Home / 非線形効用理論とは | 人間の価値判断とリスク選好を数理的に表現する方法

非線形効用理論とは | 人間の価値判断とリスク選好を数理的に表現する方法

非線形効用理論（Nonlinear Utility Theory）は、ある対象の数量や性能が変化したとき、人間が感じる価値や満足度が必ずしも比例して変化するわけではないという考え方を、数学的な関数によって表現するものです。意思決定理論、経済学、多基準意思決定分析（MCDA）、投資評価、製品開発、経営戦略など、幅広い分野に関係しています。

例えば、駅から徒歩5分の住宅と10分の住宅では利便性に大きな違いを感じても、徒歩25分と30分の住宅では、その違いをあまり重視しない人がいるかもしれません。また、製品の性能が一定水準に達するまでは改善の価値が大きくても、それを超えると性能向上の価値が小さくなる場合があります。

こうした現象は、数値の変化と人間が感じる価値の変化が、必ずしも同じ割合にならないことを示しています。

一般的な意思決定マトリクスでは、各評価基準を0～10点などで数値化し、それぞれの得点に重みを掛けて総合評価を計算します。しかし、評価対象の特性値と価値との関係が非線形であれば、単純な比例尺度では判断者の選好を適切に表現できない可能性があります。

非線形効用関数は、このような問題に対応するための方法です。

ただし、厳密には「非線形効用理論」という名称の単一の独立した理論体系があるわけではありません。確実な結果に対する価値関数、不確実な結果に対する効用関数、複数属性の相互作用を扱う多属性効用理論など、関連する複数の理論と方法があります。

重要なのは、数値として測定できる特性と、その特性を人間がどのように評価するかを区別し、両者の関係を明示的な数学的モデルとして表現することです。

価値関数と効用関数の違い

非線形効用を理解するためには、まず価値関数（Value Function）と効用関数（Utility Function）を区別する必要があります。

両者は実務上、ほぼ同じ意味で使われる場合もありますが、意思決定理論では異なる役割を持ちます。

価値関数は、主として確実な結果に対する選好を表現します。例えば、住宅の通勤時間、製品性能、開発期間などについて、それぞれの特性値がどの程度望ましいかを数値で表します。

一方、効用関数は、不確実な結果を含む選択に対する選好を表現するために利用されます。例えば、確実に一定の利益が得られる投資と、高い利益を得られる可能性がある一方で損失の危険もある投資を比較する場合です。

比較項目価値関数効用関数
主な対象確実な結果の評価不確実な結果を含む選択
代表的な理論多属性価値理論（MAVT）期待効用理論・多属性効用理論（MAUT）
主な役割特性値を価値に変換する結果とリスクに対する選好を表す
例製品性能と満足度の関係利益の大きさとリスク回避の関係

確実な結果の順位を表現するだけなら、価値関数に単調増加変換を適用しても、その順位は変わりません。一方、期待効用理論における効用関数は、一定の公理を満たす選好に対して、正のアフィン変換の範囲で同じ期待効用判断を表します。

また、多基準評価で複数の価値関数を統合する場合には、それぞれの関数の尺度や重みとの整合性が必要です。個別の関数を自由に変換してよいわけではありません。

この違いを理解しておくことは、非線形評価モデルを正しく利用するために重要です。

なぜ価値と特性値は比例しないのか

ある製品の性能が2倍になったからといって、その製品の価値が必ず2倍になるとは限りません。

例えば、コンピュータの処理速度が遅すぎて業務に支障がある場合、性能を改善することには大きな価値があります。しかし、すでに十分な速度が得られている場合には、さらに性能を向上させても、利用者が感じる価値はわずかかもしれません。

同じことは、住宅の広さ、交通の利便性、製品の耐久性、設備の生産能力などにも当てはまります。

こうした関係を表現するため、非線形な価値関数が利用されます。

最も単純な例として、0～1の範囲に正規化された特性値xについて、次の関数を考えます。

v(x) = x^α

ここで、αは曲線の形を決めるパラメータです。

αが1の場合、価値は特性値に比例します。

v(x) = x

αが1より小さい場合には、初期の改善による価値の増加が大きく、その後の増加が緩やかになる形になります。

例えば、

v(x) = √x

です。

αが1より大きい場合には、初期の改善による価値は小さく、特性値が高い水準に達すると価値が大きく増加します。

例えば、

v(x) = x²

です。

3つの関数を比較すると、次のようになります。

特性値 x線形 x√xx²
0.000.0000.0000.000
0.250.2500.5000.063
0.500.5000.7070.250
0.750.7500.8660.563
1.001.0001.0001.000

