JP2022138957A - 予測システムおよび予測方法 - Google Patents

Abstract

【課題】法規の改正を精度よく予測することである。
【解決手段】情報収集サーバ１０は、外部サーバ群７およびローカルサーバ８から、法規（自動車の排出ガス規制）に関連する関連情報を取得して、取得された関連情報を情報処理サーバ２０へ出力する。情報収集サーバ１０から関連情報を受けると、情報処理サーバ２０は、関連情報に含まれる情報の各々に対して、各情報に応じた変換処理を実行し、各情報を、排出ガス規制の改正への影響度に関連する指標に変換する。情報処理サーバ２０は、変換された各指標を予測作成サーバ３０に出力する。情報処理サーバ２０から変換された各指標を受けると、予測作成サーバ３０は、各指標を用いて排出ガス規制の改正局面を予測する。
【選択図】図２

Description

本開示は、予測システムおよび予測方法に関する。

国際公開第２０１８／２３０６１６号（特許文献１）には、法規の改正動向を予測する法的情報処理システムが開示されている。この法的情報処理システムは、法規に対する関係者であるキーパーソンを設定し、当該キーパーソンが公開に関与した情報を推論エンジンに入力することにより、法規の改正動向を予測する。

国際公開第２０１８／２３０６１６号 特開２００４－１１０１４９号公報

メーカー等にとって、「ものづくり」に関わる法規の改正は重要な関心事である。法規が改正されると、たとえば、改正内容に適合した「ものづくり」をすることがメーカーに求められる。法規の改正を予測することができれば、メーカーは、改正に対する準備を行なったり、改正に関する渉外活動を行なったりすることができる。

法規の改正を予測するための情報には、キーパーソンが公開に関与した情報の他にも多種多様な情報が挙げられる。たとえば、法規が適用される対象国の経済規模や改正スピード等の情報も法規の改正に関連し得る。しかしながら、これらの情報は、法規の改正のプロセスに直接的に関与する情報ではない。そのため、たとえば、特許文献１に開示された法的情報処理システムにおいて、単に上記情報を推論システムに入力したとしても、精度よい予測結果は得られない。

本開示は、上記課題を解決するためになされたものであり、本開示の目的は、法規の改正を精度よく予測することである。

（１）本開示のある局面に係る予測システムは、法規の改正に関連する関連情報を収集する第１装置と、関連情報を改正への影響度に関連する指標に変換するための予め定められた変換処理を実行する第２装置と、上記指標を用いて、改正の局面、または、改正に関する渉外タイミングの適切度を予測する第３装置とを備える。

上記構成によれば、第１装置によって収集された関連情報が、第２装置によって法規の改正への影響度に関連する指標に変換される。この変換された指標を用いることで、第３装置は、法規の改正の局面または法規の改正に関する渉外タイミングの適切度を予測する。法規の改正の局面または法規の改正に関する渉外タイミングの適切度の予測に、法規の改正への影響度に関連する指標が用いられるので、法規の改正に直接的に関与しない関連情報を用いて、法規の改正の局面または法規の改正に関する渉外タイミングの適切度が予測される場合に比べて、予測精度を高めることができる。

（２）ある実施の形態においては、第３装置は、機械学習により学習された第１学習済みモデルを含む。第１学習済みモデルは、第１学習用データセットを用いた学習処理により、入力に対して法規の改正の局面、または、法規の改正に関する渉外タイミングの適切度を出力するように学習されている。第１学習用データセットは、上記指標に対して、上記改正の局面または上記適切度をラベル付けした学習用データを複数含む。

上記構成によれば、第３装置に含まれる第１学習済みモデルは、法規の改正への影響度に関連する指標に対して、法規の改正の局面または法規の改正に関する渉外タイミングの適切度をラベル付けした学習用データを複数含む第１学習用データセットを用いて学習される。法規の改正への影響度に関連する指標が学習用データとして用いられることにより、法規の改正に直接的に関与しない関連情報が学習用データして用いられる場合に比べ、第１学習済みモデルの予測精度を向上させることができる。

（３）ある実施の形態においては、法規の改正を動機付けるものとして定められた所定の情報を含む。

たとえば、法規が排出ガス規制である場合には、法規の改正を動機付けるものとして定められた所定の情報には、大気汚染の観測結果を示す情報、大気汚染に関する報道の情報、および／または、大気汚染に関する研究レポートの情報、等が含まれる。所定の情報を、法規の改正への影響度に関連する指標に変換して第３装置に入力することで、法規の改正に直接的に関与しない所定の情報を第３装置に入力して、法規の改正の局面または法規の改正に関する渉外タイミングの適切度が予測される場合に比べて、法規の改正の局面または法規の改正に関する渉外タイミングの適切度を精度よく予測することができる。

（４）ある実施の形態においては、所定の情報は、大気汚染の観測結果を示す第１情報を含む。

（５）ある実施の形態においては、第２装置は、予め定められた第１の関数を用いて、第１情報が示す値の第１所定期間の平均値を指標に変換する。

（６）ある実施の形態においては、第２装置は、第１情報が示す値の第１所定期間の平均値と、昨年の第１情報が示す値の第１所定期間の平均値との差分を指標とする。

（７）ある実施の形態においては、第２装置は、第２所定期間毎に、第１情報が示す値の基準値の超過分を算出し、第２所定期間よりも長い期間である第３所定期間における超過分の積算値を指標とする。

（８）ある実施の形態においては、第２装置は、第１情報が示す値が基準値を超過した第２所定期間の数を指標とする。

上記（４）～（８）の構成によれば、第１情報が法規の改正への影響度に関連する各指標に変換される。第１情報を指標に変換して第３装置に入力することで、法規の改正に直接的に関与しない第１情報を第３装置に入力して、法規の改正の局面または法規の改正に関する渉外タイミングの適切度が予測される場合に比べて、法規の改正の局面または法規の改正に関する渉外タイミングの適切度を精度よく予測することができる。

（９）ある実施の形態においては、所定の情報は、大気汚染に関する報道または研究レポートの情報である第２情報を含む。

（１０）ある実施の形態においては、第２装置は、機械学習により学習された第２学習済みモデルを含む。第２学習済みモデルは、第２学習用データセットを用いた学習処理により、入力に対して法規の改正への影響度を示す情報を出力するように学習されている。第２学習用データセットは、予め定められた項目に関する情報に対して、上記影響度を示す情報をラベル付けした学習用データを複数含む。第２装置は、所定の処理を実行して第２情報から、予め定められた項目に関する情報を抽出し、予め定められた項目に関する情報を第２学習済みモデルへの入力とし、第２学習済みモデルから出力された影響度を示す情報を、予め定められた第２の関数を用いてポイントに変換し、ポイントの第４所定期間における平均値を指標とする。

上記（９），（１０）の構成によれば、第２情報が法規の改正への影響度に関連する各指標に変換される。第２情報を指標に変換して第３装置に入力することで、法規の改正に直接的に関与しない第２情報を第３装置に入力して、法規の改正の局面または法規の改正に関する渉外タイミングの適切度が予測される場合に比べて、法規の改正の局面または法規の改正に関する渉外タイミングの適切度を精度よく予測することができる。

（１１）ある実施の形態においては、関連情報は、法規の対象国の経済指標を示す第３情報を含む。

たとえば、法規が排出ガス規制である場合には、第３情報は、ＧＤＰ、経済成長率、周辺国の排出ガス規制のレベル、自動車市場の規模、一人当たりの自動車保有台数および政治透明度、等を示す情報のうちの少なくともいずれか１つを含む。排出ガス規制は、その国の経済規模、自動車市場等の大きさによって、改正プロセスのスピードが異なり得るところ、経済指標データが用いられることで、法規の改正の局面または法規の改正に関する渉外タイミングの適切度を精度よく予測することができる。

（１２）ある実施の形態においては、関連情報は、現行法規が改正された日付けを示す第４情報を含む。第２装置は、第４情報を用いて、現行法規が改正されてからの経過期間を算出し、経過期間を指標とする。

現行法規が改正されてからの経過期間は、法規の改正の局面または法規の改正に関する渉外タイミングの適切度の予測における重要な要素の１つである。現行法規が改正されてからの経過期間を指標として第３装置に入力することで、法規の改正の局面または法規の改正に関する渉外タイミングの適切度を精度よく予測することができる。

（１３）ある実施の形態においては、関連情報は、法規の規制レベルを示す第５情報を含む。第２装置は、第５情報を用いて、法規のレベルと、法規の対象国がモデルケースとする国における法規のレベルとの差分を算出し、差分を指標とする。

モデルケースとする国との法規のレベル差は、法規の改正の局面または法規の改正に関する渉外タイミングの適切度の予測における重要な要素の１つである。レベル差を指標として第３装置に入力することで、法規の改正の局面または法規の改正に関する渉外タイミングの適切度を精度よく予測することができる。

（１４）本開示の他の局面に係る予測方法は、法規の改正に関連する関連情報を収集するステップと、関連情報を法規の改正への影響度に関連する指標に変換するための予め定められた変換処理を実行するステップと、指標を用いて、法規の改正の局面、または、法規の改正に関する渉外タイミングの適切度を予測するステップとを含む。

