Acceptans för Apple Pay och Samsung Pay
En kvantitativ studie med ursprung i UTAUT-modellen
Elias Larsson
950510
Kasper Levén
960105
Magnus Strömbäck 960224
Hösttermin 2020
Kandidatuppsats 15hp, kurs IK300G i informatik med systemvetenskaplig
inriktning, kandidatkurs
Informatik
Handelshögskolan vid Örebro universitet
Handledare: Per Oscarson
Förord
Vi vill rikta ett stort tack till vår handledare Per Oscarsson som hjälpt oss genom uppsatsens gång. Din feedback och de diskussioner vi haft har varit ovärderliga. Vi vill även rikta ett tack till den seminariegrupp vi varit del av och andra som hjälpt oss korrekturläsa och bidragit med värdefull feedback. Ett sista tack till de respondenter som svarat på enkäten, utan era svar hade det inte varit möjligt att genomföra denna studie och uppsats.
Sammanfattning
Sverige går mot en kontantfri framtid och samtidigt som kontanterna försvinner växer mobila betallösningar fram. Det erbjuds idag en uppsjö av mobila betallösningar som alla försöker få användarnas acceptans. I den här studien har acceptansen av betallösningarna Samsung Pay och Apple Pay undersökts.
Studiens avsikt har varit att besvara frågeställningen kring hur olika faktorer påverkar acceptansen av Samsung Pay och Apple Pay. Studien har undersökt två grupper, användare och icke-användare av dessa betallösningar. Både dessa grupper och betallösningarna har även jämförts för att hitta skillnader och likheter. För att besvara frågeställningen har en anpassad UTAUT-modell använts för att identifiera acceptansfaktorer som påverkar användande och icke-användande av mobila betallösningar. Empirin för studien har samlats in genom en online-enkät som utformades efter den anpassade UTAUT-modellen och tidigare forskning.
Studien visar att för användare är sociala influenser den faktor som påverkar den gruppens acceptans minst medan tillgänglighet, upplevd säkerhet och att tjänsten är lätt att använda påverkar acceptansen mest för användare. För icke-användare är tillgänglighet och upplevd säkerhet faktorerna som påverkar deras acceptans mest medan sociala influenser och att tjänsten är lätt att använda påverkar acceptansen mindre för icke-användare. Nyckeldeterminanterna för användare visar vilka acceptansfaktorer som gör att användare fortsätter använda respektive betallösning medan nyckeldeterminanterna för icke-användare är de acceptansfaktorer som hindrar användning av de mobila betallösningarna. Studien kan vara värdefull för aktörer inom mobila betallösningar på den svenska marknaden som vill förstå vad som leder till acceptans av mobila betallösningar.
Innehållsförteckning
1. Introduktion 1
1.1 Bakgrund till ämnesområdet 1
1.2 Apple Pay & Samsung Pay 1
1.3 Syfte och forskningsfråga 2
1.3.1 Forskningsfråga 2
1.4 Avgränsning 2
2. Teori & Tidigare Forskning 3
2.1 UTAUT 3
2.2 Kritik mot UTAUT-modellen 4
2.3 Anpassad modell 5 2.4 Tidigare forskning 7 3. Metod 10 3.1 Val av datainsamlingsmetod 10 3.2 Enkät 11 3.3 Litteratursökning 12 3.4 Analysmetod 13 3.5 Etikreflektion 14
4. Analys och Resultat 15
4.1 Resultat 15
4.1.1 Resultat Användare 16
4.1.2 Resultat icke-användare 20
4.2 Analys 22
4.2.1 Användare & Icke-Användare 23
5. Diskussion 30
5.1 Resultatdiskussion 30
5.2 Metoddiskussion 31
6. Slutsats och bidrag 32
7. Källförteckning 33
Centrala begrepp
Användare - En individ som använder eller har använt Apple Pay eller Samsung Pay. Icke-användare - En individ som aldrig har använt Apple Pay eller Samsung Pay.
Mobila betallösningar – Med mobila betallösningar avses de betallösningar som möjliggör
betalningar via NFC med hjälp av en mobil enhet.
Beteendemässig avsikt - En samlad bedömningen av yttre faktorers påverkan på en individs
avsikt att utföra en handling.
Nyckeldeterminant - Faktor som har en inverkan på en individs beteendemässiga avsikt. Moderator - Demografiska faktorer som har en inverkan på nyckeldeterminanter.
Teknikacceptans - Till vilken grad teknologi accepteras.
Acceptansfaktor - Faktorer som påverkar acceptansen av exempelvis olika teknologier,
exempelvis nyckeldeterminanter.
UTAUT – Modell som undersöker teknologiacceptans med hjälp utav nyckeldeterminanter
1. Introduktion
1.1 Bakgrund till ämnesområdet
Mobila betallösningar, även kallat Mobile Payment Systems, har blivit ett självklart inslag i den svenska ekonomin. Sverige har på kort tid fasat ut stora delar av sin kontanthantering och gått mot andra typer av betallösningar. Idag sker endast var sjätte transaktion i handeln med hjälp av kontanter och Sverige spås att bli kontantfritt någon gång i mitten av 20-talet (Riksbanken, 2020). Femtiosex procent av svenskarna har en positiv inställning till det framväxande kontantlösa samhället (Insight Intelligence, 2020). En stor del av detta kan förklaras av att en rad nya betallösningar vuxit fram. Om man bortser från betalning via kredit- eller betalkort finns bland annat tjänster som Swish, Apple Pay och Samsung Pay tillgängliga för konsumenter och användare. Swish har 7,6 miljoner användare, en siffra som inte minskar. Tillväxten i handeln gällande användandet av Swish ökade med femtiotre procent från 2018 till 2019. (Swish, 2020).
Apple Pay och Samsung Pay, som är något senare på marknaden, finns idag tillgängligt bland flera storbanker och kortutgivare i Sverige. Insight Intelligence skriver i sin rapport Sverige Betalar 2019 att tre procent av de tillfrågade använder sig av Apple Pay, motsvarande fyra procent för Samsung Pay (Insight Intelligence, 2019). År 2020 ökade användandet av Apple Pay med fem procentenheter, från tre till åtta procent. Användandet av Samsung Pay minskade med en procentenhet, från fyra till tre procent (Insight Intelligence, 2020).
Forskare har på olika sätt undersökt hur det kommer sig att olika teknologier uppnår varierad acceptans, inte minst inom fenomenet mobila betallösningar. Ett vanligt förekommande sätt att undersöka detta är genom att använda olika modeller för att mäta teknikacceptans, såsom UTAUT, TAM och UTAUT2 e.g. Morosan och DeFranco (2016), Slade, Dwivedi, Piercy och Williams (2015) och Gupta och Arora (2019). I modellerna är vanligt förekommande faktorer exempelvis social influens, attityder, omgivning och tillgänglighet. Under senare år har studier visat att även upplevd säkerhet kan ha en inverkan på teknikacceptans e.g. Sajid och Haddara (2016), Rehncrona (2018), Pal, Herath, De´ och Rao (2020) och Khalilzadeh, Ozturk och Bilgihan (2017).
1.2 Apple Pay & Samsung Pay
Den kontaktlösa teknik som Apple Pay och Samsung Pay använder är Near field communication (NFC). Det bygger på ett säkert informationsutbytesprotokoll mellan den mobila enheten (exempelvis en smartphone) och betalsystemet (exempelvis en kortterminal). (Day, 2014)
Apple Pay kom till den svenska marknaden i oktober 2017. Apple Pay låter produktägare av några av Apples produkter nyttja tjänsten genom den integrerade applikationen Apple Wallet. I Apple Wallet kan användaren samla sina betalkort och genom applikationen använda sin
enhet för att kontaktlöst betala med hjälp av NFC och de betalkort som användaren registrerat i sin Apple Wallet. (Apple, 2020)
Den svenska marknaden nåddes av Samsung Pay i Mars 2017. Genom Samsung Pay kan användare av Samsungs olika produkter använda sig av deras mobila betallösning på samma vis som med Apple Pay. Användaren lägger till önskade betalkort i applikationen och kan sedan använda det till betalning i fysiska butiker kontaktlöst mot kortbetalare. (Samsung, 2020)
1.3 Syfte och forskningsfråga
Syftet med denna studie är att undersöka hur olika acceptansfaktorer, mer specifikt nyckeldeterminanter, påverkar användandet eller icke-användandet av Samsung Pay och Apple Pay i Sverige. Det kunskapsgap som denna studie ämnar att fylla grundar sig i att liknande studier med fokus på acceptans i Sverige med hjälp av UTAUT-modellen inte tidigare utförts. Denna studie kommer att presentera ett jämförande resultat om hur acceptans påverkar användandet eller icke-användandet av Samsung Pay och Apple Pay. Studien ämnar även att jämföra acceptansfaktorer för att se vilka faktorer som väger tyngst när det kommer till användande och icke-användande.
