自動駕駛技術已經成為汽車產業發展的戰略方向。然而，面向人類對于自動駕駛汽車接受度的現場實證研究卻鮮有開展。本研究招募了 300 名參試者乘坐具備 SAE Level 3 水平的自動駕駛汽車，測量了參試者在乘坐前后對自動駕駛技術的信任度、感知有用性、感知易用性、感知安全性和接受度，確定了乘坐體驗影響自動駕駛汽車接受的關鍵心理因素。

1.引言

根據世界健康組織的統計，每年全世界有超過 120 萬人死于道路交通事故，對人類健康和社會和諧發展產生巨大的影響。超過 70% 的交通事故與人的錯誤操作有關（Dhillon，2007）。自動駕駛技術在減少因人類誤駕駛而引發的交通事故方面具有很大的潛力（NHTSA，2016）。AVs 是能夠感知交通環境，可通過軟件算法導航，不需要駕駛員的決策和操作就能夠控制車輛運動的新一代汽車。自動駕駛技術被認為是確保道路安全的突破性關鍵技術。AVs 還有減少交通擁堵、增強通勤效率、減少燃料消耗的潛力。根據 SAE 對汽車自動化水平的分類，有條件自動化 L3、高度自動化 L4、全自動化 L5 的 AVs 都能夠自主駕駛。

自動駕駛技術越來越受到汽車制造商、科技公司、政策制定者以及公眾的關注。許多的研究者和機構對 AVs 的長期應用做出了不同的預測。關于 AV 的應用預測引用最多的是 Litman 的研究，他預測道，到 2050 年自動駕駛將是絕大多數新車的一個標準功能，40-60% 的車輛隊列、80-100% 的銷售車型、50-80% 的汽車旅行都將應用 AVs。Litman 還預測，AV 在增強道路安全和減少交通擁堵方面的作用很可能會在 2040s-2060s 顯現出來。

影響 AV 大量應用的障礙可能不是技術上的，而是心理上的。如果 AV 不能被公眾廣泛接受，那就不能增強道路安全，也不能實現對社會和環境的期望效益。現階段關于公眾對 AV 意見的投票調查顯示，公眾對 AV 持有抵抗或中立的態度。為了更好地預測、解釋和增強公眾對諸如 AV 等新興技術的接收度，需要大量研究來深刻地揭示影響公眾接收或拒絕新興技術的原因。在意識到影響 AV 接收度因素的研究需求后，許多的研究者展開調查以確定影響公眾使用 AV 意向的決定因素。

但是在這個領域的研究上仍然存在許多的空白。首先，了解公眾對 AV 接受度的研究仍然是非常有限的，影響接受度的心理層面決定因素仍然是大量未知的。其次，大多數的研究依賴于線上調查，關注于了解對 AV 有很少或幾乎沒有真實體驗的受訪者的一般觀點。像這樣的一種調查研究方法可能得不到真實的研究結果。這些受訪者不了解 AV 如何共工作、AV 功能、駕駛員與 AV 的交互方式。必須通過現場實驗，讓參試者真實體驗 AV，然后根據他們的感受來解釋公眾對 AV 的接受度。就作者了解到的情況，目前在 AV 上還沒有進行過這樣的現場試驗。

為了了解 AV 接受度背后的心理驅動因素，我們進行了一個現場試驗。邀請了 300 名學生作為乘客體驗 AV 以獲得一手的乘坐體驗數據。利用這些參與者的體驗反饋結果，我們分析了真實直接的體驗對 AV 接受度及其心理決定因素的影響，并建立了一個心理學模型來解釋和預測參與者再乘坐該 AV 的意愿和未來使用 L5 級自動駕駛汽車的意向。

2.理論框架和假設

2.1接受度和心理模型

接受度是允許新汽車技術達到預測效益水平的先決條件。這個定義意味著接受度是交通系統新技術實施應用的必要條件。Adell 等（2014）也把駕駛員對車載系統的接受度定義為駕駛過程中系統與個人的協作程度，或者系統不可獲得時使用它的意向。盡管接受度有多種定義，一般的理解是它涉及多個方面，比如購買意愿和使用意向（Adell，2014）。研究者經常關注于接受度的一個方面。

