Fatores que influenciam a intenção e o comportamento de uso de aplicativos de delivery para restaurantes

Resumo

Objetivo:

O objetivo deste artigo é analisar os fatores que influenciam o comportamento de uso dos aplicativos de entrega (delivery) para restaurantes.

Metodologia:

A pesquisa do tipo survey contemplou uma amostra final de 344 respondentes, cujos dados foram analisados por meio da Modelagem de Equações Estruturais (MEE), com estimativa por Mínimos Quadrados Parciais (MQP), para analisar as 13 hipóteses propostas no modelo de pesquisa.

Resultados:

Os resultados sustentam 10 hipóteses analisadas e indicaram que o fator com maior influência na intenção de uso dos aplicativos para entrega de alimentos é o hábito (β = 0,580; p-valor <0,001).

Contribuições:

Até onde se pesquisou, este é o primeiro estudo desse tipo a ser realizado no Brasil e também o primeiro no mundo a propor a expansão do modelo com os construtos “suscetibilidade a ofertas”, “inovatividade” e “conveniência” para o estudo da adoção dos aplicativos de delivery de restaurantes.

Palavras-chave:
Intenção de uso; comportamento de uso; aplicativos de entrega; UTAUT

Abstract

Purpose:

The purpose this paper is to analyze the factors that influence the usage behavior of delivery applications.

Design/methodology/approach:

A survey method was used and a questionnaire was applied. The simple size comprised 344 respondents. The Structural Equation Modeling (SEM) with estimation by Partial Least Squares (PLS) was used to analyze thirteen hypotheses proposed in the survey model.

Findings:

The results support ten hypotheses and indicate that the Habit (β = 0.580; p-value <0.001) is the factor greatest influence on the Intention to use applications for food delivery.

Originality/value:

How far we researched, this is the first study of its kind to be conducted in Brazil and also the first in the world to propose the expansion of the model with the Susceptibility to Offer, Inovativeness and Convenience constructs for the study of the adoption of restaurant delivery applications.

Keywords:
Intention of use; Behavior of use; Delivery applications; UTAUT

1 Introdução

O desenvolvimento incremental da internet causou mudanças nas relações humanas e, consequentemente, na forma de comercializar produtos e/ou serviços (Alalwan, 2020; Kułyk & Michałowska, 2016; Navimipour & Soltani, 2016). Entre as formas de consumo online, os aplicativos de celulares se popularizaram (Kiat, Samadi & Hakimian, 2017; Luna, Montoro-Ríos, Liébana-Cabanillas & Luna, 2017). Aplicativos móveis são criados e projetados para serem baixados e usados por smartphones ou outras plataformas móveis semelhantes, como iPads e tablets (Alalwan, 2020).

A comunicação móvel é um dos meios mais utilizados no mundo, cinco bilhões de pessoas possuem dispositivos móveis e as assinaturas desses meios de comunicação em todo o mundo se estenderam para um total de seis bilhões de pessoas (Kiat et. al., 2017). Essa tecnologia tem sido adotada não apenas para relações interpessoais, mas também para outros fins, como a venda e a compra de bens e serviços. A Criteo (2018), empresa de consultoria em propaganda online, aponta que os aplicativos respondem por 30% das vendas em dispositivos móveis para varejistas que investem em aplicativos de compras e web mobile mundialmente.

Os aplicativos representam oportunidades de negócio e têm sido explorados em pesquisas que visam analisar as atitudes dos consumidores em relação aos serviços online, de modo a identificar como as organizações podem aprimorar esse meio de distribuição e de contato com seus clientes, bem como contribuir com a literatura sobre essa temática, apresentando fatores que influenciam a intenção de compra (Alalwan, 2020; Kiat et al., 2017; Lee, Lee & Jeon, 2017; Yeo, Goh & Rezaei, 2017). Entre esses estudos, Lee et al. (2017) e Yeo et al. (2017) explicam ser necessário investigar os aplicativos referentes ao serviço de entrega de alimentos (delivery) - embora não sejam tão populares quanto outros meios de pedir comida, o número de usuários de aplicativos que têm essa finalidade está aumentando. De acordo com Silva (2019), o Brasil é um dos países com maior crescimento no setor de delivery de alimentos no mundo, e os aplicativos desse tipo aumentaram o número de usuários em 20% em 2018 - bem acima da média, de 12%. No mesmo ano, o setor de delivery via aplicativo faturou mais de R$ 10 bilhões, e espera-se que esse faturamento tenha sido ainda maior em 2019. Além disso, apesar de esses sistemas serem comumente adotados pelos restaurantes em todo o mundo, os fatores que afetam as intenções comportamentais em relação a esse novo meio de consumo não foram totalmente explorados e testados pelos pesquisadores, principalmente quando se trata do setor de alimentos (Alalwan, 2020; Lee et al., 2017). Assim, esta pesquisa representa um avanço na literatura em relação à compreensão dos consumidores desse modelo de negócios.

Com o objetivo de analisar os fatores que influenciam o comportamento de uso dos aplicativos de entrega para restaurantes, foram identificados na literatura modelos utilizados para avaliar os antecedentes que afetam a intenção e o comportamento de uso de novas tecnologias para adquirir bens e serviços. Dentre os pesquisados, destacam-se a Teoria da Ação Racional (TRA, Theory of Reasoned Action), apresentada por Hill, Fishbein e Ajzen (1977), a Teoria do Comportamento Planejado (TPB, Theory of Planned Behavior), concebida por Ajzen (1991), o Modelo de Aceitação da Tecnologia (TAM, Technology Acceptance Model), desenvolvido por Davis (1989), e a adotada nesta pesquisa, a Teoria Unificada da Aceitação e Uso de Tecnologia 2 (UTAUT2, Unified Theory of Acceptance and Use of Technology), de Venkatesh, Thong e Xu (2012). A escolha desse modelo se deve ao fato de ele permitir que os pesquisadores examinem quais determinantes afetam a adoção da tecnologia, levando em consideração fatores sociais e facilitadores e o aspecto emocional do consumidor (Talukder, Sorwar, Bao, Ahmed & Palash, 2020).

Além dos fatores indicados pelo modelo UTAUT2, apresentado no referencial teórico nesta pesquisa, foram acrescentados ao modelo, todavia, construtos diretamente associados à intenção e ao comportamento de uso de plataformas de delivery: (i) suscetibilidade a ofertas; (ii) inovatividade e (iii) conveniência. A ideia de acrescentar construtos ao modelo original se baseia na busca por aumentar a capacidade explicativa do modelo em um novo contexto mercadológico no qual ele ainda não foi utilizado. Portanto, esta pesquisa propõe e testa um novo modelo para a avaliação dos antecedentes associados ao serviço de delivery de alimentos. Em suma, as contribuições teóricas giram em torno, principalmente, da ampliação de um modelo teórico já consolidado para um novo objeto em um contexto cultural diferente.

Para além desta introdução, o artigo está estruturado em outras quatro seções. Na seção 2, é apresentada a fundamentação teórica sobre os antecedentes que afetam a intenção e o comportamento de uso dos aplicativos. Em seguida, na seção 3, descrevem-se os procedimentos metodológicos utilizados. Na seção 4, são descritos os dados e discutidos os resultados. Na seção 5, apresentam-se as conclusões, contribuições e limitações da pesquisa.

2 Revisões da literatura

2.1 Avaliações dos antecedentes que afetam a intenção e o comportamento de uso dos aplicativos de delivery de alimentos: UTAUT2

Com a evolução de tecnologias móveis, empresas em todo o mundo têm a oportunidade de expandir seus negócios atuais, uma vez que é mais fácil chegar aos consumidores a qualquer momento e em qualquer lugar por meio da combinação dessa tecnologia e da internet (Meuter, Bitner, Ostrom & Brown, 2005; Ramayah, Rahman & Ling, 2018). Todavia, os meios de consumo online estão transformando o comportamento e a atitude dos consumidores (Lee et al., 2017; J. P.C. Martins & Slongo, 2014). Como os clientes da indústria de food service são inconstantes, as organizações precisam acompanhar as mudanças de gosto, moda e facilidade de acesso (Lee et al., 2017). Embora o desenvolvimento e a proliferação de smartphones tenham facilitado o atendimento das demandas dos consumidores desse segmento, por fornecerem a conectividade em tempo real de aplicativos móveis, tornando populares os aplicativos de entrega de alimentos entre os clientes que buscam velocidade e conveniência, ainda é necessário compreender quais fatores efetivamente afetam a intenção e o comportamento de uso dessa tecnologia no segmento de alimentos (Alalwan, 2020; K. Balasubramanian & Dean, 2015; Lee et al., 2017; Meuter et al., 2005).

Alguns dos estudos empíricos sobre aplicativos de entrega de alimentos identificaram diferentes fatores influentes na aceitação e utilização desses aplicativos. Um desses estudos é sobre pedidos de alimentos online conduzidos por Alagoz e Hekimoglu (2012), em que os autores constataram que fatores como utilidade, inovação e confiança moldam as atitudes dos clientes em relação a essa tecnologia. Outro é o caso chinês, conduzido por Cho, Bonn e Li (2019), que descobriram que o valor percebido e as atitudes dos clientes diante dos aplicativos de entrega de alimentos são amplamente influenciados pelo nível de confiança, design e veracidade do produto.

Alagoz e Hekimoglu (2012) e Cho et al. (2019) indicam que, para identificar os fatores que influenciam a decisão de um consumidor utilizar um produto ou tecnologia, primeiro é necessário compreender o que é a intenção de uso. Esse construto é oriundo tanto do modelo proposto pela Teoria da Ação Racional (TRA), apresentada por Hill et al. (1977), quanto pela Teoria do Comportamento Planejado (TPB), concebida por Ajzen (1991). Em ambas as teorias, a intenção de uso é um fator central que influencia um indivíduo a realizar determinado comportamento. As intenções são exploradas para identificar os fatores motivacionais que afetam um comportamento e representam indícios de quanto as pessoas estão dispostas a tentar, de quanto esforço estão planejando exercer para realizar o comportamento (Ramayah et al., 2018). Nesse sentido, a Intenção comportamental refere-se à possibilidade subjetiva de o indivíduo realizar um comportamento específico, influenciando, assim, o comportamento de uso, que está associado ao ato de consumir determinado produto ou tecnologia (Ajzen, 1991; Davis, 1985; Hill et al., 1977; Ramayah et al., 2018; Venkatesh et al., 2012). Com base na definição desses construtos, elaborou-se a primeira hipótese desta pesquisa (H1):

H1: A “intenção de uso” impacta positivamente no “comportamento de uso”.

Ao explorar os antecedentes diretamente relacionados à intenção e ao comportamento de uso de tecnologias, como os aplicativos, estudos (ver Feng, 2017; Tak & Panwar, 2017) observam que alguns fatores são considerados importantes para os consumidores enquanto eles constroem um relacionamento com as tecnologias. Entre esses antecedentes, o nível de inovatividade do indivíduo, classificado por Agarwal e Prasad (1998) como personal innovativeness, é tradicionalmente avaliado no estudo do comportamento individual nas inovações. Esse construto é considerado um fator influente na adoção e uso de uma tecnologia, por ser um traço de personalidade relacionado à receptividade de um indivíduo a novas ideias (Agarwal & Prasad, 1998; Feng, 2017; Kessler & Martin, 2017; Lu, Yao & Yu, 2005; Tak & Panwar, 2017). Uma observação comum é que os indivíduos com alto grau de inovação são mais ambiciosos e mais dispostos a experimentar novas marcas e estão interessados nos resultados trazidos pelo uso da tecnologia Feng (2017). Em oposição, aqueles que possuem um baixo nível de inovatividade cognitiva têm foco no esforço, facilidade de uso e ludicidade da tecnologia (Kessler & Martin, 2017). Uma vez que o conceito de inovatividade pode ser definido como a tendência de um indivíduo em testar novas tecnologias (Kiat et. al., 2017), elaborou-se a seguinte hipótese:

H2: A “inovatividade” impacta positivamente na “intenção de uso”.

Além da inovatividade, alguns estudos, como Feng (2017) e Tak e Panwar (2017), sugerem avaliar a suscetibilidade a ofertas (deal-proneness) em relação à utilização dos aplicativos. Esse construto foi definido por Webster (1965) como a propensão dos consumidores a comprar produtos que estejam em ofertas promocionais, ou seja, com o preço reduzido. Nesse estudo, a suscetibilidade a ofertas é concebida como a função do comportamento de compra do consumidor em que uma determinada marca é vendida com base em um acordo entre as partes. Esse acordo é feito a partir de preços promocionais, o que pode ocorrer por meio da redução de preço, ofertas promocionais (exemplo: cupons), ofertas de lançamento e bônus por aumento no volume comprado (Hackleman & Duker, 1980). É necessário que o consumidor saiba o objetivo da plataforma e a tenha experimentado para que possa de fato se tornar suscetível às ofertas do contexto ou não. Tak e Panwar (2017) sugerem que a suscetibilidade a ofertas esteja relacionada somente ao comportamento de uso. Portanto, a terceira hipótese proposta nesta pesquisa é:

H3: A “suscetibilidade a ofertas” impacta positivamente no “comportamento de uso”.