本開示によれば、法規の改正を精度よく予測することができる。

実施の形態１に係る予測システムの概略的な構成を示す図である。 予測システムの各構成の機能を説明するための図である。 大気汚染に関する報道または研究レポートの情報（報道データ）を取得するための処理の手順を示すフローチャートである。 年平均値ＡｖｅのポイントＰへの変換を説明するための図である。 積算値Ｓの算出を説明するための図である。 情報処理部の詳細を説明するための図である。 第１処理部の処理の手順を説明するための図である。 重要度ランクの一例を説明するための図である。 重要度ランクのポイントへの変換を説明するための図である。 ジャンプアップ方式を説明するための図である。 排出ガス規制の改正局面を表わす各フェーズを説明するための図（その１）である。 排出ガス規制の改正局面を表わす各フェーズを説明するための図（その２）である。 排出ガス規制の改正局面の予測結果を説明するための図である。 渉外タイミングの適切度の予測結果を説明するための図である。

以下、本開示の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付して、その説明は繰り返さない。

［実施の形態１］
＜予測システムの全体構成＞
図１は、本実施の形態に係る予測システム１の概略的な構成を示す図である。本実施の形態に係る予測システム１は、法規の改正局面を予測するシステムである。予測システム１は、所定の周期毎に法規の改正局面を予測する。所定の周期は、１ヶ月や数ヶ月等、適宜設定することが可能な期間である。説明を具体的にするために、本実施の形態においては、予測システム１が自動車の排出ガス規制の改正局面を予測する例について説明する。なお、予測システム１が予測するのは、自動車の排出ガス規制の改正局面に限られるものではなく、予測システム１は、種々の法規の改正局面を予測することが可能である。

図１を参照して、予測システム１は、情報収集サーバ１０と、情報処理サーバ２０と、予測作成サーバ３０と、記憶サーバ４０と、表示装置５０とを含む。情報収集サーバ１０、情報処理サーバ２０、予測作成サーバ３０、記憶サーバ４０、および、表示装置５０は、通信バス６０に接続されている。

情報収集サーバ１０は、外部サーバ群７およびローカルサーバ８から、法規（自動車の排出ガス規制）に関連する関連情報を取得する。なお、関連情報の詳細については後述する。情報収集サーバ１０は、取得された関連情報を通信バス６０を通じて情報処理サーバ２０へ出力する。情報収集サーバ１０から関連情報を受けると、情報処理サーバ２０は、関連情報に含まれる情報の各々に対して、各情報に応じた変換処理を実行し、各情報を、排出ガス規制の改正への影響度に関連する指標に変換する。変換処理は、各情報の種別に応じて、その処理の内容が定められている。変換処理の詳細は後述する。情報処理サーバ２０は、変換された各指標を予測作成サーバ３０に出力する。情報処理サーバ２０から変換された各指標を受けると、予測作成サーバ３０は、各指標を用いて排出ガス規制の改正局面を予測する。予測作成サーバ３０は、予測された排出ガス規制の改正局面を表示装置５０に表示させる。

表示装置５０は、ディスプレイを含む。表示装置５０は、予測作成サーバ３０からの制御信号に従って、ディスプレイに各種の画像を表示させる。ディスプレイは、たとえば、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ、または、その他の表示機器である。

記憶サーバ４０は、たとえば、ハードディスクまたはフラッシュメモリ等の記憶媒体を含んで構成される。記憶サーバ４０は、情報収集サーバ１０によって取得された各種の情報（関連情報）を記憶したり、情報処理サーバ２０によって変換された各種の指標を記憶したり、予測作成サーバ３０によって予測された排出ガス規制の改正局面を示す情報を記憶したりする。情報収集サーバ１０、情報処理サーバ２０および予測作成サーバ３０の各々は、所望の情報を記憶サーバ４０に記憶したり、所望の情報を記憶サーバ４０から読み出したりすることができる。

次に、図１および図２を参照しながら、情報収集サーバ１０、情報処理サーバ２０および予測作成サーバ３０の各々の構成の詳細を順に説明する。図２は、予測システム１の各構成の機能を説明するための図である。

＜情報収集サーバ＞
まず図１を参照して、情報収集サーバ１０は、制御装置１１と、記憶装置１２と、通信装置１３とを含む。

記憶装置１２は、たとえば、ＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）を含み、制御装置１１によって実行されるプログラム等を記憶する。記憶装置１２は、さらに、プログラムの実行時に使用される情報（たとえば、マップ、数式、および各種パラメータ）を記憶してもよい。

制御装置１１は、たとえば、ＣＰＵ（Central Processing Unit）を含む集積回路によって構成される。制御装置１１は、記憶装置１２に記憶されたプログラムを実行する。制御装置１１は、たとえば、通信装置１３を介して、外部サーバ群７およびローカルサーバ８から所望の情報を取得する。

通信装置１３は、インターネット６を介して、外部サーバ群７との双方向通信が可能に構成されている。外部サーバ群７は、複数の外部サーバ７１，７２，７３，・・・を含む。複数の外部サーバ７１，７２，７３，・・・の各々は、予測システム１を管理する管理者とは異なる管理者、あるいは、予測システム１を管理する管理者と同一の管理者によって管理されている。複数の外部サーバ７１，７２，７３，・・・の各々には、法規（自動車の排出ガス規制）に関連する関連情報を含む、種々の情報が記憶されている。

また、通信装置１３は、通信線９を介して、ローカルサーバ８との双方向通信が可能に構成されている。ローカルサーバ８は、予測システム１を管理する管理者によって管理されるサーバであり、たとえば自社サーバである。ローカルサーバ８には、法規（自動車の排出ガス規制）に関連する関連情報、等の種々の情報が記憶されている。ローカルサーバ８に記憶されている関連情報には、たとえば、自国および他国の排出ガス規制の改正日、自国および他国の排出ガス規制の規制レベル、排出ガス規制に関連する会議記録、排出ガス規制に関連する面談記録等の社内記録、等の種々の情報が含まれる。通信装置１３とローカルサーバ８との通信は、たとえば、ローカルエリアネットワーク（ＬＡＮ）またはワイドエリアネットワーク（ＷＡＮ）等を用いて行なわれてもよい。

また、通信装置１３は、通信バス６０を介して、情報処理サーバ２０との双方向通信が可能に構成されている。

図２を参照して、情報収集サーバ１０の制御装置１１は、観測データ収集部１１１と、報道データ収集部１１２と、経済指標データ収集部１１３と、日付けデータ収集部１１４と、レベルデータ収集部１１５とを含む。制御装置１１は、記憶装置１２に記憶されたプログラムを実行することにより、観測データ収集部１１１、報道データ収集部１１２、経済指標データ収集部１１３、日付けデータ収集部１１４、およびレベルデータ収集部１１５として機能する。なお、観測データ収集部１１１、報道データ収集部１１２、経済指標データ収集部１１３、日付けデータ収集部１１４、およびレベルデータ収集部１１５は、たとえば、専用のハードウェア（電子回路）により実現されてもよい。

本実施の形態において、関連情報は、（１）大気汚染の観測結果を示す情報、（２）大気汚染に関する報道または研究レポートの情報、（３）排出ガス規制の対象国（すなわち、法規を制定する国）の経済指標を示す情報、（４）排出ガス規制の対象国で前回排出ガス規制が改正された日付けを示す情報、および、（５）排出ガス規制の対象国の現行規制レベルを示す情報を含む。なお、関連情報は、上記の（１）～（５）の情報以外にも、排出ガス規制に関連する他の情報を含んでもよい。この場合には、上記他の情報を取得する機能が制御装置１１に設けられる。

観測データ収集部１１１は、インターネット６を介して、外部サーバ群７から大気汚染の観測結果を示す情報を収集する。観測データ収集部１１１は、収集された大気汚染の観測結果を示す情報を情報処理サーバ２０に出力する。本実施の形態に係る大気汚染の観測結果を示す情報は、ＰＭ２．５の濃度（以下「ＰＭ濃度」とも称する）の観測データである。大気汚染の観測結果を示す情報は、たとえば、全世界の大気観測所のリアルタイム観測データを含む。全世界の大気観測所のリアルタイム観測データは、たとえば、外部サーバ群７に含まれる、ある外部サーバ（たとえば外部サーバ７１）に集約して記憶されている。なお、以下においては、大気汚染の観測結果を示す情報を「観測データ」とも称する。観測データ収集部１１１は、たとえば、観測データを日毎に収集する。なお、観測データは、本開示に係る「第１情報」の一例に相当する。

報道データ収集部１１２は、インターネット６を介して、外部サーバ群７から大気汚染に関する報道または研究レポートの情報を収集する。大気汚染に関する報道または研究レポートの情報は、排出ガス規制の改正局面の予測を行なう国毎に収集される。報道データ収集部１１２は、収集された大気汚染に関する報道または研究レポートの情報を情報処理サーバ２０に出力する。報道データ収集部１１２は、フィルタリング処理等を実行することにより、大気汚染に関する報道または研究レポートの情報を外部サーバ群７から精度よく取得する。なお、以下においては、大気汚染に関する報道または研究レポートの情報を総称して、「報道データ」とも称する。なお、報道データは、本開示に係る「第２情報」の一例に相当する。

図３は、大気汚染に関する報道または研究レポートの情報（報道データ）を取得するための処理の手順を示すフローチャートである。図３に示すフローチャートの処理は、所定の周期（たとえば、１ヶ月）毎に制御装置１１（報道データ収集部１１２）により繰り返し実行される。図３に示すフローチャートの各ステップ（以下ステップを「Ｓ」と略す）は、制御装置１１によるソフトウェア処理によって実現される場合について説明するが、その一部あるいは全部が制御装置１１内に作製されたハードウェア（電子回路）によって実現されてもよい。

