地域は、学習し続ける

AI時代の地域計画――完成形を描くことから、学習する地域をつくることへ

未来を正確に当てる計画から、変化を観測し、試し、修正し続ける地域経営へ

地域計画は長い間、「未来の完成形を描く仕事」だった。しかし人口減少、気候変動、産業構造転換、情報化が同時進行する時代には、30年後の正解を一度で当てることより、間違いを早く見つけ、安く修正できることの方が重要になる。AIが地域計画にもたらす本質的な変化は、未来予測の精度そのものより、観測・比較・検証・更新のコストを下げることにあるのではないか。

地図で見る、物語の舞台

地域を見渡すための瀬戸内海の地図

この記事は特定の町の話ではありません。地図は地域の違いを考えるための広域図です。

地図:Google マップ(現在の地形・海岸線。歴史的な姿の復元図ではありません)。 Googleマップで開く ↗

地域計画は、なぜ「完成図」を必要としてきたのか

地域計画は長い間、「未来の完成形を描く仕事」だった。20年後には人口がこれだけになり、交通需要はこれだけ増え、この地区には住宅を、この地区には工場を、この道路を延伸し、この港を拡張する。将来を予測し、その予測に合わせて都市や産業の配置を決める。高度成長期の日本では、それは極めて合理的な方法だった。人口も経済も土地需要も増える方向がかなり明確だったからである。

だからマスタープランは、一枚の完成図を必要とした。しかし、人口減少、気候変動、産業構造転換、デジタル化が同時に進む現在、地域の未来はそれほど単純ではない。人口が減るとしても、どの地区から減るのか。工場が撤退しても、次にどの産業が来るのか。耕作放棄地は森林へ戻すべきなのか、それとも草地として管理した方がよいのか。災害リスクの高い住宅地を防災工事で維持するのか、それとも長期的には土地利用そのものを縮小するのか。

未来が読みにくくなったというより、地域を決める変数が増え、それぞれの変化速度が違うのである。そうであるなら、地域計画の考え方そのものを変える必要がある。

正しい未来を当てることから、間違いを修正することへ

従来の計画は、できるだけ正確に未来を予測し、その未来に対応する最適な計画をつくろうとしてきた。だが30年後の地域社会を正確に予測することは、もともと難しい。問題は、予測を外すことではない。外れた計画を長期間修正できないことである。

道路を造れば数十年間維持しなければならない。住宅地を造成すれば、水道、下水道、道路、消防、ごみ収集などの行政サービスを供給し続けなければならない。工業団地を造成すれば、需要がなくなったからといって簡単に湿地へ戻すことはできない。土地利用は、過去の判断を固定する装置でもある。

だから人口減少時代には、「正しい計画を一度でつくる能力」以上に、間違っていると分かったとき、早く修正できる能力が重要になる。ここでAdaptive Managementという考え方が意味を持つ。計画を完成品と考えず、仮説として扱う。まず一定の方針を実施し、結果を観測する。当初の仮説と違えば修正し、もう一度観測する。 1

Plan → Act → Observe → Learn → Revise。重要なのは、「計画を柔軟にしましょう」という精神論ではない。何を観測し、どの状態になったら方針を変えるかまで、あらかじめ設計することである。 1

AIが変えるのは、未来予測より「学習コスト」である

AIについて語るとき、「AIが未来を予測し、最適な都市計画を作る」というイメージが先行しやすい。しかし、地域計画にとってもっと重要な変化は別のところにある。学習するためのコストが急速に下がることである。

これまで、一つの地域について人口統計を集め、土地利用図を整理し、災害リスクを重ね、産業統計を分析し、航空写真の変化を確認し、世界の類似事例を探し、外国語の行政資料を読み、複数の政策案を比較する作業には、大きな時間と専門人材が必要だった。そのため自治体の計画は、5年あるいは10年に一度、大規模な調査を行って改定する方式になりやすかった。

しかしAI、GIS、衛星画像、オープンデータ、センサー、デジタル行政が組み合わされば、人口、空き家、土地利用、交通、植生、水質、企業活動、観光、災害、生物多様性などの変化を、より高い頻度で観測し比較できる。AIの価値は、地域に「正解」を教えることではない。地域が自分自身を観測し続ける能力を拡張することにある。 2

観測コストが下がれば、計画を頻繁に更新できる。AI時代の恩恵は、マスタープランをより精緻に固定することではなく、Adaptive Managementを現実的な運用モデルに変えることにある。

土地利用そのものを「仮説」にする

ネイチャーポジティブは、この考え方を最も分かりやすく示す。例えば瀬戸内の島に、耕作者がいなくなった柑橘園があるとする。従来なら「農地として再生する」か「放棄して森林化する」かという二択になりがちだった。しかし本当に最適なのかは分からない。

一部では果樹園を維持する。一部では草刈り回数を減らす。一部では草地へ移す。一部では自然遷移に任せる。そして植生、昆虫や鳥類、鳥獣害、土砂災害、景観、管理費、農業収益を観測する。その結果を見て管理方法を変更する。つまり、土地利用を決定ではなく、検証可能な仮説として扱う。

