A Influência da Percepção de Riscos e Benefícios para Continuidade de Uso de Serviços Fintechs

Abstract

New technologies have been driving the global financial market, including fintech companies, which provide disruptive financial services in which information technology is the key factor. The objective of this study is to identify which factors most influence intentions to continue using these companies’ products. To achieve this, research by Ryu (2018) was replicated. Our adopted model evaluates the weight of seven factors composing two latent variables – perceived risk and perceived benefit – in the continuity of use of these services. The data collection was performed through an electronic survey, distributed through social networks during May and June of 2019. The main results confirmed seven of the eleven initial hypotheses, highlighting that the perceived benefits, especially the economic ones, were relevant to early adopters and seamless transactions were relevant for late adopters. Surprisingly, perceived risk was not a determinant of continuance intention. One of the contributions of this study is that it indicates some possible demographic and behavioral characteristics of Brazilian fintech consumers, opening up space for a better understanding of the market and service improvements.

Alternate abstract:

Novas tecnologias têm impulsionado o mercado financeiro mundial, como empresas chamadas de fintech, que oferecem serviços financeiros disruptivos em que a tecnologia da informação é fator chave. O objetivo deste trabalho é identificar quais fatores mais influenciam a intenção de continuidade de uso dos produtos oferecidos por essas empresas. Para isso, foi replicada a pesquisa de Ryu (2018). O modelo adotado avalia o peso de sete fatores que compõem duas variáveis latentes - risco e benefício percebidos - na continuidade de uso desses serviços. A coleta de dados foi realizada por meio de questionário eletrônico distribuído por redes sociais entre maio e junho de 2019. Os resultados principais ratificaram sete das onze hipóteses iniciais, enfatizando que a percepção dos benefícios, especialmente os econômicos, foram relevantes para adotantes iniciais e a fluidez na transação, para adotantes tardios. Surpreendentemente, a percepção de risco não foi determinante para intenção de continuidade de uso. Uma das contribuições deste estudo é apontar possíveis características demográficas e comportamentais do cliente brasileiro de fintechs, abrindo espaço para compreensão do mercado e melhoria nos serviços.

Headnote

RESUMO

Novas tecnologías tem impulsionado o mercado financeiro mundial, como empresas chamadas de fintech, que oferecem serviços financeiros disruptivos em que a tecnologia da informaçâo é fator chave. O objetivo deste trabalho é identificar quais fatores mais influenciam a intençâo de continuidade de uso dos produtos oferecidos por essas empresas. Para isso, foi replicada a pesquisa de Ryu (2018). O modelo adotado avalia o peso de sete fatores que compóem duas variáveis latentes - risco e beneficio percebidos - na continuidade de uso desses serviços. A coleta de dados foi realizada por meio de questionário eletrônico distribuido por redes sociais entre maio e junho de 2019. Os resultados principais ratificaram sete das onze hipóteses iniciais, enfatizando que a percepçâo dos beneficios, especialmente os económicos, foram relevantes para adotantes iniciais e a fluidez na transaçâo, para adotantes tardios. Surpreendentemente, a percepçâo de risco nâo foi determinante para intençâo de continuidade de uso. Uma das contribuiç0es deste estudo é apontar possíveis características demográficas e comportamentais do cliente brasileiro de fintechs, abrindo espaço para compreensâo do mercado e melhoria nos serviços.

PALAVRAS-CHAVE

fintech, intençâo de continuidade, risco percebido, beneficio percebido

1.INTRODUÇÂO

Nas últimas décadas, o mundo tem passado por transformaçao sem precedentes. O grande avanço nas aplicaçoes de tecnologías digitais está modificando a forma como nos comunicamos, consumimos bens e serviços, ou nos relacionamos com as pessoas. O fundador do Fórum Económico Mundial, Klauss Schwab (2016), definiu tecnologia digital como sendo "a tecnologia fundamentada no computador, softwares e redes de comunicaçâo". Sao os chamados serviços digitais. Esses novos canais e tecnologias podem ser utilizados por diferentes consumidores, tornando os serviços mais ágeis, baratos, padronizados e confiáveis.

Com o desenvolvimento e evoluçao dos serviços financeiros eletrónicos tradicionais, houve o surgimento de novas empresas no setor, que usam a tecnologia, nao apenas como facilitador para entregar os serviços já oferecidos tradicionalmente, mas também como uma ferramenta inovadora que interrompe a cadeia de valor, ignorando os canais existentes (Ryu, 2018). Sao empresas fintechs, termo composto de "finanças" e "tecnologia", que se refere a convergencia de serviços financeiros e da Tecnologia da Informaçao (Kim et al., 2016).

Com as fintechs, os usuários podem se conectar em uma variedade de serviços móveis, tais como fazer pagamentos, transferir dinheiro, fazer solicitaçoes de empréstimo, compra de seguros, gerenciamento de ativos e realizaçao de investimentos (Ryu, 2018) entre outros. Para diferenciar claramente os serviços digitais oferecidos pelas empresas financeiras tradicionais dessas novas organizaçoes, neste artigo adotaremos a definiçâo de Ryu (2018) para fintechs como "[...] serviços financeiros inovadores e disruptivos fornecidos por empresas nao financeiras, onde a TI é o fator chave".

Apesar dos investidores estarem apostando alto nesse modelo de negócio, a aceitaçao das fintechs pelos consumidores de serviços financeiros, bem como seu uso continuo ainda é duvidoso. Alguns usuários sao céticos em utilizar os serviços de fintechs por considerarem que sua operaçao oferece riscos consideráveis (Ryu, 2018). Assim, torna-se essencial identificar os fatores que mais influenciam as pessoas a aceitarem ou nao o uso dos serviços financeiros oferecidos por essas empresas no Brasil.

Consumidores, geralmente, tomam decisóes com informaçoes incompletas ou imperfeitas (Kim et al., 2016), deparando-se com certo grau de risco, ao mesmo tempo em que identificam alguns beneficios que podem influenciar suas decisóes de utilizar ou nao produtos e serviços. Nem todos consumidores reagem da mesma maneira, nem ao mesmo tempo a esses fatores percebidos. Segundo Rogers (1983), os individuos podem ser classificados em cinco categorias, de acordo com a velocidade com que aceitam novas tecnologias: inovadores, adotantes iniciais, maioria inicial, adotantes tardios e retardatários. Kim et al. (2010) simplificaram essa classificaçao, agrupando os tres primeiros grupos (inovadores, adotantes iniciais e maioria inicial) em "adotantes iniciais", os quais representam os consumidores que gostam de inovaçao e aceitam rapidamente as novas tecnologias. Os dois últimos grupos (adotantes tardios e retardatários) foram agrupados em "adotantes tardios", representando aqueles mais resistentes ao uso das novas tecnologias. Foi essa a classificaçao adotada para este artigo.

