JP7301239B1 - 生成装置、生成方法、および生成プログラム - Google Patents

Abstract

生成装置は、プログラムを実行するプロセッサと、プログラムを記憶する記憶デバイスと、を有する生成装置であって、プロセッサは、客観的な事象を示すデータに基づいて複数の価値を予測する第１モデルにより第１予測を実行し、前記第１予測による前記複数の価値の第１予測結果と、前記第１予測において前記第１モデルに用いられたパラメータ集合である施策と、を取得し、前記第１予測結果と前記施策とを関連付けた関連情報を生成し、前記客観的な事象に関連する対象者集合の各対象者に関する説明変数を取得し、前記説明変数に対応する前記各対象者に関する目的変数を取得し、前記説明変数と前記目的変数とに基づいて、前記目的変数の予測値を算出可能な第２モデルを生成し、前記関連情報から、特定の価値の特定の係数の選択を受け付け、前記特定の係数に基づいて前記第２モデルにより第２予測を実行し、前記第２予測によって予測された目的関数又は前記関連情報を出力する。

Description

本発明は、情報を生成する生成装置、生成方法、および生成プログラムに関する。

様々な国、地域、コミュニティにおいて、富の格差や処遇の不平等、環境汚染や文化崩壊などが社会問題となっている。これらの社会問題を扱うためには、経済価値だけではなく、個人や対人関係に関わる社会価値、環境や文化に関わる環境価値などの多元的な価値に配慮する必要がある。そして、社会問題を解決するためには、様々な施策や状況に対する客観的データで表される社会、環境、経済的な指標と、主観的データで表される社会、環境、経済的な価値観とを結合し、多元的な価値に配慮した施策を検討する必要がある。

下記特許文献１は、評価対象とするアプリＧＵＩ（グラフィックユーザインターフェース）のユーザビリティを評価する評価システムを開示する。この評価システムは、予め評価対象以外のアプリＧＵＩに対して主観評価項目毎に付けた点数を主観評価値として蓄積した主観評価結果記憶部と、前記アプリＧＵＩに使用されているＧＵＩ物理パラメータに対する計測値を蓄積したＧＵＩ物理パラメータ計測結果記憶部と、前記主観評価結果記憶部及びＧＵＩ物理パラメータ計測結果記憶部から読み出し、ＧＵＩ物理パラメータと主観評価項目との相関関係を分析して、主観評価項目と相関の高いＧＵＩ物理パラメータの組を選出した分析モデルを出力する相関関係分析部と、前記ＧＵＩ物理パラメータに対して前記分析モデルを適用して、主観評価結果を予測するアプリＧＵＩ評価部を備える。

また、下記非特許文献１は、Ｌｉｆｅ Ｓａｔｉｓｆａｃｔｉｏｎ Ａｐｐｒｏａｃｈ（ＬＳＡ）という非市場財評価手法を開示する。このＬＳＡは、アンケート調査から得られた主観的ウェルビーイングのモデルに基づいて、市場財と非市場財の要因に関する推定係数を算出し、非市場財に対する市場財の感度係数、すなわち限界支払意思額を計算する。

特開２０１３－８９０１８号公報

Frey, B. S., Luechinger, S., Stutzer, A. The life satisfaction approach to environmental valuation. CESifo Working Paper. 2009; 2836.

非特許文献１のＬＳＡは、第一のモデル（ＳＷＢ式）の多項式の２つの項の偏微分を算出するが、第二のモデルの客観的データを有しない。したがって、非特許文献１は、客観的データを基に、主観的データを算出する方法、すなわち、客観的データを基に主観的データを複数算出することや、それを最大化することで最善策を提示することについては考慮されていない。また、特許文献１は、客観的なＧＵＩの計測値に対して主観的なＧＵＩの評価値を算出しており、主観的な第一のモデルと客観的な第二のモデルが異なる場合における計測値と評価値を結び付ける方法は開示されていない。したがって、複数種類の計測値や評価値から算出される施策を求めることについては考慮されていない。

本発明は、主観的データと客観的データに基づく複数の価値に配慮した施策の選定の容易化を図ることを目的とする。

本願において開示される発明の一側面となる生成装置は、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する生成装置であって、前記プロセッサは、客観的な事象を示すデータに基づいて複数の価値を予測する第１モデルにより第１予測を実行し、前記第１予測による前記複数の価値の第１予測結果と、前記第１予測において前記第１モデルに用いられたパラメータ集合である施策と、を取得し、前記第１予測結果と前記施策とを関連付けた関連情報を生成し、前記客観的な事象に関連する対象者集合の各対象者に関する説明変数を取得し、前記説明変数に対応する前記各対象者に関する目的変数を取得し、前記説明変数と前記目的変数とに基づいて、前記目的変数の予測値を算出可能な第２モデルを生成し、前記関連情報から、特定の価値の特定の係数の選択を受け付け、前記特定の係数に基づいて前記第２モデルにより第２予測を実行し、前記第２予測によって予測された目的関数又は前記関連情報を出力する、ことを特徴とする。

本発明の代表的な実施の形態によれば、複数の価値に配慮した施策の選定の容易化を図ることができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。また、本明細書等における「第１」、「第２」等の表記は、構成要素を識別するために付するものであり、必ずしも、数又は順序を限定するものではない。

図１は、実施例１にかかる計算機システムの構成例を示すブロック図である。 図２は、実施例１にかかる計算処理手順例を示すフローチャートである。 図３は、主観的モデルの目的変数と説明変数とに関する表を示す説明図である。 図４は、三元グラフの一例を示す説明図である。 図５は、三元価値と目的関数の説明変数との関係を示す関係テーブルの一例を示す説明図である。 図６は、棒グラフの一例を示す説明図である。 図７は、三元グラフの更新例を示す説明図である。 図８は、三元グラフ、棒グラフおよび現状と仮説の対比情報の表示例を示す説明図である。 図９は、実施例２にかかる社会的インパクト評価に用いるロジックモデルを示す説明図である。 図１０は、客観的データのセットとロジックモデルのインプットとの関係を示す行列の一例を示す説明図である。 図１１は、計算結果例１を示す説明図である。 図１２は、計算結果例２を示す説明図である。 図１３は、実施例３にかかるポジティブ・コンピューティングに用いるニューラルネットワークモデルを示す説明図である。 図１４は、２人の囚人の行動と主観的な利得の関係を表す利得表モデルを示す説明図である。 図１５は、実施例６にかかる計算機システムの構成例を示すブロック図である。

