Företags anpassning till M- Payment bakomliggande faktorer?

Transkript

1 Företags anpassning till M- Payment bakomliggande faktorer? Kandidatuppsats 15 hp Företagsekonomiska institutionen Uppsala universitet VT 2019 Datum för inlämning: Karin Bengtsson Henrik Bodén Handledare: David Andersson

2 Sammanfattning I studien undersöks vilka faktorer som påverkar företags anpassning till m-payment. Mobiltelefonen är tätt sammanlänkad med människan i dagens samhälle. I Sydostasien sker en stor del av betalningar redan med mobiltelefonen. Mobile payment (m-payment) förväntas kunna öka integreringen av fler fenomen än bara betalningstjänster kundrabatter och kundlojalitet är exempel på det som har nämnts i tidigare forskning. Tidigare forskning är emellertid mestadels inriktad på konsumenter, och därför riktar denna studie in sig på företag. Med hjälp av en enkät med utgångspunkt i Technology Acceptance model samt Diffusion of Innovations model undersöks ett urval om 134 företag med 32 svarande. Svaren kodades sedan i en logistisk regressionsmodell samt en kompletterande faktoranalys. Ingen av variablerna i modellen uppvisar statistisk signifikans vilket gör att resultaten från studien inte förklarar vad som påverkar företagens anpassning till m-payment. Storleken på urvalet kan nämnas som en av huvudförklaringarna till avsaknaden av signifikans. En liknande studie med ett större urval föreslås därför i framtida forskning. Nyckelord M-payment, Technology Acceptance model, Diffusion of Innovations model, Anpassning, Retailföretag

3 Förord Vi vill inleda med att tacka vår handledare David Andersson och opponenter Niklas Stach och David Tezera som ständigt utmanat oss. Vidare vill vi tacka Jakob Gottlieb och ID24 för hjälp med datainsamling. Vi tackar även Jakob Börsum för ditt statistiska stöd under arbetets gång. Slutligen vill vi tacka våra familjer för ert stöd och för att ni ger och har givit oss goda förutsättningar under studentåren. Karin Bengtsson & Henrik Bodén 2

4 Innehållsförteckning 1. Inledning Teoretisk referensram och tidigare forskning Technology Acceptance Model Diffusion of Innovations Theory Relative Advantage Perceived added value Cost Lack of critical mass Organisational readiness Metod Forskningsdesign Dataurval Enkätutformning Datainsamling Operationalisering av variabler Val av analysmetod Metodkritik Resultat Faktoranalys Regression Hypoteser Analys Forskningsmodell Statistisk diskussion Avslutande kommentarer Slutsats Begränsningar & framtida forskning Referenser Bilaga Pilotstudie - frågor Pilotstudie - resultat Följebrev Följebrev

5 1. Inledning Under det kinesiska nyåret är det tradition att barn får Hong bao, på svenska rött paket, av föräldrar och släkt. Sedan några år tillbaka har denna tradition gått från att levereras fysiskt till att nästan helt digitaliseras genom Kinas ledande techföretag Alibaba och Tencent (Che, 2018). Det är inte bara traditioner som digitaliserats, det kinesiska samhället omfattas i hög grad av möjligheten att genomföra transaktioner och betalningar via mobiltelefonen. Mobila betalningar i Kina har i stor utsträckning ersatt traditionella betalningsmetoder som kontanter, checkar och kortbetalning (Leong et al., 2013; Jinnan et al., 2017). Europa och USA brukar generellt sett betraktas som tekniskt utvecklade, men i dessa delar av världen har mobila betalningssystem inte fått lika stort genomslag. Forskning menar på att en av anledningarna till detta är att kortbetalningssystem är mer utvecklade i Europa och USA än i Sydostasien (Leong et al., 2013; Ghezzi et al., 2010). De argumenterar för att Sydostasien, i synnerhet Kina, saknade utvecklade system för kortbetalning. Detta samtidigt som tillväxten både ekonomiskt och teknologiskt var hög, vilket kan vara anledningen till att landet hoppade över mellansteget med kortbetalning och gick direkt från kontantbetalning till betalning via smartphones. Tillväxten i mobila teknologier har skapat nya betalningsmöjligheter för konsumenter och företag. Betalning har idag utvecklats till att genomföras på portabla enheter och begreppet mobile payment (hädanefter m-payment) har blivit centralt (Ooi & Tan 2016). M-payment är betalningar som genomförs kontaktlöst via telefonen (Ooi & Tan 2016). Mobila enheter tillåter användaren att ansluta till en server, där köparen identifierar sig själv och bekräftar köpet (Antoviski & Gusev, 2003; Mallat, 2007). M-payment kommer emellertid inte smärtfritt, exempelvis betraktas internetuppkopplingen som ett problem då den inte är stabil alla gånger (Valcourt et al., 2005). Det kan även vara många steg i processen att genomföra betalningen vilket gör det svårt för exempelvis äldre användare (Tan et al., 2014), för övriga grupper kan även verifikationen vara ett problem (Cheong et al., 2014). Avsaknaden av kompatibla system för m-payment kan även göra att kostnaderna ökar istället för att minska (Guo & Bouwman, 2016). Ingene och Levy (1982) argumenterade redan i början av 1980-talet för att betalningssättet som konsumenten erbjuds är en viktig del i ett företags marknadsföring samt finansiella mål då det har en direkt påverkan på företagets lönsamhet. Resultat från Falk et al. (2016) visar att m-payment som innovativ betalningsmetod leder till ett mer positivt overall store price image (OSPI). Det vill säga till vilken uppfattning konsumenter har kring butikens prisnivå i relation till konkurrenterna. 4