Este trabalho tem foco em identificar tanto os fatores de beneficios percebidos, quanto os de riscos percebidos que influenciam o uso dos serviços digitais financeiros providos por empresas do tipo fintech. Para isso, a proposta é replicar a pesquisa aplicada por Ryu (2018) na Coreia do Sul e seu questionário, adaptando o modelo da autora para o público brasileiro. Com isso, buscamos responder a seguinte questao: quais sao os fatores que mais influenciam a intençao de continuidade de uso por parte do consumidor de serviços digitais?

Os objetivos especificos do presente trabalho sao:

* Identificar se existe diferença entre os fatores que influenciam o comportamento dos adotantes iniciáis dos adotantes tardios;

* Identificar quais benefícios percebidos mais influenciam a intençâo de continuidade de uso dos serviços oferecidos pelas fintechs;

* Identificar quais riscos percebidos mais influenciam a intençâo de continuidade de uso dos serviços oferecidos pelas fintechs.

2.FUNDAMENTAÇÂO TEÓRICA

Para avançar na compreensâo dos fatores que influenciam a continuidade de uso de serviços de fintechs, este estudo busca incorporar e combinar modelos já estabelecidos pelas áreas de conhecimento de comportamento do consumidor, de forma a construir um modelo consolidado que possa atingir os objetivos desejados.

2.1. TRA ( Theory of Reasoned Action)

A Teoria da Açâo Racional (TRA, do ingles Theory of Reasoned Action) é uma das teorias mais aceitas de comportamento de consumidor dentro da psicología social, estabelecida pelos estudos de Fishbein & Ajzen (1975) e Fishbein & Ajzen (1980) para explicar comportamento em diversos contextos. Para os autores, a TRA é "desenhada para explicar virtualmente qualquer comportamento humano" (Fishbein & Ajzen, 1980). Essa teoria é apropriada para estudar fatores que influenciam o consumidor a adotar serviços digitais como nesse caso.

De acordo com a TRA, a intençâo do comportamento de uma pessoa é uma medida de intensidade da intençâo da pessoa em se engajar em um comportamento determinada por dois fatores em conjunto: a atitude da pessoa em relaçâo ao comportamento e suas normas subjetivas a respeito de se engajar nesse comportamento. O fator de atitude refere-se ao estado emocional da pessoa - se é positivo ou negativo - em relaçâo aquela tarefa: sâo suas crenças a respeito da probabilidade subjetiva das consequencias de adotar o comportamento em questâo. Já normas subjetivas sâo normas sociais subjetivas, ou seja, a percepçâo da pessoa em relaçâo ao que seus pares pensam a respeito desse comportamento. Essa percepçâo é composta por suas crenças normativas, ou seja, a expectativa que pessoas ou grupos específicos tem a respeito do comportamento em questâo e pela motivaçâo da pessoa em cumprir com essas expectativas.

A Tabela 1 ilustra estudos prévios que analisaram o framework do processo de tomada de decisâo, ao adotar ou utilizar serviços de tecnologia da informaçâo (Shawaqfeh, 2018; Martins et al., 2014; Lee, 2009; Rahi et al., 2019; Gangwar et al., 2015; Lin et al., 2020). A maioria desses estudos consideraram os benefícios e riscos percebidos como um conceito multidimensional que geralmente contém vários tipos de benefícios e riscos.

Martins et al. (2014), por exemplo, discutem a teoria de aceitaçâo e uso de tecnologia com os riscos percebidos no internet banking enfatizando o risco de barreiras psicológicas dos usuarios, enquanto Rahi (2019) faz um paralelo entre expectativas de esforço e de desempenho também para o mesmo ramo. A facilidade e qualidade de crédito sâo exploradas por Shawaqfeh (2018) nas varias aplicaçoes do e-commerce, reforçando que a qualidade do crédito infere segurança ao sistema .

Lee (2009) propóe um modelo teórico para explicar a intençâo de utilizar serviços de internet banking. Neste estudo, o risco percebido foi entendido como uma composiçâo de fatores como segurança/privacidade, risco financeiro, risco social, tempo/conveniencia e riscos de desempenho, enquanto o beneficio percebido foi visto como uma construçâo única. Gangwar et al. (2015) analisaram os beneficios e riscos na utilizaçâo dos serviços por meio da computaçâo da nuvem. Neste estudo, os autores propóem seis tipos de beneficios a saber: compatibilidade, prontidáo organizacional de competencias, suporte gerencial, facilidade de uso, competitividade, treinamento e educaçâo, e dois tipos de riscos - complexidade e segurança -, associados com a adoçâo de computaçâo na nuvem.

Lin et al. (2020) investigam os antecedentes da utilizaçâo dos serviços de pagamento móvel, perspectivas estas, baseadas na teoria da relaçâo entre custo e beneficio, valor percebido e influencias sociais. Como beneficios percebidos, os autores propóem vantagem relativa, compatibilidade de serviços, influencia social; e como custos percebidos, os autores propuseram segurança e custos nas transaç0es.

2.2. Net Valence

Combinando os beneficios e riscos percebidos, Peter e Tarpey (1975) forneceram um modelo chamado de Modelo de Valencia (Net Valence), assumindo que os consumidores percebem produtos ou serviços com atributos positivos e negativos e tomam decisóes para maximizar a valencia proveniente da sua aceitaçâo.

Específicamente, os beneficios e riscos do uso da fintech podem ser considerados de acordo com crenças pessoais (positivas ou negativas) que determinem atitudes e, mais adiante, intenç0es e aç0es comportamentais (Jurison, 1995).

O modelo Net Valence aborda a percepçâo do consumidor a respeito de riscos e beneficios do produto ou serviço a ser utilizado como fatores que influenciam sua aceitaçâo. Esse modelo é fundamentado na teoria original chamada Theory of Reasoned Action (TRA) (Fishbein & Ajzen, 1980) já abordados anteriormente neste artigo.

2.3. Modelo para análise de riscos e benefícios no uso de fintechs

Com base nos modelos de TRA e Net Valence, a intençâo de usar continuamente os produtos e serviços das fintechs dependería da percepçâo dos usuarios em relaçâo ao seu uso, visto que é influenciada por crenças comportamentais. Em 2018, Hyun-Sun Ryu propôs um modelo baseado nessas teorias para avaliar os fatores que fazem o usuario se tornar disposto ou hesitante para utilizar os serviços de uma fintech.

