JP2022107998A - 施策決定支援装置および施策決定支援方法 - Google Patents

施策決定支援装置および施策決定支援方法 Download PDF

Info

Publication number
JP2022107998A
JP2022107998A JP2021002766A JP2021002766A JP2022107998A JP 2022107998 A JP2022107998 A JP 2022107998A JP 2021002766 A JP2021002766 A JP 2021002766A JP 2021002766 A JP2021002766 A JP 2021002766A JP 2022107998 A JP2022107998 A JP 2022107998A
Authority
JP
Japan
Prior art keywords
importance
degree
indicators
graph
measure
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2021002766A
Other languages
English (en)
Inventor
純一 宮越
Junichi Miyakoshi
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2021002766A priority Critical patent/JP2022107998A/ja
Priority to PCT/JP2021/037233 priority patent/WO2022153624A1/ja
Priority to US18/023,132 priority patent/US20230316210A1/en
Publication of JP2022107998A publication Critical patent/JP2022107998A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】複数の指標間の関係の定量化を図ること。【解決手段】プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有し、複数の指標に基づいて施策の決定を支援する施策決定支援装置は、前記複数の指標の各々をノードで表現し、前記複数の指標の中の２つの指標ごとに前記２つの指標間の優劣を前記２つのノード間を接続するエッジで表現し、前記複数の指標間の関係をモデル化したグラフを生成する生成処理と、前記生成処理によって生成されたグラフに基づいて、前記複数の指標の各々の重要度を算出する算出処理と、を実行する。【選択図】図３