1.3.1 Forskningsfråga
Med utgångspunkt i syftet och ämnesområdet har följande forskningsfråga identifierats:
Hur påverkar olika acceptansfaktorer användandet eller icke-användandet av Samsung Pay och Apple Pay?
1.4 Avgränsning
Denna studie har avgränsats till användare och icke-användares acceptans av Apple Pay och Samsung Pay i Sverige. Det finns andra mobila betallösningar som använder sig av samma teknik men Samsung Pay och Apple Pay är två av de största sett till användarantal på marknaden som använder sig av NFC. (Insight Intelligence, 2020).
2. Teori & Tidigare Forskning
Bland forskning om mobila betallösningar är olika modeller av teknologiacceptans en tydlig gemensam faktor för att undersöka användande. Bland dessa modeller är Technology acceptance model (TAM), Unified Theory of Acceptance and Use of Technology (UTAUT) och Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) de vanligast förekommande (Rehncrona, 2018). Modellerna går ut på att använda olika variabler för att mäta acceptans av system hos användare.
Det finns många faktorer som kan leda till att personer väljer att använda eller inte använda mobila betallösningar. För denna studie avgränsas det till de acceptansfaktorer som beskrivs i avsnitt 2.1 och illustreras i figur 1 tillsammans med utökningen Perceived Security. UTAUT-modellen valdes då den återfinns i forskning kring användaracceptans inom ämnet mobila betallösningar e.g. Morosan och DeFranco (2016) och Slade et al. (2015). Fördelen med UTAUT-modellen är att den till skillnad från TAM tar hänsyn till användarens personliga karaktärsdrag (Slade et al., 2015). Rehncrona (2018) drar liknande slutsatser och menar att bristen på sociala influenser i TAM hämmar undersökandet av komplexiteten av betallösningar. Det som skiljer UTAUT och UTAUT2 är tillägg av nyckeldeterminanter med individuella karaktärsdrag såsom Hedonic motivation vilket är påverkan av en individs nöje- och smärtreceptorer på deras villighet att röra sig mot ett mål eller bort från ett hot och Habit vilket syftar till en individs vana. UTAUT2 är alltså en förlängning eller vidareutveckling av UTAUT. Oliveira et al. (2016) pekar på att tilläggen i UTAUT2 inte är framstående för att förklara acceptansen för användare av mobila betallösningar.
2.1 UTAUT
Venkatesh, Morris, Davis och Davis utförde år 2003 en studie där de undersökte de åtta mest förekommande teoretiska ramverk och modeller som användes för att förstå individers beteende och användande av teknologi. De mer framträdande aspekterna av de åtta modellerna blev sammanfogade till en enhetlig modell för att förstå teknikacceptans i sin helhet. Modellen namngavs till Unified Theory of Acceptance and Use of Technology (UTAUT). I Figur 1 återfinns en illustration av modellen där sambanden är markerade mellan moderatorerna, nyckeldeterminanterna och dess effekt på Behavioural Intention samt Use Behaviour.
UTAUT utgörs av fyra nyckeldeterminanter och fyra moderatorer för att förklara teknikacceptans, se figur 1. Den första nyckeldeterminanten är Performance Expectancy, vilket kan förklaras som den grad en individ tror på att ett användande av systemet kommer att hjälpa användaren, eller är effektivt. Performance Expectancy mäter saker som förbättring genom användandet av systemet och huruvida produktiviteten för individen stärks. Den andra nyckeldeterminanten är Effort Expectancy, den associeras med hur enkelt systemet är att använda och mäter saker som hur stressfri interaktionen med systemet är och av vilken vikt användandet av systemet har. Den tredje nyckeldeterminanten är Social Influence, det har att göra med till vilken grad en individ känner att andra tycker att denne skall använda systemet. Det mäter saker som hur användbart systemet är för andra i en individs omgivning, hur andra använder systemet och hur det uppmuntras till att använda. Den fjärde och sista nyckeldeterminanten är Facilitating Conditions. Det förklaras i hur tillgängligt systemet är i relation till omgivningen för användandet. Det mäter saker som tillgängligheten av system och kunskap om hur systemet kan användas (Venkatesh et al., 2003).
Utöver de fyra nyckeldetarminanterna utgörs UTAUT också av fyra moderatorer, dessa påverkar och påverkas i sin tur av nyckeldeterminanterna. Den första moderatorn är Gender, och undersöker utifrån könstillhörighet. Den är påverkad av, och påverkar Performance
Expectancy, Effort Expectancy och Social Influence. Den andra moderatorn benämns som Age
och undersöker utifrån ålder i olika spann, exempelvis 18-30 och 31-45. Även den påverkar och påverkas av Performance Expectancy, Effort Expectancy samt Facilitating Conditions. Den tredje moderatorn kallas för Experience, den undersöker erfarenhet, exempelvis hur länge en individ arbetat med en viss uppgift eller använt sig av ett system. Experience påverkar och påverkas av Effort Expectancy, Social Influence och Facilitating Conditions. Den fjärde, och sista, moderatorn heter Voluntariness of Use och undersöker hur frivillig individen är att använda systemet. Den påverkar och påverkas av Social Influence. (Venkatesh et al., 2003) En ytterligare synergi finns i UTAUT-modellen. Detta är hur nyckeldeterminanterna och moderatorerna påverkar Behavioural Intention och Use Behaviour. Behavioural Intention antar att det finns tillgång till systemet och mäter intentionen för individen att använda systemet i fråga. Use Behaviour förklaras i att individen faktiskt använder systemet och hur denne använder sig av systemet. Performance Expectancy, Effort Expectancy och Social Influence påverkar direkt Behavioural Intention vilket påverkar Use behaviour. Facilitating Conditions påverkar i sin tur direkt Use behaviour. (Venkatesh et al., 2003)
2.2 Kritik mot UTAUT-modellen
Precis som de flesta modeller har UTAUT fått kritik. Den främsta kritiken rör att modellen är beroende av ett flertal nyckeldeterminanter för att kunna uppnå en hög förklaringsgrad samt att modellen resulterar i ett stort antal variabler ((Bagozzi, 2007), (Li, 2020), (Van an Raaij & Schepers, 2008)). Bagozzi (2007), Li (2020) och Van an Raaij och Schepers (2008) menar att det artificiella införandet av fyra moderatorer är grunden till förklaringsgraden. Förklaringsgraden är ett statistiskt mått som pekar på hur ofta, eller hur mycket, en faktor förklarar ett resultat (Venkatesh et al., 2003).
Bagozzi (2007) beskriver ett problem som inte är specifikt till UTAUT utan rör vid flera av de mest framträdande teknikacceptans-modellerna. Problemet är att en individs avsikter direkt länkas till faktiskt användande och att detta är ett alltför okritiskt antagande som ligger till grund för exempelvis UTAUT. Bagozzi (2007) skriver även att det finns en brist på perspektiv av sociala förhållanden bland teknikacceptans-modeller som t.ex. UTAUT.
Trots kritiken mot UTAUT finns det flera fördelar med att utgå från den. Inom teknik sker stora framsteg på kort tid vilket medför att forskningen behöver utvecklas med tekniken. UTAUT utvecklades år 2003 med flera av vid tillfället främst förekommande teknikacceptans-modellerna som grund men med anpassningar för t.ex. teknikens framsteg (Venkatesh et al., 2003). Även om det finns grundad kritik mot UTAUT är modellen fortfarande välbeprövad och används ofta framgångsrikt inom forskning om mobila betallösningar. Detta innebär att resultaten från denna studie kan jämföras med tidigare studier inom mobila betallösningar samt bidra till framtida forskning.
2.3 Anpassad modell
För denna studie har UTAUT-modellen anpassats för att passa syftet och frågeställningen i den här studien. Anpassningen har skett med utgångspunkt i tidigare forskning inom området. Anpassningen som har utförts för studien är ett tillägg av nyckeldeterminanten Perceived
Security och att moderatorn Voluntariness of Use (frivillighet vid användning) har tagits bort.
För att förtydliga den anpassade modell som har tagits fram finns den illustrerad i figur 2. Det finns även en sammanställning av alla nyckelfaktorer och moderatorer samt dess definition i tabell 1, för att skapa en tydlig bild av den utvecklade modellen och komponenterna som modellen innehåller.
