Leeft de Vlaming van morgen slimmer dankzij Internet of Things?
Heb jij ze al eens gezien: de bekende filmpjes waarin slimme technologie onze levens van morgen compleet verandert? De filmpjes tonen al een tiental jaar een koelkast die automatisch melk bijbestelt in de winkel of een slim beveiligingssysteem dat jouw huis in de gaten houdt tijdens jouw afwezigheid. Enkel maar voordelen! Of toch niet? Vandaag prijzen gelijkaardige video’s nog steeds het innovatieve leven van morgen aan dat ons huidig leven al had kunnen zijn.
Internet of Things in een notendop
Laten we beginnen bij het begin: wat is nu Internet of Things (IoT)? De term werd in 1999 allereerst gebruikt door technologie pionier Kevin Ashton, die het RFID-label (Radio-Frequency Identification) hielp ontwikkelen. Het RFID-label communiceert door middel van radiogolven de informatie die het bevat. Je kleeft zo’n label op een voorwerp, en klaar! Het voorwerp kan nu als het ware ‘communiceren’. Dit was het begin van wat Ashton beschreef als Internet of Things: “... een wereld waar het internet met de fysieke wereld verbonden is door middel van sensoren”. Met andere woorden: een wereld vol slimme, verbonden voorwerpen.
Ashton’s wereld groeide intussen sterk aan. In 2017 waren alvast 8,38 miljard Internet of Things toestellen in gebruik (1), met een voorspelde groei tot 12 miljard toestellen in jaar 2020. Twee grote trends drijven deze groei. Miniaturisatie van steeds slimmere elektronica en betere connectiviteit door alomtegenwoordig wifi en mobiel internet bieden eindeloos mogelijkheden. Toch bestellen we nog steeds zelf onze melk of vragen we aan de buren om thuis een oogje in het zeil te houden. De voorziene revolutie uit de filmpjes maakt plaats voor een geleidelijke evolutie. Waarom laat de consument de voordelen van Internet of Things links liggen? Potentiële nadelen.
Drivers, barrières en het adoptiemodel
Elke nieuwe (r)evolutie, van een simpele smartphone tot volledige sociaal systeem, heeft zowel drivers als barrières. Waar de drivers de verspreiding van een innovatie versnellen, kunnen barrières nieuwigheden net tegenhouden. Enkele voorbeelden. Zo zorgden de overduidelijke voordelen van de LED-lamp ervoor dat Europese overheid de verkoop van milieuonvriendelijke tegenhanger, namelijk de gloeilamp, zelfs volledig verbood vanaf 2009 (2). Aan de andere kan van het spectrum bevindt zich bijvoorbeeld de elektrische auto. De voordelen voor het milieu en de lage gebruikskost wegen niet op tegen de hoge aankoopkost, het gebrek aan oplaadinfrastructuur en de beperkte reikwijdte (3). Bijgevolg bedraagt het aandeel elektrische auto’s in België slechts 0,11% (4) ondanks een aankooppremie.
Het belang van drivers en barrières maakt een duidelijk overzicht bijgevolg geen overbodige luxe. Daarom brengt onderzoek deze factoren zo goed mogelijk in kaart. Onderzoekers bundelen alle relevante drivers en barrières voor een bepaald product in wat heet een ‘adoptiemodel’. Dat adoptiemodel biedt ontwikkelaars en beleidsmakers een leidraad voor respectievelijk toekomstig onderzoek en beleidsplannen.
Nieuw onderzoek
Internet of Things is in dit opzicht geen uitzondering. Onderzoek naar een adoptiemodel is hoognodig wil de maatschappij Internet of Things ten volle gaan benutten. Nieuw onderzoek door Bram Guldentops, alumni aan de Vrije Universiteit Brussel, wil de aanzet geven voor de tocht naar een algemeen adoptiemodel. Guldentops voerde hiervoor een steekproef uit in Vlaanderen door middel van een online vragenlijst (n = 419). Voor de bouw van het model startte Guldentops bij bestaande adoptiemodellen voor technologie in het algemeen en baseerde hij zich op eigen ervaring uit voorgaand werk.
