Highlights

• El riesgo percibido influye poco en la intención de compra de usuarios experimentados.

• Una experiencia de compra ágil y eficiente resulta clave para captar y fidelizar clientes.

• El modelo UTAUT2 adaptado al comercio en línea colombiano presenta un buen ajuste.

• Una experiencia agradable en plataformas virtuales fomenta la intención de compra.

Highlights

• Perceived risk has minimal influence on purchase intention among experienced users.

• A seamless and efficient shopping experience is crucial for customer acquisition and retention.

• The UTAUT2 model, adapted to Colombian e-commerce, demonstrates strong applicability.

• A positive user experience on virtual platforms enhances purchase intention.

1. INTRODUCCIÓN

Notablemente, la pandemia causada por el COVID-19 generó la necesidad de adquirir productos en la comodidad de los hogares (Cullen et al., 2022; Rout et al., 2022), lo que incrementó el uso del comercio electrónico (Jílková y Králová, 2021; Modi et al., 2024); en Colombia esto trajo consigo un crecimiento anual en ventas en línea superior al 30 % los años 2020, 2021 y 2022 (CCCE, 2024), como también alteraciones en los hábitos de consumo de los consumidores (Khurjekar et al., 2024), su intención y motivación de compra (Vázquez-Martínez et al., 2021). Las compras en línea se integraron en la rutina diaria (Jaller y Pahwa, 2020), normalizando la adquisición de productos y servicios a través del comercio electrónico.

La intención de compra en línea se reconoce como uno de los principales predictores del comportamiento de compra digital (Perea y Monsuwé et al., 2004; Gopal et al., 2024) y puede ser influenciada por diversos factores (Mustafa et al., 2022). Por ello, identificar las relaciones que la afectan es esencial para las empresas que buscan mantenerse competitivas dentro del mercado globalizado actual (Yacob et al., 2021). El conocimiento de las necesidades del consumidor en el comercio electrónico mejora la eficiencia de los procesos, aumentando ventas y reduciendo costos (Jones et al., 2016).

Si bien existen numerosos estudios que analizan la intención de adquirir productos en línea en diversos contextos en los países desarrollados (Martinez y McAndrews, 2023a; Shaw y Sergueeva, 2019; Zhou et al., 2021), en el caso de los países en vía de desarrollo los aportes a esta línea de investigación siguen siendo escasos. En Colombia, autores como García- Salirrosas et al. (2022) y Dakduk et al. (2017) han estudiado la relación entre las variables que afectan de forma positiva la intención de compra en línea. Aun así, las investigaciones enfocadas en la intención de compra en el comercio electrónico siguen siendo limitadas, principalmente en ciudades intermedias del territorio nacional. En el caso de las ciudades intermedias, al tener una población de entre cincuenta mil y un millón de habitantes, y al actuar como puntos de servicios, comercio y conexión entre las áreas rurales y las zonas urbanas más industrializadas (Roberts, 2014). Por lo tanto, analizar los comportamientos de compra de sus consumidores es crucial para establecer la influencia en las dinámicas económicas regionales.

En la literatura, diversos autores han identificado variables que influyen en la intención de compra, como la expectativa de desempeño, la motivación hedónica y el precio (Dewi et al., 2020; Kapser y Abdelrahman, 2020; Li et al., 2020). En el comercio minorista en línea, factores como la confianza, los riesgos y la seguridad percibida tienen un impacto significativo en la intención de compra (Hadiyati et al., 2023), donde la confianza actúa como mediadora en la relación de estas variables (Margalina et al., 2024; Bylok, 2022). Para el comercio electrónico en general, la facilidad de uso, la utilidad, la confiabilidad y la conveniencia percibidas contribuyen a una mayor intención de compra en línea (Alvarado Oregón y Reyes Real, 2023). Sin embargo, según De Oliverira et al. (2017), Torrent-Selles et al. (2021) y McCoy et al. (2007), los resultados y las influencias de las variables pueden variar dependiendo del contexto. Por ello, resulta necesario aplicar teorías y modelos teóricos en diferentes culturas, para enriquecer su aplicabilidad y comprender mejor su alcance.

El objetivo de esta investigación fue analizar la intención de compra en línea de los consumidores del municipio de Valledupar, mediante la aplicación empírica de la teoría unificada de la aceptación y el uso de la tecnología en su versión extendida (UTAUT2), incorporando la variable de riesgo percibido. Esta se fundamentó en la ampliación del modelo en el contexto cultural de la muestra y en su buen desempeño en estudios previos con características similares (Margalina et al., 2024; Margalina, 2021). Además, se identifican y evalúan las variables que influyen en la intención de compra de los consumidores en línea de Valledupar, destacando sus preferencias al respecto.

Este estudio llena importantes vacíos, al reducir la carencia de investigaciones locales relacionadas con los factores que influyen en la intención de compra en línea en consumidores de un país en desarrollo. Asimismo, aporta datos inéditos de una población poco estudiada, lo que enriquece la comprensión del fenómeno en contextos emergentes. Desde una perspectiva práctica, los resultados pueden ser útiles para las empresas al proporcionarles información clave sobre los consumidores. Metodológicamente, la investigación contribuye a la validación del modelo UTAUT2 en un contexto cultural y social diferente, ofreciendo evidencia empírica de su aplicabilidad y ajuste en contextos subrepresentados, lo que refuerza su validez externa y relevancia global. La metodología empleada se basa en un enfoque cuantitativo, de tipo inferencial, con un diseño no experimental, transeccional y de campo. Los datos se recolectaron mediante la técnica de la encuesta, utilizando un cuestionario como instrumento.

La investigación se encuentra estructurada de la siguiente manera: marco teórico, que incluye la revisión de la literatura, las variables de estudio y las hipótesis; metodología, en la cual se detallan los procedimientos del estudio; resultados, que presentan los datos obtenidos; discusión, que contrasta los resultados con estudios previos; y, finalmente, conclusiones, donde se exponen las deducciones finales, recomendaciones y posibles líneas futuras para investigaciones.

2. MARCO TEÓRICO O REFERENCIAL

Producto de los análisis que abarcan la aceptación de nuevas tecnologías en la sociedad, se han desarrollado numerosas teorías y modelos que tienen como objetivo explicar los factores que inciden en la aceptación de las mismas, y cómo los usuarios se relacionan con estas. Entre las teorías más utilizadas se destacan el modelo de difusión de innovaciones (DOI) (Rogers, 1962), la teoría de acción razonada (TRA) (Fishbein y Ajzen, 1975), el modelo de aceptación tecnológica (TAM) (Davis, 1989), la teoría del comportamiento planeado (TPB) (Ajzen, 1991), la teoría unificada de aceptación y uso de tecnología (UTAUT) (Venkatesh et al., 2003). Estas teorías examinan las variables que afectan la intención de los usuarios y las organizaciones, proporcionando un marco comprehensivo para entender cómo y por qué deciden adoptar o rechazar una nueva tecnología. No solo ayudan a predecir la aceptación tecnológica, sino que también guían a gerentes en la creación de estrategias efectivas para mejorar la adopción. Esto se logra al identificar y abordar las barreras potenciales y los facilitadores clave en el proceso de implementación tecnológica.

Aunque diversas teorías se han utilizado en este contexto, las más frecuentes son la TAM y la UTAUT (Elkhayat et al., 2024; Williams et al., 2015). Ambas teorías, aunque maduras, presentan ciertas limitaciones, como la medición del comportamiento real (Malatji et al., 2020), y la incorporación de los factores hedónicos en la aceptación tecnológica (Samaradiwakara y Chandra, 2014); por lo tanto, se considera necesaria la extensión de los modelos con el fin de alcanzar una mayor capacidad predictiva de la intención y la aceptación de nuevas tecnologías.

En este sentido, la teoría unificada y el uso de la tecnología extendida (UTAUT2) resulta especialmente útil tanto desde una perspectiva teórica como práctica, debido a su enfoque en el contexto del consumidor (Venkatesh et al., 2012). El modelo de investigación propuesto se presenta en la Figura 1. A continuación, se describen los constructos del modelo de investigación y las hipótesis de desarrolladas.

Figura 1
Modelo de investigación propuesto

Figure 1. Proposed research model

Fuente: elaboración propia.

Modelo UTAUT

Fue propuesto por Venkatesh et al. (2003) con el propósito de unificar modelos y teorías enmarcadas en el estudio de aceptación tecnológica con bases teóricas similares (Martínez Aparisi, 2016). Para lograrlo, se realizó una síntesis de las ocho teorías más destacadas dentro del campo, proporcionando una visión más unificada de los factores que tienden a influir en la aceptación de la tecnología (Oye et al., 2014).

