驾驶员对先进交通管理系统的接受度：基于结构方程模型的泰国M-Flow整合TAM-TRI分析

《Urban Science》：Driver Acceptance of Advanced Traffic Management Systems: An Integrated TAM-TRI Analysis of M-Flow in Thailand Using Structural Equation Modeling

　　

本研究探讨了驾驶员对泰国首个利用多车道自由流(Multi-Lane Free Flow, MLFF)技术的先进交通管理(Advanced Traffic Management, ATM)解决方案“M-Flow”接受度的决定因素。尽管该系统旨在通过人工智能驱动的自动计费消除收费站瓶颈，但其运营效率受到由严格的逾期支付十倍罚款合规性所导致的“信任差距”的阻碍。通过将技术准备指数(Technology Readiness Index, TRI 2.0)与技术接受模型(Technology Acceptance Model, TAM)相结合，本研究探索了心理准备如何决定智能交通基础设施的成功。研究人员使用结构方程模型(Structural Equation Modeling, SEM)分析了485名驾驶员的数据。结果显示，虽然技术乐观主义和创新性作为激励因素，但不安全感(Insecurity)（β = ?0.723）成为主要的心理障碍，直接抑制了感知易用性并引发了行为抵抗。研究结果表明，如果监管环境引发财务焦虑，仅凭技术效率和多样化的支付选项不足以确保大规模采用。为了最大化系统吞吐量，本研究建议政策制定者从惩罚性执法转向“信任工程”。通过增强财务透明度、简化注册到支付的流程以及缓解“惩罚陷阱”感知，当局可以实现心理上的无缝衔接，这是泰国完全受信任的智能交通基础设施的严格前提。

**论文解读：驾驶员对先进交通管理系统的接受度——基于结构方程模型的泰国M-Flow整合TAM-TRI分析**

**研究背景与问题**
随着数字交通转型成为泰国提升先进交通管理(Advanced Traffic Management, ATM)的战略支柱，M-Flow系统作为该国首个多车道自由流(Multi-Lane Free Flow, MLFF)自动收费服务应运而生，旨在通过AI驱动自动计费消除收费站物理瓶颈。然而，尽管M-Flow在技术上无缝衔接“先通行后付费”模式，其运营效率却因一个关键问题受阻：非注册用户若未在7天内结清通行费，将触发严格的十倍罚款。这一惩罚性措施意外制造了“信任差距”，使用户的财务焦虑（即对无意违规的恐惧）掩盖了系统效率优势。现有研究多聚焦一般智能交通系统(Intelligent Transport Systems, ITS)的技术接受，但缺乏对个体心理特质（尤其是处罚主导环境下的不安全感）如何影响无障碍收费技术采用的深入探索。因此，本研究旨在通过整合技术准备指数(Technology Readiness Index, TRI 2.0)与技术接受模型(Technology Acceptance Model, TAM)，揭示心理准备如何塑造驾驶员对M-Flow的态度和采用意向，为政策制定者提供从惩罚转向信任设计的实证依据。

**研究内容与结论**
研究人员基于TRI-TAM整合框架，对485名活跃于泰国高速公路走廊的驾驶员进行了横截面问卷调查，并采用结构方程模型(Structural Equation Modeling, SEM)分析数据。研究得出关键结论：不安全感(Insecurity)是阻碍M-Flow采用的首要心理屏障（对感知易用性的负效应β = ?0.723），远超其他因素；相比之下，乐观主义和创新性作为激励因素的正效应较弱。研究还发现，感知易用性显著正向影响感知有用性（β = 0.655），进而通过态度影响使用意向。这支表明，即使系统技术优越，惩罚驱动的监管环境也会导致“心理瓶颈”，使车辆吞吐量目标落空。论文发表在《Urban Science》。

**主要关键技术方法**
本研究采用基于结构方程模型(Structural Equation Modeling, SEM)的因果分析，整合TRI 2.0和TAM量表，通过5点Likert量表（1=非常不同意，5=非常同意）测量八个潜在构念（乐观主义、创新性、不安全感、不适感、感知易用性、感知有用性、态度、使用意向）。问卷收集于2025年4月至7月，在曼谷主要走廊M-Flow收费站附近的服务区与休息站，通过便利抽样法拦截招募，最终分析样本为485名有泰国驾照的驾驶员（来源：M-Flow实施区域的使用者）。

**研究结果**

**4.1 人口统计学特征**
通过描述性统计分析（385名有效受访者），样本以男性为主（58.40%），年龄集中在30–39岁（58.80%），69.30%拥有学士学位，52.60%为私企员工。多数使用私家车（75.70%），M-Flow知晓率高达96.10%（因抽样选址所致）。研究指出，高学历与高知晓率可能使接受度评分向上偏倚。

