در دو دهه اخیر، فناوریهای دیجیتال با سادهتر و سریعتر کردن دسترسی به خدمات مالی، شیوه پسانداز، سرمایهگذاری و تصمیمگیری افراد را تغییر دادهاند. با این حال، این تحولات در کنار فرصتهای جدید، ریسکها و پیچیدگیهای تازهای را نیز ایجاد کردهاند.
الژبیتا کوبینسکا (Elżbieta Kubińska)، ماگدالنا آدامچیک-کوالچوک (Magdalena Adamczyk- Kowalczuk) و آنا ماچکو (Anna Macko) در کتاب «مالی رفتاری در عصر دیجیتال» (Behavioral Finance in the Digital Era)، این تحولات را از منظر مالی رفتاری برای تصمیمگیریهای مالی بررسی کردهاند.
پس از بررسی مبانی مالی رفتاری و عوامل موثر بر پسانداز و سرمایهگذاری در بخش نخست، بخش دوم چکیده کتاب به تاثیر فناوریهای نوین بر رفتار و تصمیمهای مالی افراد میپردازد. در ادامه، مهمترین مباحث و یافتههای این بخش مرور میشود.
آغاز فصل تازهای در پسانداز و سرمایهگذاری
نویسندگان مبحث فناوری را با تغییر گستردهای آغاز میکنند که انقلاب دیجیتال در صنعت مالی به وجود آورده است. پس از بحران مالی جهانی ۲۰۰۸، ورود شرکتهای فناوری به خدمات مالی سرعت گرفت و بانکداری آنلاین، مشاوره و کارگزاری، سامانههای معاملاتی، پلتفرمهای مقایسه خدمات و پرداختهای دیجیتال گسترش یافتند. فینتک با استفاده از فناوریهایی مانند نرمافزار، تلفن همراه، رایانش ابری و هوش مصنوعی، شیوه ارائه بسیاری از خدمات مالی را تغییر داده است. بانکداری موبایلی، پرداخت دیجیتال، وامدهی آنلاین و همتابههمتا، بلاکچین، ارزهای دیجیتال و مشاوره رباتیک از مهمترین نمونههای این تحول هستند که بخشی از شیوههای سنتی تامین مالی را نیز دگرگون کردهاند.
این تحول علاوه بر افزایش سرعت و سهولت، امکان شخصیسازی خدمات، کاهش هزینهها و ارائه توصیههای مبتنی بر دادههای بهروز را فراهم کرده است، اما همزمان چالشهایی مانند امنیت سایبری، ابهامات مقرراتی، حفظ حریم خصوصی و سوءاستفاده احتمالی از دادهها را نیز به همراه دارد. ازاینرو، نویسندگان توسعه مالی دیجیتال را زمانی پایدار میدانند که نوآوری در کنار امنیت، ثبات مالی و حمایت از مصرفکننده پیش برود.
بااینحال، نویسندگان تاکید میکنند که دیجیتالیشدن لزوما به معنای شمول مالی نیست. فناوری میتواند دسترسی افرادی را که به دلیل فاصله جغرافیایی، نبود شعب بانکی یا محدودیت منابع از خدمات رسمی محروم بودهاند، افزایش دهد، اما نبود دسترسی به اینترنت و ابزارهای دیجیتال یا نداشتن مهارت استفاده از آنها میتواند به شکل تازهای از طرد مالی منجر شود. بنابراین، شمول دیجیتال تنها با فراهمشدن فناوری محقق نمیشود، بلکه به مهارت و سواد دیجیتال و مالی و امکان استفاده ایمن و آگاهانه از خدمات نیز وابسته است.
شمول مالی و دیجیتال
نویسندگان شمول مالی را مفهومی فراتر از صرف داشتن حساب بانکی میدانند. از نظر آنها، شمول مالی یعنی دسترسی مناسب، مقرونبهصرفه، مستمر و امن به خدماتی مانند پسانداز، اعتبار، سرمایهگذاری و بیمه، بهگونهای که گروههای کمبرخوردار و ساکنان مناطق دورافتاده را نیز دربرگیرد. در مقابل، طرد مالی زمانی رخ میدهد که افراد به دلیل درآمد پایین، هزینه خدمات، فاصله جغرافیایی، تبعیض، سواد مالی پایین یا ناآشنایی با فناوری، امکان استفاده از این خدمات را نداشته باشند.
