交通运输研究 >

2024 , Vol. 10 >Issue 5: 39 - 51

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2024.05.004

理论与方法

基于结构方程模型的自动驾驶网约车使用意愿影响因素研究

  • 张厚伟 ,
  • 孙泰屹 , *
展开
  • 武汉科技大学 汽车与交通工程学院，湖北 武汉 430065
* 孙泰屹（1975—），男，湖北武汉人，讲师，硕士，研究方向为交通地理信息技术。 E-mail:

张厚伟（2000—），男，安徽蚌埠人，硕士，研究方向为交通管理与规划及出行行为分析。E-mail:

收稿日期: 2024-07-03

  网络出版日期: 2024-12-03

基金资助

湖北省自然科学基金项目(2024AFB826)

收起

Study on Factors Influencing the Use Intention of Autonomous Ride-Hailing Service Based on Structural Equation Modeling

  • ZHANG Houwei ,
  • SUN Taiyi , *
Expand
  • School of Automotive and Transportation Engineering, Wuhan University of Science and Technology, Wuhan 430065, China

Received date: 2024-07-03

  Online published: 2024-12-03

Fold

摘要

为探究居民对自动驾驶网约车的使用意愿及其影响因素，采用SEM进行路径分析以揭示其潜在作用机理。在TAM和TPB的框架下，首次引入PR潜变量，构建TAM-TPB-PR整合模型，通过优化适配指标来调整模型路径关系，最终建立自动驾驶网约车使用意愿的结构方程模型。并通过线上线下相结合的方式，设计并实施问卷调查，收集受访者的社会经济属性及其对自动驾驶网约车的心理变量特征等信息。在500份有效问卷数据的基础上，进行了信度和效度检验，以确保数据的可靠性和研究结果的有效性。随后根据路径假设检验和中介效应检验明确心理潜变量之间的作用关系，并以武汉市为例进行实证研究。研究结果表明，此模型具有良好的适配性（CMIN/DF=2.568，RMSEA=0.056），能够解释使用意愿总方差的76.2%。路径分析结果显示，使用态度、感知行为控制和主观规范是对自动驾驶网约车使用意愿影响最直接的3个因素，其直接效应分别为0.559、0.317和0.122。感知有用性和感知易用性受到主观规范的正向影响，并通过态度正向影响使用意愿。感知有用性和感知风险对自动驾驶网约车使用意愿的直接效应不显著，而感知有用性通过态度对使用意愿的间接效应显著。根据研究结果，提出以下建议：政府通过政策激励和基础设施建设提升消费者使用意愿；企业利用智能技术增强用户体验并降低使用风险；媒体通过创新宣传手段提升公众认知；政府、企业、媒体三方协同，推动自动驾驶网约车的健康发展。

关键词： 交通管理; TAM-TPB-PR; 结构方程模型; 自动驾驶网约车; 使用意愿

本文引用格式

张厚伟 , 孙泰屹 . 基于结构方程模型的自动驾驶网约车使用意愿影响因素研究[J]. 交通运输研究, 2024 , 10(5) : 39 -51 . DOI: 10.16503/j.cnki.2095-9931.2024.05.004

Abstract

In order to explore residents′ willingness to use ARHS(Autonomous Ride-Hailing Service) and its influencing factors, SEM was used to conduct path analysis to reveal its potential mechanism. Under the framework of TAM and TPB, the potential variables of PR were introduced for the first time to construct a TAM-TPB-PR integrated model. Through optimizing fit indices, the model′s path relationships were adjusted to establish the SEM for analyzing the intention to use ARHS. Through a combination of online and offline methods, a questionnaire survey was designed and implemented to collect the information about the socioeconomic attributes of respondents and their psychological variables on ARHS. On the basis of the data collected from 500 valid questionaires, reliability and validity tests were carried out to ensure the reliability of the data and the validity of the research results. Through hypothesis testing and mediating effect testing, the relationships between psychological latent variables were clarified. An empirical study was conducted with Wuhan as the case. The analysis results indicate that the model demonstrates a good fit, with CMIN/DF=2.568 and RMSEA=0.056, and explains 76.2% of the total variance in the intention to use ARHS.The results of the path analysis indicate that attitude, perceived behavioral control, and subjective norms are the three most direct factors influencing the intention to use ARHS, with direct effects of 0.559, 0.317, and 0.122, respectively. Perceived usefulness and perceived ease of use are positively influenced by subjective norms and affect usage intention through attitude. Although perceived usefulness and perceived risk do not have significant direct effects on the intention to use ARHS, perceived usefulness significantly mediates intention through attitude. Based on the research findings, the following recommendations are proposed: governments should promote consumers′ intentions to use through policy incentives and infrastructure development; enterprises should leverage smart technologies to enhance user experience and reduce risks; and the media should raise public awareness through innovative promotional strategies; collaboration among these three parties is crucial for advancing the development of ARHS.

Key words： traffic management; TAM-TPB-PR; SEM(Structural Equation Modeling); ARHS(Autonomous Ride-Hailing Service); use intention

