基于扩展技术接受模型的自动驾驶汽车使用意愿研究

基于扩展技术接受模型的自动驾驶汽车使用意愿研究

唐露萍1

（1.西华大学，汽车与交通学院，成都610039）

摘要：为探究用户对自动驾驶汽车的使用意愿，文章从用户的角度构建了自动驾驶汽车使用意愿分析模型。首先以自动驾驶汽车潜在用户为研究对象，综合利用显变量和潜变量的相关关系，量化分析各个影响因素之间的关系以及对使用意愿的影响程度；其次对模型的信度、效度、区别效度进行了检验，并计算了模型拟合度和各个变量之间的路径系数；最后根据五大人格分群，研究不同人格下对应的路径系数，并对模型结果进行分析。研究结果表明：感知有用性、感知易用性、感知风险、社会信息影响、人格都直接或间接影响用户对于自动驾驶汽车的使用意愿。此外，不同人格特质下对社会信息的接受程度也不同，但不同人格对社会信息的正向影响都是显著存在的。

关键词：自动驾驶汽车；技术接受度模型；使用意愿；五大人格；群体特征分析

Research on Usage Intention of Autonomous Vehicles Based on Extended TechnologyAcceptance Model

Tang Lu-ping1

（1School of Automobile and Transportation, Xihua University，Chengdu 610039,China）

Abstract: To investigate users' willingness to use autonomous vehicles, this paper constructs an analysis model of autonomous vehicle usage willingness from the user's perspective. First, the study takes potential users of autonomous vehicles as the research object, comprehensively utilizes the correlations between manifest variables and latent variables, and quantitatively analyzes the relationships and influence degree of various influencing factors on usage willingness; second, the study verifies the reliability, validity, and differential validity of the model, calculates the model fit and the path coefficients between variables; finally, based on the five personality types, the study analyzes the corresponding path coefficients under different personality types, and analyzes the model results. The research findings show that perceived usefulness, perceived usability, perceived risk, social influence, and personality all directly or indirectly affect users' willingness to use autonomous vehicles. In addition, the degree of acceptance of social information is different among different personality types, but the positive influence of personality on social information is significant.

Key words: autonomous vehicles; technology acceptance model; usage willingness; five personality types; group characteristic analysis.

1 介绍

随着图像识别、人工智能和高性能计算机的全面发展，未来道路的规则将随着自动驾驶汽车（autonomous vehicles）的普及而发生改变。为了方便自动驾驶汽车的研究与开发，美国汽车工程师协会（the Society of Automotive Engineers (SAE)）于2014年1月针对自动化水平制订了标准。标准将自动驾驶汽车划分为6个等级，为L0到L5。其中L0到L2需要驾驶员监控驾驶环境，而L3到L5由自动驾驶系统（Automated driving system）监视驾驶环境[1]。在2021年4月，SAE对高级别自动化驾驶（L3~L5）进行了更加详细的定义与区分。

为了适应自动驾驶汽车的到来，许多国家都在制定相关法规。在美国，国家公路交通安全管理局（the National Highway Traffic Safety Administration (NHTSA)）在2017年举行了“Automated Driving Systems: A Vision for Safety 2.0 (ADS 2.0)”，意在鼓励自动驾驶汽车技术的安全开发、测试、部署以及制定一个监管框架[2]。2018年，美国交通部（the U.S.Department of Transportation (USDOT)）发布了“Preparing for the Future of Transportation: Automated Vehicles 3.0（AV 3.0）”。AV 3.0作为ADS 2.0的拓展，它将范围扩展为所有地面道路运输系统，并围绕三个领域展开：:1)Advancing multi-modal safety, 2)Reducing policy uncertainty, and 3)Outlining a process for working with U.S. DOT[3]。2021年，美国交通部（the U.S.Department of Transportation (USDOT)）在优先考虑安全并为未来交通做准备的前提下，发布了“Automated Vehicles Comprehensive Plan（AVCP）”，重点是Promote Collaboration and Transparency，Modernize the Regulatory Environment，and Prepare the Transportation System[4]。

在欧洲，主要的国家都成立了自动驾驶汽车相关的法案。其中，德国在2021年颁布了“the Automatic Driving Bill”，旨在为自动驾驶车辆的使用建立法律确定性，以及提供一个法律框架，为自动驾驶的测试和未来市场提供先行保障[5]。