طرد مالی میتواند ارادی یا غیرارادی باشد. در طرد ارادی، عواملی مانند بیاعتمادی، باورهای فرهنگی و مذهبی و ترجیح معاملات نقدی باعث میشوند افراد تمایلی به استفاده از خدمات مالی نداشته باشند. در طرد غیرارادی، محدودیتهایی مانند درآمد پایین، دسترسی جغرافیایی، سطح تحصیلات یا ناآشنایی با فناوری مانع استفاده افراد از این خدمات میشود. زنان، جوانان، سالمندان، افراد کمتحصیل، ساکنان مناطق روستایی و مهاجران نیز از گروههایی هستند که بیشتر در معرض طرد مالی قرار دارند.
پژوهشگرانی همچون لاور (Lauer) و تیموتی لایمن (Timothy Lyman)، سواد مالی و فناوری را از عوامل مهم گسترش شمول مالی میدانند. «شمول مالی دیجیتال» نیز در کتاب به دسترسی و استفاده از خدمات مالی رسمی دیجیتال توسط جمعیتهای محروم و کم برخوردار تعریف شده است. خدماتی مانند بانکداری آنلاین و موبایلی و کیف پولهای الکترونیکی از جمله این خدمات هستند که امکان انجام امور مالی را بدون مراجعه به شعبه فراهم میکنند.
در ادامه نویسندگان برای بررسی تفاوتهای شمول مالی و دسترسی به خدمات مالی دیجیتال، وضعیت هند، لهستان و آمریکا را با یکدیگر مقایسه میکنند. در سال ۲۰۲۱، ۷۷٫۵۳ درصد هندیهای بالای ۱۵ سال حساب مالی داشتند و ۲۴٫۶۹ درصد از پرداخت دیجیتال استفاده میکردند، در حالی که این ارقام در لهستان و آمریکا به حدود ۹۵ درصد برای داشتن حساب مالی و ۹۱ درصد برای پرداخت دیجیتال میرسید. این تفاوت نشان میدهد که دسترسی و استفاده از خدمات مالی و دیجیتال در این کشورها یکسان نیست.
نویسندگان سواد مالی را یکی از پایههای شمول مالی میدانند و بر اساس شاخص OECD/INFE، آن را برای سه کشور مذکور، با سه مولفه دانش، رفتار و نگرش مالی ارزیابی میکنند. میانگین امتیاز هند ۱۱٫۸۹ و لهستان ۱۳٫۰۵ از ۲۱ بوده است. در مورد آمریکا، مقایسه بر اساس شاخص OECD/INFE انجام نشده، بلکه از دادههای مطالعه National Financial Capability Study (NFCS) استفاده شده است. آمریکاییها بهطور متوسط به ۳ مورد از ۶ پرسش دانش مالی پاسخ صحیح دادهاند. با این حال، اعتماد بالای آمریکاییها به دانش مالی خود نشان میدهد که تصور افراد از دانششان لزوما با سطح واقعی آن مطابقت ندارد. در مجموع، نویسندگان تاکید میکنند که دیجیتالیشدن بهتنهایی شمول مالی ایجاد نمیکند و گسترش آن به سواد مالی و دیجیتال، زیرساخت مناسب و استفاده ایمن و آگاهانه از خدمات نیاز دارد.
تهدیدهای عصر دیجیتال
گسترش خدمات مالی دیجیتال، همزمان با فرصتهای تازه، شکلهای جدیدی از ریسک را نیز ایجاد کرده است. پژوهشگرانی همچون لاور (Lauer) و لایمن(Lyman) ، سه جزء اصلی خدمات مالی دیجیتال را شامل پلتفرم تراکنش دیجیتال، عوامل یا نمایندگان خردهفروشی و ابزار دسترسی فردی مانند تلفن همراه یا کارت پرداخت میدانند. این سه جزء امکان میدهند افراد کمبرخوردار علاوه بر پرداخت و انتقال پول، به خدماتی مانند اعتبار، پسانداز، بیمه و حتی اوراق بهادار نیز دسترسی پیدا کنند.
در این میان، ریسک سایبری اهمیت ویژهای پیدا میکند. بومه و شوارتز (Bohme and Schwartz)، پژوهشگران حوزه اقتصاد و خدمات مالی دیجیتال، دو ویژگی، بههمپیوستگی سیستمهای فناوری اطلاعات و خودکاربودن عملکرد آنها را از عواملی میدانند که ریسک سایبری را از ریسکهای سنتی متمایز میکند. بههمپیوستگی میتواند دامنه سرایت زیان را افزایش دهد و خودکاربودن سیستمها نیز میتواند در صورت خرابی، سوءاستفاده یا حمله سایبری، زیانهای گستردهای ایجاد کند. پژوهشگر ندواتی (Nduati) نیز ریسکهای خدمات مالی دیجیتال را حاصل تعامل تهدیدها و آسیبپذیریها میداند. تهدیدها میتوانند منشا انسانی یا طبیعی داشته باشند و آسیبپذیریها میتوانند از طراحی، رویه یا اجرای ناقص سیستمها ناشی شوند.