＜主観的データと客観的データとの結合＞
まず、主観的データと客観的データとの結合について数式を用いて簡潔に説明する。主観的データとは、対象者集合の各個人の価値観によって決定された内容を示すデータであり、たとえば、アンケート調査の回答内容である。客観的データとは、一般的な指標によって規定された内容を示すデータであり、たとえば、環境や経済、社会現象のような対象者集合に関連する客観的な事象について実行されたシミュレーション結果である。

主観的データから計算される第２モデルである主観的モデルを下記式（１）に示す目的関数で規定する。下記式（１）において、ｙは目的変数、ｘ_ｉ（ｉ＝１，２，…）は説明変数である。主観的データ（ｙ，ｘ_ｉ）がアンケート調査の回答内容である場合、目的変数ｙが回答者の個人の価値観（たとえば、幸福度）であり、説明変数ｘ_ｉが回答者が選択する各選択項目（幸福度と相関性がある項目）である。

つぎに、客観的モデルから計算される客観的データの集合を下記式（２）で規定する。ここで、Ａは客観的データの集合、ａ_ｊｋ（ｊ＝１，２，…）は客観的データ、ｋは施策の施策番号である。客観的モデルとは、環境や経済、社会現象のような客観的な事象に基づいて複数の価値を予測する第１モデルであり、シミュレータやニューラルネットワークなどにより実現される。実施例１では、シミュレータが用いられる。

続いて、上記式（１）の主観的モデル（目的関数）の説明変数ｘ_ｉと客観的データａ_ｊｋとの関係式を下記式（３）で規定する。ここで、χ_ｉｋは施策番号ｋについて客観的データａ_ｊｋと関係づけられた説明変数である。

上記式（３）で表される主観的データ（ｙ，ｘ_ｉ）と客観的データａ_ｊｋとの関係を組み込んだ目的関数ｙは下記式（４）のように設定される。

目的変数ｙが所定の範囲となる場合として、たとえば、最適化する場合、上記式（１）の目的関数ｙは下記式（５）のように表現され、客観的データａ_ｊｋのセットは下記式（６）のように表される。ここで、ｍは所定の条件を満たす施策の施策番号、ｐ_ｎｍ（ｎ＝１，２，…）は客観的データａ_ｊｋのセットを計算する際のシミュレーションパラメータとする。客観的データやシミュレーションパラメータは、施策の内容を表すものである。

このように、主観的データ（ｙ，ｘ_ｉ）で表される価値観と客観的データａ_ｊｋで表される指標とを結合することにより、多元的な価値に配慮した施策と当該施策の内容とを提示することが可能になる。

なお、ここでは主観的データ（ｙ，ｘ_ｉ）における目的変数ｙの予測値の計算方法として、目的関数を上記式（１）および（４）に示したような主観的モデルとしたが、社会的インパクト評価のロジックモデル、ゲーム理論の利得表や状態遷移グラフモデル、選好関係を表す序数やグラフモデル、特徴量と目的変数をつなぐニューラルネットワークモデルなどでも同様の原理を適用することができる。

また、客観的データａ_ｊｋの計算方法としては、気象予測や環境設計などの数値シミュレーションや金融や交通などのエージェントシミュレーションの他、確率過程シミュレーションや離散事象シミュレーションなども含まれる。以下、各実施例を図面を用いて説明する。

＜計算機システムの構成例＞
図１は、実施例１にかかる計算機システムの構成例を示すブロック図である。計算機システム１００は、ネットワーク１７０を介して互いに接続されたコンピュータ１１０、データベース１８０、パーソナルコンピュータやスマートフォンのような個人デバイス１９０、センサ１９１により構成される。コンピュータ１１０は、プロセッサ１２０、メモリ１３０、ストレージ１４０、ユーザインターフェース１５０を有する生成装置である。コンピュータ１１０は、ネットワークインターフェース１６０を介してネットワーク１７０に接続され、データを送受信する。

プロセッサ１２０は、コンピュータ１１０を制御する。ストレージ１４０は、各種プログラムやデータを記憶する非一時的なまたは一時的な記録媒体である。ストレージ１４０としては、たとえば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）がある。

具体的には、ストレージ１４０は、主観的データ計算プログラム１３１、客観的データ計算プログラム１３２、データ関係付けプログラム１３３、データ結合プログラム１３４３、データ出力プログラム１３５や、個人デバイス１９０を介して収集された主観的データや客観的データを格納する。ユーザインターフェース１５０は、データを入出力する。ユーザインターフェース１５０としては、たとえば、キーボード、マウス、タッチパネル、テンキー、スキャナ、マイク、センサ、ディスプレイ、プリンタ、スピーカがある。ネットワークインターフェース１６０は、ネットワーク１７０と接続し、データを送受信する。

コンピュータ１１０では、ストレージ１４０に格納された主観的データ計算プログラム１３１、客観的データ計算プログラム１３２、データ関係付けプログラム１３３、データ結合計算プログラム１３４、データ出力プログラム１３５がメモリ１３０に読み出され、プロセッサ１２０により実行される。

これらのプログラムにより、上記式（１）、（４）、（５）に示した主観的モデルを生成して目的変数ｙと説明変数ｘ_ｉとの関係を示す変数を設定する処理（Ｓ１）、客観的モデルに基づいて客観的データａ_ｊｋを計算する処理（Ｓ２）、計算された客観的データａ_ｊｋを変数に関係づける処理（Ｓ３）、客観的データａ_ｊｋを上記式（１）、（４）、（５）に示した主観的モデルの変数に代入して主観的データ（ｙ，ｘ_ｉ）の予測値を計算する処理（Ｓ４）、計算された主観的データ（ｙ，ｘ_ｉ）の予測値や客観的データａ_ｊｋを出力する処理（Ｓ５）が実行され、Ｓ５の処理結果がユーザインターフェース１５０に表示される。

図２は、実施例１にかかる計算処理手順例を示すフローチャートである。まず、ステップ２２３（Ｓ１）の前処理として、ステップ２２２（Ｓ０１）では、コンピュータ１１０は、個人デバイス１９０から主観的データ（ｙ，ｘ_ｉ）を収集してストレージ１４０またはデータベース１８０に格納する。

