E-commerce diffusion: exploring the determinants of the adoption and extent of usage at firm-level

E-commerce diffusion: exploring the determinants of the adoption and extent of usage at firm-level

In the last years great attention has been paid to understand the factors driving ICT diffusion at firm-level. However, most studies have focused on the analysis of the adoption of the new technology and there is no much evidence on the intensity of use of ICT by firms. Within, this context this paper attempts to throw some light on such issue by presenting a joint-analysis of the adoption and extent of usage of e-commerce among Luxembourgish firms. In particular, the two sides of e-commerce are analyzed: e- purchasing and e-selling. Results show that competitive pressures together with absorptive capacity and infrastructure are the main drivers of adoption. Regarding intensity, human capital and the type of competition faced by firms are key determinants. Additionally, there is some evidence that the Internet helps to overcome distance barriers only to a certain extent. Keywords: e-commerce, Information and Communication Technologies (ICT), technology diffusion, Internet

Economie et Statistiques Working papers du STATEC N° 57 février 2012

E-commerce diffusion: exploring the determinants of the adoption and extent of usage at firm-level



Ces dernières années les déterminants de la diffusion des TIC au niveau de l’entreprise ont fait l’objet d’une grande attention des études économétriques. Cependant, la plupart des études se sont limitées à l’analyse de l’adoption des nouvelles technologies et on recense peu d’études sur l’intensité de l’utilisation des TIC par les entreprises. Dans ce contexte, la présente étude propose une analyse jointe de l’adoption et de l’ampleur de l’utilisation du commerce électronique par les entreprises au Luxembourg. Par ailleurs, étant données leurs natures différentes, nous étudierons distinctement les achats en ligne et les ventes en ligne. Les résultats montrent que les pressions concurrentielles en collaboration avec la capacité d’absorption et les infrastructures TIC présentent dans les entreprises sont les principaux moteurs de l’adoption. En ce qui concerne l’intensité, le capital humain et le type de concurrence rencontré par les entreprises sont des facteurs déterminants. En outre, l’étude montre qu’Internet aide à surmonter les obstacles liés à la distance mais seulement dans une certaine mesure.




The  growing  use  of  e‐commerce, which  can be defined as the sale or purchase of  goods  or  services  conducted  over  the  Internet1 (OECD, 2009a), has become one  of  the most  important  economic  trends  of  the  last  years.  In  particular,  e‐ commerce has provided both consumers  and  businesses with  a  powerful  tool  to  face  the  restrictions  posed  by  the  economic crisis.

On  the  one  hand, many  consumers  are  using  the  Internet  in  order  to  cut  down  their  expenditures  (OECD,  2009b).  According  to  Frontier  Economics,  consumers can get savings of even a 17%  by  buying  products  such  as  electronics,  computers and clothes online  (European  Commission,  2009). On  the  other  hand,  e‐commerce has allowed firms to expand  their markets and generate new business  opportunities.

Aware of the importance of e‐commerce,  the new digital agenda  for the European  Union  has  set  some  strategic  targets  in  this  field:  by  2015,  50%  of  European  citizens  should be buying online, 20% of  them  will  carry  out  cross‐border  online  transactions,  and  33%  of  small‐and‐ medium  enterprises  should  be  buying/selling  online  (European  Commission,  2010).  In  order  to  achieve  such  goals,  it  becomes  crucial  to  understand the process of diffusion of e‐ commerce.

A proper assessment of the spread of any  new  technology  requires  paying                                                               1 This corresponds to the narrow to OECD  “narrow” definition on e‐commerce.  The  “broad” definition considers transactions  conducted over computer‐mediated networks.

attention  to  two main  elements:  firstly,  to the adoption of the new technology by  firms,  and,  secondly,  to  the  intensity  or  sophistication  of  its  usage. Nonetheless,  data  limitations have  lead most research  to  focus  on  adoption  (Baptista,  1999;  Hall,  2004),  while  literature  on  technological  intensity  is  much  smaller  (Fuentelsaz  et  al.,  2003;  Battisti  and  Stoneman, 2005; Battisti and Iona, 2009).  In  fact,  few  studies  analyze  jointly  adoption  and  intensity  (Battisti  et  al.,  2004,  2007,  2009;  Hollenstein  and  Woerter,  2008),  showing  evidence  for  Swiss and British firms.

In this context, the aim of this paper is to  contribute  to  this  latter  stream  of  the  literature by analyzing the factors driving  both  the  adoption  of  e‐commerce  and  the extent of its usage across a sample of  Luxembourgish  firms.  Next  sections  describe  the  data  and  the  conceptual  framework. Then, we present the models  and  the  specification of variables. These  are followed by the analysis of the results  and some concluding remarks.


