JP2007094644A - 活動予測方法および装置 - Google Patents

Abstract

【課題】行動統計データを場所の制約条件を使って改変して対象集団の活動発生確率を求める活動予測方法を提供する。
【解決手段】人の行動パターンを集約して作られた行動統計データをデータベースから読み出し、読み出した行動統計データを、対象集団に応じてキー入力された場所の制約条件に従って改変して対象集団の活動発生確率を求める。
【選択図】図１

Description

本発明は、行動パターンを集約して作られた行動統計データを利用し、この行動統計データを場所の制約情報に従って改変して対象集団の活動の活動発生確率を求める活動予測方法、装置及びプログラムに関する。

地球温暖化など環境問題への対応が社会全体の課題となっている。そこで，製品やサービスの環境負荷を削減するために，様々な技術開発が行われ、環境負荷の小さな製品・サービスが市場に提供され始めている。製品・サービスの環境負荷を削減するための方策は様々であるが，その中の一つに時間効率の向上がある。時間効率の向上とは，製品・サービスが提供する機能の単位当たりに要する時間を削減することを意味する。

所望の目的を達成するために必要な時間が削減されれば，その製品・サービスの稼働時間も減るため，副次的に消費エネルギーも低減される可能性が高い。しかし、一方で、余剰時間に別の活動を行うことで多くのエネルギーを消費するならば、同一時間内で比較したエネルギー消費は、結果的に新製品・新サービスを導入する前よりも高くなることもある。このような副作用はリバウンド効果と呼ばれる。例えば、「電子商取引で余暇時間が生み出された結果、旅行に行く回数が増えた」などというのはリバウンド効果の一例である。今後、社会全体で発生する環境負荷の総量を管理するには、これまでのように製品・サービス自体から発生する環境負荷だけでなく、リバウンド効果を含めた環境負荷も評価していく必要がある。

これに対して、余剰時間に対象集団からどの程度の環境負荷が発生するのかを予測する方法が考案されている。非特許文献１では、国民が非拘束時間に消費する平均エネルギーを用いて、余剰時間に発生する消費エネルギーを計算している。また、非特許文献２では、対象集団に対してアンケートを実施し、当該サービスによって発生余剰時間内にどのような活動を行うのか調査している。その調査結果を基に、活動ごとに発生する環境負荷因子を設定し、全体として発生する環境負荷を推定している。
Mikko Jalas, A Time Use Perspective on the Materials Intensity of Consumption, Ecological Economics 41 (2002) 109-123. Kazue Takahashi, et.al. Environmental Impact of Information and Communication Technologies Including Rebound Effects, Proc. of the Int. Symp. on Electronics and the Environment, IEEE, (2004-5) 13-16.

非特許文献１のような方法では、対象集団の属性やその集団の置かれた状況を無視しており、かなり粗い推定にならざるを得ない。また、非特許文献２の方法では、対象集団を限定して考慮する点、当該サービスによって発生した余剰時間に限定する点において、より精密な推定ができるものと考えられるが、その都度アンケートを実施しなければならなく、アンケートに要する労力が大きい。また、アンケート回答通りに対象集団が振舞うのかという、基本的な疑問もある。このように、時間効率の向上に伴う対象集団の活動予測を行うには、従来技術では不十分である。

本発明は、人の行動パターンを集約した行動統計データを利用し、この行動統計データを場所の制約条件を使って改変し、対象集団の活動を予測する方法、装置及びプログラムを提供することを目的とする。

本発明は、人の行動パターンを集約して作られた行動統計データをデータベースから読み出し、読み出した行動統計データを、対象集団に応じてキー入力された場所の制約条件に従って改変して対象集団の活動発生確率を求めることを特徴とする活動予測方法を提供する。

本発明によれば、対象集団の属性や置かれた状況を加味して活動予測することが可能であり、この予測結果と環境負荷データを組み合わせることによって、余剰時間に発生する環境負荷を推定することもできる。したがって、新製品や新サービスによって発生するリバウンド効果を、特定の製品・サービス分野に依存せず、精度良く、且つアンケートに頼らず自動的に推定することが可能である。

