スキップしてメイン コンテンツに移動

霞ヶ関文学の劣化ぶりを垣間見る——『一事が万事?』——

おはようございます。
ちょっと古い(半年前くらいの)トピックなんですが、看過できないものを見かけました。そこで所感をまとめておきます。


【経済産業省】:DXレポート ~ITシステム「2025年の崖」克服とDXの本格的な展開~
https://www.meti.go.jp/shingikai/mono_info_service/digital_transformation/20180907_report.html


どうも、あまりにも問題が多すぎるレポートです。
ですから『本文』.PDF の 27 ページに話を絞って、分析します。
https://www.meti.go.jp/shingikai/mono_info_service/digital_transformation/pdf/20180907_03.pdf




『(注)経済損失の算出根拠』からの文章を、じっくりとお読みください。
私見では、まことしやかに数字を列挙しながら「試算」を進めている、この注釈。
論理的な妥当性には、かなり乏しいです。


この「試算」は、3 つの統計調査の引用でできあがっています。


  1. 情報処理推進機構(ベースは他社による調査)
  2. 日経 BP 社「日経コンピュータ 2017.8.3」の記事
  3. 日本情報システム・ユーザー協会「企業 IT 動向調査報告書 2016」

ですが、それらを並べて試算している、そのやり方が微妙にオカシイのです。
まず、これは前提として(仕方なく、)仮に許しましょう。

1. > データ損失やシステムダウン等の システム障害により生じた 2014 年 1 年間の損失額は国内全体で約 4.96 兆円。


つまり、既に 5 年前の段階で年間あたり約 5 兆円の損失を(レガシー系に代表される基幹系システムは)計上している訳です。

 次に、ここが要注意です。

2. > (1)セキュリティ 29.1%、
> (2)ソフトの不具合 23.1%、
> (3)性能・容量不足7.7%、
> (4)人的ミス 18.8%、
> (5)ハードの故障・不慮の事故 19.7%。
> レガシーシステムに起因して起こる可能性があるのは、仮に、このうち (1)・(2)・(3)・(5) とすると、合計 79.6%。

まず、ここに挙げられた原因 5 つの数値を合算しても 98.4 % です。
つまり 100 % には 1.6 % 足りません。
「その他」に相当するものが何故か除外されていると思しい。

その上で、(1)・(2)・(3)・(5) を合算すると、ようやく件の数字 “79.6 %” が出てくるのですが、何故、原因 (4) を勝手に除外しているのか、そこに妥当な理由は明記されていません。レガシーシステムは、昨今流行の A.I.技術(ML/DL 系)とは違って、人間のオペレーションで動かされるはずです。そこに RPA を適用できるならば、多少はミスの確率も減るでしょうが、実装のバグや仕様外のトラブルなど、やはりミスの確率はゼロにはできません。
つまり、実は『人的ミス』は、これらのシステム・ダウンの原因の基調となる根本的原因として作用しているのです。

にもかかわらず、

> これらを踏まえ、レガシーシステムに起因したシステム障害による経済損失は、現段階 で、最大で 4.96 兆円×79.6%=約 4 兆円/年にのぼると推定。

とするのは、論理的誤謬にほかならない。

さらに、

3. > 企業が保有する「最も大きなシステム」(≒基幹系システム)が、21 年以上前から稼働 している企業の割合は 20%、11 年~20 年稼働している企業の割合は 40%。仮に、こ の状態のまま 10 年後の 2025 年を迎えると、21 年以上稼働している企業の割合は 60% になる。

とありますが、ここを好意的に読解すると、当該調査に回答した企業群で動いている基板系システムにおいて、「11 年以上」稼働しているレガシー・システムが、すでに現行においても(約) 60 % 存在している。そして、それは、この調査の行われた 2016 年から考えると 10 年後、2025 年にはそのまま「21 年以上」稼働して居るであろう、との推測になります。
ここは比較的妥当な推論だと、レガシー系について個人的体験があるものですから思うのですが、だからといって、「21 年以上になったシステムがトラブルを起こす」というのも実は短絡で、単純に設計や開発、運用保守が悪いシステムはいつでもトラブルを、しかも確率的にクリティカルなトラブルを引き起こすものです。そのシステム自体が老朽化すれば尚更でしょう。

ですから、ここで「20 %」であったものが「60 %」になるかも知れないので、トラブル・リスクも 3 倍になる、というのは、実はまともな推測ではありません。もっと非道い筈です。


そして、このページの結論は、

> これらを踏まえ、レガシーシステムに起因するトラブルリスクも3倍になると推定 すると、レガシーシステムによる経済損失は最大で約 12 兆円/年にのぼると推定。

となっていますが、ここまでお読みいただいた方たちにならお分かりいただけるように、この推定に基づく試算の積算根拠はおそろしく脆弱です。
わたしはこの試算が、現状をすら過小に見積もっている蓋然性が高い、と考えます。



