Attitude tegenover autonome auto's

Attitude tegenover autonome auto's

Ewald Landstra - 10545425

Datum: 30-6-2016

Begeleider: Dick Heinhuis

Tweede examinator: Jacobijn Sandberg

Afstudeerscriptie Bachelor Informatiekunde

In dit onderzoek stonden de factoren die invloed hebben op de attitude tegenover autonome auto's centraal. Aan de hand van een model om de acceptatie van een technologie te bepalen, werd geprobeerd om de attitude tegenover autonome auto's te onderzoeken. Na een literatuuronderzoek naar het meest geschikte model, kwam het UTAUT2 model naar voren. Aan de hand van een

vragenlijst onder 221 respondenten is geprobeerd dit model toe te passen. Om dit model toe te passen zijn diverse statistische analyses gedaan. Het bleek dat het model een goede voorspeller was voor de intentie een autonome auto te gebruiken; de variantie kon voor 71% voorspeld worden. Wel bleken niet alle factoren even relevant. Voornamelijk Performance Expectancy en Social Influence hadden een grote invloed op de intentie tot het gebruiken van een autonome auto.

2

Inhoudsopgave

1.4.1 Definitie autonome auto ... 4

2. Theoretisch kader ... 5

2.1 Modellen voor acceptatie van technologie ... 5

2.1.1 Technology Acceptance Model (TAM) ... 5

2.1.2 Technology Acceptance Model 2 (TAM2) ... 6

2.1.3 Technology Acceptance Model 3 (TAM3) ... 9

2.1.4 UTAUT ... 12 2.1.5 UTAUT2 ... 14 2.1.6 CTAM ... 15 2.2 Hypothesen ... 16 3. Methode ... 17 3.1 Respondenten ... 17 3.2 Online dataverzameling... 17

3.2.1 Risico's online dataverzameling ... 17

3.3 Vragenlijst ... 18

4. Resultaten ... 20

4.1 Over de respondenten ... 20

4.2 Beschrijvende analyse ... 21

4.3 Interne consistentie van de constructen ... 22

4.3.1 Use Behavior ... 23

4.4 Factoranalyse van de constructen ... 24

4.5 Toepassing van de data op het model ... 24

4.5.1 Correlatie ... 25

4.5.2 Regressie... 25

4.5.3 Bemiddelende factoren ... 28

4.6 Uiteindelijk research model ... 31

5. Conclusie ... 31

6. Discussie ... 33

7. Limitaties en toekomstig onderzoek ... 33

3

1. Introductie

1.1 Inleiding

Voor veel mensen is de auto een dagelijks vervoersmiddel. Zij zien de auto waarschijnlijk als een 'werktuig', iets dat zij gebruiken om zich sneller en gemakkelijker te kunnen verplaatsen. De hedendaagse auto is echter meer dan dat. Auto's hebben steeds meer automatische functies zoals adaptieve cruisecontrol of bijvoorbeeld de mogelijkheid automatisch in te parkeren. Deze

ontwikkelingen veranderen de auto langzaam van een simpel 'werktuig' naar een zichzelf besturende computer. De ontwikkelingen op dit gebied gaan snel: Sinds 2010 rijdt er een auto van Google zelfstandig op de weg (Markoff, 2010), en vanaf de zomer van 2015 kreeg de Tesla Model S de mogelijkheid zelfstandig stukjes te rijden (Kessler, 2015). Deze mogelijkheid betrof voornamelijk zelfstandig binnen de lijnen blijven, afstand houden en snelheid aanpassen op de snelweg. Door wettelijke beperkingen, en omdat het project op het moment van schrijven in een bèta staat verkeert, moet de bestuurder wel de handen aan het stuur houden1_.

Op dit moment zijn er op het gebied van regelgeving nog problemen te overbruggen. Een punt dat voorlopig tot discussie kan blijven leiden is de vraag wie er verantwoordelijk is bij een ongeluk met een zelfrijdende auto (Van Eijck & Van Dijck, 2015). Het is dan ook de eerste keer in de geschiedenis van de auto dat de mens langzaam de controle uit handen geeft aan een computer, iets dat eigenlijk nog niet eerder op deze schaal is gebeurd.

1.2 Relevantie

In 2015 publiceerden Kyriakidis, Happee en De Winter een groot onderzoek naar de acceptatie van autonome auto's. Kyriakidis et al. (2015) deden onderzoek naar de acceptatie, bereidheid en zorgen ten opzichte van autonome auto's. In de vragenlijst vroegen zij niet alleen naar volledig autonome auto's, maar ook naar gedeeltelijk en grotendeels zelf rijdende auto's. Het onderzoek werd gedaan in 109 landen, onder bijna 5000 respondenten. De analyses die bij dit onderzoek gedaan werden, waren niet gerelateerd aan een (al dan niet bestaand) model. De vragen werden slechts onderling

vergeleken middels een Pearson correlatie, om bijvoorbeeld de invloed van leeftijd te meten op een vraag.

Het onderzoek van Kyriakidis et al. (2015) wierp vragen op. Voor de acceptatie van 'traditionele' systemen en technologieën zijn er allerlei modellen ontwikkeld. Waarom zou de attitude tegenover een volledig zelf opererend systeem, ook al is dat een auto, niet middels zo'n model getoetst kunnen worden? Door het toepassen van een al bewezen model kan mogelijk worden onderzocht welke factoren van (positieve) invloed zijn op de attitude tegenover autonome auto's. Kyriakidis et al. (2015) hebben geen model toegepast op hun data, iets wat in dit onderzoek wel gedaan zal worden.

1.3 Onderzoeksvraag

Deze opgeworpen vragen leiden tot de volgende onderzoeksvraag:

Welke factoren hebben invloed op de attitude tegenover autonome auto's?

Deze onderzoeksvraag bestaat weer uit een aantal subvragen:

 Welke modellen zijn beschikbaar om attitude te meten met betrekking tot dit onderwerp?  Welk model is het best toepasbaar op autonome auto's?

 Kunnen alle factoren uit het gekozen model worden gebruikt voor autonome auto's, of moeten deze worden aangepast?

4  Welke resultaten levert het gebruik van een dergelijk model op voor een onderzoek naar de

attitude tegenover autonome auto's?

Om deze subvragen te beantwoorden zal eerst een overzicht worden gegeven van de op dit moment belangrijkste modellen voor acceptatie van technologie. Daarna zal een vragenlijst worden gemaakt op basis van het best passende model. De uitkomsten van deze vragenlijst worden geanalyseerd en er zal worden gekeken of het model duidelijke resultaten kan laten zien.

1.4 Scope

In dit onderzoek wordt de auto als (autonoom) informatiesysteem gezien, zoals beschreven in de volgende sectie. Om de acceptatie te testen van dat informatiesysteem, zullen modellen worden besproken die uitgaan van de (potentiële) gebruiker. De haalbaarheid van de technologie en de ethische aspecten van autonome auto's worden in dit onderzoek niet behandeld.

Wel wordt de autonome auto gezien als een product dat mensen zelf kunnen kopen en waar zij voor kunnen kiezen. Er wordt in dit onderzoek niet uitgegaan van een (door de overheid) verplichte overgang tot aanschaf.

Ten slotte zal het gekozen model aan de hand van een vragenlijst binnen Nederland worden getoetst. Er worden zoveel mogelijk respondenten met verschillende achtergronden en leeftijden gevraagd, maar gezien de korte duur van het onderzoek kan er niet een volledig representatieve verdeling gegarandeerd worden.

1.4.1 Definitie autonome auto

Wat wordt in dit onderzoek gezien als een autonoom systeem? Antsaklis, Passino & Wang (1991) beschreven dat een autonoom systeem zelf de regie moet hebben. Dit betekent dat een autonoom systeem beschikt over hard- en software die het mogelijk maakt om functies uit te voeren, zonder ingrijpen van buitenaf. Hoewel Antsaklis et al. geen auto’s beschreven, beschreven zij wel dat autonome systemen ook zelf rekening kunnen houden met storingen in het systeem. Zij stelden ook dat een autonoom systeem zou moeten kunnen leren om zich aan te kunnen passen aan een veranderende omgeving.

Deze definitie van autonoom is dus iets heel anders dan de hulpmiddelen die moderne auto’s op het moment van schrijven hebben. Een functie die op veel auto's als optie besteld kan worden,

automatisch inparkeren, heeft weinig te doen met een autonome auto. Zo moet de bestuurder zelf deze functie aan zetten, en ook zelf bepalen wanneer de auto moet gaan rijden, bijvoorbeeld door de rem te bedienen (Wang, Song, Zhang & Deng, 2014). Wang et al. (2014) beschreven ook dat de sensoren minder goed functioneren bij slechtere weersomstandigheden. Bovendien bleken de systemen ‘dom’, zo werd een kat gezien als een vast object. De auto stopte met inparkeren, terwijl een kat normaal gesproken zou weglopen als een auto dichterbij komt (of men zou kunnen

toeteren/uitstappen en de kat wegjagen).

Dit zijn allemaal problemen die op te lossen zijn, al dan niet puur softwarematig. Het is wel belangrijk om te stellen dat op het moment van schrijven een volledig autonome auto nog ver weg is. De technieken die nu ontwikkeld worden hebben vaak nog menselijke interactie nodig, en werken bovendien niet (goed) in alle situaties.

