AIがウーバーイーツの料金アルゴリズムを推測してみた ── なぜ4kmで320円なのか、設計者視点の答え

配達員なら、一度は思ったことがあるはずだ。4.1km走って320円の案件と、2.8kmで1,000円超えの案件が、同じ日に平気で混ざって飛んでくる。この料金、いったいどういう計算で決まってるんだ？

調べようとすると、すぐ壁にぶつかる。時間帯、天気、曜日、クエストの有無、エリアのイベント──思いつく変数だけでも山ほどあって、一人の配達員の体感では、何がどう効いてるのか切り分けられない。しかもUberは計算式を公開していない。

そこで今回は、このシリーズでずっとやってきた手を使う。AIに「Uberの料金システムを設計するエンジニア」の視点で、公開情報と現場の観測に合う設計を逆算させてみた。俺は現場のデータ──自分の配達記録と界隈の実投稿──を持ち込んで、その推測を検算する役だ。

先に言っておくと、この記事の大半は推測だ。Uberの中の人しか本当の答えは知らない。ただ、読み終わる頃には「なぜ4kmで320円なのか」に、少なくとも筋の通った説明が一つ手に入ると思う。

シリーズの前2本はこちら。制度の分析は新ランク制度で結局いくら稼げる？、その答え合わせはAIの予測は当たったのか。今回は「そもそも単価はどう決まってるのか」という、一番根っこの話になる。

⚠️ 但し書き。本記事は「公式が認めている事実」「海外で実証された事実」「AIの推測」を明確に区別して書きます。推測パートはあくまで推測であり、Uberの公式見解ではありません。また、Uberは運賃の個人別カスタマイズ（個人の属性や過去行動に基づく差別化）を公式に否定しており、本記事もそれを前提にしています。

レイヤー1: Uber自身が認めていること

実は、料金計算についてUberが公式に説明している文書がある。米国の公式ブログ「Uber Under the Hood」のupfront fares（事前確定運賃）の解説だ。そこにはドライバー報酬の計算要素として、こう書かれている。

• ピックアップまでの推定時間と距離
• ピックアップから届け先までの推定時間と距離
• ドライバーがいる場所の現在の需要
• そして──「ドライバーが一般的に受諾しやすい/しにくいパターン」

最後の一行を、さらっと読み流さないでほしい。「この条件のオファーは受けられやすいか」という予測が、報酬額の計算に入っていると、Uber自身が言っているわけだ。距離と時間だけの積み上げ計算ではない、ということが公式に確定している。

もう2つ、公式が認めていることがある。1つは、客が払う金額とドライバーが受け取る金額の関係が「変動するサービス手数料」モデルであること。つまり客の支払いと配達員の取り分は、案件ごとに違う率で切り離されている。もう1つは、テストの実施によって「グループごとに異なる運賃」が生じうること──つまり、配達員をグループ分けして異なる条件を試すこと自体は行われている（なお個人単位のカスタマイズは前述のとおり公式に否定している）。

ちなみに前回の答え合わせ記事で紹介した、神戸の配達員の「出やすい人、出にくい人でグループ分けして統計取ってるんじゃ」という推測──あれは陰謀論どころか、公式が認めている運用の範囲内だったことになる。

レイヤー2: 英国で実際に測られたこと

2025年、アルゴリズムの公平性を扱う国際会議（ACM FAccT）で、Uberの賃金アルゴリズムに関する大規模な実証研究が発表された。英国の258人のドライバーが、データ開示請求（本人が自分の個人データをUberに請求する法的手続き）で取得した約150万トリップ分の実データを研究者が分析したものだ。

主な発見はこうだった。

• 動的価格制の導入後、実質賃金は時給22.20ポンドから19.06ポンドへ低下。分析対象ドライバーの82%で賃金が下がった
• Uberの取り分（テイクレート）は中央値で25%から29%へ上昇。案件によっては50%を超えるケースも観測された──つまり取り分は一定ではなく、案件ごとにバラバラ
• 賃金の予測可能性が統計的に崩壊した。前年のデータから翌年の稼ぎを予測するモデルが機能しなくなった
• そして象徴的なのがこれ──客が支払った金額が、ドライバーの明細から表示されなくなった