Ｓ１において、制御装置１１は、排出ガス規制の改正局面を予測する国（複数の対象国）の中から国を１つ選択する。すなわち、制御装置１１は、複数の対象国の中から、対象国を１つ選択する。複数の対象国の情報は、予め設定されて、たとえば、情報収集サーバ１０の記憶装置１２に記憶されている。制御装置１１は、記憶装置１２から複数の対象国の情報を読み出して、複数の対象国を認識する。

Ｓ２において、制御装置１１は、インターネット６を介して、検索エンジンに対してキーワードを入力して情報を検索する。たとえば、制御装置１１は、「国名」および「規定の検索ワード」を入力して、情報を検索する。「規定の検索ワード」は、法規に応じて予め定められたワードである。規定の検索ワードは、たとえば、排出ガス規制であれば、「エアポリューション」、「大気汚染」等である。規定の検索ワードは、たとえば、情報収集サーバ１０の記憶装置１２に予め記憶されている。規定の検索ワードは、対象国毎に、当該対象国の公用語等を考慮して定められてもよい。制御装置１１は、Ｓ１で選択された対象国に応じた規定の検索ワードを記憶装置１２から読み出して検索エンジンに入力する。

Ｓ３において、制御装置１１は、Ｓ２の検索結果に含まれる情報（すなわち、ヒットした情報）を新しい順、あるいは、古い順にソートする。そして、制御装置１１は、対象期間に含まれる情報を検索結果とする。対象期間は、たとえば、前回の検索から現在までの期間である。すなわち、制御装置１１は、前回の検索以降に外部サーバ群７に追加された情報をピックアップする。

Ｓ４において、制御装置１１は、検索結果に含まれる情報の各々から、アップロードされた日付け、タイトル、発信元、および、概要を抽出する。具体的には、制御装置１１は、検索結果に含まれる情報の各々に対して、文字情報を構文に分解する処理を実行して、構文に分解された情報からタイトルおよび概要を抽出する。文字情報を構文に分解する手法については、公知の手法を適用することができる。また、構文に分解された情報からタイトルおよび概要を抽出する手法については、公知の手法を適用することができる。

Ｓ５において、制御装置１１は、検索結果に含まれる情報の中に、「発信元除外リスト」に含まれている発信元から発信された情報が含まれているか否かを判断する。「発信元除外リスト」は、信頼度が低い情報を除外するためのリストである。発信元除外リストは、予め作成されて、たとえば、情報収集サーバ１０の記憶装置１２に記憶されている。制御装置１１は、Ｓ４で抽出した発信元の情報を、発信元除外リストに照会させることにより、Ｓ５の処理を実行する。検索結果に含まれる情報の中に、発信元除外リストに含まれている発信元から発信された情報が含まれている場合には（Ｓ５においてＹＥＳ）、制御装置１１は、処理をＳ６に進める。検索結果に含まれる情報の中に、発信元除外リストに含まれている発信元から発信された情報が含まれていない場合には（Ｓ５においてＮＯ）、制御装置１１は、処理をＳ７に進める。

Ｓ６において、制御装置１１は、発信元除外リストに含まれている発信元（除外発信元）から発信された情報を検索結果から削除する。そして、制御装置１１は、処理をＳ７に進める。

Ｓ７において、制御装置１１は、検索結果に含まれる情報の中に、タイトルおよび概要に「除外ワード」を含むものがあるか否かを判断する。除外ワードは、「除外ワードリスト」に含まれている語句である。「除外ワードリスト」は、バグになり得る語句を含む情報を検索結果から除外して、情報の検索精度を高めるためのリストである。一例を示すと、たとえば、大気汚染に関する報道または研究レポートの情報（報道データ）を検索する場合においては、予め作成されている、大気汚染に関する除外ワードリストが参照される。大気汚染に関する除外ワードリストには、水質汚染および土壌汚染、等の語句が含まれる。このような語句を検索対象から除外することにより、検索結果に大気汚染に関する情報だけが残る可能性を高め、情報の検索精度を高めることができる。除外ワードリストは、予め作成されて、たとえば、情報収集サーバ１０の記憶装置１２に記憶されている。制御装置１１は、検索結果に含まれる情報のタイトルおよび概要を、除外リストに照会させることにより、Ｓ７の処理を実行する。検索結果に含まれる情報の中に、タイトルおよび概要に除外ワードを含む情報がある場合には（Ｓ７においてＹＥＳ）、制御装置１１は、処理をＳ８に進める。検索結果に含まれる情報の中に、タイトルおよび概要に除外ワードを含む情報がない場合には（Ｓ７においてＮＯ）、制御装置１１は、処理をＳ９に進める。

Ｓ８において、制御装置１１は、タイトルおよび概要に除外ワードを含む情報を検索結果から削除する。そして、制御装置１１は、処理をＳ９に進める。

Ｓ９において、制御装置１１は、検索結果に含まれる情報の全てが、そのタイトルおよび概要に「対象ワードリスト」で指定された語句（対象ワード）を含むか否かを判断する。「対象ワードリスト」は、対象ワードを含んでいない情報を検索結果から除外して、情報の検索精度を高めるためのリストである。対象ワードリストは、予め作成されて、たとえば、情報収集サーバ１０の記憶装置１２に記憶されている。制御装置１１は、たとえば、検索結果に含まれる情報のタイトルおよび概要の中から対象ワードを検索することにより、Ｓ９の処理を実行する。検索結果に含まれる情報の中に、対象ワードを含んでいない情報がある場合には（Ｓ９においてＮＯ）、制御装置１１は、処理をＳ１０に進める。検索結果に含まれる情報の全てが対象ワードを含んでいる場合には（Ｓ９においてＹＥＳ）、制御装置１１は、処理をＳ１１に進める。

Ｓ１０において、制御装置１１は、タイトルおよび概要に対象ワードを含まない情報を検索結果から削除する。そして、制御装置１１は、処理をＳ１１に進める。

Ｓ１１において、制御装置１１は、検索結果（検索結果に含まれる情報）を記憶装置１２に記憶させる。なお、制御装置１１は、検索結果を記憶サーバ４０に記憶させてもよい。また、制御装置１１は、検索結果をエクセル（登録商標）に出力してもよい。

Ｓ１２において、制御装置１１は、複数の対象国のすべての国について、情報の収集を行なったか否かを判断する。複数の対象国のすべての国について情報の収集を行なっていない場合には（Ｓ１２においてＮＯ）、制御装置１１は、処理をＳ１に返し、Ｓ１において、まだ情報の収集を行なっていない国を選択して、Ｓ１以降の処理を実行して情報の収集を行なう。複数の対象国のすべての国について情報の収集を行なった場合には（Ｓ１２においてＹＥＳ）、制御装置１１は、処理をＳ１３へ進める。

Ｓ１３において、制御装置１１は、通信装置１３を介して、複数の対象国についての全ての検索結果（検索結果に含まれる情報）を情報処理サーバ２０に出力して、処理を終了させる。

再び図２を参照して、経済指標データ収集部１１３は、インターネット６を介して、外部サーバ群７から経済指標を表わす情報を収集する。経済指標を表わす情報は、たとえば、ＧＤＰ（Gross Domestic Product）、経済成長率、周辺国の排出ガス規制のレベル、自動車市場の規模、一人当たりの自動車保有台数および政治透明度（たとえば腐敗認識指数）、等を示す情報のうちの少なくともいずれか１つを含む。排出ガス規制は、その国の経済規模、自動車市場等の大きさによって、改正プロセスのスピードが異なり得る。そのため、本実施の形態においては、経済指標を表わす情報を収集して、排出ガス規制の改正局面の予測に用いる。経済指標データ収集部１１３は、排出ガス規制の改正局面を予測する国（複数の対象国）の各々について、経済指標を表わす情報を収集する。そして、経済指標データ収集部１１３は、収集された経済指標を表わす情報を情報処理サーバ２０に出力する。なお、以下においては、経済指標を表わす情報を「経済指標データ」とも称する。なお、経済指標データは、本開示に係る「第３情報」の一例に相当する。

日付けデータ収集部１１４は、ローカルサーバ８から前回の排出ガス規制が改正された日付けを示す情報を収集する。日付けデータ収集部１１４は、複数の対象国の各々について、排出ガス規制が改正された日付けを示す情報を収集する。そして、日付けデータ収集部１１４は、収集された、排出ガス規制が改正された日付けを示す情報を情報処理サーバ２０に出力する。なお、以下のおいては、排出ガス規制が改正された日付けを示す情報を「日付けデータ」とも称する。日付けデータは、たとえば、排出ガス規制の改正を監視する監視者が、改正日付けを含む改正情報をローカルサーバ８に記憶させることによって、ローカルサーバ８に記憶される。なお、日付けデータは、本開示に係る「第４情報」の一例に相当する。

レベルデータ収集部１１５は、ローカルサーバ８から現行の排出ガス規制のレベルを示す情報を収集する。レベルデータ収集部１１５は、複数の対象国の各々について、現行の排出ガス規制のレベルを示す情報を取得する。排出ガス規制のレベルは、たとえば、欧州排出ガス規制（たとえばＥｕｒｏ１～６）を基準として設定される。すなわち、排出ガス規制のレベルは、その国の排出ガス規制を欧州排出ガス規制に換算したものである。レベルデータ収集部１１５は、収集された現行の排出ガス規制のレベルを示す情報を情報処理サーバ２０に出力する。なお、以下においては、現行の排出ガス規制のレベルを示す情報を「規制レベルデータ」とも称する。規制レベルデータは、たとえば、排出ガス規制の改正を監視する監視者が、排出ガス規制のレベルを含む改正情報をローカルサーバ８に記憶させている。なお、規制レベルデータは、本開示に係る「第５情報」の一例に相当する。