In dit paper wordt het begrip 'autonome auto' niet gezien als een auto die alleen zelf kan sturen, maar als een auto die iemand van A naar B kan brengen zonder menselijk ingrijpen.

5

2. Theoretisch kader

Om te onderzoeken wat de attitude tegenover autonome auto's is, zullen eerst een aantal modellen voor acceptatie besproken worden.

In 1975 ontwikkelden Fishbein en Ajzen het sociaal psychologische Theory of Reasoned Action (TRA) model. Dit model is gebaseerd op het idee dat iemands gedrag gebaseerd is op de intentie om dat gedrag uit te voeren. Deze intentie is een functie van zijn of haar attitude tegenover het gedrag en zijn of haar subjectieve norm (definitie: pagina 7) . Dit model kan worden gezien als een van de eerdere voorspellende modellen, maar het is niet gericht op technologie. In de volgende sectie wordt allereerst het Technology Acceptance Model besproken, een model dat door Davis (1989) ontwikkeld is en, zoals de naam doet vermoeden, ook specifiek op technologie gericht is.

2.1 Modellen voor acceptatie van technologie

In 1989 kwam Davis met het Technology Acceptance Model (TAM), de precieze inhoud van dit model wordt besproken in de volgende sectie. Dit is sindsdien een veelgebruikt model, waar ook veel latere modellen op voortborduren. Venkatesh & Davis (2000) zeiden het volgende over TAM:

"Numerous empirical studies have found that TAM consistently explains a substantial proportion of the variance (typically about 40%) in usage intentions and behavior, and that TAM compares favorably with alternative models such as the Theory of Reasoned Action (TRA) and the Theory of Planned Behavior (TPB). [..] As of January 2000, the Institute for Scientific Information’s Social Science Citation Index listed 424 journal citations to the two journal articles that introduced TAM. In 10 years, TAM has become well-established as a robust, powerful, and parsimonious model for predicting user acceptance." (Venkatesh & Davis, 2000, p. 186-187)

TAM is nog doorontwikkeld tot TAM2 (Venkatesh & Davis, 2000) en TAM3 (Venkatesh & Bala, 2008). Venkatesh, Morris, Davis en Davis (2003) waren van mening dat het noodzakelijk was om een algemeen model te ontwikkelen. Zij hebben acht modellen bestudeerd en daar één nieuw model uit gecreëerd: het Unified Theory of Acceptance and Use of Technology (UTAUT). Dit model is later nog uitgebreid tot UTAUT2 om in een consumentensetting gebruikt te worden (Venkatesh, Thong & Xu, 2012).

Na een beschrijving van het Technology Acceptance Model, worden de extensies TAM2 en TAM3 besproken. Ook worden UTAUT en UTAUT2 besproken. Ten slotte wordt uitgelegd welk model voor dit onderzoek gekozen zal worden, en waarom voor dit model gekozen is.

2.1.1 Technology Acceptance Model (TAM)

De prestaties van informatietechnologie werden vaak tegengezeten door de onwelwillendheid van de gebruikers om de technologie te accepteren en te gebruiken (Bowen, 1986; Young, 1984). Davis (1989) stelde dat er te weinig goede metingen gedaan waren naar de belangrijkste factoren voor acceptatie door gebruikers. Davis (1989) stelde bovendien dat een goede meting van de acceptatie belangrijk is voor bedrijven met een nieuw idee. In het artikel stelde hij een aantal variabelen op om systeem gebruik te meten. De eerste variabele is Perceived Usefulness. Deze variabele wordt bepaald door de mate waarin gebruikers geloven dat een applicatie hen helpt hun baan beter uit te voeren. Echter, als zij denken dat de moeilijkheid van het systeem niet opweegt tegen de voordelen van het gebruik van de applicatie, valt dat onder de variabele Perceived Ease of Use. De eerste variabele gaat over de bruikbaarheid, de tweede over het gemak van het systeem. Davis (1989) beschouwde deze factoren als belangrijk omdat in een zakelijke omgeving de prestaties belangrijk worden geacht, een systeem moet daarom makkelijk te gebruiken zijn. Inzet is niet onuitputtelijk, daarom werd het gemak van het gebruik gezien als belangrijk voor een hoge acceptatie.

6 TAM (figuur 1) (Davis, 1989) werd gebaseerd op een behoorlijk aantal bestaande theorieën. Het belang van de variabele Perceived Ease of Use wordt ondersteund door het onderzoek van Bandura (1982) naar zelfeffectiviteit. Bandura (1982) stelde dat als mensen slecht kunnen omgaan met iets onbekends, zij deze situatie angstig benaderen. Deze negatieve prikkels kunnen het gevoel van doeltreffend werken nog verder verlagen. Deze theorie is niet direct om te zetten in een algemene maatstaf, omdat de theorieën situatiespecifiek zijn. Het onderzoek naar zelfeffectiviteit biedt echter wel een theoretisch perspectief dat duidt op het belang van Perceived Ease of Use en Perceived

Usefulness als basis factoren voor een positief gedrag richting een systeem van gebruikers (Davis,

1989).

Een andere gebruikt door Davis (1989) voor TAM is het kosten-baten paradigma van de

beslissingstheorie (Beach & Mitchell, 1978). Zij bespraken het compromis tussen de moeite die een strategie kost en de kwaliteit van de oplossing die de strategie bood. De juiste oplossing werd wel het belangrijkst geacht, maar aan de hand van de omgevingsvariabelen vielen bepaalde strategieën altijd af. Er werd dus een afweging gemaakt tussen de moeite/kosten en de kwaliteit van de oplossing. Een moeilijkere/duurdere strategie was zonde omdat deze geen betere oplossing zou bieden voor die situatie, maar een goedkopere was nutteloos omdat de uitkomst minder goed zou kunnen zijn. Dit paradigma is ook relevant voor Perceived Usefulness en Perceived Ease of Use. Een grafische representatie van TAM is te zien in figuur 1.

TAM wordt ondersteund door veel theoretisch en empirisch onderzoek. Ongeveer 40% van de variantie in het gebruik van een systeem en het gedrag daarin van de (potentiële) gebruikers blijkt te verklaren met TAM. Bovendien blijkt TAM betere resultaten te geven dan alternatieve modellen zoals de Theory of Reasoned Action (TRA) en de Theory of Planned Behaviour (TPB) (Venkatesh & Davis, 2000).

Figuur 1 - Technology Acceptance Model (Davis, Bagozzi & Warshaw (1989). User acceptance of computer technology: a comparison of two theoretical models. Pagina 985.)

Conclusie

TAM blijkt een breed gerespecteerd model om een voorspelling te doen voor het gebruik van een informatie systeem (Venkatesh & Davis, 2000). Hoewel de resultaten van het model goed bleken, stelde Davis (1989) al dat de validiteit moet worden getest door zoveel mogelijk studies. Door de resultaten van meerdere studies te combineren zou het model weer kunnen worden uitgebreid of aangevuld, om zo tot een nog completer totaal te komen. De eerste stap hierin zal besproken worden in de volgende sectie, waar TAM 2 (Venkatesh & Davis, 2000) naar voren komt.

2.1.2 Technology Acceptance Model 2 (TAM2)

Hoewel TAM een gevalideerd model was en goede resultaten behaalde, vonden Venkatesh en Davis (2000) het belangrijk om meer determinanten voor de variabele Perceived Usefulness op te stellen. Zij kwamen daarom met een extensie op TAM. Venkatesh en Davis (2000) stelden dat door betere

7 determinanten op te stellen, het model beter gebruikt zou kunnen worden om gebruikersacceptatie en het gebruik van nieuwe systemen te vergroten. Dit leidde tot TAM2 (figuur 2), waar de nieuwe factoren die Perceived Usefulness beïnvloeden in zijn opgenomen.

TAM2 weerspiegelt de effecten van drie samenhangende sociale factoren die een individu beïnvloeden een nieuw systeem te aanvaarden of af te wijzen: Subjective norm, Voluntairnes en

Image.

Subjective Norm

De subjectieve norm werd als volgt gedefinieerd door Fishbein en Ajzen (1975): "De perceptie van een persoon dat de meeste mensen die belangrijk voor hem zijn, denken dat hij het gedrag in kwestie wel of niet zou moeten vertonen". Venkatesh en Davis (2000) stelden dat mensen misschien voor een gedrag kiezen dat zijzelf niet als favoriet bestempelen, als zij geloven dat één of meerdere referenten denken dat zij dat wel zouden moeten doen. Hoewel Venkatesh en Davis (2000) stelden dat onderzoeken verschillende resultaten gaven (zowel geen als wel een significant effect) is deze factor wel opgenomen in het model.

Voluntariness

Als tweede sociale factor stelden Venkatesh en Davis (2000) de mate van vrijwilligheid voor het gebruik van een systeem. De theorie stelt dat potentiële gebruikers een niet-vrijwillig gekozen systeem sneller gebruiken. In TAM2 is de Voluntariness een controlerende variabele op de intentie op het gebruik van een systeem.

