，隱私泄露的風險也會加劇，這可能降低用戶的信任，而用戶基數是企業盈利的來源，用戶信任的降低會導致用戶流失，用戶基數減少，從而直接影響到企業績效。因此提出H3a假設：

H3a：用戶信任在隱私完整性和企業績效之間起中介作用。

用戶的行為意圖直接受到決策過程中對感知利益和感知風險的主觀評估的影響^[29]。一般來說，用戶在使用過程中感知風險加大，例如隱私泄露等風險，用戶就會停止使用平臺所提供的服務^{[28]1046-1055}。所以用戶的感知風險提高了用戶的決策不確定性，降低了用戶對金融類APP所提供的金融服務的使用。而隱私政策可讀性較低，則其中包含的對用戶不利的條款越多，則可能降低用戶的滿意度，降低用戶對APP的信任，減少用戶的使用和APP的用戶量，繼而會影響到企業績效。因此提出H3b假設：

H3b：用戶信任在隱私可讀性和企業績效之間起中介作用。

1.5 ?隱私控制權的調節效應

在已有研究中，關于隱私控制權這一變量的研究時，通常從企業和個人兩方面展開。一類是企業擁有隱私控制權，利用用戶的隱私數據。這類研究分析企業如何利用數據分析等信息技術使得公司能夠將用戶的在線痕跡（例如瀏覽點擊數據和購買數據）轉換為有價值的內容^[32]。另外一類則是用戶個人擁有隱私控制權，分析用戶如何規避隱私風險。隨著大數據的發展，企業可以追蹤和收集用戶信息，實現個性化推銷^[33]，而這也就意味著隱私控制權在企業方，則用戶個人信息面臨著巨大的風險。根據隱私計算理論，隱私風險加大，用戶的隱私擔憂會增加，從而用戶會傾向于拒絕使用APP提供的服務等消極行為，最終導致企業績效降低。研究表明，用戶擁有一定的隱私控制權可以降低用戶使用APP提供的服務的隱私擔憂，表現出合作的積極行為^[34]。

在金融科技APP隱私政策相同完整性前提下，隱私控制權越低，用戶的隱私泄露風險越小，用戶信任越高。相反，隱私控制權越高，用戶的隱私泄露風險越大，用戶信任越低。因此提出H4a假設：

H4a：隱私控制權在隱私政策完整性對用戶信任的影響中起調節作用。

同樣在金融科技APP隱私政策相同可讀性前提下，隱私控制權越低，用戶的隱私泄露風險越小，用戶信任越高。相反，隱私控制權越高，用戶的隱私泄露風險越大，用戶信任越低。因此提出H4b假設：

H4b：隱私控制權在隱私政策可讀性對用戶信任的影響中起調節作用。

根據隱私計算理論、APCO模型分析可知，金融科技APP隱私政策對企業績效的影響機制分為兩條，其一是隱私政策完整性和可讀性可以直接影響企業績效，其二是通過影響用戶信任的中介來影響企業績效，因此構建金融科技APP隱私政策對企業績效的影響機制模型如圖2所示。

1.6 ?樣本篩選和數據收集

首先通過保險、股票、基金、記賬、投資、銀行、證券和支付關鍵詞在小米應用商店，華為應用商店和騰訊應用寶上搜索，一共搜索了2003個金融科技APP，剔除400個與金融無關的APP，另外261個隱私政策亂碼的APP，最終爬取了1342篇金融科技APP的隱私政策。其次，LDA主題模型需要對收集到的數據進行篩選，去除一些和研究無關的詞語，依據《中華人民共和國個人信息保護法》《中華人民共和國網絡安全法》以及《信息安全技術個人信息安全規范》（GB/T35273－2020） 中的解釋構建隱私政策完整性的分詞字典，停用詞采用百度自然語言處理的停用詞表，分詞工具采用了北京大學的第三方分詞庫pkuseg（有研究表明該分詞庫在中文分詞效果上比傳統的jieba分詞庫效果更好，具有更高的分詞準確率^[35]）。論文收集企業和用戶有關數據，并通過評分大于0位條件篩選出615份隱私政策用來作為研究數據。

