JP6317940B2 - 高精度小地域シミュレーションシステム及びそのプログラム - Google Patents

Description

本発明は、小地域単位での嗜好性の高い統計データを推計する高精度小地域シミュレーションシステムに係り、特に、アンケート等の個票データに基づいて小地域単位での嗜好性の高い推計データを得ることができる高精度小地域シミュレーションシステム及びそのプログラムに関する。

［従来の技術］
従来、リサーチデータやＩＤ−ＰＯＳ（顧客ＩＤ付きＰＯＳ［Point of Sale］）、ポイントカード会員などの個票データを多くの企業が保有している。蓄積された個票データは、顧客獲得、ＬＴＶ（Life Time Value：顧客生涯価値）等の施策などに活用されている。ＬＴＶは、１人１人の顧客がある製品又は企業に対して付き合っている間に支払う金額合計から、その顧客を獲得、維持するための費用合計を差し引いた累積利益額のことである。

しかしながら、これらのデータをエリアマーケティングに活用する場合に、どこから来店しているのか、シェアはどの程度なのかということを中心に、位置情報として活用し、指向性を観察するに過ぎないものであった。

また、公的統計では、嗜好性の高い統計データや一過性や流行といったデータが公開されていない。例えば、新発売のカップラーメンやエコカーの購買を検討しているなどのデータは公開されないものである。

総務省統計局による家計調査年報では、市町村を最小単位として品目別の消費支出額が公表されているが、小売店やメーカーでは、店舗商圏などの狭小エリア（小地域）における品目別の消費支出額を把握することはエリアマーケティングにおいて重要なことである。
しかしながら、市町村より狭い小地域での品目別の消費支出額を知ることができないことが問題となっている。

そこで、小地域の品目毎の市場規模を推定することが行われている。この推定方法について、地理情報システム学会講演論文集「ＩＰＦ法を用いた小地域の品目ごとの市場規模の推定」星田侑久、佐藤俊明、岡部篤行著、巻１８，ページ２４３−２４６、２００９年１０月１５日発行に記載されている（非特許文献１）。

尚、関連する特許文献として、特開２００４−３５５０７５号公報「情報提供装置及び情報提供方法、並びにコンピュータプログラム」（ソニー株式会社）［特許文献１］がある。
特許文献１は、地図上の店舗等を示すＰＯＩ（Point of Interest）情報の履歴からユーザの嗜好性を抽出し、ＰＯＩ情報にユーザの嗜好性を反映した重み付けを行い、その重み付けに従ってＰＯＩ情報を表示する優先順位付けを行って、その優先順位でＰＯＩ情報を地図情報と合成して画面表示することが記載されている。

特開２００２−３２４０７９号公報

地理情報システム学会講演論文集「ＩＰＦ法を用いた小地域の品目ごとの市場規模の推定」星田侑久、佐藤俊明、岡部篤行著、巻１８，ページ２４３−２４６、２００９年１０月１５日発行

しかしながら、上記従来の方法では、個票データを解析して潜在的に眠っている顧客層を発掘して、集客予測のシミュレーションに活用するには、シェアやレスポンス件数を観察するだけでは、高精度な地域単位での嗜好性に関するシミュレーションを行うことができないという問題点があった。

特に、獲得できたデータ数が極小の場合に、極端な誤差を引き起こす可能性があるため、活用が敬遠されていた。
特許文献１及び非特許文献１には、小地域単位で嗜好性が高い統計データを推計することについて記載がない。

本発明は上記実状に鑑みて為されたものであり、個票データに基づいて小地域単位での嗜好性の高い推計データを得ることができる高精度小地域シミュレーションシステム及びそのプログラムを提供することを目的とする。

上記従来例の問題点を解決するための本発明は、小地域単位での嗜好性を推計する高精度小地域シミュレーションシステムであって、処理プログラムを記憶する記憶部と、処理プログラムを実行する制御部とを備える情報処理装置と、個票データを記憶する個票データ記憶部と、小地域の統計データを記憶する統計データ記憶部と、小地域クロスデータを記憶する小地域クロスデータ記憶部と、推計データを記憶する推計データ記憶部とを有し、制御部が処理プログラムを読み込んで実行される手段として、個票データに含まれる特定項目を用いて統計データ記憶部から小地域クロスデータを生成して小地域クロスデータ記憶部に記憶する小地域クロスデータ生成手段と、個票データと小地域クロスデータに基づいて特定項目を構成する小項目の組合せについて、個票データをサンプルとし、小地域クロスデータを制約表として、サンプルからランダムに小項目の組合せを選択して初期解とし、初期解と制約表との絶対誤差の合計が最小となる小項目の組合せを、最適となる小項目の組合せとする最適化を行い、最適となる小項目の組合せを採用し、当該採用した小項目の組合せの個票データが保有する属性データを小地域の嗜好性として推計して推計データ記憶部に推計データとして記憶する小地域嗜好性推計手段とを有することを特徴とする。

本発明は、上記高精度小地域シミュレーションシステムにおいて、小地域クロスデータ生成手段が、マイクロシミュレーションのＩＰＦ法により小地域クロスデータを生成することを特徴とする。

本発明は、上記高精度小地域シミュレーションシステムにおいて、小地域嗜好性推計手段が、最適化において、ミクロデータを生成するＣＯ法を用いることを特徴とする。

本発明は、上記高精度小地域シミュレーションシステムにおいて、小地域嗜好性推計手段が、小地域クロスデータの制約表における数より個票データのサンプルの数が少ない場合に、制約表における数とサンプルの数との差分については、小地域クロスデータの制約表における数と同数となるようサンプルを重複して使用して最適化を行うことを特徴とする。

本発明は、上記高精度小地域シミュレーションシステムにおいて、小地域嗜好性推計手段が、小地域クロスデータの制約表における数より個票データのサンプルの数が少ない場合に、制約表における数とサンプルの数との差分については、小地域を含む広い地域からサンプルを収集してサンプルの数が制約表における数と同数となるよう抽出して最適化を行うことを特徴とする。

