半導体設計プロジェクトにおいて、たった一つの特殊ガスの供給停止がプロダクトのローンチを半年遅らせるという事態は決して珍しくありません。長年の開発現場で培った知見から言えるのは、「見えていないリスクは管理できない」という極めてシンプルかつ残酷な事実です。
昨今の半導体業界を取り巻く環境は、まさに「VUCA（変動性、不確実性、複雑性、曖昧性）」の極みと言えます。特定の地域での紛争、輸出規制の強化、あるいはパンデミックによる物流麻痺。これらはもはや「ブラックスワン（めったに起こらない事象）」ではなく、日常的な経営変数として組み込む必要があります。
多くの企業が数千万円規模のSCM（サプライチェーン管理）パッケージを導入しようとしますが、その中身はブラックボックスであることが多く、自社の特殊な商流や、「たとえばA国の港が封鎖されたら？」といった極めて具体的なシナリオに即座に対応できないケースが散見されます。
そこで今回は、Pythonを使って自らの手で「地政学リスクシミュレーター」を構築するアプローチを提案します。「まず動くものを作る」というプロトタイプ思考に基づき、高額なツールを導入する前のPoC（概念実証）として、手元のデータとコードでリスクを可視化してみましょう。エンジニアリングとビジネスロジックが交差する、エキサイティングな領域へ皆さんをご案内します。準備はいいですか？
本チュートリアルのゴール：不確実性をコードで制御する
なぜ今、自作シミュレーターなのか
「なぜわざわざ自作するのか？」そう思われるかもしれません。市販のツールは優秀ですが、「柔軟性」と「透明性」において、自社開発のPoCモデルには及びません。
特に地政学的リスクのような、定性的な情報（ニュースや政治情勢）を定量的なパラメータ（遅延日数やコスト係数）に変換するプロセスこそが、企業ごとの独自ノウハウになります。このロジックを外部ツール任せにせず、自社のエンジニアやアナリストが理解し、制御できる状態にしておくことが、真のレジリエンス（回復力）を生むのです。経営者視点で見ても、この透明性は投資判断の強力な武器となります。
完成物のイメージとアーキテクチャ
今回作成するのは、グラフ理論に基づいたネットワークモデルです。
- ノード（Node）: 工場、倉庫、港湾、顧客拠点
- エッジ（Edge）: 物流ルート（陸路、海路、空路）
- ウェイト（Weight）: リードタイム、輸送コスト、リスク係数
Pythonの強力なライブラリであるNetworkXを使用して構造を定義し、シナリオベースでリスクを注入して、サプライチェーンがどう反応するかを観察します。
地政学リスクをどう「数値」に落とし込むか
ここが最も重要なポイントです。「たとえばA国とB国の緊張が高まった」という情報を、コードではどう扱うべきでしょうか。
実務の現場では、「リスク係数（Risk Factor）」と「確率的障害（Probabilistic Failure）」の2つでモデル化する手法が一般的かつ効果的です。
- リスク係数: 平時は
1.0。緊張が高まると1.5、2.0と上昇し、リードタイムやコストに乗算される。 - 確率的障害: 各ノードが稼働停止する確率。平時は
0.01%だが、有事シナリオでは50%などに跳ね上がる。
これらを定義することで、曖昧な不安を計算可能な数値へと変換できるのです。
Step 1: 開発環境と数理モデルの準備
まずは手を動かす準備をしましょう。複雑な環境構築は不要ですが、データサイエンスの標準的なライブラリを使用します。
必要なPythonライブラリ
以下のコマンドで必要なライブラリをインストールしてください。今回はグラフ描画とデータ操作が中心です。
pip install networkx pandas matplotlib numpy
サプライチェーンのグラフ理論モデル化
半導体製造は、ウェハ製造（前工程）からチップ組立（後工程）、そしてテスト、配送と多段階のプロセスを経ます。これをグラフ理論で表現するために、基本的なクラスを定義しましょう。
単にノードをつなぐだけでなく、「在庫容量」や「生産能力」といったSCM特有のパラメータを持たせることが肝要です。
import networkx as nx
import pandas as pd
import matplotlib.pyplot as plt
import random
# サプライチェーンの拠点を表すクラス
class SCNode:
def __init__(self, node_id, node_type, country, capacity, inventory=0):
self.node_id = node_id
self.node_type = node_type # 'Supplier', 'Fab', 'Assembly', 'Distributor'
self.country = country
self.capacity = capacity # 最大生産/処理能力
self.inventory = inventory
self.active = True # 稼働状態
def __repr__(self):
return f"{self.node_id}({self.country})"