中国针对自动驾驶汽车也建立了相关的法规。在2021年3月，中国公安部发布了《道路交通安全法（修订建议稿）》，旨在明确自动驾驶汽车的测试和道路行驶等相关责任划分。同月，深圳发布了《深圳经济特区智能网联汽车管理条例（征求意见稿）》，针对自动驾驶汽车测试、登记使用等多方面进行全链条立法，为未来自动驾驶汽车商业化打下了基础。2022年8月，中国交通运输部在总结试点运行的基础上颁布了《自动驾驶汽车运输安全服务指南（试行）》（征求意见稿），重点在鼓励和规范自动驾驶汽车在运输服务领域的应用以及保障运输安全。

很多国家现在都在积极制定法规和试推行自动驾驶汽车。行为主体的使用意愿直接决定了实际行为，所以使用意愿但道路使用者自身意愿对自动驾驶汽车的推广有着重要影响，该领域的研究可以帮助政策制定者出台引导政策提供思路，汽车制造商也可以有针对性的进行商品设计与推广。

基于此，本文在充分了解已有研究基础上，进行意愿研究实验设计，收集实验数据，构建理论模型，讨论研究结果，并对未来自动驾驶汽车使用意愿的相关研究进行展望。

2概念研究模式与假设发展

本节将从技术接受度模型基本假设、人格、社会影响、感知风险四个部分对模型的构建进行阐述。

2.1 基本假设

人们对于新技术的感知属性主要可以分为三类：感知易用性、感知有用性与风险感知性。Hegner等人[6]的研究指出，相关的先验知识能够提高人们对自动驾驶汽车的感知易用性与有用性，从而提高人们的使用意愿。并且感知有用性与自动驾驶汽车使用意愿有着显著的正相关性[7]。

风险感知性与自动驾驶的使用意图有着显著的相关性[8]。人们对于自动驾驶技术知识的缺乏和对外界危险的感知会使人们产生一种消极的态度，降低人们的使用意愿。特别是当自动驾驶的风险更为突出时，这种影响将尤为明显[8, 9]。本文针对自动驾驶汽车用户使用意愿基于技术接受模型的假设如下：

H5：感知易用性会正向影响感知有用性；

H6：感知有用性会正向影响自动驾驶汽车用户的使用意愿；

H7：感知易用性会正向影响自动驾驶汽车用户的使用意愿；

H8：感知风险会负向影响自动驾驶汽车用户的使用意愿。

2.2 人格

自动驾驶使用意愿的一个重要影响因素还来自使用者的人格特征。人格是在生理以及环境因素共同作用下形成的稳定认知、行为和情感模式[10]。因此，人格可以用来预测自动驾驶的使用意愿。有研究表明，责任心人格的拥有者对于自动驾驶的使用意愿是消极的[11]。责任心越强的人，更愿意遵循现有的规矩而不是打破规矩。神经质与自动驾驶技术使用意愿之间呈负相关[10-12]。本文针对自动驾驶汽车用户使用意愿基于技术接受模型的假设如下：

H1：人格会正向影响自动驾驶汽车用户对社会信息的接受程度；

2.3 社会影响

当人们选择新兴技术时，通常会受到媒体信息和周围朋友意见的影响。在Hegner等人[6]的一项研究中发现，媒体关于自动驾驶的负面报道对人们选择使用自动驾驶有着显著的影响。这可能是人们对于新兴技术独有的恐惧。人们在关注自动驾驶汽车时，接收的信息多数来自媒体的负面报道，容易造成了人们在选择时的误判[6, 13]。本文针对自动驾驶汽车用户使用意愿基于技术接受模型的假设如下：

H2：自动驾驶汽车用户对社会信息的接受程度会正向影响感知有用性；

H3：自动驾驶汽车用户对社会信息的接受程度会正向影响感知易用性；

H4：自动驾驶汽车用户对社会信息的接受程度会负向影响感知风险；

2.4 模型假设

基于上述对自动驾驶汽车使用意愿影响因素的探究，模型以用户使用意愿作为研究目标，考虑PLS-SEM模型能够较好地处理变量测量带来的误差，在探索性和解释下研究中较为适当，故选择PLS-SEM模型研究方法，构建人格、社会影响、感知有用性、感知易用性、感知风险对自动驾驶汽车用户使用意愿影响因素的结构模型如图1所示，进一步探究人格、社会影响、感知有用性、感知易用性、感知风险对自动驾驶汽车用户使用意愿的作用机理。

