一种多标准决策方法，用于研究

由于使用主观观点可能会给输入数据带来不确定性和偏差，因此DEMATEL有时会与灰色系统理论结合使用。当可用数据有限或不完整，或因素的不确定性和可变性较高时，灰色理论能够产生令人满意的结果（Bai和Sarkis，2013）。先前的研究还指出，灰色理论与决策过程相结合时，可以提高人类判断的准确性（Bai和Sarkis，2010、2013；Tseng，2009）。使用GreyDEMATEL的研究示例包括分析电子供应链中风险缓解的促成因素（Rajesh和Ravi 2015），第三方物流服务提供商面临的风险（Govindan和Chaudhuri 2016），绿色企业失败的关键因素（Cui等人，2018）和采用环保产品的障碍（Shao等人，2016）。本研究中的格蕾·德马泰尔元素改编自Bai和Sarkis（2010）、Govindan和Chaudhuri（2016）以及Rajesh和Ravi（2015）。除了这些研究人员遵循的方法之外，因果循环图（CLD）这一系统思维方法也被用来更好地理解因果关系。总的来说，该方法包括10个步骤，在附录1.3.2中解释了这些步骤。在步骤1中，学术界和工业界的专家，至少拥有运动工程或规划硕士学位，并发表了与AVs相关的研究论文或报告，通过有目的的抽样方法确定。2018年10月至2018年12月，共有55名专家通过电子邮件与美国专家进行了联系，收到了18份完整的回复。

其中，14人来自学术界，4人来自行业。大多数专家（18人中的14人）在AVs领域工作了3.5年以上，而所有学者都至少拥有博士学位。表3显示了对调查作出回应的专家的隶属关系和资格。这项调查是使用两张Excel表格进行的。第一张表格描述了障碍，第二张表格使用语言量表（“否”到“非常高”，见表4），征求专家对每个障碍对其他九个障碍的影响程度的意见。这些也被称为成对比较。由此，获得了18个大小为10 x 10的直接关系矩阵。如附录1所述，遵循步骤2-8。步骤8为每个屏障生成R和aC值。R表示给定屏障对其他屏障的总影响，而C表示其他屏障对给定屏障的总影响。根据它们，计算每个屏障的R+C和R–C值。R+C值表示屏障系统中屏障的重要性，因为高R+C意味着一个屏障同时对其他屏障有很大的影响，并且受到它们的高度影响，而低R+C意味着两种类型的影响都很低。R–C值代表一个屏障的净影响，因为它是一个屏障对其他屏障的影响程度与受其他屏障影响程度之间的差值。更具体地说，R–C得分表示障碍相对于系统中的其他障碍而言，倾向于成为原因（影响者/驱动者）或影响（影响者/接受者）。如果是积极的，障碍可能是一个“因果载体”，它对其他障碍的影响比受到其他障碍的影响更大。

如果R–C为负值，则认为它是一个“效果屏障”，或者是一个受他人影响大于影响他人的屏障。因此，R–C符号有助于将障碍分为两组——“原因”和“效果”。当前研究中障碍的R、C、R+C和R–C值，以及它们各自在R+C和R–C上的排名，见表5。表5有助于确定原因、影响和显著性障碍。在步骤9之后，绘制了影响显著图（IPM），如图2所示。表3：专家的隶属关系和资格。

No.AffiliationTypeQualificationDepartment of Civil and Material Engineering，University of Illinois at Chicago，USAcademicPhdde of Civil and Environmental Engineering，University of Michigan，USAcademicPhdautonomous Systems Laboratory，Stanford UniversityAcademicPhDFlorida Atlantic UniversityAcademicPhdde，University of Illinois at Chicago，美国交通研究院，加利福尼亚大学DavidSacademicphdCenter for Urbana Champaign，伊利诺伊大学Urbana-Champaign分校，德克萨斯大学奥斯汀分校，美国伊利诺伊大学芝加哥分校土木与材料工程学院，普吉特桑德地区委员会高级建模师Transp GroupPracticeErphdtering University PracticeErphd普吉特桑德地区委员会高级建模师PracticeErmastersunited State Environmental Protection Agency，EPAPPracticeErmasterstable 4：专家评估所用语言量表的灰色值。语言术语灰色值无影响（N）极低影响（VL）低影响（L）中等影响（M）高影响（H）极高影响（VH）表5：突出程度和净因果值BarrierSrcr+CR-按R+C（突出）排名按R-C（净影响）排名原因/效应P0.3150.2750.5900.040CSIN0.2130.2810.494-0.068EOSA0.4040.3110.7140.093CLCA0.4830.6921.175-0.209EPLE0.0680.0630.1320.005CINF0.3980.3100.7080.088CLOS0.5010.3990.9000.102CARC0.4190.4310.850-0.012EMNC0.4150.2810.6950.134CITRL0.1840.3570.541-0.173EFIGUR E 2。