Description

本発明は、施策の決定を支援する施策決定支援装置および施策決定支援方法に関する。
近年、グローバルな社会課題を解決すべく策定された、持続可能な開発目標ＳＤＧｓ（Ｓｕｓｔａｉｎａｂｌｅ Ｄｅｖｅｌｏｐｍｅｎｔ Ｇｏａｌｓ）では、持続可能な開発を、社会、環境、および経済の三つの価値のバランスがとれ統合された形で達成することが期待されている。そのため、企業の事業などによる影響を、社会、環境、および経済の価値軸で定量的に評価し、価値を向上する活動を行っていくことが求められる。
上記達成のため、たとえば、二酸化炭素排出量などの環境価値や企業利益などの経済価値は客観的に定量化することが可能である。一方、社会価値は、格差や公平度といった客観的側面の他、地域開発による地域文化の継続性や地域住民の生活の質、幸福感といった、主観的側面が含まれる。ゆえに、社会価値の定量化には価値観といった主観的側面の定量化が必要となる。ここで価値観とは、物事の好き／嫌い、重要である／ない、といった選好関係に代表される指標である。
価値観の定量化技術は、マーケティングに関する消費者価値観の評価に用いられることが多い。特許文献１では、消費者の選好を定量化するシステムであって、複数の製品属性を、消費者の指示によって、たとえば、最も重要でない属性、最も重要な属性、およびそのほかの属性に分けるといった相対的重視度評価をし、特定の属性レベルに対する消費者の選好を表す値を決定する。
特表２００５－５０２９３２号公報
地域や組織などを対象として複数の施策に対する価値観を定量化する場合、指標数が非常に多くなる可能性がある。多数の指標を扱う場合、特許文献１で示される手法では、指標Ａより指標Ｂを好む、指標Ｂより指標Ｃを好む、指標Ｃより指標Ａを好むのような、指標の各々が他の指標と優劣を付け合う関係を扱うことが困難であった。
本発明は、複数の指標間の関係の定量化を図ることを目的とする。
本願において開示される発明の一側面となる施策決定支援装置は、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有し、複数の指標に基づいて施策の決定を支援する施策決定支援装置であって、前記プロセッサは、前記複数の指標の各々をノードで表現し、前記複数の指標の中の２つの指標ごとに前記２つの指標間の優劣を前記２つのノード間を接続するエッジで表現し、前記複数の指標間の関係をモデル化したグラフを生成する生成処理と、前記生成処理によって生成されたグラフに基づいて、前記複数の指標の各々の重要度を算出する算出処理と、を実行することを特徴とする。
本発明の代表的な実施の形態によれば、複数の指標間の関係の定量化を図ることができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。
図１は、実施例１にかかる施策決定支援システムのシステム構成例を示す説明図である。 図２は、コンピュータのハードウェア構成例を示すブロック図である。 図３は、施策決定支援装置の機能的構成例を示すブロック図である。 図４は、価値観モデル生成部による価値観モデル生成処理手順例を示すフローチャートである。 図５は、アンケート情報の表示例を示す説明図である。 図６は、住民Ｒの選好関係調査の集計結果例を示す図表である。 図７は、選好グラフの例１を示す説明図である。 図８は、選好グラフの例２を示す説明図である。 図９は、選好グラフからの確率遷移グラフ変換例を示す説明図である。 図１０は、固有値計算処理（ステップＳ４０５）による固有値および固有ベクトルの算出例（前半）を示す説明図である。 図１１は、固有値計算処理（ステップＳ４０５）による固有値および固有ベクトルの算出例（後半）を示す説明図である。 図１２は、施策重視度モデル生成部３０２による施策重視度生成処理手順例を示すフローチャートである。 図１３は、指標Ａの４８４通りの施策ごとのシミュレーション結果例を示すグラフである。 図１４は、指標Ｂの４８４通りの施策ごとのシミュレーション結果例を示すグラフである。 図１５は、指標Ｃの４８４通りの施策ごとのシミュレーション結果例を示すグラフである。 図１６は、ある指標に対する疑似コードの一例を示す説明図である。 図１７は、図１３に示した施策シミュレーション結果の指標Ａの施策ごとの改善度を示すグラフである。 図１８は、図１４に示した施策シミュレーション結果の指標Ｂの施策ごとの改善度を示すグラフである。 図１９は、図１５に示した施策シミュレーション結果の指標Ｃの施策ごとの改善度を示すグラフである。 図２０は、施策番号１１２の施策の改善度情報およびグラフ構造化処理例を示す説明図である。 図２１は、実施例１における各施策の固有ベクトルの算出結果を示すグラフである。 図２２は、各施策の選好適合度を示すグラフである。 図２３は、各施策の平均改善度を示すグラフである。 図２４は、各施策の一致度の算出例を示す説明図である。 図２５は、ニューラルネットワークを用いた時の価値観モデル生成処理手順例を示すフローチャートである。 図２６は、ニューラルネットワークの構造図を示す説明図である。 図２７は、価値観グラフまたは重視度グラフの表示例を示す説明図である。 図２８は、実施例１の例題を題材とした指標間の依存関係モデルを示す説明図である。 図２９は、安全意識に関する指標およびサブ指標を示す説明図である。 図３０は、安全意識に関する施策例を示す説明図である。
実施例１では、地域の活性化施策例について説明する。実施例１の地域の活性化施策は、新電力会社の事業計画を対象とし、再生可能エネルギー設備の導入の可否や新電力会社の利用者数を検討する。実施例１の施策決定支援システムは、地域の活性化施策を支援するシステムであり、具体的には、たとえば、事業計画と住民の価値観の一と致度を算出し、住民の価値観との一致度が最も高い事業計画を施策として提供する。
また、実施例１で住民の価値観を定量化する上で想定される指標群を説明する。指標群は、具体的には、たとえば、電気料金に関する世帯費用（たとえば、１００世帯当たりの総和）、地域持続性に関する域内分配率、地域環境に関する域内エネルギー利用率、地域全体の域内分配額、地域に関連する企業利益の総和、地域に関連する個別企業の売り上げまたは利益、地域に関連する企業の従業員のうち域内在住者数または割合、地域内の世帯ごとの消費電力、電気代または節電効果がある。
また、実施例１では、説明の観点から代表的に３つの指標に関して説明する。３つの指標Ａ～Ｃとは、世帯費用（指標Ａ）、域内分配率（指標Ｂ）、域内エネルギー利用率（指標Ｃ）である。実施例１では指標数が３の例について説明するが、指標数が２または４以上の場合にも計算可能である。
＜施策決定支援システムのシステム構成例＞
図１は、実施例１にかかる施策決定支援システムのシステム構成例を示す説明図である。施策決定支援システム１００は、第１情報端末１０１と、第２情報端末１０２と、施策決定支援装置１０３と、を有する。第１情報端末１０１と第２情報端末１０２と施策決定支援装置１０３とは、インターネット、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）などのネットワーク１０５を介して通信可能に接続される。
第１情報端末１０１は、住民Ｒ１～Ｒｎ（ｎは１以上の整数。以下、総称して住民Ｒ）が利用するコンピュータであり、住民Ｒの価値観を取得して、施策決定支援装置１０３に送信する。第１情報端末１０１は、たとえば、スマートフォンやパーソナルコンピュータのような通信デバイスである。
第２情報端末１０２は、自治体Ｍや新電力事業者（以下、単に事業者）Ｂが利用するコンピュータであり、施策決定支援装置１０３からの住民Ｒの価値観や、住民Ｒの価値観と事業者Ｂの事業計画との一致度を表示するためのコンピュータであり、たとえば、スマートフォンやパーソナルコンピュータのような通信デバイスである。
施策決定支援装置１０３は、第１情報端末１０１から住民Ｒの価値観を受信して、価値観のモデル化、事業計画のシミュレーションおよび定量化に関する情報処理を実行する。施策決定支援装置１０３は、住民Ｒの価値観や情報処理の実行結果（上述した一致度）を第２情報端末１０２に送信する。データベース１０４は、施策決定支援装置１０３による情報処理に必要な情報を格納する。
＜コンピュータのハードウェア構成例＞
図２は、コンピュータのハードウェア構成例を示すブロック図である。コンピュータ（第１情報端末１０１、第２情報端末１０２、および施策決定支援装置１０３の総称）２００は、プロセッサ２０１と、記憶デバイス２０２と、入力デバイス２０３と、出力デバイス２０４と、通信インターフェース（通信ＩＦ）２０５と、を有する。プロセッサ２０１、記憶デバイス２０２、入力デバイス２０３、出力デバイス２０４、および通信ＩＦ２０５は、バス２０６により接続される。プロセッサ２０１は、コンピュータ２００を制御する。記憶デバイス２０２は、プロセッサ２０１の作業エリアとなる。また、記憶デバイス２０２は、各種プログラムやデータを記憶する非一時的なまたは一時的な記録媒体である。記憶デバイス２０２としては、たとえば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、フラッシュメモリがある。入力デバイス２０３は、データを入力する。入力デバイス２０３としては、たとえば、キーボード、マウス、タッチパネル、テンキー、スキャナ、マイクがある。出力デバイス２０４は、データを出力する。出力デバイス２０４としては、たとえば、ディスプレイ、プリンタ、スピーカがある。通信ＩＦ２０５は、ネットワーク１０５と接続し、データを送受信する。
＜施策決定支援装置１０３の機能的構成例＞
図３は、施策決定支援装置１０３の機能的構成例を示すブロック図である。施策決定支援装置１０３は、価値観モデル生成部３０１と、施策重視度モデル生成部３０２と、比較定量化処理部３０３と、を有する。施策決定支援装置１０３は、価値観モデル生成部３０１、施策重視度モデル生成部３０２、および比較定量化処理部３０３のうち、少なくとも価値観モデル生成部３０１または施策重視度モデル生成部３０２のいずれか一方を含んでいればよい。
価値観モデル生成部３０１は、住民Ｒの価値観モデルを生成する、施策重視度モデル生成部３０２は、事業者Ｂの施策の重視度を推定する。比較定量化処理部３０３は、価値観モデル生成部３０１によって生成された住民Ｒの価値観モデルと、施策重視度モデル生成部３０２によって生成された事業者Ｂの施策の重視度と、を比較して、一致度を算出する。以下、価値観モデル生成部３０１、施策重視度モデル生成部３０２、および比較定量化処理部３０３について具体的に説明する。
＜価値観モデル生成処理＞
図４は、価値観モデル生成部３０１による価値観モデル生成処理手順例を示すフローチャートである。価値観モデル生成部３０１は、価値観取得部３１１による価値観の取得処理（ステップＳ４０１）と、選好順序モデル化処理部３１２による取得データの統計処理（ステップＳ４０２）、先行関係のグラフ構造化処理（ステップＳ４０３）、確率遷移グラフ変換処理（ステップＳ４０４）、および固有値計算処理（ステップＳ４０５）と、を実行する。
価値観の取得処理（ステップＳ４０１）は、価値観モデル生成部３０１が、各第１情報端末１０１から住民Ｒの価値観を取得する処理である。具体的には、たとえば、価値観モデル生成部３０１は、住民Ｒの第１情報端末１０１にアンケート情報を送信し、その回答を第１情報端末１０１から取得する。
［アンケート情報］
図５は、アンケート情報の表示例を示す説明図である。表示画面５００は、施策決定支援装置１０３から送信されたアンケート情報に基づいて第１情報端末１０１に表示されるユーザインタフェースである。表示画面５００は、２つの指標（図５では、例として指標Ａ，Ｂ）間の選好関係を取得する目的で実施され、かつ、２つの指標間の相対重視度を７個の選択肢（相対的な５段階評価の選択肢と「両方良い」、「両方悪い」の選択肢）で回答する方法（一対比較法）を採用したアンケートを表示する。具体的には、たとえば、表示画面５００は、指標Ａ詳細情報５０１と、指標Ｂ詳細情報５０２と、選択ボタン群５０３と、送信ボタン５０４と、を有する。
指標Ａ詳細情報５０１および指標Ｂ詳細情報５０２はそれぞれ、指標Ａおよび指標Ｂの詳細な情報（文字列や画像）である。選択ボタン群５０３は、指標Ａおよび指標Ｂのいずれが重要であるかを選択するためのラジオボタン群である。図５では、７個のラジオボタン群が表示されており、住民Ｒは、いずれか１つのラジオボタンを選択する。送信ボタンは、住民Ｒの押下により、選択ボタン群５０３の選択結果をアンケートの回答結果として施策決定支援装置１０３に送信するためのボタンである。
