Extraction of multi-scale spatial heterogeneity

点击翻译按钮获取中文摘要

本研究は，空間上で連続的にデータ生成過程が変化する空間的異質性と，ある領域分割区分を境に離散的にデータ生成過程が変化する空間的異質性を同時に分析可能な方法論を開発している．これまで，ESF-SVCモデルで連続的な空間的異質性を，Generalized lassoで離散的な空間的異質性を表す融合モデルESF-GL-SVCを開発した．本年度は，二種類の異質性について，大域的から局所的なスケールまでで起こる異質性を分析できる手法への拡張を提案し，その有効性を確認した．まず，連続的な空間的異質性について，Random Effects (RE) ESF-SVCモデルに基づき拡張したRE-ESF-GL-SVCモデルを構築した．模擬データによる性能検証や不動産市場分析への応用を通して，提案手法は連続的・離散的な空間的異質性を分離でき，かつ，大域的から局所的なスケールまでの連続的な空間的異質性を分析できることを確認した．ただし，推定に要する計算量は多く，大規模データへの適用に限界を有することが明らかになった．また，離散的な空間的異質性について，Generalized lassoに代えて，グループ単位にスパース推定を行うTree-guided group lasso (TGL) を活用したESF-TGL-SVCモデルを構築し，その有効性を検証した．TGLは木構造で表せる階層的なグループを構成し，グループ単位にスパース推定をする手法である．小地域毎に係数を設定し，近隣の小地域をまとめたグループを階層的に構成することで，離散的な空間的異質性を有する地域を多様なスケールで抽出することを試みた．不動産賃料データへの適用を通して，賃料形成は都心では局所的に異なるのに対し，郊外部では比較的大域的なスケールで類似の構造を示すことが確認され，提案した分析手法の有用性が示された．