HTML

ePub

PDF

INTRODUÇÃO

A expressão final do desejo do consumidor tem se alterado. Ao lado de mercados tradicionais e baseados na necessidade de posse, há a emergência de modos alternativos de aquisição e consumo pautados no acesso. Ao contrário de comprar e possuir bens, os consumidores, nesse novo modelo, preferem pagar pela experiência de acesso temporário. Adquire-se tempo de consumo com o item e, em casos de acesso mediado pelo mercado, se está disposto a pagar um preço por uso desse objeto (Bardhi & Eckhardt, 2012).

No turismo, os modelos empresariais de economias baseadas no acesso, em especial as hospedagens compartilhadas, têm se multiplicado, tornando-se atraentes oportunidades de inovação (Dredge & Gyimóthy, 2015; Guttentag, 2015). O crescimento do modelo emerge como reflexo de problemas que caracterizam o sistema industrial tradicional do turismo, como: a existência de grande capital morto, ativos inativos e conhecimentos latentes; altos custos de transação e informações distorcidas entre atores do mercado; e preferências dos turistas que extrapolam experiências, serviços e produtos simplificados e impessoais (Dredge & Gyimóthy, 2015).

Diferente de modelos de negócios tradicionais, as economias baseadas no acesso ou nas economias compartilhadas têm dependência da internet, preços mais baixos com produtos/serviços mais personalizados, não propriedade de ativos, capacidade de acessar recursos inativos e força de trabalho não convencional (Mao & Lyu, 2017). Como empresa de hospedagem mais proeminente neste modelo, o Airbnb, plataforma on-line que permite que os indivíduos compartilhem quartos, salas ou apartamentos inteiros como acomodações alternativas aos hotéis, tem recebido atenção principalmente devido ao seu grande crescimento e seu potencial de impacto no modelo de negócio de hospedagens, na indústria de turismo, bem como nos destinos turísticos. Além disso, potencial de mudança nos padrões e comportamentos de viagens dos indivíduos também são constatados (Heo, 2016; Tussyadiah, 2015, 2016).

A plataforma Airbnb, no Brasil, já atinge cerca de 123 mil anúncios e, em 2016, registrou a chegada de mais de um milhão de hóspedes no país. No mesmo ano a cidade do Rio de Janeiro foi o quarto destino em número de anúncios do Airbnb no mundo, ficando atrás somente de Paris, Londres e Nova Iorque (Ramos, 2017).

Ainda em 2016, a plataforma teve sua atividade econômica (renda do anfitrião + despesas do hóspede) movimentando cerca de R$ 1.99 bilhão (AIRBNB, 2017). Esse crescimento associa-se ao cenário econômico mundial e brasileiro, no qual há um aumento do número de desempregados. O turismo colaborativo pode revelar uma oportunidade para aqueles que desejam alugar seus ativos ociosos, e para os turistas uma redução de seus custos de viagem (Zervas, Proserpio, & Byers, 2017).

Tendo em vista que as plataformas de hospedagem compartilhada podem modificar a lógica do setor de turismo quanto à competição e ao seu funcionamento, compreender a atuação e percepção dos gestores e consumidores tem se tornado importante. Da perspectiva de alguns gestores do segmento de hospedagens brasileiro, ainda há pouco conhecimento da plataforma, mesmo que essas já comecem, crescentemente, a serem utilizadas pelos consumidores (Ferreira, Santos, Méxas, & Meiriño, 2017).

Sobre esse aspecto, quando se adota a perspectiva do comportamento do consumidor no consumo baseado no acesso, aqui tratado por meio da plataforma Airbnb, é especialmente importante compreender e aprofundar os fatores influentes na intenção de uso (Mao & Lyu, 2017). Dado que os clientes existentes e potenciais podem retornar facilmente aos provedores de serviços tradicionais, ou seja, aos hotéis, analisar e aprofundar os fatores que impactam a intenção de uso, nesse contexto específico, podem contribuir para o crescimento sustentável da plataforma, bem como servir como insumo para o desenvolvimento de futuros modelos de negócio.

Na literatura, contudo, pouco se discorreu de forma abrangente sobre os fatos que compõem os comportamentos de intenção de uso dos indivíduos envolvidos em hospedagens compartilhadas, ou porque muitos ainda se mostram relutantes. Möhlmann (2015), por exemplo, identificou os efeitos positivos da familiaridade com a ferramenta e a utilidade na intenção de uso do Airbnb. As variáveis impacto ambiental, capacidade de internet, capacidade do smartphone e variáveis de afinidade de tendências não se mostraram influentes na intenção de uso (Möhlmann, 2015). Tussyadiah (2016), por sua vez, encontrou efeitos positivos dos benefícios econômicos e dos benefícios sociais sobre a intenção de uso da hospedagem compartilhada e identificou efeito diferenciado dos benefícios sociais a depender do tipo de acomodação escolhida pelo usuário.

Embora estes estudos sejam úteis e apontem contribuições à compreensão do comportamento associado à hospedagem compartilhada, poucos trabalhos vão considerar modelos e teorias psicológicas e de aceitação de tecnologias dominantes no fluxo de pesquisa do comportamento do consumidor (Mao & Lyu, 2017; Satama, 2014; Wang & Nicolau, 2017). Mao & Lyu (2017), por exemplo, incorporam a Prospect Theory e a Theory of Planned Behavior no contexto do Airbnb para investigar a intenção comportamental do consumidor de (re)uso no campo da hospitalidade e do turismo. Os autores identificam os efeitos significativos da atitude, as normas subjetivas, o risco percebido, o valor, a expectativa de experiência, os círculos sociais e o “boca a boca” Mao e Lyu (2017). No entanto, considerando que outros fatores também podem ser incluídos para que modelos de intenção de uso do Airbnb se tornem mais abrangentes, como fatores tecnológicos, hábitos, expectativa de desempenho e fatores cognitivos, por exemplo (Satama, 2014; Wang & Nicolau, 2017) e que as variáveis comportamentais podem alterar-se e apresentar magnitudes de efeitos distintos em outros países, já que a plataforma Airbnb foi criada nos EUA e está em fase de crescimento. Este estudo tem como objetivo geral verificar os fatores envolvidos no processo de adoção e intenção de uso da plataforma Airbnb pelos usuários brasileiros, a partir do Modelo Unificado de Aceitação de Tecnologia Estendido (UTAUT2).