De acuerdo al modelo UTAUT, la intención de comportamiento está influenciada por cuatro constructos dependientes: la expectativa de desempeño, la expectativa de esfuerzo, la influencia social y las condiciones facilitadoras. Los primeros tres constructos afectan la intención al comportamiento, la cual a su vez ejerce un efecto directo sobre el comportamiento de uso; mientras que las condiciones facilitadoras influyen directamente en el comportamiento de uso.

La intención de comportamiento se define como el grado en el cual un individuo ha formulado planes con anterioridad para realizar o no un comportamiento específico en el futuro de manera consciente (Yu et al., 2021). En esta investigación, la intención al comportamiento se define específicamente como la intención de compra en línea, y se refiere al grado de disposición y motivación de un consumidor para participar en un comportamiento de compra en línea (Chen et al., 2021).

Expectativa de desempeño

Generalmente definido como el grado en el cual el usuario tiene la creencia de que el uso de una tecnología le proporcionará mejoras en el desempeño de determinadas actividades (Venkatesh et al., 2012). Su relación con la intención se encuentra validada en la literatura por estudios enfocados en la intención de compra (An et al., 2016; Chen et al., 2021; Huang, 2023). Por ello, se propone la siguiente hipótesis:

H1: la expectativa de desempeño influye positivamente en la intención de compra en línea de los consumidores.

Expectativa de esfuerzo

Se entiende como el grado en que los usuarios perciben una tecnología como fácil de usar o libre de esfuerzo (Venkatesh et al., 2012). En este contexto, se plantea que los consumidores tienen intención de comprar en línea si estos lo encuentran fácil de realizar. Esta relación está fuertemente validada por diversos estudios en la literatura (Hanif et al., 2022; San Martín y Herrero, 2012; Zhang et al., 2023; Zhou et al., 2021). De este modo, se establece la siguiente hipótesis:

H2: la expectativa de esfuerzo influye positivamente en la intención de compra en línea de los consumidores.

Influencia social

Comprendida como la medida o el grado en que los consumidores perciben que las personas importantes en su vida creen que debería utilizar una tecnología, producto o servicio en particular (Venkatesh et al., 2003, 2012). La relación entre la influencia social y la intención ha sido estudiada en el contexto del comportamiento de compra en línea del consumidor (Doan, 2020; Ha, 2023; Juaneda-Ayensa et al., 2016), lo que ha demostrado su validez e influencia dentro del modelo. Por lo tanto, se establece como hipótesis:

H3: la influencia social incide positivamente en la intención de compra en línea de los consumidores.

Condiciones facilitadoras

Venkatesh et al. (2003) lo definen como la percepción del consumidor sobre los recursos y la ayuda disponible para llevar a cabo una conducta. Igualmente, alude al grado en el que el consumidor cuenta con las condiciones necesarias para comprar en línea; estas condiciones pueden estar ligadas al conocimiento, la tecnología y los equipos necesarios para llevar a cabo el comportamiento (Venkatesh et al., 2012). La relación entre el constructo condiciones facilitadoras y la intención se encuentra validada como otro de los factores que ejercen influencia en la intención de compras en línea (Chang et al., 2019; Escobar-Rodríguez y Carvajal-Trujillo, 2014; Huang, 2023). De manera que se propone la siguiente hipótesis:

H4: las condiciones facilitadoras influyen positivamente en la intención de compra en línea de los consumidores.

Modelo UTAUT2

Con el fin de reducir las limitaciones del modelo UTAUT e incrementar la comprensión de la adopción y el uso de la tecnología desde el contexto del consumidor, Venkatesh et al. (2012) extendieron el modelo UTAUT, denominándolo UTAUT2. Este nuevo modelo incorpora tres variables adicionales enfocadas específicamente en el consumidor: motivación hedónica, valor del precio y hábito. Estas nuevas variables se establecen como precedentes directos de la intención al comportamiento. A comparación del modelo UTAUT, la extensión propuesta en UTAUT2 demostró una mejoría sustancial en la varianza explicada sobre la intención al comportamiento (56 % a 74 %) (Chang et al., 2019; Kapser y Abdelrahman, 2020; Martinez y McAndrews, 2023b; Venkatesh et al., 2012).

Motivación hedónica

Se refiere a la emoción o el placer que experimenta el usuario al utilizar una tecnología (Venkatesh et al., 2012). Según Bridges y Florsheim (2008), las compras pueden generar experiencias hedónicas. En este contexto, la motivación hedónica se define como el grado en que los consumidores disfrutan de realizar compras digitales. La literatura ha validado la influencia de la motivación hedónica sobre la intención de compra en línea (An et al., 2016; Dakduk et al., 2020; Espírito Santo y Ascensão Marques, 2022). Por lo tanto, se plantea la hipótesis de que cuanto mayor sea el placer percibido por los consumidores, mayor será su intención de comprar a través de medios digitales. Se establece que:

H5: la motivación hedónica influye positivamente en la intención de compra en línea de los consumidores.

Valor del precio

Dodds et al. (1991) y Mosquera et al. (2018) refieren el valor del precio como la compensación cognitiva que los usuarios realizan entre los beneficios percibidos al adoptar determinada tecnología o cierto comportamiento y sus costos monetarios. Chang et al. (2019) afirman que cuanto menor sea el precio de la tecnología, mayor será el número de usuarios. Asimismo, Zhou et al. (2021) sostienen que el precio y el costo son conceptos importantes en la mente de los usuarios, ya que estos pueden afectar la percepción del valor de los productos. Múltiples estudios en la literatura han demostrado que el precio influye en la intención al comportamiento (Anwar et al., 2024; Chang et al., 2019; Chaparro Pinzón, 2022). De este modo, se establece la siguiente hipótesis:

H7: el valor del precio influye positivamente en la intención de compra en línea de los consumidores.

Hábito

Se denomina como el grado en el cual los usuarios tienden a realizar comportamientos de forma automática (Limayem et al., 2007). Este se encuentra ligado con la retroalimentación de los resultados de experiencias pasadas (Venkatesh et al., 2012). En el presente contexto, se plantea que los consumidores con un hábito de compras en línea más fuerte tendrán como resultado una mayor intención de comprar en línea. Diversos estudios han demostrado la validez entre la relación de hábito y la intención (Van Droogenbroeck y Van Hove, 2021; Escobar-Rodríguez y Carvajal-Trujillo, 2014; Martinez y McAndrews, 2023a). Con base en estudios previos, se formula la siguiente hipótesis:

H8: el hábito influye positivamente en la intención de compra en línea de los consumidores.

Variable añadida

De acuerdo con Cowart et al. (2008), es fundamental estudiar las variables que actúan como detractoras, por ejemplo, el riesgo percibido. Esta variable adquiere relevancia entre los consumidores, ya que, además de considerar los incentivos, evalúan también las posibles amenazas al momento de adoptar una tecnología, como sucede con las compras en línea. Por esta razón, se integra la variable de riesgo percibido, especialmente relevante en el contexto de los consumidores en línea de países en desarrollo. Estudios previos han demostrado que el riesgo percibido afecta significativamente el comportamiento de los consumidores al comprar en línea, tanto en Latinoamérica (Margalina et al., 2024; Margalina, 2021) como en Colombia (De Hoyos Abril y Yepes Barrera, 2024).

La literatura destaca la importancia del constructo de riesgo percibido, ampliamente utilizado por diversos autores en investigaciones relacionadas con los modelos UTAUT/UTAUT2 (An et al., 2016; Van Droogenbroeck y Van Hove, 2021; Habib y Hamadneh, 2021). Por ello, la inclusión de esta variable no solo enriquece la comprensión de los factores que influyen en la intención de compra en línea, sino que también amplía la aplicabilidad del modelo al contexto de una población de un país en desarrollo, evidenciando cómo las dimensiones del riesgo afectan el comportamiento hacia las compras en línea.

Riesgo percibido

Featherman y Pavlou (2003) definen el riesgo percibido como la potencial pérdida en la búsqueda de un resultado deseado. En esta investigación, se entiende como la percepción que tiene el consumidor sobre las posibles consecuencias negativas derivadas de comprar en línea. Múltiples investigaciones han analizado el efecto del riesgo percibido sobre la intención (Kamalul Ariffin et al., 2018; Kapser y Abdelrahman, 2020; Soto-Acosta et al., 2014), concluyendo que existe una relación negativa entre ambos. Esto hace probable que el riesgo percibido influya de manera adversa en la intención de comprar en línea. Por lo tanto, se propone la siguiente hipótesis:

H6: el riesgo percibido influye negativamente en la intención de compra en línea de los consumidores.

3. METODOLOGÍA

Este estudio adoptó un enfoque cuantitativo de tipo explicativo, con el propósito de esclarecer la relación causal entre las variables en un contexto específico. A través de la cuantificación de las relaciones entre las variables del modelo y el establecimiento de las hipótesis, se exploraron las variables que afectan la intención de compra en línea en la población objeto de estudio. El diseño de la investigación fue no experimental, transeccional, y de campo.