Neste modelo sao abordados tres tipos de benefícios: beneficio económico, como a reduçâo de custos ou vantagens financeiras advindos da utilizaçâo de serviços das fintechs; facilidade de transaçâo, referente a velocidade e simplicidade das transaçoes feitas por fintechs; e conveniencia, como a possibilidade de usar serviços de fintechs em qualquer lugar, a qualquer hora do dia. Também sao abordados quatro tipos de riscos: financeiro, como o potencial de perda financeira na utilizaçâo de fintechs; legal, como a insegurança jurídica advinda da falta de regulamentaçâo das fintechs; de segurança, como o potencial de perda financeira por fraude ou ataques cibernéticos que comprometam a segurança das transaçoes da fintech; e operacional, como o potencial de perda financeira por problemas em processos internos ou insolvencia de uma fintech. A Figura 1 mostra o modelo proposto e aplicado por Ryu (2018), que estabelece todas as hipóteses a serem testadas neste estudo.

O modelo proposto considera que a percepçâo dos beneficios e riscos obtidos por meio da utilizaçâo de fintechs influencia a intençâo do consumidor a continuar utilizando esse tipo de serviço. Espera-se que os beneficios percebidos tenham influencia positiva na intençâo de continuidade de uso de fintechs. Por outro lado, os riscos percebidos devem influenciar negativamente essa mesma intençâo de continuidade.

Dessa forma, estabelecemos as primeiras hipóteses do modelo a serem testadas:

* Hi: O beneficio percebido está positivamente relacionado a intençâo de continuidade da utilizaçâo dos serviços digitais oferecidos pelas fintechs.

* H2: O risco percebido está negativamente relacionado a intençâo de continuidade da utilizaçâo dos serviços digitais oferecidos pelas fintechs.

2.3.1 Fatores de Beneficio para o uso continuo das fintechs

As motivaçoes dos usuários tem sido classificadas como fatores extrínsecos e intrínsecos pela teoria da avaliaçâo cognitiva (Davis et al., 1989). Esse estudo propôs tres motivaçoes como os componentes de beneficio geral percebido: beneficio económico, fluidez da transaçâo e conveniencia. O beneficio económico é a motivaçâo mais comum e consistente para a fintech (Lee & Teo, 2015). Beneficio económico inclui reduçoes de custos e ganhos financeiros de transaçoes.

Algumas aplicaçoes das fintechs podem sugerir custos de transaçâo mais baixos para os usuários, se comparados com provedores tradicionais de serviços financeiros, fornecendo diretamente serviços padronizados através de plataforma de serviços móvel sem intermediaçâo (Mackenzie, 2015). Outras aplicaçoes das fintechs, que geralmente oferecem serviços online ou via plataforma móvel, também podem fornecer maiores retornos aos credores, e menores taxas de juros para os mutuários do que as instituiçoes financeiras tradicionais, usando plataformas com menores custos indiretos (Gerber et al., 2012; Lee & Lee, 2012).

A fluidez da transaçâo refere-se ao beneficio relacionado a transaçâo do uso da fintech que elimina instituiçoes financeiras tradicionais, permitindo que os usuários gerenciem transaçoes em plataformas económicas, resultando em transaçoes financeiras mais simples e rápidas (Chishti, 2016; Zavolokina et al., 2016a). Além disso, os provedores nâo financeiros (ou seja, empresas de TI) podem criar e oferecer aos clientes produtos e serviços financeiros inovadores e amigáveis ao cliente, pois fornecem diretamente seus produtos e serviços.

A conveniencia é uma das motivaçoes impulsionadas pela portabilidade e acessibilidade imediata (Lee & Teo, 2015; Sharma & Gutierrez, 2010). Conveniencia refere-se a flexibilidade no tempo e na localizaçâo (Okazaki & Mendez, 2013), o fator mais importante no sucesso dos serviços on-line e móveis (Kim et al., 2010). Os usuários podem adquirir conveniencia e eficiencia sem precedentes por meio de dispositivos móveis sem deslocamento fisico para as instituiçoes financeiras. As relaçoes entre os fatores supracitados e o beneficio percebido pelo usuario de fintechs serâo testadas pelas hipóteses:

* H3: O beneficio económico está positivamente relacionado ao beneficio percebido.

* H4: A fluidez da transaçâo está positivamente relacionada ao beneficio percebido.

* H5: A conveniencia está positivamente relacionada ao beneficio percebido.

2.3.2.Fatores de Risco para o uso continuo das fintechs

Além dos beneficios percebidos, a inovaçâo geralmente vem com riscos (Schierz et al., 2010). Como os serviços de fintechs sâo serviços emergentes e sem precedentes, seus usuários sâo vulneráveis a riscos de longo alcance.

Cunningham (1967) categorizou risco percebido em seis dimensoes: desempenho, consideraçâo financeira, oportunidade/tempo, segurança, fatores sociais e fatores psicológicos. Ao transferir essa estrutura para o contexto das fintechs, este estudo desenvolveu os quatro tipos de riscos como fatores de risco percebidos: riscos financeiro, legal, de segurança e operacional.

Risco financeiro refere-se ao potencial prejuízo financeiro nas transaçoes financeiras das fintechs (Forsythe et al., 2006). As perdas financeiras das fintechs, causadas pelo mau funcionamento do sistema de transaçoes financeiras, fraude financeira, risco moral e taxas extras de transaçao associadas ao preço de adoçao inicial (Forum Económico Mundial, 2015; Zavolokina et al., 2016b), estáo negativamente relacionadas com a intençao de uso continuo. Risco legal refere-se a incerteza da situaçao legal e a falta de regulaçoes para fintechs. Como a industria de fintechs nao tem precedentes no mercado, a falta de regulaçao referente a perdas financeiras ou problemas de segurança pode resultar em ansiedade ou desconfiança por parte do usuario (Ryu, 2018). Risco de segurança é definido como a possivel perda por fraude ou invasao por hackers que comprometa a segurança das transaçoes financeiras. O uso das fintechs está associado a um potencial de perda relativamente alto (ou seja, privacidade, dados pessoais, transaçoes) (Schierz et al., 2010). Isso também aumenta o risco percebido. O risco operacional é uma barreira crítica para os usuários, uma vez que muitas perdas operacionais importantes atingiram grandes instituiçoes financeiras, levando a grave perturbaçao financeira ou colapso dessas instituiçoes. Risco operacional refere-se a perda potencial devido a processos internos, funcionarios e sistemas inadequados ou com falha (Barakat & Hussainey, 2013). Se as probabilidades de risco dos sistemas financeiros e operaçoes da empresa forem altas, os usuarios nao continuarlo usando fintechs. Falta de habilidades operacionais e respostas imediatas, o mau funcionamento dos sistemas e processos internos inadequados resultarao na desconfiança dos usuarios e insatisfaçao, levando ao impedimento do uso de fintechs.