6 Framfarten av betalkort i mobilen, även kallat smartphone credit cards (SCC), gör att de tidigare problemen och begränsningar som kritisk forskning pekat på (Valcourt et al., 2005; Tan et al., 2014; Cheong et al., 2014; Guo & Bouwman, 2016) inte längre uppstår. Samtidigt kräver m-payment numera inte lika hög strömförbrukning som tidigare (Teh et al., 2014). SCC kan enligt Ooi och Garry (2016) definieras som betalningar som görs via Near Field Communication (NFC). Det är en trådlös teknik mellan två enheter som sker på ett avstånd av 10 cm eller mindre. Fördelen i trådlösheten ligger i att en betalning görs snabbare eftersom den inte kräver någon verifiering utan endast en snabb skanning av exempelvis en QR-kod eller genom blipp (Leong, 2013, Tan & Ooi, 2013). Även om SCC inte ännu är fullt integrerad i Europa och USA på samma sätt som i Sydostasien erbjuder de techbolag som är stora i västvärlden som Google, Apple, Samsung, Paypal etc. redan möjligheten till m-payment genom SCC (Ooi & Tan, 2016). Sverige rankades 2018 tillsammans med övriga nordiska länder samt Nederländerna som de mesta tekniskt avancerade länderna inom EU (EUkommissionen, 2018). Betalningslösningar som Swish med stöd av Bank-ID har medfört ökad användning av m-payment i Sverige. Idag kan konsumenter i Sverige exempelvis köpa biljetter till kollektivtrafik, e-handla samt skänka pengar via Swish. Betalningslösningar som innefattar m-payment i livsmedelsbutiker, tobaksaffärer eller retail är emellertid relativt sällsynta och här har Europa och Sverige inte kommit längre. Trots att betalningslösningar som Swish är relativt välintegrerade i Sverige kan betalningsvanor vara svåra att bryta, vilket kan innebära att företag inte vågar satsa nytt, då de inte med säkerhet kan veta hur konsumenterna kommer att reagera. Större delen av den forskning som gjorts på anpassning till m-payment har gjorts på konsumenter (Kim et al., 2010; Zhou, 2011; Keramati et al., 2012; Apansevic, Arvidsson & Markendahl, 2016; Datta & Shankar, 2018). Äldre studier från Mallat och Tuunainen (2005, 2008) samt Teo et al. (2005) fokuserade på vilka hinder och svårigheter företag möter när det kommer till m-payment. Dessa nämner emellertid liknande anledningar som tidigare nämnts av Valcourt et al. (2005), Cheong et al. (2014) och Tan et al. (2014), där fokus mestadels legat på tekniken. Vilket även litteraturgranskningen som gjorts av Dahlberg et al. (2015) inom m-payment framhäver och där konsumenter och teknik stått i centrum. Att konsumenters anpassning är intressant är förståeligt ur ett forskningsperspektiv likväl är m-payment något som kräver anpassning från både konsument och företag (Plouffe et al., 2000). Problemen med exempelvis internetuppkoppling (Valcourt et al., 2005) och verifikation (Cheong et al., 2014) kan numera anses vara övervunna. Litteraturgranskningen 5

7 från Dahlberg (2015) lyfter fram att mer forskning behövs kring hur enskilda företagare och större organisationer skiljer sig åt i anpassningen till m-payment. I Sverige är företags anpassning till m-payment relativt outforskat där Apansevic, Arvidsson och Markendahl (2016) är en av få studier som undersökt detta område. Detta trots att Sverige ligger i framkant med betalningslösningar som Swish vilken har 6,7 miljoner användare (Getswish, 2019), samt att de stora techföretagen erbjuder mobila betalningslösningar. Det stora användarantalet samt de potentiella fördelarna med m-payment för företag som exempelvis lägre transaktionskostnader, ökad kundlojalitet samt stärkt image (Mallat och Tuunainen, 2008; Chen, 2008; Falk et al., 2015; Ondrus & Lyytinen, 2011), borde därför tala för en anpassning till m-payment från företagens sida. Det är därför både relevant och intressant att undersöka varför det förhåller sig på det sättet och vilka faktorer som påverkar företagens anpassning till den nya tekniken. Detta leder till studiens fråga; Vilka faktorer påverkar företags anpassning till m-payment? 2. Teoretisk referensram och tidigare forskning I följande kapitel presenteras den teoretiska bakgrunden som ligger till grund för vår föreslagna forskningsmodell. Den består av två modeller: Technology Acceptance Model (TAM) samt Diffusion of Innovation (DOI) vilka har fusionerats för att göra TAM applicerbar på företag. Variablerna utgår ifrån tidigare forskning inom området där TAM reflekterar tidigare forskning på konsumenterna och DOI syftar till att sätta in dessa i ett företagsperspektiv. I och med att anpassning är något som sker från både företag och konsument (Plouffe et al., 2000) förefaller det naturligt att slå ihop modellerna för att få fram en forskningsmodell Technology Acceptance Model TAM har sin grund i Theory of Reasoned Action, TRA, vilket är en mer generell modell för att förklara mänskligt beteende. Det som skiljer TAM åt är att modellen fokuserar på beteende vid anpassning till ny teknik. TAM har sedan den introducerades fått en central roll i undersökandet av vilka faktorer som påverkar användares acceptans och anpassning till nya informationssystem på en mängd olika områden, från mobilspel till mobila betalningslösningar (e.g. Jun et al., 2019; Pavlou, 2003; Davis & Venkatesh, 2000; Park & Kim, 2013). Modellen utgår ifrån en förmedlande roll av två variabler; perceived ease of use och perceived usefulness som sedan sätts i relation till externa variabler (Marangunic och Granic, 2014). Perceived ease 6

8 of use återspeglar vilken grad av ansträngning en individ förväntar sig genom att använda ett specifikt tekniskt system, medan perceived usefulness återspeglar till vilken grad individer tänker kring hur användandet av ett specifikt tekniskt system kommer förbättra prestationen (Davis & Venkatesh, 2000). Figur 1. Ursprungliga Technology Acceptance Model. User Motivation X1 Perceived Usefulness X2 Attitude Towards Using Actual System Use X3 Perceived Ease of Use Design Features Cognitive Response Affective Response Behavioral Response Not: X 1-X 3 är externa faktorer. Källa: Davis (1985). Grundaren av TAM presenterade en uppdaterad modell kallade TAM2 i en undersökning som avsåg mäta andra externa variabler som subjektiva normer, image, job relevance och output quality. Studien visade på att samtliga extra variabler hade en märkbar påverkan på perceived usefulness, likväl hade även subjektiva normer en påverkan på avsikten att använda nya system (Davis & Venkatesh, 2000). En ytterligare modell som framförts (Davis et al., 2003) kallad Unified Theory of Acceptance and use of Technology (UTAUT) introducerade kön, ålder, erfarenhet och frivillighet som nya externa variabler. Gongrijp et al. (2013), argumenterar för att det är upp till företagen att skapa marknaden där innovation kan leda till nytta för konsumenten. När väl marknaden är på plats menar tidigare forskning som gjorts med TAM att perceived ease of use och usefulness tillsammans med flera externa variabler påverkar hur konsumenterna kommer att anpassa sig till den nya marknaden (McCloskey, 2003). 7