Image

De derde en laatste sociale factor genoemd door Venkatesh en Davis (2000) is Image. Er bestaat een kans dat mensen een technologie als een statussymbool zien. Imago wordt dus ook beïnvloed voor de subjectieve norm: het gebruik van een systeem zou goed kunnen bevallen binnen de groep mensen die de gebruiker belangrijk vindt.

Subjective Norm is belangrijk bij de start van een nieuw systeem. Iemand begint het systeem te

gebruiken, omdat anderen dat verwachten. Als het systeem operationeel is wordt de attitude bepalend: iemand gebruikt het systeem dan omdat het goed voelt, nuttig is en toevoegt (Hartwick & Barki, 1975). TAM2 stelt daarom dat het directe effect van subjectieve norm, in een situatie waar verplicht gebruik gemaakt moet worden van een systeem, groot is vóór de implementatie en in de eerste gebruiksfase. Het directe effect wordt echter zwakker als de gebruikers meer ervaring opdoen met het systeem (Venkatesh & Davis, 2000).

8

Figuur 2 - Technology Acceptance Model 2 (Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Pagina 188.)

Nieuwe determinanten

Behalve de hierboven genoemde sociale invloeden, werden ook vier cognitieve determinanten van

Perceived Usefulness genoemd: Job Relevance, Output Quality, Result Demonstrability en Perceived Ease of Use (Venkatesh & Davis, 2000). Deze determinanten spelen een rol voor Perceived

Usefulness, oftewel of de gebruikers een bevordering van hun prestaties ervaren. Job Relevance

Job Relevance wordt gedefinieerd als: de perceptie van de gebruiker in hoeverre het systeem

toepasbaar is op zijn of haar baan (Venkatesh & Davis, 2000). Venkatesh en Davis (2000) stelden Job

Relevance op als direct effect op Perceived Usefulness, onafhankelijk van sociale invloeden. Output Quality

Los van de taken die een systeem kan uitvoeren en in hoeverre deze taken bij de doelen van de baan horen, kijken de gebruikers naar het resultaat van de taken. Venkatesh en Davis (2000) stelden dat de kwaliteit van output niet snel zal worden gebruikt bij de eerste keuze voor een systeem, maar wel bij een afweging van twee of meer al bewezen relevante systemen.

Result Demonstrability

Zelfs effectieve systemen kunnen tekort schieten op het gebied van acceptatie als gebruikers moeite hebben om hun prestatieverbeteringen toe te kennen aan het systeem (Venkatesh & Davis, 2000). Agarwal en Prasad (1997) onderzochten het belang van de aantoonbaarheid van resultaten. Het bleek dat voor toekomstig gebruik van een systeem gebruikers zowel een gevoel moesten hebben van een relatief voordeel, als van aantoonbare resultaten. De gebruikers moeten dus het idee hebben dat het systeem iets verbeterd ten opzichte van de oude situatie, en dat moet ook aantoonbaar zijn.

9 Perceived Ease of Use

Deze variabele kwam ook al voor in het oorspronkelijke TAM als directe determinant van Perceived

Usefullness (Davis, 1989). Als er geen andere beslissende factoren zouden zijn, is dit een volledig

bepalende factor: hoe makkelijker een systeem is om te gebruiken, hoe meer het kan bijdragen aan de verhoging van de prestaties (Venkatesh & Davis, 2000).

Conclusie

Met TAM2 voegden Venkatesh en Davis (2000) drie sociale factoren toe aan het oorspronkelijke TAM. Ook worden drie factoren toegevoegd die betrekking hebben op de kwaliteit en relevantie van een systeem. TAM2 behandelt ten opzichte van TAM meer externe variabelen. De resultaten van de vier onderzoeken die Venkatesh en Davis (2000) hebben gedaan zijn positief. TAM2 verklaart tot 60% van de intentie tot het gebruik van een systeem. De resultaten zijn getest vóór de implementatie, één maand na de implementatie en drie maanden na implementatie. De testgroepen waren echter klein, maar de resultaten wel significant. Op dat gebied zou dit model dus nog verder onderzocht kunnen worden.

2.1.3 Technology Acceptance Model 3 (TAM3)

In TAM2 werden determinanten van Perceived Usefulness besproken (Venkatesh & Davis, 2000). Venkatesh (2000) heeft onderzocht welke determinanten van invloed zijn op Perceived Ease of Use. De uitkomsten van dat onderzoek werden gecombineerd met TAM2 en zo ontstond TAM3

10

Figuur 3 - Technology Acceptance Model 3 (Venkatesh, V., & Bala, H. (2008). Technology acceptance model 3 and a research agenda on interventions. Pagina 280.)

Nieuwe determinanten voor perceived ease of use

Venkatesh (2000) stelde zes determinanten voor, onderverdeeld in twee soorten: Anchor en

Adjustment. Anchors definiëren de eerste oordelen van een gebruiker over een systeem. Als een

gebruiker het systeem gebruikt heeft, kunnen deze oordelen veranderen: Adjustment. De zes determinanten zijn: Computer Self-efficacy, Perception of External Control, Computer Anxiety,

Computer Playfulness, Perceived Enjoyment en Objective Usability; deze zijn ook terug te zien in

figuur 3. Deze determinanten zullen hierna worden toegelicht. Anchors (Venkatesh & Bala, 2008)

Computer Self-efficacy bepaalt de mate waarin een gebruiker gelooft dat hij of zij de mogelijkheid

11 waarin een werknemer het idee heeft dat er mogelijkheden zijn om hem of haar te helpen bij het gebruik van een systeem. Computer Anxiety betekent, zoals de naam al doet vermoeden, de angst of vrees die iemand kan hebben voor het gebruik van computers. Computer Playfulness gaat over hoe makkelijk de gebruiker leert van de acties van de computer: of de gebruiker de computer makkelijk leert te begrijpen.

Adjustment (Venkatesh & Bala, 2008)

Perceived Enjoyment slaat op het plezier dat het gebruik van een systeem oplevert. Dit staat los van

de werkgerelateerde prestaties (Venkatesh, 2000). Objective Usability gaat over de objectieve bruikbaarheid van een systeem. De mening van gebruikers is hier niet relevant (Venkatesh, 2000). Nieuwe relaties

Los van de in de vorige sectie genoemde nieuwe determinanten, zijn er ook een aantal relaties toegevoegd aan TAM3 die niet bestonden in TAM2: deze zijn dikgedrukt in figuur 3. Alle drie de nieuwe relaties lopen vanuit de determinant ervaring.

Perceived Ease of Use → Perceived Usefulness, bemiddeld door Experience

Venkatesh en Bala (2008) stelden dat ervaring een bemiddelend effect heeft op invloed die Perceived

Ease of Use heeft op de Perceived Usefullness. Zij stelden dat door de ervaring die een gebruiker

opdoet met een systeem, de gebruiker meer weet over het gebruiksgemak. Hoewel bij een operationeel systeem de Perceived Ease of Use minder van belang is dan bij een nieuwe ontwikkeling, blijven gebruikers de bruikbaarheid beoordelen.

Computer Anxiety → Perceived Ease of Use, bemiddeld door Experience

Ervaring zal het effect van Computer Anxiety op Perceived Ease of Use doen verdwijnen (Venkatesh & Bala, 2008). Door het gebruik ontstaat ervaring, waardoor het algemene gebruik geen obstakel meer zou vormen. Computer Anxiety remt de mogelijkheid tot het vormen van een positieve perceptie van het gebruiksgemak van een systeem (Venkatesh, 2000).

Perceived Ease of Use → Behavioral Intention, bemiddeld door Experience

Het effect van Perceived Ease of Use op Behavioral Intentions zal kleiner worden door Experience (Venkatesh & Bala, 2008). Zoals al in het oorspronkelijke TAM beschreven (Davis, 1989) is Perceived

Ease of Use in eerste instantie een belangrijke determinant voor System Use. Doordat de gebruiker

meer procedural knowledge over het gebruik van het systeem heeft opgedaan, door het gebruik van het systeem, wordt het effect van Perceived Ease of Use op Behavioral Intention minder groot. Conclusie

TAM3 voegt enkele determinanten en relaties toe aan TAM2. Zowel de determinanten als de relaties gaan voornamelijk over het gebruik van computers en de ervaring die men opdoet met een systeem (Venkatesh & Bala, 2008). Daaruit komt een onderzoeksagenda over interventies voort. Venkatesh en Bala (2008) bespreken zowel interventies voor als na de implementatie van een systeem, en hoe dat de managers en gebruikers betere keuzes kan doen maken over complexe systemen. Dit is echter niet relevant voor het onderwerp van dit onderzoek.

TAM3 beschrijft, evenals TAM en TAM2, voornamelijk een setting waar een nieuw informatiesysteem wordt geïntroduceerd bij een bedrijf. Er wordt gesproken over 'employees' en de determinanten zijn voor een deel gericht op bedrijfssituaties ('Job Relevance', 'Voluntariness'). Omdat dit niet het

uitgangspunt is van dit onderzoek, worden in de volgende sectie nog twee modellen besproken. Deze modellen komen ook gedeeltelijk voort uit TAM (1 t/m 3). Dit maakt het relevant deze modellen te bespreken.

