1．はじめに

内閣府が2016年度より｢働き方改革｣として推奨する「時間や場所に囚われない働き方」の実現[1]や，社内外とのコミュニケーション増進による生産性向上等を目的として，近年，オフィスの移転を決意する企業が増えている．実際2016～2017年の間にオフィス移転を行った企業の66.7%が，移転を機に働き方改革に着手していた[2]．

その背景には，業務の効率向上だけではなく，人材不足の深刻化もある．企業は，優秀な人材を確保するために，以前よりも快適なオフィス環境や従業員の通勤利便性を重視するようになり，ある程度の賃料負担増を許容してでも，都心の好立地にあるオフィスへと移転するニーズが増加している．

筆者らは「働き方改革×オフィス改革」を標語に掲げ，オフィス移転を契機として，テレワークやサテライトオフィス活用等の施策と合わせて働き方改革を推進していくことを企業向けに提案している．

近年のオフィス形態のトレンドとしては，従業員1人ひとりにあらかじめ席が割り振られる固定制から，誰がどこに座っても良いフリーアドレス制に移行しつつある．さらに先進事例では，オフィスで行うさまざまな業務・行動に適した多種の空間を提供するActivity Based Working（以下ABW）の実用化が始まっている[3]．ABWとは，オフィスの中で働く場所や机などを仕事内容に合わせて選ぶ働き方，たとえば，1人で集中したい作業は静かな席で行い，リラックスしたい打合せにはソファを使うなど，目的に合わせて都度フレキシブルに場所を選んで働くことを指す．

ABWの実践にあたっては，ワーカーがオフィスでどのような作業を，統計的にどのような割合で実施しているかに基づき，各作業に適したエリアを必要な広さで準備することが基本となる[4]．たとえば2〜3名での打合せが多い部署向けには，2〜3名用の打合せスペースを多めに設定する，というように，各エリアの面積配分をワーカーの働き方に合わせて設定することが望ましい．そこでオフィスの運営上特に重要となるのが，「オフィスのエリアごとの活用率」の時間推移の測定である．活用率とは，当該エリアのキャパシティ（席数）に対する利用人数の割合であり，その一日の時間変化を測定することで，ワーカーの働き方と提供されている各種エリアの広さ・席数がマッチしているかどうかを判断できる．

「働き方改革」が進展するにつれてオフィスの使われ方は変化するため，活用率調査は運用開始後も継続的に実施されることが望ましい．しかし実際には，コスト的な制約等から初期段階では定量的な調査を行うものの，運用開始後はワーカーからの聞き取りやアンケート調整するのみとなるケースが多い．

本研究で筆者らは，オフィスの活用状況を定量的かつ継続的に把握可能とすることを目的に，IoTセンサを活用した低コストな計測手法の検討を行った．本稿では，第2章においてIoTセンシングをオフィスの活用状況の計測に利用した先行事例を紹介する．第3章において今回筆者らが実施したオフィス活用率測定の取組みについて説明し，第4章でまとめと考察を述べる．

2．IoTセンシング利用の先行事例

オフィスの活用状況を定量的に把握するためにIoTセンシングを利用した先行事例は複数ある．

たとえば，各ワーカーに位置計測用端末を持たせてオフィス内の位置情報を取得し，同時にPC操作ロガーで作業状況の取得を行う方法がある[5]．行動パターンを把握する有用な手法であるが，監視下に置かれているという印象をワーカーに与えやすく，長期間の計測は肉体的・精神的負荷となる可能性が懸念される．

また，ワーカーに適切な休憩を促すことを目的として，机や椅子に加速度センサを設置してワーカーの離着席推定を行う方法がある[6]．ワーカーへの負担が軽く，かつ安価な方法であるが，多目的スペースなど，座って作業しない可能性のある場は対象外となる．

部屋に設置した赤外センサで行動計測をする試みもある．一般家庭向けに，省エネや高齢者の見守りを目的として，赤外センサとドア開閉センサ，家電等の消費電力を計測するセンサを用いて家庭内での人の行動を識別できるか実験している[7]．本検討で対象としているオフィスでの行動とは種類が異なるが，低コストかつ居住者のプライバシーを侵害しないタグレスの行動認識システムとしての特徴は共通と考えられる．

