フレンズ・パラドックス・シミュレータ

「友だちの方が、自分より友だちが多い」──その不思議を、ネットワークを描いて確かめる

計算中…
自分の友だち数の平均 ⟨k⟩
—
全員の友だち数を 1 人ずつ足して人数で割る
友だちの友だち数の平均 ⟨k_n⟩
—
「だれかの友だち」として数えたときの平均
比率 ⟨k_n⟩ / ⟨k⟩
—
= 1 + CV²
友だちの方が多い人の割合
—
友人サンプリングの平均
—
友だち数の標準偏差 σ
—
友だちの数の分布：自分目線と友だち目線

同じ社会でも、「1 人ずつ数える」か「だれかの友だちとして数える」かで分布が右にずれます。友だちが多い人ほど、多くの人の友だちリストに登場するからです。

1 人ひとりの比較：自分の友だち数 vs 友だちの平均友だち数

点 1 つが 1 人。点線（y = x）より上にある人は「友だちの方が友だちが多い」人です。点をクリックするとその人を「あなた」にできます。

友人サンプリング：ランダムな人の「友だち」は、人気者になりやすい

ランダムに 1 人選び、その人に友だちを 1 人教えてもらう。教えてもらった「友だち」の友だち数を記録する──これをくり返した平均は、社会全体の平均 ⟨k⟩ より大きくなります。感染症の早期検知などに応用されている考え方です。

自分の友だち数の平均 ⟨k⟩—
友人サンプリングの平均—（— 回）
選ばれた友だちのうち、平均 ⟨k⟩ より友だちが多かった割合—
友だちから見た平均（ノード平均 k_nn）—
友だち目線の平均 ⟨k_n⟩ = ⟨k²⟩/⟨k⟩—
※ 友人サンプリングの平均が近づくのは、厳密には ⟨k_n⟩ ではなく「友だちから見た平均（k_nn）」です。人気者が偏って存在する社会では両者に差が出ます。

「みんなやっている」錯覚：友だちの行動は実際より多く見える

飲酒や喫煙、夜更かしのように「友だちの多い人ほどやりがちな行動」は、その人が多くの人の友だちリストに登場するぶん、何度も目に入ります。ここでは、ある行動をする人の割合と「人気者ほどやりがちな度合い」を決めて、各人の友だちの中でその行動をしている人がどれくらいに見えるかを計算します。

計算中…
実際にやっている人の割合—
友だち目線の割合（友だちとして数える）—
自分の友だちの中の割合（人ごとの平均）—
「友だちの過半数がやっている」と感じる人—
実際より多いと感じる人—
平均友だち数：やっている人 ／ いない人—

※ ρ = 0（行動と友だちの数が無関係）なら、友だち目線でも割合はほぼ実際どおりに見えます。ρ を上げるほど「みんなやっている」ように見え、人気者が偏って存在する BA 型で錯覚が最も大きくなります。

くり返し実験：偶然ではないことを確かめる

1 回の結果は乱数で揺らぎます。同じ設定で何度も社会を生成し、平均と標準偏差を見てみましょう。さらに「社会のかたち」だけを変えて比べると、ばらつき（不均質さ）がパラドックスの強さを決めていることが分かります。

解説：フレンズ・パラドックスとは？

SNS を眺めていると「みんな自分より友だちが多そうだ」と感じたことはないでしょうか。実はこれ、気のせいでも自信のなさのせいでもなく、友だち関係というネットワークの構造から必ず生じる現象です。1991 年に社会学者スコット・フェルド（Scott Feld）が「あなたの友だちは、なぜあなたより友だちが多いのか」という論文で示し、フレンズ・パラドックス（friendship paradox、友人の逆説）と呼ばれています。

フレンズ・パラドックス：どんな友だち関係のネットワークでも、全員の友だち数に少しでもばらつきがあれば、「友だちの友だち数の平均」は「自分の友だち数の平均」より必ず大きくなる。

なぜ起きるのか：人気者は「数えられすぎる」

からくりは単純です。友だちが 100 人いる人は、100 人の友だちリストに登場します。友だちが 1 人しかいない人は、1 人のリストにしか登場しません。つまり「だれかの友だち」として数えるとき、友だちが多い人ほど何度も数えられ、友だちが少ない人はほとんど数えられません。この偏りを統計学ではサイズバイアス（size-biased sampling）と呼びます。