Att utföra modifikationer till UTAUT-modellen är något som många tidigare studier framgångsrikt har visat. Dessa modifikationer av UTAUT modellen kan ske på flera olika sätt, antingen genom att addera till fler nyckeldeterminanter, ta bort existerande nyckeldeterminanter, addera fler moderatorer eller ta bort moderatorer för att anpassa modellen till sin studies syfte. (Venkatesh, Thong & Xu, 2016)
I tidigare forskning inom ämnet acceptans av mobila betallösningar är Perceived Security eller upplevd risk ett vanligt förekommande ämne e. g. Arvidsson (2014), Morosan och DeFranco (2016), Schierz, Schilke och Wirtz (2010). Flera av dessa studier visar att Perceived Security eller låg upplevd risk spelar en central roll i att få acceptans hos användarna av en mobilbetallösning. Det här är den främsta anledningen till att den anpassade UTAUT-modellen innehåller Perceived Security med tillhörande moderatorer. Detta möjliggör undersökning av vilken roll Perceived Security spelar kring acceptans av Samsung Pay och Apple Pay i Sverige. Moderatorerna Age, Gender och Experience valdes för att undersöka hur dessa moderatorer påverkar den upplevda säkerheten av mobila betallösningar. Genom att koppla dessa moderatorer till Perceived Security kan skillnader mellan åldersspann eller kön kring Perceived
Security jämföras. Moderatorn erfarenhet möjliggör för att undersöka hur tidigare erfarenhet
påverkar den upplevda säkerheten och ger möjlighet att undersöka om tidigare erfarenhet spelar någon roll i sammanhanget.
Tidigare forskning e.g. Arvidsson (2014), Morosan och DeFranco (2016), Schierz et al. (2010) visar som beskrivet att Perceived Security spelar en central roll för användaracceptans av mobila betallösningar men den modell som här är beskriven har aldrig tidigare prövats i just detta scenario vilket leder till att det inte är helt säkert att Age, Gender och Experience har någon påverkan på Perceived Security i det här scenariot. Om det skulle visa sig vara fallet skulle det vara en intressant upptäckt som framtida studier vidare kan undersöka.
Moderatorn Voluntariness of Use (frivillighet vid användning) undersöker i hur stor grad en användare känner sig frivillig till att använda ett system och är kopplat till hur sociala influenser påverkar användares acceptans av ett system (Venkatesh et al., 2003). Frivillighet vid användning är som moderator viktig vid undersökning av system som användaren är tvingad att använda i exempelvis arbetssituationer och vid undersökning av acceptans inom organisationer (Venkatesh et al., 2016). Då det inte finns något krav på varken användaren eller icke-användaren av Samsung Pay och Apple Pay att använda dessa lösningar ansågs det för den här studien inte aktuellt att undersöka denna moderator.
Tabell 1, Definition av nyckelfaktorer och moderatorer i den anpassade UTAUT-modellen.
Nyckeldeterminanter och moderatorer Definition
Performance Expectancy Till vilken grad en individ tror att användandet av systemet kommer att hjälpa denne. Mäter: Förbättring och produktivitet genom användande.
Effort Expectancy Till vilken grad en individ upplever att systemet är enkelt att använda. Mäter: Hur stressfri interaktionen med systemet är och av vilken vikt användandet av systemet har.
Social Influence Till vilken grad en individ känner att andra tycker att hen skall använda systemet. Mäter: hur användbart systemet är för andra i en individs omgivning, hur andra använder systemet och hur det uppmuntras till användning.
Facilitating Conditions Till vilken grad systemet är tillgängligt i relation till omgivningen för användandet. Mäter: Tillgänglighet av systemet och kunskap om hur systemet ska användas.
Perceived security Till vilken grad en användare upplever att systemet är säkert att använda. Mäter: användarens upplevda risk med att använda systemet.
Gender Undersöker hur kön eller könstillhörighet påverkar acceptans.
Age Undersöker hur ålder i olika spann påverkar acceptans.
Experience Undersöker hur erfarenhet av ett system påverkar acceptansen.
Behavioral Intention Mäter intentionen för individen att använda ett system.
Use Behaviour Hur användaren använder systemet.
2.4 Tidigare forskning
Mobila betallösningars frammarsch på den ekonomiska marknaden världen över går inte att blunda för. Enligt Rehncrona (2018) har mobila betallösningar inte levt upp till det förväntade genomslaget i utvecklade länder. I många länder är det fortfarande kontanter som är det dominerande betalsättet. En förklaring är att det finns en barriär i att övertyga användare till att
använda mobila betallösningar (Verkijika 2020). Som följd av detta har många forskare engagerat sig i att försöka förklara och förstå vilka determinanter som är avgörande för att mäta acceptans för mobila betallösningar e.g. Rehncrona (2018), Venkatesh et al. (2003) och Verkijika (2020). Faktorer som pekas på varierar mellan forskare och de modeller de väljer för sin analys av fenomenet. I arbetet att förstå acceptans och användande har en rad olika modeller och metoder presenterats. De mest förekommande modellerna är UTAUT, UTAUT2 och TAM. Det som är gemensamt för dessa modeller är att de alla försöker undersöka teknikacceptans genom att undersöka olika determinanter kring användandet.
Vad gäller UTAUT eller extended unified theory of acceptance and use of technology (UTAUT2) är det många studier som har det som grundmetodik för att undersöka vilka faktorer som påverkar acceptansen av mobila betallösningar. Oliveira et al. (2015) använder UTAUT2 med tillägg från Diffusion Of Innovation (DOI). DOI är en samhällsvetenskaplig modell som ämnar att förklara hur, varför och i vilken takt teknologi sprids (Boston University School of Public Health, 2020). De använder UTAUT2 med tillägget som utgångsmetod för att undersöka vilka nyckeldeterminanter som har störst påverkan på användningen och vilken avsikt en användare har att rekommendera en mobil betallösning. I studien framkommer ett resultat där den använda metoden med ett tillägg av Perceived Security ökar förklaringsgraden för den avsikten att använda ett system från 60,5 procent till 71,8 procent. Resultatet visar även att den valda modellen förklarar 61 procent av variansen i rekommendationen av en mobil betallösning (Oliveira et al., 2015).
Gupta och Arora undersöker i sin studie UTAUT2 och hur dess nyckeldeterminanter påverkar användares beteendemässiga avsikt att acceptera och använda mobila betallösningar (Gupta & Arora, 2019). Gupta och Arora nämner att denna studie sticker ut då den utfördes efter att den indiska regeringen drev igenom en valutareform av kontanter (Gupta & Arora, 2019). Innan valutareformen bestod 98 procent av konsumenttransaktionerna i Indien av kontanttransaktioner (Gupta & Arora, 2019). I studien använder Gupta och Arora en enkätundersökning som underlag att undersökas med UTAUT2. I resultatet redovisar Gupta och Arora (2019) att de främsta nyckeldeterminanterna som styr användares beteendemässiga avsikt att acceptera mobila betallösningar är Performance Expectancy, Effort Expectancy,
Habit samt Facilitating Conditions vilket med en signifikans förutspår en användares faktiska
användning. Studien fann även att Social Influence och Hedonic Motivation var svaga acceptansfaktorer för beteendemässig avsikt att använda en mobil betallösning (Gupta & Arora, 2019).
Detta tas också upp i en studie av Morosan och DeFranco (2016) där de använder UTAUT2 för att utvärdera konsumenters avsikt att använda NFC-baserade betalningsmetoder vid hotellvistelser samt vilka nyckeldeterminanter som bäst förutspår användares beteendemässiga avsikter att använda mobila betallösningar (Morosan & DeFranco, 2016). Studien som är utförd i USA analyserar resultaten från en enkätundersökning med 794 respondenter. I resultatet konstaterar Morosan och DeFranco (2016) att Performance Expectancy var den främsta förklaringen för beteendemässiga avsikter att använda mobila betallösningar i en hotellkontext. Morosan och DeFrancos (2016) studie visar likt Gupta och Arora (2019) att Social Influence
och Hedonic Motivation har relativt låga effekter på beteendemässiga avsikter att använda mobila betallösningar.
