Customer’s Adoption Intentions toward Autonomous Delivery Vehicle Services: Extending DOI Theory with Social Awkwardness and Use Experience
Notice bibliographique
Résumé
The high demand and acute timeliness that characterizes instant delivery entail the challenges of high labor costs and an increase in courier traffic accidents. Autonomous delivery vehicles (ADVs) may serve as a key solution, with their attendant reduced labor input and higher efficiency. Customers play a key role in the successful implementation of ADVs on a large scale. However, understanding the factors that affect customers’ intentions to use ADVs is still limited. Compared to autonomous driving, ADV customers are ultimately not the real users, who only are served by ADVs during the last leg of a trip. On account of this, the Technology Acceptance Model (TAM) may not be well-fitted for explaining the dynamics involved in ADV adoption. Within the context of ADVs, our study identified influencing factors that have not been captured by prior studies. This study incorporates infection risk, use experience, and social awkwardness into the Diffusion of Innovation (DOI) theory to explore customers’ intentions to use ADVs. Data from 691 survey respondents were collected to validate the research design. The results demonstrate that compatibility, social influence, infection risk, green image, social awkwardness, and use experience all have a significantly positive impact on customers’ intentions to adopt ADV services, while complexity and perceived risk both exhibited a negative impact. But no effect could be found for relative advantage, which may be because of the fact that customers only need ADVs to meet their delivery demand. This study contributes to understanding customers’ adoption intentions toward ADVs, informing policymakers in formulating ADV regulations and standards, and promoting the large-scale application of ADVs in instant delivery services.
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 ».