9 Technology Acceptance Model inom M-payment Kim et al. (2010) valde i sin version av TAM att använda sig av två konsumentvariabler och fyra system-karaktäristiska variabler för att undersöka vilka faktorer som påverkar anpassningen till m-payment i Sydkorea. Deras resultat visade att kunskap om m-payment, rörlighet, tillgänglighet samt bekvämlighet har en påtaglig påverkan på anpassning till m- payment. Zhou (2011) genomförde en undersökning för att mäta effekten av tillit inom m- payment i Kina där resultaten visade att upplevd säkerhet, genomslagskraft och perceived ease of use har en tydlig påverkan på tillit och att tillit även har en tydlig påverkan på avsikten att använda m-payment. I en nyare studie, även denna från Kina, där Jun et al. (2019) har undersökt Alibabas betalningstjänst Alipay via TAM visade det sig att perceived ease of use and perceived usefulness har en märkbar effekt på användarens attityd och avsikter med att använda Alipay. Samtidigt visar resultatet även att risk perception har en negativ effekt på perceived ease of use och perceived usefulness. Utöver detta har också risk perception en direkt effekt på användarens attityd och avsikt av att använda Alipay som helhet (Jun et al., 2019). Resultaten från studien indikerar på att när användaren upplever att risken med att använda Alipay är högre kommer deras attityd påverkas negativt och de blir därmed mindre benägna att använda sig av Alipay för betalning via mobilen. Vidare studier från Keramati et al. (2012) undersökte vilken påverkan tekniska och beteendefaktorer har på anpassningen till m-payment. Deras resultat visade att perceived ease of use och usefulness, tillit, förenlighet, kostnad, normer, betalningsvanor, tillgänglighet, färdighet och bekvämlighet har en påtaglig påverkan på anpassning. Även i Indien har Datta och Shankar (2018) undersökt vilka faktorer som påverkar konsumenters anpassning till m- payment. Även där visar deras resultat på att perceived ease of use - usefulness, samt den egna förmågan har en tydlig påverkan på anpassning till m-payment. I Sverige genomförde Apanasevic, Arvidsson och Markendahl (2016) en undersökning som visade att den teknologiska genomförbarheten det vill säga leverantörerna av de mobila betalningssystemens förmåga att leverera system, lägre servicekostnader, mervärde (added value) av en ny tjänst samt ease of use har en tydlig påverkan på konsumenter tillika på företag. De definierar intressenter som den grupp som kommer använda m-payment, dessa är leverantörerna av mobila betalningssystem, företag samt konsumenterna. 8

10 2.2. Diffusion of Innovations Theory Teorin om Diffusion of Innovations har genom åren använts flitigt för att studera innovationer och hur de sprider sig. Exempelvis inom områden som kommunikation (Stuart, 2010), hur ett företags digitaliseringsprocess för olika informationssystem går till (Zhu et al., 2006; Premkumar et al., 1994) samt även på digitaliseringen av utbildning (Dooley, 1999). Rogers (2003, s.206) beskriver Rate of Adoption som the relative speed with which an innovation is adopted by members of a social system.. Roger utvecklar med att innovationer till en början påverkar en mindre grupp för att sedan spridas i en population där det finns vad han kallar för kommunikationskanaler. Dessa fem olika kommunikationskanaler är vad som brukar tillskrivas den klassiska versionen av DOI: 1. Relative Advantage: Till vilken grad som en ny innovation uppfattas som bättre än äldre tillämpningar. 2. Compatibility: Till vilken grad som en innovation anses vara konsekvent med redan existerande värden, behov och tidigare erfarenheter hos potentiella användare. 3. Complexity: Svårighetsgraden på innovationen för användare. 4. Trialability: Till vilken grad som innovationen kan experimenteras med. 5. Observability: Till vilken grad som resultaten av innovationen är synliga för andra Diffusion of Innovations Theory inom M-payment Både TAM och Diffusion of Innovations har sedan 80-talet använts för att studera anpassning till informationssystem och ny teknik men senaste tio åren har de blivit allt populärare inom anpassning till mobila betalningslösningar (Dahlberg et al., 2015). Från TAM finns det som ovan visat, omfattande forskning kring konsumenters anpassning till m-payment. Icke desto mindre är antalet studier som undersöker hur företag och organisationer anpassar sig till m- payment och även andra områden relaterat till m-payment inte lika omfattande. Van der Heijden (2002), undersökte de tidiga faktorerna för anpassning till m-payment och fann att för konsumenterna var det kostnader samt ease of use relativt andra betalningsmetoder och för företag var det transaktionskostnader och ease of use. Mallat och Tuunainen (2005), framhäver variablerna relative advantage samt costs som faktorer som påverkar företags anpassning. Apansevic, Arvidsson och Markendahl (2016), fann att en faktor i anpassningen beror på operatörernas möjlighet att bygga upp ekosystem för m-payment. Johnson et al. (2018), 9

11 undersökte risken för privatpersoner vid m-payment med hjälp av DOI och TAM där de konkluderade att upplevd säkerhet, relative advantage samt ease of use hade en positiv påverkan på användandet av m-payment. Konsumenternas anpassning är en viktigt del av m-payment och därför är det förståeligt från ett forskningsperspektiv att undersöka konsumenter, dock är, som tidigare sagt, m-payment något som kräver anpassning från både konsument och företag (Plouffe et al., 2000). Eftersom teknik tenderar att visa på network externalities, det vill säga att värdet på en vara eller tjänst ökar desto fler som använder den (Song et al., 2009). TAM kan som tidigare studier visat (Apansevic, Arvidsson & Markendahl, 2016), kopplas till DOI varför en kombination av dessa verkar förefalla vara det främsta sättet för att skifta fokuset från konsumenter till företag då DOI erbjuder fler organisationsspecifika variabler medan TAM i sig är mer utav en beteendemodell. Mot bakgrund av litteraturöversikten föreslår vi att testa följande faktorer som oberoende variabler mot anpassning till m-payment med följande hypoteser: 2.3. Relative Advantage Relative advantage mäter till vilken grad som en individ uppfattar nya innovationer som bättre än äldre alternativ (Rogers, 2003). Innovation anses generellt vara en central del i företags framgångar (Cardozo et al., 1993), men innovationen får inte genomslag genom att endast vara något nytt. Tidigare forskning menar på att huruvida innovation lyckas eller inte delvis beror på hur väl företaget lyckas marknadsföra innovationen (Frambach och Schillewaert, 2002). I huvudsak förefaller det att många nya innovationer misslyckas eftersom de antingen inte uppfyller konsumenternas behov eller för att de inte är tillräckligt överlägsna alternativen (Calantone och Montoya-Weiss, 1994). Relative advantages har tidigare studerats på områden som e-handel, internetbetalning och mobilbank (Zhu et al., 2006; Tan och Teo, 2000), senast har även Johnson et al. (2018), undersökt begränsningar i anpassning till m-payment där deras resultat indikerar att relative advantage har en positiv påverkan på individers avsikter att använda mobila betalningstjänster. Relative advantage kan även anpassas på företag och organisationer där fokuset ligger på hur de ska ta nya innovationer till marknaden. Det är något som kräver att företag förstår sina potentiella konsumenter samt vilka faktorer som påverkar deras anpassningsförmåga. Beslutet om att anpassa sig sker mellan initiering och när organisationer blir medvetna om innovationen. Där formas deras attityd till innovationen och en utvärdering av produkten eller innovationen görs (Frambach och Schillwaert, 2002). 10

