大会特集号論文
小売店舗立地モデルのための歩行者単位でのリンク別交通量算定手法の構築
2026 年 34 巻 2 号 p. 28-34
詳細
2026 年 34 巻 2 号 p. 28-34
Pedestrian traffic volume on the frontage road is regarded as a crucial factor influencing customer inflow in retail location strategies. Therefore, this study aims to develop a method for accurately estimating pedestrian traffic volume. While conventional visual surveys have difficulty covering small-scale streets, the use of GPS location data obtained from smartphones enables the measurement of pedestrian flows across a wide area, including alleys and residential streets. A key novelty of this study lies in incorporating the accuracy information (mean error radius) attached to each GPS point into the map-matching process, thereby reflecting point-specific error characteristics. As a result, the proposed method allows for the estimation of traffic volumes that account for sidewalks on each side of arterial roads and provides multiple aggregation patterns that correct for biases in the number of observation days per user. These findings contribute to advancing analyses of commercial agglomeration structures and improving land-use models for retail location planning.
顧客と対面で取引を行う小売店舗の立地戦略においては，店舗前面道路の歩行者交通量が重要な要因である（小松ほか，2013；国土交通省，2019）．特に駅周辺等の歩行者数が多い地区では，幹線道路に限らず，街区内の細街路や路地においても一定の交通量があり，その結果，商業施設や小売テナントが立地する場合が多い．このため，小売店舗の出退店予測や商業用建物による土地利用のモデル化を高精度にするためには，街路・歩道網全域を対象とした歩行者交通量の把握が不可欠である．
歩行者交通量は，これまでも調査員による目視計測のような人海戦術的手法で実施されてきた．しかし，この方法では対象範囲や計測リンク数に限界があり，細街路や住宅地のような小規模リンクまで集計範囲を拡張することは困難であった．この課題に対して，GPS位置情報が新たな交通行動データ源として注目されており（Incel et al., 2013），特にモバイルアプリケーションを介して収集された匿名化位置情報データは市販サービスを通じて入手可能となる等，GPSデータの利用障壁は低下している（吉田ほか，2023）．携帯端末が日常生活に深く浸透している現状を踏まえると，GPSデータは広域かつ詳細な歩行者交通量を取得できる有効な手段となり得る．
本研究では，このGPS位置情報データを活用し，従来調査では把握が難しかった路地や住宅地内の街路を含む歩行者交通量の算定を可能にすることを目指した．一方で，幹線道路など交通量が多く車道幅員の大きい道路では歩行者の横断行動が制約され，各沿道施設の反対車線側の歩道の歩行者はその利用者となりにくい．その結果，それぞれの沿道土地利用には，前面道路における手前側の歩行者通行量が直接影響し，車道沿道の左右で異なる商業集積構造が形成されることの表現を目指した．