図５では、アンケートとして一対比較法を採用したが、相対重視度の選択肢を増やす（１０個など）とする方法や、複数の指標を表示して、その順位を回答する順位法などの相対評価を得る方法でもよい。
図４に戻り、取得データの統計処理（ステップＳ４０２）は、価値観モデル生成部３０１が、第１情報端末１０１からの取得データであるアンケートの回答結果を取得して、統計的な計算を実行する処理である。具体的には、たとえば、価値観モデル生成部３０１は、第１情報端末１０１ごとに取得されたアンケートの回答結果に対する数値の割り当てを実行する。
たとえば、指標間を指標Ａ対指標Ｂとした場合において、選択肢がそれぞれ「指標Ａが非常に重要」、「指標Ａが重要」、「同じくらい」、「指標Ｂが重要」、「指標Ｂが非常に重要」であった場合、相対重視度として各選択肢に付与される数値はそれぞれ、＋２、＋１、０、－１、－２とする。なお、「両方良い」および「両方悪い」については、値は付与されず、図６の集計結果の母集団に含めない。指標間が指標Ｂ対指標Ｃ、指標Ａ対指標Ｃである場合についても同様である。価値観モデル生成部３０１は、各第１情報端末１０１からアンケートの回答結果を指標間ごとに集計し、住民Ｒの選好関係調査の集計結果を出力する。
［住民Ｒの選好関係調査の集計結果］
図６は、住民Ｒの選好関係調査の集計結果例を示す図表である。集計結果６００は、住民Ｒごとの各指標間６０１～６０３の相対重視度と、指標間６０１～６０３ごとの相対重視度の平均値（以下、平均相対重視度）と、を有する。各指標間６０１～６０３の相対重視度において、「―」は、「両方良い」および「両方悪い」が選択されたことを示す。したがって、平均を求める際の母集団には含まれない。
また、指標Ｂ対指標Ａの平均相対重視度は、指標間６０１である指標Ａ対指標Ｂの平均相対重視度に「－１」を乗ずればよいため、集計結果６００に図示していない。他の方法として、指標Ａ対指標Ｂの結果と指標Ｂ対指標Ａの結果をそれぞれ取得し、平均をとる方法も考えられる。
図４に戻り、選好関係のグラフ構造化処理（ステップＳ４０３）は、価値観モデル生成部３０１が、集計結果６００に基づいて、各指標間の選考関係をグラフ形式で構造化する処理である。具体的には、たとえば、価値観モデル生成部３０１は、まず、各指標Ａ～Ｃに相当するノードを生成する。生成されたノードを、ノードＡ～Ｃとする。つぎに、ノードＡ～Ｃ間の接続関係を示すエッジについて説明する。
［選好グラフ］
図７は、選好グラフの例１を示す説明図である。集計結果６００において、指標Ａ対指標Ｂの平均相対重視度が「１」である場合、価値観モデル生成部３０１は、ノードＡとノードＢとの間を接続し、ノードＢからノードＡへの方向を示すエッジＡＢを生成する。エッジＡＢには、指標間６０１（指標Ａ対指標Ｂ）の平均相対重視度の絶対値「１」が付与される。同様に、価値観モデル生成部３０１は、エッジＢＣ、エッジＡＣを生成する。エッジＢＣ、エッジＡＣにもそれぞれ、指標間６０２（指標Ｂ対指標Ｃ）、指標間６０３（指標Ａ対指標Ｃ）の平均相対重視度の絶対値「１」が付与される。このようにして、選好グラフ７００が生成される。
図８は、選好グラフの例２を示す説明図である。選好グラフ８００は、選好グラフ７００の各エッジＡＢ、ＢＣ、ＡＣの方向が逆になったグラフである。すなわち、集計結果６００において、指標Ａ対指標Ｂの平均相対重視度が「－１」である場合、価値観モデル生成部３０１は、ノードＡとノードＢとの間を接続し、ノードＡからノードＢへの方向を示すエッジＡＢを生成する。
エッジＡＢには、指標間６０１（指標Ａ対指標Ｂ）の平均相対重視度の絶対値「１」が付与される。同様に、価値観モデル生成部３０１は、エッジＢＣ、エッジＡＣを生成する。エッジＢＣ、エッジＡＣにもそれぞれ、指標間６０２（指標Ｂ対指標Ｃ）、指標間６０３（指標Ａ対指標Ｃ）の平均相対重視度の絶対値「１」が付与される。このようにして、選好グラフ８００が生成される。
図７および図８に示したように、エッジＡＢ、ＢＣ、ＡＣに付与される値は、平均相対重視度の絶対値であり、それらの方向は、集計結果６００における平均相対重視度の正負で決まる。
図４に戻り、確率遷移グラフ変換処理（ステップＳ４０４）は、価値観モデル生成部３０１が、選好関係のグラフ構造化処理（ステップＳ４０３）で生成された選好グラフを確率遷移グラフに変換する処理である。具体的には、たとえば、価値観モデル生成部３０１は、選好グラフのエッジに付与された平均相対重視度を正規化する。
［確率遷移グラフ変換］
図９は、選好グラフからの確率遷移グラフ変換例を示す説明図である。図９では、ノードＢに着目して説明する。選好グラフ９０１のエッジＡＢは、ノードＢからノードＡの方向を示すエッジであり、指標Ａ対指標Ｂ（平均相対重視度は「１」）の平均相対重視度の絶対値「１」が付与されている。選好グラフ９０１のエッジＢＣは、ノードＢからノードＣの方向を示すエッジであり、指標Ｂ対指標Ｃ（平均相対重視度は「－２」）の平均相対重視度の絶対値「２」が付与されている。
確率遷移グラフ変換処理（ステップＳ４０４）では、ノードＢに着目すると、ノードＢから出力されるエッジの値の総和が「１」となるように正規化する。ノードＢから出力されるエッジとは、ノードＢ（始端ノード）からその接続先ノード（終端ノード）への方向を示すノードであり、選考グラフ９０１のエッジＡＢ、ＢＣが該当する。
価値観モデル生成部３０１は、選好グラフ９０１のエッジＡＢ，ＢＣに付与された値「１」、「２」を正規化し、エッジＡＢの値を「１」から「０．３３」（＝１／（１＋２））、エッジＢＣの値を「２」から「０．６６」（＝２／（１＋２））に変換する。価値観モデル生成部３０１は、このような正規化を選好グラフの全ノードに対して実行する。正規化後の選考グラフ９０１を価値観グラフ９０２と称す。
図４に戻り、固有値計算処理（ステップＳ４０５）は、価値観モデル生成部３０１が、価値観グラフから固有値を算出し、選好度を示す固有ベクトルを算出する処理である。具体的には、たとえば、価値観モデル生成部３０１は、一般的なランキングアルゴリズムであるページランク法およびパワー法を、固有値および固有ベクトルの算出手法として用いる。
パワー法アルゴリズムでは、価値観モデル生成部３０１は、指標数Ｎの確率遷移グラフをＮ×Ｎの確率遷移行列として扱って、固有値および固有ベクトルを算出する。たとえば、指標数３で指標Ａ～Ｃであった場合、３×３の確率遷移行列として表現でき、３行と３列はそれぞれ、指標Ａ～Ｃに相当する。図１０および図１１を用いて、固有値および固有ベクトルの算出例について説明する。
［固有値および固有ベクトルの算出］
図１０は、固有値計算処理（ステップＳ４０５）による固有値および固有ベクトルの算出例（前半）を示す説明図であり、図１１は、固有値計算処理（ステップＳ４０５）による固有値および固有ベクトルの算出例（後半）を示す説明図である。図１０において、価値観グラフ１０００のエッジＡＢ、ＢＣ、ＡＣの値を行列に変換する。変換された行列を、遷移確率行列１００１と称す。
遷移確率行列１００１において、行方向を始端ノード、列方向を終端ノードとする。たとえば、Ａ行Ｂ列の要素「１」は、ノードＢからノードＡへのエッジＡＢの平均相対重視度の絶対値（すなわち、指標Ａ対指標Ｂの平均相対重視度が「１」）を示す。
つぎに、価値観モデル生成部３０１は、価値観グラフ１０００において、ノードＡのようにエッジの始端側と接続されていないノードから接続先の全ノードに等確率で遷移する隠れエッジを付与する。隠れエッジの付与（いわゆるランダムジャンプ）は、ページランク法で用いられる収束性を向上するアルゴリズムにより実行される。図１０の例では、ノードＡからノードＢへの隠れエッジａｂと、ノードＡからノードＣへの隠れエッジａｃとが、価値観グラフ１０００に付与される。
隠れエッジａｂ，ａｃは、等確率でノードＢ、Ｃに遷移するエッジであり、隠れエッジａｂの値と隠れエッジａｃの値との合計は、正規化により「１」となる。したがって、隠れエッジａｂ，ａｃの値はそれぞれ「０．５」になる。隠れエッジａｂ，ａｃが付与された遷移確率行列１００１を、遷移確率行列１００２とする。
つぎに、価値観モデル生成部３０１は、遷移確率行列１００２を用いて固有値および固有ベクトルを算出する。具体的には、たとえば、図１１に示すように、遷移確率行列１００２と第ｉ－１回目に算出した固有ベクトル（ｉは、１≦ｉ≦Ｎを満たす整数。Ｎは１以上の整数。ただし、第１回（ｉ＝１）は初期ベクトル（１，０，０））との乗算および正規化を実行して第ｉ回の固有ベクトルを算出する。
価値観モデル生成部３０１は、この計算をＮ回繰り返す。遷移確率行列１００２と第ｉ－１回目に算出した固有ベクトルとの乗算結果であるベクトルは正規化されるため、固有値の最大値は「１」である。価値観モデル生成部３０１は、Ｎ回試行した結果、固有値が最大値「１」となる固有ベクトルを採用する。
図１１では、第Ｎ回の固有ベクトル（０．７，０．６，０．４）が固有値最大の固有ベクトルである。固有ベクトル内の要素となる値が高いほど、そのノード、すなわち、指標は重要であることを示す。なお、固有値は「１」ではなく、Ｎ回の試行の中で最大固有値であってもよい。また、Ｎ回の試行の中でしきい値（たとえば、０．９）以上である最大固有値の固有ベクトルを採用してもよい。
このようにして、価値観モデル生成部３０１は、価値観情報として、価値観グラフ１０００および固有ベクトルを出力する。つぎに、施策重視度モデル生成部３０２について説明する。
＜施策重視度生成処理＞
図１２は、施策重視度モデル生成部３０２による施策重視度生成処理手順例を示すフローチャートである。施策重視度モデル生成部３０２は、施策シミュレーションによって対象事業に関する複数の施策に対して各指標の変動を推定する。具体的には、たとえば、施策重視度モデル生成部３０２は、各施策に対する各指標の変動を、価値観グラフおよび固有ベクトルと比較可能な情報に変換する処理を実行する。
すなわち、施策重視度モデル生成部３０２は、施策シミュレーション処理部３２１によるシミュレーションデータ入力処理（ステップＳ１２０１）および施策シミュレーション処理（ステップＳ１２０２）と、重視度モデル化処理部３２２による施策内正規化処理（ステップＳ１２０３）、シミュレーション結果のグラフ構造化処理（ステップＳ１２０４）、確率遷移グラフ変換処理（ステップＳ１２０５）、および固有値計算処理（ステップＳ１２０６）と、を実行する。
シミュレーションデータ入力処理（ステップＳ１２０１）は、施策重視度モデル生成部３０２が、シミュレーションデータの入力を受け付ける処理である。施策シミュレーションでは、シミュレーションデータは、たとえば、発電設備の発電量を予測するための日射量、世帯の電気需要を予測するための消費電力の時系列データ、発電設備の仕入れ価格（太陽光パネルなどの価格）、事業者Ｂの電気料金のような、施策シミュレーションに必要なデータである。
シミュレーションデータは、データベース１０４に格納され、施策決定支援装置１０３が読み出し可能である。また、施策重視度モデル生成部３０２は、たとえば、対象地域に設置されたクランプメータのような電流計測センサ、日射計センサのような各種センサからの計測データをシミュレーションデータとして、ネットワーク１０５を介して、施策重視度モデル生成部３０２に取得される。また、施策重視度モデル生成部３０２は、公的機関が管理しているオープンデータをシミュレーションデータとして、ネットワーク１０５を介して取得してもよい。
施策シミュレーション処理（ステップＳ１２０２）は、施策重視度モデル生成部３０２が、施策シミュレーションにより、事業者Ｂ、発電設備の施工業者、利用世帯の間での電気エネルギーやお金の取引を計算し、シミュレーション結果を指標として出力する処理である。施策シミュレーションとしては、たとえば、エージェントベースシミュレーションが用いられる。エージェントベースシミュレーションは、所定のパラメータを変化させることによって、パラメータセットに対し、シミュレーション結果である指標を算出する処理である。エージェントベースシミュレーション自体は、既存のシミュレーションであるため詳細は省略する。
このパラメータセットは、各施策に対応する。実施例１では、パラメータセットの各パラメータとして、たとえば、事業者Ｂの使用者割合（１００世帯あたり何世帯が事業者Ｂと契約しているかを示すパラメータ）、事業者Ｂを使用している世帯において、太陽光発電設備を設置する場合の規模（太陽光パネルのシステム容量）が用いられる。施策重視度モデル生成部３０２は、４８４通りのパラメータの組み合わせにより施策シミュレーションを実行する。すなわち、４８４通りの施策があり、各施策に対し複数、本例では３つの指標Ａ～Ｃが出力される。
