无车载工作人员的安心感：系统提示、积极出行体验与使用GoA4无人驾驶地铁的意愿

《Journal of Transport & Health》：Reassurance without onboard staff: System cues, positive travel experience, and intention to use GoA4 unattended metros

　　

## 摘要

**引言**
等级4自动化（GoA4）无人驾驶地铁在常规运营中取消了随车工作人员，因此乘客必须自行判断一次无人员乘务的行程是否可控、是否获得支持以及是否易于使用。本研究考察系统线索与使用GoA4无人驾驶地铁意愿之间的关联。

**方法**
我们将技术接受模型（TAM）与自我决定理论（SDT）以及服务/自动化视角相结合。系统自主支持（SAS）和系统关联支持（SRS）被建模为独立行程管理和可见帮助可用性的线索。来自四座中国超大城市的横断面在线调查数据（N=347）通过协方差结构方程模型（SEM）和采用错误发现率（FDR）校正的探索性多组分析进行处理。

**结果**
行为意向与感知易用性（PEOU）（β=0.446, p<.001）、感知愉悦（PEN）（β=0.382, p<.001）以及感知有用性（PU）（β=0.140, p<.05）呈正相关。PEN与PEOU呈正相关（β=0.192, p<.05），但与PU无显著关联。SAS和SRS与PU、PEOU和PEN均呈正相关。经过调整后，PEN-PU和PEN-PEOU关联的经验性差异依然存在；在自报性别组别中，仅PU-BI差异仍具统计学显著性。

**结论**
使用GoA4无人驾驶地铁的意愿主要与易用性和预期的积极出行体验相关，与有用性的关联相对较小。清晰的导向、可见的帮助资源、远程支持信息和后备程序等系统线索，可能有助于让无人乘务行程更具可控感。研究未直接测量健康结果；发现表明与感知安全/安保、出行压力、可达性以及使用可持续公共交通的意愿相关的接受机制。

## 1. 引言

GoA4无人驾驶地铁改变了公共交通的一项基本特征：乘客无法向随车工作人员寻求即时澄清或帮助。在传统地铁中，工作人员可以回答问题并在意外情况下提供人工后备。在GoA4服务中，乘客必须从服务环境中推断帮助的可用性，包括导向、帮助点、远程协助、后备程序以及其他运营线索。关于无人化铁路和自动化信任的研究表明，当用户依赖自动化系统时，信任、焦虑和可获得的支持很重要（Lee & See, 2004; Kim, 2019; Lemonnier et al., 2023）。我们将此乘客端问题称为**安心缺口**：即使自动化运行在技术上可行，乘客仍需要判断行程在日常使用中是否可控、是否获得支持以及是否可接受。

以往的接受度研究往往强调功能评价，特别是感知有用性（PU）和感知易用性（PEOU）（Davis, 1989; Venkatesh & Davis, 2000; Ghazizadeh et al., 2012）。这些构念仍然是必要的，但它们并未完全解决一个更为迫切的乘客问题：如果车上没有可见的帮助，行程感觉会多可控？乘客可能还会判断预期的行程是否容易理解、愉悦并适合常规使用，而不仅仅是评价效率。我们保留"感知愉悦"（PEN）这一标签，以与技术接受研究中关于技术使用内在和享乐性评价的研究保持一致（Davis et al., 1992; Sun & Zhang, 2006）。在GoA4公共交通情境中，PEN被更狭义地解释为乘客预期的积极出行体验，反映在兴趣、新奇性、愉悦感和投入度等方面。

在本研究中，无人驾驶地铁指的是等级4自动化（GoA4），即无人列车运行，列车在常规服务期间完全自动运行且无随车工作人员（Cohen et al., 2015; Singh et al., 2021）。中国大型城市轨道交通网络和无人驾驶地铁技术的持续发展为此问题提供了及时的研究背景（Lin et al., 2021, 2022; Lai et al., 2022）。与基于道路的自动驾驶不同，GoA4地铁在固定线路上运行、遵循标准化程序并同时服务大量乘客（Pakusch & Bossauer, 2017; Pigeon et al., 2021; Lemonnier et al., 2023）。因此，乘客问题并非个体车辆控制，而是无可见随车工作人员的共享公共服务在常规出行中是否感觉可控。

GoA4地铁提供了一个有用的实证设置，因为它结合了安全关键的公共交通、高频常规使用、标准化路线、有限的乘客控制以及无即时随车人工后备。这种组合使随车工作人员缺位变得显著，同时使相关的运营商可控线索——包括导向、帮助点、远程支持信息和后备程序——保持在服务设计的范围内。

这些接受因素与交通健康相关，因为安全/安保感知、出行压力、社会支持、可达性以及使用公共交通的意愿都会影响人们是否能够使用可持续公共交通。以往的交通-健康研究同样认为，自动驾驶出行不仅应根据技术绩效评估，还应评估其对公共健康、可达性、公平性和交通政策的影响（Crayton & Meier, 2017; Sohrabi et al., 2021）。本研究并未直接测量健康结果；它考察的是可能与之相关的接受机制。

我们将技术接受模型（TAM）与自我决定理论（SDT）相结合以检验这一框架。**安心**是乘客端问题的理论框架，而非结构方程模型中的独立潜变量。系统自主支持（SAS）捕捉帮助乘客独立导航的行程管理线索。系统关联支持（SRS）捕捉使帮助可用性和乘客关怀变得显著的线索。随后我们考察这些线索与PU、PEOU、PEN以及使用GoA4无人驾驶地铁意愿之间的关系。