0 引言

自动驾驶网约车（Autonomous Ride-Hailing Service, ARHS）是自动驾驶车辆与网约车服务相结合的一种新型出行方式，即依靠AI和感知技术，实现自主操作和导航，无需人为干预，通过激光雷达等设备精准感知环境，提供共享出行服务或出租车服务[1]。武汉市作为最早开展自动驾驶网约车试点运营的城市之一，于2022年8月在经开区开始试运营[2]，并于2023年1月11日正式开始全域运营[3]。截至2024年5月，武汉市已有400辆自动驾驶网约车全天运营，预计年底将新增部署1 000辆，覆盖人口超过700万人。自动驾驶网约车的数量正在不断增加且快速融入消费者的生活，但是对于自动驾驶网约车使用意愿的影响因素尚不明确。因此，探讨消费者对自动驾驶网约车使用意愿的影响因素，对于制定交通管理政策、提高交通效率、设计自动驾驶推广策略和增加其市场份额具有积极意义。
国内外学者对于自动驾驶网约车的研究主要采用意向调查（Stated Preference Survey, SP），也有部分学者采用行为调查（Revealed Preference, RP）、结合模拟驾驶或实地体验。唐立等[4]和Golbabaei等[5]综述了近年来的调查研究结果，将公众对自动驾驶车辆使用意愿的主要影响因素归结为3类：社会人口属性（年龄、性别、教育水平等）、出行行为特征（车辆自动化水平、碰撞历史、驾驶频率等）以及出行者心理属性（对自动驾驶汽车的认知、环境关注、感知风险等）。其中，心理属性往往涉及个人感受，难以直接观测，因此成为研究的热点，也是本文关注的重点。
目前，构建自动驾驶网约车使用意愿的模型主要有两类。一类是采用计划行为理论[6]（Theory of Planned Behavior, TPB）、技术接受模型[7]（Technology Acceptance Model, TAM）以及融合这两类模型优势的整合型技术接受模型（Unified Theory of Acceptance and Use of Technology, UTAUT）[4-5]。这些模型通过引入社会影响、出行习惯、感知风险等心理变量，结合结构方程模型（Structural Equation Modeling, SEM）及路径分析来探究各变量之间的作用关系，构建了较具解释力的自动驾驶网约车使用意愿模型，并在实证研究中得到证实[8⇓-10]。如，王哲源等[11]、陆欢等[12]和Solbraa Bay[13]分别对TPB进行解构、拓展和融合，研究结果证实了改进后的模型具有合理性；Xu等[14]在TAM的基础上引入了安全性和信任度，探究各变量与不同等级自动驾驶汽车接受度之间的关系；Nguyen-Phuoc等[15]基于TPB，引入价格敏感性、感知风险和感知绿色价值，研究越南的共享打车服务使用意愿；Lu等[16]从感知风险（Perceived Risk, PR）的视角，探讨了出行者对综合打车服务的中断行为及意图的影响因素；黄位[17]通过模拟情景获取意向数据，融合TAM和TPB模型，研究了消费者对自动驾驶网约车的接受度，模型解释力达到了60%；万利等[8]和Madigan等[9]基于UTAUT模型，证实了绩效期望、社会影响等因素在不同程度上对自动驾驶网约车的使用意愿存在正向影响。另一类是采用离散选择模型，进一步探讨社会人口属性、出行行为特征等对公众自动驾驶接受度的影响。如，姚荣涵等[18]基于潜在类别-Logit模型探究了共享自动驾驶汽车使用意愿；连齐才等[19]使用Mixed Logit模型探讨了对共享自动驾驶汽车及其技术的选择行为意愿；Bhaduri和Goswami[20]构建了SEM-MIMIC有序Probit模型框架，分析了用户对网约车服务的态度和使用意愿；Jiang等[21]则使用混合多项Logit模型分析了汽车不同的自动驾驶功能对支付意愿的影响。
上述研究已经证实，基于TAM和TPB的SEM能够有效解释消费者的使用意愿。然而，已有研究大多基于情景模拟，缺乏消费者实际使用数据，且尚无研究者系统地将PR与TPB和TAM相结合来探讨自动驾驶网约车使用意愿及其影响因素[5]。因此，本文将引入PR潜变量，构建TAM-TPB-PR整合模型，建立SEM，基于调研数据，探究自动驾驶网约车使用意愿的影响因素，以期为交通管理部门、自动驾驶企业和出行服务商等引导公众接受和使用自动驾驶网约车提供参考。

1 理论基础与模型构建

1.1 理论基础

TAM[7]解释了感知有用性（Perceived Usefulness, PU）、感知易用性（Perceived Ease of Use, PEU）、使用态度（Attitude, ATT）、使用意愿（Use Intention, UI）和行为决策之间的关系，使用意愿由人们对技术或系统的态度及感知有用性所决定，而态度又受到感知有用性和感知易用性的影响。TPB[6]在此基础上增加了主观规范（Subjective Norms, SN）和感知行为控制（Perceived Behavioral Control, PBC）两个潜变量。当个体对特定行为持积极态度，并认为行为符合主观规范且具备执行该行为的技能和资源时，行为意向会显著增强，从而提高实际行为发生的概率。PR最早由Bauer提出，用于解释消费者在做出购买决策时对潜在负面后果的感知和预期[22]。该理论认为，用户在使用产品或服务时会权衡潜在的好处与感知到的风险。自动驾驶网约车作为一种新型出行方式，人们使用该服务可视为一种购买行为，在使用过程中可能会面对技术故障、交通安全问题、隐私泄露等风险，消费者对这些风险的感知将直接影响他们对自动驾驶网约车的接受度和使用意愿。Xu等[14]和Nguyen-Phuoc等[15]的研究也表明，感知风险对消费者的决策行为有着显著影响，因此，将感知风险理论与技术接受模型和计划行为理论相结合，可以从风险感知角度进一步解释消费者在面对新技术时的担忧，并提升模型对消费者使用意愿的解释力。

