🚋 東京の通勤混雑はどう変わった？テレワークと人口動向の統計で読み解く

みなさんも統計・データ分析で日常を描いてみませんか？

イントロ

日常と統計を結ぶ 統計小話シリーズ の第１話は 通勤混雑 です。
電車に揺られる時間・空間が心地よいといいのですが…

トピック

1. 通勤の体感

「今日は座れた！」「押しつぶされそうだった！」
毎日の通勤混雑は、私たちの生活満足度に直結します。

国土交通省の統計によると、かつては「立って新聞を読める程度＝150%」が混雑度の基準でしたが、いまはスマホ利用やリュック前掛けなど、新しい混雑の実感があります。

では、最近 通勤混雑はどう変わったのか、そして テレワークや人口動向とどう関係しているのか をデータで見てみましょう。

🚋 🚋 🚋 

2. 混雑率の長期トレンド

国土交通省「都市鉄道の混雑率調査」によると、東京圏のピーク時混雑率は1970年代の 220%超 から長期的に低下し、2019年には 163% まで改善しました。
この改善の要因の一つには 輸送力増強（新線開業、運行本数増加、車両増結など）による緩和効果が含まれているでしょう。

そして 2020〜2021年のコロナ禍で 100%前後 に急落、その後2024年には 139% まで戻ってきています。

コロナ禍で混雑率が急落した背景には、人の流れそのものが大きく変わったことがあります。
その代表例が テレワークの急拡大 です。

🚋 🚋 🚋 

3. テレワークの急上昇と定着

国土交通省「テレワーク人口実態調査」によると、首都圏の雇用型テレワーカー率は2019年の 18.8% から2021年には 42.1% に急上昇しました。
その後やや低下しつつも、2024年でも 36.8% と高水準を維持しています。

👉 テレワークは一過性ではなく、新しい働き方として定着した と言えるでしょう。

では、人々がどこで働くかが変わった結果、どこに住むか という選択にも変化はあったのでしょうか？
ここで見ていきたいのが、東京23区への 転入超過数の推移 です。

🚋 🚋 🚋 

4. 人口の動き：東京23区への転入超過

総務省「住民基本台帳人口移動報告」によると、東京23区の転入超過数は2019年の 7万人超 から2021年には マイナス8千人 に転落しました。
その後は再び回復し、2024年には 5万4千人超 まで増加しています。