Muestra

La muestra se determinó utilizando un muestreo por conveniencia, diseñado para recopilar datos de manera accesible dentro de la población objetivo. Los criterios de inclusión establecidos fueron: 1) Tener la mayoría de edad (≥ 18 años), 2) Habitar en el área urbana del municipio de Valledupar, y 3) Haber realizado al menos una compra de bienes o servicios a través de internet. En total, se recopilaron 454 respuestas, de las cuales 67 fueron descartadas por no cumplir con los criterios de inclusión. Finalmente, la muestra quedó conformada por 387 participantes válidos, lo que permitió establecer una base sólida para el análisis de los datos (Tabla 1).

Tabla 1
Características de la muestra del estudio

Table 1. Characteristics of the study sample

Fuente: elaboración propia.

Unidad de muestreo	Compradores en línea mayores de 18 años
Área geográfica del estudio	Área urbana del municipio de Valledupar (Cesar, Colombia)
Método de recolección de datos	Cuestionario auto administrado
Proceso de muestreo	Muestreo aleatorio simple
Tamaño de la muestra	387
Fecha de recolección de los datos	Abril de 2024

Recolección de los datos

La recolección de datos se hizo por medio de un cuestionario en línea. Este se basaba en el instrumento original desarrollado por Venkatesh et al. (2012) y, para su correcta aplicación, se empleó la versión en español adaptada por Chaparro Pinzón (2022) con modificaciones relacionadas al contexto de la intención de compra en línea y la incorporación de la variable de riesgo (Agudo Peregrina, 2014; Sánchez-Torres et al., 2017; Sánchez Torres, 2018) (ver Tabla 2). El cuestionario aplicado tenía dos secciones: 1) Perfil sociodemográfico y 2) Constructos determinantes para la intención de compra en línea (UTAUT2). Para responder el cuestionario, cada ítem fue medido con una escala de Likert de 5 puntos, que iba desde 1 (= “Completamente en desacuerdo”) a 5 (= “Completamente de acuerdo”).

Tabla 2
Cuestionario final aplicado a la muestra

Table 2. Final questionnaire administered to the sample

Fuente: elaboración propia.

Constructo	Cod.	Ítem	Fuente
Expectativa de desempeño	ED1	Encuentro útil en mi vida diaria hacer compras en línea.	Venkatesh et al. (2012)
	ED2	Hacer compras en línea aumenta mis posibilidades de lograr cosas que son importantes para mí.
	ED3	Hacer compras en línea me ayuda a lograr mis metas más rápidamente.
	ED4	Hacer compras en línea permite que aumente mi productividad.
Expectativa de esfuerzo	EE1	Aprender a hacer compras en línea es fácil para mí.	Venkatesh et al. (2012)
	EE2	La interacción con los sitios web para hacer compras en línea es clara y comprensible.
	EE3	Encuentro que las compras en línea son fáciles de realizar.
	EE4	Es fácil para mí volverme bueno realizando compras en línea.
Influencia social	IS1	Las personas que son importantes para mí piensan que debería hacer las compras en línea.	Venkatesh et al. (2012)
	IS2	Las personas que influyen en mi comportamiento piensan que debería hacer las compras en línea.
	IS3	Las personas cuyas opiniones valoro prefieren que haga mis compras en línea.
Condiciones facilitadoras	CF1	Cuento con los recursos necesarios para realizar compras en línea.	Venkatesh et al. (2012)
	CF2	Tengo los conocimientos necesarios para realizar compras en línea.
	CF3	Los sitios web de compras en línea son compatibles con la tecnología que tengo (celular, computador, tablet).
	CF4	Puedo obtener ayuda de otras personas cuando tengo dificultades para realizar las compras en línea.
Motivación hedónica	MH1	Hacer compras en línea me resulta divertido.	Venkatesh et al. (2012)
	MH2	Hacer compras en línea me resulta agradable.
	MH3	Hacer compras en línea me resulta estimulante.
Riesgo percibido	RP1	Hacer compras en línea es arriesgado.	Featherman y Pavlou (2003)
	RP2	Pagar por medios electrónicos (tarjetas débito o crédito) es riesgoso.
	RP3	Al comprar en línea siento preocupación ante la posibilidad de que algo salga mal con la compra.
	RP4	El hacer compras en línea pone en riesgo mi privacidad.
Valor del precio	VP1	Los precios que pago por los productos que compro en línea son razonables.	Venkatesh et al. (2012)
	VP2	Los precios que pago por los productos que compro en línea tienen una buena relación calidad-precio.
	VP3	Los precios que pago por los productos que compro en línea, ofrecen un buen valor por el dinero gastado.
Hábito	H1	Comprar en línea se ha convertido en un hábito para mí.	Venkatesh et al. (2012)
	H2	Soy adicto a comprar en línea.
	H3	Tengo que comprar en línea.
Intención de compra en línea	ICL1	Tengo la intención de seguir comprando en línea en el futuro.	Venkatesh et al. (2012)
	ICL2	Siempre intentaré hacer compras en línea en mi vida diaria.
	ICL3	Planeo seguir haciendo compras en línea con frecuencia.

Los datos fueron recolectados en abril de 2024 mediante un formulario de Google, distribuido a través de correo electrónico y redes sociales como WhatsApp, Facebook y Telegram, como también grupos locales. Se aprovechó el acceso directo a contactos cercanos y la red extendida de participantes, quienes compartieron el formulario en su entorno, ampliando el alcance del estudio. Este enfoque permitió obtener respuestas de manera rápida y práctica.

El perfil sociodemográfico de la muestra, presentado en la Tabla 3, muestra una predominancia del género femenino (63,8 %) sobre el masculino (36,2 %) y una alta representación de jóvenes entre 18 y 25 años (64,9 %), seguidos por el grupo de 26 a 35 años (15,2 %), lo que indica una inclinación hacia una población predominantemente joven. En relación con el nivel educativo, la mayoría de los participantes fueron bachilleres (41,6 %), seguidos por profesionales (20,2 %), mientras que los niveles técnicos y tecnológicos, combinados, representan un 26,9 %. Aunque se evidencian sesgos en términos de género, edad y nivel educativo, el tamaño de la muestra (387 participantes) garantiza la estabilidad de las estimaciones y permite realizar análisis confiables (Hair Jr. et al., 2022).

Tabla 3
Información sociodemográfica de la muestra

Table 3. Sociodemographic information of the sample

Fuente: elaboración propia.

Variable	Categoría	N.°	% Respuesta
Género	Femenino	247	63.8 %
	Masculino	140	36.2 %
Edad	18 - 25	251	64.9 %
	26 - 35	59	15.2 %
	36 - 45	49	12.7 %
	46 - 55	19	4.9 %
	≥56	9	2.3 %
Nivel de estudio aprobado	Sin estudios	1	0.3 %
	Bachiller	161	41.6 %
	Tecnólogo	30	7.8 %
	Técnico	74	19.1 %
	Profesional	78	20.2 %
	Posgrado	43	11.1 %

Técnicas de análisis de datos

Bajo el enfoque de modelamiento de ecuaciones estructurales (SEM) y utilizando la técnica multivariante de modelos de ecuaciones estructurales de mínimos cuadrados parciales (PLS-SEM), se analizaron los datos y se estimaron las relaciones entre los constructos. Esto se debe a que el PLS-SEM permite analizar simultáneamente todas las relaciones del modelo, medir variables no observadas y manejar de manera adecuada relaciones en muestras con sesgos demográficos o distribuciones desiguales en sus características (Hair Jr. et al., 2022).

Los datos se analizaron en dos etapas. En la primera, se evaluó el modelo de medición; en la segunda, se analizó la validez del modelo estructural (ver Tabla 4). Para gestionar la base de datos, obtener los resultados inferenciales y desarrollar el modelo PLS-SEM se empleó el Software R (2018) con los paquetes “SEMinR” (Hair Jr. et al., 2021).

Tabla 4
Etapas y criterios mínimos utilizados en la validación del modelo propuesto

Table 4. Stages and minimum criteria used for model validation

Fuente: elaboración propia.