MARCO TEÓRICO

As razões pelas quais os indivíduos adotam novas tecnologias de informação são explicadas por diversos modelos teóricos, com bases em sistemas de informação, psicologia e sociologia (Venkatesh, Morris, Davis, & Davis, 2003). Entre os modelos diferentes, oito teorias se tornaram proeminentes e, a partir delas, Venkatesh et al. (2003) introduziram a Teoria Unificada de Aceitação e Uso de Tecnologia (UTAUT), gerando um novo modelo de base forte para os estudos de aceitação (Baptista & Oliveira, 2015).

MODELO UNIFICADO DE ACEITAÇÃO DE TECNOLOGIA (UTAUT)

O Modelo Unificado de Aceitação de Tecnologia (UTAUT) foi desenvolvido em 2003, a partir da revisão e da consolidação de oito teorias e modelos empregados para explicar o comportamento e o uso dos sistemas de informação: a Teoria da Ação Racional (TRA), o Modelo de Aceitação de Tecnologia (TAM e TAM 2), o Modelo Motivacional (MM), a Teoria do Comportamento Planejado (TPB), o Modelo Combinado TAM e TPB (C-TAM-TPB), o Modelo de Utilização do PC (MPCU), a Teoria da Difusão da Inovação (IDT) e a Teoria Social Cognitiva (SCT).

O modelo proposto resumiu conceitos e estabeleceu quatro determinantes que preveem a intenção e o comportamento de uso: a Expectativa de Esforço, a Expectativa de Desempenho, a Influência Social e as Condições Facilitadoras.

Desde sua criação, o UTAUT tem sido utilizado em diversos contextos, aplicado a diversas tecnologias e para o comportamento de uso individual ou organizacional (Baptista & Oliveira, 2015). Apesar de sua grande utilização e de seu detalhado poder explicativo na intenção de uso, o modelo apresentou limitações que levaram ao desenvolvimento do UTAUT 2, que estende e melhora a teoria aplicando-a ao contexto do consumidor (Venkatesh, Thong, & Xu, 2012).

MODELO UNIFICADO DE ACEITAÇÃO E USO DE TECNOLOGIA 2 (UTAUT 2)

O modelo da Teoria Unificada de Aceitação e Uso de Tecnologia 2 (UTAUT2) foi desenvolvido por Venkatesh et al. (2012), como uma extensão e adaptação do modelo original UTAUT. Os construtos-chave já existentes (Expectativa de Desempenho, Expectativa de Esforço, Influência Social e Condições Facilitadoras) foram adaptados do contexto organizacional para o contexto de consumo. Além disso, como forma de extensão e encaixe ao novo contexto, foram adicionados três construtos: Motivação Hedônica, Valor do Preço e Hábito.

Outrossim, os construtos Expectativa de Desempenho, Expectativa de Esforço, Influência Social e Condições Facilitadoras continuaram como influenciadores da Intenção Comportamental, juntamente com a Motivação Hedônica, o Valor do Preço e o Hábito. O construto Condições Facilitadoras ganhou uma nova relação e influencia também o Comportamento de Uso, juntamente com o Hábito e a Intenção Comportamental.

O construto Expectativa de Desempenho é definido como o grau em que o uso de uma tecnologia proporcionará benefícios aos consumidores na realização de certas atividades (Venkatesh et al., 2012). Dentro de cada modelo originário, esse construto foi constatado como preditor mais forte da Intenção e permaneceu significativo em todos os pontos de medida realizados por Venkatesh et al. (2003). Nessa pesquisa, é avaliado como o grau em que o uso do Airbnb proporciona benefícios aos usuários em relação à hospedagem.

A expectativa de desempenho tem sido apontada como preditor significativo em viagens, principalmente quando essas acontecem por meio do comércio eletrônico e estão relacionadas à adoção de tecnologias (Ayeh, Leung, Au, & Law, 2012; Gupta & Dogra, 2017). Ainda, estudos anteriores encontraram o construto como antecedente mais forte das intenções comportamentais, mas não apresentando variação significativa quanto a diferenças culturais (Im, Hong, & Kang, 2011).

Dessa maneira, propõe-se a seguinte hipótese:

Hipótese 1: A Expectativa de Desempenho impacta positivamente na Intenção Comportamental de uso do Airbnb.

O grau de facilidade, associado ao uso da tecnologia pelos consumidores, é conhecido como a Expectativa de Esforço (Venkatesh et al., 2012). Venkatesh et al. (2003) afirmam que a facilidade de uso possui um efeito positivo na aceitação de novas tecnologias. No modelo, a Expectativa de Esforço influencia positivamente a Intenção Comportamental, resultado que é suportado por outros trabalhos (Macedo, 2017). No presente estudo, foi avaliado o grau de facilidade associado ao uso da plataforma Airbnb.

Como esclarecem Godoe e Johansen (2012), a facilidade de uso percebida de uma ferramenta tecnológica favorece a percepção de utilidade da mesma. Algumas aplicações fáceis de usar podem ser percebidas como úteis, mas nem todas as aplicações úteis são fáceis de usar. Os consumidores preferirão tecnologias fáceis de usar e entender que tenham a maior eficiência (Gupta & Dogra, 2017). A facilidade de uso é fundamental em situações de compra de viagens on-line (Amaro & Duarte, 2013). Logo, enuncia-se a hipótese:

Hipótese 2: A Expectativa de Esforço impacta positivamente na Intenção Comportamental de uso do Airbnb.

O construto Influência Social é definido como a medida em que os consumidores percebem que pessoas do seu meio social, como amigos e família, consideram importante a utilização de determinada tecnologia. A influência social é composta por três variáveis: a norma subjetiva, o fator social e a imagem (Huang & Kao, 2015).

A norma subjetiva relaciona-se à pressão percebida para usar determinada ferramenta; o fator social é a internalização do indivíduo a partir da cultura subjetiva do sistema social, dos acordos interpessoais feitos com outros; e a imagem é definida como o grau em que um indivíduo identifica que o uso de uma tecnologia inovadora pode melhorar seu status em sua organização social (Huang & Kao, 2015). Venkatesh et al. (2003) e Venkatesh et al. (2012) teorizaram que a Influência Social é determinante na Intenção Comportamental.

