#463「車のデータが金になる時代 ー 海外モビリティ企業7つの収益化戦略」（探求爆発デイズ#101）
今回は、自動車データのマネタイズ戦略について調べました。
今、あなたが乗っている車は、実は走る「データ生成マシン」である。車には数千個のセンサーが搭載され、走行中に毎秒膨大なデータを生み出している。その情報量は1日で数ギガバイトにも達する。驚くべきことに、Teslaはこうした車両データや関連サービスを活用して、新たな収益源を開拓している。実際、Teslaが2024年前半（1～9月期）に得た売上の約3％は、車両データに基づく事業（排出クレジット取引など）によるものであった。これは車を1台も追加生産することなく生まれた収益である。また、2024年通年では排出枠（カーボンクレジット）の販売収入が27.6億ドル（前年比54％増）に達し、同年第4四半期にはクレジット販売だけで純利益の約30％を稼ぎ出した。まさに「データこそが新たな石油」という業界の認識を裏付ける例と言えるだろう。
世界のモビリティ業界では今、車両の走行データ、ドライバーの運転挙動、交通の流れなど、「モビリティ・データ」が持つ価値に注目が集まっている。適切に分析・活用すれば、こうしたデータは巨大なビジネスチャンスを生み出すからである。
本稿では、海外の先進企業がどのようにモビリティデータを**マネタイズ（収益化）**しているのか、7つの切り口から具体的事例を解説する。単にデータを集めるだけでなく、「データを意味のある洞察に変え、顧客に具体的な価値を提供する」ことが成功の鍵となっている。
第1章：車両データという金脈 – 保険・メンテナンスへの活用
まず注目すべきは車両テレマティクスデータの活用である。英国のスタートアップWejoは、かつてFordなどの車両から収集されるテレマティクスデータを活用し、保険会社向けのサービスを展開していた。GPSによる位置情報、速度、急ブレーキの回数、急ハンドルやコーナリングの挙動といった運転に関するあらゆるデータを機械学習で分析し、ドライバーごとのリスクスコアを算出する。そのスコアに基づき、保険会社は安全運転者には割引を、リスクの高い運転者には割増保険料を設定できるという仕組みである。しかし、このビジネスモデルの実現には時間がかかり、Wejo社は2023年に資金難から破綻する事態となった。市場の期待は大きかったものの、十分な収益化までの道のりが見通せず、時期尚早だったことが一因と分析されている。このケースは、「車両データは金脈」とはいえ、モネタイズには実行力と適切なタイミングが不可欠であることを示している。
一方、イスラエル発のOtonomoはさらに大規模なデータプラットフォーム型ビジネスモデルを構築した。世界中の様々なメーカー車両から集めた50万台超の車両データをAIで分析し、保険会社だけでなくフリート（車隊）管理会社、スマートシティの行政機関など幅広い顧客に提供した。その収益モデルは、データの量・質や分析の深さに応じた階層型サブスクリプション形式である。例えば基本プランでは一定のデータアクセスと分析API、高度なプランではリアルタイム分析や予測レポートも提供するといった具合である。Otonomoは上場も果たしたが、市場環境の変化に伴い苦戦し、2023年に米Urgently社との合併に踏み切った。新生「Urgently-Otonomo」は26か国で事業を展開し、自動車メーカー、地図・ナビ、保険、フリートなど**100以上のパートナー契約（最大7千万台規模の車両をカバー）**を持つモビリティサービス企業として再出発している。これもデータ事業の統合・再編が進む例と言えるだろう。
またドイツのContinental（コンチネンタル）は、自社の強みを生かして予防保全のサービスで車両データを収益化している。エンジンの振動パターン、オイルの劣化具合、ブレーキパッドの摩耗状態などを車載センサーでリアルタイム監視し、故障の兆候を検知した段階で整備を促すサービスを提供している。これにより故障や思わぬダウンタイム（稼働停止時間）を未然に防ぎ、修理コストも最適化できる。そのためトラックやバスなど商用車フリートを運営する企業から高い評価を得ている。例えば大型トラックの運行会社では、このサービス導入後に年間の計画外故障によるダウンタイムを○％削減できたとの報告もある（※具体的な数字は社内データによる）。コンチネンタルはタイヤ空気圧管理システム「ContiConnect」のように、車両状態監視のデジタルソリューションを次々投入しており、車両の健康診断ビジネスとも言える分野を開拓している。