12

2.1.4 UTAUT

Onderzoekers werden geconfronteerd door een grote keuze aan modellen om acceptatie voor IT systemen te bepalen (Venkatesh, Morris, Davis & Davis, 2003). Dit zorgde ervoor dat zij modellen moesten combineren, of bepaalde factoren buiten beschouwing moesten laten. Venkatesh et al. (2003) stelden daarom dat het nodig was een uniforme blik op gebruikersacceptatie te creëren. Om tot deze Unified Theory of Acceptance and Use of Technology (UTAUT) te komen, onderzochten zij acht bestaande modellen: Theory of Reasoned Action, Technology Acceptance Model, Motivational

Model, Theory of Planned Behavior,Combined TAM and TPB, Model of PC Utilization, Innovation Diffusion Theory en Social Cognitive Theory. Venkatesh et al. (2003) deden een longitudinaal

empirisch onderzoek. Dit werd gedaan door een enquête af te nemen met vragen die op alle modellen toepasbaar zijn, op drie verschillende momenten: Na de training, één maand na de

implementatie en drie maanden na de implementatie van het systeem. Zij vergeleken de invloed van alle determinanten voor alle modellen, om zo te kunnen bepalen welke meer of minder invloed hebben; ook de bemiddelende variabelen werden meegenomen.

Figuur 4 - Unified Theory of Acceptance and Use of Technology (Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. Pagina 447.)

Dit resulteerde in het UTAUT model zoals te zien in figuur 4. Het model bevat vier determinanten:

Performance Expectancy, Effort Expectancy, Social Influence en Facilitating Conditions (links). Deze

determinanten worden bemiddeld door vier factoren: Gender, Age, Experience en Voluntariness of

Use (onder). In de volgende secties zullen de vier determinanten besproken worden. Performance Expectancy

Performance Expectancy is de mate waarin een individu gelooft dat een systeem hem of haar helpt in

het verbeteren van de prestaties gerelateerd aan de baan (Venkatesh et al., 2003). Dit is de sterkste determinant voor intentie in alle getest modellen, en blijft relevant bij alle meetpunten bij zowel vrijwillig als verplicht gebruikte systemen.

13 Effort Expectancy

Effort Expectancy wordt gedefinieerd als de mate van gemak van het gebruik van het systeem

(Venkatesh et al., 2003). Deze determinant is alleen significant tijdens de eerste periode (na de training), tijdens (langer) gebruik van het systeem is de determinant dat niet meer.

Social Influence

Venkatesh et al. (2003) beschrijven Social Influence als determinant die bepaald wordt door de mate waarin een individu waarneemt dat belangrijke anderen vinden dat hij of zij een nieuw systeem zou moeten gebruiken. Social Influence bleek minder van toepassing op vrijwillige situaties. Ook bleek het effect vooral merkbaar aan het begin van een de introductie van een systeem, na drie maanden gebruik was er geen significant resultaat meer meetbaar.

Facilitating Conditions

De laatste determinant is Facilitating Conditions; dit gaat over de mate waarin een individu gelooft dat er een organisatorische en technische infrastructuur is om het gebruik van het systeem te ondersteunen (Venkatesh et al., 2003). Hierbij valt de denken aan compatibiliteit met andere systemen, IT hulp bij problemen en of een individu controle heeft over het gebruik van het systeem. Venkatesh et al. (2003) stelden dat Facilitating Conditions geen determinant is voor de intentie tot het gebruik van een systeem, maar wel tot het daadwerkelijke gebruik. Rivard en Huff (1988) stelden dat gebruikers over het algemeen het meest tevreden zijn met een goede ondersteuningsafdeling. Het is dus duidelijk dat dit vooral gaat over het daadwerkelijke gebruik, aangezien de mate van ondersteuning die nodig is pas op dat moment blijkt.

Gender, Age, Experience, Voluntariness of Use: Bemiddelende factoren

Onderaan het model in figuur 4 zijn vier bemiddelende factoren te vinden. De factoren versterken of verzwakken een determinant, afhankelijk van de input voor die factor. Venkatesh et al. (2003) gaven een aantal voorbeelden waar de factoren van toepassing zijn. Morris en Venkatesh (2000) vonden dat aansluiting belangrijker werd naarmate men ouder werd; oudere medewerkers houden dus meer rekening met sociale invloeden. Ervaring maakte de sociale invloeden echter weer minder belangrijk. In figuur 4 is dat te zien aan de relatie van zowel Age als Experience tot de Social Influence op

Behavioral Intention.

Voor alle vier de bemiddelende factoren hebben Venkatesh et al. (2003) theorieën gebruikt die duiden op een correlatie tussen de invloeden van de determinanten en de bemiddelende factoren. Conclusie

UTAUT kan tot 70 procent van de variantie in intentie verklaren (Venkatesh et al., 2003). Venkatesh et al. (2003) stelden dan ook dat de hoogte van deze verklaring mogelijk tegen het plafond zit van wat mogelijk is op het gebied van het verklaren van intentie. Het model heeft bijgedragen aan acceptatieonderzoek door meerdere veelgebruikte theoretische perspectieven te combineren, en daar bemiddelende factoren aan toe te voegen (Venkatesh et al, 2003). Oshlyansky, Cairns en Thimbleby (2007) hebben UTAUT getoetst in verschillende landen en culturen. Het bleek dat het model goede resultaten behaalde, ook in andere talen dan waarin het model oorspronkelijk getest is. Uit de resultaten van zowel Venkatesh et al. (2003) als Oshlyansky et al. (2007) valt op te maken dat UTAUT een goede basis is voor de acceptatie van een nieuwe technologie bij de (potentiële)

gebruikers. Het voegt de al bestaande modellen samen tot één relatief eenvoudig interpretabel model.

14

2.1.5 UTAUT2

Zoals de naam al doet vermoeden is UTAUT2 een doorontwikkeling en extensie op het

oorspronkelijke Unified Theory of Acceptance and Use of Technology model. UTAUT2 voegt drie

determinanten toe, en verandert bovendien de relaties van de bemiddelende factoren (Venkatesh, Thong & Xu, 2012). UTAUT2 is door deze aanpassingen meer op technologie voor consumenten gericht. Venkatesh et al. (2012) voegden drie nieuwe determinanten toe aan het model: Hedonic

Motivation, Price Value en Habit. Het nieuwe model is te zien in figuur 5.

Figuur 5 - Unified Theory of Acceptance and Use of Technology 2 (Venkatesh, V., Thong, J., & Xu, X., 2012. Consumer acceptance and use of information technology: extending the unified theory of acceptance and use of technology. Pagina

160.)

Hedonic Motivation

De eerste nieuwe determinant is Hedonic Motivation, wat zich als volgt laat definiëren: Het plezier of genot dat ontstaat door het gebruik van een technologie (Venkatesh et al., 2012). Hedonic

Motivation bleek een belangrijke rol te spelen in de acceptatie en gebruik van technologie (Brown &

Venkatesh, 2005). Ook in de consumentencontext bleek deze determinant belangrijk om acceptatie en gebruik te voorspellen (Brown & Venkatesh, 2005; Childers, Carr, Peck & Carson, 2002).

Price Value

De determinant Price Value komt duidelijk voort uit de consumentencontext waarin UTAUT2 ontwikkeld is. Consumenten zijn prijsbewust, terwijl werknemers dat niet zijn (Venkatesh et al., 2012); consumenten moeten het tenslotte zelf betalen. Deze Price Value is positief als de

15 opbrengsten van het gebruik van een technologie als groter worden beschouwd dan de kosten. De prijs- kwaliteitsverhouding is dan goed, en kan zo worden gebruikt als voorspeller voor Behavioral

Intention. Habit

Door Limayem et al. (2007) werd Habit gedefinieerd als de mate waarin mensen gedragingen automatisch doen door deze aan te leren. Venkatesh et al. (2012) onderscheiden Habit en

Experience. Ervaring kan leiden tot een gebruik, door het verstrijken van tijd. Ervaring is dus van

invloed op een gewoonte, maar niet hetzelfde. Dit is ook terug te zien in het UTAUT2 model (figuur 5) waar Habit een directe invloed heeft op Use Behaviour en ook op Behavioural Intention. De directe invloed kan je letterlijk uit de definitie 'gewoonte' halen. Als een bestuurder bijvoorbeeld bij het starten van een auto altijd zijn verlichting aanzet (uit gewoonte), heeft dit ook een directe invloed op het gebruik van de verlichting. Experience is net als in het oorspronkelijke UTAUT een bemiddelende factor, deze rol zal in de volgende sectie besproken worden.

Gender, Age, Experience: Bemiddelende factoren

Net als in UTAUT staan er in het UTAUT2 model verschillende bemiddelende factoren onderaan. De factor Voluntariness of Use is verdwenen: men gaat er vanuit dat het systeem in een

consumentensetting altijd vrijwillig wordt gebruikt. De invloeden van leeftijd, geslacht en ervaring zijn hetzelfde gebleven voor de determinanten uit UTAUT. Nieuw is de invloed van Experience op de relatie tussen Behavioral Intention en Use Behavior. Verder worden alle nieuwe relaties door de drie bemiddelende factoren beïnvloed, behalve Price Value; deze wordt niet beïnvloed door Experience. Conclusie

UTAUT2 bouwt voort op UTAUT als goede voorspeller. Venkatesh et al. (2012) concludeerden in hun onderzoek dat UTAUT2 de variantie voor Behavioral Intention voor 74% kon verklaren. Het model gebruikt voor een groot deel dezelfde factoren als UTAUT, waardoor de validiteit daarvan al bewezen is. Door het weglaten van de bedrijfsgerichte determinanten en het toevoegen van de determinanten op consumentengebied, is dit het geschikte model voor een onderzoek naar acceptatie van IT

producten onder consumenten.