12 H1: Relative advantage påverkar företags anpassning till m-payment positivt 2.4. Perceived added value Som tidigare nämnt argumenterade Ingene och Levy (1982) redan under början av 1980-talet för att det betalningssätt som enskilda företagare och företag erbjuds är en viktig del i positioneringen. Forskningen som gjorts med TAM som utgångspunkt på konsumenter visar på att faktorer som tillit, förenlighet och bekvämlighet är viktiga för konsumentens anpassning till m-payment (Kim et al., 2010; Zhou, 2011; Keramati et al., 2012). Vetskapen om dessa faktorer kan företag använda på ett fördelaktigt sätt i sin anpassning till m-payment. Mobila betalningstjänster kan ses som en kanal som företag kan använda för att komma närmare kunder för direkt marknadsföring och aktiviteter kopplade till kundlojalitet (Frolick och Chen, 2004; Ondrus och Lyytinen, 2011). Ett gynnsamt overall store price image (OSPI) är även något som ger företag en strategisk fördel då konsumenter har en uppfattning om ett varumärke när de handlar. Falk et al., (2015), påvisade i sin studie att m-payment kan påverka ett varumärkes OSPI positivt. Vidare hävdar även Karnouskos och Fokus (2004), Mallat och Tuunainen (2008) samt Chen (2008) att introduktionen av m-payment potentiellt kan förbättra ett företags image och branding samt även lojalitet och kundservice. Därtill framhäver Karnouskos och Fokus (2004) att det finns möjligheter att addera ytterligare funktioner till mobila betalningstjänster baserat på lojalitet samt att det även bör förenkla själva betalningsprocessen. H2: Perceived added value har en positiv påverkan på företags anpassning till m-payment 2.5. Cost Att minimera kostnader är en viktig del i utvecklingen och effektiviseringen av företag. Guo och Bouwman (2016) argumenterar för att en påtaglig del av anpassningen till nya tjänster beror på till vilken grad enskilda företagare och företag kan använda redan existerande infrastruktur och plattformar, eftersom det kan reducera kostnader och få in kunderna som använder befintlig infrastruktur. En plattform för m-payment fungerar som en marknad som grundar sig på interaktion och synkronisering av utbudet (enskilda företagarna) och efterfrågan (kunderna). M-payment kan därför anses som ett tvåsidigt förhållande mellan konsumenter och företagare vilket även Plouffe et al. (2000) tidigare argumenterat för. Campbell-Kelly et al. (2014) kallar det för ett flersidigt förhållande vilket definieras som en organisation som skapar 11

13 värde primärt genom att möjliggör interaktion mellan två eller flera anslutna kunder. Enskilda företagare och företag betalar operatörerna som erbjuder betalningssystemet för tjänsten. Om m-payments tjänster kan erbjuda lägre transaktionskostnader i jämförelse med kortsystem kommer det uppfattas som attraktivt för företag (Karnouskos och Fokus, 2004; Mallat och Tuunainen, 2008; Chen, 2008). Andra kostnader som kan tillkomma är upplärning av personalen samt att träna personalen i användandet av m-payment (van der Heijden, 2002). Med det sagt anger tidigare forskning emellertid just minskningen av kostnader som en huvudanledning till varför enskilda företagare och företag ska välja m-payment (van der Heijden, 2002; Karnouskos och Fokus, 2004, Mallat och Tuunainen, 2008; Au & Kauffman, 2008). H3: Cost reduction har en positiv påverkan på företags anpassning till m-payment 2.6. Lack of critical mass På de flesta marknader för ny teknologi beror konsumenters fördelar för att anpassa sig på hur pass tillgänglig tekniken är. Tillgänglighet är just en faktor som påverkar anpassning till m- payment positivt i forskningen som gjorts med TAM (Kim et al., 2010; Zhou 2011; Keramati et al., 2012). Critical mass definieras i A Dictionary of Business and Management (2016) som A threshold number of users or customers needed for the sustainable growth of a product or service. Critical mass is required for the success of many online communities and for competing standards. Detta bör alltså enligt definitionen även stämma för hur m-payment ska nå critical mass. Au och Kauffman (2008) poängterar att det finns ett ömsesidigt beroende mellan konsument och företag från anpassning till användande av m-payment. Konsumenterna kan dra nytt av m-payment endast om det finns en generell acceptans av större nätverk av retailföretag, enskilda företagare, restauranger etc. (Plouffe et al., 2000; Karnouskos och Fokus, 2004; Goeke och Pousttchi, 2010). På samma sätt är retailföretag, enskilda företagare och restauranger intresserade av utvecklandet av dessa tjänster om det finns critical mass acceptance hos konsumenterna (Plouffe et al., 2000; Mallat och Tuunainen, 2008; Au och Kauffman, 2008). H4: Lack of Critical mass har en positiv påverkan på företags anpassning till m-payment 12