以下図面を参照して本発明の実施形態を説明する。

（第１の実施形態）
図１は、本発明に従った第１の実施形態の活動予測方法を説明するための図を示している。これによると、入力処理Ｓ１１では、対象集団の構成情報（年齢層、性別、職種、人数）、曜日、時刻、場所、余剰時間、余剰所得が入力される。改変処理Ｓ１２では、統計データとして存在する活動発生確率データ（時間帯別活動発生確率データ、３次活動細目発生確率データ）が、場所制約や消費支出による制約（消費支出、活動１回あたりの所要費用）によって改変される。割り当て処理Ｓ１３では、算出した活動発生確率の情報を基に、余剰時間へ活動が割り当てられる。最後の環境負荷計算処理Ｓ１４では、割り当てられた活動の環境負荷原単位（時間当たり、金額当たり）を用いて余剰時間内に発生する環境負荷が計算される。

以下、具体的な例に基づいて本実施形態で説明する。ここでは、対象集団として１００人の３０代の女性システムエンジニアが平日にe-learningを受講することを想定する。受講場所は家庭で、１５：００に終了して余剰時間が２時間発生するものとする。余剰時間は集合教育を受けた場合と比較して算出された値である。また、e-learningに伴って余剰所得は増大しないものとする。この場合、対象集団の活動を以下のように分類できる。すなわち
１次活動（生理的に必要な活動）
睡眠、身の回りの用事、食事
２次活動（義務的に生じる活動）
通勤・通学、仕事、学業、家事、介護・看護、育児、買い物
３次活動（余暇活動と呼ばれる活動）
移動（通勤・通学を除く）、テレビ・ラジオ・新聞・雑誌、
休養・くつろぎ、学習・研究（学業以外）、趣味・娯楽、
スポーツ、ボランティア活動・社会参加活動、
交際・付き合い、受信・診療、その他

図２は、平日における成人女性の１次、２次、３次活動の行動統計データに基づいた行動率グラフ、即ち横軸を時間帯、縦軸を行動率とした行動率グラフを示している。このグラフには、右側のテーブルに示す各種活動が含まれている。このグラフに対して１５：００における成人女性の活動を抽出すると、図３に示されるような１次、２次、３次活動の発生確率が得られる。図３における各活動の細目が図４に示されている。図３の活動、例えば、移動は、図４に示すように鉄道、バス、自動車、二輪車、徒歩についてのそれぞれ発生確率を示している。同様にスポーツ、趣味・娯楽、学習・研究、ボランティア活動・社会参加活動の細目について発生確率が示されている。各発生確率は合計が１００％ととなるように各活動に付与されている。

これらの行動統計データは、評価シナリオに応じて図５に示す手順で改変される。まず、場所の制約のため選択できない活動、即ち「通勤・通学」「学業」の発生確率を０に変更する（Ｓ２１）。即ち、対象集団は、場所の制約が家庭であるので、図６に示すように通勤・通学、学業という活動の発生確率は著しく低いものとして無視するものとする。次に、支出の制約のため選択できない活動の発生確率を０に変更する（Ｓ２２）。これについては、後述する。その後、発生確率の合計が１００％になるように正規化する（Ｓ２３）。ここでは、先ず、場所の制約について正規化する。即ち、発生確率を０にした元の発生確率、即ち、「通勤・通学」の発生確率２．０４と「学業」の発生確率６．３２の合計８．３６が他の活動に振り分けられ、残りの活動の発生確率の合計を１００％にする。

次に、支出の制約に付いて説明する。図７は、システムエンジニアという職種の場合の年収と消費率に関する統計データを示している。消費率とは、年収に対する消費支出額の割合を表す。例えば、女性３０代のシステムエンジニアの場合、１日当たりの平均消費支出は、年収６００万円×消費率８０％／３６５日＝１３，５００円／日と算出できる。ここで、土曜日曜で全消費支出の８０％を消費すると仮定すると、平日１日当たり平均消費支出＝１３，５００×７×０．２／５＝３，７８０円と計算できる。この３，７８０円という支出に関する制約条件を用いると、例えば、図８に示すようにこの金額３，７８０円を越える趣味娯楽活動は行わないものとする。従って、図９に示すように３，７８０円を越える金額の活動、即ち「演芸・演劇鑑賞」「クラシック鑑賞」「歌謡曲鑑賞」の発生確率を０に改変する。改変後は、支出の制約について場所の制約と同様にして正規化される。

