リスク評価におけるネットワーク理論

ネットワークは、接続パターンの基本のみを捉えた抽象的な構造であり、それ以外はほとんど何も捉えていません。ネットワークは一般化されたパターンであるため、ネットワークを分析、モデル化、理解するために開発されたツールは、理論的には分野を超えて実装できます。システムをネットワークで表現できる限り、数学的、計算的、統計的など、十分に開発された広範なツール セットがあり、理解すれば対象のシステムの分析に適用できます。

現在リスク評価に使用されているツールは十分な場合が多いが、モデルの複雑さと計算能力の限界により、リスク評価者はより多くの因果関係を考慮し、より多くのブラックスワンイベントの結果を考慮する必要がある。ネットワーク理論ツールをリスク評価に適用することで、計算上の限界を克服し、不確実性の範囲を狭めながら、より広範囲のイベントをカバーできるようになる可能性がある。^[1]

意思決定プロセスは、日常的なリスク評価には組み込まれていないが、そのようなプロセスにおいて重要な役割を果たしている。^[2]そのため、リスク評価者は、政治、メディア、支持者などの外部要因の関与を最小限に抑えて分析を実施し、結果を公表することで、確証バイアスを最小限に抑えることが非常に重要です。しかし、現実には、政治家、科学者（この場合はリスク評価者）、支持者、メディアの間の鉄の三角形を破ることはほぼ不可能です。 ^[3]リスク評価者は、リスク研究とリスク認識の違いに敏感である必要があります。^{[4] [5]}この2つを近づける1つの方法は、意思決定者に簡単に信頼して理解できるデータを提供することです。リスク分析プロセスでネットワークを使用すると、因果関係を視覚化し、重要なイベントの確率に大きく影響する、または重要な要因を特定できます。^[6]

ボウタイダイアグラム、因果関係図、ベイジアンネットワーク（有向非巡回ネットワーク）、フォールトツリーなどは、ネットワーク理論をリスク評価にどのように応用できるかを示す例である。^[7]

疫学的リスク評価（図 7 および 9）では、ネットワーク モデルが構築されると、密接なつながりのある患者（図 7 の患者 1、6、35、130、127）や交通量の多い場所（図 9 のホテル M）に関連する人々の潜在的な曝露または感染リスクを視覚的に確認し、定量化して評価できます。生態学的リスク評価（図 8）では、ネットワーク モデルを通じてキーストーン種を特定し、調査対象の潜在的な危険から影響がどの程度広範囲に及ぶかを判断できます。

リスク評価は不確実性に対処するための方法です。リスク管理と意思決定プロセス全体に有益であるためには、極端で壊滅的なイベントを捉えることができなければなりません。リスク評価には、リスク分析とリスク評価の2つの部分が含まれますが、「リスク評価」という用語は「リスク分析」と区別がつかないように使用されることがあります。一般的に、リスク評価は次の手順に分けられます。^[8]

1. リスク分析を計画し、準備します。
2. システムと分析の範囲を定義し、制限します。
3. 危険と潜在的な危険事象を特定します。
4. 各危険事象の原因と頻度を特定します。
5. 各危険なイベントによって発生する可能性のある事故のシナリオ（つまり、一連の事故）を特定します。
6. 関連性のある典型的な事故シナリオを選択します。

   

7. 各事故シナリオの結果を判断します。
8. 各事故シナリオの頻度を決定します。
9. 不確実性を評価する。
10. リスクの状況を確立し、説明します。
11. 分析結果を報告します。
12. リスク受容基準に照らしてリスクを評価する
13. 潜在的なリスク軽減策を提案し、評価します。

当然、必要な手順の数は評価ごとに異なります。それは分析の範囲と研究対象の複雑さに依存します。^[9]リスク分析プロセスには不確実性の度合いが常に異なるため、通常は感度分析と不確実性分析を実行して不確実性のレベルを軽減し、全体的なリスク評価結果を改善します。