本研究有一个主要目标和一项探索性目标：

（1）主要目标是考察系统自主支持和系统关联支持是否与感知有用性、感知易用性和感知愉悦相关。随后检验这三个乘客评价是否与使用GoA4无人驾驶地铁的意愿相关。

（2）探索性目标是考察这些关联是否因自报性别或此前是否直接接触过无人驾驶地铁而有所不同。

利用来自四座中国超大城市的横断面调查数据（N=347），我们估计了一个协方差结构方程模型，并按自报性别和此前是否直接接触过无人驾驶地铁进行了探索性多组分析。这些子群分析被视为探索性证据，而非分群特定结论的依据。理论和实践含义在结论部分总结。

本研究的其余部分组织如下。第2节回顾无人驾驶地铁接受度和相关理论的文献。第3节介绍整合框架和假设。第4节描述数据和方法。第5节报告主要结果和探索性多组分析。第6节讨论研究结果。第7节提出结论和含义，第8节概述局限性和未来研究方向。

## 2. 文献综述

### 2.1 GoA4无人驾驶地铁与安心缺口

在GoA4无人驾驶地铁中，自动化改变了服务接触方式和驾驶任务：通常提供车内帮助的工作人员不再在场。以往关于无人化铁路和自动化公共交通的研究表明，乘客在评价这些服务时会关注信任、焦虑、安全、服务可靠性、用户体验和自动化等级（Kim, 2019; Bellone et al., 2021; Goldbach et al., 2022; Lemonnier et al., 2023; Pakusch & Bossauer, 2017; Pigeon et al., 2021）。运营研究强调无人列车运行在生产力、效率和安全性保证方面的理由，但这些收益只有在乘客愿意使用该服务的情况下才真正对公共交通系统有意义（Cohen et al., 2015; Yan et al., 2019; Jansson et al., 2023; Singh et al., 2021）。

我们将**安心缺口**这一术语用于描述随车工作人员缺位时出现的乘客端问题。在此类服务中，乘客无法向车内工作人员寻求澄清或人工后备。这并不意味着帮助不可获得；而是意味着乘客必须能够通过与环境信息设计、远程协助、后备程序和服务环境来定位和解读帮助。这一框架与自动化信任研究一致，该研究表明当系统复杂且完全理解不切实际时，信任指导依赖；也与人与自动化研究表明部署并不保证适当使用的发现一致（Lee & See, 2004; Parasuraman & Riley, 1997）。它还借鉴了服务场景和自助技术视角，这些视角解释了当直接员工参与有限时，基于技术的服务接触和物理服务线索如何塑造顾客评价（Bitner, 1992; Meuter et al., 2000）。

### 2.2 安心系统线索：自主支持与关联支持

自我决定理论（SDT）有助于明确当随车工作人员缺位时可能重要的两类系统线索。SDT认为自主性和关联性是塑造动机和体验的基本心理需求（Ryan & Deci, 2000）。在技术情境中，自主支持和关联支持可以影响用户如何评价和接受一个系统（Lee et al., 2015; Burnell et al., 2023）。对于GoA4地铁，这些支持并不意味着无限制的个人选择或直接的人际接触；它们表示帮助乘客管理行程并在需要时识别帮助渠道的线索。

系统自主支持（SAS）捕捉如清晰路线、换乘信息、自助协助和易于理解的后备选项等行程管理线索。系统关联支持（SRS）捕捉在没有随车工作人员的情况下仍能发出帮助可用性和关注乘客需求信号的线索。例子包括帮助点、礼貌提示、远程支持信息和文明线索。最近将自动化、动机和基本心理需求联系起来的工作支持将这些线索视为可在接受度研究中考察的设计因素（Xie et al., 2023; Stiegemeier et al., 2024）。

### 2.3 接受度中的功能信心与感知愉悦

技术接受模型（TAM）仍然有用，因为它捕捉了两个实际判断：PU，即服务是否被认为能有效地帮助乘客出行；以及PEOU，即服务是否被认为易于理解且低负担（Davis, 1989; Venkatesh & Davis, 2000; Ghazizadeh et al., 2012）。关于公共交通和自动驾驶的研究持续表明，有用性和易用性信念对使用意愿很重要（Chen & Chao, 2011; Madigan et al., 2017; Korkmaz et al., 2022; Nastjuk et al., 2020; Nordhoff et al., 2019; Zhang et al., 2021; Peng & Robinson-Tay, 2025）。相关的自动驾驶研究还表明，信任、风险、安全感知、接触和出行习惯都会塑造接受度（Choi & Ji, 2015; Hulse et al., 2018; Xu et al., 2018; Farmer et al., 2024; Yao et al., 2025）。

然而，GoA4地铁接受度不太可能仅由实用判断来解释。用户体验研究认为，技术评价包括体验质量，而不仅仅是有用性和可用性（Hassenzahl & Tractinsky, 2006）。感知愉悦长期以来被用于技术接受研究以代表技术使用的内在或享乐价值，区别于作为外在评价的有用性（Davis et al., 1992; Sun & Zhang, 2006）。我们保留"感知愉悦"（PEN）这一标签以与文献保持一致，同时在GoA4公共交通情境中将其解释为乘客预期的积极出行体验：行程是否令人感到有趣、新奇、愉悦和具有吸引力。

### 2.4 研究缺口与本研究的定位

综合来看，文献留下了三个缺口。第一，自动驾驶出行接受度研究更关注基于道路的自动驾驶汽车，而非中国大城市中没有随车工作人员的地铁服务（Lai et al., 2022）。第二，基于TAM的工作通常通过有用性和易用性信念来解释使用意愿，但对系统线索如何弥补随车人工后备缺位关注较少。第三，感知愉悦在技术接受研究中已确立为一种内在或享乐评价，但在公共交通服务中其含义需要情境化界定。对于无人驾驶地铁，该构念应被理解为预期的积极出行体验。本研究通过考察SAS和SRS是否与PU、PEOU、PEN以及使用GoA4无人驾驶地铁的意愿相关来解决这些缺口。我们将GoA4地铁视为一个聚焦的实证设置，在此设置中可以在安全关键、高流量的环境中考察人力不足公共服务这一更广泛的问题。表1总结了所选理论元素在本研究中的使用方式。