O peso da opinião de pessoas importantes nos comportamentos dos consumidores foi reforçado por estudos que investigam a adoção de serviços de compras móveis (Yang, 2010), adoção de serviços bancários on-line (Luo, Li, Zhang, & Shim, 2010) e adoção de aplicativos móveis (Hew, Lee, Ooi, & Wei, 2015). Nesse trabalho, a Influência Social é medida na forma como os entrevistados enxergam a opinião de pessoas importantes para eles a respeito da utilização da plataforma Airbnb. É proposta, assim, a seguinte hipótese:

Hipótese 3: A Influência Social impacta positivamente na Intenção Comportamental de uso do Airbnb.

Já o construto Condições Facilitadoras refere-se às percepções dos consumidores sobre os recursos e os suportes disponíveis para utilizar a tecnologia (Venkatesh et al., 2012). As condições facilitadoras são fatores ambientais e podem variar significativamente entre as diversas plataformas. O envolvimento dos consumidores em determinadas tarefas vai depender de uma infraestrutura de condições capazes de facilitar as interações necessárias. Os ambientes de hospedagens de viagem são costumeiramente baseados na confiança em tecnologias que são familiares aos consumidores, que ajudam a enfraquecer barreiras de adoção (Morosan & DeFranco, 2016).

De acordo com Venkatesh et al. (2012), as condições facilitadoras atuarão mais como um controle comportamental percebido e irão influenciar a intenção e o comportamento (Ajzen, 1991). Um consumidor que tem acesso a um conjunto favorável de condições facilitadoras é mais propenso a ter uma maior intenção de usar determinada tecnologia (Venkatesh et al., 2012). Essa relação foi validada por estudos anteriores (Dwivedi, Shareef, Simintiras, Lal, & Weerakkody, 2016).

Dessa forma, as Condições Facilitadoras são relacionadas tanto para a Intenção Comportamental quanto para o Comportamento de Uso e são mensuradas nesta pesquisa como a percepção dos indivíduos referentes à disponibilidade de recursos e suportes para a utilização do Airbnb. Apresentam-se as hipóteses:

Hipótese 4a: As Condições Facilitadoras impactam positivamente a Intenção Comportamental de uso do Airbnb.

Hipótese 4b: As Condições Facilitadoras impactam positivamente o Comportamento de Uso do Airbnb.

O construto Motivação Hedônica, definido por Venkatesh et al. (2012) como diversão ou prazer derivado do uso de uma tecnologia, conhecido também como motivação intrínseca (Vallerand, 1997), foi adicionado ao modelo estendido, atuando como um preditor da Intenção Comportamental. Tem caráter mais subjetivo e pessoal e está relacionado com a essência da experiência psicológica do indivíduo (Huang & Kao, 2015; Ozturk, Nusair, Okumus, & Hua, 2016). Dessa maneira, por uma perspectiva hedônica, os consumidores estão buscando prazer com o uso de um produto ou serviço, considerando o processo de compra como uma prática agradável (Anderson, Knight, Pookulangara, & Josiam, 2014).

Nessa pesquisa, é compreendido como o prazer percebido na utilização do Airbnb. A literatura existente sustenta a relação positiva entre a motivação hedônica e o comportamento de adoção de tecnologia (Baptista & Oliveira, 2015), principalmente quando relacionado ao contexto de reserva de hospedagem on-line. Ozturk et al. (2016) enfatizam a dimensão hedônica e a dimensão utilitária como determinantes críticos na influência para o uso contínuo das ferramentas.

Logo, propõe-se:

Hipótese 5: A Motivação Hedônica impacta positivamente na Intenção Comportamental de usar o Airbnb.

O Valor do Preço é definido como a troca (tradeoff) cognitiva dos consumidores entre os benefícios percebidos do produto e/ou do serviço e o custo monetário para usá-los. Uma importante diferença entre os contextos do consumidor e organizacional, que acarretou a inclusão do construto Valor do Preço ao modelo, é que os consumidores costumam suportar o custo monetário do uso da tecnologia, enquanto os funcionários não (Venkatesh et al., 2012).

Os consumidores, conforme destacam Alalwan, Dwivedi e Rana (2017), são predispostos a adotar determinada tecnologia, baseados em suas restrições orçamentárias. Desse modo, analisam inteligentemente as utilidades incluídas no uso de novos sistemas com o custo financeiro, que deveria ser pago por esse sistema (Alalwan et al., 2017). Baptista e Oliveira (2015) reforçam que, no contexto de adoção de tecnologias da internet, o construto Valor do Preço integra elementos como o custo do dispositivo, o custo das operadoras de serviço de dados e as taxas de transações.

Verifica-se dessa forma que:

Hipótese 6: O Valor do Preço impacta positivamente a Intenção Comportamental de uso da plataforma Airbnb.

O construto Hábito é definido por Limayem, Hirt e Cheung (2007) como a medida em que as pessoas tendem a realizar comportamentos automaticamente por causa da aprendizagem, ou seja, o grau em que o indivíduo acredita que o comportamento é automático. Diferente dos reflexos, para que determinado comportamento se torne um hábito, é necessário aprendizado. Isto é, uma composição de repetições de curto prazo, reforço, clareza da situação, interesse e capacidade de aprender (Pahnila, Siponen, & Zheng, 2011).

Como esclarecem Wilson e Lankton (2013), o comportamento passado e o hábito, apesar de intimamente ligados, não são construções idênticas. A ocorrência repetida é fundamental para a formação do hábito, mas não compõe o hábito em si. Os hábitos tendem a ser formados quando os comportamentos são repetidos num contexto estável (Wilson & Lankton, 2013). De acordo com Hsu, Chang, e Chuang (2015), no ambiente de compras e escolhas on-line, o hábito é considerado um comportamento automático, uma reação que é estimulada por uma causa ou ambiente, sem um processo mental consciente, devido à acumulação de experiência passada entre o comportamento e os resultados satisfatórios.

Venkatesh et al. (2012) postulam que o hábito tem um efeito direto sobre a Intenção Comportamental. Essa relação é confirmada por Herrero, San Martín, & Garcia-De los Salmones (2017). Estudos existentes também destacam os efeitos sobre o comportamento de uso (Gupta & Dogra, 2017). Já que a plataforma Airbnb faz parte de um fenômeno recente, levantam-se as hipóteses:

Hipótese 7: O Hábito impacta positivamente a Intenção Comportamental de uso do Airbnb.

