金融科技APP隐私政策对企业绩效作用机制

徐昌龙 夏火松

摘 要：论文从隐私计算理论的抑制角度出发，通过用户信任衡量风险感知，探讨金融科技APP隐私政策对用户和企业的影响，分析其中的作用机理。论文根据隐私计算理论、APCO模型，构建金融科技APP隐私政策的完整性和可读性对企业绩效作用机制模型，采用数据挖掘分析方法度量金融科技APP隐私政策的完整性、可读性和隐私控制权，验证隐私政策完整性和可读性对企业绩效的作用机制。研究发现金融科技APP隐私政策完整性和可读性对企业绩效存在正向影响，用户信任对企业绩效存在正向影响；金融科技APP隐私控制权在隐私政策完整性和可读性对用户信任影响之间起调节作用。论文提出了金融科技情景下隐私政策因果研究方法，丰富了在线隐私行为的前因和结果研究。

关键词：金融科技APP；隐私保护；企业绩效；隐私政策完整性；隐私政策可读性

中图分类号：F273.1 文献标识码：A 文章编号：2095－414X（2024）02－0091－09

0  引言

数字化进程促使金融科技蓬勃发展^[1]。2020年，全球金融科技投资达到了1053亿美元，风险投资对金融科技公司的投资为423亿美元^[2]。各种金融科技独角兽陆续成立，中国的金融科技产业也在快速增长^[3]。数据分析等信息技术的发展促进数字金融服务的发展^[4]，利用移动网络、社交媒体软件和当前大数据等技术可以覆盖金融的所有领域，包括借贷、支付和资产管理等领域，金融科技的应用可以为传统的金融服务公司提供无法提供的创新服务，用户对于金融科技的使用需求在继续增长^[5]。

随着用户对于安全和个人信息保护的意识增强，金融科技公司为了告知用户如何收集、使用、披露和管理其隐私数据的详细信息，实施了不同的隐私政策。作为金融科技APP特有的属性且金融交易的敏感性^[6]，对隐私保护的要求更高，其既是提供服务的对象，同时又是网络信息服务的主体，因此在保护用户隐私的过程中发挥着关键作用 ^[7]。其中APP隐私政策的公布和有效执行是保护用户隐私不被泄露的有效方法之一。但是，目前各类APP的隐私政策内容和执行效果方面存在诸多问题，有研究发现消费者普遍不信任隐私政策，多数人认为隐私政策在反映执法、改变观念或影响购买行为方面基本上无效^[8]。隐私政策作为用户和APP服务提供商的一种法律契约，但是一些隐私政策文本很长且可读性不高，很多消费者不会去阅读隐私政策^[9]，继而直接同意服务条款。然而大多数隐私政策中存在免责声明、APP收集的个人隐私以及关于个人隐私的使用、共享等对用户不利的条款，用户不阅读直接同意隐私政策，面临巨大的潜在风险^[10]。例如隐私政策单方面宣布企业随时有权改变或者停止自己的业务；强制免除所有责任；对所有争议实施仲裁且仅实施仲裁等等霸王条款^[11]。这暗示了个人隐私数据存在泄露的潜在风险。例如企业通过一些不明确的隐私政策，在用户不知情的情况下过度收集用户个人信息，违法违规使用、泄露用户个人信息以及基于用户使用痕迹形成精准画像并定向推送广告等^[12]。

由于金融交易的敏感性，无论是数字信息还是非数字信息，用户需要保留控制对个人隐私信息的权利^[6]1144-1168。当用户不了解或者不熟悉金融APP所提供的服务时，隐私担忧会增加，特别是如果他们的信息未经授权被用于其他目的，从而导致隐私泄露、财产损失和其他不良结果^[13]。隐私问题是用户使用金融科技APP服务时一个不可忽视的问题。根据沟通隐私管理理论，由于在不确定网络环境下个人隐私信息缺乏保护，用户会评估风险和收益^[14]，有研究发现用户对安全、隐私和金融風险的感知对使用金融APP所提供的服务有显著影响^[15]，隐私感知越高，对金融科技APP隐私保护和所收集的隐私信息要求就越高，因此具有低隐私控制权的金融科技APP对用户信任的影响越大。