The data used in this study is the result of  merging  the  two  following datasets:  the  2007  Survey  on  Information  and  Communication Technologies (ICT) Usage  and e‐Commerce  in Enterprises2 and  the  2006 Community Innovation Survey, both  for  the  case  of  Luxembourg  (STATEC,  2006,  2007).  While  the  former  dataset  contains  information about  ICT adoption  and use,  the  later  focuses on  innovation  (as  defined  in  the Oslo Manual)  and,  in

2 Firms from financial sector  are not concerned  by  the  e‐commerce  part  of  the  survey  and,  hence, do not appear in the analysis



particular,  it  includes  valuable  data  on  the  type  of  competition  faced  by  firms,  which  is  a  key  factor  to  explain  technological  diffusion  as  indicated  by  Porter  (1990).  The merge  of  these  two

datasets  covers  firms  with  at  least  10  employees  in  manufacturing  and  services,  except  for  financial  activities.  This  leads  to  a  sample  size of 300  firms  (1,091 firms if weighted).

Table  1a. Adoption  of  e‐commerce  (order  and  selling  via  Internet)  by  sector  and  size  class among Luxembourgish firms. Year 2006

Order  %

Sell  %

Order  %

Sell  %

NACE      Size      Industry 27.2  11.9  10‐49  39.4  15.2  Trade 32.4  20.8  50‐249  35.0  16.3  Business services 74.2  11.7  250 and more  62.1  42.3  Total  39.4  16.5    39.4  16.5  Note:  Intensity  refers  to  the  percentage  of  Internet  orders/sales  in  relation  to  the  total  firm’s  purchases/sales. These rates only take into account those firms engaged in buying/selling online.   Source: Own using data from STATEC (2007).      Table  1a  and  1b  show  some  figures  on  the  use  and  intensity  rates  of  e‐ commerce  (ordering/selling  via  the  Internet)  among  Luxembourgish  firms.  The  first  thing  to  notice  is  that  e‐ commerce  is still not a common practice  for  firms,  especially  in  what  regards selling online: only 16.5% of firms  sell  online  compared  to  39.4%  buying  online. By  firm  size,  the  highest  percentages of e‐commerce adoption are  found  for  large  firms  (250 employees or  more).  Nonetheless,  the  percentage  of  small  firms  (39.4%)  buying  online  is

higher than that related to medium‐sized  ones (35%). By industry, business services  and  trade present  the highest  figures of  firms  buying  and  selling  online,  respectively.

Regarding  intensity,  the  general  picture  shows  that  the differences between  the  two  types  of  e‐commerce  tend  to  disappear. Among those firms involved in  e‐commerce,  Internet  orders/sales  represent a low percentage of their total  purchases/sales.  For  30%  (respectively  25%)  of  firms  involved  on  e‐purchasing  (resp. e‐selling) the turnover extract from  this technology represent less than 1%.

Table 1b. Intensity rates of e‐commerce (order and selling via Internet)  among firms in Luxembourg. (2006)

Order  %

Sell  %

≥1%  69.6  74.7  ≥2% 62.2  65.8  ≥5% 46.9  50.7  ≥10% 31.4  25.6  ≥50%  8.3  13.3  Source: Own using data from STATEC (2007).



Table 2  reveals  the main barriers  to use  e‐commerce  as  identified  by  firms.  Hence,  the  greatest  obstacles  to  order  via  Internet  are  related  to  both  legal  uncertainties  (contracts,  terms  of  delivery  and  guarantees)  and  an  insufficient  supply of goods and  services  online. In the case of those firms already  buying  online,  legal  matters  are  their

major  concern.  For  selling  online,  firms  identify  two main problems: on  the one  hand,  their  products  may  not  be  adequate  to  be  sold  online;  and  on  the  other hand,  their  clients do not want  to  use e‐commerce.


Table 2. Barriers to e‐commerce (order and selling via Internet) among firms in  Luxembourg. Year 2006

Barriers to buy online   Full sample

Only firms  involved in  e‐buying

Some providers have abandoned online selling  10.9%  16.4%  The supply of goods and services online is too small  27.3%  25.8%  Payment security is not guaranteed  22.5%  27.2%  Uncertainty about the legal context of e‐commerce   27.7%  36.6%

Barriers to sell online  Full sample

Only firms  involved in  e‐selling

You have decreased your offer of products sold on the Internet  5.4%  4.0%  You encounter logistical problems  12.5%  12.1%  Payment security is not guaranteed  20.8%  18.9%  Some customers made orders online, but abandoned this system  6.2%  23.8%  Uncertainty about the legal context of e‐commerce  19.8%  28.6%  Your goods and services may not be sold online  61.9%  33.4%  Some clients do not wish to use e‐commerce  41.6%  71.5%  Source: Own using data from STATEC (2007)      3. CONCEPTUAL FRAMEWORK

Diffusion  is  generally  defined  as  the  process by which  innovations  spread over  the  economy  (OECD  and  Eurostat,  2005).  Understanding  the  reasons  that  lead  firms  to  adopt  innovations  (either  new  technologies,  products  or  processes)  has  become  one  of  the  major  issues  for  economists  since  the  seminal  work  of  Griliches (1957).