＜情報処理サーバ＞
図１を参照して、情報処理サーバ２０は、制御装置２１と、記憶装置２２と、通信装置２３とを含む。

記憶装置２２は、たとえば、ＲＯＭおよびＲＡＭを含み、制御装置２１によって実行されるプログラム等を記憶する。記憶装置２２は、さらに、プログラムの実行時に使用される情報（たとえば、マップ、数式、および各種パラメータ）を記憶してもよい。

通信装置２３は、通信バス６０を介して、情報収集サーバ１０および予測作成サーバ３０との双方向通信が可能に構成されている。

制御装置２１は、たとえば、ＣＰＵを含む集積回路によって構成される。制御装置２１は、記憶装置２２に記憶されたプログラムを実行する。制御装置２１は、たとえば、通信装置２３を介して、情報収集サーバ１０から関連情報を取得する。制御装置２１は、取得された関連情報に含まれる情報の各々に対して、各情報に応じた変換処理を実行し、各情報を、排出ガス規制の改正への影響度に関連する指標に変換する。

図２を参照して、情報処理サーバ２０の制御装置２１は、情報処理部２１１～２１５と、出力部２１６とを含む。制御装置２１は、記憶装置２２に記憶されたプログラムを実行することにより、情報処理部２１１～２１５および出力部２１６として機能する。なお、情報処理部２１１～２１５および出力部２１６は、たとえば、専用のハードウェア（電子回路）により実現されてもよい。

情報処理部２１１は、観測データ収集部１１１から、大気汚染の観測結果を示す情報（観測データ）を取得する。この観測データは、ＰＭ濃度の観測結果である。情報処理部２１１は、観測データに変換処理を実行して、観測データを排出ガス規制の改正への影響度に関連する指標に変換する。本実施の形態においては、情報処理部２１１は、観測データを４つの指標に変換する。

１つ目の指標は、ＰＭ濃度の年平均値をポイント化した指標である。情報処理部２１１は、たとえば、過去のＰＭ濃度の観測結果を記憶サーバ４０から読み出す。そして、情報処理部２１１は、過去のＰＭ濃度の観測結果と、今回収集したＰＭ濃度の観測結果とを用いて、ＰＭ濃度の年平均値Ａｖｅを算出する。情報処理部２１１は、算出された年平均値ＡｖｅをポイントＰに変換する。

図４は、年平均値ＡｖｅのポイントＰへの変換を説明するための図である。年平均値ＡｖｅのポイントＰへの変換には、図４に示される第１の関数が用いられる。第１の関数は、たとえば、区分線形関数である。図４の横軸には、年平均値Ａｖｅ［μｇ／ｍ^３］が示され、縦軸にはポイントＰが示されている。本実施の形態においては、年平均値Ａｖｅは、０～ｂ８（０＜・・・＜ｂ８）のポイントＰに変換される。年平均値Ａｖｅがａ１未満である場合には、情報処理部２１１は、第１の区分の関数に従ってポイントＰを０に決定する。年平均値Ａｖｅがａ１以上、かつ、ａ２（＞ａ１）未満である場合には、情報処理部２１１は、第２の区分の関数に従ってポイントＰを決定する。年平均値Ａｖｅがａ２以上、かつ、ａ３（＞ａ２）未満である場合には、情報処理部２１１は、第３の区分の関数に従ってポイントＰを決定する。年平均値Ａｖｅがａ３以上、かつ、ａ４（＞ａ３）未満である場合には、情報処理部２１１は、第４の区分の関数に従ってポイントＰを決定する。年平均値Ａｖｅがａ４以上である場合には、情報処理部２１１は、第５の区分の関数に従ってポイントＰをｂ８に決定する。情報処理部２１１は、決定されたポイントＰを指標として、出力部２１６に出力する。なお、ポイントＰは、本開示に係る「指標」の一例に相当する。

第１の関数は、たとえば、疫学研究（たとえば、汚染物質濃度と健康被害との相間の研究等）に基づいてＷＨＯ（World Health Organization）が定めたガイドラインを参照して導出してもよい。具体的には、ＷＨＯが定めたガイドラインには、健康被害を防ぐために満たすべき基準（ＡＱＧ：Air Quality Guidelines）と、当該基準に至るまでの中間目標１～３（Interim Target １～３）とが定められている。たとえば、中間目標１（Interim Target １）が示す値をａ４として採用し、中間目標２（Interim Target ２）が示す値をａ３として採用し、中間目標３（Interim Target ３）が示す値をａ２として採用し、健康被害を防ぐために満たすべき基準（ＡＱＧ）が示す値をａ１として採用することができる。中間目標１～３（Interim Target １～３）は、健康被害を防ぐために満たすべき基準（ＡＱＧ）を達成するための段階的な目標として定められている。たとえば以下のようにして第１の関数を定めることができる。

年平均値Ａｖｅがａ１未満である場合は、健康被害を防ぐために満たすべき基準（ＡＱＧ）を達成しており、大気汚染（ＰＭ２．５）の健康への影響は認められないと考えられることから、自動車の排出ガス規制の改正のニーズは低いことが想定される。よって、ポイントＰを０とする第１の区分の関数が定められる。

年平均値Ａｖｅがａ４以上である場合は、中間目標１（Interim Target １）を達成しておらず、大気汚染（ＰＭ２．５）の健康への影響が明確に認められると考えられる。よって、早期の大気改善が望まれることから、ポイントＰをｂ８とする第５の区分の関数が定められる。

年平均値Ａｖｅがａ１以上、かつ、ａ２未満である場合は、健康被害を防ぐために満たすべき基準（ＡＱＧ）をわずかに未達である。この状況においては、たとえば、既にある程度厳しい自動車の排出ガス規制が導入されており、さらに厳しい排出ガス規制を導入すべきか議論されている可能性がある。この議論において、自動車以外の他の排出源（たとえば、船舶や発電所、等）に対する規制が検討されることも考えられ、必ずしも自動車の排出ガス規制の改正のニーズが高いわけではない。よって、年平均値Ａｖｅがａ２であるときのポイントＰを０よりもやや大きいものとして、第２の区分の関数が定められる。

年平均値Ａｖｅがａ３以上、かつ、ａ４未満である場合は、ＰＭ濃度が高く大気汚染が比較的深刻であるので、自動車の排出ガス規制の改正のニーズが高いことが想定される。そのため、高いポイント帯の中で緩やかな傾斜を設けて第４の区分の関数が定められる。

年平均値Ａｖｅがａ２以上、かつ、ａ３未満である場合は、第２の区分の関数の終点と、第４の区分の関数の始点とから、第３の区分の関数が定められる。

２つ目の指標は、年平均値Ａｖｅと、昨年の年平均値Ａｖｅ１との差分ΔＡｖｅを示す指標である。たとえば、現在が２０２０年１２月であるとすると、年平均値Ａｖｅは、２０２０年１月～２０２０年１２月のＰＭ濃度の平均値であり、年平均値Ａｖｅ１は、２０２１９年１月～２０１９年１２月のＰＭ濃度の平均値である。差分ΔＡｖｅは、ＡｖｅからＡｖｅ１を減算した値である（ΔＡｖｅ＝Ａｖｅ－Ａｖｅ１）。情報処理部２１１は、たとえば、過去２年間のＰＭ濃度の観測データを記憶サーバ４０から読み出す。情報処理部２１１は、年平均値Ａｖｅおよび昨年の年平均値Ａｖｅ１を算出する。そして、情報処理部２１１は、差分ΔＡｖｅを算出する。情報処理部２１１は、算出された差分ΔＡｖｅを指標として、出力部２１６に出力する。なお、差分ΔＡｖｅは、本開示に係る「指標」の一例に相当する。

３つ目の指標は、基準を超えたＰＭ濃度の月間積算値を示す指標である。情報処理部２１１は、たとえば、直近１ヶ月間のＰＭ濃度の観測データを記憶サーバ４０から読み出す。そして、情報処理部２１１は、日毎に観測データを基準値ａｔｈと比較し、基準値ａｔｈの超過分を積算して積算値Ｓを算出する。情報処理部２１１は、積算値Ｓを指標として、出力部２１６に出力する。なお、積算値Ｓは、本開示に係る「指標」の一例に相当する。

図５は、積算値Ｓの算出を説明するための図である。図５の横軸には日付が示され、縦軸にはＰＭ濃度が示されている。図５に示す例においては、１／１，１／４，１／５において、ＰＭ濃度が基準値ａｔｈを超えている。１／１，１／４，１／５における、ＰＭ濃度の基準値ａｔｈ超過分をそれぞれＳ１，Ｓ２，Ｓ３とすると、情報処理部２１１は、Ｓ１～Ｓ３を積算（加算）して、積算値Ｓを算出する。基準値ａｔｈは、たとえば、上述のＷＨＯが定めたガイドラインを参照して設定されてもよい。基準値ａｔｈは、たとえば、図４のａ４としてもよい。

４つ目の指標は、月間の、基準値ａｔｈを超えた日数を示す指標である。情報処理部２１１は、たとえば、積算値Ｓの算出時に、ＰＭ濃度が基準値ａｔｈを超過した日数をカウントとして、基準値ａｔｈを超えた日数である超過日数Ｄを算出する。情報処理部２１１は、超過日数Ｄを指標として、出力部２１６に出力する。なお、超過日数Ｄは、本開示に係る「指標」の一例に相当する。

