MétaCan
Menu
Retour à la cohorte
Enregistrement W4365139972 · doi:10.1155/2023/8953109

Willingness to Pay for Conditional Automated Driving among Segments of Potential Buyers in Europe

2023· article· en· W4365139972 sur OpenAlexvenueno aff
Frode Skjeret, Afsaneh Bjorvatn, Satu Innamaa, Esko Lehtonen, Fanny Malin, Sina Nordhoff, Tyron Louw

Notice bibliographique

RevueJournal of Advanced Transportation · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueTransportation and Mobility Innovations
Établissements canadiensnon disponible
Organismes subventionnairesEuropean Commission
Mots-clésWillingness to paySoftware deploymentWillingness to acceptPopulationBusinessDriving factorsMarketingEconomicsEnvironmental healthComputer scienceMicroeconomicsGeographyMedicine

Résumé

récupéré en direct d'OpenAlex

This study aims to investigate the willingness to pay for conditionally automated cars (CACs) among 8,084 respondents in seven European countries by segmenting potential buyers of CACs. Future deployment of CACs depends on a sufficient willingness to pay among a sufficient large part of the population. Latent profile analysis was employed to identify the variables with the highest loadings on the latent factor “willingness to pay,” based on latent constructs from the Unified Theory of Acceptance and Use of Technology (UTAUT2) model. In addition, we analyzed which factors were associated with willingness to pay for different automated systems in CACs, i.e., for driving on urban roads, motorways, congested motorways, and parking areas. We find that a large share of respondents indicates a generally high willingness to pay for CACs, but classes with a high share of conservatives and young respondents have the lowest willingness to pay.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,965
Score d'incertitude au seuil0,342

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,254
Écart entre enseignants0,247 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetTransportation and Mobility InnovationsTravaux en français237 207