以上の事例に共通するのは、単に車両データを収集するだけでなく、そこから「意味のある洞察」を引き出し、顧客にとって具体的な価値に変換している点である。例えばWejoのリスクスコアやContinentalの故障予知情報は、そのまま保険料設定や整備計画といった顧客の意思決定に直結する。これを支える技術としては、時系列データ予測モデル（古典的なARIMAモデルからディープラーニングのLSTMモデルまで）による異常検知、クラウド上のビッグデータ基盤による大規模解析などが駆使されている。膨大なセンサーデータの中から、人間では気づけない微細なパターンや予兆を機械学習で見つけ出し、価値ある情報に高めているのである。
第2章：ドライバーの行動が価値を生む – テレマティクス保険と安全インセンティブ
車両データに次いで注目されるのがドライバーの運転挙動データである。米国のCambridge Mobile Telematics（CMT）は、スマートフォンのセンサーだけでドライバーの安全運転スコアリングを行い、巨大なビジネスへと成長させた。スマホの加速度センサー、ジャイロスコープ、GPSから得られる情報を解析し、急加速や急ブレーキ、急ハンドルといった運転挙動、さらには運転中のスマホ操作による注意散漫まで検知する。そして独自の行動スコアリングモデルでドライバーごとの安全度を評価し、保険会社向けにリスク指標として提供しているのである。その信頼性は規制当局からもお墨付きで、CMTのスコアリングモデルは米国49州（ワシントンD.C.含む）で保険商品への活用が認可されている。このモデルを導入した保険では、安全運転者には割引や報奨を与え、危険運転者には保険料上乗せなどメリハリをつけることが可能になる。
興味深いのは、この仕組みがドライバーの行動変容をもたらしている点である。CMTによれば、テレマティクス連動の保険アプリを定期的に利用するドライバーは運転行動が改善する傾向があり、スマホ使用による「ながら運転」など危険行為が減少するとのデータがある。実際、ボストン市などで行われた安全運転コンテストでは、最もリスクの高かった層の参加者で注意散漫運転が48%減少し、急加速・急ブレーキも3～5割減るという劇的な改善が記録されている。データによる「見える化」がドライバーにフィードバックされることで、行動が修正され、安全運転に繋がっているのである。
欧州でもドライバーモニタリングシステム（DMS）の普及が進んでいる。EUの新規制により、2024年以降に発売される新車には運転者の状態監視機能の搭載が義務化された。メルセデス・ベンツなど高級車メーカーは、いち早く車内カメラによる居眠り検知やわき見警報機能を標準装備し始めている。これらのシステムは、コンピュータビジョン×機械学習によってドライバーの視線やまぶたの動き、頭の傾きなどをリアルタイム解析し、疲労や注意散漫を検知する。危険が察知されるとアラームや振動で注意喚起し、事故を未然に防ぐ効果が期待されている。欧州全域での義務化により、この種のインキャビン監視データも今後、新たなサービス価値（例：運転者の健康管理や保険割引など）を生み出す可能性がある。
さらに、GrabやUberといったライドシェア企業も、ドライバーデータの活用で独自の安全戦略を展開している。Uberは運転中に取得できるスマホのGPS、加速度、ジャイロなどのデータを分析しており、各ドライバーに運転習慣のフィードバックレポートを送付している。急発進や急ブレーキ、スピードの出しすぎ、カーブでの急ハンドルといった指標について、他のドライバーとの比較も交えながら改善を促す仕組みである。その目的はドライバーの安全運転意識を高め、事故率を下げることにある。実際、Uberはこうしたデータに基づき安全運転スコアの低いドライバーには警告や教育プログラムを実施し、改善が見られない場合は配車プラットフォームから除外することもある。また逆に、安全運転を続け高評価を得ているドライバーには「Uber Pro」などのプログラムを通じて報酬アップや優先配車といったインセンティブを与えている。
