系统与车辆安全问题对自动驾驶汽车采纳的异质性影响：一种基于因果机器学习的方法

《Journal of Choice Modelling》：Heterogeneous impacts of system and vehicle security concern on autonomous vehicle adoption: A causal machine learning approach

本研究通过离散选择模型和因果机器学习框架，分析安全担忧对公众自动驾驶接受度的影响，发现平均效应显著，但异质性影响在年轻、高学历、全职工作者及低密度社区中更明显，为政策制定提供依据。

　　

贝赫纳姆·萨布齐（Behnam Sabzi）| 王楚月（Chuyue Wang）| 王凯莱（Kailai Wang）| 李志霞（Zhixia Li）| 张云鹏（Yunpeng Zhang）| 程龙（Long Cheng）| 林吉诺（Gino Lim）

美国德克萨斯州休斯顿大学工业与系统工程系，休斯顿，邮编77204

摘要

自动驾驶车辆（AVs）在安全性、效率及可及性方面具有革命性的潜力，然而系统和车辆的安全性仍是其广泛采用的关键障碍。本研究利用普吉特海湾地区委员会（Puget Sound Regional Council）收集的家庭出行调查数据，探讨了这些安全问题如何影响人们对AVs的接受度。通过基准Logit模型和因果机器学习框架下的广义随机森林（GRF）来比较不同子群体的平均影响及分布模式。Logit模型能够提供关于安全问题对AVs兴趣影响的可解释性总结，而GRF则能够灵活地揭示这种影响在不同人口统计特征和建成环境下的变化情况。两种方法均表明，安全问题显著降低了人们对AVs使用的兴趣，且这种影响的程度基本一致。不过，GRF揭示了更明显的异质性，尤其是在年轻人群、高教育水平人群、全职工作者、频繁通勤者以及居住在低密度社区的人群中；这些差异需要大量的特定交互项才能在标准Logit模型中得到体现。这些发现表明，离散选择模型和因果机器学习在描述新兴移动技术的分布影响方面具有互补作用，并为政策制定者和行业利益相关者提供了实用指导，以建立对AV安全性的信任并促进其在不同社区的广泛采用。

引言

在过去十年中，离散选择模型被广泛用于分析人们对自动驾驶车辆（AVs）的偏好和支付意愿（例如，Bansal等人，2016年；Daziano等人，2017年；Etminani-Ghasrodashti等人，2022年；Haboucha等人，2017年）。尽管这些方法在分析上非常强大，但它们基于严格的参数假设，往往强调群体间的平均效应，可能掩盖了对政策制定最为重要的异质行为模式。最近的机器学习模型提供了一个有吸引力的替代方案，放宽了分布假设，使得数据驱动的高维关系发现成为可能，而这正是传统方法难以捕捉的。本研究采用因果机器学习（CausalML）框架，能够揭示系统和安全问题对AVs采用影响的异质性，这种灵活性是离散选择方法难以提供的。 AVs的出现代表了交通领域的重大变革，有望提升安全性、效率及可及性。然而，由于人们对安全性、可靠性和基于机器的决策机制的信任度存在疑虑（这些疑虑因高调的事故事件而加剧，例如Conger，2018年；Bellan，2023年；Hawkins，2024年；Krisher，2024年），以及诸如电车难题（Bonnefon等人，2016年；Martinho等人，2021年）等持续的伦理困境，公众的怀疑态度仍然存在。除了公众认知之外，AVs和更广泛的智能交通系统还依赖于复杂的软件和持续的网络连接，这使得它们容易受到网络攻击和系统故障的影响（Parkinson等人，2017年）。这些风险不仅关系到乘客的安全，还可能破坏更广泛的交通网络，并削弱公众对这项技术的信任（Kim等人，2021年）。鉴于这些多重担忧，本研究探讨了系统和车辆安全问题如何影响公众对AVs采用的兴趣。 为了理解这些安全认知如何转化为实际采用行为，我们估计了基准Logit模型和广义随机森林（GRF），以比较不同子群体的平均效应和分布模式。Logit模型提供了基于离散选择理论的可解释性基准，而GRF框架则提供了一种灵活的数据驱动方法，用于揭示不同人口统计和社会经济群体间的异质反应。先前的研究强调了安全性、隐私和数据保护在塑造人们对AVs态度中的重要性（Lee和Hess，2022年），但关于这些担忧在不同子群体间的差异及其对公平采用的影响知之甚少。通过结合传统的离散选择基准方法和因果机器学习方法，本研究为政策制定者提供了有关哪些群体对安全问题更为敏感的见解，以及这些差异为何重要的信息。 这种双重建模策略基于互补的方法论优势。GRF通过自适应加权（Athey等人，2019年）扩展了传统随机森林的功能，能够在不预先指定交互项的情况下，一致地估计异质处理效应，捕捉高维关系。同时，Logit基准模型将分析置于一个可解释的行为框架内，以便评估GRF发现的异质性。图1总结了研究流程：在相关文献的基础上，我们准备了2017年和2019年普吉特海湾地区出行调查的数据，并通过验证性因素分析构建了整体AV兴趣的潜在指标。系统和车辆安全问题被视为暴露变量，整体AV兴趣作为结果变量。随后使用GRF估计条件平均处理效应，揭示安全认知如何差异性地影响特定子群体，而互补的Logit分析则提供了相应的平均效应和反事实子群体比较。这些方法有助于深入理解安全问题如何差异性地影响公众对AVs采用的兴趣，区分了Logit模型提供的理论基础和可解释的基线平均行为反应，以及GRF提供的灵活且因果严谨的探索性视角。

