Paris as a 15-Minute City: An Explainable AI Perspective

あなたは、人々がなぜ歩くのか、自転車に乗るのか、あるいは車に乗り込むのかという謎を解こうとしている探偵だと想像してください。あなたは犯人を探しているのではなく、私たちの移動のパターンを探しています。これが「都市モビリティ」の世界であり、科学者たちが都市を一つの生命体のように研究する分野です。この事件を解決するために、研究者たちはしばしば「15分都市」という概念を用います。これを、居心地の良い村のようなデザインの近隣住区と考えてみてください。学校、商店、公園、病院といった日常生活に必要なものがすべて近くにあり、徒歩や自転車で15分以内に到達できる状態のことです。ここで大きな疑問が生じます。このような場所に住むことは、実際に人々をより多く歩かせ、車の運転を減らすことになるのでしょうか？この問いに答えるために、科学者たちは「説明可能なAI（XAI）」を使用します。通常のAIが、答えは出すものの「なぜ」については教えてくれない「ブラックボックス」であるのに対し、XAIは箱を開けて手がかりを取り出し、「私は『歩行』という答えを知っています。そして、どの手がかりが私の判断を下したのか、その理由を正確に説明します」と言ってくれる探偵のようなものです。

この研究において、ハンガリーの研究チームは、15分都市の究籍のテストケースであるパリで探偵役を務めることに決めました。彼らは単に推測したわけではありません。約3,300人の動きを追跡した「NetMob 2025 データチャレンジ」から、膨大なデジタル・フットプリントを集めました。彼らは、この移動データに、商店や学校がどこにあるかを示す地図（OpenStreetMapから取得）と、人々の生活に関する情報（フランスの国勢調査であるINSEEから取得）を組み合わせました。データを整理した後、彼らは分析対象として、約7万件の「トリップ・セグメント（移動の断片）」、つまり旅の小さな切り出しを手に入れました。

研究者たちは、移動の所要時間を予測し、その人が車、自転車、または徒歩のどれを使うかを予測するスマートなコンピュータモデル（勾配ブースティング決定木）を構築しました。しかし、単にコンピュータに予測を吐き出させるのではなく、彼らは「説明可能なAI」を使用して、モデルの脳内を覗き見ました。彼らは、どの要因が決定に影響を与える「有力な要素（ヘビーヒッター）」であるかを知りたかったのです。

以下に、彼らが見つけた結果を示します。それは「期待通り」の部分と「一筋縄ではいかない」部分が混ざり合ったものです。

まず、良いニュースです。データは概して15分都市の考え方を支持しています。パリの中心部や近郊の住宅地では、地元のサービス（パン屋、公園、学校など）の密度が高いことが、人々が歩いたり自転車に乗ったりすることと強く結びついており、車の運転を減らすことにつながっています。それは、キッチンに食料品が豊富に揃っているようなものです。道沿いの食料品店まで車で行く必要はありません。しかし、魔法の効果は「外縁部（遠方の郊外）」へ移動すると薄れてしまいます。そこでは、たとえ近くにいくつかの店があったとしても、人々は依然として車をたくさん利用しています。「物事が近くにあること」と「運転しないこと」の間の結びつきは、外縁部ではるかに弱いのです。

また、コンピュータモデルは、どのような人が車を使いやすいかも明らかにしました。驚くべきことに、車の所有と運転免許の有無が、たとえ歩いて行けるほど非常に短い移動であっても、自動車利用の最大の予測因子でした。それは、ポケットに車の鍵が入っているようなものです。たとえ角の店に行くだけであっても、より車を使う可能性が高くなるのです。一方で、公共交通機関の定期券（Navigoパスなど）を持っている人は、サービスが乏しい地域において、車を利用する可能性が低くなります。

研究者たちは、人々が「何を」していたのかについても調査しました。もし移動が「仕事」のためであれば、それは動力（エンジン）を使い、より長い移動になる傾向がありました。しかし、移動が「買い物」や「健康」に関連するものであれば、人々は歩いたり自転車に乗ったりする可能性が非常に高くなりました。興味深いことに、子供がいる家族は異なるパターンを示しました。彼らは他のグループと比較して、近くにサービスがあることによる影響を受けにくい傾向がありました。これは、親には単純な「15分」のマップでは解決できない、独自のモビリティ・ニーズがあることを示唆しています。

この研究の最も素晴らしい部分の一つは、「非対称SHAP」と呼ばれる特別な手法を用いたことです。想像してみてください。あなたが、車の所有が原因で車を運転しているのか、それとも職場の場所が原因で車を運転しているのかを突き止めようとしているとします。標準的なAIは、これらが関連しているために混乱することがあります。研究者たちは、この特別な手法を用いて、異なる「物語」や因果関係の順序をテストしました。彼らが「車の所有」を（因果の連鎖における）「ボス（最初の要素）」として扱ったとき、モデルにおけるその重要性が跳ね上がることを見出しました。これは、車の所有が、他の要素（例えば近くにどれだけの店があるかなど）の影響を隠してしまう、強力で根本的な要因であることを示唆しています。

この研究は、15分都市が優れたアイデアであることを確認しただけでなく、それが「どこで最も効果を発揮するのか」、そして「誰を取り残してしまう可能性があるのか」をも示しました。結果は、密集した地域で地元のサービスが充実していれば歩行を促すものの、単に郊外に店を増やすだけでは、すでに車を所有している人々の運転を止めることはできないことを示唆しています。研究者たちは、15分都市をすべての人にとって機能するものにするためには、都市計画家が単に店の数を数える以上の視点を持つ必要があると結論付けています。彼らは、家族生活、所得、そして既存の車の所有といった複雑な要素を理解する必要があるのです。

要するに、15分都市の概念はデータによって裏付けられていますが、それは魔法の杖ではありません。それはパリの中心部では見事に機能しますが、外縁部では、古い習慣としての運転と車の所有という現実が依然として道を支配しています。この研究は、スマートで説明可能なAIを使用することで、都市計画家がこれらの隠れたパターンを把握し、交通のぼやけた画像を、より良く、より公平な都市のための明確な地図へと変えられることを証明しています。