图1 扩展技术接受模型与假设

3方法论

本节将从实验设计、数据收集、数据测量检验三个部分进行阐述。实验设计主要包括问卷的设计及题项；数据收集主要包括数据收集过程及数据的描述性分析；数据测量检验主要包括数据信度、效度的计算及分析。

3.1 实验设计

实验主要内容涉及个人社会经济属性；人格、社会影响、感知有用性、感知易用性、感知风险、使用意愿等方面的5级Likert量表问题等。在具体变量测度中，运用Likert五级量表，从1-5分分别表示“完全不符合”到“完全符合”，请被调查者依据量表问题的陈述和个人的相符程度进行选择，其中，1=完全不符合，5=完全符合。

为保证本研究测量工具的信度和效度，研究中涉及人格、社会影响、感知有用性、感知易用性、感知风险、使用意愿均为不可直接观测的潜在变量，需要找到能够表现它们特征的观察变量，建立相关的测量模型。主要通过对现有文献的研究分析，借鉴有关学者的成熟量表，同时结合自动驾驶汽车用户的属性特性，进行适当修订而成，潜变量测量量表如表1所示。

表1  潜变量测量量表

在此基础上，该量表2021年在自动驾驶汽车潜在用户中进行了预调查、正式实验，并进行了简单的数据处理，以评估问卷的可操作性和实用性，根据其结果对量表进行了修订，以保证量表的信度和效度。

3.2 数据收集

本研究团队在2022年8月-2022年10月，2023年10月-2023年11月，以自动驾驶汽车潜在用户为调研对象，通过线上、线下结合的方式进行问卷的发放。本文主要针对2023年数据进行分析。本调查总共收回有效问卷857份。样本描述性统计分析结果如表2所示。

表2  描述性样本统计分析

3.3 模型信度评价

在本研究中，主要通过测量题项内部一致性检验对量表的信度进行评价。内部一致性通过Composite reliability (rho_c)值和Cronbach's alpha系数来验证，在探索性研究中要求Composite reliability (rho_c)值在0.7以上，Cronbach's alpha系数大于0.6即可。从表中数据可以看出，所有潜变量的Composite reliability (rho_c)值和Cronbach's alpha系数都满足要求，这表明测量模型具有较好的信度。该模型信度结果如表3所示。

表3  样本信效度检验结果

3.4 模型效度评价

对效度而言，所有Factor loading（因子负荷）大于0.5才能够合理解释潜变量，从表3可以看出，本研究所有的Factor loading（因子负荷）满足结构效度要求。

对区别效度而言，本研究采用Fomell-Larcker法对区别效度进行评价。

根据学者Fomell-Larcker（1981年）的研究，当本模型中任何一个潜变量的AVE均方根值均大于其下方的相关系数的平方，说明量表各潜变量间具有较好的区别效度。该模型区别效度检验结果如表4所示。

表4  样本区别效度检验结果

通过上述方法验证，说明研究模型的所有潜变量之间都具有一定效度及区别效度。测量变量与潜变量之间具有较好的线性等价关系，测量变量能够较好地解释潜变量。

4结果

本节将从结构模型检验、模型数据分析、群体特征分析三个部分进行阐述。结构模型检验主要指对模型拟合能力的检验；模型数据分析主要包括各假设之间的路径系数及P值检验；群体特征分析主要指将所有被调查者按照主人格进行分类，对不同人格人群进行特征分析。

4.1 模型拟合能力评价

在本研究中，通过标准化的均方根残差（SRMR）、规范适配指标（Normed Fit Index）进行模型拟合能力评价。

SRMR是用于评估观察的和预期相关矩阵差异的平均大小，属于绝对拟合优度指数（Absolute Goodness-of-Fit Indices）根据Hu and Bentler（1998）的标准，SRMR<0.1即可接受，而更严格的标准SRMR<0.8；Normed Fit Index其取值在0~1之间值，越接近1表示模型拟合越好，一般将大于0.9作为判断标准。根据下表所示，模型SRMR值为0.042＜0.1，NFI值为0.904＞0.9，满足要求，可以判定该模型的拟合度较好。该模型拟合能力结果如表5所示。