ネットワークは、システムを抽象的な構造に簡略化した表現です。簡単に言えば、線で結ばれた点の集まりです。各点は「頂点」（複数形は「頂点」）または「ノード」と呼ばれ、各線は「エッジ」または「リンク」と呼ばれます。^[10] ネットワークのモデリングと研究は、コンピューター、物理学、生物学、生態学、物流、社会科学など、多くの分野ですでに応用されています。これらのモデルの研究を通じて、個々のコンポーネント（つまり、頂点）の性質、それらのコンポーネント間の接続または相互作用（つまり、エッジ）、および接続のパターン（つまり、ネットワーク）についての洞察が得られます。

疑いなく、特定のネットワークの構造 (またはパターン) を変更すると、それが表すシステムの動作に大きな影響を与える可能性があります。たとえば、ソーシャル ネットワーク内の接続は、人々のコミュニケーション、ニュースの交換、旅行、そしてそれほど明白ではないものの、病気の蔓延に影響を与えます。これらの各システムがどのように機能するかをより深く理解するには、ネットワークの構造に関する知識が必要です。

スモールワールド効果

スモールワールド効果は、最も注目すべきネットワーク現象の1つです。これは、多くの（おそらくほとんどの）ネットワークにおいて、頂点間の平均経路距離が驚くほど小さいという発見を表しています。 ^[11]これは、ネットワーク研究のさまざまな分野に多くの影響を及ぼします。たとえば、ソーシャルネットワークでは、噂（または伝染病）がコミュニティ内でどのくらいの速さで広がるかを熟考することができます。数学的な観点からは、ネットワーク内の経路長は通常、log n（n = ネットワーク頂点の数）に比例するため、大規模で複雑なネットワークであっても、経路長が小さい数値のままであるのは当然です。

スモールワールド効果に伴うもう一つの考え方は、ファンネリングと呼ばれるものです。^[12]これは、実験心理学者スタンレー・ミルグラムが1960年代に行ったソーシャルネットワーク実験から派生したものです。その実験で、彼はスモールワールド効果現象とともに、どのようなソーシャルネットワークでも、特につながりの強い人は少数であると結論付けました。したがって、これらの少数の個人が、メンバーと残りの世界とのつながりを担っているのです。

学位、ハブ、パス

頂点の次数とは、それに接続されている辺の数です。たとえば、図 4 では、頂点 3 の次数は 5 です。ハブは、ネットワーク内で比較的高い次数を持つ頂点です。ここでも、頂点 3 が良い例です。ソーシャル ネットワークでは、ハブは多くの知り合いを持つ個人を意味する場合があります。リスク評価では、複数のトリガーを伴う危険なイベント (または蝶ネクタイ図の因果関係の部分) を意味する場合があります。ネットワーク内のパスは、ネットワーク上の頂点と別の頂点の間の経路です。同じ図で、頂点 1 から 6 へのパスの例は、1→5→3→6 です。

中心性

中心性は、ネットワーク内で特定の頂点がどれだけ重要 (または中心的)であるかを示す尺度です。中心性は、それに接続されている辺の数 (つまり、次数)を数えることで測定できます。したがって、次数が最も高い頂点は次数中心性が高くなります。

次数中心性は多くの意味を持ちます。ソーシャルネットワークでは、次数中心性が高い人は、つながりの少ない人よりも、他の人に対してより大きな影響力を持ち、より多くの情報にアクセスでき、より多くの機会を得ることができます。引用ネットワークでは、次数中心性が高い論文は、より影響力があり、したがってそれぞれの研究分野に大きな影響を与えることを示唆する可能性があります。 ^[13]

固有ベクトル中心性は、多くのネットワークではすべての頂点が同じ重みまたは重要度を持つわけではないという事実に基づいた、次数中心性の概念の拡張です。重要な頂点への接続が多いほど、ネットワーク内での頂点の重要性が高まります。したがって、固有ベクトル中心性は、1 つの頂点だけでなく、その隣接する頂点も対象とした中心性スコアリング システムと見なすことができます。