1.2 模型假设

1.2.1 基于TPB的影响路径

使用意愿是指消费者对使用自动驾驶网约车的明确倾向或意愿，以及对这种出行方式的支持程度[6]。使用态度是对使用自动驾驶网约车具体行为的整体评价。对态度的调查可以从两个方面展开：一是从消费者的环境评价入手，包括优化交通环境、减少拥堵、促进社会环境改善和低碳环保；二是从消费者的认知层面入手，如果消费者认为这种方式是出行的良好选择，那么他们对其使用态度也会更积极。因此，将使用态度定义为用户对自动驾驶网约车的正面积极评价。研究表明，态度是使用意愿的重要影响因素，使用态度越积极，使用意愿越强烈，在Sánchez等[23]和鄢云珠等[24]的研究中证实了这一观点。主观规范是指来自朋友、同事和家人的影响，以及媒体宣传对使用自动驾驶网约车的社会影响。主观规范越强的用户，越能强烈感受到社会和同伴压力，从而更愿意使用产品[25]。感知行为控制主要体现在消费者关于使用自动驾驶网约车的知识水平和应对风险的心理素质。鞠鹏等[26]在对共享汽车使用意愿的研究和Chen等[27]在对使用ETC系统的使用意愿研究中均发现使用态度、主观规范和感知行为控制对使用意愿产生正向影响。基于此，做出如下假设：
H1：居民对自动驾驶网约车的使用态度正向影响使用意愿。
H2：居民对自动驾驶网约车的主观规范正向影响使用意愿。
H3：居民对自动驾驶网约车的感知行为控制正向影响使用意愿。

1.2.2 基于TAM的影响路径

感知有用性主要体现在自动驾驶网约车更舒适、方便且节省时间的出行体验。感知易用性指用户通过平台APP或小程序进行预约、车辆匹配、实时调整目的地等操作的便捷性。Davis[7]指出，如果用户认为新的信息系统易于理解且学习和使用该系统非常简单，那么这种对系统易用性和易学性的感知将显著影响用户对该信息系统的使用态度。在消费者对自动驾驶汽车使用意向的研究中，Panagiotopoulos等[28]证实了感知有用性和感知易用性对使用意愿有正向影响；Xu等[14]发现感知有用性对使用意愿影响显著，感知易用性作用不显著；Wu等[29]发现感知有用性和感知易用性对使用态度产生正向作用；景鹏等[30]在对老年人自动驾驶接受度的研究中发现，感知有用性对使用意愿产生正向影响。基于此，提出以下假设：
H4：居民对自动驾驶网约车感知有用性正向影响使用意愿。
H5：居民对自动驾驶网约车感知有用性正向影响使用态度。
H6：居民对自动驾驶网约车感知易用性正向影响使用态度。
H7：居民对自动驾驶网约车感知易用性正向影响感知有用性。

1.2.3 TAM及TPB之间的影响路径

同伴和社会的影响往往会对消费者行为产生影响。如果身边的同伴或广告宣传某件产品，消费者往往会倾向于对该产品做出较高的评价。范实[31]和涂然等[32]的研究表明，主观规范对感知有用性和感知易用性具有显著正向影响，感知易用性正向影响感知有用性。此外，当消费者感知到产品有用时，便会增强自身对该产品的掌控能力的信心，从而在行为上认为自己可以掌控。基于此，提出以下假设：
H8：居民对自动驾驶网约车的主观规范正向影响感知有用性。
H9：居民对自动驾驶网约车的主观规范正向影响感知易用性。
H10：居民对自动驾驶网约车感知有用性正向影响感知行为控制。

1.2.4 感知风险的影响路径

感知风险是指消费者在使用产品时由于风险因素而产生担忧，这些风险通常来自外界。因此，本文将感知风险定义为在使用平台过程中对隐私泄露的担忧、对自动驾驶网约车使用的预期体验以及对自身安全威胁的感知。感知风险越高，对其使用态度和使用意愿的影响越大。Ye等[33]关于共享自动驾驶停车选择行为的研究中发现，感知风险对使用态度负向作用显著；李忠齐等[34]在研究共享单车使用意愿时同样得出感知风险会对用户使用意愿产生负向影响的结论。基于此，提出以下假设：
H11：居民对自动驾驶网约车的感知风险负向影响使用意愿。
H12：居民对自动驾驶网约车的感知风险负向影响使用态度。
综上，构建自动驾驶网约车使用意愿的模型假设关系图，如图1所示。
图1 基于TAM-TPB-PR的模型假设关系图

注：H1~H12为本研究的研究假设；“+”与“-”分别表示假设关系中影响的正负性；原始TAM和TPB中不包含感知风险（PR）。

1.3 结构方程模型

SEM是Jöreskog提出的一种用于分析变量间因果关系的统计方法[35]。SEM中主要包括两种模型：一种是测量模型，由观测变量组成，用来反映潜变量和可直接观测变量之间的关系，模型中有观测变量、潜变量（不可观测变量）和误差变量；另一种是结构模型，用来获取潜变量之间的路径关系并进行探究。本文的测量模型和结构模型分别如下。
测量模型表达式为[11,36]:
M 3 × 1 = Λ m 3 × 1 ξ 1 × 1 + δ 3 × 1 N 17 × 1 = Λ n 17 × 6 η 6 × 1 + ε 6 × 1
式（1）中：M和N均为潜变量的测量变量所构成的向量； ξ为外生潜变量（感知风险）所构成的向量； η为内生潜变量所构成的向量； δ和 ε分别为M中的3个测量误差和N中的17个测量误差所构成的向量； Λ m和 Λ n分别为M和N对 ξ和 η的因子载荷矩阵。
结构模型表达式为[11,36]:
η ( 6 × 1 ) = β ( 6 × 6 ) η ( 6 × 1 ) + Γ ( 6 × 1 ) ξ ( 1 × 1 ) + ζ ( 6 × 1 )
式（2）中： β为内生潜变量之间的相关系数构成的向量； Γ为6个内生潜变量对1个外生潜变量的相关系数构成的向量； ξ为外生潜变量； ζ为测量误差所构成的向量。