The basic approach to analyze diffusion are  epidemic models which state that diffusion

is  the  result  of  the  spread  of  information  over  time  from  the  users  of  the  new  technology to the non‐users. The essential  ideas  in these models are, then, that firms  learn about the new technology from those  which are already users and do not get that  information  at  the  same  time.  Such  assumptions  lead  to  a  path  of  diffusion  similar  to  an  S‐curve.  At  first,  when  the  technology  shows up  in  the market,  some  firms  will  start  using  it  and  will  transmit  their  experience  to  other  firms,  which  in  turn might become users as well. As more  and more  firms  use  the  new  technology,



the  spread of  information accelerates and  the  diffusion  speeds  up.  Ultimately  the  market will  reach  its  saturation point, and  the diffusion rate will decrease  (Karshenas  and  Stoneman,  1995;  Baptista,  1999;  Geroski, 2000).

An  alternative  to  the  epidemic  approach  are  those  models  that  put  emphasis  on  diffusion  as  the  result  of  firms’  decision‐ making  process  on whether  to  adopt  the  new  technology  and  the  intensity  of  the  usage.  These models  hence  focus  on  the  factors  that determine  the benefits a  firm  can  get  from  the  new  technology.  There  are three  leading models  in this approach.  Rank models (also known as probit models)  consider  that  the  benefits  derived  from  technology  adoption  and  use  depend  on  firm major characteristics  (size, workforce’  skills,  whether  the  firm  carries  out  innovation  activities,  among  other  features)  (Karshenas and Stoneman, 1995;  Geroski,  2000).  Then,  stock  and  order‐ effects consider that the benefits from the  new technology depend on the number of  previous  adopters  and  on  the  order  of  adoption,  respectively.  Hence,  the  more  number  of  firms  already  using  the  technology  and  the  later  adoption  takes  place, the lower the benefits a firm can get.  The underlying assumption in these models  is that, despite the uncertainty  involved  in  new  technologies,  there  are  first‐mover  advantages  (Karshenas  and  Stoneman,  1995).

Although  these  four  approaches  could  be  specified  separately,  several  authors  have  integrated  them  into  the  same  model  in  order  to  better  understand  the  diffusion  process  of  a  new  technology  (Karshenas  and  Stoneman,  1995; Battisti  et  al.,  2004,  2007,  2009;  Hollenstein  and  Woerter,  2008).  Such  integrated model will  be  the  approach used in this paper.


The modelization of  the adoption and  the  extent  of  usage  of  e‐commerce  among  Luxembourgish  firms  requires  two  equations.  In  the  first  equation,  the  dependent variable is a dummy one related  to whether a  firm  is using e‐commerce or  not;  hence,  the  estimation  of  a  probit  model will be appropriate.

Assume that e‐commerce adoption is  determined by an unobserved latent  variable S*, where S*=Z’γ+e (1),

only S  is observed, which equals 1  if S*>0,  implying  that  a  firm  chooses  to  adopt  e‐ commerce; and S equals zero otherwise. Z  is  the  vector  of  explanatory  variables  reflecting  rank,  epidemic,  stock  and  order  effects, and e  is  the error  term. Assuming  that e  is normally distributed, the data are  described by the following probit model3:

Prob(S=1)=φ(Z’ γ) (2)

where  φ  is  the  cumulative  normal  distribution function.

In  the  second  equation,  the  dependent  variable  reflects  the  share of  e‐commerce  in  total  business  turnover  (Y);  the  continuous nature of this variable  leads to  the following regression model:

Y= X’β+u (3)

where  X  is  the  vector  of  variables  that  explain the extent of use e‐commerce, and  u is the error term (Wooldridge, 2006).

3 In order to correct for the endogeneity of the  variable “innovator” whe have performed a  Biprobit model where e‐activty and innovation  are simultaneously explained. From these  results we constructed the Inverse Mills ratio   in order to correct the selection bias in the  second equation but the IMR was not  significant so we drop it and estimate the  biprobit first and the OLS  equation sepately.



Tables 3 and 4  show  the definition of  the  variables  and  some  descriptive  statistics,  respectively.  Following  Hollenstein  and  Woerter  (2008)  e‐selling  and  e‐buying  are  analyzed as two separate processes but the  same  set  of  explanatory  variables  is  used  (except  for  some  variables  that  were  dropped  from  the  intensity equations due  to  the small number of observations). The  choice of the variables is well‐based on the  literature  of  ICT  diffusion  (Battisti  et  al.,  2004,  2007,  2009;  Hollenstein  and  Woerter, 2008), and reflect rank, epidemic,  stock and order effects.

More  in particular,  the  following elements  are considered  in order to take account of  rank effects:

• Firm  size,  which  usually  exerts  a  positive  impact  over  adoption,  since  large  firms  have  more  resources  and  are  in  a  better  position  to  take  advantage  of  the  scale  economies  derived  from  the  new  technology.  However,  its  impact  on  the  extent  of  usage  is  not  yet  clear  (Hollenstein  and  Woerter, 2008; Battisti et al., 2007;  Giunta  and  Trivieri,  2007;  Haller  and Siedschlag, 2010).