情報処理部２１２は、報道データ収集部１１２から、大気汚染に関する報道または研究レポートの情報（報道データ）を取得する。情報処理部２１２は、報道データに変換処理を実行して、報道データを排出ガス規制の改正への影響度に関連する指標に変換する。

図６は、情報処理部２１２の詳細を説明するための図である。図６を参照して、情報処理部２１２は、第１処理部２１２１と、第２処理部２１２２と、第３処理部２１２３とを含む。

第１処理部２１２１は、報道データの発信元を分類リストに照会させて、排出ガス規制の改正への影響力が小さいデータを除外する前処理を実行する。分類リストは、国毎に作成されて、記憶装置２２または記憶サーバ４０に記憶されている。分類リストは、定期的にメンテナンスが行なわれ、発信元の追加および削除が行なわれる。分類リストには、発信元の名称（たとえば、Ａ新聞社、Ｂ学会等）、および、発信元の名称に対応付けた分類カテゴリ（たとえば、メディア、学術レポート等）が設定されている。

図７は、第１処理部２１２１の処理の手順を説明するための図である。図７に示すフローチャートの処理は、報道データを受信した際に第１処理部２１２１により実行される。

Ｓ２１において、第１処理部２１２１は、記憶装置２２または記憶サーバ４０から分類リストを読み出し、報道データの発信元を分類リストに照会させる。なお、第１処理部２１２１は、図３のＳ４の処理と同様にして、報道データから発信元を抽出してもよい。また、第１処理部２１２１は、抽出されたタイトル、発信元、および、概要を示す情報が付加された報道データを、情報収集サーバ１０から受けてもよい。

Ｓ２２において、第１処理部２１２１は、分類カテゴリ毎に報道データを分類する。具体的には、第１処理部２１２１は、たとえば、メディア、学術レポート、等のカテゴリに報道データを分類する。

Ｓ２３において、第１処理部２１２１は、報道データを分類できたか否かを判断する。たとえば、分類リストにない発信元の報道データは、分類することができない。報道データを分類できなかった場合には（Ｓ２３においてＮＯ）、第１処理部２１２１は、処理をＳ２４に進める。報道データを分類できた場合には（Ｓ２３においてＹＥＳ）、第１処理部２１２１は、処理をＳ２５に進める。

Ｓ２４において、第１処理部２１２１は、分類できなかった報道データを対象外に分類する。そして、第１処理部２１２１は、処理をＳ２５に進める。

Ｓ２５において、第１処理部２１２１は、第２処理部２１２２に入力するための入力データを作成する。入力データは、そのフォーマットが定められている。入力データには、タイトル、発信元、概要、および、分類されたカテゴリを示す分類情報が含まれる。なお、本実施の形態においては、対象外に分類された報道データについては、入力データが作成されない。なお、タイトル、発信元、概要、および、分類されたカテゴリを示す分類情報は、本開示に係る「予め定められた項目に関する情報」の一例に相当する。

再び図６を参照して、第１処理部２１２１は、作成された入力データを第２処理部２１２２に出力する。

第２処理部２１２２は、第１処理部２１２１から入力データを受け付け、入力データに対して重み付けを行なう。具体的には、第２処理部２１２２は、入力データから、タイトル、発信元、概要、および、分類情報を特徴量として読み出す。第２処理部２１２２は、機械学習により学習された学習済みモデルを含み、タイトル、発信元、概要、および、分類情報を特徴量として、学習により構築された演算規則に従って、入力データの重要度ランクを出力する。なお、機械学習とは、与えられた情報（たとえば学習データセット）に基づいて反復的に学習し、法則または判定基準を自立的に確立させる手法である。

図８は、重要度ランクの一例を説明するための図である。図８には、重要度ランク、ポイントおよび基準の欄が設けられている。図８に示す例では、重要度ランク１～７が設けられている。重要度ランクは、入力データの排出ガス規制の改正への影響度を示し、その数字が大きくなるほど重要度が高くなるように設定されている。基準には、重要度ランクが付される情報の概要が記載されている。重要度ランク１は、大気汚染に無関係な情報に付される。重要度ランク２は、大気汚染に関するものであるが、排出ガス規制の改正の緊急性を示すものではない情報に付される。重要度ランク３は、大気汚染に対する問題を提起する情報に付される。重要度ランク４は、大気汚染の深刻さを示す情報に付される。重要度ランク５は、排出ガス規制の改正に繋がる可能性がある情報（たとえば、大気汚染に対して政府が何らかの対策の実施を示唆する情報）に付される。重要度ランク６は、自動車の規制を含む排出ガス規制の改正の可能性がある情報（大気汚染に対する政府の対策の対象に自動車が含まれることを示唆する情報）に付される。重要度ランク７は、自動車の規制を含む排出ガス規制の改正の具体案および／または日程案を示す情報に付される。なお、ポイントについては後に説明する。

再び図６を参照して、第２処理部２１２２に含まれる学習済みモデルは、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、入力データから重要度ランクを出力するように学習されている。

ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層(隠れ層)、および複数のニューロンからなる出力層によって構成される。中間層は、１層、または２層以上でもよい。たとえば、複数の入力（指標）が入力層に入力されると、その値に重みが掛けられて中間層に入力される。中間層において、入力された値にさらに重みが掛けられて、出力層に入力されて、出力層から結果が出力される。

教師あり学習とは、入力および結果（ラベル）のデータの組（学習用データセット）を第２処理部２１２２に与えることによって、学習用データセットにある特徴を学習し、入力から結果を推論する手法をいう。すなわち、第２処理部２１２２に含まれる学習済みモデルは、学習用データセットを用いて、学習処理を繰り返し実行して生成される。学習用データセットは、たとえば、入力として与えられる入力データ（タイトル、発信元、概要および分類情報）に対して、出力となる重要度ランクをラベル付けした学習用データを複数含むものである。入力データに対する重要度ランクのラベル付けは、たとえば、当業者等により行なわれる。上記のような学習用データセットを用いて学習された第２処理部２１２２（学習済みモデル）は、入力データを受けると、重要度ランクを出力する。第２処理部２１２２は、重要度ランクを第３処理部２１２３に出力する。

なお、第２処理部２１２２は、たとえば、所定の周期毎に学習されてもよい。外部サーバ群７およびローカルサーバ８の情報は日々更新されることから、所定の周期毎に新たに追加されたデータに対応した学習用データセットを用意し、第２処理部２１２２を学習させてもよい。これにより、第２処理部２１２２の出力精度を高めることができる。

第３処理部２１２３は、第２処理部２１２２から受けた重要度ランクをポイントに変換する後処理を実行する。重要度ランクのポイントへの変換には、第２の関数が用いられる。第２の関数は、重要度ランクに重み付けをして、ポイントを算出するための関数である。すなわち、後処理では、第２処理部２１２２から受けた重要度ランクに重み係数を用いて重み付けをして、重要度ランクをポイントに変換する。

図９は、重要度ランクのポイントへの変換を説明するための図である。図９の横軸には重要度ランクが示され、縦軸にはポイントが示されている。縦軸のポイントは、図８に示されたポイントと同じものである。図９に示される第２の関数は、たとえば、重要度ランクが増加するにつれて指数関数的にポイントが上昇するモデルから導出してもよい。たとえば、重要度ランク１は、０ポイントに決定される。重要度ランク２は、０．１ポイントに決定される。重要度ランク３は、０．５ポイントに決定される。重要度ランク４は、１．５ポイントに決定される。重要度ランク５は、３．５ポイントに決定される。重要度ランク６は、６．０ポイントに決定される。重要度ランク７は、９．０ポイントに決定される。重要度ランクのポイントへの変換に用いられる重み係数は、たとえば、過去のデータ（重要度ランクと排出ガス規制の改正実績との関係を示すデータ）に基づいて決定されてもよい。あるいは、重み係数は、排出ガス規制の改正に関して、政府関係者と多くの交渉経験を有する当業者の見識に基づいて決定されてもよい。あるいは、重み係数は、上記の過去のデータおよび当業者の見識の双方に基づいて決定されてもよい。重み係数は、排出ガス規制に対する政府の関心度と捉えることもできる。

第３処理部２１２３は、報道データ毎に重要度ランクをポイントに変換し、ポイントの月平均を算出する。そして、第３処理部２１２３は、ポイントの月平均を示す情報を出力部２１６に出力する。なお、ポイントの月平均は、本開示に係る「指標」の一例に相当する。

再び図２を参照して、情報処理部２１３は、経済指標データ収集部１１３から、経済指標を表わす情報（経済指標データ）を取得する。情報処理部２１３は、経済指標データを指標として、出力部２１６に出力する。なお、経済指標データは、本開示に係る「指標」の一例に相当する。なお、政治透明度（たとえば腐敗認識指数）のような年に１度しか公表されないような経済指標データについては、次回の公表まで前回の公表値を用いるジャンプアップ方式によって経済指標データを決定する。

図１０は、ジャンプアップ方式を説明するための図である。図１０の横軸には日付けが示されており、縦軸には腐敗認識指数の値が示されている。たとえば腐敗認識指数が毎年１月に公表されることを想定する。

