nieuwe betaalmethoden voor openbaar vervoer.
Bachelorscriptie Informatiekunde
Student: Thomas de Hoog Studentnummer: 5742668 Begeleider: Dick Heinhuis
Abstract
Het Technology Acceptance Model (TAM) (Davis, 1986) wordt toegepast bij een onderzoek naar de acceptatie van een nieuwe betaalmethode voor het openbaar vervoer. Door middel van prototyping wordt de nieuwe technologie gedemonstreerd. Het betreft een mobiele app voor smartphones waarmee de gebruiker betalingen kan doen voor het openbaar vervoer. Door het prototype te tonen aan proefpersonen en deze vervolgens de op TAM gebaseerde vragenlijst in te laten vullen wordt data verzameld. Door middel van een factor analyse op deze data wordt gekeken of de verschillende factoren waaruit het TAM bestaat bij dit onderzoek met elkaar correleren.
Het blijkt dat vooral factoren als de toegevoegde waarde en het nut drijfveren zijn bij de eventuele acceptatie van deze nieuwe technologie. Maar ook externe factoren als imago en het gebruik van de technologie in de sociale omgeving van de proefpersoon spelen een rol. Geconcludeerd kan worden dat de technologie zoals deze geschetst is met behulp van het prototype geaccepteerd zal worden. Verder onderzoek zal nog gedaan moeten worden, waarbij er voornamelijk gericht zal moeten worden op het doorontwikkelen van de nieuwe technologie zodat deze daadwerkelijk in het dagelijkse gebruik van het openbaar vervoer toegepast kan worden. Maar ook de groep
Inhoudsopgave
1. Inleiding...4 1.1 Vraagstelling...5 1.2 Afbakening...6 1.3 Methode...6 1.4 Relevantie...6 2. Theoretisch kader...82.1 Technology Acceptance Model...8
2.2 Technology Acceptance Model in mobile commerce...10
2.3 Technology Acceptance Model in het openbaar vervoer...11
2.4 Technology Acceptance Model in dit onderzoek...11
3. Onderzoek...14
3.1 Uitleg nieuwe technologie: prototyping...14
3.2 Vragenlijst...17 3.3 Analyse...18 4. Resultaten...20 5. Conclusie en Discussie...28 5.1 Conclusie...28 5.2 Discussie...29 5.3 Reflectie...30 6. Bijlagen...32 Bijlage 1: vragenlijst...32
Bijlage 2: correlation matrix 1...36
Bijlage 3: correlation matrix 2...38
1. Inleiding
Bij elke verandering in technologie zullen de gebruikers moeten wennen aan het nieuwe systeem. Hierdoor zal de invoering van nieuwe technologie over het algemeen voor enige weerstand bij de gebruikers zorgen (Dillon & Morris, 1996). Deze weerstand is een steeds belangrijker wordende factor in de besluitvorming bij het lanceren van nieuwe technologische diensten en producten. Onderzoek naar deze weerstand kan, bij het ontwikkelen van nieuwe technologie, ervoor zorgen dat deze nieuwe technologie beter ontvangen wordt. Het kan zelfs, in extreme gevallen, voorkomen dat een nieuwe technologie simpelweg geweigerd wordt door de eindgebruikers. Door voor of tijdens de ontwikkeling van nieuwe technologie onderzoek te doen naar de acceptatie ervan kan er tijdig bijgestuurd worden.
Een van de meest ingrijpende vormen van verandering is voor veel mensen de manier waarop ze betalen. Financiën is iets waar mensen graag controle over houden. Mensen hebben graag inzicht in hun inkomsten en uitgaven. Hiervoor zijn er door financiële instanties zoals banken middelen ontwikkeld om de controle hierop eenvoudiger en toegankelijker te maken. Denk hierbij aan apps op smartphones om toegang te krijgen tot bankrekeningen. Echter heeft de komst van bijvoorbeeld de pinpas ervoor gezorgd dat mensen minder inzicht kregen in hun uitgaven, maar daar tegenover stond het verhoogde gemak bij het betalen en de extra veiligheid. Zo heeft de komst van de pinpas gezorgd voor meer betaalgemak en veiligheid, maar minder inzicht en controle over de financiën. De komst van speciale apps heeft er voor gezorgd dat dit probleem opgelost is.
Betaalmethoden zijn aan veranderingen onderhevig, iets waar ook uitgebreid onderzoek naar is gedaan. Zo is het betalen met een betaalpas een vinding uit het begin van de jaren '50 van de vorige eeuw. Tussen toen en nu zijn er meerdere nieuwe methoden om te betalen geïntroduceerd. Echter deze zijn niet altijd even goed ontvangen, denk bijvoorbeeld aan de chipknip. Een betaalmethode welke met hoge verwachtingen werd geïntroduceerd in 1996, maar op 1 januari 2015 al weer uit gebruik zal worden genomen. Recenter is het draadloos betalen als betaalmethode ingevoerd. Deze technologie maakt gebruik van NFC (Near Field Communication), een contactloze vorm van communicatie (Curran, Millar, & Garvey, 2012). Deze vorm van communicatie wordt gezien als uitbreiding van de RFID-technologie, welke momenteel in Nederland breed ingezet wordt voor bijvoorbeeld de OV-chipkaart. Waar het bij RFID alleen mogelijk is om een kaart uit te lezen, vult NFC RFID aan door de communicatie twee richtingen op te laten verlopen. NFC wordt dan ook het meest toegepast in smartphones in combinatie met speciale apps. Één van de meest in opkomst zijnde apps zijn die voor het doen van betalingen. In dit onderzoek wordt er gekeken naar de acceptatie van zo'n betalings-app voor het openbaar vervoer.
Naast wijzigingen in betaalmethoden in het algemeen is ook het openbaar vervoer onderhevig aan verandering. Naast bijvoorbeeld wijzigingen in de manier van het raadplegen van de dienstregeling wordt ook de manier van betalen telkens verbeterd. Eind jaren '90, begin jaren '00 is begonnen met de ontwikkeling van het OV-chipkaartsysteem, het landelijke betaalsysteem voor het openbaar vervoer. Het systeem bestaat uit een OV-chipkaart (een contactloze betaalpas), in- en uit-check poortjes (of punten) en automaten om saldo of reisproducten op de OV-chipkaart te zetten. Het systeem moet zorgen voor een eenvoudigere en eerlijkere manier van betalen voor het openbaar vervoer door heel Nederland. Door 'in te checken' op de plaats van vertrek en weer 'uit te checken' op de plaats van aankomst betaald men altijd het juiste tarief. Daarnaast is het bijvoorbeeld niet langer nodig om vooraf een treinkaartje te kopen, de prijs van de reis wordt afgetrokken van het saldo dat op de OV-chipkaart geladen is. Men kan dus met één kaart door het hele land gebruik maken van het openbaar vervoer, bij alle openbaar vervoersmaatschappijen. Daarnaast kunnen de
vervoersbedrijven op personeelskosten besparen omdat er minder kaartjes bij het loket verkocht worden.
De manier van betalen voor het openbaar vervoer is al sinds deze vorm van reizen bestaat aan veranderingen onderhevig. Van het contant betalen bij de conducteur/bestuurder tot de strippenkaart tot momenteel de OV-chipkaart. Deze wijzigingen zijn ingevoerd om zowel het gebruikersgemak van de reiziger als de omzet van de vervoersmaatschappijen te verhogen. Zo heeft de komst van de OV-chipkaart ervoor gezorgd dat de opbrengst van het verkopen en opladen van de kaarten eerlijker verdeeld wordt onder de vervoersmaatschappijen. Het is immers per rit duidelijk met welke
vervoersmaatschappij deze uitgevoerd is en hoe hoog het door de reiziger betaalde bedrag daarvoor is (D’Argoeuves, 2005). Dit was met bijvoorbeeld de strippenkaart niet mogelijk. De opbrengsten van de verkoop van de strippenkaart werden volgens een jaarlijks vastgestelde verdeelsleutel aan alle vervoersmaatschappijen uitbetaald. Ook wat betreft het gemak voor de reiziger is er met de OV-chipkaart veel verbeterd. Zo kan de kaart automatisch opgeladen worden als het saldo onder een bepaalde waarde komt, kunnen alle transactiegegevens en reizen achteraf bekeken worden, en kunnen er abonnementen en andere reisproducten op één OV-chipkaart geladen worden. Ook is er maar één kaart nodig voor al het openbaar vervoer door heel Nederland.