• Human  capital,  measured  by  workers  with  a  college/university  degree  and  IT  specialists.  The  effect  is  expected  to  be  positive  since  the  adoption  of  a  new  technology  requires  the  firm  to  have  a  workforce  with  the  appropriate  skills  to  use  it  (Brynjolfsson and Hitt, 2000; Black  and  Lynch,  2001;  Fabiani  et  al.,  2005; Battisti et al., 2009).

• Absorptive  capacity,  indicated  by  firm’s  innovative  activities,  has

been  shown  to  be  positively  associated  with  the  adoption  of  new  technologies  (Hollenstein and  Woerter,  2008;  Arduini  et  al.,  2010).

• ICT infrastructure, also expected to  have  a  positive  effect  since  any  firm  willing  to  adopt  e‐commerce  needs  some  basic  ICT  infrastructure such as a PC and an  Internet  connection  (Hollenstein  and Woerter, 2008).

• Age of the firm, which could either  have  a  positive  or  negative  influence  depending  on  whether  age  indicates  experience  or  less  flexibility  to  changes  than  a  younger  firm  (Bayo‐Moriones  and  Lera‐Lopez,  2007;  Giunta  and  Trivieri, 2007).

• A  variable  related  to whether  the  firm  belongs  to  a  group  of  enterprises.  In  this case, a positive  effect  is  expected  because  multinational  firms  are  able  to  spread  the  cost  of  the  new  technology  among  more  units  (Haller and Siedschlag, 2010).

• Geographical market served by the  firm, which  association with  ICT  is  not  clear  yet.  Although  firms  operating  in  international markets  might  be  more  likely  to  use  ICT  because  of  the  potential  of  these  technologies  to reduce  transaction  costs  and  to  give  visibility  to  the  firm, the uncertainties about cross‐ border  online  trade  and  consumers’  distrust might hamper  the use of ICT (Fabiani et al., 2005;  Giunta  and  Trivieri,  2007;  Hollenstein and Woerter, 2008).



• A series of variables related  to  the  type  of  competition  faced  by  the  firm.  Usually  firms  in  highly  competitive markets  tend more  to

adopt new technologies than those  in sheltered environments  in order  to  gain  an  advantage  over  rivals  (Porter,1990).

Table 3. Variables description

Dependent variables  Description of the variables

E‐buying adoption  Firm ordered products/services via the Internet (excluding  manually typed e‐mails) (yes/no)

E‐selling adoption  Enterprise received orders via the internet (excluding  manually typed e‐mails) (yes/no)

E‐buying intensity  Percentage of Internet orders in relation to the   total purchases (in monetary terms, excluding VAT)

E‐selling intensity  Percentage of the total turnover resulted from orders  received via Internet (in monetary terms, excluding VAT)

Independent variables    Rank effects    Group  Firm belongs to a group of enterprises (yes/no)  Age  Number of years since the firm was created  Size  Number of workers  Employees with a degree  Percentage of employees with a college or university degree  IT / ICT Specialists   Firm employs IT/ICT specialists (yes/no)

ICT infrastructure  Number of ICT infrastructure owned by the firm, considering  the following options: LAN, intranet, extranet, visio/video  conference, and project group‐management system

“Grande region” marketa

European marketb  Rest of the world market

Market in which the firm sells its products (yes/no).  Reference category: National market

F1c‐Service to customers & products quality  F2‐Fast technological change  F3‐Competition &  forecasting difficulties  F4‐Publicity and product diversity

Factors defining firm’s competitive environment. These  variables are the results from a factor analysis performed on  13 questions. See the Annex for more information.

Innovation  Firm introduced product,  process or/and organizational  innovations  during 2004‐2006 (yes/no)

Services  Firm belongs to the service sector (yes/no)   Epidemic, Stock and Order effects    Adoption of e‐buying  in sector j  Percentage of firms buying online in sector j  Adoption of e‐selling in sector j  Percentage of firms selling online in sector j

a Grande  Region  market  is:  Lorraine,  Sarre,  Rhénanie‐Palatinat,  Wallonie,  except  Luxembourg  (considered  as

national market).  b European market is. Austria, Belgium, Bulgaria, Croatia, Cyprus, Czech Republic, Denmark, Estonia, Finland, France,  Germany, Greece,  Hungary,  Iceland,  Italy,  Ireland,  Latvia,  Liechtenstein,  Lithuania, Malta, Netherlands, Norway,  Poland, Portugal , Romania, Slovenia, Slovakia, Switzerland, Turkey, Spain, Sweden and United Kingdom.  c The Community Innovation Survey includes several questions to characterize the level and kind of competition in a

firm’s  main  market.  In  order  to  summarize  all  this  information,  a  factor  analysis  was  run  (Hair  et  al.,  1995)  identifying  the  following  four  competition‐related  factors:  (1)  the  impacts of  service  to  customers  and products  quality;  (2)  the  fast  technological  change;  (3)  the  intensity  of  competition  and  the  difficulty  in  forecasting  competitors’ actions; and (4) the impacts of publicity and product diversity (See the Annex for more details of the  factor analysis performed).



