74th transport policy colloquium, dec 14, 2004 今 …74th transport policy colloquium, dec 14, 2004...

74th Transport Policy Colloquium, Dec 14, 2004 1

今後の都市鉄道計画今後の都市鉄道計画のためののための分析方法の提案分析方法の提案

A Proposition on Analyzing MethodA Proposition on Analyzing Methodfor Future Urban Railway Planning for Future Urban Railway Planning

日比野直彦

Institute for Transport Policy Studies Researcher

（財）運輸政策研究機構運輸政策研究所研究員

Naohiko HIBINO

(C) Dr. Naohiko HIBINO, Institute for Transport Policy Studies, 2004


発発表表内内容容Contents of the PresentationContents of the Presentation

１．はじめにIntroduction

２．鉄道利用者の経路選択行動Railway Route Choice Behavior of Passengers

３．鉄道ネットワーク配分分析Railway Network Assignment Analysis in Tokyo Met. Area

４．おわりにConclusions



１１．．はじめにはじめにIntroductionIntroduction



背景

・利便性重視

・需要追随

・新線開発・・・

高密度な鉄道ネットワーク



世界でも他に類を見ないほど発達

主要国首都圏の鉄道網営業密度

出典） The Four World Cities Transport Study (1999) etc.

ニューヨーク

ベルリン

ロンドン

パリ

東東京京

(km/km2)0.00 0.05 0.10 0.15 0.20 0.25 0.30



深刻な交通問題

・鉄道ネットワーク利用の不均衡

混雑緩和乗換え抵抗の軽減シームレスな移動

・利便性から快適性へ



都市鉄道計画の視点が変化

輸送力増強（ネットワーク整備 etc.）

総合交通体系の整備

持続可能な整備

鉄道利用者行動に基づいた整備

需要追随

説明責任

これらを先取りしない計画，整備はあり得ない！変化に対応した分析方法を適用していかなくてはならない！

高度成長期（20世紀）安定成長期（21世紀）

ミクロかつ複雑な現象をより正確に捉え、施策を総合的に評価可能な分析システムが必要不可欠！

今後、都市鉄道計画を行なう際には、

新たな視点で戦略的に整備を進めていくための分析が必要！



都市鉄道計画支援システム都市鉄道計画支援システム



交通計画支援システム（GRAPE）

（独）鉄道建設・運輸施設整備支援機構

（株）企画開発

（財）運輸政策研究機構運輸政策研究所

により開発（現在，特許申請中）

平成１４年度土木学会技術開発賞



サブシステムの重要性

総合システムが完成しても、個々のサブシステムが機能しなければ、正しい分析は不可能！

全体の枠組みを変えることなく、サブシステムを交換可能！

サブシステムの開発変化に対応した分析方法を提案



目的鉄道利用者の行動・ニーズに焦点をあてた都市鉄道整備

財務制約・空間制約により既存の鉄道ネットワークを有効活用した効率的な都市鉄道整備

高密度な鉄道ネットワークにおける鉄道利用者の行動を表現するために、既存の鉄道経路選択モデルの問題点を整理し、新たなモデルを提案

鉄道経路選択行動分析

駅施設整備等のミクロな施策を行なった際の旅客フローへの影響が計測可能な鉄道ネットワーク配分システムを開発

鉄道ネットワーク配分分析



端末交通に関する分析

ネットワーク配分に関する分析

鉄道経路選択に関する分析

鉄道駅整備に関する分析

運賃に関する分析

環境問題に関する分析

費用対効果に関する分析

都市鉄道計画に関する分析

・・・

分析を深度化

GG RR AA PP EE


２．２．鉄道利用者の経路選択行動鉄道利用者の経路選択行動Railway Route Choice Behavior of PassengersRailway Route Choice Behavior of Passengers

日比野，兵藤，内山：高密度な鉄道ネットワークへの実適用に向けた非IIA型経路選択モデルの特性分析－改良型C-Logitモデルの提案－土木学会論文集 No.765／Ⅳ-64，pp.131‐142，2004