ステップ２２３（Ｓ１）では、コンピュータ１１０は、主観的データ計算プログラム１３１によって、収集した主観的データ（ｙ，ｘ_ｉ）に基づいて、たとえば、線形回帰により、第２モデルである主観的モデルを生成する。

他方、ステップ２２５（Ｓ２）の前処理として、ステップ２２４（Ｓ０２）では、コンピュータ１１０は、センサ１９１から客観的な検出データを収集してストレージ１４０またはデータベース１８０に格納する。

ステップ２２５（Ｓ２）では、コンピュータ１１０は、客観的データ計算プログラム１３２によって収集された客観的な検出データを第１モデルである客観的モデルに入力し、シミュレーションパラメータである施策を設定して、客観的データａ_ｊｋのシミュレーションである第１予測を行う。

つぎに、ステップ２２７（Ｓ４）の前処理として、ステップ２２６（Ｓ３）では、コンピュータ１１０は、データ関係付けプログラム１３３によって、主観的データ（ｙ，ｘ_ｉ）と客観的データａ_ｊｋとに関する相関解析や学術的な知見に基づいて、主観的モデルの説明変数ｘ_ｉと客観的データａ_ｊｋとの関係の候補を、ユーザインターフェース１５０を介してユーザに提示する。ユーザは、提示されたこれらの候補の中から主観的モデルの説明変数ｘ_ｉと客観的データａ_ｊｋとの関係を選択する。

また、ステップ２２７（Ｓ４）では、コンピュータ１１０は、データ結合計算プログラム１３４によって、ステップ２２６（Ｓ３）でユーザが選択した主観的モデルの変数と客観的データａ_ｊｋとの関係に基づいて、ステップ２２５（Ｓ２）で算出された客観的データａ_ｊｋを、ステップ２２３（Ｓ１）で生成された主観的モデルの変数に代入する。この代入により、コンピュータ１１０は、目的変数ｙの予測値を計算する。

最後に、ステップ２２８（Ｓ５）では、コンピュータ１１０は、データ出力プログラム１３５によって、ステップ２２７（Ｓ３）で計算された目的変数ｙの予測値、客観的データａ_ｊｋおよびシミュレーションパラメータを、ユーザインターフェース１５０を介して出力する。なお、シミュレーションパラメータは、ステップ２２５（Ｓ２）でのシミュレーションの計算に用いられる値（施策）である。

付加的に、ステップ２２９（Ｓ６）では、ユーザは、ステップ２２８（Ｓ５）で出力された内容を評価する。必要に応じてステップ２２６（Ｓ３）では、ユーザは、主観的モデルの変数と客観的データａ_ｊｋとの関係を再度設定する。これにより、コンピュータ１１０は、再びステップ２２７（Ｓ４）とステップ２２８（Ｓ５）を繰り返し実行可能になる。

ここで、或る地域を例題として、上述した計算処理を具体的に説明する。まず、コンピュータ１１０は、対象者集合である約４００人の地域住民の個人デバイス１９０との通信により、当該地域住民に対して幸福、社会関係、風土、職業など関する約１７０項目のアンケート調査を実行する。

そして、コンピュータ１１０は、それら約１７０項目のうち、人間、社会、環境および経済の各々について、幸福度と有意な相関のある項目（有意水準ｐ＜０．０５）を２つずつ選び出し、図３の表３００に示すように幸福度を目的変数ｙ、選択した項目を説明変数ｘ_ｉに設定する。

図３は、主観的モデルの目的変数ｙと説明変数ｘ_ｉとに関する表３００を示す説明図である。コンピュータ１１０は、目的変数ｙおよび説明変数ｘ_ｉの各項目（幸福、人間１、人間２、社会１、社会２、環境１、環境２、経済１および経済２）における尺度の値を１に規格化する。コンピュータ１１０は、主観的データ計算プログラム１３１を用いて、主観的データ計算処理Ｓ１を実行し、線形回帰によって下記式（７）に示す目的関数である主観的モデルとして第２モデルを生成する。表３００の最下行に目的変数ｙおよび説明変数ｘ_ｉの平均値を示す。

つぎに、コンピュータ１１０は、地域における再生可能エネルギーの利用に関して、客観的データ計算プログラム１３２を用いて客観的データ計算処理Ｓ２を実行し、エージェントシミュレーションを行う。エージェントシミュレーションとは、一定のルールに基づいて、自律的に行動するエージェントの振る舞いや、それらの相互作用から現れる、複雑な社会現象をシミュレーションする既知技術である。エージェントとは、人間や生物の行動を上述した一定のルールとして模擬して自律的に振る舞う行動主体であり、具体的には、たとえば、人間や生物である。実施例１では、太陽光や水力による発電設備、送配電網、蓄電設備、電力会社、地域事業者、地域住民（消費者）をエージェントとする。

エージェントシミュレーションにより、シミュレーション結果として、たとえば、社会価値を示す域内経済循環率、環境価値を示す再生可能エネルギー利用率、および経済価値を示す電気エネルギーコスト比が算出される。

コンピュータ１１０は、上述したエージェントをモデル化し、センサ１９１から得られた日照量や水量などの検出データを用いつつ、各エージェントを表すシミュレーションパラメータの組み合わせである施策を変更することにより、客観的データａ_ｊｋの集合Ａである約２万通りのシミュレーション結果を第１予測結果として生成し、ストレージ１４０またはデータベース１８０に格納する。

コンピュータ１１０は、ストレージ１４０またはデータベース１８０に格納された約２万通りのシミュレーション結果を整理して、関連情報として三元グラフを生成する。

図４は、三元グラフの一例を示す説明図である。三元グラフ４００は、複数の価値（本例では社会価値、環境価値、経済価値）で規定された空間であり、それぞれの施策（各エージェントを表すシミュレーションパラメータの組み合わせ）に対応する社会価値（域内経済循環率）、環境価値（再生可能エネルギー利用率）、経済価値（電気エネルギーコスト比）の値のプロット４０１を有する。三元グラフ４００は、ユーザインターフェース１５０を介して表示可能に出力される。社会価値（域内経済循環率）、環境価値（再生可能エネルギー利用率）、および経済価値（電気エネルギーコスト比）を三元価値と称す。

続いて、コンピュータ１１０は、データ関係付けプログラム１３３を用いてデータ関係付け処理Ｓ３を実行し、客観的データａ_ｊｋである三元価値と目的関数の説明変数ｘ_ｉとの関係を、ユーザインターフェース１５０を介して表示可能に出力する。