例えば、性能が25%の水準に達した時点で価値の50%が得られると考えるなら、平方根型の関数が一つの候補になります。

一方、性能が高い水準に達して初めて大きな価値が生まれる場合には、二乗型の関数が適する可能性があります。

ただし、これらはあくまでも関数形の例です。実際の評価でどの関数が適切かは、判断者の選好や利用状況によって決まります。

代表的な非線形価値関数

非線形な価値関数には、さまざまな形があります。

逓減型の価値関数

逓減型（Diminishing Returns）は、特性値が改善するほど、追加的な改善から得られる価値が小さくなる関係です。

例えば、住宅の広さが20㎡から40㎡になることには大きな価値があっても、100㎡から120㎡になることにはそれほど大きな価値を感じない場合があります。

平方根関数や対数関数などを利用して表現できます。

逓増型の価値関数

逓増型（Increasing Returns）は、特性値が高い水準になるほど、追加的な改善の価値が大きくなる関係です。

例えば、ある部品の耐熱性能が一定水準に近づくと、これまで利用できなかった高温工程に適用できるようになる場合があります。

このような関係を、二乗関数などの凸関数で近似することが考えられます。

ただし、実際に特定の温度を超えたときだけ使用可能になる場合には、連続的な逓増関数よりも、閾値を持つ関数や必須条件として表現する方が適切かもしれません。

S字型の価値関数

S字型（Sigmoid）関数は、初期には価値の増加が緩やかで、中間の領域で急激に増加し、その後は飽和する形です。

例えば、製品の精度が一定水準に達するまでは用途が限られ、実用水準に近づくと急速に価値が高まり、十分な精度が得られた後は改善の価値が小さくなる場合があります。

ロジスティック関数などを利用して、このような関係を表現できます。

閾値型の価値関数

閾値型（Threshold Function）は、ある特性値が一定水準を超えると価値が大きく変化する関係です。

例えば、製品が特定の安全基準に適合しなければ販売できない場合、その基準を満たすことは他の性能向上とは性質が異なります。

ただし、法令上の必須条件などについては、価値関数に大きな段差を設定するよりも、満たさなければ選択できない制約として扱う方が適切な場合があります。

非線形価値関数を導入するときには、曲線の形だけでなく、その関数がどのような判断を表現しているかを理解することが重要です。

非線形効用とリスク選好

非線形効用関数は、不確実な結果に対する人間の判断を表現する際にも重要です。

例えば、次の2つの選択肢を考えてみましょう。

選択肢A： 確実に50万円を受け取る。

選択肢B： 50%の確率で100万円を受け取り、50%の確率で何も受け取らない。

どちらも期待金額は50万円です。

しかし、人によっては確実に50万円を受け取れる選択肢Aを好み、別の人は選択肢Bを選ぶかもしれません。

この違いは、金額そのものではなく、金額に対する効用の形によって説明できます。

例えば、受け取る金額xを0～100万円の範囲で表し、次の効用関数を仮定します。

u(x) = √(x / 100)

この関数では、100万円の効用が1、0万円の効用が0です。

選択肢Aの効用は、

u(50) = √0.5 ≈ 0.707

となります。

一方、選択肢Bの期待効用は、

EU(B) = 0.5 × u(100) + 0.5 × u(0)

= 0.5 × 1 + 0.5 × 0

= 0.5

です。

したがって、この効用関数を持つ判断者は、選択肢Aを好みます。

このように、効用関数が凹型である場合には、一般にリスク回避的な選好を表現できます。

反対に、効用関数が凸型であれば、一定の条件の下でリスク選好的な判断を表現できます。

効用関数が線形であれば、金額の期待値が同じ選択肢を同等と評価するリスク中立的な判断になります。

ここで重要なのは、期待効用の計算自体は確率による加重和であるということです。

EU = Σ pᵢu(xᵢ)