2.1.6 CTAM

Dit model valt buiten de categorie 'veelgebruikte' of 'toonaangevende' modellen. Het Car Technology

Acceptance Model (CTAM) werd in 2012 door Osswald, Wurhofer, Trösterer, Beck & Tscheligi

ontwikkeld. Zij stelden dat het, in de tijd van steeds meer nieuwe technologieën in auto's, nuttig was een apart model te ontwikkelen voor de auto sector. Omdat dit aansluit bij het onderwerp van deze scriptie, wordt het model toch besproken.

De inspiratie voor het model komt van de determinanten uit UTAUT. Hoewel het model, te vinden in figuur 6, een aantal nieuwe en mogelijk interessante determinanten toevoegt, is het tot nu toe weinig gebruikt. Osswald et al. (2012) hebben het model slechts getest op 21 respondenten. Hoewel zij concludeerden dat het model en de bijbehorende vragen een goede fit hadden, is het (nog) geen wijdverspreid en gebruikt model. Omdat het testen van de validiteit van een dergelijk model buiten de scope van dit onderzoek valt, worden de determinanten van CTAM niet verder besproken. Mogelijk is het voor de toekomst wel een interessant model, zeker omdat er steeds meer technologie in auto's komt (Osswald et al., 2012) en dit model ook bepaalde determinanten behandelt die daarbij van toepassing zijn (veiligheid bijvoorbeeld).

16

Figuur 6 - Car Technology Acceptance Model (Osswald, S., Wurhofer, D., Trösterer, S., Beck, E., & Tscheligi, M., 2012. Predicting information technology usage in the car: towards a car technology acceptance model. Pagina 55.)

2.2 Hypothesen

Uit het literatuuronderzoek bleek dat UTAUT2 het meest geschikte model is om te gebruiken. Het houdt rekening met een consumenten setting en gaat niet teveel in op de bedrijfstechnische kant van een systeem. Het CTAM model is nog maar weinig gebruikt in onderzoeken, daardoor is het een minder 'bewezen' model.

Omdat autonome auto's op het moment van schrijven nog niet bestaan zullen een aantal

determinanten uit het UTAUT2 model niet worden meegenomen. Over determinanten Habit en Price

Value is op dit moment nog weinig te zeggen; deze worden dus niet meegenomen. Naast het feit dat

het te onderzoeken systeem nog niet bestaat, is het onderzoek ook te kort om Experience over een langere tijd te meten. Deze bemiddelende factor wordt dus niet meegenomen in dit onderzoek. Hoewel Use Behavior niet direct te meten is (het systeem bestaat tenslotte nog niet) wordt wel geprobeerd, experimenteel, om aan de hand van het gebruik van een aantal al wel bestaande systemen, hier toch een waarde aan te geven (denk aan: automatisch inparkeren, automatisch inschakelende verlichting, etc.)

Dit leidt tot de volgende hypotheses:

H1: Performance Expectancy zal een positieve, significante, invloed hebben op Behavioral Intention voor autonome auto's

H2: Effort Expectancy zal een positieve, significante, invloed hebben op Behavioral Intention voor autonome auto's

H3: Social Influence zal een positieve, significante, invloed hebben op Behavioral Intention voor autonome auto's

H4: Facilitating Conditions zal een positieve, significante, invloed hebben op Behavioral Intention voor autonome auto's

H5: Hedonic Motivation zal een positieve, significante, invloed hebben op Behavioral Intention voor autonome auto's

17 H6: Facilitating Conditions zal een positieve, significante, invloed hebben op Use Behavior

H7: Behavioral Intention zal een positieve, significante, invloed hebben op Use Behavior H8: De bemiddelende factoren, leeftijd en geslacht, hebben invloed op de determinanten voor

Behavioral Intention; en ook op de invloed van Facilitating Conditions op Use Behavior

Aan de hand van een vragenlijst zullen deze hypothesen worden getest. De uitkomst van deze hypothesen zou het mogelijk moeten maken om de onderzoeksvraag te beantwoorden.

3. Methode

Dit hoofdstuk behandelt de gebruikte onderzoeksmethoden. Eerst wordt besproken op welke wijze respondenten zijn benaderd. Daarna zal de (online) tool die gebruikt werd voor de dataverzameling worden besproken. Tenslotte wordt de inhoud en opzet van de vragenlijst besproken.

3.1 Respondenten

Het onderzoek heeft plaatsgevonden onder uitsluitend respondenten uit Nederland. Om een zo groot mogelijk aantal respondenten te krijgen, werd gekozen voor een online vragenlijst. Via een oproep op Facebook, maar ook door persoonlijk contact zijn de (mogelijke) respondenten benaderd. Door respondenten te vragen zelf ook vrienden en familie uit te nodigen om de vragenlijst in te vullen, kon er binnen afzienbare tijd een redelijke steekproefomvang bereikt worden. Er werd ook aandacht besteed aan het verkrijgen van respondenten van uiteenlopende leeftijden.

De vragenlijst was voor iedereen toegankelijk, er werden geen uitsluitingen gedaan op basis van een leeftijdsquotum of bijvoorbeeld het wel of niet hebben van een rijbewijs.

3.2 Online dataverzameling

Om de vragenlijst beschikbaar te maken op het internet is de tool Google Forms gebruikt. Met

Google Forms was het mogelijk om volledig gratis een online enquête op te stellen. Door alle vragen

verplicht te laten invullen, waren er geen incomplete inzendingen. De vragenlijst heeft ongeveer twee weken open gestaan voor respondenten. Omdat Google Forms realtime inzicht geeft in de verzamelde data, was het mogelijk om bij te houden of er een goede man/vrouw en

leeftijdsverdeling onder de respondenten was.

3.2.1 Risico's online dataverzameling

Hoewel er geen tijd meer gestoken hoeft te worden in het digitaliseren van data, en er daarbij dus ook geen fouten kunnen ontstaan, kan online dataverzameling wel andere problemen geven. Waar in ieder geval aan gedacht moet worden bij een online vragenlijst, is dat de onderzoeker niet aanwezig is bij het invullen van de vragenlijst. Dit kan bij onduidelijkheden problemen opleveren (Riva, Teruzzi & Anolli, 2003). Wel toonden Riva et al. (2003) aan dat er geen verschil in de uitkomsten is tussen enquêtes op papier en digitaal afgenomen enquêtes.

Om te zorgen dat er geen problemen zouden optreden is zowel de tool Google Forms, als de vragenlijst zelf onderworpen aan een paar tests. De vragenlijst, die in de volgende sectie besproken zal worden, is individueel met drie mensen van verschillende leeftijden doorgenomen, waarna gevraagd werd of zij alle vragen begrepen. Google Forms is met de definitieve vragenlijst getest. Het formulier is ingevuld op computers met als besturingssysteem zowel Windows als Apple, alsook met verscheidene browsers. Bovendien werd de functionaliteit van de tool getest op Android, iOS en Windows telefoons. Na een kleine aanpassing aan een niet werkend drop down menu bleek Google

18

3.3 Vragenlijst

De vragenlijst volgt in grote lijnen de vragenlijst die door Venkatesh et al. (2012) ook gebruikt werd voor het onderzoek naar de werking van UTAUT2. Omdat volledig autonome auto's nog niet bestaan, is er gekozen voor het weglaten van de factoren Price Value, Habit en Experience. Het is op dit moment nog niet mogelijk om veel te zeggen over de prijs van een dergelijk systeem. Omdat dit mogelijk ook te abstract zou worden voor de respondenten is de factor Price Value weggelaten.

Habit is ook niet meegenomen, simpelweg omdat de technologie nog niet bestaat. Mensen kunnen

er dus ook niet aan wennen, of het als gewoonte zien. Omdat de technologie nog in ontwikkeling is, is Experience als bemiddelende factor ook weggelaten, daar er nog geen respondenten zullen zijn met daadwerkelijke ervaring met deze techniek.

De vragen, zoals gesteld aan de respondenten, zijn te vinden in tabel 1. In deze tabel staan de vragen ingedeeld per categorie, en staat aangegeven van welk onderzoek deze geadopteerd zijn. De vragen konden beantwoord worden aan de hand van een 7-punts Likertschaal, vanaf 1 'helemaal mee oneens' tot 7 'helemaal mee eens'. Volgens Dawes (2008) was er geen significant verschil tussen het gebruik van een 5-punts schaal met een 7-punts schaal. Dit onderzoek had echter geen 'weet ik niet' optie bij de vragen. Bij het gebruik van een 5-punts schaal wordt die optie vaker gebruikt (Matell & Jacoby, 1972). Om het voor de respondenten een ruimere keuze te geven, zonder de ‘weet ik niet’ optie, werd er gebruik gemaakt van een ruimere 7-punts schaal.

