Acceptation e-commerce avec confiance
Marketing / E-commerce
UTAUT2 (Unified Theory of Acceptance and Use of Technology) est la théorie établie expliquant pourquoi les individus utilisent les technologies numériques. Cette variante ajoute la confiance et est configurée pour l’analyse multi-groupes : l’âge, le device et l’expérience d’usage sont disponibles comme variables de regroupement.
- N
- 400
- LVs
- 6
- MGA
- Age · Device
Le clonage nécessite un compte OpenPLS gratuit.
Contexte théorique
Venkatesh, Thong et Xu (2012) ont étendu le modèle UTAUT original avec des construits propres aux consommateurs (Hedonic Motivation, Habit, Price Value) et défini sept déterminants de l’intention d’usage et du comportement effectif. UTAUT2 est de loin le modèle d’acceptation le plus cité en recherche SI.
Dans la variante présentée ici, nous nous concentrons sur une version à quatre déterminants (Performance Expectancy, Effort Expectancy, Social Influence, Trust) particulièrement pertinente pour les contextes e-commerce. La confiance a été établie par Pavlou (2003) comme variable centrale pour les transactions en ligne mais elle est absente du modèle UTAUT original ; cette forme hybride est devenue standard dans la recherche appliquée.
Le jeu de données contient des variables sociodémographiques (age, gender, device, usage_freq) immédiatement utilisables comme variables de regroupement pour l’analyse multi-groupes. Vous pouvez par exemple tester si l’effet de la confiance sur l’intention diffère significativement entre acheteurs mobile et desktop.
Modèle structurel
Quatre déterminants exogènes convergent vers Behavioral Intention, qui alimente ensuite Use Behavior. La confiance joue à la fois le rôle de médiateur et de prédicteur direct.
Performance Expectancy
Utilité attendue de l’application.
Effort Expectancy
Facilité d’usage perçue.
Social Influence
Pression et recommandations de l’entourage social.
Trust
Confiance dans le vendeur, la plateforme et le traitement des données.
Intention comportementale
Intention d’utiliser l’application.
Comportement d’usage
Usage effectif (fréquence, profondeur).
Hypothèses
| H1 | PE → TR | + | L’utilité perçue augmente la confiance dans la plateforme. |
| H2 | EE → TR | + | La facilité d’usage augmente la confiance. |
| H3 | PE → BI | + | L’espérance d’utilité augmente directement l’intention d’usage. |
| H4 | SI → BI | + | L’influence sociale augmente l’intention d’usage. |
| H5 | TR → BI | + | La confiance est le moteur central de l’intention. |
| H6 | BI → UB | + | L’intention se traduit en usage effectif. |
Méthodologie et données
Le jeu de données contient N = 400 réponses synthétiques à 21 indicateurs plus quatre variables catégorielles de regroupement (age, gender, device, usage_freq). Tous les items réflexifs sont sur une échelle Likert à sept points. Les études UTAUT2 réelles sont généralement menées avec N = 300 à 800 selon le contexte.
Résultats attendus
- R²(BI) ≈ 0.55
- Les quatre déterminants expliquent environ 55 % de la variance de l’intention d’usage, soit un niveau modéré à fort.
- TR → BI ≈ 0.32
- La confiance est le deuxième chemin direct le plus fort vers l’intention, juste derrière l’espérance de performance. Souvent le plus fort dans les contextes e-commerce.
- MGA Age · Device
- Avec l’analyse multi-groupes, vous pouvez par exemple tester si le chemin TR → BI est significativement plus fort chez les utilisateurs âgés que chez les plus jeunes.
Reproduire en 60 secondes
- 1
Cloner le projet
Un seul clic dans votre espace OpenPLS crée une copie entièrement modifiable : modèle, indicateurs et jeu de données, tout est lié et prêt à l’emploi.
- 2
Lancer le calcul
OpenPLS résout les poids externes, les coefficients de chemin, le R², le HTMT, le SRMR et les intervalles de confiance bootstrap en quelques secondes.
- 3
Comparer aux métriques attendues
Les métriques clés documentées ci-dessous proviennent de la publication originale. Vos valeurs calculées devraient se situer à l’intérieur des IC bootstrap à 95 %.
Références
- 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