公共交通オープンデータ最前線2020での発表です

1. バス乗降記録
ビッグデータ分析の試み
荒巻 凌
慶應義塾大学商学部 / 慶應義塾大学 経済学部 星野研究室
理化学研究所AIPセンター 経済経営情報融合分析チーム
～ 公共交通とデータサイエンス ～

2. 実施している/計画中の研究
• GTFSの公開は交通機関の乗客数に影響を与えるのか？
• 位置情報データを用いた需給マッチング

3. 実施している/計画中の研究
• GTFSの公開は交通機関の乗客数に影響を与えるのか？
• 位置情報データを用いた需給マッチング

4. 2019 年3月
公共交通オープンデータ最前線
in IODD 2019

6. 実際に分析しました

7. GTFSの公開は
交通機関の乗客数に影響を与えるのか？
• 「検索できなければ、バスは走っていないのと同じ」
• では、検索できるようになれば乗客は増えるか？
• 中津川市のアンケート調査はあるが、計量的分析はまだ無い
⇒統計的な分析をやってみよう

8. 皆様のご協力
• 星野先生（慶應大）
• 青森/八戸への出張に同行していただきました
• 伊藤先生（東大生産研）
• 太田さん（トラフィックブレイン）
• 青森市営バス
• 八戸市営バス
（写真は2019年7月）

9. 小田原機器製 運賃箱のデータ

10. 事業者によってデータ構造が違う！？
• 同じ小田原機器の運賃箱ですが、青森市と八戸市で
• テーブル構造が違う
• 保存期間も違う
• そもそも相互運用することは全く想定されていない
• 分析にはおいしいデータだが、取り扱いが結構大変
• 今後ノウハウを共有していきたい

11. データを抽出して分析用に前処理
• 路線ごとにデータを整理
• SQLで抽出
• 季節変動を除去

12. 分析手法
• 合成コントロール法 (Synthetic Control Method)
• 統計的手法を用いて、特定の施策の影響のみを測定 (Abadieらによる）
• 例：「犯罪件数:防犯灯の整備・補助」
• 「防犯灯を整備した場合（実測）」vs
「もし防犯灯を整備しなかった場合」
• 「もし整備しなかった場合」を統計的
手法を用いて算出する
• その施策の影響のみを評価できる

13. 乗客数の分析は普通に難しい
• 事業者によってデータ形式/内容が微妙に違う
• オープンデータのみが乗客数に影響を与えるわけではない
• 天候、イベント、人口動態変化 etc
• 説明変数が少なすぎた
• データソースとなる事業者がまだ少ない
• 綺麗に合成コントロールできていない状況

14. 合成コントロール法の問題か？
• 別手法（Causal Impact）を用いた分析も実施
• Causal Impactでも同等の結果で、手法に起因するものではない
• 分析の詳細は論文などで公表予定

15. 実施している/計画中の研究
• GTFSの公開は交通機関の乗客数に影響を与えるのか？
• 位置情報データを用いた需給マッチング

16. 位置情報データを用いた需給マッチング
• GTFSの公開は交通機関の乗客数に影響を与えるのか？
• 位置情報データを用いた需給マッチング

17. 位置情報データを用いた需給マッチング
17

18. 位置情報データを用いた需給マッチング
18
果たして、路線網は
交通需要と一致しているのか？

19. 位置情報データを用いた需給マッチング
19

20. 位置情報データを用いた需給マッチング
20
路線網がないが
移動需要がある地域はないか？

21. データ分析者（データサイエンティスト）から
公共交通機関のみなさんへ
• ビッグデータの分析はマーケティング分野では基本的ツール
• 公共交通でもその潮流を取り込んでいきませんか？
• オープンデータ化とも相性が良いです
• 運賃箱データやGTFSは宝の山です！活用しないと勿体ない！
• 「地方のジリ貧の公共交通」を変えたい
• 長年の課題、そんな簡単には変わらないかも
• それでも、データ分析は交通を変える力になれると信じています