テクニカル・サマリー：コード、資本、そしてクラスター：英国AI経済における企業パフォーマンスの理解

問題提起

英国は人工知能（AI）分野において、米国と中国に次ぐ世界第3位の地位を確立しており、セクター価値は723億ポンドに達しているが、既存の文献には詳細な企業レベルの分析が欠けている。政府によるハイレベルな報告書は、資本や人材プールといった広範な推進力を特定しているものの、技術的専門化、超局所的な社会経済的条件、および企業パフォーマンスの間の具体的な相互作用をマッピングするには至っていない。

具体的には、以下の点に関する理解にギャップが存在する：

1. ポストコード（郵便番号）レベルのデモグラフィクス（例：資格取得率、人口密度）が、その地域に登録されているAI企業の営業収益とどのように相関しているか。
2. 「専用」AI企業（コアとなる知的財産を開発している企業）と、「多様化」された実体（既存のスタックにAIを統合している企業）との間における、生存率および収益効率の違い。
3. セクターが成熟するにつれて、これらの企業のライフサイクルを左右する要因（解散を促す要因 vs 持続可能なスケーリングを促す要因）に関する予測的洞察。

メソドロジー

本研究は、2000年から2024年までの英国のAIエンティティに関する包括的なデータセットを分析する、データ駆動型の縦断的アプローチを採用している。

データ収集および処理

• 情報源: ベースラインは、UKRI（英国研究・イノベーション）の「WAIFinder」データベースを用いて構築し、glass.aiを用いたウェブクローリングによって拡張し、Companies HouseおよびLinkedInと照合した。
• 範囲: 最終的なデータセットは4,392のユニークなAIエンティティで構成される。厳格な包含基準を適用し、AI製品やサービスを直接開発している「企業」および「大学」のみを対象とし、エコシステムの促進者（インキュベーター、アクセラレーター）は除外した。
• 拡充: 企業レジストリに対し、ONS（英国統計局）2021年国勢調査のデータをポストコード単位で付加し、人口密度、レベル3/4以上の資格取得率、および部門別雇用密度を捕捉した。
• 収益分析: 英国の小規模企業における財務報告の免除規定があるため、詳細な収益および労働力分析は、完全な会計報告を公開している529のエンティティのサブセットに限定された。
• 特徴量エンジニアリング: 技術的専門化を、エンティティのウェブサイト記述文に適用された**TF-IDF（単語頻度・逆文書頻度）**を用いて定量化し、エンティティの技術ポートフォリオの強度と特異性を測定する「キーワード・スコア」を作成した。

モデリング・フレームワーク

2つの異なる分析フェーズを実施した：

1. パフォーマンス・ドライバー（回帰分析）:

   • アルゴリズム: 表形式のデータセットにおいて優れた性能を示すCatBoost（Categorical Boosting）を選択した。
   • ターゲット: (a) 営業収益、および (b) 従業員一人当たりの営業収益（労働生産性のプロキシ）を予測するように2つのモデルを訓練した。
   • 特徴量: 入力変数には、企業レベルの変数（従業員数、サービス年数、セクター、キーワード・スコア）およびポストコードレベルの社会経済指標が含まれる。
   • 解釈性: 各入力変数の予測に対する限界的な寄与度を定量化するために、**SHAP（SHapley Additive exPlanations）**を採用した。
   • 検証: データを80%の訓練データと20%のテストデータに分割し、$R^2$およびRMSEを用いて評価した。

2. 成長予測（時系列分析）:

   • 指標: 4つのライフサイクル指標を分析した：総AIエンティティ数、活動中AIエンティティ数、解散したエンティティ数、および解散率。
   • アルゴリズム: 4つの単変量時系列モデル（ARIMA、Theta、指数平滑化（ETS）、およびMFLES（Median Fourier Linear Exponential Smoothing））を比較した。
   • 最適化: **TPE（Tree-structured Parzen Estimator）**を用いてハイパーパラメータのチューニングを行った。
   • 不確実性: **コンフォーマル予測（Conformal Prediction）**を用いて、2030年までの予測に対する95%予測区間を構築した。

