Navigation – Plan du site

AccueilNuméros16SpicilègeL’impact de l’influence sociale s...

Sommaire - Document précédent -
Spicilège

L’impact de l’influence sociale sur l’intention d’usage des objets connectés pour le sport

Khalid Samhale et Richard Ladwein

Résumés

Français English

La technologie de l’internet des objets (IoT) vise à rendre les objets physiques qui nous entourent connectés afin de faciliter la vie des utilisateurs. L’intention d’usage de ces objets connectés pour le sport est influencée par plusieurs facteurs, nous avons pris les facteurs les plus déterminants que les fournisseurs de cette technologie doivent prendre en considération afin de réussir à attirer les utilisateurs, les convaincre de la valeur ajoutée de ces objets et modérer les craintes liées à la confidentialité des données personnelles. Cependant, la littérature actuelle manque encore des études spécifiques à chaque type des objets connectés. Dans cet article, nous étudions les facteurs déterminants de l’intention d’usage spécifique aux objets connectés pour le sport. Les résultats de l’étude ont montré un impact fort de l’influence sociale sur l’utilité perçue, le contrôle perçu et la crédibilité perçue du fournisseur validé comme des facteurs déterminants qui influence fortement l’intention d’usage des objets connectés pour le sport. De plus, le contrôle perçu et l’utilité perçue impactent aussi la crédibilité perçue du fournisseur. Ce modèle intégré fourni davantage d’explications sur l’intention comportementale de l’utilisateur vis-à-vis de l’utilisation de l’internet des objets pour le sport.

influence sociale, utilité perçue, contrôle perçu, crédibilité du fournisseur, objets connectés pour le sport, Intention d’usage

Haut de page

Plan

Introduction
Cadre théorique
L’influence sociale
L’utilité perçue
Le contrôle perçu
La crédibilité perçue du fabricant
L’intention d’usage
Méthodologie de la recherche
Instruments de mesure des variables du modèle
Population visée et administration du questionnaire
Outil statistique de l’analyse empirique
La fiabilité des variables du modèle de recherche
La validité discriminante des variables
Résultats de l’étude
L’analyse du modèle structurel
La validation des hypothèses théoriques
H1 : L’influence sociale influence positivement le contrôle perçu des objets connectés pour le sport
H2 : L’influence sociale influence positivement la crédibilité du fournisseur des objets connectés
H3 : L’influence sociale influence positivement l’utilité perçue des objets connectés
H4 : Le contrôle perçu favorise la crédibilité du fournisseur
H5 : Le contrôle perçu favorise l’intention d’usage des objets connectés
H6 : L’utilité perçue favorise la crédibilité du fournisseur
H7 : L’utilité perçue favorise l’intention d’achat des IoT
H8 : La crédibilité perçue du fabricant favorise l’intention d’usage des IoT
Discussion et perspectives de recherche
Discussion des résultats
L’influence sociale sur les variables du modèle
L’influence sur l’intention d’usage des objets connectés pour le sport et l’effet médiateur du contrôle perçu et de l’utilité perçue
Implications managériales
Limites et perspectives de recherche
Conclusion
Haut de page

Texte intégral

Introduction

  • 1 « RFID » en anglais radio frequency identification ou la radio-identification en français, est une (...)

1Durant la dernière décennie, l’internet des objets a pénétré silencieusement notre vie quotidienne, grâce à la forte croissance des technologies de communication comme l’infrastructure internet (Wifi, 4G) et les puces RFID1 qui constituent des bases de la réussite de ces objets connectés (Atzori, Iera et Morabito, 2010 ; Miorandi, Sicari, De Pellegrini et Chlamtac, 2012 ; Palattella, et al., 2013).

  • 2 « IoT » c’est les objets connectés (Internet of things).
  • 3 « TIC » Technologies d’information et de communication.

2Actuellement, la technologie IoT2 englobe plusieurs services et normes, elle est même envisagée comme la base du marché futur des TIC3 (Emmerson, 2010 ; Boswarthick, Elloumi et Hersent, 2012).

3En pratique, cette technologie est le résultat d’une interaction entre deux ou plusieurs périphériques connectés et intelligents qui interagissent instantanément afin de réaliser un but partagé. L’architecture de cette combinaison se diffère selon les objectifs, les fonctionnalités et les cibles. Aujourd’hui, les objets connectés se sont intégrés dans tous les types du sport. On les trouve en tennis, natation, football comme en athlétisme, sous différentes formes et pour divers usages : ballons connectés, bracelets connectés, Maillots connectés, chaussettes connectées… Ces objets vont innover certainement nos habitudes sportives…

4L’analyse et le suivi des performances sportives restent la préoccupation majeure des utilisateurs. Grâce aux nouvelles technologies et particulièrement les objets connectés, il est devenu possible de mesurer minutieusement l’activité sportive. Ces objets connectés permettent une analyse précise de la progression avec une possibilité de comparaison par rapport à des réalisations précédentes afin de détecter les lacunes et les voies du développement à travers une comparaison aux réalisations des sportifs plus connus ou à certaines normes de performance. Un autre côté très critique est celui de l’état du corps de l’utilisateur lors de son activité où les objets connectés permettent de suivre au temps réel son état de santé, le fonctionnement de ses organes sensibles afin de pouvoir juger sa capacité de continuer son activité ou de réduire le rythme selon par exemple les battements de son cœur ou encore sa respiration. Pratiquement, ces objets permettent d’améliorer la performance sportive et d’orienter l’utilisateur afin d’améliorer ses pratiques. Selon l’enquête4 menée en 2010 par le ministère chargée des Sports et l’Institut National du Sport, de l’Expertise et de la Performance ». En France, environ 65 % des personnes âgées de 15 ans et plus, exercent une activité physique ou sportive au moins une fois par semaine lors des douze derniers mois précédant l’étude. La même enquête avance aussi que les caractéristiques sociales de la personne jouent un rôle déterminant de la pratique sportive, le profil social des personnes à savoir l’âge, le sexe, le revenu, le diplôme et la catégorie socioprofessionnelle sont des facteurs qui déterminent la relation entre la personne et l’activité physique et le choix du sport pratiqué. Ces personnes qui cherchent à améliorer leurs performances physiques et leur bien-être. La même étude avance l’impact positif de la « sportivité » de l’entourage de la personne sur son engagement dans l’activité physique et sportive. Ce constat qui favorise notre hypothèse de l’influence sociale sur l’utilisateur des objets connectés pour le sport.

Cadre théorique

L’influence sociale

  • 5 « SI » Systèmes d’information.
  • 6 « TI » Technologies d’information.

5Lors de l’analyse des comportements des individus face aux nouvelles technologies, on ne peut pas négliger l’aspect social et son influence importante sur le choix et la confiance à l’égard des nouvelles technologies. Cet aspect est largement discuté et vérifié par les théoriciens qui s’intéressent aux comportements d’adoption des nouvelles technologies comme dans le domaine des SI5. Davis et al. (1989) ont souligné le rôle de l’influence sociale dans l’acceptation et l’utilisation des TI6. Concernant Chong et al. (2012) ont soutenu que l’influence sociale a un impact significatif sur l’intention du consommateur d’adopter le commerce mobile. L’influence sociale réfère au fait que le comportement des individus change sous l’influence des autres (Chen, Mao et Liu, 2014 ; Wang, Jiang, Wu et Xiong, 2014). L’impact de l’influence sociale dépend des caractéristiques des individus, des relations entre eux, des distances du réseau et de l’effet du temps (Peng, Wang et Xie 2017).

6L’individu fait partie d’une communauté et d’un groupe de référence, au sein duquel il interagit selon ses opinions, ses intérêts et ses attitudes tout en essayant toujours de se conformer à ce que pensent les autres membres de son groupe (Triandis 1979). David (1989) a montré que dans certains cas, les gens peuvent utiliser un système ou une technologie juste pour se conformer aux avis des autres plutôt que de leurs propres sentiments. Pour Jones et Vijayasarathy (1998), l’individu a toujours des opinions sur l’achat à partir du Web de son groupe de référence. Les utilisateurs font confiance aux opinions des autres plutôt qu’aux sources formelles de marketing tel que la publicité (Flynn, Goldsmith et Eastman, 1994), ils recourent à ces sources interpersonnelles afin de réduire le risque perçu et pour mieux s’informer pour le choix du vendeur et de la marque. Le contexte social joue un rôle crucial dans le processus de prise de la décision (Hsu et Lu, 2004). Peng et al. (2017) avancent que le marketing viral, la publicité en ligne, les recommandations et autres applications peuvent bénéficier de l’influence sociale en mesurant qualitativement et quantitativement l’influence d’un individu ou un groupe sur les autres. Bonn et al. (2016) ont confirmé dans leur étude que l’influence sociale impacte l’utilité perçue.

