📈 economics

Consumer Perception and Policy Intervention in Large-scale Implementation of Advanced Autonomous Driving: A Dynamic Evolutionary Study Based on Agent-Based Modeling

Cette étude emploie la modélisation à base d'agents pour simuler l'évolution dynamique de la confiance et de l'acceptation des consommateurs envers la conduite autonome avancée sous divers facteurs technologiques, sociaux et politiques, offrant ainsi des perspectives fondées sur les données pour optimiser les stratégies de produits et les interventions réglementaires.

Auteurs originaux : hao zhang, Peifeng Zhu

Publié 2026-06-29

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : hao zhang, Peifeng Zhu

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Le « fossé de confiance » des voitures autonomes

Imaginez le monde des voitures autonomes comme un immense terrain de jeux technologique de pointe. Les ingénieurs (les constructeurs) ont travaillé dur pour construire les meilleurs toboggans et les meilleures balançoires (la technologie). Ils ont même obtenu du gouvernement (les gestionnaires du parc) le feu vert pour ouvrir le parc au public.

Cependant, il y a un problème : Les parents (les consommateurs) ont encore trop peur de laisser leurs enfants jouer.

Même si les attractions deviennent de plus en plus sûres et que les règles sont plus claires, les gens hésitent. Ils s'inquiètent des accidents, ne comprennent pas totalement le fonctionnement des voitures, et attendent de voir si c'est réellement sûr. Ce document tente de comprendre comment amener ces parents à dire enfin : « Oui, allons-y ! »

Le problème des anciennes façons de penser

Avant cette étude, les chercheurs tentaient de comprendre cette peur en posant des questions aux gens à un instant T (comme prendre une photo instantanée). Ils demandaient : « Faites-vous confiance aux voitures autonomes ? » et obtenaient une réponse.

Mais les auteurs affirment que cela revient à essayer de comprendre un film en ne regardant qu'une seule image. On rate l'action ! La confiance n'est pas une chose statique ; c'est une histoire en mouvement. Elle change lorsqu'un nouveau modèle de voiture est lancé, lorsqu'une information sur un accident fait la une, ou lorsque le gouvernement adopte une nouvelle loi.

La solution : Un « bac à sable numérique »

Pour résoudre ce problème, les chercheurs ont construit un Bac à sable numérique (appelé Modèle à base d'agents).

Voyez ce bac à sable comme une immense simulation de jeu vidéo où ils ont créé 500 personnes virtuelles (des agents). Ce ne sont pas de simples chiffres aléatoires ; ils ont été programmés avec de vrais traits humains basés sur une enquête menée par les chercheurs.

Certains personnages virtuels sont naturellement courageux.
Certains sont très prudents.
Certains écoutent leurs amis ; d'autres prennent leurs propres décisions.

Les chercheurs ont ensuite fait progresser cette simulation dans le temps, observant comment ces 500 personnes réagissaient à trois éléments principaux :

La Technologie : L'amélioration des voitures (passant du Niveau 2 « aide à la conduite » au Niveau 3 « conducteur » puis au Niveau 4 « entièrement autonome »).
Les Mauvaises Nouvelles : Des accidents de sécurité aléatoires survenant dans la simulation.
Les Règles : Différentes politiques gouvernementales (lois plus strictes, plus de publicité ou des subventions).

Les trois forces en présence

L'étude a révélé que la confiance des consommateurs est pilotée par trois forces, comme un tabouret à trois pieds :

L'échelle technologique : La technologie ne s'améliore pas de manière fluide ; elle fait des bonds. Imaginez une échelle où vous restez sur un barreau pendant un certain temps, puis sautez soudainement au suivant. L'étude a montré que ces « sauts » (comme lorsque le gouvernement déclare officiellement : « Le niveau 3 est désormais légal ») agissent comme une onde de choc qui modifie la perception des gens d'un seul coup.
Le cercle social : Les gens discutent. Si votre voisin dit : « Ma voiture a conduit toute seule parfaitement », vous vous sentez plus en sécurité. Si votre voisin dit : « Elle a failli percuter un piéton », vous prenez peur. La simulation a montré que ce « bouche-à-oreille » propage la confiance (ou la peur) très rapidement au sein du groupe.
L'historique personnel : Votre ressenti aujourd'hui dépend de ce que vous avez fait auparavant. Si vous utilisez une fonction de base de « maintien de voie » depuis des années, vous pourriez faire plus confiance à une nouvelle voiture autonome que quelqu'un qui n'en a jamais utilisé.

L'expérience : Qu'est-ce qui fonctionne le mieux ?

