JP7037223B1 - 情報処理装置、情報処理方法、及びプログラム - Google Patents

Abstract

【課題】地域メッシュ統計値と駅統計値及び地理情報を用いた店舗売上予測の自動化と精度向上をさせることの可能な情報処理装置、情報処理方法、及びプログラムを提供する。【解決手段】本発明の一態様に係る情報処理装置は、店舗の経度及び緯度の入力により、地域メッシュ統計値と駅統計値及び地理情報を取得する地域メッシュ統計値・地理情報取得部と、店舗立地点とその周辺の地域メッシュ又は駅メッシュ内に複数の補間点を設定し、補間点に統計値を割り当て、競合店舗を考慮して集計領域内の補間点に割り当てられた統計値を自動集計する配分・集計部と、集計値により地理ビジネス環境を判定する判定部と、既存店舗に対し地理ビジネス環境別に機械学習手法又は統計学的手法により売上予測モデルを特定化する売上予測モデル生成部と、対象店舗に対し判定された地理ビジネス環境の売上予測モデルを用いて売上予測値を出力する売上予測部と、を備える。【選択図】図３

Description

本発明は、情報処理装置、情報処理方法、及びプログラムに関する。

店舗を出店しようとする小売企業にとって、複数の出店候補物件（用地や居抜き店舗）の中から、高い売上が得られる物件を選定する用地選定は、企業経営における重要な決定事項の１つである。近年では、既存店舗の売上実績に関するデータを人工知能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ；ＡＩ）等で学習させ、その学習結果を対象店舗の用地選定に活かすため、店舗売上予測システムが構築され、用いられている。このような店舗売上予測システムでは、売上に影響する地理的な要因を分析するために、地域を矩形状のメッシュに区画して成る地域メッシュに対応付けられた統計値（地域メッシュ統計値）を用いて、売上予測モデルが生成される場合がある。例えば、特許文献１には、位置情報に関連付けられたデータを利用してメッシュ統計を生成するためのシステムが記載されている。

特開２０２０－１６６７３９号公報

店舗売上予測システムの課題として、第一に、地域メッシュ統計に係ることで、天文学的境界のため場所の同定が難しいこと、提供元が分散して入手に手間取ること、細分化による膨大なデータ量のため処理・分析を難しくしていることが挙げられる。第二に、売上に影響する変数として、人口や小売業など多種類の地域メッシュ統計のほかに、乗降客数・普通券降車人数・駅構外乗換駅の乗換人数といった駅統計値、さらに店舗・道路・大型施設・公園など多種類の地理情報を取り込む必要があることが挙げられる。第三に、売上に多種類の変数が影響しているが、それらの変数間の関係が明確に示されてこなかったことが挙げられる。第四に、売上に影響する変数は、距離とともにその影響力を低下させるので、変数の計測において距離の影響を考慮することが重要であることが挙げられる。第五に、都心・市街地・郊外といった地理ビジネス環境によって、売上予測モデルに取り込まれる変数と集計規模が異なることが挙げられる。

そこで、本発明は、地域メッシュ統計値と駅統計値及び地理情報を用いて店舗売上予測の自動化と精度向上をさせることの可能な情報処理装置、情報処理方法、及びプログラムを提供することを目的とする。

第一の課題に対する手段としては、本発明の一態様に係る情報処理装置に、地域メッシュ統計値と駅統計値及び地理情報を取得する地域メッシュ統計値・地理情報取得部と、データ処理に対応する前処理部を設けることで、地域メッシュ統計に対する位置を同定し、分散しているデータを一元管理するとともに、データの自動取得と自動処理・分析を行い、膨大なデータの処理・分析を可能にする。第二の課題に対しては、商業統計・国勢調査・経済センサスから取得された商業・人口・従業者の地域メッシュ統計値を保存する統計値ＤＢと、駅及び道路に関する多種類の統計値を保存する駅ＤＢ及び道路ＤＢ、店舗・大型施設・公園など位置に関連付けられた属性データを保存する地理情報ＤＢで構成されるＤＢ群を構築する。第三の課題については、変数データ取得部において、売上に影響する変数群を、需要、供給、競合と集積、交通、地理の５つの因子にまとめ、因子-要素-特徴-変数という形式で体系化することを試みた。第四の課題に対しては、前処理部の中に、予測を行う対象店舗と、競合店舗、交通の中心となる駅、店舗利用を阻害する河川や公園（バリア）などとの間の距離を測定する距離測定部を設けるとともに、対象店舗や駅周辺に設けた補間点に、地域メッシュ統計値や駅統計値を割り当て、対象店舗との距離に応じて配分・集計する配分・集計部を設けることで、売上予測モデルに投入する変数に距離の影響を反映させる。第五の課題は、対象店舗の立地点に対して、都心・市街地・郊外といった地理ビジネス環境を判定する判定部を設け、その判定結果に応じて、取り込まれる変数とデータの集計領域を可変させる売上予測モデルを生成することで解決される。

この態様によれば、対象店舗の経度及び緯度を投入することによって、まずその立地点の地理ビジネス環境が判定される。そして、その判定結果に基づき、上記の５因子の中の要素が限定され、要素に係る説明変数が選定される。さらに、立地点を含む集計領域の空間スケールが設定される。集計領域では、競合店舗、駅、バリア等への距離を考慮しながら地域メッシュ統計値や駅統計値を配分・集計した上で、売上予測モデルに対して当該配分・集計値を入力することで、売上予測の自動化と精度向上がなされる。

本発明の一態様に係る情報処理装置によって、第一に、店舗売上予測システムは、多種類の地域メッシュ統計値、駅統計値、地理情報を自動取得できるようになる。第二に、店舗売上予測システムは、自動取得されたデータから、都心・市街地・郊外を自動判定し、判定結果に基づいて、売上予測モデルに投入する５因子の要素を限定することができるようになる。第三に、店舗売上予測システムは、限定された因子の要素に対して、距離の影響を考慮してさまざまな特徴の説明変数データを自動作成できるようになる。これらの説明変数の中から、売上を最も良く説明する変数の組み合わせを探索することで、精度の高い売上予測モデルが特定化される。これらの発明の効果は、店舗売上予測の自動化と精度向上を可能とさせる情報処理装置、情報処理方法、及びプログラムを提供することができるようになる。

本実施形態に係る情報処理システム１の構成の一例を示す概略図である。 本実施形態に係るコンピュータ５００のハードウェア構成の一例を示す概略図である。 本実施形態に係るサーバ装置１０の機能構成を示すブロック図の一例である。 本実施形態に係るコード取得部１１１の地域メッシュコード取得方法の一例を示す概略図である。 本実施形態に係る配分・集計部１２１ｃが実行する集計処理の概要を説明するための概略図である。 本実施形態に係る「均等」・「段階」・「距離逓減」的な境界を持つ集客地域モデルの一例を示す概略図である。 本実施形態に係る配分・集計部１２１ｃが実行する配分処理の概要を説明するための概略図である。 本実施形態に係る配分処理で用いる競合モデルの一例を示す概略図である。 本実施形態に係る駅の中心点に設けられた駅メッシュ内の補間点の一例を示す概略図である。 本実施形態に係る路線別駅統計値に付与する位置情報の取得の一例を示す概略図である。 本実施形態に係る売上予測モデルに対する「因子-要素-特徴-変数」体系の一例を示す図である。 本実施形態に係る駅構外乗換駅の乗換人員の一例を示す概略図である。 居住者・従業者・一時通行者の加重値の変化が本実施形態に係る店舗周辺の総需要量と総供給量間の決定係数に影響することの一例を示す図である。 本実施形態に係る機械学習手法による売上予測モデルの特定化の一例を示す図である。 本実施形態に係る対象店舗の各種変数値の入力フォームの一例を示す図である。 本実施形態に係るユーザ端末２０の機能構成を示すブロック図の一例である。 本実施形態に係る情報処理システム１による売上予測モデル生成処理の一例を示す動作シーケンスである。 本実施形態に係る情報処理システム１による売上予測処理に係る動作シーケンスの一例を示す図である。 本実施形態に係る対象店舗の各種変数値と売上予測値等の出力フォームの一例を示す図である。

添付図面を参照して、本発明の好適な実施形態について説明する。（なお、各図において、同一の符号を付したものは、同一、又は同様の構成を有する。）

（１）全体構成
図１は、本実施形態に係る情報処理システム１の構成の一例を示す概略図である。図１に示すとおり、情報処理システム１は、例えば、インターネット等の所定の通信ネットワークＮを介して互いに通信可能に接続されたサーバ装置１０及びユーザ端末２０を有する。サーバ装置１０は、ユーザ端末２０からの要求に応じて、既存店舗に関する変数を含む学習データを用いた機械学習等によって売上予測モデルを生成し、当該売上予測モデルを用いて売上予測の対象となる店舗（対象店舗）の売上予測値等をユーザ端末２０に対して提供する。

（２）各部の構成
（２－１）ハードウェア構成
サーバ装置１０及びユーザ端末２０それぞれのハードウェア構成について説明する。サーバ装置１０及びユーザ端末２０はそれぞれ、１台又は複数台のコンピュータ５００によって構成することができる。図２は、本実施形態に係るコンピュータ５００のハードウェア構成の一例を示す概略図である。図２に示すように、コンピュータ５００は、プロセッサ５０１、メモリ５０３、記憶装置５０５、入力Ｉ／Ｆ部５０７、データＩ／Ｆ部５０９、通信Ｉ／Ｆ部５１１、及び表示装置５１３を含む。

プロセッサ５０１は、メモリ５０３に記憶されているプログラムを実行することによりコンピュータ５００におけるさまざまな処理を制御する。例えば、サーバ装置１０が有するコード取得部１１１、統計値・地理情報取得部１１２、前処理部１２１、売上予測モデル生成部１２２、売上予測部１２３、ユーザ端末２０が有する操作受付部２１、送受信部２２、出力部２３等は、メモリ５０３に一時記憶された上で、おもにプロセッサ５０１上で動作するプログラムとして実現可能である。

メモリ５０３は、例えばＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）等の記憶媒体である。メモリ５０３は、プロセッサ５０１によって実行されるプログラムのプログラムコードや、プログラムの実行時に必要となるデータを一時的に記憶する。

記憶装置５０５は、例えばハードディスクドライブ（ＨＤＤ）やフラッシュメモリ等の不揮発性の記憶媒体である。記憶装置５０５は、オペレーティングシステムや、上記各構成を実現するための各種プログラムを記憶する。このようなプログラムやデータは、必要に応じてメモリ５０３にロードされることにより、プロセッサ５０１から参照される。

入力Ｉ／Ｆ部５０７は、ユーザからの入力を受け付けるためのデバイスである。入力Ｉ／Ｆ部５０７の具体例としては、キーボードやマウス、タッチパネル、各種センサ、ウェアラブル・デバイス等が挙げられる。入力Ｉ／Ｆ部５０７は、例えばＵＳＢ（ＵｎｉｖｅｒｓａｌＳｅｒｉａｌＢｕｓ）等のインタフェースを介してコンピュータ５００に接続されてもよい。

データＩ／Ｆ部５０９は、コンピュータ５００の外部からデータを入力するためのデバイスである。データＩ／Ｆ部５０９の具体例としては、各種記憶媒体に記憶されているデータを読み取るためのドライブ装置等がある。データＩ／Ｆ部５０９は、コンピュータ５００の外部に設けられることも考えられる。その場合、データＩ／Ｆ部５０９は、例えばＵＳＢ等のインタフェースを介してコンピュータ５００へと接続される。

通信Ｉ／Ｆ部５１１は、コンピュータ５００の外部の装置と有線又は無線により、インターネットＮを介したデータ通信を行うためのデバイスである。通信Ｉ／Ｆ部５１１は、コンピュータ５００の外部に設けられることも考えられる。その場合、通信Ｉ／Ｆ部５１１は、例えば有線又は無線のＬＡＮ（ ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）を介してコンピュータ５００に接続される。

表示装置５１３は、各種情報を表示するためのデバイスである。表示装置５１３の具体例としては、例えば液晶ディスプレイや有機ＥＬ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイ、ウェアラブル・デバイスのディスプレイ等が挙げられる。表示装置５１３は、コンピュータ５００の外部に設けられてもよい。その場合、表示装置５１３は、例えばディスプレイケーブル等を介してコンピュータ５００に接続される。

（２－２）サーバ装置１０の機能構成
図３は、本実施形態に係るサーバ装置１０の機能構成を示すブロック図の一例である。サーバ装置１０は、例えば、１台又は複数台のコンピュータ５００によって構成され、サーバ装置１０は、ユーザ端末２０からの要求に応じて、既存店舗に関する変数を含む学習データを用いた機械学習等によって売上予測モデルを生成し、当該売上予測モデルを用いて対象店舗の売上予測値等をユーザ端末２０に対して提供する。サーバ装置１０は、例えば、地域メッシュ統計値・地理情報取得部１１、及び店舗売上予測部１２を有する。

（２－２－１）地域メッシュ統計値・地理情報取得部１１
地域メッシュ統計値・地理情報取得部１１は、ユーザ端末２０からの店舗立地点（例えば、既存店舗又は対象店舗が立地する地点）の経度及び緯度の入力によって、店舗立地点を含む地域メッシュ（店舗立地点地域メッシュ）やその周辺の地域メッシュ（周辺地域メッシュ）を特定し、当該店舗立地点地域メッシュに対応付けられた各種の地域メッシュ統計値を取得する。ユーザによる店舗の経度及び緯度の入力によって取得された統計値は、店舗売上予測部１２に提供され、ユーザ端末２０に送信される。地域メッシュ統計値・地理情報取得部１１は、例えば、コード取得部１１１と、統計値・地理情報取得部１１２と、統計値・地理情報ＤＢ群１１３と、を有する。

ここで、「地域メッシュ」とは、経度及び緯度に基づいて地域をほぼ同じ大きさの矩形（メッシュ）に分けたものである。「地域メッシュ」を識別するためのコードを「地域メッシュコード」という。例えば、「地域メッシュコード」は、１ｋｍ地域メッシュでは８桁、５００ｍ地域メッシュでは９桁、２５０ｍ地域メッシュは１０桁、１２５ｍ地域メッシュは１１桁の整数をとる。