Robson (2011) stelt dat de Likertschaal zeer vaak gebruikt wordt. Jamieson (2004) stelt dat er onenigheid is over op welk niveau data, verkregen met Likertschalen, zich bevindt. Sommige onderzoekers stellen dat de data ordinaal is, en dat er bijvoorbeeld geen gemiddelden berekend kunnen worden of parametrische tests op gedaan kunnen worden. Andere onderzoekers stellen dat de data gebruikt kan worden op een interval niveau, als er genoeg respondenten zijn (en er daardoor een goede verdeling ontstaat). In dat geval kunnen parametrische toetsen gewoon worden

uitgevoerd op data verkregen op basis van Likertschalen. (Jamieson, 2004). In dit onderzoek zal ook deze methode gehandhaafd worden. De data zal op een interval niveau behandeld worden, waarna er correlaties en regressies berekend kunnen worden. Deze zelfde manier werd ook aangehouden in de originele validaties van UTAUT en UTAUT2 (Venkatesh et al., 2003; Venkatesh et al., 2012).

19

Tabel 1 - Vragenlijst opgedeeld naar de determinanten van UTAUT2

Omdat dit onderzoek zich right op een technologie die nog in ontwikkeling is, is de determinant die in UTAUT2 van belang is, Use Behavior, niet zomaar te meten. Wel is er getracht, door een aantal vragen te stellen over 'zelfdenkende' technologieën die al wel beschikbaar zijn in auto's, een waarde hieraan te koppelen. In de sectie met de resultaten zal bekeken worden of dit inderdaad aansluit op de data van de determinanten. De vragen die gesteld zijn over Use Behavior zijn te vinden in tabel 2. Deze vragen werden gesteld aan de hand van frequentie, waarbij gekozen kon worden uit 'Nooit',

'Maandelijks', 'Wekelijks', 'Dagelijks', 'Meerdere malen per dag' en 'Weet ik niet / ik beschik niet over (functie x)'.

Use Behavior

Ik gebruik Adaptive Cruise Control

Ik gebruik automatisch inparkeren (Park assist) Ik gebruik Lane assist

Ik gebruik Automatisch inschakelende verlichting in de auto Ik gebruik Automatisch inschakelende ruitenwissers in de auto

Tabel 2- Vragen gericht op Use Behavior

Performance Expectancy Venkatesh et al. (2012),

Osswald et al. (2012) Een autonome auto zou nuttig zijn in mijn dagelijkse leven

Een autonome auto zou mijn mogelijkheden vergroten om dingen te doen die ik belangrijk vind

Een autonome auto zou mij helpen veilig mijn bestemming te bereiken Een autonome auto zijn productiviteit verhogen

Effort Expectancy Venkatesh et al. (2012)

De interactie met een autonome auto zou duidelijk en begrijpelijk zijn voor mij Ik denk dat een autonome auto makkelijk te gebruiken is

Het zou voor mij makkelijk zijn om bekwaam te worden in het gebruik van een autonome auto

Social Influence Venkatesh et al. (2012),

Osswald et al. (2012) Ik zou trots zijn om een autonome auto te kunnen laten zien aan de mensen die dichtbij

mij staan

Mensen wiens meningen belangrijk zijn voor mij, zouden een autonome auto ook waarderen

Mensen die ik waardeer zouden mij aanmoedigen een autonome auto te gebruiken Mensen die bij mij in de auto zitten zouden een autonome auto kunnen waarderen

Facilitating Conditions Venkatesh et al. (2012)

Ik heb genoeg kennis om een autonome auto te bedienen

Een autonome auto is compatibel met andere technologieën die ik gebruik Er is iemand die mij zou kunnen helpen bij moeilijkheden met een autonome auto

Hedonic Motivation Venkatesh et al. (2012)

Rijden in een autonome auto zou ik leuk vinden Rijden in een autonome auto zou ik plezierig vinden Rijden in een autonome auto zou ik erg vermakelijk vinden

Behavioral Intention Venkatesh et al. (2012),

Osswald et al. (2012) Als ik een autonome auto zo kunnen kopen, zou ik dat doen

Als ik kan kiezen, zou ik een autonome auto verkiezen boven een auto die zelf bestuurd moet worden

20

4. Resultaten

In deze sectie worden de resultaten van dit onderzoek behandeld. Om de hypothesen goed te kunnen beantwoorden zullen eerst algemene beschrijvende statistieken getoond worden. In de daarop volgende secties zal gekeken worden naar de interne consistentie van de gegroepeerde vragen. Uiteindelijk worden de correlaties tussen de determinanten berekend en wordt een regressieanalyse gedaan. Tenslotte zullen de verwerkte data worden toegepast op het UTAUT2 model. De gebruikte analyses volgen de analyses gedaan door Venkatesh et al. (2003; 2012) bij de validaties van UTAUT en UTAUT2.

4.1 Over de respondenten

In totaal zijn er 221 respondenten voor dit onderzoek. 42% was vrouwen en 58% was man (figuur 7).

Figuur 7 - Verdeling man/vrouw

Aan de hand van een binominale test (tabel 3) valt op te maken dat deze verdeling behoorlijk afwijkt van de werkelijke verhouding van de bevolking tussen mannen en vrouwen in Nederland; deze bestaat voor 49,5% uit mannen en voor 50,5% uit vrouwen2_.

Category N Observed Prop. Test Prop. Exact Sig. (1-tailed) Gender Group 1 Group 2 Total Man Vrouw 129 92 221 ,584 ,416 1,000 ,495 ,005

Tabel 3 - Verhouding geslachtsverdeling steekproef tot werkelijke populatie

De respondenten varieerden in leeftijd van 17 tot en met 80 jaar, in figuur 8 zijn de leeftijden in categorieën ingedeeld om zo snel een duidelijk beeld te krijgen. Hoewel de categorie 17-30 duidelijk een grotere vertegenwoordiging heeft dan de hogere leeftijden, is er toch nog een grote variëteit onder de respondenten. 58% 42%

Geslacht

21

Figuur 8 - Leeftijden van de respondenten

Tenslotte is er nog een overzicht van de afgeronde opleiding van de respondenten, te zien in figuur 9. Opvallend is het hoge aantal respondenten met een HBO of WO (master) diploma.

Figuur 9 - Afgeronde opleiding van de respondenten

Deze afwijkingen van de populatie zijn waarschijnlijk inherent aan de manier van verspreiden van de enquête; via het eigen netwerk. Voor het onderzoek hoeft dit echter geen groot probleem te zijn. Belangrijker is dat de vragen intern consistent zijn voor de determinant die ze behandelen, en dat de determinanten onderling verschillend genoeg zijn. Dit zal in sectie 4.3 en 4.4 besproken worden.

4.2 Beschrijvende analyse

Om een duidelijk overzicht te krijgen van de verkregen data, zal eerst een tabel worden gegeven met een samenvattend overzicht. Dit bevat voor elke determinant een gemiddelde, standaardafwijking, variantie en het aantal geldige datapunten. Zie hiervoor tabel 4. De meeste factoren scoren een gemiddelde boven 'neutraal' (3.5). De determinant Use Behavior heeft een lagere N, de reden hiervoor wordt uitgelegd in sectie 4.3.1.

14% 29% 6% 13% 19% 14% 5%

Leeftijd

Afgeronde opleiding

22 Performance Expectancy Effort Expectancy Social Influence Facilitating Conditions Hedonic Motivation Behavioral Intention Use Behavior N Valid 221 221 221 221 221 221 221 Missing 0 0 0 0 0 0 0 Mean 4,5814 5,4646 4,2489 5,0679 4,7843 4,0558 2,5070 Std. Deviation 1,65373 1,20536 1,50123 1,51655 1,76075 1,78529 1,34412 Variance 2,735 1,453 2,254 2,300 3,100 3,187 1,807

Tabel 4 - Beschrijvende analyse determinanten

4.3 Interne consistentie van de constructen

Het is belangrijk dat de losse vragen (genoeg) bijdragen aan de verschillende determinanten. Dit kan worden getest met Cronbach's Alpha (Santos, 1999). De waarde voor Cronbach's Alpha geeft aan in hoeverre de vragen hetzelfde concept meten, de waarde die daar uit komt ligt tussen de 0 en 1. Tavakol en Dennick (2011) stelden dat een ideale waarde tussen 0,70 en 0,90 ligt. Een waarde lager dan 0,70 zou duiden op vragen die inconsistent zijn. Een waarde hoger dan 0,90 zou duiden op vragen die teveel op elkaar lijken, en die dus mogelijk overbodig zijn. De uitkomsten van Cronbach's Alpha voor de verschillende constructen is terug te vinden in tabel 5.

Variabele Cronbach's Alpha Performance Expectancy ,881 Effort Expectancy ,811 Social Influence ,874 Facilitating Conditions ,740* Hedonic Motivation ,926** Behavioral Intention ,866

Tabel 5 - Cronbach's alpha voor alle determinanten *Na het verwijderen van vraag 3

**Bewust niet aangepast

De meeste determinanten scoren zeer goed. Alleen de determinant Facilitating Conditions scoorde onder de maat, zoals te zien in tabel 5 en 6. In de laatste kolom van tabel 7 is duidelijk te zien dat als de derde vraag verwijderd wordt, de waarde van Alpha behoorlijk stijgt. Deze vraag wijkt dus erg af van de andere twee vragen van deze determinant. Daarom is deze vraag niet meegerekend met de analyses.