Devido aos riscos percebidos, os usuarios tomarao decisoes de uso com base na boa reputaçao das empresas de tecnología financeira em termos de habilidades operacionais e sistemas avançados. Consequentemente, os tres tipos de riscos podem afetar significativamente o risco geral percebido, influenciando negativamente a intençâo de continuidade de uso da fintech. A influencia dos fatores de risco citados em relaçao ao risco percebido pelos usuarios de fintechs pode ser testada pelas hipóteses:

* Нб: O risco financeiro esta positivamente associado ao risco percebido.

* H7: O risco legal esta positivamente associado ao risco percebido.

* H8: O risco de segurança esta positivamente associado ao risco percebido.

* H9: O risco operacional esta positivamente associado ao risco percebido.

2.4. Tipo de usuario e o efeito de moderaçâo

Quando uma inovaçao é lançada no mercado, nem todos os individuos daquela sociedade a adotam simultaneamente. O período que cada um leva para adotar essa inovaçao pode variar devido a diversos fatores. Rogers (1983) classificou os individuos em cinco categorias, de acordo com o tempo que cada um leva para começar a utilizar uma determinada inovaçao. Sao elas: inovadores, adotantes iniciais, maioria inicial, maioria tardia e retardatarios. Kim et al. (2010), ao estudarem fatores que influenciam usuarios a adotarem sistemas de pagamento móveis, propuseram uma simplificaçâo desse modelo, dividindo a amostra de usuarios em adotantes iniciais e adotantes tardios. Neste estudo, adotaremos o modelo proposto por Kim et al. (2010), dividindo os respondentes da pesquisa em adotantes iniciais e tardios.

Estudos empíricos anteriores (Escobar-Rodríguez & Romero-Alonso, 2014; Hong & Zhu, 2006; Kim et al., 2010) mostram que adotantes iniciais sao individuos interessados em adotar novas tecnologias ou serviços e estao dispostos a arriscar. Adotantes tardios sao pessoas mais reservadas e céticas quanto a adoçao de novas tecnologias ou serviços.

As distinçoes entre adotantes iniciáis e tardios no setor financeiro sao mais significativas do que em outros setores. A comparaçao das características dos adotantes precoces e tardios pode fornecer aos pesquisadores e profissionais valiosos insights. O modelo baseia-se nas seguintes hipóteses em relaçao aos diferentes tipos de usuarios:

* H10: O efeito do beneficio percebido da intençao de continuidade na fintech em adotantes iniciais é maior do que em adotantes tardios.

* H11: O efeito do risco percebido da intençao de continuidade na fintech em adotantes tardios é maior do que nos adotantes iniciais.

3.METODOLOGIA

A pesquisa realizada é considerada quantitativa, descritiva e correlacional. Os fenómenos de pesquisa sao observados, registrados, analisados e correlacionados sem que haja manipulaçao deles (Cervo et al., 2007). A estratégia de pesquisa adotada é a survey, na qual a obtençao dos dados e informaçoes que se deseja levantar é feita através de um instrumento de pesquisa pré-definido, normalmente um questionário (Freitas et al., 2000).

Foi feito pré-teste com oito respondentes, e o resultado obtido resultou na retirada de uma das perguntas, considerada redundante, e apontou para a necessidade de alteraçao da redaçao de trés questóes, tornando-as mais claras. A pergunta inicial fez a seleçao dos respondentes, garantindo que todos já haviam utilizado algum serviço de fintech.

Em seguida, cada uma das hipóteses foi avaliada com trés a quatro perguntas, seguindo o modelo utilizado anteriormente por Ryu (2018), com escala Likert de sete pontos, onde 1 (um) significava "Discordo Totalmente" e 7 (sete) "Concordo Totalmente".

No final foram adicionadas nove questóes demográficas e informativas, com intençao de conhecer as características da populaçao de respondentes com relaçao a sexo, faixa etária, faixa de renda individual, nivel de escolaridade, regiao do país em que reside, tempo de utilizaçao dos serviços e, por fim, se o respondente também faz uso de bancos tradicionais. O questionário para coleta de dados foi elaborado na ferramenta TypeForm, e o link correspondente foi enviado aos participantes. A amostra foi selecionada por conveniéncia, nas redes sociais dos autores e na lista da instituiçao (FEA-USP), contando com respondentes de todas as regióes do país, com maior concentraçao na regiao Sudeste, conforme observado na Tabela 2.

As respostas obtidas totalizaram 181 respondentes, sendo 155 usuários de fintechs, compondo um percentual de 85,64% de participantes válidos. A Tabela 2 ilustra as características da amostra. Observa-se que houve equilíbrio entre respondentes dos sexos masculino e feminino, com grande parte dos respondentes com idades entre 16 e 45 anos, com educaçao superior completa ou p0s-graduaçao, com faixa de renda acima de R$ 4.401,00 e residentes nas regióes sudeste e sul. A amostra apresenta certa homogeneidade em relaçao a renda e frequéncia de uso de fintechs.

Neste estudo, foram adotados os métodos PLS para testar o modelo proposto e suas hipóteses, de análise por árvores de decisao e de clusters, para descobrir os padróes dos perfis de usuários de fintechs para prever qual público tem maior intençao de continuidade na utilizaçao dos serviços de fintechs. O método PLS é recomendado para modelos de pesquisas preditivas, com énfase no desenvolvimento de teoria (Hair Jr. et al., 2014). Dado que este estudo é uma tentativa para avançar no modelo teórico que determina os fatores de beneficio e risco que influenciam inte^óes de comportamento em relaçao a fintechs, esse método foi escolhido devido a sua adequaçao a ciéncia exploratória (Hair et al., 2014). Para a análise, foi utilizado o software Smart PLS versao 3.0.