［各指標のシミュレーション結果］
図１３は、指標Ａの４８４通りの施策ごとのシミュレーション結果例を示すグラフである。図１４は、指標Ｂの４８４通りの施策ごとのシミュレーション結果例を示すグラフである。図１５は、指標Ｃの４８４通りの施策ごとのシミュレーション結果例を示すグラフである。図１３～図１５において、横軸は施策番号１～４８４、縦軸はそれぞれの指標Ａ～Ｃの値を示す。
図１２に戻り、施策内正規化処理（ステップＳ１２０３）は、施策重視度モデル生成部３０２が、指標間で単位が異なる場合、指標間での比較を可能とするために正規化を実行する処理である。具体的には、たとえば、指標Ａの単位は［円］であるが、指標Ｂと指標Ｃの単位は［％］である。施策重視度モデル生成部３０２は、まず、基準となる施策をあらかじめ決定する。基準となる施策を「基準施策」と称す。
基準施策の決定方法は、たとえば、現在に最も近い状態とする場合や、施策シミュレーション実行前に、評価者、ここでは自治体Ｍや事業者Ｂによってあらかじめ設定する方法がある。実施例１では、施策番号１を基準施策し、基準施策は再生可能エネルギーや事業者Ｂの利用者が０の状態を示す施策とした。
つぎに、施策重視度モデル生成部３０２は、各指標Ａ～Ｃにおいて、基準の増減方向を決定する。基準の増減方向とは、たとえば、指標（シミュレーション結果）が改善する方向である。具体的には、たとえば、指標Ａの場合は世帯費用が減少する方向、指標Ｂの場合は域内分配率が増加する方向、指標Ｃの場合は域内エネルギー利用率が増加する方向が、基準の増減方向となる。
増減方向は、各指標Ａ～Ｃの基準施策からの変化量を比較する際に、増減の値を比較可能とするために設定する項目であり、指標Ａ～Ｃの設定では、基準施策と比較して、指標Ａの減少と指標Ｂと指標Ｃの増加が、同様に扱われる（同様に改善していると扱われる）。基準の増減方法は、施策シミュレーション実行前にあらかじめ設定され、施策シミュレーション毎に変更されてもよい。
つぎに、施策重視度モデル生成部３０２は、各指標Ａ～Ｃにおいて基準の増減方向に従って、施策シミュレーションした複数（実施例１では４８４施策）の施策結果と基準施策の施策結果との差分を計算する。
基準の増減方向が負（減少）の場合、たとえば、指標Ａについては、
差分＝（基準施策の指標Ａの値）－（施策の指標Ａの値）
で計算可能である。
基準の増減方向が正（増加）の場合、たとえば、指標Ａについては、
差分＝（施策の指標Ａの値）－（基準施策の指標Ａの値）
で計算できる。ゆえに、差分の値は、各指標Ａ～Ｃで基準施策を０として、施策数分計算される。
つぎに、施策重視度モデル生成部３０２は、この差分において、指標Ａ～Ｃごとに最大値と最小値を計算する。施策重視度モデル生成部３０２は、ここから、施策内正規化処理の疑似コード１６００に従って、各指標Ａ～Ｃの正規化を実行する。
［疑似コード］
図１６は、ある指標に対する疑似コードの一例を示す説明図である。疑似コード１６００において、「ｏｕｔｐｕｔ」は、正規化後の出力値、「ｄｉｆｆ」は上述した差分、「ｍaｘ」は差分の最大値、「ｍｉｎ」は差分の最小値を示す。これにより、施策重視度モデル生成部３０２は、各指標Ａ～Ｃにおいて、基準指標を０として、基準の増減方向に指定されている増減に対して最も良い施策を１、基準の増減方向で指定した方向の逆方向に対して負の値として正規化することができる。すなわち、正規化後の値域は＋１～－∞となる。また、この正規化後の値を、実施例１では「改善度」と称す。
［改善度］
図１７は、図１３に示した施策シミュレーション結果の指標Ａの施策ごとの改善度を示すグラフである。図１８は、図１４に示した施策シミュレーション結果の指標Ｂの施策ごとの改善度を示すグラフである。図１９は、図１５に示した施策シミュレーション結果の指標Ｃの施策ごとの改善度を示すグラフである。図１７～図１９において、基準施策は、施策番号１の施策である。図１７において、指標Ａは基準の増減方向を減少方向として正規化され、最大値が１となっている。図１８において、指標Ｂは基準の増減方向を増加方向として正規化され、最大値が１となっている。指標Ｃは基準の増減方向を増加方向として正規化され、最大値が１となっている。
図１２に戻り、シミュレーション結果のグラフ構造化処理（ステップＳ１２０４）は、施策重視度モデル生成部３０２が、指標間で単位が異なる場合、指標間での比較を可能とするために正規化を実行する処理である。具体的には、たとえば、施策重視度モデル生成部３０２は、シミュレーション結果から重視度グラフを生成する。ここでは、施策番号１１２の施策を例に挙げて説明する。
図２０は、施策番号１１２の施策の改善度情報およびグラフ構造化処理例を示す説明図である。改善度情報２０００は、指標Ａ～Ｃごとの改善度を示すシミュレーション結果である。施策重視度モデル生成部３０２は、改善度情報２０００を用いたグラフ構造化処理により、施策番号１１２の施策の重視度グラフを生成する。重視度グラフ２００１は、指標Ａ～ＣをノードＡ～Ｃとし、ノードＡ～Ｃのうち２つのノード間の改善度の差を重視度とし、改善度が小さい方のノードを始端とし、改善度が大きい方のノードを終端とするエッジＡＢ、ＢＣ、ＡＣを生成する。
たとえば、改善度情報２０００において、ノードＡの改善度は１．００であり、ノードＢの改善度は０．９９である。したがって、ノードＡとノードＢとの間の重視度は、
｜１．００－０．９９｜＝０．０１
となる。重視度は絶対値とし０以上の数値である。ノードＡの改善度＞ノードＢの改善度であるため、ノードＢを始点としノードＡを終点とするエッジＡＢが生成される。施策重視度モデル生成部３０２は、このような処理をすべてのノードの組み合わせに対し実行し、エッジＢＣ、ＡＣを生成する。また、重視度が０である場合、エッジは生成されない。
なお、図２０では、施策番号１１２の施策の重視度グラフの生成例について説明したが、他の施策番号の施策の重視度グラフも同様にして生成される。実施例１では４８４通りの施策があるため、重視度グラフも４８４通り生成される。
図１２に戻り、確率遷移グラフ変換処理（ステップＳ１２０５）は、価値観モデル生成部３０１による確率遷移グラフ変換処理（ステップＳ４０４、図９）と同様の処理であり、施策重視度モデル生成部３０２が、重視度グラフを入力とし、エッジＡＢ、ＢＣ、ＡＣの重視度に対し、各ノードＡ～Ｃの出力の総和が１となるように正規化する処理である。
固有値計算処理（ステップＳ１２０６）は、価値観モデル生成部３０１による固有値計算処理（ステップＳ４０５、図１０、図１１）と同様の処理であり、施策重視度モデル生成部３０２が、確率遷移グラフ変換処理（ステップＳ１２０５）によって正規化された正規化後の重視度グラフを入力とし、固有値および固有ベクトルを算出する処理である。実施例１では、重視度グラフは４８４通りあるため、固有ベクトルも４８４通り算出される。
図２１は、実施例１における各施策の固有ベクトルの算出結果を示すグラフである。施策重視度モデル生成部３０２は、重視度情報として、１以上の重視度グラフおよび固有ベクトルを出力する。実施例１では、４８４通りの重視度グラフおよび固有ベクトルが出力される。グラフ２１００の横軸は施策番号であり、縦軸は固有ベクトルの要素である。
波形２１０１は、固有ベクトルの指標Ａに対応する要素を施策ごとにプロットした波形である。波形２１０２は、固有ベクトルの指標Ｂに対応する要素を施策ごとにプロットした波形である。波形２１０３は、固有ベクトルの指標Ｃに対応する要素を施策ごとにプロットした波形である。
また、施策数が増大すると、それに比例して算出する重視度グラフ数も増大する。さらに、基準施策を変更した場合や基準の増減方向などを変えた場合には、重視度モデル化処理部３２２による施策内正規化処理（ステップＳ１２０３）、シミュレーション結果のグラフ構造化処理（ステップＳ１２０４）、確率遷移グラフ変換処理（ステップＳ１２０５）、および固有値計算処理（ステップＳ１２０６）を繰り返し実行する必要があり、計算量が増大する。すなわち、基準施策を変更した場合には、改善度、重視度、および固有値を再計算する必要がある。
たとえば、固有値計算では、パワー法アルゴリズムを用いる場合、Ｎ個の指標のグラフ構造に対し、Ｎ×Ｎ行列演算を必要とする。このような固有値計算を、基準施策は基準の増減方向の変更の都度、複数の施策分繰り返し行うと、膨大な計算量になる。そこで、実施例１では、シミュレーション結果のグラフ構造化処理（ステップＳ１２０４）の繰り返しによる計算量を削減するため、施策重視度モデル生成部３０２は、改善度を用いたグラフのグループ化を行う。
改善度は、基準施策と各施策との間で算出されるため、基準施策が変化しても施策間の関係には大きな影響を及ぼさない。シミュレーション結果のグラフ構造化処理（ステップＳ１２０４）の繰り返し計算において、１回目の処理では、施策重視度モデル生成部３０２は、まず任意の基準施策を決定し、すべての施策を対象として、各施策に対応する改善度および重視度を算出する。
その後、施策重視度モデル生成部３０２は、改善度に従って施策間の類似度を算出する。改善度は施策ごとに指標数分の次元を有するため、たとえば、施策間の類似度は、差分二乗和によって算出される。たとえば、施策１と施策２があった場合、施策重視度モデル生成部３０２は、施策１の指標Ａ～Ｃの改善度と施策２の指標Ａ～Ｃの改善度との差分二乗和を算出する。
そして、施策重視度モデル生成部３０２は、類似度があるしきい値以下の施策でグループ分けする。たとえば、施策１と施策２との類似度がしきい値以下であった場合、施策重視度モデル生成部３０２は、施策１を代表施策として施策２を代表指標のサブ施策に決定する。ここでは、施策番号が小さい施策を代表施策としているがどちらを代表施策としてもよい。一方、類似度がしきい値より大きかった場合には、施策重視度モデル生成部３０２は、施策１および施策２の両方を代表施策に決定する。
同様に、施策重視度モデル生成部３０２は、施策１と施策３～ｎの類似度をそれぞれ計算し、施策１を代表施策とするサブ施策を算出する。つぎに、施策重視度モデル生成部３０２は、施策１のサブ施策とならなかった他の施策の各々を代表施策としてサブ施策を探索する。このようにして、施策重視度モデル生成部３０２は、施策のグループ化と代表施策とを決定する。
シミュレーション結果のグラフ構造化処理（ステップＳ１２０４）の繰り返し計算において、２回目の処理では、施策重視度モデル生成部３０２が代表施策に対して改善度と重視度の計算を実行することで計算量が削減される。また、上述した類似度のしきい値をより厳しく設定することで計算量が多くなるが、その反面、多数の代表施策が設定され、詳細な評価が可能となる。一方、類似度のしきい値をより緩和すれば計算量を大きく削減することができる。
また、別の計算量削減の方法について説明する。固有値計算処理（ステップＳ１２０６）では、ランキングアルゴリズムの一種であるページランク法を用いた。ページランク法の計算も、施策数およびグラフ計算の繰り返しによって、多数処理される懸念がある。そこで、別の計算量削減の方法による固有値計算処理（ステップＳ１２０６）では、一つの大きなグラフの固有値を計算するのではなく、施策重視度モデル生成部３０２は、多数の類似しているグラフ（頂点数および頂点の意味（指標）が同一のグラフ）に対して、それぞれ固有値を計算する。
ページランク法は、ある初期値を与えた後に、繰り返し演算によって計算を収束させる計算方法であり、初期値の与え方によって計算量が変動する特徴を持つ。そこで、別の計算量削減の方法による固有値計算処理（ステップＳ１２０６）は、前述のとおり、類似しているグラフを多数計算するという特徴を持つため、初期値の選定に、計算済みの固有値および固有ベクトルを与えることで計算量（繰り返し回数）を削減することができる。
図３に戻り、比較定量化処理部３０３について説明する。価値観モデル生成部３０１から、価値観情報として価値観グラフおよび固有ベクトル（以下、価値観の固有ベクトルと称す）が出力される。施策重視度モデル生成部３０２から、施策重視度情報として１個以上の重視度グラフおよび固有ベクトル（以下、重視度の固有ベクトルと称す）が出力される。
比較定量化処理部３０３は、価値観の固有ベクトルとそれぞれの重視度の固有ベクトルとのベクトル距離を算出する。ベクトル距離としては、たとえば、ユークリッド距離がある。ここで、価値観の固有ベクトルｘＶを、ｘＶ＝（ｘＶＡ、ｘＶＢ、ｘＶＣ）、施策番号ｊの重視度の固有ベクトルｘＳｊを、ｘＳｊ＝（ｘＳＡｊ、ｘＳＢｊ、ｘＳＣｊ）とする。
この場合のユークリッド距離Ｄは、
Ｄ＝√［（ｘＶＡ－ｘＳＡｊ）２＋（ｘＶＢ－ｘＳＢｊ）２＋（ｘＶＣ－ｘＳＣｊ）２］