一些駕駛員行為模型和技術接受度理論被用來解釋用戶接受度，包括技術接受度模型 TAM，計劃行為理論 TPB，技術應用和接受度統一性理論 UTAUT，UTAUT2。在這些理論里，TPB 用來解釋駕駛員的一般行為，而其他三種模型是在解釋信息系統研究中的技術接受度發展起來的。這些模型里包含三類結構，分別是人們對一種技術的看法和感知，使用這項技術的行為意向，以及實際的應用行為。這些模型的基本原理是人們的感知和看法將會決定他們的意向，進而決定他們的實際使用行為。研究影響用戶使用意向和實際使用行為的主要感知因素是非常關鍵的。在 TAM 模型里，感知有用性 PU 和感知易用性 PEU 被認為是行為意向 BI 的兩個直接影響因子。TPB 模型包括行為意向 BI 的三個內容——態度、主觀規范和感知行為控制（與感知易用性相似）。它表明積極的態度、有利的規范性和意志控制看法都將正面影響技術的使用意向。在 UTAUT 模型里，假定期望的表現（如感知有用性）、期望的成果（如感知易用性）和社會影響都正面地影響行為意向，再和其他促進條件共同正面影響實際應用行為。UTAUT2 模型里又加入了享樂動機、價格值和習慣三個因素。

上面提到的模型都已經被用來解釋新興車載技術的駕駛員接受度。這些模型也被應用于近年基于調查的 AV 和 AS 研究，來解釋人們使用 AV 和 AS 的意向。這些研究分享了某些發現，其中一個研究證實了這些心理模型影響行為意向的能力。這些研究在影響行為意向的因素方面產生了不一致或相互矛盾的結果。比如，感知有用性被逐漸發現是影響行為意向的主要預測因子，但有時被發現無法預測行為意向的具體措施（Nordhoff，2017）。這些與感知易用性對行為意向的重要性有關的不同研究結果主要有：Choi（2015）發現感知易用性是一個較弱的預測因素；Madigan（2017）和 Motak（2017）發現感知易用性是一個沒有意義的預測因素；Nordhoff（2017）和 Lee（2017）發現感知易用性不是一個穩定的預測因素但是能影響行為意向的具體措施。準確理解感知易用性對行為意向重要性是必要的，因為 PEU 能夠影響 AV 的用戶設計方式。

2.2研究目標和假設發展

本研究的目的是兩個方面。通過邀請參與者直接體驗 AV 的自動駕駛模式，提出了大規模的現場研究，自然就引出了自動駕駛汽車體驗的影響是什么的問題。對這個問題的準確回答是第一個目的。對直接體驗的影響研究文獻比較少，但是就是這些少量的研究其研究結果也較為混亂。在他們的小規模研究中，Motak（2017）指出 AS 的體驗對參與者的感知有用性有所增強，并引起了參與者對 AS 積極的態度。Payre（2016）基于他們在全自動駕駛模擬器上的實驗研究發現，模擬器體驗并不能增加全自動駕駛的接受度，并且相反地，在駕駛條件受損的情況下模擬器反而降低了參與者使用它的興趣。

本研究中，注意力集中在直接體驗的其他影響上，主要是與觀念、情感和行為相關的影響，這些影響被之前的接受度研究很大程度上忽視了。直接體驗會幫助人們評估與對象相關的信息，引導人們用更加細致深入的體驗達成合理的態度并校準他們的看法和感知，并在看法、意向和行為方面表現出更大的一致性。相反地，暴露出來的某些信息可能導致人們采取較少的努力過程。本文提出的的現場研究不僅考慮了直接體驗是否會導致人們在信任度、感知有用性、感知易用性和行為意向方面的態度改變；而且測試了直接體驗是否增加了心理決定因素和行為意向的相關性。此外，如上所述，現有的 AV 研究報告關于感知易用性對行為意向的重要性有不同的結論，本文的現場研究正好提供了一個 PU 對 BI 影響的驗證機會。