Por conta do caráter exploratorio desta pesquisa, foram realizadas as análises de cluster e a árvore de decisâo (Oliveira, 2004). Para ambas as análises, foram utilizados o software RStudio e as bibliotecas CAR, C5.0 e cluster. A árvore de decisâo é uma técnica de avaliaçâo de diversas alternativas, por meio do cálculo do valor esperado para cada alternativa, apresentando como principal vantagem a compilaçâo de estruturas compactas e de grande legibilidade, de modo que seus resultados sâo facilmente entendíveis (Halmenschlager, 2002).

A análise de cluster, também conhecida como análise de conglomerados, foi introduzida por (Tyron, 1939). Os procedimentos utilizados na análise de cluster podem ser hierárquicos ou nâo hierárquicos, e visam agrupar sujeitos ou variáveis em grupos homogéneos a partir de uma ou mais características comuns (Maroco, 2014).

4.ANÁLISE E DISCUSSÁO DOS RESULTADOS

A fim de analisar as influéncias de fatores comportamentais e demográficos na intençâo da continuidade de uso dos serviços oferecidos pelas fintechs, além de realizar os testes das hipóteses propostas por este estudo, foram utilizados trés tipos de análise: árvores de decisâo, conglomerados e PLS (mínimos quadrados parciais, do inglés partial least squares').

4.1. Árvores de Decisâo

Na análise de Árvore de Decisâo, espera-se descobrir os padróes dos perfis de usuarios de fintechs para prever qual público tem maior intençâo de continuidade de permanecer na utilizaçâo desse tipo de serviço.

De acordo com os resultados da pesquisa, a partir da Análise de Árvore de Decisâo, foram geradas árvores de decisâo para cada um dos fatores percebidos no modelo teórico e as variáveis demográficas (sexo, faixa etária, faixa de renda, uso de serviços financeiros em bancos tradicionais, tempo de uso e regiâo). A Tabela 3 apresenta os resultados da análise, mostrando quais variáveis demográficas foram mais utilizadas para cada fator do modelo.

Ao analisar o fator de beneficio percebido e o fator de risco percebido separadamente em relaçâo as variáveis demográficas, pode-se concluir que os atributos mais representativos na classificaçâo da árvore foram idade, faixa de renda e tempo de uso para beneficio percebido; e, para risco percebido, os atributos mais significativos foram regiâo, tempo de uso e idade. De forma análoga, para o fator intençâo de continuidade pode-se concluir que os atributos mais significativos para a classificaçâo da árvore foram faixa de renda, regiâo e tempo de uso.

4.2. Conglomerados

De acordo com os resultados da pesquisa com base na Análise de Conglomerados realizada no software RStudio, utilizando o método Ward e distancia euclidiana, notou-se que a separaçâo por 3 clusters é a que melhor produz grupos homogéneos internamente e heterogéneos entre si. A Análise de Conglomerados gerou os seguintes clusters reportados na Tabela 4 com o percentual de suas variáveis predominantes.

Ao analisarmos o cluster 1, constata-se que o percentual das variáveis predominantes sâo, respectivamente, faixa de renda acima de 9800 reais (4.1%), sâo residentes na regiâo CentroOeste (5.41%), seguido pela regiâo Nordeste (2.70%), com tempo de uso menor que 2 anos (2.03%), maior que 2 anos (2.70%), faixa etária entre 26 a 35 anos (4.05%) e entre 36 a 45 anos (3.38%), sexo masculino (3.38%) e feminino (4.73%), faixa de escolaridade com pos-graduaçâo representando 6.76% dos casos.

Com relaçâo ao cluster 2, pode-se observar que o percentual das variáveis predominantes sao respectivamente, faixa de renda entre 2601 reais a 3500 reais (9.46%), seguida pela faixa de renda 4401 a 6200 reais (8.78%), sao residentes na regiao Sudeste (32.43%), seguida pela regiao Sul (6.76%), com tempo de uso menor que 18 meses (10.14%), maior que 2 anos (16.22%), faixa etária entre 16 a 25 (20.27%) e entre 26 a 35 anos (16.89%), sexo masculino (18.24%) e feminino (20.95%), faixa de escolaridade com superior incompleto (12.84%) e superior completo representando 16.22% dos casos.

Finalmente, pode-se observar que no cluster 3, o percentual das variáveis predominantes sao respectivamente, faixa de renda entre 6201 reais a 9800 reais (14.19%), seguida pela faixa de renda acima de 9801 reais (27.03%), sao residentes na regiáo Sudeste (45.95%), seguida pela regiáo Sul (6.08%), com tempo de uso menor que 2 anos (9.46%), maior que 2 anos (23.65%), faixa etária entre 26 e 35 (18.92%) e entre 36 e 45 anos (22.97%), sexo masculino (27.70%) e feminino (25%), faixa de escolaridade com superior completo (12.16%) e superior completo com pós-gradua&ecedil;ao representando 40.54% dos casos. A Figura 2 representa os tres clusters com seus respectivos usuarios de serviços de fintech com base nas variáveis demográficas conforme previamente descritos na metodologia.

4.3. Análise PLS

4.3.1. Modelo de Mensuraçâo

Para validar o modelo de mensuraçâo deste estudo, foram considerados quatro criterios que medem a confiabilidade, validade e compreensâo dos itens da survey por parte dos respondentes: Alfa de Cronbach, Cargas Externas, Confiabilidade Composta (CR, do ingles Composite Reliability) e Variância Média Extraída (AVE, do ingles Average Variance Extracted). Segundo Hair Jr. et al. (2014), a confiabilidade dos itens pode ser analisada por meio das cargas fatoriais, que devem ter valor superior a 0,7. Os itens RP3, RS2, RL1 e RO3 nao atingiram o valor sugerido. No entanto, optou-se pela nao exclusâo desses itens porque, ao testarem-se suas exclusóes, nao houve aumento na Confiabilidade Composta de seus respectivos fatores.

Para analisar a consistencia interna das variáveis, utilizou-se o criterio da Confiabilidade Composta, além do Alfa de Cronbach. Para o primeiro criterio, os valores desejados estâo entre 0,7 e 0,95 (Hair Jr. et al., 2014), sendo o modelo bem-sucedido por apresentar valores entre 0,804 e 0,929. Já para o Alfa de Cronbach, o desejável é obter valores acima de 0,7, sendo que valores acima de 0,6 säo aceitáveis para modelos empíricos (Hair Jr. et al., 2014), o que foi atingido pelo modelo.

Por fim, para analisar a validade do questionário (Tabela 5), utilizou-se o critério AVE, que, segundo Hair Jr. et al. (2014), deve estar acima de 0,5, atingido pelo modelo.

