金融知识、创新与数字化欧元：一项基于调查的研究

《Journal of Innovation & Knowledge》：Financial knowledge, innovation and the digital Euro: a survey-based study

　　**卡洛·德拉戈 | 埃尔维拉·安娜·格拉齐亚诺 | 杰拉尔多·佩特罗奇奥内 | 托马斯·莫拉维茨**
**罗马尼科洛·库萨诺大学经济、心理、传播、教育与运动科学系**
**地址：Via Don Carlo Gnocchi, 3, 00166 Rome, Italy**

**摘要**
数字化正在重塑金融生态系统，转变支付基础设施、数据流动和货币工具，成为社会和经济变革的战略驱动力。然而，这些创新的有效性和可持续性不仅取决于技术设计，还取决于制度框架与多样化知识能力之间的互动。本研究探讨了金融素养、数字信心、对技术的情感倾向以及隐私担忧如何影响用户对新兴货币工具——数字欧元的接受度。基于意大利502名受访者的调查数据，并采用多重对应分析和聚类分析的探索性方法，研究识别出三种社会认知类型：成熟专业人士、年轻学习者和精通数字技术的年轻专业人士。这些群体在金融意识、数字熟悉度和风险感知方面存在差异，表明采用新工具的程度并非线性依赖于信息本身，而是取决于能力匹配程度。在所有群体中，隐私担忧依然存在，表明信任、治理透明度和数据保护仍是合法性的关键因素。研究结果为数字货币创新的非均匀接受提供了基于能力的解释：当金融知识与数字自我效能和对新事物的开放态度相匹配时，采用率才会提高。该研究通过提出消费者能力细分作为政策制定者、中央银行和金融中介的战略工具，为理解可持续数字化转型做出了贡献，并强调了针对不同用户能力的定向沟通、素养提升和生态系统设计的必要性，同时强调了人类知识基础设施在欧洲支付系统中的核心作用。

**引言**
数字化转型的加速正在重塑金融生态系统，改变个人获取、使用和理解货币及支付工具的方式（Kamuangu, 2024）。这一转型发生在日益严峻的社会、经济和环境挑战背景下，这些挑战要求新的可持续发展模式（Shalaby, 2024）。在此背景下，数字化日益成为推动可持续性转型的战略手段。金融行业在此过程中发挥着关键作用：数字支付系统、数据驱动的基础设施以及中央银行数字货币（CBDC）等新兴工具，都是提高透明度、效率和金融包容性的重要组成部分（Boakye-Adjei et al., 2023）。

**现有研究**
尽管已有研究表明数字技术可以支持更可持续和包容的经济体系，但将技术潜力转化为实际的社会效益仍具有挑战性（Chauhan & Sahoo, 2024; Gavrila et al., 2025; Jiao et al., 2025; Pricopoaia et al., 2025; Shah & Mola, 2026; Kraus et al., 2023; Bresciani et al., 2021; Chin et al., 2022）。在个体层面，参与数字金融创新所需的知识、信任和能力也存在类似挑战。金融领域为研究数字化、创新与可持续性之间的相互作用提供了及时且相关的背景（Fernández-Portillo et al., 2022）。关于欧元区的数字欧元的讨论引发了关于支持负责任和包容性数字采用所需个体条件的重要问题（Cotugno et al., 2024）。数字欧元不仅仅是技术进步，它代表了一种需要公民具备新形式素养、信任和数字能力的系统性金融创新（Graziano et al., 2025; Petroccione & Graziano, 2026）。因此，消费者的准备程度是决定CBDC能否实现其潜在好处（如金融包容性、透明度和增强对数字基础设施的访问）的关键因素。

**研究问题**
本研究旨在探讨：
1. 个人的金融知识、隐私担忧、数字信心和数字热情如何影响他们对数字欧元等创新支付工具的态度？
2. 这些因素如何相互作用，形成不同准备程度的消费者群体？
3. 这些差异化的群体揭示了哪些支持金融领域可持续数字化所需的知识能力和创新相关机制？

**研究贡献**
首先，本研究将金融和数字能力视为相互关联的知识资源，这些资源是可持续数字创新采用的基础。其次，它展示了能力培养和风险感知如何影响对数字欧元等变革性举措的态度。第三，它提供了消费者异质性的实证证据，为政策制定者设计社会包容性和知识驱动的数字化转型策略提供了见解。在微观层面，金融知识、数字信心和隐私担忧影响个人使用数字货币工具的意愿；在宏观层面，这些态度影响数字支付基础设施的包容性、合法性和长期可持续性，使消费者能力成为社会包容性和可持续金融创新的关键组成部分。

**理论背景**
在不断发展的金融服务领域中，支付工具是创新的核心。移动钱包、数字支付、非接触式交易和中央银行数字货币（CBDC）的出现改变了个人处理和管理资金的方式（Walker, 2022）。然而，这些创新的成功采用不仅取决于技术基础设施和制度推广，还显著依赖于消费者的准备程度，尤其是金融知识（Lusardi & Mitchell, 2014）。金融素养与储蓄行为、债务管理和风险承受能力相关（Lusardi & Mitchell, 2011）。从行为经济学的角度来看，具备金融能力的个体更能应对不确定性，减少决策失误（Ellsberg, 1961; Tversky & Kahneman, 1992），并能够评估CBDC等新型金融工具。