幾つかの鉄道経路の中から、アクセス，ラインホール，乗換え，イグレス等におけるサービスレベルを総合的に考えて経路を選択する

必ずしも、最も近い駅から電車に乗って、最短経路を選択しているわけではない

時間は・・・

運賃は・・・

乗換え回数は・・・

どの経路で行こうかな？どの経路で行こうかな？



東京

新宿

上野

渋谷渋谷表参道

赤坂見附

（永田町）

九段下

霞ヶ関

大手町大手町

銀座

渋谷→半蔵門線→大手町

渋谷→半蔵門線→九段下→東西線→大手町

渋谷→銀座線→表参道→千代田線→大手町

渋谷→銀座線→赤坂見附→丸ノ内線→大手町



高密度な鉄道ネットワークを持つ地域（e.g., 東京首都圏）

移動の際に複数の経路が考えられる

その経路間に重複がある場合がある

鉄道経路選択分析

経路間（選択肢間）の独立性が必ずしも保障されていない

選択肢集合の類似性を表現できる

非IIA型の経路選択モデルを適用する必要がある(C) Dr. Naohiko HIBINO, Institute for Transport Policy Studies, 2004


IIA特性について


選択肢間に相関が見られる場合

⇒ 類似性の高い選択肢を過大評価してしまう

　　類似性の低い選択肢を過小評価してしまう

選択肢間に相関が見られる場合

⇒ 類似性の高い選択肢を過大評価してしまう

　　類似性の低い選択肢を過小評価してしまう

DDOO

0．5

0．5

0．5

0．5

0．33

0．33

0．33

0．33

0．33

0．33

例えば・・・⇔　0．25

⇔　0．25

⇔　0．50

⇔　0．25

⇔　0．25

⇔　0．50


経路選択モデルの発展経緯


Multinomial Probit(Thurstone, 1927)

Multinomial Logit(Luce, 1959)

Paired Combinational Logit(Chu, 1981)

Cross-Nested Logit(Vovsha, 1997)

Link-Nested Logit(Vovsha and Bekhor, 1998)

Generalized Nested Logit(Wen and Koppleman, 2000)

C-Logit(Casetta et al, 1996)

C*-Logit(日比野ら, 2003)

Path-Size Logit(Ben-Akiva et al, 1999)

Error Components Logit(Cardell and Dumber, 1980)

Mixed Logit(Mac Fadden, 1989) 構造化プロビット

(屋井ら, 1993)

Nested Logit(Ben-Akiva, 1973)

Multinomial Probit(Thurstone, 1927)

Multinomial Logit(Luce, 1959)

Paired Combinational Logit(Chu, 1981)

Cross-Nested Logit(Vovsha, 1997)

Link-Nested Logit(Vovsha and Bekhor, 1998)

Generalized Nested Logit(Wen and Koppleman, 2000)

C-Logit(Casetta et al, 1996)

C*-Logit(日比野ら, 2003)

Path-Size Logit(Ben-Akiva et al, 1999)

Error Components Logit(Cardell and Dumber, 1980)

Mixed Logit(Mac Fadden, 1989) 構造化プロビット

(屋井ら, 1993)

Nested Logit(Ben-Akiva, 1973)

time


分析対象モデル

既存の非IIA型経路選択モデルのうち

既に適用された，もしくは適用が検討されている

• Mixed Logit モデル（Mac Fadden, 1989）

• 構造化プロビットモデル（屋井ら，1993 ）• C-Logit モデル（Casetta et al, 1996）



分析ネットワーク


DO DDOOt１

t2

t3

t4

t１

t2

t3

t4

R１

R2

R3

+=+=

=

4233

3222

111

:::

ttTRttTR

tTR

32

223 TT

td =

１OD - ３Routes

d23＝0　→　完全に３経路が独立　 P（R1，R2，R3）＝（0.33，0.33，0.33）

d23＝1　→　 R2 と R3 が完全に重複　P（R1，R2，R3）＝（0.50，0.25，0.25）

d23＝0　→　完全に３経路が独立　 P（R1，R2，R3）＝（0.33，0.33，0.33）

d23＝1　→　 R2 と R3 が完全に重複　P（R1，R2，R3）＝（0.50，0.25，0.25）


][ 01rrrr VU εε ++= ∫ ∫ ∫

−+

−∞=

∞+

−∞=

−+Φ=

1

11)(

VV VV

Rrrr

r

Rrr

R

ddPε

ε ε

ε

εεεε LLL

( )