👉 コロナ禍で「東京離れ」が起きたが、再び「東京回帰」の動きが強まっていることがわかります。

🚋 🚋 🚋 

5. ３つのデータを重ねてみる

では、混雑率 × テレワーカー率 × 転入超過数 を2019〜2024年で同時に描いてみましょう。

📊 可視化の読み解き

• 2019年（パンデミック前）
  混雑率は163%と高水準。テレワークは2割以下。転入超過も7万人と東京一極集中が続いていました。

• 2020〜2021年（パンデミック期）
  テレワーカー率が急増（34〜42%）し、混雑率は100%前後に急落。転入超過は鈍化し、2021年にはマイナスへ。

• 2022〜2024年（回復期）
  テレワークは4割弱で高止まりしているにもかかわらず、人口流入が回復し、混雑率も上昇。2024年には139%に。

👉 グラフからは「混雑率はテレワーカー率よりも人口の動きと、より強く関係している」ことが読み取れます。

🔢 統計的な指標で深掘り

相関係数を算出すると次のようになりました。

👉 読み解きのポイント

• 混雑率とテレワーカー率（−0.76）
  テレワーク普及が混雑緩和につながることを裏づける負の相関。

• 混雑率と転入超過数（+0.91）
  人口流入と混雑度がほぼ同時に動く強い正の相関。

• テレワーカー率と転入超過数（−0.73）
  テレワークが進むと都心に住む必要性が下がり、人口流入が抑えられた可能性。

👉 データ点が6年分と少ないため結論は慎重にすべきですが、可視化での印象を統計的に裏付ける結果となりました。

🚋 🚋 🚋 

6. 統計から見えるストーリー

3つのデータをまとめてみると：

• コロナ禍のテレワーク急増が 混雑率を歴史的に押し下げた。

• しかし人口回帰が始まり、混雑率は再び上昇傾向。

• 今後の混雑度は テレワークと人口動態の綱引きで決まっていく 可能性。

👉 5章の可視化と相関分析で見た傾向を整理すると、こうした全体像が浮かび上がります。

🚋 🚋 🚋 

7. ニュースとの関連

最近「テレワーク縮小」「出社回帰」を進める企業のニュースも増えています。
一方で、東京都の政策ではテレワーク定着を支援する補助金施策も続いています。

👉 企業と行政の動きが逆方向に作用する中で、今後の混雑率がどう推移するかは注目ポイントです。

東京への人口流入は若者層を中心に続く見込みで、通勤混雑を押し上げる要因になりそうです。
一方で高齢者や外国人の流入は通勤への影響が限定的かもしれません。

👉 「誰が東京に流入するか」が今後の混雑を左右するカギ と言えるでしょう。

🚋 🚋 🚋 

8. 結論と余白

結局のところ、通勤はゼロにはなりません。
でも「統計で社会の動きを俯瞰する」と、

• 自分の混雑体験の背景

• これからの働き方の見通し

が少しクリアになります。

通勤中、スマホでこのコラムを読んでいただけたなら、ちょっぴり混雑のストレスが和らぐかもしれません😊

🚋 🚋 🚋 

情報源

• 国土交通省：都市鉄道の混雑率調査結果（令和６年度実績）

• 国土交通省：令和６年度テレワーク人口実態調査（令和６年度）

• 総務省：住民基本台帳人口移動報告 長期時系列表 第5表（2024年調査）

• 東京しごと財団：令和7年度テレワークトータルサポート助成金

（2025年9月7日取得）

おわり

リンクとコード

シリーズ記事

次の記事

目次

🍀🍀🍀

Python コード

記事の図表・統計数値を作成した Python コードです。

🖥️ データの準備

# データの登録（国土交通省資料、総務省資料より）

# 1975年～の 混雑率（％）：東京圏・大阪圏・名古屋圏
years1 = [1975, 1989, 1998, 2008, 2014, 2015, 2016, 2017, 2018, 2019, 2020,
          2021, 2022, 2023, 2024]
congestion_tokyo1 = [221, 202, 183, 171, 165, 164, 165, 163, 163, 163, 107,
                     108, 123, 136, 139]  # 2014-2019は160台で安定
congestion_osaka1 = [199, 168, 147, 130, 123, 124, 125, 125, 126, 126, 103,
                     104, 109, 115, 116]
congestion_nagoya1 = [205, 175, 157, 139, 131, 134, 130, 131, 132, 132, 104
                      110, 118, 123, 126]


# 2019年～の 東京関連指標：混雑率（東京圏,％）, テレワーカー率（首都圏, ％）
# 転入超過数（東京都区部, 千人）
years2 = list(range(2019, 2025))
congestion_tokyo2 = [163, 107, 108, 123, 136, 139]
telework_tokyo2 = [18.8, 34.1, 42.1, 39.6, 37.6, 36.8]
net_migration_tokyo2 = [70, 22, -8, 20, 48, 54]

【実行結果】なし

🖥️ 混雑率の予測モデル

# 混雑率の予測モデルの作成（指数関数的に減少するモデル）

# インポート
import numpy as np
from scipy.optimize import curve_fit  

# 2019年までの東京都の混雑率を目的変数、年を説明変数としてフィッティング
# 指数関数モデルの定義
base = 2000                                             # 年の基準点
exp_func = lambda X, a, b: a * np.exp(-b * (X - base))  # 指数関数モデル
# フィッティングの実行
popt, _ = curve_fit(exp_func, years1[:10], congestion_tokyo1[:10])