AVs的采用与安全问题

许多研究探讨了消费者对车辆自动化和电气化的接受度及政策激励。Daziano等人（2017年）通过离散选择实验估计了家庭为AVs支付的意愿，记录了在假设情景下对部分自动化和完全自动化的偏好。Pudāne和Correia（2020年）分析了AVs中出行时间的价值，发现工作相关出行的时间有所减少，但休闲出行没有显著变化。

假设

• 条件独立性（也称为条件可忽略性、外生性或无混杂性）要求处理分配与潜在结果相互独立。这可以表示为：
• 稳定单元处理价值假设（SUTVA），也称为反事实一致性，确保在给定观察到的协变量条件下，处理分配与结果变量之间的独立性。
• 2) 稳定单元处理价值假设（SUTVA）确保……

样本描述

图3展示了根据受访者是否有系统和安全问题（T = 1 vs T = 0）对AV使用兴趣的统计摘要。附录表A1提供了GRF分析中包含的所有协变量的详细概览。该表报告了每个子群体的平均AV使用兴趣（Avg）、标准差（SD）和样本量（N），以及平均值的差异（Diff_Avg）和卡方检验结果。

结论、局限性与未来研究方向

本研究利用GRF框架和基准Logit模型，探讨了系统和车辆安全问题对公众采用AVs兴趣的异质性影响。两种模型均显示安全问题对采用兴趣有显著的负面影响，但GRF提供了更细致的子群体特定模式洞察。这些发现强调了解决安全问题的重要性，特别是要特别关注那些对安全问题更为敏感的社区。

CRediT作者贡献声明

贝赫纳姆·萨布齐（Behnam Sabzi）：撰写 – 审稿与编辑、初稿撰写、软件开发、方法论设计、数据整理、概念构建。 王楚月（Chuyue Wang）：撰写 – 初稿撰写、可视化设计、方法论设计。 王凯莱（Kailai Wang）：撰写 – 审稿与编辑、初稿撰写、方法论设计、数据整理、概念构建。 李志霞（Zhixia Li）：撰写 – 审稿与编辑、初稿撰写、软件开发、正式分析、概念构建。 张云鹏（Yunpeng Zhang）：撰写 – 审稿与编辑、初稿撰写。

利益冲突声明

作者声明与本研究内容无关的任何利益冲突。

致谢

在准备本文过程中，我们使用了OpenAI开发的大型语言模型ChatGPT来辅助语法和写作。该工具用于提升文本的流畅性和语气，确保全文的清晰度和连贯性。ChatGPT的使用仅限于改进表达方式，并未影响内容的原创性或分析方法。研究的所有实质性内容，包括数据分析和……