図５は、三元価値と目的関数の説明変数ｘ_ｉとの関係を示す関係テーブルの一例を示す説明図である。関係テーブル５００は、説明変数ｘ_ｉに掛かる三元価値の各価値の係数を有する。「－」は係数が存在しないことを示す。この係数が、上述した主観的モデルの説明変数ｘ_ｉと客観的データａ_ｊｋとの関係である。

どの価値がどの説明変数と関係があるかについては、あらかじめ設定される。具体的には、たとえば、データ関係付け処理Ｓ３では、三元価値が社会価値の場合は、コンピュータ１１０は、社会価値と説明変数ｘ_３（社会１：地域住民への信頼）、ｘ_８（経済２：経済的豊かさ）の各々との関係について、係数５０１，５０２を設定する。三元価値が環境価値の場合は、コンピュータ１１０は、環境価値と説明変数ｘ_３（社会１：地域住民への信頼）、ｘ_４（社会２：地域への愛着）およびｘ_６（環境２：環境配慮への誇り）の各々との関係について、係数５０３～５０５を設定する。三元価値が経済価値の場合は、コンピュータ１１０は、経済価値と説明変数ｘ_８（経済２：経済的豊かさ）との関係について、係数５０６を設定する。

ここで、ｒ_ｏとｒをそれぞれ域内経済循環率の現状値とシミュレーション値、ｕ_ｏとｕをそれぞれ再生可能エネルギー利用率の現状値とシミュレーション値、ｃ_ｏとｃをそれぞれ電気エネルギーコストの現状値とシミュレーション値とする。現状値は、シミュレーション値の比較対象となる値であり、たとえば、実際に測定された値でもよく、シミュレーション結果に対応する特定の客観的な検出データの値を０または所定の定数として実行したシミュレーション値でもよい。特定の客観的データａ_ｊｋとは、たとえば、再生可能エネルギー利用率であれば、発電設備、送配電網、蓄電設備、電力会社に関する客観的な検出データの値を０または所定の定数に設定して実行されたシミュレーション結果が再生可能エネルギー利用率の現状値となる。

ユーザは、関係テーブル５００の中から三元価値と説明変数ｘ_ｉとの関係を示す係数を選択して仮説を立てる。たとえば、ユーザは、下記の三つの仮説Ａ～Ｃを立てたとする。

仮説Ａでは、経済価値（電気エネルギーコスト比）が経済２：経済的豊かさ（上記式（７）のｘ_８の項）に影響すると考え、ユーザは、関係テーブル５００から説明変数ｘ_８（経済２：経済的豊かさ）の係数５０６を選択したとする。これにより、コンピュータ１１０は、下記式（８）に示すように、主観的モデルである目的関数を修正する。

ここで、下記式（８）において、添え字のａｖはその説明変数ｘ_ｉａｖが説明変数ｘ_ｉの平均値であることを意味する。また、説明変数ｘ_８の係数である関係テーブル５００および下記式（８）の「０．０３７」という値は、電気料金が家計に占める割合である。

仮説Ｂは、仮説Ａに加えて、社会価値（域内経済循環率）が経済２：経済的豊かさ（式（７）のｘ_８の項）に影響するとともに、環境価値（再生可能エネルギー利用率）が環境２：環境配慮への誇り（式（７）のｘ_６の項）に影響すると考え、ユーザは、関係テーブル５００からさらに説明変数ｘ_８（経済２：経済的豊かさ）の係数５０２と説明変数ｘ_６（環境２：環境配慮への誇り）の係数５０５を選択したとする。これにより、コンピュータ１１０は、下記式（９）に示すように目的関数を修正する。

なお、現状の再生可能エネルギー利用率ｕ_ｏが０、および、その利用による域内経済循環率ｒ_ｏが０であることを考慮し、説明変数ｘ_６の項および説明変数ｘ_８の係数が、関係テーブル５００および下記式（９）において、分母が０にならないようデータ関係付けプログラム１３３により工夫されている。

仮説Ｃは、仮説Ｂに加えて、さらに社会価値（域内経済循環率）と環境価値（再生可能エネルギー利用率）が相互運用を通じて社会１：地域住民への信頼に影響するとともに、環境価値（再生可能エネルギー利用率）が社会２：地域への愛着に影響すると考え、ユーザは、関係テーブル５００からさらに説明変数ｘ_３（社会１：地域住民への信頼）の係数５０１、５０３と説明変数ｘ_４（社会２：地域への愛着）の係数５０４を選択したとする。これにより、コンピュータ１１０は、下記式（１０）に示すように目的関数を修正する。

このように、３つの仮説Ａ～Ｃにより、アンケート調査結果に基づく主観的モデルの説明変数ｘ_ｉと客観的データａ_ｊｋであるシミュレーション値が関係付けられる。コンピュータ１１０は、データ結合計算プログラム１３４を用いてデータ結合計算処理Ｓ３４を実行し、上記式（８）～（１０）に示したように、客観的データａ_ｊｋを主観的モデルに結合して、予測対象の説明変数を説明変数ｘ_iａｖに代入することにより、目的変数ｙである幸福度の予測値を計算する。そして、コンピュータ１１０は、仮説Ａ（式（８））、仮説Ｂ（式（９））、仮説Ｃ（式（１０）のそれぞれに対して、目的変数である幸福度ｙを最大化する場合の客観的データａ_ｊｋとそのシミュレーションパラメータと施策番号ｋを求める。

予測対象の説明変数は、図３に示した説明変数の平均値でもよく、個人デバイス１９０から新たに取得した説明変数ｘ_iでもよく、既存の説明変数ｘ_iでもよい。

ここでは、コンピュータ１１０は、データ出力プログラム１３５を用いてデータ出力処理Ｓ５を実行して棒グラフを作成し、三元グラフ４００を更新する。これにより、仮説Ａ～Ｃそれぞれの幸福度（目的変数ｙ）を最大化する施策（各エージェントを表すパラメータの組み合わせ）およびその価値が特定される。

図６は、棒グラフの一例を示す説明図である。棒グラフ６００は、現状と仮説Ａ～Ｃで選ばれた施策に対応する幸福度、社会価値（域内経済循環率）、環境価値（再生可能エネルギー利用率）、経済価値（電気エネルギーコスト比）を示す。図６によれば、仮説Ａ～Ｃの中で仮説Ｃが最も幸福度が最大化され、仮説Ｃの社会価値（域内経済循環率）、環境価値（再生可能エネルギー利用率）、および経済価値（電気エネルギーコスト比）を客観的データとして出力するような施策（各エージェントを表すパラメータの組み合わせ）が特定されることになる。

