エスカレーター歩行禁止をAI分析で実現する——駅・施設の現場実務ガイド

エスカレーター歩行の実態：AI分析が求められる背景

岩手県立大学名誉教授・元田良孝氏（交通工学）が東京メトロの国会議事堂前・後楽園・赤坂見附の3駅で2019年に実施した大規模調査（n=11,017）によれば、エスカレーターの歩行率は全体で37.3％に達した（Yahoo!ニュース）。上りの平均歩行率は26.3％、下りは48.4％と大きく乖離しており、下りで歩く人が際立って多い。年齢別では60歳以上が19.7％、60歳未満は40.8％。男性41.9％、女性36.1％という傾向も確認されている（Yahoo!ニュース）。

事故の深刻さはデータが裏付ける。2018〜2019年の全国事故件数は1,550件で、うち転倒が約6割を占め、15年前の調査（674件）と比べて約2倍に増加している（株式会社レスキューナウが2024年4月に掲載したコラム。数値は2018〜2019年時点のもの）。名古屋市が2022年に実施した調査では全体歩行率21.3％に対し、平日朝の通勤時間帯には39.4％に上昇した（Urban Innovation JAPAN、2023年6月掲載）。通勤ラッシュ時に歩行率と事故リスクが重なる構造が、現場担当者にとっての核心的な課題だ。

法整備も始まっている。埼玉県は2021年10月1日に全国初の「エスカレーター立ち止まり条例」を施行し、名古屋市も2023年10月1日に政令指定都市として初めて同種の条例を施行した（株式会社レスキューナウ）。しかし条例が整備されても、現場での行動変容は容易ではない。「急いでいたから」が理由の69.9%を占め、「周りも歩いていたから」が14.5%という名古屋市のアンケート結果（Urban Innovation JAPAN）は、声かけや掲示だけで習慣を変える難しさを示している。この壁に対して、AIカメラによる傾向分析が実務的な手段として注目される。

関連記事AI鉄道人身事故防止の実装と限界は？ ／ AI踏切事故防止検知システムの現在地は？

AIカメラがエスカレーター歩行禁止対策に貢献できる理由

エスカレーター歩行の問題を難しくするのは「見えない」ことにある。目視でのカウントは断続的で、時間帯・方向・利用者属性ごとの傾向を継続的に把握することは人手では現実的でない。AIカメラはこの課題を構造的に解決する。

実用段階にある主な手法は次の通りだ。

• 人物検出・追跡（Object Detection＋Tracking）：YOLOベースの検出モデルとトラッキングアルゴリズムを組み合わせ、エスカレーター上の人物の移動速度と移動距離を測定する。歩行者か立ち止まり者かを速度の閾値で自動分類できる。閾値の設計は施設ごとのエスカレーター速度・勾配に合わせて調整が必要だ。
• 姿勢推定（Pose Estimation）：MediaPipeやOpenPoseなどのフレームワークで骨格点を推定し、歩行動作（足の交互移動）と静止動作を区別する。速度だけでは判定が難しい低速歩行や混雑時の部分遮蔽の場面で補完的に機能する。
• 混雑度ヒートマップ：一定時間の滞留分布を蓄積し、どのステップ付近で歩行者が集中するかを可視化する。これはサイン位置や手すり配置の見直しに直結する設計根拠になる。

これらは既存の防犯カメラ映像を処理する形でも導入できるため、専用センサーを新設するより初期費用を抑えやすい。ただし映像の品質・画角・照明条件によって検出精度は大きく左右されるため、本格導入前の環境検証は欠かせない。

以下の図は、AIカメラによるエスカレーター歩行分析のデータフローを示す。

時間帯・属性別の傾向分析が現場改善に直結する具体的な使い方

元田氏の調査と名古屋市の調査が共通して示すのは、歩行率が時間帯によって大きく変動するという事実だ。名古屋市の全体21.3%と朝通勤時39.4%の差（Urban Innovation JAPAN）は、一律の対策ではなく、時間帯に応じた介入の必要性を裏付ける。AIカメラで収集した時系列データは、以下の施策に直接応用できる。

• デジタルサイネージとの連動：歩行率が設定した閾値を超えた時間帯に限り、「立ち止まってご乗車ください」の表示を自動点灯させる。常時表示より利用者の注意を引きやすく、慣れによる効果の減衰を抑えやすい。
• 下り優先での集中介入：下りの歩行率48.4%は上り26.3%の約2倍だ（Yahoo!ニュース）。上下非対称のデータが自施設でも確認できれば、スタッフ配置やサインの強化を下りに集中させる根拠になる。限られた人員を効率的に使うための判断材料として機能する。
• 高齢者・荷物保持者の動線把握：60歳以上の歩行率19.7%に対し60歳未満は40.8%という差（Yahoo!ニュース）は、速度の遅い高齢者と歩行する若年層が混在する場面を示している。この混在が接触事故の温床になりやすい。年齢層の推定を加えた分析は、バリアフリー対応サインや手すり位置の見直し根拠として活用できる。