Smith于2011年时首次提出来的用于解释隐私如何影响个人决策的APCO模型（Antecedents →Privacy → Concerns→Outcomes， APCO）^[16]，构建一条由“隐私政策-信任-用户披露隐私”的作用机制。但是该模型是解释通用领域隐私对个人隐私披露的影响，缺乏不同情景下的隐私关注对个人隐私披露的影响。此外，该模型忽略了一个重要主体。隐私政策是由企业实施的，模型只研究了隐私政策对于用户的个人隐私披露的影响，而忽略了隐私政策对于企业绩效的影响。因此，论文基于APCO模型，加入企业主体，研究隐私政策对于企业绩效的影响。综上，论文提出以下研究问题：

Q1：在APCO模型下，探究金融科技APP隐私政策的完整性和可读性如何作用企业绩效？

Q2：金融科技APP隐私政策隐私控制权的高低是否会影响用户对其信任？

在金融科技APP隐私政策可读性指数的构建上这篇论文虽然构建了专业词汇表和改进Fog Index公式来测量隐私政策的可读性，但是本质上始终是人工提取变量来测量的。之后的研究可以引进深度学习，通过改进无监督的算法克服其针对具有异质性和分散性的短文本的缺点来测量长文本隐私政策的可读性。

由于论文收集的企业多数未上市，只能通过收集一些公开披露的数据，例如注册资本，参保人数和集团人数等数据来间接测量企业的市场份额和企业规模。之后可以和企业合作收集到更加直接的数据，例如企业的营业额数据来更加合理的测量企业的市场份额，直接探究金融科技APP隐私政策的完整性和可读性对企业绩效的作用机制。

1  理论视角与研究假设

1.1  APCO模型

APCO模型是Smith于2011年时首次提出来的用于解释隐私如何影响个人决策^[16]989-1015。如圖1该模型核心变量是隐私关注，构建了一条“前因—隐私关注—结果”的作用机制，其中模型中还包含了一条由“隐私政策-信任-用户披露隐私”的作用机制。但是该模型是解释通用领域隐私对个人隐私披露的影响，缺乏不同情景下的隐私关注对个人隐私披露的影响。此外，模型忽略了一个重要主体。隐私政策是由企业实施的，模型只研究了隐私政策对于用户的个人隐私披露的影响，而忽略了隐私政策对于企业绩效的影响。

在此基础上的研究主要分为三个角度，第一是隐私政策浅表因素，研究其与用户感知隐私等因素的关系^[17]，第二是局部深入研究隐私政策的可读性与用户隐私披露的影响^[18]，第三是从技术角度研究隐私政策存在的问题^[19]。这些研究要么是仅仅局限于隐私政策本身，只探讨隐私政策内容存在的问题，要么是从隐私政策浅表出发，探讨隐私政策作为前因，对用户产生什么影响，而忽略了企业主体，缺乏隐私政策对企业绩效的影响研究。其次已有文献对于隐私政策的完整性和可读性度量主要是根据出台的关于个人信息保护的法律法规总结出测量指标，人为干扰因素较大，因此隐私政策的可读性测量缺乏合理性。例如有学者收集了655名参与者对隐私政策对的看法，识别影响用户使用APP的激励因素和阻碍因素^[20]。因此论文基于APCO模型，聚焦隐私政策内容本身，结合机器学习和人工编码的方法，减少人为干扰因素和机器学习的随机性，并引入领域知识，合理度量隐私政策完整性和可读性，将其作为前因，加入企业主体，研究隐私政策对于企业绩效的作用机制。