# 物流ルートを表すエッジ属性の定義用辞書
# エッジには 'lead_time' (日数) と 'risk_factor' (0.0-1.0) を持たせる
このクラス設計において、country属性を持たせている点に注目してください。これが後ほど、地政学リスクを注入する際のキーとなります。
サンプルデータセットの生成
実際のデータがあればそれを使うのがベストですが、ここでは仮想的なグローバルサプライチェーンを定義します。
- 素材供給: 日本、韓国
- 前工程（Fab）: 台湾、アメリカ
- 後工程（OSAT）: 東南アジア（ベトナム、マレーシア）
- 顧客: 全世界
この地理的な分散こそが、効率性の源泉であり、同時にリスクの温床でもあります。
Step 2: 供給網ネットワークの構築と可視化
モデルの準備ができたら、具体的なネットワークを構築します。ここではNetworkXの有向グラフ（DiGraph）を使用します。物流は基本的に一方通行（上流から下流へ）だからです。
グローバル拠点の定義と接続
# グラフの初期化
G = nx.DiGraph()
# ノード（拠点）の追加
nodes = [
SCNode("Mat_JP", "Supplier", "Japan", 1000),
SCNode("Mat_KR", "Supplier", "Korea", 1000),
SCNode("Fab_TW", "Fab", "Taiwan", 800),
SCNode("Fab_US", "Fab", "USA", 600),
SCNode("Assy_VN", "Assembly", "Vietnam", 700),
SCNode("Assy_MY", "Assembly", "Malaysia", 700),
SCNode("Dist_EU", "Distributor", "Germany", 1000),
SCNode("Dist_US", "Distributor", "USA", 1000)
]
for node in nodes:
G.add_node(node.node_id, data=node)
# エッジ（物流ルート）の定義: (始点, 終点, リードタイムdays)
edges = [
("Mat_JP", "Fab_TW", 5), ("Mat_JP", "Fab_US", 14),
("Mat_KR", "Fab_TW", 3), ("Mat_KR", "Fab_US", 12),
("Fab_TW", "Assy_VN", 4), ("Fab_TW", "Assy_MY", 5),
("Fab_US", "Assy_MY", 10), # アメリカからマレーシアへの輸送
("Assy_VN", "Dist_EU", 20), ("Assy_MY", "Dist_US", 15)
]
for u, v, lt in edges:
G.add_edge(u, v, lead_time=lt, risk_level=0.0)
標準時のフロー計算ロジック実装
ネットワークがつながりました。まずはリスクがない状態（平時）での簡単なフロー確認を行います。ここでは、単純に「上流から下流へモノが流れるか」を確認するためのパス探索を行います。
# 日本の素材メーカーからドイツの配送センターまでの全ルートを探索
paths = list(nx.all_simple_paths(G, source="Mat_JP", target="Dist_EU"))
print(f"平時のルート数: {len(paths)}")
for path in paths:
total_lt = sum(G[u][v]['lead_time'] for u, v in zip(path[:-1], path[1:]))
print(f"ルート: {path}, 総リードタイム: {total_lt}日")
これを実行すると、例えば Mat_JP -> Fab_TW -> Assy_VN -> Dist_EU というルートが総リードタイム29日で機能していることがわかります。これが「ベースライン」となります。
Matplotlibによるネットワーク可視化
視覚化は理解の第一歩です。ノードの位置を地理的に配置するのではなく、階層構造（レイヤー）で表示すると、サプライチェーンの流れが理解しやすくなります。
pos = nx.spring_layout(G, seed=42) # 簡易的な配置
plt.figure(figsize=(10, 6))
# ノードの描画
nx.draw_networkx_nodes(G, pos, node_size=700, node_color='skyblue')
nx.draw_networkx_labels(G, pos)
# エッジの描画（リードタイムをラベル表示）
nx.draw_networkx_edges(G, pos, width=2)
edge_labels = nx.get_edge_attributes(G, 'lead_time')
nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels)
plt.title("半導体サプライチェーン網（正常時）")
plt.axis('off')
plt.show()
Step 3: 「地政学リスク」の注入とシナリオ実装
ここからが本題です。静的なマップに、動的な「リスク」を注入します。地政学リスクは、特定の地域（Country）や経路（Sea Lane）に対して発生します。
