2026.11.16
オフィスマーケットデータで「時系列分析」をやってみた ~分析前に確認したい「定常性」とは?~
時系列分析を行う上では、そのまま分析するのではなく、「定常性」を確認して分析するのが好ましいです。
今回の記事では、「定常性」のイメージと時系列分析の流れを紹介します。
はじめに
不動産市況を見るときには、さまざまな指標を見る必要があります。市場の貸床面積全体のうち、どれくらいが埋まっていないかを示す空室率やオフィスを借りる際の賃料水準などが代表的です。ただ、これらの数字はすべて同時に動くわけではありません。
例えば、オフィスを探す企業が減ると、まずテナントを募集している区画が増え、その後、実際の空室が増える。さらに需給が緩むことで、新しく契約するオフィスの賃料にも影響が出るかもしれません。また、景気や企業業績など、マクロ経済が変化してから、少し遅れてオフィスマーケット指標に影響が出ることも考えられます。
こう考えると、オフィスマーケットを見るうえで「どの指標が先に動き、その後どこに変化が表れるのか」を知りたくなります。
そこで今回、空室率などのオフィスマーケット指標と、GDPなどのマクロ経済指標を使い、指標同士の時系列分析を行いました。
今回は、この時系列分析を行うにあたって学んだ必要な前処理、特に「定常性」について、その考え方を解説していきます。
「時系列分析」とは?
時系列分析とは、その名の通り、時間の順番を持ったデータを分析する方法です。
例えば、一般的なデータ分析では、賃料が高いビルにはどのような特徴があるかのように、複数の物件を横に並べて比較することがあります。
一方、時系列分析では、「前の四半期のある指標はどうだったか」「さらにその前には別の指標はどうだったか」といった時間の流れそのものを分析に使います。
今回のようなオフィスマーケット分析と相性が良いのは、このためです。
例えば、「空室率が変化してから、何四半期か遅れて賃料の変化が起こるのではないか」という仮説は、単純に空室率と賃料の大小を比べるだけでは十分に検証できません。
そこで、過去の動きも含めて分析することで、一方の指標の動きが、もう一方の指標より先に表れているかを確認していきます。
これが、時系列分析の考え方です。
グラフでは関係がありそう。でも本当にそれで関係性があると言える?
詳細な分析手法や結果についてはレポートを参照いただければと思いますが、今回少し詳しく紹介したいのが、分析の最初に行う、「データを分析できる状態に整える」という工程です。
まず、説明用に作った3つの架空の値A・B・Cを見てみましょう。

A、B、Cはいずれも長期的には上昇しております。AとBの関係性という点で見ると、どちらも長期的には右肩上がりで、AとBにはかなり強い関係がありそうと思うかもしれません。
しかし、この2つは長期的にはどちらも上昇するものの、実際の変化には関係がないデータとなっています。
それでも関係があるように見えるのは、AもBも、時間が経つにつれて上がっているからです。
時系列分析において知りたいのは、時間が経つにつれてAもBも高くなったという共通点ではなく、「Aがある動きをしたときに、Bのその後の動きとの関係性がありそうか」という関係です。
ところが、長期的な上昇トレンドを持つデータをそのまま比較すると、前半はどちらも低く、後半はどちらも高いというだけで、関係が強そうに見えることがあります。
そこで時系列分析では、こうした長期トレンドの影響と、その時々の動きの関係をできるだけ分けて考える必要があり、そこで重要になるのが「定常性」という考え方です。
「定常性」とは?
「定常性」とは、厳密に言うと、データの平均やばらつき、時間を隔てた値同士の関係といった統計的な性質が、時間が経っても大きく変わらない状態を指します。これをシンプルに考えると、「時期によって値の特徴が変わらない状態」と捉えられます。
例えば、ある一定の水準を中心に上がったり下がったりしているデータは、比較的イメージしやすい定常なデータです。一方で、右肩上がりになっているデータでは、昔と今でデータの水準そのものが違うため、そのままでは定常とはいえません。
定常性を確認し、必要に応じてデータを変換する目的は、どちらも右肩上がりだから似ているといった長期トレンドによる影響をできるだけ取り除き、そのうえで、指標同士の動きに本当に時間的な関係があるのかを調べやすくすることです。
言い換えると、定常性は、時系列分析を行うためのスタートラインを整える考え方だといえます。
定常なデータに近づけるため、「変化」に注目する
では、元のデータが定常でなかった場合、どうすればよいでしょうか。
方法はいくつかありますが、代表的なものの一つが、元の水準そのものではなく、前の時点から、どのくらい変わったかの変化を見ることです。
先ほどのサンプルデータを前期からの変化という目線で見ると、以下のようなグラフになります。

