【フェルミ推定】面積ベースの解き方｜基本ステップとBCG過去問「東京都の駅の数」を徹底解説

戦略コンサルの選考では、地図に関わる問いが出題されることがあります。「東京都に駅はいくつあるか？」のように、地理的に分散したものの数を問われたとき、最も有効なのが面積ベースのアプローチです。

この記事では、面積ベースの基本ステップと有効条件を整理したうえで、BCGの過去問「東京都の駅の数」を例に解法を実演します。失敗例と回避策まで読み終えれば、初めての方でも面積ベースを一通り使えるようになるでしょう。

1. フェルミ推定とは何か、なぜ戦略コンサルで重視されるのか

フェルミ推定は、手元にデータがない状況で既知の数値と論理的な推論を組み合わせ、短時間で概算値を導き出す手法です。名称はノーベル物理学賞受賞者のエンリコ・フェルミに由来します。

コンサルが問う「正解よりプロセス」

戦略コンサル（マッキンゼー・BCG・ベインといったMBBをはじめ、ADLやローランド・ベルガーなど）がフェルミ推定を選考に採用する理由は、思考プロセスを可視化しやすいからです。面接官が評価するのは、正確な答えそのものではなく、以下の4点です。

• 前提を素早く整理する力（構造化・論点分解）
• 不確かな状況で仮説を立てる力（仮説思考）
• 推定の根拠を筋道立てて説明する力（論拠提示）
• 結果をリアリティチェックで補正する力（批判的検討）

正解にたどり着けなくても、プロセスが明快であれば高評価を得やすい問題です。逆に答えが近くてもロジックが不透明だと評価されません。

投資銀行でも活用される背景

投資銀行でもフェルミ推定を選考に取り入れるケースがあります。市場規模の概算やバリュエーションの前提確認など、実務で「おおよその数を素早く出す」場面が多いからです。コンサル志望以外の方も押さえておく価値があります。

2. フェルミ推定の5つのアプローチと面積ベースの位置づけ

フェルミ推定のアプローチは、推定する対象の性質によって使い分けます。おおむね以下の5種類に分類されます。

アプローチ	概要	典型的な問い
需要ベース	ユーザー数×利用頻度×単価で推定	市場規模、売上推計
供給ベース	施設数×稼働率×単価で推定	カフェの年間売上
所有率ベース	人口×所有率で推定	スマートフォン台数
1ユニット分割ベース	1つのモデルを細かく分解して推定	1店舗の1日あたり客数
面積ベース（存在ベース）	対象エリアの面積×単位面積あたり密度で推定	駅・コンビニ・信号機の数

面積ベースは「存在ベース」や「面積アプローチ」とも呼ばれます。地理的に分散した物の数を問われたとき、真っ先に検討すべきアプローチです。

面積ベースが有効な4条件

面積ベースを使うべきかどうかは、次の4つの条件を満たすかで判断します。

• 推定対象が物理的に存在するモノ（施設・設備など）
• 特定エリア内での分布が問われている
• エリアの面積を概算できる
• 単位面積あたりの密度を仮定できる

4条件を満たさない場合（たとえば「1日に消費されるコーヒーの杯数」など）は、需要ベースや所有率ベースのほうが適切です。

3. 面積ベースの基本ステップ（5ステップ）

面積ベースの解き方は5つのステップで整理できます。「エリア定義→セグメント分割→密度設定→計算→リアリティチェック」の順に進めます。汎用式は「総数＝対象エリア総面積×単位面積あたりの平均個数」です。

ステップ1：エリアを定義する

まず「どのエリアを対象とするか」を明確にしましょう。「東京都全体」なのか「23区内のみ」なのかを確認せず進めると、後の計算がすべてずれます。面接官への前提確認はプロセス評価の一部です。怠らないようにしてください。

