基于现场试验的自动驾驶汽车接受度研究

自动驾驶技术已经成为汽车产业发展的战略方向。然而，面向人类对于自动驾驶汽车接受度的现场实证研究却鲜有开展。本研究招募了 300 名参试者乘坐具备 SAE Level 3 水平的自动驾驶汽车，测量了参试者在乘坐前后对自动驾驶技术的信任度、感知有用性、感知易用性、感知安全性和接受度，确定了乘坐体验影响自动驾驶汽车接受的关键心理因素。

1.引言

根据世界健康组织的统计，每年全世界有超过 120 万人死于道路交通事故，对人类健康和社会和谐发展产生巨大的影响。超过 70% 的交通事故与人的错误操作有关（Dhillon，2007）。自动驾驶技术在减少因人类误驾驶而引发的交通事故方面具有很大的潜力（NHTSA，2016）。AVs 是能够感知交通环境，可通过软件算法导航，不需要驾驶员的决策和操作就能够控制车辆运动的新一代汽车。自动驾驶技术被认为是确保道路安全的突破性关键技术。AVs 还有减少交通拥堵、增强通勤效率、减少燃料消耗的潜力。根据 SAE 对汽车自动化水平的分类，有条件自动化 L3、高度自动化 L4、全自动化 L5 的 AVs 都能够自主驾驶。

自动驾驶技术越来越受到汽车制造商、科技公司、政策制定者以及公众的关注。许多的研究者和机构对 AVs 的长期应用做出了不同的预测。关于 AV 的应用预测引用最多的是 Litman 的研究，他预测道，到 2050 年自动驾驶将是绝大多数新车的一个标准功能，40-60% 的车辆队列、80-100% 的销售车型、50-80% 的汽车旅行都将应用 AVs。Litman 还预测，AV 在增强道路安全和减少交通拥堵方面的作用很可能会在 2040s-2060s 显现出来。

影响 AV 大量应用的障碍可能不是技术上的，而是心理上的。如果 AV 不能被公众广泛接受，那就不能增强道路安全，也不能实现对社会和环境的期望效益。现阶段关于公众对 AV 意见的投票调查显示，公众对 AV 持有抵抗或中立的态度。为了更好地预测、解释和增强公众对诸如 AV 等新兴技术的接收度，需要大量研究来深刻地揭示影响公众接收或拒绝新兴技术的原因。在意识到影响 AV 接收度因素的研究需求后，许多的研究者展开调查以确定影响公众使用 AV 意向的决定因素。

但是在这个领域的研究上仍然存在许多的空白。首先，了解公众对 AV 接受度的研究仍然是非常有限的，影响接受度的心理层面决定因素仍然是大量未知的。其次，大多数的研究依赖于线上调查，关注于了解对 AV 有很少或几乎没有真实体验的受访者的一般观点。像这样的一种调查研究方法可能得不到真实的研究结果。这些受访者不了解 AV 如何共工作、AV 功能、驾驶员与 AV 的交互方式。必须通过现场实验，让参试者真实体验 AV，然后根据他们的感受来解释公众对 AV 的接受度。就作者了解到的情况，目前在 AV 上还没有进行过这样的现场试验。

为了了解 AV 接受度背后的心理驱动因素，我们进行了一个现场试验。邀请了 300 名学生作为乘客体验 AV 以获得一手的乘坐体验数据。利用这些参与者的体验反馈结果，我们分析了真实直接的体验对 AV 接受度及其心理决定因素的影响，并建立了一个心理学模型来解释和预测参与者再乘坐该 AV 的意愿和未来使用 L5 级自动驾驶汽车的意向。

2.理论框架和假设

2.1接受度和心理模型

接受度是允许新汽车技术达到预测效益水平的先决条件。这个定义意味着接受度是交通系统新技术实施应用的必要条件。Adell 等（2014）也把驾驶员对车载系统的接受度定义为驾驶过程中系统与个人的协作程度，或者系统不可获得时使用它的意向。尽管接受度有多种定义，一般的理解是它涉及多个方面，比如购买意愿和使用意向（Adell，2014）。研究者经常关注于接受度的一个方面。