図１０に示す例においては、２０１９年１月に腐敗認識指数が公表され、その値はｃ１であった。そして、２０２０年１月に新たな腐敗認識指数が公表され、その値はｃ２であった。情報処理部２１３は、２０１９年１月～１２月までは、腐敗認識指数をｃ１として算出する。２０２０年１月に新たな腐敗認識指数が公表されると、情報処理部２１３は、２０２０年１月～１２月まで、腐敗認識指数をｃ２として算出する。

再び図２を参照して、情報処理部２１４は、日付けデータ収集部１１４から、前回の排出ガス規制が改正された日付けを示す情報（日付けデータ）を取得する。情報処理部２１４は、日付けデータから前回の排出ガス規制の改正日を特定し、当該改正日から現在までの経過月数をカウントする。情報処理部２１４は、経過月数を指標として、出力部２１６に出力する。なお、経過月数は、本開示に係る「指標」の一例に相当する。

情報処理部２１５は、レベルデータ収集部１１５から、現行の排出ガス規制のレベルを示す情報（規制レベルデータ）を取得する。情報処理部２１５は、取得された規制レベルデータの対象国（適用国）の排出ガス規制に関する情報を記憶サーバ４０から読み出す。排出ガス規制に関する情報には、少なくとも、各国の排出ガス規制のレベルを示す情報と、各国がモデルケースとする国を示す情報とが含まれている。情報処理部２１５は、対象国の規制レベル（取得された規制レベルデータが示す規制レベル）と、当該対象国がモデルケースとする国の規制レベルとの差分であるレベル差ΔＬｖを算出する。情報処理部２１５は、算出されたレベル差ΔＬｖを指標として、出力部２１６に出力する。モデルケースとする国には、たとえば、当該国の周辺地域において排出ガス規制の導入のトップランナーの国、あるいは、先進国等が設定されている。排出ガス規制に関する情報は、予め定められて記憶サーバ４０に記憶されている。たとえば、ある国において排出ガス規制の改正があった場合には、その改正を反映させるように排出ガス規制に関する情報が更新される。

具体的に、Ａ国の規制レベルデータを受けた場合を想定して説明する。たとえば、Ａ国の排出ガス規制の規制レベルがＥｕｒｏ４であり、Ａ国がモデルケースとする国がＢ国であり、Ｂ国の排出ガス規制の規制レベルがＥｕｒｏ６であることを想定する。この場合には、情報処理部２１５は、Ｂ国の排出ガス規制の規制レベルに対するＡ国の排出ガス規制の規制レベルの差分である「２」をレベル差ΔＬｖとして算出する（ΔＬｖ：Ｅｕｒｏ６－Ｅｕｒｏ４）。なお、レベル差ΔＬｖは、本開示に係る「指標」の一例に相当する。

出力部２１６は、情報処理部２１１～２１５から受けた各指標（ポイントＰ、差分ΔＡｖｅ、積算値Ｓ、超過日数Ｄ、ポイントの月平均、経済指標データ、経過月数、および、レベル差ΔＬｖ）を予測作成サーバ３０に出力する。

＜予測作成サーバ＞
図１を参照して、予測作成サーバ３０は、制御装置３１と、記憶装置３２と、通信装置３３とを含む。

記憶装置３２は、たとえば、ＲＯＭおよびＲＡＭを含み、制御装置３１によって実行されるプログラム等を記憶する。記憶装置３２は、さらに、プログラムの実行時に使用される情報（たとえば、マップ、数式、および各種パラメータ）を記憶してもよい。

通信装置３３は、通信バス６０を介して、情報処理サーバ２０との双方向通信が可能に構成されている。

制御装置３１は、たとえば、ＣＰＵを含む集積回路によって構成される。制御装置３１は、記憶装置３２に記憶されたプログラムを実行する。制御装置３１は、たとえば、通信装置３３を介して情報処理サーバ２０から受けた各指標を入力として、排出ガス規制の改正局面を予測する。

図２を参照して、予測作成サーバ３０の制御装置３１は、予測エンジン部３１１と、出力部３１２とを含む。制御装置３１は、記憶装置３２に記憶されたプログラムを実行することにより、予測エンジン部３１１および出力部３１２として機能する。

予測エンジン部３１１は、情報処理サーバ２０の出力部２１６から各指標を入力データとして受け付ける。予測エンジン部３１１は、各指標を特徴量とし、学習により構築された演算規則に従って、排出ガス規制の改正局面を予測する。予測エンジン部３１１は、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、入力データから排出ガス規制の改正局面を予測するように学習されている。

ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層(隠れ層)、および複数のニューロンからなる出力層によって構成される。中間層は、１層、または２層以上でもよい。たとえば、複数の入力（指標）が入力層に入力されると、その値に重みが掛けられて中間層に入力される。中間層において、入力された値にさらに重みが掛けられて、出力層に入力されて、出力層から結果が出力される。

学習用データセットは、情報処理サーバ２０の出力部２１６から出力される各指標を任意のパターンで組み合わせた入力データに対して、排出ガス規制の改正局面をラベル付けした学習用データを複数含むものである。学習用データは、各指標の組み合わせに対して、そのときの排出ガス規制の改正局面をラベル付けして作成される。学習用データは、たとえば、当業者等により作成される。本実施の形態においては、排出ガス規制の改正への影響度に関連する指標が学習用データとして用いられるので、収集された関連情報をそのまま学習用データとする場合に比べ、予測エンジン部３１１（学習済みモデル）の予測精度の向上が期待される。上記のような学習用データセットを用いて学習された予測エンジン部３１１（学習済みモデル）は、入力データを受けると、排出ガス規制の改正局面を出力する。なお、予測エンジン部３１１は、たとえば、所定の周期毎に学習されてもよい。外部サーバ群７およびローカルサーバ８の情報は日々更新されることから、所定の周期毎に新たに追加されたデータに対応した学習用データセットを用意し、予測エンジン部３１１を学習させてもよい。これにより、予測エンジン部３１１の予測精度を高めることができる。

より具体的には、予測エンジン部３１１は、情報処理サーバ２０の出力部２１６から受け付けた入力データ（各指標）を特徴量として、排出ガス規制の改正局面を予測し、その予測結果を数値で出力する。

図１１および図１２は、排出ガス規制の改正局面を表わす各フェーズを説明するための図である。本実施の形態においては、５段階のフェーズが定義されており、予測エンジン部３１１は、対象国が現在どのフェーズにあるのかを予測する。

図１１を参照して、第１フェーズは、排出ガス規制の改正が未検討の局面が含まれるフェーズである。たとえば、排出ガス規制に至る前段階ともいえる大気汚染を改善するための方針の検討を開始する局面も、第１フェーズに含まれる。第２フェーズは、排出ガス規制の改正の検討が開始され、改正の方針が検討される局面を含むフェーズである。第３フェーズは、排出ガス規制の改正のためのワーキンググループが設立（発足）され、改正の具体的な検討がなされる局面を含むフェーズである。第４フェーズは、改正案が完成し、当該改正案が議会等に上程される局面を含むフェーズである。第５フェーズは、参議院および衆議院の両院で改正案が採択される局面を含むフェーズである。

図１２を参照して、予測エンジン部３１１は、１～６の値の範囲で、予測結果を示す数値を出力する。本実施の形態においては、予測エンジン部３１１は、小数第一位までの値を出力する。たとえば、予測エンジン部３１１の予測結果の数値が３．６であった場合には、その対象国は、第３フェーズにあり、排出ガス規制の改正の具体的な検討の中盤に差し掛かっていると推定することができる。

予測エンジン部３１１は、排出ガス規制の改正局面を示す情報を出力部３１２に出力する。

出力部３１２は、予測エンジン部３１１から受けた排出ガス規制の改正局面を示す情報を表示装置５０に出力する。表示装置５０は、排出ガス規制の改正局面を表示させる。これにより、排出ガス規制の改正局面が報知される。

図１３は、排出ガス規制の改正局面の予測結果を説明するための図である。図１３に示される例では、Ａ国～Ｄ国についての排出ガス規制の改正局面の予測結果がそれぞれ示されている。

Ａ国については、１．０の予測結果が示されている。これは、Ａ国は第１フェーズにあり、排出ガス規制の改正が未検討であると予測されたことを示している。Ｂ国については、２．７の予測結果が示されている。これは、Ｂ国は第２フェーズにあり、排出ガス規制の改正の方針が検討されていると予測されたことを示している。Ｃ国については、３．２の予測結果が示されている。これは、Ｃ国は第３フェーズにあり、排出ガス規制の改正の具体的な検討がなされていると予測されたことを示している。Ｄ国は、２．８の予測結果が示されている。これは、Ｄ国は第２フェーズにあり、排出ガス規制の改正の方針が検討されていると予測されたことを示している。本実施の形態においては、予測結果が数値で示されることにより、同じ第２フェーズであっても、Ｄ国は、Ｂ国よりも若干、改正への局面が進んでいることがわかる。これにより、予測結果に基づいて、改正に備えて、より適切な準備や対策を行なうことができる。

なお、排出ガス規制の改正局面の予測結果として、数値に代えて、あるいは加えて、局面を示す文字を表示させてもよい。この場合においても、同じフェーズ内においても、数値に応じて文字の内容を異ならせてもよい。