Naast de voordelen van de OV-chipkaart zijn er ook een aantal nadelen, waardoor de invoering van de chipkaart enige weerstand kreeg. Één van de meest genoemde bezwaren tegen de
OV-chipkaart is hoe er met de privacy van de houder van de kaart omgegaan zou worden. Bijvoorbeeld: de transactiegegevens van de OV-chipkaart worden opgeslagen voor een bepaalde termijn. Hiermee kan dus achterhaald worden wanneer een reiziger waar geweest is. Dit is gevoelige informatie, zeker als het geen anonieme OV-chipkaart betreft, maar een kaart op naam. De invoering van de OV-chipkaart ging dan ook gepaard met enige maatschappelijke weerstand.
Op dit moment (anno 2014) is het gebruik van de OV-chipkaart gemeengoed geworden. Alle openbaar vervoersmaatschappijen zijn overgestapt op de OV-chipkaart. Het is ook het moment waarop voorzichtig begonnen wordt met de invoering van contactloos betalen in winkels met bijvoorbeeld de mobiele telefoon. Net zoals bij de introductie van de OV-chipkaart is ook bij deze nieuwe vorm van betalen enige maatschappelijke weerstand te verwachten.
Zo is het denkbaar dat de mobiele telefoon gebruikt gaat worden als betaalmiddel voor het openbaar vervoer. Aangezien betalingen van gewone tastbare producten eenvoudigere transacties zijn dan het betalen van een reis met het openbaar vervoer is de technologie die hier voor nodig is ook
complexer. Er zijn meerdere momenten tijdens de reis waarop de telefoon nodig is, zoals bij het in- en uitchecken en eventuele controles.
De deelvragen zijn:
– Welke factoren spelen een rol bij de acceptatie van een nieuwe betaalmethode? – In welke mate scoort mobiel betalen op deze factoren?
1.2 Afbakening
Om te voorkomen dat dit onderzoek te breed wordt en niet voltooid kan worden binnen de gestelde tijd is het van belang dat er een duidelijke afbakening is. Er wordt getracht dit onderzoek specifiek voor het betalen met de mobiele telefoon van reizen met het openbaar vervoer te houden. Andere manieren van betalen voor het openbaar vervoer en andere soorten betalingen met de mobiele telefoon zullen zoveel mogelijk buiten beschouwing worden gelaten.
In dit onderzoek is ervoor gekozen om specifiek gebruik te maken van het Technology Acceptance Model (Davis, 1986). Dit model is wetenschappelijk bewezen en veelvuldig toegepast in
verschillende vakgebieden. De nadruk zal dan ook gelegd worden op de zorgvuldige en gedegen toepassing van dit model. Het theoretische kader van dit onderzoek zal zich dus specifiek richten op het toelichten van het Technology Acceptance Model en hoe dit in dit onderzoek toegepast kan worden. De nadruk in deze scriptie ligt dan ook niet zozeer op het theoretische aspect van de gebruikte modellen, maar meer op het op een wetenschappelijk verantwoorde manier toepassen ervan. Er zal getracht worden dit te onderbouwen door een uiteenzetting te maken van eerder onderzoek waarbij het Technology Acceptance Model op een vergelijkbare wijze is toegepast.
1.3 Methode
Deze scriptie behandelt een casestudy waarbij gekeken wordt of de invoering van een nieuwe betaalmethode voor het openbaar vervoer geaccepteerd zal worden. Hierbij wordt de reeds
beschikbare literatuur geraadpleegd, op grond waarvan het onderzoek opgezet zal worden. Er wordt gekeken naar relevante literatuur met betrekking tot de acceptatie van nieuwe technologie, al dan niet in combinatie met betaalmethoden en het openbaar vervoer. Zo is er eerder onderzoek gedaan naar het gedrag van consumenten waarbij er werd gekeken naar meerdere distributiekanalen voor de dienst of het product (Heinhuis, 2013). Met name in de ICT zijn dit interessante ontwikkelingen, waarmee een bedrijf, mits goed toegepast, zich kan onderscheiden van de concurrentie.
De methode welke gebruikt zal worden is het enquêteren van een groep personen welke een zo representatief mogelijke afspiegeling is van de Nederlandse maatschappij. De vragen van de enquête worden opgesteld met behulp van modellen zoals bijvoorbeeld het Technology Acceptance Model (TAM) (Davis, 1986). Aan de hand van onder ander dit model zal de vragenlijst opgesteld worden en zullen de resultaten verwerkt worden.
1.4 Relevantie
Het doel van dit onderzoek is het kunnen aantonen van de bereidheid van reizigers welke gebruik maken van het openbaar vervoer tot het in gebruik nemen van een nieuwe vorm van betalen voor hun reis. De maatschappelijke relevantie van het onderzoek is het kunnen aantonen van eventuele struikelblokken bij de invoer van een nieuwe betaalmethode voor openbaar vervoer. Een groot aantal maatschappelijk betrokken partijen kunnen baat hebben bij een voorspelling over de acceptatie van een dergelijke nieuwe betaalmethode. Bij de beleidsvorming omtrent het openbaar vervoer zijn partijen als de vervoersbedrijven, reizigersorganisaties en landelijke en lokale politiek betrokken. Als er een goed onderbouwde voorspelling gedaan kan worden over de acceptatie van een nieuwe betaalmethode kan dit een positieve invloed hebben op de besluitvorming hierover.
De bestaande modellen waarmee de acceptatie van nieuwe technologie voorspeld worden zijn breed toepasbaar. Wetenschappelijk gezien is dit onderzoek relevant vanwege het toepassen van een bestaand en bewezen model op een nieuw vakgebied. Hierdoor zal de wetenschappelijke kennis over de acceptatie van nieuwe technologie en het toepassen van TAM verbreed worden.
2. Theoretisch kader
In dit hoofdstuk zal geprobeerd worden antwoord te geven op de in hoofdstuk 1 gestelde deelvraag “Welke factoren spelen een rol bij de acceptatie van een nieuwe betaalmethode?”. Met behulp van wetenschappelijke literatuur zal het antwoord onderbouwd worden. Door de deelvraag te
beantwoorden aan de hand van eerder gedaan onderzoek kan een wetenschappelijke basis gelegd worden voor de opzet van het onderzoek in deze scriptie.
2.1 Technology Acceptance Model
De belangrijkste basis in dit onderzoek is het Technology Acceptance Model (Davis, 1986). Door dit model toe te passen bij de invoer van nieuwe technologie kan er een voorspelling gedaan worden in hoeverre de eindgebruikers dit zullen accepteren. De informatie welke met dergelijke modellen onderzocht kan worden is vooral waardevol tijdens de ontwerpfase van een nieuwe technologie. Aspecten van de technologie kunnen aangepast of bijgesteld worden aan de hand van de
bevindingen. En groot deel van dit model is dan ook gebaseerd op theorie uit de psychologie. Dit model kijkt in een aantal stappen in het proces van het in gebruik nemen van nieuwe technologie naar het gedrag van de eindgebruiker. Door bij een aantal eindgebruikers dit gedrag in deze verschillende stadia te onderzoeken is een voorspelling te maken over hoe de technologie geaccepteerd zal worden. Aan de hand van dergelijke voorspellingen kan het ontwerp aangepast worden.
Het model is in een aantal stappen onderverdeeld (zie Afbeelding 1): het design van het systeem, cognitive response, affective response en behavioral response. In de design-fase wordt het systeem ontworpen, waarna in de cognitive response fase wordt gekeken naar de bruikbaarheid en het gebruikersgemak. Aan de hand hiervan wordt in de affective response fase gekeken naar de houding van de eindgebruiker bij het in het gebruik nemen van het product. Uiteindelijk wordt in de
behavioral response fase gekeken hoe de eindgebruiker daadwerkelijk met de nieuwe technologie omgaat.
Door deze gegevens zoveel mogelijk te kwantificeren kan er een voorspelling worden gedaan over de acceptatie van de nieuwe technologie. De nieuwe versies van het model zijn een verbetering van
de eerste versie en verfijnen het model. Dit verbeterde model wordt het Technology Acceptance Model 2 (TAM2) genoemd (Venkatesh & Davis, 2000), zie Afbeelding 2.
Het TAM2 is opgebouwd uit verschillende factoren, welke invloed op elkaar hebben. Deze factoren en de onderlinge invloeden zijn grafisch weergegeven in afbeeldingen 1 en 2. De factoren Perceived Usefulness (PU) en Perceived Ease of Use (PEU) hebben de meeste invloed op de Intention to Use (IU). Daarnaast hebben de factoren Subjective Norm, Image, Job Relevance, Output Quality en Result Demonstrability weer invloed op de PU. Er zijn ook een aantal moderatoren in het model, deze hebben invloed op de correlaties. Zo is Experience een moderator op PU en IU, Voluntariness is een moderator op IU, PEU is een moderator op PU en Subjective Norm heeft invloed op Image.
