Uppsala Universitet
Inst. för Informatik & Media
Acceptans av Bitcoin
Ett föreslaget ramverk
Michael Foremar | Jim Löwhagen
Kurs: Examensarbete Nivå: C
Termin: HT-20 Datum: 210121
Sammanfattning
Bitcoin är en teknologi som etableras allt mer i samhället. Med dess ökade etablering i åtanke, ämnar denna studie undersöka hur acceptans av Bitcoin kan studeras. Studien föreslår ett teoretiskt ramverk, baserat på Technology Acceptance Model och utökat med finansiell och social risk, och testar detta ramverk på ett bekvämlighetsurval av svenska privatpersoner. För att testa relevansen av de relationer som tillsammans utgör det teoretiska ramverket användes strukturell ekvationsmodellering. Studien fann att det teoretiska ramverket kan användas för att analysera urvalets acceptans av bitcoin med måttlig förklaringskraft, men kunde inte bekräfta att uppfattad användarvänlighet och uppfattad social risk har en signifikant påverkan på attityden till teknologin Bitcoin. Studiens slutsats kan sammanfattas med att det föreslagna ramverket är användbart vid analys av acceptans av Bitcoin, men att bekvämlighetsurvalet inte tillåter studien att göra några generaliseringar till en större population.
Nyckelord:
Bitcoin, Technology Acceptance Model, Uppfattad risk, Strukturell ekvationsmodellering
Innehållsförteckning
1. Inledning 1
1.1 Bakgrund 1
1.2 Bitcoin 2
1.2.1 Transaktioner 2
1.2.2 Proof-of-Work och mining 2
1.2.3 Blockkedja 2
1.2.4 Konsensus 3
1.3 Problembeskrivning 3
1.4 Syfte 4
1.5 Forskningsfråga 5
1.6 Kunskapsprodukt och intressenter 5
1.7 Avgränsning 5
2. Teori 6
2.1 Bitcoin i dagsläget 6
2.2 Technology Acceptance Model 7
2.3 Uppfattad risk 9
2.3.1 Finansiell risk 10
2.3.2 Social risk 11
2.4 Teoretiskt ramverk 11
3. Metod 12
3.1 Forskningsstrategi 12
3.2 Datainsamlingsmetodik 13
3.3 Metodik för dataanalys 14
4. Resultat 17
4.1 Karaktäristika av enkät 17
4.2 Demografi 17
4.3 Karaktäristika av enkät 18
4.4 Uppfattad risk 19
4.5 Test av teoretiskt ramverk 19
5. Analys 22
6. Slutsats och diskussion 24
Källförteckning 26
1
1. Inledning
I detta kapitel presenteras den bakgrundsinformation som för studien är relevant, följt av dess syfte och frågeställning.
1.1 Bakgrund
Kryptovaluta som koncept är knappt femton år gammalt, men har under denna tid redan fått stor uppmärksamhet av såväl institutioner som företag och privatpersoner (Carson, Romanelli, Walsh & Zhumaev, 2018). I samband med presentationen av detta koncept lanserades även den första kryptovalutan under namnet Bitcoin (Nakamoto, 2008). Bitcoin består av flera informationsteknologiska byggstenar, bland annat kryptografi och distribuerade beräkningar, som i kombination möjliggjorde den underliggande tekniken för Bitcoin som kallas blockkedja (Nakamoto, 2008).
Ingen central auktoritet kontrollerar Bitcoin. Alla transaktioner som någonsin genomförts med Bitcoin är sparade i dess publika blockkedja (förenklat: register) där alla som vill kan ta del av informationen och föreslå ändringar. I brist på central auktoritet tillförskrivs förtroendet istället blockkedjetekniken i sig. Potentiella modifikationer av de transaktioner som redan har skett och godkänts skulle kräva att majoriteten av den beräkningskraft som befinner sig på det distribuerade nätverket accepterar dessa modifikationer som sanningar.
På grund av denna mekanism är möjligheten att modifiera historiken på blockkedjan för egen vinning liten. Detta betyder också att ingen kan stoppa en transaktion mellan två parter i nätverket såvida inte majoriteten av all beräkningskraft samtycker till detta (Nakamoto, 2008).
Teknologiska framsteg sker konstant, parallellt med deras acceptans av användaren. Ett flertal teorier och modeller har utvecklats för att försöka förklara varför en teknologi accepteras av användaren. En av de mer framstående teorierna är Technology Acceptance Model (TAM), som försöker förklara orsakerna till varför ny teknologi accepteras eller inte accepteras av användaren (Davis, Bagozzi & Warshaw, 1989). TAM är ett ramverk som är specifikt anpassat för acceptans av informationssystem, och de faktorer som teorin anser vara mest väsentliga för att påverka användares intention att använda (orig. intention to use) systemet är uppfattad användarnytta (orig. perceived usefulness) och uppfattad användarvänlighet (orig. perceived ease of use), via attityd (orig. attitude).
Vid användande av teknologi kan risker av olika former förekomma, där bland annat finansiell och social risk förekommer i litteraturen (Cunningham, 1967; Jacoby & Kaplan, 1972). Bitcoin är att betrakta som en finansiell teknologi, då en omfördelning av användarens ekonomiska resurser är en ofrånkomlig effekt vid alla typer av aktiv användning - således förekommer också en finansiell risk. Bitcoin har dessutom förekommit flitigt i både media och litteraturen där dess användande inom, och association med, illegala aktiviteter ofta lyfts (Business Insider, 2021; Christin, 2013; Folkinshteyn & Lennon, 2016; Möser, Böhme &
Breuker, 2014; Stokes, 2012). En individs koppling till illegal aktivitet kan innebära att man förlorar i social ställning (Ellis & McDonald, 2008). Dessa två ovan nämnda riskdimensioner kan vara relevanta att se till i sammanhanget Bitcoin.
2
Bitcoin kan användas för transaktioner utan mellanhänder, men dess användning utgörs till största del av spekulativa investeringar (Baur, Hong & Lee, 2018; Yermack, 2015). Denna studie behandlar användande i bred bemärkelse, och alltså inte enbart användande av Bitcoin som transaktions- och betalningsmedel.
1.2 Bitcoin
I detta avsnitt ges en genomgång av Bitcoin och dess underliggande teknik. Förklaringarna nedan av för Bitcoin viktiga koncept är förenklade på viss bekostnad av teknisk riktighet, och baserade på Narayanan, Bonneau, Felten, Miller och Goldfeder (2016). När Bitcoin skrivs med versal åsyftas teknologin och konceptet (“Nakamoto utvecklade Bitcoin”), medan det när värden ska beskrivas benämns bitcoin (“det kostar en bitcoin”) med litet b.
1.2.1 Transaktioner
En transaktion är när bitcoins förflyttas från en Bitcoinadress till en annan. För varje transaktion finns avsändaradress, mottagaradress och transaktionsbelopp. I Bitcoin nyttjas assymetrisk kryptering, där en transaktion signeras med avsändarens privata nyckel, och där andra med hjälp av avsändarens publika nyckel sedan kan kontrollera att transaktionens avsändare är den den utger sig för att vara och vidare att den har de bitcoins som ska spenderas. Transaktionsinformationen och signaturen lagras i en fil som sänds ut till noder i nätverket. Varje nod som får filen kollar att filen är korrekt - att avsändaren har de bitcoin den vill föra över, och att signaturen är korrekt. Transaktionen har dock inte verifierats ännu - än så länge är den bara föreslagen. Dessa noder skickar i sin tur vidare filen till andra noder som upprepar processen. En föreslagen transaktion lagras i noders egna memory pool (en typ av lagringsplats), och är alltså inte ännu en del av blockkedjan. När en Bitcointransaktion ska verifieras utförs matematiska beräkningar som utgör ett Proof-of-Work av en miner (Narayanan m fl, 2016).