赤外センサで複数人の移動推定を行っている報告もある[8]．家庭内で部屋や通路での在／不在の2値でのみセンシングし，部屋間の移動経路を辿る．朝に誰の部屋から出て来たかにより人の特定まで行う．各人の行動推定が目的であり，複数人で部屋を利用する際の活用率の計測は目的としていない．

このような先行事例を踏まえ，オフィスでのワーカーの状況把握の測定に関し，次の方針をとった．

（1）個人を識別しない赤外センサを主としてワーカーの状況把握を行えるよう，Bluetooth Low Energy[9]（以下BLE）のタグを一定期間のみ使用し，赤外センサ値をBLEで補正する．

（2）必ずしも座って作業しない可能性のあるスペースの活用状況も把握できるよう，センサを天井に設置する手法を選択する．

3．オフィス活用率測定の取組み

3.1　実験環境と実験目的

3.1.1　実験環境

実験環境としては，フリーアドレス制オフィスの複数フロアを対象とし，その天井に複合型センサを設置した．この複合型センサには，表1に示す2種類のセンサが内蔵されている．フロアに勤務するワーカー160名に，4週間の計測期間中にBLEの名札型タグ（ビーコン）を装着してもらい，オフィス内での行動を計測した．センサ毎の利害得失を表1にまとめる．

3.1.2　実験目的

執筆者らは，低コストで職場導入への抵抗感も少ない赤外センサを用いて，個人を識別しない形で状態把握できるのが望ましいと考えたが，赤外センサで十分な精度が得られるか不明であった．そこで比較のため，個人の動きを正確に把握できるBLEでも計測を行い，BLEの測定結果を正解として利用することにした．また，赤外センサだけでは十分な精度が得られない場合の次善策として，BLEを一定期間のみ使用して補正するための近似式を求め，その後は，ワーカーに常時BLEタグを装着させなくても，赤外センサ値を補正することでエリア活用率のレベル計測を実現できるかを実験した．

3.2　赤外センサ値のBLEによる補正方法

赤外センサ値をBLEで補正する方法を検討するにあたり，赤外センサとBLEセンサ（タグ）それぞれにおける「オフィスのエリアごとの活用率」の定義を定めた．ここでいうエリアとは，ABWのオフィスにおいて「1人で集中して作業を行うためのブース」「複数人で気軽な打合せを行うためのオープンスペース」等，用途が異なる什器が設置された，オフィス内の特定の場所を指す．エリアごとに面積もレイアウト形状（壁・天井高・仕切りの有無等）もまちまちであるが，センサはおおむね3m間隔で天井に取り付けられているため，1エリアに含まれるセンサ数には1～24個と幅がある．赤外センサで計測される「エリアごとの活用率」U_IRは（1）式により定義される．

$U_{IR}=\frac{Non}{Ntotal}$・・・（1）

N_on：エリア内で人の動きを検知したセンサ数

N_total：エリア内の全センサ数

U_IRは，エリア内に人がいなければ0%，検知上限はエリア内すべてのセンサがONの状態で，100%となる．

赤外センサによる人感検知は，センサ出力をそのまま用いると誤検出や未検出が多いことが知られている．そこで移動平均フィルタを用いて平滑化した値を15分ごとに求め1サンプル値とした．

一方BLEセンサで計測される「エリアごとの活用率」U_BLEは（2）式により定義される．

$U_{BLE}=\frac{N_{beacon}}{N_{capacity}}$・・・（2）

N_beacon：エリア内で在圏を検知したタグ数

N_capacity：エリアの定員数

N_capacityのエリア定員数は，固定席のように整然と席が並ぶ場合と，コミュニケーション目的のオープンエリアの席とでは面積も人の入り方も異なるが，ここでは端的にエリアに設置された椅子の数を基準とした．U_BLEもエリア内にタグを付けた人がいなければ0%だが，定員数以上にタグを付けた人が入ってくれば，100%以上の値も取り得る．時間方向には15分間の平均値を1サンプル値とした．

今回の実験では，赤外センサとBLEセンサの両方で同じエリア内の人の動きを計測し，U_IRとU_BLEの相関関係を表すモデルとして原点を通るn次の多項式近似を（3）式のように仮定した．