**实证证据**
实证证据支持这一理论关系：较高的金融素养与日本数字支付使用增加（Long et al., 2023）、挪威移动支付普及率提升（Strnen et al., 2019）以及信任中介下的CBDC采用率提高（Solberg S?ilen & Benhayoun, 2022）相关。意大利数据也显示类似趋势：具备金融素养的个体更倾向于使用数字支付（Banca d’Italia, 2022），并预期数字欧元能带来好处（Ferilli et al., 2024）。相反，较低的金融素养与不确定性、信心下降和感知复杂性增加相关（Honko et al., 2023）。

**结论**
尽管学术界对数字支付和CBDC接受度的兴趣日益浓厚，但仍存在知识空白。现有研究往往分别探讨金融素养、隐私担忧或数字能力，忽视了这些要素作为知识能力如何共同影响对金融创新的反应（Petroccione et al., 2025; Buenestado-Fernández et al., 2023）。此外，尽管多数文献假设公众对数字支付创新的反应相对一致（Graziano et al., 2025; Graziano et al., 2023），但新兴证据表明存在受人口统计特征、数字专长、金融知识和技术态度影响的显著差异（Koskelainen et al., 2023; Zaimovic et al., 2025）。

**研究方法**
本研究采用综合视角，探讨多种个体能力如何共同影响对数字欧元的态度，具体分析了金融知识、隐私担忧、数字信心和数字热情的组合效应。通过多重对应分析和聚类分析，识别出不同准备程度、信任水平和能力的消费者群体。

**研究意义**
本研究提出三个主要贡献：
1. 阐明了金融和数字能力作为可持续数字创新采用的基础；
2. 展示了能力培养和风险感知如何影响对数字欧元等变革性举措的态度；
3. 为政策制定者提供了关于消费者异质性的实证证据，以设计社会包容性和知识驱动的数字化转型策略。

**隐私与创新支付工具**
数字金融工具（包括CBDC）的采用常受隐私、可追溯性和个人信息滥用担忧的阻碍。由于数字支付基于数据密集型且高度互操作的基础设施，用户对信息安全的认知成为接受和采用决策的关键因素。这种矛盾被称为“隐私-创新悖论”，即使技术优势明显（如效率、可访问性和成本降低），隐私担忧仍可能降低采用意愿（Keith et al., 2013）。在金融科技生态系统中，隐私既是认知情感评估，也是制度信任因素（Acquisti et al., 2015）。在个体层面，用户往往高估隐私损失相对于便利性的潜在收益；在制度层面，数据存储、匿名保护和算法监控的透明度不足会加剧怀疑（Krishna et al., 2023）。近期CBDC研究强调了隐私感知在采用中的核心作用（Salmony, 2023；Tronnier & Qiu, 2024）。

**数字信心与创新支付工具**
数字信心反映自我效能的认知感知，而数字热情则体现对新事物和实验的态度。在技术采纳研究中，数字信心被视为关键心理驱动因素（Davis, 1989；Venkatesh et al., 2003, 2012）。较高水平的数字能力和信心与数字支付的更高效率、可靠性和安全性相关（Belanche et al., 2022）。熟悉数字系统可减少不确定性和风险，促进信任和采纳决策。

**总结**
综上所述，隐私在理解数字支付接受度中尤为重要。随着数字系统提高可追溯性和数据透明度，个人可能感到自主性和匿名性的丧失，从而抵制技术采用。因此，我们探讨了数据保护、监控风险和可追溯性担忧如何影响对创新支付解决方案的接受度，特别关注数字欧元。数字信心和热情进一步影响个体采用新型金融工具的意愿，包括当前货币系统演变的产物——数字欧元。根据双文盲消费者框架（Xiao & Porto, 2017），仅具备金融知识可能不足以促进采用；相反，当金融知识伴随着积极的态度和有利的数字思维模式时，采用的可能性更大。最近的中央银行数字货币（CBDC）研究进一步支持了这一观点，表明数字热情放大了金融知识的行为效应，使得个体在既知情又有技术动力的情况下更有可能采用（Amin et al., 2025）。鉴于MCA-聚类方法的描述性质，我们的目的不是测试因果中介作用，而是考察数字热情是否似乎增强了或促进了金融知识与采用创新支付工具意愿之间的关系，特别关注数字欧元。综合来看，金融知识、数字信心、数字热情和隐私担忧构成了个体能力的一个多维集合。这些元素并非独立作用，而是在不同个体中以不同的方式结合在一起，为下一节中提出的配置分析提供了概念基础（图1）。

下载：下载高分辨率图像（326KB）
下载：下载全尺寸图像

图1. 概念框架。

来源：作者阐述

方法论

数据收集、准备和预处理
数据于2024年5月至10月在意大利通过计算机辅助网络访谈（CAWI）进行收集。该调查旨在探索个人对金融行为和货币领域数字化转型的看法、态度和知识，特别关注对金融欺诈的脆弱性以及对数字欧元的接受度。结构化问卷包括38个问题，分为五个主题部分：
(1) 社会人口统计信息；
(2) 金融素养问题；
(3) 支付方式和使用模式；
(4) 对数字欧元的认知和接受度；
(5) 对金融欺诈的意识和经验。