第二個主要目的是基于現場體驗數據解釋和預測公眾對 AV 的接受度并測試提出的心理學模型。鑒于以下兩個原因，本文模型以傳統的 TAM 模型為基礎。第一，TAM 模型（Davis，1989）被先前的研究者應用在 AV 和車載技術調查上；第二，TAM 模型在解釋駕駛員對新興車載技術的接受度上有相對較好的效果。駕駛 AV 的感知安全性 PS 和對這個技術的信任度 Trust 這兩個因素被突出添加進 AV 背景下的 TAM 模型里。鑒于安全是駕駛的第一要義并且 AV 是一項新興技術，人們對 AV 的安全性感知和技術的初始信任度在他們對 AV 的接受度形成過程中發揮著關鍵作用。模型中考慮了行為意向 BI 和再乘坐意愿 WTR 兩個接受度表現方面，它們用來檢查所考慮的決定因素（PU，PEU，PS，Trust）能否成為 AV 接受度的穩定預測因子。

2.2.1感知有用性和感知易用性

在 TAM 模型 Davis（1989）里，感知有用性和感知易用性是對技術接受度有主要貢獻的兩個外部變量。Davis（1989）定義感知有用性為個人認為使用一個特定的系統時增強其工作表現的程度。通過定義，感知有用性被描述為系統被有效利用的程度。它跟 UTAUT（Venkatesh，2003）模型里的期望表現很接近。Davis（1989）定義感知易用性是個人認為使用一個特定系統不需要努力的程度。也就是說，感知易用性能夠被理解為與人們在使用該系統時所感受到的困難相反。它與 TPB（Ajzen，1991）模型里的感知行為控制、UTAUT（Venkatesh，2003）模型里的努力期望是相似的。

先前的研究均支持感知有用性/易用性與技術接受度之間的積極聯系（Davis，1989；Ghazizadeh，2012；KingandHe，2006；Rahman，2017；Venkatesh，2003）。這種聯系的背后是行為決策研究中的成本效益范式（Payne，1992）。感知有用性與感知收益、感知易用性與感知花費都是緊密相關的。人們總在追求高收益低花費的決策。鑒于 TAM 模型已經通過各種技術、應用和系統被驗證了，因此 AV 接受度也應該遵循這些關系。然而，正如第一部分所說，TAM 模型中的 PU、PEU 兩個結構對 AV 接受度的影響可能并不像 TAM 模型描述地那樣簡單。本文的場地研究將首次驗證下面的假設：

H1、H2：感知有用性與行為意向和再乘坐意愿呈正相關；

H3、H4：感知易用性與行為意向和再乘坐意愿呈正相關。

2.2.2 感知安全性

確保駕駛員、乘客和其他道路使用者安全，減少由于人類駕駛引發的交通事故等的緊迫需要已經刺激了 AV 的發展。安全性是 AV 的一個主要賣點（Fagnantand Kockelman，2015）。然而，對人們來說 AV 存在風險、不確定性和失控等問題（Kyriakidis，2015）。駕駛以安全為核心。當人們乘坐 AV 時意味著將自己的安全全權交給了自動駕駛系統。他們將會提出比自駕安全性更高的自動駕駛安全要求（Waycaster，2018）。我們之前的研究發現公眾認為 SDVs 應當比傳統的人類駕駛車輛安全 4 到 5 倍。如果人們不能從 AV 的體驗中感受到相當程度的安全，他們就不可能接受和使用 AV。事實上，一些對公眾觀點的調查結果是許多人們對 AV 的安全問題非常擔心（Bansal，2016；Howardand Dai，2014；Kyriakidis，2015），這可能會導致他們不愿意乘坐 AV。一些研究已經強調到，增強感知安全性對促進公眾對 AV 的接受度有關鍵作用（Salonen，2018；Shariff，2017）。然而，據我們所知，還沒有實驗性研究探究過感知安全性對 AV 接受度的影響。

在本文的研究中，感知安全性被定義為駕駛員和乘客駕駛或乘坐 AV 時能夠感受到放松、安全和舒適的趨勢。實驗性證據（Delbosc andCurrie，2012）表明感知安全性是乘坐公共交通意向的一個重要預測因子。對 AV 來說，人們的安全性感知更加重要，因為人們對這項技術的安全性高度擔心。本文的現場研究中，如果參與者在體驗 AV 的過程中感到非常安全，他們就可能更有意向在未來使用 AV，同樣也會愿意再次乘坐他們體驗過的 AV。因此，我們提出了下面兩個假設：