**表1. 本研究的理论逻辑**

| 理论元素 | 在本研究中的作用 | 关键参考文献 |
|---|---|---|
| 无随车工作人员的服务 | 界定随车工作人员缺失和即时人工后备所创建的安心缺口 | Kim (2019); Lemonnier et al. (2023); Jansson et al. (2023); Singh et al. (2021) |
| 自动化信任与自助服务接触 | 解释为什么在直接人工帮助有限时乘客依赖系统线索 | Lee and See (2004); Parasuraman and Riley (1997); Bitner (1992); Meuter et al. (2000) |
| 安心系统线索 | 将SAS和SRS界定为支持感知控制和帮助可用性的服务线索 | Ryan and Deci (2000); Lee et al. (2015); Burnell et al. (2023); Xie et al. (2023); Stiegemeier et al. (2024) |
| 接受度评价 | 将PU、PEOU和积极体验与使用意愿联系起来 | Davis (1989); Ghazizadeh et al. (2012); Hassenzahl and Tractinsky (2006); Zhang et al. (2021) |

SAS = 系统自主性支持；SRS = 系统关联性支持；PU = 感知有用性；PEOU = 感知易用性。该表概括了所选核心文献的理论功能，而非详尽综述。

3. 理论框架与假设

3.1 理论背景：SDT与TAM

图1将“安抚缺口”论证转化为一个整合的TAM-SDT模型。TAM代表功能路径：PU和PEOU预计与使用意向呈正相关。SDT界定了系统提示路径：SAS和SRS预计会塑造功能判断以及PEN，而服务中并无即时随车的人工后备。

图1 GoA4无人地铁接受度的安抚缺口框架

注：没有随车工作人员提供服务的GoA4服务可能使乘客对控制权、帮助可获得性以及服务体验感到不确定。该框架将安抚视为乘客在缺乏随车协助时需从服务环境中推断的属性。自主性支持型和关联性支持型提示被建模为系统塑造PU、PEOU和感知愉悦（PEN）的机制，这些机制继而与使用意向相关联。

在本模型中，SAS指那些帮助乘客在既定地铁服务中独立管理行程的设计特征，例如清晰的线路与换乘信息、易懂的标识以及无侵入性的自助帮助。SRS指那些使帮助可获得性和乘客关怀变得可见的提示，例如求助点、礼貌提示、服务状态信息以及后备方案信息。这些构念被建模为与PU、PEOU和PEN相关的系统提示。

Davis（1989）提出的TAM将PEOU和PU确定为技术采纳的关键决定因素。本模型将PU、PEOU和PEN作为BI的直接预测变量。这一设定检验了预期行程带来的正面体验是否在功能评价之外还与意向相关。

3.2 假设发展

3.2.1 PU、PEOU与BI

在TAM中，PU和PEOU捕捉乘客对服务实用层面的评价。PU反映无人地铁是否被预期能提高行程效果。PEOU反映在无工作人员服务中理解流程、站内导航及完成常规行程任务所需的预期努力。共同地，这些信念为解释无人地铁中的行为意向提供了一个简单的依据。

自动化交通领域的证据表明，PU和PEOU在各种自动化情境下仍是接受度的稳定预测变量。关于自动化公共交通和自主交通的经验研究报告了有用性/易用性信念与自动化服务使用意向之间的正相关（Madigan et al., 2017; Korkmaz et al., 2022; Nastjuk et al., 2020）。元分析证据进一步表明这些信念有助于接受度，但效应量随自动化水平和样本情境而异（Zhang et al., 2021）。将此逻辑迁移至无人地铁，我们预期感知到清晰功能效益和低交互努力的乘客会报告更强的使用意向。因此，我们提出假设：

H1 感知有用性与使用无人地铁的行为意向呈正相关。

H2 感知易用性与使用无人地铁的行为意向呈正相关。

3.2.2 PEN与BI

除了实用评价，预期行程的情感品质也可影响采纳。在技术接受度研究中，感知愉悦指的是使用技术的内在或享乐价值，区别于功能有用性（Davis et al., 1992; Sun and Zhang, 2006）。此处，PEN捕捉无工作人员GoA4行程是否被预期为有趣、新颖、愉悦且引人入胜。用户体验研究强调超越有用性与可用性的体验品质（Hassenzahl and Tractinsky, 2006），先前的TAM扩展表明愉悦可在PU和PEOU之上进一步加强采纳意向（Sun and Zhang, 2006; Kumar Kakar, 2017）。在自动化交通中，享乐动机也被识别为与绩效期望和努力期望并列的接受因素（Maghrour Zefreh et al., 2023; Vacca and Ko, 2025）。因此，我们提出假设：

H3 感知愉悦与使用无人地铁的行为意向呈正相关。

3.2.3 SAS与SRS

自我决定理论（SDT）表明，自主性支持型和关联性支持型环境可强化动机与系统评价（Ryan and Deci, 2000; Lee et al., 2015）。系统自主性支持（SAS）捕捉GoA4服务在多大程度上帮助乘客通过清晰信息、可用的自助协助以及对行程控制感来独立管理行程。它并不意味着不受限的运营选择；相反，它捕捉在可用线路、换乘及支持选项范围内所感知的控制感（Burnell et al., 2023; Xie et al., 2023）。

系统关联性支持（SRS）指无人地铁环境在多大程度上传递出帮助可获得且乘客需求已被考虑的信号，尽管直接人际互动有限。在此情境下，关联性通过礼貌提示、可见的求助点、文明相关提示以及一种不那么孤立、更具支持感的气氛来表达（Lee et al., 2015; Xie et al., 2023; Stiegemeier et al., 2024）。