東南アジアのGrabも、テレマティクスを活用した独自の安全プログラムを展開している。シンガポールではGrabRentals（同社のレンタカー事業）向けに安全運転スコアプログラムを実施しており、招待制で選ばれたドライバーに対し3か月間の走行データを監視する。急ブレーキの回数、速度超過の頻度、急ハンドルの発生率といった指標から毎週安全スコアを算出し、優秀なドライバーには月ごとに報奨ポイント（最大12,000ポイント＝金銭換算で数百ドル相当）を支給している。このように安全運転が直接的に収入や待遇向上に結びつくため、ドライバーのモチベーションも高まり、結果的にプラットフォーム全体の安全性向上と顧客満足度向上につながっているのである。
第3章：運行データが効率を極める – 配車プラットフォームのAI活用
オンデマンド配車の世界的大手であるUberの成功の裏にも、実は高度な機械学習システムの存在がある。同社は2015年頃から本格的に機械学習をビジネスに取り入れ、2016年にはAI研究企業Geometric Intelligenceを買収して「Uber AI Labs」を設立した。そこから生まれた成果の一つが、到着時間予測システム**「DeepETA」**である。
DeepETAは、Uberが2022年に発表したETA（到着予想時間）推定モデルで、地図データやリアルタイム交通情報を用いた物理モデル（経路計算）と、ディープラーニングによる統計モデルを組み合わせたハイブリッドアプローチを採用している。従来のルーティングエンジンは道路網をグラフで表現し最短経路を計算して所要時間を見積もるが、これだけでは**「地図は実際の地形とは違う」という課題がある。つまりモデル上の最短経路が、現実の交通状況やドライバーの選好を反映していない場合が多いのである。DeepETAではまず地図ベースの経路所要時間を計算し、それと実際のドライバー行動との差（残差）を機械学習で予測する。膨大な過去の走行データから、「ドライバーが実際に選ぶ迂回ルート」や「時間帯・場所ごとの渋滞パターン」を学習し、残差補正することで高精度なETAをリアルタイム算出する。Uberによれば、このディープラーニングモデル移行によって既存の勘定木モデルより平均絶対誤差（MAE）を大幅に改善**し、ミリ秒単位の高速応答も実現したとのことである。
需要予測の分野でも、Uberは時系列解析＋深層学習による最先端技術を駆使している。過去の乗車データから曜日・時間帯ごとの需要パターンを学習する時系列モデルに加え、季節変動や突発イベントの影響を捉えるリカレントニューラルネットワーク（RNN）を組み合わせている。例えば平日朝や金曜夜に需要が増えるといった定期的パターンだけでなく、天候の急変や大規模イベント開催など外的要因も入力データに加味する。これにより未来の乗車リクエスト件数を高精度に予測し、Uberはサージプライシング（需要連動型料金）を適用するエリアとタイミングを判断している。需要が供給（利用可能なドライバー数）を上回る地域では運賃を一時的に引き上げてドライバーに稼働インセンティブを与え、逆に閑散エリアでは料金を下げて需要喚起を図る。この動的価格設定により、Uberは限られた車両リソースを都市全域で最適に配分し、マッチング率向上と収益の最大化を実現しているのである。
さらにUberはルート最適化にもデータサイエンスを活用している。道路ネットワークをノード（交差点）とエッジ（道路）のグラフとしてモデル化し、ダイクストラ法やA*アルゴリズムで最短経路を計算するのは従来型であるが、それに加えて深層強化学習や経路選択の機械学習モデルを導入している。過去の運転データから「特定の時間帯にはこの道路は渋滞するので回避すべき」などの知見を学習し、単純な最短距離ではなく状況に応じて最速となる経路を提示できるようにしている。例えばある地域では昼と夜で渋滞箇所が変わることがあるが、モデルはそれを経験的に学び取り、ドライバーに常に最適なルート案内を提供する。これにより平均乗車時間の短縮や燃料効率の向上が図られ、利用者満足度の向上にも繋がっている。
東南アジアのGrabも、地域特性を考慮したアルゴリズムで需要予測とマッチング最適化を実現している。例えば熱帯モンスーン地域では突然のスコール（豪雨）で需要が急増する傾向があり、またラマダン期間中の時間帯別需要パターンなど独特の要因もある。Grabのデータサイエンティストたちは各都市の天候データや行事カレンダーをモデルに組み込み、現地に根差した予測モデルを作り上げている。その結果、ある都市で豪雨が降り始めると即座に需要急増を検知してプライシングを調整し、ドライバーへの通知や利用者への割引オファー発出などを行うなど、きめ細かな運用が可能になっている。こうしたローカライズされたAI活用により、Grabは東南アジア各国でサービス品質と市場シェアを伸ばしている。