表5  模型拟合能力评估

4.2 TAM模型分析

在评估结构模型之前，首先利用方差膨胀因子（VIF）检查共线性。一般来讲，方差膨胀因子值应低于3，本文的VIF值在1.644-2.581之间，见附录1，说明该模型不存在严重的共线性问题，故可进行结构模型分析。

本文使用自助法分析结构模型，设定子样本数5000，得到结果如表6所示。

表6  模型假设检验结果说明

表中展示了所提假设的路径显著性分析结果。路径“感知风险 -> 使用意愿”的显著水平p＞0.05，未达到显著，其余路径均达到统计学的显著要求。因此，8个假设中，H8（感知风险会负向影响自动驾驶汽车用户的使用意愿）不成立，其余7个假设都成立。

结果表明，人格对社会信息的影响（路径系数为0.440，P值＜0.05）具有预期的显著积极影响，在后文将对不同人格群体对社会信息的影响进行分类讨论。

社会信息影响对感知易用性（路径系数为0.280，P值＜0.05）、感知有用性（路径系数为0.270）也具有显著的积极影响，这表明可以通过社交媒体等方式提高用户对自动驾驶汽车的态度；同时，社会信息影响对感知风险（路径系数为-0.073，P值＜0.05）具有负面影响，这也表明通过社交媒体对自动驾驶的宣传，可以在某种程度上减少用户的感知风险性。

感知有用性（路径系数为0.314，P值＜0.05）、感知易用性（路径系数为0.314，P值＜0.05）均对自动驾驶汽车用户使用意愿具有预期的显著积极影响，且感知易用性最为显著，这表明提高用户对自动驾驶汽车操作便捷性的了解程度可能会鼓励用户使用自动驾驶汽车。

4.3 群体特征分析研究

本节主要探讨不同人格特质下用户对自动驾驶汽车的使用意愿。

根据统计结果，将人格1（人格6）、人格2（人格7）、人格3（人格8）、人格4（人格9）、人格5（人格10）量表题得分相加，选取相加最高分，作为该被调查者主人格。得到外向型人格291人，宜人性人格357人、尽责性人格375人、神经质人格348人、开放性人格370人。由于有部分被调查者存在多项人格分数相同情况，故本文各主人格相加人数大于857人。

分群研究路径系数结果见表所示。

表7  分群研究路径系数结果

表中结果表明，人格对社会信息的正面影响在所有人格中都显著存在，但不同人格对社会信息的影响程度不同。

其中，外向型人格对于社会信息的接受能力正向影响最显著（路径系数为0.463，P值＜0.05），外向型人格提高1％，对社会信息的接受程度相应提高0.463％，这也与外向型人格程度高的个体更喜欢人群，更倾向于与人进行沟通交流，接受各方面的社会信息这一特质相对应。同时与外向型人格对人工智能系统的信任呈正相关这一结论相同，从该角度看，高外向性用户对自动驾驶技术有更高的接受度。Charness等的研究显示外向型较高的人更不愿意放弃对汽车驾驶的控制，这与我们的结果相驳，原因可能为外向型高的人更享受能提供互动和刺激感的环境。因此更不愿使用参与感和刺激感较低的自动驾驶技术。后续的研究应对这一假设进行验证。

而尽责性人格对于社会信息的接受能力（路径系数为0.423，P值＜0.05），尽责性人格提高1％，对社会信息的接受程度相应提高0.423％，虽也存在正向影响，但相比于其它四种人格，路径系数较低，与尽责性人格具有个体约束、管理和控制自身行为和想法的能力，个体有组织性、自律性和责任感相对应。有研究发现尽责性与用户对自动驾驶汽车的使用意愿程度成正比，也有研究显示尽责性高的人对自动驾驶汽车的关注并非出于潜在的使用意愿，而更可能是希望获得更多的信息以确定这种不确定性技术带来的影响和变化。

