Civilizational Fragility MCP Server

文明の脆弱性 MCP サーバー

ApifyForge で表示 | Apify Store で利用

---

クイックスタート

MCP クライアント（Claude Desktop、Cursor、Windsurf）に追加します：

{
  "mcpServers": {
    "civilizational-fragility-mcp": {
      "url": "https://ryanclinton--civilizational-fragility-mcp.apify.actor/mcp"
    }
  }
}

---

AI エージェント向けの文明の脆弱性評価です。この MCP サーバーを使うと、17 のライブデータソースと 10 の数理フレームワークに基づく、複数領域にまたがる連鎖的な崩壊リスク分析を Claude、GPT-4、および MCP 対応エージェントから利用できます。システム崩壊、ティッピングポイント、領域横断的な波及に関する問いに、根拠に基づいた定量的な回答を必要とする研究者、国家安全保障アナリスト、機関のリスクチーム、AI システム向けに構築されています。

このサーバーは常時稼働する Apify Standby アクターとして動作し、Model Context Protocol を介して 8 つの専門ツールを公開します。各ツール呼び出しでは、FRED、IMF、World Bank、NOAA、FEMA、USGS、GDACS、OpenAQ、NVD、CISA KEV、WHO、ClinicalTrials.gov、Congress Bills、Federal Register、OFAC Sanctions にまたがる 17 個のアクターを並列で実行し、その後、収集したデータを一連のアルゴリズムに通します。アルゴリズムには、層コホモロジー、Kaneko 結合写像格子、Vietoris-Rips 持続的ホモロジー、Conley 指数、Dec-POMDP 介入計画、Shapley 分解、Leontief 産業連関分析、平均場ゲーム、ガウス過程、Moran 進化ダイナミクスが含まれます。出力されるのは、領域レベルのストレススコア、リスク評価、ティッピングポイントへの近接度マップ、優先順位付きの介入推奨事項を含む、構造化された脆弱性レポートです。

どのようなデータにアクセスできますか？

データポイント	ソース	対象範囲
📊 経済時系列データ	FRED Economic Data	米国・グローバルの80万件以上の系列
📉 労働市場指標	BLS Economic Data	米国の雇用、CPI、賃金
🌐 世界のマクロ指標	IMF Data	190か国
🏦 開発・貧困指標	World Bank Data	200か国以上
📋 OECD 経済統計	OECD Statistics	38の加盟国
🌩 気象・気候イベント	NOAA Weather	米国および世界
🚨 災害宣言	FEMA Disaster Search	米国で宣言されたすべての災害
🌍 地震イベント	USGS Earthquake Search	世界全域、リアルタイム
⚠️ 複合災害アラート	GDACS	世界全域、ほぼリアルタイム
🌫 大気質測定値	OpenAQ	世界の観測ステーション
🔓 CVE 脆弱性データベース	NVD CVE Search	CVE の全履歴
🛡 実際に悪用されている脆弱性	CISA KEV Catalog	実環境での悪用が確認済み
🏥 世界の健康指標	WHO GHO	1,000件以上の健康系列
🧪 臨床試験の動向	ClinicalTrials.gov	登録済みの試験
🏛 米国連邦法案	Congress Bill Tracker	下院・上院の法案
📜 規制措置	Federal Register Search	連邦規則・告示
🚫 制裁・指定	OFAC Sanctions Search	SDN リストおよびプログラム

文明の脆弱性評価にこの MCP サーバーを使う理由

手作業で複数領域のリスク評価を行うには、互いに無関係な多数の API からデータを取得し、互換性のないスキーマを正規化し、領域間の結合を分析するための数学的フレームワークを選び、分析結果をまとめる頃にはすでに古くなっている調査に何週間も費やす必要があります。商用のリスクインテリジェンスプラットフォームでは、リアルタイムの問い合わせに対応できない静的なレポートに、年間 15,000～50,000 ドルかかります。

この MCP サーバーは分析パイプライン全体を自動化します。AI エージェントがツールを 1 回呼び出すと、サーバーは 17 のすべてのソースから最新データを並列に取得し、生の指標から領域ノードと結合エッジを構築して、10 個のアルゴリズムを順番に実行し、数分で構造化されたリスクレポートを作成します。API キーの管理も、データパイプラインの保守も、モデルの再トレーニングも必要ありません。