H4 系统自主性支持与感知有用性呈正相关。

H5 系统自主性支持与感知易用性呈正相关。

H6 系统自主性支持与感知愉悦呈正相关。

H7 系统关联性支持与感知愉悦呈正相关。

H8 系统关联性支持与感知有用性呈正相关。

H9 系统关联性支持与感知易用性呈正相关。

3.2.4 PEN、PU与PEOU

先前的TAM扩展表明，PEN可能以两种方式影响接受度。正面体验可能使系统看起来更易于学习和使用，从而提高PEOU。它也可能提高对服务整体价值的感知，强化PU（Sun and Zhang, 2006; Kumar Kakar, 2017; Nastjuk et al., 2020）。在GoA4无人地铁情境中，缺乏直接经验的用户可能依赖与体验相关的提示来解读不熟悉的服务。鉴于横断面设计，这些路径被设定为理论引导的关联，而非时间性的因果序列。据此，我们提出假设：

H10 感知愉悦与感知有用性呈正相关。

H11 感知愉悦与感知易用性呈正相关。

同时，GoA4地铁是具有标准化流程和有限服务灵活性的安全关键公共服务。在此条件下，愉悦可能作为通往意向的平行路径，而非必然强化PU或PEOU。因此，我们将H10和H11保留为经验检验，并将其得到或得不到支持解释为情境特定发现，而非中介证据。

4. 方法论

4.1 测量设计

我们开发了一份基于情境的问卷，用于测量与无人地铁接受度相关的六个潜在构念，并使用协方差结构方程模型分析数据。

我们改编了Korkmaz et al.（2022）和Nastjuk et al.（2020）的经过验证的技术接受度量表，设计了在线问卷。SAS和SRS条目针对GoA4情境进行改编，以捕捉感知的自主性支持型和关联性支持型系统提示，而非不受限的运营选择或直接人际互动。为避免在高度标准化的地铁环境中产生误解，我们在调查情境中明确说明，GoA4服务以固定线路和时刻表运营，“自主性支持”指乘客利用系统信息和自助功能在可用选项范围内管理行程的感知能力。这些条目（见表2）根据一项106名参与者参与的小样本测试反馈，进一步针对中国文化适用性和清晰度进行了修改。

表2 构念与测量条目

| 构念 | 编号 | 测量条目 | 来源 |
|---|---|---|---|
| 感知有用性（PU） | PU1 | 无人地铁服务对我的日常出行比传统地铁服务更有用。（Davis, 1989; Madigan et al., 2017; Nastjuk et al., 2020; Korkmaz et al., 2022; Peng & Robinson-Tay, 2025） | |
| | PU2 | 无人地铁服务比传统地铁服务更高效、更快捷。 | |
| | PU3 | 使用无人地铁服务将帮助我更快地到达目的地。 | |
| 感知易用性（PEOU） | PEOU1 | 我会发现无人地铁服务易于理解和使用。（Davis, 1989; Madigan et al., 2017; Nastjuk et al., 2020; Korkmaz et al., 2022; Peng and Robinson-Tay, 2025） | |
| | PEOU2 | 学习使用无人地铁服务不需要太多时间。 | |
| | PEOU3 | 我与无人地铁服务的交互将清晰且易于理解。 | |
| | PEOU4 | 我能够在无需协助的情况下迅速完成关键行程任务（如进站、导航和乘车）。 | |
| 系统自主性支持（SAS） | SAS1 | 系统将为我的出行提供足够的信息，以便我选择最契合行程的线路和换乘选项。（Ryan and Deci, 2000; Lee et al., 2015; Burnell et al., 2023; Xie et al., 2023; Stiegemeier et al., 2024） | |
| | SAS2 | 系统会允许我在需要时利用可用的自助协助独立管理行程。 | |
| | SAS3 | 系统会帮助我在不依赖随车工作人员的情况下保持对行程的控制。 | |
| 系统关联性支持（SRS） | SRS1 | 系统会提供礼貌且体贴的提示，使出行环境感觉更具支持性。（Ryan and Deci, 2000; Lee et al., 2015; Burnell et al., 2023; Xie et al., 2023; Stiegemeier et al., 2024） | |
| | SRS2 | 使用无人地铁服务时，我会感觉不那么孤立，而更有支持感。 | |
| | SRS3 | 可见的文明规范和关怀提示（如优先标识和礼貌提示）会让我在行程中感到被支持。 | |
| 感知愉悦（PEN） | PEN1 | 使用无人地铁服务将是一种有趣的体验。（Hassenzahl and Tractinsky, 2006; Venkatesh et al., 2012; Korkmaz et al., 2022; Maghrour Zefreh et al., 2023; Vacca and Ko, 2025） | |
| | PEN2 | 使用无人地铁服务会感觉新颖而耳目一新。 | |
| | PEN3 | 使用无人地铁服务会感觉愉悦且引人入胜。 | |
| | PEN4 | 使用无人地铁服务本身就会令人愉悦。 | |
| 行为意向（BI） | BI1 | 如果无人地铁服务在我的城市推出，我会很可能经常使用。（Venkatesh et al., 2012; Madigan et al., 2017; Nastjuk et al., 2020; Korkmaz et al., 2022） | |
| | BI2 | 如果无人地铁服务价格合理，我愿意长期使用。 | |
| | BI3 | 我对在近期尝试无人地铁服务很感兴趣。 | |
| | BI4 | 当适合我的出行需求时，我会考虑选择无人地铁服务。 | |

注：SAS条目捕捉乘客在标准化地铁环境且无随车工作人员情况下，独立管理行程的感知能力。SRS条目捕捉在直接人际互动有限情况下，传递帮助可获得和受支持感的系统提示。PU条目捕捉在标准化情境下的感知相对有用性，而非相对于传统地铁服务的实际运营优越性。BI条目共同捕捉在所述情境下的广泛使用意向构念，综合了尝试意愿、可能使用、长期使用意向以及交通方式选择考量。