Khalilzadeh et al. (2017) undersöker i sin studie mobila betallösningar i en restaurangkontext. I studien används en anpassad UTAUT-modell där säkerhet, förtroende och attityd är tillagt. Resultatet visar att Facilitating Conditions inte har någon påverkan för beteendemässiga avsikter att använda mobila betallösningar i en restaurangkontext. Studien visar även att de främsta faktorerna som påverkar beteendemässiga avsikter är Attitude, Security och Risk. (Khalilzadeh et al., 2017)
Verkijika (2020) beskriver flera studier där den vidareutvecklade versionen UTAUT2 används. UTAUT2 har utöver UTAUT-modellen tillägg som omfattar Hedonic Motivation, Price Value och Habit. Oliveira et al. (2015) använder UTAUT2 med ett ytterligare tillägg som omfattar
Perceived Technology Security. Studien fann att modellen förklarade 71,8 procent avvikelse i beteendemässiga avsikter att använda ett system och 61,3 procent avvikelse i avsikten att rekommendera tekniken. Verkijika (2020) redovisar sedan en tabell som rangordnar 39 faktorer från ett flertal studier som undersöker adoptionen av mobila betalningssystem. I denna tabell återfinns Risk, Ease of Use, Usefulness och Social Influence bland toppen av faktorer som används för att mäta acceptansen och användande av mobila betalningssystem.
Vad gäller Perceived Security eller Security som acceptansfaktor är detta ett område som är relativt outforskat (Yang, Liu, Li & Yu 2015). Perceived Security har dock använts för att undersöka hur det spelar in i användandet av en mobil betallösning e.g. Khalilzadeh et al. (2017), Isaac och Zeadally (2014), Zhang och Luximon, (2020) och Schierz et al. (2010)
Perceived Security sammanfattas av Yang et al. (2015) som den potentiella känslan av
osäkerhet när en användare använder sig av teknologi. Zhang och Luximon (2020) beskriver
Perceived Security som den grad en användare är villig att utföra transaktioner med känslig
information över mobila plattformar. Tse, Wen, Wu, Yin och Zhai (2019) vänder på Perceived
Security och undersöker det utifrån Perceived Risk istället. De menar att Perceived Risk eller Security definieras som den osäkerhet en användare har inför eventuella risker och
icke-önskvärda konsekvenser vid användandet av en mobil betallösning. Sådana konsekvenser kan vara monetär förlust och att information om användaren läcker ut. I Tse et al. (2019) undersökning konkluderar de att Risk eller Perceived Security är en av de faktorer som är av största vikt vad gäller beslutet i att använda mobil betallösning eller inte.
3. Metod
3.1 Val av datainsamlingsmetod
För att besvara den aktuella frågeställningen utfördes en enkätundersökning som kvantitativ datainsamlingsmetod. Tanken bakom enkätundersökningen var att samla in en viss typ av data från en stor grupp av människor för att på det sättet kunna upptäcka mönster och generaliseringar. Utifrån dessa mönster kunde därefter slutsatser kopplas till frågeställningen. (Oates, 2006)
Enkätundersökningen som utfördes grundar sig i den anpassade UTAUT-modellen. Det är centralt vid framtagningen av en enkätundersökning att tydligt definiera vilket databehov som finns, alltså vilken data enkäten ska generera (Oates, 2006). Utifrån den anpassade UTAUT-modellen identifierades Gender, Age och Experience kring mobila betallösningar som viktiga moderatorer samt respondentens Perceived Security av dessa betallösningar som en viktig nyckeldeterminant. Med den identifierade datan kunde en analys utföras med hjälp av den anpassade UTAUT-modellen.
Det finns flera nackdelar med att göra en kvantitativ enkätundersökning jämfört med andra datainsamlingsmetoder. En tydlig nackdel med enkätundersökningar är att de saknar ett djup och fokuserar istället på bredden som Oates (2006) beskriver det. Detta leder till att ämnen eller beteenden som inte kan reduceras ner till siffror lätt blir förbisedda. Det här är inte något som påverkar denna studie särskilt mycket då data från en stor grupp av användare och icke-användare var av intresse för att kunna svara på frågeställningen. Frågeställningen kräver inte heller några djupa svar av användare och icke-användare utan mönster utifrån en bred grupp av människor var av större vikt.
Ett mål med enkätundersökningen var att få ett urval av respondenter som kunde ge en bred bild av den här kontexten som innefattar både icke-användare och användare av Samsung- och Apple Pay. Urvalet av respondenter består till stor del av personer på Örebro universitet och personer i vår omgivning.
Valen av distributionskanaler baseras på att dessa kanaler ska vara så effektiva som möjligt både när det kommer till tidsaspekten och svarsfrekvens. Studien har utgått från vad Oates (2006) benämner som Self-selection och convenience sampling. Self-selection sampling innebär att vi som författare uttrycker intresse för ett ämne, i detta fall acceptans av Samsung och Apple Pay, för att sedan skicka ut en enkät och samla in data från alla som svarar på enkäten. Convenience sampling innebär att vi som undersöker ämnet väljer respondenter som är enkla för oss att kontakta och nå ut till. Fördelen med convenience sampling blir att det tar mindre tid att nå dessa personer och dessa personer kommer vara mer villiga att bidra till studien. Däremot ska inte personer väljas ut enbart efter meriten att de är enkla att nå, det bör finnas andra anledningar också (Oates, 2006). I denna studie motiveras detta genom att universitetsstudenter har olika bakgrunder och erfarenheter, vilket ger en bred bild. Vidare
ingår det även alumner och andra personer som inte nödvändigtvis är studenter vid universitetet i facebookgruppen.
Facebook-gruppen “Dom kallar oss studenter” är del av den Self-selection sampling som studien utför. Facebook-gruppen är främst till för studenter på Örebro Universitet. Det är mycket vanligt att studenter delar enkäter och undersökningar i “Dom kallar oss studenter” vilket medför att personerna i gruppen har en vana att besvara enkäter kopplade till uppsatser på den här nivån. För att nå en ännu bredare målgrupp delades enkäten på våra respektive LinkedIn-profiler. Genom att dela enkäten på LinkedIn nås inte bara studenter utan även personer som är ute i arbetslivet till en större grad och kanske därmed också ett bredare åldersspann.
Convenience sampling användes genom att dela enkäten via privata meddelanden på Facebook till vänner och bekanta som inte studerar i Örebro för att få in fler svar samt för att få in svar från personer som inte är kopplade till Örebro Universitet. Förutom att nå personer utanför Örebro Universitet är målet med convenience sampling att få in respondenter i andra åldersspann och med andra erfarenheter. Målet var att få in svar från bredast möjliga åldersspann för att utifrån den anpassade modellen kunna identifiera likheter och skillnader mellan dessa åldersspann. Enkäten genererade 91 svar. För att få in ännu fler svar övervägdes ytterligare ett utskick men på grund av den korta tidsram som fanns för studien ansågs 91 svar som tillräckligt för att utföra studien. Detta kan ytterligare motiveras med vad Oates (2006) säger om småskaliga forskningsprojekt, där ett minimum på 30 respondenter anses vara acceptabelt.
3.2 Enkät
Hela enkäten som användes finns att hitta under bilagor som “Bilaga 1 enkät”.
Den utvecklade UTAUT-modellen låg till grund för vilket databehov studien hade och detta databehov låg sedan till grund för hur enkäten utformades. Enkäten började med frågor (Q1-4, se bilaga 1) som alla respondenter kan svara på oavsett om de är aktuella att svara på senare frågor. Den här delen av enkäten innehöll demografiska frågor, frågor om teknikvanor och om respondenten hade en smartphone. Den här delen var central för undersökningen eftersom stora delar av den data som behövdes för moderatorerna i den utvecklade UTAUT-modellen besvarades här.
Om respondenten inte har en smartphone avslutas enkäten eftersom fokus låg på personer som använder eller har möjlighet att använda dessa mobila betallösningar. Respondenter som svarade att de hade en smartphone skickades sedan till frågan (Q6, se bilaga 1) om vilket märke deras smartphone har. Det här var av vikt för studien då Samsung Pay och Apple Pay är beroende av att användare har respektive märkes smartphone. Detta möjliggjorde uteslutning av att fråga personer som har en Samsung smartphone om Apple Pay och vice versa.
Respondenter som svarade att de har ett annat märke på sin smartphone fick sedan frågan om de har använt Samsung Pay eller Apple Pay. Detta togs med då respondenter som har ett annat märke idag kan ha haft en Samsung eller Apple smartphone tidigare och då använt dessa betallösningar. Respondenter som uppgav att de hade en Samsung eller Apple smartphone skickades sedan till en fråga om de hade använt Samsung Pay respektive Apple Pay. Angav respondenten att den hade använt betallösningen gick respondenten vidare till frågor för det som i studien klassas som “Användare” och angav respondenten att den inte hade använt sig av betallösningen gick respondenten vidare till frågor för det som i studien kallas “Icke-användare”. Icke-användare i det här fallet var personer som har en Samsung eller Apple smartphone men som inte hade använt respektive betallösning.