Following  a  standard  practice  in  the  literature  when  dealing  with  cross‐ sectional  data,  epidemic  effects  are  measured  together  with  stock  and  order  effects  by  the  rates  of  the  e‐commerce  adoption  (Battisti  et  al.,  2007; Hollenstein

and  Woerter,  2008).  The  sign  of  the  estimated coefficients will  indicate the net  effect of these forces: if the sign is positive,  then epidemic effects overcome stock and  order influences; if the sign is negative, just  the  opposite  effect  is  taken  place.

Table 4. Summary statistics

Variables   N  Weight  Mean  Std. Dev.  Min  Max  Group  300 1 091 0.386 0.487 0  1  Age  300 1 091 15.063 16.344  ‐1  191 ln (Size)  300 1 091 3.404 0.947 2.30  8.04 Employees with a degree (%)  300 1 091 26.721 32.055  0  100 IT/ICT specialists  300 1 091 0.238 0.426 0  1  ICT infrastructure  300 1 091 2.133 1.163 0  5  “Grande Region” marketa  300 1 091 0.275 0.447 0  1  European marketb  300 1 091 0.078 0.268 0  1  Rest of the world market  300 1 091 0.019 0.138 0  1  F1‐Service to customers & products quality  300 1 091 ‐0.029 1.036 ‐2.91  1.82 F2‐Fast technological change  300 1 091 ‐0.019 0.999 ‐2.55  2.46 F3‐Competition &  forecasting difficulties  300 1 091 ‐0.063 1.030 ‐2.89  2.14 F4‐Publicity and product diversity  300 1 091 0.022 0.999 ‐2.31  2.09 Innovation  300 1 091 0.618 0.486 0  1  % of Turnover from e‐selling  300 1 091 2.851 13.349  0  100 % of Turnover from e‐buying  300 1 091 6.776 17.557  0  90 Adoption of e‐buying in sector j (%)  300 1 091 0.168 0.061 0.05  0.21 Adoption of e‐selling in sector j (%)  300 1 091 0.424 0.138 0.34  0.69

a Grande  Region  market  is:  Lorraine,  Sarre,  Rhénanie‐Palatinat,  Wallonie,  except  Luxembourg  (considered  as

national market).  b European market is. Austria, Belgium, Bulgaria, Croatia, Cyprus, Czech Republic, Denmark, Estonia, Finland, France,  Germany, Greece,  Hungary,  Iceland,  Italy,  Ireland,  Latvia,  Liechtenstein,  Lithuania, Malta, Netherlands, Norway,  Poland, Portugal , Romania, Slovenia, Slovakia, Switzerland, Turkey, Spain, Sweden and United Kingdom.


Two main  issues arise  in  the estimation of  equations  (2)  and  (3).  On  the  one  hand,  there could be some sample selection bias  in  the  estimation  of  equation  (3)  since  it  only  uses  data  from  those  firms  already  involved  in  e‐commerce.  However,  the  several  checks  performed  indicated  the  absence  of  such  bias. On  the  other  hand,  the  inclusion  of  innovation  as  an  explanatory  variable  raises  some

endogeneity  concerns.  In  absence  of  appropriate  instruments  for  this  variable,  innovation and e‐commerce adoption were  estimated as a bivariate probit (Arendt and  Holms,  2006).  In  the  case  of  intensity,  dropping  the  innovation  variable  was  considered  the  best  solution  due  to  the  non‐availability  of  instruments  and  the  small number of observations.





Table 5. Determinants of e‐commerce diffusion among Luxembourgish firms. Year 2006    Adoption  Intensity

e‐Buying  mfx

e‐Selling  mfx  e‐Buying   e‐Selling

Group  ‐0.069**  ‐0.011  ‐6.751**  ‐10.717**    (‐0.034)  (0.021)  (2.439)  (3.336)   Age  ‐0.002  ‐0.001  ‐0.081  0.085    (‐0.001)  (0.001)  (0.079)  (0.073)  Ln (employment in 2006)  ‐0.008  ‐0.003  ‐1.648  1.607    (‐0.019)  (0.011)  (1.294)  (1.548)  Employees with a degree  ‐0.001  ‐0.001**  0.145***  0.519***    (‐0.001)  (0.001)  (0.036)  (0.062)  Specialist IT / ICT  0.112  ‐0.023  6.939**  ‐17.262***    (‐0.079)  (0.015)  (2.286)  (4.696)  ICT infrastructure  0.052**  0.028**        (‐0.025)  (0.014)      “Grande region” market (a)  0.043  ‐0.036      (‐0.061)  (0.023)    European market (b) 0.038  ‐0.010  ‐0.079  41.654***    (‐0.05)  (0.023)  (2.486)  (3.797)  Rest of the world market  0.002  ‐0.055**

