はじめに

本記事は、aiESGのChief Data ScientistであるLi Chao(筆頭著者)、Chief Researcherのキーリーアレクサンダー竜太、そして代表取締役の馬奈木俊介が共同執筆した論文”Human mobility and environmental factors”に関する解説記事です。

本記事では、研究の内容を分かりやすく解説するとともに、aiESGが提供するサービスについてもご紹介します。ESGデータ分析や戦略策定にご関心のある方は、ぜひ最後までお読みください。

論文タイトル：Human mobility and environmental factors
DOI(論文リンク)：10.1111/jiec.70031

研究のポイント・要約

本研究では、東京における低速交通手段（徒歩、ランニング、サイクリングなど）と環境要因（気温、気圧、湿度、風速、降水量、夜間光、緑地など）の関係を、高解像度の人流データと衛星データを用いて分析しました。環境要因が移動性に与える影響の実証的証拠だけでなく、XGBoost、SHAP、GWPRを活用することで、伝統的な回帰分析や最近の機械学習研究を超えたモビリティの理解を実現する新たな枠組みを提示します。 

分析の結果、都市部では気温の上昇が低速交通量の減少につながる一方で、地方では正の相関が見られるなど、環境要因が人々の移動に空間的に異なる影響を与えることが明らかになりました。

背景・目的

低速交通手段は、都市の経済や活力、持続可能な発展に深く関わります。気候変動の影響が強まる中で、こうした交通手段と環境要因の相互作用を詳細に調査することの重要性が高まっていますが、これまで十分な研究は行われていませんでした。

従来の研究では、衛星データやOD（起点–終点）データよりも更新頻度の低い指標が使われていたため、移動の細かな変化を捉えることが困難でした。本研究では、人流データと衛星データを用い、それらの空間的変動性との関係を明らかにすることを目的としています。

分析

研究対象は東京とし、空間単位は250mメッシュ、時間単位は月ごとのデータを使用しました。対象期間は2019年1月から2020年12月までの24カ月で、COVID-19の影響も考慮に入れています。

高精度な予測モデルを構築するためにXGBoostを採用し、その交差検定精度は88.29％でした。加えて、モデルの解釈性を高めるためにSHAP（Shapley Additive Explanations）を用い、地理的要因の違いを捉えるためにGWPR（地理的加重パネル回帰）を活用しました。

環境要因として、気温や降水量といった気象データを用いたほか、以下のような衛生関連データを分析します。
夜間光（NTL）：都市や集落からの夜間の光の強さ
NDVI（正規化植生指数）：地表の植生の活性度や量を示す指標
PBLH（惑星境界層高度）：大気中の物質拡散のしやすさを示す指標。高いほど拡散しやすく、低いと滞留しやすくなる。

結果

図1は説明変数の重要度を示し、NTL、NDVI、経度、緯度が最も高く、気温、気圧、湿度、風速、降水量、PBLHが中程度、COVID-19関連変数が最も低い重要度となりました。
図2では、低速交通量と各環境要因との関係を示しています。

考察

気温、降水量、NDVI、夜間光はいずれも場所によって大きな空間的変動を示しました。特に気温の上昇は、都市部では低速交通量の減少につながる一方、地方では増加させるという興味深い二重性が確認されました。
これは、都市部では高温が歩行を妨げるのに対し、地方では自然環境下での活動を促進するためと考えられます。

また、比較的高い湿度や降水量は、人間の快適性を高め、ウォーキングやサイクリングの増加につながる可能性があります。
高い風速は低速交通量を減少させ、先行研究と一致する結果となりました。

夜間光と低速交通量の関係が主に負であるという結果は、交通量の多い道路では歩行者が少ないという状況を反映していると考えられます。

緑地と人間の移動性の関係は空間的に非定常であり、アクセス困難な場所や都市中心部では負の影響が見られました。これは緑地の希少性や都市開発の度合いに起因する可能性があります。一般的には、緑地は人間の移動性を積極的に促進する要因とされています。

COVID-19は人々の移動に負の影響を与えました。

本研究は、クール舗装技術や樹木被覆の増加、歩行者志向の都市デザインなど、気候適応型インフラへの投資が持続可能な低速交通を促進するうえで有効であることを示唆しています。

まとめ

本研究は、都市環境の整備が人々の移動行動に直接的な影響を与え、それが経済活動、健康、ウェルビーイングへと波及することを明らかにしました。サーキュラーエコノミーやウェルビーイングといった新たな評価軸をESGに取り込む際には、このような多次元の因果関係を定量的に把握する視点が重要です。株式会社aiESGでは、環境・社会・経済の相互関係を統合的に捉え、データに基づいたESG評価を実現する仕組みを提供しています。

株式会社aiESGのサービスについて：https://aiesg.co.jp/service/