Användare presenterades sedan med frågor som grundar sig i studiens databehov och den utvecklade UTAUT-modellens moderatorer och nyckeldeterminanter. Detta avsnitt bestod av blandade frågor som rörde vid hur respondenten såg på riskerna med mobila betallösningar, om det fanns sociala influenser som påverkade deras användande, hur effektivt respondenten upplevde att betallösningen fungerar samt vilka för- och nackdelar respondenten såg med dessa betallösningar som alla är direkt kopplade till den anpassade UTAUT-modellen.
För icke-användare förblev databehovet oförändrat gentemot användare. Skillnaden blev att frågorna ställdes på ett anpassat sätt till dessa personer som inte använt sig av respektive betallösningar. Från icke-användare var det av intresse att få information om de någon gång funderat på att använda någon av respektive betallösning och därefter ta reda på varför de valt att inte använda dessa. För att få svar på vilka anledningar som ligger bakom deras val att inte använda dessa betallösningar fick respondenten svara på frågor om tillgänglighet, sociala influenser, upplevda risker samt om de upplevde att dessa betallösningar skulle förenkla dennes betalningar.
Frågornas uppbyggnad var en blandning av “Likerttyp”, öppna frågor, flervalsfrågor samt “ja/nej/vet inte” frågor. “Likerttyp” är frågor där respondenten fick ta ställning till ett påstående eller en fråga på en skala. I studien användes det för frågor om säkerhet och effektivitet. Öppna frågor användes för att låta respondenterna uttrycka djupare svar. Därför gavs en möjlighet till respondenterna att själva ange ett svar utan att utomstående faktorer påverkar svaret på något sätt genom att ge förslag på svar. Exempel på öppna frågor var frågor om för- och nackdelar med betallösningarna där det upplevdes att det kan skilja sig mycket mellan respondenterna. Svarsalternativen som presenterades för respondenterna i flervalsfrågorna grundades till stor del i exempelvis risker som tidigare forskning har identifierat. Ett exempel på det är risken med att en användares kortinformation ska hamna i fel händer antingen genom transaktioner eller genom att det sparas i telefonen vilket är något som Morosan och DeFranco (2016) har identifierat som en risk i sin studie.
3.3 Litteratursökning
I den här studien har databaserna Web of Science, Scopus och Primo använts för att söka efter vetenskapligt granskade artiklar. Det var viktigt för studiens trovärdighet att säkerställa att alla
vetenskapliga artiklar som användes var granskade. Web of Science, Scopus och Primo valdes för denna studie utifrån att de möjliggör det att sortera ut icke vetenskapligt granskade artiklar samt att dessa databaser möjliggör sökning inom specifika ämnesområden och tvärvetenskaplig litteratur. Örebro Universitet beskriver Primo som en bra databas att börja söka i och om syftet är att hitta tvärvetenskaplig litteratur (Örebro Universitet, 2017). Web of Science består av flera flera databaser som innehåller information som har samlats in från flera tusen rapporter, journaler, böcker och annat (Örebro Universitet, 2020). Scopus är en databas med över 24 000 titlar inom flera ämnen som är noggrant granskade av en oberoende styrelse för att säkerställa en hög kvalité (Scopus, 2020).
De sökfraser som var studiens första utgångspunkt var mobile payment, samsung pay, apple
pay och UTAUT. Efter genomgång av de vetenskapliga artiklar som dessa sökfraser gav
upphov till utvecklades sökningen till mer specifika ämnen som berörde acceptans och säkerhet.
Sökfraser som använts i dessa databaser: Mobile payment, mobile phone payment, phone
payments, apple pay, samsung pay, secure payment, secure mobile payments, secure phone payments, UTAUT, acceptance mobile payment, TAM, Technology Acceptance.
För att få fram generell information om ämnet både brett och specifikt användes Googles sökmotor för att hämta information från källor som inte är vetenskapligt granskade. Det handlade om att hitta rapporter från myndigheter och branschorganisationer. Även information om tjänsterna som behandlas i studien eftersöktes med hjälp av Googles sökmotor. Sökfraser som använts i Googles sökmotor: Swish, Apple Pay, Samsung Pay, NFC,
Betaltjänster I Sverige, Kontantlöst samhälle, Betalmönster svenskar, rapporter om mobila betallösningar, mobila betallösningar.
Den väsentliga skillnaden mellan de två typerna av källor är att källor som använts för generell information inte har någon vetenskaplig tyngd, dessa källor är inte vetenskapligt granskade. Däremot fanns det ett intresse för studien att återspegla den generella marknadsbilden för mobila betallösningar, med hjälp av rapporter och annan information.
3.4 Analysmetod
För att omvandla den insamlade datan från enkäten till information utfördes en kvantitativ dataanalys. Tanken bakom kvantitativ dataanalys är att hitta mönster i det insamlade dataunderlaget för att kunna dra slutsatser utifrån den (Oates, 2006).
Datan i denna studie består framförallt av det som Oates (2006) beskriver som Nominal data och Ordinal data där nominal data är data som beskriver kategorier och som inte har något numeriskt värde. Ett exempel på nominal data från studien är kön. Ordinal data även kallat ranked data är data som är allokerade till en kvantitativ skala. Den här typen av data genereras från frågor av “Likerttyp” där respondenterna väljer en siffra på en skala (Oates, 2006). Ordinal
data har en nackdel och det är att det inte går att veta hur stor skillnaden är mellan exempelvis 5 och 4 om 5 är “Väldigt säker” medan 4 “Säker”. Datan rankas bara utan att egentligen veta vad skillnaden är mellan dessa alternativ eller hur stor skillnaden är (Oates, 2006).
Enkäten utformades med hjälp Googles enkätverktyg. Svaren från enkätverktyget konverterades sedan till Googles kalkylark. Google kalkylark användes således som analysverktyg. Med hjälp av Google kalkylark sammanställdes tabeller och diagram för att presentera, analysera samt organisera den data som enkäten genererade. Dessa diagram och tabeller har sedan tolkats för att kunna identifiera mönster för att besvara frågeställningen. Googles enkätverktyg användes för att vi har tidigare erfarenhet av verktyg. Dessutom är det kostnadsfritt, vilket var en förutsättning då studien inte har någon budget. En ytterligare fördel är att kopplingen till Googles kalkylarksverktyg är tätt integrerad till enkätverktyget.
I enlighet med vad Oates (2006) beskriver utfördes statistisk analys för att få fram medelvärde, median och typvärde på nominaldata. Medelvärde är det genomsnittliga värde som tas fram genom att dela den totala summan med antalet värden. Median är värdet som är i mitten av alla de tal som finns om de radas upp på en linje. Typvärde är det värde som förekommer oftast och det presenteras både som ett tal samt hur stor procenten av svaren som består av typvärdet. Denna data har gjort det möjligt att utföra generaliseringar, hitta mönster samt att identifiera avvikelser från respondenter. (Oates, 2006)
3.5 Etikreflektion
För att möjliggöra studiens kvantitativa undersökning krävdes det insamling av data. Denna data har samlats in enligt dataskyddsförordningen GDPR som Integritetsmyndigheten (2021) återger. All data som samlats in är anonym och ingen personkänslig information har sparats. Respondenter av enkäten har alla frivilligt ställt upp.
Enligt Oates (2006) är det viktigt att titta på flera aspekter när det kommer till det etiska i uppsatsskrivande. Studien har utformats på ett så rättvist och ärligt sätt som möjligt där transparens har försökts givits i alla avseenden. Detta för att både läsare och respondenter ska kunna få en insyn i hur studien utförts. Exempelvis så har enkäten utformats i enlighet med vad Oates (2006) beskriver som rätten att ge samtycke. Syfte, vilka som utför studien, vad studien går ut på och hur datan kommer att användas har klargjorts för respondenterna av enkäten. Respondenterna kunde också välja att inte svara på de frågor som de inte ville i enkäten, vilket går i linje med en del i vad Oates (2006) beskriver som rätten att dra sig ur.
4. Analys och Resultat
I detta avsnitt presenteras först under 4.1 en övergripande bild och sammanfattning av resultatet från studiens enkätundersökning samt resultatet för moderatorer.
Därefter presenteras resultatet för nyckeldeterminanterna mer detaljerat i 4.1.1 för användare samt i 4.1.2 för icke-användare. Därefter kopplas moderatorer och nyckeldeterminanter samman i analysavsnittet 4.2. I resultatet och analysen har alla resultat blivit avrundade till två decimaler för att förenkla läsning.
4.1 Resultat
Övergripande Resultat
Enkäten resulterade i 91 svar, alla svarade att de har en smartphone. Samsung Pay stod för totalt 16 svar i enkäten, där 10 respondenter (62,5 procent) ser sig själv som användare och 6 respondenter (37,5 procent) som icke-användare. Apple Pay stod för 68 av de totala svaren i enkäten, där 24 respondenter (35,29 procent) ser sig själv som användare och 44 respondenter (64,71 procent) som icke-användare.