Uma das características que diferencia os meios online dos convencionais é sua capacidade de gerar valor oferecendo conveniência e acessibilidade em qualquer lugar e a qualquer momento (Berry, Seiders & Grewal, 2002; Jiang, Yang & Jun, 2013; Ribeiro, 2018; Yeo et al., 2017). Os estudos classificam e resumem a conveniência em dois elementos principais: tempo e esforço (Jiang et al., 2013). Yeo et al. (2017) explicam que a conveniência está relacionada à economia de tempo e energia que os consumidores gastam (conveniência) para comprar um produto, o que aumenta o valor dos serviços prestados. Berry et al. (2002) acrescentam que quando os custos de tempo relacionados a um serviço específico aumentam, as percepções dos consumidores sobre a conveniência do serviço diminuem, influenciando assim a decisão do consumidor. A economia de esforço, por sua vez, refere-se à minimização de atividades cognitivas, físicas e emocionais que os consumidores devem despender para comprar bens e serviços (Berry et al., 2002; Jiang et al., 2013). Posto que a conveniência está relacionada aos benefícios de um produto ou serviço e pode afetar a decisão do consumidor (Jiang et al., 2013; Ribeiro, 2018; Yeo et al., 2017), a quarta hipótese desta pesquisa é:

H4: A “conveniência” impacta positivamente na “intenção de uso”.

De modo a completar o grupo de antecedentes que influenciam a intenção e o comportamento de uso dos aplicativos específicos para entrega de alimentos, observa-se na literatura que há vertentes teóricas sobre comportamento do consumidor utilizadas para avaliar a aceitação de novos produtos, serviços e/ou tecnologias. Entre elas, a UTAUT2, desenvolvida por Venkatesh, Morris, Davis e Davis (2003), analisa as ações do consumidor frente às tecnologias por meio de sete construtos que impactam diretante a intenção de uso: (i) expectativa de desempenho; (ii) expectativa de esforço; (iii) influência social; (iv) valor do preço; (v) motivação hedônica; (vi) condições facilitadoras; e (vii) hábito. Conforme observado por Venkatesh et al. (2012), os construtos da UTAUT2 explicam a intenção comportamental em 74% e o comportamento de uso em 52%.

A “expectativa de desempenho” refere-se ao grau em que a tecnologia potencializará os consumidores na execução de suas atividades (Alalwan, 2020; Alalwan, Dwivedi & Rana, 2017; Okumus, Ali, Bilgihan & Ozturk, 2018; Venkatesh et al., 2012). Alalwan (2020) fornece evidências estatísticas que apoiam o papel significativo desse construto na intenção do cliente de usar aplicativos de alimentos. Portanto, sugere-se nesta pesquisa a investigação da hipótese 5:

H5: A “expectativa de desempenho” impacta positivamente na “intenção de uso”.

A “expectativa de esforço” é o grau de facilidade associado ao uso da tecnologia pelos consumidores (Alalwan, 2020; Alalwan et al., 2017; Okumus et al., 2018). Davis, Bagozzi e Warshaw (1989) explicam que a intenção do indivíduo em aceitar um novo sistema não é apenas predita por quanto o sistema é valorizado positivamente, mas também por quanto o uso desse sistema não é difícil e, consequentemente, pela quantidade de esforços a serem despendidos. Nesse sentido, assim como em outros estudos sobre aplicativos (ver Alalwan, 2020; Alalwan et al., 2017) e tomando como base o setor de alimentos, é significativo investigar se o fato de os consumidores concluírem todo o processo de pedidos sem qualquer ajuda ou assistência da equipe do restaurante tem alguma influência em sua intenção de utilizar o sistema. Logo a hipótese seis é:

H6: A “expectativa de esforço” impacta positivamente na “intenção de uso”.

O construto “influência social”, por sua vez, é definido por Venkatesh et al. (2003) e Venkatesh et al. (2012) como a extensão em que um indivíduo percebe o grau de aprovação de um determinado comportamento por outras pessoas consideradas importantes. Dentre essas pessoas, destaca-se a influência de amigos, familiares, colegas, superiores e indivíduos experientes que são conhecidos pelo potencial adotante de um novo produto (Venkatesh et al., 2003 e Venkatesh et al., 2012). As influências sociais têm sua origem nas teorias de comportamento-atitude - por exemplo, a TRA, de Fishbein e Ajzen (1975). Reconhecendo que a incorporação do ambiente social poderia aumentar a explicação da intenção de uso de novas tecnologias, Venkatesh et al. (2003) inseriram e validaram influências sociais como um preditor significativo de intenções no modelo UTAUT original e a revalidaram no modelo UTAUT2 (Venkatesh et al., 2012). Partindo da premissa de que diversos produtos e serviços voltados para o consumidor, que estão em sua fase inicial de adoção, geram algumas dúvidas e incertezas (Kalish, 1985; Song & Montoya-Weiss, 2001), acredita-se que a influência do ciclo social mais próximo de cada um pode atuar no processo de geração de conhecimento e demanda por novos produtos e serviços, uma vez que a socialização primária e secundária atua na formação de crenças e percepções (Fishbein & Ajzen, 1975; Morosan & DeFranco, 2016). Dessa forma, tem-se a sétima hipótese.

H7: A “influência social” impacta positivamente na “intenção de uso”.

O preço pode ter uma influência substancial sobre os consumidores e é positivo quando os benefícios da adoção de um determinado sistema são considerados superiores ao custo monetário (El-Masri & Tarhini, 2017). O “valor do preço” é definido como o trade-off cognitivo dos consumidores entre os benefícios percebidos dos aplicativos e o custo monetário para usá-los (Kranthi & Ahmed, 2018; Venkatesh et al., 2012). Venkatesh et al. (2012) explica que esse construto está entre os fatores mais influentes no uso contínuo dos serviços de internet móvel pelo consumidor. Como consequência, incluiu-se o valor do preço como um preditor do uso de aplicativos de delivery de restaurantes. Adequadamente, a oitava hipótese é proposta:

H8: O “valor do preço” impacta positivamente na “intenção de uso”.

A “motivação hedônica” representa a crença dos consumidores de que o uso de um produto ou serviço é divertido (Venkatesh et al., 2012). Eventualmente, houve mudanças na filosofia de design de sistemas quando se descobriu que os consumidores os usariam não apenas para concluir tarefas, mas também para entretenimento. Tem-se aqui uma mudança sugerindo funções não utilitárias (Dwivedi, Shareef, Simintiras, Lal & Weerakkody, 2016). Venkatesh et al. (2012) adicionaram ao modelo UTAUT2 a motivação hedônica para capturar a emoção do prazer, argumentando que, para sistemas voluntários, esse construto será mais influente (Alalwan, Dwivedi, Rana & Algharabat, 2018; Christino, Silva, Cardozo, Carrieri & Nunes, 2019; Tak & Panwar, 2017). A maioria das pesquisas se concentra no lado hedônico dos serviços de lazer, como compras e esportes (Alalwan, 2020; Brown & Venkatesh, 2005; Venkatesh et al., 2012). Todavia, alguns estudos empíricos verificaram o efeito desse construto na intenção de uso de aplicativos, como de bancos (Alalwan et al., 2017) e de mobile food (Alalwan, 2020). Assim, a nona hipótese desta pesquisa é:

H9: A “motivação hedônica” impacta positivamente na “intenção de uso”.

Em relação às “condições facilitadoras”, ao apresentar o modelo UTAUT2 Venkatesh et al. (2012) destacam algumas particularidades. Os autores observam que, em um ambiente organizacional, esse construto pode servir como proxy para o controle comportamental real e influenciar diretamente o comportamento, o que também é sugerido por Ajzen (1991). Em ambientes comerciais, as condições facilitadoras representam até que ponto um consumidor acredita que existem recursos que facilitam a conclusão da tarefa usando algum tipo de tecnologia dos sistema de informação (Morosan & DeFranco, 2016), Nesse sentido, as condições facilitadoras agirão mais como o controle comportamental percebido na TPB e influenciarão tanto a intenção quanto o comportamento (Ajzen, 1991; Alalwan et al., 2017). Especificamente, espera-se que um consumidor que tem acesso a um conjunto favorável de condições facilitadoras tenha maior probabilidade de intencionar e de efetivamente usar uma tecnologia. Assim, nesta pesquisa são propostas duas hipóteses referentes a esse construto:

H10: As “condições facilitadoras” impactam positivamente na “intenção de uso”.

H11: As “condições facilitadoras” impactam positivamente no “comportamento de uso”.

Semelhante às condições facilitadoras, Venkatesh et al. (2012) mostraram que o hábito possui um efeito direto sobre o uso da tecnologia e da intenção de uso. Em um estudo sobre comércio eletrônico, Liao, Palvi e Lin (2006) acrescentaram o hábito ao modelo TAM e descobriram que, na medida em que os consumidores desenvolviam comportamentos habituais em relação a um site específico, eles estavam mais inclinados a continuar visitando o mesmo site. Venkatesh et al. (2012) acrescentaram o hábito no modelo UTAUT2, argumentando que a intenção comportamental é influenciada por ações inconscientes e intenções conscientes. Chou, Chiu, Ho e Lee (2013), por sua vez, definiram esse construto como a extensão em que os usuários usam seus aplicativos móveis automaticamente. Essas relações se devem ao fato de que os autores consideram o hábito algo vinculado a uma experiência anterior que afeta tanto as decisões quanto o comportamento do indivíduo. Portanto, duas hipóteses referentes a esse construto são verificadas:

H12: O “hábito” impacta positivamente na “intenção de uso”.

H13: O “hábito” impacta positivamente no “comportamento de uso”.

Com base nas 13 hipóteses, foi elaborado o modelo de pesquisa apresentado na Figura 1.

Figura 1
Modelo de pesquisa e hipóteses

3 Procedimentos metodológicos

Tendo em vista o objetivo da pesquisa, optou-se por utilizar a abordagem quantitativa, na qual são utilizadas estratégias sistemáticas e objetivas no processo de desenvolvimento do estudo. Nesse tipo de pesquisa, todos os dados são coletados de maneira que propicie a quantificação, e a análise é baseada em recursos e técnicas estatísticas. A partir da abordagem metodológica proposta nesta pesquisa, foi utilizado o método de survey, por se apresentar como o mais adequado para este estudo, uma vez que está associado à observação por meio de perguntas diretas ou indiretas, aplicadas a populações numerosas. Esse método apresenta como vantagem a confiabilidade para estabelecer regularidades sociais e a possibilidade de generalização (Malhotra, Birks & Nunan, 2017).

O instrumento de coleta de dados utilizado foi um questionário formal desenvolvido pelos autores com base em escalas já validadas por Feng (2017), C. Martins, Oliveira e Popovič (2014), Tak e Panwar (2017) e Venkatesh et al. (2012), todas adaptadas para o contexto do uso dos serviços das plataformas de delivery para restaurantes. Esse instrumento de pesquisa, apresentado no ^{Apêndice A}, foi estruturado com perguntas referentes aos construtos e medidas por meio de uma escala de Likert de cinco pontos, variando de 1 (discordo totalmente) a 5 (concordo totalmente). Foi necessário transformar a variável “Comportamento de uso” em uma variável intervalar de 1 a 5, para permitir que a variável frequência fosse analisada da mesma maneira que os demais construtos. Além disso, foram elaboradas perguntas para coletar dados sociodemográficos dos respondentes, incluindo informações sobre a frequência de uso dos serviços das plataformas de delivery para restaurantes. A disposição e a forma de apresentação das perguntas foram avaliadas por meio de um pré-teste realizado com um pequeno número de usuários dos serviços das plataformas de delivery para restaurantes. Esse teste foi essencial para garantir a alta consistência interna dos itens de mensuração.

O processo de amostragem foi predeterminado. Os dados foram coletados nos meses de outubro e novembro de 2018, período em que ocorreu a aplicação do questionário resultante do pré-teste, estruturado, padronizado e criado com a ferramenta Google Forms.