1.2.2 Proof-of-Work och mining
Proof-of-work är matematiska beräkningar till för att verifiera transaktioner, som är resurskrävande att producera men lätta för andra att kontrollera. Miners (noder som jobbar för att verifiera transaktioner) samlar ihop transaktioner från sina memory pools till ett block, och tävlar sedan mot varandra om att vara först med att verifiera transaktionerna i detta block, där den som kommer först får en belöning i form av nya bitcoins som genereras (mine:as) och eventuella transaktionsavgifter för de transaktioner de verifierat. Man kan vid en transaktion välja att lägga till en transaktionsavgift som tillfaller den som mine:ar blocket som innehåller transaktionen för att uppmuntra miners att ta med just ens transaktion i det block de mine:ar, och på så sätt få transaktionen verifierad snabbare. För att verifiera blocket och addera detta till blockkedjan måste minern utföra ett proof-of-work och lösa ett resurskrävande matematiskt problem, där det alltså krävs mycket processorkraft för att hitta svaret, men lite processorkraft för andra att kontrollera det. Svårighetsgraden på problemen anpassas i takt med att nätverkets totala processorkraft ökar, så att ett nytt block läggs till i blockkedjan i genomsnitt var tionde minut. När ett block är mine:at av en miner skickas deras proof-of-work ut till samtliga noder i nätverket, som kontrollerar detta och lägger till
3
blocket i blockkedjan. Det är först då en transaktion kan anses verifierad. Proof-of-work, tillsammans med blockkedjan och principen gällande konsensus, används i Bitcoin för att säkra transaktionshistoriken och försvåra bedrägeri (Narayanan m fl, 2016).
1.2.3 Blockkedja
Till skillnad från traditionella valutor hanteras Bitcoin inte av någon central auktoritet, som följer och kontrollerar transaktioner i någon form av register. Bitcoins transaktionshistorik lagras istället i ett offentligt, delat register som är öppet och tillgängligt för alla. Avsändare och mottagare är pseudonyma. Detta register med transaktioner är en blockkedja.
Blockkedjan är en publik, append-only, linked list-baserad datastruktur som lagrar hela nätverkets transaktionshistorik i form av block. Append-only innebär att man endast kan addera information, inte modifiera eller radera. Ett block innehåller ett antal transaktioner, en tidsstämpel, och föregående blocks hash, där ett blocks hash baseras på den data det innehåller. Ett nytt block adderas till blockkedjan när det har mine:ats av en miner (Narayanan m fl, 2016).
Då ett block innehåller en referens till föregående blocks hash är manipulation av blockkedjan, som alltså innehåller alla transaktioner, ytterst svår. Ponera att en förövare vill manipulera ett befintligt block. Hashet för blocket som innehåller denna transaktion kommer då att bli annorlunda, då hashet bygger på transaktionerna i blocket. Referensen i blocket efter det block som förövaren har manipulerat kommer alltså inte längre att peka på ett korrekt block, och kedjan är bruten (Narayanan m fl, 2016).
1.2.4 Konsensus
Bitcoins säkerhet bygger på kryptografi, blockkedjeteknik och konsensus. Konsensus syftar på att alla noder måste vara överens om vad som är sanningen. För att framgångsrikt manipulera Bitcoins transaktionshistorik behöver en majoritet av beräkningskraften vara överens om modifikationen, vilket inte skulle gå någon obemärkt förbi. Den efterföljande effekten av denna procedur skulle rimligtvis driva ut minoriteten av processorkraft, som inte längre deltar i ett, enligt dem, rättvist system. En rimlig effekt av detta är att Bitcoin skulle tappa mycket av sitt värde, då efterfrågan på Bitcoin skulle sjunka, vilket direkt skulle slå mot även förövarens tillgångar och framtida kassaflöden. Det är alltså på ett tekniskt plan möjligt att manipulera blockkedjan, men incitamenten blir lägre ju mer decentraliserad blockkedjan är (Narayanan m fl, 2016).
1.3 Problembeskrivning
Handel på internet är till stor del baserad på att finansiella institutioner agerar tredje part vid elektroniska betalningar. Dessa typer av elektroniska transaktioner kan följaktligen inte vara garanterat permanenta, då en tredje part inte kan undvika att medla vid konflikter. Detta kan i sin tur leda till ökade transaktionskostnader och ett ökat behov av förtroende – t.ex. måste säljaren granska köparen mer än annars nödvändigt då en transaktion aldrig är helt låst (Nakamoto, 2008). Dessa tredje parter och de kostnader och osäkerheter de medför kan vid fysiska möten undvikas med hjälp av kontanter. Nakamoto (2008) föreslår för digitala
4
sammanhang Bitcoin, där elektroniska transaktioner lyder under kryptografiska bevis och permanens snarare än tredje parter och förtroende, vilket eliminerar de problem som en tredje part medför.
Användningen av Bitcoin hos konsumenter är idag relativt låg (Albayati, Kim & Rho 2020; Alqaryouti, Siyam, Alkashri & Shaalan, 2020). Mycket tyder dock på att användandet av kryptovalutor kommer att förändras framöver. Bland annat Facebook, genom Libra Association, och JP Morgan, två välkända varumärken, har, eller kommer snart, att lansera egna varianter av kryptovalutor (Libra Association, 2020-09-11; JP Morgan, 2019). Stora investeringar i blockkedjeteknik görs på många håll, bland annat hos IBM (Carson m fl, 2018). Nyttjandet av Bitcoin ökar också kontinuerligt (Blockchain.com, 2021-01-09).
Det pågår alltså en ökande etablering av teknologin Bitcoin i samhället. För många privatpersoner är det en teknologi som de endast har hört talas om, men inte själva använt.
För att privat användande ska öka så måste teknologin accepteras av allt fler privatpersoner.
Det finns även risker med användande av Bitcoin, som tidigare inte har funnits vid användande av finansiella teknologier (Li, Jiang, Chen, Luo & Wen, 2020). Förutom den finansiella risk Bitcoin, som finansiell teknologi, utgör är Bitcoin även präglat av en unik diskussion kring dess användande och negativa associationer i form av kopplingar till illegal aktivitet (Business Insider, 2021; Christin, 2013; Folkinshteyn & Lennon, 2016; Möser, Böhme & Breuker, 2014; Stokes, 2012), vilket kan påverka en användares sociala status (Ellis & McDonald, 2008). Även uppfattad social risk kan alltså tänkas vara relevant att se till. Tillsammans skapar dessa två distinkta dimensioner en kombinerad riskbild som är sällsynt i andra teknologier. Det finns därför motiv till att undersöka om dessa uppfattade risker har en påverkan på användarens acceptans av teknologin. Det finns ett antal tidigare studier som studerat kryptovalutor utifrån olika anpassningar av TAM (Albayati, Kim &
Rho, 2020; Alqaryouti m fl, 2020; Hobeika & Liew, 2018; Kern, 2018; Pakrou & Amir, 2016) - här har man dock inte tagit hänsyn till dessa risker.
Sammanfattningsvis kan det konstateras att Bitcoin är en ny teknologi som får en allt större etablering, och detta innebär rimligtvis att acceptansen för teknologin i viss mån också ökar.
Därför finns det ett intresse i att undersöka vilka faktorer, däribland uppfattad finansiell och social risk, som påverkar acceptansen av Bitcoin. Denna studie föreslår ett teoretiskt ramverk för att undersöka acceptans av Bitcoin, och testar detta på ett bekvämlighetsurval av svenska privatpersoner.
1.4 Syfte
Syftet med studien är att undersöka hur väl Technology Acceptance Model, utökat med uppfattad finansiell och social risk, kan användas för att analysera acceptans av Bitcoin.
Studien har som ambition att presentera ett teoretiskt ramverk för att undersöka acceptans av Bitcoin.
5
1.5 Forskningsfråga
Hur väl kan Technology Acceptance Model utökat med faktorerna finansiell och social risk användas för att analysera acceptans av Bitcoin?
1.6 Kunskapsprodukt och intressenter
Studiens huvudprodukt kommer att vara ett ramverk för att studera acceptans av Bitcoin. För att testa detta ramverk kommer en surveystudie att genomföras på ett urval av svenska privatpersoner, där resultatet analyseras utifrån den föreslagna modellen. Studien kommer att öka förståelsen för vilka faktorer som påverkar acceptansen av Bitcoin, och hur dessa faktorer kan studeras. Detta är av intresse för de företag som vill inkludera Bitcoin som en central del av sitt varumärke eller produkt, men även i en akademisk kontext för att öka förståelsen för acceptans av Bitcoin.
1.7 Avgränsning
Ramverket avgränsas till att beakta de faktorer som behandlas i TAM, uppfattad social risk och uppfattad finansiell risk, och tar alltså inte hänsyn till några externa faktorer utanför denna modell. Testet av ramverket avgränsas till att studera ett urval av svenska privatpersoners acceptans gentemot Bitcoin. Undersökningen avgränsas till svenska privatpersoner på grund av studiens utgångspunkt och för att studien ska genomföras på 10 veckor och därför behöver begränsas. Testet av ramverket ser till ett urval av svenska privatpersoner, då studien inte har några ambitioner att generalisera testets resultat till den totala svenska befolkningen.