プラットフォームのメリット：

• 待機モード — サーバーは常に起動状態のため、コールドスタートの遅延なくツール呼び出しにすぐ接続できます
• 並列データ取得 — 17 のアクター呼び出しをすべて同時に実行するため、データ収集は数時間ではなく 2～4 分で完了します
• API アクセス — Claude Desktop、Cursor、Cline、カスタムエージェントなど、MCP 対応のあらゆる AI クライアントからツール呼び出しを実行できます
• 呼び出しごとの従量課金 — サブスクリプションは不要で、実行したツール呼び出しの分だけお支払いいただきます
• モニタリング — Apify の組み込み実行モニタリングを通じて、サーバーでエラーが発生した場合に Slack またはメールでアラートを受け取るよう設定できます
• インテグレーション — Zapier、Make、Webhook に接続するか、Apify API を直接呼び出してプログラムからアクセスできます

特徴

• 1つのサーバーに10の数学的フレームワーク — 層コホモロジー、金子CML、Vietoris-Rips持続的ホモロジー、Conley指数、Dec-POMDP、Shapley分解、レオンチェフ産業連関分析、平均場ゲーム、ガウス過程、Moran過程をすべてスコアリングエンジンに実装しています
• 層コホモロジー H^1 による障害検出 — ドメインごとの局所評価が全体として整合しない箇所を特定します。H^1 が高い場合、ドメイン間のリスクシグナルに整合できない矛盾があることを示します
• 金子結合写像格子 — ロジスティック r パラメーターを設定できます（デフォルトは3.8、カオス領域）。ドメインごとのリャプノフ指数、同期指数、ストレスが臨界しきい値を超えた際のカスケード事象を追跡します
• Vietoris-Rips持続的ホモロジー — ベッチ数 beta_0（独立したリスククラスター）と beta_1（循環依存関係）を計算します。パーシステンス図の長寿命区間は、構造的な脆弱性と一時的なノイズを区別して示します
• Conley指数によるモース分解 — ドメイン状態空間のアトラクターとリペラーを分離します。リペラーの数は、脆弱性を直接示すシグナルです
• Dec-POMDP介入プランナー — 各ドメインを、{do_nothing, monitor, mitigate, emergency_response}から選択するエージェントとしてモデル化し、信念空間上の価値反復を実行します。最適なポリシー、総コスト／便益、ドメインごとの情報価値を出力します
• 相互作用指数を伴うShapley分解 — 完全なShapley公式を用いて、全体的な脆弱性に対する各ドメインの限界寄与を計算します。ペアごとの相互作用指数から、相乗効果のあるドメインの組み合わせが明らかになります
• レオンチェフ非線形産業連関分析 — 6つすべてのドメインにわたるリソースフローのボトルネックと前方／後方連関をマッピングします。システム乗数で増幅の度合いを定量化します
• 平均場ゲーム（結合HJB＋Fokker-Planck） — 疫病と経済のフィードバックループをモデル化します。ナッシュ均衡の状態、疫病のピーク、経済の底、密度の推移を出力します
• Matérn 5/2カーネルによるガウス過程 — ドメインのストレス値を用いた空間回帰を行います。対数周辺尤度によるハイパーパラメーター最適化により、空間相関構造を定量化します
• Moran進化過程 — 設定可能な世代数にわたり、10,000の制度的アクターをシミュレーションします。固定確率と定常分布から、長期的な制度の優勢が明らかになります
• 6ドメインアーキテクチャ — 経済、気候、健康、サイバーセキュリティ、ガバナンス、環境を、stressLevel、fragility、resilience属性を持つ結合DomainNodeオブジェクトとしてモデル化します
• 17のデータソースに並列でクエリ — FRED、BLS、IMF、World Bank、OECD、NOAA、FEMA、USGS、GDACS、OpenAQ、NVD、CISA KEV、WHO、ClinicalTrials、Congress Bills、Federal Register、OFAC
• リスクグレードを出力 — 複合overallFragilityスコアからAからFまでのレターグレードを算出し、リスクをひと目で伝えます
• 構造化された推奨事項 — すべてのレポートにtopRisksおよびrecommendations配列が含まれ、エージェントの推論チェーンですぐに利用できます

