Revisión de la literatura e hipótesis

A continuación, se expone un modelo cuyo propósito es observar la actitud del consumidor mexicano con respecto a los beneficios y grado de dificultad percibidos en el uso de Internet para adquirir productos y/o servicios y testearlo de manera empírica por lo que a continuación se presenta su descripción y desarrollo.

El modelo de aceptación de las tecnologías como punto de partida para analizar la actitud en las compras por internet

A lo largo del tiempo se han desarrollado diferentes teorías desde el campo de la psicología para observar la conducta del individuo, como la Teoría de la Acción Razonada (TRA) ^{(Ajzen y Fishbein, 1977}; ^{Sarver, 1983)} y la Teoría del Comportamiento Planificado (TPB) ^{(Ajzen, 1991} ; ^{Lee, 2009)} cuyo objetivo es analizar la conducta del individuo basada en la actitud de intención para tomar decisiones, la TRA observa la conducta planificada por la persona y la TPB excluye aquellos comportamientos no intencionados.

Estas teorías se han aplicado a lo largo del tiempo y se han modificado y con base en ellas ha surgido uno de los modelos que sobresale por su alta aplicación y predicción particularmente en el ámbito tecnológico reconocido como el Modelo de Aceptación de las Tecnologías (TAM, Technology Acceptance Model) modelo que agrega 2 constructos a diferencia de las teorías anteriores: utilidad percibida y facilidad de uso percibida de las TI para predecir la actitud, intención y uso ^{(Davis, 1986}; ^{Davis et al., 1989)}.

A raíz de la revisión de la literatura, se puede afirmar que TAM se destaca a lo largo de 4 décadas por su validez empírica demostrando su aplicabilidad en la aceptación de tecnologías al utilizarlo en diferentes contextos como la banca por Internet ^{(Maduku, 2016}; ^{Patel y Patel, 2018}; ^{Yuan et al., 2016)}, redes sociales ^{(Aldape et al., 2016}; ^{González et al., 2015}; ^{Lorenzo et al., 2011}; ^{Molinillo et al., 2018)}, servicios turísticos ^{(Alcántara-Pilar y del Barrio-García, 2016}; ^{Izquierdo et al., 2010}; ^{Yusta et al., 2011)}.

La validez del modelo también incluye el uso de las TI y comercio electrónico desde la perspectiva del usuario ^{(Huseynov y Yıldırım, 2016}; ^{Kim et al., 2017}; ^{Taherdoost, 2018} ; ^{Tavera et al., 2011}; ^{Tavera y Londoño, 2014)}. Además, TAM ha sido contrastado con otras teorías quedando claro su valor empírico por encima de otras ^{(Davis et al., 1989}; ^{Del Bosque y Crespo, 2008}; ^{Hansen et al., 2018}; ^{Lee, 2009}; ^{Pedersen, 2005)}. Dicho lo anterior, este modelo ha demostrado su relevancia y vigencia y por ello se ha tomado como punto de partida para el modelo teórico que se presenta en esta investigación.

El modelo teórico que se propone en la Figura 1, está compuesto por las variables actitud e intención para luego culminar en la variable dependiente uso del Internet como medio de compra. La actitud está conformada por variables intrínsecas y extrínsecas en el individuo, para esta investigación y acorde a la revisión de la literatura se involucran los beneficios percibidos (ventajas) y el grado de dificultad (complejidad) al usar el e-commerce. Los beneficios percibidos en TAM es considerado un elemento extrínseco, esta variable se refiere al grado en que un sistema o tecnología elevará su rendimiento o beneficios de su uso ^{(Kim et al., 2017}; ^{Meléndez et al., 2018)}, para el ámbito del comercio electrónico se precisa como la percepción del consumidor del grado en que la tecnología y sitio web elevarán su rendimiento al realizar una transacción en línea y de sus beneficios recibidos ^{(Huseynov y Özkan, 2019)}. Los beneficios percibidos han sido relacionados de forma positiva y significativa con la actitud del cliente en el ámbito tecnológico y del e-commerce ^{(Arce-Urriza y Cebollada-Calvo, 2011}; ^{Hansen et al., 2018}; ^{Maduku, 2016)}.