Er zijn, in vergelijking met de eerste versie van het model, extra externe factoren welke
meegenomen worden in het model. Al deze factoren spelen nu een rol in het bepalen van het nut van de nieuwe technologie. Wat ook in het nieuwe model ondervonden wordt, is dat de mate waarin de gebruiker van de nieuwe technologie verplicht wordt het te gebruiken een rol speelt in de
acceptatie er van (Venkatesh & Davis, 2000). Maar ook invloeden als relevantie voor bijvoorbeeld Afbeelding 2: Technolog Acceptance Model 2 (Venkatesh & Davis, 2000)
is onderzocht met TAM, hierbij is dit model ook in een aangepast vorm toegepast (Parry,
Kawakami, & Kishiya, 2012). Bij het onderzoeken van de acceptatie van gebruik van sociale robots bij oudere mensen speelt het TAM een rol (Heerink, Ben, Evers, & Wielinga, 2008).
2.2 Technology Acceptance Model in mobile commerce
Bij eerder onderzoek met een aangepaste versie van het vernieuwde Technology Acceptance model (TAM2) kwam men er achter dat dit model goed toepasbaar is bij het bestuderen van het gedrag van gebruikers van mobile commerce technologie (Wu & Wang, 2005). Mobile commerce is het gebruik van de mobiele telefoon voor het doen van aankopen. De factoren die meespelen in het eventuele gebruik van mobile commerce zijn:
– Risico (hoe is bijvoorbeeld de beveiliging geregeld?) – Kosten
– Compatibiliteit (werkt het samen met bestaande producten/diensten) – Bruikbaarheid
– Gebruikersgemak
Hiermee kan een antwoord worden gegeven op de deelvraag: “Welke factoren spelen een rol bij de acceptatie van een nieuwe betaalmethode?” Afwijkend ten opzichte van het originele Technology Acceptance Model zijn de factoren risico, kosten en compatibiliteit. Er is voor de toepassing volgens Wu & Wang (2005) gekozen omdat deze factoren meeneemt welke van belang kunnen zijn
bij de toepassing van het model op het openbaar vervoer. Compatibiliteit omdat het systeem goed moet samen kunnen werken met de manier waarop het openbaar vervoer werkt. En de factor kosten omdat de prijs van het openbaar vervoer een terugkerende maatschappelijke discussie is en waar dus belang aan wordt gehecht.
2.3 Technology Acceptance Model in het openbaar vervoer
In het kader van openbaar vervoer en TAM is eerder onderzoek gedaan naar de acceptatie van het mobiel kopen van kaartjes voor het openbaar vervoer (Mallat, Rossi, Tuunainen, & Öörni, 2009). Ook in dit onderzoek wordt gebruik gemaakt van het Technology Acceptance Model. De
onderzoekers beperken zich hier tot de acceptatie van het gebruik van de telefoon voor het kopen van het kaartje voor het openbaar vervoer. Dit gebeurt door het sturen van een SMS. De uitkomsten van dit onderzoek zijn dat het van de context afhangt of een dergelijk nieuw systeem geaccepteerd zal worden. Zaken als tijd en omgeving moeten eigenlijk buiten beschouwing gelaten worden omdat deze invloed kunnen hebben op de acceptatie, terwijl dit geen factoren zijn waar het systeem
invloed op heeft. Vooral de factor mobiliteit is interessant, omdat deze factor van belang is in het openbaar vervoer.
2.4 Technology Acceptance Model in dit onderzoek
Met behulp van het eerdere onderzoek, zoals eerder beschreven in dit hoofdstuk, zal er ook voor het onderzoek in deze scriptie een aangepaste versie van TAM gebruikt worden. Hiervoor zijn twee factoren toegevoegd aan het TAM2: Mobiliteit en Compatibiliteit. De factor mobiliteit is gebaseerd op eerder onderzoek waarbij TAM2 is toegepast in het openbaar vervoer (Mallat et al., 2009). De factor compatibiliteit komt uit eerder onderzoek met TAM2 gedaan op M-commerce (Wu & Wang, 2005). Met Mobiliteit wordt gekeken naar hoe een systeem gebruikt kan worden zonder dat deze plaatsgebonden is. Deze factor zal een rol spelen in de acceptatie van een mobiele technologie doordat dit het onderscheid van een technologie welke alleen benaderd kan worden op specifieke locatie. Met Compatibiliteit wordt gekeken naar hoe de technologie samengaat met bestaande technologie en gedrag. Hiermee wordt onder andere het samengaan met het overige gebruik van de smartphone bedoeld. Maar ook hoe de gedemonstreerde technologie samen zou gaan met de huidige manier van reizen met het openbaar vervoer. De factor Experience is verwijderd omdat deze factor niet gemeten hoeft te worden in dit aangepaste model. De factor Experience zit in het originele TAM omdat deze over het algemeen toegepast wordt in bedrijfsomgevingen en de ervaring van de gebruikers een belangrijke rol speelt. In het openbaar vervoer is dit minder van belang, het systeem dient immers rekening te houden met gebruikers zonder ervaring. Door deze aanpassingen is het model enigszins veranderd. Hiervoor is de grafische weergave ook aangepast. Dit model is te zien in afbeelding 4.
Aan de hand van dit aangepast model zijn er een aantal hypothesen opgesteld. Deze zijn gebaseerd op de factoren uit het model. Met deze factoren zal getoetst worden hoe deze op een andere, afhankelijke, factor correleert. Deze hypothesen zullen in twee categorieën worden onderverdeeld. De eerste categorie is hoe factor 4 tot en met 11 positief correleren met factor 2. De tweede
categorie is hoe factoren 2 en 3 positief correleren met factor 1. Door deze twee categorieën met hypothesen te kunnen bevestigen is er een antwoord te geven op de deelvraag “In welke mate scoort mobiel betalen op deze factoren?”.
h1 Subjective norm correleert positief met Perceived Usefulness. h2 Image correleert positief met Perceived Usefulness.
h3 Job Relevance correleert positief met Perceived Usefulness. h4 Output Quality correleert positief met Perceived Usefulness.
h5 Result Demonstrability correleert positief met Perceived Usefulness. h6 Mobiliteit correleert positief met Perceived Usefulness.
h7 Compatibiliteit correleert positief met Perceived Usefulness. h8 Perceived Usefulness correleert positief met Intention to Use. h9 Perceived Ease of Use correleert positief met Intention to Use.
Deze hypothesen zullen getoetst worden, waarna bepaald kan worden of ze bevestigd worden of niet.
3. Onderzoek
Zoals in de inleiding is aangegeven ligt de nadruk van deze scriptie op het onderbouwen van het onderzoek. Door middel van het onderzoeken van literatuur waarin TAM is toegepast is geprobeerd een goede onderbouwing te geven op de vragenlijst en de analyses bij dit onderzoek.
Het onderzoek richt zich op de acceptatie van het gebruiken van een smartphone, uitgerust met de NFC-technologie en een app voor het doen van betalingen, voor het betalen van het openbaar vervoer. Om dit te onderzoeken is er, aan de hand van het Technology Acceptance Model, een vragenlijst opgesteld. Deze vragenlijst is afgenomen onder een zo representatief mogelijke afspiegeling van de Nederlandse bevolking.
Door eerder onderzoek op de gebieden van acceptatie van betaalmethoden en acceptatie van het mobiel aanschaffen van reizen met het openbaar vervoer toe te passen op de vragenlijst is het mogelijk deze zo goed mogelijk toe te spitsen op het onderzoek in deze scriptie. De eerdere onderzoeken waarop gebaseerd is zijn beide gefundeerd op het Technology Acceptance Model. Hierdoor is er een goede combinatie te maken.
Als hoofdlijn is het originele Technology Acceptance Model 2 aangehouden (Venkatesh & Davis, 2000). Het onderzoek naar de acceptatie van nieuwe betaalmethoden is de leidraad voor het onderzoeken van de factoren risico, kosten en compatibiliteit (Wu & Wang, 2005). Terwijl het onderzoek naar het betalen van reizen met het openbaar vervoer met de mobiele telefoon de basis is voor het deel van het onderzoek naar het betalen van openbaar vervoer (Mallat et al., 2009).
Voorafgaand aan de vragenlijst zelf is er eerst naar de demografische informatie gevraagd. Hiermee is een beeld geschetst van de samenstelling van de groep respondenten op het gebied van leeftijd, geslacht, opleidingsniveau.