Hipótese 8: O Hábito impacta positivamente o Comportamento de Uso do Airbnb.

Por fim, o construto Intenção Comportamental permanece como na primeira teoria UTAUT, na qual é considerado o construto mediador do Comportamento de Uso, sendo o grau em que o indivíduo se sente motivado a adotar certo tipo de comportamento. Isto é, a intenção de usar ou continuar usando uma tecnologia no futuro. Nessa pesquisa, refere-se à intenção do entrevistado em se tornar um usuário da plataforma de hospedagem Airbnb.

Para tanto, levanta-se a última hipótese:

Hipótese 9: A Intenção de Uso impacta positivamente o Comportamento de Uso do Airbnb.

Cabe destacar que a variável moderadora Voluntariedade presente no UTAUT foi retirada no UTAUT2 por se considerar que não há obrigação no uso da tecnologia no consumo. A voluntariedade é percebida como um contínuo de absolutamente obrigatório a absolutamente voluntário, em que os consumidores não possuem um mandato organizacional e, portanto, a maioria dos seus comportamentos são completamente voluntários, não resultando em variação no construto “Voluntariedade”.

Na Figura 1, são apresentados o modelo estrutural da pesquisa e as hipóteses propostas.

METODOLOGIA

Para se atingir o objetivo proposto neste artigo, adotou-se uma abordagem quantitativa por meio da aplicação de um questionário survey, criado a partir do modelo UTAUT2 (Venkatesh et al., 2012), aos indivíduos brasileiros que conheciam a plataforma Airbnb.

Anteriormente à coleta de dados, o instrumento de pesquisa foi adaptado ao contexto em questão por meio de uma adaptação transcultural, processo que analisa as questões de linguagem e de adaptação cultural, como recomenda a literatura (Beaton, Bombardier, Guillemin, & Ferraz, 2000). Posteriormente, os questionários foram respondidos por dois grupos de prováveis respondentes, com perfis distintos, para que se pudessem avaliar a compreensão e a clareza da linguagem utilizada. Modificações foram realizadas e gerou-se uma versão final.

O instrumento final foi baseado em nove construtos: Expectativa de Desempenho, Expectativa de Esforço, Influência Social, Condições Facilitadoras, Motivação Hedônica, Valor do Preço, Hábito, Intenção Comportamental e Comportamento de Uso (Venkatesh et al., 2012). A Tabela 1 apresenta a síntese das variáveis e dos construtos utilizados.

Cabe destacar que, como pergunta filtro, os respondentes foram questionados sobre a existência ou não de conhecimento prévio a respeito do Airbnb. Aqueles cuja resposta foi negativa, isto é, não conheciam a plataforma, tiveram suas respostas excluídas da amostra final.

Os itens foram mensurados por meio de uma escala Likert de cinco pontos (1 “Discordo totalmente” e 5 “Concordo totalmente”). E para que a variável Comportamento de Uso fosse analisada da mesma maneira que os demais construtos, foi transformada em uma variável intervalar de 1 a 5.

Os questionários foram disponibilizados por meio da plataforma Google Forms, no período de Maio a Outubro de 2017. Além disso, com o objetivo de se atingir a adequabilidade do tamanho da amostra, dimensionada a partir dos parâmetros estimados no questionário (29 variáveis, portanto, o mínimo de 145 respondentes), critério proposto por Hair Jr, Hult, Ringle, e Sarstedt (2016), e maior variabilidade no perfil dos respondentes, alguns questionários foram aplicados de maneira presencial.

Desse modo, a amostra foi coletada por conveniência e com base na facilidade de acesso aos indivíduos. Por meio do procedimento de quotas, os critérios utilizados para o refinamento da amostragem por conveniência foram apenas usuários brasileiros, que conheciam a plataforma Airbnb e maiores de idade. Foram coletadas 263 respostas válidas, satisfazendo, dessa forma, o critério de tamanho mínimo amostral.

Em caráter preliminar, os dados foram analisados quanto à presença de outliers univariados e multivariados. Como parâmetro utilizado para definir um outliers, seguiu-se aquele sugerido por Hair Jr et al. (2016), que considera como outlier as observações que apresentaram valores superiores a 4 após a divisão do valor D2 de Mahalanobis pelo grau de liberdade. Nenhum outlier univariado ou multivariado foi detectado.

Para análise dos dados, foi utilizada a Modelagem de Equações Estruturais (SEM), técnica baseada nos mínimos quadrados parciais (PLS-SEM), a qual permite a análise simultânea das relações entre construtos e entre indicadores (Hair Jr et al., 2016). Adotaram-se os estágios e os procedimentos indicados por Hair Jr et al. (2016) para aplicação do PLS-SEM, que divide a avaliação do diagrama de caminhos em duas etapas: avaliação do modelo de mensuração e avaliação do modelo estrutural. Utilizou-se o software SmartPLS.

RESULTADOS

Nesta seção, são apresentados os resultados obtidos a partir do tratamento e da análise dos dados. Inicialmente, foi realizado tratamento estatístico descritivo nos dados do perfil dos respondentes que compuseram a amostra, a distribuição de frequência das variáveis sociodemográficas. Em seguida, a técnica de modelagem de equações estruturais foi utilizada com o objetivo de validar o modelo da pesquisa, além verificar a veracidade das relações hipostenizadas, permitindo dessa maneira implicações empíricas para a realidade acadêmica e gerencial.

CARACTERIZAÇÃO DA AMOSTRA

Para a caracterização da amostra, foram utilizadas as variáveis: gênero, faixa etária, estado civil e renda familiar, conforme Tabela 2.

Assim sendo, tem-se que 54% dos respondentes são do gênero feminino e 46% do gênero masculino. Em sua maior parte, possuem faixa etária entre 24 a 29 anos (25,9%), seguidos de 23,2% de 18 a 23 anos e 19,8% de 30 a 35 anos. 58,9% dos respondentes é solteiro e em sua maior parte, 42,2%, com renda familiar de R$ 3.748,01 a R$ 9.370,00.

AVALIAÇÃO DO MODELO DE MENSURAÇÃO

No modelo de mensuração reflexivo, que explica o quão bem a teoria se encaixa aos dados, são inclusas análises: da confiabilidade simples (Alpha de Cronbach), da variância média extraída (AVE), da confiabilidade composta e da validade discriminante.