コンポーネント

切断されたネットワーク内の頂点のサブグループまたはサブセット。切断されたネットワークとは、そのようなネットワーク内に、接続するパスがまったくない頂点のペアが少なくとも 1 つあることを意味します。逆に、接続されたネットワークでは、その中のすべての頂点が少なくとも 1 つのパスで接続されています。したがって、接続されたネットワークには 1 つのコンポーネントしかないと言えます。

有向ネットワーク

各エッジが 1 つの頂点から別の頂点への方向を持つネットワーク。そのため、このエッジは有向エッジと呼ばれます。このようなネットワークの例には、このページの参照セクションから別のセクションへのリンクが含まれますが、その逆はありません。食物連鎖の観点で言えば、捕食者が食べる獲物も別の例です。

有向ネットワークは、循環的または非循環的になります。循環的有向ネットワークは、エッジの閉じたループを持つネットワークです。非循環的有向ネットワークには、そのようなループは含まれません。自己エッジ(頂点をそれ自身に接続するエッジ) はサイクルと見なされるため、非循環的ネットワークには存在しません。

ベイジアン ネットワークは、非巡回有向ネットワークの例です。

加重ネットワーク

実際には、すべてのエッジが同じ重要性や重みを共有するわけではありません (たとえば、ソーシャル ネットワーク内の接続と食物網内のキーストーン種)。重み付けネットワークは、そのような要素を接続に追加します。これは、ゲノムおよびシステム生物学アプリケーションで広く使用されています。

木々

閉じたループのない無向ネットワーク。ツリーはネットワークの一部である場合もありますが、独立したコンポーネントとして分離されています。ネットワークのすべての部分がツリーである場合、そのようなネットワークはフォレストと呼ばれます。行政機関は、フォレストとして見られる場合もあります。

初期のソーシャル ネットワーク研究は、19 世紀末にまで遡ることができます。しかし、この分野のよく文書化された研究と基礎は、通常、精神科医のジェイコブ モレノによるものとされています。彼は1934 年に「Who Whall Survive?」というタイトルの本を出版し、社会測定学(後にソーシャル ネットワーク分析として知られる)の基礎を築きました。

ソーシャル ネットワーク分析の初期開発に貢献したもう 1 人の著名な人物は、実験心理学者のスタンレーミルグラムです。彼の「スモール ワールド」実験は、 6 度の隔たりや、つながりの深い知人 (「社会測定学のスーパースター」とも呼ばれる)などの概念を生み出しました。この実験は最近、電子メール メッセージを使用して Doddsらによって繰り返され、基本的な結果はミルグラムの結果と似ていました。この実験の推定真の平均パス長 (つまり、電子メール メッセージが 1 人の個人からさまざまな国の意図されたターゲットに渡るエッジの数) は約 5 から 7 で、元の 6 度の隔たりからそれほど外れていません。^[14]

食物網または食物連鎖は、特定の生態系における捕食者と被捕食者の関係を表す有向ネットワークの一例である。このタイプのネットワークの頂点は種を表し、辺は捕食者と被捕食者の関係を表す。種の集合は、その集合内のすべてのメンバーが同じ生物を捕食し、同じ生物に捕食される場合、単一の頂点で表すことができる。食物網は、成体が幼体を捕食したり寄生したりするなどのいくつかの例外を除いて、非循環的であることが多い。^[15]

注:食物網のメイン記事では、食物網は循環的であると説明されていました。これは、特定の生態系における炭素とエネルギー源の流れに基づいています。ここで説明する食物網は、捕食者と被食者の役割​​のみに基づいています。炭素と窒素の循環で活動する生物(分解者や固定者など) は、この説明では考慮されていません。

