機械学習アルゴリズムを用いた住宅状態予測の大規模モデリング

なぜ住宅の状態が重要なのか

住宅が安全で乾燥して快適かどうかは、子どもの健康から家計の安定まであらゆる面に影響を及ぼします。それでも、住宅価格を通り単位まで追跡する一方で、住宅の品質自体について同じように詳細な把握があることは稀です。本研究はその盲点に取り組み、最新の計算手法を用いて米国のほぼすべての住宅ユニットの状態を推定し、どこで住宅が良好で、どこで居住者にリスクをもたらす可能性があるかを示す地図を作成します。

住宅価格から住宅品質へ

研究者は長年にわたり住宅の価値をモデル化してきましたが、住みやすさについてははるかに知られていません。既存の全国調査はしばしば粗いスナップショットにとどまり、州全体や大都市圏レベルでの集計が多く、多くの政府データは建物の物理的状態ではなく手頃さや過密を重視しています。地方機関が住宅を異なる方法で収集・評価しているため、全国を通じた統一的で詳細な住宅状態の全体像は存在しません。このギャップは、プランナーや保健当局、地域社会が、カビや漏水、極端な室内温度、あるいは危険な構造といったリスクがどこに集中しているかを把握するのを難しくしています。

地域にビッグデータを持ち込む

このギャップを埋めるために、著者らは二つの主要なデータソースを結合しました。第一は1億1100万を超える住宅ユニットを含む全国規模の不動産データベースで、寝室・浴室の数、築年・改修年、屋根や外装材、暖房方式、駐車、税額、そして利用可能な場合は「不良」から「優」までの6段階の建物状態評価などの詳細が含まれます。第二は地域の所得水準、住宅価値、持ち家率や移動住宅の割合、人口密度、貧困率、都市・農村の性質を示す米国国勢調査および関連する地域データです。各物件を周辺のセンサス・トラクトやブロックグループに空間的に対応付けることで、建物の特徴とその周囲の社会経済的文脈を結び付けた統一レコードを作成しました。

機械に住宅の健康を学ばせる

データベース内の物件の約半数は公式な状態評価が欠けていました。研究者は評価のある住宅を用いて、CatBoost、LightGBM、XGBoostという三つの高度な機械学習モデルを訓練し、物件と地域の特徴の組合せが住宅の状態とどのように関連するかをアルゴリズムに学習させました。データは注意深くクレンジングされ、外れ値や欠損値に対応し、高性能計算クラスタと強力なグラフィックスプロセッサを活用して最適なモデル設定を効率的に探索しました。学習データを単に「記憶」してしまうモデルを避けるために、バランス精度や交差検証を用い、さらに最終的なモデルの推定確率が現実の結果とできるだけ一致するように微調整を行いました。

予測を有用な地図に変える

最も性能の高かったモデル（CatBoost）を選定した後、欠測のある数百万件の住宅に対して状態評価の予測を行いました。各住宅のカテゴリは1（最悪）から6（最高）までの数値スコアに変換されました。プライバシーを保護しパターンを見やすくするため、研究者らはこれらのスコアをセンサストラクト、郵便番号集計区域、および国全体を覆う約36平方キロメートルの正六角形グリッドという三種類のエリアで平均化しました。その結果、全国規模で住宅品質の広い分布を明らかにしつつ、地域分析に役立つ十分な詳細を持つ一連の地図が得られました。チームはさらに複数の統計的検定を用いてモデルの性能を評価し、課題の規模と複雑さを考慮すれば中程度だが意味のある一致が得られたことを確認しました。

より良いまたはより悪い住宅を生む要因

モデルで重要だった入力項目を調べることで、住宅状態を左右する要因についての手がかりが得られます。物件レベルの特徴が大きな影響を与え、推定税額、外装材、屋根の種類、暖房方式、住宅の築年数や改修履歴が特に影響力がありました。地域要因としては、貧困率、人口密度、移動住宅の割合などが小さいが依然として重要な役割を果たしました。これらの知見は、低所得世帯、賃貸世帯、そして有色人種のコミュニティが劣悪な住宅に住む可能性が高いという広範な研究結果と一致しており、不平等な融資慣行や住宅保護の執行の不均衡がその一因となっています。

より安全で公正な住宅のための新しいツール

簡潔に言えば、本研究は既存記録のパターンを用いて全国的な住宅品質のジグソーパズルの欠けている部分を埋めます。得られた公開可能な地図とデータセットは、プランナー、保健機関、地域団体に対して、どこで住宅が居住者にリスクをもたらす可能性があるか、どこに投資すれば最も効果が期待できるかを示す強力な新たな手段を提供します。基礎データが不均一である場合、どのモデルも完全とは言えませんが、この大規模アプローチは人々が日常的に生活する環境を理解し、最終的に改善するための重要な一歩を示しています。

引用: Kim, K., Holmes, T., Powell, E. et al. Large-scale modeling for housing condition prediction using machine learning algorithms. Sci Data 13, 647 (2026). https://doi.org/10.1038/s41597-026-07012-w

キーワード: 住宅の質, 機械学習, 空間データ, 公衆衛生, 都市計画