本実施形態に係る地域メッシュ統計値・地理情報取得部１１では、地域メッシュコードとして、例えば、行政管理庁（現在の総務省）の「統計に用いる標準地域メッシュおよび標準地域メッシュコード」（後のＪＩＳＣ６３０４、ＪＩＳＸ０４１０地域メッシュコード）が用いられてもよい。地域メッシュは、境界線が経度及び緯度で決められている。「基準地域メッシュ」（一辺の長さが約１ｋｍであることから、「１ｋｍ地域メッシュ」ともよばれる）を基本として、統合あるいは分割して、各種の標準地域メッシュが作成される。基準地域メッシュの緯度の間隔は３０秒、経度の間隔は４５秒である。基準地域メッシュを緯線方向と経線方向に２等分すると、「２分の１地域メッシュ」（「５００ｍ地域メッシュ」あるいは「第４次地域区画」ともよばれる）になる。５００ｍ地域メッシュの緯度の間隔は１５秒、経度の間隔は２２．５秒である。

本実施形態に係る地域メッシュ統計値・地理情報取得部１１では、例えば、「５００ｍ地域メッシュ」及び「１ｋｍ地域メッシュ」が使用される。なお、地域メッシュは、これらに限らず、「基準地域メッシュ」を縦横４等分した「４分の１地域メッシュ」（「２５０ｍ地域メッシュ」）や、８等分した「８分の１地域メッシュ」（「１２５ｍ地域メッシュ」）等であってもよい。

図４は、本実施形態に係るコード取得部１１１の地域コード取得方法の一例を示している。コード取得部１１１は、店舗立地点の経度及び緯度を示す情報に基づいて、店舗立地点を中心に、使用される地域メッシュと同じ大きさのメッシュＭＳを生成する。そして、別途生成した地域メッシュ中心点の経度及び緯度に基づき、その中に含まれる中心点の地域メッシュのコードを、店舗立地点地域メッシュコードとして取得する。また、コード取得部１１１は、同じような方法に基づいて、店舗立地点地域メッシュ周辺の地域メッシュ（周辺地域メッシュ）の地域メッシュコードを取得してもよい。例えば、コード取得部１１１は、店舗立地点を含む地域メッシュ（店舗立地点地域メッシュ）を囲む８つの地域メッシュ（周辺地域メッシュ）の地域メッシュコード（周辺地域メッシュコード）を取得してもよい。

統計値・地理情報取得部１１２は、例えば、コード取得部１１１によって取得された地域メッシュコード(店舗立地点地域メッシュコード及び周辺地域メッシュコード等)を受け取り、統計値・地理情報ＤＢ群１１３に含まれる各種のデータベースで一元管理している地域メッシュコードに対応付けられた各種の地域メッシュ統計値を取得する。本実施形態に係る店舗売上予測システムの第一の特徴は、分散している地域メッシュ統計値を一元管理し、店舗立地点の地域メッシュとその周辺の地域メッシュを同定して、店舗立地点に係る「地域メッシュ統計値の自動取得」を行う点である。従来は、店舗立地点が含まれる地域メッシュの統計値を取得するために、地理情報システム（ＧＩＳ）を利用して、店舗レイヤと地域メッシュレイヤを重ね合わせた上で、目視や分析により地域メッシュコードを確認し、それに係る地域メッシュ統計値を取得する必要があった。このために、ユーザは、ＧＩＳのソフトウェアと、地域メッシュ統計値を属性として付与した地域メッシュレイヤと店舗レイヤ等のレイヤを用意するとともに、ＧＩＳのソフトウェアを取り扱う技術を学ぶ必要があった。本実施形態に係る地域メッシュ統計値・地理情報取得部１１は、対象店舗や既存店舗の経度及び緯度を示す情報を入力するだけで、その立地点及び周辺の地域メッシュ統計値を「自動取得」できるため、店舗の用地選定に係るユーザにとっては、大幅な業務効率化をもたらす。また、本実施形態に係る地域メッシュ統計値・地理情報取得部１１は、地点の経度及び緯度と地域メッシュコードとの関係を扱う「地図の分野」と、地域メッシュコードと地域メッシュ統計値を扱う「統計の分野」の二分野を、ＧＩＳを利用せずに統合した点で、地域メッシュ統計の利便性を大きく向上させる。

統計値・地理情報ＤＢ群１１３は、地域メッシュコードに対応付けられた各種の統計値等と、経度及び緯度の位置情報を付与した地理事象の属性とを記憶するデータベースを少なくとも１つ含む。統計値や地理情報の種類は特に限定されず、任意の種類のものであってよい。統計値・地理情報ＤＢ群１１３に含まれるデータベースは、国や地方公共団体によって作成・公表されたものであってもよいし、あるいは、ユーザによって作成された任意のものであってもよい。本実施形態に係る統計値・地理情報ＤＢ群１１３は、例えば、商業統計ＤＢ１１３ａと、国勢調査ＤＢ１１３ｂと、経済センサスＤＢ１１３ｃと、大都市交通センサスＤＢ１１３ｄと、道路交通センサスＤＢ１１３ｅと、及び地理情報ＤＢ１１３ｆとを含む。

商業統計ＤＢ１１３ａは、地域メッシュごとに、商業の事業所数、従業者数、年間販売額、及び売場面積等が対応付けられたデータベースである。事業所数は、地域メッシュに含まれる商業の事業所の数である。従業者数は、地域メッシュにおいて商業の事業に従事する従業者の数である。年間販売額は、地域メッシュにおいて行われる商業の事業の年間の販売額である。売場面積は、地域メッシュにおける商業の売場の面積である。

国勢調査ＤＢ１１３ｂは、例えば、地域メッシュごとに、常住人口数や性別及び年代ごとの人口（性別・年代別人口）が対応付けられたデータベースである。また、地域メッシュごとに推計された、５年後、１０年後の推計将来人口のデータベースがあってもよい。

経済センサスＤＢ１１３ｃは、例えば、地域メッシュごとに、各業種の従業者数が対応付けられたデータベースである。業種は特に限定するものではないが、例えば、従業者総数、卸売業・小売業従業者数（以下、小売従業者数）、宿泊業・飲食サービス業従業者数（以下、飲食従業者数）、事業所従業者数（従業者総数から前２業種の従業者数を引いた数値）等を含む。

大都市交通センサスＤＢ１１３ｄは、例えば、鉄道事業者ごとの駅に関する乗降客数の統計値を記憶している。特に、大都市交通センサスＤＢ１１３ｄは、駅ごとの定期券及び普通券利用者数、駅構外乗換駅の乗換人数等を記憶している。

道路交通センサスＤＢ１１３ｅは、例えば、道路の種類別に道路ごとの観測地点の道路交通量に関する統計値を記憶している。特に、道路交通センサスＤＢ１１３ｅは、国道・主要地方道・一般都道府県道の１２時間小型車・大型車交通量や混雑度等のデータを記憶している。

地理情報ＤＢ１１３ｆは、例えば、既存店舗や対象店舗が立地する地域に対し、売上に影響すると考えられる地理事象に関し、経度及び緯度の位置情報を付与した属性である地理情報を含むデータベースである。地理情報ＤＢ１１３ｆが記憶している地理事象は、例えば、自社店舗、競合店舗、駅中心点、道路交差点、主要な商業施設、鉄道、河川、公園、用途地域、ハザードマップなどである。

（２－２－２）店舗売上予測部１２
前出の図３で、店舗売上予測部１２は、統計値・地理情報ＤＢ群１１３から取得された統計値・地理情報を事前に処理した後、既存店舗に関する変数を含む学習データを用いた機械学習等によって売上予測モデルを生成し、当該売上予測モデルを用いて対象店舗の売上予測値を出力する。店舗売上予測部１２は、例えば、売上予測モデルの生成処理又は売上予測モデルに用いる統計値・地理情報の所定の前処理を実行する前処理部１２１と、既存店舗に関する変数を含む学習データを用いた機械学習等によって売上予測モデルを生成する売上予測モデル生成部１２２と、売上予測モデルに対して所定の変数値を入力することにより対象店舗の売上予測値を出力する売上予測部１２３と、を有する。

前処理部１２１は、売上予測モデルの生成処理においては、学習データに含まれる既存店舗に関する変数の一部に対し数値を算出する前処理と、また、売上予測モデルを用いた売上予測処理においては、売上予測モデルを用いる対象店舗（売上予測の対象となる店舗）に関する変数の一部に対し数値を算出する前処理と、を実行する。そのために、前処理部１２１は、例えば、前処理としての距離測定処理を実行する距離測定部１２１ａと、前処理としての判定処理を実行する判定部１２１ｂと、前処理としての配分・集計処理を実行する配分・集計部１２１ｃとを有する。

本実施形態に係る距離測定部１２１ａは、２地点の経度及び緯度の入力により、２地点間の距離（直線距離）をメートル単位で測定する。売上予測モデルに投入する多くの変数は、既存店舗・対象店舗・競合店舗などの店舗立地点、５００ｍ地域メッシュの補間点、駅中心点、道路交差点、主な商業施設の立地点、公園の中心点など、位置に関係付けられた地点データであることから、本実施形態に係る店舗売上予測システムの第二の特徴は、地点の位置を把握する方法として、「経度」及び「緯度」を用い、距離測定部１２１ａにおいて２地点間の「距離の自動測定」を行う点である。

売上に係る地点間の影響は、例えば、対象店舗立地点と競合店舗立地点間のように、その間の距離が近ければ強く、遠ければ弱く現れる。距離測定部１２１ａは、既存店舗や対象店舗の売上に影響する事象、例えば、競合店舗や駅、公園などを取り上げ、その影響度合いを見るため、距離測定処理を実行し距離を測定する。

本実施形態に係る判定部１２１ｂは、店舗立地点の「地理ビジネス環境」や「商業集積地の階層水準」を判定するとともに、店舗立地点がどのような「用途地域」や「自然災害地域」に入るかを判定する。

店舗売上は、地理ビジネス環境の影響を大きく受けていることが、最近指摘されている（高阪宏行,2014,「ジオビジネス：ＧＩＳによる小売店の立地評価と集客予測」古今書院．p.87）。従来では、「都心店」、「市街地店」、「郊外店」という用語は、店舗の立地型として広く使用されてきたが、単なる店舗の立地分類だけの意味しか持たなかった。一方、本実施形態に係る判定部１２１ｂは、地理的な視点を活かし「地理ビジネス環境」を自動判定することが可能である。本実施形態に係る判定部１２１ｂは、店舗立地点の経度及び緯度を示す情報に基づいて、統計値・地理情報ＤＢ群１１３を参照することにより、当該店舗立地点に対応する「地理ビジネス環境」の属性（「都心」、「市街地」、及び「郊外」）を判定することができる。

表１は、「地理ビジネス環境」の判定基準の一例を示す。

表１は、「地理ビジネス環境」の取り得る値を、「都心１」、「都心２」、及び「都心３」、「市街地１」及び「市街地２」、「郊外１」～「郊外６」に分けている。そして、「地理ビジネス環境」の取り得る値が、「１ｋｍ圏内の駅の有無」、「小売年間販売額（千万円）」、及び「従業者数（人）」の３つの変数によって決定される。「１ｋｍ圏内の駅の有無」は、店舗立地点から１ｋｍ圏内に駅があるか否かを示す情報である。「小売年間販売額（千万円）」は、店舗立地点を中心とした５００ｍ圏内の小売年間販売額である。「従業者数（人）」は、店舗立地点を中心とした５００ｍ圏内の従業者数である。なお、一定距離圏内の駅の有無や統計値は、距離測定部１２１ａと下記の配分・集計部１２１ｃで処理された結果を用いる。地理ビジネス環境が「都心１」と判定される条件は、「１ｋｍ圏内の駅の有無」が「有る」、「小売年間販売額（千万円）」が「２００００以上」、且つ「従業者数（人）」が「５００００以上」である。「都心」は、都心機能の卓越度に応じ３つに分けられる。「都心１」は、銀座や新宿といった狭義の都心である。「都心２」及び「都心３」に判定されると都心機能の卓越度は低下し、市街地的要素も現れはじめる漸移帯に相当する。「市街地」と「郊外」も同じで、番号が多くなるほど都心機能は低下する。このように判定部１２１ｂは、当該判定基準に基づいて、店舗立地点の「地理ビジネス環境」の属性を判定する。本実施形態に係る店舗売上予測システムの第三の特徴は、店舗立地点に対し、地理ビジネス環境（都心・市街地・郊外）を「自動判定」する点である。

表２は、「地理ビジネス環境」ごとに、売上予測モデルの因子と、因子を構成する典型的な要素と、要素の変数データを取得する地域メッシュの大きさ及び集計地域の範囲を示す。

本実施形態に係る店舗売上予測部１２では、表２に示すように、「地理ビジネス環境」の属性の判定結果に応じて、売上予測モデルを構成する５つの因子に対し、取り上げる要素が異なる。「交通」因子については、「都心」及び「市街地」では、「鉄道」が取り上げられるが、「郊外」では車による「道路」交通になる。この「交通」因子の要素の相違は、「需要」因子に影響し、「都心」では主な要素（需要発生源）は「従業者（都心への通勤者）」であり、次いで「鉄道利用者」になる。それに対し、「市街地」では、「鉄道利用者」の比重は下がり、主な要素は、「従業者」と「居住者」になる。「郊外」では「従業者」の比重が下がり、主に「居住者」になる。「供給」因子は、店舗の立地場所であり、「都心」では「商業ビル」、「市街地」では「商業ビル」と「ショッピングセンター（ＳＣ）」、「郊外」では「ショッピングセンター（ＳＣ）」と「単独店」が典型的である。このように「地理ビジネス環境」の属性の判定結果は、売上予測モデルを構成する要素を変えるので、当然、売上予測モデルに投入する変数も異なる。例えば、売上予測モデルにおいて、「交通」という因子に対し、都心や市街地では、「鉄道」という要素についての駅への距離という変数を投入するが、郊外では、「道路」という要素について交通量の多い交差点への距離という変数になる。

