Bachelorscriptie Informatiekunde Universiteit van Amsterdam Jesse Swart 10632492 23-08-2017
Niet-rationele factoren bij
de acceptatie van
technologie
Abstract
In deze bachelorscriptie naar kanaalkeuze worden niet-rationele factoren gezocht die van invloed zijn op de intentie om een technologie te gebruiken. Als vertrekpunt wordt gebruik gemaakt van de Unified Theory of Acceptance and Use of Technology 2 (UTAUT2). De factoren Loyalty, Anxiety en Innovativeness worden in de Informatiesystemen- en Marketingliteratuur vanaf 2012 gevonden als factoren die de intentie om een technologie te gebruiken beïnvloeden. Deze factoren zijn empirisch onderzocht samen met de factoren uit UTAUT2. Uit het onderzoek is gebleken dat van de nieuw geïntroduceerde factoren alleen Loyalty empirisch bevestigd kon worden.
Eerste corrector: dhr. dr. D. Heinhuis
Tweede corrector: mw. dr. J.A.C. Sandberg
Inhoud
1 Inleiding ... 1 1.1 Vraagstelling ...1 1.2 Methode ...2 1.3 Relevantie ...2 2 Theoretisch Kader ... 2 2.1 Informatiesystemen (IS) ...52.1.1 Angst, vertrouwen en risico ... 6
2.1.2 Persoonlijkheid ... 8
2.1.3 Overige factoren ... 9
2.2 Marketing ... 10
2.2.1 Angst, vertrouwen en risico ... 11
2.2.2 Persoonlijkheid ... 12 2.3 Conclusie Literatuurstudie ... 12 3 Onderzoek ... 14 3.1 Methode ... 14 3.1.1 Vragenlijst ... 14 3.1.2 Variabelen ... 15 3.1.3 Beschrijvende Statistiek ... 16 4 Resultaten ... 20 4.1 Conclusies ... 25 4.1.1 Antwoord onderzoeksvragen ... 25 4.1.2 Implicaties ... 25 4.2 Discussie ... 26 5 Literatuur ... 29 6 Appendix ... 36 6.1 A: Vragenlijst ... 36 6.2 B: Journals ... 55 6.2.1 Marketing ... 55 6.2.2 Informatiesystemen ... 56
1 Inleiding
Technologie is in het dagelijks leven steeds meer gewoon (De Ingenieur, 2016). Zonder erbij na te denken pakt men smartphone of tablet voor informatie of entertainment. Digitale reclameborden wijzen ons op nieuwe producten, digitale informatieborden vertellen ons welke trein wij moeten nemen. De tijd waarin wij leven is een tijd van innovatie en snelle verandering. Er wordt steeds meer nieuwe technologie geïntroduceerd. Het introduceren van een nieuwe technologie heeft als gevolg dat consumenten een keuze moeten gaan maken. Gaan zij voor de nieuwe technologie, of blijven zij bij hun oude methodes. Met de introductie van webshops kwam de keuze voor de consument of deze naar de winkel moest reizen voor het product of het product vanaf thuis wilde bestellen. Met de introductie van mobiel internet kwam de keuze of de consument het product thuis wilde bestellen of liever onderweg wilde bestellen. Vanaf het bureau, of vanaf de bank. Al deze keuzes vallen samen in het begrip kanaalkeuze. De keuze die een consument doet om wel of niet een ICT-oplossing te kiezen voor een product of dienst en welke ICT-oplossing men hier gebruikt.
Onderzoek naar kanaalkeuze is niet afwezig, maar doordat het een onderwerp is wat veel vakgebieden omvat valt er nog veel toe te voegen in dit gebied. Binnen de literatuur over Informatiesystemen(hierna: IS)-literatuur zijn er bijvoorbeeld reeds meerdere modellen die trachten te voorspellen of een consument een technologie zal gaan gebruiken of niet (Davis, 1985; Davis, 1989; Davis et al., 1989; Venkatesh et al., 2012). Het grootste deel van eerder onderzoek naar kanaalkeuze berust zich echter voornamelijk op rationele factoren en een rationele keuze. Een vrij recent onderzoek is tot een model gekomen wat acceptatie van technologie kan voorspellen: het UTAUT2-model (Venkatesh et al., 2012). Er is bij dit model een combinatie van verschillende theorieën gebruikt. Het model werd in 2012 empirisch gevalideerd. Zoals eerder gezegd wordt technologie steeds meer gewoon. Men raakt steeds meer gewend aan technologie en de introductie van nieuwe technologie is minder schokkend. De verwachting is dan ook dat beslissingen over de technologie steeds minder rationeel zullen worden en steeds meer een gevoelskwestie zullen zijn.
1.1 Vraagstelling
Middels dit onderzoek zal geprobeerd worden een duidelijker beeld te schetsen van de niet-rationele factoren die komen kijken
bij de kanaalkeuze van een consument. De hoofdvraag van dit onderzoek zal dan ook zijn:
In hoeverre zijn er niet-rationele factoren die een invloed hebben op de kanaalkeuze van consumenten?
Hierbij worden twee deelvragen geformuleerd, namelijk:
Zijn er in de literatuur over Informatiesystemen en Marketing niet-rationele factoren te vinden die een invloed hebben op de kanaalkeuze van consumenten?
Zijn eventueel gevonden niet-rationele factoren empirisch te bevestigen?
1.2 Methode
Het onderzoek zal beginnen met een literatuurstudie waar gekeken wordt naar artikelen binnen de literatuur over Informatiesystemen en Marketing. Wanneer er niet-rationele factoren gevonden worden die van invloed zijn op de kanaalkeuze van consumenten zal er empirisch onderzoek gedaan worden met vragenlijsten gebaseerd op eerdere literatuur die relevant is voor kanaalkeuze.
1.3 Relevantie
Wanneer er een duidelijker beeld is van de factoren die kanaalkeuze beïnvloeden kunnen organisaties zich beter richten op het kanaal wat de hoogste kans heeft om gekozen te worden. Bij een ideaal model kunnen organisaties veel tijd en moeite besparen aan kanalen die niet worden gekozen of gebruikt.
Doordat er niet veel eerder onderzoek is naar de kanaalkeuze van consumenten en de niet-rationele factoren specifiek die hierbij komen kijken zal dit onderzoek bijdragen aan de kennisvorming over consumentengedrag en het ontwerp van informatiesystemen.
Deze scriptie is verdeeld in 4 hoofdstukken. In het tweede hoofdstuk wordt het theoretisch kader over kanaalkeuze en de acceptatie van technologie beschreven. In hoofdstuk 3 wordt de methode en de data beschreven
2 Theoretisch Kader
Omdat rationeel en niet-rationeel begrippen zijn die subjectief zijn, zullen deze eerst gedefinieerd worden. Een rationele factor is een
factor waar een persoon bewust over nadenkt. Er zit een gedachteproces achter met een overweging van punten. Het gewicht van elk punt wordt bepaald en op deze manier komt men tot een beslissing. De reden achter de beslissing kan makkelijk in woorden beschreven worden. Een niet-rationele factor is berust op gevoel. Bij de beslissing zal deels een gedachteproces zitten, maar punten die zwaar wegen worden niet altijd als zwaar meegenomen in de beslissing. Het is moeilijk om de reden achter een niet-rationele beslissing in detail te beschrijven, omdat de beslissing grotendeels berust op een gevoel, en niet op een rationele overweging van verschillende onderdelen.
Er is zoals in de inleiding beschreven gezocht naar literatuur die niet-rationele factoren beschrijft in de kanaalkeuze of bij het gebruik van technologie. De meest gebruikte relevante theorie is hier de Unified Theory of Acceptance and Use of Technology 2, of UTAUT2 (Venkatesh et al. 2012). Deze theorie is een uitbreiding op UTAUT (Venkatesh et al. 2003). UTAUT is gebaseerd op acht eerdere belangrijke modellen binnen het gebied van user-acceptance en de extensies hierop. De modellen die UTAUT gebruikt zijn: i) Theory of Reasoned Action(TRA), ii) Technology Acceptance Model(TAM), iii) Motivational Model(MM), iv) Theory of Planned Behavior(TPB), v) een combinatie tussen TAM en TPB, vi) de model of PC utilization, vii) de Innovation Diffusion Theory(IDT) en viii) de Social Cognitive Theory(SCT). Het artikel waarin UTAUT2 staat beschreven heeft meer dan 2000 referenties. UTAUT2 wordt om deze reden gezien als de standaard in dit gebied.
Met UTAUT2 kan de mate van acceptatie van een technologie worden voorspeld op basis van zeven factoren. Deze factoren zijn vertaald: i) Verwachting van prestaties van de technologie; ii) Verwachting van de moeite die het kost om de taak te volbrengen met de technologie; iii) Sociale invloeden; iv) ondersteuning bij e technologie; v) Hedonische motivatie, hoe veel plezier een gebruiker verwacht te ondervinden; vi) Waarde voor de prijs; vii) Gewoonte. UTAUT is origineel opgebouwd binnen een bedrijfscontext. UTAUT2 is een uitbreiding hiervan en is opgebouwd binnen een consumentencontext. Dit onderzoek valt ook binnen een consumentencontext en om deze reden zal UTAUT2 gebruikt worden. Het UTAUT2 model is in Figuur 1 weergegeven.
