～和泉市を対象とした政策支援モデル構築の試行錯誤～
本記事は、生成AIとGISを活用した自治体業務の実証シリーズの第10回です。
関連記事
▶ 第1回：自治体GISとAIの融合
▶第2回：ArcGIS Onlineと生成AIを連携した人口統計分析の実証
▶第3回：生成AIとGISで健康遊具の優先整備地区を抽出してみた
▶第4回：自治体の人材不足はGIS AIで解決できるのか
▶第5回：e-Stat APIとGISを結合するときの落とし穴
▶第6回：PLATEAU MCPは自治体GISを変えるのか
▶第7回：健康遊具はどこに整備すべきか？生成AIとGISで検証
▶第8回：AIの回答は信用できるのか（検証と説明責任）
▶第9回：自治体GISにおける人口統計データの構造要件を生成AIで検証する
▶第11回：PLATEAU建物人口から見る浸水リスク
▶第12回：建物単位人口で見る避難所シミュレーション
▶第13回：PLATEAUの建物に人口を配置する
▶第14回：PLATEAUを「人口を持つ都市」へ
はじめに
国土交通省が推進するPLATEAUは、3D都市モデルとして急速に整備が進んでいます。
しかし、多くの活用事例は3D表示や景観シミュレーションに留まっており、行政実務に直結する政策支援への活用事例はまだ多くありません。
そこで今回、
「PLATEAUのLOD1建物データと公開統計だけを用いて、建物単位の人口を推計できないか」
という仮説を立て、和泉市を対象に検証を行いました。
さらに、本検証ではArcGISと生成AIエージェントを組み合わせ、モデル構築プロセスの自動化にも挑戦しました。
その結果、PLATEAU LOD1建物データと公開統計のみを用いても、人口総量保存率100％を維持しながら、建物単位人口推計モデルを構築できることを確認しました。
また、LOD1であっても、防災や福祉などの政策立案に活用可能な政策支援モデルを構築できる可能性が示されました。
一方、その過程では多くの失敗や試行錯誤もありました。
今回は、その過程も含めて紹介します。
最初の仮説
当初の考え方は単純でした。
- 国勢調査メッシュ人口を細かなHEXグリッドへ変換する
- HEXごとの人口をPLATEAU建物へ配分する
- 建物単位人口を推計する
当初は、より細かな空間表現ができると考え、HEX52（約52m）を採用しました。
解析イメージは次のとおりです。
図1：250m人口メッシュ→HEX52→PLATEAU建物
図2：250m人口メッシュ→HEX52→PLATEAU建物のレイヤ重ね
最初の失敗 ～HEX52は細かすぎた～
解析を進めたところ、予想外の問題が発生しました。
HEX52へ人口を再配置すると、
建物の存在しないHEXにも人口が割り振られてしまったのです。
その結果、
- 建物が存在しないHEXが大量に発生
- 人口を建物へ配分できない
- 市全体で約9,000人の人口が取りこぼされる
という問題が生じました。
当初は、
「建物単位に落とすなら細かいグリッドほど精度が高い」
と考えていました。
しかし、実際には逆でした。
細かすぎるグリッドは、人口を不要に拡散させてしまうことが分かりました。
改善① ～HEX250への変更～
そこで、HEX52を廃止し、250m人口メッシュに近いスケールを持つHEX250へ変更しました。
結果は大きく改善しました。
- 人口取りこぼし率：約5％ → 約0.75％
- 人口総量保存：ほぼ100％
細かなグリッドが必ずしも高精度とは限らない。
これは今回得られた最初の重要な知見でした。
図3：HEXグリッドサイズの変更による建物の網羅性
改善② ～面積だけでは人口が偏る～
次に問題となったのが、建物への人口配分方法です。
当初は、
建物交差面積 × 推定階数
を重みとして使用しました。
しかし、この方法では大規模建物に人口が過剰に集中してしまいました。
例えば、
- 小規模住宅：0.2人
- 大規模建物：200人超
といった極端な分布が多数発生しました。
明らかに実態を反映していません。
改善③ ～対数変換の採用～
そこで、重みを次のように変更しました。
WEIGHT =
log(1 + INTERSECT_AREA)
× EST_FLOORS_ADJ
建物面積をそのまま使用するのではなく、交差面積に対数変換を適用しました。
その結果、小規模住宅にも人口が配分されやすくなり、大規模建物への過度な集中は抑制されました。また、人口0建物や極端な低人口建物の発生も減少し、建物人口分布は一定程度改善しました。