判定部１２１ｂによる「地理ビジネス環境」の属性の判定結果は、売上予測モデルに投入する変数の統計量を集計する範囲（集計領域）の大きさも変える。一般に、小売企業が同一規模の店舗を立地展開しても、「都心」では商圏は小さく、「市街地」、更に「郊外」と都心から遠くなるにつれて、人口密度が逓減することから、その人口減少を補うため、商圏は拡大することが知られている（高阪宏行，２０２１「国勢調査を用いたＳＣに立地するスーパーマーケットの商圏分析」エストレーラ，Ｎｏ.３２５．）。このことから、表２では、例えば居住者による需要量を計測する場合、「都心」では店舗を中心とした「５００ｍ圏」で、「市街地」では「１ｋｍ圏」で、「郊外」では「２ｋｍ圏」で、常住人口数を集計する。このように判定部１２１ｂによる「地理ビジネス環境」の属性の判定結果が、変数の統計量の「集計領域」の大きさを変えることは、変数の統計量を取得する地域メッシュの大きさも変える。例えば、表２では、「都心」と「市街地」では、「５００ｍ地域メッシュ」が用いられるのに対し「郊外」では、「１ｋｍ地域メッシュ」が用いられる。「地理ビジネス環境」の相違が、売上予測モデルに投入する変数の統計量を集計する空間スケールを変えることから、本実施形態に係る店舗売上予測システムは、「空間スケール可変型システム」とよぶことができる。本実施形態に係る店舗売上予測システムの第四の特徴は、地理ビジネス環境の判定結果に基づき、売上予測モデルの要素と変数、更に変数の統計値の集計領域の大きさを変更する点である。

判定部１２１ｂは、当該判定基準に基づいて、小売企業が所有する既存店舗に対して、店舗立地点の「地理ビジネス環境」の属性を判定する。既存店舗の立地点は、判定結果に基づき、都心、市街地、郊外に三分される。次に、例えば都心立地していると判定された既存店舗（すなわち都心店）は、都心の売上予測モデルを構築するときに、学習用のサンプル店舗として使用される。同様に、立地点が市街地あるいは郊外と判定された既存店舗は、それぞれ市街地あるいは郊外の売上予測モデルを構築するときに、学習用のサンプル店舗として使用される。「地理ビジネス環境」が同じと判定された既存店舗のデータを用いて、売上予測モデルを特定化するのは、売上をもたらす地理ビジネス環境を同一に揃えるというスクリーニングを行っていることであり、売上予測モデルの予測精度を向上させる重要な手段の１つになる。

判定部１２１ｂはまた、当該判定基準に基づいて、小売企業が開店しようとする対象店舗（出店候補物件）に対して、店舗立地点の「地理ビジネス環境」の属性を判定する。対象店舗の「地理ビジネス環境」は、判定結果に基づき、都心、市街地、郊外に三分される。次に、例えば、対象店舗の立地点が都心と判定された場合は、都心の売上予測モデルを用いて、売上予測が実行される。同様に、市街地あるいは郊外として判定された場合は、それぞれ市街地あるいは郊外の売上予測モデルが使用され、売上予測値が求められる。

本実施形態に係る配分・集計部１２１ｃでは、以下に示す「地域メッシュ統計値の自動集計」、「駅統計値の自動空間集計」、「立地点数の自動カウント」の３つの自動処理を実行する。これは、本実施形態に係る店舗売上予測システムの第五の特徴をなす。

本実施形態に係る配分・集計部１２１ｃは、地域メッシュ統計値の自動集計を行うにあたって、店舗立地点を含む店舗立地点地域メッシュ（第１地域メッシュの一例）の地域メッシュコード（店舗立地点地域メッシュコード）と、店舗立地点地域メッシュに隣接する周辺の８つの周辺地域メッシュ（第２地域メッシュの一例）の地域メッシュコード（周辺地域メッシュコード）とを、コード取得部１１１から取得する。図５には、中央に店舗立地点地域メッシュＭ０が示されており、更に、店舗立地点地域メッシュに隣接して８つの周辺地域メッシュＭ１～Ｍ８が示されている。なお、周辺地域メッシュの数は、８つに限らず、７つ以下であってもよいし、９つ以上であってもよい。また、周辺地域メッシュは、店舗立地地域メッシュに隣接していなくてもよい。

配分・集計部１２１ｃは、例えば店舗立地点地域メッシュＭ０及び周辺地域メッシュＭ１～Ｍ８のそれぞれの中に、複数の補間点を設定する。これにより、各補間点には、経度及び緯度を示す情報が対応付けられる。図５には、補間点の一例として、店舗立地点地域メッシュＭ０及び周辺地域メッシュＭ１～Ｍ８のそれぞれにおいて、１０行×１０列で等間隔に配置された黒丸で表された補間点が示されている。なお、図５に示したのはあくまで一例であって、補間点の間隔や数は任意に設定することができ、補間点は必ずしも等間隔で配置されなくてもよい。また、補間点の配置の仕方は、地域メッシュに対応付けられた任意の変数に応じて設定されてよい。

次に、配分・集計部１２１ｃは、店舗立地点地域メッシュＭ０及び周辺地域メッシュＭ１～Ｍ８のそれぞれに対応付けられた統計値を、当該地域メッシュに含まれる補間点に割り当てる。「割り当ての方法」は、例えば、いずれの補間点に対して「均等」に割り当ててもよい。具体的には、例えば、商業統計の地域メッシュにおいて、統計値として小売年間販売額を取り上げると、特定の地域メッシュ（店舗立地点地域メッシュＭ０又は周辺地域メッシュＭ１～Ｍ８のいずれか）に対応付けられた統計値が小売年間販売額の１０００万円であり、補間点が１００個（１０行×１０列）であった場合、１つ１つの補間点には「１０００万円÷１００個」の「１０万円」が割り当てられる。なお、補間点に対する地域メッシュ統計値の「割り当ての方法」は、補間点の何らかの指標（例えば、建物の棟数）に比例させてもよい。また、例えば、店舗からの距離の増加に伴い「段階」的な逓減や、連続的な「距離逓減」関数に基づいてもよい。

図５は、本実施形態に係る配分・集計部１２１ｃが実行する「集計処理」の概要を説明するための概略図でもある。当該集計処理は、所定の「集計領域」について合計することにより「空間集計処理」とも称され得る。配分・集計部１２１ｃでは、割り当てられた統計値を集計するための所定領域として、店舗立地点を含む「集計領域」を設定する。図５には、「集計領域」の一例として、店舗立地点Ｐ０を中心とする半径ｒの円Ｃが示されている。半径ｒの値は特に限定されないが、前記のように、店舗立地点の判定された地理ビジネス環境の属性（「都心」など）に対応した任意の変数値、例えば５００ｍに基づいて設定されてもよい。「集計領域」の形状は、円形に限らず、任意の形状で設定可能であってよい。

次に、配分・集計部１２１ｃは、「集計領域」に含まれるすべての補間点について、割り当てられた統計値を集計する。補間点が「集計領域」に含まれるか否かは、距離測定部１２１ａの機能を用いる。例えば、店舗立地点の経度及び緯度を示す情報と、補間点の経度及び緯度を示す情報とを用いて、店舗立地点と補間点間の距離を測定した上で、当該距離を「集計領域」の半径ｒと比較することにより判定される。すなわち、店舗立地点と補間点間の距離が、「集計領域」の半径ｒより短い場合は、当該補間点は「集計領域」に含まれると判定され、店舗立地点と補間点間の距離が、「集計領域」の半径ｒより長い場合は、当該補間点は「集計領域」に含まれないと判定される。図５では、「集計領域」は、店舗立地点地域メッシュＭ０の全てを含むため、店舗立地点地域メッシュＭ０に含まれる全ての補間点に割り当てられた統計値の合計（すなわち、店舗立地点地域メッシュＭ０に対応付けられた統計値そのもの）を集計値に含める。更に、配分・集計部１２１ｃは、周辺地域メッシュＭ１～Ｍ８の中で「集計領域」に含まれる補間点についても、当該補間点に割り当てられた統計値を集計値に含める。

店舗を立地させると店舗の周囲には、「集客地域」が形成される。配分・集計部１２１ｃにおける地域メッシュ統計値の「集計領域」は、店舗の「集客地域」と考えることもできる。この「集客地域」では、競合店舗が周囲に存在しなくても、距離の影響を受けて、どこかで居住者あるいは従業者の来店確率は０になる。来店確率の分布は、不連続分布と連続分布で表現される。図６の上図は、店舗を中心とした半径ｒの「集計領域」の断面図（換言すれば、店舗からの所定の半径における距離と、来店確率とのグラフ）を示している。店舗から距離ｒまでは、来店確率が１と均等であるが、距離ｒを超えると来店確率が０となるような「均等」であるが不連続な境界を持つ「集客地域」を画定したと捉えることができる。それに対し中図は、来店確率が段階的に（不連続に）低下する「階段的な境界」を持つ「集客地域」を、下図は連続的に「距離逓減」する境界の「集客地域」を表している。スポーツクラブのような会員制の企業やポイント・カードを発行している企業では、保有している利用者の居住地情報から、店舗と利用者間の距離を測定することができるので、「階段状」の来店確率や「距離逓減」関数（例えば、負の指数関数）の係数推計は、予測精度の向上につながる。

図７は、本実施形態に係る配分・集計部１２１ｃが実行する「配分処理」の概要を説明するための概略図である。図７では、自社店舗（既存店舗や対象店舗）の店舗立地点Ｐ０のほかに、Ｐ１に競合他社の「競合店舗」が立地する場合を示している。配分・集計部１２１ｃは、このように競合店舗が少なくとも１つ存在する場合、競合店舗についても集計領域を設定してもよい。競合店舗について設定される集計領域の形状や寸法は、対象店舗について設定される集計領域の形状や寸法と同一であってもよいし、異なっていてもよい。図７に示すように、店舗立地点Ｐ０を中心とする半径ｒの円Ｃ０で表わされた集計領域と、店舗立地点Ｐ１を中心とする半径ｒの円Ｃ１で表わされた集計領域とが相互に重複している場合、２店舗間で競合が発生すると考える。競合とは、補間点に対し割り当てられた地域メッシュ統計値を店舗間で取り合う行為であり、配分・集計部１２１ｃの「配分処理」で実行される。

配分・集計部１２１ｃでは、例えば、２店舗の集計領域が相互に重複している（対象店舗の集計領域と競合店舗の集計領域とが重なる）部分に対しては、補間点に対し割り当てられた地域メッシュ統計値を所定の方法で割り当ててもよい。割り当ての方法は、特に限定されないが、例えば単純に「均等」に二等分してもよいし、「競合モデル」に基づいて、店舗の規模と距離の側面から配分してもよい。図８は、競合モデルの一例として、距離係数＝２、規模係数＝１の「ハフモデル」の数式と計算例を示している。「ハフモデル」は一例であって、他の競合モデルが用いられてもよい。なお、小売企業が店舗ごとに顧客の住所情報を保有している場合は、競合モデルの距離係数や規模係数が推定できるようになるので、それらの係数を用いることで、より詳細な競合関係が再現でき、予測精度の向上につながる。競合モデルとしては、店舗に対し距離係数と規模係数を推定する空間的相互作用モデルなどさまざまなモデルが考案されており、本実施形態で利用できる（Ｃｈｕｒｃｈ, Ｒ.Ｌ. ａｎｄ Ｍｕｒｒａｙ, Ａ.Ｔ. ２００９. Ｂｕｓｉｎｅｓｓ Ｓｉｔｅ Ｓｅｌｅｃｔｉｏｎ, Ｌｏｃａｔｉｏｎ Ａｎａｌｙｓｉｓ, ａｎｄ ＧＩＳ. Ｗｉｌｅｙ, ８１-１０６）。

従来、店舗を中心とした一定距離圏内の地域メッシュ統計値の集計は、ＧＩＳを利用して、店舗レイヤと地域メッシュレイヤを重ね合わせ、地域メッシュコードによる地域メッシュ統計値の結合、バッファ生成、クリップ（切り取り）処理、面積按分などの数段階の空間処理を経て行われてきた。上記のとおり、本実施形態に係る店舗売上予測部１２の配分・集計部１２１ｃによる「集計処理」は、地域メッシュを補間点によって細分化し、統計値を割り当てた上で、補間点に割り当てられた統計値を「集計領域」で集計するという方法を採用している。本実施形態に係る手法は、ＧＩＳを使わない簡便的な方法として、地域メッシュ統計から一定距離圏内の「地域メッシュ統計値の自動集計」ができるので、地域メッシュ統計に対し大きな利便性の向上をもたらす。

配分・集計部１２１ｃによる「地域メッシュ統計値の自動集計」は、上記の商業統計の「一定距離圏内の小売年間販売額」のほかに、国勢調査の「一定距離圏内の常住人口数」、経済センサスの「一定距離圏内の小売従業者数」や「一定距離圏内の飲食従業者数」など、各種の地域メッシュ統計から一定距離圏内の統計値を集計することができる。

本実施形態に係る駅統計値とは、鉄道事業者が発表している駅の乗降客数のほかに、大都市交通センサスが調査している首都圏・近畿圏・中京圏の駅の統計データを指す。これらの駅統計値は、大都市交通センサスＤＢ１１３dに記憶されており、そのままデータとして利用されるほかに、地域メッシュ統計値と同じように、本実施形態に係る配分・集計部１２１ｃで配分・集計処理され、一定距離圏内の統計値として集計されることもある。

本実施形態に係る配分・集計部１２１ｃで配分・集計処理され、一定距離圏内の統計値として駅統計値を集計するには、まず、ユーザによる店舗の経度及び緯度の入力によって、本実施形態に係る地理情報ＤＢ１１３ｆから駅中心点（駅プラットフォームの中心点）の経度及び緯度が読み込まれ、距離測定部１２１ａにより店舗と駅中心点間の距離が測定される。店舗から一定距離圏（例えば５００ｍ圏）内の駅に対しては、大都市交通センサスＤＢ１１３ｄから、例えば、その駅の普通券降車人数が読み込まれる。更に、配分・集計部１２１ｃにおいて、該当の駅中心点を中心に、駅統計値の「集計領域」として、独自の「駅メッシュ」を生成する。一例として、図９では、該当の駅中心点を中心に生成した「５００ｍ駅メッシュ」を示している。この「５００ｍ駅メッシュ」は、総務庁管轄下にある５００ｍ地域メッシュとは、大きさは同じであるが、カバーする範囲が異なることから、「５００ｍ地域メッシュ」とはよばない。駅統計値の「集計領域」は、「駅メッシュ」で構成される。駅メッシュの寸法は、５００ｍに限らず、任意の値であってもよい。また、駅メッシュの形状は、矩形に限らず、円形や他の任意の形状であってもよい。