Etapa de validación	Indicadores	Criterio mínimo
Modelo de medición	Fiabilidad de cada ítem: cargas	≥ 0.708 (Hair Jr. et al., 2022)
	Confiabilidad: Alpha de Cronbach’s (ac) Índice Rho_A	≥ 0.70 (Hair Jr. et al., 2022)
		≥ 0.70 (Hair Jr. et al., 2022)
	Validez convergente: Varianza Media Extraída (AVE)	≥ 0.50 (Hair Jr. et al., 2022)
Modelo estructural	Validez discriminante: Heterotrait-Monotrait (htmt)	≤ 0.85 (Henseler et al., 2015)
	Colinealidad: Inflación de la varianza (VIF)	< 5. aceptable (Hair Jr. et al., 2021)
	Significancia de las relaciones estructurales: Bootstrapping	P <0.001
	Evaluación del poder explicativo del modelo: Coeficiente de determinación (R2)	0.75, sustancial; 0,50, moderado; 0.25, débil (Sarstedt et al., 2021)

4. RESULTADOS

Validación del modelo de medición

Para validar el modelo de medición y garantizar un buen ajuste, se evaluó la consistencia interna, la validez convergente y la validez discriminante. Respecto a la fiabilidad de cada ítem, por regla general, el valor de cada carga debe ser ≥ 0,708 (Hair Jr. et al., 2022). Todas las cargas superaron este umbral (ver Tabla 5), lo que indica que la fiabilidad ítem es adecuada. Para calcular la confiabilidad basada en la consistencia interna, se aplicó la prueba de Alpha de Cronbach’s (AC) y se utilizó el índice Rho_A. En ambas pruebas, un valor de coeficiente ≥ 0,70 se considera aceptable (Hair Jr. et al., 2022). Los coeficientes de consistencia interna para los constructos del estudio superaron el umbral sugerido, lo que confirma que todos los constructos reflectivos son consistentes. Los resultados se encuentran resumidos en la Tabla 5.

Tabla 5
Resultados del modelo de medición

Table 5. Measurement model results

Fuente: elaboración propia.

Constructo	Cod.	Cargas	AC	Rho_A	AVE
Expectativa de desempeño	ED1	0.848	0.888	0.892	0.750
	ED2	0.879
	ED3	0.890
	ED4	0.846
Expectativa de esfuerzo	EE1	0.941	0.948	0.896	0.866
	EE2	0.918
	EE3	0.945
	EE4	0.920
Influencia social	IS1	0.916	0.929	0.902	0.876
	IS2	0.947
	IS3	0.944
Condiciones facilitadoras	CF1	0.884	0.865	0.878	0.787
	CF2	0.922
	CF3	0.855
	CF4	0.845
Motivación hedónica	MH1	0.935	0.923	0.906	0.867
	MH2	0.936
	MH3	0.922
Riesgo percibido	RP1	0.980	0.989	0.899	0.767
	RP2	0.892
	RP3	0.866
	RP4	0.844
Valor del precio	VP1	0.945	0.950	0.905	0.909
	VP2	0.958
	VP3	0.948
Hábito	H1	0.878	0.833	0.881	0.740
	H2	0.847
	H3	0.855
Intención de compra en línea	ICL1	0.843	0.818	0.828	0.734
	ICL2	0.807
	ICL3	0.917

Respecto a la validez convergente, se analizó utilizando la varianza media extraída (AVE), considerándose adecuado un valor ≥ 0,50 (Hair Jr. et al., 2022). Los nueve constructos evaluados muestran valores superiores al umbral (ver Tabla 5), lo que demuestra la validez convergente y que los constructos explican más de la mitad de la varianza de sus indicadores. Por último, la validez discriminante se verificó a través de la medida HTMT, basada en correlaciones. Para que esta sea adecuada, los valores deben ser < 0,85 (Henseler et al., 2015); en la Tabla 6 se presentan los resultados, se observa que las correlaciones entre los constructos se mantienen inferiores al umbral establecido. Esto confirma la validez discriminante y evidencia que los constructos son distintos entre ellos.

Tabla 6
Validez discriminante HTMT

Table 6. HTMT discriminant validity

Fuente: elaboración propia.

	ED	EE	IS	CF	MH	RP	VP	H
EE	0.667
IS	0.621	0.422
CF	0.652	0.783	0.500
MH	0.652	0.688	0.460	0.716
RP	0.332	0.512	0.230	0.663	0.506
VP	0.571	0.703	0.420	0.736	0.761	0.521
H	0.464	0.195	0.417	0.223	0.374	0.079	0.228
ICL	0.673	0.618	0.513	0.666	0.717	0.359	0.682	0.596

Validación del modelo estructural

Con el propósito de estimar los coeficientes que constituyen las hipótesis del estudio, se evaluó según los criterios establecidos por Hair Jr. et al. (2022) la colinealidad, la significancia de las relaciones y el poder explicativo del modelo. Para evaluar la colinealidad se utilizó como medida la inflación de la varianza (VIF), se recomienda que los valores se mantengan por debajo de 5 y preferiblemente por debajo de 4 para garantizar que la colinealidad no tenga un efecto sustancial en la estimación del modelo estructural; los resultados del estudio se ajustan a dichos valores, lo que indica ausencia de colinealidad entre los constructos del estudio. La significancia estadística en la relación de las hipótesis fue evaluada a través del Bootstrapping (Streukens y Leroi-Werelds, 2016), con 10 000 submuestras para una mayor precisión en la estimación y un nivel de significancia del 5%; en la muestra evaluada se halló evidencia estadísticamente significativa a favor de las siguientes hipótesis planteadas: H1 (β = 0.105; p < 0.001), H2 (β = 0.118; p < 0.001), H5 (β = 0.170; p < 0.001), H7 (β = 0.230; p < 0.001) y H8 (β = 0.288; p < 0.001). El resto de las hipótesis no logró mantenerse. Los resultados se encuentran resumidos en la Tabla 7 y la Figura 2.

Tabla 7
Resumen de resultados de relaciones estructurales

Table 7. Summary of results of structural relationship analysis

Fuente: elaboración propia.

Hipótesis	Descripción	VIF	Coeficiente	Valor T	IC (95 %)	Valor P	Resultados
H1	Expectativa de desempeño → Intención de compra en línea	2.333	0.105	1.977	[0.092 – 0.217]	< 0.001	Soportado
H2	Expectativa de esfuerzo → Intención de compra en línea	2.694	0.118	2.023	[0.075 – 0.282]	< 0.001	Soportado
H3	Influencia social → Intención de compra en línea	1.578	0.045	0.996	[-0.042 – 0.137]	> 0.05	No soportado
H4	Condiciones facilitadoras → Intención de compra en línea	3.258	0.047	0.481	[-0.129 – 0.250]	> 0.05	No soportado
H5	Motivación hedónica → Intención de compra en línea	2.883	0.170	2.370	[0.024- 0.303]	< 0.001	Soportado
H6	Riesgo percibido → Intención de compra en línea	1.536	0.017	0.413	[-0.096 – 0.065]	> 0.05	No soportado
H7	Valor del precio → Intención de compra en línea	2.885	0.238	3.098	[0.083- 0.384]	< 0.001	Soportado
H8	Hábito → Intención de compra en línea	1.383	0.288	6.472	[0.203 – 0.375]	< 0.001	Soportado

En relación con el poder explicativo del modelo, la medida utilizada para su evaluación fue el coeficiente de determinación R², que varía entre 0 y 1. Para evaluar los resultados de R²no existe una regla general de valores aceptables, pero hay algunos umbrales relativos; para Hair Jr. et al. (2022) y Ozili (2022) los coeficientes de determinación de por lo menos 0.10 (o 10 %) son considerados como aceptables, siempre que algunas o la mayoría de las variables predictoras sean estadísticamente significativas. Los resultados demuestran una variabilidad explicada para la intención de compra en línea de R² = 58 %. Tomando como referencia lo señalado por Hair Jr. et al. (2022) y Ozili (2022), los R² del modelo son mayores al 10 % y todas las relaciones establecidas entre dichas variables fueron estadísticamente significativas; por lo tanto, los R² son aceptables y contribuyen al poder explicativo del modelo. En síntesis, el modelo propuesto para explicar la intención de compra en línea mostró evidencias empíricas consistentes, con un funcionamiento adecuado y evidencia empírica a favor de las hipótesis planteadas en la investigación.

Figura 2
Modelo UTAUT2 para investigar los factores que influyen en la intención de compra en línea

Figure 2. UTAUT2 model for investigating the factors influencing online purchase intention

Fuente: elaboración propia.

5. DISCUSIÓN

El objetivo de esta investigación fue analizar los factores determinantes en la intención de compras en línea en los consumidores del municipio de Valledupar, aplicando una versión extendida del modelo UTAUT2 con el agregado del constructo de riesgo percibido. El modelamiento de ecuaciones estructurales fue aplicado en el análisis, revelando las influencias de la expectativa de desempeño, la expectativa de esfuerzo, la motivación hedónica, el valor del precio y el hábito en la intención de compra en línea de la muestra estudiada. El modelo teórico propuesto explicó el 58 % de la varianza en la intención de compras en línea. Por lo tanto, este estudio provee bases teóricas para la investigación de la intención de compra en línea en una ciudad intermedia y ofrece una perspectiva sobre la agregación de nuevos factores en el estudio de las compras en línea.

