自动驾驶技术已经成为汽车产业发展的战略方向。但是，对于自动驾驶汽车对于人类的接受程度，却鲜有实证研究。在这项研究中，招募了300名参与者乘坐SAE Level 3级别的自动驾驶汽车。测量了参与者在骑行前后对自动驾驶技术的信任度、感知有用性、感知易用性、感知安全性和接受度，确定了骑行体验影响自动驾驶汽车接受度的关键心理因素。
介绍
据世界卫生组织统计，全球每年有120多万人死于道路交通事故，对人类健康和社会和谐发展造成极大影响。超过70%的交通事故与人为错误有关(Dhillon，2007)。自动驾驶技术在减少人为错误驾驶导致的交通事故方面具有巨大潜力(NHTSA，2016)。AVs是新一代汽车，可以感知交通环境，通过软件算法导航，控制车辆运动，不需要驾驶员的决策和操作。自动驾驶技术被认为是保障道路安全的突破性关键技术。AVs还具有减少交通拥堵、提高通勤效率和降低油耗的潜力。根据SAE对汽车自动化水平的分类，有条件自动化L3、高度自动化L4、全自动L5 AVs可以自主驾驶。
自动驾驶技术越来越受到汽车制造商、科技公司、政策制定者和公众的关注。许多研究人员和机构对AVs的长期应用做出了不同的预测。利特曼的研究是被引用最多的关于AV应用的预测。他预计，到2050年，自动驾驶将成为大多数新车的标准功能，AVs将应用于40-60%的车辆队列、80-100%的销售车型和50-80%的汽车出行。Litman还预测，AV在提高道路安全和减少交通拥堵方面的作用可能会在2040-2060年代出现。
影响AV大规模应用的障碍可能不是技术上的，而是心理上的。如果AV不能被大众广泛接受，它就不能增强道路安全性，也不能达到预期的对社会和环境的效益。目前，公众对AV的意见调查显示，公众对AV持抵制或中立态度。为了更好地预测、解释和提升公众对AV等新兴技术的接受程度，需要大量的研究来深刻揭示影响公众接受或拒绝新兴技术的原因。在意识到对影响AV接受的因素进行研究的必要性后，许多研究者开展了一项调查，以确定影响公众使用AV意向的决定因素。
然而，这一领域仍有许多空白。首先，了解大众对AV的接受程度的研究还非常有限，影响接受程度的心理决定因素还不得而知。其次，大多数研究依赖于在线调查，并侧重于了解受访者的一般观点，这些受访者很少或没有真正的反病毒经验。像这样的调查方法不一定能得到真正的研究结果。这些受访者不知道AV是如何协同工作的，不知道AV的功能，也不知道驱动程序与AV的交互方式。需要通过实地实验让参与者真正体验AV，然后根据感受说明大众对AV的接受程度。据笔者所知，目前AV上还没有这样的实地测试。
为了了解AV接受背后的心理驱动因素，我们进行了一项现场实验。邀请300名学生作为乘客体验AV，获取第一手乘坐体验数据。利用这些参与者的体验反馈结果，我们分析了真实和直接的体验对AV接受度的影响及其心理决定因素，并建立了一个心理模型来解释和预测参与者再次乘坐AV的意愿以及未来使用L5级自动驾驶汽车的意向。
2.理论框架和假设
2.1接受和心智模式
接受是让新汽车技术达到预期效益水平的先决条件。这个定义意味着验收是新技术在交通系统中实施和应用的必要条件。Adell等人(2014)也将驾驶员对车载系统的接受程度定义为驾驶过程中系统与个人的配合程度，或在系统不可用时使用它的意图。虽然接受的定义有很多，但一般理解是涉及到很多方面，比如购买意向、使用意向等(Adell，2014)。研究者往往关注接受的一个方面。
一些驾驶员行为模型和技术接受理论被用来解释用户接受，包括技术接受模型TAM，计划行为理论TPB，技术应用和接受统一理论UTAUT，UTAUT2。在这些理论中，TPB用于解释驾驶员的一般行为，而其他三个模型则用于解释信息系统研究中的技术接受。这些模型包括三种类型的结构，即人们对一种技术的看法和感知，使用这种技术的行为意图，以及实际的应用行为。这些模型的基本原理是，人们的感知和看法会决定他们的意图，进而决定他们的实际使用行为。研究影响用户使用意图和实际使用行为的主要感知因素非常重要。在TAM模型中，感知有用性PU和感知可用性PEU被认为是行为意向bi的两个直接影响因素。TPB模型包括行为意向BI的三个内容：态度、主观规范和感知行为控制(类似于感知易用性)。这表明积极的态度、有利的标准化和意志控制都会对技术的使用意向产生积极的影响。在UTAUT模型中，假设预期绩效(如感知有用性)、预期成就(如感知可用性)和社会影响都正向影响行为意向，进而与其他促进条件一起正向影响实际应用行为。UTAUT2模型增加了三个因素：享乐动机、价格价值和习惯。