図７は、三元グラフ４００の更新例を示す説明図である。データ出力処理Ｓ５により、三元グラフ４００には、仮説Ａ～Ｃに対応する点７０１～７０３がプロットされる。

図８は、三元グラフ４００、棒グラフ６００および現状と仮説の対比情報の表示例を示す説明図である。三元グラフ４００、棒グラフ６００および現状と仮説の対比情報８０１は、ユーザインターフェース１５０を介して、ディスプレイ８００に表示される。

三元グラフ４００には、仮説Ａ～Ｃに対応する施策（各エージェントを表すパラメータの組み合わせ）と客観的データａ_ｊｋ（域内経済循環率、再生可能エネルギー利用率、電気エネルギーコスト比）が表示される。棒グラフ６００には、主観的データの目的変数ｙである幸福度と客観的データａ_ｊｋ（域内経済循環率、再生可能エネルギー利用率、電気エネルギーコスト比）が表示される。

現状と仮説の対比情報８０１には、幸福度とともに域内循環率、再生可能エネルギー利用率、エネルギーコスト比などのシミュレーション結果である客観的データａ_ｊｋ、それらのシミュレーションパラメータ（施策）である太陽光発電量および水力発電量が表示される。

ユーザがこれらの結果に対しての評価Ｓ６を行うと、仮説Ａでは、コスト比が仮説Ｂ、Ｃに比べて小さく、経済価値に重きを置いた施策が選択されていることがわかる。ただし、現状の幸福度０．７０２に対して仮説Ａの幸福度は０．７０４であるため、ほとんど向上していない。

仮説Ｂでは、仮説Ａよりも社会価値と環境価値が高い施策が選択されている。仮説Ｂの幸福度は０．７６８であるため、現状の幸福度０．７０２よりも向上していることがわかる。このことは、域内経済循環を高めることが、経済だけでなく、社会と環境に好影響を及ぼすことを示している。

仮説Ｃでは、仮説Ｂに対して社会価値、環境価値および経済価値がほぼ変わらないが、現状に対して幸福度が約１．４倍に向上していることがわかる。このことは、域内経済循環と再生可能エネルギー利用が地域住民への信頼を高めることができ、施策によって地域住民の信頼や社会関係資本を高めるような協同運営を行うことが幸福度の向上に大いに寄与することを示唆している。

以上説明したように、実施例１の計算機システム１００によれば、アンケート調査から得られた主観的モデルである目的関数と、エージェントシミュレーションから得られた客観的データａ_ｊｋである価値指標とを結合し、幸福度を向上させる施策の選択肢を具体的に提供することができる。これにより、多元的な価値を有する主観的データ（ｙ，ｘ_ｉ）と、多元的な価値を有する客観的データａ_ｊｋとを結合し、社会問題の解決を支援することが可能となる。

なお、実施例１では、コンピュータ１１０は、Ｓ１～Ｓ５の計算処理を順次実行したが、Ｓ１とＳ２の処理を並行して実行したり、Ｓ２をＳ１より先に実行したりしてもよい。ここでは扱いやすさのため幸福度に関する目的関数を線形回帰を用いて求めたが、幸福度の非線形性を考慮してロジスティック回帰や他の統計的回帰を用いてもよい。

また、コンピュータ１１０は、ユーザが設定した仮説Ａ～Ｃの仮説ごとに、目的変数ｙである幸福度を最大化する施策を求めたが、目的変数ｙや説明変数ｘ_ｉが所定の範囲となる条件の下で施策を求めることも可能である。そのような場合には、たとえば、図７における施策のプロットは、点ではなく、軌跡または分布として出力されることになる。

さらに、ここでは幸福度を目的変数ｙとしたが、アンケート調査の内容に応じてウェルビーイング、クオリティ・オブ・ライフ（ＱｏＬ）、生活満足度などに関する心理的測定尺度を目的変数ｙにしてもよく、社会関係資本、自然資本、文化資本などに関わる変数を目的変数ｙとしてもよい。場合によっては、複数の目的関数ｙを立てて、多目的最適化を行うことも可能である。また、実施例１では主観的データ（ｙ，ｘ_ｉ）をアンケート調査によって取得したが、他の方法により取得してもよい。

実施例２では、実施例１にロジックモデルを適用した例を示す。ロジックモデルは、主観的に決定した、人材、資金、製品、設備投資などの投入資源をインプット９０１、それらを用いた実際のアクティビティ９０２、それらが生む一次的なアウトプット９０３、それらがもたらすステークホルダにとってのアウトカム９０４、そしてそれらが社会、環境、経済に与えるインパクト９０５から成る有向グラフである。実施例２では、実施例１との相違点を中心に説明するため、実施例１と共通部分については説明を省略する。

図９は、実施例２にかかる社会的インパクト９０５評価に用いるロジックモデルを示す説明図である。ロジックモデル９００において、実線の矢印は、それらの間の互いの関係を示し、矢印の始点から終点への影響度が定量的、定性的、または主観的データに基づいて割り付けられている。

たとえば、障害者支援を例題にとると、対象者集合が障害者、ロジックモデル９００のインプットが職員、アドバイザ、教材、助成金申請であり、アクティビティ９０２が教育プログラム、教材改訂、セミナー開催であり、アウトプット９０３が情動改善、行動改善、支援拡大であり、アウトカム９０４が自己の確立、進路の拡大、社会保障であり、インパクト９０５が障害者の社会参加、社会的負担である。

客観的データａ_ｊｋのセット９１０（ａ_１，ａ_２，ａ_３，ａ_４，ａ_５，ａ_６、施策番号ｋは省略）は、ロジックモデル９００が対象とする社会問題に関して客観的モデルを立てることにより、様々な施策に関するシミュレーションを行った結果である。すなわち、客観的データａ_ｊｋのセット９１０は、実施例１のようなシミュレーション結果であり、実施例２では、そのようなシミュレーション結果をロジックモデル９００に入力する。

また、１つのセットが１つの施策に対応する。たとえば、上述した例題では、客観的データａ_ｊｋのセット９１０はシミュレーションパラメータによって変化する予算の調達と配分、人材の調達と配分、資材の調達と配分などに相当する。インプット９０１は主観的データの説明変数（ｘ_１，ｘ_２，ｘ_３，ｘ_４）とする。