Het voorgestelde model bestaat uit vijf zaken die de adoptiesnelheid van Internet of Things beïnvloeden. De vijf factoren slagen erin om voor 96.8% de mate van adoptie te verklaren (R2= .968, F(5,413)= 2489.626, p< .001). Als eerste heeft het waargenomen nut dat de consument ervaart bij het gebruik van IoT een invloed op de adoptie. Daarnaast speelden ook het waargenomen gebruiksgemak en het waargenomen plezier bij het gebruik van IoT een significante rol. Sociale beïnvloeding, bijvoorbeeld een goede vriend die Internet of Things aanraadt, bleek ook van belang. Tot slot had ook al dan niet vrijwillig gebruik van IoT een invloed op de effectieve adoptie ervan.
Guldentops onderzocht ook het belang van twee nieuwere items, namelijk waargenomen risico en interoperabiliteit. De cijfers gaven sterke aanwijzingen dat het waargenomen risico bij het gebruik van Internet of Things ook de adoptie kan beïnvloeden. Verder onderzoek moet uitwijzen of, en zo ja op welke manier, het waargenomen risico in het adoptiemodel voor Internet of Things past. Interoperabiliteit geeft de mate aan waarin een toestel in de levensstijl past van de consument en kan samenwerken met andere toestellen. Spreken toestellen dezelfde ‘taal’, dan kunnen ze samenwerken. En die samenwerking loont, net zoals bij mensen. Interoperabiliteit vond alvast wel zijn weg in het model. Interoperabiliteit beïnvloedt volgens het model het waargenomen nut van Internet of Things bij de consument.
Natuurlijk hecht niet iedereen evenveel belang aan dezelfde drivers en barrières. Adoptiemodellen maken vaak een onderscheid op basis van leeftijd, geslacht, woonplaats, opleidingsniveau, en andere socio-demografische factoren. Neem nu bijvoorbeeld leeftijd. Zo hechtte een oudere werknemer in de jaren negentig meer belang aan gebruiksgemak bij de beslissing om een computer op het werk te gebruiken dan jongeren (5). Guldentops ziet hier opportuniteiten voor toekomstig onderzoek.
Een blik op de toekomst
Zal de Vlaming van morgen uiteindelijk slimmer leven dankzij Internet of Things? Prognoses door verschillende experten geven een trend in stijgende aan voor Internet of Things (1) (6) (7) (8). Hoe snel we effectief automatisch melk bijbestellen of ons huis zichzelf in de gaten houdt, hangt af van onze drivers en barrières. Onderzoek naar een definitief verklarend model gebeurt niet van vandaag op morgen. Tot die tijd blijft het introduceren van Internet of Things toepassingen een hit-or-miss voor bedrijven en overheden.
Accenture. (2014). The Internet of Things: The Future of Consumer Adoption (Rep.). Retrieved April 26, 2017, from Accenture website: https://www.accenture.com/t20150624T211456__w__/us-en/_acnmedia/Accentu…
Accenture. (2016). Three ways to ignite consumer tech growth. Is your company fired up? Retrieved April 26, 2017, from https://www.accenture.com/be-en/insight-highlights-cmt-ignite-consumer-…
Adams, D. A., Nelson, R. R., Todd, P. A., Adams, B. D. A., Nelson, R. R., & Todd, P. A. (2010). Perceived Usefulness , Ease of Use , and Usage of Information Technology: A Replication, 16(2), 227–247.
Aiken, L. S., West, S. G., & Reno, R. R. (1991). Multiple regression: Testing and interpreting interactions. Sage.
Ajzen, I. (1985). From intentions to actions: A theory of planned behaviour, Action control (pp. 11-39). Springer Berlin Heidelberg.