在主构念条目之前，参与者观看了一段简短、中性的GoA4情境介绍，配合插图和一段展示主要服务特征的短视频，包括无随车工作人员、远程支持和后备流程。随后他们完成一项自我报告的理解确认条目。由于这并非客观理解测试，我们将其作为程序性辅助手段报告，而非正式的有效性检验。这种基于情境的暴露与自主交通接受度研究中采用基于体验的呈现方式一致（Distler et al., 2018）。

情境之后，参与者报告人口统计信息（性别、年龄、教育程度），并完成六个构念量表：PEOU、PU、SAS、SRS、PEN和BI。条目采用五点李克特量表，范围从1（“非常不同意”）到5（“非常同意”）。这一结构遵循TAM框架，并整合基于SDT的构念，以同时捕捉功能评价和支持相关提示。表2报告了最终的条目集合。

由于问卷为基于情境且采用前瞻性措辞，核心构念捕捉的是受访者在标准化GoA4服务描述下的接受度判断，而非纯粹的使用后评价。PU条目捕捉在所述情境下的感知相对有用性；它们不应被解读为GoA4服务在运营速度上优于传统地铁服务的证据。对于曾有直接暴露经历的受访者，这些判断可能受回忆中无人地铁相遇的影响；对于没有直接暴露经历的受访者，它们是预期性的。

4.2 样本与数据收集

4.2.1 研究情境：中国大都市地区

根据交通运输部2021年12月的城市轨道交通运营通告，截至2021年底，中国大陆有51个城市拥有269条城市轨道交通运营线路，总里程8708公里（中华人民共和国交通运输部，2022）。选择北京、上海、广州和深圳是因为这些城市拥有广泛的轨道交通网络、高额的日常公共交通需求，并积极采纳先进地铁技术（Lin et al., 2021; Lai et al., 2022）。这些大都市情境适合考察乘客如何在大型、标准化的公共交通系统中评价GoA4无人地铁服务。

4.2.2 抽样策略与问卷调查

正式数据收集于2024年10月通过在线问卷和配额引导的便利抽样进行。配额按年龄段和既往无人地铁经验设定，以多样化样本构成，而非实现统计代表性。

通过社区网络、在线论坛和专业群组分发调查问卷链接和二维码，以拓宽招募渠道。在411份回收问卷中，根据预设质量标准剔除了64份，包括未通过注意力检查、直线作答（核心项目SD < 0.10）、完成时间少于180秒以及不一致的重复作答，最终分析样本为347人。在最终样本中，87名受访者（25.1%）报告有无人驾驶地铁的直接使用经历，260人（74.9%）报告无直接经历。图2报告了样本分布情况，包括自我报告的性别（女性n = 174，50.1%；男性n = 173，49.9%）。鉴于非概率抽样设计，研究结果应解释为关于接受因素间关系的发现，而非具有统计代表性的估计值。下载：下载高分辨率图片（336KB）下载：下载全尺寸图片 图2. 受访者特征（N = 347）。注：面板(a)展示社会人口统计特征（自我报告性别、年龄和教育程度）。面板(b)展示无人驾驶地铁的直接使用经历。

参与为自愿且匿名，在调查开始前获得了知情同意。为减少评价焦虑和共同方法偏差，我们使用了中性指导语，将人口统计项目与核心测量项目分开，嵌入注意力检查项，并在数据清洗中剔除直线作答。

**4.3 分析策略**

在验证性因子分析之前，我们使用Kaiser-Meyer-Olkin（KMO）统计量和Bartlett球形检验评估数据是否适合因子分析。KMO值为0.931，Bartlett检验显著（p < .001），表明项目间相关性足以进行CFA。随后我们估计了测量模型，评估了信度、聚合效度、区分效度和共同方法偏差诊断，最后检验了结构模型和探索性多组对比。SEM程序遵循多元分析和模型拟合评估的通行指导（Hair et al., 2010; Hu and Bentler, 1999）。表3报告了用于评估因子性的KMO和Bartlett检验结果。

表3. KMO与Bartlett检验

| 检验 | 统计量 | 值 |
|------|--------|-----|
| Kaiser-Meyer-Olkin抽样适当性测量 | | 0.931 |
| Bartlett球形检验 | 近似卡方 | 4173.137 |
| Bartlett球形检验 | df | 210 |
| Bartlett球形检验 | Sig. | <0.001 |

**5. 结果**

**5.1 测量模型分析**

在结构模型之前评估了测量模型。表4报告了标准化因子载荷、Cronbach's α、AVE、CR及构念均值。所有构念的信度均可接受，Cronbach's α和组合信度值均高于0.70。AVE值超过0.50，支持了聚合效度。CFA整体拟合可接受，适合假设检验（χ2 = 421.242, df = 174, χ2/df = 2.421; CFI = 0.939; TLI = 0.927; IFI = 0.940; RMSEA = 0.064）。

表4. 验证性因子分析结果

| 构念 | 项目 | 因子载荷 | Cronbach's α | AVE | CR | 均值 |
|------|------|----------|-------------|-----|-----|------|
| 感知易用性 | PEOU1 | 0.817 | 0.851 | 0.596 | 0.855 | 3.816 |
| | PEOU2 | 0.8 | | | | |
| | PEOU3 | 0.752 | | | | |
| | PEOU4 | 0.715 | | | | |
| 感知有用性 | PU1 | 0.766 | 0.806 | 0.579 | 0.804 | 3.923 |
| | PU2 | 0.72 | | | | |
| | PU3 | 0.794 | | | | |
| 系统自主支持 | SAS1 | 0.779 | 0.791 | 0.565 | 0.795 | 3.799 |
| | SAS2 | 0.776 | | | | |
| | SAS3 | 0.696 | | | | |
| 系统关联支持 | SRS1 | 0.77 | 0.859 | 0.673 | 0.860 | 3.448 |
| | SRS2 | 0.844 | | | | |
| | SRS3 | 0.845 | | | | |
| 感知愉悦性 | PEN1 | 0.813 | 0.847 | 0.583 | 0.848 | 3.800 |
| | PEN2 | 0.77 | | | | |
| | PEN3 | 0.773 | | | | |
| | PEN4 | 0.694 | | | | |
| 行为意向 | BI1 | 0.793 | 0.850 | 0.588 | 0.851 | 3.725 |
| | BI2 | 0.791 | | | | |
| | BI3 | 0.773 | | | | |
| | BI4 | 0.706 | | | | |