つまり、今回の『注釈』はこのように読み替えたほうが、まだ正しそうです。

“これらを踏まえ、レガシーシステムに起因するトラブルリスクも3倍【以上】になると推定 すると、レガシーシステムによる経済損失は最大で約 12 兆円/年【以上】にのぼると推定。”



わたしは以前から、『霞ヶ関文学』的な『試算』の積算根拠を疑ってきました。
でも、ちょっと素直に読んでみるだけで、これだけの誤謬が混入している。
それがこの日本国の政策決定を左右している。

………暗澹たる気分です。

そうは思いたくありません。
ですが、このような低レヴェルの仕事を許すような余地が、すくなくとも経済産業省にあるのならば、あとは推して知るべし………「一事が万事」ではないことを真剣に祈るものですが………手遅れでしょうね。

コメント

このブログの人気の投稿

恐るべき凋落

今晩和。 とある界隈では有名な、大庭亀夫氏のブログに『満州という原泉』なる記事がアップされました。 https://gamayauber1001.wordpress.com/2018/12/04/manchuria/ ここで気になるのが次の引用です。 “しかもしかも、日本の経済は戦後最長の空前の好景気を続けながら市場の実質は縮退をつづけて、例えば株式市場でいえば、8%くらいのところにまでちぢんで来ているはずで、このことには実は重大な意味があって、以前ならば日本の経済あるいは財政が崩壊するなんてとんでもないことで、そんなことをされると、世界中が巻き込まれて大変な惨劇になってしまう。” 何を?と思ったので、いつものように『世界銀行』のデータでチェックしてみました。 そうすると、将に大庭氏の言うとおりだったのです。 これは実質的に 1975 年から現代(2015 年)までの、『世界の株式市場取引高』国別推移です。 ここでは 2017 年度と範囲外になっていますが、次のページのランキング上位 4 ヵ国を抜き出して、推移を比較してます。 https://www.globalnote.jp/post-12184.html こうして比較してみると、米国がアップ・ダウンがありながらも順調に成長しているのに対して、中国が猛追を仕掛けています。そこで低迷を続けて居るのが日英の2 ヵ国。ちょっと電卓を叩いてみると、2017 年度で、日本のマーケット・プレゼンスは約 8 %まで凋落しています。 先程の大庭氏ブログに戻って引用を続けると、 “ところが、いまくらいの大きさの経済にまで総体として小さくなってくれると、「条件によっては、なんとかなるかな?」というところまで来ている。 しかも例えば国債の買い手を見ればわかるが、日本の経済は、そういう言い方をすれば極めて特殊で、本来、国の経済を破壊する方向へ働くプレッシャーが、個々の国民の生活を破壊する方向へ自動的に転換されるように出来ている。 国がデフォルトになる前に、国民個々の生活がデフォルトになるなんて、冗談じみているが、日本という国にあっては現実なんです。” わたしは兼ねてから危機を予想していましたが、このようなかたちで怖れていた危機が顕在化していたことに率直に驚いています

複数の時系列データの因果関係が分かる(?)

今日和。 さて、独学ブログとして本来の路線へ。 本日は、 沖本 竜義 著『経済・ファイナンスデータの計量時系列分析 』から。 何故ならば、個人的に「時系列データ」の分析に多くの興味を持っているからです。 そこで本業が手薄な期間をつかって勉強しています。 その最中で、おもしろいモデル化手法を知りました。 “VAR モデル” のことです。 この界隈では有名な TJO 氏が解説しているので、その投稿記事へのリンクを貼ります。 本投稿は、多くを以下の 2 リンクを中心とした TJO 氏記事に参考にしてます。 https://tjo.hatenablog.com/entry/2013/07/25/194546  https://tjo.hatenablog.com/entry/2013/07/30/191853 沖本本、第 4 章冒頭から多少強調のために改変しつつ引用します。 “ベクトル自己回帰(VAR)モデル は、 自己回帰モデルを多変量に拡張したもの である。VAR モデルを用いる目的は主に 2 つで 1 つは 複数の変数を用いて予測精度の向上を図る ことであり、 もう 1 つは 変数間の動学的関係の分析を行う ことである。 特に、変数間の動学的関係の分析に関して、VAR モデルは グレンジャー因果性   インパルス応答関数 分散分解 という強力なツールを提供でき、推定も容易であるので、80 年代以降、マクロ経済学やファイナンスの分野で頻繁に利用されるようになった。本章では、 多変量のデータの動学的関係を分析する上で非常に重要なモデル である VAR モデルについて述べる。 ” このなかで、わたしが注目したのは 『インパルス応答関数』 です。 https://ja.wikipedia.org/wiki/インパルス応答 “インパルス応答(英語: impulse response)とは、インパルスと呼ばれる非常に短い信号を入力したときのシステムの出力である。インパルス反応とも。インパルスとは、時間的幅が無限小で高さが無限大のパルスである。実際のシステムではこのような信号は生成できないが、理想化としては有益な概念である。” 何故、これが有益かというと、以下の具体例から御理解いただけるかと。