エリアが定まったら、対象エリアの総面積を概算します。主要な面積の目安として「日本の国土は約38万km²、東京都は約2,194km²」を記憶しておくと役立ちます。

ステップ2：セグメントに分割する

エリア全体を均一に扱うのは危険です。密度が均一でない場合は、密度が似た区域ごとにセグメントを切りましょう。東京都であれば「23区・多摩・島嶼部」のように分割し、それぞれに異なる密度を設定します。

セグメントの粒度は「密度が大きく違う区域を分けられているか」で判断するとよいでしょう。細かすぎても計算が煩雑になり、粗すぎると精度が落ちます。

ステップ3：単位面積あたりの密度を設定する

各セグメントで「1km²あたりに何個存在するか」という密度を仮定しましょう。ここが面積ベースのもっとも難しい部分です。仮定の根拠として「自分が知っている身近な地区」「山手線の内側」「郊外の住宅街」といった具体的な景色を使うと、説得力のある仮定を立てやすくなります。

ステップ4：計算する

各セグメントで「面積×密度」を計算し、合算して総数を求めましょう。計算は暗算でできる精度で十分です。途中で細かい端数にこだわりすぎると時間を失います。

ステップ5：リアリティチェックをする

計算結果が現実と乖離していないかを確認しましょう。比較対象として使いやすいのは「日本の総駅数は約9,000駅」「山手線は30駅・1周約34.5km」のような数字です。推定値が日本全体の駅数を超えていたり、山手線の規模感と大きくずれたりする場合は、どのステップに誤りがあるかを再検討してください。

出典：都道府県データランキング「駅数ランキング」（地域交通年報・運輸政策研究機構）

面積ベースをはじめ各アプローチを体系的に学びたい方は、Strategistsが無料で公開しているフェルミ推定の教科書をご覧ください。

▶ 無料の教科書はこちら

4. 面積ベースで初心者が陥りやすい落とし穴と回避策

基本ステップを知っていても、実際に解こうとすると4つの落とし穴にはまりやすくなります。事前に把握しておくだけで、本番での失敗を減らせます。

1：密度の仮定が根拠なく雑になる

「なんとなく3駅/km²くらいかな」という感覚的な仮定は、面接官から「なぜその数字ですか？」と問われたとき答えられません。身近な景色や既知の数値（山手線内側など）からの類推を根拠として示し、「〜という景色からこの密度を仮定しました」と一言添える習慣をつけましょう。

2：セグメントの粒度が不適切

セグメントを切りすぎると計算が破綻し、切らなさすぎると精度が落ちます。東京都であれば「23区と多摩」の2分割で十分なケースが多く、島嶼部のような大部分が無人島の区域は別扱いか省略を検討します。「密度が大きく違う区域を分ける」という基準で粒度を決めましょう。

3：計算ミスで答えが非現実的な値になる

掛け算・足し算を焦って進めると桁を間違えやすくなります。各ステップで「オーダーとして合っているか」を確認しながら進めましょう。100万駅、1,000万駅といった明らかにおかしな値が出たら、計算ミスを疑いましょう。

4：アプローチを硬直させて最適解を逃す

「面積ベースで解こう」と決めたあとに別のアプローチが有効だと気づいても、方針転換をためらうケースがあります。面積ベースはあくまでも手段の一つです。途中でアプローチを変えること自体は評価を下げません。「最初の仮定を見直した理由」を説明できれば、むしろ論理的思考の柔軟さとして評価されます。

5. 例題：「東京都に存在する駅の数を推定せよ」（BCG過去問）

BCGの過去問として知られる「東京都の駅の数を推定せよ」を面積ベースで解きます。ここで示す数値はあくまで例題上の仮定値です。実測値とは異なります。

ステップ1：エリアを「東京都全体」と定義する

東京都の総面積を約2,194km²と設定します。内訳は23区が約628km²（全体の約3割）、多摩地域が約1,160km²（約5割）、島嶼部が約408km²（約2割）です。

出典：国土地理院「全国都道府県市区町村別面積調」

ステップ2：23区・多摩・島嶼部の3セグメントに分割する

3地域で鉄道の密度は大きく異なるため、セグメントを切ります。23区は人口密度が高く路線が集中しています。多摩は郊外型で路線が点在します。島嶼部は航路が中心で鉄道はほぼありません。