注意点を2つ。これは英国の、しかもライドシェア（旅客）側のデータであって、日本のフードデリバリーにそのまま当てはめることはできない。ただ、同じ会社の同じ思想の価格基盤であることも事実だ。「参考にできる最も近い実証データ」として扱う。

レイヤー3: ここからAIの推測 ── あれは「運賃計算」ではなく「受諾確率の逆オークション」

ここからが本題の推測パートだ。AIに設計者視点で描かせた、公開情報と現場観測に最も整合する設計はこうなる。

配達料金 = 「この案件を、制限時間内に誰かに受けさせるために必要な最小の金額」の機械学習による予測値

つまり、システムの目的関数が「配達コストの補償」ではない。「受諾される確率が目標値を超える、いちばん安い提示額」を探すことだ。距離や時間はコストの積算根拠ではなく、受諾確率を予測するための材料（特徴量）の一つに格下げされている。

全体像を図にするとこうなる。

[客側]   注文価格モデル（支払ってくれそうな上限を探る）
   ↕   ← 切り離し（客の配送料と配達員の取り分は連動しない）
[利幅の最適化層]
   ↕
[配達員側] 支払いモデル（受諾確率≥目標を満たす最小額を出力）
   ↓
[マッチング] 数秒ごとに配達員×案件の割当を一括最適化
        （新ランク制度は、ここに「見る順番」として入る）

この設計だと、現場の「あるある」が芋づる式に説明できる。

なぜ4〜5kmで330円が来るのか

供給過剰のエリア・時間帯では「その値段でも誰かが受ける」とモデルが学習しているから、提示額は最低額に張り付く。距離はもう主役じゃない。「安くても受ける人がいる」というデータそのものが、安い提示を正当化し続ける。

なぜ長距離の過疎地案件が突然4,000円級になるのか

逆に「誰も受けない確率が高い」条件では、受諾確率を目標まで引き上げるために提示額が跳ね上がる。あれはコスト補償ではなく確率の補正だ。界隈で「マグロ」と呼ばれる高額長距離案件の正体は、たぶんこれだ。

なぜ拒否された案件が金額を変えて再び鳴るのか

拒否＝「この額では受諾確率が足りなかった」という学習データ。だから再配信で額が変わる。実質的に、1件ごとに小さな逆オークション（せり下げ/せり上げ）が回っている。

なぜアルゴ変更のたびに「異常な単価」が出るのか

受諾確率の予測曲線は、データがないと精度が出ない。新モデルの投入直後は、わざと安く出したり高く出したりして反応を測る探索が必要になる。6月中旬から界隈で報告されている「イカれた単価」（極端な低単価と異常な高単価の同居）は、この探索ノイズとして読むと辻褄が合う。

なぜ「誰も取らなかった2周目」なのに、最初より安くなることがあるのか

逆オークションなら上がっていくはずで、実際に上がることも多い。それでも下がるケースがあるのは、提示額が「案件の値段」ではなく「案件×その瞬間の需給×受け手プール」の値段だからだ。考えられる要因は4つ。①その数分の間に近くで手空きの配達員が増えて、「安くても受かる」見積もりに変わった。②1周目がピークやブーストの時限内で、2周目はそれが切れた後だった。③別の案件との抱き合わせに組み替えられて、表示額の構成が変わった。④受諾カーブの下限を測るための、下方向の探索。──どれも根っこは同じで、額は案件に付いているのではなく、瞬間に付いている。

なぜ日によって、こんなに違うのか

この設計だと、毎日変わる蛇口が少なくとも4つある。需要の予測（天気・曜日・給料日・大型イベント）、供給の状態（その日誰がオンラインか）、インセンティブ予算の残量、そして実験の枠に当たっているかどうか。4つが毎日別の開き方をするので、「昨日と今日で別のアプリみたいだ」という体感は、むしろ設計通りの挙動ということになる。

