1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

日本人の名字生き残りシミュレーターを作ろうとしたが有料データしかない件~予算ないねん~

1
Posted at

1. はじめに

推しの名字をひとつ選んで、その名字が何百年先まで生き残るかを、日本地図の上で見届けるゲームを作りました。

2. 売っていた

自分の名字の由来を調べたことがある方は多分ご存知でしょうが、名字由来ネットという名字に関するデータを集めたサイトがあります。
規約で使い方が決まっているので、このサイトを直接使えるとは思っていませんでしたが、データセットを売ってるかなぁという期待で調べてみました。
結論から言うと、売ってることは売ってるのですが、ちょっとしたスマホアプリに使うにはなかなか厳しい値段でした…
他のデータセットもまあほとんど同じ具合です。恐らく営業で用いる想定の価格帯なんでしょうね。

3. GitHub にあった

そんな調子なのでオープンなデータがないかと探してみたところMITライセンスの日本の名字のデータセットがありました!
これならイケる!と喜んだのも束の間、参考にしたデータに名字由来ネットの文字。
どういう風に活用したのかが明記されてないので、正直使うことは決断できませんでした。
というわけでネットサーフィン再開です。

4. お役所はどうなん

ここまで来るともう国に頼るしかねえ!ということで国が出してるデータがねえかと調査してみたのですが、結論から言うと、調べた範囲ではないです。
確かに当たり前の話で、佐藤やら田中やら青木ならともかく、小鳥遊さんとか不来方さんとかそういった名字の方の場合、もう名字そのものがほぼ個人情報なんですよね。
実際、インボイスの公表サイトも、まとめてダウンロードできるデータからは個人事業者の名前を消しています。
というわけで、一旦ここできっちり頭を抱えることになります。

5. 自分で数える

ここまでの章でわかる通り、正直だいぶ行き詰まってます。
こうなってくるともう前提から問い直すしかありません。「そもそもこのアプリは無理なのでは。割に合わねえ」はまあ最終手段として、アプリの性質から言ってもざっくり推定できればそれで十分なわけです。
じゃあ公開されてるデータから合成しようという流れになりました。
Claudeくん!いいデータ探してきて。vibe statisticsの始まりです。

Claudeくんが最初に持ってきたのは Wikidata でした。誰でも自由に使えるデータです。
さっそく日本人の名字を数えてみると、松平と伊達がやたら多い日本ができあがりました。江戸時代かな?
Wikidata に載ってるのは歴史に名前が残った人なので、まあそうなりますよね。

次に持ってきたのが、国立国会図書館の著者の一覧です。タダで、申請もいりません。
いやいや、本を書く人が日本人の代表なわけないでしょ、と思ったんですが、大名の子孫が特に本を書くわけでもないしな…ということで、とりあえず数えてみました。約74万人分です。

明治安田生命が保険の契約者600万人あまりから出した名字の上位100と比べてみると、ずれは真ん中あたりで1割ほど。9割の名字が3割以内のずれに収まりました。向こうも推計なので正解と比べたわけではありませんが、本を書く人、思ったより日本人の縮図でした。

ずれたところもあります。そのまま数えると、李さんが34位、王さんが61位に入りました。著者の一覧には海外の著者も多いからです。王さんや金さんなどは推計から外しています。そのぶん、日本国籍でこの名字の方も数から落ちてしまっているので、ここはこの推計の限界です。

ちなみに、最初に立てた作戦は「いろんな名簿を数えて平均すれば、偏りが打ち消し合っていい感じになるはず」でした。満を持して Wikidata と国会図書館を平均してみたところ、ずれは国会図書館だけのときより大きくなりました。Wikidata に足を引っ張られただけでした。作戦は静かに撤回しました。

6. どの県に多いん

人数はなんとかなりそうです。次はどの県に多いかなんですが、著者の一覧には生まれた場所が載ってません。

ここで出てきたのが、国税庁の法人番号のデータです。日本中の会社の名前と住所を、誰でもダウンロードできます。
社名を眺めてると「株式会社佐藤建設」みたいな、名字に業種をくっつけただけの会社が山ほどあるんですよね。これを数えれば、その名字がどの県に多いかが分かるという寸法です。

明治安田生命の調査にある都道府県ごとの1位と比べると、47都道府県のうち36で当たりました。ただ、沖縄の1位は比嘉さんのはずが、上原さんになっていました。比嘉さんは僅差の2位です。

7. できたもの

かかったお金は0円。こうしてできたデータで、名字シミュレーターは動いています。人数や分布はゲームのための推計なので、実際の統計とは違います。

予算ないねん、で始まった話でしたが、国会図書館と国税庁とClaudeくんのおかげで、なんとかなりました。

データの出典

  • 名字の人数の比率と読みは、Web NDL Authorities から取得したデータである(国立国会図書館。加工して使用)
  • 都道府県の分布は、国税庁法人番号公表サイト(国税庁)のデータを合同会社エン・リンクスが加工して作成したものです
1
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?