AI-Enabled Sustainable Finance: Examining the Roles of FinTech Capability, Digital Trust, and ESG Orientation in Green Investment Decisions

기술 요약: AI 기반 지속 가능한 금융

문제 제기
지속 가능한 경제 활동으로 자본을 재배분해야 하는 글로벌 과제가 가속화됨에 따라, 녹색 금융과 알고리즘 금융 도구의 성장이 촉진되었습니다. 그러나 기술 기반 역량이 개인의 지속 가능한 투자 결정에 어떠한 구체적인 메커니 Mechanisms를 통해 영향을 미치는지에 대한 이해에는 중대한 격차가 존재합니다. 기존 문헌은 흔-히 일반적인 기술 수용 모델(예: UTAUT, TAM)에 의존하는 경우가 많으나, 기술적 역량을 실제 녹색 자산에 대한 자본 투입으로 전환하는 데 필수적인 심리적 상태 변화, 즉 **디지털 신뢰(Digital Trust)**와 **ESG 지향성(ESG Orientation)**이 어떻게 유도되는지에 대한 설명은 간과하고 있습니다. 본 연구는 기술적 역량과 인지적·태도적 지향성을 연결하는 통합 구조 모델을 제안함으로써, 녹색 투자 결정(GID)을 설명하는 이 격차를 해결하고자 합니다.

연구 방법론
본 연구는 현실적인 잠재 변수 분포, 측정 오차 및 공분산 구조를 모델링하도록 설계된 생성 데이터셋($N=500$)을 기반으로 한 경험적 연구 시뮬레이션을 채택하였습니다. 인간 참여자를 모집하지 않았으며, 해당 데이터셋은 실제 데이터 수집 전 이론적 프레임워크와 워크플로우를 검증하기 위한 통계적 프로토타입 역할을 합니다.

• 이론적 프레임워크: 본 연구는 **동적 역량 이론(Dynamic Capabilities Theory, DCT)**과 **신뢰 이론(Trust Theory)**을 통합합니다. DCT는 핀테크 역량을 고차원적 AI 역량을 가능하게 하는 기초 인프라로 규정하며, 신뢰 이론은 의사결정자가 자동화된 시스템과 상호작용할 때 리스크를 완화하기 위해 제도적 및 기술적 신뢰가 필요하다고 상정합니다.
• 분석 접근법: 본 연구는 **부분 최소 제곱 구조 방정식 모델링(PLS-SEM)**을 활용합니다.
  • 측정 모델: 지표 신뢰도, 내부 일관성(Cronbach's $\alpha$, $\rho_A$, 합성 신뢰도), 수렴 타당도(AVE), 판별 타당도(Fornell-Larcker 및 HTMT 기준)를 검증하였습니다.
  • 구조 모델: 경로 계수($\beta$), $t$-통계량, $p$-값 및 효과 크기($f^2$)를 결정하기 위해 비모수적 부트스트래핑(5,000회 재표본 추출)을 수행하였습니다.
  • 예측력: $R^2$, $Q^2$ 및 선형 회귀 벤치마크와 비교하는 PLSpredict(10-겹 교차 검증)를 통해 평가되었습니다.
  • 조절 효과: 측정 불변성(MICOM)을 확립한 후, **금융 이해력(Financial Literacy)**의 조절 역할을 조사하기 위해 다집단 분석(PLS-MGA)을 실시하여 표본을 저금융 이해력 그룹과 고금융 이해력 그룹으로 분리하였습니다.

주요 결과
구조 모델은 녹색 투자 결정의 분산을 42.8% 설명하며 강력한 예측력을 입증하였습니다($R^2 = 0.428$).

1. 직접 효과:

   • **핀테크 역량(FC)**은 **AI 역량(AIC)**을 유의미하게 견인합니다 ($\beta=0.512, p<0.001$).
   • AI 역량은 디지털 신뢰(DT) ($\beta=0.421, p<0.001$)와 ESG 지향성 ($\beta=0.384, p<0.001$) 모두에 긍정적인 영향을 미칩니다.
   • 디지털 신뢰 ($\beta=0.315, p<0.001$)와 ESG 지향성 ($\beta=0.402, p<0.001$)은 모두 녹색 투자 결정에 강력한 직접적 정(+)의 영향을 미칩니다.
   • AI 역량은 녹색 투자 결정에도 유의미한 직접적 효과를 가집니다 ($\beta=0.165, p=0.001$).