本発明は、上記高精度小地域シミュレーションシステムにおいて、個票データに含まれる特定項目で集計して特定項目を構成する小項目を特定する個票データ集計手段を有することを特徴とする。

本発明は、小地域単位での嗜好性を推計するコンピュータプログラムであって、情報処理装置を、個票データ記憶部に記憶された個票データに含まれる特定項目を用いて、小地域の統計データを記憶する統計データ記憶部から小地域クロスデータを生成して小地域クロスデータ記憶部に記憶する小地域クロスデータ生成手段として機能させ、個票データと小地域クロスデータに基づいて特定項目を構成する小項目の組合せについて、個票データをサンプルとし、小地域クロスデータを制約表として、サンプルからランダムに小項目の組合せを選択して初期解とし、初期解と制約表との絶対誤差の合計が最小となる小項目の組合せを、最適となる小項目の組合せとする最適化を行い、最適となる小項目の組合せを採用し、当該採用した小項目の組合せの個票データが保有する属性データを小地域の嗜好性として推計して推計データ記憶部に推計データとして記憶する小地域嗜好性推計手段として機能させることを特徴とする。

本発明は、上記コンピュータプログラムにおいて、小地域クロスデータ生成手段が、マイクロシミュレーションのＩＰＦ法により小地域クロスデータを生成することを特徴とする。

本発明は、上記コンピュータプログラムにおいて、小地域嗜好性推計手段が、最適化において、ミクロデータを生成するＣＯ法を用いることを特徴とする。

本発明は、上記コンピュータプログラムにおいて、小地域嗜好性推計手段が、小地域クロスデータの制約表における数より個票データのサンプルの数が少ない場合に、制約表における数とサンプルの数との差分については、小地域クロスデータの制約表における数と同数となるようサンプルを重複して使用して最適化を行うことを特徴とする。

本発明は、上記コンピュータプログラムにおいて、小地域嗜好性推計手段が、小地域クロスデータの制約表における数より個票データのサンプルの数が少ない場合に、制約表における数とサンプルの数との差分については、小地域を含む広い地域からサンプルを収集してサンプルの数が制約表における数と同数となるよう抽出して最適化を行うことを特徴とする。

本発明は、上記コンピュータプログラムにおいて、情報処理装置を、個票データに含まれる特定項目で集計して前記特定項目を構成する小項目を特定する個票データ集計手段として機能させることを特徴とする。

本発明は、小地域単位での嗜好性を推計する高精度小地域シミュレーションシステムであって、個票データに含まれる特定項目を用いて統計データ記憶部から小地域クロスデータを生成して小地域クロスデータ記憶部に記憶する小地域クロスデータ生成手段と、個票データと小地域クロスデータに基づいて特定項目を構成する小項目の組合せについて、個票データをサンプルとし、小地域クロスデータを制約表として、サンプルからランダムに小項目の組合せを選択して初期解とし、初期解と制約表との絶対誤差の合計が最小となる小項目の組合せを、最適となる小項目の組合せとする最適化を行い、最適となる小項目の組合せを採用し、採用した小項目の組合せの個票データが保有する属性データを小地域の嗜好性として推計して推計データ記憶部に推計データとして記憶する小地域嗜好性推計手段とを有する高精度小地域シミュレーションシステムとしているので、小地域単位での嗜好性の高い推計データを得ることができる効果がある。

本システムの構成ブロック図である。 個票データ、Ａ町の小地域データを示す図である。 世帯ａ，ｂを抽出した場合の例を示す図である。 世帯ａ，ｃを抽出した場合の例を示す図である。 世帯ａ，ｄを抽出した場合の例を示す図である。 世帯ａ，ｅを抽出した場合の例を示す図である。 世帯ｂ，ｃを抽出した場合の例を示す図である。 世帯ｂ，ｄを抽出した場合の例を示す図である。 世帯ｂ，ｅを抽出した場合の例を示す図である。 世帯ｃ，ｄを抽出した場合の例を示す図である。 世帯ｃ，ｅを抽出した場合の例を示す図である。 世帯ｄ，ｅを抽出した場合の例を示す図である。 推計データの例を示す図である。 本システムにおける処理の内容を示す概略図である。 個票データを集計した表を示す図である。 小地域クロスデータを示す図である。

本発明の実施の形態について図面を参照しながら説明する。
［実施の形態の概要］
本発明の実施の形態に係る高精度小地域シミュレーションシステムは、統計データをＩＰＦ（Iterative Proportional Fittin）法を用いて小地域クロスデータを作成し、個票データと小地域クロスデータに基づいてＣＯ（Combinatorial Optimization）法にて最適な項目の組合せを算出し、最適な組合せの項目が保有する属性データを小地域における嗜好性のデータとして推計するものとしているので、小地域単位で嗜好性に関する推計データを高精度に得ることができるものである。

［本システムの構成：図１］
本発明の実施の形態に係る高精度小地域シミュレーションシステム（本システム）について図１を参照しながら説明する。図１は、本システムの構成ブロック図である。
本システムは、図１に示すように、情報処理装置１と、表示部２と、入力部３と、個票データ群データベース（個票データ群ＤＢ）２１と、統計データデータベース（統計データＤＢ）２２と、小地域クロスデータデータベース（小地域クロスデータＤＢ）２３と、推計データデータベース（推計データＤＢ）２４とから構成されている。

本システムでは、ネットワークに接続する構成とはなっていないが、各ＤＢがネットワークに接続し、情報処理装置１もネットワークに接続して、情報処理装置１がネットワークを経由して各ＤＢにアクセスする構成であってもよい。
また、情報処理装置１と各ＤＢがネットワークに接続しており、コンピュータ等の端末装置がネットワークを介して情報処理装置１にアクセスし、端末装置からの指示入力によって処理結果を端末装置の表示部に表示させるようにしてもよい。