6
2. Teori
I detta kapitel behandlas den teori som för studien är relevant, vilket senare mynnar ut i studiens teoretiska ramverk. De hypoteser som formuleras i detta kapitel representerar de relationer och konstrukt som tillsammans utgör det föreslagna ramverket.
2.1 Bitcoin i dagsläget
Yermack (2015) identifierar ett antal utmaningar Bitcoin möter vad det gäller typiska funktioner hos valutor och deras användning som pengar. Medium of exchange syftar på att en valuta är allmänt accepterad i utbyte mot varor och tjänster. Få handlare accepterar idag Bitcoin, och det är därför enligt Yermack svårt att hävda att Bitcoin utgör ett bra medium of exchange. Unit of account syftar på att värdet av en vara eller tjänst mäts i en valuta, vilket möjliggör jämförelser av olika tings värde. Dels på grund av Bitcoins höga volatilitet, och dels på grund av det faktum att en bitcoin i förhållande till de flesta varor och tjänster har ett mycket högt värde vilket innebär att kostnader ofta måste anges med flera decimalpunkter, menar Yermack att det också är svårt att hävda att Bitcoin är en bra unit of account. Store of value syftar på att en valuta används för att lagra värde. För att en valuta ska vara ett bra store of value ska den summa man får in vid ett tillfälle senare kunna användas för att få ut motsvarande ekonomiska värde. På grund av Bitcoins volatilitet menar Yermack att det också är svårt att hävda att valutan utgör ett bra store of value. Yermacks slutsats är Bitcoin inte är pengar.
Hazlett och Luther (2020) är av en annan åsikt. De hävdar att Yermack blandar ihop definitionen av pengar med vanliga funktioner hos pengar. De menar att den vedertagna definitionen av pengar är att de utgör ett allmänt accepterat medium of exchange, och att det för att något ska räknas som pengar räcker att denna allmänna acceptans råder hos en avgränsad grupp. De visar också att efterfrågan på Bitcoin är jämförbar med efterfrågan på pengar utfärdade av en regering, och landar i slutsatsen att Bitcoin är pengar, men bara i en relativt begränsad domän.
Oavsett kvarstår faktum att Bitcoins användning som transaktionsmedel idag är begränsad, och att dess användning till största del utgörs av spekulativa investeringar (Baur, Hong &
Lee, 2018; Yermack, 2015). Ur ett skattemässigt perspektiv behandlar Storbritannien och EU Bitcoin som en valuta, medan USA behandlar det som egendom (Dyhrberg, Foley &
Svec, 2018). Riksbanken (2020-09-11) menar att Bitcoin bör benämnas kryptotillgång snarare än kryptovaluta, då de är av uppfattningen att de flesta ägare har köpt dem som en spekulativ tillgång snarare än ett medel för betalning. Användningen av Bitcoin som transaktionsmedel är ytterst marginell i Sverige, vilket Riksbanken tror beror på att betalningar inte sker omedelbart och att värdet på valutorna har fluktuerat mycket över tid (Riksbanken, 2020-09-11). Världen över genomfördes sammanlagt över 360 miljarder korttransaktioner hos de största leverantörerna under 2018 (Nilson Report, 2021-01-04), medan det totalt, sedan dess lansering, har genomförts drygt 600 miljoner Bitcointransaktioner (Blockchain.com, 2021-01-09).
Inställningen till Bitcoin är alltså varierad hos forskare och institutioner. Hur studeras användaracceptans hos slutanvändare? Albayati, Kim och Rho (2020) undersöker hur
7
användare ser på blockkedjebaserade transaktioner, utifrån TAM utökat med social påverkan, design, stöd i regelverk, erfarenhet och förtroende, och finner att acceptans och faktiskt användande av blockkedjebaserade kryptovalutor är låg hos slutanvändare. Deras studie formulerar 11 hypoteser för relationer mellan dessa konstrukt. Resultaten av deras enkät säger att förtroende för teknologin är den viktigaste faktorn för acceptans, och att det till stor del baseras på vad rättsliga regelverk säger och användarens tidigare erfarenhet. De finner också en mycket stark korrelation mellan attityd och intention att använda (β = 0,860, p < 0,05).
Hobeika och Liew (2018) undersöker användande av Bitcoin som pengar utifrån TAM utökat med konstrukten attityd gentemot pengar (orig. money attitude) och stereotyp av bankarbetare (orig. banker stereotype), som båda hypotetiseras påverka både uppfattad användarvänlighet och uppfattad användarnytta. Slutsatsen är att en individs attityd gentemot pengar påverkar dennes inställning till Bitcoin, och att de som nyttjar Bitcoin i sin näringsverksamhet bör minska den för konsumenter upplevda bankstereotypen, och belysa det faktum att de erbjuder ett alternativ till den traditionella bankstereotypen.
Alqaryouti m fl (2020) studerar också acceptans och användning av kryptovalutor hos
“specialiserade individer” (orig. specialized individuals) som använder kryptovalutor. Deras konstrukt är baserade på TAM, men modellen används inte på traditionellt vis varpå många av de relationer som undersöks inte kan jämföras med förevarande studie. Studien ser främst till uppfattad användarnytta, uppfattad användarvänlighet och faktiskt användande. De finner en positiv relation mellan uppfattad användarvänlighet och faktiskt användande, men inga signifikanta relationer mellan uppfattad användarnytta och faktiskt användande. De landar dessutom i att TAM som ramverk inte passade kryptovalutor i deras undersökning, och att användandet inte är särskilt utbrett.
Även Pakrou och Amir (2016) undersöker acceptans och användande av Bitcoin utifrån en modell inspirerad av TAM, men har precis som Alqaryouti m fl (2020) anpassat den på ett sätt som försvårar jämförelser med de relationer som behandlas i förevarande studies modell.
Deras modell säger att uppfattat värde (orig. perceived value) påverkar intention att använda, och att uppfattat värde påverkas av flertalet variabler. Deras resultat indikerar att intention att använda påverkas av infrastrukturella, strukturella, individuella och kulturella faktorer, via variabeln uppfattat värde.
Folkinshteyn och Lennon (2016) undersöker Bitcoin som en valuta och blockkedjan som en finansiell teknologi utifrån TAM, för både utvecklare och slutanvändare - dock inte i form av en survey- och enkätstudie, varpå möjligheterna till jämförelser med förevarande studie återigen är begränsade. De genomför fallstudier och undersöker vilka faktorer som kan tänkas påverka de olika variablerna i TAM. De identifierar ett antal positiva faktorer vad det gäller uppfattad användarnytta och uppfattad användarvänlighet av Bitcoin, som t.ex. ökad transaktionseffektivitet och det faktum att teknologin är öppen källkod. De identifierar också ett antal risker, t.ex. det faktum att misstag och säkerhetsintrång är svåra att åtgärda.
2.2 Technology Acceptance Model
TAM är i sin ursprungsform en modell som syftar till att förutsäga och förklara benägenheten för en användare att börja använda en teknologi. Davis, Bagozzi & Warshaw (1989)
8
presenterade ett antal konstrukt och deras relationer som tillsammans utgör den strukturella modellen. Nedan följer en genomgång av modellen samt de hypoteser som bildats för att testa alla teoretiska samband som författarna av den ursprungliga TAM-modellen hävdar är av relevans, och således viktiga relationer i förevarande studies föreslagna ramverk.
Intention att använda är måttet på sannolikheten att en individ nyttjar en ny teknologi; med andra ord styrkan av intentionen att använda teknologin (Davis, Bagozzi & Warshaw, 1989).
Intention att använda påverkas av attityd som definieras som en användares positiva eller negativa känslor inför en teknologi. Attityd som konstrukt är importerat från Theory of reasoned action (TRA) (Ajzen & Fishbein, 1980), som TAM till viss del bygger på. Då denna kausalitet återfinns i tidigare teoretiska ramverk så är den väl beprövad, även innan uppkomsten av TAM (Davis, Bagozzi & Warshaw, 1989). Utifrån detta samband formuleras studiens första hypotes som lyder:
H1: Attityd har en positiv och signifikant påverkan på intention att använda Bitcoin.
