Co-evolution of human and technology
都道府県別の熱中症搬送人員数の予測と実際をEXCELの組み合わせグラフで描くでは独立変数として日最高気温，日平均水蒸気圧，65歳以上人口，人口密度を投入し都道府県別の熱中症搬送人員数を予測した．以前の記事ではe-Statからの社会疫学的指標を加えて熱中症搬送人員数を分析した．社会疫学的指標としては日最高気温，日平均水蒸気圧，都道府県人口に加えて過去30日間の平均気温，エアコン保有台数，年間収入のジニ係数，光熱・水道費，実収入，第1次産業就業者比率，第2次産業就業者比率，都市公園数，都市緑化割合，自然公園割合，自然公園数，生活保護被保護人員である．
今回は社会疫学的指標を独立変数として加えた熱中症搬送人員数の予測と実際を示す．
前回の記事では2019年の都道府県別の熱中症搬送人員数を1枚のグラフで描いた．今回は都道府県別に2008年から2021年までの熱中症搬送人員数の予測と実際をEXCELの組み合わせグラフで描く．
Heat-related mortality: a review and exploration of heterogeneityというレビューでは人口密度が高いほど熱の影響が大きいことが示されている．その理由として高度に設計された環境では蓄熱量が大きく，換気が悪く，自動車やエアコン等の熱源が局在するいわゆる都市のヒートアイランド現象が起きているためであると説明している．
それを受けて，詳細は割愛するが，都道府県総人口をその可住地面積（e-Statより）で割った人口密度を投入してみた．するとその係数は大きさこそ小さいものの，符号は負となり，投入前よりもAICが改善した(488368->478801)．人口密度が大きいほど搬送数が減少するという意味である．これはにわかには信じがたい．考えられる理由として，日本においては人口密度の高い都市部ほど空調導入率が高い可能性がある．しかし，空調導入率そのものの指標がないため，検証は困難である．
本章においては，他の既存のインスタンスの一部を修飾したり，結合したり，選択したりして geography 型や geometry 型のデータの新しいアイテムを生成するのに使われる多くのメソッドを紹介しよう．これらのメソッドは静的メソッドとは異なり，ジオメトリの座標点の表現から新しいデータのアイテムを代わりに生成することを了承いただきたい．
本章で論ずるメソッドのいくつか，例えば STBuffer(), STConvexHull() および Reduse() は，単一のインスタンス上で動作する．他のメソッド，例えば STIntersection() および STDifference() は一つ以上のジオメトリ上で動作する．SQL Server 2008 におけるすべての空間機能性の場合のように，geometry 型および geography 型は利用可能なメソッドや，同じ方法でそれらを実装する同じセットをもつ必要はない．本章で紹介する各メソッドについて，いつどのようにそれが使われるかを見せよう．
付記 本章で論ずるメソッドは，それが呼び出された元のインスタンスにいかなる変化をも与えない．むしろ，それらはそれらのインスタンスで表現されるジオメトリの修飾により新しいインスタンスを生成する．
“第12章 空間オブジェクトを修飾する (Begining Spatial with SQL Server 2008)” の続きを読む
前回の記事では大正 9 年から平成 17 年までの日本人口総数の年齢階級推移を積み上げ縦棒グラフに描いた．今回は男女別に描く．
日本の人口統計は総務省が 5 年おきに行う国勢調査が元になっている．日本の市の人口順位をEXCELにダウンロードして散布図に描くでは日本全国の都市の人口増減率と人口の関係を時系列で流すとどう推移するか予測した．今回はその予測が実態と合っているか乖離しているかの検証を行う．