Uma última análise foi o cálculo da validade discriminante (VD) por meio do critério de Fornall-Larcker (Tabela 6), que compara a raiz quadrada dos valores de AVE de cada fator com a correlaçâo entre os fatores: para cada fator, a raiz quadrada da AVE de cada fator, presente na diagonal da tabela abaixo, deve ser maior que os fatores apresentados em sua coluna. (Hair et al., 2014). Neste caso, houve um problema no teste, pois os fatores Intençâo de Continuidade e Beneficio Percebido apresentam um possível problema de multicolinearidade. Nâo obstante, os testes conseguintes nâo apresentaram melhoras no modelo e, como os outros fatores de validade e consistencia apresentaram bons resultados, decidiu-se manter o modelo proposto.

4.3.2.Testes de Hipóteses

Todas as hipóteses foram testadas por meio da análise PLS. Os coeficientes de caminho, estatísticas t e coeficientes de determinaçâo (R2) foram utilizados para testar o Modelo Estrutural. Os testes de significancia de todos os coeficientes de caminho foram obtidos por meio do procedimento de reamostragem PLS bootstrap. O modelo proposto é responsável por 77% da variância na Intençâo de Continuidade no uso de fintechs.

A Figura 3 mostra os coeficientes de caminho, e dois deles - Risco Percebido e Risco de Segurança - foram rejeitados pelo teste de significância. Isso demonstra que o modelo nao permite concluir que os respondentes considerem que Risco de Segurança seja significativo como fator de Risco Percebido. Além disso, nao podemos concluir que os respondentes consideram que a percepçao de risco influencia a Intençao de Continuidade de uso de serviços de fintechs.

A Figura 3 mostra que o fator de Beneficio Percebido tem um efeito positivo significante na Intençao de Continuidade de uso da fintech (ß=0,850, p<0,05), portanto H1 foi aceita. Já o Risco Percebido teve o efeito negativo esperado (ß=-0,050, p>0,05), porém nao significante, de forma que se deve rejeitar H2. A aceitaçao de H1 e rejeiçao de H2 pode sugerir que usuários de fintechs consideram predominantemente os fatores ligados aos beneficios relacionados ao uso de serviços de fintechs do que os fatores relacionados aos riscos desse tipo de serviço.

Os fatores referentes ao Beneficio Percebido - Beneficio Económico, Fluidez na Transaçao e Conveniencia - tiveram efeitos positivos (ß=0,262, p<0,05; ß=0,297, p<0,05; ß=0,387, p<0,05), dando suporte para que H3, H4 e H5 sejam aceitas. Pelos valores dos coeficientes, pode-se depreender que Conveniencia é o fator que mais influencia o Beneficio Percebido, seguido por Fluidez da Transaçao e Beneficio Económico, sugerindo que questóes ligadas a flexibilidade de local e tempo na utilizaçao dos serviços de fintechs superam em importancia questóes ligadas a ausencia de intermediarios entre cliente e produtos financeiros e questóes ligadas a ganhos financeiros.

Em relaçao aos fatores referentes ao Risco Percebido - Risco Económico, Risco Legal, Risco de Segurança e Risco Operacional - houve a influencia positiva esperada, ou seja, influenciando positivamente o Risco Percebido. Para os fatores Risco Económico, Risco Legal e Risco Operacional (ß=0,383, p<0,05; ß=0,187, p<0,05; ß=0,334, p<0,05) houve significancia estatistica, suportando a aceitaçâo de H6, H7 e H9. Já o fator Risco de Segurança nao foi estatisticamente significativo (ß=0,054, p>0,05), de maneira que H8 foi rejeitada, demonstrando que possiveis eventos de fraude ou comprometimento do sistema por fontes externas, como hackers, nao influenciaram os respondentes em sua percepçao de risco. Dentre os fatores presentes no modelo, o fator de Risco Económico tem o maior efeito sobre Risco Percebido, seguido por Risco Operacional e Risco Legal, sugerindo que a aversao a perdas financeiras sobrepóe-se sobre questóes relacionadas a riscos de ordem de funcionamento técnico ou de regulamentaçao.

4.3.3.Efeito moderador de tipos de usuários

Os usuarios de fintechs foram classificados em dois tipos diferentes - iniciais e tardios - baseados nas respostas do questionário que trataram de adoçao de novas tecnologias. Segundo Kim et al. (2010), as afirmativas apresentadas na Tabela 7 podem ser utilizadas para classificar usuários de fintechs em duas categorias. Baseados em suas respostas, os respondentes foram classificados em adotantes iniciais e tardios.

O resultado da classificaçâo alocou 72,9% dos respondentes como adotantes iniciáis e 25,8% como adotantes tardios (1,3% dos respondentes nao responderam a essas perguntas). As diferenças demográficas entre os dois grupos podem ser observadas por meio da Tabela 8.

Para cada um dos grupos, foi efetuada uma análise PLS com a variável moderadora "Tipo de Usuário" (Hair et al., 2014), conforme resultados apresentados na Tabela 9.

Em ambos os casos, o modelo estrutural teve bom poder de explicaçâo para a variância na Intençâo de Continuidade no uso de fintechs: 72,9% para adotantes iniciais e 79,6% para adotantes tardios. Para adotantes iniciais, os fatores de Beneficio Económico, Fluidez na Transaçâo e Conveniencia explicaram 68,2% da variância do fator Beneficio Percebido e, para os adotantes tardios, esse número foi 84,7%. Já os fatores de Risco Percebido - Risco Financeiro, Risco Legal, Risco de Segurança e Risco Operacional - explicaram 59,8% da variância desse fator para adotantes iniciais e 72,5% para adotantes tardios.

Tanto para usuários iniciais (ß=0,818, p<0,05) quanto para usuários tardios (ß=0,813, p<0,05), o Beneficio Percebido foi importante para a Intençâo de Continuidade. Em ambos os casos, porém, o Risco Percebido nâo foi significativo. Para adotantes iniciais, o fator mais importante para explicar sua percepçâo de beneficio foi o Beneficio Económico (ß=0,412, p<0,05). Para adotantes tardios, esse fator nâo foi significativo, sendo a Fluidez de Transaçâo o fator mais importante (ß=0,539, p<0,05).

Em relaçâo ao Risco Percebido, o fator Risco Operacional foi o mais importante para os adotantes iniciais (ß=0,378, p<0,05). Já para os adotantes tardios, o fator mais relevante foi o Risco Financeiro (ß=0,467, p<0,05).

Por fim, para verificar estatisticamente a diferença entre os diferentes tipos de usuários, foi efetuada uma análise PLS multigrupo (Qureshi & Compeau, 2009), com seus resultados apresentados na Tabela 10.

