基于擴展技術接受度模型的共享自動駕駛汽車用戶使用意愿研究

胡曉偉，石騰躍，于 璐，毛科俊

基于擴展技術接受度模型的共享自動駕駛汽車用戶使用意愿研究

胡曉偉1，石騰躍1，于 璐2，毛科俊3

（1. 哈爾濱工業(yè)大學，交通科學與工程學院，哈爾濱 150090；2. 哈爾濱工業(yè)大學（威海），汽車工程學院，威海 264200；3. 中國宏觀經(jīng)濟研究院，綜合運輸研究所，北京 100038）

共享自動駕駛汽車是智慧交通和綠色交通的重要發(fā)展方向之一，但目前其相關研究仍不充分，影響用戶使用共享自動駕駛汽車意愿的因素及其作用機理有待深入剖析。為此，本文首先通過引入感知風險、服務質(zhì)量和社會影響三個潛變量，構建了擴展技術接受度模型。然后將擴展技術接受度模型的潛變量、個人社會經(jīng)濟屬性變量和出行方式屬性變量整合到多項Logit模型，構建混合選擇模型，并以用戶選擇共享自動駕駛汽車出行的概率衡量用戶使用共享自動駕駛汽車的意愿。最后基于SP調(diào)查數(shù)據(jù)標定模型參數(shù)，得到潛變量關系及關鍵影響因素，通過彈性分析研究關鍵因素對用戶使用意愿的影響。結果表明，感知有用性、出行費用、感知易用性、等待時間的影響最為顯著，對應的彈性值分別是0.0502、-0.0401、0.0385和-0.0350。本研究對相關企業(yè)及相關政府部門發(fā)展和推廣共享自動駕駛汽車具有重要參考價值。

智能交通；技術接受度模型；混合選擇模型；共享自動駕駛汽車；彈性分析

0 引 言

隨著科學技術的發(fā)展，自動駕駛逐漸演化為未來汽車發(fā)展的方向。共享自動駕駛汽車讓出行更智慧，更節(jié)能減排。研究共享自動駕駛汽車用戶使用意愿，有助于推廣共享自動駕駛汽車，推動智能交通的發(fā)展，具有重要的理論指導意義和社會實踐意義。

已有學者研究了公眾對共享自動駕駛汽車的使用意愿，如Bansal等[1]發(fā)現(xiàn)超過80%的受訪者認為共享自動駕駛服務收費不能超過當前拼車公司的收費水平。Fagnant等[2]研究表明，共享自動駕駛汽車對老年出行者以及無法自主開車的出行者更有吸引力。Pettigrew等[3]發(fā)現(xiàn)共享使用模式比私人擁有模式更受歡迎，能改善使用私人自動駕駛汽車的負面影響。Gurumurthy等[4]發(fā)現(xiàn)共享自動駕駛汽車的共享乘車時間短，可以吸引多個乘客。楊潔等[5]發(fā)現(xiàn)駕齡的長短、對自動駕駛技術的認知水平、駕駛安全性將會影響用戶的使用意愿。齊航等[6]發(fā)現(xiàn)影響自動駕駛網(wǎng)約車使用意愿的三個最直接的因素是自動駕駛車輛的感知有用性、出行者利他性偏好、網(wǎng)約車出行習慣。

部分研究采用技術接受度模型（Technology Acceptance Model，TAM)對影響用戶使用共享自動駕駛汽車意愿的因素進行研究。Panagiotopoulos等[7]基于TAM發(fā)現(xiàn)感知有用性對共享自動駕駛汽車使用意愿的影響最大。Krueger等[8]和姚榮涵等[9]分別建立了混合Logit模型，研究發(fā)現(xiàn)出行費用、出行時間和等待時間是影響用戶使用共享自動駕駛汽車的關鍵因素。Venkatesh等[10]基于TAM引入努力期望、社會影響等變量構建了技術接受與使用模型（United Theory of Acceptance and Use of Technology，UTAUT）。此外，趙敏[11]以計劃行為理論（Theory of Planned Behavior，TPB）為基礎，引入感知風險和感知價值構建整合模型，發(fā)現(xiàn)感知風險對電動汽車共享使用意愿有負向影響。