［本システムの各部］
本システムの各部について説明する。
［情報処理装置１］
情報処理装置１は、制御部１１と、記憶部１２と、インタフェース部１３とを基本的に有している。
制御部１１は、記憶部１２に記憶された処理プログラムを読み込み、後述する処理を実行する。
記憶部１２は、処理プログラムを記憶すると共に、処理に必要なデータを記憶する。

インタフェース部１３は、外部装置に接続するためのインタフェースであり、外部装置として、表示部２と入力部３とが接続される。
表示部２は、入力部３からの指示を表示し、処理結果を表示する。
入力部３は、制御部１１に対する指示を入力する。

更に、インタフェース部１３には、個票データ群ＤＢ２１と、統計データＤＢ２２と、小地域クロスデータＤＢ２３と、推計データＤＢ２４が接続される。尚、インタフェース部１３は、各ＤＢにネットワークを介して接続する構成であってもよい。
尚、上記各ＤＢを単に記憶部と呼ぶようにしてもよい。

［個票データ群ＤＢ２１］
個票データ群ＤＢ２１は、グループ毎の属性を有するデータを記憶する。
グループとしては、例えば、ＡグループとしてＩＤ−ＰＯＳのデータであり、Ｂグループとしてネットリサーチ（アンケート）のデータであり、Ｃグループとして公共交通機関のＩＣカードのデータであり、属性としては「年齢」「年収」等のデータである。

［統計データＤＢ２２］
統計データＤＢ２２は、都道府県、市区町村等の行政界に関する統計データを記憶しており、例えば、行政界単位又は地図のメッシュ単位の年齢、年収の統計データを記憶している。
［小地域クロスデータＤＢ２３］
小地域クロスデータＤＢ２３は、統計データＤＢ２２から二種類の統計データを用いて制御部１１でＩＰＦ法により生成された小地域のクロスデータを記憶する。
例えば、年齢の統計データと年齢の統計データを用いて行政界より小さい地域（小地域）の年齢×年収のクロスデータが記憶される。

［推計データＤＢ２４］
推計データＤＢ２４は、小地域クロスデータＤＢ２３の小地域クロスデータに対して、個票データ群ＤＢ２１の個票データを用いてＣＯ法によりランダムにポイントを付与して推計した推計データを記憶する。

［ＩＰＦ法とＣＯ法］
ここで、本システムで用いられるＩＰＦ法とＣＯ法について説明する。
［ＩＰＦ法］
ＩＰＦ法は、周辺和の情報を利用して多次元のクロス表を推定する方法である。
本システムでは、２次元のクロス表を対象にするので、以下、２次元のクロス表の推定を説明する。２次元のクロス表を推定するためには以下の式２、式３を用いる。

ここで、ｐijkは、ｋ回数目におけるｉ行とｊ列からなるクロス表の要素を表す。ＱiとQjはそれぞれ行と列の周辺分布である。
つまり、ＩＰＦ法とは、既知の周辺和と推定された周辺分布の比率を繰り返し適用することで、クロス表の収束値を得るもので、その終了条件が以下の式４となる。

以上のように、ＩＰＦ法は、マイクロシミュレーションの手法の一つであり、小地域データを推計する手法の一つとされている。複数のモデル世帯を仮定し、拡大計算させることで、推定・試算を行うものである。

［ＣＯ法］
ＣＯ法は、マイクロシミュレーションの一連の手続の中で、ミクロデータの生成を行うための一つの手法である。
ＣＯ法は、解を解析的に導出するのではなく、試行錯誤的に解の最適化を図るものである。

第１のステップとして、理論モデルに適したサンプルと制約表を用意する。サンプルとしては、アンケート調査の個票データを利用し、制約表としては、ＩＰＦ法によって推計された小地域クロスデータを利用する。例えば、サンプルは、大人と子供の人数の内訳が記載された５世帯、制約表として、ある小地域内の制約条件（１人世帯が１、４人数世帯が２の計２世帯、大人３人、子供２人）を例としている。

第２のステップとして、サンプルからランダムに２世帯を選択し、初期解とする。
第３のステップとして、初期解と制約表との絶対誤差の合計を求める。
第４のステップとして、ランダムに初期解からサンプルを一つだけ取り出し、サンプルデータと交換し、初期解と少しだけ違った近傍解ができる。近傍解の方が良ければ、近傍解を採用し、悪ければ初期解を採用する。
第５のステップとして、事前に設定した終了条件を満たすまで、近傍解のランダム探索を繰り返す。

上記のＣＯ法における第４のステップを、ＳＡ（Simulated Annealing）法を用いることで、局所解に陥らず最適解を得ることができる。
ＳＡ法を利用したＣＯ法は、第４のステップで、近傍解の誤差から初期解の誤差を引いた絶対誤差が改善された場合には近傍解を採用し、改善されない場合には下記のＳＡ法による判定式を満たす場合に限り近傍解を採用し、満たさない場合には初期解のままとする。

［ＳＡ法における判定式］
ｅｘｐ（−ΔＥ／Ｔ）＞ｒａｎｄｏｍ
ΔEは、誤差の改悪値を意味し、改悪値が大きいと、左辺は小になり、不等式は満たされない可能性が高まる。
Ｔは、焼きなまし（annealing）における温度を意味し、初期状態では温度が大であり、左辺は大になり、不等式は満たされる可能性が高い。温度はステップ毎に冷却され、徐々に下がってくる。温度が下がるにつれて、左辺は小になり、不等式は満たされにくくなる。

［温度パラメータの更新式］
Ｔ_K+1＝ηＴ_K
ηは、温度更新パラメータ係数であり、指数型アニーリングでは、ステップ毎に温度更新パラメータを掛けて温度を更新する。