で算出される。Ｄが小さいほど、価値観の固有ベクトルｘＶと施策番号ｊの重視度の固有ベクトルｘＳｊとは類似する度合いが高い。なお、選好適合度Ｆ（≦１）を、
Ｆ＝１－Ｄ
とする。
図２２は、各施策の選好適合度Ｆを示すグラフである。グラフ２２００において、横軸は施策番号ｊ、縦軸は選好適合度Ｆを示す。選好適合度Ｆは、主に価値観の選好順序と重視度の改善順序との一致度合を定量的に示す。しかし、選好適合度Ｆは順序を評価する評価値であるが、絶対値の評価には向かない。そこで、つぎに、比較定量化処理部３０３は、各施策ｊに対して重視度グラフ２００１の各ノードＡ～Ｃの値である改善度の平均値を算出する。改善度の平均値を平均改善度と称す。
図２３は、各施策の平均改善度を示すグラフである。グラフ２３００において、横軸は施策番号ｊ、縦軸は平均改善度を示す。平均改善度は、代表の３つの指標Ａ～Ｃに対する改善度の平均値である。比較定量化処理部３０３は、選好適合度Ｆと平均改善度とを、施策毎に加算する。加算した値を、住民Ｒの価値観への一致度と称す。
図２４は、各施策の一致度の算出例を示す説明図である。図２４において、たとえば、施策番号１ならば、施策番号１の選好適合度Ｆと平均改善度ＴＰの和が施策番号１の一致度になる。同様に、施策番号２～４８４についても加算される。比較定量化処理部３０３は、価値観モデル生成部３０１から出力される価値観情報、施策重視度モデル生成部３０２から出力される施策重視度情報に加え、各施策の一致度を出力する。このようにして得られた一致度は、事業者Ｂが展開する施策に対する価値観の一致度合いを示し、事業に対する社会価値を定量的に示す。一致度が最大となる施策が、最も計測対象の価値観と適合することを示す。
図２４に示したように。一致度が最大となる施策は施策番号１１２である。この加算処理結果は、自治体Ｍや事業者Ｂに対して、第１情報端末１０１に表示される。これにより、施策検討への貢献が可能である。自治体Ｍの第２情報端末１０２には、最大施策や一致度のランキングが表示される。これにより、自治体Ｍは、住民Ｒの価値観の一致度を定量的に把握しながら施策検討を行うことが可能となる。
以上のように、実施例１にかかる施策決定支援システム１００は、事業などによる影響を、社会、環境、経済の価値軸で予測し、価値を向上する活動において、社会価値の定量化、すなわち、その事業と住民Ｒの価値観の一致度（社会受容性等に相当）を定量化することができる。
実施例２について説明する。実施例２は、実施例１の施策決定支援システム１００において、価値観モデル生成部３０１の価値観取得処理（ステップＳ４０１）と取得データの統計処理（ステップＳ４０２）とに機械学習を導入した例である。実施例２は、指標数が増大した場合に対応するため、機械学習によって選好関係を予測し、住民Ｒへの質問数を削減する。なお、実施例２では、実施例１との相違点を中心に説明するため、実施例１と共通部分については説明を省略する。
図２５は、ニューラルネットワークを用いた時の価値観モデル生成処理手順例を示すフローチャートである。実施例２では、取得データの統計処理（ステップＳ５０２）の後、機械学習による予測処理（ステップＳ２５００）について説明する。機械学習器は、２つの指標の特徴量ベクトルを入力とし、指標間の選好関係、ここでは回答結果を予測する。実施例２では、予測する回答結果は、回答者一人の回答ではなく、集計後の回答結果とする。たとえば、３指標（Ａ～Ｃ指標）があった場合、指標Ａの特徴量ベクトルは、世帯、費用、経済などに関する特徴量を示す。
具体的には、たとえば、ある指標を、世帯、費用、経済に関する特徴量をワンホットベクトルで表現する場合、たとえば、その指標が「世帯」に関する指標であればその成分を「１」、それ以外の成分を「０」とするベクトル（１，０，０）で表現される。同様に、その指標が「費用」に関する指標であればその成分を「１」、それ以外の成分を「０」とするベクトル（０，１，０）で表現され、その指標が「経済」に関する指標であればその成分を「１」、それ以外の成分を「０」とするベクトル（０，０，１）で表現される。
また、コードディングを実施する方法により、たとえば、「世帯」に関する指標であれば「０」、「地域全体」に関する指標であれば「１」、「地域企業」に関する指標であれば「２」でベクトル表現すればよい。
図２６は、ニューラルネットワークの構造図を示す説明図である。施策重視度モデル生成部３０２は、第１の指標（たとえば、指標Ａ）に関する特徴量ベクトル２６０１と第２の指標（たとえば指標Ｂ）に関する特徴量ベクトル２６０２を、機械学習器に入力する。機械学習器に対する教師データは、住民Ｒに対するアンケートの回答結果である。
教師データは、第二の出力層２６０３から入力される。図２６の例では、回答者に対する質問は、たとえば、５件法とする。これにより、回答結果は、各回答者からのそれぞれの回答に対応する５ベクトルとする。選択されたベクトルを「１」とし、それ以外を「０」とする。回答者がＮ人いる場合には、それぞれの回答者の回答結果を教師データにする。その後、施策重視度モデル生成部３０２は、特徴量ベクトル２６０１，２６０２と教師データ（回答結果）を用いて、誤差逆伝搬法で内部のニューラルネットワークの学習処理を実行する。これにより、機械学習器が生成される。
学習処理の後の識別処理、すなわち選好関係の予測処理では、第一の出力層２６０４が用いられる。たとえば、指標Ａと指標Ｂとの組み合わせで学習処理が終わった後に、指標Ａの特徴量ベクトル２６０１と指標Ｂの特徴量ベクトル２６０２とをニューラルネットワーク（機械学習器）に入力した場合、第一の出力層２６０４には回答者の回答結果に関する統計処理（たとえば、５件法で「－２～＋２」のアンケート結果が集まっていた場合、「＋２」がｘｘ％、「＋１」がｙｙ％、…として集計する処理）と同様の値が出力される。
第一の出力層２６０４の次元数は、アンケートの質問が５件法であれば５次元となる。機械学習器を用いることで、指標Ａと類似する特徴量ベクトルを持つ指標Ａ’の特徴量ベクトルと指標Ｂの特徴量ベクトルとを入力した場合では、第一の出力層２６０４に選好関係の予測結果が出力される。これにより、予め質問数をサンプリングして住民Ｒに質問し、その回答結果に基づいて未知の質問に対する回答を予測し、質問数を削減する効果がある。また、他の方法として、他の調査対象で学習が済んだ機械学習器を用いることでも、質問数を削減する効果がある。実施例２により、実施例１の施策決定支援システム１００に対し、質問数を削減することが可能である。
実施例３では、実施例１の施策決定支援システム１００において、自治体Ｍや事業者Ｂの第２情報端末１０２での表示例を示す。実施例１では、自治体Ｍや事業者Ｂの第２情報端末１０２は、最大一致度の施策や一致度のランキングを表示した。一方で、自治体Ｍや事業者Ｂは、その結果の妥当性を検討するため、一致度の算出の根拠となった価値観グラフおよび重視度グラフの評価を必要とする場合がある。
図２７は、価値観グラフまたは重視度グラフの表示例を示す説明図である。図２７において、円環上に配置している点はノード（指標に相当）であり、ノード間のエッジを円環の内部に描画している。ノードの表示例として、ノードが保持する属性、たとえば、社会価値に属する指標、環境価値に属する指標、経済価値に属する指標によって、ノードの表示色を変えたり（たとえば、社会価値は橙色、環境価値は緑色、経済価値は青色、複数の属性を有する場合には混合色）、ノードの保持する値（重視度グラフであれば改善度）によってノードの濃淡や大きさを変えたりしてもよい。
また、円環内のエッジは、価値観グラフであれば価値観のアンケートの集計結果である回答結果の統計データの値の大きさで、重視度グラフであれば重視度の値の大きさで、エッジの太さを変えて表示される。表示方法は、設定により変更可能である。このような表示により、複雑なグラフを直感的に把握することができ、たとえば二つのグラフ（価値観グラフと重視度グラフ）を見比べて、その一致度を主観的に評価することが可能となる。
実施例４では、実施例１において、施策重視度モデル生成部３０２のシミュレーションデータ入力処理（ステップＳ１２０１）が、ワークショップなどの有識者による入力である場合について説明する。実施例１において、施策シミュレーション処理（ステップＳ１２０２）では、エージェントベースシミュレーションの例を説明した。エージェントベースシミュレーションでは、エージェント（実施例１の例では世帯エージェント、発電設備エージェント、事業者エージェント）のモデルが必要となる。当該モデルでは、実施例１では、電力の流れ、お金の流れが記述される。しかし、当該モデルの準備が困難な場合がある。このような場合、エージェントシミュレーションの代わりとして、システムダイナミクスモデルが適用される。システムダイナミクスは、経営学や社会科学の分野でのシステムの動的な解析に利用するために開発した数値シミュレーションである。
システムダイナミクスでは、指標群の間の増減に関する依存関係がモデル化される。たとえば、指標：事業者Ｂの電気料金を増加させれば、指標：世帯費用は増加するなどである。このようにモデル化された依存関係モデルがシステムダイナミクスモデルである。
図２８は、実施例１の例題を題材とした指標間の依存関係モデルを示す説明図である。図２８では、依存関係モデルの一部分を示す。図２８において、楕円のノードは指標を示す。エッジはノード間の増減関係を示し、「＋」表記は、起点のノードが示す数量が増加すれば、終点のノードが示す数量も増加する、「－」表記は、起点のノードが示す数量が増加すれば、終点のノードが示す数量は減少する、という関係を示している。
また各エッジには、増加幅や減少幅を設定することができる。たとえば、エッジの増加幅が０．５であった場合、ある起点ノードの増加が１０％であったとすると、終点ノードの増加幅は５％（＝１０％×０．５）になる。すなわち、増減幅とは、ノード間の伝達の割合を示すことができる。これらのエッジを、有識者等によって決定していくことで、大まかな指標間の依存関係のモデル化が可能になる。
施策決定支援装置１０３は、システムダイナミクスモデルに対し、施策シミュレーションを実行する。具体的には、たとえば、施策決定支援装置１０３は、発電設備の規模を増加させた場合、各指標は、増加するのか、減少するかといった施策シミュレーションを実行する。そして、施策決定支援装置１０３は、得られた各指標の増加や減少を、実施例１における改善度とする。これにより、実施例１と同様に以降の処理が可能となる。
実施例５では、実施例１～４と別の題材を例に説明する。実施例５の施策決定支援装置１０３は、安全衛生意識を題材に、安全意識を高める施策を検討する状況において、ある団体の従業員の価値観と、安全意識を高める施策と、の一致度を算出する。安全意識の向上など啓蒙を目的とする施策の必要性は高いが、施策そのものの効果より、従業員などの対象者が施策を実行してくれるかどうかが重要となる場合が多い。
図２９は、安全意識に関する指標およびサブ指標を示す説明図である。指標には、たとえば、「手間（時間）」、「安全性」、「金銭的コスト」、…があげられる。指標は０個以上のサブ指標に分解される。これは、たとえば、指標「手間」であっても、置かれている状態、たとえば、作業中、会議中、通勤中といった状態に応じて、その重視度に変化が起きるからである。
サブ指標は、指標によって異なり、予め設定される。図２９中の指標「手間」にかかる第１サブ指標が「状態」であれば、「作業中」、「会議中」、「通勤中」の値をとる。また、第２サブ指標が「時間的余裕度」であれば、「時間あり」、「時間なし」、「会議前（たとえば何分前）」や「締め切り前」などの値をとる。サブ指標の値は、予め決められた整数、たとえば、作業中＝０、が割り当てられる。また、指標間の選好関係を生成するときには、サブ指標の組み合わせの違いで、それぞれ指標が用いられる。たとえば、「手間：状態＝作業中、時間的余裕度＝時間なし」、「手間：状態＝会議中、時間的余裕度＝時間なし」などは別の指標として扱かわれる。したがって施策決定支援装置１０３は、指標間の選好順序、行動においてどちらを重視するか、を決定する。
実施例５の価値観モデル生成部３０１は、たとえば、実施例１で示すように、アンケート等により価値観を取得して、価値観グラフおよび固有ベクトルを算出する。
つぎに、実施例５の施策重視度モデル生成部３０２は、価値観グラフで扱う指標群を対象とする。施策重視度モデル生成部３０２は、安全行動に関する有識者等によって施策に対する各指標の改善度を推定する。
