1. はじめに
家父長制とは、男性が家族・職場・国家などの社会的意思決定で優位に立つ構造を指す。
社会学では文化・歴史的に論じられるが、機械学習の枠組みを使えば、ジェンダー構造を数値変数とモデルとして分析できる。
ここでは、各国の労働・家事・賃金データをもとに「家父長制指数」を定義し、Pythonで回帰分析とクラスタリングを行う。
2. モデル設定：社会変数の数理表現
社会的性別役割を確率変数として置く。
x1 = 男性の労働参加率
x2 = 女性の労働参加率
x3 = 家事・育児負担時間（女性）
x4 = 男女賃金格差
これらを重み付きで統合し、社会全体の「ジェンダーバランス指標」を次式で定義する。
G = w1*x1 - w2*x2 + w3*x3 + w4*x4
- G > 0 → 家父長的構造（男性稼得モデルが支配的）
- G ≈ 0 → 平等型社会（性別分業の緩和）
3. 仮想データの作成
仮に各国の労働・家事・賃金データを以下のように置く。
country,men_employment,women_employment,housework_gap,wage_gap
Japan,0.95,0.70,3.5,0.25
Sweden,0.90,0.88,1.0,0.05
Korea,0.96,0.62,4.0,0.30
USA,0.93,0.80,2.0,0.18
4. Pythonによる回帰分析
import pandas as pd
from sklearn.linear_model import LinearRegression
df = pd.read_csv("gender_structure.csv")
X = df[["men_employment","women_employment","housework_gap","wage_gap"]]
y = [1,0,1,0] # 教師データ（1=家父長制的、0=平等的）
model = LinearRegression()
model.fit(X, y)
print(pd.Series(model.coef_, index=X.columns))
出力例：
men_employment +0.8
women_employment -0.9
housework_gap +0.6
wage_gap +0.4
この結果、男性就業率と家事負担の偏りが家父長制の強さに寄与していることが数値で示される。
5. 社会構造のクラスタリング
次に、教師なし学習で「家父長型」と「平等型」を自動分類する。
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
X_std = StandardScaler().fit_transform(X)
kmeans = KMeans(n_clusters=2, random_state=0).fit(X_std)
df["cluster"] = kmeans.labels_
結果解釈：
- cluster=0：平等型社会（北欧・欧米）
- cluster=1：家父長型社会（東アジア）
6. 可視化：家事時間と賃金格差の関係
import matplotlib.pyplot as plt
plt.scatter(df["women_employment"], df["wage_gap"], c=df["cluster"])
plt.xlabel("Women's Employment Rate")
plt.ylabel("Wage Gap")
plt.title("Patriarchy Clusters")
plt.show()
プロット上では、女性就業率が高く賃金格差が小さい社会が「平等型」、逆が「家父長型」に分類される。
7. 発展：時系列予測モデル（LSTM応用）
家父長制の変化を時間軸で学習することも可能。
- 入力：各年の労働・家事・賃金データ
- 出力：次年度のジェンダーギャップ指数予測
- モデル：LSTM（Long Short-Term Memory）
これにより、政策介入や教育制度改革が「家父長制の緩和」に与える効果を数値的に予測できる。
8. まとめ
| 観点 | 数理的アプローチ | 意味 |
|---|---|---|
| 家父長制の定義 | G = w₁x₁ − w₂x₂ + w₃x₃ + w₄x₄ | 社会的性別役割の偏りを数式化 |
| 回帰分析 | 変数の寄与度を推定 | 各要因が不平等に与える重み |
| クラスタリング | 社会構造の分類 | 家父長型と平等型の識別 |
| 時系列予測 | 社会変化のモデリング | 政策効果や文化変動の推定 |
9. 終わりに
家父長制の研究は哲学・社会学だけでなく、データサイエンスの応用領域でもある。
Pythonと機械学習を通じて、社会構造を可視化し、政策設計に生かす道が開ける。