第4章：都市インフラをデータで制する – 交通最適化サービス
次に、都市全体のモビリティ効率を高めるデータビジネスを見てみよう。米国のINRIX（インリックス）は、交通データビジネスの先駆者として知られる。2004年にMicrosoftの研究部門からスピンアウトして設立されたこの企業は、創業当初から革新的なアプローチを採った。カーナビなどから収集する車両プローブデータに加え、道路に設置したセンサーからのデータも統合的に分析し、リアルタイム交通情報サービスを提供したのである。現在では世界145か国以上で日々数十億件のデータポイントを収集し、渋滞情報や最適経路案内、交通予測レポートなど様々なサービスを官民に提供、年間1億ドル以上の売上を計上している（2016年時点）。
INRIXのビジネスモデルの巧みさは、政府機関を「データの収集者」から「データの購入者」に変えたことにある。かつては各自治体が自前で道路にチューブ型センサーを設置し、通過車両数を計測するなどして交通量調査を行っていた。しかしINRIXのデータの方が高精度かつ低コストであるため、多くの自治体が自前調査をやめ、INRIXからデータを購入するようになったのである。実際、INRIXは米国内だけでも40州の200以上の政府機関と契約を結んでおり、ロサンゼルス市ではINRIXの分析データを活用して市内全域の信号機タイミングを再プログラムした結果、渋滞を5％削減することに成功した。巨額のインフラ投資をせずとも、データに基づく最適化で交通フローを改善できることを示した好例と言えるだろう。
英国発のParkopediaは、駐車場データに特化したビジネスで大成功を収めている。創業者Eugene Tsyrklevich氏が2007年、サンフランシスコで駐車スペースを見つけられず苦労した体験をきっかけに生まれたこのサービスは、当初インターネット上に駐車場情報がほとんど無かったこともあり、「駐車場のWikipedia」を標榜してスタートした。驚くべきことに、Parkopediaはベンチャーキャピタルから一切資金調達をせず、自社のキャッシュフローだけで事業拡大し黒字化を達成した。2017年時点で既に世界75か国・6,000都市をカバーし、Apple、Audi、BMW、Ford、Mercedes-Benz、Toyota、Volkswagenなど主要自動車メーカーと次々提携。2023年現在では89か国・15,000都市・7,000万以上の駐車スペース情報を提供し、完全にグローバルなプラットフォームへ成長している。同社の調査によると92％のドライバーが駐車場探しに困難を感じており、約**半数が駐車場情報を「非常に重要」または「極めて重要」**と考えているとのことである。このニーズの大きさが、同社の事業機会となった。
技術的に見てもParkopediaは、静的データと動的データの融合に強みがある。駐車場の所在地や料金・営業時間などの静的情報に加え、各駐車場の満空状況という動的情報を扱う。センサーが設置された駐車場ではリアルタイム空車数を取得できるが、センサーのない路上駐車などでは高度な数理モデルで埋まり具合を予測している。具体的には、車両から収集される**「駐車開始／駐車終了（Park-In/Park-Out）」の信号や、走行車両の速度減少パターン（空車スペースを探す車特有の挙動）など浮動車データ（FCD）を解析し、特定エリアの路上駐車のリアルタイム占有率を推定する。2015年にはGarmin社と提携し、この駐車予測アルゴリズムをナビに組み込む実証を行った際には80～90％の精度を達成したという。また、Parkopediaはグローバルにフィールドスタッフを配置して駐車場データの現地検証も行うなど、データ品質管理にも余念がない。社内にはロボティクスやコンピュータビジョン出身のPhDを含むデータサイエンティストチームがあって、日々数億件に及ぶデータポイントを処理してサービス精度向上に努めている。資金力で勝る競合（米国のSpotHeroやParkWhizなど）も存在するが、Parkopediaはグローバル統一プラットフォーム**としての地位と高品質データで差別化し、今や自動車メーカー純正ナビの駐車場情報と言えば同社がデファクトスタンダードとなっている。
第5章：決済データが生む新たな価値 – サブスクリプションとMaaS