一方で、対数変換は大きな建物が本来持つ居住容量の差も圧縮します。そのため、大規模集合住宅では人口を過小推計する可能性があることも確認されました。
この結果から、単純面積比例モデルと対数重みモデルのどちらか一方を採用するのではなく、建物規模や推定階数に応じてモデルを切り替えるハイブリッド型の人口配分モデルが有効であると考えられます。
図4：面積重みモデルと対数モデルの比較）の比較
| 項目 | 面積モデル | 対数モデル |
|---|---|---|
| 最大建物人口 | 546人 | 260人 |
| 中央値 | 1.31人 | 1.69人 |
| 低人口建物数 | 10,179棟 | 7,442棟 |
この結果から、
対数モデルでは、低人口建物が10,179棟から7,442棟へと2,737棟減少（約27％減）した。
※総戸数292戸の大規模集合住宅では
面積モデルの方が実態に近かった
改善④ ～用途地域別の推定階数～
さらに、PLATEAUが持つ建物高さ情報（measuredHeight）を利用し、用途地域ごとに標準階高を設定しました。
例えば、
- 低層住居系：3.0m
- 商業地域：4.0m
- 工業地域：4.5m
とし、
推定階数 ＝ 建物高さ ÷ 標準階高
により建物ごとの推定階数を算出しました。
LOD1モデルでは建物内部の住戸数や階数情報は保持されていません。しかし、高さ情報と用途地域特性を組み合わせることで、戸建住宅と中高層建築物を区別できるようになり、人口配分モデルに建物規模の違いを反映することが可能となりました。
その結果、単純な建築面積だけでは表現できない建物の居住容量を考慮した人口配分が実現できました。
改善⑤ ～AIによるハイブリッド型人口配分モデルの可能性～
今回、面積重みモデルと対数重みモデルを比較した結果、それぞれに長所と短所が存在することが明らかとなりました。
例えば、和泉市内の大規模集合住宅「コート和泉府中カリヨン（総戸数292戸）」では、単純面積比例モデルによる推計人口は546人、対数重みモデルでは201人となりました。
実際の総戸数から推定される居住人口は約600～700人程度と考えられるため、このケースでは面積比例モデルの方が現実に近い結果を示しました。
一方、戸建住宅や小規模建物では、対数重みモデルを適用することで、極端な低人口建物が大幅に減少することも確認できました。
このことから、今後は建物規模に応じて人口配分モデルを切り替える「ハイブリッド型人口配分モデル」が有効と考えられます。
例えば、
- 推定階数が高い建物
- 延床面積が大きい建物
- 集合住宅と推定される建物
については面積比例モデルを適用し、
- 一般戸建住宅
- 小規模共同住宅
については対数重みモデルを適用する方法が考えられます。
さらに、こうした建物分類自体をAIが自動的に判定することも可能です。
AIは、
- 建物面積
- 建物高さ
- 推定階数
- 用途地域
- 建物形状
- 周辺建物との関係
などの属性をもとに、
「大規模集合住宅」
「戸建住宅」
「商業施設」
「工場・倉庫」
といった建物種別を推定し、最適な人口配分モデルを自動的に選択できます。
将来的には、
「建物をAIが分類し、建物特性に応じて最適な人口配分モデルを自動適用する」
という、AIエージェントによる次世代型建物人口推計モデルの実現も期待できます。
実建物による推計結果の検証
モデルの妥当性を確認するため、推計人口が最大となった建物を確認しました。
その結果、推計人口最大の建物は、和泉市内の大規模集合住宅「コート和泉府中カリヨン」であることが分かりました。
図5：推計人口最大建物「コート和泉府中カリヨン」
写真：Googleストリートビューより
このマンションは総戸数292戸の大規模分譲マンションであり、一般的な世帯人数から推定すると、実際の居住人口は600～700人程度と考えられます。
一方、モデルによる推計結果は次のとおりでした。
| モデル | 推計人口 |
|---|---|
| 単純面積比例モデル | 546人 |
| 対数重みモデル | 201人 |
この結果から、大規模集合住宅では対数モデルが過小推計となる可能性があり、面積比例モデルの方が実態に近いことが確認されました。
ルールベースAI判定が現実的
例えば、AIエージェントに対し、建物面積、推定階数、用途地域、面積比例モデルによる推計人口を判定材料として与えることで、一定規模以上の集合住宅には面積比例モデルを適用し、それ以外の一般住宅には対数重みモデルを適用するハイブリッド型人口配分が可能になります。