主な結果

1. 地理的およびセクター別の集中

• ロンドンの支配力: ロンドンは全活動中AIエンティティの41.3%（1,616社）を擁している。
• セクター・パフォーマンス: テクノロジー・セクターが解散の大部分（57.3%）を占めている一方で、一般金融サービスは、分析対象のサブセットの中で最も高い平均営業収益（3,390万ポンド）を報告した。
• キーワードの進化: 「機械学習（Machine Learning）」と「人工知能（Artificial Intelligence）」が最も一般的なキーワードであり続けている。「生成AI（Generative AI）」は2015年頃に台頭し、2024年までに自然言語処理（NLP）と共に明確なクラスターを形成した。

2. 企業パフォーマンスのドライバー

• 収益のドライバー: 企業規模（従業員数範囲）が総営業収益の主要な予測因子であり、**74.85%**の説明力を占めている。規模の大きい企業ほど、絶対的な収益が高い。
• 生産性のドライバー: 技術的専門化（キーワード・スコア）が、従業員一人当たりの営業収益の主要なドライバーであり、**83.59%**に寄与している。これは、生産性が企業規模ではなく、AI能力の広さと関連性に結びついていることを示唆している。
• ローカル・エコシステムの影響: ポストコードレベルの変数（レベル3の資格取得率、人口密度、および地域の雇用レベル）は、収益と生産性の両方に対して有意な限界寄与を提供しており、AIの成長が地域的な社会経済的エコシステムに組み込まれていることを裏付けている。

3. 2030年への予測

モデルは、高成長の拡大から**集約フェーズ（consolidation phase）**への移行を予測している：

• 総エンティティ数: 成長はプラトー（停滞）に達すると予想され、2030年までに約4,651のエンティティに達する（95%信頼区間: 4,323–4,979）。
• 活動ベース: 活動中のエンティティ数は4,410に達すると予測され（95%予測区間: 3,672–5,149）、緩やかではあるが安定した成長を示している。
• 解散数: 解散するエンティティの絶対数は、2030年までに316へと大幅に増加すると予測されている。
• 解散率: 年間の解散率は約**2.21%**で安定すると予測されており、これは、生産性の低い企業が退出する一方で、コア・セクターは強靭性を維持するという、成熟した市場を示唆している。

主な貢献と意義

本論文は、技術的専門化と超局所的な社会経済データを統合した、多次元的かつ企業レベルのマッピングを初めて提供したと主張している。その意義は以下の3点にある：

1. 場所を重視した政策への実証的エビデンス: 本研究は、純粋なセクター別イノベーション政策に異を唱え、地域の要因（教育、密度）が企業パフォーマンスに極めて重要であることを示している。これは、システムリスクと地域格差を軽減するために、ロンドン以外の地域におけるAI能力を育成することを提唱している。
2. 成長戦略の差別化: 分析は、2つの経済成長経路を区別している：企業規模の拡大（総収益を駆動するため）と、技術的専門化の深化（生産性を駆動するため）。これは、政策が規模拡大のための資本ギャップに対処すると同時に、フロンティア研究の商業化への経路を促進すべきであることを示唆している。
3. 集約に関する戦略的展望: 予測結果は、セクターが集約を特徴とする成熟期に入っていることを示している。著者らは、これは衰退の兆候ではなく、より安定したエコシステムへの移行であると主張している。彼らは、政策が単なるスタートアップ創出の支援から、実行力のある企業が成長の転換期を乗り切るための支援、および集約期における「知識保存型の出口（knowledge-preserving exits）」の管理へとシフトすべきであることを提案している。

著者らは、この集約期を持続的な競争優位へと変えるためには、標的を絞ったエビデンスに基づく介入が不可欠であると結論付けており、それによって、より地理的にバランスが取れ、生産的で、かつ強靭な英国AI経済を確保できるとしている。