−=Φ −−− T

Rεσεσπε 12

12

21exp2)(

U : 効用， V : 確定効用εr

1 : 単位長さ当たりに発生する誤差，εr0 : 選択肢固有の誤差

P : 選択確率， R : 総経路数σ1

2 : 単位長さ当たりに発生する誤差分散σ0

2 : 選択肢固有の誤差分散L : 経路長， Lij : 経路iと経路jの重複経路長

++

+=

1010

001

32

22

12

0

ηηηη

ησσ

TttT

T2

02

1 σση =

構造化プロビットモデルProbit Model with Structured Covariance Matrix



][ rrrr VU εξ ++= ( ) ( )( )∑ ++

=Ψrr

rrr V

Vξ

ξξ

expexp( ) ( )∫ ΩΨ= ξξξ dfP rr |

][ rrrr zVU εµ ++=

U : 効用， V : 確定効用ξr : 平均0の確率分布に従う誤差εr : Gumbel分布に従う誤差

P : 選択確率， f(ξ|Ω) : ξの確率密度分布μ : N(0,ω2)に従う確率変数ベクトルzr : 選択肢rに関する特性ベクトル

=

0001

1

t

z

=

0

0

3

22 t

tz

=

4

23 0

0

t

tz 226 πωλ =

++

+=

1010

001

632

22

12

λλλλ

λπσ

TttT

T

Mixed Logit モデルMixed Logit Model



( )( )∑ −−

=rr

rrr CFV

CFVPexp

exprrrr CFVU ε+−=

U : 効用， V : 確定効用CFr : Commonality Factorεr : Gumbel分布に従う誤差

P : 選択確率β : パラメータ γ： Often 1 or 2

( )∑= γβ jiijr TTTCF ln

C-Logit モデルC-Logit Model




0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.00 0.05 0.10 0.15 0.20 0.25

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

η

P (R 1)

d 23 32 TT

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0

0.8 (90min) (60min) (30min)

0.6 (90min) (60min) (30min)

0.4 (90min) (60min) (30min)

0.2 (90min) (60min) (30min)

β

P (R 1)

d 23 32 TT

構造化プロビット

C-Logit

32 TT

Mixed Logit

0.00 0.05 0.10 0.15 0.20 0.25

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

λ

d 23

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.00 0.05 0.10 0.15 0.20 0.25

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

η

P (R 1)

d 23 32 TT

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.00 0.05 0.10 0.15 0.20 0.25

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

η

P (R 1)

d 23 32 TT

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0

0.8 (90min) (60min) (30min)

0.6 (90min) (60min) (30min)

0.4 (90min) (60min) (30min)

0.2 (90min) (60min) (30min)

β

P (R 1)

d 23 32 TT

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0

0.8 (90min) (60min) (30min)

0.6 (90min) (60min) (30min)

0.4 (90min) (60min) (30min)

0.2 (90min) (60min) (30min)

β

P (R 1)

d 23 32 TT

構造化プロビット

C-Logit

32 TT

Mixed Logit

0.00 0.05 0.10 0.15 0.20 0.25

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

λ

d 23 32 TT

Mixed Logit

0.00 0.05 0.10 0.15 0.20 0.25

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

λ

d 23


構造化プロビットモデル、Mixed Logit モデルは、パラメータ推定にシミュレーション法を必要とするため、大規模なネットワークに対して実適用することは困難である