１.２ 既存研究の整理GPSデータを用いた交通量算定に関する既存研究では，データの精度や研究目的に応じて，メッシュ単位あるいはリンク単位で集計されてきた．特にリンク単位の集計ではマップマッチング（以下，MM）によってGPSデータの位置情報を道路リンク上に補正し，ユーザ単位で経路を特定した上で，その経路をリンクごとに集計することでリンク別交通量を推計している．
田中ほか（2011）は，取得間隔が約1分のGPSデータに対し，トータルウェイトスコアを用いたMMを適用し，リンク別の歩行者交通量を算定した．この研究では，幹線道路を車線別に歩道リンクとして構築し，各リンクの交通量を補正することで，GPSデータから歩行者のリンク交通量を推計可能であることと示している．吉田ほか（2023）は，駅を起点とするトリップのみを抽出し，MMを用いて各トリップの通過リンクを推定した．その上で，推定したリンク系列をもとに経路選択肢集合を構築し，Cross Nested Logitモデルを適用して経路選択行動を分析している．
また，GPSデータから歩行者の街中の行動をメッシュ単位ではなく分析した例として，長谷川ほか（2024）の研究がある．長谷川ほかは，駅に滞在があったユーザから，駅を起点とする徒歩行動を抽出し，駅を中心とした方角によって，徒歩圏が異なることを示した．
このように，GPSデータを道路リンク上に補正し，経路を推計する研究や，ユーザ別に時系列順にGPSデータを追跡することで歩行者の行動経路や行動範囲を把握する研究は存在する．しかし，本研究で用いるGPSデータは精度情報が付随されており，既往研究ではこの精度情報を考慮したマップマッチングは行われていない．
１.３ 研究の目的と新規性本研究の目的は，小売店の出店や商業建物の土地利用をモデル化する上で重要な説明変数となり得る歩行者交通量を，GPS位置情報データに基づき歩行者単位でのリンク別交通量として算出する手法を構築することである．また，本研究で用いるデータに付随されている精度情報（平均誤差円）を用いたMMにより，経路を特定することに新規性を有している．
本研究のGPSデータは，（株）ジオテクノロジーズが提供する，ポイ活アプリ「トリマ」を介して登録されたユーザのスマートフォンから取得された位置情報を用いた．トリマは歩行距離に応じてポイントが付与されるアプリで，利用者は20～34歳女性（F1層）が多いという特性を持つため，性別・年齢の偏りを考慮する必要がある．一方で，本研究の目的に照らすと，買い回り行動が多い主婦層のデータが豊富な点は本研究に限っては有用である．
取得期間は2024年10月1日～15日であり，この期間に収集された移動時のデータを匿名加工処理した状態で取得した．データには，緯度経度・時刻・方角・IDなどの位置情報と，性別・年齢・職業・婚姻の有無・家族人数などのユーザ情報が含まれる．理想取得間隔は約1分であり，これは田中ほか（2011）や吉田ほか（2023）が経路推定に用いたデータと同等である．
なお，本研究で用いたGPSデータには，秘匿化や精度が著しく乏しいデータが散見されたため，吉田ほか（2023）を参考に図1に示す方法でサンプリング処理を行った．
（吉田ほか（2023）を参考にした）
秘匿化については，個人の特定を防ぐ目的で位置情報が秘匿化（書き換え）された位置情報データが存在しており，秘匿処理時どの程度位置情報が書き換えられているかが不明であった．本研究では正確な位置情報を必須とするため秘匿化された位置情報は除去した．
ユーザデータは，アプリ登録後に各アプリユーザが登録の一環として回答したアンケート調査に基づいたデータであるが，アンケートを回答していないと思われるユーザや，一部項目が欠損しているユーザが散見された．そこで，本研究では，住所（都道府県単位）・年齢・職業・子供同居人数・同居人数・自宅推定メッシュ・職場推定メッシュの全てのデータに欠損がないユーザとした．なお，自宅推定メッシュと職場推定メッシュは，データ取得時の付属データで，各ユーザの行動からメッシュ単位で推計をしたデータであるが，推定がされていないユーザも含まれておりそれらも除去した．