Ajzen, I. (1991). The theory of planned behavior. Orgnizational Behavior and Human Decision Processes, 50, 179–211. https://doi.org/10.1016/0749-5978(91)90020-T
Attié, E., & Meyer-Waarden, L. (2017, May). A Theoretical Model To Explain the Internet Of Things Adoption. In Arnaud De Bruyn (Chair), 30th Colloquium for doctoral students in marketing. Symposium conducted at European Marketing Academy (EMAC), Groningen, the Netherlands.
Atzori, L., Iera, A., & Morabito, G. (2010). The Internet of Things: A survey. Computer Networks, 54(15), 2787–2805. https://doi.org/10.1016/j.comnet.2010.05.010
Bandyopadhyay, D., & Sen, J. (2011). Internet of things: Applications and challenges in technology and standardization. Wireless Personal Communications, 58(1), 49–69. https://doi.org/10.1007/s11277-011-0288-5
Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of personality and social psychology, 51(6), 1173.
Blaikie N. (2003) Analysing Quantitative Data. London: Sage Publications 2003.
Brislin, R. W. (1970). Back-translation for cross-cultural research. Journal of cross-cultural psychology, 1(3), 185-216.
Business Insider. (2016, September 1). IoT Ecosystem - Internet of Things Forecasts & Business Opportunities. Retrieved from http://uk.businessinsider.com/iot-ecosystem-internet-of-things-forecast…
Carroll, J., Howard, S., Vetere, F., Peck, J., & Murphy, J. (2002). Just what do the youth of today want? Technology appropriation by young people. Proceedings of the Annual Hawaii International Conference on System Sciences, 2002–Janua(January), 1777–1785. https://doi.org/10.1109/HICSS.2002.994089
Chatterjee, S. & Price B. (1991). Regression Analysis by Example, 2nd edn. New York: Wiley.
Chau, P.Y.K., Hu, P.J.H., 2002. Investigating healthcare professionals’ decisions to accept telemedicine technology: an empirical test of competing theories. Information & Management, 39 (4), 297–311.
Childers, T.L., Christopher, L.C., Joann, P. and Stephen, C. (2001), “Hedonic and utilitarian motivations for online retail shopping behavior”, Journal of Retailing, Vol. 77 No. 2, pp. 511-535.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Hillsdale, NJ: Erlbaum.
Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Mahwah, NJ, US: Lawrence Erlbaum Associates Publishers.
Cooper, D. R., Schindler, P. S. (2006). Business research methods (Vol. 12). New York: McGraw-Hill Higher Education.
Cramer, R.D. Perspectives in Drug Discovery and Design (1993) 1: 269. https://doi.org/10.1007/BF02174528
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. psychometrika, 16(3), 297-334.
Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
Field, A. (2000). Discovering statistics using spss for windows. London-Thousand Oaks- New Delhi: Sage publications.
Field, A. (2009). Discovering statistics using SPSS. London: SAGE.
Floor, J. M., & Raaij, W. F. (2010). Creatieve Ontwikkeling. In Marketingcommunicatiestrategie: Reclame, online marketingcommunicatie, public relations en voorlichting, sponsoring, promoties, directmarketingcommunicatie, winkelcommunicatie, persoonlijke verkoop, evenementen, geïntegreerde communicatie (6th ed.). Groningen, Nederland: Noordhoff.
Gao, L., & Bai, X. (2014). A unified perspective on the factors influencing consumer acceptance of internet of things technology. Asia Pacific Journal of Marketing and Logistics, 26(2), 211–231. https://doi.org/10.1108/APJML-06-2013-0061
Gartner. (2016, February 23). Gartner Identifies the Top 10 Internet of Things Technologies for 2017 and 2018. Retrieved April 26, 2017, from http://www.gartner.com/newsroom/id/3221818
Gartner. (2017, February 7). Gartner Says 8.4 Billion Connected "Things" Will Be in Use in 2017, Up 31 Percent From 2016. Retrieved from http://www.gartner.com/newsroom/id/3598917
Gliem, J. A., & Gliem, R. R. (2003). Calculating, interpreting, and reporting Cronbach’s alpha reliability coefficient for Likert-type scales. Midwest Research-to-Practice Conference in Adult, Continuing, and Community Education.