文明の脆弱性評価のユースケース

国家安全保障と戦略情報

防衛研究チームやシンクタンクは、assess_cascading_fragilityを使用して、経済、地政学、健康、環境の各領域を同時に扱う四半期ごとのリスクブリーフィングを作成します。Dec-POMDPツールの出力はリソース配分の決定に直結します。つまり、監視への投資先や、いつ緊急対応態勢へ移行するかを判断できます。

早期警戒システムの開発

自動早期警戒システムを構築するチームは、detect_tipping_proximityを日次または週次のスケジュール済みパイプラインに組み込みます。リャプノフ指数が0を超えると、ドメインの動態がカオス状態であることを示します。層コホモロジーの障害が0.5を超えると、リスク状況が全体として整合しなくなっていることを示します。どちらのシグナルも、従来の指標が動き出す前に発せられます。

学術研究および機関研究

システミックリスク、複雑性経済学、社会技術的崩壊を研究する研究者は、simulate_multiplex_cascade と track_persistent_homology を使用して、論文やモデル向けの定量的な入力データを生成します。Vietoris-Rips フィルトレーションの出力と Betti 数の時系列は、トポロジカルデータ解析の文献に照らして直接解釈できます。

マクロリスク推論を支援する AI エージェント

この MCP サーバーを設定した AI コーディングアシスタントやリサーチエージェントは、学習時の知識ではなく、最新の信頼できるデータを使って、「転換点に最も近い領域はどれか」や「現在の脆弱性レベルを踏まえた最適な介入順序は何か」といった質問に回答できます。構造化された JSON 出力は、エージェントでの利用に最適化されています。

長期的な組織戦略

戦略チームやシナリオプランナーは、forecast_civilizational_trajectory を使用して、現在の状況下でどのガバナンス戦略が進化的に安定しているかを把握します。モラン過程の固定確率と平均場ゲームのナッシュ均衡出力により、長期的にどの組織的アプローチが優勢になるかを定量化できます。

因果経路とボトルネックの分析

オペレーションズリサーチャーやサプライチェーンアナリストは、causal_cross_domain_query を使用して、レオンチェフの産業連関分析を通じ、領域間の資源フローのボトルネックを追跡します。システム乗数から、ある領域での単位ショックがネットワーク全体にどれほど増幅されるかが分かります。ガウス過程の空間相関行列は、どの領域がストレス状況において統計的に近接しているかを示します。

この MCP サーバーへの接続方法

Claude Desktop

claude_desktop_config.json に以下を追加します。

{
  "mcpServers": {
    "civilizational-fragility": {
      "url": "https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_APIFY_TOKEN"
    }
  }
}

Cursor

.cursor/mcp.json に以下を追加します。

{
  "mcpServers": {
    "civilizational-fragility": {
      "url": "https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_APIFY_TOKEN"
    }
  }
}

Cline / VS Code

Cline の MCP 設定に以下を追加します。

{
  "mcpServers": {
    "civilizational-fragility": {
      "url": "https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_APIFY_TOKEN"
    }
  }
}

YOUR_APIFY_TOKEN を、Apify Console > Settings > Integrations で取得したトークンに置き換えてください。

MCP ツール

ツール	最適な用途	推定コスト
assess_cascading_fragility	10 種類すべてのアルゴリズムを組み合わせた総合レポート	$300–500
detect_tipping_proximity	早期警告。重大な転換点に最も近い領域を特定	$200–350
simulate_multiplex_cascade	ショック伝播のモデリング。レジリエンスシナリオのテスト	$200–300
compute_domain_shapley	責任の帰属。脆弱性を最も強く引き起こす領域を特定	$200–300
plan_intervention_decpomdp	資源配分。最適な介入方針の策定	$200–300
causal_cross_domain_query	ボトルネックの追跡。領域間フィードバックの定量化	$200–350
track_persistent_homology	トポロジカルなリスク構造。持続的特徴と一時的特徴の識別	$200–300
forecast_civilizational_trajectory	長期的な組織の進化と軌跡	$200–350

ツールのパラメーター

パラメーター	型	デフォルト	説明
query	string	"global risk assessment"	17 のすべてのアクターを対象とするデータ収集の焦点となるクエリ
cml_time_steps	number	200	結合写像格子シミュレーションのステップ数（すべてのツール）
cml_logistic_r	number	3.8	ロジスティック写像の r パラメーター。>3.57 はカオス領域
planning_horizon	number	5	Dec-POMDP の計画期間（ステップ数）
population_size	number	10000	モラン過程の母集団サイズ（軌跡予測ツールのみ）
generations	number	500	モラン過程の進化世代数（軌跡予測ツールのみ）