Fuente: Elaboración propia

Figura 1. Propuesta de Modelo del Uso de Internet como Medio de Compra  

Con respecto a la variable complejidad percibida, esta es reconocida como el grado en que una tecnología estará libre de dificultad en su uso ^{(Aldape et al., 2016}; ^{Davis, 1989)}, para el e-commerce se especifica como el grado en que el sistema o página web resulta fácil de usar para la realización del proceso de compra o de una transacción y a menor grado de complejidad se espera una actitud favorable ^{(Davis et al., 1989)}.

En la revisión de la literatura el grado de facilidad o menor complejidad ha tenido relación positiva y significativa en la actitud ^{(Arce-Urriza y Cebollada- Calvo, 2011}; ^{Hansen et al., 2018}; ^{Maduku, 2016} ; ^{Varela et al., 2010)}. El factor complejidad ha sido medido con aspectos relacionados con la facilidad de localizar los productos/servicios requeridos, mientras que en otras investigaciones lo han estimado en contextos tales como la banca, los servicios turísticos, compras móviles, tanto en países desarrollados como emergentes demostrando ser positiva y significativa sobre la actitud del consumidor ^{(Alcántara-Pilar y del Barrio-García, 2016}; ^{Gefen, Karahanna y Straub, 2003}; ^{Maduku, 2016}; ^{Tavera y Londoño, 2014)}. No obstante, en esta investigación se propone a la actitud como una variable de segundo orden compuesta por los beneficios y la complejidad.

Un constructo de segundo orden se define como un constructo multidimensional, pues se integra por diferentes dimensiones de primer orden, cada una de esas dimensiones tiene un aspecto único y particular de una variable dimensional, una dimensión es un factor o variable que tiene un conjunto de ítems que lo definen ^{(Sarstedt et al., 2019}; ^{Van et al., 2017)} y una de las principales ventajas de aplicarlo es que hacen más sencillo a un modelo, al reducir su número de relaciones y por ende una mejor parsimonia ^{(Polites, Roberts y Thatcher, 2012}; ^{Sarstedt et al., 2019)}, así mismo, los constructos de este tipo han destacado por sus resultados en los últimos años en diferentes contextos de investigación ^{(Cheah et al., 2019}; ^{Ringle et al., 2012)}.

Ahora bien, con respecto a su influencia con la variable intención, la actitud ha demostrado desde diferentes frentes (psicología, administración, tecnológica, entre otras) que la impacta de forma positiva ^{(Arce-Urriza y Cebollada, 2013}; ^{Chang et al., 2016}; ^{Kim et al., 2017}; ^{Tavera y Londoño, 2014)}. Dicho lo anterior, y ya que es del interés de esta investigación observar la actitud en las compras online en un país emergente y además probar si es factible el manejo de este constructo como de segundo orden, se propone la siguiente hipótesis:

H1. La actitud influye positivamente en la intención del uso del Internet como medio de compra.

Por otro lado, la intención de uso se considera un constructo actitudinal que actúa como un desencadenante para tomar una decisión de realizar o no un comportamiento, pues denota el propósito de llevar a cabo una conducta específica ^{(Harrati et al., 2017}; ^{Meléndez et al., 2018}; ^{Venkatesh et al., 2012)}. La variable intención aplicada al contexto de las compras por Internet se define como el deseo para realizarlas por este canal y no por canales tradicionales, estimándose aspectos como intención de usar el Internet para comprar ahora, deseo de comprar en el futuro y agregar sitios web de compra a favoritos.

Algunos estudios como los de ^{Maduku (2016)} en la banca minorista, ^{Venkatesh et al. (2012)} en la aceptación del consumidor del uso de comercio por móvil y ^{Ayo, Adewoye y Oni (2011)} observando la implementación del e-commerce B2C comprueban de manera empírica la relación positiva y significativa de la intención sobre el uso de este canal de compra. Asimismo, es conveniente señalar que, con respecto a los beneficios, grado de facilidad/complejidad, actitud o comportamiento, intención y uso del e-commerce, B2C ^{Huseynov y Yıldırım (2016)} revisaron 208 artículos publicados entre 2005 y 2008 y la mayoría están dirigidos a observar la psicografía y factores que aquí se abordan encontrando que la relación de la actitud sobre la intención y uso de Internet como canal de compra resultaron positivas y significativas.

