GPSモビリティデータ、地域格差で代表性に偏り

匿名化されたGPS位置情報データを活用した人口分布・移動行動の分析は、小売立地戦略から感染症対策まで幅広い分野に浸透している。しかし、そのデータが実際の人口を正確に反映しているかを検証した研究は少なく、特に新興国においては体系的な評価がほとんど行われていなかった。

メキシコ国立自治大学やリバプール大学などの国際研究チームは、メキシコの2020年国勢調査と2種類のGPSデータ——SNS大手フェイスブックが提供するシングルプラットフォーム型と、複数アプリからデータを集約するベラセット社の集合型——を比較し、各自治体レベルでの「カバレッジバイアス（網羅率の偏り）」を定量化した。

分析の結果、フェイスブックのデータは比較的広範囲をカバーし、人口推計値も地理的にほぼ均一に分布していた。一方、複数アプリ集合型のデータは人口規模が大きく、経済的に豊かで、デジタルインフラが整備された地域に利用者が集中していた。説明可能な機械学習手法を用いた要因分析では、集合型データのバイアスはデジタルアクセス環境や物質的豊かさに、フェイスブックのバイアスは年齢構成や人口構造に起因することが示された。さらに、隣接する自治体が類似した過大・過小評価傾向を示す「空間的自己相関」の存在も確認された。

この知見は、ラテンアメリカやアフリカ、東南アジアなど新興国市場に展開する企業のマーケティング・リサーチ部門に直接的な影響を与える。消費財メーカーや小売チェーンが新規出店候補地の需要調査にGPSデータを使用する場合、農村部や低所得地域の潜在顧客が系統的に過小評価されている恐れがある。結果として、出店判断のミスや商圏設定の誤りが生じ、市場シェア獲得の機会損失につながりかねない。

物流・配送業においても影響は大きい。ラストマイル配送ルートの最適化や倉庫立地選定にモビリティデータを活用している企業では、地方部での実需を過小評価した非効率な配送網を構築するリスクがある。配送コスト率や時間通り配達率（OTD）といったKPIが悪化する可能性がある。

公衆衛生や保険分野では、感染拡大モデルや医療資源配分の根拠にモビリティデータを用いるケースが増加している。今回の研究が示した空間的バイアスを無補正のまま利用すると、リスクの高い農村地域・脆弱地域の疾病リスクを過少推定し、保険料率の設定誤りや医療資源の偏在を招く可能性がある。

研究チームは、空間的依存性を統計モデルに明示的に組み込むことで説明精度が向上することを示しており、バイアス補正手法の開発に向けた理論的基盤を提供している。企業のデータサイエンス部門は、モビリティデータを購入・活用する際にデータ提供元の特性を精査し、補正アルゴリズムの導入やセンサス統計との突合による検証プロセスを標準化することが求められる。

データ提供事業者にとっても本研究は示唆に富む。多様なアプリからデータを集約するモデルは経済格差による偏りが大きく、母集団代表性を訴求する場合には補正の透明性確保が競争優位の要件となりうる。新興国市場のデータ品質認証や補正モデルの標準化をめぐるビジネス機会が今後拡大するとみられる。