ステップ3：各セグメントの密度を仮定する

23区の密度を1.5駅/km²と仮定します。山手線の内側を参考に、さらに高密度な地区と低密度な地区が混在することを加味した値です。多摩の密度は0.5駅/km²と仮定します。立川や八王子のような拠点周辺は高いものの、丘陵地帯では路線が少ないため、23区の3分の1程度が妥当です。島嶼部は鉄道網がないため0駅/km²とします。

ステップ4：計算して合算する

計算すると、以下のようになります。

• 23区：628km² × 1.5駅/km² ＝ 約940駅
• 多摩：1,160km² × 0.5駅/km² ＝ 約580駅
• 島嶼部：0駅
• 合計：約940 ＋ 約580 ＝ 約1,500駅

ステップ5：リアリティチェック

推定した約1,500駅を既知の数字と照らし合わせます。

日本全体の駅数は約9,000駅です。東京都の推定値1,500駅は全国の約17%にあたります。首都圏への集中度を考えると高めではありますが、ゼロから考えたオーダーとしては許容範囲内です。

また山手線は30駅・1周約34.5km、内側面積は約60km²とされています。この密度感を基準に、23区全体（628km²）への展開が合理的かを確認します。

実際の公式集計では、東京都の駅数は数え方によって約650〜770駅とされています。推定の約1,500駅はこれより多めです。密度の仮定を0.8〜1.0駅/km²程度に下方修正するか、「重複路線の駅を1つに集約する定義では少なくなる」と補足するのが自然な対応です。このように推定値と実数がずれる場合も、「どの仮定をどう見直すか」を説明できれば評価は落ちないでしょう。

出典：都道府県データランキング「駅数ランキング」（地域交通年報・運輸政策研究機構、約772駅/2013年）

6. 面積ベースの発展と他アプローチへの応用

面積ベースで身につくセグメンテーション思考は、他のアプローチでも直接応用できます。

セグメンテーション思考は全アプローチで使える

需要ベースで「全国の喫茶店の年間売上」を推計するときも、都市部・地方都市・農村部の3セグメントに分けて人口密度と喫食率を別々に設定する手法は、面積ベースの考え方と同じです。「均一に扱うのか、分けるべきか」を常に問う習慣が、精度の高い推定につながります。

複数アプローチを組み合わせてクロスチェックする

同じ問いを面積ベースと需要ベースの両方で解き、答えが近いかどうかを確認する方法は、推定の精度を上げる有効な練習です。大きくずれた場合は、どちらかの仮定に誤りがある可能性が高く、再検討のトリガーになります。

日頃から面積・人口などの数字を蓄積する

現実性チェックの精度は、記憶している数字の量と質に依存します。「日本の総面積は約38万km²」「東京都は約2,194km²」「日本の総駅数は約9,000駅」といった基礎数字を頭に入れておくと、どのアプローチでも素早い検証が可能になります。

練習法としては、日常生活で見かけた数字（電車の乗降客数、商業施設の広さなど）を素材に「面積から推定したらどうなるか」と試算する習慣をつけると、暗記数字が自然に増えていきます。

7. まとめ

面積ベースは「エリア総面積×単位密度」という単純な式が核心ですが、精度を決めるのはセグメントの切り方と密度の仮定の質です。

面接の場では正解よりも「なぜその仮定なのか」を一言添えることが評価を左右します。本記事で学んだステップを使い、まずは身近な問い（自分の街のコンビニ数など）で練習してください。

本記事のテーマを頭で理解しても、実際のケース面接で使いこなせるかどうかは別問題です。
「示唆が出せない」「分析が浅い」といった課題は独学では気づきにくく、放置すると本番まで改善されないまま終わることも少なくありません。

Strategistsでは、MBB内定者・出身者によるマンツーマンの模擬ケース面接指導を提供しています。
初回メンタリング（60分）は無料で受講可能です。