Resultatet visar att användarna uppfattar Performance Expectancy, Effort Expectancy,
Perceived Security och Facilitating Conditions som viktiga acceptansfaktorer medan Social Influence hade ett lägre resultat. För användare har moderatorer ett lågt samband till
nyckeldeterminanterna. Icke-användare uppfattar nyckeldeterminanterna på ett liknande sätt, med undantag för Perceived Security och Facilitating Conditions där variationen var högre än i andra nyckeldeterminanter. För icke-användare finns det ett större samband mellan moderatorer och nyckeldeterminanter.
Moderatorer
För moderatorn Age visar resultatet att 72,5 procent av respondenterna är i åldersgruppen
18-25, 17,6 procent är mellan 26-35 år gamla, 1,1 procent är i åldersgruppen 36-45 och 8,8 procent är 46 eller äldre.
För Gender visar resultatet ett jämnt värde. 47,3 procent av de tillfrågade i studien är kvinnor
och 52,7 procent män.
För Experience frågades användare för både Apple Pay och Samsung Pay hur ofta de använder
respektive tjänst samt hur länge de använt respektive tjänst, se tabell 2 och 3.
Tabell 2, Användningsfrekvens Tabell 3, Hur länge tjänsterna har använts
4.1.1 Resultat Användare
Performance Expectancy
I frågan som klassas till Performance Expectancy, det vill säga huruvida individen tror att systemet kommer att hjälpa användaren att göra betalningar effektiva ställdes frågan “Hur
effektivt upplever du att Apple Pay eller Samsung Pay är?” Respondenterna kunde ange ett
svar mellan 1-5 där 1 var väldigt ineffektivt och 5 var väldigt effektivt.
Tabell 4, nyckeltal för Performance expectancy Användare
Betallösning Fråga Performance
Expectancy Medelvärde Median Typvärde
Apple Pay Q35 Hur effektivt upplever du att Apple Pay är?
4,5 5 5 (66 %)
Samsung
Pay Q17 Hur effektivt upplever du att Samsung Pay är?
4,5 4,4 5 (50 %)
Resultatet visar ett högt medel- och medianvärde för Apple Pay och ett något lägre medianvärde för Samsung Pay även om det fortfarande är i det högre spannet. Typvärdet för både Samsung Pay och Apple Pay är 5. Av Apple Pay användarna svarade 66 procent att de upplever Apple Pay som väldigt effektivt motsvarande 50 procent för Samsung Pay användarna. Detta visar att Performance Expectancy upplevs väldigt hög hos Apple Pay och Samsung Pay användare. Bland Apple Pay användare fanns det en avvikelse där 12,5 procent, det vill säga 3 respondenter, angav 3 på den 1 till 5 gradiga skalan för Q35. Detta var det svar som var den lägsta upplevda effektiviteten. Bland Samsung Pay användare fanns det en avvikelse där 10 procent, det vill säga 1 respondent, angav 3 på den 1 till 5 gradiga skalan för Q17. Detta var det svar som var den lägsta upplevda effektiviteten. Vidare från en flervalsfråga relaterad till användning svarade 79,2 procent att de började använda Apple Pay för att de upplevde det som effektivt. Motsvarande siffra för Samsung Pay var 30 procent.
Effort Expectancy
För Effort Expectancy, eller till vilken grad en individ upplever att systemet är enkelt att använda, ställdes en fråga av likerttyp.
Tabell 5, Nyckeltal för Effort expectancy Användare
Betallösning Fråga Effort Expectancy Medelvärde Median Typvärde
Apple Pay Q38 Upplever du att Apple Pay är lätt eller svårt att använda?
4,625 5 5 (62,5 %)
Samsung
Pay Q20 Upplever du att Samsung Pay är lätt eller svårt att använda?
4,6 5 5 (80 %)
Effort Expectancy fick ett snarlikt resultat som Performance Expectancy. Både Apple Pay och
Samsung Pay har en median och ett typvärde på 5. 62,5 procent svarade att Apple Pay var väldigt lätt att använda. Däremot finns en avvikelse där 4,2 procent av respondenterna, det vill säga en respondent, angav 3 på den 1 till 5 gradiga skalan för Q38. Detta var det svar som var den lägsta upplevda enkelhet när det kommer till användandet.
80 procent svarade att Samsung Pay var väldigt lätt att använda. Bland Samsung Pay användare fanns en avvikelse där 20 procent av respondenterna, det vill säga två respondenter, angav 3 på den 1 till 5 gradiga skalan för Q20. Även bland Samsung Pay användare var detta den lägsta upplevda enkelhet när det kommer till användandet.
Social Influence
För Social Influence, eller till vilken grad en individ känner att andra tycker att denne skall använda systemet ställdes ja/nej frågor samt frågor där det var möjligt att ange flera svar i text.
Tabell 6, Användare rekommenderar Tabell 7, Rekommendationer till användare
Bland Apple Pay användare svarade 26 procent att en av anledningarna till att de använder Apple Pay var för att de “såg någon annan använda det”. Vidare svarade 70,8 procent att de någon gång har rekommenderat Apple Pay till någon annan. Det avvikande resultatet var att
12,5 procent svarade att de inte vet om de har rekommenderat Apple Pay till någon annan och att 16,7 procent svarade att de inte har rekommenderat Apple Pay till någon annan. Slutligen svarade 37,5 procent att de någon gång har blivit rekommenderad att använda Apple Pay medan 33,3 procent svarade att de ej har blivit rekommenderade. 29,2 procent svarade att de inte vet om de har blivit rekommenderade eller ej.
För Samsung Pay fanns det vissa skillnader mot Apple Pay. 50 procent svarade att en av anledningarna till att de började använda Samsung Pay var på grund av att de “såg någon
använda det”. Även 50 procent svarade att “någon rekommenderade det” som en anledning till
att de började använda Samsung Pay. Vidare svarade 50 procent att de någon gång har rekommenderat Samsung Pay, medan 40 procent svarade att de inte har rekommenderat Samsung Pay till någon annan och 10 procent svarade “vet inte”. Slutligen svarade 60 procent att de någon gång har blivit rekommenderade att använda Samsung Pay medan 40 procent svarade att de inte har blivit rekommenderade att använda Samsung Pay.
Facilitating Conditions
Till nyckeldeterminanten Facilitating Conditions, eller till vilken grad systemet är lättillgängligt ställdes flervalsfrågor.
Tabell 8, När används mobila betallösningar? Tabell 9, Finns det ofta möjlighet att använda?
Hälften av Samsung Pay användare svarade att de började använda Samsung Pay då de ser det som lättillgängligt. Alla användarna upplever att det ofta går att använda Samsung Pay. Vidare uppgav alla användarna att de använder Samsung Pay i fysiska butiker och 40 procent använder även Samsung Pay vid restaurangbesök.
För Apple Pay upplever 75 procent av användarna att Apple Pay ofta går att använda. Avvikelsen är att 12,5 procent inte vet och 12,5 procent att de inte går att använda speciellt ofta. 66,7 procent av de tillfrågade började använda Apple Pay för att det upplever betallösningen som lättillgänglig. 87,5 procent av Apple Pay användarna nyttjar betallösningen när de handlar i fysiska butiker. 50 procent använder det också vid restaurangbesök. En skillnad från Samsung Pay var att 54,2 procent av Apple Pay användarna också använder Apple Pay vid näthandel och 8,33 procent för betalning av och i applikationer till sina Apple-enheter.
Perceived Security
För tillägget till den utökade UTAUT modellen, perceived security, eller till vilken grad en användare upplever att systemet är säkert att använda ställdes en blandning av likerttyp-, ja/nej- samt flervalsfrågor.
Tabell 10, Nyckeltal för Perceived security Användare
Betallösning Fråga Perceived Security Medelvärde Median Typvärde
Apple Pay Q30 Hur säker känner du dig när
du använder Apple Pay? 4,42 5 5 (58,33 %) Samsung Pay Q12 Hur säker känner du dig när
du använder Samsung Pay? 4,1 4 5 (40 %) Bland Apple Pay användare var medelvärdet för den upplevda säkerheten 4,42 på den femgradiga skalan. Både medianen och typvärdet var 5. I linje med den höga upplevda säkerheten har 12,5 procent av Apple Pay användare någon gång upplevt en säkerhetsrisk vid användning av Apple Pay medan 87,5 procent svarade att de ej har upplevt någon säkerhetsrisk vid användning av Apple Pay. De största eventuella riskerna vid användning av Apple Pay identifierade 37,5 procent var “Att min privata kortinformation kan hamna i fel händer”. Även “Att något ska gå fel i transaktionen (ex. tekniskt fel)” identifierades av 37,5 procent som en av de största eventuella riskerna. Slutligen svarade 20,8 procent att “Någon okänd kan komma åt
telefonen (ex. vid stöld)” var en stor upplevd risk. Avvikande var en respondent som svarade
“Oklarhet om det fungerar varje gång” som en stor upplevd risk. 37,5 procent svarade “Jag
upplever inte att det finns några risker” och 62,5 upplevde att det finns någon typ av risk. 33,3
procent angav två eller fler upplevda risker.