Till skillnad från TRA som hävdar att även subjektiva normer (orig. subjective norm) har en betydande effekt på intention att använda, så anser Davis, Bagozzi & Warshaw (1989) att subjektiva normer är svårdefinierade och därför svåra att mäta och inte lämpliga som en förklarande variabel för intention att använda i TAM. Vidare påverkas attityden av två primära konstrukt: Uppfattad användarnytta och uppfattad användarvänlighet.
Uppfattad användarnytta definieras som den grad till vilken en person anser att ett system skulle vara till nytta för dennes arbetsinsats. T.ex. skulle en persons uppfattade användarnytta öka om den uppfattar att systemet skulle göra dennes arbete mer effektivt om den utnyttjade systemet i fråga (Davis, Bagozzi & Warshaw, 1989). Utifrån detta formuleras hypotes 2:
H2: Uppfattad användarnytta har en positiv och signifikant påverkan på attityden till att använda Bitcoin.
Uppfattad användarvänlighet definieras som graden av förtroende en person har till ett system i frågan om hur fritt från ansträngning användandet av systemet skulle vara. Detta kan i praktiska termer översättas till den ansträngning som krävs från användaren för att få systemet att göra det som användaren avser. Vanligtvis åsyftas här mental (kontra fysisk) ansträngning, framförallt när TAM appliceras på informationssystem. Högre komplexitet av systemet i kombination med ett undermåligt gränssnitt är ett typexempel på faktorer som enligt TAM har en negativ påverkan på uppfattad användarvänlighet (Thong, Hong & Tam, 2002). Uppfattad användarvänlighet har i tidigare studier påverkat både attityd och uppfattad användarnytta, men har ofta en svagare relation till det förstnämnda konstruktet (Ma & Liu, 2004). Nedan följer hypotes 3 och 4:
H3: Uppfattad användarvänlighet har en positiv och signifikant påverkan på attityden till att använda Bitcoin.
H4: Uppfattad användarvänlighet har en positiv och signifikant påverkan på uppfattad användarnytta.
9
TAM har applicerats brett på många teknologier, men de teknologier som digitaliserar ett tidigare odigitaliserat område (Hu, Chau, Sheng & Tam, 1999; Pikkarainen, Pikkarainen, Karjaluoto & Pahnila, 2004) samt vidareutvecklingar inom informationsteknologi (Lu, Yu, Liu & Yao, 2003) är i regel underlaget för de studier som har fått mest exponering, åtminstone sett till citeringar. Detta utfall är inte överraskande då TAM är en specialiserad vidareutveckling av Theory of Reasoned Action (TRA), vars mål är att förutse och förklara mänskligt beteende oavsett domän (Ajzen & Fishbein, 1980). TAM, å andra sidan, har som mål att främst kunna appliceras på slutanvändare av ett informationssystem, med högre förklaringsgrad än dess företrädare inom denna specifika domän (Davis, Bagozzi &
Warshaw 1989). Förevarande studie har för ambition att föreslå en modell som är specifikt anpassad för just informationssystemet Bitcoin. En visuell modell av TAM, inklusive utmarkering av denna studies hypoteser, finns i Figur 1. TAM är således en komponent av denna studies föreslagna ramverk.
Figur 1. Technology Acceptance Model (TAM). Hypoteser, samt deras hypotetiserade riktning är också utmarkerade.
2.3 Uppfattad risk
Utöver de konstrukt som ingår i TAM ser förevarande studie även till respondenternas uppfattade risk vid användande av Bitcoin. Risk är ett mångfacetterat konstrukt med olika aspekter som samspelar för att skapa en riskuppfattning. I litteraturen behandlas uppfattad risk på olika sätt, där finansiell, prestandamässig, fysisk, psykologisk, social, och ibland även tidsmässig risk, ofta lyfts som relevanta riskdimensioner (Cunningham, 1967; Jacoby &
Kaplan, 1972). Denna studie ser till:
● Finansiell risk, som i risken att förlora finansiella tillgångar,
● Social risk, som i risken att tappa social status.
10 2.3.1 Finansiell risk
I sammanhanget Bitcoin utgörs den finansiella risken av flera faktorer. En användare kan förlora finansiella tillgångar på grund av exempelvis säkerhetsfaktorer, i samband med transaktioner, eller på grund av Bitcoins höga volatilitet.
Säkerhetsrisk
Blockkedjetekniken har som tidigare nämnt ett flertal inneboende egenskaper som ger den vissa komparativa fördelar ur ett säkerhetsperspektiv, som att kunna genomföra transaktioner utan en tredje parts inblandning, och att inte kunna modifiera redan accepterad transaktionshistorik. På grund av teknologins natur uppstår dock nya, ej tidigare beaktansvärda, säkerhetsriskområden. Li m fl (2020) kartlägger i sin studie flertalet säkerhetsrisker som är exklusiva för blockkedjor. Den privata nyckeln till en specifik adress fungerar i praktiken som en riktig nyckel; det vill säga att om en förövare får tag på denna nyckel så får de också åtkomst till de bitcoins som är tillskrivna adressen. Att den privata nyckeln hålls hemlig för alla andra parter är därför av yttersta vikt, inte minst på en decentraliserad blockkedja som inte kommer stoppa till synes valida transaktioner. Att på något sätt tappa bort den privata nyckeln till sin adress ger samma resultat för användaren, det vill säga att tillgångarna tillskrivna adressen kan ses som förverkade.
Transaktionsrisk
Folkinshteyn och Lennon (2016) beskriver hur en Bitcoinanvändare 2010 förlorade 9000 bitcoins på grund av (i varje fall enligt användaren) svårförståeliga detaljer i Bitcoins tekniska transaktionsupplägg. Med ny teknologi där en användare inte är van finns alltid risken att tekniken används innan användaren är tillräckligt kunnig för att använda den på ett säkert sätt. En transaktion kan också gå fel på grund av slarviga misstag från användarens sida, som t.ex. felinmatning.
Värdeminskningsrisk
Jämfört med FIAT-valutor är priset på Bitcoin oerhört volatilt (XE, 2020-09-15). Risken finns också för en kollaps av hela Bitcoinmarknaden, där en anledning till detta skulle kunna vara inblandning från myndigheter. Även om Bitcoin är decentraliserat och myndigheter inte kan ta total kontroll över nätverket och valutan hade en gemensam ansträngning från flera stora länder kunnat tvinga bort Bitcoin från marknaden (Möser, Böhme, Breuker, 2014), eller åtminstone minska dess brukbarhet avsevärt. Bitcoin har också relativt låga handelsvolymer (Coin Metrics, 2021-01-05), vilket gör att storägare som handlar med större volymer på kort tid kan påverka kursen.
Med dessa risker som bakgrund är det relevant att inkludera uppfattad finansiell risk som ett konstrukt som kan påverka den uppfattade användarnyttan. Lu, Hsu och Hsu (2005) testade ett liknande tillägg till TAM i sin studie om internetapplikationer, där de fann att uppfattad finansiell risk har en signifikant effekt på uppfattad användarnytta, dock med en annan metodik. Detta leder till studiens femte hypotes:
H5: Uppfattad finansiell risk har en negativ och signifikant påverkan på uppfattad användarnytta.
11 2.3.2 Social risk
Social risk kan i sammanhanget informationssystem definieras som risken att förlora status eller ställning som konsekvens av användandet av vissa produkter eller tjänster (Forsythe &
Shi, 2003), där detta användande kan få användaren att framstå som dumdristig eller otrendig (Lee, 2009). Bitcoin har dessutom förknippats med handel med illegala varor, på sajter som den nu nedstängda Silk Road (Christin, 2013; Folkinshteyn & Lennon, 2016), och pengatvätt och bedrägeri (Möser, Böhme & Breuker, 2014; Stokes, 2012), där en användare kan tänkas associeras med illegal aktivitet. En individs koppling till illegal aktivitet kan innebära att man förlorar i social ställning (Ellis & McDonald, 2008). Tidigare forskning inom detaljhandeln har också visat att social risk har en negativ påverkan på en slutanvändares attityd (Lee, 2009). Detta leder till studiens sjätte och sista hypotes:
H6: Uppfattad social risk har en negativ och signifikant påverkan på attityd.