図３０は、安全意識に関する施策例を示す説明図である。施策決定支援装置１０３は、施策ごとに指標の改善効果などを推定する。指標１－１～指標１－ｎは指標１（手間）のサブ指標による組み合わせを示す。施策決定支援装置１０３は、改善度をもとに各施策の重視度グラフを推定する。重視度グラフの推定では、ノードは指標群、エッジは推定された改善度の差、方向は低い改善度から高い改善度への向きを示す。重視度グラフが推定できたら、施策決定支援装置１０３は、実施例１と同様に固有ベクトルを算出し、前記価値観グラフと固有ベクトルを用いて、一致度を算出する。以上により、施策に対する従業員等の価値観との一致度の推定が可能である。
また、上述した実施例１～実施例５にかかる施策決定支援装置１０３は、下記（１）～（１３）のように構成することもできる。
（１）施策決定支援装置１０３は、プログラムを実行するプロセッサ２０１と、前記プログラムを記憶する記憶デバイス２０２と、を有し、複数の指標Ａ～Ｃに基づいて施策の決定を支援する。前記プロセッサ２０１は、前記複数の指標Ａ～Ｃの各々をノードＡ～Ｃで表現し、前記複数の指標Ａ～Ｃの中の２つの指標｛（Ａ，Ｂ），（Ｂ，Ｃ），（Ａ，Ｃ）｝ごとに前記２つの指標間の優劣を前記２つのノード間を接続するエッジで表現し、前記複数の指標Ａ～Ｃ間の関係をモデル化したグラフ（価値観グラフ１０００または重視度グラフ）を生成する生成処理と、前記生成処理によって生成されたグラフに基づいて、前記複数の指標Ａ～Ｃの各々の重要度を算出する算出処理と、を実行する。
これにより、指標の各々が他の指標と優劣を付け合う関係が構築可能になる。したがって、複数の指標Ａ～Ｃ間の関係の定量化を図ることができる。
（２）上記（１）の施策決定支援装置１０３において、前記プロセッサ２０１は、前記施策の対象領域内の住民Ｒからの回答に基づく前記２つの指標間の相対的な重視度を取得する取得処理を実行し（ステップＳ４０１）、前記生成処理では、前記プロセッサ２０１は、前記複数の指標の各々をノードで表現し、前記２つの指標間の相対的な重視度を前記２つのノード間を接続するエッジで表現し、前記２つの指標間の相対的な重視度をモデル化した前記住民Ｒの価値観を示す価値観グラフ１０００を生成し（ステップＳ４０２～Ｓ４０４）、前記算出処理では、前記プロセッサ２０１は、前記価値観グラフ１０００に基づいて、前記重要度として、前記複数の指標の各々の選好関係を示す選好度を算出する（ステップＳ４０５）。
これにより、指標の各々が他の指標と住民Ｒによる相対的な重視度で優劣を付け合う関係が構築可能になる。したがって、複数の指標Ａ～Ｃ間の選好関係の定量化を図ることができる。
（３）上記（２）の施策決定支援装置１０３において、前記生成処理では、前記プロセッサ２０１は、前記回答を予測する機械学習器に、前記２つの指標に対応する特徴量ベクトルを入力することにより、前記価値観グラフ１０００を生成する。
これにより、選好度を予測することができ、住民Ｒへの質問数の削減を図ることができる。
（４）上記（１）の施策決定支援装置１０３において、前記施策の対象領域内の複数のパラメータを用いた前記施策のシミュレーションの結果に基づく前記施策の改善度を、前記指標ごとに取得する取得処理を実行し（ステップＳ１２０１～Ｓ１２０３）、前記生成処理では、前記プロセッサ２０１は、前記複数の指標Ａ～Ｃの各々をノードで表現し、前記取得処理によって取得された前記２つの指標｛（Ａ，Ｂ），（Ｂ，Ｃ），（Ａ，Ｃ）｝の各々の改善度に基づく前記２つの指標｛（Ａ，Ｂ），（Ｂ，Ｃ），（Ａ，Ｃ）｝間の相対的な重視度を前記２つのノード間を接続するエッジで表現し、前記２つの指標｛（Ａ，Ｂ），（Ｂ，Ｃ），（Ａ，Ｃ）｝間の各々の相対的な重視度をモデル化した前記施策の重視度グラフ２００１を生成し（ステップＳ１２０４，Ｓ１２０５）、前記算出処理では、前記プロセッサ２０１は、前記重視度グラフ２００１に基づいて、前記重要度として、前記複数の指標の各々の重視度を算出する（ステップＳ１２０６）。
これにより、指標の各々が他の指標と施策の提案側（事業者Ｂ）による相対的な重視度で優劣を付け合う関係が構築可能になる。したがって、複数の指標Ａ～Ｃ間でいずれの指標を重要視するかという関係の定量化を図ることができる。
（５）上記（４）の施策決定支援装置１０３において、前記取得処理では、前記プロセッサ２０１は、複数の施策の施策ごとに前記複数のパラメータを用いたシミュレーションの結果を、前記指標ごとに取得し、前記複数の施策の中の基準施策のシミュレーションの結果と他の施策のシミュレーションの結果との差分と、前記結果が改善する方向と、に基づいて、前記差分を正規化することにより、前記各施策の改善度を前記指標ごとに取得し、前記生成処理では、前記プロセッサ２０１は、前記重視度グラフ２００１を前記施策ごとに生成し、前記算出処理では、前記プロセッサ２０１は、前記重視度グラフ２００１に基づいて、前記複数の指標Ａ～Ｃの各々の重視度を、前記施策ごとに算出する。
これにより、複数の指標Ａ～Ｃ間の単位をそろえることができ、複数の指標Ａ～Ｃ間の関係の定量化を図ることができる。
（６）上記（４）の施策決定支援装置１０３において、前記取得処理では、前記プロセッサ２０１は、複数の施策の各施策の改善度を前記指標ごとに取得し、前記指標ごとの前記施策の改善度が類似しあう施策どうしをグループ化して施策グループとし、前記生成処理では、前記施策グループごとに、前記施策グループ内のいずれかの施策である代表施策の複数の指標の各々をノードで表現し、前記代表施策の２つの指標の各々の改善度に基づく前記代表施策の２つの指標間の相対的な重視度を前記２つのノード間を接続するエッジで表現し、前記代表施策の２つの指標間の各々の相対的な重視度をモデル化した前記代表施策の重視度グラフ２００１を生成し、前記算出処理では、前記プロセッサは、前記施策グループごとの前記重視度グラフ２００１に基づいて、前記重要度として、前記代表施策の複数の指標の各々の重視度を算出する。
これにより、施策数を削減することができ、計算負荷の低減化を図ることができる。
（７）（１）の施策決定支援装置１０３において、前記生成処理では、前記プロセッサ２０１は、前記グラフの各ノードから他のノードに向かう方向を示す特定のエッジの優劣を示す値の総和が１となるように正規化し、前記算出処理では、前記プロセッサ２０１は、前記グラフに基づく固有ベクトルを、前記複数の指標Ａ～Ｃの各々の重要度として算出する。
これにより、モデルが正規化され、複数の指標Ａ～Ｃ間の関係の定量化を図ることができる。
（８）上記（１）の施策決定支援装置１０３において、前記プロセッサ２０１は、前記指標の属性により前記ノードの色または大きさを区別し、前記優劣により前記エッジの太さを区別して、前記グラフを出力する出力処理を実行する。
これにより、モデルの状態が視認可能になる。
（９）上記（１）の施策決定支援装置１０３において、前記プロセッサ２０１は、前記施策の対象領域内の住民からの回答に基づく前記２つの指標間の相対的な重視度を取得する第１取得処理を実行し、前記生成処理では、前記プロセッサ２０１は、前記複数の指標の各々を第１ノードで表現し、前記２つの指標間の相対的な重視度を前記２つの第１ノード間を接続する第１エッジで表現し、前記２つの指標間の相対的な重視度をモデル化した前記住民の価値観を示す価値観グラフ１０００を生成する第１生成処理を実行し、前記算出処理では、前記プロセッサ２０１は、前記価値観グラフに基づいて、前記重要度として、前記複数の指標の各々の選好関係を示す選好度を算出する第１算出処理を実行し、前記プロセッサ２０１は、前記施策の対象領域内の住民からの回答に基づく前記２つの指標間の相対的な重視度を取得する第２取得処理を実行し、前記生成処理では、前記プロセッサ２０１は、前記複数の指標の各々を第２ノードで表現し、前記２つの指標の各々の改善度に基づく前記２つの指標間の相対的な重視度を前記２つの第２ノード間を接続する第２エッジで表現し、前記２つの指標間の各々の相対的な重視度をモデル化した前記施策の重視度グラフ２００１を生成する第２生成処理を実行し、前記算出処理では、前記プロセッサ２０１は、前記重視度グラフ２００１に基づいて、前記重要度として、前記複数の指標の各々の重視度を算出する第２算出処理を実行し、前記プロセッサ２０１は、前記第１算出処理によって算出された選好度と、前記第２算出処理によって算出された重視度と、に基づいて、前記複数の指標の各々の選好関係が前記複数の指標間の相対的な重視度にどの程度適合しているかを示す選好適合度を算出する定量化処理を実行する。
これにより、指標の各々が他の指標と住民Ｒによる相対的な重視度で優劣を付け合う関係が構築可能になる。したがって、複数の指標Ａ～Ｃ間の選好関係の定量化を図ることができる。また、指標の各々が他の指標と施策の提案側（事業者Ｂ）による相対的な重視度で優劣を付け合う関係が構築可能になる。したがって、複数の指標Ａ～Ｃ間でいずれの指標を重要視するかという関係の定量化を図ることができる。このように、価値観の選好順序と重視度の改善順序との定量化を図ることができる。
（１０）上記（９）の施策決定支援装置１０３において、前記定量化処理では、前記プロセッサ２０１は、前記選好適合度と前記複数の指標の各改善度に基づく統計的な改善度とに基づいて、前記施策に対する前記価値観の一致度を算出する。
これにより、施策の提案側（事業者Ｂ）が展開する施策が、どの程度住民Ｒの価値観に適合するかを特定することができ、施策の事業における社会的価値の定量化を図ることができる。
（１１）上記（１０）の施策決定支援装置１０３において、前記定量化処理では、前記プロセッサ２０１は、前記選好適合度を前記施策ごとに算出し、前記統計的な改善度を前記施策ごとに算出し、前記一致度を前記施策ごとに算出する。
これにより、施策の提案側（事業者Ｂ）が展開するどの施策が、どの程度住民Ｒの価値観に適合するかを特定することができ、施策ごとに事業における社会的価値の定量化を図ることができる。
（１２）上記（１１）の施策決定支援装置１０３において、前記定量化処理では、前記プロセッサ２０１は、前記施策ごとの一致度に基づいて、前記価値観に最適な施策を決定する。
これにより、最も住民Ｒの価値観に適合する施策を特定することができる。
（１３）上記（９）の施策決定支援装置１０３において、前記第１生成処理では、前記プロセッサ２０１は、前記価値観グラフ１０００の各第１ノードから他の第１ノードに向かう方向を示す特定の第１エッジの重視度の総和が１となるように正規化し、前記第１算出処理では、前記プロセッサ２０１は、前記価値観グラフ１０００に基づく第１固有ベクトルを、前記複数の指標の各々の選好関係を示す選好度として算出し、前記第２生成処理では、前記プロセッサ２０１は、前記重視度グラフ２００１の各第２ノードから他の第２ノードに向かう方向を示す特定の第２エッジの重視度の総和が１となるように正規化し、前記第２算出処理では、前記プロセッサ２０１は、前記重視度グラフ２００１に基づく第２固有ベクトルを、前記複数の指標の各々の重視度として算出し、前記定量化処理では、前記プロセッサ２０１は、前記第１固有ベクトルと前記第２固有ベクトルとのベクトル距離に基づいて、前記選好適合度を算出する。
これにより、価値観の選好順序を示す選好度と重視度の改善順序を示す改善度とを比較することにより定量化を図ることができる。
なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。たとえば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、または置換をしてもよい。
また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、たとえば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサがそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。
各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）カード、ＳＤカード、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）の記録媒体に格納することができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。
１００ 施策決定支援システム
１０１ 第１情報端末
１０２ 第２情報端末
１０３ 施策決定支援装置
２００ コンピュータ
２０１ プロセッサ
２０２ 記憶デバイス
３０１ 価値観モデル生成部
３０２ 施策重視度モデル生成部
３０３ 比較定量化処理部
３１１ 価値観取得部
３１２ 選好順序モデル化処理部
３２１ 施策シミュレーション処理部
３２２ 重視度モデル化処理部