7D’après toutes les théories citées précédemment et qui traitent l’influence sociale sur l’adoption technologique, on peut présumer que cet aspect est crucial pour la compréhension du processus de décision des utilisateurs. Le rôle de l’entourage, du groupe de référence, de la famille, des amis, des médias et sans oublier les réseaux sociaux et les forums que certains d’entre eux ont pu acquérir une certaine crédibilité et une influence importante sur les décisions des utilisateurs. Moore et Benbasat (1991) considèrent que beaucoup d’utilisateurs ont utilisé des dispositifs IoT mobiles, car ils ont été présentés comme une tendance par les médias, ils ont mis l’accent sur l’aspect prestige où l’utilisation d’une innovation est perçue comme une amélioration du statut social de l’utilisateur.

8Fishbein et Ajzen (2010) avancent que l’influence sociale a un impact sur les différentes étapes du processus de la prise de décision d’achat ou d’adoption d’une nouvelle technologie, ils précisent que l’individu peut décider d’accomplir un comportement non seulement pour atteindre une récompense ou éviter une punition, mais pour d’autres raisons. Ces raisons sont liées selon Fishbein et Ajzen (2010) au fait que l’individu souhaite par sa réalisation d’un certain comportement se soumettre aux objectifs, et aux orientations de ses groupes de référence (Famille, amis, supérieurs hiérarchiques) et effectuer des comportements adéquats aux attentes d’un groupe social.

L’utilité perçue

9L’utilité perçue réfère au degré auquel l’usage de la technologie améliore la performance de l’utilisateur et la manière d’exécution (Davis 1989). C’est la perception globale des performances et des avantages que l’utilisateur envisage à obtenir par l’usage de la technologie, elle dépend aussi du degré de la contribution d’une application dans l’amélioration de la performance de l’utilisateur. Selon Davis (1989), le terme « utile » signifie « la capacité d’usage d’un produit/service profitablement et avantageusement ». Cette notion de l’utilité perçue a préoccupé de nombreux chercheurs par son rôle majeur et déterminant du comportement des utilisateurs et sa puissance prédictive importante (Davis 1989). Selon ce dernier, l’utilité perçue est très importante à prendre en considération par ceux qui souhaitent faciliter l’acceptation d’une technologie par les utilisateurs.

10L’utilité perçue constitue une variable fondamentale dans le modèle d’acceptation de la technologie (Davis 1989) elle s’est largement étudiée et analysée dans plusieurs recherches scientifiques en « littérature d’adoption » (Mathieson 1991, Adams, Nelson et Todd 1992, Taylor et Todd 1995, Igbaria et al. 1995). L’utilité est le substitut théorique de « l’avantage relatif » (Chen, Gillenson et Sherrell 2002) elle désigne « les bénéfices perçus de l’instauration et l’utilisation de la technologie », tels que les bénéfices économiques, sociaux (Rogers 1995) cité par (Zaoui et Akremi 2003). Ajzen (1991) précise que si un individu perçoit une nouvelle technologie comme utile, son intention comportementale d’usage devient importante.

11Venkatesh et al. (2003) ont souligné que l’utilité perçue dans le modèle TAM a le même sens que la performance attendue dans le modèle de l’UTAUT et la variable de l’avantage relatif dans la théorie de la diffusion de l’innovation. Selon Venkatesh et al. (2003), les avantages tirés de l’usage de la technologie par les utilisateurs renforcent leur perception de l’utilité. Pour Bruner et Kumar (2005), l’utilité perçue contribuait à l’adoption des appareils connectés par les utilisateurs.

12Dans le cadre des recherches sur les objets connectés, Kowatsch et Maass (2012) avancent que l’utilité perçue des IOT par les utilisateurs dépend du degré auquel cette technologie peut améliorer leur vie quotidienne. D’après Acquity Group (2014), l’utilité perçue des objets connectés joue un rôle crucial dans l’adoption de cette technologie aux États-Unis. De plus, Coughlan et al. (2012) avance que l’utilité perçue est un facteur déterminant de l’intention d’utilisation de l’internet des objets au Royaume-Uni. D’après cette large discussion de l’utilité perçue par différents chercheurs et dans différents contextes. On peut résumer que cette variable est très importante et influence l’intention d’usage des objets connectés pour le sport.

Le contrôle perçu

13Les utilisateurs doivent avoir les compétences nécessaires à l’utilisation des systèmes et des périphériques IoT. Par exemple, l’usage des dispositifs IoT mobiles pour entretenir l’état mécanique des trains ou de surveiller la température des roues par le personnel ferroviaire qui ne maîtrise pas cette technologie engendre de l’anxiété de contrôle et même une évaluation négative de la technologie IoT.

14Le contrôle perçu constitue un élément crucial dans les théories qui s’intéresse à l’adoption des nouvelles technologies, il facilite l’engagement des individus dans la recherche et l’analyse des informations pertinentes. Selon le modèle de l’UTAUT, il fait partie des facteurs-facilitateurs et décrit la perception des utilisateurs qu’ils disposent des capacités, des ressources et de sens du contrôle nécessaires pour accomplir le comportement. Casalo et al. (2010), Lu et al. (2009), Mathieson (1991) et Hajli et Lin (2016) appuient le rôle positif et l’impact direct du contrôle perçu sur l’intention comportementale. D’autres études antérieures ont montré que le contrôle perçu permet de soulager les utilisateurs en matière des préoccupations liées à la confidentialité des informations personnelles sur les réseaux sociaux (Hoadley, et al. 2010, Krasnova, et al. 2010).

La crédibilité perçue du fabricant

15La crédibilité réfère à la compétence de la source, du média, du communicateur, du message, de la marque et de l’entreprise. Elle traduit l’évaluation positive ou négative faite par l’utilisateur. La crédibilité n’est pas un attribut propre au fabricant, mais une perception subjective de son image, sa compétence et sa réputation formée par les utilisateurs en se basant sur des informations acquises et des expériences vécues avec lui auparavant (Hass 1981, O’Keefe 1990). Elle reflète l’évaluation positive/négative réalisée par l’utilisateur.

16La compétence du fabricant dépend de ses connaissances, ses qualités, son intelligence, sa qualification et son expérience. Ces éléments lui permettent de contrôler et maîtriser la situation de façon que l’échange s’effectue sans aucun incident. L’expertise de la source peut jouer un rôle efficace afin de réduire le risque perçu lié à la prise de décision de l’usage ou l’adoption du produit/service. Dans certains cas, la compétence de la source constitue une garantie qui assure les utilisateurs à l’encontre des conséquences déplaisantes potentielles qui peuvent se produire avec l’adoption de l’innovation. La deuxième principale composante de la crédibilité, c’est la confiance dans l’intention du fabricant, son éthique et son intégrité. Une source crédible est celle qui tient ses engagements vis-à-vis de ses clients et les informe de ce qu’elle pense de manière transparente, sincère et objective.

17La confiance dans la compétence de la source joue sans aucun doute un rôle primordial et déterminant dans le comportement de l’individu surtout lorsque ce dernier cherche à découvrir et adopte une stratégie heuristique simple. En revanche, cet effet s’affaiblit lorsque l’utilisateur analyse profondément la situation et prend la décision à travers une évaluation cognitive qui porte principalement sur les avantages et les bénéfices potentiels de l’usage du produit/service (Chaiken 1980). Les chercheurs précisent que les caractéristiques de la source jouent un rôle très important surtout lorsque l’évaluation et la décision deviennent difficiles dans le cadre d’un contenu moins pertinent, du caractère compliqué des données, de la faible implication de l’utilisateur ou même que ce dernier manque d’expérience (Chaiken et Maheswaran 1994, Ratneshwar et Chaiken 1991).

L’intention d’usage

18L’intention est un concept théorique crucial dans la théorie du comportement de l’utilisateur. Elle permet de prédire les actions futures d’achat ou d’usage des produits ou services. Pour Venkatesh et al. (2008, 2012), l’intention d’usage est la détermination interne pour effectuer un comportement.