影响显著图3.3因果循环图传统上，DEMATEL还涉及使用箭头绘制IPM上各因子之间的因果关系。在当前的研究中，因果循环图（CLD，见附录1的步骤10）被用来描述影响（图3），而不是IPM，asit提供了一种更优雅和有效的方法来表示和理解复杂系统中实体之间的因果影响。当前研究中的阈值设置为   ,其计算结果为：0.0375+0.0289=0.0665。这导致识别出17个阈值以上的影响，形成10个反馈回路，如图3中的CLD所示。这里应该指出的是，在两种情况下和至少 （这意味着因素i和j都会相互显著影响），有两个箭头将因素i和j连接在相反的方向上，从而形成只涉及两个障碍的反馈回路。RSP SIN OSA LCA PLE INF LOS ARC MNC ITRL-0.25-0.2-0.15-0.1-0.0500.050.10.150.20.250 0.2 0.4 0.6 0.8 1 1 1.2因果效应R+C R-C图3。因果循环图4。敏感性分析与过去基于DEMATEL的研究相比，该研究发现了因果关系。使用从七位或七位以下专家收集的数据（Cui等人，2018年；Bai和Sarkis 2010年；Awasthiet等人，2018年），当前研究的样本更大，由十八位专家组成。尽管如此，尽管专家们的经验不同，但将相同的权重分配给他们可能会质疑结果的稳健性。为了测试稳健性，进行了敏感性分析。专家们根据其经验分为三组，分别为8年以上、5至8年和3.5至5年，并将不同的权重分配给不同的组，以创建六种备选方案。

例如，在第一个场景中，分别将50%、30%和20%的权重分配给经验超过8年、5至8年和3.5至5年的专家。灰色DEMATEL方法应用于这些情景中的每一个情景，并使用从专家处收集的相同成对比较数据，目的是研究三个关键结果相对于基本情景的变化：1）Barriers在R+C上的排名，2）他们在R–C上的排名，以及3）低于阈值的障碍间影响    . 表6显示，在六种情况下，一个屏障（ITRL）的R+C排名改变了atmost 3，四个屏障（RSP、SIN、LOS和ARC）的R+C排名改变了atmost 2，两个屏障（OSA和INF）的R+C排名改变了atmost 1，而两个屏障（LCA、PLE和MNC）的R+C排名根本没有改变。同样，表7显示，对于五个障碍物（RSP、SIN、INF、LOS和ITRL），R–C排名改变了atmost 2；对于OSA和ARC，R–C排名改变了1；对于相同的三个障碍物（LCA、PLE和MNC），R–C排名没有改变。不同场景中相对较低的排名变化表明，在基本场景中获得的排名相当稳健。表6：根据R+C（突出程度）屏障代码等级对突出程度的敏感性分析基本情景中的等级情景1中的等级情景2中的等级情景3中的等级情景4中的等级情景5中的等级情景6中的等级RankrSPSinosalpapleinflossarchmncirtl表8显示，高于阈值的屏障间影响的数量，在基本场景中为17，在六种备选场景中略有不同。在其中三种情况下（情景1、5和6），它仍为17，但在情景3、4和2中分别变为18、19和20。

在17个基本情景影响中，九个出现在所有六个备选情景中，三个出现在五个备选情景中，四个出现在四个备选情景中。因此，17个基本情景影响中的9+3+4=16出现在六个备选情景中的至少四个，而剩下的一个（ARC-OSA）仅出现在其中两个情景中。这意味着，为基本情景绘制的CLD将与备选情景的CLD有相当大的重叠，这表明CLD和ITA中包含的一组因果关系相当稳健。表7：根据R-CBarriers codeRank in Base Scenario方案1中的Rank in Scenario 2中的Rank in Scenario 3中的Rank in Scenario 4中的Rank in Scenario 5中的Rank in Scenario 6中的RankrSPSinosalcapleinflossarchmnCitrolt表8：屏障间影响数量的敏感性分析Base Scenario 1 Scenario 2 Scenario 3 Scenario 4 Scenario 5 Scenario6μ+σ0.06660.07230.05200.06230.05890.06700.0750号。关系中的SRSP-LCAOSA-LCAOSA-ARCLCA-RSPLCA-ARCLCA-ITRLINF-LCAINF-LOSLOS-OSALOS-LCALOS-INFLOS-ARCARC-OSARC-LCARC-LOSMNC-SINMNC-LCARSP-LOSSIN-MNCLCA-INFLCA-MNCINF ARCINF-ITRLARC INFTRL LCALL注：1表示两个屏障之间存在关系，0表示其他5。

