ショートストーリー: 「データが語る、東京の米の未来」

東京の高層ビルの谷間にあるオフィスで、田中陽介はモニターに映し出されたコードに集中していた。彼の仕事は、未来の東京の食料供給を支える重要なプロジェクトだった。それは、東京に住む何百万人もの人々にとって最も重要な食料、つまり「米」の適正在庫量をデータに基づいて予測することだった。

日本の首都東京は、世界中のどの都市よりも多くの米を消費する。だが、都市化と人口の変動に伴い、米の需要は変わり続けていた。もし在庫が不足すれば、都市全体にパニックが広がるだろう。一方で、過剰な在庫は無駄なコストを生む。そこで陽介は、これらの複雑な問題を解決するために、モンテカルロシミュレーションを使ってデータを分析することにした。

「在庫量が変わるシナリオを無数にシミュレートし、最も適正な在庫量を割り出す」と陽介は自分に言い聞かせながら、Pythonのコードを丁寧に書き上げた。

彼のプログラムは、日々の米の需要と供給をランダムに生成し、それを1年間シミュレーションするものだった。需要は日々変動し、供給も安定しているわけではない。東京の米市場はボラティリティに満ちている。プログラムは、これらの変動を考慮しながら、在庫がどのように推移するかを追跡する。

陽介は「平均的な需要と供給だけではなく、時には需要が急増し、供給が途絶えることもある」というシナリオも組み込んだ。彼は数百回、いや数千回もシミュレーションを繰り返し、全てのシナリオを検討した。その結果として得られたのは、東京が年間どれだけの米を備蓄しておけば安全かという「適正な在庫量」だった。

深夜、オフィスに静寂が訪れる中、陽介はついに結果を得た。モニターに表示された数値は、統計的に最も安全かつ効率的な米の在庫量を示していた。それは単なる数字ではなく、東京の未来の食料安全保障を支える柱だった。

陽介は深く息をつき、椅子にもたれかかった。「これで、少しでも安心して米を買い求める人たちが増えるといいな」と独りごちる。彼の仕事が、東京の台所を守ることになるという誇りが胸に満ちていた。

翌日、彼のデータ分析は東京政府の担当者に届けられた。これからも陽介のプログラムは、東京の未来を見守り続けるだろう。データが語る未来のために。

こうして、東京の米の未来はデータとテクノロジーによって守られ続ける。陽介の仕事が、都市の人々の生活に安心をもたらすことを、彼は誰よりもよく知っていた。

モンテカルロシミュレーション。

初期設定:

initial_stock: 初期の在庫量を設定。

demand_volatility と supply_volatility: 需要と供給のボラティリティ（変動率）を設定。

time_periods: シミュレーションの期間（日数）を設定。

demand_mean と supply_mean: 需要と供給の平均値を設定。

シミュレーションの実行:

各日、正規分布に基づいてランダムな需要と供給の値を生成。
その日の供給から需要を引き、在庫を更新。

在庫がゼロ以下になると、シミュレーションは終了します。

実行結果。

シミュレーション結果 (回数: 1000)
平均在庫量: 830.43
中央値在庫量: 831.52
在庫量の標準偏差: 22.48

import numpy as np
import matplotlib.pyplot as plt

# パラメータ設定
initial_stock = 100  # 初期在庫量
demand_volatility = 0.1  # 需要のボラティリティ
supply_volatility = 0.05  # 供給のボラティリティ
time_periods = 365  # シミュレーションの期間（日数）
demand_mean = 10  # 平均需要
supply_mean = 12  # 平均供給
num_simulations = 1000  # モンテカルロシミュレーションの実行回数

# 各シミュレーションの最終在庫量を記録するリスト
final_stocks = []

# モンテカルロシミュレーションの実行
for sim in range(num_simulations):
    stock = initial_stock
    for t in range(time_periods):
        # ランダムに需要と供給を生成
        demand = np.random.normal(demand_mean, demand_volatility * demand_mean)
        supply = np.random.normal(supply_mean, supply_volatility * supply_mean)

        # 在庫量を更新
        stock = stock + supply - demand

        # 在庫が負にならないように調整
        if stock < 0:
            stock = 0

        # 在庫が尽きたらシミュレーション終了
        if stock == 0:
            break

    # シミュレーション終了時の在庫量を保存
    final_stocks.append(stock)

# 統計的な分析を実施
final_stocks = np.array(final_stocks)
mean_stock = np.mean(final_stocks)  # 平均在庫量
median_stock = np.median(final_stocks)  # 中央在庫量
stock_std_dev = np.std(final_stocks)  # 在庫量の標準偏差

# 結果の表示
print(f"シミュレーション結果 (回数: {num_simulations})")
print(f"平均在庫量: {mean_stock:.2f}")
print(f"中央値在庫量: {median_stock:.2f}")
print(f"在庫量の標準偏差: {stock_std_dev:.2f}")

# ヒストグラムをプロットして在庫量の分布を確認
plt.hist(final_stocks, bins=30, edgecolor='k', alpha=0.7)
plt.axvline(mean_stock, color='r', linestyle='--', label=f'Average Stock Quantity: {mean_stock:.2f}')
plt.axvline(median_stock, color='g', linestyle='--', label=f'Median Stock Quantity: {median_stock:.2f}')
plt.xlabel("Final inventory quantity")
plt.ylabel("frequency")
plt.title("Distribution of final inventory (Monte Carlo simulation results)）")
plt.legend()
plt.show()

説明:
モンテカルロシミュレーションの設定:

num_simulations: モンテカルロシミュレーションの実行回数を設定。これにより、シナリオの多様性を確保します。

シミュレーションの実行:

先ほどのシミュレーションを num_simulations 回繰り返し実行し、各シミュレーションの最終在庫量を記録します。
シミュレーション中に在庫がゼロになった場合は、その時点でシミュレーションを終了します。

統計的な分析:

シミュレーションで得られた全ての最終在庫量に対して、平均、中央値、標準偏差を計算します。
これにより、在庫量の統計的な分布を理解し、適正な在庫量を推定できます。
結果の可視化:

matplotlibを使って、全てのシミュレーションの最終在庫量の分布をヒストグラムで表示し、平均値と中央値をプロットして視覚的に確認します。

結果の解釈:
平均在庫量: シミュレーション結果の平均は、全体としてどの程度の在庫量を持つべきかの目安となります。

中央値在庫量: 中央値は、シミュレーションの半数がこの在庫量を下回り、半数が上回ることを示します。平均よりも極端な値に影響されにくいため、実務上の参考値として有効です。

標準偏差: 在庫量の変動の大きさを示し、在庫管理におけるリスクを評価する際に役立ちます。