米国テキサス州オースティンの不動産価値を予測: BigQuery の Places Insights を使用した地理空間分析

※この投稿は米国時間 2026 年 7 月 16 日に、Google Maps Platform blog に投稿されたものの抄訳です。

編集者注: このブログ投稿は、Navagis のカスタマー エンジニアである Topher Lund 氏によるものです。このブログ記事では、Navagis が以前日本で行った調査をさらに進展させ、オースティンで新たに実施した ML 分析について紹介します。この分析では、地域の商業エコシステムの質が、隠れた不動産投資機会をどう明らかにするかを定量化しています。

不動産の取得、開発、資産管理において、過去の物件記録や静的な人口統計データに頼ることは、機会損失や資本の不適切な配分につながります。人口統計データや犯罪統計などの従来のデータセットは、基本的なコンテキストを提供しますが、変化し続ける地域経済の活気や居住地としての魅力を捉えることはできません。競合他社に先駆けて、過小評価されている成長性の高い住宅地域を見つけ出し、不動産リスクを正確に価格に反映させるには、投資家はその地域の商業的および社会的構造の全体像を、動的かつ包括的に把握する必要があります。

Navagis は以前、東京と四日市で、地元の施設に近いことが土地の価格にどのように影響するかを分析することで、これを実証しました。当社は、そうした以前のプロジェクトと分析を発展させ、最近、米国テキサス州オースティンの動的な不動産市場に焦点を移しました。私たちは Google Maps Platform の高品質な BigQuery の Places Insights データセット（商業密度の分析専用に構築された、分析にすぐ活用できるスポット データセット）を使用して、ML モデルをデプロイしました。このモデルは、オースティンの国勢調査区全体で住宅価値の変動の 85.9% を捉えることに成功しました。

Places Insight の毎月更新される集計済みスポット インテリジェンスと一般公開データセットを BigQuery 内で直接かつ安全に組み合わせることで、地域にあるビジネスの質的な特徴を分析すると、他の一般公開データセットでは到達できない住宅価格に関する定量化可能な指標が得られることがわかりました。Places Insights の最も優れた点の一つは、構築やインポートが不要なことです。アナリストは、集計されていないスポットの元データを複数の地域ベンダーから調達するのではなく、50 の対象国をカバーする、統合された事前集計済みの分析データセットをデプロイできるからです。集計されていないスポットの元データを調達する場合、データの準備と統合に大きなオーバーヘッドがともないます。データは BigQuery にネイティブに配信されます。ユーザーが利用するテーブルと並んで直接表示されるため、すぐに使用できます。サブスクリプションが有効になると、プロジェクトにアクセスできるユーザーは、パイプライン、ファイル転送、継続的なインフラストラクチャのオーバーヘッドなしで、3 億を超えるスポットに対してクエリを実行できるようになります。

グローバル データをローカルレベルで活用

オースティン市場の完全かつ実用的なプロファイルを作成するために、当社は BigQuery ML を使用して線形回帰モデルを直接トレーニングしました。このアプローチの主な利点は、分析全体が Google Cloud 上の BigQuery で標準 SQL を使用して実行されるため、データのエクスポート、別のツール、インフラストラクチャの管理が不要であることです。Places Insights データセットをサブスクライブした後、BigQuery の組み込みの地理空間関数（ST_WITHIN や ST_DWITHIN など）を使用して、SQL で各スポットと国勢調査区を照合しました。組み込みの地理空間ツールが照合を自動で処理するため、独自の商圏、投資対象地域、配送ゾーンに対しても、同じアプローチをスムーズに使用できます。

分析対象の地域を定義すれば、企業は自社のガバナンスを維持したまま、独自のシグナル（データ）を安全に統合できます。このモデルでは、Places Insights のデータが、オースティンの国勢調査区全体のデータと照合されました。具体的には、国勢調査データ、平均住宅価格、住宅所有者の平均年齢、地域の犯罪報告、テキサス州の学校評価、ブロードバンド インフラストラクチャ データ、FEMA の洪水地帯などです。企業は、Places Insights を自社の販売データ、不動産記録、または国勢調査の人口統計データなどの一般公開データセットとシームレスに照合させることができます。その際、企業の自社データが安全な BigQuery 環境から流出することはありません。