2 问卷设计与检验

2.1 问卷设计

本次问卷采用行为调查（Revealed Preference, RP）调查获取研究所需数据。问卷共分为两个部分，28个题项。第一部分为个人社会经济属性，包括性别、年龄、受教育程度、职业、月收入以及是否有过网约车或自动驾驶网约车的经历。第二部分基于TPB和TAM理论，加入感知风险潜变量和心理感知潜变量，包括主观规范、使用态度、感知行为控制、感知有用性、感知易用性、感知风险和使用意愿，共7个潜变量和20个测量变量。采用李克特5级量表测量心理感知因素，分值从1分到5分，分别为“很不同意”“不同意”“一般”“同意”和“非常同意”。由于在自动驾驶网约车使用意愿领域尚未有系统的成熟量表，故本次量表设计借鉴了其他学者关于自动驾驶网约车研究中的相关题项，同时结合了计划行为理论和技术接受模型方面的量表题项设计。心理感知因素量表如表1所示。
表1 心理感知因素量表
潜变量 序号 测量题项 来源文献
SN SN1
SN2
SN3		 周围的朋友、同事、同学会影响我选择自动驾驶网约车
周围的朋友、同事、同学会鼓励我选择自动驾驶网约车
媒体宣传会影响我选择自动驾驶网约车		 文献[25]
PU PU1
PU2
PU3		 我认为使用自动驶网约车可以节省出行时间
我认为使用自动驾驶网约车可以让出行更舒适
我认为使用自动驾驶网约车可以让出行更方便		 文献[36]
PEU PEU1
PEU2
PEU3		 我认为使用手机客户端预约一辆自动驾驶网约车的操作轻松便捷
我认为使用自动驾驶网约车发出指令很方便（如修改目的地、临时停车等）
网约车平台总是能较快地为我匹配到附近车辆		 文献[28]
ATT ATT1
ATT2
ATT3		 我认为使用自动驾驶网约车有利于缓解交通拥堵
我认为使用自动驾驶网约车是低碳环保的
我认为使用自动驾驶网约车是一种很好的出行方式		 文献[23]
PBC PBC1
PBC2		 我具备使用自动驾驶网约车的知识水平
我具备使用自动驾驶网约车时应对风险的心理素质		 文献[17]
PR PR1
PR2
PR3		 我担心使用自动驾驶网约车功能体验达不到预期
我担心实名注册自动驾驶网约车会泄露我的隐私
我担心自动驾驶网约车会对我的安全构成威胁		 文献[31]
UI UI1
UI2
UI3		 我支持自动驾驶网约车这种未来新兴出行方式
我愿意在日常生活中经常使用自动驾驶网约车
我会鼓励身边人使用自动驾驶网约车		 文献[9,36]

2.2 数据收集

本次研究综合运用线上和线下两种途径收集数据。线上通过网络平台发布问卷收集数据。线下分别在武汉市的高校、公司、地铁、公交站等处发放问卷，发放群体包括学生、公司职员和自由职业者等。由于自动驾驶网约车属于新型出行方式，年轻群体更易关注并使用，因此发放对象以年轻人为主。经开区是最早试点使用自动驾驶网约车的行政区，所以本次问卷投放地点主要在经开区。问卷发放时间为2024年5月20日至6月10日。共回收问卷549份，剔除作答时间少于60 s或回答前后矛盾的问卷，共得到有效问卷500份。有效问卷数量为量表题项的10倍以上，有效率约为91.1%，符合样本数据要求[37]。

2.3 样本描述性统计分析

样本特征描述性统计如表2所示，其中男女比例基本平衡。约83.6%的人群年龄不超过35岁，说明本次调查以年轻人为主。超过90%的人群学历为专科/本科及以上，说明受访者学历水平较高。63%的受访者为学生。月收入在4 000元以下的人群占比较多，达61.8%。超过半数的受访者为多人家庭，接近半数的受访者家庭中拥有1辆小汽车。在受访群体中，使用过自动驾驶网约车的群体占69.4%。
表2 样本特征描述性统计
变量 选项 频数 百分比（%）
性别 男 212 42.4
女 288 57.6
年龄 20岁以下 155 31.0
20~35岁 263 52.6
36~50岁 77 15.4
50岁以上 5 1.0
学历 高中及以下 23 4.6
专科/本科 397 79.4
硕士及以上 80 16.0
职业 学生 315 63
公司职员 73 14.6
公务员/事业单位 28 5.6
自由职业 72 14.4
个体户 12 2.4
个人平均月收入
/元		 4 000及以下 309 61.8
4 001~8 000 117 23.4
8 001~12 000 45 9.0
12 000以上 29 5.8
家庭人口结构 单人家庭 125 25.0
夫妻二人家庭 102 20.4
多人家庭 273 54.6
家庭拥有几辆
小汽车		 无 171 34.2
1辆 246 49.2
2辆 59 11.8
3辆及以上 24 4.8
是否使用过自动驾驶网约车 是 347 69.4
否 153 30.6

2.4 信效度检验

本次研究采用SPSS27.0和Amos27.0软件检验样本的信度和效度。信度检验旨在测试潜变量内部的一致性，通常以克隆巴哈系数（Cronbach′s Alpha）和组合信度（Composite Reliability, CR）值衡量。当Cronbach′s Alpha大于0.6、CR值大于0.7时，表明信度通过检验。效度检验通常采用KMO（Kaiser-Meyer-Olkin）样本测度、因子分析载荷系数和平均方差提取值（Average Variance Extracted, AVE）进行判别，KMO大于0.6、因子分析载荷系数大于0.5、AVE大于0.5为达到标准[26]。检验结果如表3所示，各潜变量的Cronbach′s Alpha和CR值均大于0.7，说明问卷信度较好，数据质量普遍较高。KMO均大于0.6，因子载荷均大于0.6，AVE值均大于0.5，说明问卷效度较理想。
表3 自动驾驶网约车使用意愿问卷信效度检验
潜变量 题项 Cronbach′s
Alpha		 KMO 因子分析
载荷系数		 AVE CR
SN SN1 0.788 0.705 0.698 0.553 0.787
SN2 0.798
SN3 0.731
PU PU1 0.898 0.737 0.809 0.753 0.901
PU2 0.891
PU3 0.900
PEU PEU1 0.784 0.701 0.734 0.550 0.785
PEU2 0.684
PEU3 0.802
ATT ATT1 0.846 0.719 0.780 0.657 0.851
ATT2 0.739
ATT3 0.904
PBC PBC1 0.817 0.692 0.760 0.672 0.803
PBC2 0.875
PR PR1 0.798 0.684 0.698 0.573 0.800
PR2 0.728
PR3 0.838
UI UI1 0.878 0.734 0.818 0.711 0.881
UI2 0.881
UI3 0.830
AVE的平方根与各潜变量间的相关系数比较见表4。表4中的相关性分析结果表明，7个潜变量之间相关系数均小于0.8，即变量间不存在多重共线性。此外，AVE的平方根（粗体表示）均大于对应列中其他潜变量之间的相关系数，表明此样本具有良好的区分效度。
表4 AVE的平方根与各潜变量间的相关系数比较
潜变量 SN PU PEU PR ATT PBC UI
SN 0.744
PU 0.454 0.868
PEU 0.347 0.442 0.742
PR 0.163 0.172 0.188 0.757
ATT 0.414 0.542 0.464 0.183 0.811
PBC 0.353 0.377 0.357 0.151 0.418 0.820
UI 0.349 0.418 0.358 0.145 0.477 0.407 0.843