カントリーリスクスコアのパラメータ化
たとえば、「台湾海峡の緊張が高まった」というシナリオを想定しましょう。これは物理的な封鎖だけでなく、保険料の高騰や検問による遅延も含みます。
def apply_geopolitical_risk(graph, scenario_config):
"""
シナリオ設定に基づいてグラフの属性を動的に変更する
scenario_config = {'Taiwan': {'delay_factor': 2.0, 'shutdown_prob': 0.3}}
"""
G_risk = graph.copy()
for node_id in G_risk.nodes():
node_data = G_risk.nodes[node_id]['data']
country = node_data.country
if country in scenario_config:
config = scenario_config[country]
# リスク1: リードタイムの増大（入出庫の遅延）
# そのノードから出るエッジのリードタイムを悪化させる
for neighbor in G_risk.successors(node_id):
original_lt = G_risk[node_id][neighbor]['lead_time']
G_risk[node_id][neighbor]['lead_time'] = original_lt * config.get('delay_factor', 1.0)
# リスク2: 確率的な稼働停止
if random.random() < config.get('shutdown_prob', 0.0):
node_data.active = False
print(f"[ALERT] {node_id} は地政学リスクにより稼働停止しました。")
return G_risk
港湾封鎖・輸出規制シナリオの関数化
この関数を使えば、様々な「If-Then」シナリオを作成できます。
- シナリオA（軽微）: 台湾発の物流が1.5倍遅延する。
- シナリオB（深刻）: 台湾の工場が30%の確率で完全停止し、物流は3倍遅延する。
# シナリオBの設定
scenario_b = {
'Taiwan': {'delay_factor': 3.0, 'shutdown_prob': 0.3}
}
G_scenario_b = apply_geopolitical_risk(G, scenario_b)
このように、「国名」をキーにして影響範囲を一括操作できる設計にしておくことが、地政学リスクシミュレーターの肝です。ニュースで「〇〇国への輸出規制」と報じられたら、即座にその国のパラメータを調整して影響を見積もるためです。
Step 4: シミュレーション実行とボトルネック分析
リスクを適用したネットワークで再度パス探索とフロー計算を行い、正常時との差分（デルタ）を計測します。
リスク発生時の供給途絶インパクト測定
def analyze_impact(graph_normal, graph_risk, target_node):
print(f"--- {target_node} への供給ルート分析 ---")
# 正常時
paths_normal = list(nx.all_simple_paths(graph_normal, source="Mat_JP", target=target_node))
min_lt_normal = min([sum(graph_normal[u][v]['lead_time'] for u, v in zip(p[:-1], p[1:])) for p in paths_normal]) if paths_normal else float('inf')
# リスク時
# 停止したノードを通るパスを除外する必要がある
active_nodes = [n for n in graph_risk.nodes() if graph_risk.nodes[n]['data'].active]
subgraph = graph_risk.subgraph(active_nodes)
try:
paths_risk = list(nx.all_simple_paths(subgraph, source="Mat_JP", target=target_node))
if not paths_risk:
print("!! 供給ルート途絶 !! 代替ルートが存在しません。")
return
min_lt_risk = min([sum(graph_risk[u][v]['lead_time'] for u, v in zip(p[:-1], p[1:])) for p in paths_risk])
print(f"正常時 最短リードタイム: {min_lt_normal}日")
print(f"リスク時 最短リードタイム: {min_lt_risk}日")
print(f"遅延インパクト: +{min_lt_risk - min_lt_normal}日")
except nx.NetworkXNoPath:
print("!! 供給ルート途絶 !! 接続不可能です。")
# 実行
analyze_impact(G, G_scenario_b, "Dist_EU")
脆弱なリンク（単一障害点）の特定
