Ingrid Gottschalk & Stefan Kirn

Transkript

1 Eignet sich Cloud-Computing als Instrument zur Förderung ökologischer Ziele? Ingrid Gottschalk & Stefan Kirn WIRTSCHAFTSINFORMATIK ISSN Volume 55 Number 5 Wirtschaftsinf (2013) 55: DOI /s y 1 23

2 Your article is protected by copyright and all rights are held exclusively by Springer Fachmedien Wiesbaden. This e-offprint is for personal use only and shall not be selfarchived in electronic repositories. If you wish to self-archive your article, please use the accepted manuscript version for posting on your own website. You may further deposit the accepted manuscript version in any repository, provided it is only made publicly available 12 months after official publication or later and provided acknowledgement is given to the original source of publication and a link is inserted to the published article on Springer's website. The link must be accompanied by the following text: "The final publication is available at link.springer.com. 1 23

3 Eignet sich Cloud-Computing als Instrument zur Förderung ökologischer Ziele? Analyse notwendiger Voraussetzungen auf Verbraucherseite Seit seiner Einführung hat Cloud-Computing ein beachtliches öffentliches Interesse auf sich gezogen und wird als herausragendes aktuelles Thema im Bereich der Informationstechnologie (IT) gehandelt. Cloud-Computing soll nicht nur für Effizienz im Datenmanagement sorgen, sondern auch Energieeinsparungen mit sich bringen, etwa durch externe Lagerung und Bündelung von Daten auf leistungsstarken Großrechnern. Trotz dieser in Aussicht gestellten Vorteile bleibt die grundlegende Frage, ob der individuelle Nutzer über angemessenes Wissen über Cloud-Dienste verfügt und diese Leistungen ausreichend positiv bewertet, um sie als neue IT-Infrastruktur zu akzeptieren und anzuwenden. Werden die Konsumenten honorieren, was ihnen von öffentlichen Stellen, Medien und Cloud-Anbietern gleichermaßen heftig angepriesen wird? Wenn sie das tun, dann kann steigende Nachfrage nach Cloud-Diensten, in Verbindung mit optimierter Hardware wie Thin Clients, tatsächlich zu positiven Umwelteffekten führen. DOI /s y Die Autoren PD Dr. Ingrid Gottschalk ( ) Institut für Health Care und Public Management Universität Hohenheim Fruwirthstrasse Stuttgart Deutschland ingrid.gottschalk@uni-hohenheim.de Prof. Dr. Stefan Kirn Institut für Health Care und Public Management Universität Hohenheim Schwerzstrasse Stuttgart Deutschland stefan.kirn@uni-hohenheim.de Eingegangen: Angenommen: Angenommen nach zwei Überarbeitungen durch Prof. Dr. Loos. Online publiziert: This article is also available in English via and Gottschalk I, Kirn S (2013) Cloud Computing As a Tool for Enhancing Ecological Goals? Analyzing Necessary Preconditions on the Consumer Side. Bus Inf Syst Eng. doi: /s Zusätzliche Information ist in der Online-Version dieses Beitrags (doi: /s y) enthalten. Springer Fachmedien Wiesbaden Einführung Cloud-Computing wurde als vielversprechendes neues Modell für die Bereitstellung von Ressourcen der Informationstechnologie (IT) eingeführt. In einem kürzlich erschienenen Positionspapier der Europäischen Kommission werden Cloud-Dienste als ein machtvolles Instrument angekündigt, dessen Potenzial nur von der Leine gelassen werden müsse (Europäische Kommission 2012). Derart hohe Erwartungen können systembezogenen Eigenschaften wie Zentralisierung, Automatisierung der Leistungsbereitstellung und schnelle Anpassung an schwankende Nachfrage nach Leistungen zugeschrieben werden, die im Vergleich mit der gegebenen IT- Praxis zur besseren Ressourcennutzung und zu höherer Energieeffizienz führen (Berletal.2010, S. 1045). Das Hauptcharakteristikum von Cloud-Computing als einem Bereitstellungsmodell liegt darin, dass ein großer Ressourcenpool von einem Provider verwaltet wird, der in vertraglicher Absprache mit seinen Kunden ein bestimmtes Niveau an Servicequalität garantiert und seine Dienste auf Abruf mit großer Flexibilität bereitstellt (Mell und Grance 2011). Zusammenfassend kann Cloud-Computing als Verlagerung individueller PC-Aktivitäten auf zentrale Rechner von IT-Unternehmen definiert werden. Im Zuge dessen wird dem individuellen Nutzer und, sofern gewünscht, Kollegen und Freunden, fortwährender Zugang zu (1) Lagerungs- und Verarbeitungskapazität (Infrastructure as a Service, IaaS), (2) Softwareplattformen (Platform as a Service, PaaS), (3) Software Anwendungen (Software as a Service, SaaS), und, in Folge dieser Dienst- WIRTSCHAFTSINFORMATIK

4 Author's personal copy leistungen, auch Zugang zu (4) persönlichen Daten von jedem Internetzugang aus gewährt. Bisher wurde Cloud-Computing primär im Business-to-Business (B2B) Zusammenhang diskutiert (BITKOM 2013). In diesem Kontext geht es im Wesentlichen um die sogenannte private Cloud. In einer On-premise -Lösung werden die Daten vollständig im eigenen Haus gelagert, während sie in einer Off-premise -Lösung von einem externen Cloud-Provider in einem separaten Bereich seines Datencenters gewartet und verwaltet werden. Das Modell, das im Folgenden behandelt wird, ist das der public Cloud, zu der jedermann freien Zugang hat. Diese Konstellation trifft im Normalfall auf individuelle Nutzungssituationen zu (Business-to- Consumers, B2C). Schon jetzt nutzen viele Konsumenten Cloud-Dienste für private Zwecke wenn möglicherweise auch, ohne dies zu wissen beispielsweise durch Inanspruchnahme bestimmter -Provider oder über soziale Netzwerke. Abgesehen von Vorteilen beim Datenmanagement können Verbraucher durch finanziellen und ökologischen Zugewinn zur Nutzung von Cloud-Services motiviert werden, etwa wenn sie lernen würden, dass ihr Gang in die Cloud ihre Energierechnung reduzieren und die Umwelt schützen helfen kann (Jaeger et al. 2009). Die IT-Geräte der privaten Haushalte in Deutschland verbrauchten im Jahr 2007 sechzig Prozent des gesamten IT-Energiekonsums, und es wird erwartet, dass dieser Anteil bis 2020 noch weiter ansteigen dürfte (Stobbe et al. 2009). Vor diesem Hintergrund könnten sogar geringe Energieeinsparungen pro Haushalt zu erheblichen Auswirkungen führen (Kumar und Lu 2010). Jedoch hängen diese günstigen Aussichten wiederum vom Wissen und der Akzeptanz der Konsumenten in Bezug auf die neue IT-Infrastruktur ab. Obwohl Cloud-Computing ein großes öffentliches Interesse auf sich ziehen konnte, informiert die wissenschaftliche Literatur ungenügend über die Einflussfaktoren, die zur Annahme von Cloud- Computing durch individuelle Nutzer führen. Stattdessen lag der bisherige Forschungsschwerpunkt fast ausschließlich auf geschäftlichen Anwendungen (Marston et al. 2011). Obwohl es Ansätze zur Messung der Einflussfaktoren gibt, beschäftigen sich diese Untersuchungen primär mit der Akzeptanz durch Firmen oder durch Nutzer im Rahmen eines organisatorischen Umfelds, etwa Nutzer im öffentlichen Sektor (Shin 2013), Chief Information Officer (CIOs) von großen deutschen Unternehmen (Opitz et al. 2011), Manager von taiwanesischen Technologiefirmen (Wu 2011) und Studenten aus Community Colleges (Behrend et al. 2011). Diese Studien haben das Verständnis für das Annahmepotenzial von Cloud-Computing auf organisatorischer Ebene erhöht. Mit einigen Ausnahmen (z. B. Park und Ryoo 2013)wurde jedoch kein Nachdruck auf die Cloud- Annahme für private Zwecke gelegt, die deshalb eine wichtige Forschungslücke darstellt. Hinweise auf die Faktoren, die die Übernahme durch die Konsumenten betreffen, können der Studie von Ratten (2012) entnommen werden, die die ethische Ausrichtung der Handelnden ebenso wie die Marketinganstrengungen der Provider bestätigt fand. Die Untersuchung ist jedoch auf eine begrenzte Anzahl an Faktoren beschränkt und vernachlässigt die ökologische Dimension von Cloud-Computing. Die hier aufgezeigte Forschungslücke ist aus mehreren Gründen bedeutsam. Von privaten Haushalten wird heutzutage erwartet, über jede Art von IT- Ausstattung zu verfügen, etwa als Voraussetzung für eine Teilzeitbeschäftigung mit schnellem Zugang zu Daten von jedem Ort. Cloud-Computing scheint für diese Art des Arbeitsumfeldes der ideale Partner zu sein, da es das Home-Office prädestiniert und damit Mitarbeiter einbezieht, die sonst vom Arbeitsmarkt ausgeschlossen wären, da sie beispielsweise mit kleinen Kindern an das Haus gebunden sind. In dieser Konstellation benötigen die speziellen Bedürfnisse des individuellen Nutzers verstärkte Aufmerksamkeit. Auch für ihre rein privaten Interessen brauchen Konsumenten mehr Kapazität, etwa bei der Speicherung und dem Austausch von Fotos und Filmen. Ökologische Bedenken in Form von Energieverschwendung werden durch die gestiegene Wirtschaftlichkeit in der zentralisierten Datenwolke abgebaut. Sie schafft die Möglichkeit zur Nutzung von Abwärme, die sich durch Skaleneffekte der Großproduktion erreichen lassen, jedoch nicht beim einzelnen Nutzer realisierbar sind. Den Autoren ist keine bisherige Studie bekannt, die untersucht, ob und in welchem Umfang die ökologischen Aspekte des Cloud-Computings von Bedeutung für die Nutzereinschätzungen dieser Dienste sind. Es wird angenommen, dass diese Forschungslücke verringert werden kann, wenn Konstrukte und Ergebnisse aus der technologischen Akzeptanzforschung mit denen der Konsumforschung verknüpft werden. Forschung aus dem Bereich Grüne Informationssysteme (Green IS) kann weitere wertvolle Beiträge zu dem hier behandelten Thema beisteuern (Dao et al. 2011; Melville2010; Watsonetal. 2010). Aus dieser Literatur ist bekannt, dass sich IS-Forscher und Praktiker in steigendem Maße mit IT-Anwendungen im Verhältnis zur ökologischen Nachhaltigkeit und speziell zur Energieverschwendung beschäftigen (Berthon und Donnellan 2011; Bose und Luo 2011; Butler 2011; Zhang et al. 2011). Kann IT einen Beitrag zur Erreichung von Umweltzielen leisten und gleichzeitig Kostenbelastungen reduzieren? Eben diese Frage steht im Zentrum von Green IT, indem es... refers to the using of IT resourcesinanenergy-efficientandcosteffective manner (Bose und Luo 2011, S. 1). Diesem Ansatz folgend wird untersucht, ob umweltfreundliche Lösungen rasant ansteigenden Energierechnungen in den Unternehmen Einhalt gebieten können, etwa durch Austausch von manifesten durch Cloud-Kapazitäten. In der vorliegenden Studie wird jedoch eine breitere Perspektive eingenommen. Unternehmen werden nicht mehr nur als Anwender, sondern auch als Vermittler der neuen Grünen Informationstechnologie angesehen. Auf diesem Wege kommen die Bedürfnisse und Interessen der privaten Konsumenten ins Spiel. Folglich liegt der Schwerpunkt dieser Arbeit auf dem konsumentenorientierten Ansatz, der trotz einiger wichtiger Schritte in diese Richtung (z. B. DesAutels und Berthon 2011; Bengtsson und Agerfalk 2011) eine wichtige Forschungslücke im Rahmen von Green IS darstellt. Im Übereinstimmung mit diesen Überlegungen wird die Studie furch folgende Untersuchungsfragen geleitet: (1) Kennen Konsumenten Cloud- Computing und haben sie dazu eine generell positive Einstellung? (2) Wissen Konsumenten über das Energiesparpotenzial von Cloud- Computing Bescheid und wie es realisiert werden könnte? (3) Welche Faktoren müssen adressiert werden, damit die Cloud-Nutzung gefördert wird und damit Effizienzund Umweltgewinne möglich werden? 300 WIRTSCHAFTSINFORMATIK