Con base en lo anterior, el interés en este trabajo es revisar la actitud del consumidor sobre la intención y uso del e-commerce en el contexto mexicano, pues se ha dicho que esto es una de las áreas que necesita mayor investigación ^{(Huseynov y Yıldırım, 2016)}, otro motivo es analizar si el comportamiento es igual que en otros países, además este constructo es un elemento complejo que define el comportamiento, pero en el último momento intervienen diversos factores por los que aunque haya una intención de usar este modelo de negocio no se realiza la compra por Internet. Sin embargo, en la actualidad es de considerarse la situación global por la que atraviesa la sociedad y si eso afecta los hábitos de los compradores para incentivar el uso del e-commerce, por lo que a continuación se establece la siguiente hipótesis:

H2. La intención influye positivamente en el uso de Internet como medio de compra.

Método

El proceso para conocer la actitud del consumidor sobre la decisión de usar Internet como medio de compra, tiene como primera etapa la revisión de la literatura relacionada con modelos y teorías para la adopción y uso del Internet para realizar transacciones comerciales digitales identificando el uso de las variables e indicadores que aquí se abordan, lo que permitió también la argumentación de las hipótesis de trabajo. Como segunda etapa, el diseño del instrumento se basó en investigaciones realizadas con éxito previamente de ^{(Ahn et al., 2007} ; ^{Maduku, 2016}; ^{Tavera et al., 2011)} de donde se extrajeron los ítems, después de su construcción, el instrumento fue revisado por investigadores y profesionales del área de TI y comercio electrónico, permitiendo el ajuste y definición de los indicadores presentes en el modelo teórico.

Seguidamente, se llevó a cabo una prueba piloto con 125 individuos, con lo que se pudo obtener un cuestionario claro, congruente y fácil de comprender e interpretar, el resultado final está compuesto por 11 indicadores de escala tipo Likert de 7 puntos (1-Totalmente en desacuerdo a 7-Totalmente de acuerdo). Una vez refinado quedaron ítems como los que se aprecian en la Tabla 1 la cual ofrece la definición conceptual y operacional.

La población del estudio es la Zona Metropolitana de Tampico y la muestra fue seleccionada levantando una encuesta usando la herramienta Google forms y de manera directa usando un cuestionario a conveniencia en las ciudades de Tampico, Madero y Altamira, del estado de Tamaulipas, México bajo el siguiente criterio: individuos de 15 a 76 años o más estratificados de acuerdo a las generaciones Z, Millenials, X, Baby boomers como las han propuesto autores como ^{(Dewanti y Indrajit, 2018}; ^{Parment, 2013)}.Tabla 1.

Resultados datos demográficos

Una vez levantada la muestra y analizados los datos se obtienen los siguientes descriptivos de los datos demográficos: la muestra está conformada por 152 hombres (34%) y 298 mujeres (66%); estratificados por generaciones Z, Millenials, X y Baby boomers, que van desde 15 hasta 76 años donde el grueso de la población pertenece a los millenials con 200 individuos lo que representa un 44%. Con respecto al aspecto socioeconómico, 141 personas se encuentran en un nivel de ingresos de aproximadamente $4999 y 132 ganan en promedio $9999 equivalente a un 61% de la muestra observada, el método de pago más utilizado para las compras por Internet es la tarjeta de débito y/o crédito con 256 (57%), seguido por 181 (40%) personas con el depósito bancario y/o tiendas de conveniencia y el resto (3%) utiliza plataformas de pago seguro o monederos virtuales, esto indica que la población cuenta con los ingresos y los medios para adquirir productos y servicios por Internet. En cuanto al tiempo que tienen haciendo compras por Internet un 25% de las personas dijeron estar usando el e-commerce desde hace más de 1 año, un 33% dijeron tener diferentes antigüedades expresadas en meses y 187 personas (42%) expresaron nunca haberlo hecho. En lo relativo a la frecuencia de compra 105 individuos (23%) dijeron manejar una frecuencia de menos de 1 vez al mes y el 37% de la muestra expresó mayor frecuencia.