H5、H6：感知安全性與行為意向和再乘坐意愿呈正相關。

2.2.3 信任度

信任是一種心理狀態，就像基于對另一個人的意圖或行為的積極期望而接受其弱點（Rousseu，1998）。信任是人機交互的基礎（Leeand Moray，1994；Lee and See，2004）。人和自動化機器之間的交互通過信任度來調解（Ghazizadeh，2012）。有研究發現，對自動化機器的信任度影響人們的接受度、利用率和依賴行為（Lee and Moray，1994；Lee andSee，2004；Merritt and Ilgen，2008；Parasuraman and Riley，1997），信任度是進行依賴性活動的心理驅動因素。這里對 AV 的信任度定義為公眾和潛在消費者愿意成為 AV 推廣者的意愿程度。

雖然在 TAM（Davis，1989）模型及其后研究（Venkatesh，2003；Venkatesh，2012）中最初并沒有考慮到信任度，但許多后期的研究（Ghazizadeh，2012；Hengstler，2016；Pavlou，2003）認為把 Trust 加入 TAM 模型中是必要的，尤其是在高風險和不確定的情況下。Pavlou（2003）把 Trust 和感知風險加入 TAM 模型應用于電子商務相關研究，并且假設信任度能夠直接影響行為意向，或者通過感知有用性、感知易用性和感知風險間接影響行為意向。在Pavlou（2003）假設的基礎上，Ghazizadeh（2012）把 TAM 模型拓展到自動化技術接受模型上來解釋自動化技術的接受情況，并且指出對自動化技術的信任度可以是行為意向的直接決定因素，也能通過感知有用性和感知易用性間接影響行為意向。Choi 和 Ji（2015）應用這些模型研究外行人使用 AV 的行為意向。

作為一種情感反應，對技術的信任可能會產生接受和使用該技術的意愿（Lee and See，2004；Mcknight，2002）。信任度對消費者使用信息系統和電子商務的意愿的直接作用已經被許多研究測試驗證過了（Gefen，2003；Mcknight，2002；Pavlou，2003）。相似地，Trust 的水平決定了 AV 將會被消費者使用的程度（Shariff，2017）。如果人們不是足夠信賴 AV，他們就不會使用 AV 進而從中獲益。因此，充分的公眾信任度被認為是 AV 大量應用的必要前提（Noy，2018；Shariff，2017）。這個引出以下的假設：

H7、H8：信任度與行為意向和再乘坐意愿呈正相關。

信任度可能會影響與技術相關的感知有用性和感知易用性認知過程的形成，并最終做出是否接受該技術的判斷。因此，信任度可能通過感知有用性和感知易用性間接影響行為意向（Choi andJi，2015；Ghazizadeh，2012；Nordhoff，2016；Pavlou，2003）。此外，信任度還有減少感知風險和不確定性的特定作用。之前的研究（Choi and Ji，2015；Pavlou，2003）都曾證實信任度能夠降低感知風險。相信 AV 技術可靠性的人更有可能克服他們對這項技術的風險感知度。因此，在使用 AV 時高度信任更能夠增強安全性感知。這可以引出以下假設：

H9、H10、H11：信任度與感知有用性、感知易用性和感知安全性呈正相關。

基于上述理論假設，提出如圖 1 所示的自動駕駛車輛技術接受度模型。圖中的四個內容（信任度、感知有用性、感知易用性、行為意向）與 L5 級自動駕駛車輛有關。由于現階段沒有 L5 級的自動駕駛路測車輛，因此本文使用一輛較低自動化的 AV 來讓參與者直接體驗不同交通場景下的自主駕駛。參與者將會在體驗后校正他們對自主駕駛車輛的感知和判斷。

圖 1 自動駕駛技術接受度模型

3.方法論

3.1設備和場景設計

圖 2 所示是試驗用自動駕駛汽車——信達 AV，其上裝配了高分辨率立體攝像機，一個激光雷達和一個差分 GPS。信達 AV 是由比亞迪汽車集團制造的乘用車改裝而成，主要用來進行科學研究和實驗。信達 AV 是 SAE Level 3 水平：系統能夠完成一些駕駛任務并監控某些情況下的行駛環境，人類駕駛員必須在自動駕駛系統請求時接管車輛控制權。信達AV能夠實現五種類型的功能：

