私たちの身の回りには、複雑な現象が溢れています。これらをありのままの状態で理解し、予測や制御を行うのは容易ではありません。そこで、対象から重要な要素だけを抽出し、数式や図、関数などで抽象化したものを「数学的モデル」と呼びます。
実物を忠実に再現するのではなく、目的に応じて「本質」だけを抜き出すことが重要です。このモデルを活用することで、現象の要因分析や将来予測、さらにはシステムの最適化が可能になるのです。
このシリーズは、歴史・しくみ・フィールドの三層構造をできるだけ意識して構成しています。「なぜそうなったか」「どんな仕組みか」「フィールドで何が見えるか」——この3つの視点をそろえることで、歴史や社会に興味がある人も自然に引き込まれ、断片的な知識ではなく「線や面」としてつながった知識が、はじめて判断の源泉になると考えています。
パターン認識とモデル化
数学数学的モデル化の第一歩は、現象の中にパターン、すなわち規則性を見つけることです。たとえば、気温が時間とともに上下する周期的パターンや、売上が曜日ごとに似た動きを見せる曜日効果、あるいは身長と体重の間に見られる相関関係などが挙げられます。こうした関係は、数値を並べたりグラフに描いたりすることで可視化されます。パターンを捉えることで、「この現象はどのような数式で表せそうか」というモデル化の方向性が定まるのです。
人類が最初にモデル化に成功した現象の一つに、天体の運動があります。古代の人々は、太陽や月、惑星の動きに周期的なパターンを見出すことで暦を作りました。その後、ケプラーは惑星の軌道が楕円であることを発見し、ニュートンはそれを万有引力の法則という数式で解き明かしました。
このように、観察からパターンの発見、数式化、そして検証へと至るプロセスは、科学の基本的な方法論です。複雑な現象を深く理解するためには、まずパターンを見つけ出し、それを単純な法則へと還元することが極めて有効といえます。
モデル化の基本プロセス
数学的モデル化は、主に次のような流れで進められます。
まずは現象の観察と問題設定です。何を理解し、何を予測したいのかを明確にします。たとえば「この商品の売上をどう予測するか」あるいは「交通渋滞をどう緩和するか」といった具体的な問いを立てることが出発点となります。
次に、重要な要素の抽出と仮定を行います。現象に影響を与える要因を絞り込み、影響が小さいと思われる要素はあえて省きます。あらゆる要素を網羅しようとすると、モデルが複雑になりすぎて計算不能に陥るため、適切な単純化を行うことが極めて重要です。たとえば、振り子の運動をモデル化する際に、空気抵抗や糸の伸縮を無視することが多いのは、この「影響が小さい」という判断に基づく仮定の一例です。
続いて、これらの関係を数式や関数、グラフ、表などの数学的表現に落とし込みます。この段階を経て、抽象的だった問題は初めて「計算可能な形」へと変換されます。
その後、構築したモデルを用いて解析、計算、予測を行います。方程式を解く、グラフを描く、あるいはシミュレーションを実行するなど、目的に応じて様々な手法で現象の振る舞いを調べます。
最後に行うのが、検証と改善です。得られた結果を実際のデータと比較し、必要に応じてモデルを修正します。もし予測が外れた場合には、先に無視した要素を改めて追加したり、別の数式を検討したりといった作業を繰り返します。このように、数学的モデルは一度作って完成するものではなく、現実との往復を繰り返すことによって洗練されていくものです。
比例・反比例
数学的モデル化において、最初に学ぶべき重要なモデルが比例と反比例です。
比例とは、一方が2倍になるともう一方も2倍になる関係を指し、数式では $y = ax$ （$a$は比例定数）と表されます。身近な例では、商品の個数と合計金額の関係が挙げられます。たとえば1個100円の品物なら、10個で1000円になるといった具合です。また、一定の速度で移動する際の時間と距離の関係や、オームの法則における電流と電圧の関係も比例モデルの代表例です。
一方、反比例は一方が2倍になるともう一方が2分の1になる関係であり、数式では y = axと表現されます。これは、一定の仕事量を複数人で分担するときの人数と作業時間の関係によく現れます。10時間かかる仕事を2人で分担すれば5時間で済むといったケースです。他にも、一定の距離を移動する際の速度と時間の関係や、ボイルの法則における圧力と体積の関係などが反比例のモデルに該当します。
これらのモデルは現実のすべてを完全に記述できるわけではありませんが、条件を限定すれば非常によい近似となります。モデル化において重要なのは、「どこまでが比例や反比例として成り立つか」という適用限界を正しく見極めることです。