# 結果の表示
print(f'関数 f(year) = {popt[0]:.2f} * exp(-{popt[1]:.5f} * (year - {base}))')

【実行結果】

🖥️ 混雑率の長期推移と予測の可視化

# 混雑率の長期トレンドと予測

# インポート
import matplotlib.pyplot as plt
import japanize_matplotlib

# このPC用の設定
plt.rcParams['figure.dpi'] = 100

# 描画領域の設定
plt.figure(figsize=(10, 6))

# 1975-2024年の混雑率の観測値の折れ線グラフを描画
plt.plot(years1, congestion_tokyo1, marker='o', color='tab:red',
         label='東京圏')
plt.plot(years1, congestion_osaka1, marker='s', color='tab:blue',
         label='大阪圏')
plt.plot(years1, congestion_nagoya1, marker='^', color='tab:green',
         label='名古屋圏')

# 東京都の混雑率の回帰直線を描画
years1_extended = list(range(1975, 2025 + 10))
plt.plot(years1_extended, exp_func(np.array(years1_extended), *popt),
         ls='--', color='purple', alpha=0.3)
plt.plot(years1_extended[44:], exp_func(np.array(years1_extended), *popt)[44:],
         ls='--', color='purple', label='予測（東京圏）')

# 修飾
plt.title(
    '三大都市圏の混雑率の長期推移と予測（実測値：1975〜2024年、予測値：2025～2034年）',
    fontsize=14)
plt.xlabel('年', fontsize=14)
plt.ylabel('混雑率（％）', fontsize=14)
plt.legend(fontsize=12)
plt.grid(alpha=0.5)
plt.tight_layout()
plt.show()

【実行結果】

🖥️ 混雑率・テレワーカー率・転入超過数の推移の可視化

# グラフ作成（混雑率は左軸、テレワーカー率と転入超過は右軸）
fig, ax1 = plt.subplots(figsize=(10, 6))

# 左軸：混雑率
color_red = 'tab:red'
ax1.plot(years2, congestion_tokyo2, marker='o', color=color_red,
         label='混雑率（東京圏）')
ax1.set_xlabel('年', fontsize=16)
ax1.set_ylabel('混雑率（％）', color=color_red, size=14)
ax1.tick_params(axis='y', labelcolor=color_red)
ax1.set_ylim(90, 190)

# 右軸（内側）：テレワーカー率
color_blue = 'tab:blue'
ax2 = ax1.twinx()
ax2.plot(years2, telework_tokyo2, marker='s', color=color_blue,
         label='テレワーカー率（首都圏）')
ax2.set_ylabel('テレワーカー率（％）', color=color_blue, size=14)
ax2.tick_params(axis='y', labelcolor=color_blue)
ax2.set_ylim(15, 50)

# 右軸（外側）：転入超過数
color_green = 'tab:green'
ax3 = ax1.twinx()
ax3.plot(years2, net_migration_tokyo2, marker='^', color=color_green,
         label='転入超過数（東京都区部）')
ax3.set_ylabel('転入超過数（千人）', color=color_green, size=14)
ax3.tick_params(axis='y', labelcolor=color_green)
ax3.set_ylim(-30, 115)
ax3.spines['right'].set_position(('axes', 1.1))

# 凡例
fig.legend(loc='upper left', bbox_to_anchor=(0.1, 0.9))

fig.suptitle('東京の混雑率・テレワーカー率・転入超過数の推移（2019〜2024年）',
             fontsize=14)
fig.tight_layout()
plt.show()

【実行結果】

🖥️ 混雑率・テレワーカー率・転入超過数の相関係数

# 混雑率・テレワーカー率・転入超過数の相関係数の算出 2019〜2024年

# インポート
import pandas as pd

# 相関係数の計算
pd.DataFrame({
    '混雑率': congestion_tokyo2,
    'テレワーカー率': telework_tokyo2,
    '転入超過数': net_migration_tokyo2
}).corr().round(2)