Um teste-t foi realizado para testar a significância estatistica das diferenças entre os dois grupos. Em relaçâo ao Beneficio Percebido, a diferença entre os dois grupos nâo foi significativa, rejeitando H10. Para o Risco Percebido, a diferença entre adotantes iniciais e adotantes tardios também nâo foi significativa, rejeitando também H11.

Podemos concluir que o único fator cuja diferença foi estatisticamente significante entre os grupos foi Beneficio Económico, importante para adotantes iniciais e nâo significante para adotantes tardios (diferença no coeficiente de caminho=0,423, p<0,05).

A rejeiçâo de ambas as hipóteses sugere que nâo existe diferença na percepçâo de beneficios ou riscos na Intençâo de Continuidade de uso de serviços de fintech entre adotantes iniciais e tardios. Outra possibilidade explicativa para a a ausencia de diferença entre os grupos em relaçâo as percepçoes de beneficio e risco pode ser a incapacidade das perguntas apresentadas no questionário em discriminar adequadamente os usuários entre adotantes iniciais ou tardios.

5.CONCLUSÁO E CONSIDERAÇOES FINAIS

5.1. Resultados de Pesquisa

O objetivo do presente estudo foi analisar a influencia de fatores de beneficio e risco percebidos por usuários de fintechs em sua intençao de continuidade no uso desses serviços. Seguindo o estudo realizado por Ryu (2018), foi conduzida uma survey com usuários de fintechs para avaliar suas percepçoes em relaçao a beneficios e riscos percebidos e um modelo foi criado a fim de identificar essas relaçoes.

Diferentemente dos achados de Ryu (2018), este estudo identificou que usuários de fintechs residentes no Brasil nao parecem considerar a percepçao de risco em sua decisáo de continuar utilizando os serviços, dando mais importancia aos beneficios que obtem por meio de sua utilizaçao. Ainda, diferentemente de Ryu (2018), a separaçao de usuários entre adotantes iniciais e adotantes tardios nao demonstrou diferença na importancia que cada grupo dá para esses fatores.

A única diferença identificada entre os dois grupos foi a importancia dada para o fator de Beneficio Económico por adotantes iniciais e nao significante para adotantes tardios. Talvez a percepçâo de beneficios financeiros seja uma das forças que move pessoas a adotarem serviços de fintechs. Nesse sentido, faz-se necessário um estudo que identifique quais os fatores que levam usuários a adotarem esse tipo de serviço.

De forma geral, os beneficios percebidos que mais influenciam a intençâo de continuidade por serviços de fintechs sao o Beneficio Económico para os adotantes iniciais, e a Fluidez na Transaçâo para adotantes tardios. Nao obstante, o fator Conveniencia mostrou-se importante para os dois grupos. Dessa forma, talvez seja interessante para fintechs salientar esses beneficios para seus usuários a fim de aumentar o nivel de retençao de seus clientes.

Em relaçao aos riscos percebidos, o Risco Operacional foi identificado como o mais importante para os adotantes iniciais, e Risco Financeiro foi considerado o mais importante para os adotantes tardios. Embora o Risco Percebido nao tenha se mostrado significativo para a Intençao de Continuidade, provavelmente seja importante para fintechs informar melhor seus clientes em relaçao a fatores de risco, a fim de reduzir a insegurança a esse respeito e aumentar a intençao de seus usuários em continuar utilizando seus serviços.

5.2. Limitaçöes

Uma das limitaçöes deste estudo refere-se a dificuldade de alcançar respondentes, usuarios de serviços de fintechs e de outras unidades federativas do Brasil. Por fazer uso da técnica de Snowball, que utiliza redes de relacionamento virtuais, limitou-se a bolhas de concentraçâo regionais, obtidas por conveniencia e que se mostraram concentradas nas regióes Sudeste e Sul do país. Além disso, o público respondente apresentou níveis de renda e de escolaridade homogéneos, uma vez que a pesquisa foi divulgada com mais énfase dentro do ambiente académico. A separaçâo entre tipos diferentes de usuarios, com um grupo (adotantes iniciais, n=113) significativamente maior que outro (adotantes tardios, n=40) foi, possivelmente, outra limitaçâo da amostra. Com relaçâo ao uso da escala Likert de 7 pontos nesta pesquisa, os respondentes podem ter evitado o uso de respostas extremas ou podem ter respondido de forma mais neutra (tendencia central) em relaçâo a visóes mais aceitáveis podendo resultar, entretanto, em uma análise tendenciosa de resultados.

5.3. Estudos Futuros

Para estudos futuros, recomenda-se a expansâo da pesquisa para outras regióes e para público com nivel académico e de renda heterogéneos, possibilitando a comparaçâo dos dados com esta pesquisa, a fim de formar um panorama mais completo dos usuários de fintechs no Brasil e dos fatores que influenciam sua continuidade de uso por esse serviço. Além disso, os fatores de influéncia deste artigo possuem certas limitaçöes, de forma que pode ser interessante que em futuros estudos sejam incluidos outros fatores de atitude, tais como confiança e imagem da marca, bem como fatores psicológicos e normas sociais.

Sidebar

Recebido: 23/12/2019.

Revisado: 27/03/2020.

Aceito: 20/04/2020.

Publicado Online em: 16/11/2020.

DOI: http://dx.doi.org/10.15728/bbr.2021.18.1.1

CONTRIBUIÇ0ES DE AUTORIA

Os autores deste trabalho declaram que trabalharam de forma igual nas etapas de conceitualizaçao, investigaçao, metodologia, administraçao do projeto, supervisao, validaçao, redaçao e ediçao do presente trabalho.

CONFLITO DE INTERESSE

Todos os autores deste trabalho declaram que nao tém qualquer tipo de conflito de interesses em relaçao aos objetos por ele abordados.

References

REFERENCIAS

Barakat, A., & Hussainey, K. (2013). Bank governance, regulation, supervision, and risk reporting: Evidence from operational risk disclosures in European banks. International Review of Financial Analysis, 30, 254-273.

Cervo, A. L., and Bervian, P A. (1980). Metodologia científica. McGraw Hill.

Chishti, S. (2016). How peer to peer lending and crowdfunding drive the fintech revolution in the UK. In Banking beyond banks and money (pp. 55-68). Springer, Cham.

Davis, F. D., Bagozzi, R. P, and Warshaw, P R. (1989). User acceptance of computer technology: a comparison of two theoretical models. Management science, 35(8), 982-1003.