場所の制約と支出の制約の双方を反映し、且つ発生確率の合計値が１００％になるように正規化した例が図１０及び図１１に示される。即ち、図１０では、「通勤・通学」及び「学業」が０とされ、図１１では、「演芸・演劇鑑賞」「クラシック鑑賞」「歌謡曲鑑賞」が０とされて正規化されている。これにより、初期の行動統計データが３０代の女性システムエンジニアに当てはまるように改変されたことになる。 上述のようにして、活動発生確率が求められると、余剰時間、本実施例の場合３時から５時までの間２時間余りが活動に割り当てていく。本実施形態では、対象集団が１００人としているので、集団全体で割り付ける方法を採用している。１人当たり２時間の余剰時間であるので、１００人全体では２００時間の余剰時間がでることになる。この２００時間に活動を割り当てる。

図１２のフローチャートは、上記の割り当て方法を示している。これによると、まず、余剰時間、例えば２時間に集団人数、例えば１００人を乗じて集団全体の発生余剰時間Ｔｃ（２００時間）を算出しておく。そして発生確率の高い活動から順に期待活動時間を割り当てる。この場合、最初に、割り当て済み総時間数Ｔを０に設定する（Ｓ３１）。次に、活動ｒが１に設定される（Ｓ３２）。その後、総時間Ｔに活動ｒの平均活動時間ｔｒと活動ｒの発生確率ｐｒとの積、即ち活動ｒの期待活動時間が加算され、総時間Ｔが更新される（Ｓ３３）。割り当て済み総時間数Ｔと発生余剰時間Ｔｃと比較され（Ｓ３４）、割り当て済み総時間数Ｔ≧発生余剰時間Ｔｃとなるまでは、期待活動時間を順次割り当てられる。即ち、活動ｒが活動種類総数Ｒと比較され（Ｓ３５）、この比較においてｒ＝Ｒでなければ、活動ｒが更新され（Ｓ３６）、ステップＳ３３に戻る。ＴがＴｃを超えた場合は、Ｔ＝Ｔｃとなるように端数処理が行われ、処理は終了する。ｔｒの例として、３０代女性の趣味娯楽活動１回当たりの平均所要時間の例を図１３に示す。

図１４は、こうして割り当てた活動時間を、活動ごとに集計し、割り当て活動時間が多い上位２０活動を示している。本例では、e-learning実施後の余剰時間を、再び仕事（システムエンジニアリング）に費やす人が最も多いことを示している。ただし、仕事に続いて、買物、交際・付き合い、自動車による移動などの活動を選択する人もいることを示している。

上述のようにして時間さえ割り当てれば、各活動の１時間当たりの環境負荷のデータベースを用意しておけば、各活動における二酸化炭素発生率から２００時間の中で発生する環境負荷を算出できる。この環境負荷を求めるのが最終的な目的ではあるが、ここに至るまでの一番の重要点は何の行動に何時間対象集団が費やするかを出力することである。一人２時間を割り当てようとすると２時間の中で選べる活動はそんなに多くない。集団の人数が増えることによって個人の活動が多様であり、選べる活動が増える。従って本発明は集団の規模が大きくなるほど選択活動が多様になるという実態を反映した結果が得られる。以下具体的に、活動時間データと環境負荷との関係について説明する。

図１５は、金額当たり、時間当たりの活動による二酸化炭素排出量についての環境負荷原単位の統計データの一部を示している。これによると、活動ごとの平均活動時間（１回当たりの時間消費（Ｈ））及び平均支出（１回当たりの個人支出（円））のデータを用いて、金額当たりの環境負荷原単位（ＣＯ_２−ｋｇ／円）を、時間当たりの環境負荷原単位（ＣＯ_２−ｋｇ／Ｈ）に変換している．
図１６は、環境負荷算出結果の一部、即ち環境負荷で上位２０位までの活動に対しての環境負荷（合計４１７ＣＯ_２−ｋｇ））についての環境負荷算出結果の一部を示している。これによると、時間当たりの環境負荷原単位を、推定活動時間に乗じて算出した環境負荷の予測値が示されている。本結果は、e-learningで発生した平日の１５：００から１７：００の余剰時間で、当該対象集団から発生する二酸化炭素発生量の予測値を示している。本例では、引き続き仕事を行うことで発生する環境負荷が大きいことが分かる。一方、図１４と図１６を比較すると、割り当て活動時間の長い活動が必ずしも環境負荷を多く排出しているわけではないことが分かる。これは環境負荷原単位が異なるからである。

このように本発明によって、対象集団の属性や場所の情報を加味した上で、余剰時間によって発生する環境負荷総量とその内訳を予測することができる。集団の規模が増加するほど環境負荷に対する影響は大きくなる。

