一句话总结

本研究通过对尼日利亚五家最大持牌银行进行结构化问卷横截面调查，并结合有序逻辑回归模型，得出结论：高层管理支持、IT基础设施、合规性、员工能力以及感知有效性能够加速基于AI的欺诈检测系统的采用，而高昂的实施成本则会抑制采用意愿。

核心贡献

• 本研究将技术接受度与欺诈预防决定因素整合至统一的分析框架中，通过实证方法识别出推动尼日利亚银行业采用基于AI的欺诈检测系统的关键因素。
• 研究对五家主要持牌银行的结构化调查数据应用有序逻辑回归模型，量化分析高层管理支持、IT基础设施、合规性、员工能力及感知有效性如何加速系统采用。
• 分析将高昂的实施成本识别为主要阻碍因素，同时证实了上述五项驱动因素的显著影响，从而为高管培训、可扩展的IT投资以及监管指南制定提供了可操作的建议。

引言

随着数字交易的激增，尼日利亚银行业正面临日益严峻的金融欺诈风险，这使得基于AI的检测系统成为维持运营安全与合规性的关键。以往依赖规则机制的方法在面对复杂的网络威胁时显得力不从心，且现有文献往往忽视了阻碍尼日利亚等新兴经济体采用AI的具体基础设施与监管壁垒。本研究作者运用创新扩散理论，对尼日利亚银行业的AI采用程度进行了实证分析，将成本、合规性与能力识别为主要决定因素，并提出统一框架以指导战略实施与政策制定。

数据集

• 数据集构成与来源： 作者编制了一份原始调查数据集，旨在评估基于AI的欺诈检测系统在尼日利亚银行业的采用情况。数据来源于一项横截面研究，目标总体为24家持牌存款货币银行，研究依据市值、总资产和客户基础，通过目的性抽样选取了五家机构。
• 子集详情： 最终收集到47份有效问卷。每家参与银行提供10名高级员工，形成按部门（IT占40%，欺诈调查占26%，风险管理占34%）、性别（男性占72%，女性占28%）及专业经验（10年以下、10至20年、20年以上）的结构化分布。
• 数据使用与处理： 作者利用该数据集运行有序逻辑回归模型，以识别关键采用驱动因素与障碍。数据被结构化处理为人口统计元数据与有序李克特量表响应，用于统计建模而非机器学习训练集划分。响应分布经过汇总，用于计算管理支持、IT基础设施及实施成本等变量的回归系数。
• 验证与量表处理： 调查问卷采用两部分结构，将受访者背景信息与按五点李克特量表评分的操作问题分开。作者通过专家评审确保结构效度，并使用Cronbach's Alpha验证内部一致性，仅在最终分析前保留达到0.72可靠性阈值的题项。

方法

作者采用有序逻辑回归（OLR）模型，分析基于AI的欺诈检测系统（AIFA）采用水平与各类影响因素之间的关系。鉴于因变量AIFA采用有序尺度测量，反映了采用水平的自然排序且未假设类别间间隔相等，该方法十分适用。模型函数形式表示为：

$$\mathrm{AIFA} = f(\mathrm{TMS}, \mathrm{ITI}, \mathrm{COI}, \mathrm{REC}, \mathrm{COM}, \mathrm{PEF})$$AIFA=f(TMS,ITI,COI,REC,COM,PEF)

其中，TMS代表高层管理支持，ITI表示IT基础设施，COI代表实施成本，REC指监管合规，COM表示员工能力，PEF代表感知有效性。

在计量经济学形式下，模型设定为：

$$\logit \big( P(Y = j) \big) = \alpha_{j} + \beta_{1} \mathrm{TMS} + \beta_{2} \mathrm{ITI} + \beta_{3} \mathrm{COI} + \beta_{4} \mathrm{REC} + \beta_{5} \mathrm{COM} + \beta_{6} \mathrm{PEF}$$\logit(P(Y=j))=αj​+β1​TMS+β2​ITI+β3​COI+β4​REC+β5​COM+β6​PEF

此处，$P(Y = j)$P(Y=j) 表示响应变量 $Y$Y（代表AI欺诈检测系统采用水平）落入类别 $j$j 或以下的累积概率。参数 $\alpha_{j}$αj​ 代表各类别的截断点，而 $\beta_{1}$β1​ 至 $\beta_{6}$β6​ 为与各解释变量相关的系数。该模型估算各预测变量变化如何影响处于更高采用类别的优势比（odds），从而识别显著影响欺诈检测中AI采用程度的因素。

[[IMG:]]

实验

评估首先从信度检验与卡方分析开始，以验证测量工具并确认机构规模对AI采用模式具有显著影响。随后采用有序逻辑回归模型剥离核心组织驱动因素，验证了高管承诺、稳固的IT基础设施、监管一致性、员工专业知识以及感知系统效用对实施具有正向促进作用，而高昂的资金门槛则会阻碍采用。诊断测试进一步证实了该分析框架的统计适宜性，共同确立了机构能力与领导层一致性是银行业欺诈检测AI成功整合的基础决定因素。

作者进行卡方检验以考察银行规模与AI采用水平之间的关系，发现存在统计学上的显著关联。结果表明，相较于小型银行，大型银行更倾向于采用AI技术，这表明资源与数字化成熟度的差异会影响采用水平。银行规模与AI采用水平之间存在统计学显著关联，大型银行采用AI技术的概率更高，该关联具有统计学意义，表明银行规模确实影响AI采用水平。

作者使用回归模型分析了影响尼日利亚银行采用AI欺诈检测系统的因素。结果显示，高层管理支持、IT基础设施、合规性、员工能力及感知有效性均具有显著的正向影响，而实施成本则对采用水平产生显著的负向影响。上述五项因素正向促进AI欺诈检测的采用，实施成本则产生负向影响。该回归模型解释了AI采用水平方差中的相当大一部分。

作者使用Cronbach's Alpha评估调查构念的内部一致性，结果表明大多数构念表现出良好至优秀的信度。由多个题项组成的总体量表显示出较强的信度，支持了本研究测量框架的稳健性。大多数构念具有良好的内部一致性，其中多数Cronbach's Alpha值高于0.7。结合多个题项的总体量表表现出优秀的信度，表明测量一致性较强。实施成本与监管合规等构念显示可接受的信度，说明这些变量具有充分的内部一致性。

作者通过统计检验分析了影响尼日利亚银行采用AI欺诈检测系统的因素。卡方检验结果显示变量与采用水平之间无显著关联，而全局检验证实了所用回归模型的适宜性。研究结果表明，高层管理支持与IT基础设施等因素可能影响采用程度，但这些关系的统计学显著性存在差异。卡方检验结果表明变量与AI采用水平之间不存在统计学显著关联。全局检验支持了分析中所用有序逻辑回归模型的有效性。分析强调，高层管理支持与IT基础设施等因素被视为重要，尽管其统计学显著性未得到卡方检验的证实。

本研究采用卡方检验、回归建模与信度评估，以评估银行业（尤其是欺诈检测系统）AI采用的组织驱动因素与测量效度。统计分析验证了大型机构因资源更优越、数字化程度更高而更易采用AI，同时成功实施取决于高管支持、稳固的IT基础设施、监管合规、员工能力及感知有效性，高昂成本则是主要阻碍因素。尽管双变量检验显示直接关联有限，但经过验证的回归框架证实，这些多维因素共同塑造了采用决策。此外，信度评估夯实了研究的方法学严谨性，表明所有调查构念均具有强大的内部一致性。