1.7 ?變量測度

自變量選取隱私政策完整性和可讀性。對于隱私政策完整性的測量，已有文獻通過文本分析方法、內容分析法、問卷調查法和機器學習等方式進行研究，例如有學者運用文獻調查法、問卷調查法與層次分析法結合的方法構建其評價體系^[36]，然而這些方法本質上都是人工方法，人為因素干擾大。而在隱私政策的可讀性測量上，一些文獻只是單純的統計了字數以及句長來測量隱私政策可讀性^[37]。論文則通過文本分析和人工編碼兩種方法相結合，并引入領域知識，測量隱私政策的完整性和可讀性。首先金融科技APP隱私政策完整性的測量，先通過文本挖掘技術，LDA模型進行主題建模，獲取關鍵詞得到二級指標，再結合國家頒布的個人信息保護相關法律法規基礎上進行人工編碼得到一級指標，構建金融科技APP隱私政策完整性測評指標體系。其次金融科技APP隱私政策可讀性測量，論文首先通過使用法律領域的專業詞匯和《中華人民共和國個人信息保護法》《中華人民共和國網絡安全法》以及《信息安全技術個人信息安全規范》構建專業詞匯表來測量專業詞匯密度，其次是改進Fog Index公式，用平均句長、專業詞匯密度和隱私政策長度的標準化分數的平均值來測量隱私政策可讀性。從這兩點看，構建的單獨專業詞匯表，更加具有針對性。其次Fog Index公式是針對英文的，論文進行了改進針對金融科技領域的，測量結果比之前的文獻更加合理。采用的測量隱私政策完整性和可讀性方法引入了領域知識，既減少了人為的干擾因素，又減少了機器學習的隨機性。如表1所示。

因變量為企業績效，由于需要測量企業績效，而我國的企業業績一般能公開查詢到的只有上市公司，通過對已收集的公司進行甄別，只有76家上市企業，數據量太少。所以我們通過尋找別的數據進行度量企業績效。企業的盈利能力受企業的經營狀況、創新能力、信用記錄、組織北京和企業活力等影響^[42]，通過企查查可以收集到企業的經營狀況、專利信息和信用記錄等信息，將這三者信息融合然后加權平均得到一個企業盈利能力分數來衡量企業績效。

中介變量選取用戶信任。對于用戶信任的測量則通過應用商店的用戶評分來度量。調節變量選取隱私控制權。隱私控制權則是通過隱私政策中收集的個人敏感信息類別作為其隱私程度，將隱私控制權程度分為低和高兩種程度。通過對收集到的隱私政策進行分詞，根據表2每組隱私權限關鍵詞在隱私政策中是否出現為判斷依據，如果出現了5組，將該隱私政策判別為低隱私控制權；如果出現了5-9組，將該隱私政策判別為高隱私控制權。

控制變量選取企業規模^[43]、企業年齡^[44]、市場份額^[45]和專利數。企業規模使用企業參保人數和集團人數來測量。企業年齡使用當年時間減去企業成立時間來測量。市場份額則使用企業的注冊資本來測量。專利數通過企業的專利數來測量。由于評分、注冊資本、參保人數、集團人數、專利數、企業年齡、完整性和可讀性指數不在同一個量綱，論文采取歸一化的方式，將所有變量統一量綱，取消量綱對結果的影響。