Goodhue, D. L. (1995). Understanding user evaluations of information systems. Management science, 41(12), 1827-1844.
Gravetter, F., & Wallnau, L. (2014). Essentials of statistics for the behavioral sciences (8th ed.). Belmont, CA: Wadsworth.
Green, S. B. (1991). How many subjects does it take to do a regression analysis. Multivariate behavioral research, 26(3), 499-510.
Grüner, H. (2012). Best Subset Regression [Software tool]. Freie Universität Berlin. Retrieved from http://gruener.userpage.fu-berlin.de
Gubbi, J., Buyya, R., Marusic, S., & Palaniswami, M. (2013). Internet of Things (IoT): A vision, architectural elements, and future directions. Future Generation Computer Systems, 29(7), 1645–1660. https://doi.org/10.1016/j.future.2013.01.010
Guldentops, B. (2016). Connectivity: stand van zaken en een blik op de toekomst (Ongepubliceerd eindwerk). Hogeschool Gent, Departement Gent.
Hair Jr, J. F., Anderson, R. E., Tatham, R. L., & William, C. (1995). Black (1995), Multivariate data analysis with readings. New Jersy: Prentice Hall.
Harrison, R. L., & Reilly, T. M. (2011). Mixed methods designs in marketing research. Qualitative Market Research: An International Journal, 14(1), 7–26. https://doi.org/10.1108/13522751111099300
Hayes, A. F. (2012). PROCESS: A versatile computational tool for observed variable mediation, moderation, and conditional process modeling.
Hoffman, D.L., Novak, T.P., Peralta, M. (1999). Building consumer trust online, Communications of the ACM, 42(4), 80-85.
Hoffmann, V., Probst, K., & Christinck, A. (2007). Farmers and researchers: How can collaborative advantages be created in participatory research and technology development? Agriculture and Human Values, 24(3), 355–368. https://doi.org/10.1007/s10460-007-9072-2
Hofstede, G., 1980. Cultural Consequences: International Differences in Work Related Values. Sage, Beverly Hills.
Holmbeck, G. N. (1997). Toward terminological, conceptual, and statistical clarity in the study of mediators and moderators: Examples from the child-clinical and pediatric psychology literatures. Journal of consulting and clinical psychology, 65(4), 599.
Hsu, C.-L., & Lin, J. C.-C. (2016). An empirical examination of consumer adoption of Internet of Things services: Network externalities and concern for information privacy perspectives. Computers in Human Behavior, 62, 516–527. https://doi.org/10.1016/j.chb.2016.04.023
Jing, Q., Vasilakos, A. V., Wan, J., Lu, J., & Qiu, D. (2014). Security of the Internet of Things: perspectives and challenges. Wireless Networks, 20(8), 2481–2501. https://doi.org/10.1007/s11276-014-0761-7
Joseph, F., Hair, J., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis: a global perspective (7th (Global Edition) ed.).
Kaplan, Robert W. and Dennis P. Saccuzzo (1982), Psychological Testing: Principles, Applications, and Issues, Monterey, CA: Brooks/Cole.
Kim, H. Y. (2013). Statistical notes for clinical researchers: assessing normal distribution (2) using skewness and kurtosis. Restorative dentistry & endodontics, 38(1), 52-54.
Kromrey, J. D., & Foster-Johnson, L. (1998). Mean centering in moderated multiple regression: Much ado about nothing. Educational and Psychological Measurement, 58(1), 42-67.
Kuha, J. (2004). AIC and BIC: Comparisons of assumptions and performance. Sociological methods & research, 33(2), 188-229.