A partir de los resultados del análisis empírico se constata que, en la muestra estudiada, el hábito fue la variable significativa con mayor peso en la intención de compra en línea. Investigaciones previas han demostrado la fuerte relación y el impacto positivo del hábito en la intención de compra en línea (Chaparro Pinzón, 2022; Dakduk et al., 2020; Van Droogenbroeck y Van Hove, 2021; Escobar-Rodríguez y Carvajal-Trujillo, 2014). Por esta razón, cuanto mayor sea el hábito de los individuos, más probable será que tengan una mayor intención de comprar en línea, lo que también puede traducirse como una mayor probabilidad de hacer uso del comercio electrónico.

Adicionalmente, el valor del precio también juega un papel importante en la intención de compra en línea, esta fue la variable significativa con el segundo mayor peso. Los resultados obtenidos se encuentran alineados con los resultados de investigaciones previas (Anwar et al., 2024; Chang et al., 2019). Esta relación puede indicar la probabilidad de que la muestra evidencie una ventaja en los precios al comprar en línea. Asimismo, para Chaparro Pinzón (2022), los individuos perciben una compensación entre los beneficios que obtienen al comprar en línea y el costo que les toma realizarlo, el cual es mínimo.

La motivación hedónica demostró una correlación positiva significativa con la intención de comprar en línea. Esto sugiere que los consumidores encuentran divertido y estimulante realizar compras en línea, y que cuanto más agradable sea la experiencia dentro de las tiendas o plataformas virtuales, mayor será la intención de comprar. Estos resultados confirman las investigaciones previas de Dakduk et al. (2020) y Espírito Santo y Ascensão Marques (2022). Asimismo, coinciden con los resultados de Fülöp et al. (2023), quienes señalan que tanto las motivaciones hedónicas como las utilitarias se han correlacionado con las intenciones de compra en línea de comercio electrónico, y la búsqueda de información surge como un predictor significativo. Estos hallazgos subrayan la importancia de comprender las tendencias hedónicas de los consumidores para que los minoristas electrónicos puedan gestionar la actividad del sitio web y adaptar sus estrategias de marketing para atraer eficazmente a los compradores en línea.

En coherencia con los resultados de Zhang et al. (2023) y Zhou et al. (2021), la expectativa de esfuerzo demostró tener un impacto positivo sobre la intención de compra en línea, indicando que cuanto mayor sea la percepción de libertad de esfuerzo y facilidad por parte del consumidor, mayor será su intención de compra. La mayoría de la literatura valida esta opinión (Forsythe et al., 2006; San Martín y Herrero, 2012). Este hallazgo se alinea con la teoría del comportamiento del consumidor en entornos digitales, donde la facilidad de uso percibida es un determinante clave de la adopción tecnológica. La facilidad de navegación, la simplicidad en el proceso de pago y la accesibilidad de la información son aspectos que contribuyen a una percepción positiva de la facilidad de uso. Por lo anterior, las empresas deben centrarse en mejorar la experiencia del usuario para fomentar una mayor adopción y uso de las plataformas de comercio electrónico.

Por otro lado, la expectativa de desempeño también demostró tener un impacto positivo sobre la intención de compra en línea. Esto sugiere que los consumidores perciben que realizar compras en línea les aportará beneficios tangibles como mejorar su productividad y comprar de forma más rápida y eficiente. Esta percepción de valor agregado es importante porque anima a los consumidores a adoptar y utilizar plataformas de comercio electrónico. Implementar funciones que promuevan una experiencia de compra rápida, eficiente y efectiva es fundamental para atraer y retener clientes en un mercado digital competitivo. El resultado se encuentra validado por estudios previos que demuestran que la expectativa de desempeño tiene un efecto positivo sobre la intención de compra (An et al., 2016; Chen et al., 2021; Escobar-Rodríguez y Carvajal-Trujillo, 2014; Huang, 2023).

En cuanto al riesgo percibido, de manera inesperada este no presento una relación significativamente negativa con la intención de compra en línea. Los resultados evidenciaron una relación positiva muy débil y sin significancia estadística, lo que contradice la hipótesis H6, la cual sugiere una relación negativa. Es importante destacar que, en otros estudios realizados en América Latina (Margalina, 2021) y en países en desarrollo como Ecuador (Margalina et al., 2024) y México (Ruiz Dominguez et al., 2022), se ha demostrado una relación negativa entre el riesgo percibido y la intención de compra en línea. Sin embargo, también existen casos en la literatura en los que el riesgo percibido no ejerce una influencia negativa sobre la intención de compra, tanto en mercados desarrollados (Van Droogenbroeck y Van Hove, 2021) como en desarrollo (Ventre y Kolbe, 2020).

El riesgo percibido en los compradores frecuentes suele ser bajo (Forsythe et al., 2006), lo que sugiere que los usuarios experimentados y familiarizados con las plataformas digitales no perciben estos riesgos como barreras significativas al momento de comprar en línea. En el caso de la muestra analizada, las características específicas de los participantes podrían haber contribuido a la falta de impacto sobre la intención. La mayoría de los encuestados eran personas jóvenes, con estudios y experiencia previa en compras en línea, lo que podría explicar una menor percepción de riesgo (Shukla et al., 2022). Además, el criterio de inclusión en la muestra exigía haber realizado al menos una compra en línea, lo que implica que los participantes ya eran compradores en línea. Este hecho pudo haber reducido de forma significativa el impacto del riesgo percibido en la intención de compra.

No se encontró un impacto significativo de la influencia social sobre la intención de comprar en línea. San Martín y Herrero (2012) exponen en los resultados de su investigación sobre la intención de compra en línea en el contexto del turismo que este rechazo de la hipótesis podía explicarse por la relación directa entre el consumidor y el uso de internet como fuente de información. Esta relación ha permitido que los clientes investiguen de manera independiente sobre productos y servicios, disminuyendo así la influencia social en el comportamiento de compra. Estos hallazgos coinciden con los reportes obtenidos de Chaparro Pinzón (2022) y Dakduk et al. (2020), aunque difieren de las conclusiones de Zhang et al. (2023), Chang et al. (2019) y Venkatesh et al. (2012), quienes identificaron una relación positiva y significativa entre estas variables.

Por otro lado, los resultados también muestran que, para la muestra analizada, las condiciones facilitadoras tienen una influencia estadísticamente significativa sobre la intención de compra en línea. Los resultados son consistentes con estudios previos (Chaparro Pinzón, 2022; Van Droogenbroeck y Van Hove, 2021; San Martín y Herrero, 2012; Zhang et al., 2023), que demuestran que las condiciones facilitadoras no siempre generan un impacto significativamente positivo. En este caso, dado que los participantes ya habían comprado en línea, es probable que contasen con los recursos y conocimientos necesarios para ello, percibiéndolos como un estándar. Esto reduce su dependencia de las condiciones facilitadoras y disminuye su relevancia como factor motivador para comprar en línea.

Este estudio profundiza en el comportamiento del consumidor y en los factores que influyen en la intención de compra en línea en una población de consumidores de una ciudad intermedia. Además de enriquecer la literatura académica, proporciona un insumo teórico valioso para que las empresas puedan plantear mejores estrategias de mercadeo enfocadas en la óptica del consumidor. Desde el punto de vista teórico, esta es la primera investigación que analiza la intención de compra en línea en los consumidores de Valledupar utilizando un modelo de aceptación tecnológica. Asimismo, el uso de la UTAUT2 adaptada y modificada constituye un aporte significativo a la escasa literatura nacional sobre este tema.

La investigación no está exenta de limitaciones. Una de las principales se relaciona con la significativa heterogeneidad de la muestra. Para futuras investigaciones, se recomienda utilizar un diseño de muestreo más equilibrado y llevar a cabo un análisis de invarianza de la medición de modelos compuestos (MICOM), para verificar que la heterogeneidad no influya en las mediciones realizadas. Esto reforzaría la validez de las conclusiones y permitiría una mejor generalización de los hallazgos.

Por otro lado, se ha demostrado que el modelo UTAUT2 no captura completamente las influencias culturales (Venkatesh et al., 2016), lo que puede generar variaciones en los resultados al aplicarse en diferentes culturas. Por ello, se sugiere realizar más estudios que apliquen el modelo UTAUT2 en diversos países, con distintos contextos y culturas. Asimismo, se recomienda modificar el modelo para aumentar su capacidad predictiva mediante la inclusión de nuevas variables, como la confianza percibida (Gefen et al., 2003; Oh y Yoon, 2014), la utilidad y la ansiedad (Huang, 2023).

