| Project/Area Number |
21K01399
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 07010:Economic theory-related
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
神取 道宏 東京大学, 大学院経済学研究科(経済学部), 教授 (10242132)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2024: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2023: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2022: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2021: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
|
|---|
| Keywords | ゲーム理論 / 学習 / 行動経済学 / 実験経済学 / 機械学習 / 競争市場 / 制度設計 / 調整過程 / くり返しゲーム / 協調 |
|---|
| Outline of Research at the Start |
社会にとって望ましい結果をもたらす「協調的な行動」は、それを実行する個人には金銭的・心理的負担をもたらす一方で、その成果の一部しか実行する個人には帰ってこない。したがって、協調を達成するなんらかの「仕組み」を作らなければ、社会にとって望ましい結果は得られない。これは、経済学のみならず社会科学や生物学・計算機科学におよぶ重要な基本問題である。本研究は、研究代表者がこれまで達成してきた研究成果をさらに発展させることにより、協調の達成のメカニズムを、理論研究と詳細な実証分析の両面で行う。
|
| Outline of Annual Research Achievements |
人間の認知のくせや行動のパターンを、大規模データから機械学習の手法を使って抽出するプロジェクトにおいて新たな進展があった。これまで、経済学が想定してきた「合理的行動」「均衡行動」から実際の人間の行動がシステマティックにずれることが、行動経済学において研究されてきたが、そこでは「扱いやすく、簡潔な」モデルづくりがもっぱら行われてきた。これに対し、近年目覚ましい進歩を上げているAI技術、なかんずくディープ・ラーニングをふくむ機械学習は、ビッグデータをつかってデータに潜む規則性を発見する強力な手法を提供している。このことに注目し、従来の経済実験データよりも一桁多いデータを用い、人間行動のパターンを機械学習で抽出することに成功していたが、それがとらえたものを解読し、伝統的な学習モデルを改善することに成功した。改善されたモデルは機械学習モデルの予測力の９０％以上をとらえるものとなっている。
また、「離散的な財の配分の一般理論の構築」と「人工知能をつかった最適制度の設計」という新たな課題に関しても研究を進めた。伝統的な経済理論は財の数が連続的に変化できるものとして、微積分などの手法を使って分析を行ってきたが、現実の大部分の財の数は1個、2個、…という離散的な値しかとらない。こうしたより現実的なケースを分析するために、離散凸解析などの手法を取って競争的な市場の機能を解明する研究に着手した。また、最適な制度の設計はこれまで研究者のひらめきによって進められてきたが、現実の要請に答えるためには解析的な解が求めがたい複雑な設計問題を解く必要がある。そうした問題を解決するために、計算機科学や人工知能の技術を使って制度を設計する研究に着手した。両プロジェクトとも、暫定的な興味深い結果が得られている。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
独自に集めた大規模データに、多数のパラメタを持つ機械学習モデルを集めて人間行動の隠されたパターンを抽出することに成功していたところ、今年度においてはその解読に成功した。機械学習モデルとくに深層学習モデルは複雑なネットワーク構造を持ち、そこでのパラメタはネットワークの分枝につけられた重みであるため、それが何を意味するかは直ちに明らかではない。機械学習モデルは大規模データをつかって高い予測力を上げることができるももの、それは一種のブラックボックスなのである。本年度においては、以前に得られた高い予測力を持つ機械学習モデルを解読することを進め、その予測力の９０％以上を再現する簡潔なモデルの作成に成功した。これは、人々がゲームにおいて取るべき戦略をどう学習するかを表現する伝統的なモデル（EWA）を、人々が自らの行動を読まれないようにすることが必要な状況でも使えるように改善するもので、Mixing EWAと呼ぶ。これはまた、「大規模データを収集し、機械学習を使って今まで知られていなかった人間行動のパターンを抽出し、それを解読して伝統的なモデルを改善する」という、新しい研究のパラダイムを提案するものにもなっている。
|
| Strategy for Future Research Activity |
大規模データから人間の行動パターンを抽出するプロジェクトについては、国際学会や研究会での発表を行うとともに、最終成果をまとめた論文を査読付き国際学術雑誌に投稿する。これは、経済実験でえられたデータを使ったものであるが、そこで得られた知見を基に、実験室を離れた現実のデータを使って人間行動がどの程度予測できるかを研究する。具体的には、機械学習やわれわれが得た Mixing EWA の考え方を使って、プロテニス選手のサーブの方向がどの程度予測できるかを明らかにしたい。そのもとになる、テニスサーブにかんする大規模データは、海外の研究者の協力によりすでに入手済みである。
つぎに、離散財に関する資源配分の研究については、市場価格が最適配分において果たす役割を、離散財の場合で再検討する。とくに、競争均衡価格の存在や、効率的配分に付随するシャドウ・プライスの存在を示す厚生経済学の第2基本定理が、財が離散的な場合にどのように拡張されるかを検討してゆきたい。
また、計算機や人工知能の技術を制度設計に応用するにあたり、どのような技術が使えるのか、その手法に改善の余地がないか、またいくつかの具体的な制度設計上の難問にこの手法を試みて、本研究課題が終了したのちにさらに進める研究の基盤となる知見を得ることを目的とする。
|
