Social Media Data for Population Mapping: A Bayesian Approach to Address Representativeness and Privacy Challenges

技術要約：人口マッピングのためのソーシャルメディアデータ：代表性とプライバシーの課題に対処するためのベイズ的アプローチ

問題提起
正確かつタイムリーな人口データは、災害対応や人道支援計画において極めて重要であるが、従来の国勢調査データは、急速な人口動態の変化や短期的な空間移動を捉えられないことが多い。ソーシャルメディアのデータ（特にFacebookのユーザー数）は、動的な人口モニタリングのための有望な代替手段となるが、その有用性は主に2つの課題によって制約されている：

1. 代表性： ソーシャルメディアのユーザーは全人口の偏ったサブセットであり、観察されたユーザー数と真の人口ストックとの関係は、社会経済的および地理的な文脈によって大きく異なる。
2. プライバシーに起因する欠損： ユーザーのプライバシーを保護するため、Meta（Facebook）は差分プライバシー技術を適用し、低カウントのデータを検閲している。具体的には、10ユーザー未満のユーザー数はマスクされるか検閲される。著者らは、この検閲が低人口地域や農村部に不均衡に影響を及ぼし、重大なデータギャップ（約1.7%の自治体にカウントが存在しない、および6.6%以上のタイルで80%以上の欠損が発生している）を生じさせていることを見出した。これは、標準的な平滑化や補間法では対処できないバイアスを導入している。

手法
本研究は、フィリピンをケーススタディとして活用し、2020年の国勢調査データと2020年5月4日（COVID-19ロックダウン中の国勢調査参照日に合わせるため選択）のFacebookユーザー数を利用して、これらの課題に対処するベイズフレームワークを採用している。ワークフローは、主に以下の3つの段階で構成される：

1. 検閲データに対するベイズ補完：
   プライバシー検閲によって生じた欠損値を回収するために、著者らはベイズ・ポアソン・カウント階層モデルを開発した。単純な補完法とは異なり、このアプローチは欠損値を恣意的なものとしてではなく、情報を持つものとして扱う。モデルは、各タイルにおけるユーザー数の全時間分布（2020年3月〜12月）を利用する。モデルは、観測されたカウントと、検閲されたカウント（閾値である10未満のカウント）を、検閲された観測に対してポアソン累積分布関数を組み込んだ尤度関数を用いて区別する。カウントが検閲された値のみのタイルについては、データセット内での出現頻度に基づいてグループ化し、共有分布を推論することで、農村部における欠損カウントの回収を可能にしている。

2. ユーザー比率の統計モデリング：
   補完されたデータを用いて、各自治体（Bayan）におけるFacebookユーザーの割合を、以下の予測変数の関数としてモデル化する：

• 都市化の程度（DUC）：農村、準都市、および都市に分類。
• 生産年齢人口比率（15〜65歳）。
• 夜間光強度（衛星放射輝度）。
  （注：ネットワーク使用密度も分析されたが、他の予測変数との高い共線性およびデータの希薄さにより、最終的なモデルからは除外された）。

3つのモデルバリアントが開発され、比較された：

• $M_{bin}$: 階層的二項モデル。
• $M_{betabin}$: 二項仮定を超える分散を考慮するために過分散パラメータ（$\rho$）を導入したベータ二項回帰モデル。
• $M_{full}$: $M_{betabin}$ の過分散に加え、予測変数では説明できない隣接する行政区域間の空間相関を捉えるための、Hilbert空間近似ガウス過程（HSGP）を用いた空間明示的コンポーネントを組み込んだフルモデル。

3. 検証：
   モデルは、80%の行政区域（DUCによる層化）で学習され、残りの20%でテストされた。性能は、中央値の絶対誤差（AEMed）、平均の二乗誤差（SEMean）、および連続ランク確率スコア（CRPS）によって評価された。

主な結果

• 補完の有効性： ベイズ補完アプローチは、以前はユーザーカウントが存在しなかった農村部の自治体（323件のBayan）のデータカバレッジを正常に回復した。このプロセスにより、低密度地域が系統的に過小評価されるというバイアスが修正された。
• モデルの性能： 過分散と空間相関の両方を考慮したフルモデル（$M_{full}$）が、最高の汎用性を示した。
  • 都市部： AEMedは約24%、CRPSは約18%を達成。
  • 農村部： AEMedは約39%、CRPSは約27%を達成。
  • 過分散と空間コンポーネントの導入は、特にユーザー率が低く分散が高い農村部において、信頼区間の較正を大幅に改善した。
• 予測変数の関係： 分析により、高い都市化、より大きな生産年齢人口、および高い夜間光強度が、Facebookユーザーの割合と正の相関があることが確認された。しかし、農村部では、高い人口密度がむしろユーザー比率の低下と関連していた。これは、高密度な農村集落における社会経済的格差（貧困）を反映していると考えられる。
• 空間相関： $M_{full}$ における空間コンポーネントは、予測変数に帰せられていた変動を吸収し、結果として事後予測分布における不確実性（標準偏差）を低下させた。

意義と主張
本論文は、偏りのある、プライバシーによって検閲されたソーシャルメディア信号を、信頼できるタイムリーな人口推定値に変換するための一般的なフレームワークを提供すると主張している。その主な貢献は以下の通りである：

1. プライバシー・バイアスへの対処： 差分プライバシーによる検閲メカニズムを無視するのではなく、明示的にモデル化しており、それを行わないことが農村人口の系統的な排除につながることを示している。
2. 動的な推定： 提案されたモデルは、新しいソーシャルメディアデータが入手されるたび（8時間ごと）に、人口予測を定期的に更新することを可能にし、静的な国勢調査ベースの推定に対する動的な補完を提供する。
3. 人道支援への有用性： フィリピンのような災害に脆弱な地域において、細かい空間解像度（自治体レベル）で人口ストックを推定できることを示すことで、本研究はより標的を絞った人道支援を実現するためのツールを提供している。
4. 手法の厳密性： 単純な点推定を超えて、過分散と空間相関を考慮することの必要性を強調し、正確な推定および適切な不確実性区間を得るための重要性を示している。

著者らは、モデルが特定の仮定（例：ユーザー行動の定常性、真のデータとしての国勢調査データの正確性）に依存していること、および本アプローチはソーシャルメディアの普及が著しい地域に最も適用可能であることを認め、控えめな姿勢を維持している。また、現在のモデルには特定の予測変数を使用しているが、フレームワークは利用可能な新しいリアルタイムデータソースを取り入れることで拡張可能であると述べている。