第一部分收集了关键的人口统计和社会经济属性，如年龄、性别、婚姻状况、教育程度、就业状况、居住地区和收入水平。这些指标建立了解释受访者特征所需的基线轮廓。

第二部分使用Klapper和Lusardi（2020）提出的广泛认可的“五大”项目来评估金融素养。这些问题评估受访者对核心金融原则的理解，包括简单利息和复利、贷款偿还、通货膨胀以及风险与回报之间的权衡。

第三部分基于Graziano等人（2025）验证的项目，探讨支付行为和偏好。使用七个陈述来评估受访者对数字和创新支付工具的使用模式、态度和感知到的好处。

第四部分与Tronnier和Kakkar（2021）的研究一致，讨论了数字欧元。在简要介绍之后，提出了九个问题，改编自UTAUT2框架，用于衡量对数字欧元的熟悉程度以及对其有用性和效率（性能预期和努力预期）、安全性和隐私（便利条件）以及社会影响的认知。

最后，问卷以一个专门讨论金融欺诈的部分结束。这部分基于Brands和Van Doorn（2022）、Shree等人（2021）和Engle等人（2025）的项目，包括九个问题，旨在考察欺诈经历、对金融犯罪的感知脆弱性以及与在线金融诈骗相关的担忧。问卷的完整版本，包括所有项目和响应量表，可应要求提供。

调查通过主要的社交媒体平台分发，包括Facebook、LinkedIn、Instagram、WhatsApp和X（前称Twitter），从而在意大利实现了广泛的地理覆盖。共有502人参与了调查，提供了可用于分析的有效响应。

数据分析使用R统计环境进行，采用了几个专门的软件包，如FactoMineR、factoextra、cluster、NbClust、fpc和mclust。实证数据集包括一组描述受访者社会人口统计特征的分类变量，以及金融素养水平和数字行为模式。

由于调查是通过在线平台传播的，并且参与是自愿的，因此所得样本应被视为非概率性的。因此，分析并不旨在提供意大利人口的统计代表性估计。相反，与研究的探索性目标一致，数据用于识别个体之间金融和数字态度的异质模式和配置。因此，虽然承认可能存在自我选择偏差，但这并不削弱所采用的配置和描述方法的有效性。

选定的变量反映了第2节中讨论的关键理论构建，即金融知识、数字信心、数字热情和隐私担忧。

数字信心和数字热情被操作化为概念上不同的构建。数字信心捕捉受访者对数字技术和支付系统的自我效能感和熟悉度，反映了他们有效使用数字工具的感知能力。它是通过评估对数字支付工具的易用性、舒适度和熟悉度的项目来测量的。

数字热情则捕捉了对数字创新的情感和动机导向，而不是感知到的能力。这一构建反映了好奇心、对实验的开放性以及对新兴数字金融技术的积极情感投入。它是通过评估尝试新的数字支付解决方案的兴趣、对技术新奇的积极态度以及对未来数字金融创新的兴奋感来测量的。

通过区分感知到的能力（信心）和情感开放性（热情），调查设计使我们能够捕捉到数字准备度的两个互补但不重叠的维度。这种区分支持将数字热情解释为传统技术接受框架的扩展，后者主要关注认知评估，如感知到的有用性和易用性。

通过多重对应分析减少维度
为了具体减少分类数据的高维度特性，应用了多重对应分析（MCA）（见图2，了解基于初始维度减少的整个聚类方法）。MCA是一种用于分析分类数据的多元统计技术（Greenacre & Blasius, 2006）。MCA将个体观察投影到低维欧几里得空间中，从而能够分析分类轮廓之间的关系（见图3）。该方法允许识别总结变量间类别关联的潜在维度。在这项研究中，最初提取了十个主要维度，并保留了前五个维度进行进一步分析，因为它们占据了总惯性的最大份额。

下载：下载高分辨率图像（455KB）
下载：下载全尺寸图像

图2. 聚类方法流程图。

来源：作者阐述

下载：下载高分辨率图像（386KB）
下载：下载全尺寸图像

图3. 从MCA分析中提取的相关维度：前两个维度。

来源：作者阐述

这一选择与基于MCA的聚类中的标准实践一致，其中保留了捕获最大惯性份额的有限数量维度，以平衡解释力和简洁性。在这种情况下，使用scree图（图4）检查了每个维度解释的特征值和累积方差。输出显示特征值逐渐下降，在早期维度中没有明显的肘部结构，这与MCA在高维分类设置中的理论特性一致。没有明显的肘部结构表明惯性分布在多个轴上，没有单一的高阶维度主导因子结构。根据Abdi和Valentin（2007）以及Greenacre（2017）的观点，选择关注前10个主要维度是为了可解释性和稳定性，因为额外的维度不会改善保留的信息量。这些保留的维度作为个体的新坐标，代表了在最小化冗余的同时最具信息量的特征。