特性比較分析の結果からの知見

各モデルの重複を表現パラメータの間には、相関関係が見られ、それには重複率 d が影響している

C-Logitモデルは同重複率・異所要時間の差を表現できない



C-Logitモデル

Mixed Logitモデル

構造化プロビットモデル

理論操作

C-Logitモデルを改良して実適用へ！

鉄道利用者の複雑な選択行動を理論性を崩すことなく、実適用できるように




0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0

0.8 2.0

0.6 2.0

0.4 2.0

0.2 2.0

β

P (R 1)

d 23

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0

0.8 2.0

0.6 2.0

0.4 2.0

0.2 2.0

β

P (R 1)

d 23

( )∑=γ

β jiijr TTTCF ln

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0

0.8 1.0

0.8 1.5

0.8 2.0

0.6 1.0

0.6 1.5

0.6 2.0

0.4 1.0

0.4 1.5

0.4 2.0

0.2 1.0

0.2 1.5

0.2 2.0

β

P (R 1)

d 23 γ

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0

0.8 1.0

0.8 1.5

0.8 2.0

0.6 1.0

0.6 1.5

0.6 2.0

0.4 1.0

0.4 1.5

0.4 2.0

0.2 1.0

0.2 1.5

0.2 2.0

β

P (R 1)

d 23 γ



0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0

0.8 1.5

0.6 1.5

0.4 1.5

0.2 1.5

β

P (R 1)

d 23 γ

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0

0.8 1.5

0.6 1.5

0.4 1.5

0.2 1.5

β

P (R 1)

d 23 γ

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.00 0.05 0.10 0.15 0.20 0.25

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

P (R 1)

λ

d 23 32 TT

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.00 0.05 0.10 0.15 0.20 0.25

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

P (R 1)

λ

d 23 32 TT

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0 β

P (R 1)

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.00 0.05 0.10 0.15 0.20 0.25

P (R 1)

λ0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0 β

P (R 1)

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.00 0.05 0.10 0.15 0.20 0.25

P (R 1)

λ

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.00 0.05 0.10 0.15 0.20 0.25

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

P (R 1)

λ

d 23

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

P (R 1)

β

d 23 32 TT 32 TT

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.00 0.05 0.10 0.15 0.20 0.25

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

P (R 1)

λ

d 23

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

P (R 1)

β

d 23

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.00 0.05 0.10 0.15 0.20 0.25

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

P (R 1)

λ

d 23

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.00 0.05 0.10 0.15 0.20 0.25

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

P (R 1)

λ

d 23

0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

P (R 1)

β

d 23 32 TT 32 TT32 TT 32 TT

Mixed LogitC-Logit Mixed LogitC-Logit

γを構造化！


C-Logitモデルの改良


iiii CFVU ε+−=

∑ −−

=

jjj

iii CFV

CFVP)exp(

)exp(

( )∑= γβ iji dCF ln ji TT*βijd

U : 効用， V : 確定効用CFi : Commonality Factorεi : Gumbel分布に従う誤差

P : 選択確率，β : ﾊﾟﾗﾒｰﾀ， γ : often 1 or 2

γの構造化

同重複率・異所要時間の差を表現を表現可能に！

*βijγ

*βijγ

5.1)60)(1*)(1)(exp(101

+−−−= Tdijij βγ

( )∑= ijiji dCF γβ ln**

5.1)60)(1*)(1)(exp(101





0.33

0.34

0.35

0.36

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0.0 0.2 0.4 0.6 0.8 1.0

0.8 (90min)

0.8 (60min)

0.8 (30min)

0.6 (90min)

0.6 (60min)

0.6 (30min)

0.4 (90min)

0.4 (60min)

0.4 (30min)

0.2 (90min)

0.2 (60min)

0.2 (30min)

P (R 1)