نویسندگان تاکید میکنند که ریسک سایبری را نباید با حمله سایبری یکسان دانست. یک نرمافزار قدیمی و بهروزرسانینشده یا حتی یک بلای طبیعی میتواند بدون وجود عامل مجرمانه، فعالیت یک خدمت مالی را مختل کند. در مقابل، حملاتی مانند هک و فیشینگ، امنیت اطلاعات را مستقیما هدف قرار میدهند. از این منظر، ریسک سایبری میتواند محرمانگی، یکپارچگی و دسترسپذیری اطلاعات و سیستمها را تهدید کند.
چارچوب امنیت اطلاعات براساس مطالب ارائه شده در کتاب بر سه اصل یکپارچگی (Integrity)، محرمانگی (Confidentiality) و دسترسپذیری (Availability) استوار است که به «سهگانه CIA» یا CIA Triad معروف است. یکپارچگی از تغییر یا تخریب نامناسب اطلاعات جلوگیری میکند. محرمانگی دسترسی و افشای اطلاعات را کنترل کرده و دسترسپذیری امکان دسترسی بهموقع و قابل اتکا به اطلاعات و سیستمها را تضمین میکند. پژوهشگرانی همچون کائور (Kaur) و همکاران در کنار این سه اصل، پاسخگویی و اصالت را از اصول مهم امنیت اطلاعات میدانند.
پیامدهای حملات نیز بسته به مولفه هدف متفاوت است. تقلب، سرقت هویت و فیشینگ بیشتر یکپارچگی و امنیت تراکنشها را تهدید میکنند. نقض داده، بدافزار و باجافزار میتوانند محرمانگی اطلاعات را از بین ببرند و حملات اختلال در خدمت، دسترسپذیری سیستمها را مختل میکنند. با گسترش کیف پولهای دیجیتال، این تهدیدها دیگر فقط متوجه رایانهها نیستند و تلفنهای هوشمند را نیز هدف قرار میدهند.
همهگیری کرونا این وابستگی را تشدید کرده و انتقال بسیاری از فعالیتهای مالی و کاری به فضای دیجیتال، اهمیت امنیت سایبری را افزایش داده است. کتاب همچنین گزارش میکند که در سال ۲۰۲۰، حملات بدافزاری نسبت به ۲۰۱۹ حدود ۳۵۸ درصد افزایش یافت. کشورهای درحالتوسعه نیز به دلیل سرمایهگذاری کمتر در زیرساختهای امنیتی، استفاده از فناوریهای قدیمیتر و سطح پایینتر آموزش و آگاهی امنیتی، آسیبپذیری بیشتری دارند.
تعامل انسان، الگوریتم و هوش مصنوعی در تصمیمگیری مالی
پس از بررسی فرصتها و تهدیدهای فناوری، نویسندگان به رابطه انسان و الگوریتم میپردازند. آنها الگوریتم را مجموعهای از رویههای کدگذاریشده برای تبدیل دادههای ورودی به خروجی مطلوب تعریف میکنند که در حوزههایی مانند تصمیمگیری آماری، اکچوئری، سیستمهای پشتیبان تصمیم، مشاوره رباتیک و هوش مصنوعی کاربرد دارد.
پژوهشهای میهل (Meehl) و مطالعات پس از آن نشان دادهاند که الگوریتمها در بسیاری از موقعیتها میتوانند عملکردی بهتر از قضاوت انسانی داشته باشند. با این حال، افراد همیشه این برتری را نمیپذیرند و گاهی مشاور یا پیشبینیکننده انسانی را ترجیح میدهند. نویسندگان این پدیده را بیزاری از الگوریتم (Algorithm Aversion) مینامند. در مقابل، ترجیح الگوریتم نسبت به انسان الگوریتمدوستی (Algorithm Appreciation) نامیده میشود. بیزاری به الگوریتم تنها به یک عامل واحد محدود نمیشود و از ویژگیهای الگوریتم، کاربر و نوع وظیفه تاثیر میپذیرد. هرچه وظیفه ذهنیتر و شخصیتر باشد، مقاومت در برابر الگوریتم بیشتر میشود، در حالی که در وظایف عینی و قابلاندازهگیری، پذیرش الگوریتم افزایش مییابد و حتی ممکن است فرد آن را به قضاوت انسانی ترجیح دهد.