感知和定位；

全局路徑規劃；

行為推理；

軌跡規劃；

軌跡跟蹤控制。

當給信達 AV 一個計劃目的地時，它將根據已知交通網絡計算可行路線并開始遵循計劃路線行駛。運行過程中，信達 AV 能夠感知道路上靜止的和突然出現的動態物體，并控制車輛的方向和速度以避免可能發生的碰撞。

圖 2 長安大「信達號」自動駕駛車

長安大學車聯網與智能汽車試驗場 CU-CVIS 構建了一個自動駕駛車輛測試軌道 AVTT。CU-CVIS 包括一條 2.4 公里長的環形高速雙向測試道路，一個 1.1 公里長的 4 車道直線軌道，并擁有四種不同路面，是一個進行智能網聯汽車應用測試的綜合封閉場地。

該自動駕駛車輛測試軌道長 1 公里，如圖 1 所示，共設計了 9 種典型駕駛場景，記為 S1-S9。測試軌道圖和部分場景圖如圖 3 所示。

表 1 九個駕駛場景的描述

圖 3 測試軌道圖與 S1、S9 場景圖

3.2措施

表 2 列出了信任度、感知有用性、感知易用性、感知安全性、行為意向和再乘坐意愿這六個結構和它們的具體感受項。所有的感受項都以同意程度來進行量化（絕對不同意為 1，絕對贊同為 5）。信任度、感知有用性、感知易用性和行為意向都與 L5 級自動駕駛車輛有關。感知安全性是對直接體驗的自動駕駛車輛的安全性水平感知；再乘坐意愿表示參與者愿意再次乘坐該 AV 車的程度。

表 2 六個結構及其具體感受項和來源

3.3參與者和試驗過程

300 名本科生自愿參加了試驗。300 人當中，57%（171 人）是男生，25.3%（76 人）持有有效駕駛證件，94.3%（283 人）之前聽說過 L5 級自動駕駛車輛。它們分別來自于班級為單位、個人郵件及其他社會媒體的申請報名。所有的參與者都在體驗前簽署了書面知情同意書。該研究是在長安大學的批準下進行的。

試驗時每次 AV 內乘坐 2-3 名體驗者。首先，參與者必須閱讀實驗的介紹，并對告知內容進行簽字確認；閱讀 L5 級自動駕駛車輛介紹內容，通過在安靜的實驗室里體驗前問卷調查的填寫來對其如何看待 L5 級 AV 做出回應。試驗中，測試員在駕駛 L3 級 AV 5-10 秒后切換至自動駕駛模式。接著，AV 在自動駕駛模式下通過所有駕駛場景。由于安全原因，一輛人工駕駛車輛在保持安全距離的情況下始終監控并記錄 AV 的實時情況。我們鼓勵體驗者對信達 AV 和 L5 級自動駕駛車的操作和功能進行提問。信達 AV 最終在測試駕駛員的操作下停在起點。之后，體驗者被引導回實驗室填寫更加完整的體驗后調查問卷。最后，向每一名體驗者支付了 30 元報酬。典型的現場實驗視頻可提供給有需要的讀者。本文中用到的數據是從體驗前后的問卷中提取出來的。

本文的現場試驗是在 2017 年 8 至 10 月間的晴天里進行的。整個實驗過程中使用相同的 AV 來確保參與者 AV 體驗的一致性。出于安全原因以及交通場景的復雜性（例如，在 S3 中綠燈和 S6 中緊急車輛通行的等待），AV 必須以相當低的速度運行在自動駕駛模式下，平均速度為 20 km / h，預設最高速度為 40km / h。這次 AV 體驗持續 4.5 到 5 分鐘。在試驗過程中，測試駕駛員的手離開了方向盤，但他隨時準備在必要時接管 AV；事實上，在整個現場試驗中沒有發生人工干預。每個參與者僅有一次試乘機會。

4.結果分析

4.1測量模型

基于偏最小二乘法（partialleast squares，PLS）的結構方程建模（the structural equationmodeling，SEM）技術（PLS-SEM）被用來測試測量模型和結構模型。PLS-SEM 被認為適合于分析復雜道路模型。它不受嚴格的、不切實際的假設的影響，樣本量要求不高。用R包「plspm」來進行 PLS-SEM 的分析，遵循引導程序（1,000 個子樣本）。