一些驾驶员行为模型和技术接受度理论被用来解释用户接受度，包括技术接受度模型 TAM，计划行为理论 TPB，技术应用和接受度统一性理论 UTAUT，UTAUT2。在这些理论里，TPB 用来解释驾驶员的一般行为，而其他三种模型是在解释信息系统研究中的技术接受度发展起来的。这些模型里包含三类结构，分别是人们对一种技术的看法和感知，使用这项技术的行为意向，以及实际的应用行为。这些模型的基本原理是人们的感知和看法将会决定他们的意向，进而决定他们的实际使用行为。研究影响用户使用意向和实际使用行为的主要感知因素是非常关键的。在 TAM 模型里，感知有用性 PU 和感知易用性 PEU 被认为是行为意向 BI 的两个直接影响因子。TPB 模型包括行为意向 BI 的三个内容——态度、主观规范和感知行为控制（与感知易用性相似）。它表明积极的态度、有利的规范性和意志控制看法都将正面影响技术的使用意向。在 UTAUT 模型里，假定期望的表现（如感知有用性）、期望的成果（如感知易用性）和社会影响都正面地影响行为意向，再和其他促进条件共同正面影响实际应用行为。UTAUT2 模型里又加入了享乐动机、价格值和习惯三个因素。

上面提到的模型都已经被用来解释新兴车载技术的驾驶员接受度。这些模型也被应用于近年基于调查的 AV 和 AS 研究，来解释人们使用 AV 和 AS 的意向。这些研究分享了某些发现，其中一个研究证实了这些心理模型影响行为意向的能力。这些研究在影响行为意向的因素方面产生了不一致或相互矛盾的结果。比如，感知有用性被逐渐发现是影响行为意向的主要预测因子，但有时被发现无法预测行为意向的具体措施（Nordhoff，2017）。这些与感知易用性对行为意向的重要性有关的不同研究结果主要有：Choi（2015）发现感知易用性是一个较弱的预测因素；Madigan（2017）和 Motak（2017）发现感知易用性是一个没有意义的预测因素；Nordhoff（2017）和 Lee（2017）发现感知易用性不是一个稳定的预测因素但是能影响行为意向的具体措施。准确理解感知易用性对行为意向重要性是必要的，因为 PEU 能够影响 AV 的用户设计方式。

2.2研究目标和假设发展

本研究的目的是两个方面。通过邀请参与者直接体验 AV 的自动驾驶模式，提出了大规模的现场研究，自然就引出了自动驾驶汽车体验的影响是什么的问题。对这个问题的准确回答是第一个目的。对直接体验的影响研究文献比较少，但是就是这些少量的研究其研究结果也较为混乱。在他们的小规模研究中，Motak（2017）指出 AS 的体验对参与者的感知有用性有所增强，并引起了参与者对 AS 积极的态度。Payre（2016）基于他们在全自动驾驶模拟器上的实验研究发现，模拟器体验并不能增加全自动驾驶的接受度，并且相反地，在驾驶条件受损的情况下模拟器反而降低了参与者使用它的兴趣。

本研究中，注意力集中在直接体验的其他影响上，主要是与观念、情感和行为相关的影响，这些影响被之前的接受度研究很大程度上忽视了。直接体验会帮助人们评估与对象相关的信息，引导人们用更加细致深入的体验达成合理的态度并校准他们的看法和感知，并在看法、意向和行为方面表现出更大的一致性。相反地，暴露出来的某些信息可能导致人们采取较少的努力过程。本文提出的的现场研究不仅考虑了直接体验是否会导致人们在信任度、感知有用性、感知易用性和行为意向方面的态度改变；而且测试了直接体验是否增加了心理决定因素和行为意向的相关性。此外，如上所述，现有的 AV 研究报告关于感知易用性对行为意向的重要性有不同的结论，本文的现场研究正好提供了一个 PU 对 BI 影响的验证机会。