注：CFA模型拟合统计量：χ2 = 421.242, df = 174, χ2/df = 2.421; CFI = 0.939; TLI = 0.927; IFI = 0.940; RMSEA = 0.064。

区分效度采用Fornell-Larcker准则评估（Fornell and Larcker, 1981）。如表5所示，各构念AVE的平方根均大于其与其他构念的相关系数。HTMT检验也支持了区分效度：所有HTMT值介于0.519至0.764之间，低于0.85的基准值（表A.2; Henseler et al., 2015）。由于SAS和SRS包含概念上相关的支持线索，我们还检查了共线性诊断；所有VIF值均低于2.1，表明不存在严重的多重共线性。共同方法偏差的程序性补救措施包括匿名性、中性指导语、人口统计项目与核心测量项目的空间分离、注意力检查以及剔除直线作答。第一个未旋转因子解释了41%的方差，表明共同方法偏差不太可能是所观察到的模式唯一解释。

表5. 潜变量相关性与Fornell-Larcker区分效度

| 空单元格 | PEOU | PU | SAS | SRS | PEN | BI |
|----------|------|-----|-----|-----|-----|-----|
| PEOU | 0.772 | | | | | |
| PU | 0.730 | 0.761 | | | | |
| SAS | 0.609 | 0.682 | 0.751 | | | |
| SRS | 0.651 | 0.524 | 0.503 | 0.82 | | |
| PEN | 0.656 | 0.607 | 0.645 | 0.600 | 0.764 | |
| BI | 0.764 | 0.652 | 0.714 | 0.742 | 0.740 | 0.767 |

注：对角线为各构念AVE的平方根；非对角线为潜变量相关系数。

**5.2 结构模型分析**

结构模型结果见表6和图3。在核心模型中，PEOU（β = 0.446, p < .001）、PEN（β = 0.382, p < .001）和PU（β = 0.140, p = .025）与行为意向呈正相关，支持了H1-H3。PEN与PEOU正相关（β = 0.192, p = .014），但与PU不显著相关（β = 0.140, p = .109）。SAS与PU（β = 0.532, p < .001）、PEOU（β = 0.338, p < .001）和PEN（β = 0.471, p < .001）正相关。SRS与PU（β = 0.198, p = .005）、PEOU（β = 0.393, p < .001）和PEN（β = 0.384, p < .001）正相关，支持了H4-H9。

表6. 结构模型结果

| 假设 | 路径 | 标准化β | C.R. | Sig. | 决策 |
|------|------|---------|------|------|------|
| H1 | PU→BI | 0.140 | 2.243* | 支持 |
| H2 | PEOU→BI | 0.446 | 6.508*** | 支持 |
| H3 | PEN→BI | 0.382 | 5.411*** | 支持 |
| H4 | SAS→PU | 0.532 | 6.089*** | 支持 |
| H5 | SAS→PEOU | 0.338 | 4.6*** | 支持 |
| H6 | SAS→PEN | 0.471 | 6.915*** | 支持 |
| H7 | SRS→PEN | 0.384 | 6.059*** | 支持 |
| H8 | SRS→PU | 0.198 | 2.8** | 支持 |
| H9 | SRS→PEOU | 0.393 | 5.925*** | 支持 |
| H10 | PEN→PU | 0.140 | 1.601ns | 不支持 |
| H11 | PEN→PEOU | 0.192 | 2.449* | 支持 |

注：标准化β = 标准化结构系数；C.R. = 临界比；Sig. = 双尾显著性标记。仅报告假设中的结构路径。预测BI的控制变量在模型中进行了估计，但由于均无统计显著性，故未列入表中。SAS = 系统自主支持；SRS = 系统关联支持；PU = 感知有用性；PEOU = 感知易用性；PEN = 感知愉悦性；BI = 行为意向。*p < .05, **p < .01, ***p < .001; ns = 不显著。

下载：下载高分辨率图片（306KB）下载：下载全尺寸图片 图3. GoA4无人驾驶地铁接受度的结构模型估计值。注：展示标准化系数。矩阵报告了系统自主支持和系统关联支持对接受评价的影响。实线箭头表示统计显著路径；虚线箭头表示不显著路径。PU和PEOU代表功能性判断，而PEN代表在此情境下的感知愉悦性。年龄、教育和先前直接经历的控制变量已进行估计但为视觉清晰而省略。SAS = 系统自主支持；SRS = 系统关联支持；PU = 感知有用性；PEN = 感知愉悦性；PEOU = 感知易用性；BI = 行为意向。*p < .05; **p < .01; ***p < .001; n.s. = 不显著。

年龄、教育水平和无人驾驶地铁先前经历作为BI的控制变量纳入模型。这些控制系数在本样本中均未达到统计显著性，因此作为协变量保留而不作实质性解释。

多元决定系数分别为：PEN为0.551，PU为0.580，PEOU为0.621，BI为0.729。

核心结构模型拟合可接受（χ2 = 488.908, df = 177, CMIN/DF = 2.762, CFI = 0.923, TLI = 0.909, RMSEA = 0.071; 表A.1）。

