standard-block-auditor 0.1.1

A quantitative framework for detecting budgetary distortion.

Standard Block Comparison Method (標準ブロック比較法)

"数字のマジック"から解き放たれ、行政施策の真の実効性を測るための監査フレームワーク

概要 (Overview)

行政や企業が発表する「累計〇〇人」「予算〇〇億円」といった巨大な数字は、往々にして実態（ROI）を隠蔽するために利用されます。 本リポジトリでは、これらの数字を「基礎自治体（Standard Block）」という最小単位まで分解し、その施策が社会インフラとして機能しているか、あるいは単なる「誤差」に過ぎないのかを数学的に判定する手法「標準ブロック比較法」を提供します。

この手法は、フェルミ推定の考え方を応用し、日本の基礎自治体数（約1,700）を定数として用いることで、誰でも直感的に規模感を把握できる指標（Administrative Density）を算出します。

目的 (Purpose)

• 行政監査のDX化: 感情論ではなく、数式に基づいたロジカルな行政評価を行う。
• 規模感の可視化: 巨大すぎる数字を、市民が実感できるサイズ（1自治体あたりのキャパシティ）に変換する。
• Civic Techへの貢献: 誰もが検証・利用可能な評価フォーマットをオープンソースとして公開する。

計算式 (The Formula)

行政施策の実効性インパクト ($I$) は、以下の式で定義されます。

$$ I = \frac{V}{B} $$

ここで、標準ブロック ($B$) は以下のように算出されます。

$$ B = \frac{P \times R}{N} $$

変数の定義

• $P$ (Population): 日本の総人口（約1.24億人 ※2023年推計）
• $R$ (Ratio): ターゲット属性の比率（例：全人口なら1.0, 若年層なら0.15など）
• $N$ (Number): 全国の基礎自治体数（約1,718）
• $V$ (Value): 発表された成果数（例：累計3,000人、予算100億円など）
• $B$ (Block): 標準ブロック（1自治体あたりの平均ターゲット数）
• $I$ (Impact): 実効性インパクト

判定基準 (v2.0)

算出されたインパクト値 ($I$) は、「全国1,718自治体のうち、いくつの自治体を満杯にできるか」を示します。 これに基づき、施策の「社会実装ステージ」を判定します。

インパクト値 ($I$)	普及率目安	判定	意味 (Benchmark)
$I < 1.0$	0.05%未満	誤差レベル	論外。標準的な1自治体すらカバーできていない。
$1.0 \le I < 17$	1%未満	局所的	実験段階。まだ「アーリーアダプター」にも届いていない。
$17 \le I < 172$	1%〜10%	普及フェーズ	「クラスに1人」レベル。認知が広がり始めている。
$172 \le I < 859$	10%〜50%	基礎インフラ	「10人に1人」。水道・電気のような社会基盤になりつつある。
$I \ge 859$	50%以上	社会OS	過半数が利用。なくてはならない社会の前提。

ケーススタディ (Case Studies)

1. 千葉県柏市：プレコンセプションケア事業

• リンク: 柏市事業について
• 背景: 市が「少子化対策」として民間企業と連携しアプリ等を導入。
• 発表数値 ($V$): 利用者 3,000人
• ターゲット比率 ($R$): 0.15 (出産適齢期女性と仮定)
• 標準ブロック ($B$): $124,000,000 \times 0.15 \div 1,718 \approx 10,826$ 人
• 分析結果 ($I$): $3,000 \div 10,826 \approx$ 0.27
• 結論: 全国換算で「1自治体あたり0.3人」しか利用していない計算となり、施策としての普及率は**「誤差レベル」**である。

2. 大阪・関西万博：来場者目標

• リンク: 大阪万博について 2025
• 背景: 2025年開催予定の万博の来場者数目標。
• 発表数値 ($V$): 2,820万人
• ターゲット比率 ($R$): 1.0 (全人口対象)
• 標準ブロック ($B$): $124,000,000 \times 1.0 \div 1,718 \approx 72,176$ 人
• 分析結果 ($I$): $28,200,000 \div 72,176 \approx$ 390
• 解釈の転換: この数字は「すべての自治体から平均390人が行く」とも読めるが、逆説的に「1自治体あたり平均1.6万人を動員しないと達成不能（※期間中のリピート含む）」という兵站（ロジスティクス）の非現実性を示唆している。

Python版の使い方 (Usage)

リポジトリに含まれるPythonスクリプトを使用して、手元の数値を簡単に検証できます。

必要要件

• Python 3.6+

実行コマンド

# 人数の検証例 (3000人、ターゲット比率100%)
python methodology/block_calculator.py --value 3000 --target_ratio 1.0

# 予算の検証例 (100億円、ターゲット比率100%)
python methodology/block_calculator.py --value 10000000000 --target_ratio 1.0

Googleスプレッドシート版の使い方 (For Everyone)

プログラミング不要で、表計算ソフト上で計算できます。 methodology/google_sheets_script.js のコードを、Googleスプレッドシートの「拡張機能 > Apps Script」にコピペして保存してください。

使用例:

A列 (発表数値)	B列 (ターゲット比率)	C列 (インパクト)	D列 (判定)
3000	0.15	=IMPACT_SCORE(A2, B2)	=IMPACT_VERDICT(C2)

統計的検証（モンテカルロ・シミュレーション）

「ターゲット比率の推計が甘いのでは？」「観測データに誤差があるのでは？」という指摘に対し、本手法の結論が揺らがないか（堅牢性）を検証するためのスクリプトです。 ターゲット比率の不確実性や観測誤差を考慮し、数万回のシミュレーションを行って信頼区間を算出します。