因此，保留前十个维度不仅基于解释的惯性绝对百分比，还主要基于scree图的检查（图4），以及结果的可解释性和稳定性。我们还注意到，当MCA应用于具有许多变量和类别的复杂分类数据集时，低绝对惯性值是一个众所周知的特征，因为总惯性在许多维度上机械性地膨胀和分散（例如，参见Greenacre, 2006；Le Roux & Rouanet, 2010）。在这种情况下，仅基于原始百分比评估维度保留是具有误导性的。重要的是结合scree图和统计结果的实际可解释性进行分析。我们的分析满足了这两个标准：前十个维度不仅在前scree图明显平坦之前出现，而且还产生了理论上连贯且可解释的结果。

最后，在多重对应分析中，标记为“不知道”的响应被有意视为一个独立的分类模式，而不是被重新编码为缺失数据或从分析中排除。这种建模选择反映了将“不知道”视为有意义的认知状态的本质解释，捕捉到了不确定性、缺乏信心或不完整知识，而不仅仅是信息的技术性缺失。因此，这些响应与其他所有模式平等地进入了Burt矩阵，有助于定义因子轴、惯性分解以及随后的个体聚类和轮廓分析。这种方法在金融素养和“年轻学习者”群体的背景下特别相关，因为在这些群体中，表达不确定性在理论上具有信息性，并在实证上揭示了不同的学习阶段和认知定位。因此，“不知道”模式被完全整合到MCA维度的解释和派生群体轮廓中，而不是被视为噪声或测量误差。

聚类分析
为了确定程序中最合适的（最优）聚类数量，应用了两种广泛使用的无监督标准。第一种是Elbow方法（参见Humaira, H. & Rasyidah 2020），该方法通过检查随着聚类数量增加的聚类内总平方和来确定超过某个点后额外聚类的改进有限。第二种方法是Silhouette方法，该方法通过比较同一聚类内对象之间的距离与不同聚类内对象之间的距离来衡量聚类之间的凝聚力和分离度。这两种方法都针对从两个到十个的聚类数量进行了计算。两个指标的收敛表明三个聚类在紧凑性和分离度之间提供了最佳平衡，因此这种配置被采纳为最优解。

聚类算法的实现
为了保证结果的稳健性和可比性，使用了两种聚类方法。第一种是K-means算法，它通过最小化聚类内方差来划分数据。该算法特别进行了多次随机启动，以避免收敛到局部最小值。第二种方法基于Ward的最小方差标准进行层次聚类，根据欧几里得距离逐步将观察值合并到聚类中。这种方法产生的树状图被切割成三个组，与K-means解决方案一致。

聚类验证和稳健性评估
此时，使用几个内部验证指标评估了聚类解决方案的质量和稳定性。平均轮廓宽度评估了凝聚力和分离度；较高的值表示聚类定义明确。Dunn指数衡量了聚类间距离与聚类内分散度的比率，而Caliński–Harabasz指数（Caliński & Harabasz 1974）比较了聚类间和聚类内的变异性。这些指标共同提供了关于聚类解决方案内部有效性和稳健性的互补证据。为了进一步评估K-means和层次划分之间的一致性，计算了调整后的Rand指数（ARI），提供了校正偶然性的两种聚类之间的相似性度量。对于K-means模型，还使用了其他指标，如聚类间与总平方和的比率以及聚类内分散度量。稳健性分析扩展了对不同聚类数量（从两个到六个）的评估，计算了两种聚类算法的轮廓和Caliński–Harabasz指数（参见Rousseeuw, P. J. 1987）。这允许评估聚类质量对群体数量的敏感性。

结果可视化
还使用了几种图形探索性数据分析工具来可视化维度减少和聚类结果。这些工具包括MCA scree图和单个因子图、Elbow（图5）和Silhouette诊断图、层次树状图以及基于凸包的二维聚类可视化（图6）。比较线图展示了不同聚类数量下轮廓和Caliński–Harabasz指数的变化。这些可视化支持并指导了整个聚类过程中采用的方法学选择。K-means和层次解决方案的轮廓图并排绘制，以提供聚类内同质性和聚类间分离的图形评估。

下载：下载高分辨率图像（180KB）
下载：下载全尺寸图像

图5.最佳簇数量的验证。来源：作者说明下载：下载高分辨率图片（515KB）下载：下载全尺寸图片图6. K-means。来源：作者说明

簇的特征描述与解释
在确定最终的簇解决方案后，通过对每个观测值所属簇的识别进行了详细的事后特征描述。本节提供了所识别簇的统计特征描述。每个分类变量都与所属组进行了交叉制表，并计算了每个组内类别的相对分布。这一步骤有助于构建描述性概况，总结每个组的社会人口统计和行为构成。数据分析中使用的变量包括年龄、性别、婚姻状况、地理区域、职业、教育水平、收入范围以及特定的金融素养指标，如理解简单利息和复利、通货膨胀和多元化。还研究了人们对数字支付系统和数字欧元的态度。