14 2.7. Organisational readiness För att ett företag eller en organisation ska kunna ta till sig ny teknik måste den också vara redo för det. Mallat och Tuunainen (2008) identifierade kunskap inom organisationen som en förutsättning för att lyckas med m-payment. Det framkommer i resultaten från deras studie att piloter bör testas för att öka kunskapen. Pilotstudier är även exempel på när företag kan experimentera och testa innovationen innan beslut tas. Detta för att organisationen ska vara redo för tekniken. Samtliga respondenter från deras studie menade på att de önskade mer information om nya mobila betalningssätt genom piloter innan systemet togs in. De fem företagen som intervjuades och som deltagit i pilotstudier menade på att genom kunskapen och erfarenheten de tillskansat sig genom piloterna kunde de på ett bättre sätt utforma och ta till sig fördelarna med anpassning till m-payment. Hur pass redo en organisation är för ny teknik kan även knytas till Trialability, det vill säga till vilken grad som innovationen kan experimenteras med (Rogers, 2003). H5: Organisational readiness har en positiv påverkan på företags anpassning till m-payment Hypoteserna utgår ifrån tidigare forskning med TAM och DOI. Hypoteserna ur DOI (Relative advantage, Organisational readiness) har delvis sin grund i tidigare forskning om TAM eftersom det i slutändan är konsumenterna som avgör om de vill använda produkten eller inte. Medan hypoteser som Critical mass har en mer direkt anknytning till TAM då tidigare forskning exempelvis (Kim et al., 2010) fann att bland annat tillgänglighet är en viktig faktor för konsumenters användande av nya innovationer. Samtidigt är det företagen som påverkar hur pass tillgänglig den nya innovationen är. Perceived added value och Costs är hypoteser som baseras på vad tidigare forskning om konsumenter via TAM visar. Parallellt används den ur ett företagsperspektiv med fokus på tidigare forskning om exempelvis kundlojalitet (Ondrus och Lyytinen, 2011), bekvämlighet och betalningsvanor (Keramati et al., 2012). Baserat på ovanstående litteraturöversikt samt de olika begreppen med tillhörande hypoteser föreslår vi följande forskningsmodell som teoretisk grund för vår studie: 13

15 Figur 2. Teoretisk modell Relative advantage Perceived added value Cost reduction M-payment anpassning Lack of critical mass Organisational readiness Not: De fem olika faktorernas påverkan på anpassning avses mätas. 3. Metod 3.1. Forskningsdesign Denna studie ämnar undersöka vilka faktorer som påverkar företags anpassning till mobila betalningslösningar, vilket avses besvaras med en kvantitativ studie, då data som samlas in är numerisk. Den kvantitativa metoden möjliggör också en statistisk analys. En deduktiv ansats tillämpas, vilket innebär att det teoretiska ramverket, samt tidigare forskning, utvärderas och leder fram till den modell som studeras. Utifrån denna modell härleds de fem hypoteserna. Den primärdata som krävs för att studera modellen samlas in genom en enkätundersökning som respondenterna själva fyller i. Valet att använda denna datainsamlingsmetod förankras i tidigare forskning då enkäter frekvent tillämpats inom tidigare forskning kring TAM samt DOI (Apansevic, Arvidsson & Markendahl, 2016; Mallat & Tuunainen, 2008; Datta & Shankar, 2018). Den tid som funnits tillgänglig för datainsamling har även den varit en bidragande faktor i val av metod för datainsamling, då datainsamling genom enkäter generellt sett är tidseffektivt. En enkätundersökning möjliggör statistiska analyser av den insamlade datan, samt ger möjlighet att generalisera resultaten till populationen (Bryman & Bell, 2015). Vidare ger även 14

16 enkät fördelen att det inte finns någon variation i hur frågorna ställs, det vill säga, alla företag får exakt samma frågor (Bryman & Bell, 2015) Dataurval Urvalet bestod av en lista bestående av 134 retailföretag i Norden, där retailföretag definieras som företag som deltar i processen att sälja varor och tjänster till konsumenter genom flera olika distributionskanaler (Online Etymology Dictionary, 2019). Urvalet erhölls från ITföretaget ID företag kontaktades varav 32 slutligen svarade vilket innebär en svarsfrekvens på cirka 24%. Tumregler kring antal respondenter inom multipel regression brukar vara fem respondenter per variabel medan det är vanligare med tio respondenter per variabel inom logistisk regression (Hair et al., 2014). Även om svarsfrekvensen är låg går den i linje med tidigare studier inom samma område (Mallat & Tuunainen, 2008). Antalet respondenter som svarade var 32 vilket också det kan anses som relativt lågt. Icke desto mindre är den generella tumregeln kring urvalsstorlek n 30 (Kar & Ramalingam, 2013) vilket gör att vi kan analysera resultaten från urvalet Enkätutformning Enkäten inleds med två introduktionsfrågor där data samlades in för att kunna redogöra för vilka olika leverantörer som används samt ifall de planerar införa några nya de kommande två åren. Vidare följde fem sektioner där varje variabel i vår forskningsmodell (relative advantage, perceived added value, cost, lack of critical mass samt organisational readiness) var representerad i varsin sektion. Enkäten distribueras genom Google Forms som möjliggör överföring av data till SPSS där den statistiska analysen genomförs. Frågorna ställs som ett påstående där respondenten instämmer helt eller instämmer inte alls. Skalan är konstruerad enligt en femgradig Likertskala, där alternativen sträcker sig från (1) Instämmer inte alls till (5) Instämmer helt. Fördelen med Likertskala är att respondenten inför varje fråga redan känner till svarsalternativen och minskar det element där de noggrant behöver läsa igenom alternativen inför varje fråga, vilket i förlängningen kräver lägre ansträngning av respondenten (Hagevi & Viscovi, 2016). Att vi använder stängda frågor bidrar även till att jämförbarheten mellan respondenter är trovärdigare, eftersom det inte behöver göras någon bedömning vid kodning av svaren utan denna är på förhand fastställd (Bryman & Bell, 2015). 15

17 I enkäten har frågor från tidigare forskning använts. Dessa har översatts från engelska till svenska samt i vissa fall formulerats om för att passa syftet med studien. Genom att använda frågor från tidigare forskning används frågor som redan utsatts för en pilotstudie och således testats för hur väl de mäter den avsedda variabeln (Bryman & Bell, 2015). Att använda frågor från tidigare forskning innebär också att jämförbarheten med tidigare forskning ökar (Bryman & Bell, 2015) Datainsamling Pilotundersökning Innan insamlingen av primärdata påbörjades, genomfördes en pilotundersökning med syfte att sondera terrängen och bilda en uppfattning om hur marknaden ser ut idag. Undersökningen var en strukturerad intervju där samma frågor ställdes till alla butiker och inga följdfrågor ställdes. För frågorna, se bilaga 1. Pilotundersökningen genomfördes den 9 april Undersökningen genomfördes på 25 butiker i Mall of Scandinavia, Stockholm samt 25 butiker i Sickla Köpkvarter, Stockholm. En matchning genomfördes i förväg för att säkerställa att två butiker inom samma kedja inte inkluderades två gånger Primärdata Insamlingen av primärdata genomfördes i april Den inleddes med att kontakt togs med växeln vid de olika företagen för att senare eventuellt kopplas vidare till IT-ansvarig vid företaget. I vissa fall lämnade företagen endast ut e-postadress, varpå enkäten skickades tillsammans med ett följebrev (se bilaga 4). I de fall vi kopplades vidare frågade vi om personen kunde svara på vår enkät, varpå ett ja följdes med att enkäten mailades tillsammans med ytterligare ett följebrev (se bilaga 5). I inbjudan till enkäten fanns en kort informationstext som innehöll syftet med undersökningen, en not om att alla svar behandlas anonymt, samt att svaren endast kommer att inkluderas i denna kandidatuppsats. Dessutom inkluderades information om den tid som enkäten förväntades ta. Denna information upprepas även i sidhuvudet på enkäten Operationalisering av variabler Tabell 1. Enkätfrågornas koppling till faktorer. Faktor Fråga 16