یکی از عوامل مهم دیگر، احساس کنترل است. فرد زمانی که احساس کند الگوریتم تصمیم را به جای او میگیرد، ممکن است مقاومت بیشتری نشان دهد. نویسندگان میان الگوریتمهای «اجرایی» و «مشاورهای» نیز تفاوت میگذارند. الگوریتم اجرایی اطلاعات را جمعآوری میکند و تصمیم را اخذ و اجرا میکند، در حالی که الگوریتم مشاورهای فقط توصیه ارائه داده و تصمیم نهایی را به کاربر واگذار میکند. نتایج پژوهشها نشان میدهد که مقاومت در برابر الگوریتمهای مشاورهای کمتر قطعی است و در برخی شرایط حتی الگوریتمدوستی مشاهده میشود.
در این بین، پژوهشگر راتر (Rotter) مفهوم کانون کنترل را مطرح کرد و میان کانون کنترل درونی، یعنی باور فرد به تاثیرگذاری خودش بر نتایج و کانون کنترل بیرونی تمایز گذاشت. پژوهشهای مورد اشاره کتاب نشان میدهند که افراد دارای کانون کنترل درونی قویتر و افراد دارای دانش و تخصص بیشتر ممکن است مقاومت بیشتری در برابر توصیههای الگوریتمی نشان دهند، زیرا بیشتر به قضاوت خود اتکا میکنند. در نتیجه، احساس کنترل و بیشاعتمادی میتواند فرد را به اتکای بیشتر بر قضاوت شخصی و دوری از دریافت مشاوره سوق دهد.
در این بین، شفافیت الگوریتم نیز اهمیت دارد، اما بهتنهایی مسئله را حل نمیکند. ناآگاهی از نحوه عملکرد الگوریتم میتواند احساس کنترل و پیشبینیپذیری را کاهش دهد، اما حتی وقتی الگوریتم شفاف باشد، برخی افراد همچنان انسان را ترجیح میدهند، زیرا انسان میتواند در لحظه تصمیم را تغییر دهد و حرف آخر را بزند. بنابراین، مسئله تنها فهمیدن الگوریتم نیست، بلکه حفظ احساس اختیار و امکان مداخله انسان نیز اهمیت دارد.
عامل مهم دیگر، نحوه واکنش افراد به خطای الگوریتم است. برخی افراد از الگوریتم انتظار عملکرد تقریبا کامل دارند و وقتی الگوریتم خطا میکند، واکنش منفی شدیدتری نشان میدهند. انسانها در مقابل، خطای انسان دیگر را بیشتر تصادفی و قابل اصلاح میبینند، اما خطای آماری الگوریتم را نشانه یک مشکل نظاممند تلقی میکنند.
در همین راستا، دیتوورست، سیمونز و مسی (Dietvorst, Simmons & Massey)، پژوهشگران حوزه تصمیمگیری و رفتار، دو مسیر اصلی را برای کاهش بیزاری از الگوریتم پیشنهاد میکنند. نخست، کاهش تصور ناتوانی الگوریتمها در انجام وظایف انسانی و شخصی و دوم، فراهم کردن امکان تغییر یا شخصیسازی الگوریتم توسط کاربر را پیشنهاد میکنند. حتی امکان تغییر محدود نیز میتواند احساس کنترل را افزایش دهد و پذیرش الگوریتم را تقویت کند.
این یافتهها در حوزه مالی اهمیت بیشتری پیدا میکنند، زیرا دامنه مشاوره رباتیک دیگر تنها به تخصیص پرتفوی محدود نیست و حوزههایی مانند پسانداز، مصرف، مدیریت بدهی، مالیات، وام مسکن و وامدهی را نیز دربرمیگیرد. مشاوره رباتیک با کاهش سرمایه اولیه و هزینه خدمات میتواند گروههای کمدرآمد و کمتحصیل را بیشتر وارد بازار مشاوره مالی کند. در عین حال، مشاور انسانی نیز از سوگیری و تضاد منافع مصون نیست و توصیه الگوریتمی میتواند در برخی شرایط از این سوگیریهای ناشی از منافع شخصی فاصله بگیرد.