第二个主要目的是基于现场体验数据解释和预测公众对 AV 的接受度并测试提出的心理学模型。鉴于以下两个原因，本文模型以传统的 TAM 模型为基础。第一，TAM 模型（Davis，1989）被先前的研究者应用在 AV 和车载技术调查上；第二，TAM 模型在解释驾驶员对新兴车载技术的接受度上有相对较好的效果。驾驶 AV 的感知安全性 PS 和对这个技术的信任度 Trust 这两个因素被突出添加进 AV 背景下的 TAM 模型里。鉴于安全是驾驶的第一要义并且 AV 是一项新兴技术，人们对 AV 的安全性感知和技术的初始信任度在他们对 AV 的接受度形成过程中发挥着关键作用。模型中考虑了行为意向 BI 和再乘坐意愿 WTR 两个接受度表现方面，它们用来检查所考虑的决定因素（PU，PEU，PS，Trust）能否成为 AV 接受度的稳定预测因子。

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对技术接受度有主要贡献的两个外部变量。Davis（1989）定义感知有用性为个人认为使用一个特定的系统时增强其工作表现的程度。通过定义，感知有用性被描述为系统被有效利用的程度。它跟 UTAUT（Venkatesh，2003）模型里的期望表现很接近。Davis（1989）定义感知易用性是个人认为使用一个特定系统不需要努力的程度。也就是说，感知易用性能够被理解为与人们在使用该系统时所感受到的困难相反。它与 TPB（Ajzen，1991）模型里的感知行为控制、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/易用性与技术接受度之间的积极联系（Davis，1989；Ghazizadeh，2012；KingandHe，2006；Rahman，2017；Venkatesh，2003）。这种联系的背后是行为决策研究中的成本效益范式（Payne，1992）。感知有用性与感知收益、感知易用性与感知花费都是紧密相关的。人们总在追求高收益低花费的决策。鉴于 TAM 模型已经通过各种技术、应用和系统被验证了，因此 AV 接受度也应该遵循这些关系。然而，正如第一部分所说，TAM 模型中的 PU、PEU 两个结构对 AV 接受度的影响可能并不像 TAM 模型描述地那样简单。本文的场地研究将首次验证下面的假设：

H1、H2：感知有用性与行为意向和再乘坐意愿呈正相关；

H3、H4：感知易用性与行为意向和再乘坐意愿呈正相关。

2.2.2 感知安全性

确保驾驶员、乘客和其他道路使用者安全，减少由于人类驾驶引发的交通事故等的紧迫需要已经刺激了 AV 的发展。安全性是 AV 的一个主要卖点（Fagnantand Kockelman，2015）。然而，对人们来说 AV 存在风险、不确定性和失控等问题（Kyriakidis，2015）。驾驶以安全为核心。当人们乘坐 AV 时意味着将自己的安全全权交给了自动驾驶系统。他们将会提出比自驾安全性更高的自动驾驶安全要求（Waycaster，2018）。我们之前的研究发现公众认为 SDVs 应当比传统的人类驾驶车辆安全 4 到 5 倍。如果人们不能从 AV 的体验中感受到相当程度的安全，他们就不可能接受和使用 AV。事实上，一些对公众观点的调查结果是许多人们对 AV 的安全问题非常担心（Bansal，2016；Howardand Dai，2014；Kyriakidis，2015），这可能会导致他们不愿意乘坐 AV。一些研究已经强调到，增强感知安全性对促进公众对 AV 的接受度有关键作用（Salonen，2018；Shariff，2017）。然而，据我们所知，还没有实验性研究探究过感知安全性对 AV 接受度的影响。

在本文的研究中，感知安全性被定义为驾驶员和乘客驾驶或乘坐 AV 时能够感受到放松、安全和舒适的趋势。实验性证据（Delbosc andCurrie，2012）表明感知安全性是乘坐公共交通意向的一个重要预测因子。对 AV 来说，人们的安全性感知更加重要，因为人们对这项技术的安全性高度担心。本文的现场研究中，如果参与者在体验 AV 的过程中感到非常安全，他们就可能更有意向在未来使用 AV，同样也会愿意再次乘坐他们体验过的 AV。因此，我们提出了下面两个假设：