18 Relative advantage (RA) Perceived added value (PAV) RA1: Våra produkter passar för mobilbetalning RA2: Mobilbetalning är kostnadseffektivare jämfört med ett kreditkortsköp PAV1: Mobilbetalning kan förstärka företagets image PAV2: Företag som erbjuder mobilbetalning ligger i framkant PAV3: Mobilbetalning minskar företagets kostnader PAV4: Mobilbetalning kan öka kundlojalitet PAV5: Mobilbetalning kan leda till bättre kundservice Costs (COST) Lack of critical mass (LoCM) COST1: Mobilbetalning hjälper personalen att fokusera på övriga arbetsuppgifter COST2: Det är effektivt att kunna ta betalt av kunder via mobilbetalning COST3: Mobilbetalning gör att företaget friställer resurser till annat COST4: Betalning genom telefon leder till snabbare betalning och fler kunder kan handla på kort tid LoCM1: Det är tydligt för kunden att mobila betalningslösningar finns i butiken LoCM2: Personalen har tillräcklig information om mobilbetalning LoCM3: Samhället uppmanar till mobilbetalning 17

19 Organisational readiness (OR) OR1: Företaget är öppet för ny teknik/produkter/tjänster OR2: Företag uppmanar till mobilbetalning OR3: M-payment är användbart Relative advantage som faktor härleds från DOI (Zhu et al., 2006; Tan och Teo, 2000; Johnson et al., 2018) där den tidigare mätts genom enkätstudier. Därigenom bör det förefalla naturligt att de tre frågor som avser mäta denna variabel inhämtas från studier där de redan genomgått testning. RA1 har inhämtats från Mallat och Tuunainen (2008) där den mäter ökad försäljning, och som i vår modell kommit att falla in under relative advantage då den jämförs med tidigare teknik. RA2 kommer från Zhu et al. (2006), och har omformulerats för att passa i syftet att undersöka m-payment. Vidare undersöks faktorn perceived added value, PAV. De två första frågorna avseende perceived added value har inhämtats från Mallat et al. (2008). PAV1 mäter perceived added value då m-payment enligt tidigare forskning kan ha en positiv inverkan på ett företags image, vilket är något som tillför värde för företaget (Karnouskos & Fokus, 2004; Mallat & Tuunainen, 2008; Chen, 2008). Perceived added value genom att företaget upplevs som tekniskt framåt mäts i PAV2. PAV3 samt PAV4 är nya frågor till följd av att en viktig faktor för konsumenter är bekvämlighet (Kim et al., 2010; Zhou, 2011; Keramati et al., 2012), samt att vidareutveckling av m-payment att innefatta kundlojalitet och kundbemötande är en viktig del i anpassningen för företag. Costs mäts i fem frågor där alla hämtats från Mallat och Tuunainen (2008) där dem avsett mäta minskning av kostnader, vilket vi även avser mäta. Därför förefaller det rimligt att använda en översättning av dessa frågor. Lack of critical mass mäts i tre frågor hämtade från tidigare forskning (Mallat & Tuunainen, 2008; Apanasevic et al., 2016). LoCM1 ställs som en öppen fråga, men har i enkäten formulerats om för att möjliggöra instämmer inte alls - instämmer helt svar. Att personalen är tillräckligt informerad om m-payment kopplas till huruvida m-payment uppmuntras av personalen, och därmed uppmuntras, vilket LoCM2 avser mäta. LoCM3 avser mäta huruvida 18

20 den konsumenterna utsätts för budskap och uppmuntran i tillräcklig utsträckning för att uppnå kritisk massa. Den sista faktorn som mäts är organisational readiness. Eftersom tidigare forskning visat att om företaget kan testa lösningen innan, ger det en positiv upplevelse av m-payment (Mallat & Tuunainen, 2008). OR1 hämtas från Mallat och Tuunainen (2008) och är en viktig del av hur redo organisationen är för implementeringen. I förlängning till om samhället uppmuntrar till mobilbetalning (LoCM3), är det också intressant att mäta om företaget uppmuntrar till mobilbetalning, vilket vi kopplar till hur redo företaget är, vilket OR2 avser mäta. OR3 syftar till att fånga upp den allmänna uppfattningen företag har om m-payment, vilket då avser mäta hur redo företaget är för m-payment Val av analysmetod Faktoranalys För att undersöka om de frågor som ställs i enkäten mäter det som de avser att mäta görs en faktoranalys. En faktoranalys genomförs också för att vi vill försöka minimera antalet faktorer som visar samband mellan data (Bryman & Bell, 2015). Det finns två typer av faktoranalys: Confirmative factor analysis (CFA) och Exploratory factor analysis (EFA). Vi har skapat en egen struktur via variablerna i vår modell, och vill undersöka om den strukturen överensstämmer med data från vårt urval. Vi använder oss alltså av en CFA. Detta är användbart när en undersökning innehåller flera olika mått, exempelvis vid användandet av Likertskalor. Detta för att se om det finns en inneboende struktur i data, i vårt fall om den inneboende strukturen överensstämmer med vår modell. En faktoranalys väljer ut de faktorer som förklarar insamlad datas varians på bästa sätt. I en faktoranalys kommer den första faktorn förklara mest varians den andra faktorn nästa mest etc. Varje faktor har också ett eigenvalue (egenvärde) som är det direkta måttet på hur mycket av variansen som just den faktorn förklarar. Desto högre egenvärde, desto bättre. I regel gäller emellertid faktorer bör ha ett egenvärde över 1 (Bryman & Bell, 2015). Via faktoranalysen får vi ut faktorladdningar. Dessa syns i tabell 2, och dessa värden avgör hur mycket varje variabel korrelerar med respektive faktor. Vid tolkning av faktorladdning undersöks de variabler som har laddning som antingen överstiger 0.3 eller understiger -0.3 (SPSS-akuten, 2011). 19