2.4 Teoretiskt ramverk
I Figur 2 redovisas en visuell sammanställning av det teoretiska ramverk som studien föreslår, tillsammans med hypoteser för att testa dess relevans.
Figur 2. Technology Acceptance Model (TAM) + tillägg av riskfaktorer. Hypoteser, samt deras hypotetiserade riktning är också utmarkerade.
12
3. Metod
I detta kapitel presenteras den metodik som ligger till grund för testet av det föreslagna teoretiska ramverket (se Figur 2). Studien var utforskande och hypotestestande. Ett antal hypoteser rörande orsaks- och effektsamband, som tillsammans testar relationerna i det föreslagna ramverket, har formulerats och testats med förhoppning om att finna kausaliteter.
Metoden har inte för huvudsaklig avsikt att undersöka urvalets acceptans av Bitcoin, utan är snarare till för att testa lämpligheten av det föreslagna ramverket och dess relationer.
3.1 Forskningsstrategi
Denna studie har använt survey som forskningsstrategi för att testa den föreslagna modellen.
Surveys lämpar sig även väl när en kvantitativ studie ska genomföras (Oates, 2005), vilket är fallet med denna studie som kvantitativ undersökt hur olika faktorer samspelar för acceptansen av Bitcoin hos ett urval av svenska privatpersoner. Surveys kan också, jämfört med vissa andra forskningsstrategier, generera mycket data på kort tid och till en låg kostnad (Oates, 2005). Detta är en stor fördel sett till studiens tidsram. Vidare är surveys en väletablerad och väl använd forskningsstrategi inom informationssystem.
Surveys är också en vanlig forskningsstrategi för tidigare studier som testar acceptans av kryptovalutor genom Technology Acceptance Model (Albayati, Kim & Rho, 2020;
Alqaryouti m fl, 2020; Hobeika & Liew, 2018; Kern, 2018; Pakrou & Amir, 2016). Även dessa studier har använt någon typ av modifikation på TAM som teoretiska ramverk, där empirin för att testa dessa har samlats med hjälp av Likert-baserade enkäter.
Modifikationerna på TAM uttrycker sig i de flesta fall som adderingar av oberoende faktorer som har en påverkan på intention att använda, uppfattad användarnytta och uppfattad användarvänlighet, varför även dessa studier kan anses vara utforskande och nära besläktade till förevarande. Nyttjandet av en redan väl etablerad forskningsansats inom det område som undersöks bidrar till ökad relevans av studien gentemot tidigare studier, då det underlättar jämförelser studierna emellan. Vidare kan tidigare erfarenhet rörande studiernas utformning utnyttjas för att bidra till ökad validitet.
För testet av studiens föreslagna ramverk var urvalsramen svenska privatpersoner, där respondenter samlats med ett bekvämlighetsurval. Med bekvämlighetsurval menas att provtagningen gjorts på de respondenter som för studiens författare krävt minst energi att ta kontakt med. Detta betyder i praktiken att respondenter främst samlats via internet- och kommunikationskanaler som studiens författare anser vara lättillgängliga med stor potential för deltagande. Det finns många brister i att använda bekvämlighetsurval; bland annat är möjligheten att göra generaliseringar av en population utifrån ett stickprov ytterst begränsad (Oates, 2005) - t.ex. påverkar en individs ålder ofta deras inställning till digital teknologi (Prensky, 2001), varför resultat från ett bekvämlighetsurval blir svårt att generalisera till den större populationen. Att låta respondenter svara på enkäter över internet öppnar även upp för sabotage, då inlämnade enkätsvar inte kan garanteras vara från unika individer. Dessa begränsningar i studiens metodik kan dock ses som oväsentliga, då studiens huvudsyfte är att testa ett teoretiskt ramverk snarare än att faktiskt undersöka en relevant populations acceptans av Bitcoin.
13
En fördel som gärna lyfts i sammanhanget surveys är just att den data de producerar ofta kan generaliseras till en större population. Vetenskapliga studier siktar vanligtvis på en konfidensnivå på 95% och en noggrannhet på 3% (Oates, 2005). Då den population ramverket testas på (svenska privatpersoner) är drygt 10 000 000 personer (SCB, 2020-09- 18) krävs för en konfidensnivå på 95% och en noggrannhet på 3% 1067 respondenter (Survey System, 2020-09-18). Då en svarsfrekvens på 10% inte tillhör ovanligheterna (Oates, 2005) hade enkäten, för att resultaten ska kunna generaliseras till den större populationen, kunnat behöva nå 10670 personer.
För att en studies resultat ska vara generaliserbara till den totala populationen bör urvalet dessutom vara representativt för populationen i helhet (Oates, 2005). Då förevarande studie inte har för syfte att dra slutsatser gällande rådande acceptans av Bitcoin i Sverige, skulle ha svårt att nå drygt 10000 personer, och dessutom använder sig av bekvämlighetsurval, har studien inga ambitioner att generalisera dess undersökningsresultat till svenska privatpersoner i helhet. Studien undersöker alltså acceptans gentemot Bitcoin hos ett urval av svenska privatpersoner, med ambition att utröna den föreslagna modellens relevans för urvalet i fråga.
3.2 Datainsamlingsmetodik
Som datainsamlingsmetod för att testa det föreslagna ramverket har studien använt sig av en enkät, med internet som kommunikationskanal. Enkät som datainsamlingsmetod kan användas i kombination med många olika forskningsstrategier, men är ofta associerad med surveys (Oates, 2005) vilket gör den väl anpassad till studiens forskningsstrategi. Denna kombination av forskningsstrategi och datainsamlingsmetod är också vanligt förekommande i tidigare studier som genom olika anpassningar av TAM testar acceptans av kryptovalutor (Albayati, Kim & Rho, 2020; Alqaryouti m fl, 2020; Hobeika & Liew, 2018; Kern, 2018;
Pakrou & Amir, 2016). En enkät är en kostnads- och tidseffektiv datainsamlingsmetod när data ska samlas från många respondenter, som dessutom är enkel för respondenten att besvara och ger data som är lätt att analysera för forskaren (Oates, 2005). Sett till studiens omfattning och syfte är enkät alltså en lämplig datainsamlingsmetod.
Studiens enkät inleddes med en introduktion där studiens syfte presenterades tillsammans med instruktioner gällande enkäten, en kort beskrivning av Bitcoin, samt information gällande respondentens anonymitet. För att bibehålla respondentens intresse följdes introduktionen av påståenden direkt relaterade till ämnet, för att sedan i slutet följas upp av demografiska frågor. Frågorna var slutna, och presenterades alltså med ett antal fördefinierade svarsalternativ, då detta kräver en mindre ansträngning från respondenten och dessutom gör data enklare att analysera statistiskt (Oates, 2005). Enkäten, bortsett från de demografiska frågorna, är Likert-baserad och består av indikatorer med en sjugradig svarsskala. Detta gör att många av de problem som slutna frågor kan innebära elimineras - svarsalternativen kommer inte att introducera alternativ respondenten inte själv känner till, och risken att möjliga svarsalternativ inte täcks upp försvinner. Enkäten var självadministrerad.
För att hålla reliabilitet och validitet hög inspirerades enkätens design delvis av Albayati, Kim och Rho (2020), som undersöker konsumenters acceptans av finansiella transaktioner med kryptovalutor, nyttjar en sjugradig Likert-skala, och alltså har testat för reliabilitet och
14
validitet sedan tidigare. De påståenden som i deras enkät behandlar uppfattad användarnytta, uppfattad användarvänlighet, attityd och intention att använda har översatts till svenska, och anpassats för att förtydliga förevarande studies breda definition av användande. Vissa påståenden har inverterats för att minimera samtyckesbias (orig. acquiescence bias). Till detta har påståenden som behandlar risk, delvis inspirerade av Lee (2009), och demografiska frågor adderats.
Innan enkäten skickades ut till undersökningsobjekt genomfördes ett pre-test, där enkäten skickades ut till ett antal, av författarna utvalda, respondenter med olika grader av erfarenhet av Bitcoin för att identifiera eventuella brister i enkätdesignen. Detta pre-test analyserades kvalitativt och ledde till vissa justeringar av enkäten, där den största var ett explicit förtydligande av studiens definition av användande av Bitcoin. Som tidigare nämnt definieras användande i bred bemärkelse och syftar inte enbart på användning som transaktions- och betalningsmedel, utan även t.ex. ägande och investerande. Vidare lades svarsalternativet “Annat” till för den demografiska frågan gällande högsta slutförda utbildning, då en av respondenterna för studiens pre-test poängterade att en respondents högsta slutförda utbildning kan ha genomförts i äldre utbildningssystem eller utomlands.