1.2  隐私政策与信任

长期以来，信任是在线交易的催化剂^[17]1-21。在各种网络环境下，信任在减少个体的不安全感和风险感知方面起着关键作用。已有研究中信任一般作为前因、结果、中介或者调节因素。研究表明信任影响着用户使用APP所提供的服务的意愿^[18]774-795。隐私政策旨在保护用户的隐私和安全并保护信息不被滥用的机制^[21]。而隐私政策采取的格式合同，对于消费者是极其不利的。在起草隐私政策的时候通常是企业方的律师，或者是企业代请第三方公司代理。而代理人作为企业一方，是没有公平分配风险的动机的，而监控方除了企业本身以外，也没有用户参与。因此，在订立隐私政策的最初目标可能是维护企业一方利益，扭曲合同条款，偏离企业风险和用户风险平衡的最优条款。正是由于格式合同的原因，导致这些隐私政策的完整性与可读性很差，隐藏在其中对用户不利的条款也不易被发现，最后也很容易发生纠纷，降低用户的信任。因此提出H1a假设：

H1a：隐私政策完整性越低，用户对APP的信任越低。

同时，金融科技APP隐私政策的完整性与可读性较低，也意味着其安全性存在着问题。根据隐私计算理论，用户的决策过程受到感知风险的影响^[22]。金融科技APP涉及的个人隐私、未经授权信息的收集和共享会导致用户对服务的感知效能产生重大影响，如果用户隐私得到保护，用户会更加信任金融科技APP提供的金融服务。隐私政可读性越低，对用户不利的条款越多，导致隐私泄露的风险会加大，用户的信任越低。所以认为隐私政策可读性与用户信任存在关系。因此提出H1b假设：

H1b：隐私政策可读性越低，用户对APP的信任越低。

1.3  企业绩效相关研究

声誉是对一个组织的产品和服务内容、社会角色、用户信任以及关于该组织服务用户的可信度的总体评估。有研究发现隐私政策是否有效实施，以及是否被用户理解和信任影响企业声誉^[24]。另外有学者研究发现用户不信任隐私政策并认为企业利用隐私政策窃取个人隐私，会导致企业产生隐私灾难，严重影响企业声誉，对企业绩效造成巨大影响^[25]。另一方面，隐私政策的实施可以缓解消费者的隐私担忧，建立信任并避免潜在的损失^[11]281-798。隐私政策代表了企业对于用户的长期承诺，而研究发现易于理解、有效并透明的隐私政策更加可以提高用户的信任。甚至有学者建议用户从具有高隐私保护的网站上购买产品和服务，企业可以将高隐私保护作为卖点^[8]601-626。总的来说，各种学者认为，完整可信的隐私政策有助于企业建立良好声誉，赢得用户的信任，获得企业绩效的提高。因此提出H2a假设：

H2a：隐私政策完整性越低，企业绩效就越低。

同样具有高可读性的隐私政策也有助于企业建立良好声誉，赢得用户的信任，获得企业绩效的提高。因此提出H2b假设：

H2b：隐私政策可读性越低，企业绩效就越低。

1.4  信任的中介作用

论文中信任是一种基于隐私政策的信任，并将信任作为中介变量，影响隐私政策对企业绩效的影响。基于隐私政策的信任强调企业提供的保障措施可以让用户感到值得信任，进而产生主动的意向和行为^[26]。由政策形成的信任最有可能减轻个人关于隐私信息泄露的担忧，当用户倾向于信任企业所提供的隐私政策，就会做出使用意愿^{[20]166465-166487}。另外信任是用户忠诚度的重要决定因素，对于保持企业市场占有率和盈利能力至关重要^[27]。用户的感知安全和感知隐私会影响到用户的信任^[28]。隐私政策完整性低，则其中包含的对用户不利的条款越多，隐私泄露的风险也会加剧，这可能降低用户的信任，而用户基数是企业盈利的来源，用户信任的降低会导致用户流失，用户基数减少，从而直接影响到企业绩效。因此提出H3a假设：

H3a：用户信任在隐私完整性和企业绩效之间起中介作用。

用户的行为意图直接受到决策过程中对感知利益和感知风险的主观评估的影响^[29]。一般来说，用户在使用过程中感知风险加大，例如隐私泄露等風险，用户就会停止使用平台所提供的服务^{[28]1046-1055}。所以用户的感知风险提高了用户的决策不确定性，降低了用户对金融类APP所提供的金融服务的使用。而隐私政策可读性较低，则其中包含的对用户不利的条款越多，则可能降低用户的满意度，降低用户对APP的信任，减少用户的使用和APP的用户量，继而会影响到企业绩效。因此提出H3b假设：