β'

d 23

5.1)60)(1*)(1)(exp(101




C*-Logitモデルとして提案

iiii CFVU ε+−= *

( ) ( )∑ >≤≤=i

ijijiijdCF 0,10ln **** *

γββ γ　　　　

( )( )( ) '0

** 11)exp(101 γβγ +−−−= TTTd jiijij

( ) 1)exp(exp' +−= θγ( )( )∑ −−

=

jjj

iii CFV

CFVP *

*

expexp




仮想データ

実際の鉄道ネットワーク

実データ

C*-Logitモデルの実適用への検証

鉄道経路選択モデルの構築



鉄道経路選択モデル構築データ

0

50

100

150

200

250

300

350

400

450

500

0 20 40 60 80 100 120 140

平均：51.4分

標準偏差：18.1分

（分）

経路数

「通勤時の鉄道経路選択行動に関する調査」




-9.61　　-0.928　階段利用率

　ｔ値　推定パラメータ説明変数

　60.89　的中率（％）

　　0.29　自由度調整済み尤度比

-36.2　　-3.68　θ

3.83　　 0.897　β*

-1.81　　-0.0174　混雑率指標（分×％2）

-1.83　　-0.0979　乗換え駅待ち時間（分）

-3.42　　-0.795　乗換え駅下り移動時間（分）

-3.69　　-0.886　乗換え駅上り移動時間（分）

-2.14　　-0.325　乗換え駅水平移動時間（分）

2.03　　 0.0626　初乗り駅列車本数（本/時間）

-1.60　　-0.105　鉄道運賃（千円/月）

-2.81　　-0.0787　ラインホール時間（分）

-2.75　　-0.229　イグレス時間（分）

4.52　　 0.0741　路線バス系統数（本）

-7.81　　-0.494　アクセス選択手段外時間（分）

-4.39　　-0.150　アクセス時間（分）

-9.61　　-0.928　階段利用率

　ｔ値　推定パラメータ説明変数

　60.89　的中率（％）

　　0.29　自由度調整済み尤度比

-36.2　　-3.68　θ

3.83　　 0.897　β*

-1.81　　-0.0174　混雑率指標（分×％2）

-1.83　　-0.0979　乗換え駅待ち時間（分）

-3.42　　-0.795　乗換え駅下り移動時間（分）

-3.69　　-0.886　乗換え駅上り移動時間（分）

-2.14　　-0.325　乗換え駅水平移動時間（分）

2.03　　 0.0626　初乗り駅列車本数（本/時間）

-1.60　　-0.105　鉄道運賃（千円/月）

-2.81　　-0.0787　ラインホール時間（分）

-2.75　　-0.229　イグレス時間（分）

4.52　　 0.0741　路線バス系統数（本）

-7.81　　-0.494　アクセス選択手段外時間（分）

-4.39　　-0.150　アクセス時間（分）

CC--LogitLogitモデルの操作性の良さを失うことなく、モデルの操作性の良さを失うことなく、

経路重複による選択確率の変化を経路重複による選択確率の変化をより正確により正確に表現可能に！表現可能に！


３．３．鉄道ネットワーク配分分析鉄道ネットワーク配分分析Railway Network Assignment Analysis in TMARailway Network Assignment Analysis in TMA

Hibino，Uchiyama and Yamashita：A Study on Evaluation of Level ofRailway Services in Tokyo Metropolitan Area Based on Railway NetworkAssignment Analysis，Journal of EASTS，14pages