名古屋市は2023年の条例施行に先立ち、AIカメラを用いてエスカレーター上の行動変容を計測するプロジェクトを進めていた（Urban Innovation JAPAN、2023年6月掲載の記事）。条例の実効性をデータで検証するこのアプローチは、政策立案と効果測定を一体化させる手法として、他の自治体の参考になる。

AI分析の導入判断：手段の比較と現実的なリスク

歩行傾向分析に使える手段は複数あり、それぞれ特性が異なる。導入判断の前に比較しておく必要がある。

エスカレーター歩行分析手段の比較

手段	継続性	属性分類	初期費用感	プライバシーリスク
目視・人手調査	断続的	可（限定的）	低（人件費）	低
荷重センサー方式	継続的	不可	中〜高	低
AIカメラ（既設流用）	継続的	速度・動作で分類可	中（ソフト費用中心）	中（映像管理が必要）
AIカメラ（専用新設）	継続的	高精度で分類可	高	中〜高

プライバシーと個人情報の扱いは最重要リスクだ。カメラ映像を使う以上、個人が特定されうるデータが生じる。個人情報保護法・各自治体の条例・鉄道事業者の内規を事前に確認しなければならない。分析目的・保存期間・アクセス権限を明示したプライバシーポリシーの整備は、導入前の最低条件だ。

AIの誤検出も現実のリスクとして設計に織り込む必要がある。混雑時に複数人が重なる場面、大きな荷物を持った利用者、乳幼児を抱えた保護者は、速度だけで「歩行者」と誤分類されやすい。傾向データとして集計する用途なら許容範囲内のことも多いが、個別の警告や注意喚起のトリガーとして使う場合は、誤作動の条件と対処手順を事前に設計しておく必要がある。

費用対効果も現実的に見る必要がある。AIカメラ導入は環境や規模によって初期投資が大きくなりうる。大規模ターミナル駅や事故発生頻度の高い場所では根拠を立てやすいが、小規模施設のエスカレーター1〜2基に対して専用システムを新設するケースでは費用対効果が見合わない場合もある。段階的に目視調査でデータを取り、課題の深刻度を把握してから導入規模を判断するのが現実的な進め方だ。

また、AIはあくまで「現状を正確に把握する手段」にとどまる。歩行禁止の実現を左右するのは、データに基づいたサイン改善・スタッフの声かけ・設備設計の見直しという人と組織の取り組みだ。分析ツールを導入すれば行動変容が自動的に起きるわけではない。

自治体・施設管理者が今日から着手できる具体的な次の一手

AIカメラによる本格導入の前に、準備段階で実施できる実務的な手順がある。

まず既存カメラの棚卸しをする。既設の防犯カメラの画角・解像度・保存形式を確認する。エスカレーター全体が映り、ステップ上の人物の動作が識別できる解像度が確保されていれば、新規設備なしにAI処理の検討に進める可能性がある。

次に短期の目視調査で自施設の傾向を把握する。平日朝・昼・夕方・休日の各1時間程度、歩行者数を手動カウントする。元田氏の調査が示す通り、通勤ピーク時と昼間では歩行率が大きく異なる。自施設のデータを持つことで、AI導入の費用対効果の試算根拠にもなる。

条例のある自治体では行政との連携が有効な近道だ。埼玉県・名古屋市のように条例を施行した自治体には、行動変容の効果測定に関心を持つ担当部署が存在する。鉄道事業者や商業施設管理者が自治体に測定協力を持ちかけることで、費用分担や技術支援を受けられる可能性がある。名古屋市のAIカメラプロジェクト（Urban Innovation JAPAN）はその先行事例として参照できる。

導入後の運用設計として、検出精度の定期検証と現場スタッフへのフィードバックループを組み込んでおく必要がある。AIが出すデータが現場の感覚と乖離している場合、閾値や画角の再調整が必要なことが多い。ツールと現場の両方を継続的に改善していく体制が、長期的な効果につながる。

参考文献

• Yahoo!ニュース https://news.yahoo.co.jp/articles/785bf09c8b50f27953aeeb752b138a100972043e
• Urban Innovation JAPAN https://urban-innovation-japan.com/project/nagoya-city/2023-10/escalator-ai/
• 株式会社レスキューナウ https://www.rescuenow.co.jp/blog/column_20240426_escalator