使用分组条形图进行的可视化展示了每个类别在各个簇中的百分比分布。这种方法有助于识别簇之间的区别特征和行为模式。最后，一个综合总结表概括了每个组的主要属性，突出了人口结构、金融素养和数字态度的差异。这些结果被解释为不同人群表现出不同的金融和技术行为的证据。

这一步骤纯粹是描述性的，并不意味着因果关系，但旨在提供对金融和数字行为异质性的可解释表示。

结果
实证分析根据社会人口统计特征、教育成就、金融素养和数字态度，识别出三个不同的群体。这些簇反映了经济成熟度、金融知识以及对数字支付系统和数字欧元的态度的异质配置。

这三个群体被标记如下：
- **成熟的专业人士**：以财务稳定性和高水平的金融素养为特征；
- **精通数字的年轻专业人士**：结合了强大的金融知识和高数字信心及热情；
- **年轻学习者**：通常较年轻，受教育程度较低，表现出较低的金融素养和经济经验。

鉴于在线样本的非概率性质，这些结果并不旨在代表意大利全体人口。相反，与研究的探索性设计一致，分析旨在识别与数字货币创新相关的态度和能力配置的异质模式。因此，出现了三个不同的群体，其主要特征在表1、表2和表3中进行了总结。

表1. 簇1：“成熟的专业人士”（n = 148，29.5%）
| 类别 | 详情 |
|--------------|-------------------------------------------|
| 年龄 | 主要为36-45岁（41%） |
| 性别 | 大多数为女性（57%） |
| 婚姻状况 | 已婚（51%） |
| 就业状况 | 有工作（71%） |
| 教育水平 | 大多为硕士学位持有者（61%） |
| 收入水平 | 稳定的中等收入（20,000至30,000欧元；64%） |
| 金融素养 | 高水平——简单利息正确率91%；通货膨胀理解正确率64%；多元化知识正确率61% |
| 数字态度 | 中等——对数字效率的认可度52%；对数字欧元的积极态度30%；隐私担忧54% |

表2. 簇2：“年轻学习者”（n = 74，14.7%）
| 类别 | 详情 |
| 年龄 | 最年轻群体为18-25岁（36%） |
| 性别 | 大多为女性（58%） |
| 婚姻状况 | 单身（57%） |
| 就业状况 | 学生（34%） |
| 教育水平 | 高中学历（32%） |
| 收入水平 | 低收入（<10,000欧元；42%） |
| 地理位置 | 集中在意大利南部（51%） |
| 金融素养 | 低水平——简单利息正确率31%；复利正确率18%；通货膨胀理解正确率32%；“不知道”回答35-48% |
| 数字态度 | 中等——对数字效率的认可度30%；对数字欧元的积极态度35%；隐私担忧67% |

表3. 簇3：“精通数字的年轻专业人士”（n = 280，55.8%）
| 类别 | 详情 |
| 年龄 | 较年轻的专业人士，26-35岁（35%） |
| 性别 | 男性略多（55%） |
| 婚姻状况 | 单身（61%） |
| 就业状况 | 有工作（54%） |
| 教育水平 | 硕士学位（50%） |
| 收入水平 | 收入不均衡，较高收入者占25%（>40,000欧元） |
| 地理位置 | 集中在意大利中部（49%） |
| 金融素养 | 非常高——简单利息正确率75%；通货膨胀理解正确率83%（最高）；复利正确率55% |
| 数字态度 | 非常高——对数字效率的认可度85%；对数字欧元的积极态度66%；隐私担忧67% |

**簇1：“成熟的专业人士”（n = 148；29.5%）**
第一个簇代表成熟的专业人士，其特征是人口统计和财务稳定性。该群体主要由36至45岁的成年人组成，女性占多数（57%），且大多数已婚（51%）。大多数参与者有工作（71%），其中61%拥有硕士学位。他们的收入处于中等水平，64%的人年收入在20,000至30,000欧元之间。这个群体对金融概念有扎实的理解，在金融素养指标上得分很高。超过90%的人正确回答了简单利息问题，64%的人正确理解了通货膨胀，61%的人掌握了多元化原则。这个群体的数字态度较为中性：大约一半的受访者高度认可数字支付的效率（52%），三分之一的人对数字欧元感兴趣（30%）。然而，他们对数据保护的担忧仍然显著（54%表示中度到高度的担忧）。

**簇2：“年轻学习者”（n = 74；14.7%）**
第二个簇是年轻学习者，代表了最年轻和财务上最脆弱的群体。这个群体主要年龄在18-25岁之间（36%），女性占多数（58%），大多数为单身（57%），且多为学生（34%）。教育水平通常仅限于高中（32%），收入水平较低，42%的人年收入低于10,000欧元。该群体主要集中在意大利南部（51%），反映了地区间青年就业和教育机会的差异。这个群体在所有维度上的金融素养最低。只有31%的人正确回答了简单利息问题，18%的人理解了复利，32%的人正确识别了通货膨胀的影响。“不知道”的回答比例在35%到48%之间，表明他们对基本金融原则缺乏了解。这些结果突显了该群体在基本金融知识方面的显著差距。他们的数字态度参差不齐，略低于平均水平。大约30%的人对数字支付的效率有高度信心，68%的人承认数字工具的广泛使用。对数字欧元的兴趣较低（35%），而隐私担忧较为严重（67%表示中度到高度的担忧）。

