Synthesising the Existing Literature on the Market Acceptance of Autonomous Vehicles and the External Underlying Factors
Notice bibliographique
Résumé
In recent years, the level of acceptance of autonomous vehicles (AVs) has changed with the advent of new sensor technologies and the proportional increase in market perception of these vehicles. Our study provides an overview of the relevant existing studies in order to consolidate current knowledge and pave the way for future studies in this area. The paper first reviews studies investigating the market acceptance of AVs. We identify the nonbehavioural factors that account for the level of acceptance and examine these in detail by cross-referencing the results of relevant papers published between 2014 and 2021 to reach a consensus on the perceived benefits and concerns. The findings showed that previous studies have found legal liability, safety, privacy, security, traffic conditions, and cost to be key external factors influencing the acceptance or rejection of AVs, and that the upsides of adopting AVs in regard to improving traffic conditions and safety outweigh the risks identified in relation to these areas. This resulted in an overall weighted average of 65% market acceptance of AVs among the 11,057 people surveyed in this regard. However, the remaining respondents were not very favourably disposed towards adopting AVs because of unresolved issues related to data privacy, security breaches, and legal liability in the event of accidents. In addition, our evaluation showed that the worldwide market purchasing power for an AV, based on 2022 prices, is around $38k, which is significantly below the current anticipated price of $100k.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».