精度情報は精度が著しく悪く街区単位でどの街区にいるのかを特定できないデータを除去することを目的として，後述する本研究で対象とする阪急茨木市駅西側の街区の短辺を参考に半径30 m未満を条件とした．
データ数による条件は，対象地域内に5分以上滞在したユーザのみにする他，秘匿情報や精度が位置情報データの全体的に悪いユーザも図1の順序で処理しているため除去されている．
また，滞在後の再開地点が大きくずれているデータや，自動車・鉄道移動とみられる移動データを除外するため，t時点とt＋1時点の直線距離が150 m以下のデータのみのユーザのデータを採用した．閾値150 mとしているのは，図2に示すように200 m以上では街区を大きく越える移動が多かったからである．本研究では，特に街区内の細街路の交通量の差異も適切に評価することを狙いとしているが，後述のMMにおいて最短経路探索を用いたため，街区を大きく超える移動がデータに含まれると，街区内を単に通過する移動において最短経路が過剰に評価される恐れがあるため，街区を越えないような閾値を設けた．なお，理想取得間隔が1分のデータでt時点とt＋1時点の直線距離が150 mと閾値を設けると時速12 km～15 kmの自転車による移動データは除去されることには注意が必要である．
サンプリング処理後，取得間隔が10分以内のGPSデータ点列を1トリップとする処理をした．ここで，田中ほか（2011）は，取得間隔が3分以内の点列を1トリップとして扱い，長谷川ほか（2024）は20分を閾値としてトリップ分割を実施しているが，本研究では，短い建物内の滞在によりデータ取得が停止していても同一トリップとして扱うために閾値を10分と設定した．トリップ分割後のトリップ内の取得間隔の中央値は，1分4秒で，GPSデータの精度を表す平均誤差円の半の分布は図3に示す通りで，平均値は12.6 m，中央値は14.2 mである．
また，サンプリング後に取得されたユーザの性別と年齢の分布と居住地は図4，5に示す通りで，性別と年齢の分布には偏りがあり，特に20代女性と50代男性に偏りがあることには注意が必要である．
２.２ 対象エリア
本研究の対象地域は，周辺に商店街が展開し十分な歩行者データが得られる阪急京都線茨木市駅を中心とする半径500 mのバッファーに外接する矩形領域とした．半径500 mは三古（2015）の駅勢圏を参考にした
道路ネットワークは，ゼンリン地図および国土地理院の航空写真を，ArcGIS Geo Suite詳細地図2024およびArcGIS Proのタイルサービスを介して利用し，自作した．リンクの定義は以下の通りである．幹線道路については，両車線の歩道をそれぞれ独立したリンクとし，それ以外の道路は歩道が整備されている場合は歩道中心線，歩道がない場合は車道中心線をリンクとした．平均リンク長は40.4 m，中央値は33.5 m，最短は2.8 m，最長は365.9 mであり，その累積分布を図6に示す．
歩行者交通量は，個々のユーザごとに滞在データと移動データを判別し，MMを適用することで各ユーザの通過経路を取得した．その後，ユーザごとのデータを集計することで対象地域内の歩行者交通量とした．
３.１ 滞在・移動判定本研究で利用したGPSデータは移動時に取得される特性上，建物内での移動も多く捉えられていた．従って，建物内や公園等の滞在地内での行動データ（以下，滞在データ）と建物間の移動データを判定する必要があった．
GPSデータの滞在・移動判定に関しては研究が蓄積されており，DBSCAN（Ester et al., 1996）が固定半径内の密度を，OPTICS（Ankerst et al., 1999）は動的な密度を用いて滞在データの判定をしている．また，Li et al.（2008）は時点tとt＋1の2点間距離と時間差に閾値を設定し，滞在と移動を判別した．吉田ほか（2023）も密度を基にクラスタを形成して判定しているなど，既往研究はいずれも密度や2点間距離といった空間的指標を活用している点で共通していた．
この流れを踏まえ，本研究では理想的な取得間隔（1分）でのデータ取得を前提として，歩行速度を分速60 mと仮定し，以下の3条件を設定した．歩行速度は不動産の表示に関する公正競争規約・同施行規制（不動産公正取引協議会連合会，2022）に定められている分速80 mを参考にしつつも高齢者の速度低下や話しながら歩くことを考え，歩行時の最低速度として設定した．