چگونه میتوان مقاومت در برابر الگوریتمها را کاهش داد؟
برای توضیح اینکه چرا برخی افراد فناوری را میپذیرند و برخی دیگر در برابر آن مقاومت میکنند، نویسندگان به مجموعهای از مدلهای پذیرش فناوری میپردازند. فرد دیویس (Fred Davis) در سال ۱۹۸۹ مدل پذیرش فناوری (Technology Acceptance Model – TAM) را ارائه کرد. در این مدل، استفاده واقعی از فناوری به قصد استفاده وابسته است و قصد استفاده نیز از نگرش فرد نسبت به استفاده از فناوری تاثیر میگیرد. نگرش عمدتا از دو متغیر سودمندی ادراکشده و سهولت استفاده ادراکشده شکل میگیرد. سودمندی ادراکشده نشان میدهد فرد تا چه اندازه باور دارد استفاده از فناوری عملکرد او را بهبود میدهد و سهولت استفاده ادراکشده نشان میدهد فرد تا چه اندازه استفاده از فناوری را بدون تلاش قابلتوجه میداند.
نویسندگان سپس توضیح میدهند که محدودیتهای مدل اولیه پذیرش فناوری (TAM) به توسعه نسخههای تکاملیافته آن، یعنی TAM2 توسط ونکاتش و دیویس (Venkatesh & Davis) و سپس TAM3 توسط ونکاتش و بالا (Venkatesh & Bala)، منجر شد. در TAM2، متغیر نگرش حذف شد و عوامل موثر بر سودمندی ادراکشده گسترش یافتند. این عوامل شامل هنجار ذهنی، تصویر ذهنی، ارتباط با شغل، کیفیت خروجی و قابلیت مشاهده نتایج هستند. هنجار ذهنی به میزان تایید فناوری از سوی افراد مهم برای فرد اشاره دارد. تصویر ذهنی به اثر استفاده از فناوری بر جایگاه اجتماعی فرد مربوط میشود. ارتباط با شغل میزان تناسب فناوری با وظیفه را نشان میدهد. کیفیت خروجی عملکرد فناوری را در انجام وظیفه توضیح میدهد و قابلیت مشاهده نتایج به ملموس بودن بهبود حاصل از فناوری اشاره دارد. تجربه و داوطلبانهبودن استفاده نیز بهعنوان متغیرهای تعدیلگر وارد مدل شدند.
مدل TAM3 شش متغیر جدید را برای توضیح سهولت استفاده ادراکشده اضافه میکند و آنها را در دو گروه لنگرها (Anchors) و تعدیلها (Adjustments) قرار میدهد. خودکارآمدی رایانهای، ادراک کنترل بیرونی، اضطراب رایانهای و بازیگوشی رایانهای در گروه لنگرها قرار دارند. این در حالی است که لذت ادراکشده و قابلیت استفاده عینی در گروه تعدیلها قرار میگیرند. در این بین تجربه کاربر نیز اهمیت دارد، زیرا با افزایش تجربه، اثر اضطراب رایانهای بر سهولت استفاده کاهش مییابد و رابطه میان سهولت استفاده، سودمندی و قصد استفاده نیز تغییر میکند.
با وجود این توسعهها، TAM همچنان بیشتر برای محیطهای کاری مناسب بود و در توضیح رفتار مصرفکنندگان در محیطهای داوطلبانه محدودیت داشت. همین مسئله زمینه شکلگیری نظریه یکپارچه پذیرش و استفاده از فناوری (Unified Theory of Acceptance and Use of Technology – UTAUT) را فراهم کرد.
ونکاتش و همکاران (Venkatesh et al.) در سال ۲۰۰۳ مدل UTAUT را با هدف یکپارچهکردن چند مدل و نظریه پیشین ارائه کردند. در این مدل، استفاده از فناوری به قصد رفتاری وابسته است و قصد رفتاری از چهار عامل اصلی انتظار عملکرد، انتظار تلاش، تاثیر اجتماعی و شرایط تسهیلکننده تاثیر میگیرد. انتظار عملکرد نشان میدهد فرد تا چه اندازه انتظار دارد فناوری عملکرد او را بهبود دهد. انتظار تلاش میزان سهولت مورد انتظار استفاده را نشان میدهد. تاثیر اجتماعی بیان میکند دیگران تا چه اندازه فرد را به استفاده از فناوری ترغیب میکنند و شرایط تسهیلکننده به وجود منابع و زیرساختهای فنی و سازمانی لازم برای استفاده مربوط میشود. سن، جنسیت، تجربه و داوطلبانهبودن استفاده نیز شدت برخی از این روابط را تعدیل میکنند.