図１０は、客観的データａ_ｊｋのセット９１０とロジックモデル９００のインプット９０１との関係を示す行列の一例を示す説明図である。行列１０００は、ディスプレイ８００に表示される。

行列１０００において、ｒ_ｉｊは、説明変数ｘ_ｉと客観的データａ_ｊとの関係を示す要素である。また、ｘ_ｉは、その行の要素ｒ_ｉｊを重みとする重み付き客観的データａ_ｊの線形和である。たとえば、ｘ_３の行には、要素ｒ_３３、ｒ_３５が存在するため、
ｘ_３＝ｒ_３３ａ_３＋ｒ_３５ａ_５
という線形変換になる。

図９に示した点線矢印は、図１０の行列１０００の線形変換に対応する。ユーザは、デフォルトで設定された行列１０００の要素ｒ_ｉｊをそのまま設定するか、ユーザ自身が要素ｒ_ｉｊの値を新たに設定してもよい。

客観的データａ_ｊｋのセット９１０をインプット９０１に代入すると、ロジックモデル９００に基づいてインパクト９０５であるＸ，Ｙが計算される。たとえば、上述した例題では、Ｘが障害者の社会参加、Ｙが社会的負担に相当する。様々な施策に対して同様の計算処理をコンピュータ１１０が実行すると、図１１および図１２に示すような計算結果が得られる。

図１１は、計算結果例１を示す説明図である。グラフ１１００における１つのプロットが１つの施策に対応する（図１２も同様）。図１１のグラフ１１００では、インパクト９０５（Ｘ，Ｙ）が逆相関を示す。すなわち、インパクト９０５（Ｘ，Ｙ）に対応する施策の間にトレードオフがあることを示す。このため、たとえば、ユーザは、インパクト９０５（Ｘ，Ｙ）をどのようにバランスさせるか（Ｘ：Ｙの比例式をどう設定するか）の判断に基づいて、図１１中のＸ：Ｙの直線上で最もＸ，Ｙの値が大きいプロット１１０１（黒丸の点）を選択する。

そして、コンピュータ１１０は、選択したプロット１１０１に対応する客観的データａ_ｊｋのセット９１０とシミュレーションパラメータとを特定することにより、ロジックモデル９００に対する最善な施策の内容が明らかになる。

図１２は、計算結果例２を示す説明図である。図１２は、たとえば、インパクト９０５Ｘ，ＹがａＸ＋ｂＹ≧ｃという制約条件を満たす施策を選択する場合を示す。この条件に基づいて、ユーザは、図１２中のＹ≧ｃ／ｂ―（ａ／ｂ）・Ｘという直線から上のプロットの分布１２００（複数の黒丸の点）を選択する。

コンピュータ１１０は、選択した分布１２００に対応する客観的データａ_ｊｋのセット９１０とシミュレーションパラメータとを特定することにより、ロジックモデル９００に対する最善な施策の内容が明らかになる。なお、コンピュータ１１０は、主観的データであるインパクト９０５（Ｘ，Ｙ）の条件式と同様に、客観的データａ_ｊｋやシミュレーションパラメータを数式や数値の範囲で示してもよい。

実施例２によれば、主観的データ（ｙ，ｘ_ｉ）に基づいて作成されたロジックモデル９００に対して、実施例１で示したような様々な施策に関するシミュレーションから得られた客観的データａ_ｊｋを結合することで、社会的インパクト９０５を向上させる施策を選択することができる。

なお、実施例２で示したようなロジックモデル９００は、複数のインパクト９０５を目的変数ｙとし、アクティビティ９０２からアウトカム９０４までを説明変数ｘ_ｉとする多目的関数と見なすことができる。すなわち、実施例１の目的関数と実施例２のロジックモデル９００はモデルの形式が異なるものの、基本構成は共通する。また、実施例２では、客観的データａ_ｊｋのセット９１０がインプット９０１だけに関係づけられていたが、アクティビティ９０２やアウトプット９０３などにも関係づけられてもよい。

実施例３では、実施例１にポジティブ・コンピューティングを適用した例を示す。ポジティブ・コンピューティングとは、ポジティブ心理学に基づいてウェルビーイングを向上するためのテクノロジーを意味する。実施例３では、実施例１との相違点を中心に説明するため、実施例１と共通部分については説明を省略する。

図１３は、実施例３にかかるポジティブ・コンピューティングに用いるニューラルネットワークモデルを示す説明図である。ニューラルネットワークモデル１３００は、入力層１３０１と出力層１３０２をネットワークで結合した数理モデルであり、出力層１３０２を目的変数ｙ、入力層１３０１を説明変数ｘ_ｉとする非線形な多目的関数である。

ここでは、社会的ジレンマ問題を対象に選び、入力層１３０１を便益、コスト、リスク、責任帰属、社会規範、対処有効性、実現可能性に関連する特徴量とする。出力層１３０２を、主観的データ（ｙ，ｘ_ｉ）であるウェルビーイング因子のうち、快楽、報酬などの個人的因子Ｘと共感、利他性などの社会的因子Ｙとする。ニューラルネットワークモデル１３００は、様々な心理学実験のメタアナリシスに基づいて学習された学習モデルである。

客観的データａ_ｊｋのセット１３１０は、社会的ジレンマ問題に関する環境行動デザインやメカニズムデザインなどに基づいて客観的モデルを立て、様々な施策のデザインを行ったシミュレーション結果である。施策には、たとえば、ナッジ、アフォーダンス、仕掛け、ゲームフォームなどのアプローチが適用され、個人の心理や行動の変容が促される。

客観的データａ_ｊｋのセット１３１０とニューラルネットワークモデル１３００の入力層１３０１の特徴量との関係は、たとえば、実施例２と同様に行列でユーザにより設定される。図１３の破線矢印は、客観的データａ_ｊｋのセット１３１０からニューラルネットワークモデル１３００の入力層１３０１の特徴量への影響関係を示す。

客観的データａ_ｊｋのセット１３１０の設定値をニューラルネットワークモデル１３００の入力層１３０１に与えると、出力層１３０２では個人的因子Ｘと社会的因子Ｙの値が計算される。ユーザである施策立案者は、様々な施策のデザインに対して同様の計算処理を実行することにより、施策が個人的因子Ｘと社会的因子Ｙに与える影響を比較することができる。