入力のヒント

• 対象を絞ったデータには具体的なクエリを使用してください — 「climate economic cascading risk 2026」を指定すると、汎用的なデフォルトよりも関連性の高いIMF、World Bank、NOAAのレコードが取得されます
• 標準的な分析では logistic_r を 3.8 のままにしてください — 3.9を超える値ではカオスへの感度が高まり、3.57を下回る値では周期的（非カオス）なCMLの挙動になります
• assess_cascading_fragility を実行する前に detect_tipping_proximity から始めてください — コストが低く、どのドメインをさらに詳しく調査すべきかを特定できます
• 複数年にわたるシナリオ計画では planning_horizon を 10 に増やしてください。デフォルトの5では、短期的な介入シーケンスをモデル化します
• 介入の支出を正当化する必要がある場合は、まず compute_domain_shapley を実行してください — シャープレイ値によって、最も影響の大きいドメインを高い精度で特定できます

出力例

assess_cascading_fragility の代表的な応答：

{
  "overallFragility": 0.67,
  "riskGrade": "C",
  "topRisks": [
    "Elevated sheaf H1 obstructions (0.42) indicate inconsistent cross-domain risk signals — local assessments for cyber and economic domains cannot be reconciled globally",
    "Positive Lyapunov exponents in cyber (0.31) and governance (0.18) signal chaotic dynamics — small shocks can cascade non-linearly",
    "Leontief system multiplier 2.14 indicates each unit of domain stress amplifies 2.14x across the network"
  ],
  "recommendations": [
    "Priority 1: Mitigate cyber domain — Shapley value 0.28 makes it the dominant fragility contributor",
    "Priority 2: Monitor governance domain — positive Lyapunov exponent with second-highest Shapley value (0.21)",
    "Priority 3: Emergency response posture for health — Dec-POMDP optimal action given planning horizon 5"
  ],
  "domains": [
    { "id": "cyber", "name": "Cybersecurity", "stress": 0.74, "fragility": 0.71, "resilience": 0.29 },
    { "id": "economic", "name": "Economics", "stress": 0.58, "fragility": 0.61, "resilience": 0.42 },
    { "id": "governance", "name": "Governance", "stress": 0.63, "fragility": 0.65, "resilience": 0.35 },
    { "id": "health", "name": "Health", "stress": 0.51, "fragility": 0.55, "resilience": 0.48 },
    { "id": "climate", "name": "Climate", "stress": 0.47, "fragility": 0.49, "resilience": 0.54 },
    { "id": "environment", "name": "Environment", "stress": 0.44, "fragility": 0.46, "resilience": 0.58 }
  ],
  "sheafH1": 3,
  "globalConsistency": 0.62,
  "cmlSynchronization": 0.38,
  "cascadeEvents": 7,
  "betti0": 2,
  "betti1": 1,
  "attractors": 3,
  "repellers": 2,
  "shapleyDominant": "cyber",
  "leontiefMultiplier": 2.14,
  "nashEquilibrium": false,
  "moranDominant": "monitor",
  "report": {
    "overallFragility": 0.67,
    "riskGrade": "C",
    "sheafCohomology": { "h0": 1, "h1": 3, "globalConsistency": 0.62 },
    "persistentHomology": { "betti0": 2, "betti1": 1, "totalPersistence": 1.84, "stabilityScore": 0.51 },
    "conleyIndex": { "attractorCount": 3, "repellerCount": 2 },
    "shapley": { "dominantDomain": "cyber", "totalFragility": 0.67 },
    "leontief": { "systemMultiplier": 2.14, "bottlenecks": ["cyber", "governance"] },
    "meanField": { "nashEquilibrium": false, "epidemicPeak": 0.34, "economicTrough": -0.19 }
  }
}