非線形なのは、金額xと効用u(x)の関係です。

期待金額を最大にすることと、期待効用を最大にすることは、同じではありません。

なお、この例は効用関数の形を説明するための仮定であり、人間が一般的にこの平方根関数に従って判断するという意味ではありません。

確実性等価とリスクプレミアム

効用理論では、不確実な選択肢と同じ効用を持つ確実な結果を、確実性等価（Certainty Equivalent：CE）と呼びます。

先ほどの例では、選択肢Bの期待効用は0.5でした。

効用関数が、

u(x) = √(x / 100)

であるため、

u(CE) = 0.5

を満たす金額を求めると、

CE = 25万円

になります。

つまり、この効用関数を持つ判断者は、50%の確率で100万円を受け取る選択肢を、確実に25万円を受け取ることと同じ効用として評価します。

期待金額は50万円なので、その差である25万円は、この例におけるリスクプレミアムです。

リスクプレミアム = 期待金額 − 確実性等価

リスクプレミアムは、判断者が不確実性を避けるためにどの程度の価値を犠牲にしてもよいと考えるかを表す指標です。

ただし、実際のリスク選好は、判断者の資産状況、損失への耐性、意思決定の目的などによって変わります。

特定の状況から推定した効用関数が、あらゆる金額や意思決定にそのまま適用できるわけではありません。

期待効用理論とプロスペクト理論

期待効用理論は、不確実な結果に対する合理的な選択を分析するための基本的な枠組みです。

フォン・ノイマンとモルゲンシュテルンによる期待効用理論は、一定の公理を満たす選好を効用関数によって表現できることを示しました。

しかし、現実の人間の判断は、必ずしも期待効用理論の予測に従うわけではありません。

この問題に対して、ダニエル・カーネマンとエイモス・トベルスキーは1979年にプロスペクト理論（Prospect Theory）を提案しました。

プロスペクト理論では、人間が結果を最終的な資産水準だけで評価するのではなく、ある参照点（Reference Point）からの利益や損失として評価することを重視します。

また、利益の領域では凹型、損失の領域では凸型の価値関数を想定し、損失を同じ大きさの利益よりも強く評価する損失回避（Loss Aversion）を説明します。

さらに、客観的な確率がそのまま意思決定上の重みになるとは限らないことも扱います。

ただし、プロスペクト理論は、古典的な期待効用理論の単なる非線形化ではありません。参照点依存性、損失回避、確率に対する判断の歪みなど、異なる考え方を導入した行動意思決定理論です。

また、プロスペクト理論は主として人間が実際にどのように判断するかを説明するための記述的モデルであり、すべての判断で採用すべき規範的な意思決定方法を示すものではありません。

多属性価値理論と多属性効用理論

現実の意思決定では、評価基準が一つだけとは限りません。

例えば、新しい研究開発テーマを評価する場合、技術的実現可能性、市場性、開発コスト、戦略的重要性など、複数の基準を考慮します。

多属性価値理論（Multi-Attribute Value Theory：MAVT）や多属性効用理論（Multi-Attribute Utility Theory：MAUT）は、このような問題を扱うための理論です。

加法的な多属性価値モデルでは、各評価基準に価値関数を設定し、その値を重み付きで統合します。

V(a) = Σ wᵢvᵢ(xᵢ(a))

