自动驾驶公交的公众接受度研究

杨尚将， 陈艳青， 吴宇鹏， 胡爱秀

(福建农林大学 金山学院， 福州 350002)

0 引言

在大力倡导优先发展公共交通、提倡绿色出行的社会背景下，自动驾驶公交因着力于信息化、智能化，可提高能源利用率，减少道路事故的发生，减少城市交通的拥堵，有效减缓驾驶疲劳. 因此，自动驾驶公交车科学合理的进行商业化，将会影响城市公共交通系统和城市生活空间布局，也将影响居民的出行方式[1]. 自动驾驶公交车的试运行已在多地陆续实施，但由于交通系统的复杂性与不确定性，自动驾驶公交车距离商用还存在很多障碍，尤其近年来多起无人驾驶车辆导致的交通伤亡事故，引发了公众对自动驾驶技术水平及法律法规监督的一定质疑，公众对自动驾驶公交表现出一定的抵制或者中立态度[2].

国内外不少学者对自动驾驶技术的接受度进行研究，Payre等[3]调查研究发现自动驾驶汽车的使用意愿受人格特证的影响；Salonen[4]调查了乘客在不同年龄段、不同性别、不同学历水平条件下对于自动驾驶公交车的交通安全、应急处理等服务的不同感受；ZHANG等[5]研究了自动驾驶技术接受度中信任因素以及感知风险对其所产生的影响. 陈坚等[6]提出基于UTAUT的无人驾驶公交乘客接受度模型，并在UTAUT模型基础上创新性的增添了个人创新性、感知风险2个新的潜变量.

已有研究主要围绕公众对自动驾驶技术使用意愿的影响因素进行分析，提出心理、生理行为角度以及个人属性等方面，而对自动驾驶公交车的研究较少，尚未形成一套完善的体系. 本文基于TAM3模型，引用感知愉悦性等若干变量，增添了社群影响、服务质量、个体需求性3个因素，构建自动驾驶公交公众接受度模型，采用Smartpls3.0软件分析问卷调查数据，用于宏观描述乘客对自动驾驶公交的心理感受，分析不同影响因素对于公众接受度的影响，对未来自动驾驶公交的发展以及城市公共交通的发展将具有深远意义.

1 理论基础与模型构建

1.1 第3代技术接受模型及其发展

1989年，美国学者戴Davis在原有的理性行为理论的态度、主观准则、感知行为控制因素基础上加入了3个决定关键因素：感知的有用性、感知的易用性、外部因素，提出了1个研究人员对信息系统接受时的模型，并命名为技术接受模型(Technology Acceptance Model TAM)[7]. 2000年，Venkatesh和Davis[8]提出了TAM的扩展模型TAM2，该模型侧重分析影响高效用和可用性的因素. 2008年，Venkatesh和Bala[9]基于TAM2模型，详细划分了感知易用性的影响因素，提出了TAM3模型，并引入了锚定因素和调整因素2个因素，认为锚定因素和调整因素两者对感易用性的影响具有重要意义.

TAM模型被广泛用于研究用户意愿和使用新兴技术的接受程度，现有不少研究利用TAM进行自动驾驶接受度论证，但目前针对自动驾驶公交车接受度的研究较为少见. 而TAM3具有广泛的普适性，乘客在接受自动驾驶公交车的过程与其接受信息系统的过程有一定的相似性，所以将TAM3用于研究乘客选择自动驾驶公交车的过程是可行的，因此，本此研究基础为TAM3模型，并构建出自动驾驶公交的公众接受意愿模型.

1.2 模型构建

参考TAM3模型中的若干变量，结合自动驾驶公交的乘客特征，增添了社群影响、服务质量、个体需求性3个变量，王嘉如[10]发现社群意识能正向影响用户的社群活动参与意愿；汪纯孝等[11]发现服务质量对旅客的行为意向有直接的影响；李海峰[12]研究发现个人需求特征直接影响出行方式的选择. 而社群活动参与意愿，旅行社的服务质量对旅客行为意向的影响，出行方式的选择，均与公众对自动驾驶公交车的接受意愿具有相似性，故引入上述3个变量探讨其对自动驾驶公交车接受度的影响. 因此最终确定变量及含义见表1.