Este estudio adoptó un enfoque transversal; sin embargo, dado que el comportamiento del consumidor es dinámico, las investigaciones futuras deberían considerar un enfoque longitudinal. Esto permitiría evaluar los cambios en las variables estudiadas y la evolución de las relaciones entre las mismas a lo largo del tiempo. Finalmente, esta investigación analizó la intención de compra en línea desde una perspectiva general, sin profundizar en productos o servicios específicos. Por ello, se recomienda que futuros estudios apliquen el modelo con un enfoque más específico en determinados productos o servicios.

6. CONCLUSIONES

El presente estudio ofrece una visión integral de los factores determinantes de la intención de compra en línea en una muestra conformada por consumidores. Se añaden valiosos aportes a la literatura al analizar las preferencias del consumidor y las variables que influyen en la intención de compra dentro de una muestra específica. Además, se exploran las perspectivas de los consumidores modernos en el contexto de una ciudad intermedia, mediante la modificación y aplicación de un modelo de investigación que identifica los factores que afectan la intención de compra en línea.

Se generan contribuciones teóricas significativas al adaptar y aplicar el modelo UTAUT2 en un contexto cultural no estudiado previamente. Este enfoque permitió obtener una perspectiva única sobre una muestra colombiana y refuerza la teoría en el análisis del comercio electrónico en ciudades intermedias y países en desarrollo, ofreciendo un marco más robusto para futuras investigaciones que quieran replicar el modelo.

La investigación evaluó el impacto de ocho factores directos en la intención de compra en línea. De estos, solo la expectativa de desempeño, la expectativa de esfuerzo, la motivación hedónica, el valor del precio y el hábito demostraron significancia estadística. Entre estas variables, el hábito tuvo el mayor peso, lo que subraya su papel crucial en la intención de comprar en línea dentro de la muestra estudiada.

En cuanto al riesgo percibido, su hipótesis no pudo ser soportada. Esto resalta la dificultad de generalizar su impacto de manera consistente en la intención de compra en línea y, a la vez, permite distinguir las diferencias en el comportamiento del consumidor en muestras con culturas distintas. La incorporación del riesgo percibido en el modelo UTAUT2 se recomienda en futuras investigaciones, ya que permite aumentar su capacidad explicativa al incluir variables detractoras.

Por último, los hallazgos de este estudio no solo enriquecen el conocimiento académico, sino que también constituyen un recurso valioso para las empresas interesadas en comprender las preferencias de los consumidores locales. Este análisis puede servir como base para diseñar estrategias de mercadeo orientadas a aumentar las ventas del comercio electrónico en la región.

REFERENCIAS

Agudo Peregrina, Á. (2014). Análisis de los factores de adopción de comercio electrónico en segmentos de consumidores finales. Aplicación al caso español [Tesis de doctorado, Universidad Politécnica de Madrid]. Archivo digital UPM. https://doi.org/10.20868/UPM.thesis.29489

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

Alvarado Oregón, A. M. d. R., y Reyes Real, O. B. (2023). Theoretical Model on the Online Purchase Intention of the Mexican Internet User. Cuadernos de Administración, 39(77). https://doi.org/10.25100/cdea.v39i77.12824

An, L., Han, Y., y Tong, L. (2016). Study on the Factors of Online Shopping Intention for Fresh Agricultural Products Based on UTAUT2. Proceedings of the 2nd Information Technology and Mechatronics Engineering Conference (ITOEC 2016). Atlantis Press. https://doi.org/10.2991/itoec-16.2016.57

Anwar, W., Abbasi, A. Z., Albashrawi, M., Abbasi, G. A., y Habiba, U. (2024). Asymmetric and symmetric approaches to the extension of UTAUT2 in the M-payment adoption of Pakistani apps. Journal of Financial Services Marketing, 29, 1175-1193. https://doi.org/10.1057/s41264-024-00266-8

Bridges, E., y Florsheim, R. (2008). Hedonic and utilitarian shopping goals: The online experience. Journal of Business Research, 61(4), 309-314. https://doi.org/https://doi.org/10.1016/j.jbusres.2007.06.017

Bylok, F. (2022). Examining the impact of trust on the e-commerce purchase intentions of young consumers in Poland. Journal of Internet Commerce, 21(3), 364-391. https://doi.org/10.1080/15332861.2021.1978194

CCCE. (2024). Informe de cierre del comportamiento del comercio electrónico en Colombia. Cuarto trimestre 2023. Cámara de Comercio Electrónico. https://www.ccce.org.co/wp-content/uploads/2017/06/INFORME-DE-CIERRE-2023-VERSION-PUBLICA.pdf

Chang, C. M., Liu, L. W., Huang, H. C., y Hsieh, H. H. (2019). Factors Influencing Online Hotel Booking: Extending UTAUT2 with Age, Gender, and Experience as Moderators. Information, 10(9), 281. https://doi.org/10.3390/info10090281

Chaparro Pinzón, C. R. (2022). Factores determinantes para la intención de compras en línea para los consumidores boyacenses. Universidad & Empresa, 24(43), 1-36. https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.11934

Chen, L., Rashidin, M. d. S., Song, F., Wang, Y., Javed, S., y Wang, J. (2021). Determinants of Consumer’s Purchase Intention on Fresh E-Commerce Platform: Perspective of UTAUT Model. Sage Open, 11(2). https://doi.org/10.1177/21582440211027875

Cowart, K. O., Fox, G. L., y Wilson, A. E. (2008). Consumer innovativeness and self-congruence in new product purchases. Psychology and Marketing, 25(12), 1111-1130. https://doi.org/10.1002/mar.20256

Cullen, M., Calitz, A. P., y Shati, J. (2022). Online Shopping Behaviour in South Africa During the COVID-19 Pandemic. En S. Papagiannidis, E. Alamanos, S. Gupta, Y. K. Dwivedi, M. Mäntymäki y I. O. Pappas (eds.), The Role of Digital Technologies in Shaping the Post-Pandemic World. I3E 2022 (pp. 403-415). Springer. https://doi.org/10.1007/978-3-031-15342-6_31

Dakduk, S., Santalla-Banderali, Z., y Ribamar Siqueira, J. (2020). Acceptance of mobile commerce in low-income consumers: evidence from an emerging economy. Heliyon, 6(11), e05451. https://doi.org/10.1016/J.HELIYON.2020.E05451

Dakduk, S., Ter Horst, E., Santalla, Z., Molina, G., y Malave, J. (2017). Customer Behavior in Electronic Commerce: A Bayesian Approach. Journal of theoretical and applied electronic commerce research, 12(2), 1-20. https://doi.org/10.4067/S0718-18762017000200002

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS quarterly, 13(3), 319-340. https://doi.org/10.2307/249008

De Hoyos Abril, I. F., y Yepes Barrera, J. S. (2024). Abstinencia a la compra digital en los consumidores de Bogotá: análisis por grupos etarios y estrategias para las marcas [Trabajo de grado, Pontificia Universidad Javeriana]. Repositorio Javeriana. http://hdl.handle.net/10554/67714

De Oliverira, M. J., Martins Baptista, R., y Baptista Meireles de Sousa, J. M. (2017). Psychic Distance, Purchase Intention and Life Satisfaction. An Analyzing of International Purchase Websites. En J. I. Kantola, T. Barath, S. Nazir, y T. Andre (eds.), Advances in Human Factors, Business Management, Training and Education (pp. 609-620). Springer International Publishing.

Dewi, C. K., Mohaidin, Z., y Murshid, M. A. (2020). Determinants of online purchase intention: a PLS-SEM approach: evidence from Indonesia. Journal of Asia Business Studies, 14(3), 281-306. https://doi.org/10.1108/JABS-03-2019-0086

Doan, T. T. T. (2020). Factors affecting online purchase intention: A study of Vietnam online customers. Management Science Letters, 10, 2337-2342. https://doi.org/10.5267/j.msl.2020.3.001

Dodds, W., Monroe, K. B., y Grewal, D. (1991). Effects of price, brand, and store information on buyers’ product evaluations. Journal of Marketing Research, 28(3), 307-319. https://doi.org/10.1177/002224379102800305

Elkhayat, Y., Adel, K., y Marzouk, M. (2024). Technology adoption in the construction industry (1999–2023): Science mapping and visualization. Automation in Construction, 165, 105491. https://doi.org/https://doi.org/10.1016/j.autcon.2024.105491

Escobar-Rodríguez, T., y Carvajal-Trujillo, E. (2014). Online purchasing tickets for low cost carriers: An application of the unified theory of acceptance and use of technology (UTAUT) model. Tourism Management, 43, 70-88. https://doi.org/https://doi.org/10.1016/j.tourman.2014.01.017

Espírito Santo, P., y Ascensão Marques, A. M. (2022). Determinants of the online purchase intention: hedonic motivations, prices, information and trust. Baltic Journal of Management, 17(1), 56-71. https://doi.org/10.1108/BJM-04-2021-0140

