E-Commerce-Akzeptanz mit Vertrauen
Marketing / E-Commerce
UTAUT2 (Unified Theory of Acceptance and Use of Technology) ist die etablierte Theorie zur Erklärung, warum Menschen digitale Technologien nutzen. Diese Variante ergänzt das Originalmodell um Trust und ist auf Multi-Group-Analyse vorbereitet — Alter, Gerät und Nutzungserfahrung lassen sich als Gruppenvariablen einsetzen.
- N
- 400
- LVs
- 6
- MGA
- Age · Device
Klonen erfordert ein kostenloses OpenPLS-Konto.
Theorie-Background
Venkatesh, Thong und Xu (2012) erweiterten das ursprüngliche UTAUT-Modell um konsumentenspezifische Konstrukte (Hedonic Motivation, Habit, Price Value) und definierten sieben Determinanten für Nutzungs-Intention und tatsächliches Verhalten. UTAUT2 ist das in der IS-Forschung mit Abstand am häufigsten zitierte Akzeptanzmodell.
In der hier vorliegenden Variante fokussieren wir auf eine Vier-Determinanten-Version (Performance Expectancy, Effort Expectancy, Social Influence, Trust), die für E-Commerce-Kontexte besonders relevant ist. Vertrauen wurde von Pavlou (2003) als zentrale Variable für Online-Transaktionen etabliert, fehlt aber im UTAUT-Originalmodell — diese Hybrid-Form ist in der angewandten Forschung Standard.
Der Datensatz enthält Demographic-Variablen (age, gender, device, usage_freq), die unmittelbar als Gruppenvariablen für Multi-Group-Analysis nutzbar sind. So lässt sich z. B. testen, ob der Effekt von Trust auf Intention zwischen Mobile- und Desktop-Käufern signifikant unterschiedlich ist.
Strukturmodell
Vier exogene Determinanten konvergieren auf Behavioral Intention, die wiederum Use Behavior treibt. Trust ist sowohl Mediator als auch direkter Prädiktor.
Performance Expectancy
Erwarteter Nutzen der Anwendung.
Effort Expectancy
Wahrgenommene einfache Bedienbarkeit.
Social Influence
Druck und Empfehlungen aus dem Umfeld.
Trust
Vertrauen in Anbieter, Plattform und Datenumgang.
Behavioral Intention
Absicht, die Anwendung zu nutzen.
Use Behavior
Tatsächliche Nutzung (Frequenz, Tiefe).
Hypothesen
| H1 | PE → TR | + | Wahrgenommener Nutzen erhöht Vertrauen in die Plattform. |
| H2 | EE → TR | + | Einfache Bedienung erhöht Vertrauen. |
| H3 | PE → BI | + | Nutzen-Erwartung erhöht Nutzungs-Intention direkt. |
| H4 | SI → BI | + | Sozialer Einfluss erhöht Nutzungs-Intention. |
| H5 | TR → BI | + | Vertrauen ist der zentrale Treiber von Intention. |
| H6 | BI → UB | + | Intention übersetzt sich in tatsächliche Nutzung. |
Methodik & Daten
Der Datensatz enthält N = 400 synthetische Antworten auf 21 Indikatoren plus vier kategoriale Gruppenvariablen (age, gender, device, usage_freq). Alle reflektiven Items sind siebenstufige Likert-Skalen. Reale UTAUT2-Studien arbeiten typischerweise mit N = 300 bis 800 pro Kontext.
Erwartete Ergebnisse
- R²(BI) ≈ 0,55
- Die vier Determinanten erklären rund 55 % der Varianz in der Nutzungs-Intention — moderat-bis-stark.
- TR → BI ≈ 0,32
- Vertrauen ist der zweitstärkste direkte Pfad zu Intention, knapp hinter Performance Expectancy. In E-Commerce-Kontexten oft sogar der stärkste.
- MGA Age · Device
- Mit der Multi-Group-Analyse lässt sich u. a. testen, ob der TR→BI-Pfad bei älteren Nutzern signifikant stärker ausfällt als bei jüngeren.
Reproduzieren in 60 Sekunden
- 1
Projekt klonen
Ein Klick im OpenPLS-Workspace erstellt eine vollständige Kopie: Modell, Indikatoren und Datensatz, sofort editierbar.
- 2
Berechnung starten
OpenPLS löst Outer Weights, Path Coefficients, R², HTMT, SRMR und Bootstrap-Konfidenzintervalle in wenigen Sekunden.
- 3
Mit erwarteten Metriken vergleichen
Die unten dokumentierten Schlüsselmetriken stammen aus dem publizierten Original. Deine Werte sollten innerhalb der Bootstrap-95 %-CIs liegen.
Referenzen
- Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer Acceptance and Use of Information Technology: Extending the Unified Theory of Acceptance and Use of Technology. MIS Quarterly, 36(1), 157–178. doi.org/10.2307/41410412
- Pavlou, P. A. (2003). Consumer Acceptance of Electronic Commerce: Integrating Trust and Risk with the Technology Acceptance Model. International Journal of Electronic Commerce, 7(3), 101–134. doi.org/10.1080/10864415.2003.11044275
- Henseler, J., Ringle, C. M., & Sarstedt, M. (2016). Testing measurement invariance of composites using partial least squares. International Marketing Review, 33(3), 405–431. doi.org/10.1108/IMR-09-2014-0304