上面提到的模型已经被用来解释驾驶员对新兴车载技术的接受程度。基于近年来的调查，这些模型也被应用于AV和AS的研究，以解释人们使用AV和AS的意图。这些研究分享了一些发现，其中一项证实了这些心理模型影响行为意图的能力。这些研究在影响行为意向的因素上产生了不一致或矛盾的结果。例如，逐渐发现感知有用性是行为意向的主要预测因素，但有时发现无法预测行为意向的具体度量(Nordhoff，2017)。这些与感知易用性对行为意向的重要性相关的不同研究结果主要包括：Choi(2015)发现感知易用性是一个弱预测因子；Madigan(2017)和Motak(2017)发现，感知易用性是一个无意义的预测因素；Nordhoff(2017)和Lee(2017)发现，感知可用性不是一个稳定的预测因素，但它可以影响行为意图的具体测量。需要准确理解感知易用性对行为意向的重要性，因为PEU可以影响AV用户的设计方式。
2.2研究目标和假设发展
本研究的目的是两个方面。通过邀请参与者直接体验AV的自动驾驶模式，提出了大规模的实地研究，自然引出了自动驾驶汽车体验的影响是什么的问题。准确回答这个问题是第一目的。关于直接经验的影响的研究很少，但即使是这几个研究也有令人困惑的结果。在他们的小规模研究中，Motak(2017)指出，as的经历增强了参与者的感知有用性，并使参与者对AS持积极态度。Payre(2016)基于他们对全自动驾驶模拟器的实验研究发现，模拟器体验并不能增加全自动驾驶的接受度，相反，当驾驶条件受到破坏时，模拟器降低了参与者使用它的兴趣。
在这项研究中，注意力集中在直接经验的其他影响上，主要与观念、情绪和行为有关，这在很大程度上被以前的接受研究所忽略。直接体验会帮助人们评价与对象相关的信息，引导人们以更详细、更深入的体验达成合理的态度，校准自己的观点和感知，在观点、意图和行为上表现出更大的一致性。相反，一些暴露的信息可能会导致人们付出更少的努力。本文提出的现场研究不仅考虑了直接体验是否会导致人们在信任、感知有用性、感知易用性和行为意向等方面的态度发生变化；它还测试了直接经验是否增加了心理决定因素和行为意图之间的相关性。此外，如上所述，现有的AV研究报告对感知可用性对行为意向的重要性有不同的结论，本文的实地研究正好提供了一个验证PU对BI影响的机会。
第二个主要目的是根据现场体验数据解释和预测公众对AV的接受程度，并检验提出的心理模型。鉴于以下两个原因，这个模型是基于传统的TAM模型。首先，TAM模型(Davis，1989)被以前的研究者用于研究AV和车辆技术；其次，TAM模型在解释驾驶员对新兴车载技术的接受程度方面有比较好的效果。在AV背景下的TAM模型中突出加入了两个因素：驾驶AV的感知安全PS和对该技术的信任度。鉴于安全是驾驶的第一要务，而AV是一项新技术，人们对AV的安全感知和对技术的初始信任对其接受AV的形成起着关键作用。在模型中，考虑了行为意图BI和再骑意图WTR，用于检验所考虑的决定性因素(PU、PEU、PS、信任)是否可以作为AV接受的稳定预测因素。
2.2.1感知有用性和感知易用性
在TAM模型Davis(1989)中，感知有用性和感知易用性是主要影响技术接受度的两个外部变量。Davis(1989)将感知有用性定义为个人认为使用特定系统可以提高其绩效的程度。根据定义，感知有用性被描述为系统被有效利用的程度。这与UTAUT(Venkatesh，2003)模型中的预期性能非常接近。Davis(1989)将感知易用性定义为个人认为使用特定系统不需要努力的程度。换句话说，可感知的易用性可以理解为人们在使用系统时感受到的困难的对立面。它类似于TPB(Ajzen，1991)模型中的知觉行为控制和乌塔特(Venkatesh，2003)模型中的努力期望。