Em relação à confiabilidade, o construto Condições Facilitadoras apresentou valor relativo ao Alpha de Cronbach inferior a 0,70, limite mínimo sugerido na literatura (Hair Jr et al., 2016), desse modo foi excluído do modelo. Todos os demais construtos obtiveram valores dentro do esperado nesse quesito. Valores satisfatórios também foram encontrados nos resultados referentes à confiabilidade composta, conforme exposto na Tabela 3.

A validade convergente foi mensurada por meio da variância média extraída por construto (AVE). Cabe destacar que, para que se encontrassem valores elevados de AVE, foram excluídos dois itens do construto Condições Facilitadoras e um item dos construtos Expectativa de Desempenho, Influência Social, Motivação Hedônica e Intenção Comportamental.

Todos os construtos apresentaram valor superior ao mínimo sugerido de 0,50. Sendo o menor valor aquele obtido no construto Hábito, 0,686, e o maior aquele encontrado no construto Influência Social, 0,914.

Para a validade discriminante utilizou-se o critério estabelecido por Fornell-Larcker, que indica que a raiz quadrada da AVE de cada construto deve ser maior do que a maior correlação com cada construto (Hair Jr et al., 2016). Todos os construtos foram considerados adequados.

Além disso, também se verificou a validade discriminante por meio do critério Heterotrait-Monotrait Ratio (HTMT), que assim como o anterior tem por objetivo determinar se o construto é único. Os valores de HTMT entre as relações dos construtos devem ser menores que 0,9 (Hair Jr et al., 2016). Na presente pesquisa, os valores permaneceram no intervalo de 0,062 para o construto Expectativa de Desempenho e 0,669 para o construto Motivação Hedônica. Desta forma, todos os construtos satisfizeram a condição.

Com a realização dos testes de avaliação da validade convergente do modelo, avaliação da colinearidade entre os indicadores do mesmo construto e avaliação da significância e relevância dos indicadores e suas respectivas análises, o modelo de mensuração assume a forma apresentada na Figura 2.

AVALIAÇÃO DO MODELO ESTRUTURAL

Após o processo de avaliação do modelo de mensuração, passou-se à avaliação do modelo estrutural, que examina a capacidade preditiva do modelo e as relações entre os construtos (Hair Jr et al., 2016).

Verificou-se, inicialmente, com vistas a tratar o modelo de mensuração, a existência de colinearidade entre os construtos, por meio dos valores de tolerância (VIF). Todos os construtos do modelo não apresentaram problemas de colinearidade.

Nesse sentido, avaliaram-se a significância e a relevância das relações no modelo estrutural. A Tabela 4 apresenta os coeficientes de caminho entre os construtos e os seus respectivos níveis de significância, gerados após a aplicação do algoritmo PLS.

Por fim, para mensurar o poder de previsão do modelo, utilizou-se o R2, conhecido como Coeficiente de Determinação, que representa a combinação dos efeitos dos construtos exógenos (independentes) sobre determinado construto endógeno (dependente) (Hair Jr et al., 2016).

Encontrou-se, no construto Comportamento de Uso, R2 abaixo do valor considerado como fraco, enquanto o R2 do construto Intenção Comportamental foi considerado moderado. As variáveis que antecedem o construto Comportamento de Uso explicam 0,3% da variância do construto, e as variáveis que antecedem o construto Intenção comportamental explicam 62,9% da variância do construto.

DISCUSSÃO DOS RESULTADOS

O consumo baseado no acesso, como o Airbnb, tem proporcionado uma maneira inovadora dos consumidores trocarem valor e alterarem seus padrões de viagens (Satama, 2014; Tussyadiah, 2016). O rápido sucesso e a popularidade crescente da plataforma têm requerido pesquisas que considerem, por exemplo, o seu impacto nos destinos, a lealdade, as atitudes e os comportamentos dos residentes, dos ofertantes e dos hóspedes (Guttentag, 2015). O objetivo desse artigo foi identificar os fatores que influenciam a adoção do Airbnb no contexto brasileiro.

A análise dos resultados apontou achados importantes, foram suportadas quatro das oito hipóteses propostas. Os construtos Expectativa de Desempenho, Expectativa de Esforço, Influência Social e Hábito impactaram significativamente na Intenção Comportamental de uso da plataforma Airbnb, hipóteses H1, H2, H3 e H7 (Tabela 4). Os usuários brasileiros respondentes do estudo acreditam que o uso do Airbnb proporciona benefícios em relação à hospedagem (Expectativa de Desempenho) e possui facilidade quanto ao uso da plataforma (Expectativa de Esforço). Eles são influenciados por familiares ou amigos que tenham opiniões positivas sobre a plataforma (Interação Social) e por experiências anteriores (Hábito).

É interessante destacar que o construto Hábito, constatado como o preditor mais forte na relação com a Intenção Comportamental, não apresenta relação significativa com o construto Comportamento de Uso (H8). Isto é contrário ao que sugerem pesquisas anteriores que apontam o hábito com efeito direto do Comportamento de Uso da tecnologia (Venkatesh et al., 2012).

Compreendido como a medida em que as pessoas tendem a realizar comportamentos, ou seja, usar determinada tecnologia automaticamente por causa da aprendizagem (Limayem et al., 2007), o Hábito, ao impactar positivamente na intenção comportamental, pode significar que o uso ou o conhecimento anterior da plataforma influenciam os usuários a considerem-na uma opção no momento de escolha de uma hospedagem. Entretanto, quando os individuo efetivamente fazem sua escolha final e de fato tem um comportamento de uso, o Hábito já não é fator significativo, podendo haver outros fatores que antecedem esse comportamento.

Alguns fatores, como no construto Valor do Preço, apresentaram impacto não significativo na Intenção Comportamental de uso do Airbnb. Apesar de contradizer trabalhos anteriores (Hamari, Sjöklint, & Ukkonen, 2016; Tussyadiah, 2016), o resultado encontrado nesta pesquisa se assemelha àquele descoberto por Satama (2014). Segundo estudos do autor, o construto Valor do Preço se mostrou não significativo quando relacionado à Intenção Comportamental de uso, mas obteve um efeito indireto no construto Expectativa de Desempenho. Este achado se baseia na lógica de que os consumidores que tiveram uma percepção mais positiva do valor do preço do Airbnb são mais propensos a considerar o serviço mais útil e, deste modo, mais propensos a usá-lo no futuro (Satama, 2014).