「５００ｍ駅メッシュ」等の駅メッシュの内部には、例えば１０×１０の「補間点」を設ける。なお、駅メッシュの内部に設定される補間点の位置や数は任意に設定してもよい。駅の普通券降車人数は、例えば１００個の補間点に「均等」に割り当てられてもよいし、駅からの距離逓減率などが考慮されてもよい。次に、距離測定部１２１ａにより、店舗（例えば、図９で店舗１）と補間点間の距離が測定され、店舗１の５００ｍ圏に含まれると判定された場合、補間点に割り当てられた駅統計値は、店舗１の変数「一定距離圏内の普通券降車人数」として空間集計される。

図９に示すように、競合店舗（店舗２）が、同じ駅を一定距離圏（例えば５００ｍ圏）内に持つならば、「５００ｍ駅メッシュ」の補間点に対し競合が発生する可能性が生まれ、配分・集計部１２１ｃにおいて、補間点に割り当てられた駅統計値を店舗間で配分してもよい。配分の方法は、特に限定されないが、「均等」な配分であってもよいし、「ハフモデル」などの「競合モデル」による配分であってもよい。なお、「５００ｍ駅メッシュ」は、配分・集計部１２１ｃで生成される駅統計値の「集計領域」となり、「駅勢圏」と考えることもできる。前記したのと同様に、駅の周辺に形成される駅勢圏は、「５００ｍ駅メッシュ」のような矩形でなく、円形など他の形状をとってもよい。前掲の図６で店舗を駅と読み替えると、駅から距離ｒまでは、駅利用（来店）確率が１、距離ｒを超えると利用確率が０となるような「駅勢圏」を画定したと捉えることもできる。また、駅の「集計領域」及び「駅勢圏」を、段階状に低下する駅利用確率や、連続的に距離逓減する負の指数関数等の減少関数（距離が増加する程減少する任意の関数）で表現してもよい。

なお、駅統計値に対する本実施形態に係る配分・集計部１２１ｃが実行する配分集計処理が、前出の地域メッシュ統計値の処理と異なる点は、店舗から一定距離圏（例えば５００ｍ圏）内に複数の駅（又は路線のプラットホーム中心点）が入る場合である。図１０の駅の例では、1つの駅に対し５つの路線の鉄道事業者が営業している。普通券降車人数や駅構外乗換駅の乗換人数といった路線ごとの駅統計値には、位置情報として、図１０に示すように、各路線の線セグメントで表示されるプラットホームの中心点の経度及び緯度が付与される。図１０は、店舗から例えば５００ｍ圏内に，２つの路線（の駅プラットホームの中心点）が入る例を示している。そして、各路線の線セグメントで表示されるプラットホームの中心点に対し、例えば「５００ｍ駅メッシュ」を生成し、その内部に１０×１０等の「補間点」を設ける。補間点には路線ごとの駅統計値が割り当てられ、例えば補間点が店舗の５００ｍ圏に含まれると判定された場合、割り当てられた各路線の駅統計値は、店舗の集計値に含められる。なお、路線を駅と読み替えて、店舗から一定距離圏に同一鉄道事業者の複数の駅が入る場合でも同じである。このように配分・集計部１２１ｃは、集計領域内に複数の鉄道事業者それぞれが営業する複数の駅が含まれる場合や、同一鉄道事業者の複数の駅が入る場合、各鉄道事業者及び各駅について配分集計処理を実行し、配分値を集計してもよい。

同じように、駅統計値に係る変数には、「一定距離圏内の駅構外乗換駅の乗換人数」、及び「一定距離圏内の乗降客数」などが挙げられ、本実施形態に係る地理情報ＤＢ１１３ｆからデータを読み取り、距離測定部１２１ａ、大都市交通センサスＤＢ１１３d、配分・集計部１２１ｃによる処理過程を経て「駅統計の自動空間集計」が実行される。

本実施形態に係る配分・集計部１２１ｃが実行するそのほかの処理には、一定距離圏内の店舗や施設の「立地点数の自動カウント」がある。ユーザによる店舗の経度及び緯度の入力によって、本実施形態に係る地理情報ＤＢ１１３ｆから、例えば、自社の既存店舗の経度及び緯度が読み込まれ、距離測定部１２１ａで店舗と自社店舗間の距離を測定し、一定距離圏内の自社店舗数をカウントして、変数「一定距離圏内の自社店舗数」が自動集計される。同じように、本実施形態に係る地理情報ＤＢ１１３ｆから施設データを読み取り、距離測定部１２１ａと配分・集計部１２１ｃのカウント処理という過程を経て作成される変数データは、「一定距離圏内の他社店舗数」、「一定距離圏内のインターチェンジの有無」、「公園の有無」などが挙げられる。

売上予測モデル生成部１２２は、売上予測モデルを回帰モデルとして生成するため、売上を説明するのに重要と考えられる変数を取り上げ、既存店舗に対しそれらの変数データを取得する。更に、取得された変数データの中から、既存店舗の売上を説明するのに最も大きな説明力を有する変数の組み合わせを探索し、回帰モデルを特定化する。そのために、売上予測モデル生成部１２２は、例えば、各変数について既存店舗のデータを取得する変数データ取得部１２２ａと、最も大きな説明力を有する変数の組み合わせを探索し、回帰モデルを特定化する売上予測モデル特定化部１２２ｂとを有する。

図１１は、本実施形態に係る売上予測モデルを特定化するために使用する、既存店舗の売上を説明するのに重要と考えられる変数を、因子-要素-特徴-変数という形式の体系化で位置づけている。一例として、ここでは都心の飲食店舗の事例を取り上げているが、業種によって、変数とその計測方法は異なってもよい。以下では、図１１に基づいて、変数データ取得部１２２ａで取り上げる変数を説明する。

店舗の売上に影響する最上位の要因は、因子とよばれる。図１１に示す例では、因子として、「需要」、「供給」、「競合と集積」、「交通」、「地理」の５つが挙げられているが、これらに限られるものではない。これらの因子は、店舗がどのような業種であろうと、売上を説明する上での基本的な経済主体と経済メカニズム、そして経済を支える背景を示している。

５つの因子は、要素に分解され、地理的事象として具現化される。売上予測モデルの第一因子の「需要」は、図１１に示す例のように、「居住者」、「従業者」、「一時通行者」の３要素に分けられる。従来の売上予測モデルでは、需要をおもに「居住者」として捉えてきた。本実施形態に係る店舗売上予測システムの第六の特徴は、「居住者」のほかに、「従業者」と「一時通行者」を加え、需要を３要素で構成する点である。実施形態に係る店舗売上予測システムは、この３種類の需要に係る変数を自動集計することを、重要な開発目標に掲げている。

因子「需要」の要素「居住者」は、店舗立地点を中心とした一定距離圏内の居住地の需要であり、居住者を需要発生源とする需要を捉える。要素「居住者」は、市場をマスとして捉えた「規模」のほかに、「性」や「年代」などで市場細分化（マーケットセグメンテーション）を行い「若年」・「高齢」・「女性」といったさまざまな特徴として捉えられ、それぞれの変数で計測される。図１１に示す例では、「一定距離圏（例えば都心では５００ｍ圏）内の女性常住人口数」である。都心で距離圏を５００ｍ圏とした理由は、都心では駅密度が１ｋｍ²当たり１駅と高いことから、居住者の歩行距離の上限が５００ｍ程度になると考えたからである。

因子「需要」の要素「従業者」は、店舗立地点を中心とした一定距離圏内の業務地の需要であり、業務地に勤務する従業者を発生源とする需要を捉える。要素「従業者」は、「規模」・「業種」・「通勤者」などさまざまな特徴を持ち、それぞれの変数で計測される。図１１に示す例では、「一定距離圏（例えば都心では５００ｍ圏）内の小売・飲食従業者を除く従業者数」という変数で計測される。都心で距離圏を５００ｍ圏とした理由は、昼休み等の１時間程度の休憩時間内に業務地を出てまた戻って来ることの可能な移動範囲を、５００ｍ圏と考えたからである。また、従業者数から小売・飲食従業者数を除いたのは、売上予測を行う店舗の業種を、一例として飲食としているので、目的変数の飲食店舗の売上に対し、説明変数に飲食店関係の変数（飲食従業者数）を加えると、トートロジー（説明変数に目的変数の一部が組み込まれていること）になるので、加えないことが適切と考えたからである。更に、小売従業者を除いたのは、小売業関係のデータには、従業者（遺伝子型）のほかに年間販売額（表現型）もあり、表現型の年間販売額の方が小売業の実態をより精確に表現できると考えたからである。

因子「需要」の要素「一時通行者」は、店舗立地点を中心とした一定距離圏内の商業集積地・業務地・観光地の需要であり、一時的に訪れる買物客・業務地（ビジネス）訪問者・観光客等を発生源とする需要を捉える。要素「一時通行者」は、「買物客」・「事業所訪問者」・「駅構外乗換駅乗換人員」・「観光客」などさまざまな特徴を持ち、それぞれの変数で計測される。図１１に示す例では、「一時通行者」を発生源とする需要を、駅に係る２つの変数で計測する。第一は、「一定距離圏（例えば都心では５００ｍ圏）内の駅の普通券降車人数」という変数である。普通券降車人数を取り上げたのは、買物・業務地訪問・観光などの一時的訪問は、都心では鉄道の普通券で乗車し、目的地（店舗立地点の最寄駅）で降車した場合、それを捉えればよいと考えたからである。都心で距離圏を５００ｍ圏としたのは、都心では駅密度が１ｋｍ²当たり１駅と高いことから、一時通行者の歩行距離の上限が５００ｍ程度になると考えたからである。

要素「一時通行者」を捉える第二の変数は、「一定距離圏（例えば都心では５００ｍ圏）内の駅構外乗換駅の乗換人数」である。図１２は、駅構外乗換駅の乗換人員の一例を示す概略図である。駅構外乗換駅とは、鉄道路線を乗換える場合、一度駅の構外に出なければならない駅である。ＪＲと私鉄や地下鉄との乗換えのときに、そのような状況に出会うことが多い。店舗立地点を駅外（駅中ではなく）と考えた場合、駅構外乗換駅での乗換人員は、「一時通行者」のもう１つの需要発生源と考えられる。

売上予測モデルの第二因子の「供給」は、図１１に示す例では、「店舗」、「入居ビル（ＳＣを含む）」、「機能特化地域」、「商業集積地」の４つの要素に分解されるが、これらに限られるものではない。

因子「供給」の要素「店舗」は、更に「規模」・「営業活動量」・「視認性」・「近接性」といった４つの特徴を持つが、これらに限られるものではない。

因子「供給」の要素「店舗」の特徴「規模」は、空間的規模、及び時間的規模を含む任意の規模を含んでもよいが、これらに限られるものではない。図１１に示す例では、空間的規模を示す変数として、「テーブル数」が含まれるが、「椅子の数」等の他の空間的規模の変数が含まれてもよい。「テーブル数」は、店舗が有するテーブルの数を示す変数である。このように、同一の特徴に対し、「テーブル数」と「椅子の数」の２つの変数、あるいは、それ以上の変数を取り上げる場合もあり、売上予測モデル特定化部１２２ｂにおいて、店舗売上に対する説明力を比較して、最も大きい変数のみが、最終的に回帰モデルの説明変数に組み込まれることもある。

因子「供給」の要素「店舗」の特徴「営業活動量」については、図１１に示す例では、時間的規模を示す変数として、「営業時間」と「営業日数」が含まれるが、他の時間的規模の変数が含まれてもよい。「営業時間」は、店舗が1日に営業を行う時間の総数を示す変数である。「営業日数」は、店舗が1年間に営業を行う日数を示す変数である。

因子「供給」の要素「店舗」の特徴「視認性」は、店舗の存在が人々に知られているかに関連する特徴である。図１１に示す例では、「店舗が見えるか」であるが、このほかに「サインボード（看板）」や「入口」、「セットバック」などの変数で計測される。「店舗が見えるか」の変数をより詳しく示すと、ユーザで任意に変数設定が可能であるが、例えば、「よく見える」＝３、「見える」＝２、「ほとんど見えない」＝１、「まったく見えない」＝０というような評価得点で評価される。「よく見える」とは、店舗の前を通る通行者の視界によく入り、店舗の存在をよく認識しているということである。「まったく見えない」とは、地下階にある店舗のように、店舗の前を通過するとき、視界にまったく入らない店舗である。

因子「供給」の要素「店舗」の特徴「近接性」については、図１１に示す例では、「立地階数」の変数を取り上げている。より詳しく示すと、例えば、「１階」＝４、「２階」及び「地下階」＝３、「３階」＝２、「４階」＝１、「５階以上」＝０というような評価得点で評価される。近接性の特徴は、広く考えると、このほかに「駅からの距離」、「道路の種類」、「障害物（バリア）」なども含まれるが、店舗売上に強く影響するため、以下で詳しく取り上げる。

因子「供給」の要素「入居ビル（ＳＣを含む）」は、店舗が入居するビルに関連し、「種類」・「競合と集積」・「規模」などさまざまな特徴を持つ。図１１に示す例では、「入居ビル」の特徴「種類」に注目し、「入居ビルの種類」の変数が挙げられている。要素「入居ビル」の特徴「種類」は、予測を行おうとしている店舗の業種等に応じて任意に変数の設定が可能である。図１１に示す飲食店の場合では、アミューズメントビル、ファッションビル、ホテルビル、飲食店ビル、商業ビル、オフィスビル、住居ビル、ＳＣ、単独店等に分類される。

因子「供給」の要素「入居ビル（ＳＣを含む）」の特徴「競合と集積」は、「同業種の店舗数」の変数で計測される。売上に対する寄与は、業種によって異なり、競合して売上に対してマイナスの影響を及ぼす場合もあれば、集積して売上に対してプラスの影響を生じる場合もある。

「入居ビル（ＳＣを含む）」の特徴「規模」は、入居ビルのテナント数（同業種店舗を含む）の変数で計測される。なお、郊外では、要素「入居ビル」としてＳＣ（ショッピングセンター）が多く、「競合と集積」・「規模」のほかに、「施設の新しさ」・「施設の運営者」といった特徴が取り上げられる。

因子「供給」の要素「機能特化地域」では、同業種店舗の「集積量」といった特徴に注目する。図１１に示す例は、飲食店の場合を示し、「一定距離圏（例えば都心では５００ｍ圏）内の飲食従業者数」という変数で計測される。同業種店舗の集積量の売上に対する寄与は、業種によって異なり、例えば、競合して売上にマイナスの影響を及ぼす場合もあれば、集積して売上にプラスの影響（局地化経済の集積利益）を生じる場合もある。