具体的には、推定階数が8階以上かつ建物面積が800㎡以上の建物、または面積比例モデルによる推計人口が250人を超える建物を「大規模集合住宅候補」と判定し、面積比例モデルを適用する。一方、一般的な戸建住宅や小規模共同住宅には対数重みモデルを適用します。
このように、AIエージェントが建物属性と周辺条件をもとにモデル選択を自動化することで、単一モデルでは表現しきれない建物特性を反映した人口配分が可能となります。
検証結果
最終モデルでは、
- 対象建物数：75,936棟
- 人口総量保存：100％
- 建物人口中央値：1.68人
- 人口100人超建物：35棟
という結果となりました。
人口総量保存監査
人口配分モデルでは、空間分布が変化しても、元となる人口総量が保存されていることが重要です。
今回のモデルでは、250m人口メッシュからHEX52、さらに建物単位へ人口を配分する各段階において人口総量監査を実施しました。
その結果、
- 配分前人口総数：184,263.85人
- 配分後建物人口総数：182,790.08人
- 建物未交差HEX人口（除外人口）：1,473.78人
となり、
建物人口総数 + 除外人口 = 184,263.85人
となることを確認しました。
差分は0人（保存率100%）であり、本モデルにおいて人口総量が完全に保存されていることを確認しました。
人口総量保存（Mass Preservation）
は最も重要な監査項目です。
監査表
| 項目 | 人口 |
|---|---|
| 250mメッシュ人口総数 | 184,263.85人 |
| HEX52人口総数 | 184,263.85人 |
| 建物人口総数 | 182,790.08人 |
| 除外人口 | 1,473.78人 |
| 建物人口＋除外人口 | 184,263.85人 |
| 差分 | 0人 |
| 保存率 | 100.0% |
また、住宅・土地統計調査による住宅戸数とも近い値を示し、モデルとして一定の妥当性を確認することができました。
空き家対策への応用可能性
さらに、
建物人口 < 1
かつ
推定階数 ≧ 1
かつ
建物面積 ≧ 50㎡という条件で抽出を行ったところ、
7,442棟の建物が抽出されました。
もちろん、これらをそのまま空き家と判定することはできません。
しかし、建物人口が極めて少ないにもかかわらず、一定規模以上の建物については、空き家または低利用建物である可能性が考えられます。
今後、
- 住民基本台帳
- 固定資産税台帳
- 水道利用情報
- 空き家実態調査結果
などの行政データと連携することで、現地調査対象を大幅に絞り込める可能性があります。
本手法は、空き家を直接判定するものではなく、
現地確認を優先的に実施すべき候補建物を抽出する一次スクリーニング手法
として位置付けられます。
特に、自治体が保有する既存データと組み合わせることで、従来は全件調査が必要であった空き家対策業務の効率化につながることが期待されます。
建物単位人口推計が可能にする新たな政策立案
建物単位で人口を推計できるようになると、従来の町丁目単位やメッシュ単位では困難であった詳細な政策シミュレーションが可能となります。
例えば、浸水想定区域内に存在する建物を対象に、
- 建物人口
- 高齢者人口
- 推定階数
を重ね合わせることで、
「浸水区域内の1階建て住宅に居住する高齢者人口」
を推計することができます。
これにより、
防災分野
- 要支援者の優先避難対象地域の抽出
- 個別避難計画策定支援
- 垂直避難が困難な住宅の把握
- 浸水深別避難対象人口の推計
避難所運営
- 指定避難所ごとの想定避難者数推計
- 避難所受入可能人数との比較
- 避難所配置の見直し
- 避難所不足地域の抽出
福祉分野
- 高齢者見守り重点地区の抽出
- 在宅避難困難者の推計
- 地域包括ケア計画への活用
など、建物単位での施策検討が可能となります。
特に、避難所については、
「どの避難所に何人が避難するか」
を建物単位でシミュレーションできるため、避難所受入体制の再構築や、避難所不足地域の抽出など、より現実的な地域防災計画の策定が期待できます。
図6：PLATEAU LOD1を使った防災シュミレーション
本モデルの限界
本モデルは、PLATEAU LOD1建物データと公開統計のみを用いて建物単位人口を推計する試行モデルであり、いくつかの制約が存在します。
- 住民基本台帳による建物単位での実測検証は実施していない。
