考慮細(xì)化用戶(hù)群體的全自動(dòng)駕駛汽車(chē)使用意愿

崔 馨 玥， 趙 勝 川

(大連理工大學(xué) 交通運(yùn)輸學(xué)院, 遼寧 大連 116024)

0 引 言

自動(dòng)駕駛汽車(chē)的社會(huì)效益在于減少交通事故、緩解交通擁堵、高效地使用燃料并降低排放[1].將自動(dòng)駕駛汽車(chē)作為公共交通工具可以使交通系統(tǒng)更加清潔，使城市交通可持續(xù)發(fā)展[2].隨著中國(guó)5G網(wǎng)絡(luò)及自動(dòng)駕駛汽車(chē)的實(shí)驗(yàn)和落地，公眾對(duì)自動(dòng)駕駛汽車(chē)的接受態(tài)度也會(huì)發(fā)生變化，態(tài)度在一定程度上會(huì)影響人們的使用意愿[3]，進(jìn)而影響行為.公眾使用自動(dòng)駕駛汽車(chē)的態(tài)度和意愿，將有助于推動(dòng)自動(dòng)駕駛技術(shù)的落地和自動(dòng)駕駛汽車(chē)進(jìn)入市場(chǎng).因此，了解行為意向至關(guān)重要.此外，更好地了解公眾的接受態(tài)度并區(qū)分潛在用戶(hù)群體，識(shí)別群體特征，可以為未來(lái)自動(dòng)化交通背景下的自動(dòng)駕駛汽車(chē)發(fā)展提供有針對(duì)性的建議.

隨著技術(shù)接受模型等行為理論的完善和成熟，國(guó)內(nèi)外學(xué)者越來(lái)越關(guān)注用戶(hù)的內(nèi)在感知，基于內(nèi)在感知態(tài)度的分析常應(yīng)用潛變量模型.Panagiotopoulos 等[4]提出了社會(huì)影響對(duì)使用意愿的作用，結(jié)果顯示感知信任和社會(huì)影響對(duì)使用意愿有積極影響.社會(huì)影響被越來(lái)越多的研究者[5-6]加入結(jié)構(gòu)中.Acheampong等[2]在研究中提出感知收益，并發(fā)現(xiàn)其對(duì)采用行為的積極影響.Liu等[7]的研究也驗(yàn)證了感知收益的正向促進(jìn)作用.很多自動(dòng)駕駛汽車(chē)市場(chǎng)細(xì)分的研究根據(jù)態(tài)度對(duì)受訪者進(jìn)行了群體分類(lèi)，探究不同群體間的異構(gòu)性，對(duì)于不同的群體可以更有針對(duì)性地提出相應(yīng)改善措施.El Zarwi等[8]使用潛在類(lèi)別選擇模型，將受訪者分為3類(lèi)，不同群體的社會(huì)經(jīng)濟(jì)屬性顯示，非采用者所占比例最多(82.98%)，高收入群體和男性更有可能是早期采用者.Nielsen等[9]使用主成分分析，根據(jù)受訪者對(duì)自動(dòng)駕駛汽車(chē)的態(tài)度和期望將群體分為懷疑型、熱衷型和冷漠壓力型駕駛員.其中，對(duì)自動(dòng)駕駛汽車(chē)充滿(mǎn)熱情的熱衷型通常是男性、年輕人，居住在大都市地區(qū)，而懷疑型則是居住在人口密度較低地區(qū)的老年人.Hardman等[10]發(fā)現(xiàn)，不同群體間在收入、性別、年齡、受教育程度、家庭用車(chē)數(shù)、家庭人數(shù)等方面均有統(tǒng)計(jì)學(xué)差異.Berrada等[11]使用層次聚類(lèi)研究了受訪者的個(gè)人屬性及使用意愿，劃分出5類(lèi)群體.潛變量模型、主成分分析等都是聚類(lèi)思想，將相關(guān)性大或距離小的樣本分為一組，無(wú)特定的分類(lèi)標(biāo)準(zhǔn)及分類(lèi)數(shù).此前使用聚類(lèi)方法的研究所劃分出的群體以3類(lèi)和5類(lèi)為主[8-13]，受訪者既呈現(xiàn)出積極和消極狀態(tài)，又出現(xiàn)了多樣性心理，如懷疑、不確定等.