Figuur 1: UTAUT2(Venkatesh et al., 2012)
De niet-rationele factoren die in dit model aanwezig zijn zijn Social Influence, Hedonic Motivation en Habit. Social Influence gaat over de sociale invloeden die een consument voelt. Wanneer bijvoorbeeld elke persoon in de sociale omgeving van de consument aankopen doet via mobiel internet zal de consument ook meer geneigd zijn dit te doen. Hedonic Motivation is de intrinsieke motivatie die een consument heeft om de technologie te gebruiken. Het gaat hier over de mate waarin een consument het leuk vind om de technologie te gebruiken of de mate waarin de consument er plezier aan ontleent. Habit, of gewoonte, is een factor die berust op automatismen. Wanneer iemand gewend is vaak zijn/haar smartphone ter hand te nemen zal deze persoon deze ook kiezen de smartphone voor bijvoorbeeld een aankoop te kiezen.
De literatuur en het onderzoek naar kanaalkeuze zijn heel breed te trekken. Dit is in eerder onderzoek gedaan (Heinhuis, 2013). Hier viel uiteindelijk de focus op twee takken van literatuur: Marketing en Informatiesystemen. Met het eerdergenoemde uitgangspunt dat UTAUT2 de standaard is zal er naar nieuwe factoren vanaf 2012 gekeken worden. Omdat ook de wortels van UTAUT2 liggen in de literatuur over Informatiesystemen (IS) en Marketing, is dit onderzoek beperkt tot de literatuur uit de Marketing en IS. Verder zijn de gelezen journals beperkt tot de journals die beschikbaar
zijn in de bibliotheek van de Universiteit van Amsterdam. Een overzicht van de doorzochte journals is te vinden in Appendix B. Op deze manier is de grootte van het onderzoek binnen de perken gebleven voor de beschikbare tijd die vrij was voor het onderzoek.
2.1 Informatiesystemen (IS)
Er zijn verschillende emotionele factoren gevonden binnen de IS-literatuur. Onder andere vertrouwen in de technologie of aanbieder en het waargenomen risico van een consument blijken veelvoorkomende niet-rationele factoren bij de acceptatie van technologie. In Figuur 2 is een overzicht gegeven van de gevonden factoren. Er zal een beschrijving worden gegeven van de factoren en de onderzoeken waar deze factoren uit voortkwamen. Er kan verder opgemerkt worden dat enkele van deze factoren vaker voorkomen onder verschillende naam, deze zullen uitgelicht worden en onder dezelfde noemer samengebracht worden.
Factor Bron
Context Hong et al., 2013
Trust Venkatesh et al., 2016, Peiris et al.,
2015; Karouthanassis et al., 2015; Alharbi et al., 2017; Chong, 2013; Leong et al., 2013; Lian, 2015; Alalwan et al., 2017; Ahmad & Khalid, 2017; Hew et al., 2016; Francisco et al., 2015
Uncertainty Venkatesh et al., 2016; Nykänen et
al., 2015; Baptista & Oliveira, 2015
Loyalty Nykänen et al., 2015; Hsiao &
Chen, 2016;
Perceived Risk Li, 2013; Hua et al., 2017; Alalwan et al., 2016; Lian, 2015; Tandon et al., Fransico et al., 2015;
Social Influence Nykänen et al., 2015; Peiris et al., 2015; Lu et al., 2017; Leong et al., 2013; Ahmad & Khalid, 2017;
App Rating Hsu et al., 2015;
Security Alharbi et al., 2017;
Privacy Alharbi et al., 2017;
Perceived Enjoyment Chong, 2013; Koo et al., 2015; Lu et al., 2017;
Network Influence Chong, 2013;
Variety Chong, 2013; Nykänen et al., 2015
Mobile Perceived Trust Ooi & Tan, 2016; Electronic Word of Mouth Hua et al., 2017;
Perceived Security Khan et al., 2017;
Extravercy Barnett et al., 2015;
Conscientiousness Barnett et al., 2015;
Neuroticism Barnett et al., 2015;
Perceived Playfulness Alwahaishi & Snášel, 2013; Alwahaishi, 2015;
Attention Focus Alwahaishi & Snášel, 2013;
Alwahaishi, 2015;
Cultural Factors Baptista & Oliveira, 2015; Privacy Concerns Herrero & San Martin, 2017;
Personality Fit Xu et al., 2016;
Gamification Baptista et al., 2017;
Self-management of learning Yang, 2013;
Computer Anxiety Farzin & Dahlan, 2016; Figuur 2: niet-rationele factoren uit de IS-literatuur
2.1.1 Angst, vertrouwen en risico
Een groot deel van de gevonden factoren zijn gerelateerd aan angst, vertrouwen of risico. Emoties als angst en vertrouwen zijn over het algemeen niet rationeel en komen vanzelf tot stand bij een persoon.
Het blijkt bij de acceptatie van een nieuwe technologie belangrijk dat een gebruiker vertrouwen heeft in deze technologie. Uit onderzoek naar de acceptatie van e-government en m-government (Venkatesh et al., 2016; Alharbi et al., 2017, Ahmad & Khalid, 2017), e-commerce en m-commerce (Peiris et al., 2015; Chong, 2013). Ook bij acceptatie van internetbankieren, telebankieren, mobiel-internetbankieren en nieuwe betaalmethoden blijkt dat vertrouwen significante invloed heeft op de acceptatie van een technologie (Ooi & Tan, 2016; Leong et al., 2013; Khan et al., 2017; Khalilzadeh et al., 2017; Alalwan et al., 2017). In een onderzoek naar de adoptie van mobiel entertainment is ook de factor vertrouwen onderzocht. Hier bleek echter dat het positieve effect van vertrouwen op de acceptatie of adoptie van een
technologie niet empirisch gevalideerd kon worden (Hew et al., 2016). Als laatste blijkt dat, in de context van sociale netwerken, vertrouwen kan werken als tegenhanger van Satisfaction, of voldoening. Normaal gezien is een lage mate van satisfaction bij het gebruik van een sociaal medium een reden om dit medium niet meer te gebruiken, echter kan een hoge mate van vertrouwen dit teniet doen (Karouthanassis et al., 2015). Vertrouwen blijkt een belangrijke factor in de acceptatie van technologie, maar lijkt niet in alle verschillende contexten dezelfde invloed te hebben.
De volgende factor die binnen deze categorie valt is Uncertainty of onzekerheid. Het gaat hier over het gevoel van de gebruiker bij de technologie. De factor onzekerheid is gebruikt en bewezen bij e-government (Venkatesh et al., 2016) en mobiel-bankieren (Baptista & Oliveira, 2015). In beide gevallen blijkt onzekerheid niet een directe invloed te zijn op de intentie om een technologie te gaan gebruiken. In plaats daarvan heeft deze factor een matigend effect op de originele factoren van UTAUT2.
Wanneer een nieuwe technologie wordt geïntroduceerd is het voor een gebruiker ook belangrijk dat er niets te verliezen is voor de gebruiker bij het gebruik van deze nieuwe technologie. Men moet geen tegenslagen krijgen als gevolg van het uitproberen van bijvoorbeeld een nieuwe gadget. De gevonden factor waarmee deze mate van risico wordt gemeten heet Perceived Risk of Risk. De eerste gedachte bij perceptie van risico is dat dit een rationele overweging is. Het tegendeel kan echter ook waar zijn. Volgens Brown (2014) neemt men bij de perceptie van risico lang niet altijd de meest drukkende risico's als meest zwaarwegend en dus is de opbouw van het risico, of het waargenomen risico, niet rationeel. De factor risico komt vooral voor bij onderzoek naar de acceptatie van technologie met betrekking tot betalingen en bankieren (Li, 2013; Ooi & Tan, 2016; Alalwan et al., 2016; Lian, 2015; Khalilzadeh et al., 2017; Fransisco et al., 2015). In een ander onderzoek naar de acceptatie van technologie voor bankieren en betalen is de factor 'waargenomen veiligheid' gebruikt (Khan et al., 2017, Ooi & Tan, 2016). Doordat er met een lage waargenomen veiligheid logischerwijs een hogere mate van risico is zal ook deze factor onder de noemer risico geplaatst worden. Naast invloed in een financiële context heeft het waargenomen risico ook een invloed op de acceptatie van het gebruik van sociale-media om toeristische informatie in te winnen (Hua et al., 2017), en de intentie om online te gaan winkelen (Tandon et al., 2017). Het risico wat een gebruiker waarneemt bij een technologie is interessant om te onderzoeken omdat er niet bij elke technologie direct een risico te zien is. Bij betaalmethodes en wegen van
bankieren speelt het risico van verlies van geld waarschijnlijk. Om te bepalen in hoeverre deze factor contextafhankelijk is zal deze nogmaals empirisch getest moeten worden.