［ＣＯ法の具体的な処理：図２〜１３］
ＣＯ法の具体的な処理について図２〜１３を参照しながら説明する。
［個票データ、小地域データ：図２］
図２は、個票データ、Ａ町の小地域データを示す図である。
図２の個票データは、世帯のサンプルパターンとして、ａパターンとして、人数（世帯人員）２人、その内訳が大人２人、子供０人、ｂパターンとして、人数（世帯人員）２人、その内訳が大人１人、子供１人、ｃパターンとして、人数（世帯人員）４人、その内訳が大人２人、子供２人、ｄパターンとして、人数（世帯人員）１人、その内訳が大人１人、子供０人、ｅパターンとして、人数（世帯人員）３人、その内訳が大人２人、子供１人とする。
尚、上記世帯の世帯人員と内訳が請求項における特定項目であり、特定項目を構成するサンプルパターンは、最適な組合せを得るための個票データの項目、つまり、請求項における小項目である。

Ａ町の小地域データは、制約表であり、例えば、世帯人員毎の世帯数と、大人と子供の人数のデータである。
世帯人員毎の世帯数のデータは、例えば、世帯人員１人で世帯数１、世帯人員４人で世帯数１、世帯人員２，３人で世帯数０、世帯人数５人以上で世帯数０であるとする。
また、Ａ町の大人と子供の人数のデータは、例えば、大人３人、子供２人のデータである。

Ａ町の小地域データでは、２世帯が存在しているため、個票データからランダムに２世帯を抽出し、大人と子供の人数を観測し、個票と小地域における大人と子供の合計誤差が最小となる世帯の組合せを採用する。以下、具体的に検討する。

［世帯ａ，ｂを抽出した場合：図３］
まず、個票データにおける世帯ａ，ｂのパターン（単にａ，ｂ）を抽出した場合について図３を参照しながら説明する。図３は、世帯ａ，ｂを抽出した場合の例を示す図である。
個票データの世帯ａは、世帯人員２人、その内訳が大人２人、子供０人で、世帯ｂは、世帯人員２人、その内訳が大人１人、子供１人である。つまり、世帯人員２人が２世帯あるので、図３の個票には世帯人員２人に「２」を設定する。

Ａ町の小地域データは、世帯人員１人で世帯数１、世帯人員４人で世帯数１であるから、それらの世帯人員に「１」を設定する。
そして、差異の欄には、個票と小地域の差異（差の絶対値）を設定し、それらの差を合計して、合計誤差「４」を求める。
次に、大人と子供の人数は、個票データの世帯ａで大人２人、子供０人、ｂで大人１人、子供１人であるから、合計して大人「３」人、子供「１」人を設定し、Ａ町の小地域データには、大人３人、子供２人を設定し、差異を計算して、合計差異「１」を求める。
世帯人員の合計差異と大人子供の合計差異を合計して「５（＝４＋１）」を算出する。

［世帯ａ，ｃを抽出した場合：図４］
次に、個票データにおける世帯ａ，ｃのパターン（単にａ，ｃ）を抽出した場合について図４を参照しながら説明する。図４は、世帯ａ，ｃを抽出した場合の例を示す図である。
個票データの世帯ａは、世帯人員２人、その内訳が大人２人、子供０人で、世帯ｃは、世帯人員４人、その内訳が大人２人、子供２人である。つまり、世帯人員２人が１世帯、世帯人員4人が１世帯あるので、図４の個票には世帯人員２人に「１」、世帯人員４人に「１」を設定する。

Ａ町の小地域データは、世帯人員１人で世帯数１、世帯人員４人で世帯数１であるから、それらの世帯人員に「１」を設定する。そして、差異の欄には、個票と小地域の差異を設定し、それらの差を合計して、合計誤差「２」を求める。
次に、大人と子供の人数は、個票データの世帯ａで大人２人、子供０人、世帯ｃで大人２人、子供２人であるから、合計して大人「４」人、子供「２」人を設定し、Ａ町の小地域データには、大人３人、子供２人を設定し、差異を計算して、合計差異「１」を求める。
世帯人員の合計差異と大人子供の合計差異を合計して「３（＝２＋１）」を算出する。

［世帯ａ，ｄを抽出した場合：図５］
次に、個票データにおける世帯ａ，ｄのパターン（単にａ，ｄ）を抽出した場合について図５を参照しながら説明する。図５は、世帯ａ，ｄを抽出した場合の例を示す図である。
個票データの世帯ａは、世帯人員２人、その内訳が大人２人、子供０人で、世帯ｄは、世帯人員１人、その内訳が大人１人、子供０人である。つまり、世帯人員１人が１世帯、世帯人員２人が１世帯あるので、図５の個票には世帯人員１人に「１」、世帯人員２人に「１」を設定する。

Ａ町の小地域データは、世帯人員１人で世帯数１、世帯人員４人で世帯数１であるから、それらの世帯人員に「１」を設定する。そして、差異の欄には、個票と小地域の差異を設定し、それらの差を合計して、合計誤差「２」を求める。
次に、大人と子供の人数は、個票データの世帯ａで大人２人、子供０人、世帯ｄで大人１人、子供０人であるから、合計して大人「３」人、子供「０」人を設定し、Ａ町の小地域データには、大人３人、子供２人を設定し、差異を計算して、合計差異「２」を求める。
世帯人員の合計差異と大人子供の合計差異を合計して「４（＝２＋２）」を算出する。

［世帯ａ，ｅを抽出した場合：図６］
次に、個票データにおける世帯ａ，ｅのパターン（単にａ，ｅ）を抽出した場合について図６を参照しながら説明する。図６は、世帯ａ，ｅを抽出した場合の例を示す図である。
個票データの世帯ａは、世帯人員２人、その内訳が大人２人、子供０人で、世帯ｅは、世帯人員３人、その内訳が大人２人、子供１人である。つまり、世帯人員２人が１世帯、世帯人員３人が１世帯あるので、図６の個票には世帯人員２人に「１」、世帯人員３人に「１」を設定する。