2 ?實證檢驗

2.1 ?主效應檢驗

表3為隱私政策完整性主效應的回歸分析結果，設計三個模型分別檢驗隱私政策的完整性對用戶信任的影響，對企業績效的影響。由表3可知隱私政策完整性與用戶信任和企業績效顯著相關。當完整性指數越低的時候，即隱私政策不完整，不利于保護用戶利益，此時會導致用戶信任降低，同時企業聲譽也會受到影響，企業績效也會降低。因為在模型中，用戶信任與企業績效是顯著相關的，完整性指數降低，導致隱私政策不易于閱讀且隱私政策完整性較低，用戶的信任降低，從而使企業績效降低。從而可以驗證H1a、H2a。

表4為隱私政策可讀性主效應的回歸分析結果，設計三個模型分別檢驗隱私政策的可讀對用戶信任的影響，對企業績效的影響。由表4可知，隱私政策可讀性與用戶信任和企業績效顯著相關。當可讀性指數越低的時候，即隱私政策對于用戶來說晦澀難懂，專業術語過多，不利于保護用戶利益，此時會導致用戶信任降低，同時企業聲譽也會受到影響，企業績效也會降低。因為在模型中，用戶信任與企業績效是顯著相關的，可讀性指數降低，導致隱私政策不易于閱讀且隱私政策完整性較低，用戶的信任降低，使企業績效降低。從而可以驗證H1b、H2b。

2.2 ?中介效應和調節效應檢驗

論文使用SPSS26.0中的process插件，采用Bootstrap法對用戶信任做中介效應分析^[46]，檢驗結果見表5和表6。用戶信任在隱私政策完整性和企業績效之間的直接效應值為0.227（LLCI=0.150，ULCI=0.304），間接效應值為0.316（LLCI=0.262，ULCI=0.371），表明用戶信任在隱私政策完整性和企業績效之間起一個部分中介作用。用戶信任在隱私政策可讀性和企業績效之間的直接效應值為0.099（LLCI=0.014，ULCI=0.184），間接效應值為0.403（LLCI=0.325，ULCI=0.493），表明用戶信任在隱私政策可讀性和企業績效之間起一個部分中介作用，從而可以驗證H3a和H3b。

論文使用SPSS26.0中的process插件，采用Bootstrap法檢驗調節效應模型^[47]。檢驗結果如表7所示。首先，檢驗隱私政策完整性對信任的調節，隱私政策完整性和隱私控制性的交互項對用戶信任的影響作用顯著（β=-0.117），說明隱私控制權在隱私政策完整性對用戶信任的影響中起負向調節作用。其次，檢驗隱私政策可讀性對信任的調節，隱私政策可讀性和隱私控制性的交互項對用戶信任的影響作用顯著（β=-0.167），說明隱私控制權在隱私政策可讀性對用戶信任的影響中起負向調節作用。綜上，隱私控制權在中介效應前半段作用機制（隱私政策完整性-用戶信任、隱私政策可讀性-用戶信任）中起調節作用，H4a和H4b成立。

為了更好展示隱私控制權在隱私政策完整性和可讀性對用戶信任的影響的調節作用，論文將其分為高低兩種情形繪制調節效應圖。由圖3可知，低隱私控制權下，隱私政策完整性與用戶信任之間的關系簡單斜率更大，即此種情況下用戶信任對隱私政策完整性的變化較為敏感，隱私政策完整性稍有增加，用戶信任就有很大提升。簡而言之，低隱私控制權的隱私政策，其完整性對用戶信任有更強

的促進作用。由圖4可知，低隱私控制權下，隱私政策可讀性與用戶信任之間的關系簡單斜率更大，即APP隱私控制權比較低，用戶對個人敏感信息控制權較高，隱私擔憂降低，對APP提供的服務較為信任，隱私政策可讀性稍有增加，用戶信任就有很大提升。簡而言之，低隱私控制權的隱私政策，其可讀性對用戶信任有更強的促進作用。