Een andere factor die mogelijk in verbinding staat met risico is Privacy Concerns. In een onderzoek naar de adoptie van sociale netwerken voor het delen van content hebben Herrero & San Martin (2017) de factor price value uit UTAUT vervangen door privacy concerns. Doordat sociale netwerken veelal gratis zijn miste de relevantie van de factor prijs en vervingen zij dit door zorgen over privacy. Er kon echter niet empirisch bevestigd worden dat Privacy Concerns een significante invloed had op de intentie de technologie te gebruiken, deze factor zal in dit onderzoek dan ook niet meegenomen worden.
Volgens Farzin & Dahlan (2016) mist er binnen UTAUT een belangrijke factor die meeweegt in de acceptatie van een technologie. Deze factor is Computer Anxiety of angst bij het gebruik van de computer. Deze factor meet de mate waarin een gebruiker het spannend of eng vindt om een computer te gebruiken. Hoewel de verwachting is dat dit vooral bij ouderen zal voorkomen doordat deze vaak minder ervaren zijn met computers, stellen Farzin & Dahlan (2016) deze factor voor bij de acceptatie van assessment-systemen voor studenten. In hun onderzoek hebben Farzin & Dahlan (2016) hun model niet empirisch bevestigt. Het is dus relevant om dat in dit onderzoek wel te trachten te doen. Om deze reden zal Computer Anxiety meegenomen worden in het empirisch onderzoek.
2.1.2 Persoonlijkheid
Binnen deze subsectie zullen alle gevonden factoren beschreven worden die te maken hebben met de persoonseigenschappen van de gebruiker van de technologie.
Er is bij onderzoek naar mobiel bankieren en culturele waarden (Baptista & Oliveira, 2015) gevonden dat culturele factoren een matigend effect hebben op andere factoren die invloed hebben op de acceptatie van technologie. Dit is meermaals bevestigd bij andere financiële toepassingen (Lu et al., 2017; Khan et al., 2017). Doordat er enorm veel verschillende culturele waarden zijn, en ook veel verschillende culturen valt het onderzoeken van culturele waarden buiten het bereik van dit onderzoek.
Uit ander onderzoek blijkt dat persoonlijke factoren als mate van neurotisch-heid, mate van willen presteren en extraversie geassocieerd zijn met het gebruik van technologie (Barnett et al.,
2015). Er moet hierbij wel opgemerkt worden dat bleek dat extraversie negatief correleerde met het gebruik van de technologie in plaats van de verwachte positieve correlatie.
Volgens Nykänen et al. (2015) zijn er bij de keuze voor het behouden of wisselen van smartphone een aantal belangrijke factoren. Loyaliteit aan het merk is een sterke beïnvloeder bij het maken van de wissel en bij de keuze van het nieuwe apparaat. Verder is de behoefte aan afwisseling een factor die het wisselen beïnvloed. Dit onderzoek gebruikt als basis UTAUT2 en vormt dit om van acceptatie van technologie naar wisselen van apparaat. Hoewel dit onderzoek dus niet over de acceptatie van technologie gaat, valt te zeggen dat wanneer een consument behoefte heeft aan een nieuw apparaat, dat het oude apparaat niet meer geaccepteerd wordt. Om dit te vertalen naar acceptatie kan er getest worden of loyaliteit een invloed heeft bij de acceptatie van bijvoorbeeld mobiele overheidsdiensten, wanneer deze voorheen slechts via computer aangeboden werden. Behoefte aan afwisseling zou op dezelfde manier getest kunnen worden.
Bij de adoptie van een mobiele-app blijkt dat de persoonlijkheid van een gebruiker een rol speelt. Desbetreffende app moet enigszins bij de persoonlijkheid van de gebruiker passen als deze gebruiker de app gaat gebruiken. Dit kan ook toegepast worden op de adoptie van een nieuwe technologie. Wanneer een mobiele telefoon niet bij de persoonlijkheid van een consument past doordat deze bijvoorbeeld te grote handen heeft, of niet in staat is het scherm te lezen, zal dit logischerwijs de voorkeur voor adoptie van de mobiele telefoon door de consument verminderen.
Als laatste bleek in een onderzoek naar de adoptie van mobiele leeromgeving door studenten dat de discipline van studenten een significante invloed heeft op het gebruik van deze technologie (Yang, 2013). Discipline is echter lang niet bij elke technologie een vereiste en de verwachting is dan ook dat deze factor contextspecifiek is. Discipline zal dan ook niet meegenomen worden in dit onderzoek.
2.1.3 Overige factoren
Een van de overige factoren die in de literatuur wordt genoemd is Gamification (Baptista et al., 2017). Gamification is de mate waarin een technologie of proces gepresenteerd wordt als een spel. Volgens Baptista et al. (2017) heeft gamification een directe invloed op de intentie om een technologie te gaan gebruiken. Echter is de mate van speelsheid (of gamification) van een technologie terug te leiden naar Hedonic Motivation van UTAUT2,
doordat het bij deze factor ook om de hoeveelheid plezier gaat die een gebruiker ondervind. Gamification zal dus niet verder onderzocht worden.
Als laatste blijkt de factor Attention Focus significante invloed te hebben op de intentie om een technologie te gebruiken. Dit blijkt uit onderzoek naar de acceptatie van mobiel-internet (Alwahaishi & Snášel, 2013). Deze zelfde factor is later nog eens bevestigd door dezelfde onderzoeker in een soortgelijke studie (Alwahaishi, 2015). Attention focus is echter ook een gevolg van Hedonic Motivation van UTAUT2, volgens Agarwal & Karahanna (2000) is cognitieve absorptie direct gerelateerd aan de playfulness factor van een technologie. Deze zelfde playfulness-factor wordt in UTAUT2 gemeten onder de noemer Hedonic Motivation. Doordat attention focus indirect dus al gemeten wordt via Hedonic
Motivation zal deze niet meegenomen worden in dit onderzoek.
2.2 Marketing
Binnen de Marketingliteratuur is er aanzienlijk minder onderzoek wat factoren noemt voor de acceptatie van een technologie die niet-rationeel zijn. In Figuur 3 zijn de gevonden factoren weergegeven.
Perceived Credibility Koksal, 2016
Trust Alalwan et al., 2016; Alhammad &
Gulliver, 2014; Gao & Bai, 2014; Slade et al., 2015; Faqih, 2016
Openness to Change Gupta et al., 2017
Perceived Security Salimon et al., 2017; Faqih, 2016 Perceived Persuasiveness Alhammad & Gulliver, 2014 Technology Anxiety Yang & Fomey, 2013
Inertia Amoroso et al., 2017
Perceived Security Risk Moryson & Moeser, 2016
Trust Moryson & Moeser, 2016;
Alalwan et al., 2015
Anxiety Celik, 2016
Perceived Risk Slade et al., 2015; Roy et al., 2017; Faqih, 2016
Privacy Faqih, 2016
Internet Shopping Anxiety Faqih, 2016
Personal Innovativenss Koenigstorfer & Groeppel-Klein, 2012
Need for social contact Koenigstorfer & Groeppel-Klein, 2012
Optimism Towards Technology Koenigstorfer & Groeppel-Klein, 2012
2.2.1 Angst, vertrouwen en risico
Ook binnen de marketingliteratuur speelt de factor Trust, of vertrouwen een rol bij de acceptatie van een nieuwe technologie. In tegenstelling tot binnen de IS-literatuur wordt de factor vertrouwen binnen de marketingliteratuur op meer vlakken toegepast. Naast bankieren en betalen (Alalwan et al., 2016; Slade et al., 2015), ook bij gebruik van e-commerce (Alhammad & Gulliver, 2014; Faqih, 2016) en acceptatie van internet of things-apparaten (Gao & Bai, 2014).
Een van de factoren die gevonden zijn binnen de marketingliteratuur lijkt op vertrouwen: Perceived Credibility (Koksal, 2016). Hoe geloofwaardig is een technologie. Deze factor is direct gerelateerd aan vertrouwen doordat logischerwijs een technologie waarvan de werking niet geloofwaardig is, moeilijk te vertrouwen is. Om deze reden zal Perceived Credibility niet als losse factor onderzocht worden.
Kijkend naar factoren die te maken hebben met veiligheid en risico komen dezelfde factoren als in de IS-literatuur terug. Perceived Security heeft bij de adoptie van internetbankieren een significante invloed op de intentie om de technologie te gebruiken (Salimon et al., 2017), maar blijkt bij e-commerce niet empirisch bevestigd te kunnen worden (Faqih, 2016). In hetzelfde onderzoek is ook Perceived Risk niet empirisch bevestigd. Ook deze factor werd bij ander onderzoek naar internetbankieren en betaaltechnologie wel empirisch gevalideerd (Slade et al., 2015; Roy et al., 2017).
Perceived Security Risk is in betekenis gelijk aan Perceived Security en blijkt bij de adoptie van cloud-computing een significante invloed te hebben (Moryson & Moeser, 2016).