先前的研究支持感知有用性/可用性和技术接受度之间的正相关关系(Davis，1989；Ghazizadeh，2012年；KingandHe，2006；拉赫曼，2017；文卡特什，2003年).这种联系的背后是行为决策研究中的成本收益范式(Payne，1992)。感知有用性与感知收益、感知易用性和感知成本密切相关。人们总是在追求高收益低成本的决策。既然TAM模型已经被各种技术、应用和系统所验证，那么AV接受度也应该遵循这些关系。然而，正如第一部分所提到的，TAM模型中的PU和PEU对AV接受的影响可能并不像TAM模型中所描述的那么简单。本文中的现场研究将首次验证以下假设：
H1、H2:感知有用性与行为意向和再骑意向正相关；
H3、H4:感知易用性与行为意向和再骑意向正相关。
感知安全
保障驾驶员、乘客和其他道路使用者的安全，减少由人类驾驶引起的交通事故的迫切需要刺激了AV的发展。安全性是AV的一大卖点(Fagnantand Kockelman，2015)。但对于人来说，AV存在风险、不确定性、失控等问题(Kyriakidis，2015)。安全是驾驶的核心。当人们乘坐AV时，就意味着把自己的安全交给了自动驾驶系统。他们会对自动驾驶提出高于自驾安全的安全要求(Waycaster，2018)。我们之前的研究发现，公众认为sdv应该比传统的人类驾驶的车辆安全4到5倍。如果人们不能从AV的体验中感受到相当程度的安全感，就无法接受和使用AV。事实上，一些民意调查显示，许多人非常担心AV的安全性(Bansal，2016；Howardand Dai，2014；Kyriakidis，2015)，这可能导致他们不愿意走AV。一些研究强调，增强安全感在促进公众接受AV方面起着关键作用(Salonen，2018；Shariff，2017年).然而，据我们所知，还没有实验研究探讨感知安全对AV接受的影响。
在本研究中，感知安全被定义为驾驶员和乘客在驾驶或乘坐AV时感到放松、安全和舒适的倾向。实验证据(Delbosc andCurrie，2012)表明，感知安全是公共交通意向的重要预测因素。对于AV来说，人们的安全意识更为重要，因为人们对这项技术的安全性高度担忧。在本文的实地研究中，如果参与者在体验AV的过程中感到非常安全，他们可能会在未来对使用AV更感兴趣，也会愿意再次乘坐他们体验过的AV。因此，我们提出以下两个假设：
H5、H6:感知安全与行为意向和再骑意向正相关。
信任
信任是一种心态，就像基于对另一个人的意图或行为的积极预期而接受他的弱点一样(Rousseu，1998)。信任是人机交互的基础(Leeand Moray，1994；Lee和See，2004年).人和自动化机器之间的交互是以信任为中介的(Ghazizadeh，2012)。已经发现，对自动化机器的信任影响人们的接受、利用和依赖行为(Lee和Moray，1994；李和西，2004年；梅里特和伊尔根，2008年；Parasuraman和Riley，1997)，信任是依赖活动的心理驱动因素。这里对AV的信任定义为公众和潜在消费者成为AV推广者的意愿。
虽然在TAM(Davis，1989)模型及其后续研究(Venkatesh，2003；Venkatesh，2012)最初没有考虑信任程度，但后来的许多研究(Ghazizadeh，2012；亨斯特勒，2016；Pavlou (2003)认为有必要在TAM模型中加入信任，尤其是在高风险和不确定性的情况下。Pavlou(2003)将信任和感知风险应用于电子商务的相关研究，并假设信任可以直接影响行为意向，或者通过感知有用性、感知易用性和感知风险间接影响行为意向。Ghazizadeh(2012)在Pavlou(2003)假说的基础上，将TAM模型扩展到自动化技术接受模型，以解释自动化技术的接受程度，并指出对自动化技术的信任可以是行为意向的直接决定因素，也可以通过感知有用性和感知易用性间接影响行为意向。Choi和Ji(2015)应用这些模型研究了外行人使用AV的行为意向。