因子「供給」の要素「商業集積地」では、異業種店舗の集積量を表わし、営業活動量・規模・経済水準といった特徴に注目する。図１１に示す例は、「一定距離圏（例えば都心では５００ｍ圏）内の小売年間販売額」のほかに、「商業集積地の階層水準」や「最高路線価」という変数で計測されてもよい。

因子「供給」の要素「商業集積地」の特徴「規模」は、商業集積地の「階層水準」として区分された属性を示す変数で計測される。商業集積地の「階層水準」には、判定部１２１ｂによる判定処理の結果が入力される。商業集積地の「階層水準」の取り得る属性は、例えば、小売地理学の観点による属性としての「全国」、「広域」、「地域」、「都市」、「地区」、「近隣」の６つの階層水準を含んでもよい。一般に、店舗は、規模が大きい商業集積地に立地するほど、異業種店舗の集積による都市化経済の集積利益を享受すると考えられるので、商業集積地の「階層水準」は、都市化経済の集積利益を示す変数になる。

表３は、商業集積地の「階層水準」の判定基準の一例を示す。

判定部１２１ｂは、当該判定基準に基づいて、店舗立地点を含む地域メッシュの商業集積地の「階層水準」を判定する。表３に示すとおり、商業集積地の「階層水準」は、当該店舗立地点を含む５００ｍ地域メッシュにおける小売年間販売額によって判定される。また、表３には、商業集積地の規模が「全国」、「広域」、及び「地域」については、隣接５００ｍ地域メッシュをもまとめて小売年間販売額に集計する基準が含まれる。例えば、東京駅の南や東に広がる有楽町・銀座や日本橋の商業集積地、新宿、池袋、渋谷の商業集積地では、店舗立地点を含む５００ｍ地域メッシュの小売年間販売額が５０００憶円以上で、その地域メッシュに隣接する５００ｍ地域メッシュの小売年間販売額が３００憶円以上である場合は、隣接５００ｍ地域メッシュも商業集積地に含めるとともに、それらの小売年間販売額を合計した数値で、商業集積地の「階層水準」を自動判定する。

以上のとおり、本実施形態に係る売上予測モデルでは、店舗立地点の経度及び緯度を示す情報を入力することによって、判定基準に基づいて、店舗が立地する商業集積地を同定するとともに、その規模が、全国・広域・地域・都市・地区・近隣のいずれに当たるかを自動判定する。商業集積地の同定と規模の自動判定は、従来見られなかったシステムであると同時に、その判定結果が売上予測モデルの変数に用いられることもなかった。

因子「供給」の要素「商業集積地」の特徴「経済水準」として、店舗が立地する商業集積地の最高路線価を変数に採用することもできる。都市の地代理論（Ｏ‘ｂｒｉｅｎ, Ｌ. ａｎｄ Ｈａｒｒｉｓ, Ｆ. １９９１. Ｒｅｔａｉｌｉｎｇ： Ｓｈｏｐｐｉｎｇ, Ｓｏｃｉｅｔｙ, ａｎｄ Ｓｐａｃｅ. Ｄａｖｉｄ Ｆｕｌｔｏｎ Ｐｕｂｌｉｓｈｅｒｓ, Ｌｏｎｄｏｎ, ｐ.７７.）から、商業集積地の中心は地価の最高地点であり、そこから離れるに従って、地点の集客能力が低下することが報告されている。そこで、本実施形態に係る売上予測モデルでは、「最高路線価」を変数に採用し、商業集積地の中心の「経済水準」を計測してもよい。

本実施形態に係る変数データ取得部１２２ａにおいて、以上の因子「供給」に関しては、図１１の右欄の「既存店舗：所与」とある変数では、すでにその変数データが決まっていることを表している。例えば、因子「供給」の要素「店舗」の特徴「規模」の変数は、「テーブル数」で計測されるが、既存店舗ではその値はすでに定まっている。「既存店舗：所与」とある変数は、そのほかに、「営業時間」、「店舗が見えるか」、「立地階数」、「入居ビルの種類」など因子「供給」で多く見られ、既存店舗のデータとなる。ユーザは、このような既存店舗のデータに関して、データファイルとしてサーバに送ることが必要となり、その「取得方法」は「ユーザ入力」になる。

売上予測モデルの第三因子は、「競合と集積」である。すでに前出の因子「供給」の要素「入居ビル（ＳＣ）」、「機能特化地域」及び「商業集積地」において、ビルレベルと地域レベルで「競合と集積」を捉えている。ここでは、従来あまり考慮されてこなかった個店レベルでの「競合と集積」を取り上げる。図１１で示されるように、「同業種店舗」と「主な施設」の２つの要素に分解されるが、これらに限られるものではない。

因子「競合と集積」の要素「同業種店舗」は、特徴として「自社」があり、例えば、「一定距離圏（例えば都心では５００ｍ圏）内の自社店舗数」の変数で計測される。自社店舗が近隣に立地していると、カニバリゼーション（共食い）とよばれる自社競合が生まれる可能性が高くなる。

因子「競合と集積」の要素「同業種店舗」は、特徴として「他社」があり、「一定距離圏（例えば都心では５００ｍ圏）内の他社店舗数」の変数で計測される。同業種の他社店舗が近隣に立地している場合、業種によって影響が異なる。例えば、飲食店の場合は、飲食店街で見られるように、競合による損失より集積の利益が大きい。それに対し、スポーツクラブでは、会員制により顧客を囲い込みするため、競合のみが発生する。

因子「競合と集積」の要素「主な施設」は、例えば、特徴として「商業」と「娯楽」があり、一定距離圏内の主な商業施設や娯楽施設が挙げられるが、これらに限られるものではない。これらの施設は大きな集客力を持つので、異業種であるが店舗周辺にこれらの施設が立地することは、プラスの顧客トリクルダウン（滴り落ち；おこぼれ）効果を受けることになる。

売上予測モデルの第四因子である「交通」は、売上予測における交通に関連し、図１１で示されるように「鉄道」と「道路」の２つの要素に分解されるが、これらに限られるものではない。小売地理学では、交通因子は、需要因子と供給因子を結びつけるものとして取り上げられる。鉄道交通は都心と市街地で卓越し、道路交通は郊外で卓越する傾向にある。したがって、都心と市街地では鉄道交通が重要であり、郊外では道路交通が重要になる。

因子「交通」の要素「鉄道」は、店舗立地点の周囲における鉄道交通駅に関連し、「近接性」、「結節性」及び「規模」の特徴があるが、これらに限られるものではない。

因子「交通」の要素「鉄道」の特徴「近接性」の変数として、図１１に示す例では、「最寄駅への距離」が含まれるが、これに限られるものではない。同じく要素「鉄道」の特徴「結節性」の変数としては、「最寄駅の路線数」が、特徴「規模」の変数としては、「最寄駅の乗降客数」が挙げられる。

因子「交通」の要素「道路」は、店舗立地点の周囲における道路（自動車）交通に関連し、「種類」・「交通量」・「近接性」や「結節性」といった特徴があるが、これらに限られるものではない。

因子「交通」の要素「道路」の特徴「種類」は、図１１に示す例では、店舗立地点の「前面道路の種類」が取り上げられている。「前面道路」とは店舗の入口が面する道路のことで、更に敷地の周囲の「周辺道路」の種類を考慮する場合もある。「道路の種類」には、例えば、道路の利用者に基づいて、自動車道路の「高速道路」、「国道」、「都道府県道」、「シンボル市道」（道路名称のある市道）、「市区町村道」、「一般道路」等や、歩行者道路の「歩道」、「歩行者専用道路」、「アーケード」、「地下道」、「路地」等を含んでもよい。

因子「交通」の要素「道路」の特徴「交通量」は、「平日１２時間小型車交通量」が含まれるが、これに限られるものでもない。

因子「交通」の要素「道路」の特徴「近接性」は、店舗立地点の前面道路と周辺道路でのアクセスを示す変数である。例えば、「中央分離帯の有無」、「駐車場への直接イン」、一方通行、（法規上・構造上）右折禁止等が含まれてもよい。同じく、要素「道路」の特徴「結節性」は、「一定距離圏内のインターチェンジの有無」や「主要交差点の有無」が含まれるが、これらに限られるものでもない。

売上予測モデルの第五因子である「地理」は、図１１で示されるように、「「地域」と「障害物（バリア）」の２つの要素に分解されるが、これらに限られるものではない。

因子「地理」の要素「地域」は、店舗が立地する地域に関連する。特徴は、「種類」・「経済水準」・「土地利用」・「自然災害」などがあるが、これらに限られるものではない。

因子「地理」の要素「地域」の特徴「種類」は、都道府県のほかに、地方、大都市圏などがある。図１１に示す例では、「種類」として都道府県が取り上げられ、変数として、「都道府県名」が含まれるが、これに限られるものではない。

因子「地理」の要素「地域」の特徴「経済水準」は、例として「都道府県別最低賃金」や「都道府県別1人当たり外食食事代」の変数が挙げられる。同じく要素「地域」の特徴「土地利用」では用途地域の種類が、特徴「自然災害」ではハザードマップにより店舗立地点が水害地域に含まれるか等が変数になる。

因子「地理」の要素「障害物（バリア）」は、店舗立地点の周辺の地理的・物理的な障害物に関連し、「分断」と「占拠」の２つの特徴を示す。図１１に示す例では、分断バリアの変数として「河川の有無」、占拠のバリアの変数として「公園の有無」が含まれるが、これらに限られるものではない。

表４は、ユーザが作成する既存店舗の変数データファイルの一例を表している。

本実施形態に係る店舗売上予測システムでは、ユーザは、表４に示すように、既存店舗ＩＤと「既存店舗の経度及び緯度」、及び売上予測モデルの目的変数になる「売上」とともに、「ユーザ入力」の変数を含む既存店舗のデータファイルを作成し、インターネット等の所定の通信ネットワークＮを介して、サーバ装置１０に送信することになる。なお、既存店舗ごとに店舗利用者の住所情報を保有し、集客地域の距離逓減係数を推定して、売上予測のより高い精度を目指す小売企業は、別途に、既存店舗ごとの利用者の住所情報又は経度及び緯度を保存したファイルもサーバ装置１０に送信することになる。

変数データ取得部１２２ａでは、売上予測モデルの「目的変数」となる既存店舗の「売上」データと、「説明変数」の選定対象となる変数が、前出の自動処理とユーザによる送信によって取得される。売上予測モデルの特定化のため、既存店舗に対して「目的変数」と「説明変数」の選定対象となるデータが準備されたことになる。

売上予測モデル特定化部１２２bは、既存店舗の変数データを使用して、回帰モデルとしての売上予測モデルを特定化する。回帰モデルの特定化とは、「目的変数」の値を予測するため、回帰モデルに組み込む「説明変数」の選定を行うことである。変数データ取得部１２２aで取得された変数の中から、既存店舗の売上の変動を最も良く説明する変数の組み合わせが探索され、回帰モデルに組み込む「説明変数」が選定される。「説明変数」の組み合わせについては、任意のアルゴリズムによって探索されてもよいし、予め店舗の地理ビジネス環境等の属性に応じて規定されてもよい。

売上予測の回帰モデルを特定化するとき、「機械学習手法」と「統計学的手法」とが選択的に用いられてもよい。「機械学習手法」では、「サンプル店舗」となる既存店舗を、「訓練（学習）店舗」と「テスト店舗」に分割するので、例えば売上予測モデル特定化部１２２ｂは、「機械学習手法」と「統計学的手法」とのいずれの手法を使うかを、例えば既存店舗数（小売企業が所有する既存店舗の数）等に応じて決定してもよい。例えば、企業が有する既存店舗（データが取得できる既存店舗）のうち、判定部１２１ｂによって、地理ビジネス環境が、都心、市街地、あるいは、郊外として、それぞれ３００店舗程度判定された場合は、例えば、その８割を「訓練店舗」に、残りの２割を「テスト店舗」として用いるのに十分な「サンプル店舗」があると考え、売上予測モデル特定化部１２２ｂにより「機械学習手法」が採用されてもよく、この場合、都心、市街地、あるいは、郊外に対し、「機械学習手法」を用いて回帰モデルが特定化される。

それに対し、企業が有する既存店舗のうち、判定部１２１ｂによって、地理ビジネス環境が、都心、市街地、あるいは、郊外として、それぞれ１００店舗程度しか判定されない場合は、「機械学習手法」を実行するのに十分な「サンプル店舗」がないとみなし、売上予測モデル特定化部１２２ｂにより「機械学習手法」ではなく「統計学的手法」が採用されてもよく、この場合、都心、市街地、あるいは、郊外に対し、「統計学的手法」を用いた回帰モデルが特定化されてもよい。このことから、本実施形態に係る店舗売上予測システムの第七の特徴は、地理ビジネス環境ごとにユーザが所有する既存店舗数に応じて、「機械学習手法」と「統計学的手法」とを使い分けて、売上予測モデルを生成し、売上予測値を求める点である。なお、「機械学習手法」と「統計学的手法」のいずれを採用するかの基準としての既存店舗数は、特に限定されず、１００店舗、２００店舗、３００店舗等や、これら未満やこれら以上であってもよい。

小売企業が所有する既存店舗の地理ビジネス環境を、当該判定基準に基づいて、都心、市街地、郊外と三分したとき、個々の店舗数が、「統計学的手法」の回帰分析を実行するのに十分なサンプル数の１００店程度にならない場合、あるいは、「機械学習手法」の回帰分析を実行するのに十分なサンプル数の３００店程度にならない場合は、地理ビジネス環境ができるだけ近い店舗をまとめることになる。例えば、都心１・都心２・都心３に立地している既存店舗では数が少ない場合は、前出の表１に示されているように、地理ビジネス環境が近い市街地１を「サンプル店舗」に加えてもよい。また、郊外に立地している既存店舗では数が少ない場合は、地理ビジネス環境が近い市街地２を「サンプル店舗」に加えてもよい。

変数データ取得部１２２aで取得された変数を、「説明変数」として回帰モデルに組み込む場合、変数（機械学習手法では特徴量という）をそのまま利用してもよいし、複数の変数と組み合わせて作成した複合変数を用いることもできる。これは、「特徴量エンジニアリング」とよばれ、表現が豊かな複合変数にまとめることによって、予測精度を向上させることにつながる（Ｚｈｅｎｇ ａｎｄ Ｃａｓａｒｉ, ２０１９, オーム社，ｐ.６）。