Een ander tweetal factoren die onder dezelfde noemer vallen zijn Anxiety en Internet Shopping Anxiety. Waar Anxiety algemeen is, is Internet Shopping Anxiety specifiek voor de context van e-commerce. Anxiety blijkt een negatieve invloed te hebben op de intentie een technologie te gebruiken in een e-commerce context (Celik, 2016). Ook Internet Shopping Anxiety beïnvloed de intentie een technologie te gebruiken negatief bij e-commerce (Faqih, 2016).
Faqih (2016) noemt ook privacy als factor. Echter is deze factor dubbel. Wanneer er geen security risk is hoeft men zich immers ook geen zorgen te maken om privacy. De factor privacy valt onder de factor Perceived Risk of Perceived Security Risk en zal dus niet los onderzocht worden.
2.2.2 Persoonlijkheid
Een factor die binnen de marketingliteratuur meermaals voorkomt bij de acceptatie van technologie is de wil om te veranderen of de wil om nieuwe dingen uit te proberen. Deze factor komt onder verschillende namen voor. Gupta et al. (2017) noemen het in hun theorie over de adoptie van mobiel bankieren Openness to Change. Volgens Amoroso et al. (2017) werkt Inertia als beperkende factor op andere factoren die normaal gebruikt worden bij de intentie om een technologie te blijven gebruiken. Inertia is de wil om iets niet te veranderen. Ook bij de acceptatie van mobiel internet komt een soortgelijke factor voor (Koenigstorfer & Groeppel-Klein, 2012). De factor wordt hier Personal Innovativeness genoemd. In alle gevallen gaat het om de mate waarin een persoon is bereid iets nieuws te proberen, dus kunnen deze factoren in dit onderzoek onder dezelfde noemer onderzocht worden.
In eerdergenoemd onderzoek naar de acceptatie van mobiel internet (Koenigstorfer & Groeppel-Klein, 2012), blijken ook de behoefte aan sociaal contact en de mate van optimisme naar technologie relevante factoren. Een belangrijke voetnoot is dat in het onderzoek gekeken werd naar de voorkeur voor mobiel internet tegenover een ander gevestigd medium wat geen internet gebruikt. Daarnaast konden deze twee factoren niet bij alle leeftijdsgroepen empirisch bevestigd worden.
2.3 Conclusie Literatuurstudie
Er zijn meerdere niet-rationele factoren gevonden waarvan de verwachting is dat ze een invloed zullen hebben op de kanaalkeuze van consumenten. Zowel in de literatuur over Informatiesystemen als in de literatuur over Marketing zijn er unieke factoren gevonden. In figuur 3 is een overzicht te zien van alle gevonden factoren en bijbehorende literatuur. Met dit onderdeel is antwoord gegeven op de eerste deelvraag:
Zijn er in de literatuur over Informatiesystemen en Marketing niet-rationele factoren te vinden die een invloed hebben op de kanaalkeuze van consumenten?
Er zijn inderdaad niet-rationele factoren te vinden, een overzicht van de factoren die gebruikt zullen worden is weergegeven in Figuur 4.
Er zal nu beschreven worden welke factoren daadwerkelijk empirisch onderzocht zijn. De factor Trust is niet meegenomen doordat deze al zeer veel onderzocht en bevestigd is. De factoren
Uncertainty en Perceived Risk is niet onderzocht doordat ook deze reeds veel zijn bevestigd en daarnaast in een grijs gebied tussen rationeel en niet-rationeel vallen. De factoren Cultural Values, Neurotism, Extravercy, want to perform en Personality Fit zijn ook niet onderzocht doordat deze factoren elk slechts door 1 bron zijn geïntroduceerd. Als laatste zijn Need for Variety en Innovativeness samengetrokken onder de noemer Innovativeness omdat de vragen die gebruikt worden voor het meten van beide factoren nagenoeg gelijk zijn.
Trust Venkatesh et al., 2016; Peiris et al.,
2015; Karouthanassis et al., 2015; Alharbi et al., 2017; Chong, 2013; Leong et al., 2013; Lian, 2015; Alalwan et al., 2017; Ahmad & Khalid, 2017; Francisco et al., 2015; Alalwan et al., 2016; Alhammad & Gulliver, 2014; Gao & Bai, 2014; Slade et al., 2015; Faqih, 2016; Ooi & Tan, 2016;
Uncertainty Venkatesh et al., 2016; Nykänen et
al., 2015; Baptista & Oliveira, 2015
Perceived Risk Li, 2013; Hua et al., 2017; Alalwan et al., 2016; Lian, 2015; Tandon et al., Fransico et al., 2015; Ooi & Tan, 2016; Khan et al., 2017; Salimon et al., 2017; Faqih, 2016; Moryson & Moeser, 2016; Slade et al., 2015; Roy et al., 2017; Faqih, 2016
Anxiety Farzin & Dahlan, 2016; Celik,
2016; Faqih, 2016 Cultural Values Baptista & Oliveira, 2015 Neurotism, Extravercy, Want to
perform
Barnett et al., 2015;
Loyalty Nykänen et al., 2015; Hsiao &
Chen, 2016
Need for Variety Chong, 2013; Nykänen et al.,
2015;
Personality Fit Xu et al., 2016;
Innovativeness Koenigstorfer & Groeppel-Klein, 2012; Amoroso et al., 2017; Gupta et al., 2017
Figuur 4: gevonden relevante factoren
De factoren die overgebleven zijn en onderzocht zijn, zijn in Figuur 5 weergegeven. Er zijn 3 factoren voor 3 vakgebieden.
Anxiety voor Psychologie, Loyalty voor Marketing en Innovativeness voor Informatiesystemen. In het volgende gedeelte zullen deze factoren empirisch onderzocht worden en zal blijken of deze factoren daadwerkelijk van invloed zijn op de acceptatie van een technologie.
Anxiety Farzin & Dahlan, 2016; Celik,
2016; Faqih, 2016
Loyalty Nykänen et al., 2015; Hsiao &
Chen, 2016
Innovativeness Chong, 2013; Nykänen et al.,
2015; Koenigstorfer & Groeppel-Klein, 2012; Amoroso et al., 2017; Gupta et al., 2017
Figuur 5: Te onderzoeken factoren
3 Onderzoek
Naar aanleiding van de vastgestelde factoren is er empirisch onderzocht of deze factoren bevestigd konden worden. Door de beschikbare tijd voor het onderzoek is gebruik gemaakt van convenience sampling om alsnog een steekproef te vergaren die voldoende respondenten bevat.
3.1 Methode
3.1.1 Vragenlijst
Voor het onderzoek is gebruik gemaakt van een vragenlijst met stellingen Deze stellingen werden beoordeeld op een 7-punts Likertschaal. Er is gekozen voor een 7-punts Likertschaal omdat het experiment deels een reproductie is van het onderzoek naar UTAUT2, en hier ook een 7-punts Likertschaal is gebruikt. De gebruikte punten zijn: i) Helemaal niet mee eens ii) Niet mee eens iii) Beetje niet mee eens iv) Neutraal (noch eens noch oneens) v) beetje mee eens vi) Mee eens vii) Helemaal mee eens. Eerdere onderzoeken naar soortgelijke ontwerpen gebruikten ook een 7-punts Likertschaal (Faqih, 2016; Celik, 2016). De Likertschaal is geschikt voor dit onderzoek omdat er gezocht wordt naar het gevoel of de mening van de respondent.
De context van de vragen is in lijn met de eerdere onderzoeken die de gemeten factoren hebben geïntroduceerd. Het merendeel van de gevonden onderzoeken maakte gebruik van een context met mobiele telefoons met internetfunctionaliteiten (hierna: smartphones) (Koenigstorfer & Groeppel-Klein, 2012; Amoroso et
al., 2017; Gupta et al., 2017), online winkelen (Hsiao & Chen, 2016; Chong, 2013), of een combinatie hiervan (Celik, 2016; Faqih, 2016). Om deze reden zijn de stellingen in dit onderzoek ook in een context van het online winkelen met de smartphone.
De factoren Anxiety, Loyalty en Innovativeness zijn, samen met de factoren van UTAUT2: Performance Expectancy, Effort Expectancy, Social Influence, Facilitating Conditions, Hedonic Motivation, Habit en Intention to use zijn met de stellingen gemeten. Elke factor is op basis van een aantal stellingen gemeten. Alle stellingen zijn zorgvuldig vertaald uit eerder onderzoek naar dezelfde factoren. Voor Performance Expectancy, Effort Expectancy, Social Influence, Facilitating Conditions, Hedonic Motivation, Habit en Intention to use zijn de stellingen gebaseerd op het onderzoek van UTAUT2. De stellingen voor Anxiety zijn gebaseerd op Celik (2016). De stellingen voor Loyalty zijn gebaseerd op Hsiau & Chen (2016). De stellingen voor Innovativeness zijn gebaseerd op Gupta et al. (2017). Tevens is in de vragenlijst gevraagd naar leeftijd, geslacht en opleidingsniveau. De enquête is gemaakt en verspreid via online enquêteplatform Qualtrics, alle vragenlijsten zijn dus digitaal ingevuld. Doordat er convenience sampling is toegepast valt het grootste deel van de respondenten binnen het netwerk van de onderzoeker. De overige respondenten zijn geworven tijdens het reizen met het openbaar vervoer.