Featherman, M. S., y Pavlou, P. A. (2003). Predicting e-services adoption: a perceived risk facets perspective. International Journal of Human-Computer Studies, 59(4), 451-474. https://doi.org/https://doi.org/10.1016/S1071-5819(03)00111-3

Fishbein, M. A., y Ajzen, I. (1975). Belief, attitude, intention, and behavior: An introduction to theory and research. Addison-Wesley. https://bit.ly/365CpKr

Forsythe, S., Liu, C., Shannon, D., y Gardner, L. C. (2006). Development of a scale to measure the perceived benefits and risks of online shopping. Journal of Interactive Marketing, 20(2), 55-75. https://doi.org/https://doi.org/10.1002/dir.20061

Fülöp, M. T., Topor, D. I., Căpușneanu, S., Ionescu, C. A., y Akram, U. (2023). Utilitarian and Hedonic Motivation in E-Commerce Online Purchasing Intentions. Eastern European Economics, 61(5), 591-613. https://doi.org/10.1080/00128775.2023.2197878

García-Salirrosas, E. E., Acevedo-Duque, Á., Marin Chaves, V., Mejía Henao, P. A., y Olaya Molano, J. C. (2022). Purchase Intention and Satisfaction of Online Shop Users in Developing Countries during the COVID-19 Pandemic. Sustainability, 14(10). https://doi.org/10.3390/su14106302

Gefen, D., Karahanna, E., y Straub, D. W. (2003). Trust and TAM in Online Shopping: An Integrated Model. MIS Quarterly, 27(1), 51-90. https://doi.org/10.2307/30036519

Gopal, S., Gil, M. T., Cydel Salian, B., y Baddaoui, J. (2024). Optimizing digital menus for enhanced purchase intentions: insights from India’s restaurant industry in the post-COVID-19 era. Cogent Business & Management, 11(1), 2432536. https://doi.org/10.1080/23311975.2024.2432536

Ha, V. (2023). Behavioral Intention and Behavior of Using E-Commerce Platforms for Online Purchases and Payments by Vietnamese Consumers. En A. T. Nguyen, T. T. Pham, J. Song, Y.-L. Lin, y M. C. Dong (eds.), Contemporary Economic Issues in Asian Countries: Proceeding of CEIAC 2022, Volume 1 (pp. 127-156). Springer. https://doi.org/10.1007/978-981-19-9669-6_8

Habib, S., y Hamadneh, N. N. (2021). Impact of Perceived Risk on Consumers Technology Acceptance in Online Grocery Adoption amid COVID-19 Pandemic. Sustainability, 13(18), 10221. https://doi.org/10.3390/su131810221

Hadiyati, I. A., Sukiamnto, L., Amitha, U. R., Wijaya, L., Choon, N. K., y Meng, C. K. (2023). Purchase Intention of E-Commerce Platform in Indonesia: Determinants of the Motivation Hindering Factors. En 2023 IEEE 9th International Conference on Computing, Engineering and Design (ICCED) (pp. 1-6). IEEE. https://doi.org/10.1109/ICCED60214.2023.10425416

Hair Jr., J. F., Hult, G. T. M., Ringle, C. M., y Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). Sage.

Hair Jr., J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., y Ray, S. (2021). Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R. Springer.

Hanif, M. S., Wang, M., Mumtaz, M. U., Ahmed, Z., y Zaki, W. (2022). What attracts me or prevents me from mobile shopping? An adapted UTAUT2 model empirical research on behavioral intentions of aspirant young consumers in Pakistan. Asia Pacific Journal of Marketing and Logistics, 34(5), 1031-1059. https://doi.org/10.1108/APJML-09-2020-0659

Henseler, J., Ringle, C. M., y Sarstedt, M. (2015). A New Criterion for Assessing Discriminant Validity in Variance-based Structural Equation Modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. https://doi.org/10.1007/s11747-014-0403-8

Huang, T. (2023). Expanding the UTAUT2 framework to determine the drivers of mobile shopping behaviour among older adults. PLoS ONE, 18(12). https://doi.org/10.1371/journal.pone.0295581

Jaller, M., y Pahwa, A. (2020). Evaluating the environmental impacts of online shopping: A behavioral and transportation approach. Transportation Research Part D: Transport and Environment, 80, 102223. https://doi.org/https://doi.org/10.1016/j.trd.2020.102223

Jílková, P., y Králová, P. (2021). Digital Consumer Behaviour and eCommerce Trends during the COVID-19 Crisis. International Advances in Economic Research, 27(1), 83-85. https://doi.org/10.1007/s11294-021-09817-4

Jones, C., Motta, J., y Alderete, M. V. (2016). Gestión estratégica de tecnologías de información y comunicación y adopción del comercio electrónico en Mipymes de Córdoba, Argentina. Estudios Gerenciales, 32(138), 4-13. https://doi.org/https://doi.org/10.1016/j.estger.2015.12.003

Juaneda-Ayensa, E., Mosquera, A., y Sierra Murillo, Y. (2016). Omnichannel Customer Behavior: Key Drivers of Technology Acceptance and Use and Their Effects on Purchase Intention. Frontiers in Psychology, 7, 1117. https://doi.org/https://doi.org/10.3389/fpsyg.2016.01117

Kamalul Ariffin, S., Mohan, T., y Goh, Y. N. (2018). Influence of consumers’ perceived risk on consumers’ online purchase intention. Journal of Research in Interactive Marketing, 12(3), 309-327. https://doi.org/10.1108/JRIM-11-2017-0100

Kapser, S., y Abdelrahman, M. (2020). Acceptance of autonomous delivery vehicles for last-mile delivery in Germany – Extending UTAUT2 with risk perceptions. Transportation Research Part C: Emerging Technologies, 111, 210-225. https://doi.org/https://doi.org/10.1016/j.trc.2019.12.016

Khurjekar, S., Kaur, R., Puntambekar, D., Dixit, R., y Patil, J. (2024). Green growth in e-commerce: Environmental management and customer actions. Journal of Information and Optimization Sciences, 45(6), 1823-1842. https://doi.org/10.47974/JIOS-1772

Li, Y., Li, X., Zhang, Z., Zhang, G., y Gong, M. (2020). Understanding Consumers Online Furniture Purchase Behavior: An Updated UTAUT Perspective. Journal of Forest Economics, 35(4), 267-303. https://doi.org/10.1561/112.00000516

Limayem, M., Hirt, S. G., y Cheung, C. M. K. (2007). How Habit Limits the Predictive Power of Intention: The Case of Information Systems Continuance. MIS Quarterly, 31(4), 705-737. https://doi.org/10.2307/25148817

Malatji, W. R., Van Eck, R., y Zuva, T. (2020). Understanding the usage, Modifications, Limitations and Criticisms of Technology Acceptance Model (TAM). Advances in Science, Technology and Engineering Systems Journal, 5(6), 113-117. https://doi.org/10.25046/aj050612

Margalina, V. M. (2021). Factores que afectan la intención de compra de los consumidores de moda en el comercio electrónico: un modelo teórico para América Latina. Revista de Investigación SIGMA, 9(1), 84-96. https://journal.espe.edu.ec/ojs/index.php/Sigma/article/view/2628

Margalina, V. M., Jiménez-Sánchez, Á., y Cutipa Limache, A. (2024). Modelo PLS-SEM para la intención de compra online en el sector moda en Ecuador. Retos, 14(27), 101-114. https://doi.org/10.17163/ret.n27.2024.07

Martínez Aparisi, A. (2016). Factores críticos en la aceptación de un sistema de prescripción electrónica asistida en un hospital [Tesis de doctorado, Universitat Politècnica de València]. Repositorio Institucional UPV. https://doi.org/10.4995/Thesis/10251/63445

Martinez, B. M., y McAndrews, L. E. (2023a). Do you take...? The effect of mobile payment solutions on use intention: an application of UTAUT2. Journal of Marketing Analytics, 11(3), 458-469. https://doi.org/10.1057/s41270-022-00175-6

Martinez, B. M., y McAndrews, L. E. (2023b). Investigating U.S. consumers’ mobile pay through UTAUT2 and generational cohort theory: An analysis of mobile pay in pandemic times. Telematics and Informatics Reports, 11, 100076. https://doi.org/https://doi.org/10.1016/j.teler.2023.100076

McCoy, S., Galletta, D. F., y King, W. R. (2007). Applying TAM across cultures: the need for caution. European Journal of Information Systems, 16(1), 81-90. https://doi.org/10.1057/palgrave.ejis.3000659

Modi, S., Balaji, V., Mathew, S., y Kishore, K. (2024). Navigating brand equity in personal care: Examining the influence of direct-to-consumer brands and the mediating power of brand image. International Journal of Management and Sustainability, 13(2), 404-422. https://doi.org/10.18488/11.v13i2.3763