5 Die erwarteten Ergebnisse sind aus ökonomischer und ökologischer Perspektive, aber auch aus Sicht des Managements von Bedeutung. Die Antworten auf die Untersuchungsfragen können geeignete Anreize schaffen, die Cloud-Services für verschiedene Konsumentengruppen attraktiv machen. Die vorliegende UntersuchungkannalseinersterSchrittverstanden werden um besser zu verstehen, was Cloud-Computing zum akzeptablen Instrument für IT-Nutzung durch Konsumenten macht, sie kann die Energieeffizienzeffekte von Cloud-Diensten kommunizieren und gleichzeitig, als positiver Nebeneffekt, die Konsumenten über den persönlichen Energieverbrauch für IT- Zwecke informieren und sensibilisieren (Watson et al. 2010, S.31f.). Aufbauend auf die theoretische Grundlegung werden in Abschn. 2 die Hypothesen und der Forschungsrahmen entwickelt und mit dem Methodenteil in Abschn. 3 fortgesetzt. Die empirischen Ergebnisse von Vorstudie und zentraler Verbraucherbefragung werden in Abschn. 4 präsentiert und diskutiert. Der Artikel endet mit einer Zusammenfassung, Überlegungen zu weiteren Forschungsnotwendigkeiten und zur Förderung der Inanspruchnahme von Cloud- Diensten und schließlich mit einer Diskussion der Einschränkungen. 2 Hintergrund 2.1 Theoretische Grundlage Die Studie verwendet die Theorie des durchdachten Handelns (Theory of Reasoned Action, TRA) (Fishbein und Ajzen 1975) und das Technologieakzeptanzmodell (Technology Acceptance Model, TAM) (Davis 1989) als theoretischen Hintergrund. Das später entwickelte Modell TAM bezieht sich ausdrücklich auf die TRA als Vorgängermodell, aber konzentriert sich primär auf technische Produkte und Dienstleistungen. Beide Ansätze können sinnvoll miteinander kombiniert und in ein Hybrid Intention Model, wie es die Autoren selbst vorgeschlagen haben, integriert werden (Davis et al. 1989, S. 994). Dieser hybride Ansatz scheint gut dafür geeignet zu sein, die Sichtweisen potenzieller Nutzer von Cloud-Computing als einer IT-Innovation abzubilden (z. B. Moore und Benbasat 1991, S. 193; Chen et al. 2002). Der Hauptgrund liegt darin, dass das Modell die Fähigkeit besitzt, wahrgenommene Vorteile und Risiken bezüglich der neuen IT-Infrastruktur aufzudecken und dadurch einen Anknüpfungspunkt für die Konsumenteninformation zu schaffen. Die Theorie des durchdachten Handelns beschäftigt sich mit persönlichen Überzeugungen im Hinblick auf gewolltes, freiwilliges Verhalten, ausgedrückt durch zwei unabhängige Variablen, nämlich die Einstellung zum Verhalten (Attitude toward Behavior, AB) und die Subjektive Norm (Subjective Norm, SN). Variable AB umfasst die mit dem intendierten Verhalten in Verbindung gebrachten empfundenen Vor- und Nachteile (Ajzen und Fishbein 1980, S.54).VariableSN beinhaltet die Wahrnehmungen des Einzelnen im Hinblick darauf, wie wichtige andere Personen sein eigenes Verhalten vermutlich gern sehen würden und inwieweit er bereit ist, diesen Erwartungen zu folgen (Ajzen und Fishbein 1980, S. 54). Kritik, die an diesem Ansatz laut wurde, bezieht sich auch auf die angebliche Wahlfreiheit (z. B. Sheppard et al. 1988; Readetal. 2011). Es mag Situationen geben, in denen der Konsument nicht frei ist, seine Entscheidung nur auf seine Überzeugungen und Präferenzen zu gründen, sondern in denen er bestimmten internen oder externen Einschränkungen Rechnung tragen muss. Ajzen ist dieser Frage nachgegangen, indem er die TRA zur Theorie des geplanten Verhaltens (Theory of Planned Behavior, TPB) ausgeweitet und dabei Verhaltensrestriktionen in Form eines Kontrollfaktors, der durch Kontrollüberzeugungen determiniert wird, eingebaut hat (Ajzen 1985, 1991; AjzenundMadden1986; Fishbein und Stasson 1990). Das Technologieakzeptanzmodell (TAM), das hauptsächlich entwickelt wurde to explain and predict computerusage behavior (Klopping und McKinney 2004, S. 36), arbeitet auch mit individuellen Überzeugungen, aber beschränkt diese auf technische Bedingungen (Davis 1989, 1993; Davisetal. 1989). Diese Art eines Nutzungsschwerpunkts ( utilization focus, Goodhue und Thompson 1995, S. 214), der darauf abstellt, die individuelle Leistung zu verbessern, ist ein gemeinsames Charakteristikum von aufgaben- und technikorientierten Ansätzen (Goodhue und Thompson 1995; Teo 2012; Shih und Chen 2013).DenKerndesTAM-Modells bilden zwei grundlegende Determinanten, das sind die wahrgenommene Benutzerfreundlichkeit (Perceived Ease of Use, PEOU) und die wahrgenommene Nützlichkeit (Perceived Utility, PU), die unter verschiedenen Anwendungen geprüft wurden (Venkatesh 2000; Ma und Liu 2004). PU steht für den erwarteten Gesamtwert bei Einsatz der neuen Technologie, insbesondere im Hinblick auf Verbesserungen bei der Arbeitseffizienz. PEOU umfasst die Anstrengung, die es eine Person kosten würde, das IT-Produkt oder die Dienstleistung zu nutzen (Davis 1989, S. 320). Die Autoren des Technologieakzeptanzmodells (TAM) machten nach und nach Änderungsvorschläge durch Einbeziehung zusätzlicher Faktoren in ihr Modell (Venkatesh und Davis 2000; Venkatesh et al. 2003; Venkatesh und Bala 2008). Gegenwärtig ist die Modellentwicklung bei TAM3 angelangt, das mehr als ein Dutzend weiterer Variablen enthält (Venkatesh und Bala 2008). Aus zwei Gründen können nur einige dieser zusätzlichen Variablen in das hier vorgestellte, gemeinsame Modell aus TRA und TAM aufgenommen werden. Erstens ist Cloud-Computing eine eher neue IT-Infrastruktur, deren Kenntnis oder Nutzung nicht bei allen Befragten einer Umfragestichprobe erwartet werden darf. Vor diesem Hintergrund werden zusätzliche Variablen, die Erfahrung im Umgang mit der neuen Technologie voraussetzen, nicht betrachtet. Wegen des Schwerpunkts von TAM auf den Arbeitsbereich werden zweitens Variablen, die sich rein auf die Arbeitsleistung beziehen, wie beispielsweise die Arbeitsrelevanz (Job Relevance) (Venkatesh und Bala 2008, S. 314), als zu eingeschränkt für eine breitere Orientierung angesehen und nicht integriert. Von anderen Variablen wurde dagegen angenommen, dass sie besser in den Rahmen von Cloud- Computing passen. Sie wurden deshalb in das Modell eingebaut, nämlich spielerischer Umgang mit dem Computer (Computer Playfulness, CP), ängstlicher Umgang mit dem Computer (Computer Anxiety, CA) und Image (Image, IM) (Venkatesh und Bala 2008 S. 313 ff.). Alle Faktoren wurden bereits intensiv durch frühere Forschung validiert (u. a. Heinssen et al. 1987; Moore und Benbasat 1991; Webster und Martocchio 1992; Serenko und Turel 2007; Saadé und Kira 2007). WIRTSCHAFTSINFORMATIK

6 Author's personal copy 2.2 Hypothesen und Untersuchungsrahmen Image, das im erweiterten TAM3 Modell diskutiert wird (Venkatesh und Bala 2008), schafft interessantes Potenzial für die Beantwortung der Frage, ob soziale Einflüsse bezüglich der empfundenen Nützlichkeit von Computeranwendungen eine Rolle spielen. Da IT oftmals im privaten Rahmen stattfindet, schiene es plausibel, dass die sozialen Einwirkungen eher gering sind. Da jedoch Cloud-Computing auch ein Netzwerken mit der Öffentlichkeit beinhaltet, kann es einen Demonstrationseffekt geben, der die Nutzung der neuesten Technologie anzeigt und einen Gewinn an sozialem Status als ein IT-Pionier verspricht (Moore und Benbasat 1991, S. 195). Vor diesem Hintergrund wird im Hinblick auf die Variable Image angenommen: H1: Das Image von Cloud-Diensten hat einen signifikant positiven Einfluss auf die empfundene Nützlichkeit der Cloud-Nutzung. Das erweiterte TAM3-Modell unterstellt gleichermaßen, dass die subjektive Norm zur empfundenen Nützlichkeit in Beziehung steht. Diese soziale Variable verkörpert die Vorstellung, dass sich bestimmte Leute für das eigene Handeln interessieren. Bei Cloud-Services könnten Familienangehörige wünschen, dass jedermann in der Familie mit der neuesten Technik vertraut ist, etwa Kinder in Bezug auf die Eltern. Es ist ebenfalls plausibel anzunehmen, dass Referenzpersonen aus dem beruflichen Umfeld, beispielsweise Kollegen, die die Arbeitseffizienz und die Zusammenarbeit verbessern wollen, ins Spiel kommen. Auf dieser Grundlage wird erwartet: H2: Die subjektive Norm hat einen signifikant positiven Einfluss auf die empfundene Nützlichkeit der Cloud-Nutzung. TAM3 betont auch, dass die empfundene Benutzerfreundlichkeit in Zusammenhang zur Einstellung zum Verhalten und zur wahrgenommenen Nützlichkeit steht. Das heißt, dass die Qualität der Handhabung eines technischen Mittels annahmegemäß die Arbeitseffizienz beeinflusst und für den Nutzer einen Vorteil darstellt, der sich durch positivere Einstellung und gestiegene empfundene Nützlichkeit äußert. Es ist plausibel, davon auszugehen, dass dieselben Überlegungen auch für Cloud-Services zutreffen. Deshalb wird angenommen: H3: Die empfundene Benutzerfreundlichkeit hat einen signifikant positiven Einfluss auf die Einstellung zur Cloud-Nutzung. H4: Die empfundene Benutzerfreundlichkeit hat einen signifikant positiven Einfluss auf die empfundene Nützlichkeit der Cloud-Nutzung. Zwei zusätzliche Faktoren, die zum erweiterten Modell gehören, sind Computer Playfulness und Computer Anxiety. Von beiden wird erwartet, dass sie in signifikanter Beziehung zur empfundenen Benutzerfreundlichkeit stehen, aber in verschiedene Richtungen. Die Forschung hat gezeigt, dass ein spielerischer Umgang mit dem Computer die wahrgenommene Komplexität und Bedienbarkeit des Systems beeinflussen kann (Hackbarth et al. 2003, S. 223). In Bezug auf den Bereich des Cloud-Computings heißt das, dass ein potenzieller Nutzer spielerisch über eventuelle Bedienungsprobleme hinweggehen würde. Deshalb wird erwartet: H5: Computer Playfulness hat einen signifikant positiven Einfluss auf die empfundene Bedienungsfreundlichkeit bei der Cloud-Nutzung. Auf der anderen Seite kann argumentiert werden, dass Individuen, die sich generell mit technischen Geräten schwer tun und eher unsicher bei der Nutzung ihres Computers sind, zögerlich in Bezug auf alle Arten technischer Innovation reagieren werden. Eine Person, die eine innere Unsicherheit verspürt, kann sogar eine entscheidende Handlungsbarriere aufbauen, wie in der Theorie des geplanten Verhaltens gezeigt (Ajzen 1985). AusdiesemGrundwirdangenommen: H6: Computer Anxiety hat einen signifikant negativen Einfluss auf die empfundene Bedienungsfreundlichkeit bei der Cloud-Nutzung. Die TRA trachtet nach Erklärung, Vorhersage und Beeinflussung verschiedener Arten individuellen Verhaltens (Ajzen und Fishbein 1980, S.4).Eswirdangenommen, dass der Handelnde die ihm zur Verfügung stehenden Informationen systematisch nutzt und versucht, daraus angemessene Entscheidungen zu treffen (Ajzen und Fishbein 1980, S.5).InEin- klang mit der Struktur der Theory of Reasoned Action werden beide konstitutiven Determinanten als in signifikantem Zusammenhang zur Absicht, Cloud-Dienste zu nutzen, vermutet. Deswegen heißen die Erwartungen: H7: Die Einstellung zum Verhalten hat einen signifikant positiven Einfluss auf die Absicht, Cloud-Dienste zu nutzen. H8: Die subjektive Norm hat einen signifikant positiven Einfluss auf die Absicht, Cloud-Dienste zu nutzen. Das Technologieakzeptanzmodell sagt vorher, dass die empfundene Nützlichkeit einen substanziellen Einfluss auf die Verhaltensintention ausübt. Diese Annahme basiert darauf, dass Mühe sparende Techniken als bedeutsam für die Arbeitseffizienz angesehen werden (Davis 1989). Dieser Argumentation folgend wird angenommen: H9: Wahrgenommene Nützlichkeit hat einen signifikant positiven Einfluss auf die Verhaltensintention gegenüber Cloud-Diensten. Erfahrung kann die Präferenz für genutzte Technologie und ebenso die Bereitschaft, weiterhin damit zu arbeiten, erhöhen. Diese erwarteten Wirkungen können in zweifacher Hinsicht untermauert werden. Einerseits wird eine Person mehr und mehr vertraut mit einer bestimmten Technik, was den Erfolg erhöht und die empfundenen Vorteile stärkt. Andererseits gilt, dass kognitive Dissonanzen vermieden werden sollen (Festinger 1957), und die Person deshalb an früheren Entscheidungen festhält, selbst dann, wenn das Ergebnis nicht völlig befriedigend ist. Wenn man diese Argumentation auf den Bereich des Cloud-Computings überträgt, dann kann angenommen werden: H10: Erfahrung mit Cloud-Diensten hat einen signifikant positiven Einfluss auf die Einstellung gegenüber Cloud-Computing. H11: Erfahrung mit Cloud-Diensten hat einen signifikant positiven Einfluss auf die Verhaltensintention gegenüber Cloud-Computing. Die Beantwortung der Untersuchungsfragen, die sich mit dem Energiesparen von Cloud-Diensten beschäftigen, macht es notwendig, ein Konzept für Umweltbewusstsein einzuführen. Dabei wird auf Forschungsergebnisse aus dem Bereich von Umweltschutz und umweltfreundlichem Handeln zurückgegriffen (Kinnear et al. 1974; Ellenetal.1991; Hawsetal. 2012) um zwischen höherem und niedrigerem Niveau an Umweltbewusstsein unterscheiden zu können. Es wird angenommen, dass Konsumenten mit unterschiedlichen ökologischen Werten abweichend auf Produkte und Leistungen, die einen positiven Umwelteffekt versprechen, reagieren werden (vgl. Kim und Chung 2011, S. 41). Diese Vermutung 302 WIRTSCHAFTSINFORMATIK