出力フィールド

フィールド	型	説明
overallFragility	number (0–1)	すべてのドメインとアルゴリズムを対象とした複合脆弱性スコア
riskGrade	string (A–F)	overallFragility から導出された評価
topRisks[]	string[]	エージェントの推論に使う、人が読みやすい主要なリスクの説明
recommendations[]	string[]	優先順位付けされた介入の推奨事項
domains[].id	string	ドメイン識別子（cyber、economic、governance、health、climate、environment）
domains[].stress	number (0–1)	ライブデータから導出された現在のドメインのストレスレベル
domains[].fragility	number (0–1)	ドメインの構造的脆弱性
domains[].resilience	number (0–1)	ショックを吸収し、回復するドメインの能力
sheafH1	number	H^1 障害サイクルの数 — ドメイン間の信号の不一致
globalConsistency	number (0–1)	1から正規化済みH^1を引いた値。高いほど全体の一貫性が高い
cmlSynchronization	number (0–1)	CML同期指数。値が低いほど、カスケードが非同期に進行するリスクが高い
cascadeEvents	number	CMLシミュレーションにおけるカスケードイベントの数
betti0	number	ベッチ数0：最終フィルトレーションスケールにおける独立したリスククラスターの数
betti1	number	ベッチ数1：最終フィルトレーションスケールにおける循環依存関係の数
attractors	number	Conley指数のアトラクター数（安定平衡点）
repellers	number	Conley指数の反発子数（不安定平衡点 — 脆弱性のシグナル）
shapleyDominant	string	シャープレイ脆弱性寄与度が最も高いドメイン
leontiefMultiplier	number	レオンチェフI-Oによるシステム全体の増幅係数
nashEquilibrium	boolean	平均場ゲームがナッシュ均衡に達しているかどうか
moranDominant	string	モラン進化過程における支配的な制度戦略
lyapunovExponents	Record<string,number>	ドメインごとのCMLリアプノフ指数。正の値はカオス的であることを示します
tippingProximity	Record<string,number>	ドメインごとの転換点近接スコア（検出ツール）
optimalPolicy[]	object[]	コストと便益を含む、ドメインごとのDec-POMDP推奨アクション
valueOfInformation	Record<string,number>	モニタリング投資の配分を導く、ドメインごとの情報価値（VOI）
domainContributions	Record<string,number>	ドメインごとのシャープレイ値
interactionIndices	Record<string,Record<string,number>>	ドメイン間のペアごとの相乗効果マトリックス
fixationProbabilities	Record<string,number>	制度戦略ごとのモラン固定確率
stationaryDistribution	number[]	長期的な制度戦略の分布
leontiefBottlenecks	string[]	資源フローのボトルネックとして特定されたドメイン
spatialCorrelation	number[][]	GP Matérn 5/2空間相関マトリックス
gpHyperparameters	object	GPの長さ尺度、信号分散、ノイズ分散

文明の脆弱性評価を実行するには、いくらかかりますか？

この MCP サーバーでは、イベントごとの従量課金制を採用しており、ツール呼び出しごとに料金が発生します。各ツール呼び出しでは、17 のアクターすべてから並行してデータを取得します。料金には、アクターの実行コストと MCP サーバー自体のプラットフォームコストが反映されます。

シナリオ	ツール呼び出し回数	1 回あたりの費用	合計費用
簡易テスト（detect_tipping_proximity）	1	約 $0.04	約 $0.04
週次モニタリングの実行	4	約 $0.04	約 $0.16
完全な脆弱性評価（assess_cascading_fragility）	1	約 $0.04	約 $0.04
月次調査ワークフロー	20	約 $0.04	約 $0.80
組織向け日次モニタリング	90	約 $0.04	約 $3.60

注：上記のイベントごとの料金は、MCP サーバーのイベント料金をカバーします。17 のアクター呼び出しでは、それぞれ別途 Apify プラットフォームクレジットが消費されます。返されるデータ量に応じて、assess_cascading_fragility を 1 回実行するごとに $5～$30 を見込んでください。実行ごとに最大支出額を設定して、合計費用に上限を設けることができます。予算に達すると、アクターは停止します。

Apify Free プランには、月額 $5 分のプラットフォームクレジットが含まれており、料金が発生する前に複数回の完全な評価を無料で実行できます。静的でクエリを実行できないレポートに年間 $15,000～$50,000 かかる組織向けリスクプラットフォームと比較してください。

API の使用

MCP サーバーは Apify Standby モードで実行され、公開アクター URL からアクセスできます。Apify API を使用して、プログラムから起動することもできます。

Python

from apify_client import ApifyClient

client = ApifyClient("YOUR_API_TOKEN")