För Samsung Pay användare var medelvärdet för den upplevda säkerheten 4,1 på den femgradiga skalan. Medianen var 4 och typvärdet var 5. Till skillnad från Apple Pay användarna har 40 procent av Samsung Pay användarna svarat att de någon gång har upplevt en säkerhetsrisk och 60 procent svarade att de ej har upplevt en säkerhetsrisk vid användning. De största eventuella riskerna vid användning av Samsung Pay identifierade 50 procent var “Att min privata kortinformation kan hamna i fel händer”. Även “Någon okänd kan komma åt
telefonen (ex. vid stöld)” identifierades av 40 procent som en av de största eventuella riskerna.
Slutligen svarade 20 procent att “Att något ska gå fel i transaktionen (ex. tekniskt fel)” var en stor upplevd risk. 40 procent svarade “Jag upplever inte att det finns några risker” och 60 procent upplevde att det finns någon typ av risk. 40 procent angav två eller fler upplevda risker.
4.1.2 Resultat icke-användare
Performance Expectancy
Bland icke användare ställdes ja/nej frågor där icke-användare fick svara på hur de upplever att den mobila betallösningen är att använda eftersom egen erfarenhet saknas.
Tabell 11, Icke-användares upplevelse av svårighetsgrad
Hos Samsung Pay användare svarade 50 procent att de inte upplever Samsung Pay som svårt att använda, 16,7 procent svarade nej på frågan och 33,3 procent visste inte om det var svårt eller inte.
Liknande resultat angavs bland Apple Pay användare där 45,5 procent menade på att de inte upplevde det som svårt, 6,8 procent menade att det var svårt att använda och 47,7 procent visste inte om de var svårt eller inte.
Effort Expectancy
Till Effort Expectancy ställdes en ja/nej-fråga till icke-användarna, se tabell 12. 71,4 procent av icke-användare upplevde att Samsung Pay skulle förenkla deras betalningar, 14,3 procent upplevde inte att det skulle förenkla betalningarna, 14,3 procent svarade att de inte visste om Samsung Pay skulle förenkla deras betalningar.
Tabell 12, Icke-användares upplevelse av förenkling
Bland Apple Pay användare svarade 40,9 procent av icke-användarna att de tror att Apple Pay skulle förenkla deras betalningar, 20,5 procent menade att det inte skulle förenkla betalningarna och 38,6 procent visste inte huruvida Apple Pay skulle förenkla betalningar eller ej.
Social Influence
Till Social Influence, eller hur omgivningen påverkar individen till användande ställdes ja/nej frågor i enkäten.
Tabell 13, Rekommendationer för icke-användare
Resultatet visar att 42,9 procent av de som inte använder Samsung Pay någon gång blivit rekommenderade till att använda betallösningen. 42,9 procent hade inte blivit rekommenderade till användning och 14,3 procent visste inte om de blivit rekommenderade användning.
Det ställdes även en öppen fråga där respondenterna fick svara på om det finns något som uppmuntrar till användning. 50 procent angav att det finns saker som uppmuntrar till användande. Svar som gavs var att reklam och rekommendationer från andra uppmuntrar till användning. De andra 50 procenten svarade nej på frågan och menar att det inte finns något i deras omgivning som uppmuntrar till användandet.
För icke-användare av Apple Pay visar resultatet att en högre andel än för Samsung Pay har blivit rekommenderade att använda Apple Pay, 61,4 procent svarade ja på frågan. 34,1 procent svarar att de inte blivit rekommenderade Apple Pay någon gång och 4,5 procent vet inte om de blivit rekommenderade Apple Pay. För den öppna frågan om hur omgivningen påverkar användandet visar enkäten ett resultat för att 36,36 procent att det finns saker i omgivningen som uppmuntrar till användande, 18,2 procent svarade att det som uppmuntrade till användning var vänner, bekanta och/eller familjen.
Facilitating Conditions
För Facilitating Conditions bland icke-användare för Apple Pay och Samsung Pay ställdes frågor där svar anges på en femgradig skala.
Tabell 14, Nyckeltal för Facilitating conditions Icke-användare
Betallösning Fråga Facilitating Conditions Medelvärde Media
n Typvärde
Apple Pay Q48 Hur lättillgängligt upplever
du att Apple Pay är? 3,47 3 3 (45,45 %) Samsung Pay Q55 Hur lättillgängligt upplever
Resultatet visar ett medelvärde på 3,47 med en lägre median om 3 för Apple Pay. 45,45 procent angav 3 på den femgradiga skalan vilket resulterar i ett typvärde om 3. För icke-användare av Samsung Pay var medelvärdet 2,5, alltså lägre än för Apple Pay. Likaså var medianen lägre där resultatet blev 2. Hälften av de tillfrågade angav 2 på en femgradig skala vilket resulterar i ett typvärde om 2.
Perceived Security
För Perceived Security, eller till vilken grad en användare upplever att systemet är säkert att använda ställdes en flervalsfråga till icke-användare kopplade till Perceived Security.
Tabell 15, Icke-användares upplevda säkerhetsrisker
Bland icke-användare för Apple Pay visar resultatet att 83,3 procent upplever att det finns säkerhetsrisker med Apple Pay. Det avvikande resultatet är att 16,7 procent inte tycker att det finns några säkerhetsrisker. 42,8 procent identifierade mer än en risk vid användande av Apple Pay, 38 procent identifierade endast en risk.
För Samsung Pay visar enkäten ett identiskt resultat. 83,3 procent har svarat att de upplever att det finns risker, på samma vis som Apple Pay är det avvikande resultatet att 16,7 procent inte tycker att det finns några säkerhetsrisker. Samtliga som svarat att de upplever risker med användandet av Samsung Pay har identifierat mer än en risk.
4.2 Analys
I detta avsnitt analyseras resultatet med hjälp av den anpassade UTAUT-modellen. I analysen har moderatorer och nyckeldeterminanter från modellen kombinerats för att titta på hur de påverkar varandra. Genom detta ämnar uppsatsen skapa förståelse för hur de olika acceptansfaktorerna påverkar användande och icke-användande och vilka acceptansfaktorer som har störst inverkan.
4.2.1 Användare & Icke-Användare
Performance Expectancy
Utifrån den anpassade modellen finns det ett samband mellan Gender, Age, Performance
Expectancy och beteendemässiga avsikter att använda en mobil betallösning.
Tabell 16, Medelvärde effektivitet för könen Användare Tabell 17, Medelvärde effektivitet för ålder Användare
I tabellerna 16 och 17 kan det utläsas att bland Apple Pay användare och Samsung Pay användare finns det en mycket positiv upplevd effektivitet. Detta stämmer även överens med vad Gupta och Arora (2019) och Morosan och DeFranco (2016) kommer fram till, där det konstateras att Performance Expectancy är en av de främsta acceptansfaktorerna för beteendemässiga avsikter. Utifrån tabellen utläses också att skillnaden mellan Gender och Age är nästintill obefintlig, men det finns avvikelser som ligger i linje för vad modellens samband pekar på. Venkatesh et al. (2003) kommer i flera undersökningar med UTAUT fram till att
Gender och Age har en större inverkan än vad denna studie har kommit fram till. Mer specifikt
visar Venkatesh et al. (2003) resultat att kvinnor och äldre tenderar till att ha ett lägre resultat än män och yngre åldersgrupper vad gäller Performance Expectancy. Resultatet i denna studie har troligen att göra med samhällets tekniska utbredning i stort, där teknik likt Apple Pay och Samsung Pay blivit en vardag för många oavsett Gender eller Age sedan forskningen av Venkatesh et al. (2003) publicerades.