- 建物用途の推定には用途地域や建物形状を利用しており、実際の利用状況と異なる場合がある。
- LOD1では建物内部構造や住戸数を表現できないため、大規模集合住宅では推計誤差が生じる可能性がある。
- 年齢階層別人口は公開統計を建物単位へ按分した推計値であり、実際の居住者属性を直接表現するものではない。
一方、本研究では人口総量保存監査や実建物との比較を通じて、政策検討に利用可能なレベルの推計精度を確認した。
今後は、住民基本台帳、固定資産税台帳、住宅・土地統計調査などの行政データと連携し、モデル精度のさらなる向上を目指したい。
おわりに
今回の検証を通じて、
PLATEAUは3D表示のためだけのデータではない
ことを改めて実感しました。
LOD1の建物データと高さ情報だけでも、公開統計と組み合わせることで、建物単位人口推計という政策支援モデルを構築できることが確認できました。
一方で、このようなモデルを構築するには、単純なGIS処理だけでは不十分です。
グリッド品質の検証、人口総量保存監査、人口配分モデルの比較、実建物との照合など、多数の空間解析と試行錯誤が必要となります。
今回の検証では、生成AIエージェントを活用することで、こうした試行錯誤の大部分を自動化し、短時間で複数のモデルを構築・比較できる可能性も確認できました。
具体的には、
- PLATEAU建物と用途地域の重複判定
- 建物ごとの代表用途地域の決定
- 用途地域別標準階高の付与
- 建物推定階数の自動算出
- HEXグリッドの品質監査と隙間検出
- Voronoi分割によるHEXグリッド再構築
- 人口総量保存監査
- 面積重みモデルおよび対数重みモデルの自動構築
- モデル間の差分分析
- 極端値建物の抽出と実建物との照合
- 解析結果の監査レポート作成
などを、自然言語による指示のみで繰り返し実行することができました。
特に、モデル構築後に問題点を発見し、重み式を変更して再計算を行い、その結果を自動的に比較・監査する一連の試行錯誤を短時間で繰り返せたことは大きな成果でした。
従来であれば、多数のジオプロセシングツール、Pythonスクリプト、品質確認作業を組み合わせながら数日から数週間を要する解析であっても、生成AIエージェントを活用することで、仮説立案から検証までのサイクルを大幅に高速化できる可能性が確認できました。
また、面積重みモデルと対数重みモデルを比較した結果、それぞれに長所と短所が存在することが明らかとなりました。今後は、建物規模や用途に応じてモデルを切り替えるハイブリッド型人口配分モデルの検討も進めていきたいと考えています。
従来の町丁目単位・メッシュ単位の分析では困難であった建物単位の政策立案が可能となります。
今後は、
- 高齢者避難支援
- 空き家対策
- 公共施設配置評価
- 都市計画・地域分析
など、自治体業務へのさらなる応用可能性を検証していきたいと考えています。
次回予告
今回構築した建物単位人口データは、単なる人口推計に留まりません。
次回は、このデータと洪水浸水想定区域を組み合わせ、
「浸水区域内の低層住宅に居住する人口」
を建物単位で推計してみたいと思います。
特に、
- 浸水区域内の1階建て住宅人口
- 浸水区域内の高齢者人口
- 垂直避難が困難な可能性のある建物
- 避難所ごとの想定避難者数
などを可視化することで、建物単位人口推計が防災分野にどのように活用できるのかを検証する予定です。
従来の町丁目単位や250mメッシュ単位では困難であった、
「どの建物に、どのような支援が必要なのか」
という視点から、避難支援や避難所配置のあり方を考えていきます。
図7：次回イメージ図
関連記事
▶ 第1回：自治体GISとAIの融合
▶第2回：ArcGIS Onlineと生成AIを連携した人口統計分析の実証
▶第3回：生成AIとGISで健康遊具の優先整備地区を抽出してみた
▶第4回：自治体の人材不足はGIS AIで解決できるのか
▶第5回：e-Stat APIとGISを結合するときの落とし穴
▶第6回：PLATEAU MCPは自治体GISを変えるのか
▶第7回：健康遊具はどこに整備すべきか？生成AIとGISで検証
▶第8回：AIの回答は信用できるのか（検証と説明責任）
▶第9回：自治体GISにおける人口統計データの構造要件を生成AIで検証する
▶第11回：PLATEAU建物人口から見る浸水リスク
▶第12回：建物単位人口で見る避難所シミュレーション
▶第13回：PLATEAUの建物に人口を配置する
▶第14回：PLATEAUを「人口を持つ都市」へ
コメントを残す