どこかは当たる、何かは当たらない

1まだ1店も無いマスの順位づけは当たる

実際に開いた店を、モデルが上位10%に選んだマスがどれだけ捕まえたか。でたらめなら10%のところを75.1%捕まえた。

2全国1つのモデルで足りる

福岡県だけで学習した係数を他県にそのまま当てて、現地で学習した場合との差は最大 +0.031。秋田県では福岡で学習したほうが良かった（標本が大きいため）。県を1つずつ隠す46回の検証でも倍率の中央値7.2倍。

3「この地域には何の店ができるか」は当てられない

同じモデルでも問いの向きで結果が変わる。10業種・47県・74,507件の開店データで3通り測って、いずれも信号が無かった。

4効いたのは従業者数だけだった

思いつく候補を順に足したが、動いたのは1つだけ（市街地に絞ったAUCの差）。

5集積の正体はドミナント出店だった

Foursquareの website のドメインでチェーンを識別できる。新規開店2,148件を屋号で分け、周辺3×3の「コンビニのうち自社が占める割合」で自社の新店を他社の新店と見分けられるかを測った。

全チェーンが自社の近くに出している。全国シェアが小さいチェーンほどはっきり出る（セブンはどこにでもあるので「自社シェア」という指標の情報量が小さくなる）。

6チェーンと個店は反発する

同じ業種でも、開店を言い当てるのは正反対のほうだった（市街地AUC）。

7個店の集積は土地の性質では説明できない

門前町・城下町・港町・温泉街・アーケード商店街——どれも「昔からそこに人が集まる理由があった場所」だが、説明力はほとんど無かった。残差にはポアソンのばらつきが混ざるので、同じ見込みから作った乱数と分散を比べて「そもそも説明できる分」で割り直した値。

81店あたり人口は全国でほぼ同じ

人口密度も車依存度も産業構造もまるで違う県で1.3倍の幅に収まる。閉店した711店から測った閾値（周辺の1店あたり人口が2,200人を割ると閉店率が跳ね上がる）は、特定の地域の事情ではなさそうだった。

できないこと

測り方

物差しは「まだ1店も無いマスの中での順位づけ」に定めた。「どこに店があるか」は既存店舗数で並べるだけで当たるのでモデルの仕事ではない。まだ1店も無いマスでは対抗馬が全マス0で並ぶため原理的に順位をつけられず、そこがモデルの持ち場になる。

全メッシュのAUCは「田んぼの真ん中に店は無い」という自明な当たりで水増しされる（0.87）。判断が要る市街地（周辺人口3,000人以上）に絞ると 0.77〜0.82 に落ちる。以後こちらを使った。

検証はすべて空間ホールドアウト（県を丸ごと隠して学習）と、実際の新規開店による前向き検証（新店を差し引いてから学習し直した汚染ゼロの条件）。倍率を出すときは必ず素朴な対抗馬を並記する。でたらめ（1.0倍）は対抗馬ではない。「今すでにそこにある量」で並べたものが最低限の対抗馬になる。実際、飲食ではその対抗馬に負けた。置かなければ「8倍で当たる」と書いて終わっていた。

物差しをいつ決めたか

この研究の一番弱いところなので明記する。物差しは、結果を見たあとに3回変えている。