一方面，對(duì)于使用意愿的很多研究中都考慮了感知收益[14-15]，是在感知有用性基礎(chǔ)上加入社會(huì)收益的拓展因素，但沒(méi)有研究將兩個(gè)變量分開(kāi)，討論感知收益間的關(guān)系.另一方面，中國(guó)的市場(chǎng)細(xì)分研究[16-17]使用Griffin公式[18]，根據(jù)雙極態(tài)度分類(lèi)[19]將受訪者分為積極組、消極組、搖擺組和冷漠組，均是對(duì)不同接受態(tài)度的受訪者按標(biāo)準(zhǔn)進(jìn)行特定群體劃分，聚類(lèi)分析研究不足，對(duì)不固定分類(lèi)標(biāo)準(zhǔn)的群體劃分考慮不全面.

為了探究聚類(lèi)情況下的市場(chǎng)細(xì)分情況，分析使用意愿，本研究針對(duì)全自動(dòng)駕駛汽車(chē)(SAE，L5)使用偏最小二乘法結(jié)構(gòu)方程模型進(jìn)行分析；根據(jù)人們對(duì)自動(dòng)駕駛汽車(chē)的態(tài)度指標(biāo)，使用引入隸屬度概念的模糊C均值聚類(lèi)算法和潛在剖面分析將受訪者聚類(lèi)，比較兩種聚類(lèi)方式劃分出的群體差異；定義不同受訪者群體并進(jìn)行方差分析，識(shí)別群體特征，尋找對(duì)群體有作用的使用意愿影響因素，針對(duì)不同類(lèi)型群體提出全自動(dòng)駕駛汽車(chē)的發(fā)展策略.

1 數(shù)據(jù)收集及準(zhǔn)備

針對(duì)未來(lái)潛在的全自動(dòng)駕駛汽車(chē)用戶(hù)，通過(guò)線上和線下方式進(jìn)行了問(wèn)卷調(diào)查.為了避免人們對(duì)自動(dòng)駕駛了解不夠而出現(xiàn)誤解，增大誤差，影響數(shù)據(jù)的真實(shí)性，問(wèn)卷開(kāi)始先給出了相關(guān)說(shuō)明，即自動(dòng)駕駛技術(shù)使車(chē)輛在無(wú)須駕駛員操作的情況下，通過(guò)車(chē)輛上布置的各類(lèi)傳感器，對(duì)周?chē)h(huán)境進(jìn)行感知并做出決策.自動(dòng)駕駛等級(jí)分為6級(jí)(L0～L5)，全自動(dòng)駕駛(L5)為研究對(duì)象.全自動(dòng)駕駛汽車(chē)可以在任何條件下自動(dòng)駕駛，由駕駛系統(tǒng)負(fù)責(zé)所有的駕駛行為，完全不需要人為操作.通過(guò)介紹全自動(dòng)駕駛汽車(chē)，希望人們?cè)趯?duì)自動(dòng)駕駛汽車(chē)有一定了解的情況下回答問(wèn)題，提高問(wèn)卷的可信度.問(wèn)卷共25題，分為兩個(gè)部分：基本信息(7題)及使用自動(dòng)駕駛汽車(chē)相關(guān)的心理測(cè)評(píng)量表(18題).基本信息包括性別、年齡、教育程度、是否有駕照、是否有車(chē)(是否帶有駕駛輔助系統(tǒng))、是否有事故經(jīng)歷.在分析中，是否有車(chē)和是否帶有駕駛輔助系統(tǒng)合為一題統(tǒng)計(jì).測(cè)量題項(xiàng)(item)使用五點(diǎn)李克特量表(5-point Likert scale)衡量，從十分反對(duì)到十分認(rèn)同，依次記為1～5分.數(shù)據(jù)收集于2019年5月，調(diào)查最終共收集有效樣本204個(gè)，受訪者個(gè)體屬性如表1所示，量表中構(gòu)念(construct)及題項(xiàng)設(shè)計(jì)如表2所示.

表1 個(gè)體屬性統(tǒng)計(jì)表

表2 構(gòu)念及題項(xiàng)設(shè)計(jì)

題項(xiàng)包括感知有用性(perceived usefulness，PU)、感知社會(huì)收益(perceived social benefit，PSB)、感知風(fēng)險(xiǎn)(perceived risk，PR)、社會(huì)影響(social influence，SI)和使用意愿(behavioral intention，BI)，PU3及BI3是反問(wèn)題，在分析前先將其正向化.探索性因子分析結(jié)果顯示，KMO(Kaiser-Meyer-Olkin)統(tǒng)計(jì)量為0.870，巴特利特球形度檢驗(yàn)顯著(p<0.001)，可以使用因子分析.經(jīng)驗(yàn)證性因子分析，刪除因子荷載過(guò)小的題項(xiàng)PU3，剩余各題項(xiàng)的克隆巴赫α系數(shù)均大于0.700，組合信度(CR)大于0.700，平均變異抽取量(AVE)在0.500以上，結(jié)果如表3所示.