# Start the MCP server actor in standby mode and query it via MCP
# Or call it as a regular actor run for health checks
run = client.actor("ryanclinton/civilizational-fragility-mcp").call(run_input={})

print(f"Server status: {run['status']}")
print(f"MCP endpoint: https://civilizational-fragility-mcp.apify.actor/mcp")

# For direct MCP tool calls, use an MCP client library pointed at the endpoint:
# url = "https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_API_TOKEN"

JavaScript

import { ApifyClient } from "apify-client";

const client = new ApifyClient({ token: "YOUR_API_TOKEN" });

// Health check / actor start
const run = await client.actor("ryanclinton/civilizational-fragility-mcp").call({});

console.log(`Server status: ${run.status}`);
console.log(`MCP endpoint: https://civilizational-fragility-mcp.apify.actor/mcp`);

// For MCP tool calls, point any MCP client at:
// https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_API_TOKEN

cURL — MCP ツールを直接呼び出す

# Call the assess_cascading_fragility tool directly via HTTP POST to the MCP endpoint
curl -X POST "https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "jsonrpc": "2.0",
    "id": 1,
    "method": "tools/call",
    "params": {
      "name": "assess_cascading_fragility",
      "arguments": {
        "query": "climate economic cascading risk 2026",
        "cml_time_steps": 200,
        "cml_logistic_r": 3.8,
        "planning_horizon": 5
      }
    }
  }'

# Fetch available tools list
curl -X POST "https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/list","params":{}}'

この MCP サーバーの仕組み

フェーズ 1：17 のソースから並行してデータを収集

ツールが呼び出されると、fetchAllDomainData() が runActorsParallel() を介して 17 件の runActor() 呼び出しを並行して実行します。FRED には「GDP inflation unemployment debt」を検索する固定クエリが送られ、最大 30 件の結果が取得されます。BLS には CPI／失業率のクエリが送られ、残りの 15 アクターすべてには、呼び出し元から渡されたクエリ文字列が送られます。各アクター呼び出しには 180 秒のタイムアウトと 256 MB のメモリが割り当てられます。結果は未加工の項目配列として返されます。

フェーズ 2：ドメインノードの構築

scoring.ts の buildDomainNodes() は、17 個の未加工の結果配列を、6 個の DomainNode オブジェクト（経済、気候、健康、サイバー、ガバナンス、環境）と、CouplingEdge オブジェクトのセットにマッピングします。各ノードには、ドメイン固有のキー対応を使って extractNumber() で未加工の指標から導出した stressLevel、fragility、resilience のスコアが設定されます。結合強度（CML のイプシロン値）は、ドメイン間のデータ量の比率から計算されます。シード付き PRNG（mulberry32）により、同じデータから再現可能な結合重みが生成されます。