注：空白处为对称数值。

3 结果分析

3.1 模型适配度检验

在使用SEM验证潜变量关系时，需要检验模型的适配度指标是否满足要求。本文选取卡方自由度比值（CMIN/DF）、渐进残差均方根（Root Mean Square Error of Approximation, RMSEA）、标准化残差均方根（Standardized Root Mean Square Residual, SRMR）、非规准适配指数（Tucker-Lewis Index, TLI）和比较拟合指数（Comparative Fit Index, CFI）等5个指标进行检验[24]。模型适配度参数如表5所示，CMIN/DF、RMSEA、TLI和CFI均满足指标要求，但SRMR未达到要求，因此，需要对模型做进一步调整。
表5 模型适配度参数
指标 参考标准 检验结果
CMIN/DF ≤3 2.900
RMSEA ≤0.08 0.062
SRMR ≤0.08 0.103
TLI >0.9 0.941
CFI >0.9 0.951

3.2 模型修正

首先参考修正指标（Modification Indices, MI）值。生成的修正指标显示主观规范与感知风险之间的MI值最大为49.376，Par Change值为0.157，这表明两者之间可能存在未建模的协方差关系，影响了模型的拟合度[11]。根据社会影响理论，群体对自动驾驶网约车的高度信任和好奇可能降低个体的风险感知，而个体对潜在风险的担忧也可能使其更加依赖周围人群的意见。这种相互影响并非单向的因果关系，而是一种共变关系[38]。因此，在模型中增加主观规范与感知风险的双向路径，两者之间的协方差将增加0.157，同时p值也会增大，能够更准确地反映两者之间的相互关联，从而提升模型的拟合度和解释力。优化后的结构方程模型如图2所示。
图2 优化后的结构方程模型拟合结果
优化后的模型参数如表6所示，所有指标均得到优化，满足要求，此时R2=0.762，说明改进后的模型能够较好地解释调查数据中的行为模式。因为R2值越接近1，说明模型的拟合效果越好，R2=0.762即意向总方差为76.2%。
表6 优化后的模型参数
指标 参考标准 实测结果 评价 R2
CMIN/DF ≤3 2.568 拟合优秀 0.762
RMSEA ≤0.08 0.056 拟合优秀
SRMR ≤0.08 0.045 拟合优秀
TLI >0.9 0.960 拟合优秀
CFI >0.9 0.960 拟合优秀

注：R2用于衡量模型对因变量方差的解释能力。

3.3 模型假设检验

根据标准化路径系数值验证提出的假设，具体路径系数和假设分析如表7所示。表7中包含估计参数的标准误差（S.E.）、检验统计量（C.R.，即临界比，也即t检验的t值），以及显著性水平（p值）。其中，C.R.>1.96时，对应p<0.05，表示参数在95%的置信区间内显著；C.R.>2.58时，对应p<0.01，表示参数在99%的置信区间内显著；C.R.>3.29时，对应p<0.001，表示参数在99.9%的置信区间内显著[39]。需要说明的是，第2.4节中出现的CR代表组合信度，此处C.R.代表检验统计量。
表7 路径系数及假设验证
假设 路径 标准化路径系数 S.E. C.R. p 假设检
验结果
H1 使用态度→
使用意愿		 0.559 0.068 7.003 *** 支持
H2 主观规范→
使用意愿		 0.122 0.074 2.023 * 支持
H3 感知行为控制→
使用意愿		 0.317 0.042 6.576 *** 支持
H4 感知有用性→
使用意愿		 0.004 0.092 0.037 0.97 拒绝
H5 感知有用性→使用
态度→使用意愿		 0.510 0.080 6.564 *** 支持
H6 感知易用性→使用
态度→使用意愿		 0.398 0.095 5.015 *** 支持
H7 感知易用性→
感知有用性		 0.493 0.076 7.566 *** 支持
H8 主观规范→
感知有用性		 0.459 0.073 7.125 *** 支持
H9 主观规范→
感知易用性		 0.728 0.061 11.603 *** 支持
H10 感知有用性→感知
行为控制→使用意愿		 0.637 0.056 11.234 *** 支持
H11 感知风险→
使用意愿		 -0.003 0.041 -0.087 0.931 拒绝
H12 感知风险→使用态度→使用意愿 0.023 0.046 0.671 0.502 拒绝