車両データそのもの以外にも、「モビリティ×データ」の収益化チャンスは数多く存在する。その一つが決済データの活用である。最近注目されるのは、車両やサービスのサブスクリプションモデルである。自動車業界では「所有から利用へ」の流れの中、車を商品ではなく**サービス（月額課金）**として提供する動きが広がっている。
電気自動車メーカーのTeslaはその代表格で、前述のようにEVを生産することで獲得した炭素クレジット（排出枠）を他社へ販売し、2024年には27.6億ドルもの収益を上げた。加えてTeslaは、車両購入後に追加できるソフトウェア機能のサブスク販売にも力を入れている。たとえば自動運転支援システムの「オートパイロット」高度版や、車内エンタメ・通信機能の「プレミアムコネクティビティ」を月額課金で提供し、継続的な収入源としている。こうした取り組みにより、Teslaは車両販売後も顧客との関係を持続し、新機能提供やソフト更新によって常に「進化する車」体験を提供している。これは顧客ロイヤリティの向上にもつながり、将来的に完全自動運転ソフトの定期収入化など、更なる展開も期待されている。
欧州ではVolvoが提供する「Care by Volvo」のような包括的サブスクリプションが人気である。これは月額定額料金で車が利用でき、保険・メンテナンス・税金などすべて込みというサービスである。特にミレニアル世代以降の若い層に支持され、市場が拡大している。サービス提供側のVolvoにとっても、契約ユーザーの走行データや利用パターンを詳細に収集・分析することで、プラン料金の最適化や新サービス開発に役立てている。例えば、走行距離が極端に少ないユーザー向けの低料金プランを用意したり、逆に頻繁に遠出するユーザーには充電サービスとのセットプランを提案するといったデータドリブンな商品設計が可能になる。
またMaaS（Mobility as a Service）プラットフォームにおいても決済データは重要な役割を果たす。MaaSとは、複数の交通手段（電車・バス・タクシー・シェアサイクル等）を一つのアプリで統合し、計画から予約・決済までシームレスに提供するサービスである。このようなプラットフォームではユーザーが支払った運賃を各事業者間で適切に分配する必要があるが、その基盤となるのが決済データである。各ユーザーがどの交通手段をどれだけ利用したかという履歴データをもとに、プラットフォーム運営者は事業者間の収益配分を算出する。また、利用パターンの分析から需要予測や価格設定の調整にも活用できる。たとえば特定区間で地下鉄とバスのどちらがよく使われているか、時間帯や曜日で需要はどう変わるかなどの洞察を得て、利用促進キャンペーンやダイナミックプライシング（需要に応じた割引）を実施するといった応用が可能である。決済データは言わばモビリティサービスの血液であり、その流れを詳しく分析することでサービス全体の効率と収益性を高めることができるのである。
第6章：規制データの意外な収益化 – オープンデータ戦略
一見するとコストセンターに思える規制対応のためのデータ収集も、工夫次第で収益機会に転換できる。その好例として挙げられるのが、ロサンゼルス市が導入したMDS（Mobility Data Specification）である。MDSはロサンゼルス市交通局（LADOT）が2018年に策定した新しいデータ標準/APIで、電動キックスケーター事業者など新興モビリティサービス事業者に対し、リアルタイムの車両データ提供を義務付けた。具体的には、LimeやBirdといったスクーターレンタル各社は、市のAPIに接続して各車両の位置、稼働状況（走行中か駐車中か）、利用履歴などを定期的に報告する必要がある。この仕組みにより、市当局は民間事業者が展開する新モビリティの実態を把握し、交通計画や道路管理に活かせるようになった。
しかし、ロサンゼルス市はここで止まらない。収集した膨大なデータを匿名化・集計処理した上でオープンデータとして公開したのである。これは第三者のアプリ開発者や研究機関にとって宝の山となった。例えばロサンゼルス市のオープンデータを活用して、スクーターの利用需要が高い場所と時間を教えてくれる民間のナビアプリが登場したり、歩行者の安全確保のためにどのエリアで走行ルール違反（歩道走行等）が多いかを視覚化する大学研究プロジェクトが生まれたりしている。つまり規制履行コストで集めたデータをさらに開放し、新たなサービス創出のエコシステムを形成したのである。これにより市民や事業者にも付加価値が還元され、結果的に市としての施策効果（渋滞緩和や安全性向上など）も高まるという好循環が生まれている。