H5、H6：感知安全性与行为意向和再乘坐意愿呈正相关。

2.2.3 信任度

信任是一种心理状态，就像基于对另一个人的意图或行为的积极期望而接受其弱点（Rousseu，1998）。信任是人机交互的基础（Leeand Moray，1994；Lee and See，2004）。人和自动化机器之间的交互通过信任度来调解（Ghazizadeh，2012）。有研究发现，对自动化机器的信任度影响人们的接受度、利用率和依赖行为（Lee and Moray，1994；Lee andSee，2004；Merritt and Ilgen，2008；Parasuraman and Riley，1997），信任度是进行依赖性活动的心理驱动因素。这里对 AV 的信任度定义为公众和潜在消费者愿意成为 AV 推广者的意愿程度。

虽然在 TAM（Davis，1989）模型及其后研究（Venkatesh，2003；Venkatesh，2012）中最初并没有考虑到信任度，但许多后期的研究（Ghazizadeh，2012；Hengstler，2016；Pavlou，2003）认为把 Trust 加入 TAM 模型中是必要的，尤其是在高风险和不确定的情况下。Pavlou（2003）把 Trust 和感知风险加入 TAM 模型应用于电子商务相关研究，并且假设信任度能够直接影响行为意向，或者通过感知有用性、感知易用性和感知风险间接影响行为意向。在Pavlou（2003）假设的基础上，Ghazizadeh（2012）把 TAM 模型拓展到自动化技术接受模型上来解释自动化技术的接受情况，并且指出对自动化技术的信任度可以是行为意向的直接决定因素，也能通过感知有用性和感知易用性间接影响行为意向。Choi 和 Ji（2015）应用这些模型研究外行人使用 AV 的行为意向。

作为一种情感反应，对技术的信任可能会产生接受和使用该技术的意愿（Lee and See，2004；Mcknight，2002）。信任度对消费者使用信息系统和电子商务的意愿的直接作用已经被许多研究测试验证过了（Gefen，2003；Mcknight，2002；Pavlou，2003）。相似地，Trust 的水平决定了 AV 将会被消费者使用的程度（Shariff，2017）。如果人们不是足够信赖 AV，他们就不会使用 AV 进而从中获益。因此，充分的公众信任度被认为是 AV 大量应用的必要前提（Noy，2018；Shariff，2017）。这个引出以下的假设：

H7、H8：信任度与行为意向和再乘坐意愿呈正相关。

信任度可能会影响与技术相关的感知有用性和感知易用性认知过程的形成，并最终做出是否接受该技术的判断。因此，信任度可能通过感知有用性和感知易用性间接影响行为意向（Choi andJi，2015；Ghazizadeh，2012；Nordhoff，2016；Pavlou，2003）。此外，信任度还有减少感知风险和不确定性的特定作用。之前的研究（Choi and Ji，2015；Pavlou，2003）都曾证实信任度能够降低感知风险。相信 AV 技术可靠性的人更有可能克服他们对这项技术的风险感知度。因此，在使用 AV 时高度信任更能够增强安全性感知。这可以引出以下假设：

H9、H10、H11：信任度与感知有用性、感知易用性和感知安全性呈正相关。

基于上述理论假设，提出如图 1 所示的自动驾驶车辆技术接受度模型。图中的四个内容（信任度、感知有用性、感知易用性、行为意向）与 L5 级自动驾驶车辆有关。由于现阶段没有 L5 级的自动驾驶路测车辆，因此本文使用一辆较低自动化的 AV 来让参与者直接体验不同交通场景下的自主驾驶。参与者将会在体验后校正他们对自主驾驶车辆的感知和判断。

