Factors Influencing Users’ Willingness to Adopt Connected and Autonomous Vehicles: Net and Configurational Effects Analysis Using PLS-SEM and FsQCA
Notice bibliographique
Résumé
To accelerate the widespread adoption of connected and autonomous vehicles (CAVs) and take full advantage of CAVs’ transportation safety, efficiency, and pro-environment, a deep understanding of CAVs acceptance is needed. However, little is known about the combined effects of factors influencing CAVs acceptance using traditional statistical methods. We developed an integrated model to explore how various antecedent factors work together on CAVs’ acceptance. The symmetric (Structure Equation Modeling) and asymmetric (Qualitative Comparative Analysis) techniques were utilized for analyzing data from 362 Chinese. PLS-SEM assesses the net effect of each antecedent on CAVs’ adoption, while fsQCA provides supplementary analysis by revealing the configurations of causal conditions associated with CAVs’ adoption. PLS-SEM results show that perceived usefulness, perceived ease of use, and initial trust directly influence users’ willingness to adopt CAVs, while perceived risk, social influence, and facilitating conditions do not. Meanwhile, automation, ubiquitous connectivity, structural assurance, and corporation reputation indirectly influence CAVs adoption, while environmental performance and technological uncertainty have no statistically significant indirect effect. Interestingly, fsQCA reveals five configurations resulting in a high level of CAVs’ acceptance, and seven configurations leading to the negation of CAVs’ acceptance. The complementary analysis results provide insights into both theory and practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».