3 ?結論

3.1 ?理論貢獻

（1）提出了金融科技情景下隱私政策因果研究方法。

（2）構建了金融科技APP隱私政策對企業績效的作用機制模型。

3.2 ?實踐貢獻

根據實證結果可知，金融科技APP隱私政策完整性和可讀性對企業績效存在正向影響，用戶信任對企業績效存在正向影響。隱私控制權在隱私政策完整性和可讀性對用戶信任影響之間起調節作用，基于此對用戶、企業提出以下建議：

（1）有利于用戶在降低隱私泄露的風險前提下獲得服務。

（2）有利于企業在提高企業績效前提下獲得和用戶的價值共創。

參考文獻：

[1]Sun C chi， Chang S chi. An Examination of the Catalyst for Tapping into Mobile Financial Services in the Post-COVID-19 World[J]. Mathematics， 2021， 9（16）： 1906.

[2]State Institution， "Institute for Economics and Forecasting， NAS of Ukraine"， Brus S. Transformation of the Financial Services Industry under the Influence of Fintech： Global and Regional Dimensions[J]. Economy and forecasting， 2020， 2020（3）： 34-46.

[3]Mombeuil C. An Exploratory Investigation of Factors Affecting and Best Predicting the Renewed Adoption of Mobile Wallets[J]. Journal of Retailing and Consumer Services， 2020， 55： 102127.

[4]Liu B， Pavlou P A， Cheng X. Achieving a Balance Between Privacy Protection and Data Collection： A Field Experimental Examination of a Theory-Driven Information Technology Solution[J]. Information Systems Research， 2022， 33（1）： 203-223.

[5]Loh X M， Lee V H， Tan G W H， et al. Switching from Cash to Mobile Payment： Whats the Hold-up？[J]. Internet Research， 2021， 31（1）： 376-399.

[6]Merhi M， Hone K， Tarhini A， et al. An Empirical Examination of the Moderating Role of Age and Gender in Consumer Mobile Banking Use： a Cross-national， Quantitative Study[J]. Journal of Enterprise Information Management， 2021， 34（4）： 1144-1168.

[7]Soe S O， Jorgensen R F， Mai J E. What Is the “Personal” in “Personal Information”？[J]. Ethics and Information Technology， 2021， 23（4）： 625-633.

[8]Zhu R， Srivastava A， Sutanto J. Privacy-deprived E-commerce： the Efficacy of Consumer Privacy Policies on Chinas E-commerce Websites from a Legal Perspective[J]. Information Technology & People， 2020， 33（6）： 1601-1626.

[9]Georgetown University， Alspaugh T， Scacchi W， et al. Software Licenses in Context： The Challenge of Heterogeneously-Licensed Systems[J]. Journal of the Association for Information Systems， 2010， 11（11）： 730-755.

[10]Chakraborty A， Shankar R， Marsden J R. An Empirical Analysis of Consumer-unfriendly E-commerce Terms of Service Agreements： Implications for Customer Satisfaction and Business Survival[J]. Electronic Commerce Research and Applications， 2022， 53： 101151.

[11]Zeng F， Ye Q， Yang Z， et al. Which Privacy Policy Works， Privacy Assurance or Personalization Declaration？ An Investigation of Privacy Policies and Privacy Concerns[J]. Journal of Business Ethics， 2022， 176（4）： 781-798.

[12]劉百靈， 孫文靜. 溝通隱私管理理論整體視角下移動用戶信息披露決策的過程研究[J]. 管理科學， 2021， 34（6）： 76-87.

[13]朱張祥， 劉詠梅， 曹仙葉. 基于元分析的移動醫療用戶采納意愿影響因素[J]. 系統管理學報， 2020， 29（1）： 49-60.

[14]Maduku D K， Mpinganjira M， Rana N P， et al. Assessing Customer Passion， Commitment， and Word-of-mouth Intentions in Digital Assistant Usage： The Moderating Role of Technology Anxiety[J]. Journal of Retailing and Consumer Services， 2023， 71： 103208.

[15]Cham T H， Cheah J H， Cheng B L， et al. I Am Too Old for This！ Barriers Contributing to the Non-adoption of Mobile Payment[J]. International Journal of Bank Marketing， 2022， 40（5）： 1017-1050.