7 Abb. 1 Untersuchungsrahmen. AB = Attitude toward behavior, BI = Behavioral intention, CA = Computer anxiety, CP = Computer playfulness, DC = Demographic controls, EA = Environmental awareness, EX = Experience, IM = Image, PEOU = Perceived ease of use, PU = Perceived utility, SN = Subjective norm ist wiederum an Konsistenzüberlegungen geknüpft, verkörpert in den Theorien kognitiver Dissonanz oder Selbstwahrnehmung (Festinger 1957;Bem1967). In der Logik dieser Ansätze gilt, dass ein Individuum, das sich selbst als umweltorientierte Person einschätzt, an Ungleichgewicht und innerer Spannung leiden würde, wenn es sich umweltunfreundlich verhielte. Das heißt, dass ein Individuum auch bei IT-Zwecken in Übereinstimmung mit seiner bevorzugten Haltung für die Umwelt agieren wollte. Vor diesem Hintergrund wird vermutet: H12: Umweltbewusstsein hat einen signifikant positiven Einfluss auf die Verhaltensintention gegenüber Cloud-Computing. Forschungsergebnisse deuten darauf hin, dass demographische Variablen wie Geschlecht und Alter einen Einfluss auf den Umgang mit dem Computer habenkönnen(whitely1997; Enochund Soker 2006; Ong und Lai 2006; Wang et al.2009; Terzis und Economides 2011). Diese Forschung umfasst auch Ursachen und Wirkungen der sogenannten digitalen Spaltung (DiMaggio et al. 2001, S. 310; Durndell und Thomson 1997; Enoch und Soker 2006). Es kann beispielsweise angenommen werden, dass es jüngeren Leuten oder Menschen mit höherem Bildungsniveau leichter fällt, neue Techniken aufzugreifen als älteren oder weniger gebildeten Personen. Heinssen et al. (1987) kamen zu dem Ergebnis, dass das Geschlecht bezüglich der Computernutzung insgesamt eine Rolle spielt. Entsprechend ihren Untersuchungen neigen Frauen dazu, sich schüchterner im Umgang mit Computern zu benehmen als Männer (Heinssen et al. 1987, S.50f.).Daskönntesiedazubringen, gegenüber Computerinnovationen verhaltener zu reagieren als männliche Nutzer. Forschungsergebnisse zeigten tatsächlich, dass demographische Merkmale von Bedeutung für die Anwendung von Computerprogrammen sind, was bedeutet, dass sie sich nicht vollständig in den Überzeugungskonstrukten abbilden, wie es das Modell unterstellt (Burton-Jones und Hubona 2005, S. 72). Vor diesem Hintergrund wird argumentiert: H13: Die demographische Variable Geschlecht zeigt für Frauen einen signifikant negativen Zusammenhang mit der Cloud-Nutzungsintention. H14: Die demographische Variable Alter zeigt für ältere Personen einen signifikant negativen Zusammenhang mit der Cloud-Nutzungsintention. H15: Die demographische Variable Bildung zeigt für Befragte mit höherem Bildungsniveau einen signifikant positiven Zusammenhang mit der Cloud-Nutzungsintention. Der folgende Cloud-Computing- Untersuchungsrahmen bietet einen Überblick über alle Hypothesen und verdeutlicht den Ansatz des erweiterten Modells. Die vier Konstrukte in der Mitte von Abb. 1 verkörpern die Hauptvariablen aus TRA und TAM. Sie stehen für zugrundliegende Dimensionen und bilden reflektive Variablen, sie werden deshalb als Ellipsen dargestellt. Dasselbe gilt für die Mehrheit der zusätzlich integrierten Variablen. Erfahrung, demographische Variablen und Verhaltensintention stellen manifeste Variablen dar und werden durch Rechtecke symbolisiert. 3Methode 3.1 Messmodelle Die Items für die TAM-Konstrukte wurden aus dem Originalartikel übernommen (Venkatesh und Bala 2008,S.313f.), sie waren durch Forschung bereits validiert worden (Venkatesh und Bala 2008, S. 283). Alles wurde ins Deutsche übersetzt und dem speziellen Thema angepasst, aber andererseits so eng wie möglich am Originalwortlaut gehalten. Zur Messung wurden 7-stufige Likert-Skalen benutzt, die von 1 = gar nicht bis 7 = sehr reichten (Venkatesh und Bala 2008, S. 314). Alle Items zeigten befriedigende Werte für Cronbach s Alpha (Tab. 1). Die Items für beide Konstrukte der TRA, Einstellung zum Vehalten (AB) und Subjektive Norm (SN) wurden entsprechend den Vorschlägen von Ajzen und WIRTSCHAFTSINFORMATIK

8 Tab. 1 Items für die TAM-Konstrukte (vgl. Venkatesh und Bala 2008, S. 313 ff.) Konstrukte Abkürzung Cronbach s Alpha Items Image IM 0, Diejenigen, die die Cloud nutzen, haben mehr Ansehen als die Nichtnutzer 2. Die Cloud-Nutzer genießen einen hohen gesellschaftlichen Stellenwert 3. Die Cloud zu nutzen wirkt wie ein Statussymbol Computer Playfulness CP 0,730 Am Computer bin ich eher spontan 2. kreativ 3. spielerisch 4. originell Computer Anxiety CA 0,926 Computer und Computerprogramme machen mir Angst 2. machen mich nervös 3. bewirken bei mir ein Unbehagen 4. lassen mich unwohl fühlen Perceived Ease of Use PEOU 0, Der Umgang mit Cloud-Diensten ist einfach und verständlich 2. Der Umgang erfordert nicht viel Denkleistung 3. Der Umgang ist leicht zu bewerkstelligen 4. Ich kriege die Cloud-Dienste schnell dazu das zu tun, was ich möchte Perceived Usefulness PU 0,927 Die Nutzung von Cloud-Diensten verbessert meine Arbeitsleistung 2. erhöht meine Produktivität 3. ist nützlich für die Bearbeitung meiner Aufgaben 4. lässt mich meine Ziele besser erreichen Fishbein abgeleitet, nämlich durch Erfragung in offenen Fragen und dann individueller Skalierung dieser Beliefs in einer zweiten Studie (Ajzen und Fishbein 1980, S.62ff.).AnderErhebung der verhaltensbezogenen und der normativen Überzeugungen nahmen n = 20 Personen im Rahmen einer Vorstudie teil. Alle Befragten wurden persönlich angesprochen und um Teilnahme an einer schriftlichen Befragung gebeten. Allen Teilnehmern wurden bei Bedarf weitere Instruktionen in Aussicht gestellt. Die Mehrheit der Stichprobe konnte aus Universitätsmitarbeitern und Studenten gewonnen werden. Auf diese Weise war die Vertrautheit mit IT-Infrastrukturen von vornherein anzunehmen. Für das Herausfiltern der Überzeugungen wurde eine Inhaltsanalyse durchgeführt. Dem Problem, bedeutsame von nicht bedeutsamen Beliefs zu trennen, wird häufig durch Anwendung bestimmter Regeln begegnet, beispielsweise die Überzeugungen zu berücksichtigen, die spontan von 10 bis 20 Prozent der Stichprobe (Ajzen und Fishbein 1980, S. 70), oder sogar von mindestens 50 Prozent der Befragten genannt wurden (Ryan und Etzel 1976, S. 489). Da Cloud- Computing ein eher neues Thema ist, bei dem bisher nur begrenzt Erfahrungen gesammelt werden konnten, wurde von vornherein nicht mit einer großen Anzahl von Assoziationen gerechnet. Aus diesem Grund wurden nur die wenigen Kommentare aussortiert, die nicht zum Thema passten. Interessant ist, dass keiner der Befragten Energiespareffekte von Cloud-Computing anmerkte. Es scheint so, dass die Probanden erst direkt nach diesem Zusammenhang befragt werden müssen. Um dieses Defizit auszugleichen wurden zwei weitere Überzeugungen über Energiesparwirkungen eingearbeitet. Schließlich ergab sich eine Liste von 16 Verhaltensüberzeugungen, darunter 8 Vorteile und 8 Nachteile (Tab. 2). Zur Operationalisierung von Einstellung zum Verhalten (AB) war jeder Belief auf einer 7-stufigen Likert Skala entsprechend angenommener Wahrscheinlichkeit (b i ) und Einschätzung (e i ) zu bewerten, die jeweiligen Produkte wurden dann entsprechend den Vorgaben der Autoren des Modells aufsummiert (AB = b i e i )(Ajzenund Fishbein 1980,S.56). Es wurden deutlich weniger normative als verhaltensbezogene Überzeugungen genannt, insgesamt kristallisierten sich drei Überzeugungen heraus. Sie wurden ebenfalls durch Inhaltsanalyse identifiziert und beschreiben den normativen Einfluss in einem auf Teamarbeit bezogenen, einem institutionellen und einem privaten Kontext (Tab. 3). Ebenso wie AB wurde die Subjektive Norm (SN) als Summe der pro normativem Belief skalierten Wahrscheinlichkeiten (b j ), multipliziert mit der Befolgungswilligkeit (motivation to comply, m j )berechnet(sn= b j m j )(Ajzenund Fishbein 1980,S.56). Die Messung des Umweltbewusstseins basiert auf der von Haws et al. (2012)entwickelten Skala. Sie wurde als GREEN Consumer Values Scale vorgestellt und 304 WIRTSCHAFTSINFORMATIK