$U_{MOD-IR}\left(U_{IR}\right)=a{\left(U_{IR}\right)}^n+b{\left(U_{IR}\right)}^{n-1}+\dots \; <!--\; horizontal\; ellipsis\; -->+f{\left(U_{IR}\right)}^0$･･･（3）

n：多項式近似の次数（値域1～6）

a,b,c,d,e,f：多項式近似の係数

係数a～fを最小二乗法で求め，更にモデルと測定値の残差の二乗和が最小となる次数nを最適解とした．

3.3　測定結果詳細

3.3.1　エリア活用率の日ごとの変化

本節では，計測したエリアの中で最も安定してデータ取得できたフリーアドレスエリアAを例に，計測結果と近似式の算出について述べる．

日ごとの変化を見るため，複数日のデータを測定し，比較した．図1，図2に同エリアで測定した2日間分の活用率を示す．図より，赤外センサで計測される活用率U_IRと，BLEセンサで計測される活用率U_BLEの間には，一定の相関関係が見られるが，赤外センサの活用率が70%以上の領域でばらつきが大きくなっていることが分かる．

これは，フリーアドレスエリアを利用する際のワーカーの業務内容や典型的な過ごし方等，活用率に影響を与えるワーカーの動きの頻度分布が共通しているために一定の相関関係が見られるものの，赤外センサの活用率が高い，すなわち人の動きが激しい領域では，少人数が激しく動いているのか，多人数があまり動いていないのかの判別がつきづらいため，ばらつきが大きくなっているものと推測される．

そこで今回，図1，図2に示した2日分のデータを重畳した上で近似式を計算することとした．多項式近似の次数nを振ってモデル化の残差を求めた結果，図3に示すようにn=2の時に残差最小となり，近似式は（4）式となった．

$U_{MOD-IR}\left(U_{IR}\right)=0.36·\; <!--\; middle\; dot\; -->{\left(U_{IR}\right)}^2$･･･（4）

2日分を重畳したデータおよび求めた近似モデルの曲線を図4に示す．

3.3.2　近似モデルによる補正（同エリア・同日）

本項では，3.3.1項で求めたエリア活用率の近似モデルの確認を行う．図5に，フリーアドレスエリアＡの活用率を示す．赤外センサで得た活用率（赤），BLEで得た活用率（青），赤外センサで得た活用率を，同日を含む2日分の同エリアのデータを基に作成した近似モデルを用いて補正した活用率（橙）を示す．15分単位で得られたデータを単純平均して1時間単位のプロットにし，1日分の結果を表示している．

活用率は，赤外センサのみの計測では，10％台から90％台まで急峻に変化し，日中高いレベルが継続している．一方，BLEのみの計測では，活用率は20％～30％の間で推移している．図1，図2でも示されたが，赤外センサのみの計測では，エリア利用の有無は判別可能であるが，活用率を判別するのは困難である．

3.3.3　同エリアの近似モデルによる別日の補正

本項では，3.3.1項で求めたフリーアドレスエリアAの活用率近似モデルを，同エリアの別日のデータの補正に利用できるかを検証する．

図6に同じフリーアドレスエリアAで取得した，図1，図2とは別日の活用率データを示す．このDay3のフリーアドレスエリアAの赤外センサのデータを，同エリアの近似式（4）で補正した結果を図7に示す．補正後のデータ（橙）はBLEのみの結果（青）とレベルが合っていることから，この近似モデルで同エリアの別日のデータでも補正可能なことが分かった．

この近似モデルは，「オフィスエリアの使われ方が算出時と同様」の範囲で有効であり，利用人数やエリアの使われ方が大きく異なると精度が悪くなる．一般的なオフィスにおいては，部署の配置転換，人事異動等が行われる半年～1年に1回程度の割合で，BLEによる計測をやり直し，常に実態に即した近似モデルを利用すると精度を維持可能と考えられる．

3.3.4　別エリアの近似モデルによる同日の補正

本項では，3.3.1項で求めたフリーアドレスエリアAの活用率の近似モデルを，別のフリーアドレスエリアBの補正に利用できるかを検証し，モデルの適用範囲を調べる．

フリーアドレスエリアAの近似式（4）をエリアＢの補正に用いる前に，比較対象として，フリーアドレスエリアBの活用率近似式を算出してみる．（4）式と同じ方法で2日分を重畳したデータを基に算出した．多項式近似の次数nを振ってモデル化の残差を求めた結果，図8に示すようにn=4の時に残差最小となり，近似式は（5）式のようになった．