必要要件

• Python 3.6+
• NumPy ライブラリ

実行方法

1. ライブラリのインストール

pip install numpy

2. シミュレーションの実行

# 基本的な検証（柏市の例：3000人、比率0.15）
python verification/sensitivity_analysis.py --value 3000 --target_ratio 0.15

# 詳細設定（不確実性 ±10% を想定する場合など）
# -sd オプションで標準偏差を指定できます（デフォルトは0.03）
python verification/sensitivity_analysis.py --value 28200000 --target_ratio 1.0 --ratio_sd 0.1

出力例

「95%信頼区間（95% CI）」の下限値が 1.0 を下回っている場合、その施策は「統計的誤差を考慮しても失敗（誤差レベル）」であると断定できます。

拡張モジュール：行政予算ポートフォリオ分析 (Budget Portfolio Analysis)

概要

「標準ブロック比較法」を決算書の全事業に適用し、「投じられた税金（Budget）」と「得られた成果（Coverage）」のバランスを可視化する指標です。 これにより、特定の事業が**「市民への還元率」においてどれほど歪んでいるか**を数値化します。

1. 予算インパクト ($I_{budget}$) の定義

その事業予算が、標準的な自治体（1ブロック）の財政規模に対して、どれだけの「重み」を持っているかを測ります。

$$ B_{money} = \frac{S_{total}}{N} $$ $$ I_{budget} = \frac{v_{cost}}{B_{money}} $$

• $S_{total}$: 標準自治体（人口約7万人）の一般会計予算の目安 ($\approx$ 300億円)
  • ※一律「標準的な自治体の財布の大きさ」を分母とし、「その事業が財布に対してどれだけデカいか」を測る指標とします。
• $N$: 基礎自治体数（1,718）
• $v_{cost}$: その事業の決算額（例：タブレット 15億円）
• $B_{money}$: 標準予算ブロック（1自治体あたりがその分野に使うべき平均的コストの目安）
• $I_{budget}$: 予算インパクト（標準的な金銭感覚に対して何倍の金を突っ込んでいるか）

2. 予算歪み指数 ($D_{index}$) の定義

「金を使っているのに、届いている人数が少ない」度合いを算出します。 これが高いほど、**「コスパが悪い（中抜き・ハコモノ・既得権益）」**可能性が高まります。

$$ D_{index} = \frac{I_{budget}}{I_{coverage}} $$

• $I_{budget}$: 予算インパクト（金の大きさ）
• $I_{coverage}$: 普及インパクト（人数の多さ ※従来のブロック法で算出）
• $D_{index}$: 予算歪み指数 (Distortion Index)

---

判定マトリクス (The Matrix)

算出された $I_{budget}$（金）と $I_{coverage}$（人）をプロットすることで、事業を4つの象限に分類できます。

象限	状態	判定 ($D_{index}$)	具体例
第1象限 (金High / 人High)	インフラ・岩盤	$D \approx 1$	ゴミ収集、道路、学校給食。 金はかかるが全員使う。適正。
第2象限 (金Low / 人High)	イノベーション	$D \ll 1$	優秀なDX施策、SNS広報。 低予算で多くの市民に届く「神事業」。
第3象限 (金Low / 人Low)	お付き合い	$D \approx 1$	小さなイベント、審議会。 毒にも薬にもならない。
第4象限 (金High / 人Low)	【歪み (Distortion)】	$D \gg 1$	再開発、タブレット、謎のアプリ。 巨額の税金が、ごく一部の人間に消えている。

※運用の注意点（セーフティネットの除外） 生活保護、障害福祉、救急医療などの「福祉・救命事業」は、構造的に「高コスト・少数対象（第4象限）」になります。これらは「無駄（歪み）」ではなく**「社会的コスト（Social Cost）」**として区別して評価する必要があります。

---

計算例：柏市の事例でのシミュレーション

ケースA：タブレット (15億円 / 活用率50%)

• 予算($I_b$): 巨大（標準的な教育ICT予算の数倍と仮定） $\rightarrow$ 10.0
• 普及($I_c$): 半分しか使われていない $\rightarrow$ 0.5
• 歪み($D$): $10.0 \div 0.5 =$ 20.0 (異常値)
  • 判定: 「第4象限（歪み）」。投資額に対して効果が薄すぎる。

ケースB：プレコンセプションケア (3.7億円 / 300人)

• 予算($I_b$): 規模に対して大きい $\rightarrow$ 2.0
• 普及($I_c$): 誤差レベル $\rightarrow$ 0.01
• 歪み($D$): $2.0 \div 0.01 =$ 200.0 (極めて異常)
  • 判定: 「第4象限（完全なる虚無）」。金だけ消えて誰も恩恵を受けていない。

---

この式が暴くもの

自治体の決算書データをこの式に流し込むと、「第4象限（金は使うが人は使わない）」にプロットされる事業が炙り出されます。 そこが、**「監査のメスを入れるべき病巣（利権・思考停止エリア）」**です。

Python版の使い方 (Usage)

ワークフロー：理論から実践へ (Workflow)

本リポジトリのツールを組み合わせることで、以下のフローで自動監査が可能です。

1. CSVの作成 (Data Preparation)
   • prompts/auditor_prompt.md を使用して、AI (Gemini/ChatGPT/Claude) に決算書PDFを解析させ、input.csv を生成させます。
2. 分析の実行 (Execution)
   • 生成されたCSVをPythonスクリプトに読み込ませます。
   • コマンド: python budget_distortion_analyzer.py input.csv
3. 結果の出力 (Output)
   • 理論に基づいた**「歪み指数 ($D_{index}$）」と「判定（第〇象限）」**が自動算出され、優先的に監査すべき事業がリストアップされます。