作为一种情绪反应，对技术的信任可能会导致接受和使用技术的意愿(Lee and See，2004；麦克奈特，2002年).信任对消费者使用信息系统和电子商务的意愿的直接影响已经被许多研究测试所证实(葛粉，2003；麦克奈特，2002；Pavlou，2003年).同样，信任程度决定了消费者使用AV的程度(Shariff，2017)。如果人们对AV不够信任，就不会使用AV并从中获益。因此，足够的公众信任被认为是AV大规模应用的必要前提(Noy，2018；Shariff，2017年).这导致以下假设：
H7、H8:信任与行为意向和再骑意向正相关。
信任可能会影响与技术相关的感知有用性和感知可用性的认知过程的形成，最终做出是否接受技术的判断。因此，信任可能通过感知有用性和感知易用性间接影响行为意向(Choi andJi，2015；Ghazizadeh，2012年；诺德霍夫，2016；Pavlou，2003年).此外，信任在降低感知风险和不确定性方面也发挥着特定的作用。之前的研究(Choi和Ji，2015；Pavlou，2003)证实了信任可以降低感知风险。相信AV技术可靠性的人，更容易克服对这种技术的风险认知。因此，高度信任可以增强使用AV时的安全感知。这导致以下假设：
H9、H10、H11:信任与感知有用性、感知易用性和感知安全性正相关。
基于上述理论假设，提出了如图1所示的自动驾驶汽车技术接受模型。图表中的四个内容(信任、感知有用性、感知易用性和行为意向)与L5自动驾驶车辆相关。由于现阶段没有L5级别的自动驾驶路测车，本文采用自动化程度较低的AV，让参与者直接体验不同交通场景下的自动驾驶。参与者将在体验后纠正他们对自动驾驶汽车的感知和判断。
图1自动驾驶技术的接受模型
3.方法学
3.1设备和场景设计
图2显示了信达AV，一辆实验性的自动驾驶汽车——，它配备了高分辨率立体摄像机，激光雷达和差分GPS。信达AV是比亚迪汽车集团制造的改款乘用车，主要用于科研和实验。信达AV是SAE级：系统可以完成一些驾驶任务，并在某些情况下监控驾驶环境，人类驾驶员必须在自动驾驶系统请求时接管对车辆的控制。信达AV可以实现五种功能：
感知和位置；
全局路径规划；
行为推理；
轨迹规划；
轨迹跟踪控制。
信达AV在给定一个规划好的目的地后，会根据已知的交通网络计算出可行的路线，并开始按照规划好的路线行驶。在运行过程中，信达AV可以感知道路上静态和突发的动态物体，控制车辆的方向和速度，避免可能发生的碰撞。
图2长安大学“新大”自动驾驶汽车
长安大学车联网和CU-CVIS智能汽车测试场已经为自动驾驶汽车建立了一个测试轨道AVTT。CU-CVIS包括一条2.4公里长的环形高速双向试验路，一条1.1公里长的四车道线性赛道，有四种不同的路面。是智能网联汽车应用测试的综合性封闭站点。
自动驾驶车辆的测试赛道长1 km，如图1所示，设计了9种典型驾驶场景，命名为S1-S9。测试轨迹图和部分场景图如图3所示。
表1九种驾驶场景描述
图3测试轨迹图和S1、S9场景图
3.2措施
表2列出了信任、感知有用性、感知易用性、感知安全性、行为意向和再次骑行意愿六个结构及其具体感受。所有的感受都用认同度来量化(1代表绝对不认同，5代表绝对认同)。信任、感知有用性、感知易用性和行为意向都与L5自动驾驶车辆相关。感知安全是对直接体验到的自动驾驶车辆安全水平的感知；再次乘坐意愿表示参与者愿意再次乘坐AV车的程度。
表2六种结构及其具体感受和来源
3.3参与者和测试过程
300名大学生自愿参加实验。300人中，57%(171人)为男生，25.3%(76人)持有有效驾驶证件，94.3%(283人)之前听说过L5级自动驾驶车辆。它们来自以班级为单位、个人邮件和其他社交媒体应用。所有参与者在体验前都签署了书面知情同意书。这项研究是在长安大学的批准下进行的。