在自動駕駛技術研究中安全為公眾關注的第一要素，公眾對共享自動駕駛汽車的使用意愿往往會受到感知風險的影響[12]。已有研究通過引入感知風險等變量增強模型的解釋力，但沒有考慮到共享自動駕駛汽車的產(chǎn)品服務特性和用戶的社會偏好對模型進行優(yōu)化。同時共享自動駕駛汽車涉及共享服務，其服務質(zhì)量會影響消費者對共享平臺的使用意愿[13]。基于此，本研究結合共享自動駕駛汽車的技術特性、服務特性和用戶的社會偏好，引入感知風險變量、服務質(zhì)量變量和社會影響變量，來深入剖析影響用戶使用共享自動駕駛汽車意愿的因素及其作用機理。

為了定量衡量用戶對于共享自動駕駛汽車的使用意愿，本文結合SP調(diào)查（Stated Preference Survey，SP）數(shù)據(jù)，基于擴展技術接受度模型與多項Logit模型建立混合選擇模型，以出行者選擇共享自動駕駛汽車出行的概率來衡量用戶使用意愿，采用彈性分析挖掘影響共享自動駕駛汽車使用意愿的關鍵因素，有針對性地提出有助于我國推廣共享自動駕駛汽車的發(fā)展建議。研究結論對于相關企業(yè)及相關政府部門引導公眾采用共享自動駕駛汽車出行，發(fā)展共享自動駕駛汽車具有參考價值。

1 模型構建與假設

1.1 擴展的技術接受度模型

技術接受度模型認為行為意向直接決定實際行為，行為態(tài)度和感知有用性共同影響行為意向，感知有用性和感知易用性共同影響行為態(tài)度[14]。參考現(xiàn)有研究[10, 12, 13]，引入服務質(zhì)量、感知風險、社會影響三個解釋變量擴展技術接受度模型，得到理論模型如圖1所示。

圖1 擴展的技術接受度模型與關系假設

根據(jù)本文所構建的模型，提出的假設如下：

H1：感知有用性會正向影響共享自動駕駛汽車用戶的行為態(tài)度。

H2：感知有用性會正向影響共享自動駕駛汽車用戶的使用意愿。

H3：感知易用性會正向影響感知有用性。

H4：感知易用性會正向影響共享自動駕駛汽車用戶的行為態(tài)度。

H5：感知風險對共享自動駕駛汽車用戶的行為態(tài)度有負向影響。

H6：感知風險對共享自動駕駛汽車用戶的使用意愿有負向影響。

H7：社會影響對感知風險有負向影響。

H8：社會影響會正向影響共享自動駕駛汽車用戶的行為態(tài)度。

H9：社會影響會正向影響共享自動駕駛汽車用戶的使用意愿。

H10：服務質(zhì)量會正向影響感知有用性。

H11：服務質(zhì)量會正向影響共享自動駕駛汽車用戶的行為態(tài)度。

H12：服務質(zhì)量會正向影響共享自動駕駛汽車用戶的使用意愿。

H13：共享自動駕駛汽車用戶的行為態(tài)度會正向影響使用意愿。

1.2 混合選擇模型的建立

傳統(tǒng)的Logit模型多考慮出行者的社會經(jīng)濟屬性和出行方式屬性，并未考慮個人感受與態(tài)度等潛變量[15]。隨后研究人員提出了一種涵蓋出行者態(tài)度等主觀心理因素的混合選擇模型，整合模型的解釋能力較傳統(tǒng)Logit模型有了一定提升[16]。本文以擴展技術接受度模型為框架，把對共享自動駕駛汽車使用意愿有影響的潛變量整合到多項Logit模型，形成混合選擇模型，上層為結構方程模型（SEM），下層為多項Logit模型，如圖2所示。感知有用性等潛變量不能直接觀測和量化，因此需要通過觀測變量來測量。通過結構方程模型，可得到各潛變量之間的結構關系以及潛變量的適配值，然后將潛變量與社會人口統(tǒng)計屬性顯變量和出行方式屬性顯變量一起作為解釋變量，構建下層的多項Logit模型，其中采用用戶選擇共享自動駕駛汽車出行方式的概率來衡量用戶使用意愿。

