💻 computer science

Community Driving-Safety Deterioration as a Push Factor for Public Endorsement of AI Driving Capability

이 연구는 지역사회 운전 안전에 대한 우려가 AI 운전 능력에 대한 직접적인 지지를 높이는 동시에 일반적 AI 수용성을 낮추는 상반된 경로를 통해, 운전 빈도에 따라 조건부 간접 효과가 유의미하게 나타나는 '위험 확산 메커니즘'을 규명함으로써 AI 차량 수용에 대한 기술 중심의 기존 관점을 보완합니다.

원저자: Amir Rafe, Subasish Das

게시일 2026-04-07

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Amir Rafe, Subasish Das

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"우리 동네 운전이 너무 위험해지면, 사람들이 자율주행차 (AI) 를 더 좋아하게 될까?"**라는 질문에 답하는 연구입니다.

기존의 연구들은 "자율주행차가 얼마나 똑똑하고 편리한가 (끌어당기는 힘, Pull)"에 집중했지만, 이 연구는 **"지금의 인간 운전자가 얼마나 위험한가 (밀어내는 힘, Push)"**가 사람들의 마음을 어떻게 바꾸는지 분석했습니다.

이 복잡한 연구 결과를 일상적인 비유로 쉽게 설명해 드릴게요.

🚗 핵심 비유: "나쁜 식당 vs 새로운 식당"

상상해 보세요. 여러분이 다니는 **기존 식당 (인간 운전)**이 점점 더 불결해지고, 요리사들이 화를 내며 음식을 잘못 만드는 상황이라고 가정해 봅시다.

직접적인 효과 (Push Factor - 밀어내는 힘):
- "저 식당이 너무 위험하니까, 차라리 **새로운 로봇 식당 (자율주행차)**을 가볼까?"라고 생각하게 됩니다.
- 즉, 주변 운전이 위험할수록 사람들은 "인간보다 AI 가 낫겠지"라고 직접적으로 생각하게 됩니다.
간접적인 효과 (Risk Spillover - 위험의 전염):
- 하지만 여기서 재미있는 반전이 일어납니다.
- "내 동네가 이렇게 위험하고 통제 불가능한데, 로봇이나 AI 같은 첨단 기술이 정말 믿을 수 있을까?"라는 불안감이 생깁니다.
- 즉, 주변 운전이 위험할수록 사람들은 "기술 자체를 더 의심하게 되어, 전반적으로 AI 에 대한 신뢰가 떨어집니다."

🎚️ 두 가지 힘의 싸움: "상쇄 효과"

이 연구의 가장 중요한 발견은 이 두 가지 힘이 서로 싸워서 결국 결과가 0 에 가깝다는 것입니다.

시나리오: 여러분이 "내 동네 운전이 너무 위험해! AI 가 낫겠어!"라고 외치면 (긍정적 효과), 동시에 "아니, 세상이 이렇게 위험한데 AI 가 정말 안전할까?"라고 스스로를 의심합니다 (부정적 효과).
결과: 이 두 가지 마음이 서로를 상쇄시켜, 전체적인 자율주행차에 대한 지지율은 크게 변하지 않습니다.

마치 저울과 같습니다. 한쪽 접시에는 '인간 운전의 위험성'이 올라가고, 다른 쪽 접시에는 'AI 기술에 대한 불신'이 올라갑니다. 두 가지가 비슷하게 무거워져서 저울이 거의 움직이지 않는 것입니다.

🔍 연구에서 발견한 3 가지 놀라운 사실

불안감은 '전염'됩니다 (Risk Spillover):
- 길거리에서의 위험한 운전 (과속, 난폭 운전 등) 을 보면, 사람들은 그 불안감을 AI 기술 전체로까지 확대 해석합니다. "운전도 못 믿는데, AI 도 믿을 수 있겠어?"라는 생각이 드는 것입니다.
운전을 많이 하는 사람과 안 하는 사람의 차이는 없습니다:
- "운전을 자주 하는 사람은 위험을 더 잘 알 테니 AI 를 더 원하겠지?"라고 생각할 수 있지만, 연구 결과에 따르면 운전 빈도와 상관없이 이 현상은 똑같이 일어났습니다. 누구나 똑같이 불안해하고, 똑같이 AI 를 의심합니다.
가장 중요한 해결책은 '기술 교육'입니다:
- 연구자들은 "도로를 더 안전하게 만들면 사람들이 AI 를 더 좋아할까?"라고 물었지만, 답은 **"아니요"**였습니다.
- 오히려 **AI 에 대한 일반적인 이해와 신뢰 (AI 리터러시)**를 높이는 것이, 도로 안전을 개선하는 것보다 사람들이 자율주행차를 받아들이는 데 훨씬 더 큰 영향을 미칩니다.
- 비유: 도로를 깨끗하게 닦는 것보다, 사람들이 "로봇 요리사도 믿을 만하다"는 것을 깨닫게 해주는 것이 더 중요합니다.

💡 결론: 우리에게 주는 교훈

이 연구는 우리에게 다음과 같은 메시지를 줍니다.