Escobar-Rodríguez, T., & Romero-Alonso, M. (2014). The acceptance of information technology innovations in hospitals: differences between early and late adopters. Behaviour & Information Technology, 33(11), 1231-1243.

Fishbein, M., & Ajzen, I. (1977). Belief, attitude, intention, and behavior: An introduction to theory and research. Addison-Wesley.

Fishbein, M., & Ajzen, I. (1980). Understanding attitudes and predicting social behavior. Englewood Cliffs.

Forsythe, S., Liu, C., Shannon, D., & Gardner, L. C. (2006). Development of a scale to measure the perceived benefits and risks of online shopping. Journal of interactive marketing, 20(2), 55-75.

Mundial, F. E. (2015). The Future of Financial Services: How disruptive innovations are reshaping the way financial services are structured, provisioned and consumed. Ginebra: FEM. http://www3. weforum. org/docs/wef_the_future_of_financial_services.pdf.

Freitas, H., Oliveira, M., Saccol, A. Z., & Moscarola, J. (2000). O método de pesquisa survey. Revista de Administraçâo da Universidade de Sao Paulo, 35(3).

Gangwar, H., Date, H., & Ramaswamy, R. (2015). Understanding determinants of cloud computing adoption using an integrated TAM-TOE model. Journal of Enterprise Information Management, 28(1), 107-130. https://doi.org/10.1108/jeim-08-2013-0065.

Gerber, E. M., Hui, J. S., & Kuo, P Y. (2012, February). Crowdfunding: Why people are motivated to post and fund projects on crowdfunding platforms. In Proceedings of the International Workshop on Design, Influence, and Social Technologies: Techniques, Impacts and Ethics (Vol. 2, No. 11, p. 10). Northwestern University Evanston, IL.

Hair Jr, J. F., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2016). A primer on partial least squares structural equation modeling (PLS-SEM). Sage publications.

Halmenschlager, C. (2002). Um algoritmo para induçâo de árvores e regras de decisâo. Porto Alegre. UFRGS. https://lume.ufrgs.br/bitstream/handle/10183/2755/000325797.pdf

Hong, W, & Zhu, K. (2006). Migrating to internet-based e-commerce: Factors affecting e-commerce adoption and migration at the firm level. Information & Management, 43(2), 204-221.

Jurison, J. (1995). The role of risk and return in information technology outsourcing decisions. Journal of Information Technology, 10(4), 239-247.

Kim, C., Mirusmonov, M., & Lee, I. (2010). An empirical examination of factors influencing the intention to use mobile payment. Computers in Human Behavior, 26(3), 310-322.

Kim, Y., Park, Y. J., Choi, J., & Yeon, J. (2016). The adoption of mobile payment services for "Fintech". International Journal of Applied Engineering Research, 11(2), 1058-1061.

Lee, D. K. C., & TEO, G. S. Z. J. (2015). Emergence of FinTech and the LASIC Principles. Journal of Financial Perspectives, 3(3), 1.

Lee, M. C. (2009). Factors influencing the adoption of internet banking: An integration ofTAM and TPB with perceived risk and perceived benefit. Electronic commerce research and applications, 8(3), 130-141.

Lee, E., & Lee, B. (2012). Herding behavior in online P2P lending: An empirical investigation. Electronic Commerce Research and Applications, 11(5), 495-503.

Lee, I., & Shin, Y. J. (2018). Fintech: Ecosystem, business models, investment decisions, and challenges. Business Horizons, 61(1), 35-46.

Lin, K. Y., Wang, Y. T., & Huang, T. K. (2020). Exploring the antecedents of mobile payment service usage: Perspectives based on cost-benefit theory, perceived value, and social influences. Online Information Review, 44(1), 299-318. https://doi.org/10.1108/oir-05-2018-0175.

Mackenzie, A. (2015). The fintech revolution. London Business School Review, 26(3), 50-53.

Maroco, J. (2018). AnáliseEstatística com o SPSS Statistics. 7th ed. Report Number, Lda. Pero Pinheiro.

Martins, C., Oliveira, T., & Popovič, A. (2014). Understanding the Internet banking adoption: A unified theory of acceptance and use of technology and perceived risk application. International Journal of Information Management, 34(1), 1-13.

Okazaki, S., & Mendez, F. (2013). Exploring convenience in mobile commerce: Moderating effects of gender. Computers in Human Behavior, 29(3), 1234-1242.

Oliveira, S. V W. B. D. (2004). Modelo para tomada de decisâo na escolha de sistema de tratamento de esgoto sanitário (Doctoral dissertation, Universidade de Sao Paulo).

Peter, J. P, & Tarpey Sr, L. X. (1975). A comparative analysis of three consumer decision strategies. Journal of consumer research, 2(1), 29-37.

Qureshi, I., & Compeau, D. (2009). Assessing between-group differences in information systems research: a comparison of covariance-and component-based SEM. Mis Quarterly, 197-214.

Rahi, S., Mansour, M. M. O., Alghizzawi, M., & Alnaser, F. M. (2019). Integration of UTAUT model in internet banking adoption context. Journal ofResearch in Interactive Marketing, 13(3), 411-435.

Rogers, E. (1983). Diffusion of innovations. Free Press, New York.

Ryu, H. S. (2018). What makes users willing or hesitant to use Fintech?: the moderating effect of user type. Industrial Management & Data Systems, 118(3), 541-569.

Schierz, P G., Schilke, O., & Wirtz, B. W. (2010). Understanding consumer acceptance of mobile payment services: An empirical analysis. Electronic commerce research and applications, 9(3), 209-216.

Schwab, K. (2016). A Quarta Revoluçao Industrial. Edipro, Sao Paulo.

Sharma, S., & Gutiérrez, J. A. (2010). An evaluation framework for viable business models for m-commerce in the information technology sector. Electronic Markets, 20(1), 33-52.

Shawaqfeh, G. N. (2018). The Impact of E-Commerce on the Quality of Credit Facilities and Banking Services (Applied Study on Commercial Banks in Jordan). Academy of Accounting and Financial Studies Journal.

Zavolokina, L., Dolata, M., & Schwabe, G. (2016). FinTech-What's in a Name? In: Thirty Seventh International Conference on Information Systems, Dublin, Ireland, 11 December 2016 - 14 December 2016.

Zavolokina, L., Dolata, M., & Schwabe, G. (2016, December). FinTech transformation: How ITenabled innovations shape the financial sector. In FinanceCom 2016 (pp. 75-88). Springer, Cham.