图 1 自动驾驶技术接受度模型

3.方法论

3.1设备和场景设计

图 2 所示是试验用自动驾驶汽车——信达 AV，其上装配了高分辨率立体摄像机，一个激光雷达和一个差分 GPS。信达 AV 是由比亚迪汽车集团制造的乘用车改装而成，主要用来进行科学研究和实验。信达 AV 是 SAE Level 3 水平：系统能够完成一些驾驶任务并监控某些情况下的行驶环境，人类驾驶员必须在自动驾驶系统请求时接管车辆控制权。信达AV能够实现五种类型的功能：

感知和定位；

全局路径规划；

行为推理；

轨迹规划；

轨迹跟踪控制。

当给信达 AV 一个计划目的地时，它将根据已知交通网络计算可行路线并开始遵循计划路线行驶。运行过程中，信达 AV 能够感知道路上静止的和突然出现的动态物体，并控制车辆的方向和速度以避免可能发生的碰撞。

图 2 长安大「信达号」自动驾驶车

长安大学车联网与智能汽车试验场 CU-CVIS 构建了一个自动驾驶车辆测试轨道 AVTT。CU-CVIS 包括一条 2.4 公里长的环形高速双向测试道路，一个 1.1 公里长的 4 车道直线轨道，并拥有四种不同路面，是一个进行智能网联汽车应用测试的综合封闭场地。

该自动驾驶车辆测试轨道长 1 公里，如图 1 所示，共设计了 9 种典型驾驶场景，记为 S1-S9。测试轨道图和部分场景图如图 3 所示。

表 1 九个驾驶场景的描述

图 3 测试轨道图与 S1、S9 场景图

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、行为意向和再乘坐意愿这六个结构和它们的具体感受项。所有的感受项都以同意程度来进行量化（绝对不同意为 1，绝对赞同为 5）。信任度、感知有用性、感知易用性和行为意向都与 L5 级自动驾驶车辆有关。感知安全性是对直接体验的自动驾驶车辆的安全性水平感知；再乘坐意愿表示参与者愿意再次乘坐该 AV 车的程度。

表 2 六个结构及其具体感受项和来源

3.3参与者和试验过程

300 名本科生自愿参加了试验。300 人当中，57%（171 人）是男生，25.3%（76 人）持有有效驾驶证件，94.3%（283 人）之前听说过 L5 级自动驾驶车辆。它们分别来自于班级为单位、个人邮件及其他社会媒体的申请报名。所有的参与者都在体验前签署了书面知情同意书。该研究是在长安大学的批准下进行的。

试验时每次 AV 内乘坐 2-3 名体验者。首先，参与者必须阅读实验的介绍，并对告知内容进行签字确认；阅读 L5 级自动驾驶车辆介绍内容，通过在安静的实验室里体验前问卷调查的填写来对其如何看待 L5 级 AV 做出回应。试验中，测试员在驾驶 L3 级 AV 5-10 秒后切换至自动驾驶模式。接着，AV 在自动驾驶模式下通过所有驾驶场景。由于安全原因，一辆人工驾驶车辆在保持安全距离的情况下始终监控并记录 AV 的实时情况。我们鼓励体验者对信达 AV 和 L5 级自动驾驶车的操作和功能进行提问。信达 AV 最终在测试驾驶员的操作下停在起点。之后，体验者被引导回实验室填写更加完整的体验后调查问卷。最后，向每一名体验者支付了 30 元报酬。典型的现场实验视频可提供给有需要的读者。本文中用到的数据是从体验前后的问卷中提取出来的。

本文的现场试验是在 2017 年 8 至 10 月间的晴天里进行的。整个实验过程中使用相同的 AV 来确保参与者 AV 体验的一致性。出于安全原因以及交通场景的复杂性（例如，在 S3 中绿灯和 S6 中紧急车辆通行的等待），AV 必须以相当低的速度运行在自动驾驶模式下，平均速度为 20 km / h，预设最高速度为 40km / h。这次 AV 体验持续 4.5 到 5 分钟。在试验过程中，测试驾驶员的手离开了方向盘，但他随时准备在必要时接管 AV；事实上，在整个现场试验中没有发生人工干预。每个参与者仅有一次试乘机会。