ニューヨーク市も同様のアプローチを取っている。ニューヨーク市タクシー・リムジン委員会（TLC）は、市内のタクシーやライドシェア（Uber等）の運行ログデータを詳細に収集し、それをパブリックデータセットとして公開している。ニューヨークのタクシー乗降記録は有名なオープンデータで、過去10年以上にわたり膨大な履歴が公開されてきた。そのデータには各乗車の日時・場所、降車の日時・場所、走行距離、料金、チップ額等が含まれている（もちろん個人情報は含まれない）。このデータを活用して、市内の交通流動パターンを分析したり、タクシーの需給マッチングを改善するサービスが数多く登場した。例えば需要予測ツールでは、過去の傾向から「今この地点に◯台タクシーがいれば待ち時間を短縮できる」といった助言をドライバーに提示し、効率的な営業を支援している。また別のスタートアップは、このオープンデータを活用して配車アルゴリズムを高度化し、従来よりも平均配車時間を短縮する実証を行った。行政が規制目的で集めたデータをオープンにすることで、民間の知恵と技術が掛け合わさり、新たな価値創造につながっているのである。
このように、規制を「コスト」と捉えるのではなく「機会」と捉える発想は重要である。ロサンゼルスやニューヨークの例では、行政当局はデータのキュレーター兼プラットフォーマーとなり、自らはデータ駆動型政策の精度を高めつつ、民間にはデータという素材を提供してイノベーションを誘発するというwin-winの関係を築いている。結果的に市民にも便利なサービスが増え、都市全体のモビリティ体験が向上するという副次効果も生まれている。
第7章：サステナビリティが生む巨額収益 – クレジット取引とV2G
最後に、環境・サステナビリティ分野のデータ活用を見てみよう。前述のTeslaによるカーボンクレジット取引はその典型例である。Teslaは電気自動車のみを販売しているため排出規制上は常にクレジット超過（余剰を保有）状態にあり、余剰クレジットを排ガス規制を満たせない他社に売却している。2024年にはその収益が27.6億ドルに達し、Teslaの年間純利益84億ドルの約30％を占める規模になった。規制を逆手にとって環境価値を直接マネタイズする究極の例と言える。
このカーボンクレジット市場は年々拡大している。米国では自動車メーカー各社が温室効果ガスの企業平均燃費（CAFE）規制に対応すべくクレジットの売買を盛んに行っている。EPA（環境保護局）の報告によれば、2023年にGMは約4,400万トン相当の排出クレジットを購入し、Teslaは業界最大の約3,400万トン分を販売したという。他のメーカーを除くと、業界全体では4,350万トン相当の排出超過（不足）が生じており、Teslaが単独でそれを埋め合わせるクレジット供給源となった格好である。EUでも2025年に排出基準が一段と厳格化されるのを前に、メーカー間の**「クレジットプーリング」が活発化している。2024年末時点でStellantis、トヨタ、Ford、マツダ、スバルといったメーカーはTeslaとのプール契約を結び、Mercedes-BenzはVolvo傘下のPolestarやSmartと組む計画を表明した。EU自動車工業会（ACEA）の前会長であるルカ・デメオ氏（ルノーCEO）は「何も対策しなければ欧州業界全体で2025年に150億ユーロ（約1.56兆円）の罰金を科されかねない」と試算しているが、各社ともクレジット取引によりそれを回避すべく動いている状況である。これは、環境規制が厳しくなるほどクレジットという「見えない商品」を巡る市場が拡大し、持つ者（EV専業メーカー）と必要とする者（従来メーカー）との間で巨額の価値移転が起きる**ことを意味する。
