この研究は、アメリカの研究機関の研究論文です。

掲載誌：Discover Artificial Intelligence

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

なぜ「決済直前」に着目したのか

食べ物の選び方は、家庭から出る温室効果ガスの大きな部分を占めます。論文は、食料消費が世界の排出量のおよそ26%にあたり、サプライチェーン全体を含めると34%に達するという既存の推計を紹介しています。また、食品の排出の68%は生産方法に由来し、小売・流通が27%、輸送は5%にとどまるという内訳も引いており、「どこから運ばれてきたか」よりも「何を食べるか」のほうが影響が大きいと整理しています。

一方で、環境に配慮した買い物をしたいという気持ちと、実際の購買行動のあいだには隔たりがあります。著者らがまとめた先行研究によれば、持続可能な製品を買いたいと答える消費者は73%にのぼるのに対し、実際に購入する人は23〜31%にとどまります。カーボンラベル(食品の炭素排出量表示)についても、重要性を認める人は68.6%いる一方、購入判断に影響すると答えたのは26.9%でした。研究チームは、この差が生じる理由として、判断の場面で情報が手元にないこと、複雑な環境情報による認知的負担、価格の上乗せなどを挙げています。

そこで著者らが介入の場として選んだのが、オンライン食料品店の決済画面(チェックアウト)です。この段階では、買い物客は買う予定の品目全体と合計金額を同時に見ており、商品選びの手間はすでに済ませた一方、まだ支払いは確定していません。研究チームは、この「変更のコストが低い瞬間」に、かご全体を対象とした提案を出すことに着目しました。従来の取り組みの多くは商品一つひとつのラベル表示にとどまり、かごの中身をまとめて扱う仕組みは乏しかったと位置づけています。

提案されたシステムと六つの指標

著者らが提示したのは「Carbon-Aware Checkout(CAC、カーボン・アウェア・チェックアウト)」と呼ぶ枠組みです。買い物かごを商品と数量の集合として表し、各商品に排出係数(食品1kgあたりのCO2換算排出量)、価格、健康スコアを対応づけます。そのうえで、同じ用途を果たす代替商品の候補集合を用意し、価格の変動幅、かご全体の健康スコア、食事制限やアレルギーといった制約を守りながら、排出量のより低い組み合わせを探索します。

この枠組みの中心にあるのが、小売の決済場面に合わせて新しく定義された六つの指標です。COG(カーボン・オポチュニティ・ギャップ)は、現在のかごが理論上の最良構成に比べてどれだけ余分に排出しているかを0〜1の比率で表します。BAE(行動調整済み排出量)は、提案した入れ替えが必ずしも受け入れられない点を踏まえ、受け入れ確率を掛け合わせて期待できる削減量を見積もります。RACS(リスク調整炭素スコア)は、ライフサイクル評価データに含まれるばらつきを分散として扱い、一定の信頼水準での排出量の上限を示します。MAC_basket(かごの限界削減費用)は、CO2を1トン削減するのに何ドルかかるかという費用対効果を表し、値が負であれば節約と削減が両立することを意味します。RPE(反復購入排出量)は、年間の購入頻度を掛けて長期的な影響を捉えます。CHCS(炭素・健康複合スコア)は、排出量だけを下げると栄養面で劣る超加工食品を勧めてしまいかねないという懸念に対し、炭素と健康の重みづけを調整できるようにしたものです。

データ面では、食品のライフサイクル評価のメタ分析であるPoore and Nemecek(2018)、欧州の食品を対象としたSU-EATABLE LIFE、商品属性や環境グレードを収めたOpen Food Factsを組み合わせ、これに公開されているInstacartのオンライン食料品購買データ(約310万件の注文、20万人超の利用者、約5万点の商品)を接続しています。実験では食品・ノンアルコール飲料に絞り込んだうえで50万件のかごを抽出しました。商品カテゴリの対応づけ、単位の統一、排出量の割り当てを行う前処理を経て、各種指標を算出する構成です。生成AIによる説明文の生成部分は、Model Context Protocol(MCP)と呼ぶ層を介して呼び出しを制御し、計算過程や参照データを記録することで、米国FTCのグリーンガイドやEUのグリーンクレーム指令が求める、根拠に基づく非誤認的な表示に対応できるようにしたと説明されています。

報告された結果と、著者ら自身が示す限界

研究チームは、CACが商品単位のラベルではなくかご単位の最適化を行うこと、20ミリ秒未満という実時間での応答が可能なこと、受け入れ確率を最適化の目的関数に組み込むこと、不確実性をリスク調整スコアとして扱うこと、AIによる文脈に応じた説明を生成すること、そして規制対応の仕組みを備えることを、先行研究との違いとして挙げています。評価では、多様なかごに対して費用の増加を抑えつつ相当量の排出削減が示され、AIが生成した説明文が数値のみのラベルより受け入れられやすかったと報告しています。

ただし著者らは、この行動面の評価が実店舗の利用者から集めた観察データではなく、シミュレーションによる合成データに基づくことを、本研究の最大の限界として明示しています。行動受容モデルの学習には5万件の合成観測が用いられ、その生成には行動経済学の文献から得た係数——価格感応度−0.68、低炭素志向+0.42、栄養面の影響+0.31、説明の効果+0.19、現状維持バイアス−0.35——にベータ分布(α=2、β=2)による揺らぎを加えています。生成された受け入れ率の分布は平均28.3%、標準偏差12.1%で、先行文献の範囲と整合したとされます。モデルの性能はテストセットでAUC 0.74、正答率69.2%、F1値0.71でしたが、著者らはこれを実際の消費者行動に対する予測性能の証拠ではなく、概念実証にとどまる検証と位置づけています。そのうえで、実利用者を対象とした大規模なランダム化評価の手順を今後の検証計画として示しています。

この研究が示すもの

この研究が提示しているのは、環境情報を「見せる」ことから、制約を踏まえて「選択肢を組み立てる」ことへの設計上の転換です。買い物かご全体を単位に、価格・栄養・食事制限・受け入れられやすさ・データの不確実性を同時に扱い、その計算過程を記録して説明責任を果たせる形にまとめた点に、著者らは技術的な貢献を置いています。行動面の数値が合成データに由来するという制約は著者ら自身が繰り返し述べているとおりですが、指標の定義、最適化の枠組み、不確実性の扱い、統合アーキテクチャは、今後の持続可能な食品推薦システムに引き継げる土台として提示されています。

著者：Kapil Kumar Reddy Poreddy（San Fransisco, USA）、A. Sahu（Sunnyvale, USA）、Sanjoy Mukherjee（Huntsville, USA）、Bhavan Kumar Basavaraju（San Jose, USA）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Kapil Kumar Reddy Poreddy, A. Sahu, Sanjoy Mukherjee, et al. Carbon aware checkout for real time basket emissions optimization in online grocery shopping. Discover Artificial Intelligence 2026-09-27. DOI: 10.1007/s44163-026-02254-4. 原著ライセンス：CC BY.