Tabell 18 Icke-användare förenkling per kön Tabell 19 Icke-användare förenkling per ålder
Resultatet kan jämföras med användare där studien pekar på att en stor del av att icke-användarna svarat att de tror att de mobila betallösningarna skulle förenkla deras betalningar. För användare är värdena väldigt höga utan vidare varians, för icke-användare skiljer sig svaren. Unga män upplever inte att det skulle förenkla betalning lika mycket som övriga, vilket
går emot det Venkatesh et al. (2003) menar i sina studier. Det är snarare så att kvinnor i åldersgruppen 18-25 som mest upplever att det skulle förenkla sina betalningar. Variansen där en stor del svarat att de inte vet huruvida det skulle förenkla deras betalningar kan eventuellt förklaras i okunskap om produkten. Majoriteten av icke-användare upplever att Samsung Pay eller Apple Pay skulle förenkla deras betalningar eller att de ej vet om det skulle förenkla deras betalningar. Icke-användare upplever alltså Samsung Pay och Apple Pay som effektiva men använder ändå inte någon av tjänsterna. Således är Performance Expectancy inte en av de främsta acceptansfaktorer för icke-användares beteendemässiga avsikter att använda mobila betallösningar. Resultatet från användare visar att Performance Expectancy upplevs högt och har en positiv effekt, således har Performance Expectancy en betydelse för användares beteendemässiga avsikter att använda mobila betallösningar men som resultatet från icke-användare visar det inte vara en avgörande nyckeldeterminant.
Effort Expectancy
Den utökade modellen denna studie använder visar ett samband mellan Gender, Age,
Experience, Effort Expectancy och beteendemässiga avsikter till att använda en mobil
betallösning.
Tabell 20, Medeltal användare svårighetsgrad för ålder Tabell 21, Medeltal användare svårighetsgrad per kön
Av tabellerna 20 och 21 kan det utläsas att användare åldersfördelat och könsuppdelat upplever att respektive tjänst är lätt att använda. Icke-användare upplever även dem att tjänsterna generellt sett inte är svåra att använda men däremot återfinns en variation bland icke-användare för Apple Pay, se tabell 23. Av dessa respondenter är det en stor del som svarade “vet inte” gällande hur svårt Apple Pay upplevs att använda. Detta kan vara ett resultat av brist av kunskap om tjänsten. Detta är någonting Rehncrona (2018) också kommit fram till, att desto fler som använder tjänsten, desto mer sprids kunskap om hur tjänsten kan användas. Bland användare som använder tjänsterna oftare än någon gång i månaden upplevs tjänsterna lättare att använda än bland de användare som mer sällan använder tjänsterna, se tabell 22.
Tabell 22 upplevd enkelhet Användare med moderator Experience
Detta kan peka på en avsaknad av vana att använda tjänsten vilket även en respondent svarar på frågan Finns det någon faktor som skulle öka din användning av Samsung Pay, i så fall vilken? där respondenten svarar att det “Handlar om att bygga rutin”.
Tabell 23, Icke-användare upplevd svårighet att använda med moderator kön
Det höga resultatet från användarna visar att Effort Expectancy spelar roll i det faktiska användandet för användare av mobila betallösningar. Detta stöds även av forskning från Gupta och Arora (2019) och Ozaire Sajid och Moutaz Haddara (2016) där Effort Expectancy är en av de främsta acceptansfaktorerna för beteendemässiga avsikter att använda mobila betallösningar. Däremot så är det svårt att visa på att Effort Expectancy är av betydelse för icke-användare då det visat sig av denna studie att icke-icke-användare inte upplever det speciellt svårt att använda betallösningarna. Troligen finns andra förklaringar till icke-användande, eventuellt kan detta vara en vana av att använda andra betalningsmetoder eller lösningar. Således är Effort
Expectancy högre kopplat till användande snarare än icke-användande utifrån denna studies
analys.
Social Influence
I den utökade UTAUT-modellen finns det ett samband mellan Gender, Age, Experience, Social
Influence och beteendemässiga avsikter att använda en mobil betallösning. Precis som i
UTAUT modell. För denna studie kan det utläsas att sambanden mellan Gender och Age har ett liknande resultat där variationen är stor mellan respondenterna i huruvida de blivit rekommenderade betallösningarna eller inte, se tabellerna 24 och 25. Många av respondenterna vet inte om de blivit rekommenderade eller hade inte blivit rekommenderade betallösningen , oavsett Age eller Gender. Trots detta använder de tjänsten, vilket pekar på det likt Gupta et al. (2019) menar, att Social Influence inte är en stark acceptansfaktor för användandet av en mobil betallösning.
Tabell 24, Användare rekommendationer per kön Tabell 25, Användare rekommendationer per ålder
Något som avviker är dock att unga kvinnor i åldersgruppen 18-25 som använder betallösningen blivit rekommenderade tjänsten i större utsträckning än män. Rehncrona (2018) kommer fram till en annan slutsats, att det snarare inte är en lika svag prediktor för acceptans som Gupta och Arora (2019) menar. Rehncrona skriver att när folk i omgivningen använder tjänsten, så blir andra benägna till att använda tjänsten.
Tabell 26, Användare rekommendationer för hur länge betallösningen har använts
Vad gäller erfarenhet så kan studien inte dra några slutsatser hur det påverkar den sociala influenser som in sin tur påverkar beteendemässiga avsikter att använda mobila betallösningar. I tabell 26 syns en stor variation i Social Influence kopplat till erfarenhet och inga direkta majoritetssvar. Studiens resultat för användare ligger därför i linje med vad Gupta et al. (2019) menar snarare än vad Rehncrona (2019) kommer fram till.
Tabell 27 Icke-användare rekommendation per ålder Tabell 28 Icke-användare rekommendationer per kön
Resultatet från tabell 25 visar att det är främst bland den yngre åldersgruppen 18-25 år som tjänsterna har blivit rekommenderade. Små skillnader finns i uppdelningen för Age, dessa skillnader kan dock försummas. Att resultatet visar på att majoriteten har fått betallösningarna rekommenderade till sig men ändå inte valt att använda dem pekar på att den Social Influence som infinner sig inte påverkar icke-användare och därmed blir slutsatsen att Social Influence är en svag acceptansfaktor för beteendemässiga avsikter att använda mobila betallösningar. Detta är i linje med Gupta och Arora (2019) och Morosan och DeFranco (2016) resultat av deras studier.
Facilitating Conditions
Sambandet från den utökade modellen från studien är likt Venkatesh et al. (2003) ursprungliga UTAUT modell kopplad till Age och Experience.
Tabell 29, Användare tillgänglighet per ålder Tabell 30, Användare tillgänglighet/hur länge tjänsten använts
Tabell 29 visar tydligt att bland användare så är den övergripande bilden att tjänsterna upplevs som ofta tillgängliga, oavsett ålder eller erfarenhet. Endast en liten andel menar att det inte finns möjlighet att använda betallösningarna ofta. I tabell 30 visar resultatet även där att variationen är liten utspritt på hur länge användarna säger sig ha använt tjänsten. Detta är en god indikation på att Facilitating Conditions är en bra acceptansfaktor vad gäller användandet av en mobil betallösning då en stark majoritet angett liknande svar.
Tabell 31, Icke-användare tillgänglighet medelvärde per åldersgrupp
För icke-användare visar studien ett resultat som avviker mot resterande resultat som har analyserats. Facilitating Conditions har i snitt det lägsta betyget gentemot andra resultat vilket utifrån frågan “Hur lättillgängligt upplever du att Apple Pay/Samsung Pay är?” innebär att detta är den hittills främsta acceptansfaktorn för beteendemässiga avsikter att använda mobila betallösningar för icke-användare. Facilitating Conditions har från tidigare forskning varierande resultat beroende på kontext. Gupta och Arora (2019) skriver att Facilitating
Conditions är en av den främsta acceptansfaktorn för beteendemässiga avsikter medan
Morosan och DeFranco (2016) skriver att Facilitating Conditions har en låg effekt på beteendemässiga avsikter att använda mobila betallösningar. Denna studies resultat pekar mot det Gupta och Arora (2019) kommit fram till.
Perceived security
Olika forskare har sammanfattat Perceived Security på olika sätt, för denna studie har Venkatesh et al. (2003) UTAUT-modell anpassats för studien och vävt in Perceived Security som en determinant. Perceived Security har av bland annat Tse et al. (2019) visat sig vara av betydelse i användande och icke-användande.
Tabell 32, Användare säkerhet medelvärde per ålder Tabell 33, Användare säkerhet medelvärde per kön
Resultatet för denna studie visar en låg variation i hur säkra användare upplever de mobila betallösningarna i relation till kön, erfarenhet och ålder. På en skala från ett till fem visar resultatet att oavsett moderatorerna så är resultatet över 3. Detta pekar på att den upplevda säkerheten är hög vad gäller Samsung Pay och Apple Pay och därmed i linje med vad Tse et al. (2019) beskriver, en bra acceptansfaktor för användare av betallösningarna då samtliga