4.结果分析

4.1测量模型

基于偏最小二乘法（partialleast squares，PLS）的结构方程建模（the structural equationmodeling，SEM）技术（PLS-SEM）被用来测试测量模型和结构模型。PLS-SEM 被认为适合于分析复杂道路模型。它不受严格的、不切实际的假设的影响，样本量要求不高。用R包「plspm」来进行 PLS-SEM 的分析，遵循引导程序（1,000 个子样本）。

表 3 测量模型的信度和效度

如表 3 所示，参与者体验 AV 前后测量模型的指标可靠性，内部一致可靠性，收敛有效性和判别有效性都被分别记录下来了。这些指标没有包括再乘坐意愿，因为再乘坐意愿是作为单独一项进行测量的。PU3 和 PS3 这两项由于低要素负荷（<0.70）而被删掉了。在最终的测量中，判断如下：

所有项目的因子载荷都高于 0.70，证实了指标的可靠性。

所有组合信度（CR）和 α 值都大于 0.70，证实了内部一致的可靠性。

所有平均提取方差（AVE）值超过标准值 0.50，证实了收敛有效性。

每个 AVE 的平方根（在表 4 中的对角线上示出）大于相关结构间的相关性，证实了判别有效性。

结构的方差膨胀因子（VIF）低于 3.0，表明不存在多重共线性（Hair 等，2014）。因此，测量模型的信度和效度是充分的。

表 4 体验 AV 前后的均值（标准差）和零级相关性

对参与者 AV 体验前后测量到的四种结构平均值进行比较发现，体验后的 Trust，PEU，以及 PU 均显著增加，但BI基本没有变化（△M= 0.02）。根据 ELM 理论可知，直接体验将增加感知-意向-行为之间的一致性。也就是说，正如本文假设的一样，AV 体验增加了四种结构（Trust，PU，PEU 和 BI）之间的相关性（见表 4）。

使用费希尔变换来评估相关变化的显著性，主要将相关系数检验中的相关系数 R 转换成 Z 检验统计量。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）之间的相关性都显著增加了，而 Trust 和 PU 之间仅略微增加（△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）之间的相关性没有变化。六个相关性中有四个显著或略微增加，表明 AV 体验增加了相关结构之间的一致性。

4.2结构模型

本节首先在结构模型层面测试评价了 AV 体验的影响。然后，在参与者的 AV 体验之后，检查了完整的结构模型，确定了影响 BI 和 WTR 的心理决定因素。

4.2.1 TAM模型

首先，我们在传统的TAM模型中加入了 Trust，然后我们基于参与者体验 AV 前后的收集数据使用 PLS 分析该 TAM 模型。我们进行了三种类型的比较。第一，检查这些路径（见表 5）的重要性，发现 AV 体验使感知易用性成为行为意向的一个重要预测因子。第二，比较了路径系数。这两个模型（体验前后）展示了三种不同的路径：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 之间的相关性没有变化（△R= .03）（见表 4），但它们的路径系数下降了（△β= -0.17），可能是因为 AV 体验加剧了 PU 和 PEU 对 BI 的影响。第三，比较了参与者 AV 体验前后 PU、PEU 和 BI 的解释方差（R2）之间的比例差异。PU 和 BI△R2 的 95％ 置信区间是 PU（△R2= .12）和 BI（△R2= .15），表明直接体验显著增加了 PU 和 BI 的解释力。

表 5  AV 体验前后的路径系数β和解释方差 R2

4.2.2结构模型的完善

以下分析包括调解和预测分析，是特定于完善图 1 中的结构模型。如图 4 所示，结果支持除一个假设之外的所有假设，即 PEU 不是 WTR（H4：β=- .05，p = .422）的重要预测因子。