たとえば「走る速度と心拍数は比例する」というモデルは、ある程度の運動強度までは正しく機能しますが、最大心拍数に近づけばその関係は破綻します。このように、あらゆる数理モデルには必ず前提条件が存在し、その有効範囲を理解した上で活用することが求められます。
関数とグラフによる表現
比比例や反比例をより一般化した概念が関数です。関数を用いることで、入力という「原因」と出力という「結果」の関係性や、変化の速さ、あるいは数値が増減する様子を一目で理解できるようになります。特にグラフは、こうしたモデルを把握するために欠かせない道具です。
たとえば、距離と時間の関係をグラフに描いた場合を考えてみましょう。このときグラフの傾きは速度を意味しており、グラフが直線ではなく曲線を描いていれば、それは加速や減速によって速度が変化していることを示します。また、グラフが水平であれば、移動が止まり停止している状態であることが分かります。このように、グラフという視覚的な表現を通して読み解くことで、数式だけでは捉えにくい現象の動きを直感的に理解することにつながるのです。
科学で使われる重要な関数
単純な比例関係だけでは説明できないことが多々あります。そこで、現象の特性に合わせて様々な関数が使い分けられます。
指数関数
現実の多くの成長現象は、単純な増加ではなく指数関数的成長として現れます。指数関数の大きな特徴は、最初は緩やかな変化であっても、ある地点から急激に増加する点にあります。これが、日常的に「指数関数的」という言葉が「爆発的」という意味で使われる理由です。
細菌やウイルスの増殖はその典型例です。1つの細菌が2つに分裂し、それぞれがまた2つに分裂を繰り返すと、個体数は 1, 2, 4, 8, 16 と加速度的に増えていきます。一方で、指数関数的に値が減っていく「指数関数的減衰」という現象も存在します。放射性物質の崩壊などがこれに当たり、一定の時間（半減期）ごとに量が半分に減衰していきます。
対数スケール：pHやデシベル
科学の世界では、値の幅が非常に大きい量を扱うことが多く、そのままの数値では比較が困難な場合があります。そこで用いられるのが、対数という考え方です。対数は「ある数を何乗すればその数になるか」という指標であり、たとえば10を底とした場合、100は 2、1000 は 3 と変換されます。対数スケールを用いる最大の利点は、「10倍」「100倍」といった巨大な倍率の差を、加減算という扱いやすい尺度に変換できる点にあります。
この仕組みは、私たちの身近な指標に数多く組み込まれています。酸性・アルカリ性の度合いを示す pH は水素イオン濃度を対数で表したもので、pH 7 の中性から pH 6 の弱酸性に変化したとき、水素イオンは10倍に増加しています。音の強さを表すデシベル（dB）も同様で、音圧が10倍になれば数値は 20 dB 増加します。静かな図書館が 40 dB で普通の会話が 60 dB であれば、会話は図書館の100倍もの音圧を持っていることになります。
地震のマグニチュードや天体の明るさ（等級）も対数に基づいています。マグニチュードが 1 増えるとエネルギーは約32倍になり、M7 の地震は M5 の地震の約1000倍ものエネルギーを有します。また、人間の視覚や聴覚といった感覚は、刺激の強さの対数に比例して反応するとことが知られています。対数スケールは、広大な自然界の現象を記述するだけでなく、人間の感覚に即した表現方法でもあるのです。
ガウス関数（正規分布）
ガウス関数は f(x) = exp(-x^2)という形を持ち、自然界で最も頻繁に現れる釣鐘型の形状をしています。誤差や測定値のばらつき、身長や体重の分布など、多くの現象がこの正規分布に従います。これは、多数の独立な要因が重なり合うと分布が正規分布に近づくという「中心極限定理」によるものです。この関数は統計学の基礎となります。
ロジスティック関数（シグモイド関数）
ロジスティック関数は f(x) = 1/{1 + e^-(x)}と表される関数です。最初は指数関数的に急成長しますが、ある上限に近づくと成長が鈍化し、一定の値に収束するという特徴があります。現実の成長は資源の枯渇などの理由で無限には続かないため、指数関数よりも現実を反映したモデルとして重宝されます。具体的な活用例としては、資源の制約を考慮した人口成長の予測、感染症の流行曲線などが挙げられます。
べき乗則（パレートの法則、ジップの法則）
べき乗則は f(x) = x^{-a}という形で表される関係です。「上位20%の要素が全体の80%を占める」というパレートの法則は、このべき乗則の一種です。この法則は、都市の人口分布や、地震の規模と発生頻度の関係（大きな地震ほど稀であること）、所得の分布、インターネットのリンク構造、さらには言語における単語の出現頻度など、社会や自然界の至る所で見出すことができます。正規分布が「平均」を中心にまとまる性質を持つのに対し、べき乗則は一部の極端な値が全体に大きな影響を与える現象を記述するのに適しています。