疫学はソーシャル ネットワークと密接に関係しています。伝染病は、職場、交通機関、親密な身体接触、水道などの接続ネットワークを通じて広がる可能性があります (図 7 および 9 を参照)。インターネット ネットワークに広がるコンピューター ウイルスは、仮想的にしか存在しませんが、物理的なものとそれほど変わりません。したがって、これらのネットワーク パターンをそれぞれ理解することは、伝染病の結果をより正確に予測し、より優れた疾病予防プロトコルを準備するのに役立つことは間違いありません。

感染の最も単純なモデルはSI（感受性-感染）モデルとして提示される。しかし、ほとんどの病気はそのような単純な方法では動作しない。そのため、このモデルにはSIR（感受性-感染-回復）、SIS（2番目のSは再感染を表す）、SIRSモデルなど多くの修正が加えられた。潜伏期間の考え方はSEIR（Eは曝露を表す）などのモデルで考慮されている。SIRモデルはリードフロストモデルとしても知られている。^[16]

これらをアウトブレイクネットワークモデルに組み込むには、ネットワークの巨大な構成要素における頂点の次数分布を考慮する必要がある（小さな構成要素におけるアウトブレイクは孤立しており、すぐに消滅するため、アウトブレイクが流行病になることはない）。理論的には、重み付けネットワークは頂点の曝露確率に関するより正確な情報を提供できるが、より多くの証明が必要である。Pastor-Satorrasらはこの分野で多くの先駆的な研究を行っており、最も単純な形式（SIモデル）から始めて、構成モデルから作成されたネットワークに適用した。^[17]

感染が個体に病気を引き起こす仕組みの生物学は複雑であり、専門家が関心を持つ別のタイプの病気パターンです（病因として知られるプロセスで、宿主の免疫学と病原体の毒性因子が関係します）。

• ドルゴアルシニク、レジーナ。「疫病モデルにおける臨界性」。コロンビア大学、ニューヨーク。疫病モデルにおける臨界性
• ルグラン、アマウリー、トム・アウワーズ。行政手続きの枠組みとしてのプリンシパル・エージェント・モデルとネットワーク理論：ベルギーの社会保障。EGPAカンファレンス「プレッシャーにさらされる公務員：政治、専門職、市民社会の間」（2006 年）：1-40
• Martinez, Neo、Dunne, Jennifer。「Foodwebs.org」。Pacific Ecoinformatics and Computational Ecology Lab.、2011 年。foodwebs.org
• マイヤーズ、ローレン A.、MEJ ニューマン、ステファニー シュラグ。ネットワーク理論の疫病への応用: マイコプラズマ肺炎の流行に対する制御対策。新興感染症 9.2 (2003): 204-10
• 全米研究会議 (NRC)。連邦政府におけるリスク評価: プロセスの理解。ワシントン DC: National Academy Press、1983 年。
• 全米研究会議（NRC）。「リスクを理解する：民主的な社会における意思決定の指針」ワシントン DC：全米アカデミー出版、1996 年。
• ニューマン、マークEJ 『ネットワーク：入門』オックスフォード：オックスフォード大学出版局、2010年、ISBN  978-0199206650。
• Pielke Jr.、Roger A. 「政策、政治、展望」Nature 416 (2002): 367-68。
• ラウサンド、マーヴィン。リスク評価：理論、方法、およびアプリケーション。ホーボーケン、ニュージャージー：ジョン・ワイリー・アンド・サンズ、2011年。
• ロスマン、ケネス J.、サンダー グリーンランド、ティモシー L. ラッシュ。現代疫学。第 3 版。フィラデルフィア: Wolters Kluwer Health/Lippincott Williams & Wilkins、2008 年。
• Rowland, Todd および Weisstein, Eric W. 「因果ネットワーク」MathWorldより— Wolfram Web リソース。因果ネットワーク
• スロヴィック、ポール「リスクの認識」サイエンス236（1987）：280-85。
• タレブ、ナシム・N. 「エラー、堅牢性、第 4 象限」国際予測ジャーナル 25.4 (2009): 744-59
• ウルフラム、スティーブン。『新しい種類の科学』。イリノイ州シャンペーン：ウルフラムメディア、2002年。