**4.2 描述性统计**
乐观主义均值最高（4.247–4.278），创新性次之（4.095–4.258），而不安全感和不适感均值也较高（分别达3.755–4.045和3.682–4.186），证实了“惩罚陷阱”现象。TAM构念中，感知易用性（4.243–4.489）、感知有用性（4.033–4.416）、态度（4.144–4.256）及使用意向（4.163–4.233）均呈正向，表明受访者认可系统效益，但心理障碍依然显著。所有构念Cronbach‘s α均>0.70，信度良好。

**4.3 测量模型评估**
通过验证性因子分析(Confirmatory Factor Analysis, CFA)评估内部一致性、收敛效度与区分效度。组合信度(Composite Reliability, CR)值在0.802至0.878（>0.70），平均方差抽取量(Average Variance Extracted, AVE)在0.501至0.597（>0.50）。个别题目（如INN1、PU1、ATT1）因子载荷稍低（0.377–0.491），但基于理论意义和敏感性分析（删除后结构路径稳健）予以保留。区分效度满足Fornell-Larcker准则（AVE平方根大于构念间相关），异质-单质比率(Heterotrait-Monotrait, HTMT)均<0.85，表明不安全感和不适感虽同为抑制因素，但概念区分良好。

**4.4 结构模型与假设检验**
整体模型拟合优良（χ2/df = 1.307，CFI = 0.964，RMSEA = 0.025）。13条假设均获统计支持（p < 0.05）。关键路径：不安全感对感知易用性的负效应最强（H5: β = ?0.723，p < 0.001），其次为不适感（H7: β = ?0.315）和创新性（H3: β = 0.240）。不安全感对感知有用性也有显著负效应（H6: β = ?0.187）。感知易用性显著正向影响感知有用性（H9: β = 0.655）和态度（H10: β = 0.238），感知有用性显著影响态度（H11: β = 0.562）和使用意向（H12: β = 0.147），态度显著影响使用意向（H13: β = 0.129）。模型解释了感知易用性67.2%、感知有用性58.1%、态度48.9%以及使用意向17.5%的方差。

**讨论与结论总结**
讨论部分指出，不安全感的突出作用反映了M-Flow惩罚性监管环境（十倍罚款）的负面效应，即使存在多种支付选项，用户仍因担心计费错误和无意违规而感知系统不易用。激励因素（乐观、创新）的正效应整体弱于抑制因素的负效应，呈现“不对称”影响，表明仅宣传时间节省不足以克服财务焦虑。与以往研究对比，本研究发现不安全感和不适感在惩罚性基础设施中具有更强的抑制力，与基于激励的收费系统结果形成鲜明对比。实践启示强调，须从透明计费通知、简化注册流程、信任导向沟通三方面着手，实现“物理无缝”与“心理无缝”的匹配。

**翻译研究结论部分**
M-Flow系统的实施是一项至关重要的先进交通解决方案，标志着泰国交通基础设施从物理收费站向无缝、AI驱动出行体验的变革性转变。本研究通过整合技术准备指数(TRI 2.0)与技术接受模型(TAM)，成功绘制了泰国驾驶员的复杂心理图景。研究结果提供了一个清晰的实证答案，解释了一个技术优越的系统为何会遭遇抵抗：“无物理障碍”的环境已被“惩罚驱动的心理障碍”所取代。本研究的核心结论是，不安全感（Specifically by the ten-fold penalty for non-compliance）是抑制M-Flow采用的首要因素（β = ?0.723）。尽管系统提供了一系列便捷的注册支付选项，但公众的感知被在严格的7天支付窗口内无意罚款的恐惧所支配。这造成了一种“信任赤字”，即使用系统而不完全了解注册流程的感知风险，超过了公认的出行时间节省和拥堵缓解的好处，这一行为反应与近期关于数字基础设施焦虑的研究结果一致。此外，研究证实，数字时代的感知易用性不再仅仅关乎用户友好界面，而是关乎“财务安心”。即使具有高创新性和乐观主义的驾驶员，如果监管氛围感觉惩罚性而非支持性，也可能被劝阻。心理准备与行为意向之间的强关系表明，M-Flow的用户体验必须重新设计，超越通过收费门架的物理行为，涵盖注册、通知、账单、支付验证和争议处理的完整生命周期。因此，M-Flow在全国高速公路网络的成功推广需要从单纯的物理工程转向信任工程，聚焦于与泰国公众心理需求产生共鸣的安全数字环境。归根结底，向智慧城市基础设施的转型需要在严格执法与以用户为中心的服务设计之间取得微妙的平衡。为了实现完全整合和被接受的MLFF生态系统，泰国当局必须从“威慑”政策转向“通过信任参与”的政策。这包括将M-Flow重新定位，不是作为惩罚错误的系统，而是作为一种可靠的服务，通过透明、无错误、无摩擦的出行赋予驾驶员权力。通过解决本研究中发现的“不安全感差距”，泰国可以将M-Flow从一个有争议的技术转变为国家智能交通战略的信任基石。