对于TAM3，张培认为感知易用性的影响因素包括锚定因素(使用焦虑性)和调整因素(感知愉悦性)[13]，两者对感知易用性的影响存在此消彼长的关系，当使用焦虑性对感知易用性的影响增强时，感知愉悦性对感知易用性的影响就会减弱. 结合该理论基础及表1提出以下假设：

H1：服务质量会正向积极作用感知易用性；

H2：服务质量会正向积极作用行为意向；

H3：社群影响会正向积极作用行为意向；

H4：社群影响会正向积极作用乘客在使用自动驾驶公交车时产生的焦虑性；

H5：感知愉悦性会正向积极作用感知易用性；

从你对战争的哲学思考里，我感觉到你作为历史小说的创作者，心中有一项更严肃的使命——在尊重历史的同时，有自己独到的艺术和审美发现，并凭借自己深刻的思考让一个时代的精神和灵魂复活。的确，一个民族延亘了数十个世纪的道德感和价值观，不应该成为过时的、几近枯萎的陈旧纸页。遗憾的是，在对历史喧嚣的批判和歪曲颠倒的孟浪解析和刻意误读中，年轻一代应有的正确的历史观，被胡乱地抛撒到虚拟的网络和低俗的荧屏之中。唯其如此，更显《德克萨斯》的价值。

H6：个体创新会正向积极作用感知易用性；

H7：个体创新会正向积极作用感知有用性；

H8：使用焦虑性会负向消极作用感知易用性；

H9：使用焦虑性会负向消极作用感知有用性；

H10：使用焦虑性会负向消极作用行为意向；

H11：感知易用性会正向积极作用行为意向；

H12：感知易用性会正向积极作用感知有用性；

H13：感知有用性会正向积极作用行为意向；

H14：个体需求性会正向积极作用感知有用性；

H15：个体需求性会正向积极作用行为意向.

表1 变量及含义

参照以上假设，自动驾驶公交的公众接受意愿模型如图1所示.

图1 自动驾驶公交车的接受意愿模型

2 研究方法

2.1 潜变量量表设计

依据接受度模型的9个变量编制量表，设置相关题项共21题，问卷分为两大部分，第1部分是了解乘坐自动驾驶公交车乘客的基本信息情况，包括性别，年龄，学历等情况；第2部分是群众对自动驾驶公交车接受度的测量变量，问卷中的选项“非常不赞同”到选项“非常赞同”依次赋值1～5，并依据5点式量表计分法进行测评. 潜变量题项如表2所示.

2.2 数学分析方法

偏最小二乘结构方程(PLS-SEM)模型可处理变量测量引起的误差，能处理多变量的复杂结构模型，无数据分布要求，即使在小样本的情况下仍然有效，PLS-SEM模型更适合于探索性和解释性研究[14]，因此，本文采用PLS-SEM方法构建模型，使用Smartpls3.0软件进行模型验证.

2.3 模型检验

信度用于评定调查问卷数据结果的一致程度、可靠程度，克朗巴哈α系数(Cronbach’s Alpha)及组合信度(Composite Reliability)被用于衡量问卷整体与问卷设置的各种问题之间的相关信度. 克朗巴哈α系数一般在0～1之间. 如果α系数达到0.7～0.8，说明量表具有相当的可靠性.α系数在为0.8～0.9，说明该量表的具有相当不错的可信度.

平均方差提取值Average Variance Extracted(AVE)，是用于衡量数据的收敛效度，组合信度Construct Reliability(CR)，衡量潜变量中对应的问题是否一致性地解释该变量，如果因子的AVE值大于0.5，且CR值大于0.7，则说明该潜变量具有良好的有效性.