表3 問(wèn)卷信效度分析

2 理論方法及模型框架

2.1 結(jié)構(gòu)方程模型

態(tài)度等變量往往存在測(cè)量誤差，且由多個(gè)指標(biāo)共同反映，而結(jié)構(gòu)方程模型可以允許測(cè)量誤差的存在并假設(shè)自變量與多個(gè)因變量間的關(guān)系，因此本研究使用結(jié)構(gòu)方程模型分析使用意愿及影響因素.潛變量選用PU、PSB、PR、SI、BI，潛變量間的假設(shè)關(guān)系如圖1所示.

通常結(jié)構(gòu)方程模型使用最大似然估計(jì)方法(ML)，對(duì)樣本量要求較大.而偏最小二乘法(PLS)估計(jì)結(jié)構(gòu)方程適用于小樣本模型，因此，本研究使用PLS-SEM分析方法.

2.2 模糊C均值聚類(lèi)

k-means是一種常用的基于歐氏距離的聚類(lèi)算法，它以數(shù)據(jù)點(diǎn)到聚類(lèi)中心的某種距離作為優(yōu)化的目標(biāo)函數(shù)[24].但k-means聚類(lèi)是一種硬聚類(lèi)算法，每個(gè)樣本點(diǎn)最終都會(huì)被劃分到確定的類(lèi)別中(屬于該類(lèi)別的概率為1或0).模糊C均值聚類(lèi)算法融合了k-means聚類(lèi)和模糊理論，用隸屬度表示樣本點(diǎn)屬于某一簇的程度，相比于硬聚類(lèi)算法更加靈活，其目標(biāo)函數(shù)為

(1)

式中：uij為樣本點(diǎn)xi屬于j簇的隸屬度，對(duì)于固定的i，樣本點(diǎn)屬于各簇的隸屬度總和為1；m為模糊指數(shù)，當(dāng)m過(guò)大，聚類(lèi)效果變差，而m過(guò)小，則會(huì)趨于硬聚類(lèi)算法；cj為j簇的簇中心.隸屬度和簇中心不斷迭代直至滿(mǎn)足收斂條件.

2.3 潛在剖面分析

混合模型聚類(lèi)同樣是一種軟聚類(lèi)算法：根據(jù)樣本間的成員概率而不是樣本間距離進(jìn)行聚類(lèi).這種基于模型的聚類(lèi)方式得出的是樣本點(diǎn)屬于某一類(lèi)別的概率，根據(jù)概率決定所屬類(lèi)別.潛在剖面模型的連續(xù)外顯變量若呈正態(tài)分布(高斯分布)，則其本質(zhì)上即為高斯混合模型.它由許多正態(tài)分布函數(shù)加權(quán)疊加而成，可以表示出任意分布.在研究中，潛在剖面模型從連續(xù)的外顯變量中獲取類(lèi)別潛變量，并對(duì)樣本進(jìn)行分類(lèi).假設(shè)連續(xù)的外顯變量呈正態(tài)分布，其數(shù)學(xué)模型為[24-26]

(2)

本研究樣本共有204個(gè)，屬于小樣本，使用偏最小二乘法結(jié)構(gòu)方程模型(PLS-SEM)，通過(guò)SmartPLS 軟件對(duì)數(shù)據(jù)進(jìn)行分析，各變量間的路徑系數(shù)及檢驗(yàn)結(jié)果如圖2所示.