学校の評価や人口統計データなどの一般公開されているベースライン データは不可欠でしたが、モデルが捉えた住宅価格変動のうち、約 32% が Places Insights のデータによるものでした。これは、Places Insights のデータが、今回の分析において最も強力なシグナルであることを示しています。つまり、Places Insights のデータがなければ、不動産の価値を実際に左右する要素の 3 分の 1 近くが評価モデルから欠落している可能性があるということです。というのも、Places Insights では、単純なカテゴリごとの店舗密度を超え、アナリストは数だけでなく、質という重要な要素を把握できるからです。ユーザーの評価、価格帯、営業時間、サービス施設など、70 近くの豊富なスポット属性にアクセスできるため、アナリストは多面的な品質シグナルを引き出せるようになります。

同じ SQL クエリで、モデルの精度を支える品質重み付けも行いました。単純なカウントではなく、条件付き集計によって高評価の店舗や高価格帯の店舗を集計することで、元の密度データを真の品質シグナルへと変換したのです。高評価のカフェが 3 軒ある地域と、平均的なカフェが 10 軒ある地域では、根本的に異なる全体像が導き出されます。PLACES_COUNT_PER_H3 などの組み込みの空間関数を使用すると、1 つのクエリで都市全体を標準化された空間グリッドに簡単に分割できます。これにより、ML に対応したクリーンな特徴量が生成され、モデリング ワークフローが大幅に高速化されます。

主な調査結果: ユーザーの評価、ウェルネス、市場のマイナス要因

地元のビジネスの質を重み付けして評価することで、オースティンの不動産に関するいくつかの強力な予測の手がかりが明らかになりました。重要な点として、日本での以前の調査と同様に、これらの調査結果は相関関係の傾向分析であり、因果関係を断定するものではありません。

• 質は量よりも重要: 商業エコシステムの質は、住宅価値を大きく左右する要因です。たとえば、スポットの星評価が平均 4.5 の地域と、平均 4 の地域では、住宅価格に平均約 26 万ドルの差が生じています。高価格帯レストランは住宅価格とプラスの相関関係にありますが、手頃な価格のレストランが密集している場合はモデルにマイナスの影響を及ぼします。

• 「ウェルネス」ジェントリフィケーション指標: フィットネス センター、美容院、スパなどの特定のスポットタイプをグループ化および分析し、ライフスタイル関連の施設を追跡することで、富裕層の多い地域や価値が上昇している地域を特定する強力な指標が明らかになりました。オースティンでは、評価の高いジム（星評価 4 以上）の存在が、その地域の平均資産価値を 74 万 3,000 ドルを押し上げるという相関が見られます。同様に、評価の高い美容院とスパのある地域では、住宅価格が 27 万 3,000 ドルから 27 万 5,000 ドルほど高くなっており、富裕層の住民が質の高いライフスタイル サービスをその地域に呼び込んでいることを示しています。

• マイナス要因の特定: 逆に、モデルは特定の商業ゾーンのマイナス要因を定量化しました。ある国勢統計区に倉庫施設が 1 つあると、工業用地は住宅地としての魅力が減少するため、その地域の住宅価値の中央値が平均 44 万 2,000 ドル低下します。同様に、自動車サービス店舗の密集地は低所得の商業ゾーンとなることが予測され、墓地が近くにある場合は住宅価値が平均 1 万 5,000 ドル下がることがわかっています。

そこから、私たちは Gemini で数行の SQL を使用して BigQuery ML で回帰モデルをトレーニングしました。トレーニングには CREATE MODEL、スコアリングには ML.PREDICT を活用し、特徴量エンジニアリング、トレーニング、予測をすべて 1 か所で行いました。最後に、BigQuery のネイティブな可視化ツールとデータポータルを使用して、予測された「価値のギャップ」を実際の住宅価値と照らし合わせました。

潜在力が高く、過小評価されている地域を見つける

モデルの予測評価額と実際の住宅価格の中央値を比較することで、各国勢統計区の「価値ギャップ」を可視化しました。このアプローチにより、商業インフラストラクチャが現在の住宅価格を上回っている地域や、価格が基礎的要因を上回っている地域を特定できます。