表2 潜变量问题题项

3 实例分析

本文采用匿名自填式线上问卷进行调查，通过问卷星平台、微信、QQ等多种网络途径分发和回收. 本次调查共回收277份问卷，排除作答时间过短、绝大部分选项答案相同、逻辑错误(问卷中设置了陷阱题，12题和25题为同一题目但不同表述)等无效问卷后，得到有效问卷共189份，有效回收率为68%.

3.1 描述性统计

对189份有效问卷进行统计分析，本次调查数据结果显示为男女比例在1∶1左右，年龄分布主要在18～40岁之间，学历多为本科层次，其相关详细数据见表3所示.

表3 问卷统计信息

3.2 信度和效度分析

信度通过克朗巴哈α系数和组合信度CR来评价. 本研究所有潜变量的α系数均在0.8以上，说明本模型信度相当不错，符合标准；模型的CR值均大于0.9，AVE值均大于0.8，表明本模型具有良好的结构效度，可进行后续分析. 具体参数如表4所示.

3.3 问卷数据区别效度分析

区别效度分析是比较结构变量中测量指标的内部相关性与各结构变量的外部相关性. 本模型结构要求其他潜变量的相关系数需要均小于AVE平方根的数值，即表格加粗部分，根据表5可得出此次区别效度分析结果达到标准要求，且代表本次设计量表其效度及相关性均具有可观的契合度.

表4 模型效度和信度分析

3.4 结构模型拟合度分析

通过决定系数R2来分析模型的解释能力，R2越大，测量变量对潜变量的解释程度就越高，R2为0.19代表模型对变量具有较弱的解释能力，0.33代表模型对于变量具备中等强度的解释能力，0.67代表模型对于变量具有非常强的解释能力. GOF在模型中用于表示回归拟合度，一般来说GOF大于0.36，说明具有良好的拟合效果[15]. 使用Smartpls3.0软件计算得到接受度模型的R2，GOF数值，如表6所示，R2分别为0.632，0.523，0.671，结果数据对应评判标准为中强度的解释能力. 模型的GOF为0.550，反映了本此研究模型模型具有不错的拟合效果.

表5 AVE平方根与潜变量间相关系数

表6 R2、GOF计算结果

3.5 结构方程模型验证

使用Bootrapping技术计算每个路径的路径系数、标准差、P值数据，通过P值判定潜变量关系的显著性，计算结果如表7所示，各潜变量对行为意向的影响作用按大小排序依次为：感知易用性(0.383)、社群影响(0.224)、感知有用性(0.218)；社群影响对使用焦虑性的影响作用最为显著(-0.582). 最后将未通过检验的H2、H10、H15从原模型中剔除得到最终模型结果如图2所示.

表7 模型路径系数及假设检验结果

图2 结构方程模型结果

4 结束语

本文在TAM3模型的基础上，增添了社群影响，服务质量，个体需求性3个因素，构建自动驾驶公交公众接受度模型. 通过匿名自填式线上问卷进行调查，得到有效问卷共189份，用PLS-SEM算法分析了试验数据的有效性和可靠性，对潜变量、各潜变量之间的关系进行具体化描述，结果表明：模型的CR值均大于0.9，AVE值均大于0.8，模型具有良好的信度和效度；各潜变量对行为意向的影响作用为：感知易用性(0.383)>社群影响(0.224)>感知有用性(0.218)，而“服务质量” “使用焦虑性” “个体需求性”的影响并不显著，从原模型中将其剔除；社群影响对使用焦虑性的影响作用最为显著(-0.582). 最后将未通过检验的H2、H10、H15从原模型中剔除，得到最终的自动驾驶公交公众接受度模型，该模型具有较好的适用性.

问卷第25题答题结果显示：交通工具的安全性影响着乘客的选择，现阶段，自动驾驶公交车应着重提高自动驾驶技术及安全性；模型路径研究结果显示，社群影响、个体创新性分别对行为意向和感知易用性影响较为显著，后期可优先邀请个人创新性高的人群进行乘坐体验，并通过这群消费者将乘坐体验分享和带动其他群众，提高自动驾驶公交车的认可度.