Ａ町の小地域データは、世帯人員１人で世帯数１、世帯人員４人で世帯数１であるから、それらの世帯人員に「１」を設定する。そして、差異の欄には、個票と小地域の差異を設定し、それらの差を合計して、合計誤差「４」を求める。
次に、大人と子供の人数は、個票データの世帯ａで大人２人、子供０人、世帯ｅで大人２人、子供１人であるから、合計して大人「４」人、子供「１」人を設定し、Ａ町の小地域データには、大人３人、子供２人を設定し、差異を計算して、合計差異「２」を求める。
世帯人員の合計差異と大人子供の合計差異を合計して「６（＝４＋２）」を算出する。

［世帯ｂ，ｃを抽出した場合：図７］
次に、個票データにおける世帯ｂ，ｃのパターン（単にｂ，ｃ）を抽出した場合について図７を参照しながら説明する。図７は、世帯ｂ，ｃを抽出した場合の例を示す図である。
個票データの世帯ｂは、世帯人員２人、その内訳が大人１人、子供１人で、世帯ｃは、世帯人員４人、その内訳が大人２人、子供２人である。つまり、世帯人員２人が１世帯、世帯人員4人が１世帯あるので、図７の個票には世帯人員２人に「１」、世帯人員４人に「１」を設定する。

Ａ町の小地域データは、世帯人員１人で世帯数１、世帯人員４人で世帯数１であるから、それらの世帯人員に「１」を設定する。そして、差異の欄には、個票と小地域の差異を設定し、それらの差を合計して、合計誤差「２」を求める。
次に、大人と子供の人数は、個票データの世帯ｂで大人１人、子供１人、世帯ｃで大人２人、子供２人であるから、合計して大人「３」人、子供「３」人を設定し、Ａ町の小地域データには、大人３人、子供２人を設定し、差異を計算して、合計差異「１」を求める。
世帯人員の合計差異と大人子供の合計差異を合計して「３（＝２＋１）」を算出する。

［世帯ｂ，ｄを抽出した場合：図８］
次に、個票データにおける世帯ｂ，ｄのパターン（単にｂ，ｄ）を抽出した場合について図８を参照しながら説明する。図８は、世帯ｂ，ｄを抽出した場合の例を示す図である。
個票データの世帯ｂは、世帯人員２人、その内訳が大人１人、子供１人で、世帯ｄは、世帯人員１人、その内訳が大人１人、子供０人である。つまり、世帯人員１人が１世帯、世帯人員２人が１世帯あるので、図８の個票には世帯人員１人に「１」、世帯人員２人に「１」を設定する。

Ａ町の小地域データは、世帯人員１人で世帯数１、世帯人員４人で世帯数１であるから、それらの世帯人員に「１」を設定する。そして、差異の欄には、個票と小地域の差異を設定し、それらの差を合計して、合計誤差「２」を求める。
次に、大人と子供の人数は、個票データの世帯ｂで大人１人、子供１人、世帯ｄで大人１人、子供０人であるから、合計して大人「２」人、子供「１」人を設定し、Ａ町の小地域データでは、大人３人、子供２人を設定し、差異を計算して、合計差異「２」を求める。
世帯人員の合計差異と大人子供の合計差異を合計して「４（＝２＋２）」を算出する。

［世帯ｂ，ｅを抽出した場合：図９］
次に、個票データにおける世帯ｂ，ｅのパターン（単にｂ，ｅ）を抽出した場合について図９を参照しながら説明する。図９は、世帯ｂ，ｅを抽出した場合の例を示す図である。
個票データの世帯ｂは、世帯人員２人、その内訳が大人１人、子供１人で、世帯ｅは、世帯人員３人、その内訳が大人２人、子供１人である。つまり、世帯人員２人が１世帯、世帯人員３人が１世帯あるので、図９の個票には世帯人員２人に「１」、世帯人員３人に「１」を設定する。

Ａ町の小地域データは、世帯人員１人で世帯数１、世帯人員４人で世帯数１であるから、それらの世帯人員に「１」を設定する。そして、差異の欄には、個票と小地域の差異を設定し、それらの差を合計して、合計誤差「４」を求める。
次に、大人と子供の人数は、個票データの世帯ｂで大人１人、子供１人、世帯ｅで大人２人、子供１人であるから、合計して大人「３」人、子供「２」人を設定し、Ａ町の小地域データでは、大人３人、子供２人を設定し、差異を計算して、合計差異「０」を求める。
世帯人員の合計差異と大人子供の合計差異を合計して「４（＝４＋０）」を算出する。

［世帯ｃ，ｄを抽出した場合：図１０］
次に、個票データにおける世帯ｃ，ｄのパターン（単にｃ，ｄ）を抽出した場合について図１０を参照しながら説明する。図１０は、世帯ｃ，ｄを抽出した場合の例を示す図である。
個票データの世帯ｃは、世帯人員４人、その内訳が大人２人、子供２人で、世帯ｄは、世帯人員１人、その内訳が大人１人、子供０人である。つまり、世帯人員１人が１世帯、世帯人員４人が１世帯あるので、図１０の個票には世帯人員１人に「１」、世帯人員４人に「１」を設定する。

Ａ町の小地域データは、世帯人員１人で世帯数１、世帯人員４人で世帯数１であるから、それらの世帯人員に「１」を設定する。そして、差異の欄には、個票と小地域の差異を設定し、それらの差を合計して、合計誤差「０」を求める。
次に、大人と子供の人数は、個票データの世帯ｃで大人２人、子供２人、世帯ｄで大人１人、子供０人であるから、合計して大人「３」人、子供「２」人を設定し、Ａ町の小地域データでは、大人３人、子供２人を設定し、差異を計算して、合計差異「０」を求める。
世帯人員の合計差異と大人子供の合計差異を合計して「０（＝０＋０）」を算出する。