De enquête is te vinden in Appendix A. De UTAUT2-factor Price Value is weggelaten, omdat de factor in kwestie binnen de context van de vragenlijst niet relevant was. Omdat Price Value gaat over de kosten van het aanschaffen van een technologie of product en dit onderzoek slechts respondenten heeft die reeds de nodige technologie heeft, en de prijs van producten bij online winkelen niet verschilt wanneer de aankoop via smartphone of computer wordt gedaan.
3.1.2 Variabelen
De onafhankelijke variabelen in dit onderzoek zijn de UTAUT2-factoren i) Performance Expectancy (PE) ii) Effort Expectancy (EE) iii) Social Influence (SI) iv) Facilitating Conditions (FC) v) Hedonic Motivation (HM) vi) Habit (HA). En de nieuw geïntroduceerde factoren vii) Anxiety (AN) viii) Loyalty (LO) ix) Innovativeness (IN). De afhankelijke variabele is Intention to Use (IU).
Om de relatie tussen de afhankelijke en onafhankelijke variabelen te meten is gebruik gemaakt van een Partial Least Squares-analyse
(hierna: PLS). Een groot deel van de eerder bekeken onderzoeken maakt gebruik van PLS voor de meting van hun resultaten (Venkatesh et al., 2012). Doordat PLS met meerdere onafhankelijke variabelen kan werken en kan gebruikt worden als model om paden te meten is het een geschikte analysemethode. Daarnaast is PLS een techniek die goed gebruikt kan worden voor voorspellend of verkennend modelleren. Dit onderzoek tracht de intentie om te gebruiken te voorspellen, waardoor PLS een goede methode is. Met het programma SmartPLS is eerst getest of de beschreven vragen reflectief of formatief waren voor de afhankelijke variabelen. Vervolgens is het PLS- algoritme uitgevoerd op de data. Als laatste is gebruik gemaakt van de Bootstrapping functie van SmartPLS, welke de t-waarde van elk pad weergeeft om te bepalen of het pad significant is. Het gewichtenschema in SmartPLS is ingesteld op 'pad', het maximaal aantal iteraties op 300 en het stopcriterium op 10-7. Deze
instellingen zijn alle de standaard in SmartPLS en zijn zo gebruikt op aanraden van de handleiding van SmartPLS (Garson, 2016).
3.1.3 Beschrijvende Statistiek
Er is eerst bepaald wat een correcte steekproefgrootte is. De meningen over de grootte van de steekproef bij Structural Equation Modelling(SEM)-modellen verschilt. De minimumgrootte van de steekproef varieert tussen N=100 (Tinsley & Tinsley, 1987; Anderson & Gerbin, 1988; Ding et al. , 1995; Tabachnick & Fidell, 2001) en N=200 (Hoogland & Boomsma, 1998; Boomsma & Hoogland, 2001). In dit onderzoek wordt gebruik gemaakt van N=140.
Het aantal ingevulde vragenlijsten is uitgekomen op 160 stuks. Na filteren van vragenlijsten waarvan leek of deze niet serieus ingevuld waren doordat er bijvoorbeeld overal 'neutraal' was ingevuld en onvolledig ingevulde vragenlijsten is er een steekproef van N=140. De steekproef bevat 63 mannen en 77 vrouwen. Er zijn 105 respondenten met opleidingsniveau HBO of WO, 25 met MBO, HAVO of VWO en 9 LBO, VMBO of MAVO. 1 respondent wilde niet zeggen wat zijn/haar opleidingsniveau was of wist het niet. Verder was 89 van de respondenten tussen de 18 en 27 jaar oud, 16 respondenten tussen 28 en 37 jaar, 12 respondenten tussen 38 en 47 jaar, 18 respondenten tussen 48 en 57 jaar en 5 respondenten 58 jaar of ouder. De demografische verdelingen zijn in Figuur 6 en Figuur 7 weergegeven.
Figuur 6: Opleidingsniveau
Figuur 7: Leeftijdsverdeling
Ter indicatie zijn de mediaan en de modus van alle vragen genomen. Deze zijn weergegeven in Figuur 8.
Opleidingsniveau
HBO/WO MBO/HAVO/VWO LBO/VMBO/MAVO Onbekend
Leeftijd
Om te valideren of de stellingen alle een goede meting waren voor dezelfde factor is gekeken naar de cross-loadings tussen deze stellingen. De cross-loadings tussen stellingen voor dezelfde factor waren in alle gevallen op één na hoger dan 0.678, wat aangeeft dat de stellingen een goede meting waren voor de variabelen. De gestelde stellingen waren daarnaast, zoals verwacht, reflectief. Dit betekent dat de vragen alle losstaande indicatoren zijn voor de factor, in tegenstelling tot formatief, waar alle factoren samen de definitie voor de factor vormen. De stelling waarvan de cross-loading uitschoot met een waarde van 0,2 is uit het onderzoek verwijderd. Deze stelling was onderdeel van de factor Facilitating Conditions. De overgebleven cross-loadings zijn in Figuur 9 weergegeven. De dikgedrukte waardes zijn de waardes van de stellingen die bij de factor horen.
0 1 2 3 4 5 6 7 8 AN 1 AN 2 AN 3 AN 4
LO1 LO2 LO3 IN1 IN2 IN3 IU1 IU2 IU3 PE1 PE2 PE3 EE1 EE2 EE3 EE4 SI1 SI2 SI3 FC1 FC2 FC3 1MH HM2 HM3 HA1 HA2 HA3
Antwoorden Enquete
Mediaan Modus Figuur 8: Mediaan en Modus
AN EE FC HA HM IN IU LO PE SI AN1 0,72 -0,38 -0,37 -0,17 -0,18 0,04 -0,33 -0,32 -0,31 0,07 AN2 0,88 -0,53 -0,55 -0,36 -0,40 -0,04 -0,53 -0,63 -0,50 -0,08 AN3 0,88 -0,49 -0,46 -0,27 -0,35 -0,05 -0,42 -0,52 -0,42 0,03 AN4 0,82 -0,43 -0,37 -0,24 -0,38 -0,08 -0,37 -0,54 -0,38 -0,06 EE1 -0,44 0,79 0,65 0,16 0,31 0,14 0,32 0,41 0,41 0,01 EE2 -0,51 0,82 0,60 0,22 0,33 0,05 0,37 0,46 0,43 0,21 EE3 -0,55 0,87 0,59 0,48 0,52 0,21 0,55 0,60 0,59 0,14 EE4 -0,37 0,87 0,60 0,27 0,42 0,27 0,47 0,47 0,48 0,17 FC1 -0,35 0,46 0,75 0,21 0,18 0,13 0,34 0,27 0,32 0,10 FC2 -0,52 0,69 0,86 0,29 0,34 0,10 0,41 0,44 0,45 0,09 FC3 -0,43 0,57 0,81 0,35 0,55 0,16 0,43 0,50 0,52 0,29 HA1_ -0,45 0,47 0,41 0,87 0,61 0,18 0,64 0,62 0,62 0,29 HA2 -0,18 0,16 0,22 0,80 0,40 0,31 0,37 0,37 0,35 0,15 HA3 0,02 0,09 0,12 0,68 0,27 0,22 0,31 0,21 0,36 0,30 HM1 -0,33 0,44 0,41 0,51 0,93 0,12 0,58 0,57 0,59 0,35 HM2 -0,45 0,48 0,48 0,56 0,88 0,05 0,65 0,63 0,67 0,26 HM3 -0,30 0,36 0,31 0,48 0,86 0,14 0,52 0,53 0,58 0,36 IN1 -0,02 0,15 0,08 0,25 0,08 0,89 0,15 0,15 0,09 0,10 IN2 0,01 0,12 0,07 0,30 0,11 0,84 0,13 0,16 0,11 0,08 IN3 -0,13 0,29 0,30 0,13 0,09 0,76 0,10 0,19 0,10 0,09 IU1 -0,57 0,58 0,54 0,51 0,64 0,13 0,90 0,71 0,70 0,30 IU2 -0,36 0,41 0,39 0,54 0,52 0,13 0,88 0,64 0,70 0,22 IU3 -0,46 0,46 0,39 0,60 0,63 0,17 0,94 0,75 0,69 0,36 LO1 -0,51 0,45 0,32 0,49 0,55 0,13 0,62 0,85 0,61 0,17 LO2 -0,54 0,52 0,46 0,54 0,53 0,19 0,73 0,88 0,63 0,28 LO3 -0,57 0,56 0,54 0,43 0,62 0,19 0,64 0,87 0,61 0,35 PE1 -0,46 0,60 0,49 0,51 0,62 0,09 0,68 0,68 0,83 0,31 PE2 -0,40 0,41 0,41 0,50 0,57 0,01 0,58 0,52 0,79 0,19 PE3 -0,35 0,40 0,41 0,45 0,49 0,20 0,61 0,52 0,83 0,31 SI1 -0,03 0,17 0,19 0,33 0,38 0,07 0,32 0,31 0,33 0,97 SI2 0,02 0,11 0,19 0,26 0,29 0,12 0,28 0,28 0,30 0,94 SI3 -0,04 0,19 0,21 0,32 0,36 0,12 0,33 0,30 0,34 0,97 Figuur 9: Cross-loadings
4 Resultaten
Uit de verkregen data is een R-squared-adjusted gevonden van 0.683. Dit betekent dat de 8 gemeten factoren in 68% van de gevallen de afhankelijke variabele correct voorspellen. Er is gekozen voor de r-squared-adjusted omdat r-squared-adjusted wat conservatiever is en het in dit onderzoek gaat om een steekproef. Tevens dekt r-squared-adjusted een zwakte van r-squared in. Namelijk dat naarmate er meer onafhankelijke variabelen toegevoegd worden, r-squared steeds hoger wordt. Al is het alleen door toeval alleen. R-squared-adjusted gaat dit tegen door alleen naar de variantie te kijken op basis van onafhankelijke variabelen die ook daadwerkelijk een invloed hebben in het totale model. R-squared-adjusted zal dus altijd lager zijn dan r-squared. Dit is ook terug te zien in de waardes in Figuur 10.