19L’intention est le désir, le souhait, la détermination ou la volonté à émettre un comportement (Fishbein et Ajzen 1975), elle permet de déterminer le comportement futur. Plus elle est forte, plus il y a des chances d’accomplir le comportement. La théorie de l’intention de comportement distingue la théorie de l’action raisonnée de la théorie du comportement planifié. La théorie de l’action raisonnée se base sur des normes subjectives et attitudinales. Cependant, la théorie du comportement planifié rajoute le concept de contrôle perçu. Ce dernier tient en compte l’ensemble des ressources qui déterminent la réalisation du comportement et qui peuvent être d’ordre monétaire, éthique ou spatio-temporel. Certains auteurs ont prouvé que la théorie du comportement planifié a permis d’enrichir la théorie de l’action raisonnée (Ajzen 1985)

Schéma 1. Le modèle théorique

Schéma 1. Le modèle théorique
Agrandir Original (png, 65k)

Méthodologie de la recherche

Instruments de mesure des variables du modèle

20Les échelles de mesure de l’influence sociale et du contrôle perçu que nous retenons sont celles adoptées par Lingling (2014), chacune est mesurée par trois items. En ce qui concerne l’utilité perçue, nous avons adopté l’échelle de mesure de Venkatesh et Davis (2000). Pour la crédibilité du fournisseur, nous avons adapté l’échelle de mesure établie par McCroskey et Teven (1999) et développée par Samer (2004), cette échelle est mesurée par 5 items. Enfin, l’intention d’usage a été mesurée par l’échelle établie par Venkatesh et Davis (2000) et développée par Gao, Krogstie et Siau (2011). La validité et la fiabilité des instruments de mesure proposés se sont révélées solides après les tests empiriques effectués dans des études antérieures. Les enquêtés ont été demandés de notifier leur accord avec les items au niveau de chaque dimension sur une échelle de 1- en complet désaccord à 5- complètement d’accord. Afin de mieux adapter cette échelle au contexte français, elle a été traduite en langue française puis vérfier sur un échantillon d’essai. L’ensemble des échelles de mesure retenues pour mesurer les différentes variables du modèle sont présentés dans l’annexe.

Population visée et administration du questionnaire

21Après le choix du questionnaire pour la collecte des données nous allons déterminer le mode d’administration qui peut être administré en ligne, en face à face, par téléphone, ou par voie postale (Jolibert et Jourdan 2006, Evrard, B. et al. 2009, Gavard-Perret et al. 2012). Selon les exigences de l’étude et les ressources disponibles, nous avons choisi d’administrer le questionnaire de cette recherche en ligne. Cette méthode d’administration est de plus en plus adoptée par les chercheurs et connaît un succès grandissant. Pour Gavard-Perret et al. (2012), « l’enquête en ligne permet de développer une présentation graphiquement soignée et interactive, comme elle garantit l’anonymat des répondants ». Concernant l’échantillon, nous avons limité notre recherche sur la population française majoritairement des personnes qui exercent une activité sportive. Nous avons partagé notre questionnaire sur les réseaux sociaux en visant les groupes du sport français et les réponses ont été collectées via Google Forms.

Outil statistique de l’analyse empirique

22Nous avons choisi d’utiliser la méthode d’équations structurelles de second ordre afin d’analyser notre modèle de recherche qui contient des variables latentes à plusieurs dimensions. Fernandes (2012) avance que les méthodes d’estimation les plus utilisées dans ce cadre sont deux, la première méthode est « LISREL (Linear Structural Relationship) » qui se base sur l’analyse des covariances et la technique du maximum de vraisemblance et une deuxième méthode appelée « Partial Least Square » (PLS), ou la « régression des moindres carrés partiels » qui se base sur l’analyse de la variance et l’optimisation du pouvoir des variables explicatives. Suite à la complexité de notre modèle théorique, nous avons opté pour la méthode PLS, ce choix est justifié par plusieurs critères : premièrement, elle n’exige pas un échantillon de grande taille, elle permet de résoudre des modèles complexes et d’avoir une solution admissible surtout les modèles qui contient des variables intermédiaires/modératrices et elle ne nécessite pas la normalité des données (Hair, Hult, et al. 2014, Richter et al. 2016). L’analyse du modèle de mesure et du modèle structurel (test des hypothèses) est effectuée sur l’interface graphique du logiciel SmartPLS 2.0 en utilisant des techniques de validation.

Tableau 1 : Les caractéristiques de l’échantillon de l’étude

Nb

( %)

Sexe

Hommes

137

46 %

Femmes

163

54 %

Total

300

100 %

Catégorie professionnelle

Agriculteurs, artisans, commerçants, entrepreneurs

10

3 %

Cadres et prof. Intermédiaires

149

50 %

Employés, ouvriers

52

17 %

Inactifs

89

30 %

Total

300

100 %

Âge

Moins de 25 ans

85

28 %

25-39 ans

151

50 %

40-54 ans

56

19 %

55 ans et plus

8

3 %

Total

300

100 %

La fiabilité des variables du modèle de recherche

23Nous procédons à la vérification de la fiabilité des variables de notre modèle de recherche, en mesurant la cohérence interne des construits, l’alpha de Cronbach et la fiabilité composite (Composite reliability) doivent avoir des valeurs supérieures à 0,7 (Fornell et Larcker 1981).

Tableau 2 : Les résultats de l’analyse des variables du modèle

Variables

Échelles

Loadings

Alpha Cronbach

AVE

Fiabilité composite

R Carré

Contrôle perçu (CP)

CP 1

0,7954

0,826

0,7429

0,8963

0,1966

CP 2

0,8937

CP 3

0,893

Crédibilité du fournisseur (CRD)

CRD 1

0,86

0,8939

0,7004

0,9211

0,1577

CRD 2

0,8332

CRD 3

0,8759

CRD 4

0,7783

CRD 5

0,8337

Influence sociale (INF_SOC)

INF SOC 1

0,8257

0,8701

0,795

0,9206

INF SOC 2

0,9322

INF SOC 3

0,9134

Utilité perçue

(UP)

UP 1

0,6356

0,8551

0,6384

0,8968

0,0399

UP 2

0,8603

UP 3

0,8775

UP 4

0,8723

UP 5

0,7189

Intention d’usage (IU)

IU 1

0,9272

0,8337

0,8574

0,9232

0,3195

IU 2

0,9247

24D’après les données du tableau ci-dessus, nous constatons la validité de notre modèle théorique avec des valeurs de la fiabilité composite (CR) qui dépassent le seuil minimum d’acceptation de 0,7, cette fiabilité justifie un niveau de cohérence interne élevé. Concernant les valeurs de l’alpha de Cronbach sont très satisfaisantes et supérieures au seuil minimum de 0,7.

25Les données de ce tableau sont générées par le logiciel SmartPLS et nous permettent aussi de vérifier la validité convergente des variables. Après une analyse des résultats, nous constatons que la validité convergente est confirmée, car tous les items représentent un seuil de corrélation supérieur à 0,7 avec une variance moyenne partagée (AVE) supérieure à 0,5. Cet indicateur nous permet de vérifier en plus de la validité convergente des variables (Chin 1998), la validité discriminante aussi (Fornell et Larcker, 1981).

La validité discriminante des variables

26Selon Bagozzi et Yi (2012) la racine carrée doit être supérieure à la variation partagée entre ladite variable et les autres variables du modèle.

27Nous allons analyser la validité discriminante par la technique de cross loading des variables en utilisant SmartPLS. Le tableau ci-dessous présente les valeurs de la corrélation entre les variables de notre modèle de recherche et la racine carrée de l’AVE représentée en diagonale.

Tableau 3. Racine carrée de l’AVE et les corrélations entre les variables

CP

CRD

INF_SOC

IU

UP

CP

0,8619

CRD

0,2079

0,8369

INF_SOC

0,4434

0,1542

0,8916

IU

0,3129

0,3743

0,2377

0,9260

UP

0,1773

0,3691

0,1997

0,4851

0,7990

28D’après l’analyse du tableau ci-dessus, nous constatons que la racine carrée de l’AVE pour toutes les variables est supérieure aux corrélations de cette variable avec les autres variables du modèle. Nous pouvons dire que la validité discriminante est validée.