ここで、各vᵢは非線形であっても構いません。

例えば、開発コストには費用が大きくなるほど評価が急激に低下する関数を、市場性には一定の規模を超えると価値が高くなる関数を設定できます。

この方法によって、それぞれの評価基準の特性を、単純な比例尺度より適切に表現できます。

しかし、個々の価値関数を非線形にすることと、評価基準間の相互作用を表現することは別の問題です。

各基準の価値を加重和で統合する限り、総合評価は加法的な構造を持ちます。

加法的な多属性モデルを正当化するためには、評価基準間の選好に関して一定の独立性条件が必要です。

例えば、駅からの距離に関する選好が、通勤頻度によって変化する場合には、単純な加法モデルでは適切に表現できない可能性があります。

さらに、不確実な結果を扱うMAUTでは、確実な結果の選好独立性と、不確実な結果に対する効用独立性を区別する必要があります。

複数基準間の非線形な相互作用

評価基準の組み合わせによって追加的な価値が生まれる場合には、個別の非線形価値関数だけでは不十分です。

例えば、研究開発テーマを技術力と製造能力によって評価するとします。

技術力が高くても製造能力が不足していれば、事業化は困難かもしれません。一方、両方の能力が備わっていることで、より大きな価値が生まれる可能性があります。

このような関係を表現する単純な例として、次の関数を考えます。

V(x₁, x₂) = 0.25x₁ + 0.25x₂ + 0.50x₁x₂

ここで、x₁は技術力、x₂は製造能力を表し、どちらも0～1の範囲とします。

最後の項である、

0.50x₁x₂

が、両者の組み合わせによる追加的な価値を表します。

例えば、次の2つの案を比較します。

選択肢技術力製造能力
A1.000.20
B0.550.55

単純な加重平均では、Aが0.60、Bが0.55となり、Aが優位です。

一方、上の相互作用を持つ関数では、

V(A) = 0.25×1.00 + 0.25×0.20 + 0.50×1.00×0.20 = 0.400

V(B) = 0.25×0.55 + 0.25×0.55 + 0.50×0.55×0.55 = 0.42625

となり、Bが優位になります。

これは、両方の能力が一定の水準にあることを重視した結果です。

この例は、相互作用を持つ多属性価値関数の一例です。すべての多属性効用関数がこの形式で表現できるという意味ではありません。

重要なのは、各評価基準についての非線形性と、評価基準同士の相互作用を区別することです。

Choquet積分との関係

評価基準間の相互作用を表現する方法として、Choquet積分（ショケ積分）があります。

Choquet積分は、個々の評価基準だけでなく、評価基準の組み合わせに対して重要度を設定する非加法的な集約方法です。

例えば、技術力と製造能力の組み合わせに相乗効果がある場合や、市場成長性と収益性の評価に重複がある場合、その関係を容量（Capacity）として表現できます。

先ほどの相互作用モデルでは、技術力と製造能力の追加的な価値をx₁x₂という積によって表現しました。

一方、Choquet積分の2-additiveモデルでは、相互作用をmin(x₁,x₂)などを用いて表現できます。

どちらも、単純な加重和では表現できない関係を扱う方法ですが、数学的な性質は異なります。

Choquet積分は容量によって定義される区分線形な集約関数であり、任意の滑らかな非線形関数を自由に表現するものではありません。

これに対して、多属性価値・効用モデルでは、適切な仮定の下で、積型、乗法型、その他の関数形を検討できます。

ただし、複雑な関数を導入するほど、パラメータをどのように決定し、その意味をどのように解釈するかが難しくなります。

したがって、Choquet積分と非線形多属性モデルは、どちらが常に優れているという関係ではなく、表現したい選好構造に応じて選択する方法と考えるべきです。

非線形価値関数はどのように決めるのか

非線形評価モデルを実際に利用する場合、最も重要な問題は関数の形をどのように決めるかということです。

例えば、開発期間が短いほど望ましいということは分かっていても、6か月と12か月の違いが、18か月と24か月の違いと同じ価値を持つかどうかは、簡単には決められません。