3.3 Metodik för dataanalys
Den insamlade datan analyserades kvantitativt. Målet var att finna mönster och statistiska samband i datan, för att på så sätt kunna dra slutsatser kring olika faktorers samband vilket i sin tur kan ge indikationer på hur väl det föreslagna ramverket kan användas för att studera acceptans av Bitcoin. Nominell data kodades redan vid designen av enkäten. Vidare har datan analyserats kvantitativt med hjälp av statistikprogrammen SPSS för den deskriptiva delen och SmartPLS för den inferentiella delen. Medelvärde och standardavvikelse har beräknats och presenterats för att ge en översiktsbild av den insamlade datans karaktäristika.
Deskriptiv statistik, kontra inferentiell statistik, kan inte användas som underlag för att förkasta eller acceptera studiens hypoteser, men gav en snabb överblick om hur urvalet som har svarat på enkäten är sammansatt. Datan har inte präglats av outliers, då enkätens frågor har haft slutna svar. Det var således inte möjligt att sätta ett extremvärde som svar på en fråga.
Som tidigare nämnt har flertalet tidigare studier undersökt Bitcoin eller kryptovalutor genom olika varianter av TAM. Det finns dock skillnader i hur studierna väljer att testa styrkan i deras modeller. Kern (2018) bröt i sin masteruppsats ned sin modell i flertalet enkla och multipla linjära regressioner för att testa styrkan i modellen. Linjära regressioner har förmågan att visa hur mycket en beroende variabel påverkas av en oberoende variabel, och där multipla linjära regressioner kan visa hur en variabel påverkas av flera oberoende variabler tillsammans. En nackdel med detta tillvägagångssätt är att antagandet måste göras att det inte existerar, eller åtminstone till väldigt låg grad existerar, multikollinearitet, det vill säga att två eller flera oberoende variabler korrelerar med varandra (Farrar & Glauber, 1967).
Enligt TAM har uppfattad användarnytta och uppfattad användarvänlighet en relation till varandra, men vardera konstrukt har också en relation till attityd, vilket gör det olämpligt att för denna studie använda sig av linjära regressioner.
Albayati, Kim och Rho (2020) och Pakrou och Amir (2016) använde i sina studier partial least square - structural equation modeling (PLS-SEM) som metod, vilket är en metod för
15
strukturell ekvationsmodellering. PLS-SEM är en analysmetod som passar för att undersöka tillägg till redan etablerade modeller (Chin, 1998), vilket är i linje med denna studie som testar en ny modell i form av TAM utökat med riskfaktorer. Valet av PLS-SEM kan utöver sin utbredda användning inom området motiveras med några allmänna karaktärsdrag som är inneboende i modellen. PLS-SEM kan appliceras på ej normalfördelad data, vilket stämmer överens med den insamlade datan. PLS-SEM kan också appliceras på en mindre urvalsstorlek, där tumregeln är att antalet datapunkter bör vara minst tio gånger större än de det största antalet relationer som är kopplade till ett specifikt konstrukt (Hair, Hult, Ringle
& Sarstedt, 2014). Det konstrukt med flest relationer till andra konstrukt i den föreslagna modellen är uppfattad användarvänlighet med tre relationer. Detta resulterar i att urvalsstorleken för testet av modellen bör vara minst 30, en tumregel som denna studie har följt. Med detta som bakgrund valdes PLS-SEM som analysmetod. Utöver de fördelar som tidigare nämnts, är PLS en av de mer vanligt använda metoderna vid undersökningar baserade på TAM och ger likvärdiga resultat jämfört med andra, mer resurskrävande typer av strukturell ekvationsmodellering (King & He, 2006).
För att undersöka reliabilitet på konstrukten i regressionen har Cronbachs alfa beräknats.
Cronbachs alfa är ett mått på den interna konsistensen för varje konstrukt, det vill säga hur väl varje indikator mäter samma bakomliggande fenomen (Cronbach, 1951). Cronbachs alfa är alltid ett värde mellan 0 och 1, där ett högre värde tyder på att den konvergenta validiteten är högre. För att kunna anse att konstruktet har hög reliabilitet bör Cronbachs alfa ha ett värde på minst 0,7 (Cortina, 1993). Cronbachs alfa är ett vanligt förekommande mått för Likert-baserade enkätstudier, och är av intresse för att utlysa reliabiliteten i studiens enkät.
Composite Reliability är ett mått som är snarlikt Cronbachs alfa, men som oftast anses vara ett bättre mått på indikatorers reliabilitet när de, som i denna studie, är reflektiva. Bland annat förutsätter Cronbachs alfa att alla indikatorer har likvärdig reliabilitet (Henseler, Ringle, & Sarstedt, 2015) vilket inte är fastslaget i denna studie. Värdena av Cronbachs alfa och Composite Reliability kan skilja sig åt markant då Cronbachs alfa är mycket mer känsligt för antalet indikatorer som utgör ett konstrukt, och i dessa fall oftast underskattar den konvergenta validiteten (Carmines och Zeller, 1979). Composite Reliability kan anta ett värde mellan 0 och 1, där högre värde indikerar högre konvergent validitet. Även för Composite Reliability är tröskelvärdet 0,7 (Henseler, Ringle, & Sarstedt, 2015) för adekvat reliabilitet. Ett för högt värde (>0,9) kan dock tyda på att indikatorerna endast är en parafrasering av samma fråga. Composite Reliability beräknades för samtliga konstrukt.
Vidare beräknades Average Variance Extracted (AVE) vilket har visat till vilken grad som ett latent konstrukt förklarar de manifesta variablernas varians (Fornell & Larcker, 1981).
För AVE är det tröskelvärde som anses behöva vara uppfyllt 0,5, då ett värde under 0,5 betyder att variansen av mätfel överträffar variansen av konstruktets underliggande indikatorer (Chin, 1998). I denna studie användes AVE främst på grund av dess möjlighet att testa Fornell-Larckerkriteriet. För att uppfylla Fornell-Larckerkriteriet så måste den sammanlagda variansen av de underliggande indikatorerna för ett konstrukt vara större än variansen som konstruktet delar med alla andra konstrukt (Fornell & Larcker, 1981). Fornell- Larckerkriteriet testades för att upptäcka om det föreligger diskriminant validitet (Fornell &
Larcker, 1981).
Efter att validiteten och reliabiliteten för konstrukten var fastslagen så undersöktes den strukturella modellen, för att på så sätt kunna besvara forskningsfrågan. De primära värden
16
som är av intresse för att fastslå modellens vikter och signifikans är i PLS-SEM standardiserade korrelationskoefficienter (orig. path coefficients) och deras respektive p- värden för respektive relation som låg till grund för hypoteserna som i sin tur utgör modellen.
Slutligen beräknades R2 för de beroende konstrukten i den strukturella modellen. R2-värdet är ett mått på hur stor del av den beroende variabelns varians som kan förklaras av dess oberoende variabler (Hair, Hult, Ringle & Sarstedt, 2014).
Den analysmetodik som presenterats ovan hade som målsättning att tillåta studien acceptera eller förkasta dess hypoteser och besvara dess forskningsfråga.
17
4. Resultat
I detta kapitel behandlas en kort översikt av detaljer rörande enkäten som skickades ut, de resultat som behandlar urvalets demografi, deskriptiv statistik för den föreslagna modellens konstrukt och slutligen testet av den föreslagna modellen och dess hypoteser.
4.1 Karaktäristika av enkät
Enkäten låg öppen för svar från den 20/11-20 till den 7/12-20. Under denna period besvarades enkäten av totalt 70 respondenter. Av enkätens förtext framgick att respondenten skulle vara en svensk privatperson, varför samtliga respondenter får antas vara detta. Det har inte funnits några skäl att exkludera någon av respondenterna. Frågan om total förmögenhet var den enda frågan som inte var obligatorisk, vilket resulterade i ett bortfall på 2 respondenter för denna specifika fråga. Resterande påståenden och frågor bygger på 70 svar/datapunkter.
4.2 Demografi
I Figur 3 syns att en stark majoritet av de 70 respondenterna - närmare 90% - var mellan 15 och 35 år gamla.