また、V2G（Vehicle-to-Grid）技術も新たな収益源として注目されている。V2Gとは電気自動車のバッテリーに蓄えた電力を電力網に戻す（供給する）仕組みで、電力需要ピーク時にEVからグリッドへ電力を供出する代わりに報酬を得るモデルである。米国や欧州では電力会社とEVユーザー間でのV2G実証が各地で進んでおり、徐々に商用サービスも始まっている。例えばニューヨーク市で行われたパイロットプロジェクトでは、日中のピーク需要時間帯にNissan Leaf電気自動車3台が電力会社ConEdisonに電力供給を行い、EVオーナーに収入が発生することを確認した。このプロジェクトではニューヨーク州のVDER（分散エネルギーリソースの価値）プログラムを活用し、60日間の実証期間でEVからの電力エクスポートに対する補償が支払われている。報酬は供給した電力量だけでなく、需要ひっ迫緩和への貢献度（ピークカットのタイミングと場所）など複数の指標で決まり、10年間の固定契約とすることで安定収入を得られる仕組みであった。欧州でもオランダやデンマークで同様の試みが行われ、EVのモバイル蓄電池としての価値が実証されている。将来的にはV2G対応EVが増えることで、一般のEVオーナーが走行しない時間帯に電力市場に参加し、副収入を得ることも十分考えられる。スマート充電技術企業や電力ベンチャーは、既にこの領域で収益を上げ始めており、エネルギーとモビリティの融合ビジネスとして期待が高まっている。
環境データ分析の面でも、新たなサービスが増えている。例えばLCA（ライフサイクルアセスメント）を活用し、EVやハイブリッド車の製造から廃棄までの環境負荷を可視化して企業に提案するコンサルティングサービス、GISマッピングと走行データから地域ごとの実走行燃費や排出量マップを作成して自治体の環境政策に資するサービスなどである。また一部のテレマティクス企業は、運転挙動データを基に**「エコドライブスコア」**を算出し、企業の社用車ドライバーにエコ運転を促すソリューションを提供している。これにより燃料消費やCO₂排出を削減しつつ、安全運転にもつながる一石二鳥の効果が得られるため、企業のESG目標達成にも寄与している。機械学習により各ドライバーの無駄な加速・減速を検知し、改善提案をリアルタイムで行うアプリなども登場しており、環境データ×モビリティの分野は今後さらなる拡大が見込まれる。
データが拓くモビリティの未来 – 日本への示唆
ここまで7つの切り口から、モビリティデータの収益化戦略を見てきた。繰り返しになるが、成功の鍵は単なるデータ収集ではなく、そこから価値ある洞察を引き出し顧客に提供することである。紹介した事例はいずれも、データを**「顧客にとっての意思決定軸」**に変換している。車両データから保険料率を算定したり（第1章）、ドライバー挙動データから安全インセンティブを設計したり（第2章）、運行データから需給マッチングと価格を最適化したり（第3章）、都市規模のビッグデータで信号機制御や駐車場案内を最適化したり（第4章）と、具体的な価値提案に落とし込まれているのである。
さらに注目すべきは、これらデータビジネスが相互に連携し始めていることである。異なる分野のデータ活用が組み合わさることで、より大きなエコシステムと価値創出の循環が生まれている。例えば車両データを使ったテレマティクス保険で事故率が下がれば（第2章）、事故減少によるCO₂排出削減効果が生まれ、それが環境クレジットの創出につながるかもしれない（第7章）。また安全運転インセンティブ（第2章）でドライバーの運転が穏やかになれば燃費が向上し、浮いた燃料コストをMaaS利用クーポンで還元する、といったクロスサービス施策も考えられる。車両データが保険料を決定し、その保険データが運転行動を改善し、改善された運転行動がまた炭素クレジットを生む――このような好循環が実際に動き出しているのである。データを媒介に、モビリティ業界全体が従来にはないスピードで結びつき、1+1を3にも4にもする新たな価値共創の時代が到来している。
日本企業にとっても、これら海外事例から学ぶべき点は多いだろう。日本勢は車両そのものの技術力では世界トップクラスであるが、データをマネタイズする発想と実行力においては、正直まだ遅れをとっている面がある。たとえば自動車メーカー各社はコネクテッドカーから膨大なデータを取得できているはずだが、それを使ったサービス展開（保険・メンテナンス・ユーザー体験向上など）は欧米に比べ限定的である。また行政もオープンデータの取り組みで欧米に学ぶ余地がある。規制をコストとみなすのではなく機会と捉え、民間と協調してデータエコシステムを育てる視点が求められている。
車は今や、単なる移動手段を超えてデータ生成プラットフォームへと進化した。この変化をいち早く理解し、適切に活用できる企業こそが、次世代モビリティビジネスの勝者となるだろう。日本企業にはぜひ、自社に眠るデータ資産に目を向け、それを核に新たな価値提供モデルを生み出すチャレンジを期待したい。データが拓くモビリティの未来は、まだ始まったばかりである。
以上
