A 2-Layered Game-Theoretic Deep Learning Model for Predicting Lodging Demand: SHAP and Nash Equilibrium

技術要約：宿泊需要予測のための2層型ゲーム理論的ディープラーニングモデル

問題提起
観光需要の予測は、ホスピタリティ部門における価格設定およびレベニューマネジメントにおいて不可欠である。しかし、Airbnbのようなピア・ツー・ピア（P2P）プラットフォームの台頭により、従来の時系列モデル（ARIMAやSARIMAXなど）では正確に捉えることが困難な、複雑で異質な需要パターンが生じている。さらに、高度な機械学習（ML）やディープラーニング（DL）モデルは、精度が高い一方で「ブラックボックス」として機能することが多く、ステークホルダーが予測を信頼したり、需要の要因を理解したりするために必要な解釈性に欠けている。加えて、既存の予測モデルは多くの場合、物件を個別に扱っており、競合他社の行動や市場動態に基づいてホストが価格や可用性を調整するという戦略的な相互依存関係を無視している。本研究は、予測精度の向上と、解釈性の強化、および戦略的な市場行動の組み込みという二重の課題に対処するものである。

手法
本研究は、ディープラーニング、説明可能なAI（XAI）、およびゲーム理論を統合したハイブリッド・フレームワークを提案し、ミシガン州アナーバーにおける1,852件のAirbnbリスティングから得られた729,888件の日次観測データに適用した。この手法は、以下の2つの明確なレイヤーで構成される。

1. 予測モデリングと解釈性（協力ゲーム・レイヤー）:

   • テストされたモデル: 本研究では、伝統的なベースライン（線形回帰、SARIMAX）と、高度なアーキテクチャ（全結合ニューラルネットワーク（FCNN）、長短期記憶（LSTM）、Transformer、およびTransformer–LSTMハイブリッド）を比較している。
   • 特徴量エンジニアリング: 物件属性（寝室数、収容人数）、位置データ（緯度、経度、郵便番号）、および時間的指標（祝日、イベント）を含む22個の特徴量を利用した。
   • SHAPの統合: 「ブラックボックス」問題に対処するため、Shapley Additive Explanations（SHAP）を適用した。協力ゲーム理論に根ざしたSHAPは、各特徴量を「プレイヤー」として扱い、共有の利得に貢献する限界的な寄与度を定量化することで、予測への各特徴量の貢献度を算出する。
   • シナリオ: 以下の3つのシナリオをテストした：(1) フル特徴量セットの使用、(2) SHAPスコアが閾値以上の特徴量に基づく選択、(3) 上位のSHAP特徴量に加えて、次に重要な4つの変数を含めた拡張選択。

2. 戦略的シミュレーション（競争ゲーム・レイヤー）:

   • クラスタリング: 数値属性（価格、立地、収容人数）に基づき、K-meansクラスタリングを用いてデータを4つのサブマーケットに分類した。これにより、クラスター内の競合他社が同様の需要条件に直面することを保証した。最適なクラスター数（$k=4$）はエルボー法によって決定された。
   • ゲーム・シミュレーション: 最良の予測モデル（FCNN）を用いて需要確率を生成し、クラスター内の物件ペア間で3x3の2人プレイヤー・プライシング・ゲーム（ベルトランおよびスタッケルベルグ）をシミュレートした。
   • 戦略: プレイヤーは「低・中・高」の3つの価格戦略から選択した。利得は期待収益（予約確率 $\times$ 価格）として定義された。本研究では、ナッシュ均衡（同時手番）とスタッケルベルグ均衡（逐次手番）を分析し、安定した価格戦略を特定した。

主な結果

• モデルの性能: ディープラーニングモデルは、伝統的なベースラインを大幅に上回った。フル特徴量セット（シナリオ1）において、FCNNが最高の性能（適合率: 92.50%、F1スコア: 93.21%、正解率: 89.59%、ROC AUC: 95.48%）を達成した。シナリオ2（SHAPに基づく特徴量選択）では、Transformerモデルがトップの性能（F1スコア: 93.11%）を示した。Transformer–LSTMハイブリッドは、どのシナリオにおいても単独の最良モデルを上回ることはなかった。
• 解釈性: SHAP分析により、清掃料金、価格、バスルーム数、および地理的指標（緯度、スタジアムへの距離）を含む、需要の主要なドライバーが特定された。これにより、特徴量の重要性に関する透明性が高く、実行可能な洞察が得られた。
• 市場動態と均衡:
  • クラスター1（高価格、低需要）: 両プレイヤーは「高/高」の価格設定でナッシュ均衡に達した。これは防御的な価格戦略を示唆している。
    沢 クラスター2（低価格、低需要）: 非対称な均衡が現れ、一方が高い価格を維持する一方で、もう一方は最も低い価格レベルで競争するという、効果的な市場セグメンテーションが見られた。
  • クラスター3（高需要、中価格）: 「低/高」の均衡が観察された。これは需要の価格弾力性が低いことを示しており、価格変動に関わらず高い需要を維持できることを示唆しているが、戦略的相互作用は補完的な価格役割を示唆している。
  • クラスター4（高価格、高需要）: 「高/高」の均衡が見られ、両プレイヤーは消費者の反発を引き起こすことなく、高い価格帯から利益を得ることができた。
• スタッケルベルグ vs ナッシュ: すべてのクラスターにおいて、スタッケルベルグ（リーダー・フォロワー）の結果はナッシュ均衡と同一であった。これは、これらのペア市場において先手を取る優位性（first-mover advantage）が存在しないことを示している。

主な貢献

1. 二層型ゲーム理論: 本研究は、2つのレベル（特徴量の属性に関するSHAPによる協力ゲーム、および価格シミュレーションによる競争ゲーム）でゲーム理論を適用する新しいフレームワークを導入した。これにより、静的な予測を超えて、戦略的な相互依存関係のモデリングが可能となった。
2. 説明可能なAIの統合: 特徴量の重要性をシャプレイ値に基づかせることで、高精度なディープラーニングと、観光市場における理論的・行動的解釈性の必要性ととの間の溝を埋めた。
3. 動的な均衡分析: 静的な仮定に依存する先行研究とは異なり、本研究はML生成の需要推定を用いて価格ゲームをシミュレートし、市場動態のダイナミックな視点を提供している。
4. ハイブリッド・アーキテクチャの評価: FCNN、LSTM、およびTransformerモデルの性能に関する実証的な証拠を提供し、豊富な特徴量セットを用いた場合のFCNNの有効性と、選択的な入力を用いた場合のTransformerの有効性を明らかにした。

意義と主張
本論文は、機械学習の解釈性を経済的・行動的推論と整合させることで、既存の文献を進展させると主張している。予測特徴量を戦略的シグナルとして扱い、ホスト間の相互作用をゲーム理論を通じてモデル化することは、精度中心のアプローチよりも市場動態に対して一貫した説明を提供する。

実務的には、本研究の知見は、飽和した市場においては価格変更による限界収益が低くなる可能性があり、非価格戦略（例：リスティングの質、最低滞在日数）への移行を促すことを示唆している。逆に、競争の激しいコア市場においては、特定の価格ルール（例：競合の価格帯へのマッチング）が効果的となり得る。本研究は、これらのペア市場における先手を取る優位性の欠如は、ホストが価格を先に設定しようとするのではなく、市場ポジショニングに注力すべきであることを示唆している。最後に、SHAPの統合は「ブラックボックス」の障壁に対する解決策として提示されており、AI駆動型のレベニューマネジメントをより透明かつ実行可能なものにしている。