مدل UTAUT2 این چارچوب را از محیط سازمانی به محیط مصرفکننده منتقل میکند. در این نسخه، «داوطلبانهبودن استفاده» حذف میشود و سه متغیر جدید انگیزه لذتجویانه، ارزش قیمتی و عادت به مدل اضافه میشوند. انگیزه لذتجویانه به لذت و سرگرمی حاصل از استفاده از فناوری اشاره دارد. ارزش قیمتی، مبادله ادراکشده میان منافع فناوری و هزینه مالی آن را نشان میدهد و عادت، میزان خودکارشدن رفتار در نتیجه یادگیری و تجربه قبلی را توضیح میدهد.
پژوهشهای بعدی از UTAUT و UTAUT2 در حوزههایی مانند فینتک، بانکداری اینترنتی و موبایلی، پرداخت موبایلی و پذیرش توصیههای الگوریتمی استفاده کردهاند و در برخی مطالعات، متغیرهایی مانند اعتماد، امنیت، سن، جنسیت و ارزشهای فرهنگی را نیز به مدل افزودهاند.
نویسندگان برای توضیح نقش فرهنگ در پذیرش فناوری، از ابعاد فرهنگی هافستد استفاده میکنند. اجتناب از عدمقطعیت، فردگرایی–جمعگرایی، فاصله قدرت و مردانگی–زنانگی میتوانند بر نگرش و پذیرش فناوری اثر بگذارند، اما این اثر خطی و مستقل نیست و ابعاد مختلف فرهنگ میتوانند همزمان بر عوامل پذیرش فناوری اثرگذار باشند.
برای مثال، اجتناب بیشتر از عدمقطعیت میتواند پذیرش فناوریهای مبهم را دشوارتر کند. در فرهنگهای فردگرا، انتظار عملکرد و انگیزه لذتجویانه اهمیت بیشتری مییابد و در فرهنگهای جمعگرا، تاثیر اجتماعی نقش پررنگتری پیدا میکند. فاصله قدرت بالاتر نیز میتواند اهمیت شرایط تسهیلکننده و تاثیر اجتماعی را افزایش دهد.
در کنار فرهنگ، اعتماد از عوامل مهم پذیرش فناوریهای مالی است. در مشاوره رباتیک، اعتماد بیشتر جنبه شناختی دارد و فرد باید فناوری را قابل اتکا، قابل پیشبینی و شایسته تصمیمگیری بداند. از آنجا که اعتماد به فناوری برخلاف اعتماد بینفردی بهصورت پیشفرض وجود ندارد و باید ایجاد شود، امنیت، حریم خصوصی و سهولت استفاده در شکلگیری آن اهمیت دارند. همین مسئله، همراه با بیزاری از الگوریتم، زمینه توجه به مشاوره رباتیک ترکیبی را فراهم کرده است، رویکردی که توصیه الگوریتمی را با راهنمایی مشاور انسانی ترکیب میکند تا ضمن حفظ مزیتهایی مانند کاهش هزینه و افزایش دسترسی، بخشی از محدودیتهای اعتماد به فناوری و مقاومت در برابر الگوریتم را کاهش دهد.
مقایسه تطبیقی رفتار مالی در آمریکا، هند و لهستان
نویسندگان برای آنکه تفاوتهای اقتصادی و روانشناختی را در کنار تفاوتهای فرهنگی بررسی کنند، سه کشور آمریکا، هند و لهستان را بهعنوان سه جامعه با زمینههای متفاوت انتخاب کردهاند. در کتاب، لهستان بهعنوان کشور توسعهیافته اروپای مرکزی، هند بهعنوان کشور درحالتوسعه جنوب آسیا و آمریکا بهعنوان کشور توسعهیافته آمریکای شمالی معرفی میشوند. از طرفی لهستان بهعنوان نقطهای مرجع میان فضای شرقی و غربی در نظر گرفته شده است .این تنوع به نویسندگان امکان داده است تا رفتار پسانداز و سرمایهگذاری و پذیرش خدمات مالی دیجیتال را در بسترهای فرهنگی و اقتصادی متفاوت مقایسه کنند. دادههای این پژوهش از طریق پرسشنامه آنلاین CAWI گردآوری شده و رفتار پسانداز و سرمایهگذاری، سواد مالی، ادراک ریسک و سودآوری، استفاده از ابزارهای مالی دیجیتال و پذیرش مشاوره رباتیک را در میان افراد این سه کشور مقایسه میکنند.