Lam, S. Y., Chiang, J., & Parasuraman, A. (2008). The effects of the dimensions of technology readiness on technology acceptance: An empirical analysis. Journal of Interactive Marketing, 22(4), 19–39. https://doi.org/10.1002/dir.20119
Lederer, A.L., Maupin, D.J., Sena, M.P., Zhuang, Y.L., 2000. The technology acceptance model and the World Wide Web. Decision Support Systems, 29 (3), 269–282.
Lee,Li, X., Hess, T. J., & Valacich, J. S. (2008). Why do we trust new technology? A study of initial trust formation with organizational information systems. Journal of Strategic Information Systems (Vol. 17). https://doi.org/10.1016/j.jsis.2008.01.001
Likert, Rensis (1932). A Technique for the Measurement of Attitudes. Archives of Psychology 140(1), 55.
Madden, T., Ellen, P., & Ajzen, I. (1992). A Comparison of the Theory of Planned Behavior and the Theory of Reasoned Action. Personality and Social Psychology Bulletin, 18(1), 3–9. https://doi.org/0803973233
Manyika, J., Chui, M., Bisson, P., Woetzel, J., Dobbs, R., Bughin, J., & Aharon, D. (2015). The Internet of Things: Mapping the value beyond the hype. McKinsey Global Institute, (June), 144. https://doi.org/10.1007/978-3-319-05029-4_7
Marquardt, D. W. (1970). Generalized inverses, ridge regression, biased linear estimation, and nonlinear estimation. Technometrics 12: 591–256.
Mason, R. L., Gunst, R. F. & Hess, J. L. (1989). Statistical Design and Analysis of Experiments: Applications to Engineering and Science. New York: Wiley
Miller, G. A. (1956). The magical number seven, plus or minus two: Some limits on our capacity for processing information. Psychological review, 63(2), 81.
Miorandi, D., Sicari, S., De Pellegrini, F., & Chlamtac, I. (2012). Internet of things: Vision, applications and research challenges. Ad Hoc Networks, 10(7), 1497–1516. https://doi.org/10.1016/j.adhoc.2012.02.016
Morris, M. G. ., Hall, M., Davis, G. B. ., Davis, F. D. ., Walton, S. M., Venkatesh, V., Davis, F. D. (2003). User Acceptance of Information Technology: Toward a Unified. MIS Quarterly, 27(3), 425–478.
Morris, M. G. & Venkatesh, V. (2000). Research article: Why don’t men ever stop to ask for directions? Gender, Social influence, and their role in technology acceptance and usage behaviour. MIS Quarterly, 24(1), 115–139.
Nunnally, J. C., & Bernstein, I. H. (1978). Psychometric theory.
Ng, & Wakenshaw. (2017). The Internet of Things: Review and research directions. International Journal of Research in Marketing, 34(1), 3-21. Retrieved from http://dx.doi.org/10.1016/j.ijresmar.2016.11.003
Parasuraman, A. (2000). Technology Readiness Index (TRI) a multiple-item scale to measure readiness to embrace new technologies. Journal of service research, 2(4), 307-320.
Parasuraman, A., & Colby, C. L. (2015). An Updated and Streamlined Technology Readiness Index : TRI 2 .0, Journal of Service Research, 18(1), 59–74. https://doi.org/10.1177/1094670514539730
Pavlou, A. P. (2003). Consumer Acceptance of Electronic Commerce : Integrating Trust and Risk with the Technology Acceptance Model. International Journal of Electronic Commerce, 7(3), 69–103. https://doi.org/10.1080/10864415.2003.11044275
Pavlou, P. (2001). Integrating Trust in Electronic Commerce with the Technology Acceptance Model : Model Development and Validation. Amcis, 816–822.
Pavlou, P. A., & Fygenson, M. (2006). Understanding and predicting electronic commerce adoption: an extension of the theory of planned behavior, MIS Quarterly, 30(1), 115–143.