Assim, pesquisas futuras no contexto brasileiro podem testar essa relação, já que estudos anteriores sobre hospedagens compartilhadas encontram que o benefício econômico e a economia de custos são fatores importantes para os usuários do Airbnb (Hamari et al., 2016; Tussyadiah, 2016).

Também com impacto não significativo se encontrou o construto Motivação Hedônica. Este resultado ressalta que, para os entrevistados brasileiros, os aspectos utilitários do consumo baseado no acesso, como o Airbnb, ainda são os fatores mais determinantes da intenção de uso. Aspectos como prazer e diversão, ao utilizar o serviço, não se mostraram sobressalentes. A Motivação Hedônica foi encontrada como fator influente em estudos realizados com a plataforma Airbnb em outros países, como China e Japão (Satama, 2014). Desse modo, como oportunidade para crescimento da plataforma, é interessante que se explorem maneiras de tornar a experiência do usuário mais agradável, por meio, por exemplo, do desenvolvimento de guias de cidades e vizinhanças ao site (Satama, 2014).

Ainda como encontram Hawlitschek, Teubner e Gimpel (2016), a Motivação Hedônica pode mesclar-se com a Experiência Social, a ideia de que o compartilhamento permite uma experiência e interação social. Mas como descobrem Tussyadiah e Pesonen (2016), os benefícios sociais de experiências de hospedagem compartilhada vão ter impacto negativo sobre a intenção comportamental de hóspedes que ficam em acomodações inteiras e não compartilhadas. Ou seja, determinados hóspedes vão evitar interações sociais (Tussyadiah & Pesonen, 2016). Assim, os resultados dessa pesquisa também podem indicar que os usuários brasileiros respondentes evitam as interações sociais quando utilizam o Airbnb. Pesquisas futuras podem explorar esse aspecto.

Por fim, obteve-se uma relação não significativa entre o construto Intenção Comportamental e o construto Comportamento de Uso, com esse último explicando cerca de 0,3% do comportamento em relação ao Airbnb. Sobre esse resultado, é importante ressaltar que a maneira como o construto Comportamento de Uso foi originalmente mensurado, com uma frequência que varia de “nunca” a “muitas vezes por dia” (Venkatesh et al., 2012), pode não ser adequada a frequência do comportamento de uso no turismo. As viagens ocorrem com objetivos distintos, como negócios e férias, o que pode alterar significativamente a sua frequência (Prebensen, Woo, Chen, & Uysal, 2013).

Mesmo que nesta pesquisa modificações tenham sido feitas para melhor adaptação ao ambiente de hospedagens compartilhadas e viagens, adotou-se uma escala que variava de “usa muito pouco” a “usa muito”, que ainda pode não considerar todas as peculiaridades do comportamento em questão, o que pode ter refletido nos efeitos e relações encontradas. Em vista disso, trabalhos futuros devem buscar melhores formas de moldar e mensurar o construto Comportamento de Uso, principalmente quando esse é relacionado ao contexto de viagens e hospedagens compartilhadas.

De maneira geral, tem-se que as variáveis validadas no modelo (Expectativa de Desempenho, Expectativa de Esforço, Interação Social e Hábito) explicaram o construto Intenção Comportamental em aproximadamente 63%. Outros fatores, portanto, mais adaptados ao contexto da plataforma de hospedagem compartilhada, podem influenciar essa relação. Satama (2014) e Tussyadiah (2015), por exemplo, identificam o impacto do construto Confiança, que pode se dividir em confiança nos mecanismos de feedback disponíveis na plataforma e na qualidade do site (Satama, 2014; Tussyadiah, 2015). Como esclarecem Ert, Fleischer e Magen (2016), o uso de plataformas de hospedagem compartilhada abrange, além de riscos econômicos, o risco de negociação com estranhos. A percepção desse último pode influenciar o comportamento dos usuários e fazer com que estratégias de proteção sejam adotadas (Ert et al., 2016).

Além do fator Confiança, Satama (2014) observa também a influência do fator Materialismo. O materialismo é definido no contexto do comportamento do consumidor como aquele presente em indivíduos que depositam elevada ênfase, ao serem comparados com os demais na aquisição de bens. Nesse sentido, consumidores envolvidos com o Airbnb podem revelar alto valor de uso e valor situacional e serem menos materialistas do que a população em geral (Satama, 2014). Pesquisas futuras podem considerar e adicionar essas variáveis no modelo no contexto brasileiro, com o objetivo de aumentar o poder explicativo encontrado.

CONSIDERAÇÕES FINAIS

Este estudo se propôs a identificar os fatores envolvidos no processo de adoção e intenção de uso da plataforma de hospedagem compartilhada Airbnb no contexto brasileiro. Encontraram-se dados importantes, como nos construtos Hábito, Valor do Preço e Motivação Hedônica, bem como necessária continuidade dos estudos para melhor explorar os aspectos identificados.

Apesar do crescimento da plataforma, nota-se ainda espaço para a sua expansão em diversas partes do mundo. Dentre as 530 respostas coletadas neste estudo, mais da metade foram referentes a indivíduos que não conheciam o Airbnb. Como aponta Tussyadiah (2015), muitos dos viajantes não utilizam acomodações compartilhadas por falta de informações suficientes que os permitam usufruir do sistema.

Como limitação da pesquisa, tem-se a natureza da amostra, obtida por conveniência, o que pode não refletir a população em geral. Limita-se também ao não considerar o efeito dos fatores sociodemográficos, como idade e sexo, além de não estratificar a mostra a partir de critérios geográficos, fatores esses que podem estar relacionados à adoção de tecnologias inovadoras e novos modelos de negócio. Assim sendo, sugere-se que tais limitações possam inspirar a realização de trabalhos futuros.