先ほどのグラフとは違い、初期は低く、後期ほど高くなるといった特徴は見えなくなりました。さらに、こうしてみると、AとBの変化の間には明確な関係は見えにくいのに対し、AとCの間には、Cが動いた後にAが続いて動くような関係がありそうに見えます。
これらの変換前後の数値に対して、定常性を確認するADF検定を行いました。その結果、変換前はいずれも定常とは判断されませんでしたが、1階差分後はいずれも定常であることが確認されました。分析にはPythonのstatsmodelsライブラリに含まれるadfuller()関数を利用しています。

このように、時系列分析では元のグラフが似ているかどうかだけを見るのではなく、時間の経過による影響をできるだけ切り分けた形に変換したうえで、「一方の指標が動いた後に、もう一方にも特徴的な動きがあるのか」を確かめていきます。
今回オフィスマーケット分析に用いた実データでも、指標によって性質はさまざまでした。そのため、定常性のあるデータに近づける際には、指標の特徴や検定結果を確認しながら、前の時点からの変化を見る方法や対数変換など、データの性質に合わせた変換を行いました。
データを整えたら、「どちらが先に動くか」を調べる
ここまで準備して、ようやく指標同士の時間的な関係を分析します。
今回分析に使った考え方の一つが「グレンジャー因果性」です。名前に因果性と付いていますが、先行指標の変化が遅行指標の変化を直接引き起こしたことを証明するものではありません。
考え方としては、「指標Aの数値の動きを説明する際、指標Bの過去の数値も合わせて見た方がより精度が高く説明できる」場合に指標Bが指標Aに先行する関係性があると考えます。
分析用に用意した変数A・B・Cについて、6つの組み合わせでグレンジャー因果性検定を行った結果が以下です。分析には、Pythonのstatsmodelsライブラリに含まれるgrangercausalitytests()関数を利用しました。
なお、グレンジャー因果性検定では、過去何期分の情報を見るかをラグとして設定します。今回は説明をシンプルにするため1期としました。実際の分析では、VAR(ベクトル自己回帰)モデルという手法を用い、AICなどを参考に適切なラグ数を検討します。
表のように、指標Cが指標Aに先行するという関係に有意性が確認できました。1階差分後のグラフを見た感覚とも一致する結果です。
オフィスマーケット分析の実際の結果は?
ここまで話した分析手法を使ったオフィスマーケット分析の結果では、募集面積率や空室率などの需給バランスを示す指標と、テナント企業が新しく入居する際の賃料水準を示す新規成約賃料インデックスの間に時間的な関係が確認されました。また、マクロ指標とオフィスマーケット指標間での分析ではGDPなど複数のマクロ経済指標が新規成約賃料インデックスに先行する関係も確認されています。
さらに、レポートの分析では、本稿では触れなかった、長期的に乖離せずに動く関係性も、VECM(ベクトル誤差修正モデル)という手法を用いて検証しています。
具体的にどの指標が先に動いていたのか、また、その結果をオフィスマーケットとしてどう解釈したのかについては、こちらのレポートで詳しく紹介しています。
ザイマックス総研「不動産市場の変化の兆しはどこに表れるか?2026」 https://soken.xymax.co.jp/report/2610-time_series_analysis_2026.html
おわりに
今回は、オフィスマーケットの分析を題材に、時系列分析を行う際の考え方を紹介しました。2つの指標がある中、そのどちらが先行するかは一見シンプルな問いですが、それをちゃんと実証するためには、「定常性」といった点への理解が必要でした。
分析目的やデータの特徴を考慮しつつ、手法を学び実装するのはとても大変ですが、その分想定していた結果が出たとき、または出なかったときになぜ違ったのかを考えるのはとても面白かったです。
今後も、事業の中で生まれるさまざまなデータを活用しながら、業務のサポートやマーケットの理解につながる分析に取り組んでいきたいと思います。