9 Tab. 2 Verhaltenüberzeugungen Vorteile: Cloud-Dienste sichern den Zugriff auf die eigenen Daten von überall. 2. sparen Kosten durch den Bezug bedarfsbezogener Leistungen (z. B. Software, Musik und Film). 3. verhindern den Datenverlust (z. B. bei Defekt des eigenen PCs). 4. dienen durch weniger Energieverbrauch der Umwelt. 5. verringern den Installationsaufwand von Software. 6. liefern automatisch die aktuellste Version der verwendeten Software. 7. senken die eigenen Energiekosten. 8. fördern die Zusammenarbeit durch gemeinsame Verwendung eines Datenspeichers. Nachteile: Cloud-Dienste fördern die Entwicklung zum gläsernen Kunden. 2. machen mich von einer immer funktionierenden Internetverbindung abhängig. 3. lassen bei Ausfall des Servers Daten verloren gehen. 4. vereinfachen Spionage- und Hackerangriffe. 5. sagen mir nicht, wo genau meine Daten gelagert werden. 6. schaffen Abhängigkeit von einmal gewählten Anbietern. 7. bieten im Schadensfall keine klare Verantwortlichkeit. 8. sind eine Kostenfalle durch monatliche Raten. Tab. 3 Normative Überzeugungen Referenzpersonen mit Erwartungen an die eigene Nutzung von Cloud-Diensten 1. Kollegen/Kommilitonen 2. Arbeitgeber/Lehrkörper 3. Familie/Freunde (privates Umfeld) Tab. 4 Skala für das Umweltbewusstsein (aus Haws et al. 2012, S. 41) Wie würden Sie sich in Bezug auf folgende Aussagen einordnen? 1. Es ist mir wichtig, dass die von mir benutzten Produkte die Umwelt nicht schädigen. 2. Ich beachte die möglichen Wirkungen auf die Umwelt bei vielen meiner Entscheidungen. 3. Meine Kaufgewohnheiten werden durch den Umweltgedanken geleitet. 4. Ich bin besorgt über die Verschwendung der Ressourcen unserer Erde. 5. Ich würde mich selbst als umweltbewusst beschreiben. 6. Für die Umwelt nehme ich Unbequemlichkeiten in Kauf. besteht aus sechs Items, die auf 7-stufigen Likert-Skalen gewichtet und in einem durchschnittlichen Wert abgebildet werden (Bearden et al. 2011, S.172f.).Höhere Werte zeigen eine positivere Neigung zu umweltfreundlichem Verhalten an (Tab. 4). Erfahrung wurde als Dummy-Variable operationalisiert, indem gefragt wurde: Verwenden Sie bereits heute Dienste aus der Cloud? (ja/nein). Um sicherzustellen, dass die Antworten korrekt waren, und die Befragten ihre bisherigen Cloud- Aktivitäten nicht übersahen, wurden Beispiele wie Googl oder Dropbox vorgegeben (siehe den Fragebogenauszug in Online-Anhang A). Die Verhaltensintention für die Cloud-Nutzung wurde ebenfalls durch ein manifestes Konstrukt gemessen. Die Frage war sorgfältig formuliert, um jeder Gruppe, Nutzern und Nichtnutzern, die Möglichkeit für eine sinnvolle Antwort zu geben: Inwieweit sind Sie prinzipiell bereit, Dienste aus der Cloud umfassend zu nutzen? (1 = gar nicht, 7 = sehr). Da Cloud-Computing erst vor Kürzerem in den Medien eingeführt und diskutiert wurde, ist das allgemeine Wissen zu diesem Thema wahrscheinlich unvollständig oder fehlt sogar völlig. Deshalb musste eine kurze, aber aussagekräftige Definition am Beginn des Fragebogens stehen. Zur Vermeidung von Reihenfolgeneffekten wurden sowohl die wahrgenommenen Vor- und Nachteile als auch die Items der Konstrukte randomisiert. 3.2 Vorgehen Insgesamt wurden n = 13 Befragte mit zu vermutendem unterschiedlichen technischen Vorwissen persönlich angesprochen, um den Fragebogen einem schriftlichen Pretest zu unterziehen. Zusätzlich wurden n = 12 Personen gebeten, dem Link zu folgen und die Fragen des Haupterhebungsfragebogens online zu beantworten. In beiden Fällen war es möglich, Kommentare zur Befragung, etwa über Verständnisprobleme, einzufügen. Darauf aufbauend wurden einige Items umformuliert, etwa kompliziertere technische Begriffe. Nachdem sicher gestellt war, dass keine weiteren inhaltlichen oder formalen Probleme mehr existierten, konnte der Fragebogen ak- WIRTSCHAFTSINFORMATIK

10 Tab. 5 Profil der Stichprobenteilnehmer (n = 234) Variable Merkmale Prozent (n = 234) Geschlecht männlich/weiblich 43,2/56,8 Alter <35 Jahre/ 35 Jahre 59,4/40,6 Bildung niedrigerer/höherer Grad 14,1/85,9 Kenntnis über Cloud-Computing ja/nein 85,9/14,1 Nutzung von Cloud-Diensten ja/nein 47,9/52,1 Nutzung bei Kenntnis (n = 201) ja/nein 55,7/44,3 tiviert werden. Er enthielt 18 geschlossene Fragen, die vornehmlich auf 7- stufigen Likert-Skalen zu bewerten waren (siehe den Fragebogenauszug in Online- Anhang A). Für die Onlinebefragung wurde ein deutsches Panel eingeladen, während zwei Wochen im Oktober 2012 an der Befragung teilzunehmen (SoSci Panel 2012). Dieses Panel besteht aus einer nichtkommerziellen Gruppe von Teilnehmern, die sich damit einverstanden erklärt haben, an Umfragen für wissenschaftliche Zwecke teilzunehmen. Das Panel wird von einer Universitätsinstitution verwaltet, die strenge Qualitätskriterien für den Fragebogen einfordert. Die Mitglieder des Panels sind hauptsächlich akademisch gebildet, darunter vornehmlich Universitätsmitarbeiter und Studierende. Um das Interesse an der Teilnahme zu erhöhen, wurde im Anschreiben für die Umfrage der Neuigkeitswert hervorgehoben und die Anonymität garantiert. Stichproben, die aus einer Panelgrundgesamtheit gezogen werden, sind Gelegenheitsstichproben. Im Fall des hier behandelten Themas ist das nicht notwendigerweise von Nachteil, da die Technologie noch in einem früheren Stadium ist, in dem eine bevölkerungsweite Anwendung nicht unterstellt werden kann. Man kann eher davon ausgehen, dass die höher gebildeten Bevölkerungsgruppen zu den Nutzern der Cloud-Technologie zählen, weshalb ein Panel aus Mitgliedern der höheren Bildungsschicht den idealen Partner darstellt. Dennoch wurde eine gewisse Verteilung der demographischen Variablen angestrebt, indem nach Geschlecht und Alter unterschiedene Gruppen des Panels um Teilnahme gebeten wurden. Pro Gruppe variierten die Klicks zwischen 20 und 25 Prozent, das entspricht nach Aussagen der Panelbetreiber der normalen Rate (SoSci Panel 2012). Etwa ein Drittel klickte in den Fragebogen, ohne ihn zu vollenden, entweder direkt oder nach einigen Minuten. Das ist angesichts der technischen Natur des relativ neuen Themas auch nachvollziehbar. In Übereinstimmung mit den Panelgepflogenheiten haben die Teilnehmer die Möglichkeit, Fragen zu überspringen. Für die geplante Strukturgleichungsmodellierung (SEM) zur Überprüfung der Hypothesen ist jedoch ein kompletter Datensatz ohne Missing Values eine Voraussetzung. Unter dieser Maßgabe blieb schließlich ein Stichprobenumfang von n = 234 Teilnehmern. 4 Empirische Ergebnisse 4.1 Stichprobe und deskriptive Werte DieendgültigeStichprobeenthieltrelativ mehr weibliche und jüngere Befragte. Entsprechend der Mitgliederstruktur despanelswarendiebefragten,dieeine höhere Schulbildung absolviert hatten oder einen Universitätsabschluss aufwiesen in der großen Mehrzahl. Es war davon auszugehen, dass die eher junge, gebildete Stichprobe bereits über Cloud- Computing als IT-Infrastruktur informiert war. Dies war in der Tat für die große Mehrheit der Fall. Weniger als die Hälfte nutzte zum Zeitpunkt der Befragung Cloud-Dienste. In Bezug auf diejenigen, denen Cloud-Computing vertraut war, erhöht sich dieser Anteil auf 55,7 Prozent (Tab. 5). Aus der Liste von 16 verhaltensbezogenen Überzeugungen musste ein Belief, der offensichtlich missverstanden worden war, datenbereinigt werden. Dabei handelt es sich um die Möglichkeit, dass Cloud-Dienste Spionage- und Hackerangriffe erleichtern könnten. Auch wenn die Pretests dies nicht vermuten ließen, hatte offenbar die positive Wortwahl (obwohl auf eine negative Konsequenz gerichtet) die Stichprobe veranlasst, diesen Belief als im Mittel eher vorteilhaft als nachteilig zu sehen. Diese Überzeugung musste daher aus der Bildung der Einstellung zum Verhalten ausgeschlossen werden. Entsprechend der TRA bestehen AB und SN aus der Summe der pro Belief wahrgenommenen Wahrscheinlichkeit, multipliziert mit der Bewertung (Ajzen und Fishbein 1980, S. 56). Auf der Grundlage der eingesetzten Skalen können Beliefs in einer Spanne zwischen 18 und +18 zu Buche schlagen. Als am meisten favorisierter Vorteil von Cloud-Diensten stellte sich die Verhinderung von Datenverlust heraus (M = 11,09). Der am negativsten bewertete Nachteil wird darin gesehen, dass Cloud-Computing die Entwicklung zum gläsernen Kunden fördern könnte (M = 10,07). Die Einstellung zum Verhalten stellte sich als im Mittel schwach negativ heraus (AB = 0,65) (Tab. 6). Überzeugungen im Hinblick auf Umwelt- und Energiesparziele scheinen überhaupt keine Rolle zu spielen. Beide Überzeugungen, die sich auf ökologische Aspekte beziehen, entweder zum Vorteil der Umwelt insgesamt, oder zur Verringerung der eigenen Energiekosten als positiver Nebeneffekt des Energiesparens, stehen am Schluss der Liste der Vorteile. Bei einer näheren Analyse der Skalierung dieser Beliefs stellte sich heraus, dass ihr Eintreten von allen Gruppen in der Stichprobe als eher unwahrscheinlich angesehen wird, unabhängig davon, ob den Befragten Cloud-Dienste bekannt sind oder ob sie diese nutzen. Man scheint einfach nicht, oder zumindest noch nicht, an diese Wirkung zu glauben. Die erhobenen normativen Überzeugungen stehen für drei verschiedene Richtungen eines möglichen normativen Einflusses. Obwohl insgesamt alle normativen Beliefs von eher geringer Bedeutung sind, zeigen die Daten, dass Kollegen und Kommilitonen aus der Teamwork- Kategorie noch als am vergleichsweise wichtigsten für das eigene Nutzen von Cloud-Services gesehen werden (M = 2,60). Für die gesamte Stichprobe fällt die Subjektive Norm leicht positiv aus (M = 3,71) (Tab. 7). 306 WIRTSCHAFTSINFORMATIK