同じことは都市でもできる。空き家が増えている斜面市街地について、すべての宅地を永久に維持する必要はない。まず一定区画を取得し、緑地、防災空地、雨水貯留空間へ転換する。周囲の地価、居住環境、災害リスク、維持管理費がどう変わるかを見る。効果が確認できれば、次の街区へ広げる。

これは「2050年の完成図を描いて一気に実施する」方法とは大きく異なる。小さく試し、測り、学習し、拡張する。都市計画が、巨大な一回限りの設計から、継続的な地域経営へ変わる。

世界の都市が、地域の実験室になる

AI時代のもう一つの変化は、地域研究の空間的な範囲である。かつて一つの自治体が海外の土地利用政策を比較しようとすれば、それだけで大きな調査事業になった。言語の違いも大きな障壁だった。

AIによって、オランダの河川政策、ドイツの工業地域再生、ニュージーランドの災害後土地利用、米国の湿地再生、シンガポールの都市河川などを、現地自治体や事業主体の一次資料まで比較することが容易になりつつある。すると地域計画は、自分たちの過去から学ぶだけでなく、世界で行われている多数の実験から学ぶことができる。

ただし、海外事例をそのまま輸入するのではない。取り出すべきなのは事業の形ではなく、メカニズムである。なぜ土地所有を集約できたのか。誰が長期管理費を負担しているのか。どの指標をモニタリングしているのか。どの時点で計画を変更したのか。自然再生が防災や産業政策とどのようにつながったのか。こうした構造を抽出し、瀬戸内の制度、地形、産業、文化へ翻訳する。

したがってAI時代の地域研究は、Local Depth × Global Comparisonになる。現地を深く知ることと、世界を広く比較することは、もはや矛盾しない。

AIが意思決定するのではない

ただし、ここには明確な境界が必要である。AIは土地を所有していない。AIは地域で暮らしていない。AIは洪水で家を失うこともなければ、祖父母から受け継いだ棚田を手放すこともない。だから、「この集落を撤退させるべきだ」「この農地は森林に戻すべきだ」「この工場跡地は湿地にすべきだ」という最終判断をAIに委ねることはできない。

AIが下げるのは、主として情報コストである。土地所有の調整、住民合意、政治的選択、世代間の価値判断まで自動化されるわけではない。AIは観測し、比較し、異常を見つけ、過去との変化を示し、海外事例を探し、選択肢と仮説を整理する。そして人間は、何を大切にするか、誰が負担するか、どのリスクを受け入れるか、地域としてどの未来を選ぶかを決める。

AI時代の地域計画とは、AIが地域を経営することではない。地域がより高い頻度で、自分自身について考え直せるようになることなのである。

地域資産の意味も変わる

これまで地域資産と言えば、土地、港、道路、工場、企業、観光資源、歴史的建築、技能、文化などが中心だった。もちろん、それらは今後も重要である。しかし変化の激しい時代には、資産そのものの価値よりも、それを別の用途へ転換できる能力が重要になる。

造船の町が次世代船舶へ移れるか。工業地帯がエネルギーや新産業へ転換できるか。人口が減った住宅地を緑地へ戻せるか。耕作放棄地を、その土地に適した生態系へ再編集できるか。観光客が変化したとき、地域の文化資産の使い方を変えられるか。重要なのは、何を持っているかだけではなく、持っているものの意味を環境の変化に合わせて組み替えられるかなのである。

そう考えると、地域計画の評価軸も変わる。立派なマスタープランを持っている地域よりも、変化を早く検知できる地域、小規模な実験を行える地域、失敗を隠さず検証できる地域、世界の事例から学べる地域、制度や土地利用を修正できる地域、そしてその学習を次の世代へ蓄積できる地域の方が、長い時間軸では強いのではないか。

最大の地域資産は、Learning Velocityである

AIは地域間の情報格差を小さくする。だからこそ最後に差を生むのは、情報を持っているかどうかではなく、その情報をどれだけ速く学習と行動へ変換できるかになる。

20世紀の地域競争力が、港、道路、工場、資本、人材の集積によって決まったのだとすれば、21世紀にはもう一つの資産を加える必要がある。それは、地域自身が環境の変化を観測し、仮説を立て、試し、失敗から学び、制度や土地利用を修正していく能力である。

変化検知までの時間、政策変更までの時間、実証事業開始までの時間、評価周期、成功施策の水平展開速度、失敗施策の停止速度。こうしたものは、将来的には地域のLearning Velocityを測る指標にもなり得る。

地域のLearning Velocity――学習と修正の速度こそが、AI時代における最大の地域資産なのである。

出典・参照資料
  1. Adaptive Management: The U.S. Department of the Interior Technical Guide U.S. Department of the Interior
  2. Artificial intelligence for biodiversity conservation npj Biodiversity