An investigation of perceived risk dimensions in acceptability of shared autonomous vehicles, a mediation-moderation analysis
Notice bibliographique
Résumé
The integration of shared and autonomous mobility has led to the emergence of shared autonomous vehicles with ride-sharing services (SAVWRS), which have the potential to significantly reduce private car usage and promote sustainable transportation. Despite numerous studies on this topic, there is still no research examining the impact of all dimensions of perceived risk theory on usage intention. Therefore, we aim to investigate these relationships and gain deeper insights by examining the mediating effect of trust and the moderating effect of generation (Millennials vs. Baby Boomers) to address potential disparities across generations. To gather insights, we design an online survey that was completed by a random sample of 723 individuals in 2021. The estimation results of the structural equation model reveal that all perceived risk dimensions (social, performance, time, physical, security, and financial risks, in descending order) are negatively related to consumers' intention. Additionally, trust fully mediates the relationships between performance, physical, financial, and security risks and usage intention, whereas it partially mediates the relationships between social and time risks and the intention to use. Furthermore, moderation analysis revealed that Millennials are less concerned about most dimensions of perceived risk theory, except for social and time risks. In conclusion, our study contributes to a deeper understanding of the complex relationships between perceived risk dimensions, trust, and usage intention in SAVWRS. Our findings suggest that policymakers and industry stakeholders should consider strategies to address these concerns to promote widespread acceptance of SAVWRS.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».