以上のように、本実施の形態に係る予測システム１においては、情報収集サーバ１０が外部サーバ群７およびローカルサーバ８から排出ガス規制に関連する関連情報を取得する。そして、情報処理サーバ２０が、情報収集サーバ１０によって取得された関連情報の各々を、排出ガス規制の改正への影響度に関連する指標に変換する。そして、予測作成サーバ３０が、変換された指標を入力データとして、排出ガス規制の改正局面を予測する。情報収集サーバ１０により収集された関連情報を、そのまま予測作成サーバ３０の入力データとするのではなく、関連情報の各々を排出ガス規制の改正への影響度に関連する指標に変換し、これらを予測作成サーバ３０への入力データとする。これにより、関連情報をそのまま予測作成サーバ３０の入力データとする場合に比べ、精度よく排出ガス規制の改正を予測することができる。

予測作成サーバ３０Ａは、排出ガス規制の改正への影響度に関連する指標を学習用データとして学習される。排出ガス規制の改正への影響度に関連する指標を用いて予測作成サーバ３０が学習されることにより、関連情報をそのまま用いて予測作成サーバ３０が学習される場合に比べて、予測作成サーバ３０の予測精度の向上が期待される。排出ガス規制の改正への影響度に関連する指標を用いて、予測作成サーバ３０を学習させることにより、関連情報をそのまま予測作成サーバ３０の学習用データとする場合に比べて、予測作成サーバ３０の予測精度を高めることができる。

また、本実施の形態に係る予測システム１においては、関連情報に観測データが含まれる。そして、情報処理サーバ２０が、収集された観測データ（ＰＭ濃度の観測結果）を４つの指標に変換する。４つの指標は、（１）ＰＭ濃度の年平均値Ａｖｅを変換したポイントＰ、（２）年平均値Ａｖｅと昨年の年平均値Ａｖｅ１との差分ΔＡｖｅ、（３）基準値ａｔｈを超えたＰＭ濃度の月間の積算値Ｓ、および（４）基準値ａｔｈを超えた月間の超過日数Ｄである。観測データを、排出ガス規制の改正への影響度に関連する４つの指標に変換し、当該４つの指標を予測作成サーバ３０の学習用データおよび入力データとする。これにより、排出ガス規制の改正に直接的に関与する情報ではない観測データを予測作成サーバ３０の学習用データおよび入力データとする場合に比べ、精度よく排出ガス規制の改正を予測することができる。

また、本実施の形態に係る予測システム１においては、関連情報に報道データが含まれる。そして、情報処理サーバ２０が、収集された報道データの各々の重要度ランクをポイントに変換し、ポイントの月平均を算出する。報道データを、排出ガス規制の改正への影響度に関連する指標（上記の月平均）に変換し、当該指標を予測作成サーバ３０の学習用データおよび入力データとする。これにより、排出ガス規制の改正に直接的に関与する情報ではない報道データを予測作成サーバ３０の学習用データおよび入力データとする場合に比べ、精度よく排出ガス規制の改正を予測することができる。

また、本実施の形態に係る予測システム１においては、関連情報に経済指標データが含まれる。そして、収集された経済指標データを指標として予測作成サーバ３０の学習用データおよび入力データとする。経済指標データには、ＧＤＰ、経済成長率、周辺国の排出ガス規制のレベル、自動車市場の規模、一人当たりの自動車保有台数および政治透明度、等を示す情報が含まれる。排出ガス規制は、その国の経済規模、自動車市場等の大きさによって、改正プロセスのスピードが異なり得るところ、経済指標データを予測作成サーバ３０の学習用データおよび入力データとして、排出ガス規制の改正局面の予測に用いることで、精度よく排出ガス規制の改正を予測することができる。

さらに、本実施の形態に係る予測システム１においては、関連情報には、排出ガス規制が改正された日付けを示す情報（日付けデータ）が含まれる。そして、情報処理サーバ２０が、収集された日付けデータから前回の排出ガス規制の改正日を特定し、当該改正日から現在までの経過月数をカウントする。そして、当該経過月数を指標として、予測作成サーバ３０の学習用データおよび入力データとする。これにより、排出ガス規制の改正に直接的に関与する情報ではない日付けデータを予測作成サーバ３０の学習用データおよび入力データとする場合に比べ、精度よく排出ガス規制の改正を予測することができる。

さらに、本実施の形態に係る予測システム１においては、関連情報には、規制レベルデータが含まれる。そして、情報処理サーバ２０が、規制レベルデータと、当該規制レベルデータの対象国がモデルケースとする国の規制レベルデータとを用いて、レベル差ΔＬｖを算出する。算出されたレベル差ΔＬｖを指標として、予測作成サーバ３０の学習用データおよび入力データとする。これにより、排出ガス規制の改正に直接的に関与する情報ではない規制レベルデータを予測作成サーバ３０の学習用データおよび入力データとする場合に比べ、精度よく排出ガス規制の改正を予測することができる。

なお、本実施の形態において関連情報として示した、観測データ、報道データ、経済指標データ、日付けデータ、および、規制レベルデータは、あくまでも一例である。上記の他にも、関連情報には、たとえば、北半球に位置するか南半球に位置するかを示す情報、国民一人あたりのＧＤＰを示す情報、経済成長率を示す情報、貿易収支を示す情報、自動車輸出額を示す情報、自動車の総保有台数を示す情報、千人あたりの自動車保有台数を示す情報、一年間の新車販売台数を示す情報、総エネルギー消費量を示す情報、および、国民一人あたりの消費エネルギーを示す情報、等が含まれてもよい。これらの情報を、情報処理サーバ２０において各情報の特性に応じた指標に変換し、これらの指標を用いて学習された予測作成サーバ３０への入力データとすることによって、精度よく排出ガス規制の改正局面を予測することができる。

［実施の形態２］
実施の形態１では、排出ガス規制の改正への影響度に関連する指標を入力データとして受けた予測作成サーバ３０が、排出ガス規制の改正局面を予測する例について説明した。実施の形態２では、排出ガス規制の改正への影響度に関連する指標を入力データとして受けた予測作成サーバが、排出ガス規制の改正に対する渉外タイミングの適切度を予測する例について説明する。

再び図１および図２を参照して、実施の形態２に係る予測システム１Ａは、情報収集サーバ１０と、情報処理サーバ２０と、予測作成サーバ３０Ａと、記憶サーバ４０と、表示装置５０とを含む。情報収集サーバ１０、情報処理サーバ２０、予測作成サーバ３０Ａ、記憶サーバ４０、および、表示装置５０は、通信バス６０に接続されている。実施の形態２に係る予測システム１Ａは、実施の形態１に係る予測システム１の予測作成サーバ３０を予測作成サーバ３０Ａに代えたものである。予測システム１Ａのその他の構成については、予測システム１と同様であるため、その説明は繰り返さない。

予測作成サーバ３０Ａは、情報処理サーバ２０から受けた各指標を用いて、排出ガス規制の改正に対する渉外タイミングの適切度を予測する。予測作成サーバ３０Ａは、予測された渉外タイミングの適切度を示す予測結果を表示装置５０に表示させる。

予測作成サーバ３０Ａは、制御装置３１Ａと、記憶装置３２と、通信装置３３とを含む。記憶装置３２および通信装置３３は、実施の形態１に係る予測作成サーバ３０の記憶装置３２および通信装置３３と同様である。

制御装置３１Ａは、たとえば、ＣＰＵを含む集積回路によって構成される。制御装置３１Ａは、記憶装置３２に記憶されたプログラムを実行する。制御装置３１Ａは、たとえば、通信装置３３を介して情報処理サーバ２０から受けた各指標を入力として、排出ガス規制の改正に対する渉外タイミングの適切度を予測する。

制御装置３１Ａは、予測エンジン部３１１Ａと、出力部３１２とを含む。制御装置３１Ａは、記憶装置３２に記憶されたプログラムを実行することにより、予測エンジン部３１１Ａおよび出力部３１２として機能する。なお、出力部３１２は、実施の形態１に係る制御装置３１の出力部３１２と同様である。

予測エンジン部３１１Ａは、実施の形態１に係る予測エンジン部３１１と同様に、情報処理サーバ２０の出力部２１６から各指標を入力データとして受け付ける。予測エンジン部３１１Ａは、各指標を特徴量とし、学習により構築された演算規則に従って、排出ガス規制の改正に対する渉外タイミングの適切度を予測する。予測エンジン部３１１Ａは、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、入力データから排出ガス規制の改正に対する渉外タイミングの適切度を予測するように学習されている。なお、予測エンジン部３１１Ａは、たとえば、所定の周期毎に学習されてもよい。外部サーバ群７およびローカルサーバ８の情報は日々更新されることから、所定の周期毎に新たに追加されたデータに対応した学習用データセットを用意し、予測エンジン部３１１Ａを学習させてもよい。これにより、予測エンジン部３１１Ａの予測精度を高めることができる。

予測エンジン部３１１Ａの学習に用いられる学習用データセットは、情報処理サーバ２０の出力部２１６から出力される各指標を任意のパターンで組み合わせた入力データに対して、渉外タイミングの適切度をラベル付けした学習用データを複数含むものである。入力データに対する渉外タイミングの適切度のラベル付けは、たとえば、当業者等により行なわれる。実施の形態２においては、過去の各指標の組み合わせに対して、そのときの渉外のタイミングが適正であるか、または適正でないかがラベル付けされる。排出ガス規制の改正への影響度に関連する指標が学習用データとして用いられるので、収集された関連情報をそのまま学習用データとする場合に比べ、予測エンジン部３１１Ａ（学習済みモデル）の予測精度の向上が期待される。上記のような学習用データセットを用いて学習された学習済みモデルは、入力データを受けると、排出ガス規制の改正に対する渉外タイミングの適切度を出力する。