前記の図１１に示した因子「供給」の要素「入居ビル」の特徴「種類」では、予測を行う店舗の業種等に応じて任意に変数の設定が可能である。例えば、飲食店の場合では、入居ビルの種類ごとに「目的変数」（店舗売上）の平均値を算出し、平均値の順位に応じて（評価の高いものを高得点として）、アミューズメントビルは８点、ファッションビルは７点、ホテルビルは６点、飲食ビルは５点、オフィスビルは４点、商業ビルと住居ビルは３点、小規模商業ビルは２点、単独店は１点というように、評価得点を設定してもよい。

因子「供給」の要素「店舗」の特徴「視認性」で、「店舗が見えるか」の変数は、ユーザで任意に変数設定が可能であるが、例えば、「よく見える」＝３、「見える」＝２、「ほとんど見えない」＝１、「まったく見えない」＝０というような評価得点で評価される。同様に、「サインボード」、「入口」、「セットバック」のほかの３つの「視認性」変数も評価得点で評価し、４変数の評価得点を合計し総合得点を算出し、「総合評価」することもできる。さらに、４変数の評価得点で低い場合のみを考慮するなど、さまざまな工夫が行われる。これらの４変数の評価得点及び総合得点等は、本実施形態に係る売上予測モデルの変数として取り上げられる。

因子「供給」の要素「店舗」の特徴「営業活動量」では、図１１に示したように、１日の「営業時間」と年間の「営業日数」の２変数があるが、それらの積の「交互作用特徴量」＝「営業時間」×「営業日数」として、「年間営業時間」を算出することで、簡潔な「複合変数」になる。

図１１に示したように、因子「需要」の要素「居住者」は、特徴「規模」のほかに、特徴「性」と特徴「年代」がある。特徴「規模」は市場をマスとして捉え、「人口数」で計測されるのに対し、特徴「性」と特徴「年代」をクロスするならば、性×年代に基づいた市場細分化（セグメンテーション）を考慮した計測が可能となる。例えば、男１０歳代・２０歳代・３０歳代・４０歳代・５０歳代・６０歳代・７０歳以上、女１０歳代・２０歳代・３０歳代・４０歳代・５０歳代・６０歳代・７０歳以上と、市場を１４に細分化するならば（ただし、１０歳未満は取り上げない）、「性・年代細分化人口数」は、ｍｗ１×「男１０歳代人口数」＋ｍｗ２×「男２０歳代人口数」＋―――＋ｍｗ７×「男７０歳以上人口」＋ｆｗ１×「女１０歳代人口数」＋ｆｗ２×「女２０歳代人口数」＋―――＋ｆｗ７×「女７０歳以上人口数」で計測される。ただし、ｍｗ１、ｍｗ２やｆｗ１、ｆｗ２は、男女の顧客構成比を示す。小売企業が、店頭調査などを通じて、顧客構成比のデータを持つ場合は、そのデータで加重することで、居住者の「需要量」に対し、性×年代の市場細分化に基づく表現力の豊かな「複合変数」が作成される。

図１１に示したように、因子「需要」は、「居住者」・「従業者」・「一時通行者」の３つの要素で構成される。需要を「総需要量」として複合変数にまとめるには、「総需要量」＝ｗ１×「居住者数」＋ｗ２×「従業者数」＋ｗ３×「一時通行者数」となる。このような線形モデルで「複合変数」にまとめると、「居住者」の変数「一定距離圏内の常住人口数」、「従業者」の変数「一定距離圏内の小売・飲食従業者を除く従業者数」、及び「一時通行者」の変数「一定距離圏内の駅の普通券降車人数」と「一定距離圏内の駅構外乗換駅の乗換人数」は、１つの「複合変数」にまとめられる。図１３は、需要の３要素である「居住者」・「従業者」・「一時通行者」の加重値（ｗ１、ｗ２、ｗ３）を変えて、店舗から５００ｍ圏内の「総需要量」と「飲食店従業者数」（総供給量）の間の決定係数の変化を３次元表示している。ポイントが黒くなるほど、決定係数が高い加重値の組み合わせを表している。３要素の加重値が均等であるよりも、「従業者」の加重値が高まるほど、「総需要量」の説明力は上昇し、（個店の供給量ではないが）「総供給量」の変動の半分程度を「総需要量」で説明できるようになることがわかる。小売企業が、店頭でのアンケート調査などを通じて、「居住者」・「従業者」・「一時通行者」の顧客構成比が得られる場合は、そのデータを利用して加重値を算出することで、「総需要量」とよばれる表現力の豊かで簡潔な「複合変数」が作成される。

図１１に示したように、因子「交通」の要素「鉄道」では、「近接性」・「結節性」・「規模」の３つの特徴があり、最寄駅への「距離」・「路線数」・「乗降客数」の３変数で計測される。この３変数は、売上予測モデルの「説明変数」として個々に取り上げてもよいが、３変数をクロス集計し、「鉄道交通」として複合変数にまとめることもできる。まず、最寄駅への「距離」は、駅ビル・駅前・駅から１００ｍ・２００ｍ・３００ｍ・４００ｍ・５００ｍと７区分する。「路線数」と「乗降客数」は、例えば、２路線以上と１路線、４万人以上と４万人未満と、それぞれ２区分する。すると、「鉄道交通」は、７×２×２＝２８に区分されたことになる。この区分に基づき、既存店舗を３重クロス集計するとともに、「目的変数」（店舗売上）の平均値を算出する。そして、平均値に基づき、例えば「距離」７区分を、３区分にまとめるといった分離集合のプロセスを経ることで、既存店舗に対し「鉄道交通」の３変数の典型的な組み合わせを確立し、「目的変数」（店舗売上）の平均点の順位に応じて（評価の高いものを高得点とする）「鉄道交通」の複合変数が作成される。

同じく、因子「交通」の要素「道路」の特徴「種類」では、既存店舗の「前面道路」と「周辺道路」の道路の種類に注目し、「高速道路」・「国道」・「都道府県道」・「シンボル市道」・「市区町村道」・「一般道路」に対し、例えば「高速道路」＋「国道」のように、どのような組み合わせで構成されているかを検討する。既存店舗に対し、道路の「種類」の典型的な組み合わせが確立されたならば、「目的変数」（店舗売上）の平均点の順位に応じて（評価の高いものを高得点とする）「道路交通」の複合変数が作成される。

なお、鉄道と道路を合わせた「交通」の複合変数を作るには、駅から５００ｍ圏内は「鉄道交通」、５００ｍ圏外は「道路交通」とし、鉄道と道路の各典型的組み合わせをすべて合わせて、「目的変数」（店舗売上）の平均値を順位付け、評価の高いものを高得点とすることで、「交通」の複合変数が作成される。

売上予測モデルを特定化するとき、「機械学習手法」と「統計学的手法」のいずれの手法が利用されても、変数（特徴量）間のデータの取りうる範囲（スケール）を揃えるため、「正規化」と「標準化」といった「特徴量スケーリング」を行うことが必要な場合がある。その時は、例えば、変数ごとに、シャピロ・ウィルク検定を用いて、そのデータの正規性を検定する。データの正規性の仮説が棄却された場合は、右裾が長い正の非対称のときはデータを対数変換し、左裾が長い負の非対称のときはデータをべき乗変換する。こうしてデータが正規性を有するようになったならば、更に平均が０、標準偏差が１となるように「標準化」する。

判定部１２１ｂによって、都心、市街地、あるいは、郊外に、それぞれ３００店舗程度の既存店舗が判定された場合では、「機械学習手法」により売上予測の回帰モデルが特定化される。機械学習に用いられる機械学習アルゴリズムは、特に限定されるものではないが、例えば、決定木（勾配ブースティング及びランダムフォレストを含む）、サポートベクターマシン、ニューラルネットワーク等が挙げられるが、これらに限られるものではない。

機械学習により生成される売上予測モデルの採用基準は、任意であるが、売上予測値の「平均絶対誤差（ＭＡＥ）」が平均売上実績値の１０％以内であるとか、「決定係数」が７割を超えるとか、あるいは、「テスト店舗」の８０％に対し、売上実績値の±２０％以内に入る売上予測値が得られるような精度であってよい。

図１４は、本実施形態に係る売上予測システムの「機械学習手法」による、売上予測モデルの特定化の一例を示す。機械学習アルゴリズムは、勾配ブースティングを用い、市街地の３０５店舗に対し、２０変数のデータを投入し、売上予測モデルを特定化した。２０変数については、小売企業との業務契約上の守秘義務のため、具体的な変数名を示すことはできないが、２０変数のうち、図１１に示された変数をそのまま利用したのが１２変数、「総需要量」を含め複合変数のような「特徴量エンジニアリング」を行ったのが８変数である。「決定係数」は、「訓練店舗」に対しては０．９７１、「テスト店舗」に対しては０．７０７となり、売上の７割程度と説明力の高い売上予測モデルが生成できたことを示す。図１４のグラフは、横軸に売上実績値、縦軸に売上予測値をとり、「テスト店舗」をプロットしている。直線は、売上予測値＝売上実績値を表わし、それを中心に売上予測値がおおむね分布していることが読み取れる。

売上予測モデルの特定化で用いた説明変数を、５つの因子にまとめると、供給が３１％、店舗が２４％、交通が２２％で、この３因子で５因子全体の説明力の７７％を説明する売上予測モデルであることが判明する。なお、店舗の売上は、立地で７割が決定されるといわれ、小売業は立地産業と一般によばれている。この予測結果は、店舗の２４％を除く、残りの４因子（いわゆる立地因子）で７６％を説明していることから、一般的常識とも一致している。

「機械学習手法」による回帰モデルは、高精度な予測を可能とする一方で、入出力の関係が分かりづらい（ブラックボックスである）という「解釈性の問題」を抱えている。店舗の立地評価やマーケティングでは、ユーザは、予測結果を経営決定に利用する場合が多いため、説明責任も生じ得る。一般に、予測精度と解釈性との間には、トレードオフの関係が見られ、どちらに重点を置くかは、解くべきタスクによって変わる。そこで、本実施形態に係る売上予測モデル特定化部１２２ｂでは、予測結果に至るプロセスが説明可能なＸＡＩ（Ｅｘｐｌａｉｎａｂｌｅ ＡＩ：説明可能なＡＩ）のモデルを採用してもよい。これにより、本実施形態に係る店舗売上予測部１２は、「高精度予測」と「解釈性に重きを置いた予測」を選択することが可能となる。例えば、入出力の複雑な関係を要約する手法のＰＤＰ（Ｐａｒｔｉａｌ Ｄｅｐｅｎｄｅｎｃｅ Ｐｌｏｔ）を用いるならば、興味ある変数に対しそれ以外の変数の影響を周辺化して消すことで、興味ある変数の入出力の関係を単純化することができる。また、ブラックボックスから予測を分解し、各変数の寄与度を示すＢｒｅａｋＤｏｗｎを用いるなど、ほかのＸＡＩモデルであってもよい。

１千店舗から成る店舗網を有する大手小売企業に比べ、多くの小売企業では、都心、市街地、あるいは、郊外として１００店程度しか「サンプル店舗」（既存店舗）が得られないことが多い。その場合は、「統計学的手法」により売上予測回帰モデルの特定化を行う。「統計学的手法」の回帰分析では、説明変数の数は、サンプル店舗数の１／１０程度しか取れないことが知られている（Ｐｅｄｕｚｚｉ， ｅｔ ａｌ．， １９９５． Ｉｍｐｏｒｔａｎｃｅ ｏｆ ｅｖｅｎｔｓ ｐｅｒ ｉｎｄｅｐｅｎｄｅｎｔ ｖａｒｉａｂｌｅ ｉｎ ｐｒｏｐｏｒｔｉｏｎａｌ ｈａｚａｒｄｓ ｒｅｇｒｅｓｓｉｏｎ ａｎａｌｙｓｉｓ ＩＩ. Ａｃｃｕｒａｃｙ ａｎｄ ｐｒｅｃｉｓｉｏｎ ｏｆ ｒｅｇｒｅｓｓｉｏｎ ｅｓｔｉｍａｔｅｓ. Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｎｉｃａｌ Ｅｐｉｄｅｍｉｏｌｏｇｙ, ４８（１２）, １５０３-１５１０.）。したがって、例えば、都心で１００程度のサンプル店舗しか判定できない場合では、その売上予測モデルの説明変数の数は１０変数程度となり、変数を絞りこむことが必要である。

多数の変数の中から、有用な変数を選択する方法として、「変数選択法」がある。回帰モデルでは、説明変数を増やすほど目的変数に対する説明力は上がり、「決定係数」が大きな値となる。これは、説明変数間で相関関係が高いときに起り、「多重共線性」とよばれ、回帰係数の推定を不安定にする。そこで、例えば、「変数選択法」の1つである「変数減少法」を用いて、最初に全説明変数を回帰モデルに取り込み、取り込まれた説明変数間で「多重共線性」の疑いのある変数を探して外す。

更に、回帰モデルの各変数に対し、「統計学的手法」で最小二乗法により回帰モデルの回帰係数を求めたとき、統計的有意性を表す指標として、ｔ検定統計量の「ｔ値」と、ｔ値の絶対値のパーセント表示（Ｐ値の１＝１００％）の「Ｐ値」が得られる。「t値」の絶対値が２以上、「Ｐ値」が０．０５以下のとき、統計的に意味のある回帰係数が得られた（その回帰係数の値が「ゼロであるとは言えない」）という意味で、回帰モデルの説明変数として残される。因果モデルとして回帰式を使用する場合は、上記の統計的有意性を厳守する必要があるが、予測モデルの場合は、統計的厳密性を緩める場合も認められるので、有意水準に対応する「ｔ値」（及び「Ｐ値」）の臨界値（上記の２や０．０５）を参考にして、「サンプル店舗」数の１０分の１程度の変数とその回帰係数を組み込んだ回帰モデルの特定化が、売上予測モデル特定化部１２２bの「統計学的手法」で行われる。

本実施形態に係る売上予測部１２３は、売上予測モデル生成部１２２により、「機械学習手法」及び「統計学的手法」により回帰モデルとして生成された売上予測モデルを含んでおり、当該売上予測モデルを用いて、対象店舗（用地や居抜き店舗など出店候補物件）の売上予測値を出力する。