R Square R Square Adjusted
Intention to use 0.704 0.683
Figuur 10: R-Squared
Cronbach's Alpha is berekend voor elke factor. De waarden zijn in Figuur 11 weergegeven. Het blijkt dat de gebruikte schaal betrouwbaar is voor het onderzoek, omdat alle gevonden waardes voor Cronbach's Alpha boven 0.7 liggen.
Figuur 11: Cronbach's Alpha
Uit de T-waardes blijkt dat slechts 3 factoren significant zijn. Performance Expectancy heeft een T-waarde van 4.76, dit is boven 1.96 en dit betekent dat de gevonden data voor deze factor significant is. Ook Loyalty blijkt met T=4.14 significant. Als
laatste is Habit met T=1.98 significant. In Figuur 12 zijn de gevonden T-waardes per factor weergegeven.
De gevonden pad coëfficiënten van de gemeten factoren zijn met SmartPLS berekend. De pad coëfficiënten bepalen de mate waarin een factor invloed heeft op IU. Hoe dichter de pad coëfficiënt bij absoluut 1 ligt, hoe sterker de invloed die de factor heeft op IU is. De pad coëfficiënten zijn weergegeven in Figuur 13. In Figuur 14 is het model te zien zoals deze wordt weergegeven door SmartPLS. Op de lijnen staan de pad coëfficiënten, in Intention to Use staat de r-squared-adjusted
Factor Pad coëfficiënt
AN -0.02 EE 0.00 FC 0.01 HA 0.12 HM 0.08 IN -0.01 LO 0.38 PE 0.35 SI 0.02
Figuur 13: Pad coëfficienten
T-Waarde AN -> IU 0.28 EE -> IU 0.05 FC -> IU 0.13 HA -> IU 1.98 HM -> IU 1.03 IN -> IU 0.20 LO -> IU 4.14 PE -> IU 4.76 SI -> IU 0.45 Figuur 12: T-waardes
Figuur 14: Model SmartPLS
Het blijkt dat alleen de factoren Loyalty en Performance Expectancy met 0.38 en 0.35 respectievelijk een daadwerkelijke invloed hebben op de intentie de technologie te gaan gebruiken. De andere significante factor, Habit heeft met 0.12 nog wel enigszins invloed, maar deze invloed is niet sterk.
AN heeft met -0.02 een zeer licht negatieve invloed op IU in deze resultaten. EE heeft met een waarde van 0.0 helemaal geen invloed op IU. FC heeft met 0.01 een zeer lichte invloed op IU. Ook HM heeft een lichte invloed bij een waarde van 0.08. IN ligt op licht negatief bij -0.01. Als laatste blijkt ook SI een zeer zwakke positieve invloed te hebben op IU met een waarde van 0.02. De waardes van de laatstgenoemde 6 factoren zijn echter alle niet significant bevonden dus zijn de hier genoemde pad coëfficiënten niet per se betrouwbaar.
De significante factoren zijn nogmaals geïsoleerd getest. Hieruit kwam een R Square adjusted waarde van 0.69, wat nagenoeg gelijk is aan de R Square adjusted die gevonden is bij de uitvoering van PLS bij alle factoren. Dit is een extra bevestiging van de significante factoren.
Vervolgens zijn een aantal demografische groepen los getest. Eerst zijn gegevens vergeleken op basis van geslacht, vervolgens op basis van opleidingsniveau en als laatste op basis van leeftijd.
De vergelijkingen in r-squared en pad coëfficiënten tussen mannen en vrouwen zijn weergegeven in Figuur 15 en Figuur 16. Opvallend is dat mannen blijken minder graag de technologie willen gebruiken wanneer zij Anxiety ondervinden waar vrouwen juist liever de technologie gebruiken. Hetzelfde geld voor Effort Expectancy, Facilitating Conditions en Innovativeness. De verschillen in gewicht van effect van elke factor tussen man en vrouw zijn verder niet heel groot.
Mannen Vrouwen
R2 0.77 0.71
R2 adj 0.73 0.63
Figuur 15: R squared man/vrouw
Figuur 16: Pad coëfficiënten man/vrouw
Op het gebied van opleidingsniveau zijn de respondenten gegroepeerd op categorien die van vergelijkbaar niveau zijn. Deze groepen zijn i) HBO/WO ii) MBO/HAVO/VWO iii) LBO/VMBO/MAVO. De groep LBO/VMBO/MAVO bevatte slechts 9 respondenten en was te klein om te analyseren met het programma SmartPLS.
Ook hier blijkt er een verschil te zijn in het gewicht van EE. Een ander opvallen aspect van de vergelijking van deze twee groepen is dat IN en HA een veel zwaarder gewicht hebben bij de minder opgeleide groep. LO blijkt juist bij de hogeropgeleide groep een zwaarder gewicht te hebben. De waardes zijn weergegeven in Figuur 17 en Figuur 18. Mannen Vrouwen AN -0.20 0.14 EE -0.15 0.17 FC 0.11 -0.16 HA 0.13 0.24 HM 0.06 0.1 IN -0.02 -0.07 LO 0.31 0.37 PE 0.37 0.37 SI 0.11 -0.06
Als laatste worden de verschillende leeftijdsgroepen vergeleken. De leeftijdsgroep 58+ is niet groot genoeg voor analyse met SmartPLS. De leeftijdsgroepen anders dan 18-27 zijn zo klein dat hier geen goede uitspraken over gedaan kunnen worden, ook geen indicatie. De waardes zijn weergegeven in Figuur 19 en Figuur 20.
18-27 28-37 38-47 48-57
R2 0.68 0.98 0.99 0.92
R2 adj 0.64 0.95 0.94 0.82
Figuur 19: R-squared leeftijdsgroepen
18-27 28-37 38-47 48-57 AN 0.02 0.24 -0.55 -0.21 EE -0.15 -0.07 -0.47 0.46 FC 0.15 0.41 0.98 -0.48 HA 0.07 -0.30 0.05 0.08 HM 0.00 0.35 -0.11 0.17 IN 0.06 -0.10 0.10 0.15 LO 0.43 0.57 0.48 0.14 PE 0.41 0.40 -0.11 -0.47 SI 0.01 -0.02 0.35 -0.01
Figuur 20: Pad coëfficiënten leeftijdsgroepen
Wanneer de variabelen over de gehele dataset in twee groepen: rationeel en rationeel worden verdeeld, blijkt dat de niet-rationele factoren in dit onderzoek samen een zwaarder gewicht hebben op de intentie een technologie te gebruiken dan de rationele factoren. Er blijkt echter wel dat de niet-rationele factoren in dit onderzoek niet allemaal empirisch te bevestigen zijn. Daarmee is de tweede deelvraag Zijn deze empirisch te bevestigen? beantwoord. Een deel is empirisch bevestigd, een deel niet.
HBO/WO MBO/HAVO/VWO AN 0.00 -0.01 EE -0.05 0.05 FC 0.03 0.16 HA 0.09 0.32 HM 0.13 0.05 IN -0.00 -0.35 LO 0.41 0.17 PE 0.33 0.36 SI 0.03 0.04 HBO/WO MBO/HAVO/VWO R2 0.71 0.86 R2 adj 0.68 0.77
Figuur 17: R-squared opleidingsniveau
4.1 Conclusies
4.1.1 Antwoord onderzoeksvragen
In het theoretisch kader zijn recentelijk geïntroduceerde factoren in onderzoek met of naar UTAUT2 die niet-rationeel zijn gevonden. Hiermee is antwoord gegeven op de eerste deelvraag:
Zijn er in de literatuur over Informatiesystemen en Marketing niet-rationele factoren te vinden die een invloed hebben op de kanaalkeuze van consumenten?