Figur 3. Cirkeldiagram för respondenters åldersfördelning.
48 personer (68,6%) identifierade sig som män och 21 personer (30%) som kvinnor. En respondent (1,4%) identifierade sig som annat. Respondenternas huvudsakliga sysselsättning var till största del studier på högskola/universitet (52,9%) och heltidsarbete (40%) (se Figur 4). Den vanligaste högsta slutförda utbildningen var gymnasieexamen (45,7%), tätt följt av kandidatexamen (41,4%) (se Figur 5).
18
Total förmögenhet i kronor var en icke-obligatorisk fråga, där två respondenter valde att inte svara. Hos de 68 respondenter som valde att svara var det vanligaste en förmögenhet på 200 000 kr – 1 000 000 kr (39,7%) (se Figur 6). Närmare 75% av respondenterna hade ingen praktisk erfarenhet av kryptovalutor (se Figur 7).
4.3 Technology Acceptance Model
I Tabell 1 redovisas medelvärden och standardavvikelser för de fyra originalkonstrukten i TAM. Medelvärdet för samtliga konstrukt låg nära skalans mittpunkt, 4 (+/- 0.57).
Spridningen för samtliga konstrukt är relativt hög.
Konstrukt Medelvärde (n = 70) SD
Uppfattad användarvänlighet 4,22 1,40
Uppfattad användarnytta 4,28 1,12
Attityd 3,47 1,79
Intention att använda 3,43 1,58
Tabell 1. Resultat för uppfattad användarvänlighet, uppfattad användarnytta, attityd och intention att använda. Samtliga värden är avrundade till två decimaler.
19
4.4 Uppfattad risk
I Tabell 2 redovisas medelvärden och standardavvikelser för studiens två riskkonstrukt. Här låg medelvärdena mycket nära skalans mittpunkt (+/- 0,05). Spridningen för båda konstrukten är relativt hög.
Konstrukt Medelvärde (n = 70) SD
Uppfattad finansiell risk 3,95 1,65
Uppfattad social risk 3,97 1,43
Tabell 2. Resultat för uppfattad finansiell risk och uppfattad social risk. Samtliga värden är avrundade till två decimaler.
4.5 Test av teoretiskt ramverk
För att undersöka graden av reliabilitet och validitet för varje konstrukt så har Cronbachs alfa, Composite Reliability och AVE beräknats med hjälp av SmartPLS, och resultatet presenteras i Tabell 3. För Cronbachs alfa är tröskelvärdet 0,7, för att kunna anse att konstruktet har hög reliabilitet (Cortina, 1993). Följaktligen kan vi se att attityd, finansiell risk och intention att använda uppfyller detta tröskelvärde. För Composite Reliability bör även i detta fall värdet vara över 0,7 för varje konstrukt (Henseler, Ringle, & Sarstedt, 2015).
Vi kan se i Tabell 3 att alla konstrukt uppfyller kriteriet. För Average Variance Extracted (AVE) är det tröskelvärde som anses behöva vara uppfyllt 0,5 (Chin, 1998). I Tabell 3 kan utläsas att alla konstrukt förutom uppfattad användarnytta uppfyller kriteriet.
Konstrukt Cronbachs alfa Composite reliability AVE
Attityd 0,828 0,897 0,746
Finansiell risk 0,852 0,896 0,640
Intention att använda 0,759 0,861 0,673
Social risk 0,293 0,738 0,585
Uppfattad användarnytta 0,532 0,705 0,370
Uppfattad användarvänlighet 0,665 0,802 0,516
Tabell 3. Resultat för konstruktens validitet. Fetmarkerade värden uppfyller inte tröskelvärdena. Samtliga värden är avrundade till tre decimaler.
I Tabell 4 presenteras test av Fornell-Larckerkriteriet. Vi kan utläsa att alla konstrukt uppfyller kriteriet, då variansen för konstrukten aldrig är lägre än korrelationen till andra konstrukt. Detta tyder på att den diskriminanta validiteten är hög och att konstrukten inte representerar samma underliggande koncept.
20
Konstrukt Attityd Finansiell
risk Intention att använda
Social
risk Uppfattad
användarnytta Uppfattad användarvänlighet
Attityd 0,864
Finansiell risk -0,581 0,800
Intention att använda 0,745 -0,474 0,821
Social risk -0,423 0,339 -0,333 0,765
Uppfattad
användarnytta 0,803 -0,558 0,631 0,401 0,608
Uppfattad
användarvänlighet 0,515 -0,407 0,516 0,437 0,497 0,718
Tabell 4. Fornell Larcker-test som mäter diskriminant validitet. De diagonala värdena (de värden som befinner sig högst upp i varje kolumn) är kvadratroten ur konstruktets AVE. De lodrätt följande värdena är
korrelationen till konstrukten på vågrätt rad. Samtliga värden är avrundade till tre decimaler.
I Tabell 5 kan de standardiserade korrelationskoefficienterna samt signifikansen för alla hypotetiserade relationer i det föreslagna ramverket utläsas. Vi kan utläsa att social risk har en negativ, men inte signifikant påverkan på attityd. Uppfattad användarvänlighet har en positiv påverkan på attityd, men den är ej signifikant. Resterande korrelationer har alla en koefficient i samma riktning som dess underliggande hypotes med en signifikansnivå under 5%, varav tre stycken korrelationer har en signifikansnivå på under 0,1%.
Hypotes β SD t-värde p-värde
Attityd → Intention att använda 0,745 0,048 15,449 0,000***
Finansiell risk → Uppfattad användarnytta -0,427 0,100 4,266 0,000***
Social risk → Attityd -0,085 0,104 0,815 0,209
Uppfattad användarnytta → Attityd 0,706 0,080 8,848 0,000***
Uppfattad användarvänlighet → Attityd 0,127 0,084 1,511 0,065 Uppfattad användarvänlighet → Uppfattad
användarnytta
0,323 0,115 2,803 0,003*
Tabell 5. Standardiserade korrelationskoefficienter mellan latenta variabler inklusive signifikanstest.
* = signifikans på 5%, ** = signifikans på 1%, *** = signifikans på 0,1%. Samtliga värden är avrundade till tre decimaler.
I Tabell 6 presenteras R2-värden för de beroende konstrukten. Enligt Chin (1998) räknas ett värde över 0,67 som betydande (orig. substantial) och ett värde över 0,33 och 0,19 som måttligt (orig. moderate) respektive svagt (orig. weak). Samtliga konstrukt har ett måttligt värde på R2.
Beroende variabel R2
Attityd 0,668
Intention att använda 0,555
Uppfattad användarnytta 0,399
Tabell 6. R2-värden för konstrukt. Samtliga värden är avrundade till tre decimaler.
21
I Figur 8 presenteras en visualisering av den strukturella ekvationsmodellen.
Figur 8. Strukturell ekvationsmodell utifrån PLS-SEM. Värden mellan konstrukt och indikatorer är yttre vikter (enkel linjär regression). Värden mellan konstrukt är standardiserade korrelationskoefficienter (path
coefficients). Värden i konstrukt är konstruktets R2. Värden inom parentes är p-värden. Alla värden är avrundade till en tusendel.
Sammanfattningsvis presenteras en sammanställning av studiens alla hypoteser, samt deras utfall i Tabell 7.
Hypotes Accepteras
(signifikansnivå) 1 Attityd har en positiv och signifikant påverkan på intention att använda Bitcoin Ja (0,1%) 2 Uppfattad användarnytta har en positiv och signifikant påverkan på attityden till
att använda Bitcoin Ja (0,1%)
3 Uppfattad användarvänlighet har en positiv och signifikant påverkan på
attityden till att använda Bitcoin Nej
4 Uppfattad användarvänlighet har en positiv och signifikant påverkan på
uppfattad användarnytta Ja (5%)
5 Uppfattad finansiell risk har en negativ och signifikant påverkan på uppfattad
användarnytta Ja (0,1%)
6 Uppfattad social risk har en negativ och signifikant påverkan på attityd Nej Tabell 7. Hypoteser och utfall.
22
5. Analys
Majoriteten av studiens hypoteser kunde accepteras, vilket indikerar att det föreslagna ramverket till stor del är lämpligt för att studera acceptans av Bitcoin. De beroende variablerna i modellen; attityd, intention att använda och uppfattad användarnytta kunde alla förklaras av sina oberoende variabler med måttlig styrka.