Vervolgens is met behulp van prototyping een versimpelde weergave geschetst van het systeem waarvan de acceptatie onderzocht wordt. Deze prototypes zijn, voordat de daadwerkelijke
vragenlijst afgenomen is, eerst gepresenteerd aan de proefpersoon. Deze prototypes zijn toegelicht in hoofdstuk 3.1.
De vragenlijst is online afgenomen en de ondervraagden blijven anoniem. Aan het einde van de vragenlijst staat echter de optie om vrijwillig een e-mailadres achter te laten. Naar dit e-adres is nadat het onderzoek afgerond is een samenvatting van de resultaten gestuurd. Deze vragenlijst is dus gebaseerd op vragenlijsten uit eerder onderzoek, gedaan aan de hand van TAM. De vragenlijst is toegelicht in hoofdstuk 3.2.
Ook de analyse van de verzamelde data is gebaseerd op TAM. Op deze manier wordt een goede, wetenschappelijk onderbouwde conclusie getrokken. De verzamelde data is statistisch
geanalyseerd. Dit is toegelicht in hoofdstuk 3.3.
3.1 Uitleg nieuwe technologie: prototyping
Voordat de vragenlijst ingevuld moest worden is eerst de nieuwe technologie zo duidelijk mogelijk gepresenteerd. Er is vanuit gegaan dat de persoon geen verstand of affiniteit met dergelijke
technologieën heeft. De technologie is door middel van tekst en afbeeldingen weergegeven.
Hiervoor zijn, door gebruik te maken van prototyping, mockups gemaakt. Dit zijn afbeeldingen die weergeven hoe de app er uit komt te zien. Deze afbeeldingen, hebben vervolgens samen met een
korte beschrijving weergegeven hoe de app werkt.
In de uitleg is de nadruk gelegd op het betaal-aspect van de app. De personen die ondervraagd zijn is gevraagd zich in te beelden hoe de app in hun dagelijks gebruik toegepast kan worden. De te volgen procedure is met behulp van een aantal scenario's uitgelegd.
Op Afbeelding 5 is het hoofdscherm van de app weergegeven. Hierop is in één oogopslag de belangrijkste informatie te zien. Als men op de knop 'Saldo opladen' klikt komt men in het scherm van Afbeelding 6. Hier kan men het saldo opladen met het gewenste bedrag en dit betalen met de gewenste betaalmethode. De betaling zelf word uitgevoerd via de app of mobiele site van de beheerder van de gekozen betaalmethode. Zodra de betaling gereed is komt men weer terug in het hoofdscherm, waar het nieuwe saldo te zien zal zijn.
Op het moment dat de gebruiker wil gaan reizen en dus in moet checken klikt deze op de grote knop 'Inchecken'. Vervolgens krijgt de gebruiker 10 seconden de tijd om in te checken (Afbeelding 7). Hiervoor is gekozen om te voorkomen dat er per ongeluk ingecheckt wordt of dat er fraude mee gepleegd wordt. De gebruiker moet zich er van bewust zijn dat de telefoon op dat moment in kan checken. Nadat de gebruiker de telefoon bij het incheckpunt heeft gehouden verschijnt het statusscherm (Afbeelding 9). Hierop is te zien bij welke vervoersmaatschappij, bij welk
station/halte en op welke datum en tijd er ingecheckt is. Dit scherm is ook te benaderen vanuit het hoofdscherm.
Op het transactiescherm (Afbeelding 8) zijn de laatste transacties te zien welke gedaan zijn met de app. Dit zijn zowel de reizen die gemaakt zijn als het opladen van het saldo. Van elke transactie zijn de relevante gegevens op te vragen door naast de transactie op 'Bekijk' te drukken. Deze gegevens zijn bij een reis bijvoorbeeld de datum, tijd en de kosten. Maar ook het opladen van het saldo wordt gezien als een transactie, ook weer met datum, tijd en kosten.
Deze vorm van demonstreren is een bewezen methode om met beperkte tijd en middelen een zo duidelijk mogelijk beeld te schetsen van hoe een dergelijke nieuwe technologie zou werken. Het maken van zogeheten prototypes is een eenvoudige en snelle manier om een zo duidelijk en
accuraat mogelijk weer te geven hoe een systeem er in werkelijkheid uit zou zien. Zo is er in eerder onderzoek naar een app voor het lezen van teksten op tablets ook gebruik gemaakt van prototyping (Huang, Chen, & Ho, 2013).
Maar ook de auteurs van het originele TAM model hebben verder onderzoek gedaan naar het gebruiken van prototyping en hebben geconcludeerd dat vroege acceptatie-tests met prototypes vaak nuttiger zijn dan latere acceptatie-tests met systemen welke al bijna gereed zijn (Davis & Venkatesh, 2004). Er is gebleken dat vroege acceptatie-tests met prototypen kostenbesparend zijn,
Afbeelding 9: Transactiescherm
omdat er al in een vroeg stadium bijgestuurd kan worden, waardoor eventuele verspilling voorkomen kan worden.
3.2 Vragenlijst
Vervolgens is over deze technologie vragen gesteld, gebaseerd op het Technology Acceptance Model. Daarnaast zijn ook de demografische gegevens van de personen gevraagd om te bepalen in hoeverre de groep personen een afspiegeling is van de Nederlandse bevolking. De vragenlijst is gebaseerd op die van het onderzoek van Mallat et al. (2009), naar nieuwe technologie voor het openbaar vervoer.
De vragenlijst, zoals deze getoond is aan de proefpersonen is te vinden in Bijlage 1. Alle vragen hebben als antwoord een 7-punts Likert-schaal: 1 = helemaal mee oneens, 2 = mee oneens, 3 = deels mee oneens , 4 = neutraal (niet mee oneens/niet mee eens), 5 = deels mee eens, 6 = mee eens, 7 = helemaal mee eens.
Deze vragenlijst is opgebouwd uit de vragen van meerdere onderzoeken met TAM. Hieronder zal een overzicht gegeven worden op welke onderzoeken de verschillende categorieën gebaseerd zijn.
1. Intention to Use TAM (Davis, 1986)
2. Perceived Usefulness TAM (Davis, 1986) 3. Perceived Ease of Use TAM (Davis, 1986)
4. Subjective norm TAM2 (Venkatesh & Davis, 2000) 5. Voluntariness TAM2 (Venkatesh & Davis, 2000)
6. Image TAM2 (Venkatesh & Davis, 2000)
7. Job Relevance TAM2 (Venkatesh & Davis, 2000) 8. Output Quality TAM2 (Venkatesh & Davis, 2000) 9. Result Demonstrability TAM2 (Venkatesh & Davis, 2000)
10. Mobiliteit Aanvulling op TAM2 (mobile ticketing) (Mallat et al., 2009)
11. Compatibiliteit Aanvulling op TAM2 (M-commerce) (Wu & Wang, 2005)
3.3 Analyse
De vragenlijst zoals deze in hoofdstuk 3.2 is beschreven is afgenomen bij een groep personen uit de sociale omgeving van de auteur van deze scriptie, een zogeheten convenience sample. Een groep personen welke eenvoudig te benaderen is door de onderzoeker. Hierdoor is het eenvoudiger om een hogere responsrate te behalen. Deze vorm van het samenstellen van de groep proefpersonen is in het eerste onderzoek naar TAM ook toegepast door Davis (1986).
De proefpersonen zijn online benaderd, via zowel social-media als Facebook en via e-mail. Hierbij is de link naar de vragenlijst gestuurd, samen met het verzoek om deze in te vullen. Hierbij is vermeld dat het invullen van de vragenlijst ongeveer 5 minuten duurt, om ervoor te zorgen dat zoveel mogelijk mensen het in zouden vullen.
De analyse van de verzamelde data gebeurt in een aantal stappen. Deze zijn hieronder beschreven, samen met de voorwaarden waar de resultaten aan moeten voldoen. Deze voorwaarden zijn van belang omdat als hier niet aan wordt voldaan de validiteit van de resultaten niet hoog genoeg is. De data die is verzameld met de vragenlijst is met het programma IBM SPSS Statistics
geanalyseerd. Er is getracht om uit deze analyses een conclusie te trekken. Om ervoor te zorgen dat de resultaten betrouwbaar zijn moet de groep respondenten zo groot mogelijk zijn. Er is geprobeerd om minimaal 60 respondenten de enquête te laten invullen. Met behulp van verschillende literatuur is de data geanalyseerd, zo is de basiskennis over statistiek gebaseerd op het boek Essentials of Statistics (Triola, 2008).