Er zijn niet-rationele factoren gevonden. Niet alle factoren bleken echter interessant voor dit onderzoek, er is gekozen om de factoren Loyalty, Anxiety en Innovativeness empirisch te gaan onderzoeken. Uit de resultaten blijkt dat Loyalty, en de factor Performance Expectancy uit UTAUT2 een grote positieve invloed hebben op de intentie om een technologie te gaan gebruiken. Ook Habit heeft een lichte positieve invloed. Hiermee is een antwoord gevonden op de tweede deelvraag:
Zijn eventueel gevonden niet-rationele factoren empirisch te bevestigen?
Niet alle gevonden niet-rationele factoren zijn empirisch te bevestigen, Loyalty kan wel empirisch bevestigd worden.
Het antwoord op de hoofdvraag is gevonden. Er zijn niet-rationele factoren die van invloed zijn op de acceptatie van technologie en daarmee de kanaalkeuze. De factor Loyalty heeft een positieve invloed op de intentie op een technologie te gebruiken. Het gros van de gevonden niet-rationele factoren lijkt echter geen of weinig invloed te hebben.
4.1.2 Implicaties
Doordat van de originele factoren van UTAUT2, alleen Habit en Performance Expectancy significant zijn gebleken, heeft het UTAUT2-model wat zo vaak gerefereerd is en gebruikt is voor onderzoek veel van zijn waarde verloren. Het model zal nog eens goed herzien moeten worden voordat het opnieuw gebruikt kan worden als betrouwbare voorspeller voor de acceptatie van een technologie.
Het lijkt erop dat de gebruiker zich slechts bekommert om de loyaliteit die hij/zij zal ervaren bij de technologie en de verwachte prestaties van een technologie.
Marketeers zullen door de bevindingen van dit onderzoek veel makkelijker kunnen zorgen dat potentiele klanten hun technologie
gaan gebruiken. Er blijkt immers dat Performance Expectancy en Loyalty samen een zeer groot effect hebben op de acceptatie van een technologie. In plaats van 10 factoren, hoeft de marketeer nu slechts 2 factoren mee te nemen in zijn/haar marketingcampagne.
Ook voor ontwerpers van informatiesystemen en andere technologieën zal blijken dat het ontwerp slechts moet inspelen op het zorgen dat het past binnen het loyaliteitsgevoel van de gebruiker en het feit dat de gebruiker verwacht dat de technologie goed zal presteren.
De schokkende resultaten van dit onderzoek ten opzichte van eerder onderzoek zouden ook een indicatie kunnen zijn voor een recente grote verandering in consumentengedrag of voorkeuren van consumenten. Deze verandering zou verder onderzocht moeten worden door bijvoorbeeld andere modellen van gedrag en acceptatie opnieuw te onderzoeken.
4.2 Discussie
In deze sectie zullen de beperkingen en fouten van dit onderzoek besproken worden. De betrouwbaarheid van de steekproef, Common Method Variance, Multicollinearity en beperkingen van de Likertschaal worden beschreven.
De betrouwbaarheid van de steekproef valt in twijfel te trekken. Onder andere de verhouding man/vrouw is niet representatief voor de bevolking van Nederland. De verhouding man/vrouw in Nederland was in 2015 0.98 (CBS). De verhouding in deze steekproef is 0.82. Verder is ook het opleidingsniveau niet representatief voor de bevolking. In Nederland waren in 2014 de grootste groepen i) Lager Onderwijs ii) HAVO, VWO, MBO iii) Middelbaar Onderwijs. In de verkregen steekproef is de grootste groep de groep met opleidingsniveau HBO of WO. Als laatste is ook de verdeling van leeftijd onder de respondenten niet representatief voor de populatie van Nederland. Het merendeel van de respondenten in dit onderzoek valt in in de leeftijdsgroep 18-27.
De bevonden verschillen met de populatie zijn een logisch gevolg van de gebruikte convenience sampling. Er is in de dataset dus sprake van selection bias doordat de respondenten niet naar willekeur zijn verzameld maar voor een groot deel uit het netwerk van de onderzoeker komen.
Voor een vervolgonderzoek zal om te bekijken of de hier gevonden resultaten betrouwbaar zijn een steekproef genomen moeten
worden die wel representatief voor de bevolking is. De leeftijdsverdeling zal minder gefocust moeten zijn op leeftijdsgroepen tussen 18-27, bij het opleidingsniveau moeten de groepen anders dan HBO/WO relatief groter zijn en de verdeling man vrouw zal ongeveer gelijk moeten zijn. Tevens zal de steekproef in een eventueel vervolgonderzoek met meer willekeur verzameld moeten worden.
Ook de verschillen tussen de subgroepen van geslacht, opleidingsniveau en leeftijd zijn niet betrouwbaar, doordat deze groepen niet groot genoeg waren voor een betrouwbare analyse.
De context van het onderzoek kan ook van invloed zijn geweest op de resultaten. Zo kan het zijn dat mensen bij m-commerce hele andere beslissingen nemen dan bij bijvoorbeeld een digitale overheidsdienst. Ook dit zou in een vervolgonderzoek getest moeten worden door factoren in verschillende contexten te plaatsen en de resultaten te vergelijken.
Er is niet getest naar Common Method Variance omdat blijkt dat de waarde van deze bias vaak overdreven wordt (Schaller et al., 2015; Spector, 2006). Daarnaast is het berekenen van deze bias overbodig doordat al vastgesteld is dat de dataset niet met veel zekerheid betrouwbaar is.
In de resultaten is er enigszins sprake van multicollinearity. Met SmartPLS zijn de VIF-waarden gemeten. Er is gekozen voor de redelijke maximale waarde van 5, zoals Venkatesh et al. (2012) dit ook doen in hun analyse. De factoren Loyalty en Performance Expectancy lijken multicollinearity te vertonen met waardes van 6.94 en 5.99 respectievelijk. Echter kan dit ook het gevolg zijn van het feit dat de twee factoren de enige factoren met enig gewicht zijn gebleken die significant zijn. De andere factoren hadden alle VIF-waardes onder 4.
Door de beperkte tijd die beschikbaar was voor het onderzoek is er geen indicatieve test gedaan van de enquête. Met het gebruik van een Likertschaal is de kans aanwezig dat er een central tendency bias in de dataset aanwezig is. Kijkend naar de data is er echter geen absentie van scores '1' (volledig mee oneens) en scores '7' (volledig mee eens). In Figuur 8 is te zien dat ook antwoorden '1' (volledig mee oneens) en '2' (oneens) bij vragen de Modus of Mediaan zijn. Dit kan een indicatie zijn dat er geen sprake is van central tendency bias. Er kan echter niet met zekerheid gezegd worden of deze bias aanwezig is.
Andere bias die samenhangen met een Likertschaal zijn acquiescence bias, waar respondenten stellingen accepteren en social desirability bias, waar respondenten antwoorden geven om op betere sociale voet te komen. Doordat de data anoniem verzameld is is de verwachting dat social desirability bias niet aanwezig zal zijn in de verzamelde data.
Als laatste is de steekproef naar de literatuur niet op het formaat uitgekomen wat ideaal was. Zoals eerder beschreven is een goede minimumsteekproefgrootte voor PLS tussen 100 en 200. Met het verzamelen van respondenten is een kleine marge ingerekend zodat een steekproef van 150 verkregen kon worden. Door incompleet ingevulde vragenlijsten die pas bij het analyseren van de data aan het licht kwamen is er op de kleinere steekproefgrootte van 140 uitgekomen.
5 Literatuur
Agarwal, R., & Karahanna, E. (2000). Time flies when you're having fun: Cognitive absorption and beliefs about information technology usage. MIS quarterly, 665-694. Ahmad, S. Z., & Khalid, K. (2017). The adoption of
M-government services from the user’s perspectives: Empirical evidence from the United Arab Emirates. International Journal of Information Management, 37(5), 367-379.
Alalwan, A. A., Dwivedi, Y. K., & Rana, N. P. (2017). Factors influencing adoption of mobile banking by Jordanian bank customers: Extending UTAUT2 with trust. International Journal of Information Management, 37(3), 99-110.
Alalwan, A. A., Dwivedi, Y. K., & Williams, M. D. (2016). Customers’ intention and adoption of telebanking in Jordan. Information Systems Management, 33(2), 154-178. Alalwan, A. A., Dwivedi, Y. K., Rana, N. P., & Simintiras, A. C.
(2016). Jordanian consumers’ adoption of telebanking: Influence of perceived usefulness, trust and self-efficacy. International Journal of Bank Marketing, 34(5), 690-709. Alalwan, A. A., Dwivedi, Y. K., Rana, N. P., Lal, B., & Williams,
M. D. (2015). Consumer adoption of Internet banking in Jordan: Examining the role of hedonic motivation, habit, self-efficacy and trust. Journal of Financial Services Marketing, 20(2), 145-157.