なぜ夜になると下がってくるのか

ディナーピークの時限ブーストが切れる崖が一つ。もう一つは、注文が減るペースより配達員がログオフするペースの方が遅いこと──ピーク目当てに出てきた配達員がしばらく残るので、ピーク直後は一時的に供給過剰になり、提示額は最低ラインへ沈む。「20時を過ぎると急に世界が変わる」体感は、時限ブーストの終了と残留供給の組み合わせで説明がつく。

なぜ「平日の祝日」は、週末単価にならないのか

日曜は明らかに週末の単価になるのに、平日に来る祝日は「平日単価にちょっと色がついた」程度にしか見えない──これも配達員なら心当たりがあると思う。機械学習の目で見ると、これは学習データの量の差としてきれいに説明がつく。日曜は年に52回あるから、モデルは日曜の需要パターンを飽きるほど学習している。一方、祝日は年に十数回しかなく、海の日と文化の日では需要の形も違う。データが薄い特徴は、予測にほとんど反映されない。結果、平日の祝日は「ただの火曜日」として事前予測が走り、当日に実際の注文が予測を上回った分だけ、リアルタイム側の補正がうっすら乗る──「ちょい色」の正体は、たぶんこの取りこぼしだ。現場の体感が、モデルの中の特徴量の強弱を外から言い当てている例だと思う。

「安い雨クエを出して、オファー単価を下げてる」は本当にあるのか

界隈で昔から囁かれる説だが、この設計モデルでは「意図的にやっているか」は分からないものの、結果的にそうなる仕組みは確かに存在しうる。クエストは「件数を積んだら後払い」の別の財布だ。クエストを追う配達員は1件ごとの安さを許容するようになる。すると受諾ログが「安くても受かる」方向に寄り、価格モデルはオファー単価を下げる余地を見つける。単価の予算とクエストの予算が一体で最適化されているなら、「雨はクエストで安く供給を確保できる」というトレードオフを、システムは誰も命令しなくても勝手に学習する。雨の日なのに単価が渋い──という近年の体感と、これは整合する。検証するなら「雨の日のクエスト有無×単価」の比較観測だ。⚠️ここも推測。ただし検証可能な形にはなっている。

なぜ代引き（現金払い）案件は、高めに出やすいのか

俺の記録では、客から現金を受け取る案件は高単価帯に固まっている（例えば約4,000円の現金を預かって運んだ12km超の案件など）。この設計モデルでの説明はシンプルで、現金の取り扱いをONにしている配達員は一部しかいない。受け手のプールが小さければ、受諾確率の目標を満たすのに必要な提示額は上がる。──距離でも時間でもなく、「その案件を受けられる人が何人いるか」が値段を決める。受諾確率モデルの性質が、いちばん分かりやすく表に出る例だと思う（俺のサンプルは少ないので、体感のある人は自分の記録で確かめてみてほしい）。

なぜ「解体」は、できないように作られていないのか

まとめ案件の解体をUberが嫌うなら、技術的には簡単に潰せる──バンドルを「全部運ぶか、全部キャンセルか」の一体型にすればいいだけだ。それをしていないのは、見逃しではなく計算の結果だと読める。まず、店の遅延や事故に対応する正当なキャンセル経路は絶対に消せない。経路が残る限り、解体には必ず転用される。次に、これが本質だが──解体を硬く禁じたら、配達員はまとめ案件を最初から受けなくなる。受諾率が下がれば、必要な提示額が上がる。解体を許しておけば「良い脚だけでも運ばれて」、外された脚は再オファーで別の誰かに回る。全拒否されるより、部分的にでも履行される方が、システムにとっては安上がりなのだ。おまけに、どの組み合わせが解体されたかのログは、抱き合わせ生成の質を上げる教師データにもなる。──だから技術では防がず、キャンセル率という指標で計測し、ランク要件という税金をかける。解体できる状態は、穴ではなく均衡だと思う。