讨论在本节中，使用R-C得分、R+C得分（表5）和因果循环图（图3）讨论了障碍对AVadoption的突出程度和净影响。5.1 R-C和R+C得分表5中的R-C得分表明，MNC、LOS、OSA、INF、RSP和PLE可被视为原因因素（按净向外影响的降序排列），而LCA、ITRL、SIN和ARC可被视为影响因素（按净向内影响的降序排列）。LCA，即缺乏客户接受度，在R–C中排名第10，表明其在障碍中具有最大的净内向影响。有趣的是，它在R+Cscore排名第一，这意味着它在AV屏障系统中也具有最高的突出性。R+C提出的生命周期评价的重要性也与生命周期评价在CLD中的地位一致（图3）。CLD中10个反馈回路中有6个涉及LCA，标记为R1至R6。标记为R7到R10的其他四个循环具有与前六个循环相同的变量，并链接到前六个循环。生命周期评价对三个障碍的影响显著，受六个障碍的影响，即生命周期评价涉及CLD中的九种因果关系，这是本研究中所有障碍中影响最大的一种。这表明LCA在AVs的采用中起着基础性作用。毕马威报告（2019年）和几项学术研究也表明，生命周期评价是采用AVs的一个重大挑战（Daziano et al.2017；Xu et al.2018；Threlfall 2018；Bansaland Kockelman 2017；Haboucha et al.2017）。美国汽车协会（AmericanAutomobile Association，2017）的报告进一步证实了这一点，该报告显示，78%的美国人害怕使用AVs。

欧盟最近进行的一项研究表明，人们对无人驾驶汽车和卡车也感到不舒服（Hudson等人，2019年）。因此，在客户之间建立信任并获得他们的认可对于AVs的成功非常重要（Buckley et al.，2018）。一般来说，政府、决策者和管理者应首先解决更突出的障碍，以加快AVs的市场扩散。在LCA之后，下一个突出的障碍是服务水平，其次是ARC。虽然标准化对于不同公司开发的车辆之间的高效通信非常重要，但AVs的认证和测试对于维护旅行者的安全和遵守行业标准至关重要。这些因素可能会阻碍AVs的生产，并导致未来AVs的供需不匹配。例如，如果未来客户接受度增加，并且在当地街道上可以看到AV，那么更多的消费者可能希望拥有AV，而特斯拉等AV制造商可能无法立即生产出足够的产品来满足需求。OSA是采用AVs的第四大障碍。关于这一障碍，2014年兰德公司的研究指出，需要解决的关键问题包括在发生事故时谁负责以及责任如何在不同利益相关者之间分配（Anderson等人，2014年）。为此，谷歌、梅赛德斯-奔驰和沃尔沃等无人驾驶技术领域的领先创新者已决定对因技术缺陷导致的事故负责（Ballaban，2015）。然而，由于多种原因和一系列事件的组合，可能会发生事故。因此，立法者需要制定更具体的指导方针。

保险公司可能害怕参与，因为在发生损害（由高车辆成本决定）和车辆部件复杂的情况下，会有高赔偿。基础设施不足是分析中的第五大障碍。在这里，Fraedrich et al.（2018）指出，消费者对AVS与现有交通和城市规划目标的兼容性持怀疑态度。为了快速采用AVs，高度维护和标记良好的道路、高密度和无障碍的充电站以及无缝通信的网络基础设施至关重要。根据毕马威会计师事务所（2019年）的报告，美国在基础设施方面与其他发达经济体（如荷兰和新加坡）不相上下。美国在自主准备指数的这一维度上排名第七。因此，政府组织需要集中精力改进AVs的基础设施。制造成本在R–C得分方面排名第一，似乎对系统中AV采用的其他障碍具有最大的净向外影响。因此，如果政府鼓励AV制造商投资研发，使自动化技术更加可行，则可以加快AV的采用。在这方面，降低零部件价格也将大有裨益。例如，INAV中最昂贵的组件是光探测和测距（LiDAR）传感器。