Les chercheurs ont testé différentes « recettes » de politiques gouvernementales pour voir laquelle inciterait le plus de gens à accepter la technologie. Ils ont essayé de mélanger trois ingrédients :

Réglementation stricte : S'assurer que les règles sont rigoureuses et que la sécurité est garantie.
Communication : Informer les gens sur la technologie et sur son niveau de sécurité.
Subventions : Donner de l'argent aux gens pour acheter les voitures.

Les Résultats :

Recette A (Pas de règles, juste du marketing et du cash) : Cela a suscité l'intérêt au début, mais lorsqu'un faux accident est survenu dans la simulation, tout le monde a paniqué et a arrêté d'acheter. C'était trop fragile.
Recette B (Règles strictes, pas de discussion) : C'était sûr, mais ennuyeux. Les gens n'achetaient pas les voitures parce qu'ils n'en savaient pas assez sur elles.
Recette C (La combinaison gagnante) : Règles strictes + Communication modérée + Argent modéré.

La stratégie « Boucle d'or » (Ni trop, ni trop peu) :
L'étude a montré que la meilleure approche consiste à avoir des règles gouvernementales strictes pour construire une base solide de sécurité (comme une clôture solide autour du terrain de jeux). Une fois cette sécurité garantie, une communication modérée aide à diffuser l'information rapidement, et des subventions modérées aident les gens à faire le premier pas.

Cette combinaison a créé un « point de bascule » où la confiance a grandi de manière constante, même lorsque des accidents se produisaient. Les règles strictes ont agi comme un amortisseur, empêchant la confiance de s'effondrer totalement lors de mauvaises nouvelles.

Le point clé à retenir

Le document conclut que vous ne pouvez pas simplement faire du battage médiatique autour des voitures autonomes ou simplement les donner gratuitement. Vous avez besoin d'un filet de sécurité d'abord.

Pensez à l'apprentissage du vélo :

Vous ne retirez pas simplement les petites roues en espérant que ça se passe bien (Pas de réglementation).
Vous ne laissez pas les petites roues en place pour toujours sans jamais les laisser rouler (Réglementation stricte sans communication).
La meilleure façon : Vous mettez un casque et utilisez des stabilisateurs (Réglementation stricte) pour qu'ils se sentent en sécurité. Ensuite, vous les encouragez (Communication) et vous leur donnez peut-être une petite poussée (Subvention) jusqu'à ce qu'ils trouvent leur équilibre et commencent à rouler seuls.

L'étude prouve que pour que les voitures autonomes deviennent une partie normale de nos vies, le gouvernement doit d'abord prouver que la technologie est sûre grâce à des règles strictes. Une fois cette confiance établie, le reste de l'adoption se fait beaucoup plus rapidement.

Résumé Technique : Perception des Consommateurs et Intervention Politiques dans la Mise en Œuvre à Grande Échelle de la Conduite Autonome Avancée

Problématique
Malgré les avancées technologiques rapides et un soutien politique robuste dans l'industrie de la conduite autonome en Chine, la perception des consommateurs reste prudente, créant un « goulot d'étranglement cognitif » qui entrave la transition des démonstrations pilotes vers une application commerciale de masse. La littérature existante traite souvent la conduite autonome comme une technologie homogène, se concentrant sur des scénarios idéalisés de Niveau 5 (L5) tout en négligeant les phases de transition critiques (L2 à L4) où les frontières entre les rôles humain et machine se déplacent. De plus, la recherche traditionnelle repose largement sur des enquêtes transversales et des modèles statiques (ex. TAM, TPB), qui ne parviennent pas à capturer les boucles de rétroaction non linéaires, l'évolution dynamique de la confiance et les modèles macro-émergents déclenchés par les accidents de sécurité, les jalons technologiques et les interventions politiques. Le problème central abordé est l'absence d'un cadre prospectif et dynamique pour comprendre comment la confiance et l'acceptation des consommateurs évoluent sous l'interaction complexe de la progression technologique, des chocs d'opinion publique et des stratégies politiques.

Méthodologie
Cette étude emploie une approche de Modélisation Basée sur les Agents (ABM) pour construire un « laboratoire computationnel » simulant l'évolution dynamique de la cognition des consommateurs. La méthodologie se déroule en trois étapes :