Claims (14)

  1. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有し、複数の指標に基づいて施策の決定を支援する施策決定支援装置であって、
    前記プロセッサは、
    前記複数の指標の各々をノードで表現し、前記複数の指標の中の２つの指標ごとに前記２つの指標間の優劣を前記２つのノード間を接続するエッジで表現し、前記複数の指標間の関係をモデル化したグラフを生成する生成処理と、
    前記生成処理によって生成されたグラフに基づいて、前記複数の指標の各々の重要度を算出する算出処理と、
    を実行することを特徴とする施策決定支援装置。
  2. 請求項１に記載の施策決定支援装置であって、
    前記プロセッサは、
    前記施策の対象領域内の住民からの回答に基づく前記２つの指標間の相対的な重視度を取得する取得処理を実行し、
    前記生成処理では、前記プロセッサは、前記複数の指標の各々をノードで表現し、前記２つの指標間の相対的な重視度を前記２つのノード間を接続するエッジで表現し、前記２つの指標間の相対的な重視度をモデル化した前記住民の価値観を示す価値観グラフを生成し、
    前記算出処理では、前記プロセッサは、前記価値観グラフに基づいて、前記重要度として、前記複数の指標の各々の選好関係を示す選好度を算出する、
    ことを特徴とする施策決定支援装置。
  3. 請求項２に記載の施策決定支援装置であって、
    前記生成処理では、前記プロセッサは、前記回答を予測する機械学習器に、前記２つの指標に対応する特徴量ベクトルを入力することにより、前記価値観グラフを生成する、
    ことを特徴とする施策決定支援装置。
  4. 請求項１に記載の施策決定支援装置であって、
    前記プロセッサは、
    前記施策の対象領域内の複数のパラメータを用いた前記施策のシミュレーションの結果に基づく前記施策の改善度を、前記指標ごとに取得する取得処理を実行し、
    前記生成処理では、前記プロセッサは、前記複数の指標の各々をノードで表現し、前記取得処理によって取得された前記２つの指標の各々の改善度に基づく前記２つの指標間の相対的な重視度を前記２つのノード間を接続するエッジで表現し、前記２つの指標間の各々の相対的な重視度をモデル化した前記施策の重視度グラフを生成し、
    前記算出処理では、前記プロセッサは、前記重視度グラフに基づいて、前記重要度として、前記複数の指標の各々の重視度を算出する、
    ことを特徴とする施策決定支援装置。
  5. 請求項４に記載の施策決定支援装置であって、
    前記取得処理では、前記プロセッサは、複数の施策の施策ごとに前記複数のパラメータを用いたシミュレーションの結果を、前記指標ごとに取得し、前記複数の施策の中の基準施策のシミュレーションの結果と他の施策のシミュレーションの結果との差分と、前記結果が改善する方向と、に基づいて、前記差分を正規化することにより、前記各施策の改善度を前記指標ごとに取得し、
    前記生成処理では、前記プロセッサは、前記重視度グラフを前記施策ごとに生成し、
    前記算出処理では、前記プロセッサは、前記重視度グラフに基づいて、前記複数の指標の各々の重視度を、前記施策ごとに算出する、
    ことを特徴とする施策決定支援装置。
  6. 請求項４に記載の施策決定支援装置であって、
    前記取得処理では、前記プロセッサは、複数の施策の各施策の改善度を前記指標ごとに取得し、前記指標ごとの前記施策の改善度が類似しあう施策どうしをグループ化して施策グループとし、
    前記生成処理では、前記施策グループごとに、前記施策グループ内のいずれかの施策である代表施策の複数の指標の各々をノードで表現し、前記代表施策の２つの指標の各々の改善度に基づく前記代表施策の２つの指標間の相対的な重視度を前記２つのノード間を接続するエッジで表現し、前記代表施策の２つの指標間の各々の相対的な重視度をモデル化した前記代表施策の重視度グラフを生成し、
    前記算出処理では、前記プロセッサは、前記施策グループごとの前記重視度グラフに基づいて、前記重要度として、前記代表施策の複数の指標の各々の重視度を算出する、
    ことを特徴とする施策決定支援装置。
  7. 請求項１に記載の施策決定支援装置であって、
    前記生成処理では、前記プロセッサは、前記グラフの各ノードから他のノードに向かう方向を示す特定のエッジの優劣を示す値の総和が１となるように正規化し、
    前記算出処理では、前記プロセッサは、前記グラフに基づく固有ベクトルを、前記複数の指標の各々の重要度として算出する、
    ことを特徴とする施策決定支援装置。
  8. 請求項１に記載の施策決定支援装置であって、
    前記プロセッサは、
    前記指標の属性により前記ノードの色または大きさを区別し、前記優劣により前記エッジの太さを区別して、前記グラフを出力する出力処理、
    を実行することを特徴とする施策決定支援装置。
  9. 請求項１に記載の施策決定支援装置であって、
    前記プロセッサは、
    前記施策の対象領域内の住民からの回答に基づく前記２つの指標間の相対的な重視度を取得する第１取得処理を実行し、
    前記生成処理では、前記プロセッサは、前記複数の指標の各々を第１ノードで表現し、前記２つの指標間の相対的な重視度を前記２つの第１ノード間を接続する第１エッジで表現し、前記２つの指標間の相対的な重視度をモデル化した前記住民の価値観を示す価値観グラフを生成する第１生成処理を実行し、
    前記算出処理では、前記プロセッサは、前記価値観グラフに基づいて、前記重要度として、前記複数の指標の各々の選好関係を示す選好度を算出する第１算出処理を実行し、
    前記プロセッサは、
    前記施策の対象領域内の住民からの回答に基づく前記２つの指標間の相対的な重視度を取得する第２取得処理を実行し、
    前記生成処理では、前記プロセッサは、前記複数の指標の各々を第２ノードで表現し、前記２つの指標の各々の改善度に基づく前記２つの指標間の相対的な重視度を前記２つの第２ノード間を接続する第２エッジで表現し、前記２つの指標間の各々の相対的な重視度をモデル化した前記施策の重視度グラフを生成する第２生成処理を実行し、
    前記算出処理では、前記プロセッサは、前記重視度グラフに基づいて、前記重要度として、前記複数の指標の各々の重視度を算出する第２算出処理を実行し、
    前記プロセッサは、
    前記第１算出処理によって算出された選好度と、前記第２算出処理によって算出された重視度と、に基づいて、前記複数の指標の各々の選好関係が前記複数の指標間の相対的な重視度にどの程度適合しているかを示す選好適合度を算出する定量化処理、
    を実行することを特徴とする施策決定支援装置。
  10. 請求項９に記載の施策決定支援装置であって、
    前記定量化処理では、前記プロセッサは、前記選好適合度と前記複数の指標の各改善度に基づく統計的な改善度とに基づいて、前記施策に対する前記価値観の一致度を算出する、
    ことを特徴とする施策決定支援装置。
  11. 請求項１０に記載の施策決定支援装置であって、
    前記定量化処理では、前記プロセッサは、前記選好適合度を前記施策ごとに算出し、前記統計的な改善度を前記施策ごとに算出し、前記一致度を前記施策ごとに算出する、
    ことを特徴とする施策決定支援装置。
  12. 請求項１１に記載の施策決定支援装置であって、
    前記定量化処理では、前記プロセッサは、前記施策ごとの一致度に基づいて、前記価値観に最適な施策を決定する、
    ことを特徴とする施策決定支援装置。
  13. 請求項９に記載の施策決定支援装置であって、
    前記第１生成処理では、前記プロセッサは、前記価値観グラフの各第１ノードから他の第１ノードに向かう方向を示す特定の第１エッジの重視度の総和が１となるように正規化し、
    前記第１算出処理では、前記プロセッサは、前記価値観グラフに基づく第１固有ベクトルを、前記複数の指標の各々の選好関係を示す選好度として算出し、
    前記第２生成処理では、前記プロセッサは、前記重視度グラフの各第２ノードから他の第２ノードに向かう方向を示す特定の第２エッジの重視度の総和が１となるように正規化し、
    前記第２算出処理では、前記プロセッサは、前記重視度グラフに基づく第２固有ベクトルを、前記複数の指標の各々の重視度として算出し、
    前記定量化処理では、前記プロセッサは、前記第１固有ベクトルと前記第２固有ベクトルとのベクトル距離に基づいて、前記選好適合度を算出する、
    ことを特徴とする施策決定支援装置。
  14. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有し、複数の指標に基づいて施策の決定を支援する施策決定支援装置が実行する施策決定支援方法であって、
    前記施策決定支援方法は、
    前記プロセッサが、
    前記複数の指標の各々をノードで表現し、前記複数の指標の中の２つの指標ごとに前記２つの指標間の優劣を前記２つのノード間を接続するエッジで表現し、前記複数の指標間の関係をモデル化したグラフを生成する生成処理と、
    前記生成処理によって生成されたグラフに基づいて、前記複数の指標の各々の重要度を算出する算出処理と、
    を実行することを特徴とする施策決定支援方法。
JP2021002766A 2021-01-12 2021-01-12 施策決定支援装置および施策決定支援方法 Pending JP2022107998A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2021002766A JP2022107998A (ja) 2021-01-12 2021-01-12 施策決定支援装置および施策決定支援方法
PCT/JP2021/037233 WO2022153624A1 (ja) 2021-01-12 2021-10-07 施策決定支援装置および施策決定支援方法
US18/023,132 US20230316210A1 (en) 2021-01-12 2021-10-07 Policy decision support apparatus and policy decision support method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021002766A JP2022107998A (ja) 2021-01-12 2021-01-12 施策決定支援装置および施策決定支援方法