売上予測部１２３は、売上予測を行う対象店舗数を限定しないが、以下では１店舗で説明する。すでに、既存店舗によって売上予測回帰モデルは特定化されているので、ユーザは、対象店舗１店舗に対する説明変数のデータを収集し、サーバ装置１０に保存されている図１５の右図の入力フォームに、インターネット等の所定の通信ネットワークＮを介して、ユーザ端末２０からアクセスし、説明変数データを入力するとともに送信する。図１５の右図は、対象店舗（出店候補物件）の説明変数データの入力フォームの一例を示している。入力フォームに示されている変数は、売上予測モデルの説明変数を少なくとも含んでいなければならないが、説明変数よりも多くてもよい。

ユーザは、説明変数のデータを、入力フォームのボックスに半角の数値で入力し、チェックボックスには選択するボックスにチェックを入れ、都道府県名は、１つを選択する。売上予測を行う対象店舗の経度及び緯度の入力は、その立地点の経度及び緯度を調べなければならない。地点の経度及び緯度を調べるには、例えば、Ｇｏｏｇｌｅ Ｍａｐ上で店舗立地点にマウスを当てると、35.7107286,139.7140038のようなＷＧＳ８４座標系の緯度及び経度がウィンドウに表示され、コピーされる。この経度及び緯度を、弊社のＨＰの入力フォームにある「緯度」と「経度」のボックスで入力する（貼り付ける）。

図１５の入力フォームにおいて、ユーザが「感染症」にチェックを入れたこと等に応じて、売上予測モデルの因子「需要」の要素「従業者」の特徴「規模」に対する変数「一定距離圏内の小売・飲食従業者を除く従業者数」の値に、感染症の影響度（例えば、「１－在宅勤務率」）を乗じて、感染症の影響を考慮もよい。また、店舗立地点を中心とした５００ｍ圏に対する、感染症発生前後の携帯電話通話量の変化率を乗じて、感染症の影響を考慮もよい。

図１５の入力フォームにおいて、ユーザが「人口減少」にチェックを入れたこと等に応じて、売上予測モデルの因子「需要」の要素「居住者」の特徴「規模」に対する変数の値として、国勢調査ＤＢ１１３ｂから将来予測人口（例えば、５年後人口等）の値を読み込み、「一定距離圏内の常住人口数」の代わりに用いて、人口変化の影響を考慮もよい。

図１５の右図の入力フォームにおいて、ユーザが「自然災害」にチェックを入れたこと等に応じて、地理情報ＤＢ１１３ｆから水害のハザードマップを読み込み、判定部１２１ｂで、対象店舗が浸水地域の可能性の高い地区に立地しているかを判定してもよい。

図１５の入力フォームにすべての説明変数のデータが入力し終わったならば、「送信」をクリックする。インターネット等の所定の通信ネットワークＮを介して送信された対象店舗の説明変数データは、コンピュータ５００の記憶装置５０５に記憶される。対象店舗の売上予測値は、記憶されている対象店舗の説明変数データをメモリ５０３に読み込み、売上予測部１２３において地理ビジネス環境の属性に応じた「売上予測モデル」を実行することで算出される。

（２－３）ユーザ端末２０の機能構成
図１６は、本実施形態に係るユーザ端末２０の機能構成を示すブロック図の一例である。ユーザ端末２０は、例えば、１台又は複数台のコンピュータ５００によって構成される。ユーザ端末２０は、例えば、パーソナルコンピュータ（ＰＣ）、携帯電話（スマートフォンやフィーチャーフォン等）、及びタブレット端末等の情報処理装置である。ユーザ端末２０は、例えば、操作受付部２１と、送受信部２２と、出力部２３とを有する。

操作受付部２１は、ユーザによる入力Ｉ／Ｆ部５０７を介した操作を受け付ける。例えば、操作受付部２１は、売上予測モデルを生成するための学習データ（各既存店舗についての売上実績値及び所定の変数データ）の入力を受け付ける。また、例えば、操作受付部２１は、売上予測の対象となる店舗（対象店舗）の各種の変数データの入力を受け付ける。

送受信部２２は、他の情報処理装置との間で、通信ネットワークを介した情報の送信及び／又は受信を行う。送受信部２２は、例えば、ユーザが入力した、売上予測モデルを生成するための学習データ（各既存店舗についての売上実績値及び所定の変数データ）をサーバ装置１０に送信する。また、送受信部２２は、例えば、ユーザが入力した、売上予測の対象店舗に関する各種の変数データをサーバ装置１０に送信する。また、送受信部２２は、例えば、売上予測モデルにより出力された対象店舗の売上予測値等をサーバ装置１０から受信する。

出力部２３は、表示データに基づいて、各種の画面や情報をユーザ端末２０の表示装置５１３に表示させる。出力部２３は、例えば、既存店舗の売上実績値及び所定の変数データ等を入力するための入力画面を表示装置５１３に表示させる。また、出力部２３は、例えば、サーバ装置１０から受信した対象店舗の売上予測値を含む出力画面を表示装置５１３に表示させる。

（３）動作
（３－１）売上予測モデル生成処理
図１７は、本実施形態に係る情報処理システム１による売上予測モデル生成処理の一例を示す動作シーケンスである。

（Ｓ１０１）
まず、ユーザ端末２０の操作受付部２１は、売上予測モデルを生成するための学習データの入力を受け付ける。具体的には、ユーザが、各既存店舗についての売上実績値及び所定の変数データをユーザ端末２０に対して入力すると、ユーザ端末２０は、当該入力を受け付ける。ユーザが入力する当該変数は、例えば、図１１において入力方法が「ユーザ入力」として規定されている「テーブル数」、「営業時間」、「店舗が見えるか」、「立地階数」、「入居ビルの種類」、「前面道路の種類」、「都道府県名」、及び「河川の有無」等を含んでよい。なお、ユーザによる入力操作の代わりに、表４のように、予め所定の記憶部に記憶された各既存店舗についての売上実績値及び所定の変数データが呼び出されてもよい。

（Ｓ１０２）
次に、ユーザ端末２０の送受信部２２は、上記したステップＳ１０１において入力され又は呼び出された各既存店舗についての売上実績値及び所定の変数データをサーバ装置１０に送信する。

（Ｓ１０３）
次に、サーバ装置１０の地域メッシュ統計値・地理情報取得部１１は、ユーザ端末２０から受信した各既存店舗についての売上実績値及び所定の変数データに基づいて、地域メッシュ統計値を取得する。具体的には、まず、地域メッシュ統計値・地理情報取得部１１のコード取得部１１１が、受信データに含まれる各既存店舗の店舗立地点の情報（経度及び緯度）に基づいて、各既存店舗の店舗立地点地域メッシュコードと、周辺地域メッシュコードとを取得する。そして、統計値・地理情報取得部１１２が、店舗立地点地域メッシュコード及び周辺地域メッシュコードに対応付けられた各種の地域メッシュ統計値を取得するとともに、駅統計値及び地理情報も統計値・地理情報ＤＢ群１１３から取得する。

（Ｓ１０４）
次に、店舗売上予測部１２の前処理部１２１は、ユーザ端末２０から取得された各既存店舗についての売上実績値及び所定の変数データ、及び地域メッシュ統計値・地理情報取得部１１により取得された地域メッシュ統計値、駅統計値及び地理情報に基づいて、所定の前処理を実行する。例えば、判定部１２１ｂは、各既存店舗の「地理ビジネス環境」を判定する。また、判定部１２１ｂは、各既存店舗が立地する「商業集積地の階層水準」を判定する。また、例えば、配分・集計部１２１ｃは、各既存店舗についての「周辺の商業集積規模」、「居住者数」、「事業所従業者数」、「普通券降車人数」、及び「駅構外乗換駅の乗換人数」それぞれの値を自動集計する。更に、配分・集計部１２１ｃは、一定距離圏内に競合店舗がある場合は、競合モデルを用いて、「周辺の商業集積規模」、「居住者数」、「事業所従業者数」、「普通券降車人数」、及び「駅構外乗換駅の乗換人数」それぞれの値を配分処理後に自動集計する。また、距離測定部１２１ａは、各既存店舗についての「一定圏内の自社競合店舗数」、「一定圏内の他社競合店舗数」、「公園の有無」、及び「最寄駅からの距離」等を自動カウントあるいは測定する。これら変数の値は、各既存店舗の学習データに含められる。

また、ステップＳ１０４において、売上予測モデル特定化部１２２ｂは、ある変数の値に応じて、他の説明変数を選定してもよい。例えば、本実施形態に係る売上予測モデルでは、売上予測モデル特定化部１２２ｂは、変数「地理ビジネス環境」の属性に応じて、他の変数を選定してもよい。より具体的には、例えば、売上予測モデル特定化部１２２ｂは、「地理ビジネス環境」の属性が「都心」の場合、売上予測モデルにおける因子「需要」の説明変数については、「居住者数」及び「従業者数」の両方を含めてもよい。その一方で、売上予測モデル特定化部１２２ｂは、「地理ビジネス環境」の属性が「郊外」の場合、売上予測モデルにおける因子「需要」の説明変数については、「居住者数」のみを含めて、「従業者数」を含めないようにしてもよい。

また、例えば、売上予測モデル特定化部１２２ｂは、「地理ビジネス環境」の属性が「都心」、及び「市街地」の場合、売上予測モデルにおける因子「交通」の説明変数については、要素「鉄道交通」の説明変数である「最寄駅からの距離」のみを含めて、要素「道路交通」の説明変数である「道路の種類」は含めなくてもよい。その一方で、「地理ビジネス環境」の属性が「郊外」の場合、売上予測モデルにおける因子「交通」の説明変数については、要素「道路交通」の説明変数である「道路の種類」を含めて、要素「鉄道交通」の説明変数である「最寄駅からの距離」は含めなくてもよい。

本実施形態に係る売上予測モデルでは、ある変数の値に応じて、他の変数の値を算出する基礎となる地域メッシュ統計の地域メッシュの大きさや、地域メッシュ統計値の集計規模を変更してもよい。例えば、本実施形態に係る売上予測モデルでは、「地理ビジネス環境」の属性に応じて、地域メッシュ統計値・地理情報取得部１１が取得する地域メッシュ統計の地域メッシュの大きさを、５００ｍ地域メッシュから１ｋｍ地域メッシュに変更してもよい。また、例えば、本実施形態に係る売上予測モデルでは、「地理ビジネス環境」の属性に応じて、店舗売上予測部１２の配分・集計部１２１ｃが実行する空間集計処理の基礎となる集計領域の大きさ（例えば、図５に示す集計領域の円Ｃの半径ｒ）を変更してもよい。

より具体的には、例えば、「地理ビジネス環境」の属性が「都心」、及び「市街地」の場合、地域メッシュ統計値・地理情報取得部１１が取得する地域メッシュ統計値の地域メッシュの大きさは５００ｍ地域メッシュであり、また、空間集計処理の基礎となる集計領域の大きさは５００ｍ圏（店舗立地点を中心とする半径約５００ｍの範囲）であってよい。また、例えば、「地理ビジネス環境」の属性が「郊外」の場合、地域メッシュ統計値・地理情報取得部１１が取得する地域メッシュ統計値の地域メッシュの大きさは１ｋｍ地域メッシュであり、また、空間集計処理の基礎となる集計領域の大きさは２ｋｍ圏（店舗立地点を中心とする半径約２ｋｍの範囲）であってよい。

都心・市街地と郊外の交通手段の相違は、集客地域の空間スケールに影響することから、本実施形態に係る売上予測モデルでは、このように地理的事象の空間的広がりに応じた地域メッシュの可変化を採用している。売上予測モデルの高精度化は、店舗の立地点の地理ビジネス環境を判定し、分析や予測で取り上げる店舗、変数、及び分析する空間スケールを柔軟に変更することによって達成される。

（Ｓ１０５）
次に、店舗売上予測部１２の売上予測モデル生成部１２２は、上記した各既存店舗についての売上実績値と所定の変数データ及び自動処理で作成された説明変数データに基づいて、例えば既存店舗数が１００店舗程度の場合は「統計学的手法」を、既存店舗数が３００店舗以上の場合は「機械学習手法」を用いて回帰分析を実行し、売上予測モデルを生成する。生成された売上予測モデルは、店舗売上予測部１２の売上予測部１２３に含められる。「機械学習手法」で用いられる機械学習アルゴリズムは、特に限定されるものではないが、例えば、決定木（勾配ブースティング及びランダムフォレストを含む）、サポートベクターマシン、ニューラルネットワーク、説明可能なＡＩ等が挙げられるが、これらに限られるものではない。「機械学習手法」により生成される売上予測モデルの採用基準は、任意であるが、例えば、「テスト店舗」に対する売上予測値が売上実績値の±１０％以内の精度であることや、決定係数が７割を超えることであってよい。以上で、売上予測モデルの生成処理が終了する。

（３－２）売上予測処理
図１８は、本実施形態に係る情報処理システム１による売上予測処理に係る動作シーケンスの一例を示す図である。なお、前出の図１５の左図による入力フォームで、対象店舗の経度及び緯度のデータをサーバ装置１０に送信し、ユーザ端末２０の送受信部２２は、対象店舗の地理ビジネス環境の判定結果をすでに受信しているという前提の下で、売上予測処理を説明する。

（Ｓ２０１）
まず、ユーザ端末２０の出力部２３が入力画面を表示した状態において、ユーザが対象店舗の地理ビジネス環境判定結果を参照し、地理ビジネス環境に応じた入力フォームを用いて対象店舗に関する各種の説明変数に係るデータ等を入力すると、ユーザ端末２０の操作受付部２１は当該変数データの入力を受け付ける。図１５の右図は、本実施形態に係る対象店舗に関する各種の説明変数に係るデータの入力画面の一例を示す図である。図１５の右図に示す入力画面では、一例として、店舗立地点の経度及び緯度、予定している店舗のテーブル数、営業時間、営業日数、入居ビルの種類、都道府県名の選択、影響の考慮（感染症、人口減少、自然災害）の項目のデータが入力可能となっている。これらの項目は、上記した「売上予測モデル」の説明変数と説明変数を作成するためのデータに相当する。

（Ｓ２０２）
次に、ユーザ端末２０の送受信部２２は、ステップＳ２０１において入力された対象店舗に関する各種の説明変数に係る変数データを、サーバ装置１０に送信する。