"우리 동네 운전이 위험해지면, 사람들이 무조건 자율주행차를 반기는 것은 아닙니다. 오히려 '세상이 위험하니까 기술도 믿기 싫다'는 생각이 들 수 있기 때문입니다."

따라서 자율주행차를 성공적으로 도입하려면, 단순히 도로를 더 안전하게 만드는 것만으로는 부족합니다. 대신 사람들이 AI 기술 자체를 이해하고 신뢰할 수 있도록 교육하고, 긍정적인 경험을 제공하는 것이 훨씬 더 중요합니다.

한 줄 요약:

"주변이 위험해지면 AI 를 원하기도 하지만, 동시에 AI 를 더 의심하게 되어 결국 마음은 그대로입니다. 그러니 AI 에 대한 신뢰를 키우는 게 가장 중요합니다."

1. 연구 배경 및 문제 제기 (Problem)

현황: 전 세계적으로 연간 약 119 만 명의 사망자를 발생시키는 도로 교통 사고의 대부분은 인간 운전자의 실수 (과속, 음주, 주의 산만 등) 에 기인합니다.
연구의 공백: 자율주행차 (AV) 수용성 연구는 주로 기술 중심의 '끌어당기는 요인 (Pull factors)' (예: 유용성 인식, 신뢰, 사용 용이성) 에 초점을 맞추고 있습니다. 반면, 기존 시스템 (인간 운전) 에 대한 불만족이 새로운 기술 (AI) 로의 전환을 유도하는 '밀어내는 요인 (Push factors)'으로서의 역할은 충분히 연구되지 않았습니다.
핵심 질문: 지역 사회의 운전 안전에 대한 우려 (Perceived Community Driving-Safety Concern, PCSC) 가 AI 운전 능력에 대한 평가에 어떤 영향을 미치는지, 그리고 이 관계가 일반화된 AI 태도 (Generalized AI Orientation) 를 매개로 하여 어떻게 작동하는지 규명하는 것이 본 연구의 목적입니다.

2. 연구 방법론 (Methodology)

본 연구는 엄격한 계량경제학적 및 통계적 방법을 적용하여 미국 대표 표본을 분석했습니다.

데이터 소스: 퓨 리서치 센터 (Pew Research Center) 의 'American Trends Panel (ATP) Wave 152' 데이터를 사용했습니다. 이는 미국 성인 5,410 명을 대상으로 한 확률 기반 표본 (Probability-based sample) 으로, 인구통계학적 가중치를 적용하여 대표성을 확보했습니다 (유효 표본 크기 $n_{eff} \approx 3,993$ ).
변수 측정:
- 예측 변수 (PCSC): 과속, 공격적 운전, 음주/마약 운전, 휴대전화 사용, 보행자/자전거 위험 등 6 가지 지역 사회 운전 문제의 심각성을 측정하는 잠재 변수.
- 매개 변수 (Generalized AI Orientation): AI 에 대한 전반적인 기대감, 우려, 신뢰, 통제감 등을 종합한 잠재 변수 (7 개 항목).
- 결과 변수 (AI Driving Evaluation): "AI 가 인간보다 운전을 더 잘할 것인가?"에 대한 직접적 비교 평가 (4 점 척도).
- 조절 변수: 개인 운전 빈도 (Driving Frequency).
분석 기법:
- 가중치 최소제곱 평균 및 분산 조정 (WLSMV): 서열 척도 (Ordinal indicators) 를 가진 잠재 변수를 분석하기 위해 다항 상관 행렬 (Polychoric correlation matrix) 을 기반으로 한 확인적 요인 분석 (CFA) 을 수행했습니다.
- 조절된 매개 모델 (Moderated Mediation): PCSC 가 AI 운전 평가에 미치는 직접 효과와, 일반화된 AI 태도를 통한 간접 효과를 동시에 분석했습니다.
- 강건성 검증 (Robustness Checks): 편향 수정 부트스트랩 (Bias-corrected bootstrap), Imai 민감도 분석, E-value 분석, 역매개 모델, 성별/지역별 다집단 분석, 성향 점수 매칭 (PSM) 등 7 가지 이상의 엄격한 검증을 수행하여 결과의 안정성을 입증했습니다.

3. 주요 결과 (Key Results)

분석 결과는 불일치 매개 (Inconsistent Mediation) 또는 억제 효과 (Suppression Effect) 를 보여주며, 두 가지 상반된 경로가 동시에 작동함을 발견했습니다.