Além da divulgação nas redes sociais (Facebook, WhatsApp e Twitter), foi utilizada a técnica denominada bola de neve (snowball sampling). Os autores convidaram seu ciclo social (contatos iniciais) para responder ao questionário e divulgar para outros quatro conhecidos, de forma a aumentar o alcance da pesquisa com usuários dos serviços das plataformas de delivery para restaurantes. Assim, obtiveram-se 344 respostas válidas de usuários dos serviços das plataformas de delivery para restaurantes.

4 Análise dos dados e apresentação dos resultados

Os dados coletados foram analisados utilizando a abordagem de Mínimos Quadrados Parciais (MQP) para Modelagem de Equações Estruturais (MEE) no SmartPLS 3. O MPQ é uma técnica estatística utilizada para testar e estimar relações causais, adotando uma combinação de dados estatísticos e suposições causais qualitativas (Henseler, Ringle & Sinkovics, 2009). Essa técnica é baseada na MEE, que permite que cada indicador possa variar enquanto contribui para a pontuação geral da variável latente, sendo assim preferível a outras técnicas (Chin, Marcolin & Newsted, 2003).

A MEE com estimação por MQP nas áreas das ciências sociais e do comportamento tem se mostrado como uma excelente possibilidade para a avaliação de relações entre construtos, pois é robusta à falta de normalidade multivariada (Bido & Silva, 2019), aspectos esses muito presentes no uso de escalas de atitude.

A técnica MEE-MQP é “flexível” e capaz de estimar modelos complexos, isto é, muitas variáveis e muitos construtos e dados que não são aderentes a uma distribuição normal multivariada (Raja Mamat, Mat Saman, Sharif & Simic, 2016; Ringle, Silva & Bido, 2014). Nesse sentido, essa técnica tem uma grande “sintonia” com a natureza dos problemas e dos dados provenientes de relações sociais humanas (Bido & Silva, 2019). Soma-se a isso o fato de que a técnica centra-se em explicar a variância das variáveis dependentes ao examinar o modelo, além de geralmente não fazer suposições sobre as distribuições de dados (Hair, Hult, Ringle & Sarstedt, 2017; Hair, Sarstedt, Ringle & Gudergan, 2018). A MEE-MQP se adequa muito bem a situações que a teoria que sustenta as relações causais ainda não tem grande “sedimentação” e pode ser usada de forma mais “exploratória” (Bido & Silva, 2019).

A análise dos resultados segue a abordagem de duas etapas para avaliar os modelos de equações estruturais recomendadas por Cardozo, Zanquetto e Oliveira, (2019), Hair et al. (2017) e Peng e Lai (2012). Primeiro, foi examinado o modelo de mensuração para avaliar a confiabilidade do instrumento de pesquisa e propriedades de validade interna. Segundo, analisou-se o modelo estrutural para testar hipóteses de pesquisa propostas neste estudo.

Na próxima seção é apresentado o perfil da amostra e, na sequência, examina-se o modelo de mensuração e o modelo estrutural.

4.1 Descrição da amostra

Os primeiros dados analisados são referentes à descrição da amostra, conforme apresentado na Tabela 1, na qual são indicadas todas as características dos respondentes que podem contribuir para a compreensão dos resultados. É apresentada no apêndice B uma visão geral do comportamento de uso de plataformas de delivery para restaurantes, detalhada por gênero, faixa etária, estado civil e renda familiar.

Tabela 1
Descrição da amostra

Variável	N.	%	Variável	N.	%
Gênero			Estado civil
Masculino	158	45,9%	Casado(a)	61	17,7%
Feminino	186	54,1%	Divorciado(a)	7	2,0%
Faixa etária			Separado(a)	2	0,6%
18 a 23 anos	127	36,9%	Solteiro(a)	273	79,4%
24 a 29 anos	141	41,0%	Viúvo(a)	1	0,3%
30 a 35 anos	35	10,2%	Renda familiar
36 a 41 anos	20	5,8%	até R$ 1.874,00	28	8,1%
42 a 47 anos	7	2,0%	R$ 1.874,01 a R$ 3.748,00	55	16,0%
48 a 53 anos	5	1,5%
54 a 59 anos	7	2,0%	R$ 3.748,01 a R$ 9.370,00	130	37,8%
> 60 anos	2	0,6%	R$ 9.370,01 a R$ 18.740,00	69	20,1%
			R$ 18.740,01 ou mais	62	18,0%
Total	344	100%	Total	344	100%

4.2 Avaliação do modelo de mensuração

O modelo de mensuração foi avaliado a partir dos seguintes critérios: (i) validade convergente; (ii) confiabilidade e consistência interna; e (iii) validade discriminante. A Tabela 2 apresenta os valores dos carregamentos, indicadores de confiabilidade, variância média extraída, confiabilidade composta e alfa de Cronbach. Todos os indicadores e construtos atendem aos valores sugeridos por Hair et al. (2017) e Henseler et al. (2009) e apresentam carregamentos >0,70, indicador de confiabilidade e variância média explicada - VME >0,50), além de Confiabilidade composta e alfa de Cronbach >0,60 e <0,90).

Tabela 2
Validade convergente e confiabilidade e consistência interna

Construto	Alfa de Cronbach	Confiabilidade composta	Variância média extraída	Item	Carga	Desvio padrão	T Statistics
Conveniência	0,778	0,846	0,523	CO1	0,747	0,046	19,079
				CO2	0,728	0,073	10,471
				CO4	0,701	0,028	29,846
				CO6	0,723	0,032	25,653
				CO7	0,738	0,025	34,163
Condições facilitadoras	0,700	0,804	0,673	CF2	0,871	0,034	24,150
				CF3	0,767	0,037	20,494
Expectativa de esforço	0,857	0,903	0,700	EE1	0,850	0,056	12,426
				EE2	0,814	0,044	17,193
				EE3	0,867	0,057	10,890
				EE4	0,814	0,011	79,919
Expectativa de desempenho	0,723	0,804	0,578	EP1	0,804	0,021	39,055
				EP2	0,723	0,021	39,110
				EP3	0,752	0,014	59,708
Hábito	0,875	0,912	0,722	HA1	0,896	0,017	52,186
				HA2	0,817	0,028	28,994
				HA3	0,822	0,011	82,367
				HA4	0,863	0,012	74,032
Intenção de uso	0,833	0,900	0,749	IC1	0,870	0,024	34,758
				IC2	0,818	0,018	49,791
				IC3	0,906	0,021	43,335
Inovatividade	0,868	0,918	0,789	IN1	0,918	0,009	101,720
				IN2	0,848	0,015	59,873
				IN3	0,897	0,029	29,377
Influência social	0,899	0,937	0,832	IS1	0,892	0,014	65,877
				IS2	0,939	0,028	29,846
				IS3	0,904	0,165	5,893
Motivações hedônicas	0,814	0,888	0,726	MH1	0,840	0,217	3,546
				MH2	0,893	0,990	2,333
				MH3	0,821	0,044	20,521
Suscetibilidade a ofertas	0,755	0,869	0,771	SO1	0,974	0,035	26,841
				SO3	0,770	0,025	38,367
Comportamento de uso	NA	NA	NA	USO	1,000	0,000
Valor do preço	0,818	0,947	0,857	VP1	0,905	0,846	21,455
				VP2	0,931	0,768	10,298
				VP3	0,941	0,876	112,772

A validade discriminante foi analisada usando os critérios Fornell-Larcker e Heterotrait- Monotrait Ratio (HTMT). A Tabela 3 contém a raiz quadrada AVE em negrito ao longo da diagonal, verificando a condição de ser maior que a correlação entre construtos (Fornell & Larcker, 1981). Observa-se que os valores nas diagonais da Tabela 3 são superiores a suas correlações com outras variáveis, fornecendo evidências de que a validade discriminante é estabelecida.

Tabela 3
Critério Fornell-Larcker

Construto	USO	CF	EP	EE	HA	IS	IN	IC	MH	CO	SO	VP
USO	1,000
CF	0,004	0,820
EP	-0,031	0,305	0,760
EE	-0,074	0,586	0,343	0,837
HA	0,037	0,287	0,425	0,344	0,850
IS	0,109	0,221	0,428	0,163	0,395	0,912
IN	0,063	0,234	0,201	0,241	0,415	0,208	0,888
IC	-0,041	0,364	0,514	0,392	0,714	0,330	0,307	0,866
MH	-0,058	0,271	0,502	0,347	0,430	0,375	0,276	0,418	0,852
CO	0,018	0,160	0,300	0,198	0,344	0,281	0,345	0,263	0,358	0,723
SO	0,106	0,212	0,291	0,199	0,304	0,279	0,374	0,276	0,320	0,323	0,878
VP	0,038	0,063	0,064	0,067	0,195	0,220	0,123	0,160	0,229	0,211	0,057	0,926

• Fonte: Software Smart PLS
• Nota: USO - Comportamento de uso, CF - Condições facilitadoras, EP - Expectativa de desempenho, EE - Expectativa de esforço, HA - Hábito, IS - Influência social, IN - Inovatividade, IC - Intenção de uso, MH - Motivações hedônicas, CO - Conveniência, SO - Suscetibilidade a ofertas e VP - Valor do preço.

Como mostrado na Tabela 3, cada item apresenta uma maior carga em seu fator correspondente do que a carga cruzada em outros fatores (Chin, 1998).

A fim de testar a validade discriminante, o Heterotrait- Monotrait Ratio (HTMT) foi aplicado. HTMT é a média das correlações Heterotrait-Heteromethod (correlações de indicadores entre os construtos que medem fenômenos diferentes) em relação à média das correlações Monotrait-Heteromethod (correlações de indicadores dentro do mesmo construto). O HTMT deve ser significativamente menor que 1 (idealmente<0,85) para evidenciar a distinção entre dois fatores (Henseler, Hubona & Ray, 2016; Henseler, Ringle & Sarstedt, 2015). No caso desta pesquisa, as razões HTMT para cada par são <0,85 (ver Tabela 4), indicando que todos os construtos são explicitamente independentes uns dos outros e que o critério de validade discriminante foi cumprido.

Tabela 4
Critério Heterotrait - Monotrait Ratio (HTMT)

Construto	USO	CF	EP	EE	HA	IS	IN	IC	MH	CO	SO	VP
USO	-
CF	0,014	-
EP	0,038	0,528	-
EE	0,079	0,864	0,454	-
HA	0,040	0,391	0,549	0,376	-
IS	0,116	0,327	0,555	0,188	0,452	-
IN	0,072	0,353	0,266	0,275	0,467	0,230	-
IC	0,044	0,548	0,673	0,463	0,800	0,379	0,358	-
MH	0,066	0,424	0,691	0,400	0,515	0,439	0,325	0,494	-
CO	0,031	0,239	0,406	0,237	0,423	0,330	0,401	0,306	0,458	-
SO	0,102	0,378	0,396	0,267	0,363	0,322	0,467	0,336	0,392	0,430	-
VP	0,039	0,095	0,085	0,087	0,231	0,241	0,143	0,182	0,278	0,263	0,072	-

• Fonte: Software Smart PLS
• Nota: USO - Comportamento de uso, CF - Condições facilitadoras, EP - Expectativa de desempenho, EE - Expectativa de esforço, HA - Hábito, IS - Influência social, IN - Inovatividade, IC - Intenção de uso, MH - Motivações hedônicas, CO - Conveniência, SO - Suscetibilidade a ofertas e VP - Valor do preço.

Todos os construtos analisados atendem ao critério, conforme conta na Tabela 4.

No final, ambos os critérios foram satisfeitos, Fornell-Larcker e Heterotrait- Monotrait Ratio (HTMT), fornecendo evidências de validade das escalas. Os resultados indicam que o modelo possui bom nível de validade convergente, confiabilidade e consistência interna e validade discriminante, garantindo que os construtos sejam estatisticamente distintos e podem ser usados para testar o modelo estrutural.

4.2 Modelo estrutural e testes de hipóteses

Após o processo de avaliação do modelo de mensuração, fez-se a avaliação do modelo estrutural, o qual examina a capacidade preditiva do modelo e as relações entre os construtos (Hair et al., 2017; Peng & Lai, 2012).

Antes de proceder à avaliação do modelo estrutural, a multicolinearidade deve ser examinada de acordo com o valor de tolerância (VIF). De acordo com Cohen, Cohen, West e Aiken (2013), considera-se como indicativo de não colinearidade entre os construtos de um mesmo conjunto de valores de tolerância VIF > ou = 4,00, critério atendido para todos os construtos.