H3b：用户信任在隐私可读性和企业绩效之间起中介作用。

1.5  隐私控制权的调节效应

在已有研究中，关于隐私控制权这一变量的研究时，通常从企业和个人两方面展开。一类是企业拥有隐私控制权，利用用户的隐私数据。这类研究分析企业如何利用数据分析等信息技术使得公司能够将用户的在线痕迹（例如浏览点击数据和购买数据）转换为有价值的内容^[32]。另外一类则是用户个人拥有隐私控制权，分析用户如何规避隐私风险。随着大数据的发展，企业可以追踪和收集用户信息，实现个性化推销^[33]，而这也就意味着隐私控制权在企业方，则用户个人信息面临着巨大的风险。根据隐私计算理论，隐私风险加大，用户的隐私担忧会增加，从而用户会倾向于拒绝使用APP提供的服务等消极行为，最终导致企业绩效降低。研究表明，用户拥有一定的隐私控制权可以降低用户使用APP提供的服务的隐私担忧，表现出合作的积极行为^[34]。

在金融科技APP隐私政策相同完整性前提下，隐私控制权越低，用户的隐私泄露风险越小，用户信任越高。相反，隐私控制权越高，用户的隐私泄露风险越大，用户信任越低。因此提出H4a假设：

H4a：隐私控制权在隐私政策完整性对用户信任的影响中起调节作用。

同样在金融科技APP隐私政策相同可读性前提下，隐私控制权越低，用户的隐私泄露风险越小，用户信任越高。相反，隐私控制权越高，用户的隐私泄露风险越大，用户信任越低。因此提出H4b假设：

H4b：隐私控制权在隐私政策可读性对用户信任的影响中起调节作用。

根据隐私计算理论、APCO模型分析可知，金融科技APP隐私政策对企业绩效的影响机制分为两条，其一是隐私政策完整性和可读性可以直接影响企业绩效，其二是通过影响用户信任的中介来影响企业绩效，因此构建金融科技APP隐私政策对企业绩效的影响机制模型如图2所示。

1.6  样本筛选和数据收集

首先通过保险、股票、基金、记账、投资、银行、证券和支付关键词在小米应用商店，华为应用商店和腾讯应用宝上搜索，一共搜索了2003个金融科技APP，剔除400个与金融无关的APP，另外261个隐私政策乱码的APP，最终爬取了1342篇金融科技APP的隐私政策。其次，LDA主题模型需要对收集到的数据进行筛选，去除一些和研究无关的词语，依据《中华人民共和国个人信息保护法》《中华人民共和国网络安全法》以及《信息安全技术个人信息安全规范》（GB/T35273－2020） 中的解释构建隐私政策完整性的分词字典，停用词采用百度自然语言处理的停用词表，分词工具采用了北京大学的第三方分词库pkuseg（有研究表明该分词库在中文分词效果上比传统的jieba分词库效果更好，具有更高的分词准确率^[35]）。论文收集企业和用户有关数据，并通过评分大于0位条件筛选出615份隐私政策用来作为研究数据。

1.7  变量测度

自变量选取隐私政策完整性和可读性。对于隐私政策完整性的测量，已有文献通过文本分析方法、内容分析法、问卷调查法和机器学习等方式进行研究，例如有学者运用文献调查法、问卷调查法与层次分析法结合的方法构建其评价体系^[36]，然而这些方法本质上都是人工方法，人为因素干扰大。而在隐私政策的可读性测量上，一些文献只是单纯的统计了字数以及句长来测量隐私政策可读性^[37]。论文则通过文本分析和人工编码两种方法相结合，并引入领域知识，测量隐私政策的完整性和可读性。首先金融科技APP隐私政策完整性的测量，先通过文本挖掘技术，LDA模型进行主题建模，获取关键词得到二级指标，再结合国家颁布的个人信息保护相关法律法规基础上进行人工编码得到一级指标，构建金融科技APP隐私政策完整性测评指标体系。其次金融科技APP隐私政策可读性测量，论文首先通过使用法律领域的专业词汇和《中华人民共和国个人信息保护法》《中华人民共和国网络安全法》以及《信息安全技术个人信息安全规范》构建专业词汇表来测量专业词汇密度，其次是改进Fog Index公式，用平均句长、专业词汇密度和隐私政策长度的标准化分数的平均值来测量隐私政策可读性。从这两点看，构建的单独专业词汇表，更加具有针对性。其次Fog Index公式是针对英文的，论文进行了改进针对金融科技领域的，测量结果比之前的文献更加合理。采用的测量隐私政策完整性和可读性方法引入了领域知识，既减少了人为的干扰因素，又减少了机器学习的随机性。如表1所示。