**簇3：“精通数字的年轻专业人士”（n = 280；55.8%）**
第三个簇是精通数字的年轻专业人士，主要包括26至35岁的年轻人（35%），男性略多（55%），大多数为单身（61%）。大多数参与者有工作（54%），受教育程度较高，其中一半拥有硕士学位。收入水平不一，有相当一部分人年收入超过40,000欧元（25%）。地理上，该群体集中在意大利中部（49%），这与城市劳动力市场和更高的数字普及率相符。这个群体的金融素养最高：75%的人正确回答了简单利息问题，83%的人正确识别了通货膨胀的影响，55%的人理解了复利。结果表明，这是一个具有金融知识且分析能力较强的群体，经常能将知识应用于职业环境中。他们对数字支付的效率（85%）和普及率（99%）有高度认可。对数字欧元的热情也非常积极（66%表示支持或持积极态度）。尽管存在隐私担忧（67%表示中度到高度的担忧），但这个群体采取了平衡的态度，既对创新持开放态度，又意识到潜在风险。

**比较解释与背景化**
对这三个簇的比较阅读揭示了在金融素养、数字态度和隐私担忧等关键维度上的明显差异。
- **成熟的专业人士**表现出高水平的金融知识和社会经济稳定性，同时对数字支付创新持中等程度的开放态度，并对隐私问题相对谨慎。
- **精通数字的年轻专业人士**结合了强大的金融知识和高度的数字信心及热情，尽管对隐私风险有持续的意识，但对数字欧元的态度最为积极。
- **年轻学习者**则表现出有限的金融素养和经济经验，数字熟悉度中等，但同时存在较高的不确定性和隐私担忧。

总体而言，这些簇展示了金融和数字能力的异质配置，而不是线性的采用轨迹。这些模式描述了不同知识、信心、热情和感知风险组合在人群中的共存方式。

**讨论**
本研究揭示了金融素养、隐私担忧和数字准备度如何共同塑造个人对创新支付工具的态度，特别是对数字欧元的态度。通过整合多重对应分析和聚类技术，研究超越了平均效应，突出了消费者对货币创新反应的异质性。识别出三个不同的人群群体——成熟的专业人士、精通数字的年轻专业人士和年轻学习者，证实了金融和数字行为并非统一，而是由特定的社会人口统计特征、认知资源和态度取向组合所决定的。

在不同簇之间，对数字欧元的态度差异似乎围绕三个相互关联的维度：金融素养、数字态度和隐私担忧。这些维度并非独立运作，而是在不同人群中以不同的方式相互作用，产生了对数字货币创新的开放度、谨慎性和抵抗力的异质模式。

我们的结果与先前的研究一致，即较高的金融素养与对数字支付的更积极态度相关（Long等人，2023年；Lusardi & Mitchell，2014年）。然而，结果还表明，仅凭金融知识不足以促进对CBDC等创新工具的接受。特别是，只有那些将金融知识与强烈的数字热情相结合的人，尤其是精通数字的年轻专业人士，才表现出对数字欧元的一致积极态度。这表明，素养是一种使能条件，而不是采用的直接驱动力。当知识伴随着对数字环境的情感投入和信心时，采用的可能性更大，从而支持并细化了Xiao和Porto（2017年）提出的双重素养概念。

同时，结果强调了隐私担忧的核心地位，这是新兴CBDC文献中的一个反复出现的主题（Salmony，2023年；Tronnier & Qiu，2024年）。与先前的研究一致，隐私厌恶在所有群体中普遍存在。然而，我们的配置分析显示，隐私担忧的性质并不均匀。对于年轻学习者来说，隐私担忧主要由不确定性和有限的金融及数字信心驱动，而对于成熟的专业人士来说，它们反映了更为知情和审慎的怀疑态度。这种差异为悖论增添了细微差别（Keith等人，2013年），并与模糊厌恶的行为理论（Ellsberg，1961年）相符，表明对数据滥用的担忧是对CBDC接受的限制，尽管其根源在于不同的认知和经验基础。

一个特别有洞察力的结果是，尽管精通数字的年轻专业人士具有高水平的金融素养、数字信心和对数字欧元的热情，但他们仍然存在中度到高度的隐私担忧。这种模式可以解释为隐私-创新悖论的一种表现，这种悖论通过基于知识的能力得以体现。较高的金融和数字知识可能增加了感知的有用性和易用性。它们也可能增强了对与数据密集型支付基础设施相关的更广泛制度和治理风险的意识。在这种意义上，高能力个体的隐私担忧反映了知情的风险意识，而不是对创新的抗拒。