さらに一段深く ── エンジニアの「部品棚」を覗く

もう少しだけ設計の中に降りてみる。この規模の価格システムを実際に組むなら、部品構成はだいたいこうなる（★印は、Uberが公式に公開している実在の技術。無印はAIの推測）。

この部品棚で眺め直すと、現場の「説明のつかなかった現象」に、もういくつか説明候補が付く。

「配達調整金額」は、モデルの住処。公開されている基本の式に、外から見えない「調整」の項を一枚重ねる二層構造なら、料金体系を”変えずに”実効単価を動かせる。調整額が明細に表示されない仕様と、気味が悪いほど整合する。

「地域まるごと均一料金の日」の謎。俺は昔、異常に安い日に隣の大都市まで移動したのに単価が全く同じだった経験がある。二面市場の実験では、利用者同士が影響し合うので「地域×時間帯ごと設定を切り替える」手法が標準的に使われる。丸一日・地域全体で価格の挙動が変わる日は、実験の枠として構造的に発生しうる。

「昨日は良かったのに今日は渋い」の説明候補。ブーストやクエストが週次予算の蛇口だとすれば、日単位のムラは需給だけでなく予算の残量でも起きる。月や週の変わり目で空気が変わる体感に、心当たりのある人は多いと思う。

そして、一番怖い設計リスク──「安値OK」データのスパイラル。受諾確率モデルは、受けた/蹴ったのログで学習する。「安くても受ける人」のデータが集まるほど提示は下がり、それに耐えられない選別型が去ると、残った受け手を基準にさらに下がる。構造的に、この悪循環は起こりうる。逆に言えば──俺の応答率3%は、機械に「その額でもOK」というデータを渡さないという、数少ない意思表示でもあるわけだ。

最後にもう一つ、日本固有の力学を。固定の料率を変えるには事前の明示や予告が求められやすい環境になった（フリーランス新法・前々回の記事参照）。一方で「動的に変動する部分」は、そもそも特定の数字を約束していない。だとすると──値決めの重心は、告知の要らない動的なレイヤーへ寄っていく力学が働きうる。ブラックボックス化は、技術の必然だけでなく、制度への適応でもあるのかもしれない。⚠️この段は法解釈を含むため、あくまで推測として読んでほしい。

現場のデータで検算する

推測は検算しないと、ただの作文だ。俺自身の配達記録から突き合わせる。

まず前提を正直に書くと、俺はいま来たオファーを片っ端から受けるタイプじゃない。自分の中の基準はざっくり「1kmあたり200円」で、それを超えそうな案件だけ取りに行く選別型だ。だから以下のデータは「俺が受けた案件」＝上振れ側のサンプルで、全体の分布ではない。それでも構造は見える。

その上で、面白い数字を一つ。前々回の記事で、俺の応答率は8%だと書いた。今の数字は3%だ（キャンセル率は20%→16%、満足度99%とオンタイム率100%は変わらず）。日によっては終日0%もある。ここで大事なのは、俺の基準（200円/km）は一切変えていないということ。基準が同じで応答率が8%→3%に落ちたということは、基準を超えるオファーの流量が半分以下に減ったということだ。選別型配達員の応答率は、実はやる気のメーターじゃなくて、オファー分布の質を映す観測装置になる。6月中旬の「アルゴが変わった」体感は、俺の場合この数字にそのまま出ている。

直近1ヶ月で俺が受けた案件を距離順に並べると、面白い形が出る（※履歴の仕様上、複数件をまとめて運んだ分の合算が混ざる）。

距離が伸びるほど、km単価がきれいに下がっていく。固定分＋距離分という構造の匂いがする一方で、都内の配達員が公開している時間帯別の平均値（@uberakafrogさんの集計・2026/6/21-22）では、ほぼ同じ距離帯でも早朝1,129円→昼1,235円→夜1,313円と時間帯だけで±15%動く。さらに界隈の断片データではkm単価100円前後のエリアと200円のエリアが同時に存在する。──距離・時間帯・エリアでカーブの形が全部違う。単一の料金表では説明できず、多次元の予測モデルを仮定したほうが自然、というのが検算の結論だ。