Résultats de l’étude

L’analyse du modèle structurel

29Les résultats obtenus par l’algorithme PLS, montrent que les variables de notre modèle de recherche expliquent l’intention d’usage des objets connectés pour le sport (R =32 %). Selon la taille de notre échantillon, nous pouvons dire que la valeur de R2 respecte le seuil minimum de 0,13 déterminé par Wetzels et al. (2009). Ce qui prouve que notre modèle théorique est significatif et les résultats sont satisfaisants.

La validation des hypothèses théoriques

30Dans la présente recherche, nous adoptons l’analyse par la technique de rééchantillonnage (bootstrap) sur SmartPls (n = 300, 500 itérations). (Hair, Ringle et Sarstedt 2011)

Schéma 2. Les résultats de la technique de rééchantillonnage

Schéma 2. Les résultats de la technique de rééchantillonnage
Agrandir Original (png, 142k)

Tableau 4. La validation des hypothèses de la recherche

Hypothèses

Valeur t

Erreur β

Vérification au risque de 5 %

CP –> CRD

2,1606

0,063

Validée

CP –> IU

4,3903

0,0529

Validée

CRD –> IU

3,3624

0,0571

Validée

INF_SOC -> CP

8,9388

0,0496

Validée

INF_SOC -> CRD

2,5699

0,06

Validée

INF_SOC -> UP

3,1353

0,0637

Validée

UP –> CRD

5,6661

0,06

Validée

UP –> IU

8,4856

0,0522

Validée

H1 : L’influence sociale influence positivement le contrôle perçu des objets connectés pour le sport

31Le test effectué montre qu’il existe une relation valide entre l’influence sociale et le contrôle perçu des objets connectés pour le sport, l’hypothèse 1 est donc validée (t =8,9388 ; β =0,0496). Ce constat indique que les avis des référents (famille et amis), les personnes importantes (chef au travail…) ou même les leaders favorisent la perception du contrôle lors de l’usage des objets connectés pour le sport.

H2 : L’influence sociale influence positivement la crédibilité du fournisseur des objets connectés

32Le test effectué montre l’influence sociale sur la crédibilité perçue du fournisseur des objets connectés pour le sport, l’hypothèse 2 est donc validée (t =2,5699 ; β =0,06). Ce constat indique que les avis des référents (famille et amis), les personnes importantes (chef au travail…) ou même les leaders influencent la perception d’une image crédible du fournisseur des objets connectés pour le sport.

H3 : L’influence sociale influence positivement l’utilité perçue des objets connectés

33Le test effectué montre qu’il existe une relation valide entre l’influence sociale et l’utilité perçue des objets connectés pour le sport, l’hypothèse 3 est donc validée (t =3,1353 ; β =0,0637). Ce constat indique que les avis des référents (famille et amis), les personnes importantes ou même les leaders influencent la perception de l’utilité des objets connectés pour le sport.

H4 : Le contrôle perçu favorise la crédibilité du fournisseur

34Le test réalisé montre que le contrôle perçu favorise la crédibilité du fournisseur des objets connectés pour le sport, l’hypothèse 4 est donc validée (t = 2,1606 ; β = 0,063). Ce résultat indique que la perception du contrôle motive la confiance dans le fournisseur de la technologie et la perception d’une image crédible.

H5 : Le contrôle perçu favorise l’intention d’usage des objets connectés

35Les résultats du test réalisé prouvent que le contrôle perçu motive l’intention d’utiliser les objets connectés pour le sport, l’hypothèse 5 est donc validée (t =4,3903 ; β = 0,0529). Ce résultat indique que la perception du contrôle favorise l’intention d’usage des objets connectés pour le sport.

H6 : L’utilité perçue favorise la crédibilité du fournisseur

36Les résultats indiquent que l’utilité perçue est positivement liée de façon significative à l’intention d’usage des objets connectés, alors l’hypothèse 6 est validée (t =5,6661 ; β =0,06). Ce constat prouve que plus l’objet connecté commercialisé est perçu comme utile par les utilisateurs plus ces derniers perçoivent une image crédible de son fournisseur.

H7 : L’utilité perçue favorise l’intention d’achat des IoT

37Les résultats indiquent que l’utilité perçue est positivement liée de façon significative à l’intention d’usage des objets connectés, alors l’hypothèse 7 est validée (t = 8,4856 ; β = 0,0522). Ce constat prouve que plus les utilisateurs perçoivent l’utilité des objets connectés pour le sport, plus l’intention d’utiliser ces objets augmente.

H8 : La crédibilité perçue du fabricant favorise l’intention d’usage des IoT

38Le test statistique révèle que la crédibilité perçue des objets connectés pour le sport influence positivement et de façon significative l’intention d’usage des objets. L’hypothèse 8 est validée (t = 3,3624 ; β = 0,0571). Ce résultat précise que plus la crédibilité du fournisseur des objets connectés est élevée, plus les utilisateurs feront confiance dans ces objets et les services qu’ils proposent, plus ils auront l’intention de les utiliser.

Discussion et perspectives de recherche

Discussion des résultats

L’influence sociale sur les variables du modèle

39Les résultats de notre étude prouvent l’impact de l’influence sociale sur le contrôle perçu, ce résultat avance que l’entourage de l’utilisateur et ses personnes référentes influence sa perception de pouvoir contrôler l’usage des objets connectés pour le sport et de maîtriser ses effets à l’aide des personnes considérées comme des experts ou des influenceurs dans le cas des réseaux sociaux. À notre connaissance, il n’existe pas d’étude antérieure sur cette relation dans le cadre d’adoption technologique. De plus, l’influence sociale impacte aussi la perception de l’utilité des objets connectés, ce constat rejoint les apports de quelques recherches antérieures qui ont déjà validé cette relation comme l’étude de Bonn et al. (2016). Ce résultat reflète l’impact de l’entourage, les référents, les supérieurs au travail, ou même les avis et les recommandations en ligne sur l’adoption des technologies. Jones et Vijayasarathy (1998) avancent que l’utilisateur partage les avis de ses référents concernant une technologie. Dans le cas d’une nouvelle technologie comme dans notre recherche avec les objets connectés pour le sport, les utilisateurs se basent sur les avis des personnes de référence considérées comme des experts afin de leur recommander l’usage de cette technologie, leur fournir des informations sur les avantages et les inconvénients. Enfin, l’influence sociale impacte aussi la crédibilité perçue du fournisseur des objets connectés pour le sport, ce qui veut dire que l’entourage et les personnes référentes de l’utilisateur influence sa perception du fournisseur en tant que crédible et digne de confiance, cette influence joue un rôle important dans la consolidation de la relation entre l’utilisateur et le fournisseur. Sur ce point, nous insistons sur l’importance pour les fournisseurs des objets connectés de travailler sur leur image véhiculée et veiller à avoir toujours de bons avis de la part des utilisateurs, de créer des fonctionnalités utiles qui motivent les utilisateurs à les recommander. Cette crédibilité est aussi influencée par le contrôle perçu. En effet, la disponibilité et la proximité du fournisseur qui communique aux utilisateurs toutes les informations concernant les objets connectés favorisent le sentiment du contrôle perçu et la crédibilité de l’image du fournisseur. Enfin, plus la technologie est utile, plus son fournisseur est perçu comme crédible par les utilisateurs, il est donc nécessaire d’offrir aux utilisateurs des objets connectés utiles dans la vie quotidienne afin de les inciter à acheter et à utiliser cette technologie, de créer une relation de confiance et d’instaurer une image crédible dans l’esprit des utilisateurs. L’utilité de la technologie reste la clé principale de l’acceptation par les utilisateurs, elle permet de favoriser la confiance envers le fournisseur et modérer les craintes liées à l’usage de toute nouvelle technologie, des investissements importants dans la recherche et le développement de manière permanente sont fortement recommandés pour se démarquer de la concurrence et lancer de nouvelles fonctionnalités qui vont faciliter la vie aux utilisateurs.