Calibration Empirique : Une enquête par questionnaire ( $N=184$ ) basée sur le Modèle d'Acceptation de la Technologie (TAM) a été menée pour calibrer les paramètres initiaux. L'Estimation du Maximum de Vraisemblance (MLE) a confirmé que la confiance initiale des consommateurs ( $\mu=0,38$ ) et la perception du risque ( $\mu=0,62$ ) suivent des distributions normales, reflétant l'hétérogénéité individuelle.
Construction du Modèle : Une simulation en temps discret (500 ticks, où 1 tick = 1 mois) a été construite à l'aide du framework Python Mesa. Le modèle intègre trois forces motrices :
- Force Technologique : Un mécanisme d'évolution par paliers où les niveaux de technologie (L2+ $\to$ L3 $\to$ L4) font des bonds lors de jalons politiques spécifiques (ex. l'accès au marché pour le L3 au tick 121), agissant comme des signaux de confiance exogènes.
- Force Sociale : Les consommateurs sont intégrés dans un réseau de type « petit monde » de Watts-Strogatz ( $N=500$ ). Les agents mettent à jour leur confiance en fonction des effets de pairs (influence sociale) et de la diffusion du bouche-à-oreille.
- Force Individuelle : Les agents possèdent des traits psychologiques hétérogènes (aversion au risque, sensibilité sociale) et des expériences antérieures (usage du L2).
Simulation de Politiques : Le modèle teste l'impact de trois instruments politiques — l'Intensité de la Réglementation ($reg$), l'Intensité de la Communication ($comm$) et l'Intensité des Subventions ($sub$) — allant de 0 à 1. Les accidents de sécurité sont modélisés comme un processus de Bernoulli ( $p=0,01$ ) pour simuler des chocs négatifs. L'étude réalise des expériences factorielles complètes pour identifier les combinaisons de politiques optimales sous contraintes budgétaires.

Résultats Clés
La simulation révèle des trajectoires d'évolution distinctes selon les combinaisons de politiques et les modes de progression technologique :

Portefeuille de Politiques Optimal : Sous un budget fixe, la combinaison d'une réglementation stricte ($reg=1,0$), d'une communication modérée ($comm=0,5$) et de subventions modérées ($sub=0,5$) produit le score global le plus élevé. Cette stratégie atteint un taux d'adoption final proche de 100 % avec une vitesse de diffusion rapide (franchissant le point de bascule de 50 % au tick 166).
Rôle de la Réglementation : La réglementation stricte est identifiée comme le déterminant fondamental de la confiance des consommateurs. Sans elle, la confiance reste piégée dans une plage basse (0,4–0,5) et est hautement vulnérable aux chocs d'accidents. La réglementation établit un « socle de sécurité » qui stabilise la base de la confiance.
Rôle de la Communication et des Subventions : La communication accélère la diffusion de la cognition positive mais présente des rendements marginaux limités sans les garanties de sécurité fournies par la réglementation. Les subventions réduisent efficacement les barrières économiques pour les adopteurs précoces mais ne peuvent compenser un manque de confiance institutionnelle.
Mode d'Évolution Technologique : Une évolution par paliers (alignée sur les jalons politiques comme l'accès au L3) surpasse significativement une évolution linéaire. Le « saut cognitif » déclenché par des jalons réglementaires clairs agit comme un signal positif fort, brisant l'inertie cognitive plus efficacement que des améliorations techniques continues et incrémentales.
Résilience : Le portefeuille de politiques optimal démontre une grande résilience ; bien que les accidents de sécurité provoquent des baisses temporaires de confiance, la combinaison de la réglementation et de la communication permet une récupération rapide, contrairement aux scénarios reposant uniquement sur les subventions ou la publicité.

Signification et Contributions
L'article affirme offrir des contributions tant théoriques que pratiques au domaine de l'adoption de la conduite autonome :

Avancée Théorique : L'étude dépasse les modèles d'acceptation statiques en intégrant la transition cognitive, la réparation de la confiance et les théories de l'influence sociale dans un cadre évolutif dynamique unifié. Elle aborde explicitement la nature « dépendante du sentier » de la confiance, démontnant que la confiance établie aux niveaux d'automatation inférieurs (L2) ne se transfère pas automatiquement aux niveaux supérieurs (L3/L4) sans recalibrage.
Innovation Méthodologique : En introduisant l'ABM comme un « laboratoire computationnel », l'étude fournit un nouvel outil pour dériver des modèles macro-émergents à partir d'interactions micro-niveau. Cette approche surmonte les limites des données transversales pour capturer les rétroactions non linéaires et les phénomènes émergents dans les systèmes socio-techniques complexes.
Implications Politiques : Les conclusions fournissent des orientations exploitables pour les décideurs politiques et les fabricants. Plus précisément, l'étude soutient que la clarté réglementaire est la condition préalable à une communication efficace. Les politiques devraient prioriser l'établissement d'un cadre réglementaire de sécurité robuste, suivi d'une communication ciblée et de subventions pour accélérer la pénétration du marché. Cette approche « équilibrée » est présentée comme la voie la plus efficace pour surmonter le goulot d'étranglement cognitif et parvenir à une mise en œuvre de masse durable.

Les auteurs concluent que leur modèle de simulation sert de « bac à sable numérique » pour évaluer les effets politiques à long terme, offrant une plateforme prospective et à faible coût pour les décideurs devant naviguer dans la transition complexe de la faisabilité technologique vers l'acceptation du marché.