表 3 測量模型的信度和效度

如表 3 所示，參與者體驗 AV 前后測量模型的指標可靠性，內部一致可靠性，收斂有效性和判別有效性都被分別記錄下來了。這些指標沒有包括再乘坐意愿，因為再乘坐意愿是作為單獨一項進行測量的。PU3 和 PS3 這兩項由于低要素負荷（<0.70）而被刪掉了。在最終的測量中，判斷如下：

所有項目的因子載荷都高于 0.70，證實了指標的可靠性。

所有組合信度（CR）和 α 值都大于 0.70，證實了內部一致的可靠性。

所有平均提取方差（AVE）值超過標準值 0.50，證實了收斂有效性。

每個 AVE 的平方根（在表 4 中的對角線上示出）大于相關結構間的相關性，證實了判別有效性。

結構的方差膨脹因子（VIF）低于 3.0，表明不存在多重共線性（Hair 等，2014）。因此，測量模型的信度和效度是充分的。

表 4 體驗 AV 前后的均值（標準差）和零級相關性

對參與者 AV 體驗前后測量到的四種結構平均值進行比較發現，體驗后的 Trust，PEU，以及 PU 均顯著增加，但BI基本沒有變化（△M= 0.02）。根據 ELM 理論可知，直接體驗將增加感知-意向-行為之間的一致性。也就是說，正如本文假設的一樣，AV 體驗增加了四種結構（Trust，PU，PEU 和 BI）之間的相關性（見表 4）。

使用費希爾變換來評估相關變化的顯著性，主要將相關系數檢驗中的相關系數 R 轉換成 Z 檢驗統計量。PU 和 PEU（△R = .16，z = 3.07，p = .002），PU 和 BI（△R = .17，z = 3.33，p <.001），以及 PEU 和 BI（△R = .19 ，z = 3.06，p = .002）之間的相關性都顯著增加了，而 Trust 和 PU 之間僅略微增加（△R = .11，z = 1.87，p = .062）。Trust 和 PEU（△R = .10，z = 1.51，p = .130），Trust 和 BI（△R = .03，z = 0.36，p = .716）之間的相關性沒有變化。六個相關性中有四個顯著或略微增加，表明 AV 體驗增加了相關結構之間的一致性。

4.2結構模型

本節首先在結構模型層面測試評價了 AV 體驗的影響。然后，在參與者的 AV 體驗之后，檢查了完整的結構模型，確定了影響 BI 和 WTR 的心理決定因素。

4.2.1 TAM模型

首先，我們在傳統的TAM模型中加入了 Trust，然后我們基于參與者體驗 AV 前后的收集數據使用 PLS 分析該 TAM 模型。我們進行了三種類型的比較。第一，檢查這些路徑（見表 5）的重要性，發現 AV 體驗使感知易用性成為行為意向的一個重要預測因子。第二，比較了路徑系數。這兩個模型（體驗前后）展示了三種不同的路徑：PU→ BI（H1：△β=0.15，p = .039），Trust→BI（H7：△β=-0.17，p = .017）和 Trust→PU（H9：△β=0.11，p = .017）。Trust 和 BI 之間的相關性沒有變化（△R= .03）（見表 4），但它們的路徑系數下降了（△β= -0.17），可能是因為 AV 體驗加劇了 PU 和 PEU 對 BI 的影響。第三，比較了參與者 AV 體驗前后 PU、PEU 和 BI 的解釋方差（R2）之間的比例差異。PU 和 BI△R2 的 95％ 置信區間是 PU（△R2= .12）和 BI（△R2= .15），表明直接體驗顯著增加了 PU 和 BI 的解釋力。

表 5 AV 體驗前后的路徑系數β和解釋方差 R2

4.2.2結構模型的完善

以下分析包括調解和預測分析，是特定于完善圖 1 中的結構模型。如圖 4 所示，結果支持除一個假設之外的所有假設，即 PEU 不是 WTR（H4：β=- .05，p = .422）的重要預測因子。