圖2 共享自動駕駛汽車用戶使用意愿的混合選擇模型

基于模型變量構建方式選擇的共享自動駕駛汽車效用函數(shù)為：

用戶選擇共享自動駕駛汽車出行方式的概率為

2 數(shù)據(jù)調(diào)查

2.1 調(diào)查問卷設計

調(diào)查問卷內(nèi)容設計順序依次為：潛變量測量調(diào)查、出行方式偏好調(diào)查、個人社會經(jīng)濟屬性調(diào)查。對于潛變量的測量，采用李克特5級量表法從“非常不同意”、“比較不同意”、“一般”、“比較同意”、“非常同意”中進行判斷。梳理國內(nèi)外相關文獻，設計測量潛變量的量表如表1所示。

出行方式選擇調(diào)查為SP調(diào)查。其中出行方式屬性變量包括出行時間、出行費用以及等車時間。在給定起訖點后，假設傳統(tǒng)小汽車的出行費用和出行時間是借助地圖導航軟件估算的定值。參考姚榮涵等[9]和黃浩[23]的SP調(diào)查設計，共享自動駕駛汽車和公共交通出行方式的各出行方式屬性變量分別設置如表2所示，以考察不同出行方式屬性變量的變化對受訪者出行選擇行為的影響。

表1 潛變量測量量表

表2 SP調(diào)查出行方式屬性及水平值設置

表3 SP調(diào)查組合情況

2.2 數(shù)據(jù)的描述性統(tǒng)計分析

本研究以我國的成年消費者為研究對象，于2020年3月2～8日在問卷星和微信等網(wǎng)絡平臺發(fā)放匿名自填式網(wǎng)絡問卷，共回收問卷409份。認定作答時間小于30 s以及連續(xù)多個問題答案一致的問卷為無效問卷。剔除無效問卷后，得到有效問卷302份，問卷有效率77.0%。樣本描述性統(tǒng)計分析結果見表4。

表4 樣本描述性統(tǒng)計分析

續(xù)表4

類 別樣本分類樣本數(shù)比例/(%) 收入6001～8000元289.3 8001～10000元144.6 >10000元144.6 是否有駕照無11337.4 有18962.6 擁有車輛數(shù)05417.9 118862.3 25518.2 3輛及以上51.7

2.3 數(shù)據(jù)的信度和效度檢驗

表5 樣本信度與效度檢驗結果

續(xù)表5

變 量問題項刪除項后的Cronbach’s變量的Cronbach’s總體數(shù)據(jù)的Cronbach’sKMO因子載荷方差累計貢獻率 服務質(zhì)量SQ10.7340.801 0.7020.759 SQ20.6840.777 SQ30.7690.763 行為態(tài)度ATB10.6500.772 0.6950.683 ATB20.7120.755 ATB30.7170.611 使用意愿BI10.7980.821 0.7090.535 BI20.7140.723 BI30.7410.532

3 模型分析

3.1 結構方程模型分析及假設檢驗

在AMOS24.0中繪制共享自動駕駛汽車用戶使用意愿的結構方程模型，運行得到圖3所示的結果。

在模型擬合度檢驗指標中，卡方/自由度CMIN/DF為1.792<3；近似誤差均方根RMSEA為0.051<0.08；絕對擬合優(yōu)度指數(shù)GFI為0.912>0.9；相對擬合指數(shù)CFI為0.951>0.9，可以判定該模型擬合度較好。