**5.2.1 替代模型规格与稳健性检验**

由于标准TAM规格包含PEOU到PU的路径，我们还检验了一个加入该路径的替代模型（保留相同的测量模型）。该替代模型的全局拟合优于核心模型（表A.1）。因此我们将核心模型视为假设检验模型，而非唯一可行模型。替代模型作为敏感性检查报告。由于表A.1仅报告拟合统计量，因此不解读该模型的额外路径水平效应。

由于问卷基于场景设计且采用前瞻性措辞，我们还在无无人驾驶地铁先前直接经历的受访者子样本中（n = 260）重新估计了核心模型。整体模式基本相似（χ2 = 485.888, df = 177, CMIN/DF = 2.745, CFI = 0.906, TLI = 0.888, NFI = 0.861, RMSEA = 0.082）。在该子样本中，PU（β = 0.166, p = .025）、PEOU（β = 0.388, p < .001）和PEN（β = 0.385, p < .001）均与BI正相关。PEN与PU（β = 0.341, p = .002）和PEOU（β = 0.361, p < .001）也正相关。该稳健性检验支持将核心模型解释为在标准化场景下捕捉预期接受度，而非仅依赖先前使用所获得的判断。

**5.3 多组分析**

为检验关联是否因自我报告性别或先前直接经历而异，我们进行了两项探索性多组分析（MGA）。性别分析仅限于分析样本中的两个组别（女性n = 174；男性n = 173）。每项分析中，将1个系数在子组间约束为相等，并检验相应的临界比z值。每项MGA中我们运行了11次跨组检验，并使用Benjamini-Hochberg程序（Benjamini and Hochberg, 1995）在q = 0.05水平上控制错误发现率。 Dagger（?）标记FDR显著的路径差异，子组列中的星号表示组内路径的未校正双尾p值。表7、表8报告了探索性子组对比。

表7. 按无人驾驶地铁先前直接经历划分的结构估计值（路径差异）

| 路径 | 无先前经历(n = 260) | 有先前经历(n = 87) | z分数 |
|------|-------------------|-------------------|-------|
| SAS→PEN | 0.484*** | 0.268ns | 0.878 |
| SRS→PEN | 0.431*** | 0.372* | 0.441 |
| SAS→PU | 0.404*** | 0.704*** | ?1.581 |
| SRS→PU | 0.091ns | 0.547** | ?2.222 |
| PEN→PU | 0.34** | ?0.31* | 3.808? |
| SAS→PEOU | 0.213* | 0.57** | ?1.89 |
| SRS→PEOU | 0.317*** | 0.402* | ?0.332 |
| PEN→PEOU | 0.361*** | ?0.091ns | 2.932? |
| PU→BI | 0.166* | 0.441* | ?1.132 |
| PEOU→BI | 0.388*** | 0.189ns | 1.171 |
| PEN→BI | 0.385*** | 0.454*** | ?0.014 |

注：估计值为标准化路径系数。组内显著性标记为未校正；z分数报告AMOS跨组差异临界比。?表示Benjamini-Hochberg调整后q < 0.05（11次检验）。*p < .05, **p < .01, ***p < .001; ns = 不显著。

表8. 按自我报告性别划分的结构估计值（路径差异）

| 路径 | 男性(n = 173) | 女性(n = 174) | z分数 |
|------|--------------|--------------|-------|
| SAS→PEN | 0.471*** | 0.482*** | ?0.533 |
| SRS→PEN | 0.288** | 0.435*** | 1.23 |
| SAS→PU | 0.513*** | 0.507*** | ?0.025 |
| SRS→PU | 0.386*** | 0.065ns | ?1.914 |
| PEN→PU | 0.106ns | 0.211ns | 0.761 |
| SAS→PEOU | 0.18ns | 0.372*** | 1.33 |
| SRS→PEOU | 0.579*** | 0.265** | ?1.441 |
| PEN→PEOU | 0.212ns | 0.235* | 0.51 |
| PU→BI | 0.482*** | 0.008ns | ?3.168? |
| PEOU→BI | 0.261* | 0.436*** | 0.883 |
| PEN→BI | 0.22ns | 0.508*** | 2.329 |

注：估计值为标准化路径系数。组内显著性标记为未校正；z分数报告AMOS跨组差异临界比。?表示Benjamini-Hochberg调整后q < 0.05（11次检验）。*p < .05, **p < .01, ***p < .001; ns = 不显著。

FDR控制（q = 0.05）后，两项基于经历的差异保持显著：PEN与PU之间的关联（z = 3.808?）以及PEN与PEOU之间的关联（z = 2.932?）。在无先前经历组中，PEN与PU和PEOU均正相关；在有先前经历组中，PEN与PU负相关，与PEOU无显著关联（表7）。PEN与BI的直接关联在经历组间无差异，且在两个子组中均保持显著。

FDR控制后，仅PU与BI的关联因自我报告性别存在显著差异（|z| = 3.168?; 表8）。PU在男性子组中与BI相关，但在女性子组中不相关。PEN与BI的关联及其他跨组对比在调整后未保持显著。

**6. 讨论**

本研究将GoA4无人驾驶地铁接受度重新框定为乘客端在无人员操作下的安心问题。SEM结果表明，使用意向与PU、PEOU和PEN相关联。在全样本中，PEOU和PEN与意向的关联强于PU，表明无人驾驶地铁接受度并非仅由工具性有用性驱动。由于PU-BI系数在核心模型中较小且标准TAM替代模型全局拟合更优，PU-BI关联应谨慎解读。对许多乘客而言，无人员服务可能首先需要让人觉得可理解且体验上可接受，才能成为现实的出行选项。

与其项目措辞及先前接受度研究一致，此处PEN应理解为预期旅途的正面体验质量，包括兴趣、新鲜感、愉悦感和参与感。在核心模型中，PEN与BI直接相关，与PEOU适度相关，但与PU不相关。该模式表明正面体验主要直接关联意向，对有用性信念的溢出效应有限。