实验过程中，每个AV带2-3名体验者。首先，参与者必须阅读实验的介绍，并在内容上签名。阅读L5级自动驾驶车辆的介绍，在安静的实验室体验之前，通过填写调查问卷来回应他们对L5级AV的看法。在测试中，测试仪在驾驶L3 AV 5-10秒后切换到自动驾驶模式。然后，AV通过自动驾驶模式下的所有驾驶场景。出于安全考虑，手动驾驶车辆在保持安全距离的同时，始终监控并记录AV的实时情况。我们鼓励体验者就信达AV和L5自动驾驶汽车的操作和功能提出问题。信达AV在试驾员的操作下终于停在了起点。之后，体验者被引导回实验室填写更完整的体验后问卷。最后付给每位体验者30元。可以提供典型的现场实验文章给有需要的读者。本文使用的数据来自体验前后的问卷调查。
本文的实地测试是在2017年8月至10月的晴天进行的。在整个实验中使用相同的AV，以确保参与者AV体验的一致性。出于安全考虑和交通场景的复杂程度(比如S3的绿灯和S6的应急车辆等待)，AV必须在自动驾驶模式下以相对较低的速度运行，平均速度为20公里/小时，预设最高速度为40公里/小时.这种AV体验持续4.5到5分钟。在测试过程中，试车手的手离开了方向盘，但他准备在必要时接管AV。事实上，整个现场测试没有人工干预。每个参与者只有一次试乘机会。
4.结果分析
4.1测量模型
基于偏最小二乘(PLS)的结构方程建模(SEM)技术用于检验测量模型和结构模型。PLS-SEM被认为适合于分析复杂的道路模型。不受严格不切实际的假设影响，样本量不高。使用R包“plspm”进行PLS-SEM分析，并遵循自举程序(1，000个子样本)。
表3测量模型的信度和效度
如表3所示，分别记录了被试体验AV前后测量模型的指标信度、内部一致信度、收敛效度和判别效度。这些指标不包括再次乘坐意愿，因为再次乘坐意愿是作为一个单独的项目来衡量的。PU3和PS3因因子负荷低(0.70)而被删除。在最后的测量中，判断如下：
所有项目的要素负荷都高于0.70，证明了该指数的可靠性。
所有组合的信度(CR)和值都大于0.70，证明了内部一致性的可靠性。
所有的平均提取方差(AVE)值都超过标准值0.50，这证明了收敛的有效性。
每个AVE的平方根(显示在表4的对角线上)大于相关结构之间的相关性，这证明了区分的有效性。
结构的方差扩展因子(VIF)低于3.0，表明不存在多重共线性(Hair等人，2014)。因此，测量模型的信度和效度是充分的。
表AV体验前后的平均值(标准差)和零级相关性
对比AV体验前后被试测得的四个结构的平均值，发现体验后信任度、和PU均有显著上升，BI基本保持不变(M=0.02)。根据ELM理论，直接体验会增加感知、意图和行为之间的一致性。也就是说，如本文所假设的，AV体验增加了四个结构(信任、PU、PEU和BI)之间的相关性(见表4)。
用Fisher变换评价相关变化的显著性，相关系数检验中的相关系数r主要转换为Z检验统计量。蒲和(R=.16，z=1.87，p=.062)，蒲和毕(R=.17，z=3.33，p=.001)，还有和毕(R=.19，z=3.06，p=.001)。信任和PEU(R=.10，z=1.51，p=.130)，信任和BI的相关性(R=.03，z=0.36，p=.716)没有变化。六个相关性中的四个显著或轻微增加，表明AV经验增加了相关结构之间的一致性。
4.2结构模型
本节首先在结构模型层面测试和评估AV体验的影响。然后，在参与者的AV体验之后，检查完整的结构模型，并确定影响BI和WTR的心理决定因素。
TAM模型
首先，我们在传统的TAM模型中加入信任，然后基于参与者体验AV前后收集的数据，使用PLS对TAM模型进行分析。我们做了三种比较。首先，通过检查这些路径的重要性(见表5)，发现AV体验使感知的易用性成为行为意图的重要预测因素。其次，比较路径系数。这两个模型(体验前后)呈现出三种不同的路径：PU BI (H1: =0.15，p=.039)、Trust BI (H7: =-0.17，p=.017)和Trust PU (H9: =0.11)。信任与BI的相关性没有变化(R=.03)(见表4)，但它们的路径系数有所下降(=-0.17)，可能是因为AV经验加剧了PU和PEU对BI的影响。第三，比较了被试AV体验前后普、毕的解释方差(R2)的比例差异。PU和BIR2的95%置信区间为PU(R2=.12)和BI(R2=.15)，说明直接经验显著增加了PU和BI的解释力。