11 Tab. 6 Ergebnisse für verhaltensbezogene Überzeugungen Cloud-Dienste... Skalierung von Wahrscheinlichkeit mal Bewertung M S.D. 1. verhindern den Datenverlust (z. B. bei Defekt des eigenen PCs). 11,09 7,09 2. sichern den Zugriff auf die eigenen Daten von überall. 9,78 7,54 3. liefern automatisch die aktuellste Version der verwendeten Software. 7,64 6,63 4. fördern die Zusammenarbeit durch gemeinsame Verwendung eines Datenspeichers. 6,29 7,60 5. verringern den Installationsaufwand von Software. 5,50 6,10 6. sparen Kosten durch den Bezug bedarfsbezogener Leistungen 5,44 5,72 7. dienen durch weniger Energieverbrauch der Umwelt. 4,50 4,80 8. senken die eigenen Energiekosten. 3,61 4,65 9. sind eine Kostenfalle durch monatliche Raten. 6,36 6, lassen bei Ausfall des Servers Daten verloren gehen. 6,83 6, sagen mir nicht, wo genau meine Daten gelagert werden. 6,95 7, schaffen Abhängigkeit von einmal gewählten Anbietern. 7,39 7, machen mich von einer immer funktionierenden Internetverbindung abhängig. 7,41 8, bieten im Schadensfall keine klare Verantwortlichkeit. 9,49 7, fördern die Entwicklung zum gläsernen Kunden. 10,07 7,66 einstellung zum Verhalten (AB) 0,65 Tab. 7 Ergebnisse für normative Überzeugungen Referenzpersonen mit Erwartungen an die eigene Nutzung von Cloud-Diensten Skalierung von Wahrscheinlichkeit mal Befolgungswilligkeit M S.D. 1. Kollegen/Kommilitonen 2,60 7,71 2. Arbeitgeber/Lehrkörper 1,80 8,66 3. Familie/Freunde (privates Umfeld) 0,69 8,04 Subjektive Norm (SN) 3, Ergebnisse der Hypothesentests Faktoranalyse Faktoranalyse und Strukturgleichungsmodellierung wurden eingesetzt, um die Hypothesen zu testen. Die Einstellung zum Verhalten (AB) umfasst 15 zugrundeliegende Überzeugungen, die positive und negative Erwartungen in Bezug auf die Nutzung von Cloud-Services betreffen (siehe Tab. 6). Da diese Überzeugungen eine Vielzahl verschiedener Vor- und Nachteile bei Cloud-Computing darstellen ist Multidimensionalität anzunehmen und durch explorative Faktoranalyse zu testen. Es wurden vier Faktoren mithilfe einer Hauptkomponentenanalyse auf der Basis des Kaiser-Kriteriums extrahiert und anschließend einer Varimax- Rotation unterzogen. Faktor A enthält alle Nachteile, die mit Cloud-Diensten assoziiert wurden und kann deshalb als Cloud-Risiken bezeichnet werden. Es ergab sich keine weitere Trennung zwischen empfundenen negativen Konsequenzen bei Cloud- Computing. Das sieht auf der Nutzenseite anders aus. Faktor B umfasst positive finanzielle und Netzwerkaspekte und kann Cloud-Effizienz genannt werden. Erwartungsgemäß enthält Faktor D nur die umweltbezogenen Erwartungen und kann deshalb den Namen Grüne Cloud tragen. Schließlich steht Faktor C für die zusätzlichen Erleichterungen, die Cloud- Computing mit sich bringen kann und wird deshalb als Cloud-Komfort bezeichnet (Tab. 8). Zur Erhebung der Zuverlässigkeit der ermittelten Faktoren wurden individuelle Reliabilitätswerte errechnet, die ein befriedigendes Niveau von größer 0,6 in drei Fällen zeigten (Risikenfaktor = 0,81, Effizienzfaktor = 0,70, grüner Faktor = 0,66) und eine noch ausreichende Größe von über 0,5 in einem Fall (Komfortfaktor = 0,59) (Weiber und Mühlhaus 2010, S. 127). Die Überprüfung der Diskriminanzvalidität nach dem Fornell- Larcker-Kriterium (Bagozzi und Yi 1988, S. 89; Weiber und Mühlhaus 2010, S. 127) demonstrierte, dass die durchschnittlich erfasste Varianz (DEV) größer als die quadrierten Korrelationen für alle Faktoren ausfiel, mit Ausnahme des Komfortfaktors in Relation zum Effizienzfaktor. In diesem Fall war die DEV für den Komfortfaktor mit 0,38 unzulässig kleiner als die quadrierte Korrelation beider Faktoren mit 0,44. Folglich wurde versucht, das Modell auf nur drei Faktoren zu reduzieren, jedoch ergab sich im Zuge dessen keine Verbesserung des Modellfits. Vor diesem Hintergrund wurde die Vier-Faktor-Lösung für die SEM gewählt Strukturgleichungsmodellierung Für den Hypothesentest wurde der Ansatz der Strukturgleichungsmodellierung gewählt. Dieses statistische Verfahren eignet sich dazu, komplexe Beziehungen zwischen Variablen zu überprüfen, die im vorliegenden Untersuchungsrahmen ge- WIRTSCHAFTSINFORMATIK

12 Tab. 8 Ergebnisse der Faktoranalyse Überzeugungen: Cloud-Dienste... Komponenten A B C D A Cloud-Risiken-Faktor 1... bieten im Schadensfall keine klare Verantwortlichkeit. 0, sagen mir nicht, wo genau meine Daten gelagert werden. 0, förderndieEntwicklungzumgläsernenKunden. 0, machen mich von einer immer funktionierenden Internetverbindung abhängig. 0, schaffenAbhängigkeitvoneinmalgewähltenAnbietern. 0, sind eine Kostenfalle durch monatliche Raten. 0, lassenbeiAusfalldesServersDatenverlorengehen. 0,517 B Cloud-Effizienz-Faktor 8... sichern den Zugriff auf die eigenen Daten von überall. 0, verhindern den Datenverlust (z. B. bei Defekt des eigenen PCs). 0, fördern die Zusammenarbeit durch gemeinsame Verwendung eines Datenspeichers. 0, sparen Kosten durch den Bezug bedarfsbezogener Leistungen (z. B. Software, Musik und Film). 0,525 C Cloud-Grüner-Faktor dienen durch weniger Energieverbrauch der Umwelt. 0, senkendieeigenenEnergiekosten. 0,712 D Cloud-Komfort-Faktor 14...verringerndenInstallationsaufwandvonSoftware. 0, liefernautomatischdieaktuellsteVersionderverwendetenSoftware. 0,625 Es werden nur Faktorladungen größer als 0,5 ausgewiesen geben sind (vgl. Abb. 1). (Homburg und Baumgartner 1998, S. 142; Hildebrandt und Görz 1999, S.2;WeiberundMühlhaus 2010, S. 18; Schumacker und Lomax 2010, S.2).Zur Schätzung des Modells wurde der Argumentation von Weiber und Mühlhaus (2010, S. 176 ff.) gefolgt, die den Test verschiedener Kriterien aus drei Bereichen vorschlagen, wobei zwei den Modellfit schätzen und der dritte für die Modellsparsamkeit zuständig ist (Weiber und Mühlhaus 2010, S. 176). Zuerst wurde das inferentielle Gütemaß RMSEA (Root Mean Square Error of Approximation) berechnet. Entsprechend Browne und Cudeck (1992) zeigt ein RMSEA-Wert kleiner als 0,05 eine enge Passgenauigkeit (Close Fit) des Modells, während Werte zwischen 0,05 und 0,08 als angemessen (Reasonable Fit) gewertet werden (Browne und Cudeck 1992, S. 239). Da das erzielte Ergebnis genau 0,05 entspricht wurde das Kriterium des engen Fit nur knapp verfehlt und das Modell kann folglich als ausreichend angemessen klassifiziert werden. Zweitens wurde als Gesamtmaß für die Güte des Modells Chi-Quadrat ermittelt, das nicht größer als 2,5 ausfallen sollte (Homburg und Baumgartner 1998, S. 363). Das hier vorgestellte Modell erfüllt dieses Kriterium mit einem Chi-Quadrat-Wert von 1,6. Drittens lässt sich Modellsparsamkeit als angemessen bezeichnen, wenn der Wert des Comparative Fit Index (CFI) 0,90 übersteigt (Zinnbauer und Eberl 2004, S. 19). In dieser Studie weist CFI einen Wert von 0,88 aus, das heißt er verfehlt, wenn auch nur sehr knapp, die kritische Grenze. Es ist jedoch in Betracht zu ziehen, dass derartige Ausschlusskriterien nach Faustregeln bestimmt werden (Hu und Bentler 1999, S. 4). Bei kleinen Stichproben, wie im vorliegenden Fall, steigt zudem die Schwierigkeit, den Modellfit zu ermitteln (Fan et al. 1999, S.57).Zusammen genommen kann deshalb davon ausgegangen werden, dass das hier eingesetzte Kombinationsmodell aus TRA, TAM und weiteren Cloud-relevanten Variablen als angemessen für den Bereich des Cloud-Computings angesehen werden kann. Die Ergebnisse der SEM werden in Abb. 2 durch die standardisierten Regressionsgewichte (Standardized Regression Weights) (β) und die Quadrate der multiplen Korrelationeskoeffizienten (Squared Multiple Correlations, R 2 )abgebildet. Anstelle der Einstellung zum Verhal- tenabwerdendieermitteltenvierfakto- renaufgeführt.infolgedessenergabsich eine erweiterte Liste von 24 zu überprüfenden Hypothesen, Tab. 9 spezifiziert deren Annahme oder Ablehnung. Mit Blick auf das Technikakzeptanzmodell TAM zeigen sich viele der im Modell prognostizierten Wirkungen. In der Stichprobe ist die Absicht, Cloud- Computing zu nutzen, grundsätzlich von einem Zusammenspiel zwischen empfundener Bedienungsfreundlichkeit und Nützlichkeit mit weiteren latenten Variablen wie Image und ängstlicher oder spielerischer Umgang mit dem Computer geprägt. Wie erwartet, ist die spielerische Nutzung des Computers hilfreich für positive Erwartungen über die Bedienungsfreundlichkeit der neuen IT- Infrastruktur, während die eher unsichere oder sogar ängstliche Haltung gegenüber Computerarbeit zu den vermuteten negativen Erwartungen führt (H5 und H6). In beiden Fällen zeigen die Beta- Werte Signifikanz in die erwartete Richtung (+0,33 für CP und 0,24 für CA). Der R 2 -Wert von PEOU erklärt 21 Prozent der Varianz im Modell (vgl. Tab. B-1 im Online-Anhang). In Hypothese 3 war unterstellt worden, dass die empfunde- 308 WIRTSCHAFTSINFORMATIK