Podsakoff, P. M., MacKenzie, S. B., Lee, J. Y., and Podsakoff, N. P. (2003), Common method biases in behavioral research: a critical review of the literature and recommended remedies, Journal of Applied Psychology, 88(5), p 879.
Porter, M. E.; Heppelmann, J. E. (2014). Managing the Internet of things. Harvard Business Review, (November), 65–88. https://doi.org/10.1017/CBO9781107415324.004
Röcker, C. (2010). Why traditional technology acceptance models won’t work for future information technologies. World Academy of Science, Engineering and Technology, 65, 1–7.
Rogers, E. Diffusion of Innovations. Free Press, New York, 1995.
Sekaran, U., & Bourgie, R. (2013). Research methods for business: A skill-building approach (6th ed., pp. 99-107, 266-268). Chichester, West Sussex: Wiley.
Sheppard, B. H., Jon, H., & Warshaw, P. R. (1988). The Theory of Reasoned Action: A Meta-Analysis of Past Research with Recommendations for Modifications and Future Research. Journal of Consumer Research, 15(March), 325–343. https://doi.org/10.2307/2489467
Sicari, S., Rizzardi, A., Grieco, L. A., & Coen-Porisini, A. (2015). Security, privacy and trust in Internet of Things: The road ahead. Computer Networks, 76, 146–164. https://doi.org/10.1016/j.comnet.2014.11.008
Statistiek Vlaanderen. (2017). Stand van de Bevolking. Retrieved from http://www.statistiekvlaanderen.be/statistiek-demografie
Streiner, D. L. (2003), Starting at the beginning: an introduction to coefficient alpha and internal consistency. J Pers Assess, 80(1):99-103.
Sun, H. & Zhang, P. (2006). The role of moderating factors in user technology acceptance, 64, 53–78. https://doi.org/10.1016/j.ijhcs.2005.04.013
Symonds, P. M. (1924). On the Loss of Reliability in Ratings Due to Coarseness of the Scale. Journal of Experimental Psychology, 7(6), 456.
Tabachnick, B.G., & Fidell, L.S. (2007). Using Multivariate Statistics (5th Ed.). Boston: Pearson. (p. 74).
Trochim, W. M., & Donnelly, J. P. (2006). The research methods knowledge base (3rd ed.). Cincinnati, OH:Atomic Dog.
Venkatesh, V. (2000). Determinants of Perceived Ease of Use : Integrating Control, Intrinsic Motivation, and Emotion into the Technology Acceptance Model, 1997, 342–365.
Venkatesh, V., Morris, M.G., Davis, G.B., Davis, F.D., 2003. User acceptance of information technology: toward a unified view. MIS Quarterly, 27 (3), 425–478.
Venkatesh, V. (2008). Technology Acceptance Model 3 and a Research Agenda on Interventions, 39(2), 273–316.
Venkatesh, V. (2012). Consumer acceptance and use of information technology: extending the unified, MIS Quarterly,36(1), 157–178.
Vrieze, S. I. (2012). Model selection and psychological theory: a discussion of the differences between the Akaike information criterion (AIC) and the Bayesian information criterion (BIC). Psychological methods, 17(2), 228.
Weber, R. H. (2010). Internet of Things – New security and privacy challenges. Computer Law & Security Review, 26(1), 23–30. https://doi.org/10.1016/j.clsr.2009.11.008
Wold, S., Sjöström, M., & Eriksson, L. (2001). PLS-regression: a basic tool of chemometrics. Chemometrics and intelligent laboratory systems, 58(2), 109-130.
Xu, C., Peak, D., & Prybutok, V. (2015). A customer value, satisfaction, and loyalty perspective of mobile application recommendations. Decision Support Systems, 79, 171–183. Retrieved from http://www.sciencedirect.com/science/article/pii/S016792361500161X
Yan, Z., Zhang, P., & Vasilakos, A. V. (2014). A survey on trust management for Internet of Things. Journal of Network and Computer Applications, 42, 120–134. https://doi.org/10.1016/j.jnca.2014.01.014