(‐0.123)  (0.025)    F1_Service to customers & products  0.007  ‐0.011  5.142***  ‐7.834***    (‐0.017)  (0.009)  (1.024)  (1.670)  F2_Fast technological change  0.035*  0.001  ‐0.329  10.958***    (‐0.02)  (0.009)  (1.211)  (2.081)  F3_Competition &  forecasting difficulties ‐0.037*  ‐0.021**  1.151  10.458***    (‐0.02)  (0.010)  (1.002)  (2.221)  F4_Publicity and product diversity  0.012  0.011  10.015** 11.369***    (‐0.022)  (0.013)  (1.102)  (1.745)  Innovation  0.444***  0.376***        (‐0.128)  (0.068)      Adoption of e‐buying  in sector j  0.225          (‐0.188)        Adoption of e‐selling in sector j     0.304        (0.300)    Services  0.076*  0.027  6.074  7.605    (‐0.045)  (0.026)  (3.157)  (4.780)  N  1091 1091 416  166  Log likelihood  ‐1165.47 ‐1005.56   R²  0.3044  0.7039

Note:  This  table  reports  in  the  adoption  equation  : Marginal  Effects  (mfx)  are  calculated  at  the mean  of  continuous variables and value 0  for  the discrete variables. And  in  the  Intensity equation  the coefficients.Below  them,  standard errors are  in brackets.  . ***,**, and *  indicate  significant at  the 1, 5, and 10 percent  levels, respectively.   a Grande  Region  market  is:  Lorraine,  Sarre,  Rhénanie‐Palatinat,  Wallonie,  except  Luxembourg  (considered  as

national market).  b European market is. Austria, Belgium, Bulgaria, Croatia, Cyprus, Czech Republic, Denmark, Estonia, Finland, France,  Germany, Greece,  Hungary,  Iceland,  Italy,  Ireland,  Latvia,  Liechtenstein,  Lithuania, Malta, Netherlands, Norway,  Poland, Portugal , Romania, Slovenia, Slovakia, Switzerland, Turkey, Spain, Sweden and United Kingdom.  Source : ICT 2007 & CIS 2006, STATEC



Table  5  shows  the  results  from  the  estimation  of  the  adoption  and  intensity  equations  for  both  e‐selling  and  e‐buying  online. Regarding adoption, the first things  to  draw  attention  on  are  the  non‐ significant  impacts of  firm size and human  capital. These two factors do not suffice to  explain  e‐commerce  adoption  among  Luxembourgish  firms  as  previously  observed  by  Battisti  et  al.  (2007)  in  the  United  Kingdom.  In  contrast,  ICT  infrastructure and innovation really make a  difference  for  adoption.  Results  indicate  that innovative firms and those which have  high  levels  of  ICT  equipment  are  more  likely to buy/sell online than those that do  not  carry  out  any  innovation  and  have  lower  levels  of  infrastructure.  It  is  also  observed  that  firms  belonging  to  a  group  are less likely to use e‐commerce, although  this effect is only significant for e‐buying.

Adoption  is  explained  as  well  by  the  competition  context  faced  by    firms.  Results  show  that  a  highly  competitive  environment,  in  which  forecasting  rivals’  actions  is  difficult,  tends  to  hamper  the  adoption  of  both  types  of  e‐commerce.  However,  the  fast  technological  change  in  the market exerts a positive and significant  influence  on  the  adoption  of  e‐buying.  In  the  particular  case  of  e‐selling,  market  distance  has  a  significant  and  negative  impact  on  adoption:  firms  selling  out  of  Europe are less likely to use the Internet to  trade  than  those  selling  nationally.  This  finding  suggests  that  the  Internet  help  to  overcome  distance  barriers  only  to  a  certain extent.

The  positive  signs,  shown  by  the  coefficients  of  the  rates  e‐commerce  adoption  in the sector the firm belongs to,  indicate that epidemic effects are stronger  than  the  negative  influences  of  stock  and

order  effects.  However,  the  net  effect  is  not significant.

As  regards  intensity,  firm  size keeps being  non‐significant  while  human  capital  becomes  a  relevant  factor  to  explain  the  extent  of  use  of  e‐commerce  among  Luxembourgish  firms.  Results  show  that  firms  with  a  high  proportion  of  workers  graduated  from  college/university  tend  to  use  online  commerce  more  intensively  than  those  with  lower  percentages  of  educated workforce. However,  the  impact  of  IT  specialists  differs  by  type  of  e‐ commerce:  positive  for  e‐buying  but  negative  for  e‐selling.  Such  a  result might  be  pointing  out  the  different  nature  of  these  two  types  of  e‐commerce  and,  in  particular,  the  more  complexity  of  e‐ purchasing  compared  to  e‐selling:  the  former might require dealing with complex  systems  to  integrate with  suppliers, while  the  latter  requires,  in  its most basic  form,  just a website.

Belonging  to  a  group  keeps  exerting  a  negative  influence over e‐commerce. Note  the negative and significant coefficients of  the  group  variable  on  the  intensity  equations.  A  possible  reason  for  this  negative  association  could  be  related  to  the fact that firms, that are part of a group,  might  be  using  other  types  of  electronic  commerce  than  that  related  to  Internet,  which is the focus of this paper.