因变量为企业绩效，由于需要测量企业绩效，而我国的企业业绩一般能公开查询到的只有上市公司，通过对已收集的公司进行甄别，只有76家上市企业，数据量太少。所以我们通过寻找别的数据进行度量企业绩效。企业的盈利能力受企业的经营状况、创新能力、信用记录、组织北京和企业活力等影响^[42]，通过企查查可以收集到企业的经营状况、专利信息和信用记录等信息，将这三者信息融合然后加权平均得到一个企业盈利能力分数来衡量企业绩效。

中介变量选取用户信任。对于用户信任的测量则通过应用商店的用户评分来度量。调节变量选取隐私控制权。隐私控制权则是通过隐私政策中收集的个人敏感信息类别作为其隐私程度，将隐私控制权程度分为低和高两种程度。通过对收集到的隐私政策进行分词，根据表2每组隐私权限关键词在隐私政策中是否出现为判断依据，如果出现了5组，将该隐私政策判别为低隐私控制权；如果出现了5-9组，将该隐私政策判别为高隐私控制权。

控制变量选取企业规模^[43]、企业年龄^[44]、市场份额^[45]和专利数。企业规模使用企业参保人数和集团人数来测量。企业年龄使用当年时间减去企业成立时间来测量。市场份额则使用企业的注册资本来测量。专利数通过企业的专利数来测量。由于评分、注册资本、参保人数、集团人数、专利数、企业年龄、完整性和可读性指数不在同一个量纲，论文采取归一化的方式，将所有变量统一量纲，取消量纲对结果的影响。

2  实证检验

2.1  主效应检验

表3为隐私政策完整性主效应的回归分析结果，设计三个模型分别检验隐私政策的完整性对用户信任的影响，对企业绩效的影响。由表3可知隐私政策完整性与用户信任和企业绩效显著相关。当完整性指数越低的时候，即隐私政策不完整，不利于保护用户利益，此时会导致用户信任降低，同时企业声誉也会受到影响，企业绩效也会降低。因为在模型中，用户信任与企业绩效是显著相关的，完整性指数降低，导致隐私政策不易于阅读且隐私政策完整性较低，用户的信任降低，从而使企业绩效降低。从而可以验证H1a、H2a。

表4为隐私政策可读性主效应的回归分析结果，设计三个模型分别检验隐私政策的可读对用户信任的影响，对企业绩效的影响。由表4可知，隐私政策可读性与用户信任和企业绩效显著相关。当可读性指数越低的时候，即隐私政策对于用户来说晦涩难懂，专业术语过多，不利于保护用户利益，此时会导致用户信任降低，同时企业声誉也会受到影响，企业绩效也会降低。因为在模型中，用户信任与企业绩效是显著相关的，可读性指数降低，导致隐私政策不易于阅读且隐私政策完整性较低，用户的信任降低，使企业绩效降低。从而可以验证H1b、H2b。

2.2  中介效应和调节效应检验

论文使用SPSS26.0中的process插件，采用Bootstrap法對用户信任做中介效应分析^[46]，检验结果见表5和表6。用户信任在隐私政策完整性和企业绩效之间的直接效应值为0.227（LLCI=0.150，ULCI=0.304），间接效应值为0.316（LLCI=0.262，ULCI=0.371），表明用户信任在隐私政策完整性和企业绩效之间起一个部分中介作用。用户信任在隐私政策可读性和企业绩效之间的直接效应值为0.099（LLCI=0.014，ULCI=0.184），间接效应值为0.403（LLCI=0.325，ULCI=0.493），表明用户信任在隐私政策可读性和企业绩效之间起一个部分中介作用，从而可以验证H3a和H3b。