Para demonstrar a validade preditiva do modelo de pesquisa, foi utilizada a variância explicada (R²), que é um critério central para avaliar o modelo estrutural, conforme sugerido por Henseler et al. (2014). As variáveis exógenas explicaram 64,9% de variações do construto “intenção de uso” do serviço das plataformas de delivery para restaurantes e 29,7% do Comportamento de uso do serviço dessas plataformas. Esses valores sugerem bom poder preditivo e explicativo do modelo. Além disso, o ajuste geral foi avaliado usando a Raiz do Erro Médio Quadrático Residual Padronizado (SRMR), que reporta a média padronizada dos resíduos (discrepâncias entre a matriz observada e modelada), sendo que índices menores que 0,10 são indicativos de bom ajuste (Hair, Black, Babin, Anderson & Tatham, 2009; Kline, 2015). Portanto, o SRMR do modelo de pesquisa valor de 0,059 é indicativo de bom ajuste do modelo.

Dando sequência, avaliou-se a significância e a relevância das relações no modelo estrutural. A análise das relações de hipóteses e construtos foi realizada com base no exame de caminhos padronizados. O significado do caminho e o nível de significância foram estimados usando a reamostragem bootstrap (Henseler et al., 2009), com 5000 iterações de reamostragem (Chin, 1998).

A Tabela 5 apresenta os coeficientes de caminho entre os construtos e seus respectivos níveis de significância, gerados após a aplicação do algoritmo MQP. Para identificar a significância de um coeficiente, foi utilizado o valor do teste T, que deve ser igual ou superior a 2,58, 1,96 e 1,57 para o nível de significância de 1%, 5% e 10% respectivamente (Hair et al., 2017; Tortosa, Moliner & Sánchez, 2009).

Tabela 5
Coeficientes de caminho entre os construtos e respectivos níveis de significância

	Path	β	Desvio padrão	T Statistics	P Valor	Nível de Significância	Resultado
H1	Intenção de uso -> Comportamento de uso	0,152	0,073	2,075	0,038	**	Suportada
H2	Inovatividade -> Intenção de uso	0,009	0,045	2,236	0,025	**	Suportada
H3	Suscetibilidade a ofertas -> Comportamento de uso	0,114	0,063	1,999	0,072	***	Suportada
H4	Conveniência -> Intenção de uso	0,036	0,04	2,070	0,039	**	Suportada
H5	Expectativa de desempenho -> Intenção de uso	0,229	0,05	4,562	0,000	*	Suportada
H6	Expectativa de esforço -> Intenção de uso	0,059	0,052	2,547	0,011	**	Suportada
H7	Influência social -> Intenção de uso	-0,034	0,049	0,702	0,482	NS	Não suportada
H8	Valor do preço -> Intenção de uso	0,032	0,039	2,400	0,016	**	Suportada
H9	Motivações hedônicas -> Intenção de uso	0,027	0,048	0,572	0,567	NS	Não suportada
H10	Condições facilitadoras -> Intenção de uso	0,099	0,048	2,047	0,041	**	Suportada
H11	Condições facilitadoras -> Comportamento de uso	0,004	0,059	0,067	0,946	NS	Não suportada
H12	Hábito -> Intenção de uso	0,580	0,044	13,095	0,000	*	Suportada
H13	Hábito -> Comportamento de uso	0,110	0,076	2,158	0,031	**	Suportada

• Nota. NS - Não significativo, *P<=0,001; **P<=0,05 e ***P<=0,10.

Finalmente, a partir da análise de dados é apresentado o modelo estrutural, que indica os valores dos construtos e seu impacto na Intenção e no Comportamento de uso do serviço das plataformas de delivery para restaurantes (Figura 2).

Figura 2
Resultado do modelo estrutural

4.3 Discussão dos resultados

O modelo teórico analisado nesta pesquisa apresenta fatores que, se trabalhados adequadamente pelas organizações, podem melhorar o desempenho dos aplicativos e conquistar potenciais clientes usuários desse meio de consumo. De um total de 13 hipóteses analisadas que representam os fatores que impactam na intenção ou no comportamento, apenas três não foram suportadas pelos dados obtidos.

Entre as hipóteses suportadas, observa-se que, se comparado aos outros construtos, o hábito tem maior influência na intenção de uso (H12: β = 0,580; p-valor <0,001) e elevado impacto no comportamento de uso (H13: β = 0,110; p-valor <0,05). Isso significa que a utilização dos aplicativos já se tornou uma prática para os respondentes e o comportamento de uso desses meios de consumo já foi aprendido (Limayem, Khalifa & Frini, 2000; Venkatesh et al., 2012). Esse resultado também se aproxima da confirmação da H10 (As “condições facilitadoras” impactam positivamente na “intenção de uso”), uma vez que os respondentes confirmam que têm conhecimento necessário para usar aplicativos de entrega para restaurantes e que a maneira de manipular esses aplicativos é parecida com outras plataformas que eles já estão acostumados a utilizar em seu celular (Bharati & Srikanth, 2018; Venkatesh et al., 2012). Ademais, a H6 (A “expectativa de esforço” impacta positivamente na “intenção de uso”), ou seja, a facilidade em utilizar os aplicativos, também foi aceita, o que contribui para as condições facilitadoras e o hábito (Alalwan et al., 2017; Davis, 1989; Venkatesh et al., 2012). Mediante esses resultados, tem-se que, teoricamente, ocorreu a validação das proposições estabelecidas previamente na literatura.

Outro fator que apresenta forte impacto na intenção de uso é a expectativa de desempenho (H5: β = 0,229; p-valor <0,001), o que confirma que os aplicativos investigados representam benefícios aos consumidores na execução de suas atividades. Assim, esse resultado também reforça a teoria e, gerencialmente, aponta para a aprovação do modelo de negócio atual por parte dos clientes que responderam à pesquisa.

A conveniência - S. Balasubramanian, Peterson e Jarvenpaa (2002) - e o valor do preço - Venkatesh et al. (2012) -, por sua vez, foram antecedentes relevantes da intenção de uso dos aplicativos, dado que as hipóteses (H4 e H8) referentes a esses construtos foram suportadas. Ambos os construtos mediram um certo tipo de valor percebido. No caso do valor do preço, as afirmativas respondidas se relacionam com uma boa percepção de custo-benefício. Paralelamente, a confirmação de a conveniência ser um antecedente de intenção de uso aponta que fatores como facilidade de uso, agilidade de entrega, amplo leque de opções de restaurantes, promoções constantes, bons preços, boa cobertura e suporte eficiente são atributos valorizados pelos respondentes e, como tal, devem ser acompanhados pelos gestores desse segmento. Teoricamente, o modelo confirma que a inclusão desse novo construto fez sentido no processo de adaptação do modelo original ao objeto de pesquisa escolhido, assim como no estudo de Shaw e Sergueeva (2016). Importante ressaltar que em Ray, Dhir, Bala e Kaur (2019), a conveniência foi testada como antecedente da intenção de uso e não foi estatisticamente significativa, porém, apesar de terem o mesmo nome, os dois construtos medem coisas diferentes, uma vez que as variáveis de cada construto são totalmente distintas, ponto esse que sempre merece ser destacado para evitar problemas de interpretação em estudos futuros.

Com relação à inovatividade (H2), que teve impacto na intenção de uso, há evidências de que os usuários desses aplicativos são receptivos a novas ideias e têm disposição para experimentar novas práticas e marcas (Feng, 2017; Kessler & Martin, 2017; Tak & Panwar, 2017). A inovatidade é uma característica psicológica importante para a adoção de novas tecnologias. Os estudos de Rogers (2003) apontam que para haver sucesso na aceitação de um produto ou serviço inovador é essencial que os inovadores (2,5% do público-alvo) e os primeiros adeptos (13,5% do público-alvo) aprovem, usem e falem bem de uma inovação, para que ela possa alcançar a maioria dos consumidores potenciais (68% do público-alvo, dividido igualmente entre maioria inicial e maioria tardia). Dessa forma, garantir uma experiência positiva desses adotantes iniciais é vital para que o serviço continue crescendo.

Para criar uma experiência positiva é necessário observar algumas particularidades do comportamentos dos consumidores identificadas nesta pesquisa. Como observado por Lu et al. (2005), uma inovação cria incerteza sobre suas consequências esperadas para possíveis adotantes. Os indivíduos geralmente se sentem desconfortáveis com a incerteza e tendem a interagir com a rede social para decidir pela adoção, o que corresponde ao construto “influência social”. Todavia, assim como no estudo de Alalwan et al. (2018), Christino et al. (2019) e Lu et al. (2005), nesta pesquisa, a influência social (H7) não impacta na intenção de uso. Portanto, acredita-se que a maioria dos adotantes tem mais probabilidade de basear suas intenções de adoção em suas percepções sobre o aplicativo do que seguir a moda cegamente ou apenas a opinião das pessoas de seu convívio social.

Outra forma de criar boas experiências para o consumidor diz respeito à influência da suscetibilidade a ofertas no comportamento de uso dos aplicativos de delivery (H3), hipótese suportada nesta pesquisa. Esse resultado significa que as ofertas representam atrativos à continuidade de uso dos aplicativos (Ray et al., 2019, Tak & Panwar, 2017). Uma das ofertas oferecidas ao consumidor pode ser relacionada à redução do valor financeiro do produto (Cho et al., 2019), dado que o construto “valor do preço” impacta na intenção de uso do aplicativo. Demais tipos de promoções podem ser levantados em pesquisas futuras.

Ainda sobre as peculiaridades dos respondentes, a amostra pesquisada não utiliza os aplicativos de delivery de alimentos por diversão, aspecto que é mensurado no construto “motivação hedônica” (H9) como antecedente da intenção de uso. Esse resultado aponta para o fato de que há uma valorização mais funcional por parte dos usuários, o que a princípio pode gerar um pouco de estranheza, uma vez que o produto entregue (alimentos), muitas vezes, é fortemente relacionado com o prazer. No entanto, mais investigações seriam necessárias para avaliar se o uso dos aplicativos é totalmente desconectado das refeições em si. Em outros estudos, como Oechslein, Fleischmann e Hess (2014) e Christino, Silva, Cardozo e Lopes (2018), a motivação hedônica também não foi confirmada, deixando mais espaço para futuros estudos que possam tentar mapear quais categorias de produtos e serviços são mais suscetíveis a esse tipo de antecedente na intenção de uso.

Por fim, destaca-se que as condições facilitadoras não impactaram na frequência de uso, somente na intenção comportamental. Esses resultado é semelhante aos de Joo, Joung, Shin, Lim e Choi (2014) e Bharati e Srikanth (2018) e contraditório com os resultados do modelo UTAUT2 original (Moura, Gosling, Christino & Macedo, 2017; Venkatesh et al., 2012). Provavelmente, o uso dos aplicativos envolve outros aspectos que vão além desses investigados nesse construto; portanto, pesquisas futuras poderiam buscar demais preditores capazes de explicar a frequência de uso para além das condições facilitadoras, da intenção comportamental, do hábito e da suscetibilidade a ofertas.

5 Conclusão

O presente trabalho buscou analisar os fatores que influenciam a intenção e o comportamento de uso de aplicativos de delivery para restaurantes, utilizando o modelo UTAUT2 estendido como base teórica. A proposição feita explicou 64,9% da “intenção de uso” de aplicativos de delivery dos entrevistados, cujos antecedentes serão apresentados aqui em ordem de importância preditiva. São eles: “hábito”, “expectativa de desempenho”, “condições facilitadoras”, “inovatividade”, “expectativa de esforço”, “conveniência” e “valor do preço”. Os antecedentes “influência social” e “motivação hedônica” não foram estatisticamente significativos. No que se refere ao construto “comportamento de uso”, o modelo proposto conseguiu explicar 29,7% de sua variação por meio dos construtos “intenção de uso”, “suscetibilidade a ofertas” e “hábito” (nessa ordem de importância preditiva), sendo que o construto “condições facilitadoras” não foi estatisticamente significativo. Esses resultados trazem contribuições teóricas e gerenciais.

Teoricamente, ampliou-se o modelo original UTAUT2 com a adição de dois antecedentes da intenção de uso de aplicativos de delivery de restaurantes: (i) inovatividade, conforme estudado por Feng (2017), e (ii) conveniência, explorada Yeo et al. (2017). Também foi acrescentado um antecedente específico de uso efetivo, isto é, a suscetibilidade a ofertas, baseada em Feng (2017) e Tak e Panwar (2017). Ao propor e validar esses três construtos, este estudo se mostra útil para avaliar outros aplicativos, tecnologias ou produtos em pesquisas futuras relacionadas à adoção de novas tecnologias. Este artigo também contribui especificamente com a literatura relacionada a teorias e modelos de adoção e aceitação de tecnologia que recomendam a expansão para novos contextos (Bagozzi, 2007; Venkatesh, Davis & Morris, 2007; Venkatesh et al., 2012), e novos cenários culturais (cenário brasileiro), o que é considerado um passo crítico para avançar uma teoria (Alvesson & Kärreman, 2007). Por fim, destacam-se as contribuições teóricas específicas ao segmento estudado, que está em fase de crescimento em diversos países e tem se mostrado um modelo de negócios disruptivo, carecendo, portanto, de maiores entendimentos no que se refere ao comportamento de seus consumidores (Ray et al., 2019).