［世帯ｃ，ｅを抽出した場合：図１１］
次に、個票データにおける世帯ｃ，ｅのパターン（単にｃ，ｅ）を抽出した場合について図１１を参照しながら説明する。図１１は、世帯ｃ，ｅを抽出した場合の例を示す図である。
個票データの世帯ｃは、世帯人員４人、その内訳が大人２人、子供２人で、世帯ｅは、世帯人員３人、その内訳が大人２人、子供１人である。つまり、世帯人員３人が１世帯、世帯人員４人が１世帯あるので、図１１の個票には世帯人員３人に「１」、世帯人員４人に「１」を設定する。

Ａ町の小地域データは、世帯人員１人で世帯数１、世帯人員４人で世帯数１であるから、それらの世帯人員に「１」を設定する。そして、差異の欄には、個票と小地域の差異を設定し、それらの差を合計して、合計誤差「２」を求める。
次に、大人と子供の人数は、個票データの世帯ｃで大人２人、子供２人、世帯ｅで大人２人、子供１人であるから、合計して大人「４」人、子供「３」人を設定し、Ａ町の小地域データでは、大人３人、子供２人を設定し、差異を計算して、合計差異「２」を求める。
世帯人員の合計差異と大人子供の合計差異を合計して「４（＝２＋２）」を算出する。

［世帯ｄ，ｅを抽出した場合：図１２］
次に、個票データにおける世帯ｄ，ｅのパターン（単にｄ，ｅ）を抽出した場合について図１２を参照しながら説明する。図１２は、世帯ｄ，ｅを抽出した場合の例を示す図である。
個票データの世帯ｄは、世帯人員１人、その内訳が大人１人、子供０人で、世帯ｅは、世帯人員３人、その内訳が大人２人、子供１人である。つまり、世帯人員１人が１世帯、世帯人員３人が１世帯あるので、図１２の個票には世帯人員１人に「１」、世帯人員３人に「１」を設定する。

Ａ町の小地域データは、世帯人員１人で世帯数１、世帯人員４人で世帯数１であるから、それらの世帯人員に「１」を設定する。そして、差異の欄には、個票と小地域の差異を設定し、それらの差を合計して、合計誤差「２」を求める。
次に、大人と子供の人数は、個票データの世帯ｄで大人１人、子供０人、世帯ｅで大人２人、子供１人であるから、合計して大人「３」人、子供「１」人を設定し、Ａ町の小地域データでは、大人３人、子供２人を設定し、差異を計算して、合計差異「１」を求める。
世帯人員の合計差異と大人子供の合計差異を合計して「３（＝２＋１）」を算出する。

以上の結果から、図１０の世帯ｃ，ｄを選択した際の組合せの合計が「０」と最小になるため、この組合せを採用する。
採用されたｃ，ｄの個票の持つ様々な属性データを集計することで、公表されていない小地域データを推測することが可能となる。

［推計データの例：図１３］
ここで、推計データの例について図１３を参照しながら説明する。図１３は、推計データの例を示す図である。
個票データの世帯ａ〜ｄのパターンに対して、採用された世帯ｃ，ｄの属性データを集計して図１３に示すような小地域データを推計する。

個票データの世帯ａについては年収が１，０００万円で車が高級車Ａを保有すること、世帯ｂについては年収が５００万円で車を保有していないこと、世帯ｃについては年収が７５０万円で車がワゴン車Ｂを保有すること、世帯ｄについては年収が３００万円で車が軽自動車を保有すること、世帯ｅについては年収が１，２００万円で車が普通車Ｃを保有することが、予め得られているものである。

採用された世帯ｃ，ｄは、年収が７５０万円と３００万円であるため、両者の平均を計算して、小地域（例えばＡ町）の平均年収を５２５万円｛＝（７５０＋３００）／２｝とする。
また、世帯ｃが保有する車がワゴン車Ｂで、世帯ｄが保有する車が軽自動車であるから、小地域Ａ町で保有されている車は、ワゴン車Ｂと軽自動車とする。
これにより、Ａ町における平均年収、所有自動車の種類と台数の情報が推計されたものである。

［処理内容：図１４〜１６］
次に、本システムにおける処理について図１４〜図１６を参照しながら説明する。図１４は、本システムにおける処理の内容を示す概略図であり、図１５は、個票データを集計した表を示す図であり、図１６は、小地域クロスデータを示す図である。
図２〜１３では、大人と子供の数とその合計を世帯人員とした個票データに対して、制約表の小地域データとして世帯人員の世帯数と、大人と子供の数を用いて推計を行ったが、図１４〜１６では、個票データとしてＡ〜Ｃの各グループで得られた年齢と年収のデータに対して、制約表の小地域データとして年齢と年収の小地域クロスデータを用いて推計するものである。

個票データ群ＤＢ２１のＡグループは、ＩＤ−ＰＯＳのデータで２０人分、Ｂグループは、ネットリサーチ（アンケート）のデータで４０人分、Ｃグループは、公共交通機関ＩＣカードのデータで３０人分を記憶している。そして、各グループは、年齢と年収の属性データを共通に保有している。
各グループ内の個票データには、小地域内の人のデータが含まれ、小地域の人数に対して各グループの人数が少なくなっている。

ここで、年齢と年収は個票データにおける一例の項目であって、この項目以外の項目を用いてもよい。
また、年齢と年収は、請求項における特定項目であり、その特定項目を構成する年齢の区分と年収の区分は、請求項における小項目である。

［個票データの集計処理：図１５］
図１４に示すように、情報処理装置１の制御部１１は、個票データ群ＤＢ２１から、例えば、Ａグループの年齢と年収のデータを読み込み、年齢と年収のグループに分類して集計し、図１５の個票データを集計した表を生成し、年齢と年収の特定項目を構成する小項目を特定する。
個票データを集計した表を生成する処理は、記憶部１２に記憶された処理プログラムの実行によって実現されるものであり、機能実現手段を「個票データ集計手段」と称することができる。
尚、図１４の例では、小地域クロスデータの人数に対して、Ａグループのサンプル数が少ないため、図１５の表を小地域クロスデータの人数と同数にするよう調整（拡張）する必要がある。