نمونه پژوهش شامل ۳٬۰۹۳ نفر بزرگسال ۱۸ تا ۹۳ ساله بود که میانگین سنی آنها ۴۳ سال (با انحراف معیار ۱۶.۲۳۸) و سهم زنان ۵۱٫۹ درصد بود. نمونه آمریکا ۱٬۰۰۶ نفر، هند ۱٬۰۱۷ نفر و لهستان ۱٬۰۷۰ نفر را شامل میشد. پژوهشگران برای تحلیل دادهها از مقایسههای بینکشوری و جمعیتشناختی، تحلیل عاملی، تحلیل مولفههای اصلی (PCA) در برخی بخشهای تحلیل عاملی، تحلیل خوشهای و رگرسیون لجستیک استفاده کردهاند و تفاوتهای فرهنگی را نیز با تکیه بر چارچوب، هافستد و شاخص پیچیدگی فرهنگ کسبوکار نشان دادهاند.
نتایج پژوهشها نشان داد که نخستین تفاوت چشمگیر به پسانداز مربوط میشود. هندیها بهطور متوسط ۳۴٫۶ درصد از درآمد ماهانه خود را پسانداز میکردند، در حالی که این سهم در آمریکا ۲۱٫۲۱ درصد و در لهستان ۱۵٫۲۲ درصد بود. از نظر جنسیت نیز در آمریکا مردان و در هند زنان پسانداز بیشتری داشتند، اما در لهستان تفاوت معناداری میان زنان و مردان مشاهده نشد. الگوی سنی نیز یکسان نبود. در هند بیشترین میزان پسانداز در گروه سنی ۳۵ تا ۴۴ سال، در آمریکا در گروه ۲۵ تا ۳۴ سال و در لهستان در جوانترین گروه مشاهده شد. در هند و آمریکا رابطه سن و پسانداز به شکل U معکوس بود، در حالی که در لهستان با افزایش سن، میزان پسانداز کاهش مییافت. در مجموع، رابطه سن و پسانداز منفی بود و نویسندگان الگوی مشاهدهشده را با فرضیه چرخه زندگی سازگار دانستند.
تفاوت در ساختار داراییها نیز جالب بود. وجه نقد و سپردههای بانکی در هر سه کشور جایگاه مهمی داشتند، اما هندیها متنوعترین سبد را داشته و گرایش بیشتری به سهام و سرمایهگذاریهای جایگزین، بهویژه طلا، نشان دادند. این در حالی است که آمریکاییها سهم بیشتری را به برنامههای بازنشستگی اختصاص دادند و لهستانیها بیشتر به ارز خارجی و املاک گرایش داشتند. طلا در هند نیز فقط یک دارایی مالی نبود و با ثروت، منزلت اجتماعی و مناسبات خانوادگی پیوند داشت.
تصویر افراد از ریسک و بازده نیز با ویژگیهای عینی داراییها کاملا یکسان نبود. هندیها بالاترین میانگین ادراک سودآوری و ریسک را داشتند و لهستانیها پایینترین میانگین سودآوری را گزارش کردند. در کل نمونه، املاک، طلا و سهام بورسی سودآورترین و سپردههای بانکی و اوراق خزانه کمسودترین داراییها ارزیابی شدند. در مقابل، رمزارزها و استارتآپها در میان پرریسکترین گزینهها قرار گرفتند. این یافته با نظریه پرتفوی رفتاری همخوان بود، زیرا نشان داد سرمایهگذاران داراییها را فقط بر اساس ویژگیهای عینی آنها نمیسنجند و آنها را بر مبنای هدف، امنیت و برداشت ذهنی خود نیز دستهبندی میکنند. کتاب این ساختار را با سه لایه نظریه پرتفوی رفتاری یعنی نیازهای مالی پایه، نیازهای مالی اضافی و لایه آرمانهای بالا مرتبط میکند. در لهستان نیز درباره برخی داراییهای جایگزین، رابطه معکوس میان ریسک و بازده مشاهده شد که نویسندگان آن را با پارادوکس ریسک ـ بازده مرتبط کردند.