Gerencialmente, os achados do estudo podem ser relevantes para gestores do ecossistema de empresas envolvidas, posto que, em certa medida, pode aprimorar o nível de entendimento sobre os antecedentes que exercem influência sobre o comportamento de usuários em relação à intenção de uso e ao uso efetivo. Entre os antecedentes, os resultados referentes ao “hábito” indicam que esse construto deve continuar sendo trabalhado, tanto junto aos usuários quanto instigado em não usuários, para que possa haver a manutenção e/ou aumento da base de clientes. Uma literatura gerencial interessante nesse sentido é a de Eyal (2014), que propõe um modelo que potencializa a criação de hábitos de uso de aplicativos de smartphones. Outro construto, a “expectativa de desempenho”, aponta aos gestores e desenvolvedores que o modelo de negócio tem valor percebido pelos usuários, validando assim o modelo atual. As “condições facilitadoras” e a “inovatividade” indicam que é necessário que a pessoa possua um certo nível de habilidades tecnológicas para se tornar um usuário desse tipo de aplicativo, o que sugere que seja intensificada a transmissão de informações e os treinamentos a não usuários, de modo a acelerar a chegada de novos clientes. A “expectativa de esforço”, por sua vez, mostra que a sensação de segurança em utilizar os aplicativos é um antecedente importante da intenção de uso, que reforça a necessidade de se garantir experiências positivas dos usuários com as plataformas. A ciência de dados e experimentos junto aos usuários pode ser uma fonte de informação que auxilie nessa finalidade.

A “conveniência” é um construto que destaca alguns atributos que devem continuar sendo gerenciados, como usabilidade, agilidade de entrega, mix de restaurantes, promoções, cobertura e suporte. Na mesma linha, é importante também continuar fomentando a boa percepção das variáveis referentes ao “valor do preço”, utilizando como referência as taxas cobradas pelos concorrentes e o valor monetário dos serviços substitutos, que são as bases principais usadas pelos usuários para formar a percepção desse custo-benefício. Essa consideração sobre o preço reforça a necessidade em se monitorar a movimentação desses players constantemente.

5.1 Limitações e sugestões para pesquisas futuras

Embora esta pesquisa tenha apresentado insights relevantes sobre os aplicativos de entrega de alimentos e validado o modelo UTAUT2 para avaliar esse tipo de serviço, ela também contém algumas limitações. Primeiro, os dados foram obtidos por meio de uma amostra por conveniência de usuário de apenas um contexto socioeconômico, o Brasil, o que, por sua vez, pode refletir negativamente na generalização dos resultados em outros países. Assim, sugere-se que o modelo proposto nesta pesquisa seja explorado por estudos futuros em outros contextos.

Outra limitação desta pesquisa é que, apesar de o construto “intenção de uso” do serviço das plataformas de delivery para restaurantes ser explicado em grande parte (R² = 64,9%) pelas variáveis exógenas, o comportamento de uso do serviço das plataformas de delivery para restaurantes é explicado moderadamente (R² = 29,7%) do ponto de vista teórico conceitual. Assim, torna-se pertinente continuar as investigações, de forma a identificar quais outras variáveis podem ser acrescentadas ao modelo atual, a fim de melhorar sua explicação, devendo-se certamente manter cuidado com sua parcimônia.

Como sugestão de pesquisas futuras, na medida em que a natureza deste estudo é transversal, sugere-se um estudo longitudinal para descobrir como os clientes adaptam sua experiência, percepção e satisfação ao longo do tempo com esses aplicativos. Sugere-se ainda: (i) que a influência que uma promoção tem no comportamento dos consumidores deve ser um constructo mais bem explorado em estudos futuros; (ii) que a intenção em continuar usando esses aplicativos também seja monitorada; e (iii) que sejam investigados quais são os principais gatilhos e gratificações relacionados com a lealdade às marcas específicas de aplicativos de delivery de alimentos.