21 Regressionsmodell Denna studie undersöker vilka faktorer som påverkar ett företags anpassning till m-payment, alltså hur anpassningen varierar utifrån de oberoende variablerna. De oberoende variablerna är kvantitativa och kommer undersökas i en regressionsmodell, där anpassning är den beroende variabeln. Anpassning mäts vanligtvis som antalet respondenter som anpassat sig till den nya innovationen inom en bestämd tidsperiod, i denna studie kallat early adopters (Rogers, 2003). Early adopters klassificeras utifrån vad respondenterna svarat på enkätfrågan Finns det några planer på att implementera några nya mobila betalningslösningar 2019/2020? De som svarat Ja, 2019 klassas som early adopters och de respondenter som svarat Nej klassas som late adopters. Dessa kodas enligt early adopters = 1 och late adopters = 0. Eftersom vår beroende variabel därmed blir kvalitativ och endast kan anta två värden, i detta fall 1 eller 0, har vi vad som kallas för en binär beroende variabel (Dahmström, 2011). För att en regression med en binär variabel ska fungera krävs det att de skattade värdena på Y givet ett specifikt värde på oberoende variabel X kan tolkas som sannolikheten för utfallet Y=1 givet X-värdet. Det problematiska med att anpassa en linjär regression efter en binär Y-variabel blir därmed att den linjära modellen inte garanterar skattningar inom intervallet (0,1) (Dahmström, 2011). En logistisk regressionsmodell som är en funktion av X hamnar alltid mellan 0 och 1, eftersom den anger ett sannolikhetsvärde mellan 0 och 1 (Dahmström, 2011). I den logistiska regressionsmodellen är oddskvoten av intresse då analysen ska göras. Oddskvoten visar hur den beroende variabeln förhåller sig till de oberoende variablerna (Dahmström, 2011). I praktiken innebär detta att om den oberoende variabeln ökar med en enhet, kommer den beroende variabeln att öka med "##$%&'()* = 0% (Dahmström, 2011). Regressionsanalysen görs på en sammanvägning, där varje variabel representeras av det sammanvägda medelvärdet på de frågor som mäter den aktuella variabeln. För att avgöra styrkan på modellen används tre mått: Cox & Snell R 2, Nagelkerke R 2 samt andelen variabler som modellen predicerar rätt. Cox & Snell R 2 samt Nagelkerke är mått som i viss mån liknar förklaringsgrad i en linjär regressionsanalys, men som inte kan tolkas som andelen förklarad varians (Hair et al., 2014). Likt förklaringsgraden är den ett värde mellan 0 och 1 och där ett högre värde indikerar att de oberoende variablerna förklarar större del av variationen i den beroende variabeln (Hair et al., 2014). Det sista måttet för styrkan, andelen rätt, mäts genom att modellen predicerar hur många observationer som kommer anta värde 1 och hur många som kommer anta värde 0 (Hair et al., 2014). Detta blir i vårt fall, inom variabeln 20

22 early adopters hur många predicerar modellen vara early adopters. Detsamma görs för late adopters. Dessa antal jämförs sedan med hur många som faktiskt var early adopters samt late adopters, för att ange en generell grad av hur träffsäker modellen är. För att kunna avgöra träffsäkerheten används en tumregel (Hair et al., 2014). Tumregeln utgår från den största gruppen i urvalet. Den andel som denna grupp utgör av det totala urvalet multipliceras med 1,25 och sedan 100. Detta ger ett jämförelsetal i procent som kan jämföras med resultatet från testet. I vårt fall , = 85,94%. 43 Den regressionsmodell som kommer att testas är följande: =>?=@@>A>B = C D + C F G= + C 3?=H + C 4 I"@J + C K L'IM + C N "G + O (1) I vilken anpassning är den binära Y-variabeln som beror av X-variablerna. b0 är interceptet. En enhets ökning i b1ra, det vill säga en ökning i variabeln Relative Advantage (RA) ger högre sannolikhet för att företag anpassat sig till m-payment. Samma gäller för övriga oberoende variabler där b2pav är perceived added value (PAV), b3cost är Cost (COST), b4locm är Lack of Critical Mass (LoCM) och B5OR är Organisational readiness (OR). Om någon av de oberoende variablerna har ett negativt värde, exempelvis b5or, tolkas den som att en ökning i variabeln COST, ger en minskad sannolikhet för anpassning till m-payment Multikollinearitet Multikollinearitet förklaras som när två eller flera oberoende variabler i en regressionsmodell korrelerar med varandra till en alltför hög grad. Problemet med multikollinearitet blir därmed att det är svårt att avgöra vilken variabel som har påverkan på den beroende variabeln. För att testa för multikollinearitet har vi gjort en korrelationsmatris (se bilaga 6) där värdena ska vara under 0.8 för att de inte ska påverkas av multikollinearitet (Hair et al., 2014) Metodkritik Användandet av Likertskalor har kritiserats (Schaeffer & Presser, 2003). Likertskalor kan potentiellt orsaka passivt samtycke eftersom det ofta är lättare att hålla med i påståendet än att ta avstånd från det (Revilla, Saris & Krosnick, 2014). Dessutom kan frågeställaren uppfattas ha mer kunskap i ämnet än den som svarar, vilket också leder till att respondenten i större 21

23 utsträckning håller med i påståendet än tar avstånd. Detta innebär att det kan uppstå systematiska fel i insamlad data (Revilla et al., 2014). För att minimera detta systematiska fel bör fem kategorier finnas i svarsskalorna. Likväl vid färre alternativ hos en Likertvariabel kvarstår fortfarande problematiken med att behandla en ordinalskala som en intervallskala på grund av respondentens subjektiva uppfattning. Ett företags fyra kanske skiljer sig från ett annat företags fyra. Det är dock också svårt att avgöra vad som skiljer en sjua från en sexa. Vi begränsar oss därför till en 1-5 skala, eftersom vi kommer få högre kvalité på datamaterialet än vid fler Likertvariabler (Revilla et al., 2014). Storleken på urvalet och antalet respondenter är också något som bör nämnas eftersom det är relativt lågt för en undersökning med logistisk regression. Mindre urval kan ha urvalsfel, vilket gör att det blir svårt att identifiera några tydliga statistiska samband. Ett större urval hade sannolikt lett till fler svar, vilket ger en större spridning i resultatet och bidrar med ökad statistisk styrka. Det är givetvis något vi är medvetna om men givet tidsaspekten får vi förhålla oss efter de svar vi får in. 4. Resultat 4.1. Faktoranalys Tabell 2. Rotated Component Matrix COST RA/PAV OR LoCM COST1.872 COST2.865 COST COST4.786 RA PAV RA PAV PAV OR1.732 OR OR PAV PAV