4 人だけの小さな社会で確かめてみましょう。A は B・C・D と友だち、B と C も友だちです。

人友だち友だちの数 k友だちの友だち数の平均判定
AB, C, D3(2+2+1)/3 = 1.67自分の方が多い
BA, C2(3+2)/2 = 2.5友だちの方が多い
CA, B2(3+2)/2 = 2.5友だちの方が多い
DA13/1 = 3.0友だちの方が多い

自分の友だち数の平均は (3+2+2+1)/4 = 2.0 人。一方、「だれかの友だち」として数えると、A は 3 回、B と C は 2 回、D は 1 回登場するので、友だちの友だち数の平均は (3×3 + 2×2 + 2×2 + 1×1)/8 = 2.25 人。4 人中 3 人（75%）が「友だちの方が友だちが多い」状態です。人数を増やしても、この仕組みは変わりません。

式で書くと

自分の友だち数の平均を ⟨k⟩、友だちとして数えたときの平均を ⟨k_n⟩ とすると、次の関係がどんなネットワークでも厳密に成り立ちます。

⟨k_n⟩⟨k⟩  =  1 + CV²  ,    CV² = 友だち数の分散 σ²⟨k⟩²

CV（変動係数）は「平均に対してどれだけばらついているか」の指標です。ばらつきがゼロ（全員同じ友だち数）なら比率は 1 で、パラドックスは起きません。ばらつきが大きいほど比率は大きくなります。シミュレータの「比率」カードには、この式の右辺も表示しています。

画面の数字の読み方

自分の友だち数の平均 ⟨k⟩
全員の友だち数を 1 人ずつ足して、人数 N で割ったもの。ふつうの「平均」。
友だちの友だち数の平均 ⟨k_n⟩
すべての友だち関係（線）の両端にいる人の友だち数を集めて平均したもの。友だちが多い人ほど何度も数えられる。⟨k²⟩/⟨k⟩ に等しい。
比率 ⟨k_n⟩/⟨k⟩
「友だちの友だち数の平均」が「自分の友だち数の平均」の何倍か。1 + CV² と常に一致する。
友だちの方が多い人の割合
自分の友だち数より、自分の友だちたちの平均友だち数の方が大きい人の割合。図では青い丸。
友人サンプリングの平均
「ランダムに選んだ人に友だちを 1 人教えてもらう」をくり返し、教えてもらった人の友だち数を平均したもの。全体の平均 ⟨k⟩ より大きくなる。
友だち数の標準偏差 σ
友だち数のばらつき。これが大きい社会ほどパラドックスが強い。

4 つの「社会のかたち」

シミュレータでは、友だち関係の「できかた」が違う 4 種類の社会を選べます。現実の社会はこれらが混ざったものですが、4 つを見比べると「自分の身の回りはどれに近いか」「そこでパラドックスはどれくらい強いか」を考える手がかりになります。

人気者が生まれる社会（BA モデル） たとえ話：転校生が次々やってくるクラス。転校生は、まず一番顔の広い人から紹介を受けて友だちになります。顔の広い人は紹介されるたびにさらに友だちが増える（優先的選択、「金持ちはますます金持ちに」）。
現実の例：SNS のフォロワー数、ウェブページへのリンク数、論文の被引用数、空港の路線数。
画面では：大きな丸（人気者）が中心に集まり、周りに小さな丸が多数。比率は 2 倍以上、9 割近くが青。m は「新しく入った人が最初に友だちになる人数」で、平均友だち数は約 2m。
くじ引きの社会（ER モデル） たとえ話：全員のペアの数だけくじを用意し、当たりが出たペアだけ友だちになる。だれが人気かは関係なく、すべてのペアが同じ確率。
現実の例：大人数の講義で偶然隣になった人、席がランダムに決まる食事会、部署内の均質な雑談相手。
画面では：丸の大きさがそろい、青と橙が入り混じる。友だち数は平均の周りに集まる釣鐘型で、比率はおよそ 1 + 1/⟨k⟩（平均 6 人なら約 1.17）、青は 6 割強。
ご近所づきあいの社会（WS モデル） たとえ話：全員が大きな円卓に座り、両隣とそのまた隣（計 k 人）と友だちになる。これだけなら全員ぴったり同じ友だち数。そこへ、進学や転勤で「遠くの人」と知り合う人が出てくる（確率 β で線をつなぎ替え）。
現実の例：町内会や田舎のご近所づきあい、座席の近い人どうしのつながり。β は「遠くに知り合いがいる人の割合」。
画面では：丸の大きさはほぼ同じ。β = 0 では全員が灰色でパラドックスは起きない。β を上げると青と橙が現れ、わずかなばらつきで「友だちの方が多い人」が急に増える。
スター型（極端な例） たとえ話：生徒が先生とだけ話す教室。あるいはアイドルとファンクラブ：全員がアイドルの「友だち」だが、会員どうしは友だちではない。
現実の例：コールセンターと顧客、ハブ空港と地方空港。ここまで極端な社会はまれですが、人気の集中が極限まで進むと何が起きるかを示します。
画面では：中央に巨大な橙の丸、周りの全員が小さな青い丸。友だち数は「1 人」と「N − 1 人」の二極で、比率はおよそ N/4（60 人で約 15 倍）。