このコードを実行すると、例えば「台湾の工場が停止すると、ドイツへの供給ルートが全滅する」あるいは「アメリカ経由のルートは残るが、リードタイムが20日増加する」といった具体的な結果が得られます。
もし「供給ルート途絶」が表示された場合、そこがあなたのサプライチェーンの単一障害点（SPOF: Single Point of Failure）です。この発見こそが、このシミュレーションの最大の価値です。
コスト増と供給安定性のトレードオフ分析
シミュレーション結果をデータフレームに蓄積し、モンテカルロ法のように1000回程度試行を繰り返すことで、「95%の確率で納期を守るためには、どの程度の安全在庫が必要か」あるいは「台湾以外に拠点を分散するための投資対効果（ROI）」を算出する基礎データが得られます。
経営層への報告には、単なる「危険です」という言葉ではなく、「たとえばリスクシナリオBが発生した場合、機会損失はX億円に達しますが、Y億円でマレーシア拠点を拡張すれば回避可能です」という数字が必要です。このPythonスクリプトは、技術の本質を見抜き、ビジネスへの最短距離を描くための強力なツールなのです。
応用と発展：AIによる最適化への道筋
ここまでで、現状の可視化とリスク評価の基盤が整いました。しかし、真の意味でのAI駆動開発（AI-Driven Development）はここからが本番と言えます。
ルールベースからAI最適化へのステップアップ
現在のモデルは「人間が決めたシナリオ」を検証するルールベースのアプローチです。次のステップとして考えられるのは、以下のような高度なAI活用です。
強化学習による自律的なルート変更:
エージェント（AI）にサプライチェーンを管理させ、リスク発生時に自動的に最適な迂回ルートや在庫移動を決定させるモデルを構築します。報酬関数を「総コストの最小化」と「納期遵守率の最大化」に設定することで、人間では思いつかないような柔軟な運用戦略を発見できる可能性があります。外部APIとの連携（リアルタイムセンシング）:
ニュース解析APIや気象データAPIをこのシミュレーターに接続し、リスク係数（risk_factor）をリアルタイムで自動更新する仕組みです。「半導体関連のネガティブニュース」が増加した段階で、自動的に安全在庫レベルを引き上げるといったプロアクティブな運用が可能になります。
意思決定支援ツールとしての仕上げ
今回作成したPythonコードは、まだプロトタイプに過ぎません。しかし、これをDockerなどを活用してコンテナ化し、社内のデータウェアハウス（DWH）と連携させれば、堅牢な社内マイクロサービスとして機能します。
コンテナ技術を利用することで、開発環境と本番環境の差異をなくし、安定したシミュレーション実行基盤を構築できます。ただし、運用基盤の保守には継続的な注意が必要です。たとえば、GitHub ActionsなどのCI/CDパイプラインを利用して自動デプロイを行っている場合、ホストされるランナーのDocker EngineやDocker Composeが最新のメジャーバージョンへアップデートされるタイミングで、過去の非推奨機能が完全に削除されることがあります。
古い設定ファイルや廃止されたコマンドに依存していると、突然ワークフローが停止するリスクがあります。そのため、定期的に公式のチェンジログを確認し、事前の互換性検証を行う運用フローを組み込むことが重要です。また、コンテナ環境のセキュリティ更新も不可欠です。最新の脆弱性（CVE）に対応したパッチが提供された際は、速やかにベースイメージやホスト環境を更新する体制を整えてください。詳細な設定や最新のベストプラクティスについては、常に公式ドキュメントを参照し、自社のセキュリティ要件に合わせて適切に構成することが求められます。
大規模なパッケージソフトを導入して「使いこなせない」という失敗を犯す前に、まずは自社の課題に特化した小さなモデルを回してみる。そこで得られた知見を持って、本格的なシステム開発に進むのが、最もリスクを抑えたアジャイルなDXの進め方です。
まとめ
地政学リスクは制御不能な外部要因ですが、その「影響」は内部の設計次第で制御可能です。
本チュートリアルでは、PythonとNetworkXを用いて、ブラックボックスになりがちなサプライチェーンのリスクを可視化・定量化する手法を解説しました。
- モデル化: 複雑な商流をノードとエッジのグラフ構造に落とし込む。
- リスク注入: 国や地域ごとのリスクをパラメータとして定義する。
- インパクト分析: シナリオ実行により、ボトルネックと遅延日数を具体的に算出する。
このプロセスを自社で運用できるようになれば、経営会議での提案の質は劇的に向上します。「なんとなく不安」という定性的な状態から、「数値に基づいた投資判断」へとシフトできるからです。
より高度なAIエージェントの構築や、既存の業務システムとのリアルタイム連携、あるいは具体的なリスクシナリオの策定を検討する際は、専門家への相談で導入リスクを軽減できます。個別の状況に応じたアドバイスを得ることで、PoCの段階から本番運用を見据えた、より効果的なアーキテクチャ設計が可能になります。
不確実な時代を生き抜くための「羅針盤」として、データに基づく強靭なサプライチェーンを構築する一助となれば幸いです。いかがでしたか？まずは手元の環境で、小さなプロトタイプから動かしてみてください。
コメント