圖3 共享自動駕駛汽車用戶意愿結構方程模型擬合結果

表6展示了所提假設的路徑顯著性分析結果。路徑“社會影響→感知風險”、“社會影響→使用意愿”、“服務質(zhì)量→感知有用性”的顯著性水平>0.05，未達到顯著，其余路徑均達到統(tǒng)計學的顯著要求，且與預測方向一致。因此，13個假設中H7（社會影響對感知風險有負向影響）、H9（社會影響會正向影響共享自動駕駛汽車用戶的使用意愿）、H10（服務質(zhì)量會正向影響感知有用性）不成立，其余10個假設都成立。

注：*<0.05，**<0.01，***<0.001。

結果表明，服務質(zhì)量、感知有用性、感知易用性、行為態(tài)度、感知風險解釋了使用意愿方差的40.9%（2=0.409），解釋力較好。感知有用性、行為態(tài)度、服務質(zhì)量均對共享自動駕駛汽車用戶使用意愿具有預期的顯著積極影響，且行為態(tài)度影響最為顯著，表明提高用戶對共享自動駕駛汽車積極態(tài)度的策略可能會鼓勵用戶使用共享自動駕駛汽車。感知風險對用戶使用意愿的負面影響小于行為態(tài)度的影響，與感知有用性的影響相近，意味著感知風險在某種程度上會阻礙用戶使用共享自動駕駛汽車的意愿，因此推廣共享自動駕駛汽車需要獲得用戶對安全性和數(shù)據(jù)隱私問題的信任。

感知有用性、感知易用性、服務質(zhì)量、社會影響對用戶看待共享自動駕駛汽車的行為態(tài)度有顯著的積極影響。感知易用性通過感知有用性間接影響共享自動駕駛汽車使用意愿，表明運行良好的系統(tǒng)設計和有效的營銷策略有利于提高用戶對共享自動駕駛汽車的積極態(tài)度。

3.2 混合選擇模型參數(shù)標定

由前面AMOS軟件計算的結構方程參數(shù)值可得到潛變量的適配值，將潛變量的適配值以及個人屬性變量值、出行方式屬性變量值代入多項Logit模型，用Stata軟件對模型進行參數(shù)估計。不考慮潛變量的模型記為MNL-1，考慮潛變量的模型記為MNL-2，以小汽車出行方式為效用基礎項進行模型參數(shù)估計。檢驗值小于0.05，認為該變量對選擇行為具有顯著的影響，剔除模型中部分不顯著的變量（年齡和性別），參數(shù)估計結果見表7，對比表7中二者的擬合優(yōu)度檢驗結果，模型MNL-2的擬合度更高。優(yōu)度比系數(shù)大于0.2，模型具有較高的精度，因此模型MNL-2的參數(shù)標定結果即為最終的模型參數(shù)估計結果。

表7 兩種模型的參數(shù)標定結果

續(xù)表7

表7的參數(shù)標定結果符合前面3.1中的分析，感知有用性、行為態(tài)度、服務質(zhì)量是顯著的積極影響因素，感知風險是顯著的消極影響因素。出行時間、等待時間、出行費用對人們選擇共享自動駕駛汽車方式出行是顯著的消極因素，說明減少出行者的出行時間、等待時間及降低共享自動駕駛汽車的使用價格能激勵出行者選擇共享自動駕駛汽車出行。在個人經(jīng)濟及社會屬性變量中，受教育程度高的群體、個人月收入高的群體以及小汽車擁有量高的群體更愿意選擇共享自動駕駛汽車出行，這意味著共享自動駕駛汽車企業(yè)可以將受教育程度高或者收入較高的群體作為初期推廣的目標市場。

4 共享自動駕駛汽車使用意愿激勵策略

4.1 彈性分析

由前面模型參數(shù)標定與分析的結果可知，出行時間、出行費用、等待時間、感知有用性、感知易用性、感知風險、行為態(tài)度對于出行者選擇共享自動駕駛汽車出行方式有著顯著的影響。應用彈性分析定量展示顯著影響因素對于選擇行為的影響。點彈性的計算公式為[24]：