社会的ジレンマを解消するためには、単純に社会的因子Ｙが最大となる施策を選択すれば良いということではなく、個人的因子Ｘと社会的因子Ｙとの両立を考えて施策を選択することが求められる。施策に対応する特徴量や環境行動デザインやメカニズムデザインを併せて表示することにより、施策同士を比較し、社会的ジレンマ問題に関するデザインの改良に結びつけることが可能になる。

実施例３によれば、主観的データ（ｙ，ｘ_ｉ）に基づいて作成された心理的なニューラルネットワークモデル１３００対して、環境行動デザインやメカニズムデザインなどに基づいた客観的データａ_ｊｋを結合することで、社会的ジレンマを解消するための様々な施策を検討することができる。

実施例４では、実施例１に合意形成における主観的な選好関係モデルを適用した例を示す。実施例４では、実施例１との相違点を中心に説明するため、実施例１と共通部分については説明を省略する。

実施例４では、簡単のため、或る施策の初期案における４つの価値（ａ_ｏ，ｂ_ｏ，ｃ_ｏ，ｄ_ｏ）の優先順序に関する３人（Ａ、Ｂ、Ｃ）の選好関係を取り上げる。たとえば、はじめに３人の選好関係モデルが下記式（１１）のように表されるとする。

つぎに、初期案に対して客観的モデルに基づいて様々な条件の下でシミュレーションを行うことにより、それぞれの条件に対して客観的データａ_ｊｋのセット（ｕ_１，ｕ_２，・・・）が得られ、それらと４つの価値との関係式が、ユーザ、たとえば、ここでは合意形成のファシリテータによって下記式（１２）のように設定される。

こうして、施策の初期案に対して条件を変えた場合の４つの価値（ａ，ｂ，ｃ，ｄ）が得られるとする。すなわち、４つの価値をａ_ｏ→ａ、ｂ_ｏ→ｂ、ｃ_ｏ→ｃ、ｄ_ｏ→ｄのように置換し、ファシリテータがそれらをＡ、Ｂ、Ｃの３人に提示することにより選好関係を変えていくことができる。たとえば、或る条件ｍのセット（ａ_ｍ，ｂ_ｍ，ｃ_ｍ，ｄ_ｍ）に対して、Ａ、Ｂ、Ｃの３人の選好関係が下記式（１３）に示すように一致したとする。

上記式（１１）と上記式（１３）を比較すると、ＡとＢでは初期案に対する選好関係から条件ｍの選好関係に至るには１回の順序入替え、Ｃでは２回の順序入替えが起きたことになる。すなわち、客観的データａ_ｊｋによる４つの価値（ａ，ｂ，ｃ，ｄ）の転換により、３人が合意に至ったことになる。

ファシリテータは、３人の初期の選好関係に対してなるべく順序の入替え回数を少なくできる一致選好関係を想定しつつ、様々な施策の中から４つの価値を転換した施策、ここでは、（ａ_ｍ，ｂ_ｍ，ｃ_ｍ，ｄ_ｍ）を提示すればよい。

実施例４によれば、合意形成プロセスにおける主観的な選好関係モデルに対して客観的データに基づいて選好関係の転換を行うことで、合意形成を支援することができる。なお、実施例４で示したような選好関係は目的関数の形式ではないものの、合意形成は、選好関係の入替えによって、一致する選好関係を探索するという目的を持った離散最適化問題の一つとして捉えられる。すなわち、明示的な関数形を持つ問題だけでなく、主観が関わる様々な問題に実施例１を適用することができる。

実施例５では、実施例１に囚人のジレンマを適用した例を示す。囚人のジレンマとは、互いに協力する方が良いことが分かっていても、非協力者が利益を得る状況では互いに協力しなくなるというジレンマであり、環境問題や共有資源管理などの様々な社会問題の典型である。実施例５では、基本的な２人の囚人のジレンマについて説明する。また、実施例５では、実施例１との相違点を中心に説明するため、実施例１と共通部分については説明を省略する。

図１４は、２人の囚人Ａ、Ｂの行動と主観的な利得の関係を表す利得表モデルを示す説明図である。利得表モデル１４００は、コンピュータ１１０に読み取り可能なデータである。利得表モデル１４００において、ＲはＲｅｗａｒｄ（協力の報酬）、ＳはＳｕｋｅｒ（お人好し）、ＴはＴｅｍｐｔａｔｉｏｎ（非協力の誘惑）、ＰはＰｕｎｉｓｈｍｅｎｔ（非協力の懲罰）である。右下の２×２のセルにおいて、左側の２つのセルの（Ｒ_ｏ，Ｒ_ｏ）、（Ｔ_ｏ，Ｓ_ｏ）がＡの利得、右側の２つのセルの（Ｓ_ｏ，Ｔ_ｏ）、（Ｐ_ｏ，Ｐ_ｏ）がＢの利得を示す。４つの利得の間にはＴ_ｏ＞Ｒ_ｏ＞Ｐ_ｏ＞Ｓ_ｏおよび２×Ｒ_ｏ＞（Ｓ_ｏ＋Ｔ_ｏ）という関係が成り立っている。

ジレンマを解消するためには、コンピュータ１１０は、何らかの施策に基づく客観的データａ_ｊｋを主観的な利得に関係づけることによってＴ_ｏ→Ｔ、Ｒ_ｏ→Ｒ、Ｐ_ｏ→Ｐ、Ｓ_ｏ→Ｓに置換する。様々な施策に関する客観的データａ_ｊｋを（ｖ_１，ｖ_２，・・・）として、ユーザ、たとえば、ここでは施策立案者によって客観的データａ_ｊｋと４つの利得との関係が下記式（１４）のように設定される。

施策立案者は、様々な施策の中から、たとえば、利得の関係をＴ＜ＲまたはＰ＜Ｓに変えられる施策を選択し、互いに協力することが両者の利益になるように導いていけばよい。たとえば、比較制度分析では、共同体規範に基づく将来利益や社会的排除による損失を導入することでコモンズの悲劇が回避可能であるが、このアプローチを主観的な利得に対する施策に応用することができる。

実施例５によれば、コンピュータ１１０は、主観的なジレンマを扱う利得表モデル１４００と、何らかの施策に基づく客観的データａ_ｊｋを結合することで、囚人のジレンマの解消を促し、社会問題の解決を支援することができる。なお、実施例５で示したような利得表は関数形式で示されていないものの、利得間の関係を入れ替えるという目的を持った問題として捉え直せば、或る制約条件下での連立不等式問題であり、本発明の基本要件に沿うものである。