Hypotes 1, attityd har en positiv och signifikant påverkan på intention att använda Bitcoin, representerade den effekt som var starkast, både i storlek på koefficient och signifikans (β = 0,745, p = 0,000..). Det kan tolkas som att en användares attityd gentemot Bitcoin har en stark positiv effekt på dess intention att använda Bitcoin. Detta är i linje med de resultat som närbesläktade studier också har funnit (Albayati, Kim & Rho, 2020; Hobeika & Liew, 2018).
Attityds påverkan på intention att använda är också väl beprövad inom forskningen, och är en central del av både TAM (Davis, Bagozzi & Warshaw, 1989) och TRA (Ajzen &
Fishbein, 1980).
Hypotes 2, uppfattad användarnytta har en positiv och signifikant påverkan på attityden till att använda Bitcoin, accepterades också (β = 0,706, p = 0,000..). Även denna relation är baserad på TAM, och ges stöd i tidigare studier som undersöker kryptovalutor (Albayati, Kim & Rho, 2020; Hobeika & Liew, 2018). Alqaryouti m fl (2020) finner dock inga signifikanta resultat för detta.
Hypotes 3, uppfattad användarvänlighet har en positiv och signifikant påverkan på attityden till att använda Bitcoin, kunde inte accepteras (β = 0,127, p = 0,065). Detta resultat skiljer sig från de resultat som Albayati, Kim och Rho (2020) presenterar, då den studien kunde acceptera samma formulerade hypotes. Denna relation har tidigare visat sig vara, jämfört med de korrelationer som är underlag för hypotes 2 och 4, svagare (Ma & Liu, 2004). I Tabell 3 kan utläsas att värdet på Cronbachs alfa för konstruktet Uppfattad användarvänlighet är under tröskelvärdet. Detta tyder på att de indikatorer som har använts för att mäta konstruktet uppfattad användarvänlighet inte har mätt samma underliggande koncept. Dock bör tilläggas att värdet på konstruktets Composite Reliability (0,802) tillika AVE (0,516) har adekvata värden.
Hypotes 4, uppfattad användarvänlighet har en positiv och signifikant påverkan på uppfattad användarnytta, accepterades (β = 0,323, p = 0,003). Även detta resultat är i linje med tidigare forskning som undersökte denna relation (Albayati, Kim & Rho, 2020; Hobeika & Liew, 2018).
Hypotes 5, uppfattad finansiell risk har en negativ och signifikant påverkan på uppfattad användarnytta, accepterades (β = -0,427, p = 0,000..). Denna hypotes har, vad vi kan finna, inte testats förut i sammanhanget Bitcoin/kryptovalutor, men ger indikationer på att den uppfattade finansiella risken har en relativt stark effekt på uppfattad användarnytta. Detta resultat är i linje med Lu, Hsu och Hsu (2005). Jämförelser mellan denna studie och vår studie bör dock hållas kort, dels för att Lu, Hsu och Hsu (2005) använder ett annat teoretiskt ramverk som grund för sina riskfaktorer och dels för att teknologin, internetapplikationer, som undersöks inte är av samma karaktär som kryptovalutor. Denna likhet pekar dock på att uppfattad risk har en mätbar och icke försumbar effekt på användarens acceptans av teknologin i vissa fall.
23
Resultatet för hypotes 6, uppfattad social risk har en negativ och signifikant påverkan på attityd, var inte signifikant (β = -0,085, p = 0,209). Social risk, likt finansiell risk, har vad vi kan finna inte heller applicerats på TAM rörande kryptovalutor, och det försvårar därför jämförelse med tidigare studier. Våra fynd indikerar att uppfattad social risk inte tycks ha en effekt på användarens attityd till att använda Bitcoin. Viktigt att poängtera är dock att social risk hade ett synnerligen lågt värde på Cronbachs alfa (0,293), vilket indikerar att de två indikatorerna på social risk inte mäter samma underliggande koncept. Det är alltså inte uteslutet att social risk har en påverkan på attityd, men denna studie lyckades inte operationalisera faktorn till en adekvat grad. I kontrast till detta resonemang, så är den extrema skillnaden mellan Composite Reliability och Cronbachs alfa (0,738 - 0,293 = 0,445) i Tabell 3 ett tydligt exempel på varför Cronbachs alfa har en tendens att underskatta den interna konsistensen. Carmines och Zeller (1979, s. 46) visar genom sina ekvationer att en ökning av antalet indikatorer, där övriga variabler behålls konsekventa, också resulterar i ett högre alfa-värde. Då konstruktet social risk har lägst antal indikatorer (2) av alla konstrukt så är det inte förvånande att även skillnaden blir som störst mellan detta konstrukts värden på Cronbachs alfa och Composite Reliability.
24
6. Slutsats och diskussion
Denna studie har föreslagit ett teoretiskt ramverk för att undersöka acceptans av Bitcoin, och testat detta på ett bekvämlighetsurval av svenska privatpersoner. Forskningsfrågan som studien ämnade besvara var:
Hur väl kan Technology Acceptance Model utökat med faktorerna finansiell och social risk användas för att analysera acceptans av Bitcoin?
Det föreslagna ramverket kan användas för att analysera ett urval av svenska privatpersoners acceptans av Bitcoin, där merparten av den teoretiska modellens hypotetiserade relationer bekräftas. Det mest anmärkningsvärda är att variansen av konstruktet intention att använda till över 65% kan förklaras av variansen av individens attityd, och att över 50% av attityden kan förklaras av dess oberoende variabler. Vi ser tydliga tecken på att uppfattad finansiell risk är en viktig beståndsdel av den uppfattade användarnyttan och således en relevant addering till TAM vid undersökning av Bitcoin som teknologi. Alla hypoteser, som gemensamt beskriver de relationer som återfinns i modellen, kunde accepteras förutom H3 och H6. H3 har dock förekommit och bekräftats i tidigare forskning. Konstruktet uppfattad social risk visar inga tillförlitliga resultat, varför modellen kan behöva ytterligare arbete.
Denna studie särskiljer sig från andra studier som undersöker acceptans av Bitcoin och kryptovalutor, då den har adderat uppfattad finansiell och social risk, som påverkar uppfattad användarnytta respektive attityd. Av riskkonstrukten kunde endast finansiell risk accepteras som en signifikant bidragande faktor. Det teoretiska ramverk som denna studie presenterar har därför potential till förbättringar när det kommer till uppfattad risk av olika slag. Det finns flera riskdimensioner som inte applicerades i denna studie, primärt på grund av studiens tidsgräns men även enkätens omfång. Det hade alltså varit intressant att undersöka uppfattad risk vidare, och eventuellt applicera ytterligare riskdimensioner till TAM. Utöver att fastställa vilka typer av risk som är relevanta vid acceptansen av Bitcoin kan en sådan studie undersöka om operationaliseringen av faktorn uppfattad social risk har varit bristande.
Resultaten för uppfattad social risk, i synnerhet dess konvergenta validitet, ger indikationer på att de frågor som har ställts i enkäten inte mätt samma underliggande koncept.
87,2% av enkätens respondenter var mellan 15 och 35 år gamla. Detta var väntat med tanke på att data insamlades med hjälp av bekvämlighetsurval, där författarnas kontaktnät till största del består av folk inom åldersspannet i fråga. Denna skeva åldersfördelning hade varit ett hinder om studien hade haft som ambition att generalisera de resultat som enkäten resulterade i till den svenska befolkningen i helhet. Det är rimligt att anta att en mer spridd åldersdemografi hade lett till annorlunda resultat för enkäten, då individer som växt upp med datorer och internet lär ha en annan inställning till teknologi baserad på dessa byggstenar än någon som växt upp utan dem (Prensky, 2001). Det hade för framtida studier varit av intresse att undersöka hur ålder påverkar inställningen till Bitcoin, eller åtminstone ha denna påverkan i åtanke.
I enkäten behandlades respondenternas tidigare erfarenhet av kryptovalutor där de på påståendet gällande tidigare erfarenhet av kryptovalutor (såsom Bitcoin) kunde ange “Jag har ägt/äger en kryptovaluta, men inte köpt tjänster eller varor med denna.”, “Jag har köpt tjänster eller varor med en kryptovaluta.” eller “Jag har ingen praktisk erfarenhet av kryptovalutor.”. Drygt 25% av respondenterna hade tidigare erfarenhet av kryptovalutor, och