Cronbach’s Alpha

Cronbach’s Alpha Based on Standardized Items

N of Items

,669 ,676 3

Tabel 6 - Cronbach's alpha voor Facilitating Conditions

Scale Mean if Item Deleted Scale Variance if Item Deleted Correlated Item-Total Correlation Squared Multiple Correlation Cronbach’s Alpha if Item Deleted Ik heb genoeg kennis om een

autonome auto te bedienen

8,79 8,186 ,561 ,373 ,465

Een autonome auto is compatibel met andere technologieën die ik gebruik

9,10 8,785 ,541 ,359 ,501

Er is iemand die mij zo kunnen helpen bij moeilijkheden met een autonome auto

10,14 9,200 ,360 ,130 ,740

23 In tabel 5 is ook te zien dat de determinant Hedonic Motivation een erg hoge waarde voor Alpha heeft. Als de vragen van de vragenlijst (sectie 3.3) bekeken worden, is inderdaad duidelijk dat deze vragen grotendeels op elkaar lijken. Omdat de vragen toch een klein nuance verschil hebben, en de waarde voor Alpha nog relatief dicht bij de 0,90 ligt, is ervoor gekozen geen vragen te schrappen voor deze determinant.

4.3.1 Use Behavior

Een aparte variabele is Use Behavior. Omdat, zoals eerder gesteld in sectie 3.3, autonome auto's nog niet beschikbaar zijn, kan er ook geen daadwerkelijk gebruik gemeten worden. Door te vragen naar het gebruik van verscheidene autonome functies die op moderne auto's te vinden zijn, werd toch geprobeerd ook deze determinant te voorzien van data. De mogelijkheden die de respondenten konden invullen hebben een numerieke dummywaarde gekregen: Nooit: 1; Maandelijks: 2;

Wekelijks: 3; Dagelijks: 4; Meerdere malen per dag: 5; Weet ik niet / Heb ik niet: 0. Deze waarden zijn daarna behandeld als data op interval niveau.

Cronbach’s Alpha

Cronbach’s Alpha Based on

Standardized Items N of Items

,700 ,718 5

Tabel 8 - Overzicht Cronbach's Alpha voor Use Behavior

Scale Mean if Item Deleted Scale Variance if Item Deleted Correlated Item-Total Correlation Squared Multiple Correlation Cronbach’s Alpha if Item Deleted

Ik gebruik Adaptive Cruise Control 4,42 16,690 ,419 ,255 ,667

Ik gebruik automatisch inparkeren (Park assist)

5,04 20,508 ,369 ,198 ,693

Ik gebruik Lane assist 5,08 19,571 ,438 ,281 ,673

Ik gebruik automatisch inschakelende verlichting in de auto 3,79 12,311 ,610 ,490 ,578 Ik gebruik automatisch inschakelende ruitenwissers in de auto 3,92 13,166 ,564 ,470 ,603

Tabel 9 - Overzicht Cronbach's Alpha per vraag voor Use Behavior

Zoals te zien in tabel 8 en 9 blijken ook deze vragen intern consistent. Echter bevat deze determinant een hoop respondenten die aangeven niet te beschikken over (een van deze) deze functies. Het lijkt daarom relevant om deze waardes niet mee te nemen; het niet beschikken over één van deze functies duidt niet op onwil van de respondenten maar op het niet hebben van een (veelal prijzige) functie. Dit zou niet nodig zijn geweest als de opties voor iedereen gelijk zijn (als elke auto zou beschikken over dergelijke functies), maar dat is hier niet het geval.

Na het verwijderen van deze waardes stijgt Cronbach's alpha voor Use Behavior zelfs iets, zoals te zien in tabel 10. Cronbach’s Alpha Cronbach’s Alpha Based on Standardized Items N of Items ,777 ,787 5

24

4.4 Factoranalyse van de constructen

Om er zeker van te zijn dat de vragen uit de enquête (sectie 3.3) inderdaad een factor vormen zoals daar aangegeven, is een factoranalyse gedaan. Met de uitkomst van deze analyse is het dus mogelijk om te achterhalen of de vragen invloed hebben op de beoogde determinant, en niet op andere determinanten. De uitkomst van deze analyse is te vinden in tabel 11.

De vragen zijn opgedeeld in vijf componenten, net zoals de vijf determinanten uit het gebruikte model. Voor de meeste vragen geldt dat er een hoge correlatie is binnen het construct en een lage correlatie met de overige constructen. Dit duidt erop dat de vragen de verschillende determinanten goed meten. Bij het vierde construct ontbreekt één vraag, omdat deze naar aanleiding van de uitkomst van Cronbach's Alpha verwijderd is. Dit is te lezen in sectie 4.3.

Stellingen

Component

1 2 3 4 5

Een autonome auto zou nuttig zijn in mijn dagelijkse

leven ,748 ,171 ,243 ,274 ,277

Een autonome auto zou mijn mogelijkheden vergroten

om dingen te doen die ik belangrijk vind ,839 ,127 ,269 ,063 ,171

Een autonome auto zou mij helpen veilig mijn

bestemming te bereiken ,648 ,430 ,146 ,051 ,292

Een autonome auto zou mijn productiviteit verhogen ,799 ,040 ,275 ,131 ,148 De interactie met een autonome auto zou duidelijk en

begrijpelijk zijn voor mij ,234 ,642 ,042 ,428 ,198

Ik denk dat een autonome auto makkelijk te gebruiken

is ,146 ,682 ,116 ,459 ,209

Het zou voor mij makkelijk zijn om bekwaam te worden

in het gebruik van een autonome auto ,178 ,388 ,217 ,567 ,335

Ik zou trots zijn om een autonome auto te kunnen

laten zien aan de mensen die dichtbij mij staan ,339 -,036 ,585 ,300 ,448 Mensen wiens meningen belangrijk voor mij zijn,

zouden een autonome auto ook waarderen ,301 -,026 ,773 ,263 ,283

Mensen die ik waardeer zouden mij aanmoedigen een

autonome auto te gebruiken ,375 ,109 ,794 ,129 ,211

Mensen die bij mij in de auto zitten zouden een

autonome auto kunnen waarderen ,195 ,483 ,695 ,010 ,185

Ik heb genoeg kennis om een autonome auto te

bedienen ,129 ,122 ,014 ,866 ,116

Een autonome auto is compatibel met andere

technologieën die ik gebruik ,071 ,206 ,283 ,752 -,024

Rijden in een autonome auto zou ik leuk vinden ,210 ,181 ,226 ,088 ,876 Rijden in een autonome auto zou ik plezierig vinden ,356 ,200 ,235 ,075 ,814 Rijden in een autonome auto zou ik erg vermakelijk

vinden ,138 ,125 ,186 ,127 ,855

Tabel 11 - Factoranalyse met VARIMAX rotatie

4.5 Toepassing van de data op het model

Zoals al genoemd werd in sectie 3.3 wordt in dit onderzoek de Likertschaal gezien als een schaal op interval niveau. Voor data op interval niveau dient de correlatie berekend te worden aan de hand van een Pearson correlatie (Triola, 2008).

25 Om antwoord te krijgen op de hypothesen zal een regressieanalyse gedaan worden. De resultaten daaruit geven de coëfficiënten weer die uiteindelijk in het model geplaatst kunnen worden. Dat maakt het mogelijk om te zien of er inderdaad vanuit de determinanten positieve invloeden zijn op

Behavioral Intention, en of leeftijd en geslacht een bemiddelende werking hebben. Eerst worden

echter de correlaties berekend. Door de correlaties te berekenen kunnen simpele, onderlinge, verbanden tussen determinanten gezien worden.

4.5.1 Correlatie

In tabel 12 zijn de correlaties tussen de verschillende determinanten te zien. Bijna alle correlaties zijn significant op een p < 0.01. Bij Use Behavior zijn de enige niet significante correlaties te vinden, alsook twee correlaties die significant zijn op p < 0.05. De meeste correlaties hebben een vrij hoge coëfficiënt, zeker correlaties van de determinanten met Behavioral Intention; de determinant die volgens het UTAUT2 model ten slotte beïnvloed wordt door de andere determinanten. Daadwerkelijk gebruik is nog niet te meten omdat de technologie nog niet beschikbaar is. De belangrijkste

determinant blijft daarom Behavioral Intention. Wel is er, zoals in het model UTAUT2 ook

beschreven, een positieve significante correlatie tussen Behavioral Intention en de experimentele, zoals in 4.3.1 beschreven, determinant Use Behavior terug te vinden.