L’influence sur l’intention d’usage des objets connectés pour le sport et l’effet médiateur du contrôle perçu et de l’utilité perçue

40D’après les résultats de notre étude, nous confirmons que le contrôle perçu influence l’intention d’usage des objets connectés, ce constat est confirmé par de nombreuses études antérieures comme Casalo et al. (2010), Mathieson (1991) et fait partie aussi du modèle de comportement planifié de Ajzen (1991), comme antécédent de l’intention d’usage. En effet, pour avoir l’intention d’utiliser les objets connectés pour le sport, les utilisateurs ont besoin de se sentir en situation de contrôle, donc les fournisseurs doivent faire des efforts de communication afin de mettre à la disposition des clients potentiels toutes les informations liées à ces objets afin de les rassurer. Les résultats de cette étude ont montré aussi l’impact de l’utilité perçue sur l’intention d’usage qui a été aussi largement confirmée dans plusieurs études antérieures comme le modèle TAM de Davis (1989) qui considère que l’utilité perçue est un antécédent qui influence fortement et directement l’intention d’usage. Coughlan et al. (2012) avancent aussi que l’utilité perçue est un facteur déterminant de l’intention d’usage des objets connectés. Il est donc nécessaire que les fournisseurs des objets connectés donnent plus d’importance à l’innovation technologique afin de mettre sur le marché des objets connectés avec de nouvelles fonctionnalités utiles et qui vont faciliter la vie des utilisateurs. De plus, la présente étude confirme que la crédibilité et les compétences du fournisseur influencent fortement l’intention d’usage des objets connectés, cette crédibilité devient très influente lorsque l’évaluation de la technologie ou la prise de décision est difficile suite à un manque des informations ou des retours d’expériences ou même une implication faible du client (Chaiken et Maheswaran 1994, Ratneshwar et Chaiken 1991). Par conséquent, les fournisseurs des objets connectés doivent soigner une image crédible auprès des clients potentiels afin de les inciter à adopter cette technologie. Dans le cas d’une nouvelle technologie, la crédibilité et l’expertise du fournisseur jouent un rôle crucial dans la réussite sur le marché et l’attraction des nouveaux clients.

41Enfin, les résultats de notre recherche prouvent l’existence d’un effet médiateur du contrôle perçu et de l’utilité perçue sur la relation entre l’influence sociale et l’intention d’usage. Pour examiner cet effet médiateur, la méthode de Preacher et Hayes (2008) semble la plus adéquate, après l’exécution de la technique boostrap nous commençons par l’évaluation de la relation indirecte entre l’influence sociale et l’intention d’usage qui est significative avec une valeur de p = 0,0434 < 0,05 (Preacher et Hayes 2008). Ensuite, nous calculons l’intervalle de confiance pour la relation entre l’influence sociale et l’intention d’usage avec le contrôle perçu comme médiateur et selon les consignes de Preacher et Hayes (2008), les deux limites de l’intervalle sont supérieures à zéro, donc nous confirmons que le contrôle perçu joue un rôle médiateur dans cette relation.

Tableau 5. Les résultats de l’effet médiateur de l’influence sociale

INF_SOC –> CP

CP –> IU

Effet indirect

SE

t-value

95 % LL

95 % UL

0,1997

0,4429

0,08844713

0,0434

2,0379

0,0033

0,1735

42Pour la relation entre l’influence sociale et l’intention d’usage avec l’utilité perçue comme médiateur, nous calculons l’intervalle de confiance et nous confirmons les deux limites de l’intervalle sont supérieures à zéro (Preacher et Hayes 2008), donc nous confirmons que l’utilité perçue joue un rôle médiateur dans cette relation.

Tableau 6. Les résultats de l’effet médiateur du contrôle perçu

INF_SOC –> UP

UP –> IU

Effet indirect

SE

t-value

95 % LL

95 % UL

0,4434

0,2321

0,10291314

0,0434

2,3712

0,0178

0,1879

Implications managériales

43Les résultats de notre étude apportent des implications managériales intéressantes pour les entreprises spécialisées dans le domaine des objets connectés. D’une part, il est important pour les managers de donner une grande importance à l’influence sociale. En effet, comme nos résultats le prouvent, l’influence sociale est une variable cruciale qui impacte fortement les décisions des utilisateurs surtout dans un contexte des nouvelles technologies où les données échangées sont sensibles (données personnelles, localisation géographique, etc.). De plus, les objets connectés constituent une technologie récente qui n’est pas encore bien connue par les utilisateurs, ces derniers pourraient avoir des informations erronées sur ces objets connectés. Pour cela, les entreprises doivent travailler de façon à gagner la confiance de l’utilisateur, de le motiver à recommander cette technologie. Les fournisseurs de cette technologie doivent être toujours proches et à l’écoute du marché, réagir en temps réel avec les utilisateurs dans tous les canaux de communication (réseaux sociaux, site web, forums, etc.), partager des informations utiles à propos de ces objets connectés, collaborer avec des influenceurs sur les réseaux sociaux pour promouvoir la technologie, créer un climat de confiance avec les utilisateurs et améliorer l’utilité de ces objets connectés. D’autre part, les fournisseurs des objets connectés doivent investir dans la RetD dans le domaine de comportement de l’utilisateur afin de mieux comprendre la cible de cette technologie, ses attentes et ses inspirations.

44Par ailleurs, les résultats de notre étude ont montré le rôle majeur de l’utilité perçue comme un facteur qui favorise l’intention d’utiliser les objets connectés. Ceci peut s’expliquer par le fait que cette technologie doit apporter avant tout une valeur ajoutée aux utilisateurs afin de créer un climat de confiance et inciter son utilisation. Les entreprises spécialisées doivent investir dans la RetD à la fois pour comprendre les attentes des utilisateurs et aussi pour inventer des fonctionnalités innovantes qui vont faciliter la vie des utilisateurs, de satisfaire les besoins des utilisateurs et d’apporter une valeur ajoutée importante par rapport à ce qui existe déjà sur le marché.

45Néanmoins, il est important pour les entreprises de prendre en compte la nécessité du contrôle perçu et son impact fort sur l’intention d’usage des objets connectés. Les objets connectés préoccupent les utilisateurs par rapport au risque de la confidentialité des données personnelles. Ce risque reste toujours présent dans l’esprit de l’utilisateur qui cherche à savoir la destination des données collectées. Pour rassurer l’utilisateur, les entreprises doivent faire des efforts de communication afin d’éclaircir aux utilisateurs le processus de traitement des données personnelles collectées, de renforcer les protocoles de sécurité et garantir l’anonymat des informations. En plus, les entreprises peuvent investir dans la RetD dans le domaine de la sécurité. Un investissement dans la technologie « blockchain » peut être intéressant pour renforcer la sécurité des données collectées et pour empêcher toute tentative de les modifier. Ce genre d’efforts va favoriser sans doute la perception du contrôle auprès des utilisateurs des objets connectés. D’autre part, les managers doivent mettre en place des stratégies afin d’encourager l’usage de cette technologie, ils peuvent s’appuyer sur les influenceurs dans les réseaux sociaux qui peuvent jouer un rôle majeur et favoriser le contrôle perçu auprès des utilisateurs, en tant que testeurs et ambassadeurs de cette technologie, ils expliquent aux autres le fonctionnement et les bienfaits de ces objets connectés pour les aider à se familiariser avec cette technologie.

46De plus, les entreprises peuvent mettre en place un système d’aide et d’assistance sur internet pour expliquer en vidéo les procédures d’utilisation et répondre aux questions des utilisateurs en temps réel, ce qui favorise la crédibilité du fournisseur et crée un climat de confiance avec les utilisateurs, cette interactivité avec les utilisateurs est très important, elle permet de consolider les relations de confiance et fidéliser les utilisateurs.

47Enfin, l’intention d’usage est un facteur déterminant de la décision d’achat et d’utilisation des nouvelles technologies et les objets connectés pour le sport dans le cadre de notre étude, d’où la nécessité pour les entreprises de prendre en considérations les recommandations et les résultats de la présente étude afin de réussir à instaurer un climat de confiance vis-à-vis des utilisateurs et les convaincre à utiliser les objets connectés pour le sport. Un autre point consiste à exploiter les données collectées au fur et à mesure par les objets connectés pour développer et adapter l’offre proposée. Ainsi, en fonction du comportement de l’utilisateur, le fournisseur peut proposer un service personnalisé et unique ce qui présente une grande valeur ajoutée pour les utilisateurs.