在Stata中計算共享自動駕駛汽車的選擇概率對出行時間等變量的彈性值。由表8的彈性分析結果可知，出行時間、等待時間、出行費用、感知風險每增加1%時，選擇共享自動駕駛汽車出行的概率就會分別降低1.57%、3.50%、4.01%和1.52%。感知有用性、感知易用性、行為態(tài)度每增加1%時，選擇概率分別增加5.02%、3.85%和1.48%。綜上可知，用戶對于影響因素的敏感程度按強弱排序分別是：感知有用性、出行費用、感知易用性、等待時間、出行時間、感知風險、行為態(tài)度。以上結果可為設計共享自動駕駛汽車用戶使用意愿的激勵策略提供參考。

表8 顯著變量彈性分析結果

4.2 激勵策略建議

基于以上分析可知，感知有用性、出行費用、感知易用性、等待時間的影響最為顯著，下面從這4個變量入手，提出激勵用戶使用共享自動駕駛汽車的建議。

（1）提升共享自動駕駛汽車用戶的感知有用性

給予共享自動駕駛汽車一定的道路行駛優(yōu)先權，如設置共享自動駕駛汽車專用車道，允許共享自動駕駛汽車在一定時間段內(nèi)使用公交專用車道。減免共享自動駕駛汽車的停車費，或者設置專用停車區(qū)域，其他車輛不得使用。增加附近商戶信息等對用戶日常出行有利的信息，讓用戶感覺出行更加便捷。定期定點舉辦共享自動駕駛汽車試乘體驗活動，在試乘體驗活動中教消費者如何進行約車、支付、評價等操作。

（2）減少使用共享自動駕駛汽車出行的出行費用

制定交通優(yōu)惠政策，給予共享自動駕駛汽車一定的道路交通費減免，降低其使用成本。引導共享自動駕駛汽車平臺合理定價，保證產(chǎn)品性能安全達標的前提下降低成本。相關管理部門應健全共享自動駕駛汽車的消費監(jiān)管體系，保障消費者的合法權益。引入“分享得紅包”功能，在使用共享自動駕駛汽車后，用戶可通過在社交應用上將行程分享給好友獲取平臺紅包，用來抵扣下次使用共享自動駕駛汽車服務的費用。

（3）提升共享自動駕駛汽車用戶的感知易用性

發(fā)布租賃流程和共享自動駕駛汽車操作流程信息，進行線下現(xiàn)場示范如何操作的同時，加強線上宣傳，并在車輛內(nèi)部配備操作手冊，減少信息不對稱。不斷改善APP的功能，簡化新用戶注冊過程與界面操作流程，使得車輛共享預約等功能更加便捷、易于操作。不斷改進支付方式，支持多樣化的支付方式，讓整套流程更加便捷。

（4）降低共享自動駕駛汽車用戶的等待時間

提高定位的準確度，快速精準地為用戶分配距離近的車輛，減少用戶等待時間。充分利用大數(shù)據(jù)資源，在保障用戶隱私的前提下，追蹤用戶出行習慣、出行高峰期及用車需求密集地，給用戶提供及時、準確的服務，盡量避免出現(xiàn)高峰時期約車慢、偏遠地區(qū)約車難等體驗不佳的現(xiàn)象。

5 結束語

本文旨在探索共享自動駕駛汽車用戶使用意愿并研究相關激勵策略，研究成果如下：

（1）引入感知風險、服務質(zhì)量和社會影響三個變量，擴展和完善了技術接受度模型，提高技術接受度模型的解釋能力。通過結構方程模型分析發(fā)現(xiàn)感知有用性、感知易用性、感知風險、社會影響、服務質(zhì)量和行為態(tài)度都直接或者間接影響用戶對于共享自動駕駛汽車的使用意愿，潛變量之間也相互影響。