13 Abb. 2 Standardisierte Regressionsgewichte und quadrierte multiple Korrelationen. BI = Behavioral intention, CA = Computer anxiety, CF = Convenience factor, CP = Computer playfulness, DC = Demographic controls, EF = Efficiency factor, EA = Environmental awareness, EX = Experience, GF = Green factor, IM = Image, PEOU = Perceived ease of use, PU = Perceived utility, RF = Risks factor, SN = Subjective norm ne Bedienungsfreundlichkeit signifikanten Einfluss auf die Einstellung zum Verhalten hat. Entsprechend der Aufschlüsselung von AB in die vier Faktoren ist diese Beziehung hoch signifikant in Bezug auf den Effizienzfaktor (β = 0,43, p < 0,001) und sie erhält mittlere Unterstützung für den Komfortfaktor (β = 0,39, p < 0,01), aber fällt nicht signifikant für die beiden anderen Faktoren aus. Das ist ein wertvoller Hinweis für werbliche Zwecke, da Informationsdefizite aufgezeigt werden, etwa bezüglich der Hervorhebung aller Vorteile des Cloud-Computings. Von der empfundenen Nützlichkeit wird erwartet, dass sie durch zwei gesellschaftlich orientierte Variablen beeinflusst wird, nämlich durch das Image und die Subjektive Norm. Für beide Fälle können die zugrunde liegenden Hypothesen unterstützt werden, mit hoher Wirkung von Image (β = 0,37, p < 0,001) und mittlerer Unterstützung für die Subjektive Norm (β = 0,21, p < 0,01) (vgl. Abb. 2 und Tab. 9). Diese Ergebnisse demonstrieren, dass Cloud-Computing eine wesentliche soziale Komponente haben kann, und dass die aktuelle Präsenz in den Medien gerade zum richtigen Zeitpunkt kommt, um die IT-Innovation voranzubringen. In H9 ist PU die unabhängige Variable, von der angenommen wird, dass sie die Verhaltensintention beeinflusst. Diese Erwartung kann stark unterstützt werden (β = 0,45, p < 0,001). Vor diesem Hintergrund weisen die Hauptvariablen aus dem Technologieakzeptanzmodell eine große Relevanz für Cloud- Computing Zwecke auf und verdienen es, als Verkaufsargumente stärker beachtet zu werden. Die Wirkungen der Hauptvariablen des TRA-Modells, das sind die Einstellung zum Verhalten, repräsentiert durch die vier Faktoren, und die Subjektive Norm, sind spürbar, aber nicht sehr ausgeprägt. Beide Variablen sind von signifikanter Bedeutung für die Verhaltensabsicht, aber in beiden Fällen nur mit schwacher Unterstützung. Das gilt für den Effizienzfaktor als den einzigen Faktor in signifikanter Beziehung (H7a, β = 0,21, p < 0,05) und für die Subjektive Norm (H8, β = 0,14, p < 0,05). Der analytische Wert der TRA- Komponenten ist jedoch darin zu sehen, dass die zugrundeliegenden Überzeugungsstrukturen verdeutlicht werden. In dieser Beziehung werden viele Details aufgedeckt und können ins Spiel kommen, etwa bezüglich der führenden Beliefs auf der Seite der Vorteile und der Nachteile, die einer speziellen Vermarktungsstrategie bedürfen. Zusammengefasst kann argumentiert werden, dass positive und negative Assoziationen zu Cloud-Computing adressiert werden müssen, um dessen Nutzung zu steigern. Interessant ist jedoch, dass es zielführender zu sein scheint, Vorteile des Cloud-Computings anzusprechen als Zweifel hinsichtlich dieser neuen IT- Technologie zu zerstreuen. Mit Blick auf die manifeste Variable Erfahrung kann gezeigt werden, dass die aktuelle Nutzung zwei Einstellungsfaktoren, nämlich Effizienz und Risiken, signifikant beeinflusst (H10a, β = 0,27, p < 0,01, H10b, β = 0,28, p < 0,01), ebenso wie die Absicht, die neue Infrastruktur zu nutzen, (H11, β = 0,26, p < 0,001). Damit wird erwartungsgemäß bestätigt, dass das Verhalten in der Vergangenheit die positive Einstellung und die Absicht, weiterzumachen, beinhaltet. In der Summe zeigt R 2 einen Wert von 0,50 für die Verhaltensintention (vgl. Tab. B-1 im Online-Anhang), das heißt, dass im gegebenen Modell 50 Prozent der Varianz durch den Effizienzfaktor, die subjektive Norm, die empfundene Nützlichkeit und die Erfahrung erklärt werden kann. Entgegen den Erwartungen konnte keine signifikante Wirkung von Umweltbewusstsein auf die Verhaltensintention festgestellt werden (H12). Befragte der Stichprobe, die ein höheres Umweltbewusstsein aufweisen, neigen nicht mehr dazu, Cloud-Dienste zu nutzen, als Befragte mit niedrigerem ökologischem Bewusstsein. Deshalb kann H12 nicht angenommen werden. Es scheint, dass ökologische Überlegungen nur eine geringe Rolle spielen, wenn Überlegungen angestellt werden, Cloud-Dienste in Anspruch zu nehmen, sofern sie überhaupt WIRTSCHAFTSINFORMATIK

14 Tab. 9 Bewertung der Hypothesen Hypothesen β p Unterstützung H1: Das Image von Cloud-Diensten hat einen signifikant positiven Einfluss auf die empfundene Nützlichkeit. 0,374 p < 0,001 Stark H2: Die Subjektive Norm hat einen signifikant positiven Einfluss auf die empfundene Nützlichkeit. 0,208 p < 0,01 Mittlere H3: Die empfundene Benutzerfreundlichkeit hat einen signifikant positiven Einfluss auf die Einstellung Änderung: PEOU hat einen signifikanten Einfluss auf: Den Effizienzfaktor der Cloud-Nutzung(H3a). 0,425 p < 0001 Stark Den Risikenfaktor der Cloud-Nutzung (H3b) 0,016 ns Ablehnung Den Komfortfaktor der Cloud-Nutzung (H3c) 0,394 p < 0,01 Mittlere Den Grünen Faktor der Cloud-Nutzung (H3d).0, 51 ns Ablehnung H4: Die Benutzerfreundlichkeit hat einen signifikant positiven Einfluss auf die empfundene Nützlichkeit. 0,373 p < 0,001 Stark H5: Computer Playfulness hat einen signifikant positiven Einfluss auf die Einstellung zur Cloud-Nutzung. 0,325 p < 0,001 Stark H6: Computer Anxiety hat einen signifikant negativen Einfluss auf die Einstellung zur Cloud-Nutzung. -0,238 p < 0,001 Stark H7: Die Einstellung hat einen signifikant positiven Einfluss auf die Absicht der Nutzung. Änderung: Vier Faktoren haben einen signifikanten Einfluss auf BI: Der Effizienzfaktor (H7a). 0,211 p < 0,05 Schwach Der Risikenfaktor (H7b). 0,090 ns Ablehnung Der Komfortfaktor (H7c). 0,117 ns Ablehnung Der Grüne Faktor (H7d). 0,027 ns Ablehnung H8: Die subjektive Norm hat einen signifikant positiven Einfluss auf die Absicht der Nutzung von 0,143 p < 0,05 Schwach Cloud-Diensten. H9: Wahrgenommene Nützlichkeit hat einen signifikant positiven Einfluss auf die Verhaltensintention. 0,446 p < 0,001 Stark H10: Erfahrung mit Cloud-Diensten hat einen signifikant positiven Einfluss auf die Einstellung zur Cloud-Nutzung. Änderung: Erfahrung ist von signifikantem Einfluss auf: Den Effizienzfaktor (H10a). 0,268 p < 0,01 Mittlere Den Risikenfaktor(H10b) 0,277 p < 0,01 Mittlere Den Komfortfaktor (H10c) 0,012 ns Ablehnung Den Grünen Faktor (H10d) 0,033 ns Ablehnung H11: Erfahrung mit Cloud-Diensten hat einen signifikant positiven Einfluss auf die Verhaltensintention. 0,262 p < 0,001 Stark H12: Umweltbewusstsein hat einen signifikant positiven Einfluss auf die Verhaltensintention. 0,030 ns Ablehnung H13 15: Die demographischen Variablen sind von signifikantem Einfluss auf die Verhaltensintention. H13: Geschlecht 0,031 ns Ablehnung H14: Alter 0,037 ns Ablehnung H15: Bildung 0,044 ns Ablehnung von Bedeutung sind. Der grüne Cloudfaktor steht auf der einen Seite für positive Umwelteffekte für die gesamte Wirtschaft und Gesellschaft, auf der anderen Seite für individuelle finanzielle Vorteile durch Reduzierung der Energierechnung. Nach Analyse der Daten der vorliegenden Studie muss geschlussfolgert werden, dass der grüne Faktor weder durch unabhängige Variablen wie Erfahrung beeinflusst wird, noch eine signifikante Wirkung auf abhängige Variablen wie die Verhaltensintention zeigt. Schließlich fehlt auch eine signifikante Beziehung zu den demographischen Variablen, was bedeutet, dass Geschlecht, Alter und Bildung in keiner direkten Relation zur Absicht, Cloud-Dienste zu nutzen, stehen (H13, H14 und H15). Die demographischen Größen können jedoch von indirektem Einfluss sein, wie es beispielsweise für Computer Playfulness der Fall ist. Diese Skala misst, ob die Menschen Spaß bei der Computerarbeit haben, darunter Items wie Spontanität oder Kreativität bei der Computernutzung (Venkatesh und Bala 2008, S. 313). Diese Art des Vergnügens trifft für die Mehrheit der Panelstichprobe zu, aber ältere Befragte stuften sich als signifikant weniger spielerisch im Umgang mit dem Computer ein (p 0,05). Im Vergleich zu früheren Befunden über Computerängstlichkeit (z. B. Ong und Lai 2006; Venkatesh und Bala 2008, S. 313) konnte jedoch kein indirekter Effekt bezüglich der Variablen Geschlecht festgestellt werden. In ihren Forschungsarbeiten über Computer Anxiety hatten Heinssen et al. (1987) herausgefunden, dass Frauen tendenziell mehr Bedenken haben, einen Computer zu nutzen als Männer (Heinssen et al. 1987, S. 50 ff.). Das gilt nicht für die hier vorliegende Stichprobe. 5Ausblickund Schlussfolgerungen 5.1 Unterstützung der Cloud-Nutzung durch technische Analyse Information systems cannot be effective unless they are used (Mathieson 1991, S. 173). Diese Aussage trifft auch für Cloud-Dienste zu, die nur dann ihr Vermögen demonstrieren können, wenn sie akzeptiert und auf breiter Basis genutzt werden. In Übereinstimmung mit dem 310 WIRTSCHAFTSINFORMATIK