Limites et perspectives de recherche

48La présente recherche est une étude exploratoire qui a pour objectif d’étudier l’impact de certains facteurs d’acceptation technologique sur l’intention d’usage des objets connectés pour le sport. Cette recherche n’est pas sans limites. Nous avons mobilisé que quelques facteurs qui influencent l’intention d’utiliser les objets connectés pour le sport chez un échantillon qui comporte différentes catégories sociodémographiques et loin d’être représentatif. Cependant, l’intention d’usage peut se manifester chez certains segments de utilisateurs plus que d’autres, chose que nous ne pouvons pas analyser avec notre échantillon. Pour ceci, il nous semble nécessaire d’enrichir le modèle en intégrant d’autres facteurs déterminants, de tester le modèle avec un échantillon représentatif qui va permettre d’analyser l’intensité des relations entre les différents segments des utilisateurs. Il serait également intéressant d’analyser la validité de ce modèle dans un contexte culturel différent.

Conclusion

49L’influence sociale est un facteur important dans l’explication de l’intention d’usage des utilisateurs à l’égard des nouvelles technologies. Plusieurs études et recherches ont porté sur l’adoption des nouvelles technologies. Dans la présente étude, nous avons analysé l’influence sociale et son impact sur trois facteurs déterminants de l’intention d’usage des objets connectés pour le sport.

50Notre recherche contribue à mieux comprendre le rôle de l’influence sociale dans le processus d’adoption des nouvelles technologies et spécifiquement les objets connectés pour le sport, l’impact du contrôle perçu, de l’utilité perçue des objets connectés et de la crédibilité perçue du fournisseur sur l’intention d’usage de cette technologie. De plus, définir les éléments à prendre en considération lors de la commercialisation des objets connectés pour le sport et qui déterminent la réussite ou l’échec de cette technologie sur le marché. Il s’agit de mettre l’accent sur le rôle de l’entourage pour motiver l’intention d’usage, donc les entreprises doivent donner de l’importance à maîtriser l’image véhiculée, d’offrir des fonctionnalités utiles pour inciter les utilisateurs à adopter la technologie et la recommander.

Haut de page

Bibliographie

Acquity Group. (2014, janvier). The internet of Things : the continuation of the internet. pp. 8-9.

ADAMS, D. A., NELSON, R. R. et TODD, P. A. (1992). Perceived Usefulness, Ease of Use, and Usage of Information Technology. (U. o. Management Information Systems Research Center, Ed.) MIS Quarterly, 16(2), 227-247.

AJZEN, I. (1985). From Intentions to Actions: A Theory of Planned Behavior. In D. J. Beckmann, Action Control : From Cognition to Behavior (pp. 11-39). Springer Berlin Heidelberg.

AJZEN, I. (1991). The theory of planned behavior. Organizational behavior and human decision processes, 50 (2), 179-211.

AJZEN, I. et FISHBEIN, M. (2005). The influence of attitudes on behavior. In D. ALBARRACIN, B. T. JOHNSON et M. P. ZANNA, The handbook of attitudes (pp. 173-221). Mahwah : Erlbaum.

ATZORI, L., IERA, A. et MORABITO, G. (2010). The internet of things: A survey. Computer networks, 54(15), 2787-2805.

BAGOZZI, R. et YI, Y. (2012). Specification, Evaluation, and Interpretation of Structural Equation Models. Journal of the Academy of Marketing Science, 40, 8–34.

BARKI, H. et HARTWICK, J. (1994). Measuring user participation, user involvement, and user attitude. MIS quarterly, 59-82.

BEATTY, S. et SMITH, S. (1987). External search effort: An investigation across several product categories. Journal of Consumer Research, 83-95.

BONN, M. A., KIM, W. G., KANG, S. et CHO, M. (2016). Purchasing wine online: The effects of social influence, perceived usefulness, perceived ease of use, and wine involvement. Journal of Hospitality Marketing et Management, 25(7), 841-869.

BOSWARTHICK, D., ELLOUMI, O. et HERSENT, O. (2012). M2M Communications : A Systems Approach. Wiley Publishing.

BOTWINICK, J. (1973). Aging and behavior: A comprehensive integration of research findings. New York : Springer.

BRESSOLLES, G. et NANTEL, J. (2005). Proposition d’une typologie des sites web commerciaux en fonction des dimensions de la qualité de service électronique. Actes du XXIe congrès de l’Association française de marketing, (p. 19). Nancy.

BRUNER, G. C. et KUMAR, A. (2005). Explaining consumer acceptance of handheld internet devices. Journal of Business Research, 58(5), 553–558.

CASALO, L., FLAVIAN, C. et GUINALIU, M. (2010). Determinants of the intention to participate in firm-hosted online travel communities and effects on consumer behavioral intentions. Tourism Management, 31(6), 898-911.

CHAIKEN, S. (1980). Heuristic versus systematic information processing and the use of source versus message cues in persuasion. Journal of personality and social psychology, 39(5), 752-766.

CHAIKEN, S. et MAHESWARAN, D. (1994). Heuristic processing can bias systematic processing: Effects of source credibility, argument ambiguity, and task importance on attitude judgment. Journal of personality and social psychology, 66(3), 460-473.

CHEN, L. D., GILLENSON, M. L. et SHERRELL, D. (2002). Enticing online consumers : an extended technology acceptance perspective. Information et Management, 39(8), 705–719.

CHEN, M., MAO, S. et LIU, Y. (2014). Big Data: A Survey. Mobile Network Application, 19(2), 171–209.

CHIN, W. (1998). Issues and Opinion on Structural Equation Modeling. MIS Quarterly, 22(1), 7–25.

CHONG, A. L., CHAN, F. et OOI, K. B. (2012). Predicting consumer decisions to adopt mobile commerce : cross country empirical examination between China and Malaysia. Decision Support Systems, 53(1), 34-43.

CIALDINI, R. B., KALLGREN, C. A. et RENO, R. R. (1991). A focus theory of normative conduct: A theoretical refinement and reevaluation of the role of norms in human behavior. Advances in Experimental Social Psychology, 24, 201-234.

CORFMAN et HOLBROOK. (1985). Quality and value in the consumption experience: Phaedrus rides again. Perceived quality, 31(2), 31-57.

COUGHLAN, T., BROWN, M., MORTIER, R., HOUGHTON, R., GOULDEN, M. et LAWSON, G. (2012). Exploring Acceptance and Consequences of the Internet of Things in the Home. IEEE International Conference on Green Computing and Communications, (pp. 148-155). Retrieved from http://doi.org/10.1109/

CYR, D. et BONANNI, C. (2005). Gender and website design in e-business. International Journal of Electronic Business, 3(6), 565–582.

Darley, W. K. et Smith, R. E. (1995). Gender Differences in Information Processing Strategies : An Empirical Test of the Selectivity Model in Advertising Response. Journal of Advertising, 24 (1), 41-56.

DAVIS, F. D. (1989). Perceived usefulness, perceived ease of use and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.

DEUTSCH, M. et GERARD, H. B. (1955). A study of normative and informational social influences upon individual judgment. Journal of Abnormal and Social Psychology, 51, 629-636.

DODDS, W. et MONROE, K. (1985). The effect of brand and price information on subjective product evaluation. Advances in Consumer Research, 12, 85-90.

DONTHU, N. (2001, Nov/Dec). Does Your Web Site Measure Up? Marketing Management, 10(4), 29-32.

DUBOIS, P.-L. et VERNETTE, E. (2001). Contribution et pistes pour la recherche en E-marketing,. Recherche et Applications en Marketing, 16(3), 1-8.

EMMERSON, B. (2010). M2M : the Internet of 50 billion devices. WinWin Magazine, 1, 19-22.

EVRARD, Y. (1993). La satisfaction des consommateurs : état des recherches. Revue Française du Marketing, 53-66.

EVRARD, Y. B. P., ROUX, E., DESMET, P., DUSSAIX, A.-M. et LILIEN, G. (2009). Market: Fondements et méthodes de recherche en marketing (4ème édition ed.). Paris : Dunod.

FAN, Y. W. et MIAO, Y. F. (2012). Effect of electronic word-of-mouth on consumer purchase intention: the perspective of gender differences. International Journal of Electronic Business Management, 10(3), 175-181.

FISHBEIN, M. et AJZEN, I. (1975). Belief, Attitude, Intention, and Behavior : An Introduction to Theory and Research. Addison-Wesley Pub. Co.

FISHBEIN, M. et AJZEN, I. (2010). Predicting and changing behavior : The reasoned action approach. Psychology. New York : Psychology Press.