複雑な関数を簡単な式で近似する
現実の現象はしばしば複雑な関数で表されますが、そのままでは計算が困難なことも少なくありません。そこで役立つのがテーラー展開という技術です。テーラー展開は、どのような複雑な関数（三角関数でも）であっても「多項式の和」として近似する手法です。この近似技術は、振れ角が小さい振り子の運動方程式を単純化する際や、レンズの近軸近似といった光学の設計、さらには統計学における確率分布の近似計算、工学での制御理論や信号処理の線形近似など、多岐にわたる分野で応用されています。テーラー展開の本質は、複雑な対象を単純な要素の組み合わせとして捉え直すという、数学的モデル化の精神そのものにあるといえます。
周期的な現象を分解する：フーリエ変換
音楽や電波、振動、画像など、私たちの身の回りには周期的に変化する現象が溢れています。こうした現象を深く理解するための道具がフーリエ変換です。フーリエ変換は、複雑な波形を「単純な波（正弦波）の重ね合わせ」として分解する技術です。
たとえばピアノで「ド」の音を弾いたとき、その音には基音となる周波数だけでなく、その2倍、3倍といった周波数の音、すなわち倍音が複雑に混ざり合っています。フーリエ変換を用いることで、その音にどのような周波数成分がどれくらいの割合で含まれているかを正確に抽出できます。
この技術は現代社会の基盤を支えています。音楽配信のMP3や画像形式のJPEGでは、フーリエ変換によって人間が感知しにくい周波数成分をカットすることでデータを圧縮しています。また、地震波の解析による揺れの性質推定、医療現場でのMRIによる画像化などにも活用されています。
同じ現象を違う「言葉」で表す：座標系と表現の多様性
数理モデルには「唯一の正解」があるわけではありません。同じ現象であっても、見方を変えれば異なる数式で表現することができます。これは数学が持つ大きな柔軟性であり、強みでもあります。
極座標：円や回転を扱うために
通常、位置を特定するには「横にどれだけ、縦にどれだけ」というデカルト座標 $(x, y)$ を使いますが、円運動や回転を扱う場合には極座標 $(r, \theta)$ を用いる方が遥かに便利です。
極座標では、中心となる原点からの距離 $r$ と、基準線からの角度 $\theta$ で位置を表します。たとえば、デカルト座標では $x^2 + y^2 = r^2$ と記述される円の方程式も、極座標であれば単に $r = \text{一定}$ という非常にシンプルな形で表現できます。また、美しい渦巻き模様も、極座標で $r = a\theta$ と書くことで容易に描くことが可能です。台風の進路予測や天体の軌道計算、あるいはレーダーの探知範囲など、中心からの距離と方向が鍵となる現象においては、極座標こそが最も自然な表現方法となります。
球座標：宇宙や地球を扱うために
地球上の位置を示す際に使われる緯度と経度は、極座標を3次元に拡張した球座標の一種です。GPSによる位置測定や気象衛星の運用、天文観測など、球面上の現象を扱う際にはこの球座標が欠かせません。どのような座標系を選択するかは、解こうとしている問題の性質によって決まります。適切な座標系を選ぶことで、一見複雑に見える問題が驚くほど単純に解決できることもあるのです。
まとめ
数学的モデル化の価値は、単に計算ができることだけではありません。現象を数式に置き換えることで、「何が何に影響を及ぼしているのか」という構造が明確になります。たとえば、「売上 = 価格 × 販売数」という極めて単純なモデルであっても、売上を伸ばすためには価格を上げるか販売数を増やすか、あるいはその両方を追求する必要があるという本質が見えてきます。さらに、「気温が1度上がれば売上が何％変動するか」や「広告費を2倍に投じれば来客数がどう変化するか」といった定量的な分析が可能になります。
一方で、いかに優れた数理モデルであっても必ず限界が存在することを忘れてはなりません。モデルが現実を単純化したものである以上、切り捨てられた要素が結果を左右することがあります。たとえば、天気予報のモデルでは初期条件のわずかな誤差が予測を大きく狂わせる「カオス」の問題があります。モデルの精度を向上させるためには、より多くのデータを収集する、これまで無視していた要素を組み込む、より高度な数式を用いるアプローチが考えられます。しかし、モデルを複雑にしすぎると「計算コストが増大する」「結果の解釈が難しくなる」といったトレードオフが生じます。優れた数理モデルとは、単純で理解しやすい「説明力」、予測精度が高い「実用性」、そして適用範囲が明確である「信頼性」の3つがバランスよく保たれたものです。データを正しく解釈し、モデルの限界を常に認識しながら活用することが、何よりも重要です。