15 Tab. 10 Positive Beliefs und technische Fakten Empfundene Vorteile: Cloud-Dienste... Wertung Unterstützung durch die IT-Analyse... Übereinstimmung 1....verhindern den Datenverlust ++...durch Lagerung in der Cloud und Notfallwiederherstellung 2....sicherndenZugriffaufdieeigenenDatenvon überall durch Standardisierung der Kommunikationsprotokolle 3....mitautomatischemSoftware-Update ++...in der Serviceverpflichtung des Providers enthalten ja 4....fördern die Zusammenarbeit +...gemeinsam nutzbare Speicher sind kennzeichnend für ja die Cloud 5....verringerndenInstallationsaufwandvon +...Standardanwendungen werden vorkonfiguriert geliefert ja Software 6....sparen Kosten durch den Bezug bedarfsbezogener Leistungen +...abhängig vom gewählten Preismodell teilweise 7....dienen durch weniger Energieverbrauch der Umwelt (+)...positive Energieeffekte werden durch zahlreiche Studien belegt 8....senkendieeigenenEnergiekosten (+)...hängt vom Einsatz energiesparender Endgeräte ab teilweise ja ja nein Tab. 11 Negative Beliefs und technische Fakten Empfundene Nachteile: Cloud-Dienste... Wertung Unterstützung durch die IT-Analyse... Übereinstimmung fördern die Entwicklung zum gläsernen Kunden 2....bietenimSchadensfallkeineklaren Verantwortlichkeiten 3....machenvoneinerimmerfunktionierenden Internetverbindung abhängig schaffen Abhängigkeit von einmal gewählten Anbietern 5....sagenmirnicht,wogenaumeineDaten gespeichert werden lassen bei Ausfall des Servers Daten verloren gehen...gilt nicht bei automatischer Verschlüsselung und garantierten Vertraulichkeitsstufen... Service Level Agreements (SLAs) können die Verantwortlichkeiten regeln...eine konstante und verlässliche Internetverbindung ist Voraussetzung teilweise teilweise...bei proprietären Anbietern möglicherweise der Fall teilweise...datenwerdennachwunschbeiregionalen Rechenzentren gespeichert...aufgefangen durch Ausfallbürgschaften, weitergehender Schutz durch Einzelkontrakte ja teilweise teilweise sind eine Kostenfalle durch monatliche Raten...abhängig vom Vertrag teilweise 8....erleichtern Hacker- und Spionageangriffe missing...durch garantierte Privatheit zu verhindern teilweise signifikanten Einfluss von wahrgenommener Nützlichkeit und Effizienz auf die Cloud-Computing VerhaltensintentionwürdeeinegrundsätzlicheStrategie darin bestehen, den Kunden auf sie abgestimmte Information auf der Basis technischer Fakten bereitzustellen. Der potenzielle oder aktuelle Nutzer von Cloud- Diensten dürfte positiv reagieren, wenn technische Kompetenz die von ihm erwarteten Wirkungen bestätigt und die dagegen sprechenden Barrieren aus dem Weg räumt. Tabellen 10 und 11 listen die von der Stichprobe empfundenen Vor- und Nachteile der Inanspruchnahme von Cloud-Services auf. Sie trennen zwischen positiven und negativen Beliefs und wurden gemäß jeweiligem Gewicht (vgl. Tab. 6) und technischen Fakten aufgeführt. Vor dem Hintergrund einer möglichen Spannweite zwischen 18 und +18 wurden Überzeugungen als ziemlich wichtig, ++, eingestuft, wenn M größer oder gleich 7 war, als noch wichtig, +, bei M größer oder gleich 5, und als nur wenig wichtig, (x), wenn M unter 5 lag. Dieselbe Einstufung wurde für die Nachteile vorgenommen, in dem Fall für M absolut, mit Minuszeichen anstelle von Pluszeichen in der Bewertungsspalte. Die Übereinstimmung von Konsumenteneinschätzungen und technischer Analyse wurde durch drei verschiedene Aussagen beschrieben, ja im Falle völliger Übereinstimmung, teilweise, wenn erwartete Vor- und Nachteile nur unter bestimmten Bedingungen möglich sind, und nein, wenn die Befragten falsch vermuteten. In Bezug auf die wahrgenommenen Vorteile des Cloud-Computings können viele der von den Konsumenten hoch eingeschätzten Vorteile von technischer Seite unterstützt werden. Es wird beispielsweise bestätigt, dass die SpeicherunginderCloudeffektivvorDatenverlust schützt und den Datenzugang von überall her ermöglicht (vgl. Tab. 10). Betrachtet man die gegenteiligen Effekte, dann setzt die Informationstechnik dagegen, dass verschiedene der empfundenen Probleme, wie der unbekannte Ort der Datenspeicherung oder das Risiko des Datenverlustes, bereits lösbar seien (vgl. Tab. 11). Im Ganzen ist die Übereinstimmung größer bei empfundenen Vorteilen als bei wahrgenommenen Nachteilen. Wie die IT-Analyse bestätigt, könnten positive Aspekte wie die Erweiterung von Teamwork und die Verringerung von Mühen bei der Installation von Software sogar stärker betont werden. WIRTSCHAFTSINFORMATIK

16 Author's personal copy Der vermutete Preisvorteil von Pay-asyou-use-Bedingungen wird jedoch relativiert, da er von der gegebenen Preisauszeichnung abhängt und deshalb nur teilweise gestützt wird. Die Konsumentenbewertung der ökologischen Überzeugung steht im Gegensatz zur technischen Analyse. Die Forschung weist nach, dass Cloud-Computing die Energieeffizienz steigern kann, indem es dynamisch Ressourcen rekonfigurieren und an eine variable Ladung anpassen kann, um dadurch eine höhere Ressourcenausnutzung zu erzielen (Berl et al. 2010, S. 1045; Shuja et al. 2012, S. 973). Als Voraussetzung einer Realisierung von Kostenvorteilen auf privater Seite muss Cloud-Computing jedoch mit wenig Energie verbrauchender Hardware (z. B. Thin Clients) betrieben werden. In diesem Zusammenhang haben die Befragten Anlass, zu bezweifeln, dass ein automatischer persönlicher Energiespareffekt entsteht, wenn man einen Cloud- Provider einschaltet. Das bei den Nachteilen vorherrschende AuseinanderklaffenzwischenKonsumentenbewertungen und technischer Stützung ist im Sinne einer Überzeugungsstrategie für die Nutzung von Cloud-Computing eher von Vorteil. Die große Mehrheit der Nachteile wird als teilweise gegeben eingestuft und bedeutet, dass Konsumentenbedenken in größerem Umfang abgebaut werden können. 5.2 Zusammenfassung und Schlussfolgerungen Die vorliegende Studie basiert auf einem Untersuchungsrahmen, der sich auf die Theorie des durchdachten Handelns und das Technikakzeptanzmodell stützt. In diesem Artikel wird dargelegt, inwieweit dieser kombinierte Modellansatz geeignet ist, um Cloud-Computing aus der Konsumentenperspektive zu analysieren. Vor diesem Hintergrund kann die vorgestellte theoretische Basis eine solide Grundlage für weitere Forschung auf diesem Gebiet darstellen. Das ist insbesondere deswegen notwendig, da die Ergebnisse zeigen, dass ein großer Teil der Befragten noch generell den Nettowert von Cloud-Computing anzweifelt und auf breiter Basis die Möglichkeit verneint, ökologische Gewinne einzufahren. Dieses Ergebnis spiegelt auch das gegenwärtige Defizit an Konsumentenorientierung im Bereich Grüner Informationssysteme wider, sowohl für die Theorie als auch für die Praxis. Das Thema dieses Artikels kann deshalb als ein erster Schritt in diese Richtung gesehen werden und als ein Beitrag für die Forschungslücke. Unter Anwendung der Strukturgleichungsmodellierung in einer Online- Stichprobe konnten verschiedene signifikante Wirkungen aufgezeigt werden. Die Hauptvariablen von TRA und TAM zeigen die erwarteten Einflüsse. Im Einzelnen gibt es Anlass für die Schlussfolgerung, dass soziale Abhängigkeiten von großer Bedeutung sind. Beide Formen des sozialen Einflusses scheinen eine Rolle zu spielen, Image als mehr allgemeine Wahrnehmung von sozialem Druck, sich mit der neuen IT-Infrastruktur auseinanderzusetzen, und die Subjektive Norm mit Referenzpersonen, deren Erwartungen in den Augen der Befragten nicht enttäuscht werden sollten. Ein unerwartetes Ergebnis war der Befund, dass die Mehrheit der Befragungsteilnehmer noch nicht glaubt, dass Cloud-Computing in Verbindung zu Energiesparen steht. Für die Praxis heißt die sich hieraus ergebende Frage, wie man diese Personen vom Gegenteil überzeugen kann. Ein fundamentaler Faktor besteht darin, die wahrgenommene Wahrscheinlichkeit dieser ökologischen Wirkungen zu erhöhen. Die übliche Annahme, dass umweltfreundliches Verhalten eine Last in Form des Einsatzes von Zeit, Kraft und Mitteln nach sich zieht (Pensini et al. 2012, S. 537), trifft für Cloud-Dienste nicht zu. Aus diesem Grund könnten umweltbewusste Menschen ohne weiteres einen Beitrag zur Erreichung ihres Ziels leisten, ohne dass sie konkurrierende Ziele wie Wirtschaftlichkeit und Bequemlichkeit aufgeben müssten. Um weniger umweltorientierte Personen anzusprechen, wäre es eine wirksame Strategie die Verquickung von öffentlichen und privaten Interessen aufzuzeigen. Neu erworbene IT-Hardware wird in Verbindung mit IT- Infrastruktur viel weniger Speicherraum benötigen, und sie lässt das Produkt billiger im Erwerb und energiesparsamer im Verbrauch werden. Vor diesem Hintergrund liegt der Schlüssel für die Stimulierung der Nachfrage nach Cloud- Diensten in glaubwürdiger, durch technische Fakten gestützter Kommunikation. Wenn Experten bestätigen, dass Energieeffizienzgewinne ein realistisches Ergebnis der Cloud-Nutzung sind, würden Zweifel kleiner werden, und ein weiterer Vorteil von Cloud-Computing wäre präsent. Einer vertrauenswürdigen Informationskampagne könnte es gelingen, Zweifel umzudrehen und breite Teile der Bevölkerung davon zu überzeugen, an Cloud-Aktivitäten teilzunehmen. Zukünftige Forschung wird sich mit einer Reihe von Einschränkungen, die diese Studie betreffen, auseinandersetzen müssen. Die Stichprobe wurde aus einem Online-Panel gewonnen, das Mitglieder eines speziellen Bevölkerungssegments repräsentiert. Die Studie sollte mit einem größeren, repräsentativen Sample repliziert werden. Um weitere Einblicke zu gewinnen, wären Tiefeninterviews mit Nutzern und Kritikern von Cloud- Computing hilfreich. Forschung aus dem IT-Bereich sollte die vorhandenen Wissenslücken mit soliden Daten füllen und diese dann in verständlicher Weise vermitteln, auch den Konsumenten, die weder über spezielle IT-Fertigkeiten verfügen noch an derartigen Themen besonders interessiert sind. Das ist eine Voraussetzung, wenn Cloud-Computing Aktivitäten wirklich gefördert werden sollen. Literatur Ajzen I (1985) From intentions to actions: a theory of planned behavior. In: Kuhl J, Beckmann J (Hrsg) Action control: from cognition to behavior. Springer, Heidelberg, S Ajzen I (1991) The theory of planned behavior. Organizational Behavior and Human Decision Processes 50(2): Ajzen I, Madden TJ (1986) Prediction of goal-directed behavior: attitudes, intentions, and perceived behavioral control. Journal of Experimental Social Psychology 22(5): Ajzen I, Fishbein M (1980) Understanding attitudes and predicting social behavior. Prentice Hall, Englewood Cliffs Bagozzi RP, Yi Y (1988) On the evaluation of structural equation models. Journal of the Academy of Marketing Science 16(1):74 94 Bearden WO, Netemeyer RG, Haws KL (2011) Handbook of marketing scales. Multi-item measures for marketing and consumer behavior research. 3. Aufl. Sage, Thousand Oaks Behrend TS, Wiebe EN, London JE, Johnson EC (2011) Cloud computing adoption and usage in community colleges. Behavior & Information Technology 30(2): Bem DJ (1967) Self-perception: an alternative interpretation of cognitive dissonance phenomena. Psychological Review 74(3): Bengtsson F, Agerfalk PJ (2011) Information technology as a change actant in sustainability innovation: insights from Upsala. Journal of Strategic Information Systems 20(1): Berl A, Gelenbe E, Di Girolamo M, Giuliani G, De Meer H, Dang MQ, Pentikousis K (2010) Energy-efficient cloud computing. The Computer Journal 53(7): Berthon P, Donnellan B (2011) The greening of IT: paradox or promise? Journal of Strategic Information Systems 20(1): WIRTSCHAFTSINFORMATIK