Como contribuição acadêmica, a presente pesquisa expande o uso do modelo UTAUT2 para a economia compartilhada e encontra, no contexto brasileiro do Airbnb, a não significância de fatores como a motivação hedônica e o valor do preço na intenção comportamento. Assim, pesquisas futuras podem considerar novas variáveis, como extensão do modelo proposto, bem como a sua aplicação a outros modelos de economias baseadas em acesso existentes no país. Ainda é interessante que se explorem qualitativamente os aspectos levantados nesse estudo relativos ao comportamento do consumidor do Airbnb, a alteração do seu padrão de viagem, a demanda por hospedagem, bem como a criação de novos mercados.

As contribuições empíricas da pesquisa tangem pontos oportunos de crescimento da plataforma no país. Tendo-se identificado os aspectos utilitários como os fatores mais determinantes da intenção de uso, tem-se a oportunidade de crescimento da plataforma por meio da criação de maneiras de tornar a experiência do usuário mais agradável. Além disso, ao se encontrar relações não significativas com a motivação hedônica, pode indicar que os usuários brasileiros respondentes evitam as interações sociais quando utilizam o Airbnb, o que modifica a maneira em que as ofertas são realizadas.

Na medida em que o Airbnb tem ganhado popularidade e se tornado o modelo de economia compartilhada mais bem sucedido (Liu & Mattila, 2017), este trabalho contribui gerencialmente para compreensão do perfil e da motivação do usuário brasileiro. O conhecimento das motivações dos usuários pode permitir a criação de experiências mais personalizadas, novos produtos e a expansão e a promoção da plataforma em cidades em que ainda é pouco utilizada.

REFERÊNCIAS BIBLIOGRÁFICAS

AIRBNB. (2017). Airbnb: Aluguéis por Temporada, Acomodações e Experiências. Retrieved August 25, 2018, from https://www.airbnb.com.br/

Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211. https://doi.org/10.1016/0749-5978(91)90020-T

Alalwan, A. A., Dwivedi, Y. K., & Rana, N. P. (2017). Factors influencing adoption of mobile banking by Jordanian bank customers: Extending UTAUT2 with trust. International Journal of Information Management, 37(3), 99–110. https://doi.org/10.1016/j.ijinfomgt.2017.01.002

Amaro, S., & Duarte, P. (2013). Online travel purchasing: A literature review. Journal of Travel & Tourism Marketing, 30(8), 755–785. https://doi.org/10.1080/10548408.2013.835227

Anderson, K. C., Knight, D. K., Pookulangara, S., & Josiam, B. (2014). Influence of hedonic and utilitarian motivations on retailer loyalty and purchase intention: a facebook perspective. Journal of Retailing and Consumer Services, 21(5), 773–779. https://doi.org/10.1016/j.jretconser.2014.05.007

Ayeh, J. K., Leung, D., Au, N., & Law, R. (2012). Perceptions and Strategies of Hospitality and Tourism Practitioners on Social Media: An Exploratory Study. In Information and Communication Technologies in Tourism 2012 (pp. 1–12). Vienna: Springer Vienna. https://doi.org/10.1007/978-3- 7091-1142-0_1

Baptista, G., & Oliveira, T. (2015). Understanding mobile banking: The unified theory of acceptance and use of technology combined with cultural moderators. Computers in Human Behavior, 50, 418–430. https://doi.org/10.1016/j.chb.2015.04.024

Bardhi, F., & Eckhardt, G. M. (2012). Access-Based Consumption: The Case of Car Sharing. Journal of Consumer Research, 39(4), 881–898. https://doi.org/10.1086/666376

Beaton, D. E., Bombardier, C., Guillemin, F., & Ferraz, M. B. (2000). Guidelines for the process of cross-cultural adaptation of self-report measures. Spine, 25(24), 3186–3191.

Dredge, D., & Gyimóthy, S. (2015). The collaborative economy and tourism: Critical perspectives, questionable claims and silenced voices. Tourism Recreation Research, 40(3), 286–302. https://doi. org/10.1080/02508281.2015.1086076

Dwivedi, Y. K., Shareef, M. A., Simintiras, A. C., Lal, B., & Weerakkody, V. (2016). A generalised adoption model for services: A cross-country comparison of mobile health (m-health). Government Information Quarterly, 33(1), 174–187. https://doi.org/10.1016/j.giq.2015.06.003

Ert, E., Fleischer, A., & Magen, N. (2016). Trust and reputation in the sharing economy: The role of personal photos in Airbnb. Tourism Management, 55, 62–73. https://doi.org/10.1016/j. tourman.2016.01.013

Ferreira, K. M., Santos, R. A. dos, Méxas, M. P., & Meiriño, M. J. (2017). PERCEPÇÃO DE GESTORES DE HOSPEDAGENS SOBRE PLATAFORMAS DE ALUGUEL ON-LINE POR TEMPORADA. Turismo - Visão e Ação, 19(3), 658. https://doi.org/10.14210/rtva.v19n3.p658-683

Godoe, P., & Johansen, T. S. (2012). Understanding adoption of new technologies: Technology readiness and technology acceptance as an integrated concept. Journal of European Psychology Students, 3(1), 38. https://doi.org/10.5334/jeps.aq

Gupta, A., & Dogra, N. (2017). TOURIST ADOPTION OF MAPPING APPS: A UTAUT2 PERSPECTIVE OF SMART TRAVELLERS. Tourism and Hospitality Management, 23(2), 145–161. https://doi. org/10.20867/thm.23.2.6

Guttentag, D. (2015). Airbnb: disruptive innovation and the rise of an informal tourism accommodation sector. Current Issues in Tourism, 18(12), 1192–1217. https://doi.org/10.1080/13683500.2013.827159

Hair Jr, J. F., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2016). A primer on partial least squares structural equation modeling (PLS-SEM). Sage Publications.

Hamari, J., Sjöklint, M., & Ukkonen, A. (2016). The sharing economy: Why people participate in collaborative consumption. Journal of the Association for Information Science and Technology, 67(9), 2047–2059. https://doi.org/10.1002/asi.23552

Hawlitschek, F., Teubner, T., & Gimpel, H. (2016). Understanding the Sharing Economy -- Drivers and Impediments for Participation in Peer-to-Peer Rental. In 2016 49th Hawaii International Conference on System Sciences (HICSS) (pp. 4782–4791). IEEE. https://doi.org/10.1109/HICSS.2016.593

Heo, Y. (2016). Sharing economy and prospects in tourism research. Annals of Tourism Research, 58, 166–170.