另一个有趣的发现是不同簇之间的强烈区域差异。年轻学习者主要集中在意大利南部，而精通数字的年轻专业人士则主要分布在意大利中部。这一模式表明，对数字货币创新的准备程度不仅是个体属性，还反映了地域和系统条件，如区域劳动力市场、数字基础设施和创新生态系统。虽然金融素养和数字信心是个人层面的能力，但它们的协调受到当地社会经济环境的促进或限制。因此，社会包容性的数字创新不仅需要个人能力提升的举措，还需要基于地域差异的政策来减少区域间的数字和经济差距。从能力角度出发，这种细致的解释增强了隐私-创新悖论的解释力，并与摘要中概述的承诺相一致。对数字货币创新的接受并非源于缺乏担忧，而是源于在评估系统风险的同时能够平衡效率收益的能力。此外，该研究强调了数字热情作为一种独特的情感维度，它补充了传统的科技接受模型（如TAM和UTAUT（Davis, 1989; Venkatesh et al., 2003）。

从能力角度来看，这种细致的解释增强了隐私-创新悖论的解释力，并与摘要中提出的承诺相一致。对数字货币创新的接受并非源于没有担忧，而是源于在评估系统风险的同时能够平衡效率收益的能力。此外，该研究强调了数字热情作为一种独特的情感维度，它补充了传统的科技接受模型（如TAM和UTAUT（Davis, 1989; Venkatesh et al., 2003）。

总体而言，这些结果强调了采用多维度视角来理解消费者对数字货币创新的接受情况的重要性。金融知识、隐私认知和数字准备程度是共同作用而非独立作用的，共同塑造了接受或抵抗的多样化路径。通过揭示不同的认知和情感能力配置如何影响对数字货币的态度，这项研究推进了我们对中央银行数字货币（CBDC）接受的现有理解，并为更细致的理论和实证方法提供了基础。

**理论贡献**
这项研究为金融创新、CBDC接受和数字金融行为的相关文献做出了几项理论贡献，通过提出基于能力的和配置化的消费者接受理解。首先，该研究扩展了关于金融素养和数字支付接受的研究，表明金融知识的作用取决于具体情境，并依赖于互补的数字和情感能力。尽管以往的研究主要将金融素养视为接受的独立驱动因素（Long et al., 2023; Lusardi & Mitchell, 2014），但我们的结果表明，仅靠金融素养不足以产生对CBDC的积极态度。相反，当金融知识与数字信心和数字热情相结合时，接受意愿才会出现。在这方面，该研究超越了对现有模型的实证验证，并从理论上细化了“双素养消费者”框架（Xiao & Porto, 2017），强调了其配置化和相互依赖的结构而非叠加效应。其次，该研究通过提供对隐私关切的差异化概念化，为CBDC接受文献做出了贡献。虽然大多数现有研究将隐私厌恶视为接受的统一障碍，但我们的分类显示，隐私关切通过不同的认知机制在消费者群体中发挥作用。对于金融素养较低的个体，隐私关切源于不确定性和感知控制力低；而对于金融能力较强的个体，则反映了有根据的怀疑和风险意识。这种细致的观点通过整合模糊厌恶的行为理论（Ellsberg, 1961），进一步发展了隐私-创新悖论文献（Keith et al., 2013），并展示了隐私认知如何与基于知识的能力相互作用。第三，该研究引入了数字热情作为接受行为的独特情感驱动因素，从而扩展了传统的科技接受框架（如TAM和UTAUT（Davis, 1989; Venkatesh et al., 2003））。尽管现有模型主要关注感知有用性和易用性，但我们的结果表明，在不确定性较高的情境下（如CBDC），热情起到了激励作用，增强了尝试新金融工具的意愿。这一贡献通过明确将情感参与纳入认知评估的补充机制，丰富了接受理论。

**实践贡献**
这项研究为政策制定者、中央银行、金融机构和教育机构在设计和实施数字货币方面提供了若干实际建议。通过基于实证识别的消费者群体来制定这些建议，研究强调了差异化能力提升策略的战略重要性，以支持包容性和可持续的数字货币创新。这些差异表明，有效实施数字货币不仅需要差异化的沟通方式，还需要根据用户能力的不同定制信息设计。首先，将“数字素养高的年轻专业人士”确定为最开放和热情的群体，表明他们可以在数字货币实施的初期阶段作为早期采用者和非正式知识传播者。他们较高的金融素养和数字信心使他们能够吸收、解释和传播复杂的金融知识，从而通过同伴学习、网络效应和社会扩散过程放大机构知识。其次，“年轻学习者”群体凸显了基于结构化知识发展的能力提升干预的迫切需求。有限的金融知识、较低的经济经验和较高的不确定性表明他们的知识吸收能力较弱。如果没有针对性的支持，这个群体可能会被排除在日益数字化的支付基础设施之外。因此，政策制定者和教育机构必须设计渐进式的学习路径，将基础金融知识与实际数字能力相结合，逐步增强个人获取、处理和应用金融知识的能力。在意大利南部等地区，“年轻学习者”群体表现出较高的不确定性（35-48%的“不知道”回答），因此应结合学校教育和社区层面的数字素养提升计划，以减少认知不确定性并提高包容性。第三，所有群体中持续存在的隐私关切强调了以信任为导向的知识管理的重要性。尽管不同群体的动机各不相同，但与数据保护、可追溯性和监控相关的关切构成了知识接受的系统性障碍。因此，中央银行和公共机构应优先考虑透明的知识传播，包括治理框架、数据管理原则和匿名保护措施。清晰、可信和易于理解的解释可以减少感知的不透明度，并增强数字货币作为可信公共基础设施的合法性。第四，基于群体的分类为差异化政策设计提供了实用工具，使机构能够根据用户能力的不同调整沟通和教育策略。政策制定者可以根据用户能力的不同，制定从高级技术内容到简化信任建设的多样化信息策略。最后，金融机构和金融科技提供商可以利用能力分类来提高用户对数字金融服务的参与度。通过将界面设计、支持系统和教育工具与不同的金融知识和数字准备程度相匹配，提供商可以增强用户的理解，降低感知风险，并支持更包容的采用模式。