結(jié)果顯示，感知有用性、感知社會(huì)收益和社會(huì)影響對(duì)使用意愿有積極影響，其中，社會(huì)影響的作用(β=0.37，p<0.01)大于個(gè)人感知社會(huì)收益(β=0.23，p<0.05)，其次是感知有用性(β=0.19，p<0.10)和感知風(fēng)險(xiǎn)(β=-0.14，p<0.05).對(duì)于受訪者而言，社會(huì)環(huán)境及親友的行為可以促使人們使用這類(lèi)車(chē)輛；同時(shí)，全自動(dòng)駕駛汽車(chē)為交通系統(tǒng)整體帶來(lái)的減少交通擁堵等效益也會(huì)對(duì)公眾行為產(chǎn)生影響.感知社會(huì)收益對(duì)感知有用性表現(xiàn)出很強(qiáng)的積極影響(β=0.47，p<0.01).本研究中，社會(huì)影響作用顯著，除了對(duì)使用意愿有直接影響外，受訪者的親友和所處的社會(huì)環(huán)境對(duì)感知社會(huì)收益也有積極影響(β=0.67，p<0.01).通過(guò)中介分析發(fā)現(xiàn)，社會(huì)影響不僅直接促進(jìn)使用意愿，還會(huì)通過(guò)感知社會(huì)收益對(duì)使用意愿產(chǎn)生間接的顯著作用.鼓勵(lì)公眾使用全自動(dòng)駕駛汽車(chē)的政策除了提高感知收益(即感知有用性和感知社會(huì)收益)外，還可以從社會(huì)影響入手.

4 用戶(hù)細(xì)分結(jié)果及分析

根據(jù)以往研究[16-17，27-28]，將感知收益和感知風(fēng)險(xiǎn)作為判斷態(tài)度的依據(jù).本研究從感知收益和感知風(fēng)險(xiǎn)角度，對(duì)不同態(tài)度的群體進(jìn)行分類(lèi).模糊C均值聚類(lèi)算法和潛在剖面分析都需要提前確定最佳聚類(lèi)數(shù)量.

4.1 模糊C均值聚類(lèi)及潛在剖面分析結(jié)果

Xie-Beni指標(biāo)能表現(xiàn)聚類(lèi)有效性，通過(guò)比較Xie-Beni指標(biāo)、劃分系數(shù)及劃分熵，確定聚類(lèi)數(shù)為3.根據(jù)每個(gè)分類(lèi)的題項(xiàng)得分，將3組群體分別命名為搖擺組(類(lèi)別1，N=87)、消極組(類(lèi)別2，N=88)和積極組(類(lèi)別3，N=29)(圖3)，Me為題項(xiàng)得分的估計(jì)均值.通過(guò)觀察各組得分發(fā)現(xiàn)，消極組的感知風(fēng)險(xiǎn)得分比感知收益高，但整體相差不大，感知風(fēng)險(xiǎn)沒(méi)有處于較高水平(小于4.0).搖擺組在感知收益及感知風(fēng)險(xiǎn)方面的得分都較高(4.0～4.5)，體現(xiàn)出對(duì)全自動(dòng)駕駛汽車(chē)的矛盾態(tài)度.積極組認(rèn)同全自動(dòng)駕駛汽車(chē)的良好效益而忽視風(fēng)險(xiǎn).

潛在剖面分析使用赤池信息準(zhǔn)則(AIC)、貝葉斯信息準(zhǔn)則(BIC)、樣本量調(diào)整后BIC(aBIC)等多項(xiàng)指標(biāo)衡量不同分類(lèi)數(shù)下的聚類(lèi)效果，AIC、BIC、aBIC及熵值越小，聚類(lèi)效果越好.此外，有研究顯示LMR檢驗(yàn)(Lo-Mendell-Rubin adjusted LRT test，LMRT)不易受到外顯指標(biāo)數(shù)、樣本量即指標(biāo)相關(guān)性等影響[29]，相比于AIC及BIC更加穩(wěn)定，可以作為擬合指標(biāo).使用Mplus軟件進(jìn)行潛在剖面分析，分類(lèi)數(shù)為2～5，結(jié)果如表4所示.

表4 潛在剖面分析模型擬合指標(biāo)

從結(jié)果看出，k=2及k=3時(shí)，LMRT的p值顯著(p<0.05)，模型擬合有明顯改善，從k=4開(kāi)始，雖然AIC、BIC及aBIC等逐漸減小，但模型開(kāi)始變得與k-1模型差別不顯著.從k取2、3時(shí)的模型指標(biāo)來(lái)看，分為3類(lèi)比分為2類(lèi)時(shí)的模型有了改善，于是選擇將樣本集合分為3類(lèi)，命名為搖擺組(類(lèi)別1，N=87)、消極組(類(lèi)別2，N=94)和積極組(類(lèi)別3，N=23)(圖4).模糊C均值聚類(lèi)和潛在剖面分析都將樣本劃分為3類(lèi)，分類(lèi)重合達(dá)到96%，兩種方法分類(lèi)大致相同，結(jié)果的不同之處在于模糊C均值聚類(lèi)會(huì)將更多的受訪者分為積極組，導(dǎo)致模糊C均值中積極組的某些感知收益得分比搖擺組要低，而潛在剖面分析的積極組感知收益得分整體比搖擺組高.