2. 매개 효과:

   • 디지털 신뢰와 ESG 지향성은 모두 AI 역량과 녹색 투자 결정 사이의 관계에서 보완적 부분 매개(complementary partial mediators) 역할을 합니다. 총 간접 효과는 유의미하며 ($\beta=0.287$), 이는 AI가 직접적인 경로뿐만 아니라 이러한 심리적 경로를 통해서도 투자 결정에 영향을 미친다는 것을 확인시켜 줍니다.

3. 조절 효과 (금융 이해력):

   • 저금융 이해력 그룹: AI 역량은 주로 디지털 신뢰를 함양함으로써 녹색 투자 결정을 유도합니다 (AIC $\to$ DT $\to$ GID 경로가 더 강함).
   • 고금융 이해력 그룹: AI 역량은 주로 ESG 지향성을 강화함으로써 녹색 투자 결정을 유도합니다 (AIC $\to$ ESG $\to$ GID 경로가 더 강함).
   • 이는 전략적 차이를 나타냅니다. 이해력이 낮은 투자자는 플랫폼 신뢰에 의존하여 녹색 결정을 내리는 반면, 이해력이 높은 투자자는 AI 도구를 활용하여 ESG 정렬성을 직접 평가합니다.

4. 예측 타당도:

   • PLS-SEM 모델은 모든 GID 지표에 대해 선형 회귀 벤치마크보다 일관되게 낮은 RMSE 값을 보이며 **높은 표본 외 예측력(out-of-sample predictive power)**을 입증하였습니다.

주요 기여

• 이론적 통합: 본 연구는 지속 가능한 자본 배분을 설명하기 위해 동적 역량과 신뢰 이론을 결합하여, 일반적인 기술 수용을 넘어 특정 심리적 메커니즘(신뢰 및 ESG 지향성)으로 나아갔습니다.
• AI-ESG 연결의 실증적 검증: AI 도구가 단순히 데이터를 처리하는 것에 그치지 않고, 인지적 스크리닝 비용을 낮추고 정보 투명성을 높임으로써 개인의 ESG 지향성을 능동적으로 강화한다는 증거를 제공합니다.
• 맥락적 미묘함: 본 연구는 금융 이해력이 경계 조건으로서 어떻게 의사결정의 의존도를 "플랫폼에 대한 신뢰"(저이해력)에서 "분석을 통한 가치 정렬"(고이해력)로 전환시키는지 명시합니다.

의의 및 주장
본 논문은 디지털 금융 인프라가 어떻게 지속 가능한 결과로 전환되는지를 이해하기 위한 검증된 경험적 프레임워크를 제공한다고 주장합니다. 그 의의는 이해관계자들에게 실행 가능한 차별화된 전략을 제공하는 데 있습니다:

• 플랫폼 설계자를 위한 제언: 개발자는 설명 가능한 AI(XAI)와 맞춤형 인터페이스를 도입해야 합니다. 즉, 경험이 적은 사용자를 위해서는 보안과 신뢰 신호를 강조하고, 숙련된 투자자를 위해서는 세밀한 ESG 분석 도구를 제공해야 합니다.
• 규제 당국을 위한 제언: 본 연구 결과는 그린워싱을 방지하기 위한 알고리즘 ESG 표준의 필요성과 디지털 금융 이해력 교육에 지속 가능성 개념을 통합할 필요성을 시사합니다.
• 자산 운용가를 위한 제언: (신뢰 vs. 지향성)의 이중 경로를 이해함으로써, 투자자 프로필에 따라 녹색 자산으로의 자본 투입을 보다 효과적으로 타겟팅할 수 있습니다.

저자는 본 연구의 범위에 대해 시뮬레이션된 데이터셋에 기반했다는 점을 명시하며 신중한 입장을 유지합니다. 저자는 통계적 워크플로우는 검증되었으나, 이러한 관계를 확증하기 위해서는 향후 실제 투자자 설문 데이터 및 실제 브로커리지 포트폴리오 기록을 사용한 추가 연구가 필요하다고 제언합니다.