References

• Agarwal, R., & Prasad, J. (1998). A Conceptual and operational definition of personal innovativeness in the domain of information technology. Information Systems Research, 9(2), 101-215. doi:10.1287/isre.9.2.204
  » https://doi.org/10.1287/isre.9.2.204
• Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211. doi: 10.1016/0749-5978(91)90020-T
  » https://doi.org/10.1016/0749-5978(91)90020-T
• Alagoz, S. M., & Hekimoglu, H. (2012). A study on TAM: Analysis of customer attitudes in online food ordering system. Procedia - Social and Behavioral Sciences, 62, 1138-1143. doi: 10.1016/j.sbspro.2012.09.195
  » https://doi.org/10.1016/j.sbspro.2012.09.195
• Alalwan, A. A. (2020). Mobile food ordering apps: An empirical study of the factors affecting customer e-satisfaction and continued intention to reuse. International Journal of Information Management, 50, 28-44. doi:10.1016/j.ijinfomgt.2019.04.008
  » https://doi.org/10.1016/j.ijinfomgt.2019.04.008
• Alalwan, A. A., Dwivedi, Y. K., & Rana, N. P. (2017). Factors influencing adoption of mobile banking by Jordanian bank customers: Extending UTAUT2 with trust. International Journal of Information Management, 37(3), 99-110. doi: 10.1016/j.ijinfomgt.2017.01.002
  » https://doi.org/10.1016/j.ijinfomgt.2017.01.002
• Alalwan, A. A., Dwivedi, Y. K., Rana, N. P., & Algharabat, R. (2018). Examining factors influencing Jordanian customers’ intentions and adoption of internet banking: Extending UTAUT2 with risk. Journal of Retailing and Consumer Services, 40, 125-138. doi: 10.1016/j.jretconser.2017.08.026
  » https://doi.org/10.1016/j.jretconser.2017.08.026
• Alvesson, M., & Kärreman, D. (2007). Constructing mystery: Empirical matters in theory development. Academy of Management Review, 32(4), 1265-1281. doi: 10.5465/amr.2007.26586822
  » https://doi.org/10.5465/amr.2007.26586822
• Bagozzi, R. (2007). The legacy of the technology acceptance model and a proposal for a paradigm shift. Journal of the Association for Information Systems, 8(4), 244-254. doi: 10.17705/1jais.00122
  » https://doi.org/10.17705/1jais.00122
• Balasubramanian, K., & Dean, A. B. (2015). Customer acceptance and use of smart phone apps (SPA) as a marketing mix tool for the restaurants: A proposed framework. International Journal of Managerial Studies and Research (IJMSR), 3(5), 106-114.
• Balasubramanian, S., Peterson, R. A., & Jarvenpaa, S. L. (2002). Exploring the implications of M-commerce for markets and marketing. Journal of the Academy of Marketing Science, 30(4), 348-361. doi:10.1177/009207002236910
  » https://doi.org/10.1177/009207002236910
• Berry, L. L., Seiders, K., & Grewal, D. (2002). Understanding service convenience. Journal of Marketing, 66(3), 1-17. doi:10.1509/jmkg.66.3.1.18505
  » https://doi.org/10.1509/jmkg.66.3.1.18505
• Bharati, V. J., & Srikanth, R. (2018). Modified UTAUT2 model for m-learning among students in India. International Journal of Learning and Change, 10(1), 5. doi: 10.1504/IJLC.2018.089532
  » https://doi.org/10.1504/IJLC.2018.089532
• Bido, D. de S., & Silva, D. da (2019). SmartPLS 3: Especificação, estimação, avaliação e relato. Administração: Ensino e Pesquisa, 20(2), 545-550. doi: 10.13058/raep. 2019.v20n2.1545
  » https://doi.org/10.13058/raep. 2019.v20n2.1545
• Brown, S. A., & Venkatesh, V. (2005). Model of adoption of technology in households: A baseline model test and extension incorporating household life cycle. MIS Quarterly, 29(3), 399-426. doi: 10.2307/25148690
  » https://doi.org/10.2307/25148690
• Cardozo, E. A. A., Zanquetto, H., Fº., & Oliveira, M. P. V. de (2019). Proposal of a data collection instrument to assess the maturity level of both processes and organizational structure. Revista Gestão Da Produção Operações e Sistemas, 14(2), 186-209. doi: 10.15675/gepros.v14i2.2226
  » https://doi.org/10.15675/gepros.v14i2.2226
• Chin, W. W. (1998). Issues and opinion on structural equation modeling. MIS Quarterly, 22(1), 1-10.
• Chin, W. W., Marcolin, B. L., & Newsted, P. R. (2003). A partial least squares latent variable modeling approach for measuring interaction effects: Results from a Monte Carlo simulation study and an electronic-mail emotion/adoption study. Information Systems Research, 14(2), 189-217.
• Cho, M., Bonn, M. A., & Li, J. (2019). Differences in perceptions about food delivery apps between single-person and multi-person households. International Journal of Hospitality Management, 77, 108-116. doi:10.1016/j.ijhm.2018.06.019
  » https://doi.org/10.1016/j.ijhm.2018.06.019
• Chou, C.-H., Chiu, C.-H., Ho, C.-Y., & Lee, J.-C. (2013, Jun). Understanding mobile apps continuance usage behavior and habit: An expectance-confirmation theory. Proceedings Pacific Asia Conference on Information Systems, Pacific Asia, 132. Retrieved from https://pdfs.semanticscholar.org/061c/3574178342e485b136a5d9939a8d2596c4b9.pdf
  » https://pdfs.semanticscholar.org/061c/3574178342e485b136a5d9939a8d2596c4b9.pdf
• Christino, J. M. M., Silva, T. S., Cardozo, E. A. A., Carrieri, A. de P., & Nunes, P. de P., (2019). Understanding affiliation to cashback programs: An emerging technique in an emerging country. Journal of Retailing and Consumer Services, 47, 78-86. doi:10.1016/j.jretconser.2018.10.009
  » https://doi.org/10.1016/j.jretconser.2018.10.009
• Christino, J. M. M., Silva, T. S., Cardozo, E. A. A., & Lopes, A. G. R. (2018). Adoção de plataformas on-line de hospedagem compartilhada: Um estudo do comportamento de uso do Airbnb. Turismo Visão e Ação, 21(1), 165-185. doi.:10.14210/rtva. v21n1.p165-185
  » https://doi.org/10.14210/rtva. v21n1.p165-185
• Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2013). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed). New York: Routledge.
• Criteo (2018). Análise do E-commerce no Mundo 2018. Retrieved from: https://www.criteo.com/wp-content/uploads/2018/05/Criteo-2018-GCR-Q1-Report-Brazil-BR.pdf
  » https://www.criteo.com/wp-content/uploads/2018/05/Criteo-2018-GCR-Q1-Report-Brazil-BR.pdf
• Davis, F. D. (1985). A Technology acceptance model for empirically testing new end-user information systems (PhD Thesis in Mangement). Massachusetts Institute of Technology, Sloan School of Management, Massachusetts. Retrieved from: https://www.researchgate.net/publication/35465050_A_Technology_Acceptance_Model_for_Empirically_Testing_New_End-User_Information_Systems
  » https://www.researchgate.net/publication/35465050_A_Technology_Acceptance_Model_for_Empirically_Testing_New_End-User_Information_Systems
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. doi: 10.2307/249008
  » https://doi.org/10.2307/249008
• Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: A comparison of two theoretical models. Management Science, 35(8), 982-1003. doi:10.1287/mnsc.35.8.982
  » https://doi.org/10.1287/mnsc.35.8.982
• Dwivedi, Y. K., Shareef, M. A., Simintiras, A. C., Lal, B., & Weerakkody, V. (2016). A generalised adoption model for services: A cross-country comparison of mobile health (m-health). Government Information Quarterly, 33(1), 174-187. doi:10.1016/j.giq.2015.06.003
  » https://doi.org/10.1016/j.giq.2015.06.003
• El-Masri, M., & Tarhini, A. (2017). Factors affecting the adoption of e-learning systems in Qatar and USA: Extending the unified theory of acceptance and use of technology 2 (UTAUT2). Educational Technology Research and Development, 65(3), 743-763. doi:10.1007/s11423-016-9508-8
  » https://doi.org/10.1007/s11423-016-9508-8
• Eyal, N. (2014). Hooked: How to build habit-forming products. New York: Portfolio/Penguin.
• Feng, L. (2017). Brand choice of Chinese consumers to adopt digital payment platform in Thailand focusing on Alipay, WeChat Pay, and Union Pay (Thesis M.B.A.). Graduate School, Bangkok University. Retrieved from: http://dspace.bu.ac.th/bitstream/123456789/2797/1/Longhui.Feng.pdf
  » http://dspace.bu.ac.th/bitstream/123456789/2797/1/Longhui.Feng.pdf
• Fishbein, M., & Ajzen, I. (1975). Belief, attitude, intention, and behavior: An introduction to theory and research. Reading, Mass.: Addison-Wesley Pub.
• Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. doi:10.2307/3151312
  » https://doi.org/10.2307/3151312
• Hackleman, E. C., & Duker, J. M. (1980). Deal proneness and heavy usage: Merging two market segmentation criteria. Journal of the Academy of Marketing Science, 8(4), 332-344. doi:10.1007/BF02721930
  » https://doi.org/10.1007/BF02721930
• Hair, J. F. Jr., Black, W. C., Babin, B. J., Anderson, R. E., & Tatham, R. L. (2009). Análise multivariada de dados (6a ed.). Porto Alegre: Bookman.
• Hair, J. F. Jr., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on partial least squares structural equation modeling (PLS-SEM) (2nd ed.) Los Angeles: Sage. Retrieved from: https://books.google.com.br/books?id=JDWmCwAAQBAJ
  » https://books.google.com.br/books?id=JDWmCwAAQBAJ
• Hair, J. F. Jr., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced issues in partial least squares structural equation modeling. California: SAGE Publications Ltd.
• Henseler, J., Dijkstra, T. K., Sarstedt, M., Ringle, C. M., Diamantopoulos, A., Straub, D. W., … Calantone, R. J. (2014). Common beliefs and reality about PLS. Organizational Research Methods, 17(2), 182-209. doi:10.1177/1094428114526928
  » https://doi.org/10.1177/1094428114526928
• Henseler, J., Hubona, G., & Ray, P. A. (2016). Using PLS path modeling in new technology research: Updated guidelines. Industrial Management & Data Systems, 116(1), 2-20. doi:10.1108/IMDS-09-2015-0382
  » https://doi.org/10.1108/IMDS-09-2015-0382
• Henseler, J., Ringle, C. M., & 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. doi:10.1007/s11747-014-0403-8
  » https://doi.org/10.1007/s11747-014-0403-8
• Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. Advances in International Marketing, 20, 277-319. doi:10.1108/S1474-7979(2009)0000020014
  » https://doi.org/10.1108/S1474-7979(2009)0000020014
• Hill, R. J., Fishbein, M., & Ajzen, I. (1977). Belief, attitude, intention and behavior: An introduction to theory and research. Contemporary Sociology, 6(2), 244-245. doi:10.2307/2065853
  » https://doi.org/10.2307/2065853
• Jiang, L. A., Yang, Z., & Jun, M. (2013). Measuring consumer perceptions of online shopping convenience. Journal of Service Management, 24(2), 191-214. doi:10.1108/09564231311323962
  » https://doi.org/10.1108/09564231311323962
• Joo, Y. J., Joung, S., Shin, E. K., Lim, E., & Choi, M. (2014). Factors influencing actual use of mobile learning connected with E-Learning. Computer Science & Information Technology, 4, 169-176. doi:10.5121/csit.2014.41116
  » https://doi.org/10.5121/csit.2014.41116
• Kalish, S. (1985). A new product adoption model with price, advertising, and uncertainty. Management Science, 31(12), 1569-1585. doi:10.1287/mnsc.31.12.1569
  » https://doi.org/10.1287/mnsc.31.12.1569
• Kessler, S. K., & Martin, M. (2017). How do potential users perceive the adoption of new technologies within the field of Artificial Intelligence and Internet-of-Things? A revision of the UTAUT 2 model using Voice Assistants. (Master’s Degree). Lund University, Lund, Sweden. Retrieved from http://lup.lub.lu.se/luur/download?func=downloadFile&recordOId=8909840&fileOId=8909844
  » http://lup.lub.lu.se/luur/download?func=downloadFile&recordOId=8909840&fileOId=8909844
• Kiat, Y. C., Samadi, B., & Hakimian, H. (2017). Consumer behaviour towards acceptance of mobile marketing. International Journal of Business and Social Science, 8(4), 92-105. Retrieved from: https://www.ijbssnet.com/journals/Vol_8_No_4_April_2017/10.pdf
  » https://www.ijbssnet.com/journals/Vol_8_No_4_April_2017/10.pdf
• Kline, R. B. (2015). Principles and practice of structural equation modeling. analysis (2nd ed). New York: Guilford Press.
• Kranthi, A. K., & Ahmed, K. A. A. (2018). Determinants of smartwatch adoption among IT professionals - An extended UTAUT2 model for smartwatch enterprise. International Journal of Enterprise Network Management, 9(3/4), 294-316. doi:10.1504/IJENM.2018.094669
  » https://doi.org/10.1504/IJENM.2018.094669
• Kułyk, P., & Michałowska, M. (2016). Consumer behaviour on the e-commerce market in the light of empirical research in Lubuskie voivodeship. Management, 20(1), 239-255. doi:10.1515/manment-2015-0037
  » https://doi.org/10.1515/manment-2015-0037
• Lee, E.-Y., Lee, S.-B., & Jeon, Y. J. J. (2017). Factors influencing the behavioral intention to use food delivery apps. Social Behavior and Personality An International Journal, 45(9), 1461-1474. doi: 10.2224/sbp.6185
  » https://doi.org/10.2224/sbp.6185
• Liao, C., Palvia, P., & Lin, H.-N. (2006). The roles of habit and web site quality in e-commerce. International Journal of Information Management, 26(6), 469-483. doi:10.1016/j.ijinfomgt.2006.09.001
  » https://doi.org/10.1016/j.ijinfomgt.2006.09.001
• Limayem, M., Khalifa, M., & Frini, A. (2000). What makes consumers buy from Internet? A longitudinal study of online shopping. IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans, 30(4), 421-432. doi:10.1109/3468.852436
  » https://doi.org/10.1109/3468.852436
• Lu, J., Yao, J. E., & Yu, C. (2005). Personal innovativeness, social influences and adoption of wireless internet services via mobile technology. The Journal of Strategic Information, 14(3), 245-268. doi: 10.1016/j.jsis.2005.07.003
  » https://doi.org/10.1016/j.jsis.2005.07.003
• Luna, I. R. de, Montoro-Ríos, F., Liébana-Cabanillas, F., & Luna, J. G. de. (2017). NFC technology acceptance for mobile payments : A Brazilian perspective. Revista Brasileira de Gestão de Negócios, 19(63), 82-103. doi: 10.7819/rbgn.v0i0.2315
  » https://doi.org/10.7819/rbgn.v0i0.2315
• Malhotra, N. K., Birks, D. F., & Nunan, D. (2017). Marketing research: An applied approach. (5th ed.). New York: Pearson.
• Martins, C., Oliveira, T., & Popovič, A. (2014). Understanding the Internet banking adoption: A unified theory of acceptance and use of technology and perceived risk application. International Journal of Information Management, 34(1), 1-13. doi:10.1016/j.ijinfomgt.2013.06.002
  » https://doi.org/10.1016/j.ijinfomgt.2013.06.002
• Martins, J. P. C., & Slongo, L. A. (2014). The digital music market: A study of Brazilian consumers’ behavior. Review of Business Management, 16(53), 638-657. doi: 10.7819/rbgn.v16i53.1487
  » https://doi.org/10.7819/rbgn.v16i53.1487
• Meuter, M. L., Bitner, M. J., Ostrom, A. L., & Brown, S. W (2005). Choosing among alternative service delivery modes: An investigation of customer trial of self-service technologies. Journal of Marketing, 69(2), 61-83. doi: 10.1509/jmkg.69.2.61.60759
  » https://doi.org/10.1509/jmkg.69.2.61.60759
• Morosan, C., & DeFranco, A. (2016). It’s about time: Revisiting UTAUT2 to examine consumers’ intentions to use NFC mobile payments in hotels. International Journal of Hospitality Management, 53, 17-29. doi:10.1016/j.ijhm.2015.11.003
  » https://doi.org/10.1016/j.ijhm.2015.11.003
• Moura, A. C. de, Gosling, M. de S., Christino, J. M. M., & Macedo, S. B. (2017). Aceitação e uso da tecnologia para escolha de destinos turísticos por pessoas da terceira idade: um estudo usando a UTAUT2. Revista Brasileira de Pesquisa Em Turismo, 11(2), 239. doi:10.7784/rbtur.v11i2.1277
  » https://doi.org/10.7784/rbtur.v11i2.1277
• Navimipour, N. J., & Soltani, Z. (2016). The impact of cost, technology acceptance and employees’ satisfaction on the effectiveness of the electronic customer relationship management systems. Computers in Human Behavior, 55(Part.B), 1052-1066. doi:10.1016/j.chb.2015.10.036
  » https://doi.org/10.1016/j.chb.2015.10.036
• Oechslein, O., Fleischmann, M., & Hess, T. (2014, Jan). An application of UTAUT2 on social recommender systems: Incorporating social information for performance expectancy. 47th Hawaii International Conference on System Sciences, Waikoloa, HI. doi:10.1109/HICSS.2014.409
  » https://doi.org/10.1109/HICSS.2014.409
• Okumus, B., Ali, F., Bilgihan, A., & Ozturk, A. B. (2018). Psychological factors influencing customers ’ acceptance of smartphone diet apps when ordering food at restaurants. International Journal of Hospitality Management, 72, 67-77. doi: 10.1016/j.ijhm.2018.01.001
  » https://doi.org/10.1016/j.ijhm.2018.01.001
• Peng, D. X., & Lai, F. (2012). Using partial least squares in operations management research: A practical guideline and summary of past research. Journal of Operations Management, 30(6), 467-480. doi:10.1016/j.jom.2012.06.002
  » https://doi.org/10.1016/j.jom.2012.06.002
• Raja Mamat, T. N. A., Mat Saman, M. Z., Sharif, S., & Simic, V. (2016). Key success factors in establishing end-of-life vehicle management system: A primer for Malaysia. Journal of Cleaner Production, 135(1), 1289-1297. doi: 10.1016/j.jclepro.2016.06.183
  » https://doi.org/10.1016/j.jclepro.2016.06.183
• Ramayah, T., Rahman, S. A., & Ling, N. C. (2018). How do consumption values influence online purchase intention among school leavers in Malaysia? Review of Business Management, 20(4), 638-654. doi:10.7819/rbgn.v0i0.3139
  » https://doi.org/10.7819/rbgn.v0i0.3139
• Ray, A., Dhir, A., Bala, P. K., & Kaur, P. (2019). Why do people use food delivery apps (FDA)? A uses and gratification theory perspective. Journal of Retailing and Consumer Services, 51, 221-230. doi:10.1016/j.jretconser.2019.05.025
  » https://doi.org/10.1016/j.jretconser.2019.05.025
• Ribeiro, C. J. (2018). Technology at the table: An overview of food delivery apps (Dissertation). Universidade Católica Portuguesa, Porto, Portugal. Retrieved from: https://repositorio.ucp.pt/bitstream/10400.14/26991/1/Thesis_PDFA_CatarinaJardimRibeiro.pdf
  » https://repositorio.ucp.pt/bitstream/10400.14/26991/1/Thesis_PDFA_CatarinaJardimRibeiro.pdf
• Ringle, C. M., Silva, D. da, & Bido, D. de. S. (2014). Structural equation modeling with the Smartpls. Revista Brasileira de Marketing, 13(2), 56-73. doi:10.5585/remark.v13i2.2717
  » https://doi.org/10.5585/remark.v13i2.2717
• Rogers, E. M. (2003). Diffusion of innovations. (5th ed.). New York, NY: Free Press.
• Shaw, N., & Sergueeva, K. (2016, December). Convenient or useful? Consumer adoption of smartphones for mobile commerce. Proceedings of the Twenty-First DIGIT Workshop, Dublin, Ireland. Retrieved from https://pdfs.semanticscholar.org/bb82/9ff159aef1861ee7e9ce1531ef31aa6b4674.pdf?_ga=2.261340621.1597028477.1594765232-1935126685.1594765232
  » https://pdfs.semanticscholar.org/bb82/9ff159aef1861ee7e9ce1531ef31aa6b4674.pdf?_ga=2.261340621.1597028477.1594765232-1935126685.1594765232
• Silva, R. R. da. (2019). Estudo mostra que iFood é o aplicativo de entregas mais usado do Brasil. Retrieved from: https://canaltech.com.br/apps/estudo-mostra-que-ifood-e-o-aplicativo-de-entregas-mais-usado-do-brasil-142481/
  » https://canaltech.com.br/apps/estudo-mostra-que-ifood-e-o-aplicativo-de-entregas-mais-usado-do-brasil-142481
• Song, M., & Montoya-Weiss, M. M. (2001). The effect of perceived technological uncertainty on Japanese new product development. Academy of Management Journal, 44(1), 61-80. doi:10.2307/3069337
  » https://doi.org/10.2307/3069337
• Tak, P., & Panwar, S. (2017). Using UTAUT 2 model to predict mobile app based shopping: Evidences from India. Journal of Indian Business Research, 9(3), 248-264. doi: 10.1108/JIBR-11-2016-0132
  » https://doi.org/10.1108/JIBR-11-2016-0132
• Talukder, S., Sorwar, G., Bao, Y., Ahmed, J. U., & Palash, A. S. (2020). Predicting antecedents of wearable healthcare technology acceptance by elderly: A combined SEM-Neural network approach. Technological Forecasting & Social Change, 150, 119793. doi:10.1016/j.techfore.2019.119793
  » https://doi.org/10.1016/j.techfore.2019.119793
• Tortosa, V., Moliner, M. A., & Sánchez, J. (2009). Internal market orientation and its influence on organisational performance. European Journal of Marketing, 43(11/12), 1435-1456. doi:10.1108/03090560910989975
  » https://doi.org/10.1108/03090560910989975
• Venkatesh, V., Davis, F. D., & Morris, M. G. (2007). Dead or alive? The development, trajectory and future of technology adoption research. AIS Educator Journal, 8(4), 267-286. doi: 10.17705/1jais.00120
  » https://doi.org/10.17705/1jais.00120
• Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User Acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425. doi:10.2307/30036540
  » https://doi.org/10.2307/30036540
• Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer acceptance and user of information technology: Extending the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157-178. doi: 10.2307/41410412
  » https://doi.org/10.2307/41410412
• Webster, F. E. Jr. (1965). The “deal-prone” consumer. Journal of Marketing Research, 2(2), 186-189 doi: 10.2307/3149982.
  » https://doi.org/10.2307/3149982.
• Yeo, V. C. S., Goh, S.-K., & Rezaei, S. (2017). Consumer experiences, attitude and behavioral intention toward online food delivery (OFD) services. Journal of Retailing and Consumer Services, 35, 150-162. doi:10.1016/j.jretconser.2016.12.013
  » https://doi.org/10.1016/j.jretconser.2016.12.013