鉄道ネットワーク配分システムの開発鉄道ネットワーク配分システムの開発

鉄道ネットワーク配分分析の主な目的

① 脆弱なリンク，ノードを見つけ出すこと

② ネットワーク，OD交通量の変化（新線整備，脆弱リンク・ノードの強化等）に対する，当該リンクおよびその他のリンクへの影響を計ること

行動規範（鉄道経路選択モデル）


ＯＤ表

鉄道ネットワーク配分システム



乗換え駅整備の影響を反映できるように、分析ネットワーク（ノード，リンク）をより詳細に設定

経路重複を考慮できるモデル（C*-Logit モデル）を

適用したODベースの確率的均衡配分システム

鉄道ネットワーク配分システム



急行列車リンク

快速列車リンク

各駅停車リンクC駅

急行ノード

快速ノード

各停ノード

A駅

B駅

急行列車リンク

各駅停車リンク

各停ノード

急行ノード

A駅

B駅

改札口ノード

改札口ノードホームノード

ホームノード

階段下ノード

階段下ノード

階段上ノード

階段上ノード

階段リンク

階段リンク

分析ネットワークの設定



東京都

千葉県

神奈川県

埼玉県

茨城県

分析対象範囲

東京駅から約70km圏内

JR・私鉄・地下鉄・モノレールを含む在来線119路線を対象

ノード数：4,976個

リンク数：14,049本

乗車リンク： 4,594本

乗換リンク： 9,455本



最混雑時を分析対象とするため，平成12年大都市交通センサスの終日データを使用し，市区町村別のピーク1時間出発割合から算出

駅構造データ，時刻表データ等

（実地調査、平成12年時の時刻表等に基づいてデータを作成）

分析データ




収束判定収束判定

ENDEND

YES

NO

START

第 k 番目経路探索（ k = 10 ）

リンク毎の所要時間を決定

選択肢集合を決定

経路毎の効用値を算出

確率的配分混雑率・乗換えLOS

の改訂


0

30,000

60,000

90,000

120,000

0 30,000 60,000 90,000 120,000

センサス値（人/ﾋﾟｰｸ1時間）

配分

結果

（人

/ﾋﾟｰ

ｸ1時

間）

配分結果とセンサス値（H12年）の比較（ネットワーク全体）

相関係数：0.975

ＲＭＳ誤差：4,715



配分結果とセンサス値（H12年）の比較（JR東海道線上り）

0

20,000

40,000

60,000

80,000

100,000

120,000

小田原東京

断面

交通

量（人

／ﾋﾟｰ

ｸ1時

間）

センサス値配分結果

小田原

大船

横浜

品川

東京



配分結果とセンサス値（H12年）の比較（小田急小田原線上り）

0

20,000

40,000

60,000

80,000

100,000

120,000

小田原新宿

断面

交通

量（人

／ﾋﾟｰ

ｸ1時

間）


小田原

海老名

新横浜

町田

新宿



配分結果とセンサス値（H12年）の比較（東京地下鉄千代田線上り）

0

20,000

40,000

60,000

80,000

100,000

120,000

綾瀬代々木上原

断面

交通

量（人

／ﾋﾟｰ

ｸ1時

間）


代々木上原

綾瀬



配分結果とセンサス値（H12年）の比較（JR武蔵野線上り）

0

20,000

40,000

60,000

80,000

100,000

120,000

府中本町西船橋

断面

交通

量（人

／ﾋﾟｰ

ｸ1時

間）


府中本町

新松戸南越谷

西船橋

南浦和



首都圏鉄道ネットワークの最混雑区間である上野－御徒町間に着目し、乗換え駅改良により同区間を避けるようフローコントロールを試みる

シミュレーション分析

399

251 251 250228

206 204163 159 156

0

50

100

150

200

250

300

350

400

450

経路選択要因人数（人）

所要時間

乗換えのしやすさ

混雑

運転本数

着席可能性

アクセス時間

イグレス時間

駅の利便性

運賃

乗換え回数

乗換回数と人数

110

253

92

13 20

50

100

150

200

250

300

0 1 2 3 4

乗換え回数（回）

人数（人）

（「通勤時の鉄道経路選択行動に関する調査」の結果より）



時間評価値

５０乗換え待ち時間

１０９乗換え下り移動時間

１３０乗換え上り移動時間

３５乗換え水平移動時間

１８乗車時間

時間評価値（円/（分・回））



改良駅および改良方法

① 分速40mのエスカレータを

上下階段に新設

② 分速30mのエスカレータを分速40mに改良

③ 水平移動距離が100mを

越える乗換え通路に分速50mの動く歩道を新設


秋葉原2

御徒町3

北千住4

神　田5

東　京6

池　袋11

浜松町・大門12

南千住13

町　屋15田町・三田14

御茶ノ水9

有楽町・日比谷7

西日暮里10

新　橋8

上　野1③②①駅名No.

秋葉原2

御徒町3

北千住4

神　田5

東　京6

池　袋11

浜松町・大門12

南千住13

町　屋15田町・三田14

御茶ノ水9

有楽町・日比谷7

西日暮里10

新　橋8

上　野1③②①駅名No.