5 讨论

本文从影响用户使用意愿的角度出发，把握潜变量和显变量的相关关系，分析了自动驾驶汽车用户的不可直接测量的变量，建立了用户使用意愿结构方程模型，分析各个影响因素之间的关系和对使用意愿的影响程度。通过实例分析，对模型的信度、效度、区别效度进行了检验并计算了模型适配度和各个变量之间的路径系数，并根据分群研究路径系数对模型结果进行分析，得出了以下结果：

（1）通过结构方程模型引入人格、社会影响、感知风险三个变量分析发现模型解释能力提高。感知有用性、感知易用性、感知风险、社会影响、人格都直接或间接影响用户对于自动驾驶汽车的使用意愿，各潜变量之间也相互影响。

（2）不同人格特质下对社会信息的接受程度也不同，但不同人格特质下人格对社会信息的正向影响都是显著存在的。同时，外向型对社会信息的接受度最高，尽责性对社会信息的接受度最低。

（3）在现有研究情况下，自动驾驶汽车还未大规模使用，研究对象仅为自动驾驶汽车的潜在用户。但随着科技的进步、社会的发展，自动驾驶汽车将逐渐进入人们的生活，影响自动驾驶汽车用户使用意愿的因素也会发生改变，未来需要进一步的研究。

参考文献

1.International S. Taxonomy and Definitions for Terms Related to On-Road Motor Vehicle Automated Driving Systems. 2014.

2.Administration NHTS. Automated Driving Systems: A Vision for Safety 2.0. 2017.

3.(USDOT) USDoT. Preparing for the future of transportation: Automated vehicle 3.0. 2018.

4.Transportation USDo. Automated Vehicles Comprehensive Plan 2021.

5.government Gf. On amendments to the Road Traffic Law and the compulsory insurance law - the Automatic Driving Bill. 2021.

6.Hegner SM, Beldad AD, Brunswick GJ. In Automatic We Trust: Investigating the Impact of Trust, Control, Personality Characteristics, and Extrinsic and Intrinsic Motivations on the Acceptance of Autonomous Vehicles. International Journal of Human–Computer Interaction. 2019;35(19):1769-80. doi: 10.1080/10447318.2019.1572353.

7.Koul S, Eydgahi A. Utilizing Technology Acceptance Model (TAM) for driverless car technology Adoption. Journal of Technology Management and Innovation. 2018;13(4):37-46.

8.Liu P, Yang R, Xu Z. Public Acceptance of Fully Automated Driving: Effects of Social Trust and Risk/Benefit Perceptions. Risk Anal. 2019;39(2):326-41. Epub 20180730. doi: 10.1111/risa.13143. PubMed PMID: 30059602.

9.Jing P, Huang H, Ran B, Zhan F, Shi Y. Exploring the Factors Affecting Mode Choice Intention of Autonomous Vehicle Based on an Extended Theory of Planned Behavior—A Case Study in China. Sustainability. 2019;11(4). doi: 10.3390/su11041155.

10.Li W, Yao N, Shi Y, Nie W, Zhang Y, Li X, et al. Personality Openness Predicts Driver Trust in Automated Driving. Automotive Innovation. 2020;3(1):3-13. doi: 10.1007/s42154-019-00086-w.

11.Charness N, Yoon JS, Souders D, Stothart C, Yehnert C. Predictors of Attitudes Toward Autonomous Vehicles: The Roles of Age, Gender, Prior Knowledge, and Personality. Front Psychol. 2018;9:2589. Epub 20181218. doi: 10.3389/fpsyg.2018.02589. PubMed PMID: 30631296; PubMed Central PMCID: PMCPMC6315114.

12.Kraus J, Scholz D, Baumann M. What's Driving Me? Exploration and Validation of a Hierarchical Personality Model for Trust in Automated Driving. Hum Factors. 2021;63(6):1076-105. Epub 20200706. doi: 10.1177/0018720820922653. PubMed PMID: 32633564.

13.Raue M, D'Ambrosio LA, Ward C, Lee C, Jacquillat C, Coughlin JF. The Influence of Feelings While Driving Regular Cars on the Perception and Acceptance of Self-Driving Cars. Risk Anal. 2019;39(2):358-74. Epub 20190116. doi: 10.1111/risa.13267. PubMed PMID: 30650211.