Ook de analyses van de data welke verzameld zijn in het onderzoek in deze scriptie zijn gebaseerd op eerder onderzoek. Door de data in de categorieën onder te verdelen is een score per categorie te bepalen. Door middel van deze score is getracht een antwoord te geven op de tweede deelvraag: “In welke mate scoort mobiel betalen op deze factoren?”.
Hiervoor is het originele TAM aangepast, dit is de grafische weergave van het model welke is aangepast voor het onderzoek in deze scriptie, zie afbeelding 4. Hierin zijn de factoren weergegeven zoals deze onderzocht zijn met behulp van de vragenlijst, 1 tot en met 11. De analyses die hierbij gebruikt zijn richten zich voornamelijk op de correlaties tussen de factoren en de significanties hiervan. Om dit te bepalen zijn er analyses op de data gedaan, hierbij zijn de verschillende categorieën gedefinieerd. Vervolgens is er een tabel gegenereerd waarin de verschillende
significanties getoond zijn. Aan de hand van deze tabel is het antwoord op de deelvraag gegeven. Deze resultaten en het antwoord op de deelvraag zijn in het volgende hoofdstuk (4) weergegeven. Er is een factor analyse gedaan op de data welke verzameld is door middel van de vragenlijst. Deze factor analyse is opgezet met behulp van het boek SPPS Survival Manual (Pallant, 2010) en moet aan een aantal eisen voldoen. Zo moet de Kaiser-Meyer-Olkin Measure of Sampling Adequacy groter zijn dan 0,6 (Dziuban & Shirkey, 1974; Kaiser, 1970). En moet Bartletts Test of Sphericity significant zijn (< 0,05) (Bartlett, 1950; Dziuban & Shirkey, 1974). Indien aan deze twee
voorwaarden is voldaan is de factor analyse geschikt om te gebruiken om de resultaten te verklaren. Daarnaast moet in de correlatie matrix, welke gegenereerd is, worden gekeken naar correlatie coëfficiënten van 0,3 en hoger. Indien deze er niet in staan is factor analyse geen geschikte methode. Vervolgens is aan de hand van Kaiser criterium bepaald welke factoren een eigenwaarde van > 1.0 hebben (Kaiser, 1970, 1974). Deze waarden zijn te vinden in de tabel 'Total Variance Explained'. Dit zijn de factoren waarvan gekeken is of ze correleren. Aan de hand hiervan zijn de hypothesen, zoals
opgesteld in hoofdstuk 2, getoetst. Aan de hand van de zogeheten Screeplot is ook bepaald welke factoren meegenomen zijn. Dit zijn de factoren welke boven de 'elleboog' van de grafiek lagen. Over het algemeen zijn dit de factoren welke een eigenwaarde van > 1,0 hebben, maar omdat een factor analyse geen harde statistische resultaten biedt moet men hierbij een eigen oordeel vellen. Daarnaast is er, ter controle, een parallelle analyse gedaan. Hierbij zijn de eigenwaarden van de factoren welke > 1,0 zijn naast een willekeurig gegenereerde lijst van eigenwaarden gehouden. Deze lijst is gegenereerd aan de hand van een aantal variabelen, welke afgeleid zijn van het werkelijke onderzoek: het aantal te onderzoeken variabelen, de grote van de sample en een aantal herhalingen (in dit geval 100). Deze lijst is gegenereerd door gebruik te maken van software welke voor dit doel is ontwikkeld (Watkins, 2000). Dit programma genereert, op de achtergrond, 100 willekeurige datasets met dezelfde grote als de werkelijke dataset (aantal variabelen x grote van de sample). Vervolgens zijn de gemiddelde eigenwaarden van deze 100 sets willekeurige testdata uitgerekend en weergegeven. Deze parallel uitgerekende eigenwaarden zijn naast de werkelijke eigenwaarden, uit het onderzoek zelf, gelegd. Indien de werkelijke eigenwaarde van een factor hoger is dan de parallel uitgerekende waarde dan is deze factor aangehouden, anders is hij
verworpen. Deze methode onderbouwt de beslissing om een factor al dan niet aan te houden. Omdat er 100 willekeurige testdata-sets gegenereerd zijn, aan de hand van dezelfde variabelen als het werkelijke onderzoek, is aan te tonen dat de variabelen die worden aangehouden een hogere
eigenwaarde hebben dan het gemiddelde van de 100 willekeurige tests. De uitkomst van deze extra controle moest ongeveer gelijk zijn aan de Screeplot. Het aantal factoren wat volgens deze controle aangehouden moest worden moest gelijk zijn aan het aantal factoren wat op de grafiek boven de elleboog ligt. Aan de hand van de 'Component Matrix' is gekeken op welke componenten de meeste items scoren. Aan de hand hiervan is bepaald wat de hoeveelheid componenten is waar uiteindelijk naar gekeken is. Dit is bepaald aan de hand van het aantal items per component, dit moest 3 of meer zijn. Ook hierbij is het aantal factoren wat aangehouden is gelijk aan de twee eerdere controles. In dit onderzoek is dit proces een aantal keer gedaan. Eerst om te kijken of de factoren 4 tot en met 11, zoals te zien in afbeelding 4, correleren met factor 2. Vervolgens is gekeken of factoren 2 en 3, ook te zien in afbeelding 4, correleren met afbeelding 1. Hiermee waren alle hypothesen, zoals deze gesteld waren in hoofdstuk 2 te bevestigen of te verwerpen.
Er zijn meerdere varianten van de Factor Analyse, hiervan is de Principal Components Analysis de meest gebruikte (Pallant, 2010). Deze variant is dan ook gebruikt in dit onderzoek. Deze vorm van statistisch analyseren is al eerder gebruikt in vergelijkbaar onderzoek, bijvoorbeeld naar het gebruik van mobiele telefoons (Suominen, Hyrynsalmi, & Knuutila, 2014). Maar ook in onderzoek naar e-learning is het TAM gebruikt, waarbij een Principal Components Analysis is toegepast voor de analyse van de data (Padilla-Meléndez, del Aguila-Obra, & Garrido-Moreno, 2013).
4. Resultaten
Het aantal personen wat uiteindelijk de vragenlijst ingevuld heeft was 71. Hiervan waren 46 man (64,8%) en 25 vrouw (35,2%).
De leeftijd varieerde van 18 jaar als jongste persoon tot 88 jaar als oudste. En had een een mean van 32,31 en een standaard deviatie van 16.4.
De respondenten welke HBO of WO als hoogst genoten opleiding hadden waren in de meerderheid, zie onderstaande tabel:
Eerst is gekeken naar hoe de factoren 4 t/m 11 scoren op factor 2 (zie afbeelding 4). Hiervoor zijn de onderlinge correlatie coëfficiënten berekend. Vervolgens is dit nog een keer gedaan voor de scores van factoren 2, 3 en 4 op factor 1.
Voor de eerste deel van de analyse, hoe de factoren 4 t/m 11 scoren op factor 2, zijn de volgende stappen doorlopen. Deze zijn gebaseerd op de analyse zoals deze beschreven is in hoofdstuk 3.3. De sample data voldoet aan de voorwaarden om er een factor analyse voor te doen. Zo is de Kaiser-Meyer-Olkin Measure of Sampling Adequacy 0,857, terwijl deze groter moet zijn dan 0,6. En ook Bartletts Test of Sphericity is significant: 0,000, terwijl dit < 0,05 moet zijn. Zie onderstaande tabel:
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,857
Bartlett's Test of Sphericity
Approx. Chi-Square 1168,161
df 210
Sig. ,000
Daarnaast zijn er in de correlatie matrix (zie Bijlage 2) meerdere correlatie coëfficiënten van > 0,3 te vinden. Hierdoor is factor analyse een geschikte methode voor het analyseren van de data.
Het aantal componenten welke een eigenwaarde > 1,0 hebben is 4. Deze 4 componenten hebben een cumulatief percentage van de variantie van 72,795%. In de screeplot (zie afbeelding 10) is echter terug te zien dat er slechts 2 componenten zijn welke boven de zogeheten elleboog vallen. Hierdoor zou besloten moeten worden om slechts twee componenten aan te houden.
Frequentie Percent HAVO/VWO (HBS/MMS) 14 19,7 HBO/WO (HTS/HEAO) 53 74,6 MBO (MTS/MEAO) 2 2,8 VMBO/MAVO/LBO 2 2,8 Total 71 100,0
Vervolgens is met een parallelle analyse geverifieerd of het aantal componenten welke aangehouden moet worden gelijk is. Hiervoor is de software van Watkins (2000) gebruikt. Hierbij is de
eigenwaarde van de data in dit onderzoek vergeleken met die van willekeurig gegenereerde data. Waarbij een component alleen aangehouden is als deze een hogere eigenwaarde heeft dan die van de willekeurig gegenereerde data. Hieronder de tabel met deze waarden.
componenten bestaan.