Mosquera, A., Juaneda-Ayensa, E., Olarte-Pascual, C., y Pelegrín Borondo, J. (2018). Key Factors for In-Store Smartphone Use in an Omnichannel Experience: Millennials vs. Nonmillennials. Complexity, 1-14. https://doi.org/10.1155/2018/1057356

Mustafa, S., Hao, T., Qiao, Y., Kifayat Shah, S., y Sun, R. (2022). How a Successful Implementation and Sustainable Growth of e-Commerce can be Achieved in Developing Countries; a Pathway Towards Green Economy. Frontiers in Environmental Science, 10. https://doi.org/10.3389/fenvs.2022.940659

Oh, J.-C., y Yoon, S.-J. (2014). Predicting the use of online information services based on a modified UTAUT model. Behaviour & Information Technology, 33(7), 716-729. https://doi.org/10.1080/0144929X.2013.872187

Oye, N. D., Iahad, N. A., y Rahim, N. A. (2014). The history of UTAUT model and its impact on ICT acceptance and usage by academicians. Education and Information Technologies, 19(1), 251-270. https://doi.org/10.1007/s10639-012-9189-9

Ozili, P. K. (2022). The Acceptable R-Square in Empirical Modelling for Social Science Research. Social Research Methodology and Publishing Results: A Guide to Non-Native English Speakers, 134-143. http://dx.doi.org/10.2139/ssrn.4128165

Perea y Monsuwé, T., Dellaert, B. G. C., y De Ruyter, K. (2004). What drives consumers to shop online? A literature review. International Journal of Service Industry Management, 15(1), 102-121. https://doi.org/10.1108/09564230410523358

Roberts, B. R. (2014). Managing Systems of Secondary Cities: Policy Responses in International Development. Citties Alliance.

Rogers, E. (1962). Diffusion of Innovations. Free Press.

Rout, K., Sahoo, P. R., Bhuyan, A., Tripathy, A., y Smrutirekha. (2022). Online grocery shopping behavior during COVID-19 pandemic: An interdisciplinary explanation. Cogent Business & Management, 9(1), 2084969. https://doi.org/10.1080/23311975.2022.2084969

Ruiz Dominguez, H. S., Rodríguez Herrera, I. M., y Mojica Carrillo, E. P. (2022). Factores de riesgo y beneficio percibidos en la intención de compra de consumidores de la movilidad colaborativa. NovaRua: Revista Universitaria de Administración, 14(24), 52-74. https://doi.org/10.20983/novarua.2022.24.3

Samaradiwakara, G. D. M. N., y Chandra, C. G. (2014). Comparison of existing technology acceptance theories and models to suggest a well improved theory/model. International Technical Sciences Journal, 11(1), 21-36. https://enos.itcollege.ee/~edmund/inf-hw/seminaritoo/itsj-spec-1-1-3.pdf

San Martín, H., y Herrero, Á. (2012). Influence of the user’s psychological factors on the online purchase intention in rural tourism: Integrating innovativeness to the UTAUT framework. Tourism Management, 33(2), 341-350. https://doi.org/https://doi.org/10.1016/j.tourman.2011.04.003

Sánchez Torres, J. A. (2018). Adoption E-commerce in development country and the moderator effect of digital divide [Tesis de doctorado, Universitat de Barcelona]. Dipòsit Digital de la Universitat de Barcelona. https://hdl.handle.net/2445/122648

Sánchez-Torres, J. A., Arroyo-Cañada, F. J., Varon-Sandobal, A., y Sánchez-Alzate, J. A. (2017). Differences between e-commerce buyers and non-buyers in Colombia: The moderating effect of educational level and socioeconomic status on electronic purchase intention. DYNA, 84(202), 175-189. https://repositorio.unal.edu.co/handle/unal/60375

Sarstedt, M., Ringle, C. M., y Hair, J. F. (2021). Partial Least Squares Structural Equation Modeling. En C. Homburg, M. Klarmann, y A. E. Vomberg (eds.), Handbook of Market Research (pp. 1-47). Springer. https://doi.org/10.1007/978-3-319-05542-8_15-2

Shaw, N., y Sergueeva, K. (2019). The non-monetary benefits of mobile commerce: Extending UTAUT2 with perceived value. International Journal of Information Management, 45, 44-55. https://doi.org/https://doi.org/10.1016/j.ijinfomgt.2018.10.024

Shukla, M., Jain, V., y Misra, R. (2022). Factors influencing smartphone based online shopping: an empirical study of young Women shoppers. Asia Pacific Journal of Marketing and Logistics, 34(5), 1060-1077. https://doi.org/10.1108/APJML-01-2021-0042

Soto-Acosta, P., Molina-Castilo, F. J., Lopez-Nicolas, C., y Colomo-Palacios, R. (2014). The effect of information overload and disorganisation on intention to purchase online. Online Information Review, 38(4), 543-561. https://doi.org/10.1108/OIR-01-2014-0008

Streukens, S., y Leroi-Werelds, S. (2016). Bootstrapping and PLS-SEM: A step-by-step guide to get more out of your bootstrap results. European Management Journal, 34(6), 618-632. https://doi.org/https://doi.org/ 10.1016/j.emj.2016.06.003

Torrent-Selles, J., Salazar-Concha, C., Ficapal-Cusi, P., y Saigí-Rubió, F. (2021). Using Digital Platforms to Promote Blood Donation: Motivational and Preliminary Evidence from Latin America and Spain. International Journal of Environmental Research and Public Health, 18(8). https://doi.org/10.3390/ijerph18084270

Van Droogenbroeck, E., y Van Hove, L. (2021). Adoption and usage of E-grocery shopping: A context-specific UTAUT2 model. Sustainability, 13(8), 4144. https://doi.org/10.3390/su13084144

Vázquez-Martínez, U. J., Morales-Mediano, J., y Leal-Rodríguez, A. L. (2021). The impact of the COVID-19 crisis on consumer purchasing motivation and behavior. European Research on Management and Business Economics, 27(3), 100166. https://doi.org/https://doi.org/10.1016/j.iedeen.2021.100166

Venkatesh, V., Morris, M. G., Davis, G., y Davis, F. D. (2003). User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly, 27(3), 425-478. https://doi.org/10.2307/30036540

Venkatesh, V., Thong, J. Y. L., y Xu, X. (2012). Consumer Acceptance and Use of Information Technology: Extending the Unified Theory of Acceptance and Use of Technology. MIS Quarterly, 36(1), 157-178. https://doi.org/10.2307/41410412

Venkatesh, V., Thong, J. L., y Xu, X. (2016). Unified Theory of Acceptance and Use of Technology: A Synthesis and the Road Ahead. Journal of the Association for Information Systems, 17, 328-376. https://doi.org/10.17705/1jais.00428

Ventre, I., y Kolbe, D. (2020). The Impact of Perceived Usefulness of Online Reviews, Trust and Perceived Risk on Online Purchase Intention in Emerging Markets: A Mexican Perspective. Journal of International Consumer Marketing, 32(4), 287-299. https://doi.org/10.1080/08961530.2020.1712293

Williams, M. D., Rana, N. P., y Dwivedi, Y. K. (2015). The unified theory of acceptance and use of technology (UTAUT): a literature review. Journal of Enterprise Information Management, 28(3), 443-488. https://doi.org/10.1108/JEIM-09-2014-0088

Yacob, S., Sulistiyo, U., Erida, E., y Perdana Siregar, A. (2021). The importance of E-commerce adoption and entrepreneurship orientation for sustainable micro, small, and medium enterprises in Indonesia. Development Studies Research, 8(1), 244-252. https://doi.org/10.1080/21665095.2021.1976657

Yu, C. W., Chao, C. M., Chang, C. F., Chen, R. J., Chen, P. J., y Liu, Y. X. (2021). Exploring Behavioral Intention to Use a Mobile Health Education Website: An Extension of the UTAUT 2 Model. Sage Open, 11(4). https://doi.org/10.1177/21582440211055721

Zhang, M., Hassan, H., y Migin, M. W. (2023). Exploring the Consumers’ Purchase Intention on Online Community Group Buying Platform during Pandemic. Sustainability, 15(3), 2433. https://doi.org/10.3390/su15032433

Zhou, M., Huang, J., Wu, K., Huang, X., Kong, N., y Campy, K. S. (2021). Characterizing Chinese consumers’ intention to use live e-commerce shopping. Technology in Society, 67, 101767. https://doi.org/https://doi.org/10.1016/j.techsoc.2021.101767

Notas

Información adicional

Cómo citar / How to cite: Solano Mejía, J. H., y Méndez Sánchez, A. M. (2025). Determinantes de la intención de compra en línea a través del modelo UTAUT2: un análisis del riesgo percibido en los consumidores en línea. Revista CEA, 11(25), e3187. https://doi.org/10.22430/24223182.3187

Información adicional

redalyc-journal-id: 6381