图 4 完整结构模型

对于完整的结构模型，BI 和 WTR 的 R2 值分别为 0.55 和 0.40，大于 0.10 的截止值。对于 PU，PEU 和 PS，所有 R2 值均大于 0.05。因此，研究模型对所有内生变量具有可接受的解释力。

拟合优度（GoF）标准用作 PLS 的全局拟合度量，范围从 0.00 到 1.00。拟合优度 GoF 定义为 AVE 和内生变量 R2 均值的几何平均值。GoF 标准是 0.10，0.25 和 0.36，分别适用于小、中、大三种影响程度。本文的 GoF 计算为 0.55，大于大影响程度的截止值 0.36。

我们在传统 TAM 模型上增加了 Trust 和 PS，并将新模型与传统 TAM 模型（PU 和 PEU 两个预测因子）进行了比较。新模型中，BI 和 WTR 的 R2 值分别增加 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 被证明是有意义的，特别是对于解释 WTR。

先前的研究表明人们对 AV 的感知和态度与他们的社会人口学特征有关。Liu 等（2018）表示在设计和应用新型交通技术时，应当考虑这些人口学特征的差异，因此确实有必要考虑人口统计学变量。本文的研究中收集统计了性别、之前是否听说过 L5 级完全自主驾驶车辆、是否拥有驾驶执照这三个人口统计学变量。分析过程中，在控制好这些统计学变量对模型中六种结构产生影响的前提下，重新检查了图 4 中的结构模型。

4.3中介效应分析

假设 Trust 通过 PU、PEU、PS 三个因素间接影响接受度。使用 Sobel 的 z 方法理论来检查 Trust 对对接受度的间接效应。计算方差占比（VAF）来确定间接效应对全局效应（直接效应+间接效应）的强度。使用经验法则来确定中介效应（即间接效应）：VAF> 80％，完全中介；VAF <=80％，部分中介；VAF <20％，无中介。

如表 6 显示，PU、PEU 和 PS 对 Trust→BI 的起到显著的中介作用（ps <.01）。它们的 VAF 值介于 39％ 至 70％ 之间，超过了 20％ 的阈值水平，表明它们对 Trust→BI 关系具有部分中介作用。同样地，在 trust→WTR 关系中 PU 和 PS 也是显著的中介变量（ps <.001 和 VAF> 20％）。与其他中介变量相比，PU 对信任的间接效应的影响更大。Trust 的间接效应高于对两种接受度的直接效应（见表 6）。

表 6 Trust 的直接和间接效应

5.结论

大规模采用 AVs 的最大障碍可能是心理上的，而不是技术上的。了解哪些因素以及它们如何影响人们对 AV 的接受度和使用至关重要。严重依赖对拥有很少有或没有 AV 体验实验者的在线或纸质调查数据来评估公众接受度已经受到质疑。本实地研究有助于理解直接体验对 AV 接受度的影响，影响接受度的决定因素以及这些因素的关联，并找出哪些决定因素可以解释和预测 AV 接受度。本现场实验邀请了在可预见将来将是 AV 早期使用者的 300 名学生，体验自动驾驶中的九个复杂场景。他们对 AV 的直接体验被发现增加了他们对 L5 级自动驾驶车辆 SDV 相关的 Trust 和两种认知信念（感知有用性和感知易用性），并且特别地发现这两种认知信念更能预测使用 SDV 的行为意图。感知有用性、信任度和感知安全性是参与者使用 SDV 的行为意向和愿意重新乘坐 AV 的积极预测因素。信任度对 AV 接受产生了直接影响，也产生了间接影响。目前的研究结果为设计和推广提供了有用的见解 AVS 标准。

结论 1：直接体验能增强人们对 AV 的 Trust、PU、PEU；

结论 2：Trust、PU、PS 均与 BI、WTR 呈正相关，即直接影响 BI、WTR；

Ps1：Trust 不仅直接影响 BI、WTR，而且能通过其他因素间接影响 BI、WTR；

Ps2：PEU 只能在体验后预测 BI，与 WTR 无相关性；

结论 3：本文提出的模型具有对 AV 接受度的预测能力。