圖 4 完整結構模型

對于完整的結構模型，BI 和 WTR 的 R2 值分別為 0.55 和 0.40，大于 0.10 的截止值。對于 PU，PEU 和 PS，所有 R2 值均大于 0.05。因此，研究模型對所有內生變量具有可接受的解釋力。

擬合優度（GoF）標準用作 PLS 的全局擬合度量，范圍從 0.00 到 1.00。擬合優度 GoF 定義為 AVE 和內生變量 R2 均值的幾何平均值。GoF 標準是 0.10，0.25 和 0.36，分別適用于小、中、大三種影響程度。本文的 GoF 計算為 0.55，大于大影響程度的截止值 0.36。

我們在傳統 TAM 模型上增加了 Trust 和 PS，并將新模型與傳統 TAM 模型（PU 和 PEU 兩個預測因子）進行了比較。新模型中，BI 和 WTR 的 R2 值分別增加 0.01（F（2,293）=17.6，p<0.001），0.4（F（2,293）=47.1，p<0.001）。因此，在 TAM 模型中增加 Trust 和 PS 被證明是有意義的，特別是對于解釋 WTR。

先前的研究表明人們對 AV 的感知和態度與他們的社會人口學特征有關。Liu 等（2018）表示在設計和應用新型交通技術時，應當考慮這些人口學特征的差異，因此確實有必要考慮人口統計學變量。本文的研究中收集統計了性別、之前是否聽說過 L5 級完全自主駕駛車輛、是否擁有駕駛執照這三個人口統計學變量。分析過程中，在控制好這些統計學變量對模型中六種結構產生影響的前提下，重新檢查了圖 4 中的結構模型。

4.3中介效應分析

假設 Trust 通過 PU、PEU、PS 三個因素間接影響接受度。使用 Sobel 的 z 方法理論來檢查 Trust 對對接受度的間接效應。計算方差占比（VAF）來確定間接效應對全局效應（直接效應+間接效應）的強度。使用經驗法則來確定中介效應（即間接效應）：VAF> 80％，完全中介；VAF <=80％，部分中介；VAF <20％，無中介。

如表 6 顯示，PU、PEU 和 PS 對 Trust→BI 的起到顯著的中介作用（ps <.01）。它們的 VAF 值介于 39％ 至 70％ 之間，超過了 20％ 的閾值水平，表明它們對 Trust→BI 關系具有部分中介作用。同樣地，在 trust→WTR 關系中 PU 和 PS 也是顯著的中介變量（ps <.001 和 VAF> 20％）。與其他中介變量相比，PU 對信任的間接效應的影響更大。Trust 的間接效應高于對兩種接受度的直接效應（見表 6）。

表 6 Trust 的直接和間接效應

5.結論

大規模采用 AVs 的最大障礙可能是心理上的，而不是技術上的。了解哪些因素以及它們如何影響人們對 AV 的接受度和使用至關重要。嚴重依賴對擁有很少有或沒有 AV 體驗實驗者的在線或紙質調查數據來評估公眾接受度已經受到質疑。本實地研究有助于理解直接體驗對 AV 接受度的影響，影響接受度的決定因素以及這些因素的關聯，并找出哪些決定因素可以解釋和預測 AV 接受度。本現場實驗邀請了在可預見將來將是 AV 早期使用者的 300 名學生，體驗自動駕駛中的九個復雜場景。他們對 AV 的直接體驗被發現增加了他們對 L5 級自動駕駛車輛 SDV 相關的 Trust 和兩種認知信念（感知有用性和感知易用性），并且特別地發現這兩種認知信念更能預測使用 SDV 的行為意圖。感知有用性、信任度和感知安全性是參與者使用 SDV 的行為意向和愿意重新乘坐 AV 的積極預測因素。信任度對 AV 接受產生了直接影響，也產生了間接影響。目前的研究結果為設計和推廣提供了有用的見解 AVS 標準。

結論 1：直接體驗能增強人們對 AV 的 Trust、PU、PEU；

結論 2：Trust、PU、PS 均與 BI、WTR 呈正相關，即直接影響 BI、WTR；

Ps1：Trust 不僅直接影響 BI、WTR，而且能通過其他因素間接影響 BI、WTR；

Ps2：PEU 只能在體驗后預測 BI，與 WTR 無相關性；

結論 3：本文提出的模型具有對 AV 接受度的預測能力。