SAS和SRS与PU、PEOU和PEN的正相关表明，安心感部分依赖于运营方可控的服务特征。线路信息、自助协助、帮助点、远程支持信息和后备程序并非外围细节；它们是实地测试的候选要素。这些结果不能证明因果关系，但为未来部署识别了实际目标。

从交通与健康角度来看，这些发现识别了可能相关于感知安全/保安、出行压力、可达性和使用可持续公共交通意愿的接受机制。但不应将其解读为直接健康结果方面的证据。

多组发现应保持次要地位。基于经历的差异集中在PEN与PU和PEN与PEOU的关联上，表明正面出行体验的含义可能在亲身体验后发生变化。在有先前经历子组中，PEN与PU关联的估计值为负，但由于子组较小且未进行正式的测量等值性检验，该结果应谨慎解读。按自我报告性别，仅PU与BI关联的差异在错误发现率调整后保持显著。这些子组发现应被视为未来实地研究的探索性设计假设，而非确定的细分规则。

**7. 结论**

**7.1 总结**

本研究考察了中国四座超大城市居民对GoA4无人驾驶地铁的接受度。它探讨了运营方可控系统线索与功能性评价、正面出行体验以及使用无人员地铁服务的意向之间的关联。在扩展的TAM-SDT框架内，SAS和SRS被建模为独立行程管理和帮助可获得性的线索；PU、PEOU和PEN被建模为与行为意向相关的乘客评价。

行为意向与PEOU、PEN和PU正相关，在全样本中PEOU和PEN关联最强。SAS和SRS与所有三项乘客评价正相关。探索性子组发现有限：基于经历的差异出现在PEN与PU以及PEN与PEOU的关联上，而唯一稳健的自我报告性别差异涉及PU与BI的关联。这些子组发现仍属初步性质。

**7.2 理论贡献**

本研究以三种方式为自动化公共交通接受度研究做出贡献。第一，它将GoA4地铁接受度围绕车载支持的缺失来构建，而非作为一般性的技术采纳问题。该构建明确了乘客为何需要从系统线索中推断控制、帮助可获得性和服务可管理性。

同样的逻辑可能适用于其他直接人员支持有限的公共服务。GoA4地铁使这一问题尤为清晰，因为它们结合了自动化运营、公共使用、安全关键出行、标准化流程和缺乏即时车载人工后备。

第二，本研究将SAS和SRS概念化为系统线索，这些线索可以使支持可见且易于理解。

这两种理论发挥着不同的作用：TAM 通过 PU（感知有用性）和 PEOU（感知易用性）解释功能性评估，而 SDT（自我决定理论）则解释了为什么在车上没有工作人员时，支持自主性和支持关联性的线索可能会影响乘客的评价。第三，研究阐明，预期行程的积极体验质量对于无人值守地铁的接受度很重要。其与 BI（行为意向）的直接联系表明，即使在标准化的公共交通环境中，与体验相关的判断也可能补充有用性和易用性评估。

7.3. 实践意义
没有车上工作人员的地铁服务应使协助易于查找和理解，而不仅仅是背景中可用。研究结果表明应将安心感作为服务设计的一部分，而不仅仅是事后沟通。除了可靠性、有用性和易用性之外，运营商可以测试一致的寻路、透明的实时信息、明确的应急预案、帮助点、支持性提示以及易于查找的远程协助信息是否使无人值守服务感觉更易于掌控和可接受。

随后有两个设计优先事项。自主性支持意味着增加乘客在标准化服务中的感知能动性，例如通过清晰的换乘和路线选项、更简单的交互步骤以及可控的信息偏好，如警报、提醒和协助选项。关联性支持意味着表明援助是可用的并且乘客需求已被预见，包括通过帮助点、支持性提示、文明信号以及减少孤立和混淆的设计特征。

针对不同用户群体的定制支持可能仍然有用，但子群证据应谨慎对待。对于没有先前直接接触的用户，引导式入门和清晰易读的帮助线索似乎是合理的优先事项。然而，较小的先前接触子群不支持强烈的分众特定设计主张，在得出更确切的结论之前需要在实地场景中进行复制。

8. 局限性与未来研究
本研究在中国四个特大城市使用了非概率抽样。因此，研究结果应被视为关于大型标准化地铁情境中接受因素之间关系的证据，而不是所有中国城市的代表性估计。由于许多受访者对无人值守地铁的现实接触有限，需要实地试点和前后评估来测试观察到的关联是否转化为实际使用。虽然场景包括图像、短视频和自报的理解确认项目，但它不包括客观的理解检查。未来研究应比较 GoA3 和 GoA4 服务，跨地区和运营商复制模型，并区分可推广到低人员公共服务的安心机制和特定于安全关键公共交通的机制。

本研究未测量直接的身体或心理健康结果。未来研究应将安心感、感知支持和感知安全/安保与诸如旅行压力、焦虑、感知幸福感、弱势群体的无障碍性以及观察到的公共交通使用等结果联系起来。

我们在多组分析之前没有进行正式测量不变性检验。因此，应按自报性别和经验进行跨组对比时应谨慎解释。因为分析样本仅包含性别多组分析（MGA）的女性和男性组，这些对比不应推广到性别多元的乘客群体。未来研究应进行部分指标不变性检查并招募更具包容性的样本以加强跨组比较。

CRediT 作者贡献声明
Guanqiu Qi：写作–审阅与编辑，方法论，调查，概念化，正式分析，监督，写作–原稿。Shijie Zhu：写作–原稿，软件，方法论，正式分析，数据整理，概念化。Xinyu Yao：写作–审阅与编辑，方法论，正式分析。Yuankai Zhang：写作–审阅与编辑。Hye-Kyung Yu：写作–审阅与编辑。
Guanqiu Qi|Shijie Zhu|Xinyu Yao|Yuankai Zhang|Hye-Kyung Yu
韩国首尔中央大学国际物流系