一つの方法は、判断者に複数の水準を比較してもらうことです。

例えば、開発期間6か月を価値1、24か月を価値0とした場合、12か月の価値をどの程度と考えるかを尋ねます。

さらに、9か月、15か月、18か月などの価値を確認することで、価値関数の形を推定できます。

この場合、単に任意の点数を入力させるだけでなく、価値の差に関する判断を確認する必要があります。

例えば、6か月から12か月への悪化と、12か月から18か月への悪化では、どちらが大きな価値の損失になるかを比較します。

一方、不確実な結果に対する効用関数を推定する場合には、確実な結果と確率的な結果の間の選好を利用できます。

例えば、確実に50万円を受け取ることと、50%の確率で100万円を受け取り、50%の確率で0万円を受け取ることを比較してもらいます。

複数の比較結果から、リスクに対する態度を反映した効用関数を推定できます。

ただし、判断者が複雑な比較に一貫して回答できるとは限りません。また、質問の表現方法や提示順序によって判断が変化することもあります。

そのため、効用関数の推定では、必要以上に複雑な関数を使用するのではなく、解釈しやすい関数形を選び、判断の整合性や感度を確認することが重要です。

データから非線形効用を学習する

判断者が過去に行った選択や評価結果が存在する場合には、そのデータから価値関数や効用関数を推定することも考えられます。

例えば、過去の設備選定において、価格、性能、維持費などの異なる候補からどの設備が選ばれたかを分析することで、判断者の選好を推定できる可能性があります。

この方向は、選好学習（Preference Learning）や選択モデルの研究と関係します。

また、一般化加法モデル（GAM）、スプライン、単調回帰などを利用すれば、特性値と評価値の非線形関係を柔軟に推定できます。

ただし、過去に選択されたという事実だけから、その選択が判断者にとって最も望ましい結果だったと結論することはできません。

過去の選択には、予算、情報不足、組織上の制約、慣習などが影響している可能性があります。

さらに、評価結果を予測できるモデルと、判断者の価値観を適切に表現するモデルは、必ずしも同じではありません。

実務では、データから推定した関数をそのまま採用するのではなく、判断者にその意味を確認し、必要に応じて修正することが望ましいでしょう。

ベイジアンネットワークとインフルエンスダイアグラム

非線形効用理論は、不確実な条件下での意思決定にも利用できます。

例えば、研究開発テーマの評価では、技術開発に成功する確率、市場が成長する確率、事業化に必要な投資額などを考慮する必要があります。

ベイジアンネットワークは、事象間の確率的な依存関係をモデル化し、条件付き確率を計算するための方法です。

しかし、成功確率が最も高いテーマが、最も望ましいテーマであるとは限りません。

成功確率が比較的低くても、成功した場合に大きな価値を持つテーマが存在するからです。

そこで、確率モデルと効用モデルを組み合わせることが考えられます。

代表的な枠組みがインフルエンスダイアグラム（Influence Diagram）です。

インフルエンスダイアグラムでは、確率変数、意思決定、効用を一つのモデルで扱い、選択可能な行動の期待効用を比較できます。

効用ノードに非線形効用関数を設定すれば、結果の大きさだけでなく、判断者のリスク選好を考慮した意思決定が可能になります。

ただし、確率と効用は異なる概念です。

ある事象が発生する確率は、その事象がどれほど望ましいかを表すものではありません。

また、非線形効用関数を設定するだけでは、確率モデルの正しさが保証されるわけでもありません。

確率モデルと効用モデルのそれぞれについて、前提や根拠を確認する必要があります。

研究開発と新規事業における応用

研究開発や新規事業の評価では、非線形効用・価値モデルが特に重要になる場合があります。

例えば、製品性能の改善が価値に与える影響は、技術分野や用途によって異なります。

ある性能が不足している間は市場に参入できないものの、一定水準に達すると新しい用途が開け、その後は性能向上の価値が緩やかになることがあります。

この場合、単純に「性能が高いほど高得点」とするよりも、閾値や飽和を持つ価値関数を設定する方が適切かもしれません。

また、開発期間についても同様です。

市場投入が競合企業に先行するかどうかが重要な場合、開発期間が一定の時点を超えることで事業価値が急激に低下する可能性があります。

一方、長期的な基盤研究では、数か月の開発期間の違いよりも、技術的な将来性が重要になるかもしれません。

これらは単に評価基準の重みが異なるというだけでなく、評価基準そのものの価値関数が異なる問題です。

さらに、新規事業では、技術力、製造能力、販売チャネル、顧客基盤などの組み合わせによって価値が変化する場合があります。

このような場合には、個別の非線形価値関数に加え、評価基準間の相互作用も考慮する必要があります。

また、成功した場合の収益が大きいものの、失敗した場合の損失も大きい事業では、リスクに対する選好を効用関数によって表現することが考えられます。

ただし、研究開発テーマの選定で重要なのは、既知の数値に基づく期待効用の最大化だけではありません。

特に新規性の高い研究開発では、結果の確率分布自体が十分に分かっていない場合があります。

そのような状況では、無理に精密な効用計算を行うよりも、どの不確実性を解消すべきか、どのような実験を行うべきかを検討する方が適切な場合もあります。

