| Project/Area Number |
23K21012
|
|---|
| Project/Area Number (Other) |
21H01561 (2021-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2021-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 25010:Social systems engineering-related
|
|---|
| Research Institution | University of Tsukuba |
|---|
Principal Investigator |
倉橋 節也 筑波大学, ビジネスサイエンス系, 客員教授 (40431663)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
小野 功 東京科学大学, 情報理工学院, 教授 (00304551)
寺野 隆雄 千葉商科大学, 基盤教育機構, 教授 (20227523)
津田 和彦 筑波大学, ビジネスサイエンス系, 教授 (50302378)
吉田 健一 筑波大学, ビジネスサイエンス系, 教授 (40344858)
|
|---|
| Project Period (FY) |
2024-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,160,000 (Direct Cost: ¥13,200,000、Indirect Cost: ¥3,960,000)
Fiscal Year 2025: ¥2,860,000 (Direct Cost: ¥2,200,000、Indirect Cost: ¥660,000)
Fiscal Year 2024: ¥3,250,000 (Direct Cost: ¥2,500,000、Indirect Cost: ¥750,000)
Fiscal Year 2023: ¥3,250,000 (Direct Cost: ¥2,500,000、Indirect Cost: ¥750,000)
Fiscal Year 2022: ¥3,250,000 (Direct Cost: ¥2,500,000、Indirect Cost: ¥750,000)
Fiscal Year 2021: ¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
|
|---|
| Keywords | 社会シミュレーション / 逆シミュレーション / エージェント・ベース・モデル / 社会モデル / シミュレーション / スマートシティ / エージェントモデル / マクロ経済分析モデル / 新型コロナ感染症 / データ同化 |
|---|
| Outline of Research at the Start |
感染症や都市動態など、人と人との関係を含む社会現象を解明するとき、相互作用を伴い動的に時間発展する複数の現象を扱う社会モデルを構築することは、常に困難なテーマである。多層社会の新型コロナ感染症モデルをベースに、階層性を持つ異種社会データと個体ベースモデルを融合させ、社会データ同化手法の高速化モデルを研究開発する。そして、地域コミュニティ再生および健康で包摂的な都市政策立案、未知の感染症予防への適用を通して、社会リスクに強い持続可能なスマートシティ実現のための基盤技術構築を目標とする。
|
| Outline of Annual Research Achievements |
本年度は、オフィス内の従業員の位置情報データから検出した対面ミーティングの発生情報を利用して、オフィス勤務におけるCOVID-19の感染リスクを推定するエージェントシミュレーションモデルを構築した。 COVID-19の感染確率モデルで利用する対面ミーティングと参加人数、対面時間は、それぞれ実際に観測されたデータを参照している。COVID-19感染リスクの推定は、飛沫の拡散の実測値からシミュレーションされたデータを用いている。研究対象の企業の全20フロアで検出された1日のミーティング回数と、通常呼吸を想定したウイルスの感染確率を用いて、他の従業員への感染リスクをシミュレーションした。その結果、COVID-19のomicron株においては一日当たり感染者数が平均で4.34人, 最大で49.21人という解を得た。またオフィスでのミーティングにおいても, 少人数で短時間の開催が感染リスクの抑止には効果的であることを確認した。これらの結果は、実際のオフィスでの感染数と一致させるアルゴリズムを作成した。
また、地域での歩行数を推定するエージェントモデルや、小学校における飛沫感染および接触感染を評価するために、ビデオ録画を用いた実際の行動データを収集し、学校内での対面接触を推定するエージェントモデルを構築した。そして、接触行動においては、接触履歴に基づいて接触ネットワークを構築する新しいアプローチを導入することで、実際の接触履歴においてウイルスを保有する生徒がいた場合のウイルス伝播シナリオを再現した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
実際の社会現象からデータ収集を行い、開発してきたエージェントベースモデルの推定アルゴリズムの実現可能性を調査した。
これらを対象に分析フレームワークの改善に資するための各種の検討を行い、開発したオフィス内モデルや小学校モデルが、個人間の相互作用を精緻に再現し、従来のモデルに比べて実態をより反映した形になっていることを示すことができた。また、歩行行動の実測データから移動生起確率のパラメータ推定を行う手法の提案と、接触確率をネットワークモデルから推定する新たな手法を提案し、その有効性を明らかにした。
これらによって、社会データ同化手法の基本的なフレームワークが完成に近づいた。
|
| Strategy for Future Research Activity |
地域住民の健康維持のためのモデルを構築する。そのために必要なデータとして、次のものを収集する。１)住民間の関係構造を質問紙調査で収集した社会ネットワークデータ、2)世帯構成や住所を推定する合成人口データ、3)住民の移動行動を観測したモバイルGPSデータ、4)道路などの地理情報データ。これらを基礎に、住民行動を推定するエージェント・ベース・モデルを構築し、観測データを正確に再現する推定アルゴリズムの能力を評価するとともに、政策介入による住民の健康活動の変化を推定するモデルベース政策立案の基盤を構築する。
|
