An instance-based learning approach for evaluating the perception of ride-hailing waiting time variability

以下は、提供された論文「An instance-based learning approach for evaluating the perception of ride-hailing waiting time variability（ライドシェアの待ち時間変動の知覚評価におけるインスタンスベース学習アプローチ）」の技術的な要約です。

1. 研究の背景と課題

• 背景: Uber や Lyft などのライドシェアサービスは世界的に普及しており、公共交通機関との競合・補完関係が議論されています。これらのオンデマンドサービスは、事前のスケジュールやルートに縛られないため、待ち時間や乗車時間の「変動（不確実性）」が生じやすくなります。
• 課題: 従来の交通需要モデルでは、待ち時間の変動に対する利用者の知覚や、過去の経験（失敗や成功）が将来の選択にどのように影響するかを十分に解明できていません。特に、ライドシェアにおける「待ち時間の変動性」や「キャンセル」が、利用者の意思決定に与える影響を、記憶の減衰（Memory Decay）や慣性（Inertia/習慣）の観点から定量的に評価する研究は不足しています。
• 目的:
  1. ライドシェアの予期せぬ結果（待ち時間の遅延、キャンセルなど）に対する利用者の評価（価値）を特定する。
  2. 記憶の減衰と選択の慣性に関する既存および新規の理論的定式化を検証し、利用者の行動を最もよく説明するモデルを特定する。

2. 研究方法論

• データ収集:
  • 手法: 2021 年 8 月にオランダのモビリティパネル（MPN）を対象とした「表明選好（Stated Preference; SP）調査」を実施。
  • 実験設計: 2 つの架空のライドシェア会社（A 社と B 社）から選択させる反復選択タスク。
    • 提示情報：予想待ち時間、旅行時間（固定 20 分）、運賃。
    • 体験情報：選択後の「実際の待ち時間」および「キャンセルの有無」をフィードバック。
    • 試行回数：32 回（疲労を考慮し、パイロット調査を踏まえて決定）。
    • 分布：待ち時間は対数正規分布からランダムに抽出。A 社は安価だが変動が大きく、B 社は高価だが信頼性が高い設定。キャンセル確率は A 社 10%、B 社 2%。
  • サンプル数: 有効回答 936 件（オランダ人口の代表性を有する）。
• モデルアプローチ:
  • モデル種別: パネル混合ロジットモデル（Panel Mixed Logit）。データ間の相関（同一個人の反復選択）を考慮し、個人間の異質性を捉える。
  • 効用関数の構成:
    1. 記述的情報（Descriptive）: 選択前の予想待ち時間と運賃。
    2. 経験的情報（Experiential）: 過去の選択結果（実際の待ち時間、キャンセル）に基づく学習。
  • インスタンスベース学習（IBL）の適用:
    • 記憶減衰（Memory Decay）: 過去の経験が時間とともに重要性を失うことを「べき関数（Power Function）」でモデル化。
      • 検証した変数：「時間ベース vs イベントベース（経験の順序に基づく）」、「相対的重み vs 絶対的重み」。
    • 慣性（Inertia/Habit）: 過去の選択が将来の選択に与える影響。
      • 検証した変数：「単純バイナリ（前回の選択）」「累積回数」「リセット（選択変更でリセット）」「対数変換版」など 5 種類の定式化。

3. 主要な結果

• 待ち時間変動の評価:
  • 予期せぬ待ち時間（遅延）の評価は、予想待ち時間の 2〜3 倍の価値（VOT）を持つことが判明。
  • 早期到着 vs 遅延: 予想より早く到着した場合の「利益」は、予想より遅れた場合の「不利益」よりも大きい（逆説的だが、早期到着はポジティブな驚きとして評価される）。
    • 早期到着の WTP: 26.59 ユーロ/時
    • 遅延の WTP: 18.14 ユーロ/時
• キャンセルの影響:
  • 予約後のキャンセルは、乗客に大きな不効用をもたらす。その評価額は約 4.45 ユーロ（または待ち時間換算で 10〜15 分）に相当し、次回の利用でこの会社を選ぶために必要な割引額となる。
• 参入障壁（Barrier-to-Entry）:
  • 新規サービスへの参入に対する心理的抵抗は約 2.00 ユーロと推定され、新規参入者がユーザーを獲得するにはこの程度の割引が必要である可能性を示唆。
• 記憶減衰の特性:
  • 最も重要な発見: 過去の経験の重要性は急速に減衰する。最新の経験が圧倒的に重要であり、2 番目に新しい経験は最新のもののおよそ 1/3 の影響力しか持たない。
  • 最良のモデル: 「イベントベース（経験の順序に基づく）」かつ「絶対的重み（Absolute weights）」を適用したモデルが最も適合度が高かった。これは、同じ会社の悪い経験が複数ある場合、その不効用が累積して大きくなることを反映している。
• 慣性（Inertia）の特性:
  • 最良の慣性モデルは「リセット型（Reset）」であった。これは、同じ選択肢を連続して選ぶと慣性値が増加するが、一度他社に切り替えると 0 にリセットされるという挙動を示す。
  • 慣性による追加価値は 1 回あたり約 0.09 ユーロと推定された。

4. 主な貢献

1. ライドシェアの変動性評価の定量化: 表明選好データを用いて、ライドシェアの待ち時間変動やキャンセルに対する具体的な貨幣価値（WTP）を初めて詳細に算出した。
2. 記憶減衰と慣性の定式化の比較: 交通分野における経験的学習モデルにおいて、従来の「時間ベース」や「相対的重み」に加え、「イベントベース」や「絶対的重み」などの新たな定式化を提案・検証し、どのアプローチが人間の意思決定をより正確に記述するかを実証した。
3. 最新経験の重要性の強調: 過去の経験が急速に忘れ去られ、最新の経験が意思決定に支配的な影響を与えることを示し、サービス提供者にとって「直近の体験」の管理が極めて重要であることを示唆した。

5. 意義と示唆

• 政策・事業者への示唆:
  • 信頼性の管理: 乗客は最新の経験に強く反応するため、一度の悪い体験（遅延やキャンセル）は即座に顧客離れを招く。しかし、その影響も新しい良い体験によって素早く相殺されるため、迅速な対応（補償など）が有効である。
  • 参入戦略: 新規参入者は「参入障壁（約 2 ユーロ）」を克服するために割引などのインセンティブが必要だが、既存事業者はブランド認知により有利である。
  • 予測情報の提示: 早期到着がポジティブに評価されるため、サービス提供者は「安全側に立った（遅めに表示する）待ち時間」ではなく、可能な限り早く到着するよう努めるか、あるいはそのバランスを慎重に設計する必要がある。
• 学術的意義: 交通行動論において、経験的学習（Experiential Learning）をモデル化する際、単なる平均化ではなく、記憶の減衰特性や慣性の動的な変化を考慮したモデル構築の重要性を再確認させた。

この研究は、オンデマンド交通サービスの設計、規制、および顧客維持戦略において、利用者の心理的メカニズム（記憶と習慣）を定量的に理解する上で重要な基盤を提供しています。