[16]Smith H J， Dinev T， Xu H. Information Privacy Research： An Interdisciplinary Review[J]. MIS Quarterly， 2011， 35（4）： 989-1015.

[17]Jammoul K， Lee H， Kim J， et al. Antecedents and Moderators of Promotion Messages for Trust in Mobile Banking Services： An Elaboration Likelihood Model Perspective[J]. Information Systems Management， 2022： 1-21.

[18]Guo Y， Wang X， Wang C. Impact of Privacy Policy Content on Perceived Effectiveness of Privacy Policy： the Role of Vulnerability， Benevolence and Privacy Concern[J]. Journal of Enterprise Information Management， 2022， 35（3）： 774-795.

[19]Yu L， Luo X， Chen J， et al. PPChecker： Towards Accessing the Trustworthiness of Android Apps Privacy Policies[J]. Ieee Transactions on Software Engineering， 2021， 47（2）： 221-242.

[20]Ibdah D， Lachtar N， Raparthi S M， et al. “Why Should I Read the Privacy Policy， I Just Need the Service”： A Study on Attitudes and Perceptions Toward Privacy Policies[J]. Ieee Access， 2021（9）： 166465-166487.

[21] Wang Y， Herrando C. Does Privacy Assurance on Social Commerce Sites Matter to Millennials？[J]. International Journal of Information Management， 2019（44）： 164-177.

[22]Mostafa R B. Mobile Banking Service Quality： a New Avenue for Customer Value Co-creation[J]. International Journal of Bank Marketing， 2020， 38（5）： 1107-1132.

[23]Maseeh H I， Jebarajakirthy C， Pentecost R， et al. Privacy Concerns in E-commerce： A Multilevel Meta-analysis[J]. Psychology & Marketing， 2021， 38（10）： 1779-1798.

[24]Culnan M J. Policy to Avoid a Privacy Disaster[J]. Journal of the Association for Information Systems， 2019， 20（6）： 848-856.

[25]Liu T， Li W， Jia X. Consumer Data Vulnerability， Peer Privacy Concerns and Continued Usage Intention of Sharing Accommodation Platforms： the Moderating Roles of Perceived Benefits[J]. Information Technology & People， 2022. DOI： 10.1108/ITP-05-2021-0365.

[26]Zaim H， Ramdani M， Haddi A. E-CRM Success Factors as Determinants of Customer Satisfaction Rate in Retail Website[J]， 2020， 12：082-092.

[27]張宇東， 張會龍， 張初兵，等. 社交網絡服務中用戶隱私關注驅動要素構成與隱私悖論形成機制[J]. 管理學報， 2022， 19（7）： 1046-1055.

[28]Lee J M， Kim H J. Determinants of Adoption and Continuance Intentions toward Internet-only Banks[J]. International Journal of Bank Marketing， 2020， 38（4）： 843-865.

[29]楊海芳， 王明征. 基于最小化信息損失的用戶隱私保護方法[J]. 系統工程理論與實踐， 2021， 41（2）： 483-497.

[30] Gupta S， Justy T， Kamboj S， et al. Big Data and Firm Marketing Performance： Findings from Knowledge-based View[J]. Technological Forecasting and Social Change， 2021， 171： 120986.

[31]Schaewitz L， Winter S， Kr?mer N C. The Influence of Privacy Control Options on the Evaluation and User Acceptance of Mobile Applications for Volunteers in Crisis Situations[J]. Behaviour & Information Technology， 2021， 40（8）： 759-775.

[32]Xu J， Ma S， Zhang Y， et al. Transfer Deep Learning for Low-Resource Chinese Word Segmentation with a Novel Neural Network[M]//Huang X， Jiang J， Zhao D， et al. Natural Language Processing and Chinese Computing： Vol. 10619. Cham： Springer International Publishing， 2018： 721-730.