• Avaliado pelo sistema:

  Double Blind Review

• Agências de fomento:

  O presente trabalho foi realizado com apoio do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)

• Copyrights:

  RBGN detém os direitos autorais deste conteúdo publicado

• Análise de Plágio

  A RBGN realiza análise de plágio em todos os seus artigos no momento da submissão e após a aprovação do manuscrito por meio da ferramenta iThenticate.

Apêndice A Itens e fonte de mensuração

Construto Itens Fonte Expectativa de performance EP1 Acho útil usar aplicativos de delivery para restaurantes. Venkatesh et al. (2012) EP2 Usar aplicativos de delivery para restaurantes aumenta minhas opções de escolha. EP3 Usar aplicativos de delivery para restaurantes me permite comer o que gosto com maior facilidade. *EP4 Usar aplicativos de delivery para restaurantes me permite maior agilidade na escolha de refeições. Expectativa de esforço EE1 Aprender a usar aplicativos de delivery para restaurantes é fácil. Venkatesh et al. (2012) EE2 A interação com os aplicativos de delivery para restaurantes é simples e de fácil entendimento. EE3 Acho fácil usar aplicativos de delivery para restaurantes. EE4 É fácil para mim tornar-me habilidoso em usar aplicativos de delivery para restaurantes. Influência social IS1 Pessoas importantes para mim acham que eu devo usar aplicativos de delivery para restaurantes. Venkatesh et al. (2012) IS2 Pessoas com quem eu me relaciono acham que eu deveria usar aplicativos de delivery para restaurantes. IS3 Pessoas cujas opiniões eu valorizo preferem que eu use aplicativos de delivery para restaurantes. Condições facilitadoras *CF1 Tenho os recursos necessários (smartphone, acesso à internet, meios de pagamento) para usar aplicativos de delivery para restaurantes. Venkatesh et al. (2012) CF2 Tenho o conhecimento necessário para usar aplicativos de delivery para restaurantes. CF3 A maneira de usar os aplicativos de delivery para restaurantes é parecida com outras plataformas que eu uso no meu celular. *CF4 Posso obter ajuda de outras pessoas quando tenho dificuldades de usar os aplicativos de delivery para restaurantes. Motivações hedônicas MH1 Usar aplicativos de delivery para restaurantes é divertido. Venkatesh et al. (2012) MH2 Usar aplicativos de delivery para restaurantes é agradável. MH3 Usar aplicativos de delivery para restaurantes é muito interessante. Valor do preço VP1 Aplicativos de delivery para restaurantes possuem um preço do frete razoável. Venkatesh et al. (2012) VP2 O frete dos aplicativos de delivery para restaurantes tem um ótimo custo-benefício. VP3 Aos preços atuais praticados no frete, aplicativos de delivery para restaurantes oferecem um bom valor. Hábito HA1 O uso de aplicativos de delivery para restaurantes se tornou um hábito para mim. Venkatesh et al. (2012) HA2 Sou viciado em usar aplicativos de delivery para restaurantes. HA3 Tenho a necessidade de usar aplicativos de delivery para restaurantes. HA4 Usar aplicativos de delivery para restaurantes se tornou natural para mim. Intenção comportamental IC1 Pretendo continuar usando aplicativos de delivery para restaurantes no futuro. Venkatesh et al. (2012) IC2 Sempre vou tentar usar aplicativos de delivery para restaurantes quando quiser pedir comidas em casa. IC3 Planejo continuar usando aplicativos de delivery para restaurantes frequentemente. Suscetibilidade a ofertas SO1 Resgatar cupons e/ou aproveitar ofertas promocionais em aplicativos de delivery para restaurantes fazem que eu me sinta bem. Feng (2017) *SO2 Sou mais tendencioso a comprar ou me tornar cliente de aplicativos de delivery para restaurantes que oferecem promoções. SO3 À parte o dinheiro que economizo, resgatar cupons e aproveitar ofertas promocionais em aplicativos de delivery para restaurantes me deixa muito satisfeito(a). Inovatividade IN1 Se eu fico sabendo de uma nova tecnologia, procuro experimentá-la. Tak e Panwar (2017) IN2 Dentro do meu círculo social, eu geralmente sou o primeiro a experimentar novas tecnologias. IN3 Gosto de experimentar novas tecnologias. *IN4 No geral, sou hesitante em experimentar novas tecnologias. Conveniência CO1 Prefiro o aplicativo que marquei como favorito porque é o mais fácil de mexer. Especialistas CO2 Prefiro o aplicativo que marquei como favorito porque ele possui maior agilidade na entrega. *CO3 Prefiro o aplicativo que marquei como favorito porque é o único que tem meu(s) restaurante(s) preferido(s). CO4 Prefiro o aplicativo que marquei como favorito porque ele oferece as melhores promoções. *CO5 Prefiro o aplicativo que marquei como favorito porque o frete é mais barato. CO6 Prefiro o aplicativo que marquei como favorito porque tem a melhor área de cobertura. CO7 Orefiro o aplicativo que marquei como favorito porque oferece o melhor suporte ao cliente. Comportamento de uso USO Uma vez por mês (1). C. Martins et al. (2014) Uma vez por semana (2). Uma vez a cada período de 2 ou 3 dias (3). Todos os dias (4). Várias vezes ao dia (5). Nota. *O respectivo indicador foi excluído por não apresentar significância e relevância estatística.

Construto	Itens		Fonte
Expectativa de performance	EP1	Acho útil usar aplicativos de delivery para restaurantes.	Venkatesh et al. (2012)
	EP2	Usar aplicativos de delivery para restaurantes aumenta minhas opções de escolha.
	EP3	Usar aplicativos de delivery para restaurantes me permite comer o que gosto com maior facilidade.
	*EP4	Usar aplicativos de delivery para restaurantes me permite maior agilidade na escolha de refeições.
Expectativa de esforço	EE1	Aprender a usar aplicativos de delivery para restaurantes é fácil.	Venkatesh et al. (2012)
	EE2	A interação com os aplicativos de delivery para restaurantes é simples e de fácil entendimento.
	EE3	Acho fácil usar aplicativos de delivery para restaurantes.
	EE4	É fácil para mim tornar-me habilidoso em usar aplicativos de delivery para restaurantes.
Influência social	IS1	Pessoas importantes para mim acham que eu devo usar aplicativos de delivery para restaurantes.	Venkatesh et al. (2012)
	IS2	Pessoas com quem eu me relaciono acham que eu deveria usar aplicativos de delivery para restaurantes.
	IS3	Pessoas cujas opiniões eu valorizo preferem que eu use aplicativos de delivery para restaurantes.
Condições facilitadoras	*CF1	Tenho os recursos necessários (smartphone, acesso à internet, meios de pagamento) para usar aplicativos de delivery para restaurantes.	Venkatesh et al. (2012)
	CF2	Tenho o conhecimento necessário para usar aplicativos de delivery para restaurantes.
	CF3	A maneira de usar os aplicativos de delivery para restaurantes é parecida com outras plataformas que eu uso no meu celular.
	*CF4	Posso obter ajuda de outras pessoas quando tenho dificuldades de usar os aplicativos de delivery para restaurantes.
Motivações hedônicas	MH1	Usar aplicativos de delivery para restaurantes é divertido.	Venkatesh et al. (2012)
	MH2	Usar aplicativos de delivery para restaurantes é agradável.
	MH3	Usar aplicativos de delivery para restaurantes é muito interessante.
Valor do preço	VP1	Aplicativos de delivery para restaurantes possuem um preço do frete razoável.	Venkatesh et al. (2012)
	VP2	O frete dos aplicativos de delivery para restaurantes tem um ótimo custo-benefício.
	VP3	Aos preços atuais praticados no frete, aplicativos de delivery para restaurantes oferecem um bom valor.
Hábito	HA1	O uso de aplicativos de delivery para restaurantes se tornou um hábito para mim.	Venkatesh et al. (2012)
	HA2	Sou viciado em usar aplicativos de delivery para restaurantes.
	HA3	Tenho a necessidade de usar aplicativos de delivery para restaurantes.
	HA4	Usar aplicativos de delivery para restaurantes se tornou natural para mim.
Intenção comportamental	IC1	Pretendo continuar usando aplicativos de delivery para restaurantes no futuro.	Venkatesh et al. (2012)
	IC2	Sempre vou tentar usar aplicativos de delivery para restaurantes quando quiser pedir comidas em casa.
	IC3	Planejo continuar usando aplicativos de delivery para restaurantes frequentemente.
Suscetibilidade a ofertas	SO1	Resgatar cupons e/ou aproveitar ofertas promocionais em aplicativos de delivery para restaurantes fazem que eu me sinta bem.	Feng (2017)
	*SO2	Sou mais tendencioso a comprar ou me tornar cliente de aplicativos de delivery para restaurantes que oferecem promoções.
	SO3	À parte o dinheiro que economizo, resgatar cupons e aproveitar ofertas promocionais em aplicativos de delivery para restaurantes me deixa muito satisfeito(a).
Inovatividade	IN1	Se eu fico sabendo de uma nova tecnologia, procuro experimentá-la.	Tak e Panwar (2017)
	IN2	Dentro do meu círculo social, eu geralmente sou o primeiro a experimentar novas tecnologias.
	IN3	Gosto de experimentar novas tecnologias.
	*IN4	No geral, sou hesitante em experimentar novas tecnologias.
Conveniência	CO1	Prefiro o aplicativo que marquei como favorito porque é o mais fácil de mexer.	Especialistas
	CO2	Prefiro o aplicativo que marquei como favorito porque ele possui maior agilidade na entrega.
	*CO3	Prefiro o aplicativo que marquei como favorito porque é o único que tem meu(s) restaurante(s) preferido(s).
	CO4	Prefiro o aplicativo que marquei como favorito porque ele oferece as melhores promoções.
	*CO5	Prefiro o aplicativo que marquei como favorito porque o frete é mais barato.
	CO6	Prefiro o aplicativo que marquei como favorito porque tem a melhor área de cobertura.
	CO7	Orefiro o aplicativo que marquei como favorito porque oferece o melhor suporte ao cliente.
Comportamento de uso	USO	Uma vez por mês (1).	C. Martins et al. (2014)
		Uma vez por semana (2).
		Uma vez a cada período de 2 ou 3 dias (3).
		Todos os dias (4).
		Várias vezes ao dia (5).