そしてもう一つ、今回の検算で確定した重要な事実がある。明細を開いても、内訳は見えない。

俺の実際の明細画面では、売り上げの内訳は「配送料 ¥1,362」の一行だけ。日本のUber Eatsの料金体系には公式に「配達調整金額」という概念が存在するのに、その金額が何円なのかは、受け取った本人にすら表示されない。英国の研究が見つけた「明細から情報が消えていく」動きと、同じ形が日本の配達員側にもある。ブラックボックスは比喩じゃなくて、明細の仕様そのものだ。

競合を並べると、盤面が見える ── 同じ街で両方走った実測

ここで視点をもう一段引く。俺は最近、Uberとロケットナウを並行で走らせていて、7月頭のある日のロケットナウの記録がこれだ（※ロケットナウの表示距離は店舗→届け先のみで、ピックアップまでの距離を含まない。Uberとの単純比較はできない点に注意）。

単品の最低が976円。Uberの最低320円の約3倍が「普通の玉」として出てくる。ただし見逃せないのは、ロケットナウもkm単価に換算すると4倍以上の開きがあったことだ（2.8kmで2,243円が出る一方、5.3kmで976円）。つまりあっちも動的価格で、「一律に高い」のではなく分布ごと上にあるだけ。同じ種類の機械が、違うパラメータで動いてる──そう見るのが正確だと思う。

で、この2枚の値札を眺めながら俺が何をしてるかというと、その時々で単価が高そうな方を優先的に取りに行ってるだけだ。Uberがダメそうならロケットナウや出前館に切り替える。こういう配達員は俺だけじゃなく、どんどん増えてる。

ここで、さっきの「受諾確率モデル」と話がつながる。複数アプリを比較する配達員にとって、オファーを受ける基準は絶対額じゃなく「いま他のアプリで走った場合より得か」になる。つまりUberの支払いモデルが競っている相手は、配達員の気分ではなく、リアルタイムの競合の値札だ。

そう考えると、新ランク制度の一番不思議だった部分に、機械的な説明がつく。前々回の記事で「ランク上位の条件を満たす唯一の走り方は、事実上のUber専属」と書いた。応答率をランク要件にすると、他社アプリを開いている時間（＝Uberのオファーを取り逃す時間）がそのままランクを削る。──単価では競争したくない。でも配達員が他社の値札を見に行くのは止めたい。だから「比較すること」自体にコストを付けた。ランク制度と低単価は別々の施策じゃなく、同じ盤面の攻防だと読める。

同じ目でキャンセル率の要件を見ると、これも対になっていることに気づく。配達員には「解体」という現場の技がある──まとめ案件を受けてから、距離の噛み合わない脚だけを外して、採算の合う部分だけ運ぶやり方だ（俺のキャンセル率16%の中身は、ほぼこれと調理遅れ案件の見切りだ）。アルゴリズム側が不人気案件を良い案件に抱き合わせて通そうとするなら、解体はそれをほどく配達員側の対抗手段になる。つまり──応答率要件は「蹴る」への課税、キャンセル率要件は「解体」への課税。配達員が持っている2つの防衛手段に、1本ずつ税金がかかる設計になっている。⚠️この段は本記事の中でも特に推測の度合いが強いパートだが、観測との整合性は高い。

このモデルが正しければ、次に何が起きるか

推測は、当たり外れを検証できる形にしてこそ意味がある。このシリーズのルール通り、予測を置いておく。外れたら外れたと書く。

特に②は、俺自身の生活がそのまま実験台になる。俺のエリアでは競合に走る配達員が目に見えて増えてる。受諾確率モデルの理屈なら、Uberはいずれこのエリアの提示額を上げざるを得ないはずだ。上がるか、上がらないか。どっちに転んでも、答えが一つ手に入る。