Alhammad, M. M., & Gulliver, S. R. (2014). Persuasive technology and users acceptance of e-commerce: users perceptions of website persuasiveness. Journal of Electronic Commerce in Organizations (JECO), 12(2), 1-13.
Alharbi, N., Papadaki, M., & Dowland, P. (2017). The impact of security and its antecedents in behaviour intention of using e-government services. Behaviour & Information Technology, 36(6), 620-636.
Alwahaishi, S. (2015). An empirical analysis of end user's adoption of ICT in a developing country. International Journal of Digital Information and Wireless Communications, 5(2), 60-75.
Alwahaishi, S., & Snášel, V. (2013). FACTORS INFLUENCING
THE CONSUMERS’ADOPTION OF MOBILE
Digital Information and Communication Technology and its Applications (DICTAP2013) (pp. 31-39). The Society of Digital Information and Wireless Communication.
Amoroso, D. L., Ackaradejruangsri, P., & Lim, R. A. (2017). The Impact of Inertia as Mediator and Antecedent on Consumer Loyalty and Continuance Intention. International Journal of Customer Relationship Marketing and Management (IJCRMM), 8(2), 1-20.
Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological bulletin, 103(3), 411.
Baptista, G., & Oliveira, T. (2015). Understanding mobile banking: The unified theory of acceptance and use of technology combined with cultural moderators. Computers in Human Behavior, 50, 418-430.
Baptista, G., Baptista, G., Oliveira, T., & Oliveira, T. (2017). Why so serious? Gamification impact in the acceptance of mobile banking services. Internet Research, 27(1), 118-139. Barnett, T., Pearson, A. W., Pearson, R., & Kellermanns, F. W. (2015). Five-factor model personality traits as predictors of perceived and actual usage of technology. European Journal of Information Systems, 24(4), 374-390.
Boomsma, A., & Hoogland, J. J. (2001). The robustness of LISREL modeling revisited. Structural equation models: Present and future. A Festschrift in honor of Karl Jöreskog, 2(3), 139-168.
Brown, V. J. (2014). Risk perception: it’s personal. Environmental health perspectives, 122(10), A276.
Celik, H. (2016). Customer online shopping anxiety within the Unified Theory of Acceptance and Use Technology (UTAUT) framework. Asia Pacific Journal of Marketing and Logistics, 28(2), 278-307.
Chong, A. Y. L. (2013). A two-staged SEM-neural network approach for understanding and predicting the determinants of m-commerce adoption. Expert Systems with Applications, 40(4), 1240-1247.
Davis, F. D. (1985). A technology acceptance model for
empirically testing new end-user information systems: Theory and results (Doctoral dissertation, Massachusetts
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS
quarterly, 319-340.
Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: a comparison of two theoretical models. Management science, 35(8), 982-1003. Ding, L., Velicer, W. F., & Harlow, L. L. (1995). Effects of
estimation methods, number of indicators per factor, and improper solutions on structural equation modeling fit indices. Structural Equation Modeling: A Multidisciplinary Journal, 2(2), 119-143.
Faqih, K. M. (2016). An empirical analysis of factors predicting the behavioral intention to adopt Internet shopping technology among non-shoppers in a developing country context: Does gender matter?. Journal of Retailing and Consumer Services, 30, 140-164.
Farzin, S., & Dahlan, H. M. (2016). PROPOSING A MODEL TO PREDICT STUDENTS'PERCEPTION TOWARDS ADOPTING AN E-ASSESSMENT SYSTEM. Journal of Theoretical and Applied Information Technology, 90(1), 144.
Francisco, L. C., Francisco, M. L., & Juan, S. F. (2015). Payment systems in new electronic environments: consumer behavior in payment systems via SMS. International Journal of Information Technology & Decision Making, 14(02), 421-449.
Gao, L., & Bai, X. (2014). A unified perspective on the factors influencing consumer acceptance of internet of things technology. Asia Pacific Journal of Marketing and Logistics, 26(2), 211-231.
Gupta, A., Gupta, A., Arora, N., & Arora, N. (2017). Consumer adoption of m-banking: a behavioral reasoning theory perspective. International Journal of Bank Marketing, 35(4), 733-747.
Heinhuis, D. (2013). Modeling customer behavior in multichannel
service distribution: A rational approach (Doctoral
dissertation, Universiteit van Amsterdam [Host]).
Herrero, Á., & San Martín, H. (2017). Explaining the adoption of social networks sites for sharing user-generated content: A revision of the UTAUT2. Computers in Human Behavior, 71, 209-217.
Hew, T. S., Leong, L. Y., Ooi, K. B., & Chong, A. Y. L. (2016). Predicting drivers of mobile entertainment adoption: A two-stage SEM-artificial-neural-network analysis. Journal of Computer Information Systems, 56(4), 352-370.
De Ingenieur: HOE ZIEN NEDERLANDERS DE TOEKOMST VAN TECHNOLOGIE? (2016, 7 September) Verkegen van https://www.deingenieur.nl/artikel/hoe-zien-nederlanders-de-toekomst-van-technologie op 01-08-2017 Hong, W., Chan, F. K., Thong, J. Y., Chasalow, L. C., & Dhillon,
G. (2013). A framework and guidelines for context-specific theorizing in information systems research. Information Systems Research, 25(1), 111-136.
Hoogland, J. J., & Boomsma, A. (1998). Robustness studies in covariance structure modeling: An overview and a meta-analysis. Sociological Methods & Research, 26(3), 329-367.
Hsiao, K. L., & Chen, C. C. (2016). What drives in-app purchase intention for mobile games? An examination of perceived values and loyalty. Electronic Commerce Research and Applications, 16, 18-29.
Hsu, C. L., & Lin, J. C. C. (2015). What drives purchase intention for paid mobile apps?–An expectation confirmation model with perceived value.
Hua, L. Y., Ramayah, T., Ping, T. A., & Hwa, J. C. J. (2017). Social Media as a Tool to Help Select Tourism Destinations: the Case of Malaysia. Information Systems Management, (just-accepted).
Khalilzadeh, J., Ozturk, A. B., & Bilgihan, A. (2017). Security-related factors in extended UTAUT model for NFC based mobile payment in the restaurant industry. Computers in Human Behavior, 70, 460-474.
Khan, I. U., Hameed, Z., & Khan, S. U. (2017). Understanding Online Banking Adoption in a Developing Country: UTAUT2 with Cultural Moderators. Journal of Global Information Management (JGIM), 25(1), 43-65.
Koenigstorfer, J., & Groeppel-Klein, A. (2012). Consumer acceptance of the mobile Internet. Marketing Letters, 23(4), 917-928.
Koksal, M. H. (2016). The intentions of Lebanese consumers to adopt mobile banking. International Journal of Bank Marketing, 34(3), 327-346.
Koo, C., Chung, N., & Nam, K. (2015). Assessing the impact of intrinsic and extrinsic motivators on smart green IT device use: Reference group perspectives. International Journal of Information Management, 35(1), 64-79.
Leong, L. Y., Hew, T. S., Tan, G. W. H., & Ooi, K. B. (2013). Predicting the determinants of the NFC-enabled mobile credit card acceptance: A neural networks approach. Expert Systems with Applications, 40(14), 5604-5620.
Li, C. F. (2013). the revised technology acceptance model and the impact of individual differences in assessing internet banking use in Taiwan. International Journal of Business and Information, 8(1), 96.
Lian, J. W. (2015). Critical factors for cloud based e-invoice service adoption in Taiwan: An empirical study. International Journal of Information Management, 35(1), 98-109.
Lu, J., Liu, C., & Wei, J. (2017). How Important Are Enjoyment and Mobility for Mobile Applications?. Journal of Computer Information Systems, 57(1), 1-12.
Lu, J., Wei, J., Yu, C. S., & Liu, C. (2017). How do post-usage factors and espoused cultural values impact mobile payment continuation?. Behaviour & Information Technology, 36(2), 140-164.
Moryson, H., & Moeser, G. (2016). Consumer adoption of cloud computing services in germany: investigation of moderating effects by applying an UTAUT model. International Journal of Marketing Studies, 8(1), 14.
Nykänen, J. I., Tuunainen, V. K., & Tuunanen, T. (2015). A Research Agenda for Evaluating Strength of Internal Preferences and External Influences in Consumer Smartphone Switching. In IRIS 38: Proceedings of the 38th Information Systems Research Seminar in Scandinavia, Oulu, Finland, 9-12 August. ISBN 978-952-62-0917-3. Oulun yliopisto.
Ooi, K. B., & Tan, G. W. H. (2016). Mobile technology acceptance model: An investigation using mobile users to explore smartphone credit card. Expert Systems with Applications, 59, 33-46.
Peiris, P. M., Kulkarni, D., & de Silva Mawatha, C. R. (2015). An Empirical Study of Customer Adoption of E-Commerce: A Customer Trust Model to Support the Adoption of E-Commerce Among Small-and Medium-Sized Enterprises in