FLYNN, L., GOLDSMITH, E. et EASTMAN, J. (1994). The King and Summers Opinion Leadership Scale : Revision and Refinement. Journal of Business Research, 31(1), 55-65.

FORNELL, C. et LARCKER, D. F. (1981). Evaluating Structural Equation Models with Unobservable Variables and Measurement Error. Journal of Marketing Research, 18(1), 39-50.

GAO, S., KROGSTIE, J. et SIAU, K. (2011). Developing an instrument to measure the adoption of mobile services. Mobile information systems, 7(1), 45-67.

GARBARINO, E. et STRAHILEVITZ, M. (2004). Gender differences in the perceived risk of buying online and the effects of receiving a site recommendation. Journal of Business Research, 57(7), 768-775.

GARVIN, D. (1987, Novembre-Décembre). Competing on the eight dimensions of quality. Harvard Business Review, 101-109.

GAVARD-PERRET, M.-L., GOTTELAND, D., HAON, C., JOLIBERT, A., AUBERT, B., AVENIER, M.-J. et DUYMEDJIAN, R. (2012). Méthodologie de la recherche en sciences de gestion : réussir son mémoire ou sa thèse (2e Edition ed.). Montreuil : Pearson.

GILLY, M. C. et ZEITHAML, V. A. (1985). The elderly consumer and adoption of technologies. Journal of Consumer Research, 12(3), 353-357.

GOODHUE, D. L. (1995). Understanding user evaluations of information systems. Management science, 41(12), 1827-1844.

GUIBERT, N. (1999). La confiance en marketing : fondements et applications. Recherche et Applications en Marketing, 14(1), 1-19.

HAIR, J. F., HULT, G. T., RINGLE, C. M. et SARSTEDT, M. (2014). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (2e ed.). Thousand Oaks, CA : Sage.

HAIR, J. F., RINGLE, C. M. et SARSTEDT, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19, 139-151.

HAJLI, N. et LIN, X. (2016). Exploring the security of information sharing on social networking sites: The role of perceived control of information. Journal of Business Ethics, 133(1), 111-123.

HASS, R. G. (1981). Effects of source characteristics on cognitive responses and persuasion. In O. T. Petty R., Cognitive responses in persuasion. (pp. 44-72). New Jersey : Erlbaum.

HOADLEY, C. M., XU, H., LEE, J. J. et ROSSON, M. B. (2010). Privacy as information access and illusory control: The case of the Facebook news feed privacy outcry. Electronic Commerce Research and Applications, 9, 50–60.

HOLBROOK, M. B. (1986). Emotion in the Consumption Experience : Toward a New Model of the Human Consumer. In A. P. Robert, D. H. Wayne et R. W. William, The Role of Affect in Consumer Behavior : Emerging Theories and Applications (pp. 17-52). Lexington.

HSU, C. L. et LU, H. P. (2004). Why do people play on-line games ? An extended TAM with social influences and flow experience. Information et Management, 41(7), 853-868.

IGBARIA, M. et al. (1995). Testing the determinants of microcomputer usage via a structural equation model. Management Information System, 11(4), 87-114.

JACKSON, L., ERVIN, K., GARDNER, P. et SCHMITT, N. (2001). Gender and the internet: Women Communicating and Men Searching. Sex Roles : A Journal of research, 44(5), 363-379.

JAYAWARDHENA, C. (2004). Measurement of Service Quality in Internet Banking : The Development of an Instrument. Journal of Marketing Management, 20(1), 185-207.

JOLIBERT, A. et JOURDAN, P. (2006). Marketing research: méthodes de recherche et d’études en marketing. Paris : Dunod.

JONES, J. et VIJAYASARATHY, L. (1998). Internet Consumer Catalog Shoping: Findings from An Exploratory Study and Directions for Future Research. Internet Research : Electronic Networking Applications and Policy, 8(4), 322-330.

KLIPPEL, R. E. et SWEENEY, T. W. (1974). The use of information sources by the aged consumer. The Gerontologist, 14(2), 163-166.

KOWATSCH, T. et MAASS, W. (2012). Critical privacy factors of internet of things services : An empirical investigation with domain experts. , 129 LNBIP. . Knowledge and Technologies in Innovative Information Systems, 200-211. Retrieved from http://doi.org/10.1007/978-3-642-332449_1.

KRASNOVA, H., SPIEKERMANN, S., KOROLEVA, K. et HILDEBRAND, T. (2010). Online social networks: Why we disclose. Journal of Information Technology, 25, 109–125.

LACROUX, A. (2011). Les avantages et les limites de la méthode (Partial Least Square) (PLS) : une illustration empirique dans le domaine de la GRH. Revue de gestion des ressources humaines, 2(80), 45-64.

LINGLING, G. 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.

LOIACONO, E. T., WATSON, R. T. et GOODHUE, D. L. (2002, Juillet 2). WebQual™ : A Measure of Web Site Quality. Waltham, Massachusetts : Lycos.

LU, Y., ZHOU, T. et WANG, B. (2009). Exploring Chinese users’ acceptance of instant messaging using the theory of planned behavior, the technology acceptance model, and the flow theory. Computers in Human Behavior, 25(1), 29-39.

MANNING, M. (2009). The effects of subjective norms on behaviour in the theory of planned behaviour : a meta-analysis. The British journal of social psychology, 48(4), 649-705.

MATHIESON, K. (1991). Predicting user Intentions: Comparing the technology acceptance model with the theory of planned behaviour. Information Systems Research, 2(3), 173-191.

MAZMAN, S., USLUEL, Y. et CEVIK, V. (2009). Social Influence in the Adoption Process and Usage of Innovation: Gender Differences. International Journal of Behavioral, Cognitive, Educational and Psychological Sciences, 1, 229-232.

MCCROSKEY, J. C. et TEVEN, J. J. (1999). Goodwill: A reexamination of the construct and its Measurment. Communication Monographs, 66(1), 90-103.

MEYERS-LEVY, J. et STERNTHAL, B. (1991). Gender Differences in the Use of Message Cues and Judgments. Journal of Marketing Research, 28(1), 84-96.

MIORANDI, D., SICARI, S., DE PELLEGRINI, F. et CHLAMTAC, I. (2012). Internet of things: Vision, applications and research challenges. Ad Hoc Networks, 10(7), 1497-1516.

MITCHELL, V. W. et WALSH, G. (2004). Gender differences in German consumer decision-making styles. Journal of Consumer Behaviour, 3(4), 331-346.

MOORE, G. C. et BENBASAT, I. (1991). Development of an instrument to measure the perceptions of adopting an information technology innovation. Information systems research, 2, 192-222.

NYSVEEN, H., PEDERSEN, P. et THORBJERNSEN, H. (2005). Explaining Intention to Use Mobile Chat Services: Moderating Effects of Gender. Journal of consumer Marketing, 22(5), 247-256.

O’KEEFE, D. (1990). Persuasion : Theory and research (Vol. 2). Michigan : SAGE Publications.

PALATTELLA, M. R., ACCETTURA, N., VILAJOSANA, X., WATTEYNE, T., GRIECO, L. A., BOGGIA, G. et DOHLER, M. (2013). Standardized protocol stack for the internet of (important) things. IEEE Communications Surveys et Tutorials, 15(3), 1389-1406.

PARASURAMAN, A., ZEITHAML, V. A. et MALHOTRA, A. (2005, Février). E-S-QUAL: A Multiple-Item Scale for Assessing Electronic Service Quality. Journal of Service Research, 7(3), 213-233.

PENG, S., WANG, G. et XIE, D. (2017). Social influence analysis in social networking big data : opportunities and challenges. IEEE Network, 31(1), 11-17.

PHILLIPS, L. W. et STERNTHAL, B. (1977). Age differences in information processing : A perspective on the aged consumer. Journal of Marketing Research, 14(4), 444-457.

POPCORN, F. et MARIGOLD, L. (2000). Evolution: The eight truths of marketing to women. New York: Hyperion.

PRAHALAD, C. K. et RAMASWANY, V. (2000, janvier, Février). Co-opting customer competence. Harvard Business Review, 78(1), 79-90.

PREACHER, K. J. et HAYES, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879-891.

RATNESHWAR, S. et CHAIKEN, S. (1991). Comprehension’s role in persuasion: The case of its moderating effect on the persuasive impact of source cues. Journal of Consumer Research, 18(1), 52-62.

