Beyond Reported Trips: A Bayesian Framework for Correcting Household Travel Surveys

毎日、何百万もの人々が都市の中を移動し、家から職場へ、食料品の買い出しへ、あるいは友人宅への短い散歩へと、あちこちを移動しています。交通計画の専門家は、こうした動きを理解するために、各世帯に一日の間にすべての移動を記録してもらう調査に頼っています。この情報は、都市がどこに新しい自転車専用レーンを作るべきか、バスを何本走らせるべきか、あるいは新しい地下鉄路線が必要かどうかを判断するのに役立ちます。しかし、これらの調査には長年の弱点があります。それは、人々はすべてを思い出すのが苦手だということです。一日の移動について尋ねられると、ほとんどの人は、短時間で自発的な移動――角の店への素早い買い物や、郵便受けへの短い外出、荷物を届けるための立ち寄りなど――を忘れてしまいます。彼らは通勤や通学といった、大きな構造化されたイベントは覚えています。しかし、こうした小さく、自由な動きは、しばしば記憶から消えてしまいます。これは、人々の実際の生活について歪んだイメージを作り出し、計画担当者が徒歩や自転車による移動を過小評価し、車で過ごす時間を過大評価することにつながります。

これを解決するために、研究者たちはスマートフォンを使用して移動をパッシブに追跡し、人々が思い出す必要なく、どこへ行ったのかを正確に記録する方法を用い始めています。しかし、これらスマートフォンを用いた研究は通常規模が小さく、大規模な世帯調査に見られるような詳細な個人情報に欠けています。トロント大学とマサチューセッツ工科大学の研究者による新しい研究は、伝統的な調査の幅広いリーチと、スマートフォント・トラッキングによる精密な詳細を組み合わせる手法を開発しました。電話データを、調査における記憶の空白を修正するための手段として扱う統計的手法を用いることで、彼らは人々が報告し忘れた移動を再構築することができました。その結果、大規模な調査が持つ豊かな人口統計学的詳細を維持しながら、失われた移動のパズルを埋めることができる、より正確な日常生活の地図が得られました。

研究者たちは、グレーター・トロント・アンド・ハミルトン地域に焦点を当て、その地域の移動習慣を捉える大規模な世帯調査である「2022年トランスポーテーション・トゥモロー・サーベイ」のデータを使用しました。これに、参加者がスマートフォンを携帯し、移動を自動的に記録した2023年と2025年の、より詳細で小規模な2つの研究を組み合わせました。チームは明確なパターンに気づきました。従来の調査では、平日の1人あたりの移動回数は約2.06回と示されていましたが、スマートフォンのデータでは、それよりも大幅に多い約3.16回から3.83回を示していました。この差はランダムなものではなく、体系的なものでした。人々は、短時間の非必須の移動を一貫して忘れていたのです。研究者たちは、これらの移動を、通勤や通学のような一日の主要なアンカーとなる「スケルトン（骨格）」移動と、買い物や友人への訪問といった、柔軟で自由な動きである「ノン・スケルトン」移動の2つのカテゴリーに分類しました。その結果、スケルトン移動はかなり正確に報告されていましたが、ノン・スケルトン移動、特に家族の一人が他の誰かのために報告する場合において、頻繁に漏れていることが分かりました。

これらの欠落した移動を回収するために、チームは「統計的な修理キット」として機能するフレームワークを構築しました。まず、ベースラインとして、人々が何をしたと言っているかを示す大規模な調査データから始めました。次に、スマートフォンによるデータを使用して、それらの数値の更新と精緻化を行いました。調査データを、一日の移動のラフなスケッチ、そしてスマートフォンによるデータを、そのスケッチが逃した細部を明らかにする高解像度の写真だと想像してください。研究者たちは、これら2つのソースを融合させる手法を用い、調査を「最初の推測」とし、スマートフォンによるデータを「その推測を修正する新たな証拠」として扱いました。彼らは、自身の移動を報告した人と、他者のために報告した人を分けてこれを行いました。なぜなら、報告の誤りはグループごとに異なるからです。誰かが配偶者や子供のために報告する場合、自分自身のことを報告する場合よりも、中間的な立ち寄りをさらに多く見落とす傾向があります。

結果として、修正を適用した後に数値に大きな変化が見られました。自身の移動を報告した人の場合、1日あたりの平均移動回数は3.05回から3.90回に上昇しました。他者のために報告した人の場合は、2.64回から3.63回へと跳ね上がりました。この増加は、ほぼすべて「ノン・スケルトン」移動の回収によるものでした。研究者たちは単にランダムな移動を加えたのではなく、スマートフォンによるデータに見られるパターンに基づいて、欠落した移動を慎重に再構築しました。彼らは、欠落した移動の目的がおそらく何であったか、それがおそらくいつ起きたか、どの程度の距離であったか、そしてどのように移動したかを特定しました。例えば、欠落していた移動は不釣り合いに短く、多くの場合、徒歩や友人への訪問を伴うものであり、忙しい一日の中で容易に忘れられやすい活動であることが分かりました。修正されたデータは、徒歩の割合が高くなり、移動の時間帯も、単なる朝夕のラッシュアワーだけでなく、一日を通してより均等に広がっていることを示しました。

また、この研究は、欠落している移動の性質が、誰が報告しているかに大きく依存していることも明らかにしました。代理回答者（他の家族のために報告する人）は、自分自身のために報告する人よりも、自由な移動を見落とす可能性がはるかに高いことが分かりました。これは、親が子供のために日誌を記入する場合、通学の送り迎えは覚えていても、子供が放課後に公園や友人の家へ立ち寄ったことなどは忘れてしまう可能性があることを示唆しています。これらの違いを個別にモデル化することで、研究者は各グループに対して適切な量の修正を適用することができました。最終的な修正済みデータセットは、元の大規模調査の構造を維持しており、つまり、その人々の年齢、所得、居住地を依然として正確に反映していますが、同時に、人々の動きについてのより真実の物語を伝えるものとなりました。移動目的の分布は、買い物やレクリエーションを含むようにシフトし、移動のタイミングは、従来の調査が空欄のまま残していた、日中の時間帯や夕方の時間帯により多くの活動を示すようになりました。

この取り組みは、都市が意思決定を行うために使用するデータを改善するための実用的な方法を提供します。計画担当者は、自動車利用を減らし、徒歩を増やす目標を設定するために、しばしばこれらの調査に頼りますが、もし調査が短時間の移動を見落としているならば、目標設定が低くなりすぎる可能性があります。スマートフォンからのパッシブなデータを統合することで、研究者たちは、大規模で確立された調査を完全に置き換えることなく、日々の移動の全貌を見るための手法を提供しました。再構築された移動は、特定の個人に対する直接的な観察ではなく、統計的な推定値ではありますが、移動行動を理解するためのより信頼できる基盤となります。本研究は、このアプローチが、都市が人々の動きの現実（それはしばしば忘れられがちな日常のリズムです）をより良く計画できるように、インフラや政策を適合させるのに役立つと結論付けています。