Understanding Consumers’ Adoption Behavior of Driverless Delivery Vehicles: Insights from the Combined Use of NCA and PLS-SEM
Notice bibliographique
Résumé
The rapid development of autonomous driving technology has been a key driver for the emergence of driverless delivery vehicles. To promote wider adoption, it is essential to address consumers’ concerns about safety and reliability, leverage psychological factors, and implement supportive policies that encourage technology adoption while ensuring public safety and privacy. Therefore, it is necessary to explain and predict consumers’ behavior and intention to adopt driverless delivery vehicles. To this end, this study extends the Technology Acceptance Model (TAM) to include technological complexity and perceived trust. This study evaluates the model by applying necessary condition analysis (NCA) and partial least squares structural equation modeling (PLS-SEM) to analyze data from 579 respondents from Jiangsu Province, China. This study explores the sustainability implications of autonomous delivery vehicles, highlighting their potential to reduce environmental impact and promote a more sustainable transportation system. The outcomes indicate that perceived ease of use (PEU), attitude, perceived trust, technological complexity (TECOM), and perceived usefulness (PU) are significant determinants and necessary conditions of consumers’ intention to adopt driverless delivery vehicles. Perceived trust and TECOM had a significant and indirect influence on consumers’ intention to adopt driverless delivery vehicles via PU and PEU. Perceived trust and technological complexity had a substantial impact on consumers’ adoption intention of driverless delivery vehicles. The study recommends that managers work closely with regulators to ensure their technologies meet all local standards and regulations. It also recommends its potential to reduce carbon emissions, improve energy efficiency, and contribute to a more sustainable transportation system.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».