（Ｓ２０３）
次に、サーバ装置１０の地域メッシュ統計値・地理情報取得部１１は、ユーザ端末２０から受信した対象店舗に関する各種の説明変数に係るデータのほかに、対象店舗立地点の経度及び緯度を示す情報に基づいて、地域メッシュ統計値、駅統計値及び各種地理情報を取得する。具体的には、まず、地域メッシュ統計値・地理情報取得部１１のコード取得部１１１が、対象店舗立地点の経度及び緯度を示す情報に基づいて、対象店舗の店舗立地点地域メッシュコードと、周辺地域メッシュコードとを取得する。そして、統計値・地理情報取得部１１２が、店舗立地点地域メッシュコード及び周辺地域メッシュコードに対応付けられた各種の地域メッシュ統計値を取得するとともに、駅統計値及び地理情報を統計値・地理情報ＤＢ群１１３から取得する。

（Ｓ２０４）
次に、店舗売上予測部１２の前処理部１２１は、ユーザ端末２０から取得された対象店舗に関する各種の説明変数に係るデータ、及び地域メッシュ統計値・地理情報取得部１１により取得された各種の地域メッシュ統計値、駅統計値及び地理情報に基づいて、所定の前処理を実行する。例えば、判定部１２１ｂは、対象店舗立地点の「商業集積地の階層水準」を判定する。また、例えば、配分・集計部１２１ｃは、対象店舗についての「周辺の商業集積規模」、「居住者数」、「事業所従業者数」、「普通券降車人数」、及び「駅構外乗換駅の乗換人数」のそれぞれの値を自動集計する。更に、配分・集計部１２１ｃは、一定距離圏内に競合店舗がある場合は、競合モデルを用いて、「周辺の商業集積規模」、「居住者数」、「事業所従業者数」、「普通券降車人数」、及び「駅構外乗換駅の乗換人数」それぞれの値を配分処理後に自動集計する。また、例えば、距離測定部１２１ａは、対象店舗についての「一定圏内の自社競合店舗数」、「一定圏内の他社競合店舗数」、及び「最寄駅からの距離」等を自動カウントあるいは測定する。

（Ｓ２０５）
売上予測部１２３は、前記のステップで判定された「地理ビジネス環境」に応じた「売上予測モデル」に対して、ステップＳ２０３で取得した対象店舗に関する各種の説明変数に係るデータと、ステップＳ２０４の前処理（距離測定処理、判定処理、及び配分・集計処理）によって得られた説明変数データとを、入力することにより、対象店舗の売上予測値を出力する。

（Ｓ２０６）
売上予測部１２３は、出力した対象店舗の売上予測値を、ユーザ端末２０に送信する。なお、サーバ装置１０は、対象店舗の売上予測値に限らず、地域メッシュ統計値・地理情報取得部１１により取得された各種の地域メッシュ統計値と駅統計値及び地理情報、店舗売上予測部１２が算出した各種の変数データや決定係数などの統計量を、ユーザ端末２０に送信してもよい。

（Ｓ２０７）
ユーザ端末２０の送受信部２２が、サーバ装置１０から対象店舗の売上予測値を受信すると、ユーザ端末２０の出力部２３は、受信した対象店舗の売上予測値を表示装置５１３に表示する。また、出力部２３は、地域メッシュ統計値・地理情報取得部１１により取得された各種の地域メッシュ統計値と駅統計値及び地理情報、店舗売上予測部１２が算出した各種の変数のデータや統計量を、表示装置５１３に表示してもよい。以上で、売上予測処理が終了する。図１９は、ユーザ端末２０に送信される売上予測結果のフォーム（画面）の一例を示している。まず、対象店舗は都心２に立地し、「都心」の「売上予測モデル」により、売上予測値６百６拾万円／月が算出された。このように対象店舗の売上予測値のほかに、売上予測モデルへの説明変数データと調整済み決定係数（０．６５７）で構成される。需要に関わる４変数に関しては、この立地点の周辺では、人口は３千人と少なく、従業者数も１．２万人とそれほど多くないが、普通券降車人数は２８万人で、駅構外乗換駅の乗換人数が８万人に達することがわかる。本実施形態に係る売上予測結果の画面には、既存店舗の売上実績値の任意の分布（例えば、図１９に示す度数分布を含む）や、当該分布において対象店舗の売上予測値がどこに位置するかを示す情報（例えば、図１９に示す縦軸に平行な直線）などが含まれてもよい。

以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその条件等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。

１…情報処理システム、１０…サーバ装置、１１…地域メッシュ統計値・地理情報取得部、１１１…コード取得部、１１２…統計値・地理情報取得部、１１３…統計値・地理情報ＤＢ群、１１３ａ…商業統計ＤＢ、１１３ｂ…国勢調査ＤＢ、１１３ｃ…経済センサスＤＢ、１１３ｄ…大都市交通センサスＤＢ、１１３ｅ…道路交通センサスＤＢ、１１３ｆ…地理情報ＤＢ、１２…店舗売上予測部、１２１…前処理部、１２１ａ…距離測定部、１２１ｂ…判定部、１２１ｃ…配分・集計部、１２２…売上予測モデル生成部、１２２ａ…変数データ取得部、１２２ｂ…売上予測モデル特定化部、１２３…売上予測部、５００…コンピュータ、５０１…プロセッサ、５０３…メモリ、５０５…記憶装置、５０７…入力Ｉ／Ｆ部、５０９…データＩ／Ｆ部、５１１…通信Ｉ／Ｆ部、５１３…表示装置

Claims (15)

1. 既存店舗及び対象店舗の少なくともいずれかを含む店舗の経度及び緯度の位置情報を入力することにより、前記店舗の立地点である店舗立地点及びその周辺の地域メッシュに対応付けられた統計値である地域メッシュ統計値と、前記店舗立地点の一定距離圏内の駅に対応付けられた駅統計値と、前記店舗立地点の一定距離圏内の地理情報と、を取得する地域メッシュ統計値・地理情報取得部と、
   前記地域メッシュ内又は前記駅を中心に生成される駅メッシュ内に設定された複数の補間点に対して、前記地域メッシュ統計値又は前記駅統計値を割り当て、前記店舗立地点を含む集計領域に含まれる補間点について割り当てられた地域メッシュ統計値又は駅統計値を合計することにより集計値を算出する集計機能と、該集計領域に対して競合店舗の立地点を含む該競合店舗の集計領域が重複する場合は、これら集計領域の重複する部分に含まれる補間点に割り当てられた前記地域メッシュ統計値又は前記駅統計値の少なくとも一部を該競合店舗に配分した後に、前記補間点に割り当てられた地域メッシュ統計値又は駅統計値を合計することにより前記集計値を算出する集計機能を持つ配分・集計部と、
   機械学習手法又は統計学的手法により生成される回帰モデルである売上予測モデルに対して、少なくとも前記集計値を入力することにより、前記対象店舗の売上予測値を出力する売上予測部と、を備える情報処理装置。
2. 前記集計領域は、前記店舗立地点を含む第１地域メッシュ又は前記駅を含む第１駅メッシュの少なくとも一部と、前記第１地域メッシュの周辺の第２地域メッシュの少なくとも一部とを含み、
   前記配分・集計部は、前記第１地域メッシュ又は前記第１駅メッシュ内に設定された複数の第１補間点に対して前記第１地域メッシュに対応付けられた第１地域メッシュ統計値又は前記第１駅メッシュに対応付けられた第１駅統計値を割り当て、前記第２地域メッシュ内に設定された複数の第２補間点に対して前記第２地域メッシュに対応付けられた第２地域メッシュ統計値を割り当て、前記第１地域メッシュ又は前記第１駅メッシュの前記少なくとも一部内に設定された第１補間点に割り当てられた前記第１地域メッシュ統計値又は前記第１駅統計値、及び前記第２地域メッシュの前記少なくとも一部内に設定された第２補間点に割り当てられた前記第２地域メッシュ統計値の合計値を、前記集計値に含める、請求項１に記載の情報処理装置。
3. 前記配分・集計部は、地域メッシュ又は駅メッシュ内に設定された複数の補間点の各々に対して、該当地域メッシュに対応付けられた地域メッシュ統計値又は該当駅メッシュに対応付けられた駅統計値を均等な比率、店舗立地点からの距離に応じた段階的な比率、又は距離逓減関数に応じた比率で割り当てる、請求項１又は２に記載の情報処理装置。
4. 前記配分・集計部は、前記地域メッシュ統計値又は前記駅統計値の少なくとも一部を前記競合店舗に配分する際は、前記重複する部分に含まれる補間点に割り当てられた前記地域メッシュ統計値又は前記駅統計値を、距離係数と規模係数を固定又は推定する競合モデルを用いて配分する、請求項１から３のいずれか一項に記載の情報処理装置。
5. 前記店舗立地点及びその周辺の地域メッシュに対応付けられた地域メッシュ統計値に基づいて、前記配分・集計部により算出された前記集計値により、前記店舗立地点の地理ビジネス環境の属性を判定する判定部、を更に備え、請求項１から４のいずれか一項に記載の情報処理装置。
6. 前記属性は、少なくとも、前記店舗立地点及びその周辺の地域メッシュに対応付けられた地域メッシュ統計値としての小売年間販売額に基づいて、前記配分・集計部により集計された小売年間販売額により判定される、請求項５に記載の情報処理装置。
7. 前記属性は、更に、少なくとも、前記店舗立地点及びその周辺の地域メッシュに対応付けられた地域メッシュ統計値としての従業者数に基づいて、前記配分・集計部により集計された従業者数により判定される、請求項６に記載の情報処理装置。
8. 前記属性は、更に、少なくとも、前記店舗立地点を中心とした一定距離圏内の駅の有無に基づいて判定される、請求項７に記載の情報処理装置。
9. 所定の地点の経度及び緯度の位置情報を記憶した記憶部を参照して、前記地点及び前記補間点と前記店舗立地点又は駅中心点との間の距離を算出する距離測定部、を更に備え、請求項１から８のいずれか一項に記載の情報処理装置。
10. 前記判定部により判定される属性ごとの既存店舗数に応じて、機械学習手法又は統計学的手法を実行することにより前記対象店舗の売上予測値を出力する前記売上予測モデルを生成する売上予測モデル生成部、を更に備える、請求項５から８のいずれか一項に記載の情報処理装置。
11. 前記売上予測モデル生成部は、前記判定部による判定属性に応じて定められた地域メッシュの大きさと説明変数の種類に対し、前記地域メッシュ統計値・地理情報取得部から、地域メッシュ統計値、駅統計値、及び地理情報を取得するとともに、前記配分・集計部において、判定属性に応じて集計領域を変えて説明変数データを集計し、前記機械学習手法又は統計学的手法により前記売上予測モデルを生成する、請求項１０に記載の情報処理装置。
12. 前記売上予測モデル生成部は、前記店舗立地点及びその周辺の地域メッシュに対応付けられた地域メッシュ統計値に基づいて、前記配分・集計部が算出した一定距離圏内の居住者、従業者及び一時通行者の各数値にそれぞれの加重値を掛け合わせることで、店舗立地点の総需要量を複合変数として算出する、請求項１０又は１１に記載の情報処理装置。
13. 前記売上予測部は、前記売上予測モデルに対して、更に前記対象店舗の経度及び緯度の位置情報を入力することにより、前記売上予測値を出力する、請求項１から１２のいずれか一項に記載の情報処理装置。
14. １つ又は複数のコンピュータに、
    既存店舗及び対象店舗の少なくともいずれかを含む店舗の経度及び緯度の位置情報を入力することにより、前記店舗の立地点である店舗立地点を含む地域メッシュとその周辺の地域メッシュに対応付けられた統計値である地域メッシュ統計値と、前記店舗立地点の一定距離圏内の駅に対応付けられた駅統計値と、前記店舗立地点の一定距離圏内の地理情報と、を取得する地域メッシュ統計値・地理情報取得ステップと、
    地域メッシュ又は駅メッシュ内に設定された複数の補間点に対して地域メッシュ統計値又は駅統計値を割り当て、前記店舗立地点を含む集計領域に含まれる補間点について割り当てられた地域メッシュ統計値又は駅統計値を合計することにより集計値を算出し、競合店舗の集計領域と重なる場合はそれらの統計値の競合モデルを用いた配分値を合計することにより集計値を算出する配分・集計ステップと、
    前記店舗立地点の地理ビジネス環境を判定するため、少なくとも前記集計値を入力することにより、前記店舗の地理ビジネス環境の判定ステップと、
    前記既存店舗の地理ビジネス環境の判定結果に対応した売上予測モデルであって、機械学習手法又は統計学的手法により生成される回帰モデルである売上予測モデルを生成するため、少なくとも前記既存店舗の集計値を入力することにより、前記既存店舗の売上予測値を出力する売上予測モデル生成ステップと、
    対象店舗の地理ビジネス環境の判定結果に対応した売上予測モデルであって、機械学習手法又は統計学的手法により生成される回帰モデルである売上予測モデルに対して、少なくとも前記対象店舗の集計値を入力することにより、前記対象店舗の売上予測値を出力する売上予測ステップと、を実行させる情報処理方法。
15. １つ又は複数のコンピュータに、
    既存店舗及び対象店舗の少なくともいずれかを含む店舗の経度及び緯度の位置情報を入力することにより、前記店舗の立地点である店舗立地点を含む地域メッシュとその周辺の地域メッシュに対応付けられた統計値である地域メッシュ統計値と、前記店舗立地点の一定距離圏内の駅に対応付けられた駅統計値と、前記店舗立地点の一定距離圏内の地理情報と、を取得する地域メッシュ統計値・地理情報取得ステップと、
    地域メッシュ又は駅メッシュ内に設定された複数の補間点に対して地域メッシュ統計値又は駅統計値を割り当て、前記店舗立地点を含む集計領域に含まれる補間点について割り当てられた地域メッシュ統計値又は駅統計値を合計することにより集計値を算出し、競合店舗の集計領域と重なる場合はそれらの統計値の競合モデルを用いた配分値を合計することにより集計値を算出する配分・集計ステップと、
    前記店舗立地点の地理ビジネス環境を判定するため、少なくとも前記集計値を入力することにより、前記店舗の地理ビジネス環境の判定ステップと、
    前記既存店舗の地理ビジネス環境の判定結果に対応した売上予測モデルであって、機械学習手法又は統計学的手法により生成される回帰モデルである売上予測モデルを生成するため、少なくとも前記既存店舗の集計値を入力することにより、前記既存店舗の売上予測値を出力する売上予測モデル生成ステップと、
    対象店舗の地理ビジネス環境の判定結果に対応した売上予測モデルであって、機械学習手法又は統計学的手法により生成される回帰モデルである売上予測モデルに対して、少なくとも前記対象店舗の集計値を入力することにより、前記対象店舗の売上予測値を出力する売上予測ステップと、を実行させるプログラム。

Images