$U_{MOD-IR}\left(U_{\mathrm{I}R}\right)=1.49·\; <!--\; middle\; dot\; -->{\left(U_{\mathrm{I}R}\right)}^4$ ･･･（5）

フリーアドレスエリアBの活用率（2日分）と，算出した近似式の結果を図9に示す．

図10にフリーアドレスエリアBの赤外センサのデータ（赤）をフリーアドレスエリアAの近似モデルで補正した結果（緑）を示す．BLEのみの結果（青）とはレベルが合わなくなり，別エリアの近似モデルを用いての補正は難しいことが判明した．

フリーアドレスエリアAとフリーアドレスエリアBとでは，BLEの利用率に大きな違いが見られた．この違いは，2つのエリアのワーカーの業務内容の違いに起因すると推測される．フリーアドレスエリアAを利用するのは営業部署のワーカー中心で，顧客先への出張や打合せが多く，席の活用率は低い．一方，フリーアドレスエリアBを利用するのは総務や財務等，コーボレート部門のワーカー中心で，出張の頻度は営業に比べて少なく，伝票処理等のデスクワークで席を長時間利用するケースが多い．

このようにエリアを利用するワーカーの所属部署によって業務内容が異なると，計測される活用率の傾向にも差が生じる．さらには，エリア形状（周辺に遮蔽物があるか，見通しが良いフロアレイアウトか，等）やセンサ配置によっても大きく影響を受ける．こうしたことから，BLEを用いて赤外センサのデータを補正する場合には，エリアごとに近似曲線を算出し，異なる近似モデルにより補正を行う必要があることが分かった．

4．まとめと考察

本章では，筆者らが実施したオフィス活用率測定の取組みについてのまとめと考察を述べる．

本計測では，オフィス内の複数フロアを対象とし，その天井に赤外線とBLE対応の複合型センサを設置し，赤外センサのみで計測した場合と，BLEを一定期間のみ使用し赤外センサの値をBLEで補正した場合を比較した．

BLEによる補正方法としては，赤外センサで計測したエリア活用率（人の動きの検出有無によって変化する）と，BLEで計測したエリア活用率（エリア内に在圏検知されたユーザ数／エリア定員数）の相関曲線に対し，残差が最小になるような近似モデルを最小二乗法によって求め，このモデルによって赤外データを補正する．

3.3.2項の図5に示したように，赤外センサのみの計測では，エリア利用の有無は判別可能であるが，活用率まで判別するのは困難であることが分かった．本研究で新たに提案した，BLEによる近似モデルを利用した補正を用いることによって，エリアの活用率を計測可能な見通しを得た．

5．おわりに

近年，人材不足の深刻化を背景として，｢働き方改革｣を目的にオフィスの移転を決意する企業が増えている．筆者らは「働き方改革×オフィス改革」を標語に掲げ，オフィス移転を契機として，テレワークやサテライトオフィス活用等の施策と合わせて働き方改革を推進していくことを企業向けに提案している．

本研究では，オフィスの利用実態を定量的かつ継続的に把握可能とすることを目的に，IoTセンサを活用した低コストな計測手法の検討を行った．具体的には，オフィス内の天井に赤外線とBLE対応の複合型センサを設置し，両センサの精度を比較した．また，BLEを一定期間のみ使用して補正するための近似式を求めた後は，ワーカーに常時BLEタグを装着させなくても，赤外センサ値を補正することでエリア活用率のレベル計測を実現できるかを実験した．

その結果，赤外センサのみではエリア利用の有無は判別できるが，活用率のレベル計測は困難であった．一方，本研究で提案したBLEによる補正を用いることで，赤外センサでもエリア活用率を計測可能な見通しを得た．

今後はBLEタグを用いた計測により，オフィスにおけるワーカーの活性度やオフィス快適性向上の用途まで広げることを目指し，検討を進めていく予定である．

謝辞　本研究において，計測にご協力をいただいた，（株）日立アーバンインベストメントおよび（株）日立ソリューションズの関係者の皆様に深く感謝いたします．