[33]姚勝譯， 吳丹. APP隱私政策用戶友好度評價研究[J]. 信息資源管理學報， 2021， 11（1）： 30-39、58.

[34]Li X， Zhu H， Zuo L. Reporting Technologies and Textual Readability： Evidence from the XBRL Mandate[J]. Information Systems Research， 2021， 32（3）： 1025-1042.

[35]Akgul Y. Evaluating the Performance of Websites from a Public Value， Usability， and Readability Perspectives： a Review of Turkish National Government Websites[J/OL]. Universal Access in the Information Society， 2022. DOI： 10.1007/s10209-022-00909-4.

[36]劉德文， 高維和， 閔涼宇. 可讀性和吸引性對商品銷量的影響——基于電影簡介的文本分析[J]. 中國管理科學， 2022， 30（6）： 167-177.

[37]Graf-Vlachy L. Is the Readability of Abstracts Decreasing in Management Research？[J]. Review of Managerial Science， 2022， 16（4）： 1063-1084.

[38]Jilka S， Simblett S， Odoi C M， et al. Terms and Conditions Apply： Critical Issues for Readability and Jargon in Mental Health Depression Apps[J]. Internet Interventions-the Application of Information Technology in Mental and Behavioural Health， 2021， 25： 100433.

[39]孫曉華， 翟鈺. 盈利能力影響企業研發決策嗎？——來自中國制造業上市公司的經驗證據[J]. 管理評論， 2021， 33（7）： ?68-80.

[40]鄧新明， 羅歡， 楊賽凡， 等. 基于靜態與動態雙重視角下的企業規模、競爭復雜性與市場績效的關系研究——來自中國家電行業的實證檢驗[J]. 管理評論， 2021， 33（12）： 284-294.

[41]Brown C， Medoff J L. Firm Age and Wages[J]. Journal of Labor Economics， 2003， 21（3）： 677-697.

[42]郭玥. 政府創新補助的信號傳遞機制與企業創新[J]. 中國工業經濟， 2018（9）： 98-116.

[43]沈校亮， 吳憂， 丁奕童， 等. 中和技術對辟謠信息分享的抑制作用和緩解機制[J]. 管理科學， 2022， 35（6）： 70-82.

[44]Saglam R B， Nurse J R C， Hodges D. Personal Information： Perceptions， Types and Evolution[J]. Journal of Information Security and Applications， 2022（66）： 103163.

The Influence Mechanism of Privacy Policies of Financial Technology APPs

on Enterprise Performance

XU Changlong^a，?XIA Huosong^a，b，c

（a. School of Management; b. Research center of Enterprise Decision Support， Key Research Institute of Humanities and Social Sciences in Universities of Hubei Province; c. Research Institute of Management and Economics，?Wuhan Textile University， Wuhan Hubei 430200， China）

Abstract：?Starting from the perspective of privacy computing theory and measuring risk perception through user trust， this paper explores the impact of privacy policies of financial technology apps on both users and enterprises， analyzing its underlying mechanisms. Based on privacy computing theory and the APCO model， this paper constructs a mechanism model that measures the impact of integrity and readability of privacy policies on enterprise performance， using data mining analysis methods to measure the integrity， readability， and privacy control of such policies， and verifying the mechanism by which integrity and readability of privacy policies affect enterprise performance. The paper finds that the integrity and readability of privacy policies in financial technology apps have a positive impact on enterprise performance， while user trust also exerts a positive impact on enterprise performance. Moreover， the privacy control of such apps has a moderating effect between integrity， readability of privacy policies， and their impact on user trust. The paper proposes a causal research method for privacy policies in financial technology scenarios， enriching the research into the causes and consequences of online privacy behavior.

Key?words：?financial technology APP; privacy protection; enterprise performance; integrity of privacy policies; readability of privacy policies

（責任編輯：田媛苑）