4.2 不同群體方差分析

對(duì)模糊C均值聚類(lèi)和潛在剖面分析各組進(jìn)行效應(yīng)量計(jì)算(表5)和方差分析.結(jié)果顯示，潛在剖面分析所劃分的群體間存在更多的顯著性差異，是否有駕照、社會(huì)影響(SI1-3)和使用意愿(BI1-3)表現(xiàn)出一定程度的影響.相比之下，模糊C均值聚類(lèi)結(jié)果顯著因素少，且效應(yīng)量小，于是選擇潛在剖面分析結(jié)果進(jìn)行后續(xù)分析.

潛在剖面分析的方差分析(ANOVA)結(jié)果顯示(表6)，不同群體間的教育程度(p=0.076)和是否有駕照(p=0.007)差異呈現(xiàn)顯著性.在教育程度和是否有駕照方面，積極組表現(xiàn)出了與另外兩組的顯著性差異.教育程度最高的群體是搖擺組(M=1.92，DS=0.55)，其次是消極組(M=1.87，DS=0.59)和積極組(M=1.61，DS=0.66).與消極組和搖擺組不同，積極組大部分受訪者沒(méi)有駕照(65.2%).在社會(huì)影響和使用意愿上，消極組與另外兩組差異顯著(p<0.01).搖擺組和積極組易受到社會(huì)影響且使用意愿較高，而消極組最低.

表6 不同群體的屬性及變量分布

4.3 結(jié)果分析及啟示

研究選用潛在剖面分析將樣本分為積極組、搖擺組和消極組，大部分人(88.7%)對(duì)全自動(dòng)駕駛汽車(chē)持有矛盾心理或消極態(tài)度，這與Nielsen等[9，12]的研究成果相似.在全自動(dòng)駕駛汽車(chē)沒(méi)解決技術(shù)上的問(wèn)題時(shí)，大部分受訪者對(duì)全自動(dòng)駕駛汽車(chē)仍處于觀望狀態(tài).

消極組(46.1%)對(duì)感知收益認(rèn)同較低，對(duì)風(fēng)險(xiǎn)有些擔(dān)憂(yōu)但不強(qiáng)烈，整體上認(rèn)為全自動(dòng)駕駛汽車(chē)的風(fēng)險(xiǎn)大于收益.該群體中有駕照、無(wú)車(chē)的男性較多，74.5%的人沒(méi)有事故經(jīng)歷，不會(huì)受到親友影響，對(duì)使用全自動(dòng)駕駛汽車(chē)保持中立態(tài)度.搖擺組(42.6%)與消極組的受訪者數(shù)相當(dāng)，組成個(gè)體的社會(huì)經(jīng)濟(jì)屬性相似，教育程度高.其對(duì)感知收益和感知風(fēng)險(xiǎn)的認(rèn)同較高，易受環(huán)境影響，希望嘗試使用全自動(dòng)駕駛汽車(chē).積極組占樣本量的11.3%，受訪者更加年輕[9]，教育程度較低，大部分人沒(méi)有駕照(65.2%)，有更少的事故經(jīng)歷.積極組可能因無(wú)法駕駛汽車(chē)或?qū)︸{駛汽車(chē)沒(méi)有興趣，更容易接受全自動(dòng)駕駛汽車(chē)；且事故經(jīng)歷更少，對(duì)風(fēng)險(xiǎn)的擔(dān)憂(yōu)并不強(qiáng)烈.此外，他們?nèi)菀资艿江h(huán)境影響，并對(duì)使用全自動(dòng)駕駛汽車(chē)抱有熱情.積極組可能成為全自動(dòng)駕駛汽車(chē)的早期使用者，而消極組更有可能是全自動(dòng)駕駛汽車(chē)的滯后使用者.

積極組雖然占比不高，但對(duì)感知收益得分較高，在強(qiáng)烈認(rèn)同全自動(dòng)駕駛汽車(chē)優(yōu)勢(shì)的情況下，其心理態(tài)度較為穩(wěn)定[30].搖擺組對(duì)風(fēng)險(xiǎn)的擔(dān)憂(yōu)水平超過(guò)消極組，且感知收益與感知風(fēng)險(xiǎn)得分較為持平，積極和消極的態(tài)度會(huì)導(dǎo)致?lián)u擺組的穩(wěn)定性較弱，易受社會(huì)影響，傾向于被外界信息所改變[28，31].根據(jù)對(duì)受訪者的分組提出了以下措施：

(1)完善全自動(dòng)駕駛汽車(chē)各類(lèi)標(biāo)準(zhǔn)和規(guī)定.從制造角度上降低風(fēng)險(xiǎn)，在法律方面明確責(zé)任劃分，降低消費(fèi)者顧慮.