感度分析による効用モデルの検証

非線形効用関数を設定した場合、その関数の形が評価結果にどの程度影響するかを確認することが重要です。

例えば、ある製品の性能を評価するために平方根型の価値関数を使用した場合と、二乗型の価値関数を使用した場合では、選択肢の順位が大きく異なる可能性があります。

また、S字型の価値関数を利用する場合には、どの水準で価値が急激に上昇するかによって結果が変わります。

このような問題に対して、感度分析を利用できます。

価値関数の曲率、閾値、重み、相互作用係数などを変更し、選択肢の順位や総合評価がどのように変化するかを確認します。

さらに、不確実な結果に対する効用関数では、リスク回避の程度を変更した場合に、最も望ましい選択肢が変化するかを検討できます。

評価結果が特定の関数形に強く依存している場合には、その関数形を選んだ根拠について詳しく検討する必要があります。

反対に、幅広い関数形やパラメータの下で同じ選択肢が優位になるなら、その判断は一定の頑健性を持つと考えられます。

ただし、計算結果が安定していることは、モデルそのものが適切であることの証明ではありません。

感度分析と併せて、評価基準の定義、関数の意味、判断者の選好などを確認することが重要です。

AI時代の非線形効用理論

LLMの発展によって、非線形効用モデルの利用方法にも新しい可能性が生まれています。

従来、価値関数や効用関数を設定するためには、判断者が関数形を選択し、パラメータを調整する必要がありました。

しかし、多くの利用者にとって、数学的な関数を直接設定することは容易ではありません。

LLMを利用すれば、判断者の選好を自然言語で確認し、それに対応する関数形の候補を提案することが考えられます。

例えば、製品性能について、「最低限の性能を満たすことが重要であり、それ以上の性能向上にはあまり価値を感じない」という判断が示された場合、LLMは閾値型や飽和型の価値関数を候補として提案できます。

また、「開発期間が12か月を超えると市場投入の価値が大幅に低下する」という判断から、閾値付近で評価が大きく変化する関数を提案することもできます。

ただし、自然言語から関数形を提案できることと、数値パラメータを正確に決定できることは別問題です。

関数の具体的な形は、利用者にいくつかの条件を比較してもらいながら調整する必要があります。

LLMが質問を提示し、利用者が判断し、数理エンジンが関数を推定するという対話的な方法が考えられます。

さらに、過去の選択履歴や評価事例を参照することで、利用者の選好モデルを逐次的に改善することも可能でしょう。

ただし、学習された選好は、利用者の現在の価値観や目的を必ずしも正確に反映するとは限りません。利用者がモデルを確認し、変更できることが重要です。

ThinkNaviにおける非線形効用理論

ThinkNaviでは、非線形効用・価値モデルを、意思決定マトリクスなどの多基準評価を高度化するための重要な機能として位置づけます。

ThinkNavi Freeでは、利用者が評価基準、選択肢、得点、重みを手入力し、総合評価を計算できる意思決定マトリクスを提供する計画です。

この機能に非線形な価値関数を導入すれば、単に評価得点を加算するのではなく、それぞれの評価基準について、特性値と価値の関係を設定できるようになります。

例えば、利用者が評価基準ごとに、線形、逓減型、逓増型、S字型、閾値型などの関数を選択し、グラフを見ながらパラメータを調整する方法が考えられます。

また、利用者が特定の特性値に対して価値を直接指定し、その点を通る単調な曲線を生成する方法も考えられます。

この場合には、利用者が必ずしも関数の数式を理解する必要はありません。

さらに、通常の線形評価と非線形評価の結果を並べて比較し、どの評価基準の価値関数によって順位が変化したのかを確認できるようにすることが有用です。

複数基準間の相互作用が重要な場合には、Choquet積分や多属性価値モデルを追加し、評価基準の組み合わせによる価値を検討する方向が考えられます。

また、不確実な結果を扱う場合には、リスクに対する効用関数、期待効用、確実性等価などを利用できるようにすることも考えられます。

こうした機能は、意思決定マトリクス、AHP、MCDA、感度分析などと共通の数理分析基盤として構築することができます。

LLM活用版では、利用者の自然言語による説明から価値関数の候補を提案し、関数の形を決めるための質問を作成し、結果の解釈や妥当性の検討を支援することが考えられます。

また、ConceptMiner R&Dで生成された研究開発テーマや事業仮説の評価においても、性能、開発期間、市場規模、技術的実現可能性などの非線形な価値関係を考慮した分析に発展させることができます。

ただし、非線形効用モデルを導入すれば、意思決定が自動的に合理的になるわけではありません。

重要なのは、どのような価値関数が適切であるかを、利用者自身が理解し、必要に応じて変更できることです。

非線形効用理論の意義は、評価を複雑な関数で計算することではありません。物理的な性能や経済的な数量と、人間が感じる価値が必ずしも比例しないことを認識し、その関係を明示的に検討できるようにすることにあります。

コンピュータとAIを利用することで、こうした価値判断を数理的に表現することが容易になり、意思決定の過程をより透明で検証可能なものにできると考えられます。

関連する思考技法：

参考文献・資料