**结论**
这项研究探讨了金融素养、隐私关切和数字准备程度如何影响对创新支付工具的态度，特别关注数字货币。通过应用多重对应分析和聚类分析，研究识别出三个在金融能力、数字态度和对货币创新的开放程度上存在系统差异的消费者群体。结果表明，对数字货币创新的接受是由认知、情感和信任相关因素的复杂相互作用驱动的。金融素养只有在伴随数字信心和热情的情况下才能支持接受，而隐私关切仍然是一个重要且普遍存在的障碍，其影响因社会人口统计特征和能力差异而异。除了数字货币这一特定案例外，这些结果还通过强调个体基于知识的能力在塑造数字金融生态系统中的包容性和排斥模式中的作用，推进了对可持续数字转型的理解。金融领域的数字化转型不仅是一个技术或制度过程，也是一个社会和认知过程，取决于理解、信任和参与新基础设施的能力。从政策角度来看，这些结果在欧洲关于中央银行数字货币和数字主权的讨论中尤为重要。它们表明，像数字货币这样的倡议的长期成功将取决于技术设计、治理框架与个体能力之间的协调。共同解决这些维度对于促进信任、金融包容性和数字支付生态系统的可持续发展至关重要。

**局限性与未来研究方向**
这项研究存在一些局限性，但也指出了未来研究的有希望的方向。首先，分析依赖于在意大利收集的非概率在线样本，这限制了结果的普遍性。虽然这与研究的探索性目标一致，但未来的研究可以采用来自多个欧洲国家的代表性样本，以考察制度环境、文化因素和监管环境如何影响CBDC接受的消费者差异。此外，还需要对样本的教育背景进行背景化分析。国家统计数据显示，只有约20%至22%的25至64岁意大利成年人拥有高等教育学位，存在显著的区域差异（例如，中部为23%，南部约为19%），整体高等教育覆盖率低于欧盟平均水平。相比之下，我们的样本（尤其是第1组，其中61%的人拥有硕士学位）受教育程度明显高于一般人群，这表明可能存在自我选择偏差，即受访者更适应数字和在线环境。因此，对研究结果的解释应理解为反映了一个数字化参与度较高且受教育程度较高的子样本的态度模式，而不是整个群体的接受率估计。因此，未来的研究应采用基于概率或分层的抽样方法，以更好地反映意大利人口的人口分布，从而提高接受度和准备度测量的外部有效性。其次，研究的横断面设计不允许进行因果推断或观察随时间的变化。纵向研究设计将特别有助于研究金融素养、信任、隐私认知和数字态度如何随着数字货币项目的推进而演变。第三，尽管聚类方法捕捉到了有意义的金融和数字能力配置，但分析仅限于特定的变量集。未来的研究可以通过纳入额外的个体层面因素（如人格特质、风险偏好或社会影响）以及组织或情境变量来丰富这一框架。混合方法结合定量分类和定性洞察可以进一步深化我们对潜在心理和行为机制的理解。第四，该研究关注的是声明的态度和认知，而不是观察到的行为。随着数字货币的试点项目和实际应用的推出，未来的研究可以利用实验设计、实地研究或交易级数据来评估态度模式是否以及如何转化为实际使用模式。最后，未来的研究可以进一步探讨数字货币创新的社会和可持续性影响。特别是，研究可持续性价值观、ESG原则的认知以及对社会影响的看法如何影响CBDC的接受，有助于理解数字金融创新如何设计出既能提高经济效率又能实现社会包容性的结果。

**数据可用性**
本研究的数据可向相应作者请求获取。

**资金声明**
本项工作得到了拉齐奥地区POR-FESR项目“Riposizionamento competitivo RSI – SIMICOM”（“通过操作模式分析和智能损伤检测使用AI算法的 critical 基础设施监控集成系统”）的支持。这笔资金仅用于支付出版费用；该研究项目的任何基础研究工作均未得到这笔资助的支持。

**CRediT作者贡献声明：**

- **Carlo Drago**：撰写初稿、提供指导、开发软件、制定研究方法、进行形式分析以及数据整理。
- **Elvira Anna Graziano**：参与审稿与编辑工作、撰写初稿、负责数据可视化、提供指导并参与概念框架的构建。
- **Gerardo Petroccione**：参与审稿与编辑工作、撰写初稿、提供指导并负责项目管理工作以及相关调查。
- **Tomá? Moravec**：参与审稿与编辑工作、撰写初稿以及提供指导。