具体的には、図１５に示すように、２０〜２４歳、２５〜２９歳、３０〜３４歳のように年齢をグループ化して区分し、年収も１００〜２００万円、２０１〜３００万円、３０１〜４００万円のようにグループ化して区分し、年齢を縦軸にして年収を横軸にして、年齢グループと年収グループが交差する枠に、個票データから人数を設定する。ここで区分された項目が小項目となる。
図１５に示した年齢×年収の集計した表が、実際の個票データであるが、ＣＯ法で用いられる個票データは、後述する「拡張された個票データ」である。

［小地域クロスデータ生成処理］
そして、情報処理装置１の制御部１１は、統計ＤＢ２２から地域における年齢と年収の統計データを読み込み、その統計データを用いてＩＰＦ法によって、図１６に示すように、年齢×年収の小地域クロスデータを生成する。
小地域クロスデータ生成の処理は、記憶部１２に記憶された処理プログラムの実行によって実現されるものであり、機能実現手段を「小地域クロスデータ生成手段」と称することができる。

具体的には、図１６に示すように、２０〜２４歳、２５〜２９歳、３０〜３４歳のように年齢をグループ化して区分し、年収も１００〜２００万円、２０１〜３００万円、３０１〜４００万円のようにグループ化して区分し、年齢を縦軸にして年収を横軸にして、年齢グループと年収グループが交差する枠に、統計データからＩＰＦ法によって相当する人数を生成して設定する。
図１６に示した年齢×年収の小地域クロスデータが、制約表の小地域データとなるものである。

［ＣＯ法による最適値演算処理］
次に、制御部１１は、記憶部１２に記憶された処理プログラムを動作させて、ＣＯ法による最適値演算処理を行う。
具体的には、図１５に示した個票データの年齢の区分と年収の区分に対して、図１６に示した小地域クロスデータの人数（例えば、１００人）とすると、Ａグループの個票データが２０人分しかないため、以下のいずれかの方法で個票データを１００人分に拡張する。

第１の方法として、小地域クロスデータの人数に対して、個票データの人数が少ない場合は、小地域クロスデータの人数と同数になるよう個票データを重複して使用し、小地域の嗜好性を推計する処理を行うものである。つまり、個票データの２０人分をランダムに重複して使用し、個票データ１００人分の組合せを準備する。この１００人分の組合せが、拡張された個票データである。
個票データを重複して使用する場合、単純に２０人分を重複して選択してもよいが、２０人分をそのまま残し、不足分（小地域クロスデータ（制約表）の人数と個票データのサンプル数の差分）の８０人分を個票データの２０人分から任意に選択するようにしてもよい。

第２の方法として、小地域クロスデータの人数に対して、個票データの人数が少ない場合は、小地域を含む広い範囲の地域から個票データを収集し、個票データとして不足する分を収集した個票データからランダムに抽出して１００人分の個票データを準備し、小地域の嗜好性を推計する処理を行う。つまり、Ａグループの個票データの２０人分はそのまま使用し、不足分（小地域クロスデータ（制約表）の人数と個票データのサンプル数の差分）の８０人分の個票データを広い範囲の地域で得られた個票データから任意に抽出して、個票データ１００人分の組合せを準備する。この１００人分の組合せが、拡張された個票データである。

以上の第１又は第２の方法によって得られた拡張された個票データの１００人分の組合せについて、年齢×年収の集計表（拡張された個票データの集計表）を作成し、その集計表に対して制約表の小地域クロスデータを用いてＣＯ法により、試行錯誤的に誤差（差異）を演算し、個票データ１００人の組合せの内、誤差が最小となる値（最適値）の時の１００人の組合せを採用する。

つまり、拡張された個票データの集計表の小項目毎に上記方法によって設定された１００人分の個票データに対して、小地域クロスデータの１００人分との間で誤差の演算を行って、最小値を求め、その最小値の時の１００人の組合せを採用する。
尚、拡張された個票データに基づく集計表には、小項目が増えることも考えられるが、その増えた小項目を含む全体の小項目をＣＯ法の対象とする。
そして、採用した１００人のＡグループの個票データにおける属性データ（属性ａ，ｂ）を小地域の属性データとする。

同様に、Ｂグループの４０人について、上記第１又は第２の方法によって個票データの１００人分の組合せを準備し、各組合せについて年齢×年収の拡張された個票データの集計表を作成し、その集計表の小項目毎に設定された１００人分の個票データと小地域クロスデータの１００人との間で、試行錯誤的に誤差を演算し、誤差が最小となる１００人の組合せを採用する。採用した１００人のＢグループの個票データにおける属性データ（属性ｃ，ｄ）を小地域の属性データとする。
また、Ｃグループの３０人についても、上記と同様の処理を行い、採用した１００人のＣグループの個票データにおける属性データ（属性ｅ，ｆ）を小地域の属性データとする。

ここで、属性データ（ａ〜ｆ）は、嗜好性に関するデータであり、ＣＯ法により誤差が最小となった小地域クロスデータの人数に相当する１００人の組合せを採用し、採用した１００人のそれぞれ保有する嗜好性の属性データを小地域の嗜好性のデータとして推計するものである。
これにより、誤差が最小になった最適な小地域の人数の組合せが保有する属性データを小地域の嗜好性のデータとして推計できるので、小地域単位で嗜好性の高い推計データを適正に得ることができる効果がある。
小地域の嗜好性を推計する処理は、記憶部１２に記憶された処理プログラムの実行によって実現されるものであり、機能実現手段を「小地域嗜好性推計手段」と称することができる。

［実施の形態の効果］
本システムによれば、統計データからＩＰＦ法によって小地域クロスデータを生成し、個票データと小地域クロスデータに基づいてＣＯ法によって合計差異が最小となる項目の組合せを採用して、当該採用した項目の属性データを小地域における嗜好性のデータとして推計するものとしているので、小地域単位での嗜好性の高い推計データを得ることができる効果がある。