注：*表示p<0.05，**表示p<0.01，***表示p<0.001。

从路径关系假设检验结果可以看出，除了H4、H11和H12之外，其他假设均得到验证，p值均小于0.05且C.R.大于1.96，模型的R²为0.762。
模型中各变量对使用意愿产生的效应关系包括直接效应和间接效应。本次研究的中介效应检验模型采用Bootstrap方法，从原始数据（N=500）中抽取3 000个Bootstrap样本检验各潜变量与自动驾驶网约车使用意愿的中介效应。表8为模型中各潜变量对自动驾驶网约车使用意愿的影响效应。
表8 各潜变量对自动驾驶网约车使用意愿的影响效应
效应 SN ATT PU PEU PBC PR
直接效应 0.122 0.559 0.004 — 0.317 -0.003
间接效应 0.564 — 0.487 0.465 — 0.013
总效应 0.686 0.559 0.491 0.465 0.317 0.010
由表8可知，各潜变量对自动驾驶网约车使用意愿的影响总效应按以下顺序依次递减，为主观规范（0.686）、使用态度（0.559）、感知有用性（0.491）、感知易用性（0.465）、感知行为控制（0.317）和感知风险（0.010）；直接效应由大到小依次为使用态度（0.559）、感知行为控制（0.317）、主观规范（0.122）；间接效应由大到小依次为主观规范（0.564）、感知有用性（0.487）、感知易用性（0.465）；使用态度的直接效应最大，主观规范的总效应最大。

3.4 自动驾驶网约车使用意愿路径分析

主观规范（SN）是指来自社会和身边人群的影响。研究结果显示，SN对UI既有直接影响（直接效应为0.122），也通过影响PU、PEU、PBC和ATT对UI产生间接影响（间接效应为0.564），总效应为0.686。这表明SN是消费者使用意愿的重要决定因素。除了自身的判断，消费者还受到外界评价的影响，社会评价越好，消费者对自动驾驶网约车的使用意愿也会越强。
使用态度（ATT）反映了消费者对自动驾驶网约车使用环境和使用认知的整体评价。ATT对UI的直接效应最大，为0.559。同时，SN、PU和PEU也对ATT产生了正向影响。这意味着，如果消费者对自动驾驶网约车持积极态度，则他们更愿意使用这种出行方式，这一点与以往的研究结果一致[12,24,26,30]。
感知有用性（PU）反映的是消费者对出行体验的评价。研究结果显示，PU对UI的直接效应不显著，这与鄢云珠等[24]的研究结果一致，消费者对有用性的感知不能直接影响使用意愿。调查显示，多数消费者反馈自动驾驶网约车在灵活性、速度和缓解交通拥堵方面存在问题，这些问题影响了他们对自动驾驶网约车有用性的评价。即便如此，PU仍然通过影响ATT和PBC间接提高了使用意愿，间接效应为0.487。
感知易用性（PEU）主要关注使用过程的简便性。尽管PEU对UI没有直接效应，但通过影响PU、ATT和PEU间接增强了UI，其间接效应为0.465，这表明PEU是不可忽视的因素之一。同时这也表明，如果消费者认为自动驾驶网约车简单、方便，会增强其感知有用性，从而形成更积极的使用态度，提高消费者的使用意愿。
感知行为控制 （PBC） 反映了消费者的知识水平和应对风险的心理素质。研究结果显示，PBC 对UI的直接效应为 0.317，高于 SN 的直接效应。这表明当消费者认为自己有能力使用自动驾驶网约车时，他们的使用意愿会显著增强，因此可以从SN、PU和 PEU 等方面采取措施提高消费者的感知行为控制能力。
感知风险（PR）是消费者在使用自动驾驶网约车时对隐私泄露、使用预期及安全问题的担忧。然而，研究结果显示，PR对UI的影响不显著，直接效应为-0.003，间接效应为0.013，总效应为0.010。这一结果与部分既有研究的发现有所不同[33-34]，而造成这一差异的主要原因可能包括以下几点。第一，在中国的文化背景下，公众对政府或大型企业主导的重要项目通常具有较高的信任度[40]；第二，由于当下各种新兴的APP广泛应用，消费者对隐私泄露的担忧有所减弱，尽管使用自动驾驶网约车涉及敏感信息，但相比日常使用的其他应用软件，公众对其隐私泄露风险的关注度并不高，这一点与何俊娜[41]的研究结果一致。第三，样本群体大多收入不高，因此可能对潜在的隐私和安全风险感知较弱，Choi等[42]和Nguyen-Phuoc等[15]的研究发现年轻驾驶人群和低收入人群对技术的潜在风险感知较低。Liao等[43]的研究也发现，年轻人对自动驾驶车辆的隐私和安全风险并未显著影响其使用意愿。最后，本次研究的样本主要为年轻群体，这一群体对新兴事物具有较高的包容度，对新技术具有更高的好奇心。自动驾驶作为一种新颖且前沿的技术，即使初期使用体验没有达到使用预期，他们仍会保持宽容态度，觉得可以接受[36]。这种对自动驾驶网约车的积极态度也进一步减弱了感知风险对使用意愿的负面影响。
对模型路径分析结果总结如下：①基于计划行为理论（TPB）的所有假设均成立，使用态度、感知行为控制和主观规范直接影响使用意愿，消费者整体表现出使用自动驾驶网约车出行的意愿；②技术接受模型（TAM）中感知有用性对使用意愿直接效应不显著，但通过间接路径影响使用态度，表明消费者认为该技术仍需提升其有用性；③感知风险对使用态度和使用意愿影响并不显著，这也间接反映了年轻群体对自动驾驶技术信任度较高，态度也更积极。

4 建议

通过上述对自动驾驶网约车使用意愿的影响机制研究，对促进自动驾驶网约车的发展提出如下建议。

4.1 制定前瞻政策，促进行业健康发展

研究发现，消费者的使用态度和感知易用性是较为重要的直接和间接影响因素。因此，政府应制定前瞻性政策，营造良好的自动驾驶网约车使用环境。例如，针对网约车的运营制定相关政策，规范市场运营，明确各方权责；加强基础设施建设，通过改造升级以适应复杂路况；提供财政和技术支持，以确保自动驾驶网约车行业健康发展，等等。通过以上举措，使消费者的使用态度更积极，并提高其感知易用性，进一步增强使用意愿。