また、実施例５で示した方法は、囚人のジレンマだけでなく、集団意思決定問題におけるコンフリクト解消のためのグラフモデル（ＧＭＣＲ）にも適用することができる。ＧＭＣＲでは、利得表に基づいた状態遷移グラフによって合理分析、効率分析、提携分析などを行っている。ＧＭＣＲにおいて主体の利得や選好に介入することで状態遷移グラフを変えることにより、集団意思決定を協力的な合意へ導くことができる。

実施例６は、実施例１～実施例５の計算機システム１００の分散処理例を示す。また、実施例６では、実施例１～実施例５との相違点を中心に説明するため、実施例１と共通部分については説明を省略する。

図１５は、実施例６にかかる計算機システムの構成例を示すブロック図である。計算機システム１５００は、ネットワーク１５２０を介して接続されたコンピュータ１５０１～１５０８、それらにそれぞれ接続されたディスプレイ１５１１～１５１８、データベース１５３０などから成る。コンピュータ１５０１～１５０８では、それぞれ主観的データ収集処理、主観的データ計算処理、客観的データ収集処理、客観的データ計算処理、データ関係付け処理、データ結合処理、データ出力処理、評価処理が分散して実行される。

実施例６では、図２に示した処理の並列実行が可能である。また、データベース１５３０を共有しながら、コンピュータ１５０１～１５０８は並列実行してもよい。いずれかのコンピュータをサーバ、他のコンピュータをクライアントとして分散処理を行うことも可能である。実施例６によれば、社会問題を解決するための施策を検討するうえで作業効率を向上することができる。

このように、上述した実施例１～実施例６によれば、複数の価値を有する主観的データと、複数の施策や状況に関する客観的データと、を結合することができる。これにより、複数の価値に配慮した施策の選定の容易化を図ることができ、社会問題の解決を支援することが可能となる。

なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。たとえば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、または置換をしてもよい。

また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、たとえば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサがそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。

各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）カード、ＳＤカード、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）の記録媒体に格納することができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。

Claims (11)

1. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する生成装置であって、
   前記プロセッサは、
   客観的な事象を示すデータに基づいて複数の価値を予測する第１モデルにより第１予測を実行し、
   前記第１予測による前記複数の価値の第１予測結果と、前記第１予測において前記第１モデルに用いられたパラメータ集合である施策と、を取得し、
   前記第１予測結果と前記施策とを関連付けた関連情報を生成し、
   前記客観的な事象に関連する対象者集合の各対象者に関する説明変数を取得し、
   前記説明変数に対応する前記各対象者に関する目的変数を取得し、
   前記説明変数と前記目的変数とに基づいて、前記目的変数の予測値を算出可能な第２モデルを生成し、
   前記関連情報から、特定の価値の特定の係数の選択を受け付け、
   前記特定の係数に基づいて前記第２モデルにより第２予測を実行し、
   前記第２予測によって予測された目的関数又は前記関連情報を出力する、
   ことを特徴とする生成装置。
2. 請求項１に記載の生成装置であって、
   前記関連情報は、前記複数の価値で規定された空間内における前記第１予測の前記施策の分布を示す情報である、
   ことを特徴とする生成装置。
3. 請求項１に記載の生成装置であって、
   前記プロセッサは、
   前記説明変数を取得し、
   前記複数の価値の各々について、前記第１予測結果と前記第１予測結果の比較対象となる比較値とを取得し、
   前記複数の価値の各々について、前記第１予測結果および前記比較値に基づいて、前記価値と前記説明変数との関係を示す前記係数を前記関連情報として生成する、
   ことを特徴とする生成装置。
4. 請求項３に記載の生成装置であって、
   前記プロセッサは、
   前記特定の係数に基づいて前記第２モデルを修正する、
   ことを特徴とする生成装置。
5. 請求項４に記載の生成装置であって、
   前記プロセッサは、
   前記特定の係数の選択を、前記目的変数の予測に関する仮説ごとに受け付け、
   前記仮説ごとに、前記特定の係数に基づいて前記第２モデルを修正する、
   ことを特徴とする生成装置。
6. 請求項４に記載の生成装置であって、
   前記プロセッサは、
   修正後の第２モデルに予測対象の説明変数を入力することにより、前記目的変数の予測値を算出し、
   前記目的変数の予測値を出力する、
   ことを特徴とする生成装置。
7. 請求項６に記載の生成装置であって、
   前記目的変数の予測値とともに前記複数の価値の第１予測結果を出力する、
   ことを特徴とする生成装置。
8. 請求項５に記載の生成装置であって、
   前記プロセッサは、
   前記仮説ごとの修正後の第２モデルに予測対象の説明変数を入力することにより、前記目的変数の予測値を前記仮説ごとに算出し、
   前記目的変数の予測値を前記仮説ごとに出力する、
   ことを特徴とする生成装置。
9. 請求項８に記載の生成装置であって、
   前記プロセッサは、
   前記目的変数の予測値とともに前記複数の価値の第１予測結果を前記仮説ごとに出力する、
   ことを特徴とする生成装置。
10. 請求項９に記載の生成装置であって、
    前記プロセッサは、
    前記目的変数の予測値が最大となる仮説の前記第１予測結果を前記第１モデルが出力したときの前記施策を特定する、
    ことを特徴とする生成装置。
11. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する生成装置による生成方法であって、
    前記プロセッサは、
    客観的な事象を示すデータに基づいて複数の価値を予測する第１モデルにより第１予測を実行し、
    前記第１予測による前記複数の価値の第１予測結果と、前記第１予測において前記第１モデルに用いられたパラメータ集合である施策と、を取得し、
    前記第１予測結果と前記施策とを関連付けた関連情報を生成し、
    前記客観的な事象に関連する対象者集合の各対象者に関する説明変数を取得し、
    前記説明変数に対応する前記各対象者に関する目的変数を取得し、
    前記説明変数と前記目的変数とに基づいて、前記目的変数の予測値を算出可能な第２モデルを生成し、
    前記関連情報から、特定の価値の特定の係数の選択を受け付け、
    前記特定の係数に基づいて前記第２モデルにより第２予測を実行し、
    前記第２予測によって予測された目的関数又は前記関連情報を出力する、
    ことを特徴とする生成方法。

Images