Other  important  determinants  of  the  intensity of use of e‐commerce are related  to  the  features  that  describe  the  competition context  faced by  firms.  In  the  case  of  e‐selling,  the  four  considered  factors  are  significant;  for  e‐buying  only  two of them. Results then show that firms  buy  online  intensively when  they  operate  in  markets  where  competition  is  mainly



driven  by  publicity  and  product  diversity  together  with  customer  service  and  product  quality.  Nonetheless,  this  latter  feature,  competition  defined  by  customer  service and product quality, exerts just the  opposite  effect  over  e‐selling:  the  more  important  customer  service  and  product  quality are, the less proportion of sales the  firm will made online. Finally, it seems that  online  selling  by  Luxembourgish  firms  is  mainly oriented to the European market.

6. CONCLUDING REMARKS  This paper has attempted  to contribute  to  the literature on ICT diffusion at firm‐level,  by analyzing not only  the determinants of  the decision to adopt e‐commerce but also  the  intensity of online sales and purchases  among  those  firms  already  using  this  technology. Results show that e‐commerce  adoption  mainly  takes  place  among  innovative  firms which have  the adequate  ICT  infrastructure.  Contrary  to  previous  evidence,  human  capital  and  firm  size  do  not  play  any  role  in  adoption.  It  is  also

interesting to note the negative  influences  of  the  intensity of competition and “being  part  of  a  group  of  enterprises”  over  the  take‐up  of  e‐commerce.  All  this  suggests  that  Internet commerce  is still surrounded  by  a  lot  of  uncertainty  that  makes  firms  prefer  other  types  of  electronic  transactions.  However,  once  firms  have  overcome  the  uncertainties  about  adoption  they  tend  to  use  e‐commerce  intensively  to  compete  with  rivals.  The  non‐significant  evidence  of  epidemic  effects  seems  a  bit  shocking  in  a  small  economy such as Luxembourg where firms  are  located  next  to  each  other  and  the  likelihood  of  ‘contagion’  should  be  high.  Results  regarding  intensity  highlight  the  differences  in  the  two  sides  of  e‐ commerce:  e‐purchasing  involves  more  complex  systems  that  require  higher  skilled‐workers  compared  to  e‐selling.  In  addition,  it  remains  an  unanswered  question  for  firms  the  way  they  can  use  Internet  to  provide  efficient  services  to  customers.





Arduini, D., Nascia,  L., and Zanfei, A.  (2010). Complementary approaches  to  the diffusion of  ICT: Empirical evidence on Italian firms. Working Paper Series in Economics, Mathematics and  Statistics, WP‐EMS 2010/02, Faculta di Economia, Universita degli Studi di Urbino ‘Carlo Bo’.

Arendt, J.N., and Holm, A. (2006). Probit models with binary endogenous regressors. Working  Paper Center for Applied Econometrics, WP2006‐06, Department of Economics, University of  Copenhagen.

Baptista,  R.  (1999).  The diffusion of  process  innovations:  a  selective  review. International  Journal of the Economics of Business, 6, 107‐130.

Battisti,  G.,  and  Iona,  A.  (2009).  The  intra‐firm  diffusion  of  complementary  innovations:  Evidence  from  the  adoption  of management  practices  by  British  establishments.  Research  Policy, 38, 1326‐1339.

Battisti, G.,  and  Stoneman,  P.  (2005).  The  intra‐firm  diffusion  of  new  process  technologies.  International Journal of Industrial Organisation, 23, 1‐22.

Battisti, G., Canepa, A., and Stoneman, P.  (2004). Profitability, externalities and policy  in  the  inter and intra firm adoption of new technology: the example of e‐business activities in the UK.  Paper presented at  the 8th conference of  the European network on  industrial policy  (EUNIP),  Birmingham, December 13‐15.

Battisti, G., Canepa, A., and Stoneman, P. (2009). e‐Business usage across and within firms  in  the UK: profitability, externalities and policy.  Research Policy, 38, 133‐143.

Battisti,  G.,  Hollenstein,  H.,  Stoneman,  P.,  and  Woerter,  M.  (2007).  Inter  and  intra  firm  diffusion  of  ICT  in  the  United  Kingdom  (UK)  and  Switzerland  (CH):  An  internationally  comparative study based on  firm‐level data. Economics of  Innovation and New Technologies,  16, 669‐687.

Bayo‐Moriones,  A.,  and  Lera‐Lopez,  F.  (2007).  A  firm  level  analysis  of  determinants  of  ICT  adoption in Spain. Technovation, 27, 352–66.

European  Commission  (2009).   Online  Commerce  Roundtable.  Report  on Opportunities  and  barriers to online retailing.

European  Commission  (2010).  Digital  Agenda  for  Europe  (COM/2010/0245  f/2).  Brussels:  European Commission.

Fabiani, S., Schivardi, F., and Trento, S. (2005). ICT adoption in Italian manufacturing: firm level  evidence. Industrial and Corporate Change, 14, 225‐249.