図１４は、渉外タイミングの適切度の予測結果を説明するための図である。図１４に示される例では、Ａ国～Ｄ国について、渉外タイミングが適正であるか不適正であるかを示す予測結果がそれぞれ示されている。渉外タイミングが適正であることは、たとえば、現タイミングで政府に交渉することで、排出ガス規制の改正案に自己の意見を反映させることができる可能性が所定値以上であることを示す。渉外タイミングが不適正であることは、たとえば、既に改正案の具体的な検討が終了に差し掛かっていたり、改正案が完成していたり、改正案が既に採択されていたりして、現タイミングで政府に交渉しても改正案に自己の意見を反映させることができる可能性が所定値未満であることを示す。

図１４においては、Ａ国およびＤ国については、渉外タイミングが適正であるとの予測結果が示され、Ｂ国およびＣ国については、渉外タイミングが不適正であるとの予測結果が示されている。この予測結果は、表示装置５０に表示される。これにより、現タイミングで、排出ガス規制の改正に対する交渉を行なうか否かを判断することができる。

さらに、実施の形態２においては、予測エンジン部３１１Ａは、予測結果の信頼度を出力する。予測エンジン部３１１Ａは、学習済みのデータ（教師データ）に対する入力データの類似度に基づいて、信頼度を算出する。たとえば、入力データが学習済みのデータと同じである場合には、予測エンジン部３１１Ａは、信頼度を１００％と算出する。

図１４に示される例においては、Ａ～Ｄ国の渉外タイミングの予測結果の信頼度は、それぞれ８５％，３６％，７１％，４３％と算出されている。予測結果とともに信頼度が示されることにより、ユーザが、現タイミングで、排出ガス規制の改正に対する交渉を行なうか否かの判断をより適切に行なうことができる。

以上のように、実施の形態２に係る予測システム１Ａにおいては、情報収集サーバ１０が外部サーバ群７およびローカルサーバ８から排出ガス規制に関連する関連情報を取得する。そして、情報処理サーバ２０が、情報収集サーバ１０によって取得された関連情報の各々を、排出ガス規制の改正への影響度に関連する指標に変換する。そして、予測作成サーバ３０Ａが、変換された指標を入力データとして、排出ガス規制の改正に対する渉外タイミングの適切度を予測する。情報収集サーバ１０より収集された関連情報を、そのまま予測作成サーバ３０Ａの入力データとするのではなく、関連情報の各々を排出ガス規制の改正への影響度に関連する指標に変換し、これらを予測作成サーバ３０Ａへの入力データとする。これにより、関連情報をそのまま予測作成サーバ３０Ａの入力データとする場合に比べ、精度よく渉外タイミングの適切度を予測することができる。

予測作成サーバ３０Ａは、排出ガス規制の改正への影響度に関連する指標を学習用データとして学習される。排出ガス規制の改正への影響度に関連する指標を用いて予測作成サーバ３０Ａが学習されることにより、関連情報をそのまま用いて予測作成サーバ３０Ａが学習される場合に比べて、予測作成サーバ３０Ａの予測精度の向上が期待される。排出ガス規制の改正への影響度に関連する指標を用いて、予測作成サーバ３０Ａを学習させることにより、関連情報をそのまま予測作成サーバ３０Ａの学習用データとする場合に比べて、予測作成サーバ３０Ａの予測精度を高めることができる。

［変形例１］
実施の形態２では、渉外タイミングの適切度の予測結果に加えて、当該予測結果に対する信頼度が算出されることを説明した。実施の形態１においても同様にして、実施の形態１の排出ガス規制の改正局面の予測結果に加えて、当該予測結果に対する信頼度が算出されてもよい。予測エンジン部３１１は、学習済みのデータ（教師データ）に対する入力データの類似度に基づいて、信頼度を算出する。予測結果とともに信頼度が示されることにより、ユーザは、信頼度も考慮しながら、予測結果の活用を検討することができる。

［変形例２］
実施の形態１，２では、排出ガス規制を例にして、予測システム１，１Ａについて説明したが、予測システム１，１Ａは、他の法規または規格の改正または制定に対しても用いることができる。たとえば、車両の安全基準を定めた道路運送車両の保安基準の改正に対して予測システム１，１Ａが用いられる場合には、情報収集サーバ１０は、交通事故数および車両の使用実態（頻度）等のデータを収集する。そして、収集されたデータを情報処理サーバ２０が、道路運送車両の保安基準の改正への影響度に関連する指標に変換する。そして、予測システム１，１Ａが、指標を入力データとして、道路運送車両の保安基準の改正局面、または、道路運送車両の保安基準の改正に対する渉外タイミングの適切度を予測する。

今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は、上記した実施の形態の説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１，１Ａ 予測システム、６ インターネット、７ 外部サーバ群、８ ローカルサーバ、９ 通信線、１０ 情報収集サーバ、１１ 制御装置、１２ 記憶装置、１３ 通信装置、２０ 情報処理サーバ、２１ 制御装置、２２ 記憶装置、２３ 通信装置、３０，３０Ａ 予測作成サーバ、３１，３１Ａ 制御装置、３２ 記憶装置、３３ 通信装置、４０ 記憶サーバ、５０ 表示装置、６０ 通信バス、７１，７２，７３ 外部サーバ、１１１ 観測データ収集部、１１２ 報道データ収集部、１１３ 経済指標データ収集部、１１４ 日付けデータ収集部、１１５ レベルデータ収集部、２１１，２１２，２１３，２１４，２１５ 情報処理部、２１６ 出力部、３１１，３１１Ａ 予測エンジン部、３１２ 出力部、２１２１ 第１処理部、２１２２ 第２処理部、２１２３ 第３処理部。

Claims (14)

1. 法規の改正に関連する関連情報を収集する第１装置と、
   前記関連情報を前記改正への影響度に関連する指標に変換するための予め定められた変換処理を実行する第２装置と、
   前記指標を用いて、前記改正の局面、または、前記改正に関する渉外タイミングの適切度を予測する第３装置とを備える、予測システム。
2. 前記第３装置は、機械学習により学習された第１学習済みモデルを含み、
   前記第１学習済みモデルは、第１学習用データセットを用いた学習処理により、入力に対して前記改正の局面、または、前記適切度を出力するように学習されており、
   前記第１学習用データセットは、前記指標に対して、前記改正の局面または前記適切度をラベル付けした学習用データを複数含む、請求項１に記載の予測システム。
3. 前記関連情報は、前記改正を動機付けるものとして定められた所定の情報を含む、請求項１または請求項２に記載の予測システム。
4. 前記所定の情報は、大気汚染の観測結果を示す第１情報を含む、請求項３に記載の予測システム。
5. 前記第２装置は、予め定められた第１の関数を用いて、前記第１情報が示す値の第１所定期間の平均値を前記指標に変換する、請求項４に記載の予測システム。
6. 前記第２装置は、前記第１情報が示す値の前記第１所定期間の平均値と、昨年の前記第１情報が示す値の前記第１所定期間の平均値との差分を前記指標とする、請求項５に記載の予測システム。
7. 前記第２装置は、
   第２所定期間毎に、前記第１情報が示す値の基準値の超過分を算出し、
   前記第２所定期間よりも長い期間である第３所定期間における前記超過分の積算値を前記指標とする、請求項４から請求項６のいずれか１項に記載の予測システム。
8. 前記第２装置は、前記第１情報が示す値が前記基準値を超過した前記第２所定期間の数を前記指標とする、請求項７に記載の予測システム。
9. 前記所定の情報は、大気汚染に関する報道または研究レポートの情報である第２情報を含む、請求項３から請求項８のいずれか１項に記載の予測システム。
10. 前記第２装置は、機械学習により学習された第２学習済みモデルを含み、
    前記第２学習済みモデルは、第２学習用データセットを用いた学習処理により、入力に対して前記改正への影響度を示す情報を出力するように学習されており、
    前記第２学習用データセットは、予め定められた項目に関する情報に対して、前記影響度を示す情報をラベル付けした学習用データを複数含み、
    前記第２装置は、
    所定の処理を実行して前記第２情報から、前記予め定められた項目に関する情報を抽出し、
    前記予め定められた項目に関する情報を前記第２学習済みモデルへの入力とし、
    前記第２学習済みモデルから出力された前記影響度を示す情報を、予め定められた第２の関数を用いてポイントに変換し、
    前記ポイントの第４所定期間における平均値を前記指標とする、請求項９に記載の予測システム。
11. 前記関連情報は、前記法規の対象国の経済指標を示す第３情報を含む、請求項１から請求項１０のいずれか１項に記載の予測システム。
12. 前記関連情報は、現行法規が改正された日付けを示す第４情報を含み、
    前記第２装置は、
    前記第４情報を用いて、現行法規が改正されてからの経過期間を算出し、
    前記経過期間を前記指標とする、請求項１から請求項１１のいずれか１項に記載の予測システム。
13. 前記関連情報は、前記法規の規制レベルを示す第５情報を含み、
    前記第２装置は、
    前記第５情報を用いて、前記法規のレベルと、前記法規の対象国がモデルケースとする国における前記法規に対応する法規のレベルとの差分を算出し、
    前記差分を前記指標とする、請求項１から請求項１２のいずれか１項に記載の予測システム。
14. 法規の改正に関連する関連情報を収集するステップと、
    前記関連情報を前記改正への影響度に関連する指標に変換するための予め定められた変換処理を実行するステップと、
    前記指標を用いて、前記改正の局面、または、前記改正に関する渉外タイミングの適切度を予測するステップとを含む、予測方法。
    

Images