（2）整合擴展的技術接受度模型和多項Logit模型，建立了混合選擇模型。以用戶選擇共享自動駕駛汽車出行方式的概率來定量衡量用戶使用共享自動駕駛汽車意愿。用Stata標定了模型參數(shù)，模型擬合度較好，通過對比發(fā)現(xiàn)引入潛變量之后的模型擬合優(yōu)度優(yōu)于不帶潛變量的模型。參數(shù)標定結果表明出行時間、出行費用、等待時間等因素對用戶使用共享自動駕駛汽車意愿的影響顯著。

（3）對顯著影響因素進行彈性分析得知感知有用性、出行費用、感知易用性、等待時間對于用戶使用共享自動駕駛汽車意愿的影響最為顯著，并從這幾個方面入手，提出激勵用戶使用共享自動駕駛汽車的策略建議。

[1] BANSAL P, KOCKELMAN K M, SINGH A. Assessing public opinions of and interest in new vehicle technologies: an Austin perspective[J]. Transportation Research Part C: Emerging Technologies, 2016, 67: 1-14.

[2] FAGNANT D J, KOCKELMAN K. The travel and environmental implications of shared autonomous vehicles, using agent-based model scenarios[J]. Transportation Research Part C: Emerging Technologies, 2014, 40: 1-13.

[3] PETTIGREW S, DANA L M, NORMAN R. Clusters of potential autonomous vehicles users according to propensity to use individual versus shared vehicles[J]. Transport Policy, 2019, 76: 13-20.

[4] GURUMURTHY K M, KOCKELMAN K M. Modeling Americans’ autonomous vehicle preferences: a focus on dynamic ride-sharing, privacy & long-distance mode choices[J]. Technological Forecasting and Social Change, 2020, 150: 119792.

[5] 楊潔, 沈夢潔. 中國自動駕駛汽車消費市場接受度調(diào)查[J]. 長安大學學報: 社會科學版, 2017, 19 (6): 34-42.

[6] 齊航, 夏嘉祺, 王光超, 等. 考慮出行者習慣與利他性偏好的自動駕駛網(wǎng)約車使用意向模型[J]. 交通運輸工程與信息學報: 2021, 19(2), 1-10.

[7] PANAGIOTOPOULOS L, DIMITRAKOPOULOS G. An empirical investigation on consumers intentions towards autonomous driving[J]. Transportation Research Part C: Emerging Technologies, 2018, 95.

[8] KRUEGER R, TAHA H, JOHN M, et al. Preferences for shared autonomous vehicles[J]. Transportation Research Part C: Emerging Technologies, 2016, 69.

[9] 姚榮涵, 梁亞林, 劉鍇，等. 考慮合乘的共享自動駕駛汽車選擇行為實證分析[J]. 交通運輸系統(tǒng)工程與信息, 2020, 20 (1): 228-233.

[10] VENKATESH V, THONG JYL, XU X. Consumer acceptance and use of information technology: extending the unified theory of acceptance and use of technology[J]. MIS Quarterly, 2012, 36 (1): 157-178.

[11] 趙敏, 王善勇. 電動汽車共享的使用意向研究[J]. 大連理工大學學報: 社會科學版, 2018, 39 (3): 32-38.

[12] 唐立, 卿三東, 徐志剛, 等. 自動駕駛公眾接受度研究綜述[J]. 交通運輸工程學報, 2020, 20 (2): 131-146.

[13] 武迪. 平臺型共享汽車消費者信任影響因素的實證研究[D]. 昆明: 云南財經(jīng)大學, 2018.

[14] DAVIS F D. A technology acceptance model for empirically testing new end-user information systems: Theory and results[D]. Cambridge: Massachusetts Institute of Technology, 1985.

[15] 陳堅, 晏啟鵬, 楊飛, 等. 出行方式選擇行為的SEM-Logit整合模型[J]. 華南理工大學學報: 自然科學版, 2013, 41 (2): 51-57, 65.