本発明は、個票データに基づいて小地域単位での嗜好性の高い推計データを得ることができる高精度小地域シミュレーションシステム及びそのプログラムに好適である。

１...情報処理装置、 ２...表示部、 ３...入力部、 １１...制御部、 １２...記憶部、 １３...インタフェース部、 ２１...個票データ群データベース（個票データ群ＤＢ）、 ２２...統計データデータベース（統計データＤＢ）、 ２３...小地域クロスデータデータベース（小地域クロスデータＤＢ）、 ２４...推計データデータベース（推計データＤＢ）

Claims (12)

1. 小地域単位での嗜好性を推計する高精度小地域シミュレーションシステムであって、
   処理プログラムを記憶する記憶部と、前記処理プログラムを実行する制御部とを備える情報処理装置と、
   個票データを記憶する個票データ記憶部と、
   小地域の統計データを記憶する統計データ記憶部と、
   小地域クロスデータを記憶する小地域クロスデータ記憶部と、
   推計データを記憶する推計データ記憶部とを有し、
   前記制御部が前記処理プログラムを読み込んで実行される手段として、
   前記個票データに含まれる特定項目を用いて前記統計データ記憶部から小地域クロスデータを生成して前記小地域クロスデータ記憶部に記憶する小地域クロスデータ生成手段と、
   前記個票データと前記小地域クロスデータに基づいて前記特定項目を構成する小項目の組合せについて、前記個票データをサンプルとし、前記小地域クロスデータを制約表として、前記サンプルからランダムに小項目の組合せを選択して初期解とし、前記初期解と前記制約表との絶対誤差の合計が最小となる小項目の組合せを、最適となる小項目の組合せとする最適化を行い、前記最適となる小項目の組合せを採用し、当該採用した小項目の組合せの個票データが保有する属性データを小地域の嗜好性として推計して前記推計データ記憶部に推計データとして記憶する小地域嗜好性推計手段とを有することを特徴とする高精度小地域シミュレーションシステム。
2. 小地域クロスデータ生成手段は、マイクロシミュレーションのＩＰＦ法により小地域クロスデータを生成することを特徴とする請求項１記載の高精度小地域シミュレーションシステム。
3. 小地域嗜好性推計手段は、最適化において、ミクロデータを生成するＣＯ法を用いることを特徴とする請求項１又は２記載の高精度小地域シミュレーションシステム。
4. 小地域嗜好性推計手段は、小地域クロスデータの制約表における数より個票データのサンプルの数が少ない場合に、前記制約表における数と前記サンプルの数との差分については、前記小地域クロスデータの前記制約表における数と同数となるよう前記サンプルを重複して使用して最適化を行うことを特徴とする請求項１乃至３のいずれか記載の高精度小地域シミュレーションシステム。
5. 小地域嗜好性推計手段は、小地域クロスデータの制約表における数より個票データのサンプルの数が少ない場合に、前記制約表における数と前記サンプルの数との差分については、小地域を含む広い地域からサンプルを収集して前記サンプルの数が前記制約表における数と同数となるよう抽出して最適化を行うことを特徴とする請求項１乃至３のいずれか記載の高精度小地域シミュレーションシステム。
6. 個票データに含まれる特定項目で集計して前記特定項目を構成する小項目を特定する個票データ集計手段を有することを特徴とする請求項１乃至５のいずれか記載の高精度小地域シミュレーションシステム。
7. 小地域単位での嗜好性を推計するコンピュータプログラムであって、
   情報処理装置を、
   個票データ記憶部に記憶された個票データに含まれる特定項目を用いて、小地域の統計データを記憶する統計データ記憶部から小地域クロスデータを生成して小地域クロスデータ記憶部に記憶する小地域クロスデータ生成手段として機能させ、
   前記個票データと前記小地域クロスデータに基づいて前記特定項目を構成する小項目の組合せについて、前記個票データをサンプルとし、前記小地域クロスデータを制約表として、前記サンプルからランダムに小項目の組合せを選択して初期解とし、前記初期解と前記制約表との絶対誤差の合計が最小となる小項目の組合せを、最適となる小項目の組合せとする最適化を行い、前記最適となる小項目の組合せを採用し、当該採用した小項目の組合せの個票データが保有する属性データを小地域の嗜好性として推計して推計データ記憶部に推計データとして記憶する小地域嗜好性推計手段として機能させることを特徴とするコンピュータプログラム。
8. 小地域クロスデータ生成手段は、マイクロシミュレーションのＩＰＦ法により小地域クロスデータを生成することを特徴とする請求項７記載のコンピュータプログラム。
9. 小地域嗜好性推計手段は、最適化において、ミクロデータを生成するＣＯ法を用いることを特徴とする請求項７又は８記載のコンピュータプログラム。
10. 小地域嗜好性推計手段は、小地域クロスデータの制約表における数より個票データのサンプルの数が少ない場合に、前記制約表における数と前記サンプルの数との差分については、前記小地域クロスデータの前記制約表における数と同数となるよう前記サンプルを重複して使用して最適化を行うことを特徴とする請求項７乃至９のいずれか記載のコンピュータプログラム。
11. 小地域嗜好性推計手段は、小地域クロスデータの制約表における数より個票データのサンプルの数が少ない場合に、前記制約表における数と前記サンプルの数との差分については、小地域を含む広い地域からサンプルを収集して前記サンプルの数が前記制約表における数と同数となるよう抽出して最適化を行うことを特徴とする請求項７乃至９のいずれか記載のコンピュータプログラム。
12. 小地域単位での嗜好性を推計するコンピュータプログラムであって、
    情報処理装置を、
    個票データに含まれる特定項目で集計して前記特定項目を構成する小項目を特定する個票データ集計手段として機能させることを特徴とする請求項７乃至１１のいずれか記載のコンピュータプログラム。

Images