Component Matrix
Component
1 2
Het systeem maakt het reizen efficiënter. ,827 Het systeem vervangt de behoefte van het bij me hebben van geld of een OV-chipkaart. ,821 Ik vind het systeem nuttig bij het reizen met het openbaar vervoer. ,810 Het systeem is voor mij een geschikte manier om aankopen met betrekking tot het openbaar vervoer te
doen.
,810
Het systeem is voor mij een geschikte manier om gebruik te maken van openbaar vervoer. ,804 Door dit systeem hoef ik minder lang te wachten. ,799 Het systeem stelt me in staat efficiënter gebruik te maken van het openbaar vervoer. ,784 Voor het reizen met het openbaar vervoer is het gebruik van het systeem relevant. ,774 Het systeem gaat goed samen met het overige gebruik van mijn telefoon. ,759 Het systeem maakt me minder afhankelijk van het tijdstip waarop ik gebruik wil maken van het openbaar
vervoer.
,694 -,395
Met dit systeem kan ik sneller betalen voor het openbaar vervoer. ,681
Ik vind het systeem makkelijk te gebruiken. ,657 ,468 Het systeem maakt me minder afhankelijk van de locatie waar vanaf ik wil vertrekken. ,639 -,332 Als mensen om me heen het systeem gebruiken, dan zal ik dat ook gaan doen. ,631 -,511 De gegevens die het systeem laat zien zijn duidelijk. ,619 ,576 De feedback die het systeem geeft op uw invoer is goed. ,541 ,574 Ik denk dat mensen om me heen vinden dat ik het systeem moet gebruiken. ,518
Het is mij duidelijk waarom het systeem bepaalde uitvoer als reactie op mijn invoer geeft. ,479 ,601 Ik denk dat mensen om me heen die het systeem gebruiken meer status hebben. ,436 -,611 Ik heb het idee dat als ik het systeem zou gebruiken ik meer status zou hebben. ,422 -,503 Ik heb voldoende kennis van het systeem om het aan anderen uit te leggen. ,368 ,635 Extraction Method: Principal Component Analysis.
a. 2 components extracted.
Nu er bepaald is hoeveel componenten er behouden moesten worden is er naar de correlatie tussen deze componenten gekeken, hieruit is op te maken hoeveel de componenten met elkaar correleren. Dit dient lager te zijn dan 0.3 om te kunnen bepalen dat de componenten geen sterke relatie met elkaar hebben. Zie hieronder de tabel met deze correlaties.
Component Correlation Matrix
Component 1 2
1 1,000 ,285
2 ,285 1,000
Extraction Method: Principal Component Analysis. Rotation Method: Oblimin with Kaiser Normalization.
In de zogeheten pattern matrix is per component te zien hoe de verschillende items er op scoren. Hieruit is het verschil tussen beide componenten op te maken. Hieruit kan geconcludeerd worden wat het onderscheid is tussen de factoren die op component 1 of 2 scoren. Dit dient opgemaakt te worden uit de interpretatie die men geeft aan de verschillende factoren. In de hypothesen wordt gezocht naar de correlatie van de verschillende factoren met de Perceived Usefulness (factor 2 in afbeelding 4).
Pattern Matrix
Component
1 2
De gegevens die het systeem laat zien zijn duidelijk. ,828 De feedback die het systeem geeft op uw invoer is goed. ,789 Het is mij duidelijk waarom het systeem bepaalde uitvoer als reactie op mijn invoer geeft. ,785 Ik heb voldoende kennis van het systeem om het aan anderen uit te leggen. ,765 Ik vind het systeem makkelijk te gebruiken. ,746 Als mensen om me heen het systeem gebruiken, dan zal ik dat ook gaan doen. ,845
Het systeem maakt me minder afhankelijk van het tijdstip waarop ik gebruik wil maken van het openbaar vervoer.
,809
Ik denk dat mensen om me heen die het systeem gebruiken meer status hebben. ,769 -,363 Het systeem stelt me in staat efficiënter gebruik te maken van het openbaar vervoer. ,742
Door dit systeem hoef ik minder lang te wachten. ,740 Het systeem maakt me minder afhankelijk van de locatie waar vanaf ik wil vertrekken. ,722 Ik heb het idee dat als ik het systeem zou gebruiken ik meer status zou hebben. ,681 Met dit systeem kan ik sneller betalen voor het openbaar vervoer. ,641
Ik vind het systeem nuttig bij het reizen met het openbaar vervoer. ,635 ,355 Het systeem maakt het reizen efficiënter. ,616 ,403
Zoals te zien is in de pattern matrix scoort Perceived Usefulness op component 1. Met de
hypothesen zoals opgesteld in hoofdstuk 2 moet uitgezocht worden of de factoren correleren met de Perceived Usefulness. Aan de hand van de pattern matrix tabel is per factor te bepalen of dit zo is. Indien een factor scoort op component 1 dan correleert deze met de Perceived Usefulness, scoort een factor op component 2 dan correleert deze niet met de Perceived Usefulness. Op deze manier kunnen deze hypothesen bevestigd of verworpen worden. Als een factor sterker correleert met component 1 dan zal de hypothese dus bevestigd worden. Als een factor sterker correleert met factor 2 dan zal de hypothese verworpen worden. Aangezien er meerdere factoren meegenomen worden is er bij elke hypothese per component de gemiddelde correlatie berekend. Aan de hand hiervan is bepaald of de factor correleert met component 1 of 2.
Hypothese Gemiddelde correlatie
coëfficiënten Bevestigd/Verworpen(resp.: correleert aan 1 / correleert aan 2)
h1 Subjective norm correleert op Perceived Usefulness.
0,718 op component 1 Bevestigd
h2 Image correleert op Perceived Usefulness. 0,738 op component 1 en -0,363 op component 2
Bevestigd
h3 Job Relevance correleert op Perceived
Usefulness. 0,598 op component 1 en 0,390 op component 2 Bevestigd h4 Output Quality correleert op Perceived
Usefulness.
0,809 op component 2 Verworpen h5 Result Demonstrability correleert op
Perceived Usefulness.
0,775 op component 2 Verworpen h6 Mobiliteit correleert op Perceived
Usefulness. 0,708 op component 1 en 0,469 op component 2 Bevestigd h7 Compatibiliteit correleert op Perceived
Usefulness.
0,508 op component 1 en 0,491 op component 2
Bevestigd
Alleen h4 en h5 zijn dus verworpen.
Om hypothesen h8 en h9 (zie hoofdstuk 2) te kunnen bevestigen of verwerpen is de analyse nogmaals uitgevoerd. Deze keer is gekeken hoe de factoren 2 en 3 scoren op factor 1.
De sample data voldoet aan de voorwaarden om er een factor analyse voor te doen. Zo is de Kaiser-Meyer-Olkin Measure of Sampling Adequacy 0,820, terwijl deze groter moet zijn dan 0,6. En ook Bartletts Test of Sphericity is significant: 0,000, terwijl dit < 0,05 moet zijn. Zie onderstaande tabel:
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,820
Bartlett's Test of Sphericity
Approx. Chi-Square 385,469
df 21
Aan de hand van de screeplot is weer een inschatting gemaakt van de hoeveelheid factoren die aangehouden moeten worden.
In dit geval is er geen parallelle analyse gedaan omdat het aantal factoren niet minder kan zijn dan 2. Omdat anders niet bepaald kan worden aan welk component een factor correleert. Immers zullen alle factoren dan correleren met de ene component. De component matrix welke aantoont in
Component Correlation Matrix
Component 1 2
1 1,000 ,473
2 ,473 1,000
Extraction Method: Principal Component Analysis.
Rotation Method: Oblimin with Kaiser Normalization.
In de pattern matrix is te zien welke factoren scoren op de twee componenten. In tegenstelling tot het eerste deel van de analyse (correlatie van factoren 4 t/m 11 met factor 2) is er nu geen overlap van factoren op de twee componenten. Elke factor scoort op slechts één component.