직접 효과 (Positive Direct Effect, Push Mechanism):
- 지역 사회 운전 안전에 대한 우려 (PCSC) 가 높을수록, AI 운전 능력을 인간보다 더 낫다고 평가하는 직접적인 긍정적 영향이 있었습니다 ( $\beta = 0.031, p < 0.05$ ).
- 이는 인간 운전의 위험성이 커질수록 대안인 AI 에 대한 실용적 지지가 증가한다는 '추동 요인 (Push factor)' 논리를 지지합니다.
간접 효과 (Negative Indirect Effect, Risk Spillover):
- 반면, PCSC 는 일반화된 AI 태도 (Generalized AI Orientation) 를 부정적으로 감소시켰습니다 ( $\beta = -0.073, p < 0.001$ ). 즉, 운전 환경이 위험하다고 느낄수록 AI 기술 전반에 대한 우려와 경계심이 커지는 '위험 전이 (Risk Spillover)' 현상이 발생했습니다.
- 일반화된 AI 태도는 AI 운전 평가에 강력한 긍정적 예측 변수 ( $\beta = 0.293$ ) 였습니다.
- 따라서 PCSC 는 일반화된 AI 태도를 낮추는 경로를 통해 AI 운전 평가에 부정적인 간접 효과를 미쳤습니다 ($IE = -0.025$).
종합 효과 (Net Total Effect):
- 긍정적 직접 효과와 부정적 간접 효과가 서로 상쇄되어, PCSC 가 AI 운전 평가에 미치는 총체적 효과는 통계적으로 유의미하지 않은 거의 0 에 가까운 값으로 나타났습니다.
- 운전 빈도 (Moderator) 는 이 매개 경로에 유의미한 조절 효과를 보이지 않았습니다. 즉, 운전자가 자주 운전하든 아니든 위험 전이 메커니즘은 일관되게 작동했습니다.
강건성 검증:
- 도시/교외/농촌 지역별, 정치적 성향별, 성별에 따른 다집단 분석에서도 주요 경로 (특히 일반 AI 태도 $\rightarrow$ AI 운전 평가) 는 안정적이었으나, PCSC $\rightarrow$ 일반 AI 태도 경로는 교외 및 농촌 지역에서 더 강력하게 나타났습니다.

4. 주요 기여 (Key Contributions)

이론적 기여:
- 위험 전이 메커니즘 (Risk-Spillover Mechanism) 규명: 기존 AV 수용성 연구가 간과했던 '불만족 (Push)' 요인의 역할을 규명했습니다. 특히, 특정 도메인 (운전) 의 안전 우려가 일반 AI 태도를 악화시켜 오히려 AI 수용을 저해할 수 있는 역설적 구조를 발견했습니다.
- 이중 경로 모델: 기술 수용 모델 (TAM) 과 Push-Pull 프레임워크를 확장하여, 동일한 환경적 스트레스 요인이 도메인 특이적 지지 (긍정적) 와 도메인 일반적 우려 (부정적) 를 동시에 유발할 수 있음을 증명했습니다.
방법론적 기여:
- 기존 AV 연구가 주로 편의 표본 (Convenience sample) 이나 학생 표본을 사용한 점과 달리, 확률 기반의 대표성 있는 미국 표본을 활용했습니다.
- 서열 척도 데이터를 처리하기 위한 WLSMV 추정과 편향 수정 부트스트랩, 그리고 7 가지 이상의 강건성 검증을 통해 기존 연구의 방법론적 한계를 극복하고 결과의 신뢰성을 높였습니다.
실증적 기여:
- 운전 빈도가 매개 경로를 조절하지 않는다는 발견은 위험 전이 메커니즘이 개인의 운전 경험 유무와 무관하게 보편적으로 작동할 수 있음을 시사합니다.

5. 의의 및 시사점 (Significance)

정책적 시사점:
- 단순히 교통 안전을 개선하여 인간 운전의 위험을 줄이는 것만으로는 AV 수용성이 자동으로 증가하지 않을 수 있습니다. 오히려 인간 운전의 위험이 줄어들면 AI 에 대한 상대적 필요성 (Push 요인) 이 감소할 수 있기 때문입니다.
- AI 리터러시 (AI Literacy) 강화의 중요성: 일반화된 AI 태도 (매개 변수) 가 최종 평가에 미치는 영향력이 직접 효과보다 훨씬 큽니다. 따라서 AV 도입을 촉진하기 위해서는 지역 사회의 운전 안전 문제 해결보다는 대중의 AI 전반에 대한 이해와 긍정적 태도를 형성하는 교육 및 소통 전략이 더 효과적일 수 있습니다.
이론적 함의:
- 기술 수용 연구에서 '신뢰'나 '유용성'과 같은 기술 중심 변수뿐만 아니라, 환경적 요인 (안전 우려) 이 어떻게 심리적 태도 (일반적 AI 태도) 를 매개로 기술 수용에 영향을 미치는지에 대한 새로운 통찰을 제공합니다.
- 대중은 AI 를 단순히 '안전한지'가 아니라, '전반적인 위험 사회의 일부'로 인식할 때 더 경계할 수 있음을 보여줍니다.

결론적으로, 본 연구는 지역 사회의 운전 안전 악화가 AI 운전 기술에 대한 대중의 지지를 단순히 증가시키는 것이 아니라, 일반 AI 태도를 악화시켜 상쇄하는 복잡한 심리적 메커니즘을 통해 작동함을 규명했습니다. 이는 AV 정책 수립 시 기술적 안전성 확보와 함께 대중의 일반적 AI 태도 관리가 병행되어야 함을 시사합니다.