配達員は何ができるか

ここまで読んで暗い気持ちになった同業の人に、実用の話を3つだけ。

1. 自分の基準（円/km）を持つ。相手が受諾確率で値付けしてくるなら、こっちは自分の損益分岐を数字で持って、下回る玉は淡々と蹴る。それが唯一の交渉手段だ。「安くても受ける」というデータを返すほど、次のオファーはもっと安くなる──構造的に、そうなっている。

2. 比較する。複数アプリの値札を見比べて高い方を取る配達員が増えるほど、プラットフォームは単価で競争せざるを得なくなる。逆に専属化するほど、安い提示が通りやすくなる。ランク制度が併用を邪魔する設計になっているのは、偶然じゃないと俺は思ってる。

3. 全滅の日は、頑張らない。どのアプリも安い日は、たしかにある。そういう日に必死に走っても、単価は1円も上がらない。値段を決めてるのはアルゴリズムで、配達員が持ってるレバーは「受ける・蹴る・解体する・オフラインにする」の4つだけだ。だから俺は、頑張らない日を知ってることが、この仕事の一番の武器だと思ってる。

最後におまけ。英国の研究者たちが使った「データ開示請求」は、日本にも同種の仕組みがある（個人情報保護法の開示請求）。自分の全配達データを事業者に請求する道は、制度上は日本の配達員にも開かれている。手間はかかるが、「自分の単価の歴史」を数字で取り戻す方法が一応存在する、ということは書き残しておく。

まとめ

公式が認めているのは「受諾されやすさが報酬計算に入っている」こと、「客の支払いと配達員の取り分は切り離されている」こと。英国の実証が示したのは「取り分は案件ごとにバラバラで、明細からは情報が消えていく」こと。そこにAIの推測を一枚重ねると、Uberの配達料金は運賃計算ではなく、「受けさせるための最小額」を探し続ける逆オークション──という一つの絵になる。

4kmで320円が来るのは、あなたの走りが安いからじゃない。「その額でも誰かが受ける」と機械が学習しているからだ。そして、その学習データを日々提供しているのは、俺たち自身でもある。

この推測が当たっているかどうかは、上の予測表で答え合わせしていく。次回は単価の推移とランク制度の続報をまとめて書く予定だ。

【追記 2026/7/3】続編を公開しました。配達員がXで実際に囁いている疑念（謎クエの正体・「AIが足元見てる」説など）に、同じ設計者視点で一つずつ答えています: 「AIが足元見てる」は本当か

【続報・2026/7/21】この記事の予測表(F-1〜F-8)の答え合わせを公開しました。本命F-1は外れました──その外れ方の分析はこちら: ウーバーイーツの単価はなぜ戻らない？「底値」と「クエストの蛇口」── AI予測の答え合わせ第2弾

Sources

• Uber Under the Hood: Understanding Upfront Fares（Uber公式・ドライバー報酬の計算要素の説明）
• ACM FAccT 2025: “Not Even Nice Work If You Can Get It; A Longitudinal Study of Uber’s Algorithmic Pay and Pricing”（英国258ドライバー/約150万トリップの実証研究）
• Uber Engineering Blog（マッチング・動的価格の機械学習に関する公式技術記事）
• @uberakafrog 時間帯別単価集計（2026/6/21-22・X公開投稿）ほか配達員界隈X投稿（本文中に個別記載）
• 筆者の配達記録（Uber Eats・ロケットナウ・2026年5月末〜7月頭）
• シリーズ前2本: ウーバーイーツ新ランク制度で結局いくら稼げる？ / AIの予測は当たったのか

本記事の「AIの推測」パートは、公開情報と筆者の実データを素材にAIが構成した仮説であり、Uber公式の説明・決定ではありません。個人別の運賃カスタマイズについてはUberが公式に否定しており、本記事の推測もグループ単位のテスト（公式が認めている範囲）までを前提としています。