Herrero, Á., San Martín, H., & Garcia-De los Salmones, M. del M. (2017). Explaining the adoption of social networks sites for sharing user-generated content: A revision of the UTAUT2. Computers in Human Behavior, 71, 209–217. https://doi.org/10.1016/j.chb.2017.02.007

Hew, J.-J., Lee, V.-H., Ooi, K.-B., & Wei, J. (2015). What catalyses mobile apps usage intention: an empirical analysis. Industrial Management & Data Systems, 115(7), 1269–1291. https://doi. org/10.1108/IMDS-01-2015-0028

Hsu, M.-H., Chang, C.-M., & Chuang, L.-W. (2015). Understanding the determinants of online repeat purchase intention and moderating role of habit: The case of online group-buying in Taiwan. International Journal of Information Management, 35(1), 45–56. https://doi.org/10.1016/j. ijinfomgt.2014.09.002

Huang, C.-Y., & Kao, Y.-S. (2015). UTAUT2 Based Predictions of Factors Influencing the Technology Acceptance of Phablets by DNP. Mathematical Problems in Engineering, 2015, 1–23. https://doi. org/10.1155/2015/603747

Im, I., Hong, S., & Kang, M. S. (2011). An international comparison of technology adoption. Information & Management, 48(1), 1–8. https://doi.org/10.1016/j.im.2010.09.001

Limayem, Hirt, & Cheung. (2007). How Habit Limits the Predictive Power of Intention: The Case of Information Systems Continuance. MIS Quarterly, 31(4), 705. https://doi.org/10.2307/25148817

Liu, S. Q., & Mattila, A. S. (2017). Airbnb: Online targeted advertising, sense of power, and consumer decisions. International Journal of Hospitality Management, 60, 33–41. https://doi.org/10.1016/j. ijhm.2016.09.012

Luo, X., Li, H., Zhang, J., & Shim, J. P. (2010). Examining multi-dimensional trust and multi-faceted risk in initial acceptance of emerging technologies: An empirical study of mobile banking services. Decision Support Systems, 49(2), 222–234. https://doi.org/10.1016/j.dss.2010.02.008

Macedo, I. M. (2017). Predicting the acceptance and use of information and communication technology by older adults: An empirical examination of the revised UTAUT2. Computers in Human Behavior, 75, 935–948. https://doi.org/10.1016/j.chb.2017.06.013

Mao, Z., & Lyu, J. (2017). Why travelers use Airbnb again? International Journal of Contemporary Hospitality Management, 29(9), 2464–2482. https://doi.org/10.1108/IJCHM-08-2016-0439

Möhlmann, M. (2015). Collaborative consumption: determinants of satisfaction and the likelihood of using a sharing economy option again. Journal of Consumer Behaviour, 14(3), 193–207. https:// doi.org/10.1002/cb.1512

Morosan, C., & DeFranco, A. (2016). It’s about time: Revisiting UTAUT2 to examine consumers’ intentions to use NFC mobile payments in hotels. International Journal of Hospitality Management, 53, 17–29. https://doi.org/10.1016/j.ijhm.2015.11.003

Ozturk, A. B., Nusair, K., Okumus, F., & Hua, N. (2016). The role of utilitarian and hedonic values on users’ continued usage intention in a mobile hotel booking environment. International Journal of Hospitality Management, 57, 106–115. https://doi.org/10.1016/j.ijhm.2016.06.007

Pahnila, S., Siponen, M., & Zheng, X. (2011). Integrating habit into UTAUT: The Chinese eBay case. In Pacific Asia Journal of the Association for Information Systems (Vol. 3).

Prebensen, N. K., Woo, E., Chen, J. S., & Uysal, M. (2013). Motivation and Involvement as Antecedents of the Perceived Value of the Destination Experience. Journal of Travel Research, 52(2), 253–264. https://doi.org/10.1177/0047287512461181

Ramos, L. (2017). Rio é o quarto maior mercado do Airbnb; veja a lista. Panrotas. Retrieved from http://www.panrotas.com.br/noticia-turismo/hotelaria/2017/01/rio-e-o-quarto-maior-mercado-do- airbnb-veja-a-lista_143745.html

Satama, S. (2014). Consumer adoption of access-based consumption services-Case AirBnB.

Tussyadiah, I. P. (2015). An Exploratory Study on Drivers and Deterrents of Collaborative Consumption in Travel. In Information and Communication Technologies in Tourism 2015 (pp. 817–830). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-319-14343-9_59

Tussyadiah, I. P. (2016). Factors of satisfaction and intention to use peer-to-peer accommodation. International Journal of Hospitality Management, 55, 70–80. https://doi.org/10.1016/j. ijhm.2016.03.005

Tussyadiah, I. P., & Pesonen, J. (2016). Impacts of Peer-to-Peer Accommodation Use on Travel Patterns. Journal of Travel Research, 55(8), 1022–1040. https://doi.org/10.1177/0047287515608505

Vallerand, R. J. (1997). Toward A Hierarchical Model of Intrinsic and Extrinsic Motivation. In Advances in experimental social psychology (Vol. 29, pp. 271–360). Elsevier. https://doi.org/10.1016/S0065- 2601(08)60019-2

Venkatesh, Morris, Davis, & Davis. (2003). User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly, 27(3), 425. https://doi.org/10.2307/30036540

Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer acceptance and user of information technology: Extending the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157–178. https://doi.org/10.1017/CBO9781107415324.004

Wang, D., & Nicolau, J. L. (2017). Price determinants of sharing economy based accommodation rental: A study of listings from 33 cities on Airbnb.com. International Journal of Hospitality Management, 62, 120–131. https://doi.org/10.1016/j.ijhm.2016.12.007

Wilson, E. V., & Lankton, N. K. (2013). Effects of prior use, intention, and habit on it continuance across sporadic use and frequent use conditions. Communications of the Association for Information Systems, 33.

Yang, K. (2010). Determinants of US consumer mobile shopping services adoption: implications for designing mobile shopping services. Journal of Consumer Marketing, 27(3), 262–270. https://doi. org/10.1108/07363761011038338

Zervas, G., Proserpio, D., & Byers, J. W. (2017). The Rise of the Sharing Economy: Estimating the Impact of Airbnb on the Hotel Industry. Journal of Marketing Research, 54(5), 687–705. https://doi. org/10.1509/jmr.15.0204

Notas

IR