Publications (1)

Publication Number Publication Date
JP2022107998A true JP2022107998A (ja) 2022-07-25

Family

ID=82448288

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021002766A Pending JP2022107998A (ja) 2021-01-12 2021-01-12 施策決定支援装置および施策決定支援方法

Country Status (3)

Country Link
US (1) US20230316210A1 (ja)
JP (1) JP2022107998A (ja)
WO (1) WO2022153624A1 (ja)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2019208319A1 (ja) * 2018-04-27 2021-04-30 パナソニックＩｐマネジメント株式会社 予測装置、予測方法、及びプログラム
JP7120043B2 (ja) * 2019-01-23 2022-08-17 日本電信電話株式会社 グラフ要約装置、グラフ要約方法及びプログラム

Also Published As

Publication number Publication date
US20230316210A1 (en) 2023-10-05
WO2022153624A1 (ja) 2022-07-21

Similar Documents

Publication Publication Date Title
Nazari-Shirkouhi et al. Importance-performance analysis based balanced scorecard for performance evaluation in higher education institutions: an integrated fuzzy approach
Nazarko et al. Application of DEA method in efficiency evaluation of public higher education institutions
CN106845777A (zh) 案件工作量评价方法、法官业绩评价方法、建模方法、计算装置和计算机可读存储介质
Yousefie et al. Selection effective management tools on setting European Foundation for Quality Management (EFQM) model by a quality function deployment (QFD) approach
Kumar Sahu et al. Supply chain performance benchmarking using grey-MOORA approach: An empirical research
US20150178134A1 (en) Hybrid Crowdsourcing Platform
Yen An integrated model for business process measurement
CN111898247B (zh) 滑坡位移预测方法、设备及存储介质
Deng Towards objective benchmarking of electronic government: an inter‐country analysis
Rytova et al. Assessing the Maturity Level of Saint Petersburg’s Digital Government.
Chou et al. Evolutionary optimization of model specification searches between project management knowledge and construction engineering performance
Wasesa et al. Predicting electricity consumption in microgrid-based educational building using google trends, google mobility, and covid-19 data in the context of covid-19 pandemic
Wang et al. A new multi-granularity probabilistic linguistic two-sided matching method considering peer effect and its application in pension services
Cui et al. Bayesian variable selection for binary response models and direct marketing forecasting
WO2022153624A1 (ja) 施策決定支援装置および施策決定支援方法
Ahmed et al. A basic algorithm for generating an individualized numerical scale
Wu et al. Predictive analysis of the industrial water-waste-energy system using an optimised grey approach: A case study in China
CN112488421B (zh) 一种电费应收账款的跟踪预测方法及装置
Grigoroudis et al. MUSA: Multicriteria satisfaction analysis
Ferrucci et al. Estimating web application development effort using web-cobra and COSMIC: an empirical study
Usmani et al. Clarity: Data-Driven Automatic Assessment of Product Competitiveness
CN115082098A (zh) 评价信息处理方法及装置、存储介质、电子设备
Hasibuan et al. Determining the Main Priority in the Assessment of Hollywood Horror Films by Applying the AHP and SAW Methods
Ahmed et al. A Basic Algorithm for Generating Individualized Numerical Scale (BAGINS)
Ankaiah et al. Multi objective constrained optimisation of data envelopment analysis by differential evolution

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230214

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240109

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240307

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240507