[16] 鞠鵬, 周晶, 徐紅利, 等. 基于混合選擇模型的汽車共享選擇行為研究[J]. 交通運輸系統(tǒng)工程與信息, 2017, 17 (2): 7-13

[17] 黃位. 基于計劃行為理論與技術接受模型的自動駕駛汽車接受度研究[D]. 鎮(zhèn)江: 江蘇大學, 2019.

[18] CHEN C F, CHEN P C. Applying the TAM to travelers’ usage intentions of GPS devices[J]. Expert Systems with Applications, 2011, 38: 6217-6221.

[19] 張曾垚. 共享電動汽車分時租賃的消費者信任研究[D]. 昆明: 云南財經(jīng)大學, 2018.

[20] KOUFARIS M, HAMPTON S W. Consumer trust online: examining the role of the experience with the web site[R]. CIS Working Paper: Zicklin School of Business Baruch College, 2002.

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

[22] GEFEN D. Reflections on the dimensions of trust and trustworthiness among online consumers[J]. The Database for Advances in Information Systems, 2002, 33 (3): 38-53.

[23] 黃浩. 基于擴展計劃行為理論的自動駕駛汽車方式選擇行為研究[D]. 鎮(zhèn)江: 江蘇大學, 2019.

[24] 陳林. 基于Logit模型的成渝通道交通選擇行為研究[D]. 成都: 西南交通大學, 2013.

Measuring Users’ Willingness to Use Shared Autonomous Vehicles Based on an Extension Technology Acceptance Model

HU Xiao-wei1, SHI Teng-yue1, YU Lu2, MAO Ke-jun3

(1. School of Transportation Science and Engineering, Harbin Institute of Technology, Harbin 150090, China; 2. School of Automotive Engineering, Harbin Institute of Technology (Weihai), Weihai 264200, China; 3. Institute of Comprehensive Transportation, China Academy of Macroeconomic Research, Beijing 100038, China)

The development of shared autonomous vehicles (SAVs) is an important direction in intelligent and green transportation, but the relevant research is insufficient. The choice behavior of SAV passengers needs additional analysis. To address this, we first constructed an extended technology acceptance model (ETAM) by introducing three latent variables: perceived risk, service quality, and social influence. A hybrid choice model was then constructed by integrating the latent variables of the ETAM, individual socio- economic attributes, and travel mode attributes into a multinomial logit model. The probability of passengers choosing an SAV is taken as an evaluation index to measure passengers’ willingness to take an SAV. Finally, based on the Stated Preference survey data, the model parameters were calibrated, and the pathways of latent variables and key influencing factors were obtained. The impact of key factors on passengers’ willingness to take an SAV was studied through elastic analysis. The elastic analysis revealed that perceived usefulness (0.0502) is the most significant factor, followed by travel cost (?0.0401), perceived ease of use (0.0385), and waiting time (?0.0350). This study can provide theoretical support for relevant enterprises and government departments to develop and promote SAVs.

intelligent transportation; technology acceptance model; hybrid choice model; shared autonomous vehicles; elastic analysis

1672-4747（2021）03-0001-12

U491

A

10.19961/j.cnki.1672-4747.2021.02.003

2021-02-05

2021-03-12

2021-03-19

2021-02-05～02-06；02-22～02-25；03-09～03-12

國家自然科學基金重大研究計劃（91846301）；黑龍江省哲學社會科學研究規(guī)劃項目（20GLC204）

胡曉偉（1984—），男，博士，副教授，博士生導師，研究方向為現(xiàn)代交通治理，E-mail：xiaowei_hu@hit.edu.cn

胡曉偉，石騰躍，于璐，等.基于擴展技術接受度模型的共享自動駕駛汽車用戶使用意愿研究[J]. 交通運輸工程與信息學報，2021, 19(3): 1-12.

HU Xiao-wei, SHI Teng-yue, YU Lu, et al, Measuring Users’ Willingness to Use Shared Autonomous Vehicles Based on an Extension Technology Acceptance Model [J]. Journal of Transportation Engineering and Information, 2021, 19(3): 1-12.

（責任編輯：劉娉婷）