図１７は、上記実施形態の活動予測方法を実施するハードウエア、即ち活動予測装置を示している。本装置には、プロセッサ（ＣＰＵ）１１１、統計データ改変部１１２、時間割り当て部１１３、環境負荷算出部１１４、表示装置１１５、入出力装置１１６、各種データベース、即ち場所と活動の制約情報データベース１１７、時間帯別活動発生確率データベース１１８、３次活動細目発生確率データベース１１９、消費支出データベース１２０、活動１回当たりの所要時間費用データベース１２１、活動１回当たりの所要時間データベース１２２及び環境負荷原単位データベース１２３、並びに外部記憶装置１２４が設けられている。

統計データ改変部１１２、時間割り当て部１１３、および環境負荷算出部１１４はメモリ１２５に格納されたプログラムに相当する。プロセッサ１１１は外部記憶装置１２４からメモリ１２５にロードされたプログラムを実行することにより、入出力制御や各種演算処理を含め、必要な各種制御処理を実施する。

図１７のシステムにおいて、ユーザが調査対象を３０代の女性システムエンジニア１００人としたとすると、ユーザは、入出力装置１１６を介して条件、例えば年齢層、性別、職種、人数、曜日、時刻、場所、余剰時間、余剰所得などを入力する。条件を入力すると、時間帯別活動発生確率データベース１１８及び３次活動細目発生確率データベースから活動発生確率を読み出し、また、場所の制約情報データベース１１７、消費支出データベース１２０、活動１回当たりの所要費用データベース１２１、活動１回当たりの所要時間データベース１２２からそれぞれのデータを読み込む。プロセッサ１１１は、統計データ改変部１１２、時間割り当て部１１３、および環境負荷算出部１１４に格納されたプログラムに従って活動発生確率を、図１乃至図１３を参照して説明した手順に従って改変する。

上記の改変処理により得られた結果は、環境負荷推定などに利用できる。即ち、この集団ならどのくらい環境負荷が出るかを推定するために利用できる。尚、改変処理結果は、表示装置に１１５に表示でき、又は入出力装置１１６でプリントできる。

上述のように対象集団を集団教育からe-learningに転換するサービスを行うことにより２時間の余剰時間ができ、この余剰時間に応じて環境負荷が減少することを推定することができる。当然、この余剰時間に環境負荷の高い活動を行ったらかえって環境負荷が増えることもある。この場合には、時間帯をずらすこと、又は対象とするサービスを変えることも考えるデータとして使用できる。

図１８は、例えば、対象集団の嗜好性に関する情報や、余剰時間終了後の拘束条件（１７：００には家庭にいなければならない、など）を加味して活動割り当てを行うことで、より精密な推定を実施可能になる実施形態を示している。本実施形態のように、買い物好きとかボランティア好きとかの嗜好性の情報をいろいろ追加することによって活動発生確率をより細かく改変できる。

第１の実施形態１と第２の実施形態とでは、嗜好性が考慮されているか否か、余剰時間経過後の高速条件があるかないかの違いがある。例えば、図１０、図１１の改変テーブルでは確率が少ないものを０としているが、例えば、買い物が好きな人があれば、図１９に示すように買い物の発生確率を１０％上げる（Ｓ２４）など、あらかじめ定めたルールに従って改変しても良い。余剰時間経過後の活動拘束情報、例えば午後５時まで時間が空いているが午後５時の時点で必ず家にいなければならないか、午後５時の時点で別の場所に移動していなければならないとかの情報があればそのような情報を入れても良い。例えば、午後５時の時点で別の場所に移動していなければならないのなら移動に関する発生確率が上がる。

上記のように本発明では、対象集団に対して新たな余剰時間が与えられたときに、当該集団がどのように振舞うかを、対象集団の属性や置かれた状況に応じて予測する。即ち、時間効率向上に関連して発生する余剰時間に、対象集団がどのような活動に時間を費やすのかを、対象集団の属性や置かれた状況を加味して対象集団の活動を予測する。

本発明に従った第１の実施形態の活動予測方法を説明するための図である。 平日における成人女性の１次、２次、３次活動の行動統計データによる行動率グラフを示す図である。 １次、２次、３次活動の発生確率を示す図である。 図３における各活動の細目を示す図である。 活動発生確率を改変する手順を示すフローチャートである。 場所制約関係を示す図である。 集団属性別の消費支出データを示す図である。 活動１回当たりの所要費用の統計データを示すグラフ図である。 図８の活動１回当たりの所要費用の統計データを表として示す図である。 改変前後の活動発生確率を示す図である。 改変後の３次活動細目の発生確率を示す図である。 余剰時間へ活動割り当てを行う処理のフローチャートである。 活動１回当たりの平均所要時間の統計データを示す図である。 活動割り当て結果の一部を棒グラフで示す図である。 環境負荷原単位の統計データの一部を示す図である。 環境負荷算出結果の一部を示す図である。 活動予測方法を実施する活動予測装置のブロック図である。 本発明に従った第２の実施形態の活動予測方法を説明するための図である。 活動発生確率を改変する他の手順を示すフローチャートである。