Pattern Matrix
Component
1 2
Als ik toegang heb tot het systeem dan zie ik het mezelf het ook daadwerkelijk gebruiken. ,909 Het systeem stelt me in staat efficiënter gebruik te maken van het openbaar vervoer. ,881 Als ik toegang heb tot het systeem, zou ik de intentie hebben om het te gebruiken ,872 Ik vind het systeem nuttig bij het reizen met het openbaar vervoer. ,822 Met dit systeem kan ik sneller betalen voor het openbaar vervoer. ,771
De manier waarop ik het systeem moet gebruiken is mij duidelijk. ,969 Ik vind het systeem makkelijk te gebruiken. ,884 Extraction Method: Principal Component Analysis.
Rotation Method: Oblimin with Kaiser Normalization. a. Rotation converged in 4 iterations.
Aan de hand van deze resultaten zijn de hypothesen h8 en h9 te bevestigen of te verwerpen. Aangezien er ook hier meerdere factoren meegenomen zijn is er bij elke hypothese per component de gemiddelde correlatie berekend. Aan de hand hiervan is bepaald of de factor correleert op component 1 of 2. De factoren van Intention to Use correleren met component 1. Want de gemiddelde correlatie coëfficiënt van de factoren hiervan is 0,891 met component 1.
Hypothese Gemiddelde correlatie
coëfficiënten Bevestigd/Verworpen(resp.: correleert aan 1 / correleert aan 2)
h8 Perceived Usefulness. correleert op Intention to Use.
0,825 op component 1 Bevestigd
h9 Perceived Ease of Use. correleert op Intention to Use.
Een grafische weergave van deze correlaties is te zien in Afbeelding 12.
5. Conclusie en Discussie
Door de resultaten te interpreteren kan er een antwoord gegeven worden op de hoofdvraag. Dit zal gedaan worden in hoofdstuk 5.1. Door terug te kijken op het onderzoek zelf zal getracht worden eventuele zwakheden aan te stippen en geprobeerd aan te geven waarop gelet moet worden in eventueel vervolg onderzoek. In hoofdstuk 5.3 zal worden gereflecteerd op het maken van deze scriptie en wat daarbij kwam kijken.
5.1 Conclusie
Door de resultaten uit het onderzoek te interpreteren kan een conclusie getrokken worden. Uiteindelijk is het doel een antwoord te kunnen geven op de hoofdvraag: “In hoeverre wordt de mobiele telefoon gezien als een geaccepteerd middel voor het betalen van reizen met het openbaar vervoer?”. Dit antwoord kan gegeven worden door te kijken naar de hypothesen zoals deze gesteld zijn in hoofdstuk 2. Aan de hand van de tweede deelvraag (“In welke mate scoort mobiel betalen op deze factoren?”) kan bepaald worden welke welke factoren invloed hebben op de acceptatie van het systeem zoals dat gedemonstreerd is met het prototype. Dit zijn: Subjective norm, Image, Job Relevance, Mobiliteit, Compatibiliteit en Perceived Usefulness.
Met Subjective norm wordt externe invloed bedoeld, de mensen in de sociale omgeving van de gebruiker hebben invloed op het eventuele gebruik van het systeem. Uit het onderzoek blijkt dat gebruikers dit belangrijk vinden in hun besluitvorming bij het in gebruik nemen van deze nieuwe technologie.
Met Image wordt de status die gebruikers van de technologie hebben bedoeld. Mensen die de technologie gebruiken hebben het idee dat ze meer status hebben en dit speelt een rol bij de besluitvorming bij het in gebruik nemen van de nieuwe technologie.
Job Relevance bepaalt of de gebruiker van de nieuwe technologie deze als relevant acht voor zijn werkzaamheden. In dit geval zijn die werkzaamheden het betalen van het openbaar vervoer. Volgens de resultaten van het onderzoek speelt dit mee in de beslissing om de nieuwe technologie in gebruik te nemen.
Mobiliteit en compatibiliteit zijn, specifiek voor dit onderzoek, factoren die zijn toegevoegd aan het oorspronkelijke Technology Acceptance Model. Mobiliteit is een factor die aangeeft of de locatie een rol speelt, dus of gebruikers waarde hechten aan het feit dat de nieuwe technologie niet plaatsgebonden is. Compatibiliteit is het kunnen inpassen van de nieuwe technologie in bestaande situaties en technologieën. In het geval van het systeem zoals dat in dit onderzoek gedemonstreerd het samengaan van de mobiele app met het reizen met het openbaar vervoer en het doen van mobiele betalingen. Volgens de resultaten spelen beide factoren een rol bij de eventuele acceptatie van de nieuwe technologie.
De belangrijkste factor is waarschijnlijk de Perceived Usefulness. Dit is hoe bruikbaar en handig de gebruikers de nieuwe technologie vinden. Volgens het onderzoek wordt er veel waarde gehecht aan het nut van de nieuwe technologie. In het geval van dit onderzoek zien gebruikers de meerwaarde van de nieuwe technologie bij het doen van betalingen voor het openbaar vervoer. De snelheid en het gemak bij het doen van deze betalingen wordt gezien als nuttig.
Samenvattend is dus te concluderen dat de nieuwe technologie, het doen van betalingen voor het openbaar vervoer met de smartphone, geaccepteerd zal worden. De factoren die hier in meespelen
zijn voornamelijk het toegevoegde nut van de mobiele app. Maar ook de sociale omgeving van de gebruiker speelt een rol, zo heeft de status die men heeft door de app te gebruiken invloed op de acceptatie er van. Maar ook of anderen de technologie gebruiken speelt een rol bij deze acceptatie. Indien anderen om de gebruiker heen de technologie gebruiken dat zal deze persoon dat zelf ook eerder doen.
De technologie zelf is dus niet de enige factor welke invloed heeft op de acceptatie van nieuwe technologie. Er zijn meerdere externe factoren welke hier een rol in spelen. Met deze interpretaties van de resultaten kan er een antwoord gegeven worden op de hoofdvraag (In hoeverre wordt de mobiele telefoon gezien als een geaccepteerd middel voor het betalen van reizen met het openbaar vervoer?).
De mobiele telefoon zal gezien worden als een geaccepteerd middel voor het betalen van reizen met het openbaar vervoer. Het toegevoegde nut wat de mobiele telefoon kan bieden op het gebied van snelheid en efficiëntie is voor de eindgebruiker één van de doorslaggevende factoren om te beslissen deze nieuwe technologie te gaan gebruiken. Maar ook de sociale omgeving van de gebruiker speelt een rol, als anderen de technologie gebruiken is de gebruiker sneller geneigd dit ook te gaan doen. Daarnaast is het aspect mobiliteit belangrijk, het niet gebonden zijn aan een vaste locatie is iets wat de gebruiker als nuttig ervaart, waardoor deze nieuwe technologie geaccepteerd zal worden. Maar ook de integratie van de nieuwe technologie met het huidige gebruik van de mobiele telefoon en het openbaar vervoer is iets waarvan de gebruiker aangeeft dat dit meespeelt bij de acceptatie er van.
Echter spelen niet alle factoren, zoals deze in dit onderzoek zijn meegenomen, een rol bij de
acceptatie van de nieuwe technologie. De Output Quality is minder belangrijk. Blijkbaar hechten de gebruikers minder waarde aan de kwaliteit en de duidelijkheid van de nieuwe technologie. Ook de Result Demonstrability is minder van belang. Het doet er voor de gebruikers minder toe of ze aan anderen kunnen uitleggen hoe de nieuwe technologie werkt. De factor welke ook niet meegenomen wordt in het besluitvormingsproces is de Perceived Ease of Use. Of het systeem eenvoudig te gebruiken is minder van belang.
5.2 Discussie
Wat het meest opviel aan de resultaten uit dit onderzoek was dat de factor Perceived Ease of Use geen positieve correlatie heeft met Intention to Use. Een verklaring hiervoor kan zijn dat de
proefpersonen in het geval van dit onderzoek minder waarde hechten aan het gebruikersgemak. Ook een mogelijkheid is dat aangezien de groep proefpersonen vrij jong en hoogopgeleid is deze factor minder van belang vinden omdat deze groep over het algemeen veel ervaring heeft met smartphones
deze zelf op hun eigen smartphone kan zetten (i.v.m. de compatibiliteit) en volledig kan inzetten bij zijn dagelijkse reizen met het openbaar vervoer. Hiervoor dient niet alleen een app ontwikkeld te worden voor op smartphones, maar ook de achterliggende technologieën welke in gebruik zijn bij de openbaar vervoersbedrijven en financieel dienstverleners zullen aangepast moeten worden. Het realiseren hiervan is niet mogelijk gezien de beschikbare middelen voor het maken van deze bachelorscriptie.