论文使用SPSS26.0中的process插件，采用Bootstrap法检验调节效应模型^[47]。检验结果如表7所示。首先，检验隐私政策完整性对信任的调节，隐私政策完整性和隐私控制性的交互项对用户信任的影响作用显著（β=-0.117），说明隐私控制权在隐私政策完整性对用户信任的影响中起负向调节作用。其次，检验隐私政策可读性对信任的调节，隐私政策可读性和隐私控制性的交互项对用户信任的影响作用显著（β=-0.167），说明隐私控制权在隐私政策可读性对用户信任的影响中起负向调节作用。综上，隐私控制权在中介效应前半段作用机制（隐私政策完整性-用户信任、隐私政策可读性-用户信任）中起调节作用，H4a和H4b成立。

为了更好展示隐私控制权在隐私政策完整性和可读性对用户信任的影响的调节作用，论文将其分为高低两种情形绘制调节效应图。由图3可知，低隐私控制权下，隐私政策完整性与用户信任之间的关系简单斜率更大，即此种情况下用户信任对隐私政策完整性的变化较为敏感，隐私政策完整性稍有增加，用户信任就有很大提升。简而言之，低隐私控制权的隐私政策，其完整性对用户信任有更强

的促进作用。由图4可知，低隐私控制权下，隐私政策可读性与用户信任之间的关系简单斜率更大，即APP隐私控制权比较低，用户对个人敏感信息控制权较高，隐私担忧降低，对APP提供的服务较为信任，隐私政策可读性稍有增加，用户信任就有很大提升。简而言之，低隐私控制权的隐私政策，其可读性对用户信任有更强的促进作用。

3  结论

3.1  理论贡献

（1）提出了金融科技情景下隐私政策因果研究方法。

（2）构建了金融科技APP隐私政策对企业绩效的作用机制模型。

3.2  实践贡献

根据实证结果可知，金融科技APP隐私政策完整性和可读性对企业绩效存在正向影响，用户信任对企业绩效存在正向影响。隐私控制权在隐私政策完整性和可读性对用户信任影响之间起调节作用，基于此对用户、企业提出以下建议：

（1）有利于用户在降低隐私泄露的风险前提下获得服务。

（2）有利于企业在提高企业绩效前提下获得和用户的价值共创。

参考文献：

[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]劉百灵， 孙文静. 沟通隐私管理理论整体视角下移动用户信息披露决策的过程研究[J]. 管理科学， 2021， 34（6）： 76-87.

[13]朱张祥， 刘咏梅， 曹仙叶. 基于元分析的移动医疗用户采纳意愿影响因素[J]. 系统管理学报， 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]张宇东， 张会龙， 张初兵，等. 社交网络服务中用户隐私关注驱动要素构成与隐私悖论形成机制[J]. 管理学报， 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]杨海芳， 王明征. 基于最小化信息损失的用户隐私保护方法[J]. 系统工程理论与实践， 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]姚勝译， 吴丹. APP隐私政策用户友好度评价研究[J]. 信息资源管理学报， 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]刘德文， 高维和， 闵凉宇. 可读性和吸引性对商品销量的影响——基于电影简介的文本分析[J]. 中国管理科学， 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]孙晓华， 翟钰. 盈利能力影响企业研发决策吗？——来自中国制造业上市公司的经验证据[J]. 管理评论， 2021， 33（7）：  68-80.

[40]邓新明， 罗欢， 杨赛凡， 等. 基于静态与动态双重视角下的企业规模、竞争复杂性与市场绩效的关系研究——来自中国家电行业的实证检验[J]. 管理评论， 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. 政府创新补助的信号传递机制与企业创新[J]. 中国工业经济， 2018（9）： 98-116.

[43]沈校亮， 吴忧， 丁奕童， 等. 中和技术对辟谣信息分享的抑制作用和缓解机制[J]. 管理科学， 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

（責任编辑：田媛苑）