④ 北千住駅コンコース

鉄道駅改良のイメージ（東武北千住駅）



⑩ 西日暮里駅階段

鉄道駅改良のイメージ（東京地下鉄西日暮里駅）



⑪ 池袋駅コンコース

鉄道駅改良のイメージ（JR池袋駅）




11

12

13

14

10

15

2

4

5

6

7

8

9

上野1

3 御徒町

11

12

13

14

10

15

2

4

5

6

7

8

9

上野1

3 御徒町

①　　上　野

②　　秋葉原

③　　御徒町

④　　北千住

⑤　　神　田

⑥　　東　京

⑦　　有楽町・日比谷

⑧　　新　橋

⑨　　御茶ノ水

⑩　　西日暮里

⑪　　池　袋

⑫　　浜松町・大門

⑬　　南千住

⑭　　田町・三田

⑮　　町　屋

⑪

⑫

⑬

⑭

⑮

①　　上　野

②　　秋葉原

③　　御徒町

④　　北千住

⑤　　神　田

⑥　　東　京

⑦　　有楽町・日比谷

⑧　　新　橋

⑨　　御茶ノ水

⑩　　西日暮里

⑪　　池　袋

⑫　　浜松町・大門

⑬　　南千住

⑭　　田町・三田

⑮　　町　屋

⑪

⑫

⑬

⑭

⑮


シミュレーション結果


4,17316.9

3,5968.9

2,33513.4

・

・

・

-1,101-3.2

-1,322-3.6

-1,613-4.8

差

27,020109.1

22,84792.2

東　京（京葉線）

→八丁堀

（京葉線）

68,701170.4

65,105161.5

千駄木（千代田線）

→西日暮里

（千代田線）

26,406151.8

24,071138.3

上野広小路（銀座線）

→上　野

（銀座線）

・

・

・

・

・

・

・

・

・

65,016186.8

66,117190.0

仲御徒町（日比谷線）

→上　野

（日比谷線）

82,276222.4

83,598226.0

御徒町（山手線）

→上　野

（山手線）

54,357162.3

55,970167.1

御徒町（京浜東北線）

→上　野

（京浜東北線）

改良後改良前駅名→駅名

4,17316.9

3,5968.9

2,33513.4

・

・

・

-1,101-3.2

-1,322-3.6

-1,613-4.8

差

27,020109.1

22,84792.2

東　京（京葉線）

→八丁堀

（京葉線）

68,701170.4

65,105161.5

千駄木（千代田線）

→西日暮里

（千代田線）

26,406151.8

24,071138.3

上野広小路（銀座線）

→上　野

（銀座線）

・

・

・

・

・

・

・

・

・

65,016186.8

66,117190.0

仲御徒町（日比谷線）

→上　野

（日比谷線）

82,276222.4

83,598226.0

御徒町（山手線）

→上　野

（山手線）

54,357162.3

55,970167.1

御徒町（京浜東北線）

→上　野

（京浜東北線）

改良後改良前駅名→駅名

混雑減少

リンク

混雑増加

リンク

上：断面交通量（人／時），下：混雑率（％）


４４．．おわりにおわりにConclusionsConclusions



本分析の成果

既存の非IIA型経路選択モデルの問題点を改良し、新たなモデル（C＊-Logitモデル）を提案した

C＊-Logitモデルを適用したODベースの確率的均衡配分システムを開発した

２つのサブシステムのブラッシュアップ→ 新たな分析方法の提案



結論

東京首都圏のすべての路線に非IIA型経路選択モデルを適用した鉄道ネットワーク配分分析ができることにより、操作性を低下させることなく高い精度で駅整備等ミクロな施策を行なった際の旅客フローの変化を計測できることを明らかにした

財務制約、空間制約下においても有効な整備方法は存在し、本システムを活用すればその検討が可能である


74th transport policy colloquium, dec 14, 2004 今 …74th transport policy colloquium, dec 14, 2004...

Documents