4.2 完善技术，提升用户体验

研究发现，尽管消费者对自动驾驶网约车的有用性感知不能直接影响使用意愿，但可以通过影响感知行为控制和使用态度间接影响使用意愿。因此企业需要不断提高自动驾驶网约车的智能性和便利性，以提升用户体验。一方面，可以通过与交通信号灯进行智能网联，提高车辆的行驶灵活性和运行效率，减少不必要的停车和交通拥堵，使其更好地适应复杂的交通环境，增强用户对其有用性的直接感知；另一方面，采用用户友好的预约软件，通过APP或小程序提供直观的用户界面（如车辆实时位置、行驶里程、费用等信息），并建立完善的应急系统，使消费者在遇到简单情况时能够自行处理，增强其感知行为控制并降低潜在风险。

4.3 加强宣传推广，普及相关知识

研究发现，主观规范的总效应最大，来自社会的正向评价对自动驾驶网约车的使用意愿影响显著。因此建议媒体加强对自动驾驶网约车的宣传，普及相关知识使公众更加全面地了解和认识这种新型出行方式。例如，制作视频和短片，与主流媒体合作发布深度报道专题，以及通过社交媒体平台进行在线宣传，全面展示自动驾驶网约车的工作原理、安全性能和优势，提升公众对其的兴趣和理解，从而增强主观规范，进而影响消费者使用意愿。

5 结束语

本文基于计划行为理论（TPB）和技术接受模型（TAM），首次引入感知风险（PR）潜变量，采用结构方程模型（SEM），并结合武汉市的调查数据进行实证分析，探讨了居民对自动驾驶网约车的使用意愿及影响因素。研究结果表明，该模型对自动驾驶网约车使用意愿具有较强的解释力；主观规范对使用意愿的总效应最大；感知有用性对使用意愿直接效应不显著，但间接效应显著；感知风险对使用意愿和使用态度没有显著影响。基于研究结果，本文提出了相应的对策建议，旨在为促进自动驾驶网约车的发展提供参考。本研究仍有待改进之处。首先，本次研究对象为武汉市居民，未考虑不同城市间的地理和经济差异，未来研究对象可为不同城市，以验证结论的普适性。其次，本次研究发现感知风险对使用意愿没有显著影响，未来研究可更换样本群体，或替换感知风险的相关测量变量，进一步验证这一发现。另外，考虑到信任度对使用意愿的潜在影响，未来研究可将信任度作为潜变量纳入模型进行探讨，以丰富自动驾驶网约车使用意愿研究框架。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
STOIBER T, SCHUBERT I, HOERLER R, et al. Will consumers prefer shared and pooled-use autonomous vehicles? A stated choice experiment with Swiss households[J]. Transportation Research Part D: Transport and Environment, 2019, 71: 265-282.

[2]
百度. 百度与武汉签署合作协议开启规模化无人驾驶商业运营服务[EB/OL].(2023-01-12)[2024-07-02]. https://home.baidu.com/home/index/news_detail/id/17992.

[3]
武汉市人民政府. 武汉将自动驾驶打造城市新名片[EB/OL].(2024-05-31)[2024-07-02]. http://www.wuhan.gov.cn/sy/whyw/202405/t20240531_2410344.shtml.

[4]
唐立, 卿三东, 徐志刚, 等. 自动驾驶公众接受度研究综述[J]. 交通运输工程学报, 2020, 20(2):131-146.

[5]
GOLBABAEI F, YIGITCANLAR T, ALEXAN-DER P, et al. Individual predictors of autonomous vehicle public acceptance and intention to use: A systematic review of the literature[J]. Journal of Open Innovation: Technology, Market, and Complexity, 2020, 6(4): 106. DOI:10.3390/JOITMC6040106.

[6]
AJZEN I. The theory of planned behavior[J]. Organizational Behavior & Human Decision Processes, 1991, 50(2): 179-211.

[7]
DAVIS F D. Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology[J]. MIS Quarterly, 1989, 13(3): 319-339.

[8]
万利, 刘甲坤. 无人驾驶网约车消费者接受度分析——基于UTAUT2理论模型范式[J]. 商业经济研究, 2024(5):80-83.

[9]
MADIGAN R, LOUW T, WILBRINK M, et al. What influences the decision to use automated public transport? Using UTAUT to understand public acceptance of automated road transport systems[J]. Transportation Research Part F: Psychology and Behaviour, 2017, 50: 55-64.

[10]
VENKATESH V, MORRIS G, DAVIS B, et al. User Acceptance of Information Technology: Toward a Unified View[J]. MIS Quarterly, 2003, 27(3): 425-478.

[11]
王哲源, 王玥, 李星, 等. 基于结构方程模型的共享汽车用户使用意向分析[J]. 城市交通, 2023, 21(6):72-82.

[12]
陆欢, 干宏程, 王馨玉, 等. 基于扩展计划行为理论的城市居民绿色出行影响因素研究[J]. 交通运输研究, 2022, 8(6):63-71.

[13]
SOIBRAA BAY J. Innovation adoption in robotics: consumer intentions to use autonomous vehicles[D]. Bergen: Norwegian School of Economics, 2016.

[14]
XU Z, ZHANG K, MIN H, et al. What drives people to accept automated vehicles? Findings from a field experiment[J]. Transportation Research Part C: Emerging Technologies, 2018, 95: 320-334.

[15]
NGUYEN-PHUOC D, SU D, NGUYEN M, et al. Factors influencing intention to use on-demand shared ride-hailing services in Vietnam: risk, cost or sustainability?[J]. Journal of Transport Geography, 2022, 99. DOI:10.1016/J.JTRANGEO.2022.103302.