Fuentelsaz,  L., Gomez,  J.,  and  Polo,  Y.  (2003).  Intrafirm Diffusion  of New  Technologies:  An  Empirical Application. Research Policy, 32, 533‐551.

Geroski, P.A. (2000). Models of technology diffusion. Research Policy, 29,603‐625.

Giunta, A., and Trivieri, F.  (2007). Understanding the determinants of information technology  adoption: evidence from Italian manufacturing firms. Applied Economics, 39, 1325–34.



Griliches,  Z.  (1957).  Hybrid  corn:  an  exploration  in  the  economics  of  technical  change.  Econometrica, 48, 501‐522.

Hair, J.F. Jr., Anderson, R.E., Tatham, R.L., and Black, W.C.   (1955). Multivariate Data Analysis  with Readings. London: Prentice Hall International.

Hall, B. (2004). Innovation and diffusion. NBER Working Paper 10212.

Haller, S.A., and Siedschlag, J. (2010). Determinants of ICT adoption: evidence from firm‐level  data. Applied Economics, First published on: 05 November 2010.

Hollenstein,  H.  and Woerter, M.  (2008).  Inter‐  and  intra‐firm  diffusion  of  technology:  The  example of E‐commerce. An analysis based on Swiss firm‐level data. Research Policy, 37, 545‐ 564.

Karshenas,  M.,  and  Stoneman,  P.  (1995).  Technological  diffusion.  In  P.  Stoneman  (Ed.):  Handbook of  the  Economics of  Innovation and  Technological Change  (pp. 263‐297). Oxford:  Blackwell.

OECD (2009a). Guide to measuring the information society. Paris: OECD.

OECD  (2009b).  OECD  Conference  on  empowering  e‐consumers  strengthening  consumer  protection in the internet economy. Background Report. Paris: OECD.  OECD and Eurostat  (2005). Oslo manual: guidelines  for collecting and  interpreting  innovation  data. Paris: OECD.

Porter, M. (1990). The Competitive Advantage of Nations. New York: Free Press.

STATEC (2006). Community innovation survey. Luxembourg: STATEC.

STATEC (2007). Community survey on  ICT usage and e‐commerce  in enterprises. Luxembourg:  STATEC.

Wooldridge,  J.M.  (2006).  Introductory  Econometrics.  A Modern  Approach.  Thomson  South‐ Western.



ANNEX. FACTOR ANALYSIS  A)  Competition‐related  questions  used  in  factor  analysis  (2006  Community  Innovation  Survey)

1.3 During the period 2004‐2006, how would you describe the nature of the market you were  operating in?

i. No effective competition   ii. Not very intense   iii. Quite intense   iv. Very intense

1.4 Please  indicate to what extent the following characteristic are describing the competition  context on your main market:

High  Medium  Low  Not  relevant

a. The actions of competitors are difficult to forecast           b.  Your  position  on  the  market  is  threatened  by  the  arrival of new competitors


c.  The  production’s  technologies  and  the  services  are  changing quite quickly


d.  The  products  and  services  are  rapidly  old‐fashioned  (outdated)


e. The products of your enterprise can be easily replaced  by the products of your competitors


f. Evolution of the demand is difficult to forecast

1.5 Please indicate to what extent the following factors impact the competition on your main  market:

High  Medium  Low  Not  relevant

a. The price          b. The quality of goods and services          c. Technological advance           d. The service and the adaptation of customers wishes          e. The diversity of the products’ package           f. Publicity and design

B) Results from factor analysis

Table B1. Some measures of the appropriateness of factor analysis

Chi‐square  892.950  Degrees of freedom  78 Bartlett test of sphericity

(H0: variables are not intercorrelated)  p‐value  0.000

Kaiser‐Meyer‐Olkin Measure of Sampling Adequacy  KMO  0.778



Table B2. Results from factor analysis

Eigenvalue Explained  Variance


Cumulative  Explained

Variance (%)  Factor1  3.66  28.14  28.14  Factor2  1.60  12.27  40.41  Factor3  1.25  9.59  50.01  Factor4  1.07  8.26  58.27  Factor5  0.95  7.28  65.55  Factor6  0.84  6.48  72.03  Factor7  0.67  5.17  77.20  Factor8  0.66  5.07  82.27  Factor9  0.55  4.24  86.51  Factor10  0.52  3.97  90.48  Factor11  0.49  3.76  94.24  Factor12  0.40  3.11  97.36  Factor13  0.34  2.64  100.00


Table B3. Rotated Factor Loadings

Factor1  Factor2  Factor3  Factor4  Q1.3      0.7485    Q1.4a      0.7171    Q1.4b    0.5366      Q1.4c    0.7423      Q1.4d    0.6125      Q1.4e    0.5465      Q1.4f    0.6646      Q1.5a      0.6155    Q1.5b  0.7510        Q1.5c  0.7601        Q1.5d  0.8169        Q1.5e        0.7280  Q1.5f        0.8784



Comments are closed.