符号の説明

１１１…プロセッサ、１１２…統計データ改変部、１１３…時間割り当て部、１１４…環境負荷算出部、１１５…表示装置、１１６…入出力装置、１１７…場所と活動の制約情報データベース、１１８…時間帯別活動発生確率データベース、１１９…３次活動細目発生確率データベース、１２０…消費支出データベース、１２１…活動１回当たりの所要時間費用データベース、１２２…活動１回当たりの所要時間データベース、１２３…環境負荷原単位データベース、１２４…外部記憶装置、１２５…メモリ

Claims (16)

1. 人の行動パターンを集約して作られた行動統計データをデータベースから読み出し、読み出した行動統計データを、対象集団に応じてキー入力された場所の制約条件に従って改変して対象集団の活動発生確率を求めることを特徴とする活動予測方法。
2. 消費支出データベースから対象集団の消費支出データを読み出し、この消費支出データを用いて前記行動統計データを改変して活動発生確率を求めることを特徴とする請求項１記載の活動予測方法。
3. 対象集団の嗜好性データを用いて前記行動統計データを改変して活動発生確率を求めることを特徴とする請求項１又は２記載の活動予測方法。
4. 対象集団の活動の転換により生じる集団人数分の総余剰時間を算出し、この総余剰時間を活動発生確率に応じて各種活動に割り当てることを特徴とする請求項１又は２に記載の活動予測方法。
5. 集団人数分の総余剰時間に達するまで，活動発生確率に従って一人平均活動時間を活動に割り当てることを特徴とする請求項４の活動予測方法。
6. 前記改変は、対象集団が選択しない活動の発生確率を０に設定し、改変後の残りの活動の発生確率を正規化することを含むことを特徴とする請求項１乃至５のいずれか１記載の活動予測方法。
7. 前記改変は、対象集団の活動の少なくとも１つの細目を改変することを含むことを特徴とする請求項１乃至６のいずれか１記載の活動予測方法。
8. 人の行動パターンを集約して作られた行動統計データをデータベースから読み出し、読み出した行動統計データを、対象集団に応じてキー入力された消費支出の制約条件に従って改変して対象集団の活動発生確率を求めることを特徴とする活動予測方法。
9. 人の行動パターンを集約して作られた行動統計データをデータベースから読み出し、読み出した行動統計データを、対象集団に応じてキー入力された嗜好性の制約条件に従って改変して対象集団の活動発生確率を求めることを特徴とする活動予測方法。
10. 人の行動パターンを集約して得られる行動統計データを格納するデータベースと、このデータベースから行動統計データを読み出し、読み出した行動統計データをキー入力された場所の制約条件に従って改変することによって対象集団の活動発生確率を求める処理手段とを具備する活動予測装置。
11. 前記処理手段は、対象集団の消費支出データを用いて対象集団に関する行動統計データを改変する、請求項１０記載の活動予測装置。
12. 前記処理手段は、対象集団の活動の転換により生じる集団人数分の総余剰時間を算出し、この総余剰時間を活動発生確率に応じて各種活動に割り当てる、請求項１０又は１１に記載の活動予測装置。
13. 前記処理手段は、集団人数分の総余剰時間に達するまで，活動発生確率に従って一人平均活動時間を活動に割り当てる、請求項１２の活動予測装置。
14. 前記処理手段は、対象集団が選択しない活動の発生確率を０に設定し、改変後の残りの活動の発生確率を正規化する、請求項１０乃至１３のいずれか１記載の活動予測装置。
15. 前記処理手段は、対象集団の活動の少なくとも１つの細目を改変する、請求項１０乃至１４のいずれか１記載の活動予測装置。
16. 人の行動パターンを集約して作られた行動統計データをデータベースから読み出す命令と、読み出した行動統計データを、対象集団に応じてキー入力された場所の制約条件に従って改変して対象集団の活動発生確率を求める命令をコンピュータに実行させることを特徴とする活動予測プログラム。

Images