[16]
LU K, SHI C. Exploring determinants of travelers′ discontinuance behavioral intention on integrated ride-hailing services: A perspective on perceived risk[J]. Journal of Retailing and Consumer Services, 2024, 81.DOI: 10.1016/J.JRETCONSER.2024.104046.

[17]
黄位. 基于计划行为理论与技术接受模型的自动驾驶汽车接受度研究[D]. 镇江: 江苏大学, 2019.

[18]
姚荣涵, 龙梦, 张文松, 等. 基于潜在类别-Logit模型的共享自动驾驶汽车使用意向[J]. 交通信息与安全, 2022, 40(2):135-144.

[19]
连齐才, 李涵, 石小林, 等. 基于面板数据Mixed logit模型的自动驾驶选择行为分析[J]. 重庆交通大学学报(自然科学版), 2021, 40(7):46-52.

[20]
BHADURI E, GOSWAMI A K. Examining user attitudes towards ride-hailing services-A SEM-MIMIC Ordered Probit approach[J]. Travel Behaviour and Society, 2023, 30: 41-59.

[21]
JIANG Y, ZHANG J, WANG Y, et al. Capturing ownership behavior of autonomous vehicles in Japan based on a stated preference survey and a mixed logit model with repeated choices[J]. International Journal of Sustainable Transportation, 2019, 13(10): 788-801.

[22]
BAUER R. Consumer behavior as risk taking, dynamic marketing for a changing world[C]// Proceedings of the 43rd Conference of the American Marketing Association. Chicago: American Marketing Association, 1960: 389-398.

[23]
SÁNCHEZ M, LÓPEZ-MOSQUERA N, LERA-LÓPEZ F, et al. An Extended Planned Behavior Model to Explain the Willingness to Pay to Reduce Noise Pollution in Road Transportation[J]. Journal of Cleaner Production, 2018, 177: 144-154.

[24]
鄢云珠, 傅忠宁, 岳金田. 车辆怠速起停系统使用意愿结构方程模型及影响因素分析[J]. 交通信息与安全, 2023, 41(6):161-170.

[25]
陈晓君. 基于Ex-TPB的城市居民绿色出行方式选择研究[D]. 武汉: 武汉理工大学, 2020.

[26]
鞠鹏, 周晶, 陈星光, 等. 基于TAM和TPB整合模型的汽车共享使用意向研究[J]. 管理现代化, 2016, 36(4):82-85.

[27]
CHEN S, LU C. A Model of Green Acceptance and Intentions to Use Bike-Sharing: YouBike Users in Taiwan[J]. Networks and Spatial Economics, 2016, 16(4): 1103-1124.

[28]
PANAGIOTOPOULOS I, DIMITRAKOPOULOS G. An empirical investigation on consumers′ intentions towards autonomous driving[J]. Transportation Research Part C: Emerging Technologies, 2018, 95: 773-784.

[29]
WU J, LIAO H, WANG J, et al. The role of environmental concern in the public acceptance of autonomous electric vehicles: A survey from China[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2019, 60: 37-46.

[30]
景鹏, 王伟, 吴麟麟. 老年人对自动驾驶汽车接受度研究[J]. 中国公路学报, 2021, 34(6):158-171.

[31]
范实. 基于技术接受模型(TAM)的网约车使用意向影响因素研究[D]. 北京: 北京理工大学, 2016.

[32]
涂然, 薛杉, 蒋思雨, 等. 基于技术接受模型的生态驾驶诱导辅助系统认知接受度[J]. 同济大学学报(自然科学版), 2024, 52(4):592-603.

[33]
YE X, SUI X, WANG T, et al. Research on parking choice behavior of shared autonomous vehicle services by measuring users′ intention of usage[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2022, 88: 81-98.

[34]
李忠奇, 白凯. 西安城市居民共享单车使用意愿——服务便捷性与感知风险的交互中介效应检验[J]. 陕西师范大学学报(自然科学版), 2021, 49(2):78-85.

[35]
JÖRESKOG K. Statistical estimation of structural models in longitudinal-developmental investigations[M]// Longitudinal research in the study of behavior and development. New York: Academic Press, 1979: 67-98.

[36]
齐航, 夏嘉祺, 王光超, 等. 考虑出行者习惯与利他性偏好的自动驾驶网约车使用意向模型[J]. 交通运输工程与信息学报, 2021, 19(2):1-10.

[37]
MARTYNOVA E, WEST S, Liu Y. Review of principles and practice of Structural Equation Modeling[J]. Structural Equation Modeling: A Multidisciplinary Journal, 2018, 25(2): 325-329.

[38]
辛素飞, 明朗, 辛自强. 群际信任的增进:社会认同与群际接触的方法[J]. 心理科学进展, 2013, 21(2):290-299.

[39]
IMAI K. Structural Equation Modeling[Z]//POL-572 Quantitative Analysis Ⅱ Princeton:Princeton University, 2016.

[40]
李艳霞. 何种信任与为何信任?——当代中国公众政治信任现状与来源的实证分析[J]. 公共管理学报, 2014(2):16- 26,139-140.

[41]
何俊娜. 基于TAM和感知风险的自提柜用户使用意愿研究[D]. 西安: 西安电子科技大学, 2022.

[42]
CHOI J, Yong G. Investigating the importance of trust on adopting an autonomous vehicle[J]. International Journal of Human-Computer Interaction, 2015, 31(10): 692-702.

[43]
LIAO Y, GUO H, LIU X. A study of young people′ s intention to use shared autonomous vehicles: A quantitative analysis model based on the extended TPB-TAM[J]. Sustainability, 2023, 15(15).DOI:10.3390/SU151511825.

Options
文章导航

/

〈 〉

版权所有 © 《交通运输研究》编辑部　
京公网安备 11010102003417号    京ICP备17006742号-3
地址：北京市朝阳区北土城东路11号北京书院办公楼　邮编：100029
电话：010-58278983 Email：jtysyj@vip.163.com
本系统由北京玛格泰克科技发展有限公司设计开发