(2)定位消費(fèi)者.早期用戶(hù)定位為無(wú)駕照、持積極態(tài)度的人群，爭(zhēng)取搖擺組用戶(hù).對(duì)于搖擺組用戶(hù)，針對(duì)其心理狀態(tài)不穩(wěn)定的特點(diǎn)，應(yīng)積極宣傳全自動(dòng)駕駛汽車(chē)的最新技術(shù)和潛在效益，打消他們的使用顧慮以提高感知收益，降低感知風(fēng)險(xiǎn)，促使該群體轉(zhuǎn)變.此外，可以增加公共交通中全自動(dòng)駕駛汽車(chē)的占有率，如在小范圍內(nèi)設(shè)立固定線路的無(wú)人公交，增加乘坐體驗(yàn)，以增加公眾對(duì)全自動(dòng)駕駛汽車(chē)的了解和感知有用性，使未來(lái)人們?cè)谫?gòu)買(mǎi)汽車(chē)時(shí)更多地考慮全自動(dòng)駕駛汽車(chē).同時(shí)，搖擺組和積極組都是易受周?chē)思碍h(huán)境影響的群體，增加全自動(dòng)駕駛汽車(chē)占有率及親友的使用率可以確保積極組的使用率，并帶動(dòng)搖擺組使用此類(lèi)車(chē)輛.消極組考慮在全自動(dòng)駕駛汽車(chē)得到一定程度普及后，發(fā)生態(tài)度上的轉(zhuǎn)變進(jìn)而使用全自動(dòng)駕駛汽車(chē).汽車(chē)廠家可增加試駕活動(dòng)并鼓勵(lì)分享使用感受，帶動(dòng)態(tài)度轉(zhuǎn)變.

(3)在未來(lái)建設(shè)方面，考慮建設(shè)全自動(dòng)駕駛汽車(chē)專(zhuān)用道、智能網(wǎng)聯(lián)汽車(chē)與基礎(chǔ)設(shè)施互聯(lián)規(guī)劃最佳路線等，通過(guò)提高個(gè)人和社會(huì)的收益來(lái)提高公眾群體的感知，以促使更多用戶(hù)使用.

5 結(jié) 論

(1)感知收益內(nèi)部存在顯著影響關(guān)系，感知社會(huì)收益對(duì)感知有用性有積極影響.感知風(fēng)險(xiǎn)對(duì)使用意愿有消極影響.社會(huì)影響是影響不同群體使用意愿的關(guān)鍵因素，可以通過(guò)直接和間接的方式影響使用意愿.

(2)聚類(lèi)算法將受訪者確定為消極組、搖擺組和積極組3類(lèi).不同組間，教育程度、是否有駕照、社會(huì)影響和使用意愿的差異顯著.搖擺組和消極組占樣本的88.7%，這兩類(lèi)受訪者的教育程度較高且持有駕照；搖擺組和積極組更易受外界社會(huì)影響且愿意嘗試使用全自動(dòng)駕駛汽車(chē)，可以結(jié)合聚類(lèi)后組內(nèi)的樣本特征，采取措施使搖擺組的態(tài)度發(fā)生轉(zhuǎn)變.

(3)從3個(gè)方面提出措施：制定標(biāo)準(zhǔn)和各類(lèi)法律法規(guī)；定位消費(fèi)者且根據(jù)不同群體特征采取不同的針對(duì)性措施；計(jì)劃未來(lái)全自動(dòng)駕駛汽車(chē)的管理方法，整體通過(guò)提高感知收益和同伴感染力并降低感知風(fēng)險(xiǎn)的方式推動(dòng)公眾選擇全自動(dòng)駕駛汽車(chē).

本文雖然取得了上述初步研究成果，但由于本研究收集的樣本量較小，且大部分樣本來(lái)源于網(wǎng)絡(luò)調(diào)查，教育程度較高的年輕人居多，研究成果還有待今后利用大樣本數(shù)據(jù)進(jìn)行驗(yàn)證.