1）tとt－1の距離が60 m未満であればtは滞在点
2）tの半径60 m以内に5点以上あればtは滞在点
3）t－1とt＋1が移動（滞在）点ならばtは移動（滞在）点
条件3により，信号待ちや測位誤差により滞在中の位置情報が移動と判定される誤りを防ぐ目的で設定した．なお，1分未満の立寄りは分析対象外となるが，購買行動は一般に1分以上を要するため，この条件設定は合理的である．なお，本研究ではt＝0に相当する各ユーザの各日で最初に観測された点は移動点として固定して処理をした．
３.２ マップマッチングMMに関しても多くの研究が蓄積されており，例えば，Yang, C. et. al.（2018）のFast Map Matchingは近年では一般的である．本研究では，①即時性が要求されないこと，②各GPSポイントの精度情報から平均誤差円を描けること，の2点に着目し，朝倉ほか（2000）とOchieng et al.（2003）の手法を参考に構築した．
朝倉ほか（2000）は，閾値Dを設定し，各ポイントからD以内のリンクを通過リンク候補として，それらを最短で結べるリンクペアを経路とした．その後，閾値Dを徐々に拡大しながらこの処理を繰り返し，最短経路が得られなくなった時点のリンクペアを最終経路としている．一方で，Ochieng et al.（2003）は，閾値D設定時に精度情報を活用し，誤差範囲内のリンクを候補としている．
本研究では，両者の考え方を組み合わせ，3.1節で移動点と判定されたGPSポイントが2つ以上連なるトリップ内の点列に対して，各GPSポイントの平均誤差円内をそのGPSポイントのマッチング候補リンクとして取得し，候補リンクを最短で結ぶリンク群を通過経路として特定した．ただし，1点列内のポイント数や候補リンク数が増えると検証すべきリンク群が指数関数的に増加するため，各GPSポイントの候補は近い順に5リンクまでとした．さらに，最短経路探索では位置情報5点ずつでサブトリップを形成し，最短経路探索はサブトリップごとに実行した．この際，サブトリップの最後の点を次のサブトリップの最初の点として接続し，全体としての経路の連続性を確保した（図7参照）．
３.３ データの集計方法
図8に示すように，本研究で用いた15日間のデータ数には，ユーザ間で取得日数が異なり，取得日数が1日のユーザが68.5％を占める一方で，取得日数が11日間のユーザが1名いるなど偏りがあった．この偏りが交通量集計に過大な影響を与える可能性があると共に，このデータを利用するような出店戦略によってはユーザの通過ネット数を重視する場合も想定される．
そこで本研究では，ユーザiが複数日観測された場合に，①全観測日データを用いる場合（パターン1）と，②初日を代表的行動とみなし初日のみを用いる場合（パターン2），の2パターンで集計した．
歩行者交通量を2パターンで歩行者単位のリンクに集計し，最大リンクの交通量を1とした時の各リンクの交通量の相対値を図9と図10に示す．図9は各ユーザで取得された全日のデータを集計に含めたパターン1であり，図10は各ユーザで取得された初日データのみを集計したパターン2である．
図9に示す通り，①で囲ったエリアの3リンク（L1，L2，L3）の交通量は北側から，180人，84人，113人で，L2とL3の合算値は197人でL1と近い値であった．これらのリンクは，最も北のL1が茨木阪急本通商店街でL2，L3は府道139号の各歩道である．府道139号は阪急茨木市駅の西側ロータリーとJR茨木駅の北端を結ぶ通りで，路線バスの設定本数が多く，自動車交通量が非常に多い通りである．歩行者交通量の実態としては，商店街の人通りと府道139号の人通りが同等またはそれ以上であるため，本研究で得られた結果（図9のL1，L2，L3と図10の同等の位置）は実態に即していると判断した．
また，本研究では，幹線道路のネットワークを両車線の沿道を独立なリンクとして，道路横断面における両歩道間の差異も明らかにすることを狙った．②で囲った阪急茨木市駅南側を東西に貫く幹線道路（通称：東西通り）では，駅に近い北側の歩道で歩行者交通量が10倍近い（北側：617，南側：66）ことが確認され，駅周辺における幹線道路左右歩道の交通量の差異も集計できた．
