実験①では、私たちが作成したwebページをつくば市に引用してSNSで発信してもらった。 webページでは「Google Maps」「お買物混雑マップ」といった、店舗の混雑情報を発信しているアプリを紹介した。 また、つくば市の公式Twitterアカウントだけでなく、つくば市長の公式Twitter、つくば市公式Facebookで作成したwebサイトを6/10から発信してもらった。

実験①では、ウエルシアからいただいたPOSデータを用いて分析を行った。 情報発信の効果は、混雑状況すなわち来客数の様子を観察・分析することで測定した。 情報発信を行ったつくば市と、情報発信を行っていない土浦市の来客数の様子を比較した。

次に、来客数をどのように分析したか説明する。

まず、作成したwebページの公開とつくば市によるwebページの発信があった6/10から前3週間分(第1~3週**)の市内全店舗の合計来客数*のデータをもとに、第4週**の来客数を各市・各曜日で回帰直線を求めることで線形的に予測し(図1-1)、実測値との関係を調べた。 線形的な予測ができると判断した理由は、図1-2から確認できるように、茨城県で緊急事態宣言が解除された5/15以降、週間ピーク時の市内全店舗の合計来客数がつくば市と土浦市の両者で線形的に推移していることが確認できたからである。

さらにその後、実測値のみに注目し、各曜日における1日の来客数に対するピーク時の来客数の割合推移を、第3週から第4週にかけてつくば市、土浦市で比較した。 こちらでも全店舗の合計来客数のデータを使用した。 前段落で説明した分析のみでは、悪天候などによる客の変化を排除できていないので、つくば市の情報発信の効果のみの測定ができない。 そこで私たちは、悪天候などによる来客数の変化率がすべての時間帯であると仮定し、1日の来客数に対するピーク時の来客数を割合で比較することで悪天候などの影響を排除できると考えた。

*…つくば市の合計来客数は、実験②でポスターを掲示した北条店、二の宮店、万博記念公園駅前店を除く
**…実験①では、5/20~26を第1週、5/27~6/2を第2週、6/3~9を第3週、6/10~16を第4週とした

続いて、各曜日における1日の来客数に対するピーク時の来客数の割合推移を第3週から第4週にかけて比較した。 例えば、図1-5を見ると、第3週から第4週にかけて、つくば市ではピーク時の来客数の割合が負に推移しているのに対して、土浦市は正に推移していることが分かる。 このように、各曜日の第3週から第4週にかけての傾きを比べたところ、図1-6****のようになった。 こちらでも期待通りの結果、すなわち情報発信を行ったつくば市のほうが土浦市よりも負に大きく推移しているという結果が得られた曜日とそうでない曜日があった。