Doordat er dus gebruik is gemaakt van prototyping kan de manier waarop de proefpersonen de werking van de nieuwe technologie interpreteren nogal verschillen. Niet elk proefpersoon zal voor zichzelf de werking van de nieuwe technologie goed inzichtelijk kunnen krijgen. Hierdoor kan het zijn dat de antwoorden die deze proefpersoon geeft niet juist zijn.
Ook het feit dat de proefpersonen zich in moeten beelden hoe de nieuwe technologie gebruikt moet worden is een beperkende factor. Op het moment dat een gebruiker de nieuwe technologie gebruikt op het moment dat dit nodig is (bijvoorbeeld op het station) kan het zo zijn dat dit anders ervaren wordt dan als men zich het in moet beelden terwijl diegene achter de computer zit en de vragenlijst invult.
Ook de beperkte tijd voor het doen van het onderzoek is iets waar rekening mee gehouden moet worden. Er hebben 71 mensen de vragenlijst ingevuld in ongeveer anderhalve week. Het is uiteraard altijd wenselijk een grotere groep proefpersonen te hebben. Met een sample van meer dan 200 à 300 personen heeft de conclusie meer gewicht. Daarnaast is ook de demografische samenstelling van de groep proefpersonen niet volledig representatief voor de Nederlandse samenleving. De personen die de vragenlijst hebben ingevuld zijn over het algemeen van het mannelijke geslacht, vrij jong
(gemiddeld 32 jaar oud) en hoog opgeleid (HBO of WO). Het is te verwachten dat dit soort mensen weinig moeite zullen hebben met het in gebruik nemen van nieuwe technologie, zoals
gedemonstreerd in dit onderzoek. De rede hiervoor is waarschijnlijk het gebruiken van een
convenience sample, alle proefpersonen komen uit de sociale omgeving van de onderzoeker. Indien het onderzoek op een breder deel van de Nederlandse samenleving wordt uitgevoerd kunnen de resultaten wellicht anders zijn dan in dit onderzoek.
Al met al is het dus aan te raden om in eventueel vervolgonderzoek de nieuwe technologie zo goed mogelijk uit te ontwikkelen en dit toe te passen in de dagelijkse praktijk. Zoveel mogelijk mensen zullen de nieuwe technologie moeten gebruiken in hun dagelijkse gebruik van het openbaar vervoer. Daarnaast moet ervoor gezorgd worden dat de groep proefpersonen een representatieve afspiegeling is van de Nederlandse maatschappij. Het openbaar vervoer wordt immers door de gehele
samenleving gebruikt. Het is daardoor des te meer van belang dat ook nieuwe technologie voor het betalen van het openbaar vervoer beschikbaar is voor de hele samenleving. De toegankelijkheid van de nieuwe technologie zal ook een belangrijk aspect zijn in de acceptatie er van en zal dan ook in vervolg onderzoek meegenomen moeten worden.
5.3 Reflectie
Het maken van deze scriptie en het doen van het benodigde onderzoek was een leerzaam proces. Sommige delen gingen moeizaam terwijl andere delen zonder veel problemen gingen. Het
literatuur-onderzoek wat nodig was voor de theoretische onderbouwing werd als lastig ervaren. Het opzetten van het onderzoek bleek ook lastiger dan verwacht en het vinden van genoeg
proefpersonen werd ook enigszins onderschat. Echter ging het analyseren van de gegevens beter, doordat duidelijk was welke statistische analyses gebruikt moesten worden. Het schrijven van de
6. Bijlagen
Bijlage 2: correlation matrix 1
Bijlage 3: correlation matrix 2
7. Referenties
Amoako-Gyampah, K., & Salam, a. F. (2004). An extension of the technology acceptance model in an ERP implementation environment. Information & Management, 41(6), 731–745.
doi:10.1016/j.im.2003.08.010
Bartlett, M. S. (1950). Tests of Significance in Factor Analysis. British Journal of Statistical Psychology, 3(2), 77–85. doi:10.1111/j.2044-8317.1950.tb00285.x
Cheung, R., & Vogel, D. (2013). Predicting user acceptance of collaborative technologies: An extension of the technology acceptance model for e-learning. Computers & Education, 63, 160–175. doi:10.1016/j.compedu.2012.12.003
Curran, K., Millar, A., & Garvey, C. M. (2012). Near Field Communication, 2(3), 371–382. D’Argoeuves, E. (2005). Going Dutch in the transport sector, (October 2004), 10.
Davis, F. (1986). A technology acceptance model for empirically testing new end-user information systems: Theory and results. Retrieved from
http://www.researchgate.net/publication/35465050_A_technology_acceptance_model_for_em
pirically_testing_new_end-user_information_systems__theory_and_results_/file/9c960519fbaddf3ba7.pdf Davis, F., Bagozzi, R., & Warshaw, P. (1989). User acceptance of computer technology: a
comparison of two theoretical models. Management Science, 35(8), 982–1003. Retrieved from http://pubsonline.informs.org/doi/abs/10.1287/mnsc.35.8.982
Davis, F., & Venkatesh, V. (2004). Toward Preprototype User Acceptance Testing of New
Information Systems: Implications for Software Project Management. IEEE Transactions on Engineering Management, 51(1), 31–46. doi:10.1109/TEM.2003.822468
Dillon, A., & Morris, M. (1996). User acceptance of new information technology: theories and models. Vasa, 31, 3–32. Retrieved from
http://medcontent.metapress.com/index/A65RM03P4874243N.pdf
Dziuban, C. D., & Shirkey, E. C. (1974). When is a Correlation Matrix Appropriate for Factor Analysis?, 81(6), 358–361.
doi:10.1016/j.compedu.2011.04.011
Huang, K.-L., Chen, K.-H., & Ho, C.-H. (2013). Promoting in-depth reading experience and acceptance: design and assessment of Tablet reading interfaces. Behaviour & Information Technology, 33(6), 606–618. doi:10.1080/0144929X.2012.759625
Kaiser, H. (1970). A second generation little jiffy. Psychometrika, 35(4), 401–415. Retrieved from http://www.springerlink.com/index/4175806177113668.pdf
Kaiser, H. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31–36. Retrieved from http://link.springer.com/article/10.1007/BF02291575
Mallat, N., Rossi, M., Tuunainen, V. K., & Öörni, A. (2009). The impact of use context on mobile services acceptance: The case of mobile ticketing. Information & Management, 46(3), 190– 195. doi:10.1016/j.im.2008.11.008
Padilla-Meléndez, A., del Aguila-Obra, A. R., & Garrido-Moreno, A. (2013). Perceived playfulness, gender differences and technology acceptance model in a blended learning scenario.
Computers & Education, 63, 306–317. doi:10.1016/j.compedu.2012.12.014 Pallant, J. (2010). SPSS Survival Manual (1st ed., p. 345). Berkshire: McGraw Hill.
Parry, M. E., Kawakami, T., & Kishiya, K. (2012). The Effect of Personal and Virtual Word-of-Mouth on Technology Acceptance. Journal of Product Innovation Management, 29(6), 952– 966. doi:10.1111/j.1540-5885.2012.00972.x
Šumak, B., Heričko, M., & Pušnik, M. (2011). A meta-analysis of e-learning technology acceptance: The role of user types and e-learning technology types. Computers in Human Behavior, 27(6), 2067–2077. doi:10.1016/j.chb.2011.08.005
Suominen, A., Hyrynsalmi, S., & Knuutila, T. (2014). Young mobile users: Radical and individual – Not. Telematics and Informatics, 31(2), 266–281. doi:10.1016/j.tele.2013.08.003
Triola, M. F. (2008). Essentials of Statistics (4th ed., p. 696). Boston: Pearson Addison Wesley. Venkatesh, V., & Davis, F. (2000). A theoretical extension of the technology acceptance model: four
longitudinal field studies. Management Science. Retrieved from http://pubsonline.informs.org/doi/abs/10.1287/mnsc.46.2.186.11926
Vijayasarathy, L. R. (2004). Predicting consumer intentions to use on-line shopping: the case for an augmented technology acceptance model. Information & Management, 41(6), 747–762. doi:10.1016/j.im.2003.08.011
Watkins, M. W. (2000). Monte Carlo PCA for parallel analysis. State College, PA: Ed & Psych Associates.
Wu, J.-H., & Wang, S.-C. (2005). What drives mobile commerce? Information & Management, 42(5), 719–729. doi:10.1016/j.im.2004.07.001
Yousafzai, S. Y., Foxall, G. R., & Pallister, J. G. (2010). Explaining Internet Banking Behavior: Theory of Reasoned Action, Theory of Planned Behavior, or Technology Acceptance Model? Journal of Applied Social Psychology, 40(5), 1172–1202.