表AV体验前后的路径系数和解释方差R2
4.2.2结构模型改进
下面的分析，包括中介和预测分析，是专门针对改进图1中的结构模型的。如图4所示，结果支持所有的假设，除了一个假设，即PEU不是WTR的重要预测因子(H4: =-.05，p=.422)。
图4完整的结构模型
对于完整的结构模型，BI和WTR的R2值分别为0.55和0.40，大于临界值0.10。对于PU、PEU和PS，所有R2值都大于0.05。因此，研究模型对所有内生变量都具有可接受的解释力。
拟合优度(GoF)标准用作PLS的全局拟合度量，范围从0.00到1.00。拟合优度GoF定义为AVE的几何平均值和内生变量R2的平均值。GoF标准为0.10、0.25、0.36，分别适用于小、中、大冲击程度。本文GoF计算为0.55，大于影响较大的0.36的临界值。
我们在传统的TAM模型中加入了信任和PS，并将新模型与传统的TAM模型(两个预测因子：蒲和)进行了比较。在新模型中，BI和WTR的R2值分别增加了0.01(F(2293)=17.6，p0.001)和0.4(F(2293)=47.1，p0.001)。因此，在TAM模型中加入信任和PS被证明是有意义的，特别是对于解释WTR。
以前的研究表明，人们对反病毒的看法和态度与其社会人口特征有关。刘等(2018)表示，在设计和应用新的交通技术时，应考虑这些人口特征的差异，因此考虑人口变量是非常必要的。在这项研究中，收集并统计了三个人口统计学变量：性别、之前是否听说过L5全自动驾驶汽车、是否有驾照。在分析过程中，在控制这些统计变量对模型中六个结构的影响的前提下，对图4中的结构模型进行了重新检验。
4.3中介效应分析
假设信任通过三个因素间接影响接受：PU、PEU和PS。使用索贝尔的Z方法理论来检查信任对接受的间接影响。计算方差比(VAF)以确定全球效应间接效应的强度(直接效应间接效应)。用经验法则确定中介效应(间接效应):VAF 80%%，完全中介；VAF=80%%，部分中介；VAF 20%%，无中介。
如表6所示，PU、PEU和PS在信任BI (ps .01)中起着重要的中介作用。他们的VAF值在39%到70%之间，超过了20%的阈值水平，表明他们对信任BI和BI的关系有部分中介作用。同样，在信任WTR关系中，PU和PS也是显著的中间变量(ps 20%%)。与其他中介变量相比，PU对信任的间接效应影响更大。信任对两次接受的间接影响高于直接影响(见表6)。
表6信任的直接和间接影响
5.结论
AVs大规模采用的最大障碍可能是心理上的，而不是技术上的。了解哪些因素以及它们如何影响人们对AV的接受和使用是非常重要的。它被质疑严重依赖于很少或没有AV经验的实验者的在线或书面调查数据来评估公众接受度。本田野研究有助于了解直接经验对AV接受的影响，影响AV接受的决定因素以及这些因素的相关性，并找出哪些决定因素可以解释和预测AV接受。在这个实地实验中，邀请了300名在可预见的未来将成为早期AV用户的学生体验自动驾驶中的9个复杂场景。他们对AV的直接体验增加了他们对L5自动驾驶车辆SDV的信任和两个认知信念(感知有用性和感知易用性),尤其是这两个认知信念能够更好地预测使用SDV的行为意向。感知有用性、信任和感知安全性是参与者使用SDV的行为意向和再次骑行AV意愿的积极预测因素。信任对AV接受有直接和间接的影响。当前的研究成果为AVS标准的设计和推广提供了有益的启示。
结论1:直接体验可以增强人们对蒲和的信任；在AV中；
结论二：信任、PU、PS与BI、WTR呈正相关，即直接影响BI、WTR；
Ps1:信任不仅直接影响毕和，还通过其他因素间接影响毕和；
Ps2:PEU只有经验后才能预测BI，与WTR没有相关性；
结论3:本文提出的模型具有预测AV接受的能力。