Performance Expectancy Effort Expectancy Social Influence Facilitating Conditions Hedonic Motivation Behavioral Intention Use Behavior Performance Expectancy Pearson Correlation Sig. (2-tailed) N 1 221 Effort Expectancy Pearson Correlation Sig. (2-tailed) N ,526** ,000 221 1 221 Social Influence Pearson Correlation Sig. (2-tailed) N ,687** ,000 221 ,520** ,000 221 1 221 Facilitating Conditions Pearson Correlation Sig. (2-tailed) N ,347** ,000 221 ,614** ,000 221 ,397** ,000 221 1 221 Hedonic Motivation Pearson Correlation Sig. (2-tailed) N ,574** ,000 222 ,507** ,000 221 ,624** ,000 221 ,272** ,000 221 1 221 Behavioral Intention Pearson Correlation Sig. (2-tailed) N ,722** ,000 221 ,478** ,000 221 ,695** ,000 221 ,360** ,000 221 ,693** ,000 221 1 221

Use Behavior Pearson Correlation

Sig. (2-tailed) N ,212** ,006 167 ,145 ,062 167 ,182* ,018 167 ,162* ,000 167 ,246** ,001 167 ,330** ,000 167 1 167

Tabel 12 - Pearson Correlaties *Correlatie is significant op 0.05 **Correlatie is significant op 0.01

4.5.2 Regressie

Zoals in het UTAUT2 model gesteld, hebben de determinanten Performance Expectancy (PE), Effort

Expectancy (EE), Social Influence (SI), Facilitating Conditions (FC) en Hedonic Motivation (HM) een

directe invloed op Behavioral Intention (BI). Behavioral Intention en Facilitating Conditions hebben een invloed op Use Behavior (UB). In de volgende secties worden zowel BI en UB apart van elkaar behandeld. De regressieanalyse geeft voor elke determinant coëfficiënten die de invloed van die

26 determinant op BI ofwel UB weergeven. Door deze in het model te plaatsen kan duidelijk gezien worden welke determinanten meer of minder invloed hebben. Door dit ingevulde model tenslotte te analyseren kunnen de hypothesen op een overzichtelijke manier beantwoord worden. De uitkomst van deze analyse kan ook laten zien in hoeverre het model de variabiliteit verklaart van de constante factor (BI of UB).

Behavioral Intention

Een regressieanalyse werd gedaan om te kijken of de onderzochte determinanten inderdaad significante voorspellers zijn voor Behavioral Intention. Deze resultaten zijn te zien in tabel 13. Het blijkt dat PE, SI en HM een directe voorspeller zijn met een significantie van p < 0.01. FC en EE zijn niet significant, en de coëfficiënt is daar bovendien uitermate klein.

Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -,605 ,333 -1,815 ,071 Performance Expectancy ,404 ,062 ,375 6,517 ,000 Effort Expectancy -,094 ,085 -,063 -1,097 ,274 Social Influence ,257 ,072 ,216 3,586 ,000 Facilitating Conditions ,102 ,060 ,087 1,716 ,088 Hedonic Motivation ,357 ,055 ,352 6,529 ,000

Tabel 13 - Regressieanalyse met Behavioral Intention als afhankelijke variabele

Hoewel de meeste determinanten een significante invloed hebben op BI, kan de sterkte van deze correlaties lastig te beoordelen zijn. De R² laat zien welk deel van de variabiliteit verklaard wordt door dit model. De R² van het regressiemodel uit tabel 13 is te vinden in tabel 14. De waarde voor R² is met 0,666 is behoorlijk hoog; zeker aangezien de constructen menselijk gedrag behandelen, iets dat soms moeilijk voorspelbaar kan zijn. De significantie van de ANOVA test is kleiner dan p < 0.01.

Model R R Square Adjusted R Square Std. Error of the Estimate 1 ,816a _{,666 ,658 1,04371}

Tabel 14 - Overzicht van de regressieanalyse voor Behavioral Intention

a_{Voorspellers: (constante), Performance Expectancy, Effort Expectancy,}

Social Influence, Facilitating Conditions, Hedonic Motivation

Use Behavior

De experimentele vragen gericht op Use Behavior zijn ook onderworpen aan een regressieanalyse. Volgens het model hebben BI en FC directe invloed op UB. Bij de analyse bleek de enige significante relatie die tussen BI en UB te zijn, zoals te zien in tabel 15. Deze coëfficiënt is significant met een p < 0.01. FC heeft geen significant verband.

Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 1,334 ,367 3,638 ,000 Behavioral Intention ,228 ,057 ,311 3,975 ,000 Facilitating Conditions ,052 ,070 ,058 ,739 ,461

27 De R² (tabel 16) van deze regressie is ook lager dan bij de analyse voor Behavioral Intention. Dit betekent dat de variantie van Use Behavior voor slechts ruwweg 10% bepaald wordt door BI en FC. Dit betekent waarschijnlijk dat de vragen over UB niet in relatie staan met de determinanten van

Behavioral Intention. Ondanks de lage R² kan deze nog steeds significant zijn (Kramer, 2005); de

ANOVA test geeft dan ook een p < 0.01.

Model R R Square Adjusted R Square Std. Error of the Estimate 1 ,335a _{,112 ,101 1,27425}

Tabel 16 - Overzicht van de regressieanalyse voor Use Behavior

a_{Voorspellers: (constante), Facilitating Conditions, Behavioral Intention} Research model

Als de coëfficiënten uit tabel 14 en 16 in het model worden geplaatst, ontstaat figuur 10. De significantie staat tussen haakjes achter de gestandaardiseerde coëfficiënt. Op deze manier is

duidelijk te zien wat de determinanten voor invloed hebben op Behavioral Intention en Use Behavior.

Figuur 10 - Model met coëfficiënten en significantie (* = significant op p < 0.01)

Residual plot Behavioral Intention

Om na te gaan of het model een goede consistentie heeft over verschillende voorspelde waardes, en om te zien of de gemiddelde afwijking niet te groot is, is een residuals plot bijgevoegd (figuur 11). Bij het residuals plot is op de x-as de voorspelde waarde te vinden. Op de y-as is de waarde te vinden die de voorspelling naast de daadwerkelijk gemeten waarde zit. In dit plot zijn alle waarden

gestandaardiseerd om het makkelijker leesbaar te maken. De punten concentreren zich rond het 0-punt op de y-as. Dit betekent dat de gemiddelde afwijking vrij klein is. Bovendien neigen de 0-punten niet naar een bepaalde hoek of plek in de plot (op een paar zichtbaar afwijkende waarden na), wat duidt op een goede consistentie van het model over de verschillende voorspelde waardes.

28

Figuur 11 - Residuals plot

4.5.3 Bemiddelende factoren

Het UTAUT2 model beschrijft naast de determinanten ook nog bemiddelende factoren. Deze factoren, in dit onderzoek geslacht en leeftijd, beïnvloeden de invloed van de determinanten op

Behavioral Intention en Use Behavior (zoals te lezen in sectie 2.1.5). Correlatie

Om de correlatie met geslacht te kunnen berekenen is een dummyvariabele toegevoegd waarin een man als '1' wordt gerepresenteerd en een vrouw als '0'. Als de correlatie tussen de determinanten en de leeftijd en het geslacht berekend wordt, ontstaat tabel 17. Hier is terug te vinden dat geslacht een invloed heeft op PE, FC, BI, UB (p < 0.01) en op EE, HM (p < 0.05). Leeftijd heeft invloed op EE, SI, FC (p < 0.01) en op UB (p < 0.05). Correlatie is dus duidelijk aanwezig voor deze bemiddelende factoren.

29 Regressie Behavioral Intention

Wordt dezelfde regressieanalyse als in sectie 4.5.2 nogmaals gedaan, maar dan ook met de bemiddelde factoren, ontstaat tabel 18. Bij het bekijken van tabel 18 wordt al snel duidelijk dat de significantie van zowel de meeste determinanten als de meeste bemiddelende factoren erg laag is. Dit zou kunnen betekenen dat er wel samenhang is tussen de determinanten en de bemiddelende factoren (zoals de correlatie tabel heeft aangetoond), maar dat de determinanten stuk voor stuk geen goede voorspellers zijn voor Behavioral Intention als leeftijd en geslacht worden meegenomen. PE en SI zijn significant op het niveau van p < 0.01, FC*geslacht en HM*geslacht zijn significant op het niveau van p < 0.05. Wel is de R² van de regressie met 0,708 vrij hoog, zoals terug te vinden in tabel 19; bovendien was de significantie van de ANOVA test ook in dit geval kleiner dan p < 0.01. Het model in zijn geheel lijkt dus een goede voorspeller voor Behavioral Intention, wat gelijk een antwoord is op de laatste deelvraag (sectie 1.3)

Gender Age Performance Expectancy Pearson Correlation Sig. (2-tailed) N ,220** ,001 221 -,093 ,169 221 Effort Expectancy Pearson Correlation Sig. (2-tailed) N ,166* ,014 221 -,291** ,000 221 Social Influence Pearson Correlation Sig. (2-tailed) N ,099 ,143 221 -,149** ,026 221 Facilitating Conditions Pearson Correlation Sig. (2-tailed) N ,226** ,001 221 -,246** ,000 221 Hedonic Motivation Pearson Correlation Sig. (2-tailed) N ,156* ,020 221 -,035 ,606 221 Behavioral Intention Pearson Correlation Sig. (2-tailed) N ,186** ,005 221 ,026 ,701 221 Use Behavior Pearson Correlation Sig. (2-tailed) N ,218** ,005 167 ,152* ,050 167

Tabel 17 - Pearson correlaties determinanten en bemiddelende factoren *Correlatie is significant op 0.05