• Nota. *O respectivo indicador foi excluído por não apresentar significância e relevância estatística.

Apêndice B Visão geral do comportamento de uso de plataformas de delivery para restaurantes

Variável N. % Variável N. % Gênero masculino Gênero feminino Uma vez por mês (1). 14 8,9% Uma vez por mês (1). 9 4,8% Uma vez por semana (2). 37 23,4% Uma vez por semana (2). 43 23,1% Uma vez a cada período de 2 ou 3 dias (3). 43 27,2% Uma vez a cada período de 2 ou 3 dias (3). 57 30,6% Todos os dias (4). 52 32,9% Todos os dias (4). 60 32,3% Várias vezes ao dia (5). 12 7,6% Várias vezes ao dia (5). 17 9,1% Faixa etária - 18 a 23 anos Faixa etária - 24 a 29 anos Uma vez por mês (1). 10 7,9% Uma vez por mês (1). 3 2,1% Uma vez por semana (2). 8 6,3% Uma vez por semana (2). 15 10,6% Uma vez a cada período de 2 ou 3 dias (3). 55 43,3% Uma vez a cada período de 2 ou 3 dias (3). 54 38,3% Todos os dias (4). 41 32,3% Todos os dias (4). 64 45,4% Várias vezes ao dia (5). 13 10,2% Várias vezes ao dia (5). 5 3,5% Faixa etária - 30 a 35 anos Faixa etária - 36 a 41 anos Uma vez por mês (1). 2 5,7% Uma vez por mês (1). 2 10,0% Uma vez por semana (2). 9 25,7% Uma vez por semana (2). 8 40,0% Uma vez a cada período de 2 ou 3 dias (3). 16 45,7% Uma vez a cada período de 2 ou 3 dias (3). 6 30,0% Todos os dias (4). 6 17,1% Todos os dias (4). 4 20,0% Várias vezes ao dia (5). 2 5,7% Várias vezes ao dia (5). 0 0,0% Faixa etária - 42 a 47 anos Faixa etária - 48 a 53 anos Uma vez por mês (1). 2 28,6% Uma vez por mês (1). 1 20,0% Uma vez por semana (2). 3 42,9% Uma vez por semana (2). 2 40,0% Uma vez a cada período de 2 ou 3 dias (3). 1 14,3% Uma vez a cada período de 2 ou 3 dias (3). 1 20,0% Todos os dias (4). 1 14,3% Todos os dias (4). 1 20,0% Várias vezes ao dia (5). 0 0,0% Várias vezes ao dia (5). 0 0,0% Faixa etária - 54 a 59 anos Faixa etária - > 60 anos Uma vez por mês (1). 2 28,6% Uma vez por mês (1). 1 50,0% Uma vez por semana (2). 3 42,9% Uma vez por semana (2). 1 50,0% Uma vez a cada período de 2 ou 3 dias (3). 2 28,6% Uma vez a cada período de 2 ou 3 dias (3). 0 0,0% Todos os dias (4). 0 0,0% Todos os dias (4). 0 0,0% Várias vezes ao dia (5). 0 0,0% Várias vezes ao dia (5). 0 0,0% Estado civil - Casado(a) Estado civil - Divorciado(a) Uma vez por mês (1). 2 3,3% Uma vez por mês (1). 1 14,3% Uma vez por semana (2). 13 21,3% Uma vez por semana (2). 2 28,6% Uma vez a cada período de 2 ou 3 dias (3). 19 31,1% Uma vez a cada período de 2 ou 3 dias (3). 3 42,9% Todos os dias (4). 25 41,0% Todos os dias (4). 1 14,3% Várias vezes ao dia (5). 2 3,3% Várias vezes ao dia (5). 0 0,0% Estado civil - Separado(a) Estado civil - Solteiro(a) Uma vez por mês (1). 0 0,0% Uma vez por mês (1). 18 6,6% Uma vez por semana (2). 0 0,0% Uma vez por semana (2). 107 39,2% Uma vez a cada período de 2 ou 3 dias (3). 2 100,0% Uma vez a cada período de 2 ou 3 dias (3). 61 22,3% Todos os dias (4). 0 0,0% Todos os dias (4). 48 17,6% Várias vezes ao dia (5). 0 0,0% Várias vezes ao dia (5). 29 10,6% Estado civil - Viúvo(a) Renda familiar - até R$ 1.874,00 Uma vez por mês (1). 1 100,0% Uma vez por mês (1). 2 7,1% Uma vez por semana (2). 0 0,0% Uma vez por semana (2). 6 21,4% Uma vez a cada período de 2 ou 3 dias (3). 0 0,0% Uma vez a cada período de 2 ou 3 dias (3). 15 53,6% Todos os dias (4). 0 0,0% Todos os dias (4). 3 10,7% Várias vezes ao dia (5). 0 0,0% Várias vezes ao dia (5). 2 7,1% Renda familiar - R$ 1.874,01 a R$ 3.748,00 Renda familiar - R$ 3.748,01 a R$ 9.370,00 Uma vez por mês (1). 2 3,6% Uma vez por mês (1). 15 11,5% Uma vez por semana (2). 11 20,0% Uma vez por semana (2). 11 8,5% Uma vez a cada período de 2 ou 3 dias (3). 16 29,1% Uma vez a cada período de 2 ou 3 dias (3). 58 44,6% Todos os dias (4). 20 36,4% Todos os dias (4). 43 33,1% Várias vezes ao dia (5). 6 10,9% Várias vezes ao dia (5). 3 2,3% Renda familiar - R$ 9.370,01 a R$ 18.740,00 Renda familiar - R$ 18.740,01 ou mais Uma vez por mês (1). 6 8,7% Uma vez por mês (1). 3 4,8% Uma vez por semana (2). 18 26,1% Uma vez por semana (2). 9 14,5% Uma vez a cada período de 2 ou 3 dias (3). 31 44,9% Uma vez a cada período de 2 ou 3 dias (3). 19 30,6% Todos os dias (4). 13 18,8% Todos os dias (4). 27 43,5% Várias vezes ao dia (5). 1 1,4% Várias vezes ao dia (5). 4 6,5%

Variável	N.	%	Variável	N.	%
Gênero masculino			Gênero feminino
Uma vez por mês (1).	14	8,9%	Uma vez por mês (1).	9	4,8%
Uma vez por semana (2).	37	23,4%	Uma vez por semana (2).	43	23,1%
Uma vez a cada período de 2 ou 3 dias (3).	43	27,2%	Uma vez a cada período de 2 ou 3 dias (3).	57	30,6%
Todos os dias (4).	52	32,9%	Todos os dias (4).	60	32,3%
Várias vezes ao dia (5).	12	7,6%	Várias vezes ao dia (5).	17	9,1%
Faixa etária - 18 a 23 anos			Faixa etária - 24 a 29 anos
Uma vez por mês (1).	10	7,9%	Uma vez por mês (1).	3	2,1%
Uma vez por semana (2).	8	6,3%	Uma vez por semana (2).	15	10,6%
Uma vez a cada período de 2 ou 3 dias (3).	55	43,3%	Uma vez a cada período de 2 ou 3 dias (3).	54	38,3%
Todos os dias (4).	41	32,3%	Todos os dias (4).	64	45,4%
Várias vezes ao dia (5).	13	10,2%	Várias vezes ao dia (5).	5	3,5%
Faixa etária - 30 a 35 anos			Faixa etária - 36 a 41 anos
Uma vez por mês (1).	2	5,7%	Uma vez por mês (1).	2	10,0%
Uma vez por semana (2).	9	25,7%	Uma vez por semana (2).	8	40,0%
Uma vez a cada período de 2 ou 3 dias (3).	16	45,7%	Uma vez a cada período de 2 ou 3 dias (3).	6	30,0%
Todos os dias (4).	6	17,1%	Todos os dias (4).	4	20,0%
Várias vezes ao dia (5).	2	5,7%	Várias vezes ao dia (5).	0	0,0%
Faixa etária - 42 a 47 anos			Faixa etária - 48 a 53 anos
Uma vez por mês (1).	2	28,6%	Uma vez por mês (1).	1	20,0%
Uma vez por semana (2).	3	42,9%	Uma vez por semana (2).	2	40,0%
Uma vez a cada período de 2 ou 3 dias (3).	1	14,3%	Uma vez a cada período de 2 ou 3 dias (3).	1	20,0%
Todos os dias (4).	1	14,3%	Todos os dias (4).	1	20,0%
Várias vezes ao dia (5).	0	0,0%	Várias vezes ao dia (5).	0	0,0%
Faixa etária - 54 a 59 anos			Faixa etária - > 60 anos
Uma vez por mês (1).	2	28,6%	Uma vez por mês (1).	1	50,0%
Uma vez por semana (2).	3	42,9%	Uma vez por semana (2).	1	50,0%
Uma vez a cada período de 2 ou 3 dias (3).	2	28,6%	Uma vez a cada período de 2 ou 3 dias (3).	0	0,0%
Todos os dias (4).	0	0,0%	Todos os dias (4).	0	0,0%
Várias vezes ao dia (5).	0	0,0%	Várias vezes ao dia (5).	0	0,0%
Estado civil - Casado(a)			Estado civil - Divorciado(a)
Uma vez por mês (1).	2	3,3%	Uma vez por mês (1).	1	14,3%
Uma vez por semana (2).	13	21,3%	Uma vez por semana (2).	2	28,6%
Uma vez a cada período de 2 ou 3 dias (3).	19	31,1%	Uma vez a cada período de 2 ou 3 dias (3).	3	42,9%
Todos os dias (4).	25	41,0%	Todos os dias (4).	1	14,3%
Várias vezes ao dia (5).	2	3,3%	Várias vezes ao dia (5).	0	0,0%
Estado civil - Separado(a)			Estado civil - Solteiro(a)
Uma vez por mês (1).	0	0,0%	Uma vez por mês (1).	18	6,6%
Uma vez por semana (2).	0	0,0%	Uma vez por semana (2).	107	39,2%
Uma vez a cada período de 2 ou 3 dias (3).	2	100,0%	Uma vez a cada período de 2 ou 3 dias (3).	61	22,3%
Todos os dias (4).	0	0,0%	Todos os dias (4).	48	17,6%
Várias vezes ao dia (5).	0	0,0%	Várias vezes ao dia (5).	29	10,6%
Estado civil - Viúvo(a)			Renda familiar - até R$ 1.874,00
Uma vez por mês (1).	1	100,0%	Uma vez por mês (1).	2	7,1%
Uma vez por semana (2).	0	0,0%	Uma vez por semana (2).	6	21,4%
Uma vez a cada período de 2 ou 3 dias (3).	0	0,0%	Uma vez a cada período de 2 ou 3 dias (3).	15	53,6%
Todos os dias (4).	0	0,0%	Todos os dias (4).	3	10,7%
Várias vezes ao dia (5).	0	0,0%	Várias vezes ao dia (5).	2	7,1%
Renda familiar - R$ 1.874,01 a R$ 3.748,00			Renda familiar - R$ 3.748,01 a R$ 9.370,00
Uma vez por mês (1).	2	3,6%	Uma vez por mês (1).	15	11,5%
Uma vez por semana (2).	11	20,0%	Uma vez por semana (2).	11	8,5%
Uma vez a cada período de 2 ou 3 dias (3).	16	29,1%	Uma vez a cada período de 2 ou 3 dias (3).	58	44,6%
Todos os dias (4).	20	36,4%	Todos os dias (4).	43	33,1%
Várias vezes ao dia (5).	6	10,9%	Várias vezes ao dia (5).	3	2,3%
Renda familiar - R$ 9.370,01 a R$ 18.740,00			Renda familiar - R$ 18.740,01 ou mais
Uma vez por mês (1).	6	8,7%	Uma vez por mês (1).	3	4,8%
Uma vez por semana (2).	18	26,1%	Uma vez por semana (2).	9	14,5%
Uma vez a cada período de 2 ou 3 dias (3).	31	44,9%	Uma vez a cada período de 2 ou 3 dias (3).	19	30,6%
Todos os dias (4).	13	18,8%	Todos os dias (4).	27	43,5%
Várias vezes ao dia (5).	1	1,4%	Várias vezes ao dia (5).	4	6,5%

Editor responsável:

Prof. Dr. Sebastián Mollino

Datas de Publicação

• Publicação nesta coleção
  26 Abr 2021
• Data do Fascículo
  Jan-Mar 2021

Histórico

• Recebido
  31 Jul 2019
• Aceito
  07 Jul 2020