24 LoCM1.900 LoCM2.835 LoCM Tabell över vilken faktorladdning de olika frågorna har för respektive variabel. Faktoranalysen visar att frågorna förklaras av fyra faktorer istället för de fem ursprungliga. Faktorladdningarna (tabell 2), visar att relative advantage och perceived added value förklaras av en faktor istället för de ursprungliga två. Alltså visar resultatet på att variablerna relative advantage och perceived added value bör slås ihop till en faktor. Den nya faktorn får namnet Relative advantage/perceived added value (RA/PAV). Resultatet visar även att vissa frågor har en faktorladdning på över 0,3 på fler än en faktor, men vidare i studien kommer den höra till den faktor där den visar högst faktorladdning. PAV4 samt PAV5 har en faktorladdning på över 0,3 på både faktor Relative advantage/perceived added value samt Organisational readiness där den senare visar högst faktorladdning. Dock är skillnaden mellan den lägre och högre faktorladdningen relativt liten. Givet vad frågorna avser att mäta kommer de på grund av detta plockas bort från vidare analys. Den hopslagning som gjordes av relative advantage och perceived added value innebär att regressionsmodellen revideras. Den nya modellen blir; =>?=@@>A>B = C D + C F G=?=H + C 3 I"@J + C 4 L'IM + C K "G + O (2) Urvalet är relativt sett litet, mindre än 100 respondenter (Hair et al., 2014). Givet detta kommer vi även att testa den ursprungliga regressionsmodellen (modell 1). Detta görs för att upptäcka eventuella skevheter Regression Multikollinearitet Korrelationsmatrisen visar att de flesta variablerna korrelerar med varandra i sådan utsträckning att det ej orsakar problem för framtida analys (korrelationen <0,8). Cost visar på korrelation över 0,8 (0,85 samt 0,83 se bilaga 6), men eftersom de korrelerar inom variabeln cost, orsakar det ej problem för framtida analys. 23

25 Regressionsmodell 1 Tabell 3. Prediktioner och observerade värden i regressionsmodell 1. Observerad Uppskattad Early adopters Procent Korrekt Nej Ja Early adopters Nej ,5 Ja Generell procent korrekt 78,1 Modellen predicerar rätt på antal early adopter/late adopter i 78,1% av fallen (tabell 3), vilket tyder på att de oberoende variablerna förklarar anpassning i relativt hög utsträckning. Tabell 4. Regressionsoutput och förklaringsvärden för regressionsmodell 1. Oddskvot Procentuell förändring Cox & Snell R 2 Nagelkerke R 2 Modell 1 0,129 0,181 PAV COST OR LoCM 1,605 (1,370) 0,349 (0,697) 2,331 (1,024) 1,442 (0,668) 60,5-65,1 133,1 44,2 Not: *=p<0,1 **= p<0,05 ***=p<0,01. Standardfel inom parentes. Den logistiska regressionen i modell 1 visar att de två olika R 2 -värdena (Cox & Snell samt Nagelkerke) är 0,129 samt 0,181 (tabell 4). Detta innebär att de oberoende variablerna förklarar 12,9% samt 18,1% av variationen i den beroende variabeln. Oddskvoten (återfinns i tabell 4) för variabel RA visar att om RA ökar med en enhet kommer anpassningen att minska med 17,1%. Om AV ökar med en enhet kommer anpassningen att öka med 60,5%. Då COST ökar med en enhet kommer anpassningen att minska med 65,1%. Vidare finner vi att då OR ökar med en enhet ökar anpassningen med 133% och då LoCM ökar med en enhet kommer 24

26 anpassningen att öka med 44,2%. Dessa samband visar dock endast indikationer då ingen av variablerna är statistisk skild från noll och några statistiska samband inte återfinns. Tydligast indikation är COST på 0,131, men ej signifikant då 0,131>0, Regressionsmodell 2 Tabell 5. Prediktioner och observerade värden i regressionsmodell 2. Observerad Uppskattad Early adopters Procent Korrekt Nej Ja Early adopters Nej ,9 Ja Generell procent korrekt 75 Modellens totala andel rätt prediktioner är 75% (tabell 5), vilket även här tyder på att de oberoende variablerna i högre utsträckning förklarar den beroende variabeln. Tabell 6. Regressionsoutput och förklaringsvärden för regressionsmodell 2. Oddskvot Procentuell förändring Cox & Snell R 2 Nagelkerke R 2 Modell 2 0,126 0,177 COST OR LoCM 0,370 (0,672) 2,530 (0,982) 1,454 (0,673) ,4 Not: *=p<0,1 **= p<0,05 ***=p<0,01. Standardfel inom parentes. I regressionsmodell 2 förklarar de oberoende variablerna 12,6% (tabell 6) av variationen i anpassning, enligt Cox & Snell R 2 samt 17,7% av variationen i anpassning enligt Nagelkerke R 2. I denna hopslagna modell (modell 2) innebär en ökning med en enhet av RA/PAV en ökning av anpassning med 15,7%. En ökning av COST med en enhet innebär en minskning av 25

27 anpassning med 63%. En ökning med en enhet av OR innebär en 153% ökning av anpassning samt en ökning av LoCM med en enhet innebär en ökning med 45,4%. I den hopslagna modellen är ingen av variablerna signifikanta, COST är närmst på 0,140, vilket innebär att resultaten endast är indikationer och kan inte skiljas från Hypoteser Då vi inte finner signifikans för någon av variablerna i vardera regression kommer samtliga hypoteser att förkastas. Tabell 7. Summering av hypoteser. Hypotes Variabel Acceptera/Förkasta H1 Relative advantage Förkasta H2 Perceived added value Förkasta H3 Cost reduction Förkasta H4 Lack of Critical Mass Förkasta H5 Organisational Readiness Förkasta 5. Analys 5.1. Forskningsmodell Relative advantage/perceived added value H1: Relative advantage påverkar företags anpassning till m-payment positivt förkastas då den ej uppvisar statistisk signifikans. Då de lösningar som finns på marknaden idag ska utvärderas och i längden för att företagen ska ta till sig innovationen blir det viktigt att de uppnår de kriterier som sätts upp av konsumenterna (Frambach och Schillwaert, 2002). Därigenom kan relative advantage påverkas av att de lösningar som finns inom m-payment idag är för komplicerade för att kunderna i någon större utsträckning ska utnyttja dem, vilket då minskar intresset hos företagen att implementera dessa (Calantone och Montoya-Weiss, 1994). Dessutom är många av de lösningar som finns inom m-payment idag långt ifrån heltäckande, och bara kunder hos vissa 26