در ادامه، پژوهش به سواد مالی و بیشاعتمادی پرداخت. نویسندگان میان دانش واقعی افراد و برداشتی که از دانش خود دارند تمایز گذاشتند و سه گروه بیشاعتماد، بیسواد آگاه و باسواد مالی را شناسایی کردند. لهستانیها دانش عینی بیشتری داشتند و محدودیت دانش خود را بیشتر میپذیرفتند، در حالی که در آمریکا و هند افراد بیشاعتماد سهم بیشتری داشتند. در آمریکا و هند، گروه بیشاعتماد پرتعدادترین گروه بود، اما در لهستان هر سه گروه نسبتا متعادلتر توزیع شده بودند. نکته مهم این بود که برداشت فرد از دانش خود گاهی ارتباط قویتری با رفتار مالی داشت تا دانش واقعی او، در واقع افراد بیشاعتماد سهم بیشتری از درآمد خود را پسانداز میکردند و سبد متنوعتری داشتند.
همهگیری کرونا این الگوها را به حوزه پرداختهای دیجیتال نیز کشاند. هند بیشترین افزایش اعتماد به روشهای پرداخت دیجیتال را تجربه کرد، در حالی که آمریکا و بهویژه لهستان تغییر کمتری نشان دادند. همزمان، استفاده از پرداخت دیجیتال و بانکداری آنلاین با افزایش سن کاهش مییافت، اما دانش مالی عینی، داشتن پول الکترونیکی و افزایش اعتماد به روشهای پرداخت با استفاده بیشتر از خدمات مالی دیجیتال همراه بود.
در مشاوره رباتیک، آشنایی افراد همچنان محدود بود و ۴۱٫۴۵ درصد پاسخدهندگان آشنایی خود را بسیار پایین ارزیابی کردند. با این حال، نگرش کلی به این خدمات مثبت بود و بیشتر افراد انتظار داشتند مشاوره خودکار هزینهها را کاهش و دسترسی به مشاوره را افزایش دهد. همچنین انتخاب محصولات مالی را بهبود بخشد. با وجود این، انتخاب توصیه انسانی همچنان انتخاب غالب بود و هندیها در مقایسه با دو کشور دیگر آمادگی بیشتری برای استفاده از توصیه هوش مصنوعی، بهویژه در سرمایهگذاری، نشان دادند.
تحلیل عوامل موثر بر این انتخاب نیز نشان داد که سن، جنسیت، دانش مالی، برداشت از دانش خود، ادراک ریسک و بازده و اعتماد به فناوری اهمیت دارند. مردان ۳۸٫۳ درصد بیشتر از زنان احتمال داشت توصیه هوش مصنوعی را در سرمایهگذاری انتخاب کنند و افزایش سن تمایل به انتخاب AI را کاهش میداد. در مقابل، خودارزیابی بالاتر دانش مالی، دانش عینی و اعتماد بیشتر به روشهای پرداخت پس از همهگیری احتمال انتخاب توصیه هوش مصنوعی را افزایش میدادند. مهمترین عامل، افزایش اعتماد به روشهای پرداخت پس از همهگیری بود که احتمال انتخاب توصیه AI را بیش از دو برابر افزایش میداد.
در مجموع، مقایسه سه کشور نشان میدهد که رفتار مالی در عصر دیجیتال فقط نتیجه میزان درآمد یا دانش مالی نیست. پسانداز و سرمایهگذاری افراد از یک سو با دانش، ادراک ریسک و بازده و سوگیریهایی مانند بیشاعتمادی شکل میگیرد و از سوی دیگر تحت تاثیر فرهنگ، تجربه و میزان اعتماد به فناوری قرار دارد.
آنچه آموختیم
در نهایت، کتاب نشان میدهد که تصمیمهای مالی تنها با محاسبه و منطق شکل نمیگیرند و تجربه، احساس، فرهنگ، محدودیتهای ذهنی و سوگیریهای رفتاری نیز در آنها نقش دارند. فناوری این ویژگیهای انسانی را از بین نبرده است، بلکه محیط تازهای ساخته است که در آن افراد در کنار دارایی و ریسک، با داده، الگوریتم، پلتفرم و هوش مصنوعی نیز سروکار دارند. دیجیتالیشدن میتواند خدمات مالی را سریعتر، کمهزینهتر و در دسترستر کند، اما بهرهگیری از این فرصت به سواد مالی و دیجیتال، اعتماد، امنیت و حمایت مناسب نیاز دارد. مقایسه آمریکا، هند و لهستان نیز نشان میدهد که رفتار مالی و پذیرش فناوری در جوامع مختلف یکسان نیست و فرهنگ و ویژگیهای فردی در کنار شرایط اقتصادی و فناوری بر آن اثر میگذارند. از این منظر، پیام اصلی کتاب این است که برای فهم رفتار مالی در عصر دیجیتال باید انسان، فناوری و زمینه فرهنگی و اقتصادی تصمیمگیری را همزمان در نظر گرفت.