応用①：観察・測定に使う（安価なセンサー）

「ランダムに選んだ人の友だち」は、ランダムに選んだ人そのものより友だちが多い傾向にあります。つながりの多い人は感染も情報も早く受け取るので、ネットワーク全体を調べなくても、友だちを尋ねるだけで早期警戒のセンサーが手に入ります。

応用②：社会政策に使う（安価なターゲティング）

注意：友人サンプリングの平均が近づくのは、厳密には ⟨k_n⟩ ではなく「各人から見た友だちの平均友だち数」をさらに人数で平均した値（ノード平均 k_nn）です。人気者とふつうの人がはっきり分かれる BA モデルでは、両者に 1 割前後の差が出ます。また、つながりの多い人に届いても、その人が行動を変えなければ広がりません。友だちを挙げてもらう手順は第三者を対象にするので、同意と情報の取り扱いにも注意が必要です。

数字が毎回少し違うのはなぜ？

ネットワークは乱数で生成されるので、同じ設定でも試行ごとに結果が揺らぎます。「くり返し実験」で平均と標準偏差を確認すると、揺らぎの大きさと、モデル間の差が偶然では説明できないことが分かります。乱数のシードを固定すれば、まったく同じ社会を再現できます。

試してみよう：6 つの実験

ボタンを押すと設定が切り替わり、画面上部のシミュレータに反映されます。

① 人気者が生まれる社会

BA モデル、200 人。大きな丸（人気者）が中心に集まり、ほとんどの丸が青（友だちの方が多い）になります。比率は約 2 倍。ヒストグラムの右へのずれに注目。

② くじ引きの社会

ER モデル、200 人、平均 6 人。丸の大きさはほぼそろい、青と橙が入り混じります。比率は約 1.17（= 1 + 1/6）、「友だちの方が多い人」は 6 割強。

③ 全員ぴったり同じ友だち数

WS モデルで β = 0。全員が 6 人の友だちを持つ輪になり、パラドックスは完全に消えます（比率 1.00、割合 0%）。ばらつきこそが原因だと分かります。

④ 少しだけつなぎ替える

③の社会で β = 0.1 にして、1 割の友だち関係を遠くの人とつなぎ替えます。わずかなばらつきでも「友だちの方が多い人」が半数ほどに跳ね上がります。β スライダーを動かして変化を追ってみてください。

⑤ スター型：極端な社会

60 人のうち 1 人だけが全員と友だち。スター以外の全員が青になり、比率は約 15 倍。人数 N を増やすと比率は N/4 に近づきます。

⑥ 大きな SNS

BA モデル、500 人、m = 2。人数が増えるほど巨大な人気者が現れ、比率はさらに大きくなります。「くり返し実験」で 4 つの社会を比べ、平均をそろえても差が残ることを確認しましょう。

さらに観察するヒント

このサイトについて

このシミュレータは、ネットワーク科学の入門教材として、フレンズ・パラドックスを「見て」「触って」理解するために作られました。ブラウザだけで動作し（サーバーもインストールも不要）、ネットワークの生成から指標の計算、描画まで、すべて JavaScript で行っています。

作成：河合勝彦（名古屋市立大学大学院）　連絡先：kkawai [at] econ.nagoya-cu.ac.jp

主な参考文献