17 BITKOM (2013) Umsatz mit Cloud Computing steigt auf fast 8 Milliarden Euro. Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e. V. Abruf am Bose R, Luo X (2011) Integrative framework for assessing firms potential to undertake green IT initiatives via virtualization a theoretical perspective. Journal of Strategic Information Systems 20(1):38 54 Butler T (2011) Compliance with institutional imperatives on environmental sustainability: building theory on the role of Green IS. Journal of Strategic Information Systems 20(1):6 26 Browne MW, Cudeck R (1992) Alternative ways of assessing model fit. Sociological Methods & Research 21(2): Burton-Jones A, Hubona GS (2005) Individual differences and usage behavior: revisiting a technology acceptance model assumption. Advances in Information Systems 36(2):58 77 Chen L, Gillenson ML, Sherrell DL (2002) Enticing online consumers: an extended technology acceptance perspective. Information & Management 39(8): Dao V, Langella I, Carbo J (2011) From green to sustainability: information technology and an integrated sustainability framework. Journal of Strategic Information Systems 20(1):63 79 Davis FD (1989) Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly 13(3): Davis FD (1993) User acceptance of information technology: system characteristics, user perceptions and behavioral impacts. International Journal of Man- Machine Studies 38(3): Davis FD, Bagozzi RP, Warshaw PR (1989) User acceptance of computer technology: a comparison of two theoretical models. Management Science 35(8): DesAutels D, Berthon P (2011) The PC (polluting computer): forever a tragedy of the commons? Journal of Strategic Information Systems 20(1): DiMaggio P, Hargittai E, Neuman WR (2001) Social implications of the Internet. Annual Review of Sociology 27(1): Durndell A, Thomson K (1997) Gender and computing: a decade of change? Computers and Education 28(1):1 9 Ellen PS, Wiener JL, Cobb-Walgren C (1991) The role of perceived consumer effectiveness in motivating environmentally conscious behaviors. Journal of Public Policy and Marketing 10(2): Enoch Y, Soker Z (2006) Age, gender, ethnicity and the digital divide: university students use of web-based instruction. Open Learning 21(2): European Commission (2012) Unleashing the potential of cloud computing in Europe. Brussels eu/information_society/activities/ cloudcomputing/docs/com/com_cloud.pdf. Abruf am Fan X, Thompson B, Wang L (1999) Effects of sample size, estimation methods, and model specification on structural equation modeling indexes. Structural Equation Modeling 6(1):56 83 Festinger L (1957) A theory of cognitive dissonance. Stanford University Press, Stanford Fishbein M, Ajzen I (1975) Belief, attitude, intention, and behavior. An introduction to theory and research. Addison-Wesley, Reading Zusammenfassung / Abstract Ingrid Gottschalk, Stefan Kirn Eignet sich Cloud-Computing als Instrument zur Förderung ökologischer Ziele? Analyse notwendiger Voraussetzungen auf Verbraucherseite Cloud-Computing hat Eingang in die öffentliche Diskussion gefunden, weil es ökonomische und ökologische Vorteile in sich vereinen und zu Effizienzsteigerungen und Energieeinsparungen führen soll. Letzteres ist bei steigenden Energiekosten für die Informationstechnologie (IT) von besonderer Bedeutung. Die vorgestellte Studie untersucht, ob die hierfür notwendigen Voraussetzungen auf Nutzerseite, wie das Wissen über Cloud-Computing und dessen Einstufung als unter dem Strich positiv, vorliegen. Die Analyse basiert auf einem aus der Theory of Reasoned Action (TRA) und dem Technology Acceptance Model (TAM) kombinierten Untersuchungsrahmen für den Bereich von Cloud-Computing. Die Methodik umfasst zwei Verbraucherbefragungen, die eine zur Erhebung von Überzeugungen, die zweite zur Skalierung der Variablen. Zur Überprüfung der Hypothesen wird eine Strukturgleichungsmodellierung (SEM) durchgeführt. Die Ergebnisse unterstützen den vorgeschlagenen Untersuchungsrahmen. Überraschenderweise spielt jedoch der Umweltfaktor keine Rolle für die intendierte Nutzung von Cloud-Diensten, und zwar unabhängig von deren Kenntnis oder Nutzung. Die Ergebnisse der Studie betonen die Bedeutsamkeit von mehr Kommunikationsmaßnahmen bei aktuellen und potenziellen Nutzern, insbesondere im Hinblick auf mögliche positive Umwelteffekte als Folge des Einsatzes der neuen IT-Infrastruktur. Schlüsselwörter: Cloud-Computing, Theory of reasoned action (TRA), Technology acceptance model (TAM) Cloud Computing As a Tool for Enhancing Ecological Goals? Analyzing Necessary Preconditions on the Consumer Side Cloud computing has been introduced as a promising information technology (IT) that embodies not only economic advantages in terms of increased efficiency but also ecological gains through saving energy. The latter has become particularly important in view of the rising energy costs of IT. The present study analyzes whether necessary preconditions for accepting cloud computing as a new infrastructure, such as awareness and perceived net value, exist on the part of the users. The analysis is based on a combined research framework of the theory of reasoned action (TRA) and the technology acceptance model (TAM) in a cloud computing setting. Two consumer surveys, the one to elicit beliefs and the second to gain insight into the ranking of the variables, are employed. This study uses structural equation modeling (SEM) to evaluate the hypotheses. The results indicate support for the proposed research framework. Surprisingly however, the ecological factor does not play a role in forming cloud computing intentions, regardless of prior knowledge or experience. Empirical evidence of this study suggests increasing efforts for informing actual and potential users, particularly in respect to possible ecological advantages through applying the new IT infrastructure. Keywords: Cloud computing, Theory of reasoned action (TRA), Technology acceptance model (TAM) WIRTSCHAFTSINFORMATIK

18 Author's personal copy Fishbein M, Stasson M (1990) The role of desires, self-predictions, and perceived control in the prediction of training session attendance. Journal of Applied Social Psychology 20(3): Goodhue DL, Thompson RL (1995) Tasktechnology fit and individual performance. MIS Quarterly 19(2): Hackbarth G, Grover V, Mun YY (2003) Computer playfulness and anxiety: positive and negative mediators of the system experience effect on perceived ease of use. Information & Management 40(3): Haws KL, Winterich KP, Naylor AW (2012) Seeing the world through GREEN-tinted glasses: how green consumers use motivated reasoning to prefer environmentally friendly products. Working paper, Texas A&M University, College Station Heinssen RK Jr, Glass CR, Knight LA (1987) Assessing computer anxiety: development and validation of the computer anxiety rating scale. Computers in Human Behavior 3(1):49 59 Hildebrandt L, Görz N (1999) Zum Stand der Kausalanalyse mit Strukturgleichungsmodellen Methodische Trend und Software- Entwicklungen. series/sfb-373-papers/ /pdf/46.pdf. Abruf am Homburg C, Baumgartner H (1998) Beurteilung von Kausalmodellen Bestandsaufnahme und Anwendungsempfehlungen. In: Hildebrandt L, Homburg C (Hrsg) Die Kausalanalyse. Schäffer Poeschel, Stuttgart, S Hu L, Bentler PM (1999) Cutoff criteria for fit indexes in covariance structure analysis: conventional criteria versus new alternatives. Structural Equation Modeling 6(1):1 55 Jaeger PT, Lin J, Grimes JM, Simmons SN (2009) Where is the cloud? Geography, economics, environment, and jurisdiction in cloud computing. First Monday 14(5). ojs/index.php/fm/article/view/2456/2171. Abruf am Kim HY, Chung J-E (2011) Consumer purchase intention for organic personal care products. Journal of Consumer Marketing 28(1):40 47 Kinnear TC, Taylor JR, Ahmed SA (1974) Ecologically concerned consumers: who are they? Journal of Marketing 38(2):46 57 Klopping IM, McKinney E (2004) Extending the technology acceptance model and the task-technology fit model to consumer e-commerce. Information Technology, Learning, and Performance Journal 22(1):35 48 Kumar K, Lu Y-H (2010) Cloud computing for mobile users: can offloading computation save energy? IEEE Computer 43(4):51 56 Ma Q, Liu L (2004) The technology acceptance model: a meta-analysis of empirical findings. Journal of Organizational and End User Computing 16(1):52 59 Marston S, Li Z, Bandyopadhyay S, Ghalsasi A (2011) Cloud computing the business perspective. Decision Support Systems 51(1): Mathieson K (1991) Predicting user intentions: comparing the technology acceptance model with the theory of planned behavior. Information Systems Research 2(3): Mell P, Grance T (2011) The NIST definition of cloud computing. Special publication National Institute of Standards and Technology, Gaithersburg Melville NP (2010) Information systems innovation for environmental sustainability? MIS Quartely 34(1):1 21 Moore GC, Benbasat I (1991) Development of an instrument to measure the perceptions of adopting an information technology innovation. Information Systems Research 2(3): Ong CS, Lai JY (2006) Gender differences in perceptions and relationships among dominants of e-learning acceptance. Computers in Human Behavior 22(5): Opitz N, Langkau TF, Schmidt NH, Kolbe LM (2011) Technology acceptance of cloud computing: empirical evidence from German IT departments. In: Proceedings 45th Hawaii international conference on system sciences, Maui, S Park SC, Ryoo SY (2013) An empirical investigation of end-users switching toward cloud computing: a two factor theory perspective. Computers in Human Behavior 29(1): Pensini PM, Slugoski BR, Caltabiano NJ (2012) Predictors of environmental behavior: a comparison of known groups. Management of Environmental Quality 23(5): Ratten V (2012) Entrepreneurial and ethical adoption behaviour of cloud computing. Journal of High Technology Management Research 23(2): Read W, Robertson N, McQuilken L (2011) A novel romance: the technology acceptance model with emotional attachment. Australasian Marketing Journal 19(4): Ryan MJ, Etzel MJ (1976) The nature of salient outcomes and referents in the extended model. Advances in Consumer Research 3(1): Saadé RG, Kira D (2007) Mediating the impact of technology usage on perceived ease of use by anxiety. Computers & Education 49(4): Schumacker RE, Lomax RG (2010) A beginner s guide to structural equation modeling, 3. Aufl. Routledge, New York Serenko A, Turel O (2007) Are MIS research instruments stable? An exploratory reconsideration of the computer playfulness scale. Information & Management 44(8): Sheppard BH, Hartwick J, Warshaw PR (1988) The theory of reasoned action: a metaanalysis of past research with recommendations for modifications and future research. Journal of Consumer Research 15(3): Shih Y-Y, Chen C-Y (2013) The study of behavioral intention for mobile commerce: via integrated model of TAM and TTF. Quality & Quantity 47(2): Shin HD (2013) User centric cloud service model in public sectors: policy implications of cloud services. Government Information Quarterly Abruf am Shuja J, Madani SA, Bilal K, Hayat K, Khan SU, Shahzad S (2012) Energy-efficient data centers. Computing 94(12): SoSci Panel (2012) Offenes wissenschaftliches Befragungspanel. de/panel/index.php. Abruf am Stobbe S, Nissen N, Proske M, Middendorf A, Schlomann B, Friedewald M, Georgieff P, Leimbach T (2009) Abschätzung des Energiebedarfs der weiteren Entwicklung der Informationsgesellschaft. Fraunhofer Institut für Zuverlässigkeit und Mikrointegration, Berlin Teo T (2012) Examining the intention to use technology among pre-service teachers: an integration of the technology acceptance model and theory of planned behavior. Interactive Learning Environments 20(1):3 18 Terzis V, Economides AA (2011) Computer based assessment: gender differences in perceptions and acceptance. Computers in Human Behaviors 27(6): Venkatesh V (2000) Determinants of perceived ease of use: integrating control, intrinsic motivation, and emotion into the technology acceptance model. Information Systems Research 11(4): Venkatesh V, Davis FD (2000) A theoretical extension of the technology acceptance model: four longitudinal field studies. Management Science 46(2): Venkatesh V, Morris MG, Davis GB, Davis FD (2003) User acceptance of information technology: toward a unified view. MIS Quarterly 27(3): Venkatesh V, Bala H (2008) Technology acceptance model 3 and a research agenda on interventions. Decision Sciences 39(2): Wang YS, Wu MC, Wang HY (2009) Investigating the determinants and age and gender differences in the acceptance of mobile learning. British Journal of Educational Technology 40(1): Watson R, Boudreau M, Chen A (2010) Information systems and environmentally sustainable development: energy informatics and new directions for the IS community. MIS Quarterly 34(1):23 38 Webster J, Martocchio JJ (1992) Microcomputer playfulness: development of a measure with workplace implications. MIS Quarterly 16(2): Weiber R, Mühlhaus D (2010) Strukturgleichungsmodellierung. Eine anwendungsorientierte Einführung in die Kausalanalyse mit Hilfe von AMOS, SmartPLS und SPSS. Springer, Heidelberg Whitely BE Jr (1997) Gender differences in computer related attitudes and behavior: a meta analysis. Computers in Human Behavior 13(1):1 22 Wu WW (2011) Developing an explorative model for SaaS adoption. Expert Systems with Applications 38(129): Zhang H, Liu L, Li T (2011) Designing IT systems according to environmental settings: a strategic analysis framework. Journal of Strategic Information Systems 20(1):80 95 Zinnbauer M, Eberl M (2004) Die Überprüfung von Spezifikation und Güte von Strukturgleichungsmodellen: Verfahren und Anwendung. Schriften zur Empirischen Forschung und Unternehmensplanung der Ludwig-Maximilians-Universität München, Heft 21/ efoplan_21.pdf. Abruf am WIRTSCHAFTSINFORMATIK