What Affects Safety Perception of Female Ride-Hailing Passengers? An Empirical Study in China Context
Notice bibliographique
Résumé
Ride-hailing services provide an efficient way to travel, but they also cause some safety incidents, which make female passengers uneasy. Analyzing the safety perceptions of female passengers, particularly their psychological and emotional responses, can assist operators in developing effective solutions and safe travel environments for them. This study explores factors that are likely to affect the safety perception of female ride-hailing passengers using a subjective method (data was obtained from 596 Chinese female passengers). The methodologies adopted mainly include confirmatory factor analysis (CFA) and a maximum-likelihood structural equation model (ML-SEM). A passenger safety perception model is developed by considering various elements such as safety expectation, platform trust, perceived environment, and safety awareness. The results revealed that safety perception is positively influenced by perceived environment and safety expectation (containing three subdimensions, namely, driver behavior, traveling together, and mobile phone dependence). The effects of safety awareness and platform trust on safety perception are mediated by perceived environment and safety expectation, respectively. Regarding overall effects, safety expectation is the most powerful predictor for safety perception of female ride-hailing passengers, followed by platform trust, perceived environment, and safety awareness. Finally, countermeasures are offered from the perspectives of operators, drivers, and passengers to enhance the safety perception of female ride-hailing passengers. A high level of ride-hailing safety would undoubtedly boost the female passenger’s trust and consequently ridership.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».