国勢統計区 23.04 では、現在の平均価格（参照した特定の住宅データによって約 57 万 3,000 ドルと報告されている）とモデルの予測（最大 81 万 8,000 ドルと推定されている）の間に 20 万ドルを超える差があり、投資を検討している人々にとって魅力的な投資対象となっています。このプラス要因は、並外れて優れた商業環境によって強化されており、この統計区内のすべての商業施設を合わせると、評価額が累計で 400 万ドル押し上げられています。最も大きなプラス要因は、高い星評価（4 以上）のジム、美容院、スパ、カフェです。これらのスポットは、同地域の平均価値をそれぞれ 74 万 3,000 ドル、27 万 4,000 ドル、24 万 7,000 ドル押し上げる傾向があり、公園や学校がバランスよく配置されていることもプラスに働いています。7 つの評価の高い美容院とスパ施設が牽引するこの統計区内のアメニティ環境は、モデルが住宅価値の上昇と一貫して結び付けている、高品質なエコシステムの典型といえます。

国勢統計区 20.03  は、価値ギャップ手法が逆の形で作用し、地域の住宅価値を引き下げる環境要因を浮き彫りにしています。ここでは、周辺の商業施設の組み合わせにより、Places Insights のシグナルが合計で -27 万 3,000 ドルとなっています。これは、居住地としての魅力を損なうような土地利用が原因です。1 つの倉庫施設が -44 万 2,000 ドルと最も大きなマイナス要因となっており、産業利用が居住地としての魅力を低下させることを如実に示しています。自動車サービス関連の店舗が集中していることが、この傾向をさらに強めています。10 軒の自動車修理工場（-11 万 3,000 ドル）と 3 軒の自動車ディーラー（-9 万 9,000 ドル）は、低所得者向けの商業地域であることを示しています。これらに加え、葬儀場（-2 万 8,000 ドル）、20 か所にのぼるバス停と公共交通機関の停留所（-4 万 1,000 ドル）、さらには墓地に近いこと（-1 万 5,000　ドル）までもが、価格を押し下げる要因となっています。これらが合わさることで、高評価のジムおよび星評価が 4 の数軒のカフェやスパといったこの統計区の長所を打ち消してしまいます。これは、数か所の質の高い施設を合わせても、工業用地や自動車サービス用地が中心の環境を相殺できないことを示しています。

きめ細かいレベルでスケーラブルなインテリジェンス

現代の不動ビジネスを極めるには、物件を取り巻くエコシステムを定量化する必要があります。Google Cloud の規模と、BigQuery にネイティブに統合された Google Maps Platform の Places Insights を組み合わせることで、企業は近隣の施設の単純なリストを作成するだけでなく、商業環境の正確な品質、価格レベル、ブランド系列を把握できます。

Google Maps Platform は、世界中の 3 億を超えるスポットのデータセットを提供しているため、Navagis（新しいタブで開く）のチームが実施したこの分析は、 スケーラビリティに優れています。不動産の専門家は、シカゴやマイアミなどの市場でこのモデルを適用し、スポットの重み付けが地域によってどのように異なるかを対比できます。たとえば、投資家は、オースティンの住宅価値を 24 万 7,000 ドル引き上げる高評価のカフェが、他の場所でも同じ付加価値をもたらすかどうかを特定できます。

ポートフォリオの価値ギャップを明らかにする

Google Maps Platform の Places Insights を活用すれば、データ サイエンス チームはわずか数行の SQL で予測モデルを構築できるようになります。これにより、不動産ポートフォリオの評価や、過小評価されている買収対象の特定、さらに地域の資産価値上昇の予測などができるようになります。今回の調査はオースティンの不動産に焦点を当てたものですが、その基盤となる手法は業界を問わず応用できます。住宅の評価額を小売店の収益、用地の適合性、ネットワークの需要などに置き換えることで、隠れたインサイトを引き出せます。

Places Insights が、組織がより大きな全体像を把握するうえでどのように役立つのか、ぜひご確認ください。登録してサンプルデータをリクエストするか、実装パートナーの Navagis に問い合わせて、今すぐカスタム評価モデルの構築を開始しましょう。

- Navagis、カスタマー エンジニア、Topher Lund 氏