Estos datos revelan que casi la mitad de la muestra son clientes potenciales por lo que estudiar el e-commerce sigue siendo relevante. Para el análisis de datos, se realizó la estimación de coeficientes del modelo propuesto usando la técnica estadística de modelado de ecuaciones estructurales (MEE) basados en la covarianza (MBC) a través de un proceso dividido en etapas: el modelo de medida compuesto por un análisis factorial confirmatorio (AFC) y el modelo estructural compuesto por el modelado de ecuaciones estructurales (SEM). Primero se determinó la eficacia del modelo de medida y seguidamente se realizó la contrastación de las relaciones causales del modelo SEM

Validación del modelo de medida

Con respecto a la validación del modelo de medida, se debe evaluar la fiabilidad individual del constructo y para ello, se revisan las cargas factoriales de cada indicador, dicho parámetro debe estar por encima de 0.7 y en este caso se cumple con base en lo establecido por ^{Hair et al. (2017)} , por su parte el coeficiente de fiabilidad compuesta (FC) también se debe tomar en cuenta ^{(Hu y Bentler, 1999)}, en el modelo propuesto son valores aceptables pues todos los valores dieron arriba de 0.7 como se puede ver en la Tabla 2.

Para complementar el modelo de medida a continuación se presenta el diagrama del análisis factorial confirmatorio donde se aprecian los valores de las cargas factoriales para validar los ítems que componen cada variable latente actitud, intención y uso, donde se observa también la estructura del constructo de segundo orden como se explicó previamente, dicho diagrama fue realizado en el software AMOS versión 24, ver Figura 2. Continuando con el modelo de medida, se presenta la prueba de validez convergente y discriminante de las variables latentes, a través del promedio de varianza extraída (Average Variance Extracted, AVE por sus siglas en inglés), cuyo valor debe ser 0.5 o superior cumpliendo con esta regla según ^{Fornell y Larcker (1981)} para observar la varianza del constructo en base a sus indicadores en relación también con la varianza del error, esto aplica para variables de primer y segundo orden, el AVE se puede apreciar en la Tabla 3.

Fuente: Elaboración propia

Figura 2. Análisis factorial confirmatorio  

Por su parte, la validez discriminante indica que un constructo debe observar su propio contexto y no el de otro constructo y que las relaciones son positivas y estables, la raíz cuadrada de AVE se muestra en comparativo con las correlaciones de cada factor y éstas deben ser menores, los valores de la Tabla 3 cumplen con dichos parámetros ^{(Hu y Bentler, 1999)}.

Validación del modelo estructural

Con respecto al modelo estructural es conveniente observar el ajuste del mismo, es decir, si el modelo tiene una correcta identificación para luego contrastar dicho modelo ^{(Weston y Gore Jr, 2006)}, para ello son los grados de libertad (gl) que dan un valor de 40, prueba de la significación estadística del modelo, en cuanto a los índices de ajuste incremental, tanto el Comparative Fit Index (CFI) como el Normed Fit Index (NFI) muestran valores arriba de 0.9. Mientras que los índices de ajuste absoluto, el Good of Fit Index (GFI) arroja un valor de 0.970 y el Root Mean Square Error Of Approximation (RMSEA) expone un valor de 0.046, dichos valores se muestran en la Tabla 4, mostrando que el modelo tuvo un buen ajuste al ser comprobado con los datos empíricos obtenidos por la muestra corroborando la utilidad e importancia de las variables actitud, intención y uso en la aceptación tecnológica, particularmente del e-commerce.

^{(Byrne, 2001}; ^{Hooper et al., 2008}; ^{Hu y Bentler, 1999)}

Para evaluar la capacidad predictiva del modelo para observar la varianza total de la variable uso del Internet como medio de compra, el cual se mide por el valor de R2 con valor de 0.28, lo que indica que la capacidad explicativa en conjunto de las variables es aceptable pues explica un 28% de la variabilidad del constructo, vale mencionar que valores superiores a 0.19 son considerados como buenos ^{(Henseler et al., 2009)} por lo que las variables que forman parte del modelo tienen un nivel de predicción aceptable, ver Tabla 5.