【実行結果】

🖥️ 混雑率・テレワーカー率・転入超過数の無相関の検定

# 相関係数と無相関の検定

# インポート
import scipy.stats as stats

# 相関係数と無相関の検の実行
print('【相関係数と無相関の検定】')
print('- 混雑率とテレワーカー率')
print('  ', stats.pearsonr(congestion_tokyo2, telework_tokyo2))
print('- 混雑率と転入超過数')
print('  ', stats.pearsonr(congestion_tokyo2, net_migration_tokyo2))
print('- テレワーカー率と転入超過数')
print('  ', stats.pearsonr(telework_tokyo2, net_migration_tokyo2))

【実行結果】

🚋 🚋 🚋 

ブログの紹介

note で８つのシリーズ記事を書いています。
ぜひ覗いていってくださいね！

１．のんびり統計

統計検定２級の問題集を手がかりにして、確率・統計をざっくり掘り下げるブログです。
雑談感覚で大丈夫です。ぜひ覗いていってくださいね。
統計検定２級公式問題集CBT対応版に対応しています。
Python、EXCELのサンプルコードの配布もあります。

２．統計・データ分析とつながる

シリーズ「統計・データ分析とつながる」は、統計・データ分析との「つながり」を発掘して、コラム風に仕立てたブログシリーズです。
生成 AI の力を借りながら、統計・データ分析の入り口をイメージして、自由気ままに書きました。
たとえば…
・日常生活と統計のつながり
・統計検定２級からその先へのつながり
気楽にお読みいただけたら嬉しいです🍀

３．実験！たのしいベイズモデリング１＆２をPyMC Ver.5で

書籍「たのしいベイズモデリング」・「たのしいベイズモデリング２」の心理学研究に用いられたベイズモデルを PyMC Ver.5で描いて分析します。
この書籍をはじめ、多くのベイズモデルは Ｒ言語＋Stanで書かれています。
PyMCの可能性を探り出し、手軽にベイズモデリングを実践できるように努めます。
身近なテーマ、イメージしやすいテーマですので、ぜひぜひPyMCで動かして、一緒に楽しみましょう！

４．実験！岩波データサイエンス1のベイズモデリングをPyMC Ver.5で

書籍「実験！岩波データサイエンスvol.1」の４人のベイジアンによるベイズモデルを PyMC Ver.5で描いて分析します。
この書籍はベイズプログラミングのイロハをざっくりと学ぶことができる良書です。
楽しくPyMCモデルを動かして、ベイズと仲良しになれた気がします。
みなさんもぜひぜひPyMCで動かして、一緒に遊んで学びましょう！

５．楽しい写経 ベイズ・Python等

ベイズ、Python、その他の「書籍の写経活動」の成果をブログにします。
主にPythonへの翻訳に取り組んでいます。
写経に取り組むお仲間さんのサンプルコードになれば幸いです🍀

６．RとStanではじめる心理学のための時系列分析入門 を PythonとPyMC Ver.5 で

書籍「RとStanではじめる心理学のための時系列分析入門」の時系列分析をPythonとPyMC Ver.5 で実践します。
この書籍には時系列分析のテーマが盛りだくさん！
時系列分析の懐の深さを実感いたしました。
大好きなPythonで楽しく時系列分析を学びます。

７．データサイエンスっぽいことを綴る

統計、データ分析、AI、機械学習、Pythonのコラムを不定期に綴っています。
統計・データサイエンス書籍にまつわる記事が多いです。
「統計」「Python」「数学とPython」「R」のシリーズが生まれています。

８．Python機械学習プログラミング実践記

書籍「Python機械学習プログラミング PyTorch & scikit-learn編」を学んだときのさまざまな思いを記事にしました。
この書籍は、scikit-learnとPyTorchの教科書です。
よかったらぜひ、お試しくださいませ。

最後までお読みいただきまして、ありがとうございました。