RICHTER, N., CEPEDA CARRION, G., ROLDAN, J. L. et RINGLE, C. M. (2016). European Management Research Using Partial Least Squares Structural Equation Modeling (PLS-SEM). European Management Journal, 34(6), 589-597.

RIVIS, A. et SHEERAN, P. (2003). Descriptive norms as an additional predictor in the theory of planned behaviour: A meta-analysis. Current Psychology, 22(3), 218-233.

RIVIS, A., SHEERAN, P. et ARMITAGE, C. J. (2006). Augmenting the theory of planned behaviour with the prototype/willingness model: predictive validity of actor versus abstainer prototypes for adolescents’ health-protective and health-risk intentions. British journal of health psychology, 11(3), 483-500.

ROGERS, E. M. (1995). Diffusion of innovations (4 ed.). New York : Free Press.

SABADIE, W. et VERNETTE, E. (2003). La servuction on line : points communs et spécificités face à la servuction traditionnelle. Actes de la 2e journée de recherche sur le e-marketing, (p. 22). Nantes.

SAMER, A. A. (2004). La crédibilité perçue comme facteur explicatif du comportement des internautes. Sourbonne, université Paris, Paris.

SCHAUPP, L. C., CARTER, L. et Mcbride, M. E. (2010). E-file adoption: A study of U.S. taxpayers’ intentions. Computers in Human Behavior, 26(4), 636-644.

SCHIFTER, D. E. et AJZEN, I. (1985). Intention, perceived control, and weight loss: an application of the theory of planned behavior. Journal of personality and social psychology, 49(3), 843-851.

SHANAS, E. (1968). Old people in three industrial societies. Michigan : Atherton Press.

SHARMA, S., DURAND, R. M. et GUR-ARIE, O. (1981). Identification and analysis of moderator variables. Journal of Marketing Research, 18(3), 291-300.

SOSIK, J. J., KAHAI, S. S. et PIOVOSO, M. J. (2009). Silver Bullet or Voodoo Statistics ? Group et Organization Management, 34(1), 5 -36.

TAYLOR, S. et TODD, P. A. (1995). Understanding lnformation Technology Usage : A Test of Competing Models. Information Systems Research, 6(2), 144–176.

TISSIER-DESBORDES, E. et KIMMEL, A. J. (2002). Sexe, genre et marketing, définition des concepts et analyse de la littérature. Décisions marketing, 26, 55-69.

TRIANDIS, H. (1979). Values, Attitudes and Interpersonal Behavior. In N. Symposium, Nebraska Symposium on Motivation (Vol. 27, pp. 195-259). Michigan : University of Nebraska Press.

VENKATESH, V. et DAVIS, F. (2000). A Theoretical Extension of the Technology Acceptance Model : Four Longitudinal Field Studies. Management science, 46(2), 186–204.

VENKATESH, V., BROWN, S., MARUPING, L. et BALA, H. (2008). Predicting Different Conceptualizations of System Use: The Competing Roles of Behavioral Intention, Facilitating Conditions, and Behavioral Expectation. MIS Quarterly, 32(3), 483-502.

VENKATESH, V., MORRIS, M., DAVIS, G. et DAVIS, F. (2003). User acceptance of information technology: toward a unified view. MIS Quarterly, 27(3), 425-478.

VENKATESH, V., THONG, J. Y. et XU, X. (2012, Mars). Consumer acceptance and use of information technology : extending the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157-178.

WANG, G., JIANG, W., WU, J. et XIONG, Z. (2014). Fine-grained feature-based social influence evaluation in online social networks. IEEE Transactions on Parallel and Distributed Systems, 25(9), 2286–2296.

WETZELS, M., ODEKERKEN-SCHRÖDER, G. et VAN OPPEN, C. (2009). Using PLS path modeling for assessing hierarchical construct models : Guidelines and empirical illustration. MIS Quarterly, 33(1), 177–195.

WOOD, M. (1998). Socio-economic status, delay of gratification, and impulse buying. Journal of Economic Psychology, 19(3), 295–320.

ZAOUI, I. et AKREMI, A. E. (2003). L’intention d’achat du consommateur tunisien sur Internet : Déterminants et rôle modérateur de la Confiance. Cas du site marchand du "Magasin Général". Actes du congrès de l’AIM. Grenoble : Association Information et Management.

ZEITHAML, V. (1988). Consumer perceptions of price, quality, and value : a means-end model and synthesis of evidence. Journal of Marketing, 52, 2-22.

ZEITHAML, V., PARASURAMAN, A. et MALHOTRA, A. (2002). Service Quality Delivery Through Web Sites: A Critical Review of Extant Knowledge. Journal of the Academy of Marketing Science, 30(4), 362-375.

Haut de page

Annexe

Questionnaire de l’étude

Contrôle perçu

  • L’usage des objets connectés pour le sport est entièrement sous mon contrôle.

  • J’ai les ressources, les connaissances et les capacités pour l’usage des objets connectés pour le sport.

  • Je peux utiliser habilement les objets connectés pour le sport.

Influence sociale

  • Les personnes qui sont importantes pour moi (collègues proches/membres de la famille) recommande l’usage des objets connectés pour le sport.

  • Les personnes qui sont importantes pour moi (collègues proches/membres de la famille) trouvent que l’usage des objets connectés pour le sport est utile.

  • Les personnes qui sont importantes pour moi (collègues proches/membres de la famille) trouvent que l’usage des objets connectés pour le sport est une bonne idée.

Crédibilité perçue du fournisseur

  • Je pense qu’on peut faire confiance aux objets connectés pour le sport disponible sur le marché.

  • Les entreprises ayant fait ce choix contrôlent bien cette activité

  • Les informations fournies par les fabricants sont sincères

  • Je ne doute pas de l’intention des fabricants des objets connectés pour le sport

  • Le professionnalisme ne manque pas aux fabricants des objets connectés pour le sport

Utilité perçue des objets connectés

  • L’usage des objets connectés pour le sport me permet de gagner du temps.

  • L’usage des objets connectés pour le sport améliore mes performances

  • L’usage des objets connectés pour le sport augmente ma productivité

  • L’usage des objets connectés pour le sport permet d’améliorer mon efficacité

  • Les objets connectés pour le sport sont très utiles dans ma vie quotidienne

Intention d’usage des objets connectés

  • En supposant que je dispose d’un objet "sport" connecté, j’ai l’intention de l’utiliser.

  • Étant donné que je dispose d’un objet "sport" connecté, je prédis que j’utiliserais

Haut de page

Notes

1 « RFID » en anglais radio frequency identification ou la radio-identification en français, est une méthode pour mémoriser et récupérer des données à distance en utilisant des marqueurs appelés « radio-étiquettes ».

2 « IoT » c’est les objets connectés (Internet of things).

3 « TIC » Technologies d’information et de communication.

4 http://www.sports.gouv.fr/IMG/pdf/la_pratique_des_activites_physiques_et_sportives_en_france.pdf

5 « SI » Systèmes d’information.

6 « TI » Technologies d’information.

Haut de page

Table des illustrations

Titre Schéma 1. Le modèle théorique
URL http://journals.openedition.org/rfsic/docannexe/image/5966/img-1.png
Fichier image/png, 65k
Titre Schéma 2. Les résultats de la technique de rééchantillonnage
URL http://journals.openedition.org/rfsic/docannexe/image/5966/img-2.png
Fichier image/png, 142k
Haut de page

Pour citer cet article

Référence électronique

Khalid Samhale et Richard Ladwein, « L’impact de l’influence sociale sur l’intention d’usage des objets connectés pour le sport », Revue française des sciences de l’information et de la communication [En ligne], 16 | 2019, mis en ligne le 01 mai 2019, consulté le 18 septembre 2024. URL : http://journals.openedition.org/rfsic/5966 ; DOI : https://doi.org/10.4000/rfsic.5966

Haut de page

Auteurs

Khalid Samhale

Doctorant, IAE – Université de Lille, L.E.M. UMR C.N.R.S. 9221. Courriel : khalid.samhale@gmail.com

Richard Ladwein

Professeur des Universités, IAE – Université de Lille, L.E.M. UMR C.N.R.S. 9221. Courriel : richard.ladwein@univ-lille.fr

Haut de page

Droits d’auteur

CC-BY-NC-SA-4.0

Le texte seul est utilisable sous licence CC BY-NC-SA 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Sommaire - Document précédent -
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search