| 研究課題/領域番号 |
23K01335
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分07030:経済統計関連
|
|---|
| 研究機関 | 神戸大学 |
|---|
研究代表者 |
田中 克幸 神戸大学, 計算社会科学研究センター, 特命講師 (80448167)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2028-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)
2027年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2026年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2025年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2024年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2023年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
|
|---|
| キーワード | Data Base / Graph / Machine Learning / Vulnerability Analysis / Data Science / Technology |
|---|
| 研究開始時の研究の概要 |
Google、Apple、Facebook、Amazon、MicrosoftなどのIT企業の躍進は、情報という新たなインフラの創作に至るほど巨大な影響を世界に及ぼしている。これら企業の原動力である技術は、企業や国の発展や経済の活性化に大きく影響する重要な要素の1つとなっている。
本研究では、技術の力がどのような影響をどのように企業や国に及ぼしているのか、企業に関する有形・無形資産データを結びつけBigDataを作成し、さまざまなDataScience手法を用いてミクロ・マクロ両方の視点より分析し、技術と企業・国の詳細な関係メカニズムをシステマティックに解明する新たな方法論の確立していく。
|
| 研究実績の概要 |
本研究では、１つの企業が所有する特許の数々はその企業のさまざまな分野における技術と知識の蓄積、つまり技術力を表していると考え、技術の力がどのような影響をどのように企業や国に及ぼしているのか？どうすればそれらの複雑な関係メカニズムを解明することができるのか？など、技術が企業や国に与えるさまざまな影響とその要因をシステマティックに解明する新たな方法論の確立を目的としている。
2023年度では、技術と企業や国の関係メカニズム解明に必要なDB不足を解消するために、全世界の企業情報が収録されたOrbisの大規模な企業Dataの収集を行いDBの構築を行った。具体的には財務指標（Ratio）を有形資産、特許とその内容を技術的に分類したInternational Patent Classification(IPC)を無形資産として企業ごとに収集・集約し、Noe4jによってネットワーク型のGraphDBを作成した。構築されたDBは約２千万件のCompany、約１千万件のPatent情報、Patentの種類を表す約7万件のIPCをネットワーク結合させた有形資産と無形資産を紐付けられた大規模な構成となっている。
このようなGraphDBを作成することで、企業間の複雑な技術・財務的な関係性を表現することが可能となり、技術と企業や国の関係メカニズム解明を行えるだけでなく、ネットワーク分析や機械学習を応用した分析手法による複雑なメカニズムの解明に繋がる。
さらに、企業の財務指標（Ratio）によって形成される有形資産をベースとした企業の健全性を評価・予測・分析するために、Orbisから大規模なデータ収集を行い、機械学習を用いたモデルを構築するための準備を整えることができた。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
1: 当初の計画以上に進展している
理由
本研究の2023年度の計画では、技術と企業や国の関係メカニズム解明に必要なDataの収集とDBの構築することで、このような課題を遂行できるようなData整備を目的としていた。
本年度の成果にあるように、全世界の企業情報が収録されたOrbisの大規模な企業Dataの財務DataとPatent Dtataの収集を行うことができ、Dataの複雑な関係性を表現できるネットワーク型のDBでるNoe4jによってGraphDBを作成することができた。
さらに、企業の財務指標（Ratio）によって形成される有形資産をベースとした企業の健全性を評価・予測・分析するために、Orbisから大規模なデータ収集を行い、機械学習を用いたモデルを構築するための準備を整えることもできた。予定していたDBの作成のみならず、今後新たな分析を行える環境とアイデアを整えることができた。
|
| 今後の研究の推進方策 |
今後の研究では、企業の財務指標（Ratio）から形成される有形資産と、特許などから形成される無形資産がどのように企業の健全性と関係するかを紐解いていく。
まずはそのベースとなる、財務指標から形成される有形資産がどのように企業の健全性、特に倒産に関連するかを評価・予測分析を、Random ForestやLSTMやCNNをベースとしたDeep Learningなどさまざまな機械学習を用いてシステマティックかつ大規模なDataにも対応できるようなフレームワークを構築し、倒産に関係する財務的な要因を分析していく。
１）企業の倒産予想に関する主な研究では、Bankruptcyを扱うことが多いが、Bankruptcyを引き起こすまでの財務悪化から事業の再建の可能性は極めて低くなる。Bankruptcyよりも早い段階でなんらかの財務的な不健全性Signalをシステマティックに感知できれば、より良いよいRisk Managementの方法論が構築できると考えられ、今後の研究としてこれらの要因を探求していく。
２）経済の分野でも予測分析において機械学習が活発的に用いられるようになったが、ラベルデータを用いた教師あり学習によって予測モデルを構築するケースが多い。実社会のデータでは、ラベルがない・あるいは非常に偏った制限あるデータを利用して分析を行うケースの方が多いが、このような制限されたデータを扱った分析方法はあまり紹介されていない状況にある。特に企業の倒産などのデータは少なく、非常に偏ったDataであるので、今後の研究としてこのような条件で、どのように倒産モデルを構築できるか検討していく。
|
