駅周辺の区切り方で、通勤手段の分析結果はどう変わるか

背景と課題

駅周辺の住宅や雇用の集まり方と通勤行動の関係を調べるには、まず「駅周辺」の範囲を決める必要がある。円形に区切るか、道路網に沿って到達できる範囲を取るかで、同じ駅でも含まれる場所が変わる。集計する区域の形や広さによって分析結果が変わる問題を、可変空間単位問題という。本研究は駅の乗車人数ではなく、区域内の通勤者のうち徒歩・自転車、公共交通、自家用車を使う人の割合である通勤手段分担率を扱う。

研究の方法

観測単位は米国34都市圏にある鉄道駅2,174駅とBRT（バス高速輸送）駅620駅の周辺区域である。著者らは駅の座標と種別を確認し、各駅について19種類の区域を設定した。円形、道路や歩行経路に沿うネットワークバッファ、近隣駅との距離に基づいて区域を分けるティーセン多角形を、それぞれ200～1,200メートルの６段階で作り、国勢調査のブロックグループも加えた。目的変数は2015～2019年の米国コミュニティ調査による、徒歩・自転車、公共交通、自家用車の通勤分担率である。説明変数には住宅・雇用密度、世帯当たり雇用数、交差点密度、都心からの距離、到達可能な雇用数などを用い、所得、年齢、自動車保有なども統制変数として含めた。都市圏の人口密度や多中心性は地域レベルの変数である。区域がブロックグループの一部に重なる場合は、重なった面積の割合で重み付けして値を集計した。区域を変えると、分担率と説明変数の両方が変わる。

次に、説明変数同士の強い相関を分散拡大係数（VIF）で調べ、10を超える変数を除いたうえで、駅種・通勤手段・区域別に４種類のモデルを比較した。重回帰は、他の投入変数を考慮したときの各変数と分担率との線形な関連を係数で表す。階層線形モデルは駅が都市圏に属する構造を扱い、分散成分を制限付き最尤法で推定する。ランダムフォレストは複数の決定木の予測をまとめ、XGBoostは前の木の誤差に対応する木を順に加える。本文には回帰式の具体形、木の更新式、学習時の詳しい設定値は示されていない。出力された分担率の予測・推定値を、決定係数R²、二乗平均平方根誤差RMSE、本文が中央値絶対誤差と説明するMAEで評価する。さらに、変数の重要度、係数の符号と有意性、ある変数の値に応じた予測の変化を示す部分依存図を比べ、区域を変えても結果が安定するか調べた。

この研究の新しさ

従来の駅周辺研究で中心だった鉄道駅に加えてBRT駅を扱い、徒歩・自転車、公共交通、自家用車の通勤分担率を同じ枠組みで比較した。区域の形と広さを変え、回帰系と決定木系の手法で、予測指標だけでなく変数の重要度や関連の現れ方も検討した点に特徴がある。

従来研究との違い

検討した区域では、ネットワークバッファを使うモデルが、円形区域、ティーセン多角形、ブロックグループを使うモデルより概して予測指標が良く、結果のばらつきも小さかった。徒歩・自転車と公共交通にはBRT駅で800メートル、鉄道駅で1,000メートル、自家用車には両駅種で1,200メートルのネットワークバッファが有力とされた。これらは比較した区域とモデルの範囲での評価である。機械学習モデルの指標は、回帰系モデルより区域の変更に敏感だった。

結果と評価

評価には区域別のR²、RMSE、MAEに加え、変数重要度のばらつき、有意な変数の数、係数や部分依存図の変化を用いた。雇用密度、世帯当たり雇用数、交差点密度、住宅密度、都心からの距離、雇用への到達可能性、地域人口密度などは、比較的安定した要因として挙げられた。ただし、重要度が常に同じという意味ではない。鉄道駅の徒歩・自転車分担率モデルでは、雇用密度の重要度は区域によって20～55％の範囲で変わった。これらは関連や予測への寄与を示す結果であり、都市環境を変えた場合の因果効果ではない。

限界・注意点

著者が挙げる限界は、検討した４種類の区域が実際の駅利用圏を最もよく表すとは限らないこと、国勢調査データの制約から街路幅、緑、駐車場数などの細かな要因を含められないこと、郊外鉄道駅と地下鉄駅を区別できないことである。編集上の確認事項として、本文には学習と評価のデータ分割や詳しいパラメータ設定が示されておらず、予測指標を未知の地域での性能とは読み替えられない。また、要約表には鉄道駅の距離を「100メートル」とする記載があるが、結果本文・考察・結論は「1,000メートル」と記しているため、本解説は後者に従った。