深圳の自転車走行距離は道路・施設・利用者の感じ方とどう結びつくか

背景と課題

走行距離を考えるには、道路や沿道施設に加え、利用者が経路をどう感じるかも手掛かりになる。著者らによると、従来の研究は物理的な環境を中心に扱うことが多く、環境指標と距離の関係を直線的と仮定すると、ある水準で関係が変わる「閾値」を捉えにくい。本研究は中国・深圳市の南山区、福田区、羅湖区を対象に、実際の走行軌跡と客観的・知覚的な環境指標を結び付けて分析する。

研究の方法

観測単位は１回の走行経路と、その経路から半径400メートルに設けた帯状の範囲である。目的変数は出発地と到着地の直線距離ではなく、走行軌跡から求めた距離。2019年１月１～７日のシェアサイクル記録から、出発点・到着点・追跡点が対象地域内にある軌跡を選び、所要時間が30秒未満または１時間超、走行距離が100メートル未満または４キロメートル超のものを除いて514経路を得た。各経路の範囲に人口の格子データ、道路データ、施設の位置情報を重ねる。説明変数は人口密度、道路網密度、土地利用混合度、交通・住宅・商業・娯楽施設の割合、知覚上のアクセス性・安全性・快適性の計10項目。道路網密度は範囲内の道路延長を面積で割り、施設割合は該当種類の施設件数を範囲内の全施設件数で割る。土地利用混合度は、用途別の面積割合を使うエントロピー指標で、各割合にその自然対数を掛けて合計し、符号を反転して用途数の対数で割る。値が高いほど用途が多様と読む。ただし、施設の位置情報から用途別の面積割合をどう得たかは本文で明確でない。知覚指標には同年７～８月の沿道調査の有効回答2471件を用い、100点満点の回答を正規化した。複数の回答や質問を経路ごとの３指標へまとめる詳しい手順も示されていない。

次に、XGBoostという、条件に応じてデータを分ける決定木を順に足す回帰手法で、10項目から距離を推定する。各木は前段階までの予測を補正し、最終的な予測距離は各木の出力の和になる。学習時には、実測距離と予測距離のずれを表す損失の合計に、木の葉の数と各葉が与える補正量への罰則を加えた目的関数を小さくする。葉の補正量は、直前の予測で損失がどう変化するかを示す１次・２次の変化率を使って求める。本文の式では、葉の数への罰則を強めると分岐を、補正量への罰則を強めると大きな補正を抑える。ただし、損失関数の具体形と分岐の探索手順は示されていない。学習曲線と格子探索で設定値を選び、５分割交差検証を行い、データの20％をテスト用にした。出力は予測距離に加え、各変数の予測への相対的重要度と部分依存図である。部分依存図は指標の値に応じたモデル予測の変化を示し、関係が変わる水準を読むために使う。

この研究の新しさ

著者らが掲げる新規性は、経路沿いの人口・道路・施設構成と、利用者が感じるアクセス性・安全性・快適性を同時に扱い、走行距離との非線形な関連を調べた点にある。とくに知覚指標にも閾値があるかを検討した。相対的重要度は予測への寄与を表し、環境を変えたときの距離の増減量ではない。

従来研究との違い

論文は知覚指標の有無、およびXGBoostと線形回帰を比較する。知覚指標を含む場合の決定係数R²はXGBoostで0.694、線形回帰で0.327。含まない場合はそれぞれ0.432、0.213だった。R²は観測された距離のばらつきに対するモデルの当てはまりを示す指標である。表には平均絶対誤差なども載るが、値の尺度が明確でないため、メートル単位の誤差としては読めない。

結果と評価

相対的重要度は人口密度24.8％、道路網密度15.2％、娯楽施設割合9.1％、快適性8.6％、知覚上のアクセス性8.0％だった。部分依存図では、人口密度が約１万4000人、さらに約２万2000人／平方キロメートルになる付近で予測距離が上がり、道路網密度は逆Ｕ字型の関係を示した。本文は道路網密度の変化点として約３と７キロメートル／平方キロメートルを挙げる。娯楽施設割合では約８％と13％で上昇が目立つ。知覚上のアクセス性は得点0.4付近で正の関連が強く、0.45を超えると弱まる。安全性は0.45付近、快適性は0.65付近で関係が変わる。これらは対象データから得たモデル上の関連であり、指標をその水準まで変える施策の効果を測ったものではない。

限界・注意点

著者らは、結果が相関であり因果関係を示さないこと、走行目的や複数目的地を特定できないことを限界に挙げる。軌跡は１月、アンケートは７～８月で時期が異なり、回答者の選定に調査員の主観が入りうるとも述べる。分析対象は深圳の主要３区の514経路で、走行時間と距離による除外条件もある。長距離走行、郊外、他都市への一般化には別途検証が必要である。