これらの傾向は集計パターン1だけでなく，集計パターン2でも同様に確認できており，交通量が相対的に多いエリアは，パターン1とパターン2のどちらも同様であった．
一方で，交通量が最大となったリンクは，集計パターン1とパターン2はどちらも対象地域南西の阪急京都線沿いのリンクとなった（図9に③で示す）．しかし，このリンクは，実際にはこれほど交通量が多いリンクではなく，府道139号や東西通りよりも交通量が多いとは考えにくい．一方で，このリンクは東側に阪急京都線が通っており，駅に停車するため減速した阪急電車車内のユーザが観測されてしまっている恐れがある．本研究では，ユーザ別・時系列順のデータの前後間の直線距離に閾値を設定し，移動速度の大きいデータを除去するようにしている（図1参照）が，減速した状態や停車時のデータの除去には課題を残しているとわかる．
また，図9と図10から歩行者交通量の相対関係が異なるリンクも確認された．特に図9に④で示す阪急茨木市駅北東の通りは，対象地域内のリンク内で，総通過量は相対的に少ないものの，総ユーザ数は相対的に多いことが確認できた．集計パターンにより差が確認された通りと，有意な差が得られなかった通りの比較により，前面道路の総交通量を重視するか，多様な人々が通過することを重視するかの差異が店舗や業種により異なるという仮説の検証が可能になる．
本研究の成果を以下にまとめる．
1）既往研究を参考に，「滞在と移動の判定」と「MM手法」を組み合わせることで，歩行者の小規模リンクでの歩行者交通量を算定した．特に幹線道路において両側の歩道別の歩行者交通量を算定できる方法を構築した．
2）各GPS点に付与された精度情報を活用し，点ごとの誤差特性を反映したマップマッチング手法を構築した．これにより，高精度な点ではリンクの探索範囲を限定し，低精度な点では範囲を広げることで，データ精度に応じたリンク候補の抽出が可能となった．
3）複数日観測されるユーザデータに対し，全観測日データを用いる場合と，初日を代表的行動とみなしてそのデータのみを用いる場合の2パターンの集計方法で分析を行い，商店街や車通りの多い両側の歩道別の集計値における相対的な数値の大小関係を確保できることを確認し，商業立地モデルの基盤となる知見を得た．
歩行者交通量と小売店舗立地との関係は，既存研究において一定の知見が蓄積されている．例えば，小松ら（2013）は商店街における小売店舗数と休日の歩行者交通量との間に有意な相関があることを示しており，Ganning et al.（2020）は駅周辺において歩行者数が増加した地区ほど小売業の店舗規模が拡大する傾向にあることを明らかにしている．このように，歩行者交通量が小売業をはじめとする商業立地に影響を及ぼすことは，先行研究において定量的に示されている．
一方で，これらの研究はゾーンや地区を集計単位としており，建物や画地といった非常に微細な単位において，前面道路ごとの歩行者交通量を直接説明変数として扱うことは困難であった．特に，同一街区内であっても，接道する道路の違いによる立地条件の差異を明示的に表現することは，従来の立地分析では十分に行われてこなかった．
本研究で得られた網羅的な歩行者単位の交通量は，画地固有の変数であり，これを画地単位の立地分析モデルに組み込むことで，前面道路の歩行者交通量に基づく商業立地者にとっての魅力度の差異を定量的に表現可能になる．これにより，従来はゾーン単位に依存していた立地モデルも，建物や画地といったより細かな空間単位へと詳細化することが可能となる．
今後は，本研究で構築した手法により算定される前面道路歩行者交通量を説明変数の一つとして，建物・画地・テナント単位での新規立地や撤退を対象とした立地モデルを構築し，それらを積み上げることで，地域スケールにおける商業集積や衰退の形成メカニズムを明らかにすることを目指す．
また，計算時間短縮のために導入した最短経路探索時のサブトリップ形成や候補リンク数の上限制約を撤廃すれば，精度の向上が期待される．また，データサンプリングにおいて，減速・停車した鉄道や自動車に乗車しているデータの除去は現状の課題である．
第34回学術研究発表大会の学会発表において有益なコメントをくださった方々，および匿名の査読者の方々に対して心より感謝申し上げます．
