論文要約：スペインの 5 都市における都市システム相互作用を記述するマルチレイヤーネットワーク：5 都市のデジタルツイン

1. 背景と課題 (Problem)

感染症の拡大を数学的にモデル化する際、「誰が誰と相互作用するか」を記述するネットワークは極めて重要です。特に新興感染症の文脈では、非薬物的介入（NPIs）を導入できる複数の相互作用コンテキスト（家庭、学校、職場など）をエンコードし、異なる介入戦略を比較評価する必要があります。

従来のアプローチには以下の限界がありました：

• 接触行列の単純化: 年齢層ごとの平均的な接触率を用いる接触行列は、個人間の異質性（heterogeneity）や、相互作用の具体的な文脈（場所、時間、状況）を捉えきれない。
• 大規模データ収集の困難さ: ウェアラブルセンサーや接触追跡アプリは、プライバシー問題、参加率の低さ、技術的制約、および大規模都市への適用性の低さにより、現実的な都市規模でのネットワーク構築には不向きである。
• データ保護政策: 大規模システム（都市）において、詳細な個人データに基づくネットワーク構築は、データ保護政策の強化によりさらに困難になっている。

したがって、プライバシーを保護しつつ、現実的な都市の相互作用構造を忠実に再現する合成データ（Synthetic Data）に基づくマルチレイヤーネットワークの構築手法と、それを公開することが急務でした。

2. 手法 (Methodology)

本研究では、スペインの 5 都市（バルセロナ、バレンシア、セビリア、サラゴサ、ムルシア）を対象に、公開されている高解像度の統計データを活用し、市民とその相互作用を記述する「デジタルツイン」を構築しました。

2.1 人口統計と合成人口の生成

• 地理的範囲: 各市の行政区画（セクション）を単位とし、2011 年国勢調査の形状ファイル（shapefiles）を基に定義。
• 合成人口: 2020 年 1 月 1 日時点の国勢調査データ（年齢、性別、居住区）に基づき、各都市の合成人口を作成。
  • 年齢層の細分化を維持するため、都市ごとのデータ形式に合わせた補間処理（30 歳未満は 1 歳刻みで推定）を実施。
  • バルセロナでは、合計人口と年齢・性別別合計の不一致を調整するため、合成人口からランダムサンプリングを行い、報告された総人口に一致させた。

2.2 マルチレイヤーネットワークの構築

相互作用を 6 つの異なるレイヤー（層）に分割し、それぞれを独立かつ相互に関連してモデル化しました。

1. 世帯層 (Households):
   • 世帯数、平均世帯規模、世帯規模分布、世帯構成（年齢・性別の組み合わせ）の統計データを使用。
   • 各地区の統計に基づき、世帯サイズと構造の互換性マトリクスを作成し、合成人口を割り当てて世帯を生成。
2. 学校層 (Schools):
   • 幼児教育、初等教育、中等教育、職業訓練の 4 つのカテゴリを対象。
   • 地域教育委員会からのデータ（生徒数、クラス数、学校数）を使用。
   • 学校やクラスを合成的に生成し、生徒を年齢と居住地に基づいて割り当て。居住地が異なる場合は「重力法（Gravity Law）」を用いて近隣地区からの生徒を割り当て、データ不一致を調整。
   • 教師も合成人口から選抜し、生徒および同校の教師との接続を確立。
3. 大学層 (Universities):
   • 学士・修士課程の学生を対象。科学技術革新省のデータを使用。
   • 学生の居住地分布（県内・県外）を推定し、市内の合成人口に割り当てられる学生数と、外部から通う学生（外部大学学生）を区別。
   • 各プログラム内で全結合（fully-connected）のグループを形成。
4. 介護施設層 (Nursing Homes):
   • COVID-19 などの感染症リスクが高い場所として重要視。
   • 入所者は合成人口とは別に「外部人口」として扱い、年齢・性別を全国統計に基づきランダム付与。
   • 施設内は全結合とし、4 人の入所者あたり 1 人の介護者を合成人口から選抜して接続。
5. 職場層 (Work):
   • 社会保険加入者データ、雇用率、企業規模分布（べき乗則に従う）を使用。
   • すでに他の層（教師、介護者など）に割り当てられた個人を除外し、残りの労働者に年齢・性別を付与。
   • 企業サイズに基づいてグループ（パッチ）を生成し、内部で全結合。
6. コミュニティ層 (Community):
   • 既存の接触行列（「その他の場所」カテゴリ）に基づき、同じ行政区画内に居住する個人間の接触をモデル化。
   • 年齢層ごとの接触数を推定し、ランダムにリンクを生成。

2.3 データソース

• 国レベル: 国立統計局（INE）、科学・革新・大学省、教育・文化・スポーツ省など。
• 地域・市レベル: 各都市の自治体（バルセロナ市庁、バレンシア市庁など）および地域政府が公開するオープンデータ（人口統計、学校リスト、座標情報など）。

3. 主要な貢献と結果 (Key Contributions & Results)

3.1 データセットの公開

• 5 都市（バルセロナ、バレンシア、セビリア、サラゴサ、ムルシア）の各レイヤーに対応するマルチレイヤーネットワークを CSV 形式（リンクリスト）で公開。
• 個体の特徴（年齢、性別、居住区）を記述するメタデータファイルも提供。
• 生成コード（Python/Jupyter Notebook）をリポジトリで公開。

3.2 検証結果

• 平均次数の分析: 各レイヤーにおける平均接触数（Table 2）を算出。例えば、バルセロナでは学校層で約 26、大学層で約 45、介護施設で約 140 の平均接触数が見られ、レイヤー間の接触頻度の大きな差異が確認された。
• 接触行列の検証: 生成されたネットワークから抽出した年齢別接触行列（Fig. 2）は、既存の研究（POLYMOD 等）で報告されたスペインの接触パターンと整合性があった。
• COVID-19 拡大シミュレーション: 構築されたネットワークを用いた COVID-19 の第 1 波・第 2 波のシミュレーションは、監視データと良好な一致を示し、ネットワークモデルの有効性を裏付けた。

3.3 都市ごとの特徴

• 都市の規模（人口）や行政データの詳細さ（区画レベルか市町村レベルか）に応じて、データ処理の精度や手法が適応的に調整された（例：バルセロナは区画レベルの詳細データ、ムルシアはセクションレベルのデータ利用）。

4. 意義と将来展望 (Significance)

• 公衆衛生政策への貢献: 非薬物的介入（NPIs）の効果を、特定の都市構造や社会的文脈を考慮してシミュレーションできる「テストベッド」として機能する。
• プライバシー保護と実用性の両立: 個人を特定できない合成データを用いることで、データ保護規制（GDPR など）を遵守しつつ、高解像度の都市モデルを提供。
• 標準化の必要性の提起: 各国・各自治体でデータ形式が統一されていない現状を指摘し、国際的または国内的な標準化フレームワークの構築を提唱。
• 拡張性: 感染症拡大だけでなく、意見形成や他の社会的拡散プロセスの研究にも応用可能な汎用的なプラットフォームを提供。

5. 結論

本研究は、限られたデータ制約とプライバシー保護の課題を克服し、スペインの 5 大都市における詳細なマルチレイヤー相互作用ネットワークを構築・公開した画期的な試みである。これにより、将来のパンデミックへの備えや、都市システムにおける複雑な社会的プロセスの理解が飛躍的に向上することが期待される。