フェーズ 3：アルゴリズムパイプライン

アルゴリズムはノード／エッジグラフ上で順番に実行されます。

1. 層コホモロジー — ドメインのノードとエッジから単体複体を構築し、余境界作用素を計算して、余境界行列に対する階数・退化次数の関係から H^0 と H^1 の数を求めます。障害写像には、エッジごとの不整合値を記録します。globalConsistency = 1 - h1 / totalEdges。
2. 結合写像格子 — time_steps 回の反復で x_i(t+1) = (1-eps)*f(x_i(t)) + (eps/k)*sum_j(f(x_j(t))) を計算し、f(x) = r*x*(1-x)（ロジスティック写像）を使用します。リアプノフ指数は、ヤコビアンの絶対値の対数平均から推定します。いずれかのノードの状態が 0.85 を超えたとき、カスケードイベントを記録します。
3. パーシステントホモロジー — 3D 特徴空間（ストレス、脆弱性、レジリエンス）上に、ペアごとのユークリッド距離をフィルトレーション値として、ヴィエトリス・リップスのフィルトレーションを構築します。各フィルトレーション閾値でベッチ数を追跡します。totalPersistence は区間の寿命を合計し、stabilityScore はワッサースタイン安定性を使用します。
4. コンリー指数 — CML の各ノードの最終状態 finalState の周囲に孤立近傍を構築し、モース集合間の流れを表す接続行列を計算して、各集合をアトラクター（指数 0）またはリペラー（指数 > 0）に分類します。
5. Dec-POMDP — 6 つのドメインエージェントがそれぞれ 4 つの行動から選択する、planning_horizon ステップの信念空間価値反復を実行します。遷移コストと便益はドメイン固有です。情報価値は、完全観測時と部分観測時の期待ポリシー価値の差として計算します。
6. シャープレイ値 — すべての連合を対象に、重み付き限界貢献の公式を用いて厳密なシャープレイ値を計算します。ペアごとの相互作用指数は、相乗効果を持つドメインの組み合わせを定量化します。I(i,j) = phi(i,j) - phi(i) - phi(j)。
7. レオンチェフ産業連関分析 — 結合エッジの重みから技術係数行列 A を構築し、出力ベクトルについて x = (I-A)^-1 * d を解き、各ドメインの前方・後方連関を計算します。システム乗数は、(I-A)^-1 の列和の平均です。
8. 平均場ゲーム — 疫学と経済の結合を表す、結合 HJB + フォッカー・プランク偏微分方程式系を解きます。HJB の価値関数は後ろ向きに反復し、フォッカー・プランクの密度は前向きに反復します。価値関数の更新量が 1e-4 を下回ると、ナッシュ均衡が成立したと判定します。
9. ガウス過程 — ドメインのストレス観測値に対し、マテルン 5/2 カーネル（k(r) = (1 + sqrt(5)*r/l + 5r^2/(3l^2)) * exp(-sqrt(5)*r/l)）を用いて GP を適合させます。ハイパーパラメーター（長さスケール、信号分散、ノイズ分散）は、カーネル行列上で勾配降下法を用いて対数周辺尤度を最大化することで最適化します。
10. モラン過程 — ドメインのレジリエンスに比例する割合で各戦略に分布させた、population_size 人の制度的アクターからなる集団を初期化します。各世代では、適応度に比例する確率で 1 人のアクターを繁殖対象に選び、1 人を一様ランダムに置き換えます。定着確率には厳密な公式 rho = (1-1/r) / (1-1/r^N) を使用します。

フェーズ 4：レポートの組み立て

computeFragilityReport() は、10 種類すべてのアルゴリズムによる寄与を固定の重みで加重し、単一の overallFragility スコアにまとめます。固定の重みは、層 H1（15%）、CML 同期損失（15%）、ホモロジーの合計持続度（10%）、コンリーのリペラー比率（10%）、シャープレイの最大寄与（15%）、レオンチェフ乗数の正規化値（10%）、平均場結合（10%）、GP 分散（5%）、モランの定着の広がり（10%）です。riskGrade は、0–0.2 を A、0.2–0.4 を B、0.4–0.6 を C、0.6–0.8 を D、0.8–1.0 を F に対応付けます。

最良の結果を得るためのヒント

1. 対象とするドメインに合わせてクエリを調整します。 クエリ文字列は、15 個すべての可変アクターに同時に渡されます。汎用的なデフォルト値よりも、「financial contagion sovereign debt 2026」のほうが、IMF、World Bank、FRED の関連レコードをより多く取得でき、ドメインノードのストレス較正が直接改善されます。

2. detect_tipping_proximity を優先順位付けツールとして使用します。 完全な評価よりも低コストで、最も実用的なシグナル、つまり臨界遷移に最も近い特定のドメインを返します。まずこれを実行し、フラグが付いたドメインに対して simulate_multiplex_cascade または plan_intervention_decpomdp を使用します。

3. リアプノフ指数は慎重に解釈します。 正の指数は、わずかな摂動が指数関数的に増大するカオス力学を示します。これは崩壊が差し迫っているという意味ではなく、システムが安定化介入にも不安定化介入にも敏感であることを意味します。

4. シャープレイ値を Dec-POMDP ポリシーと照合します。 シャープレイ値で支配的なドメインが、介入の優先対象として最適とは限りません。Dec-POMDP は介入コストと限界効果の逓減を考慮します。シャープレイ値で支配的なドメインの情報価値が低い場合は、別の場所にモニタリング投資を振り向けるほうが適切な可能性があります。

5. 詳細なカスケード分析では cml_time_steps を 500 に設定します。 デフォルトの 200 ステップでリアプノフ指数の推定には十分ですが、実行時間を長くすると、短い実行では見逃される過渡的なカスケード連鎖が明らかになります。特に r=3.57 の分岐境界付近では有効です。

6. track_persistent_homology と simulate_multiplex_cascade を組み合わせます。 ホモロジー出力における持続的特徴（death − birth > 0.2）は、構造上の脆弱性を特定します。これらの特徴から得たドメイン ID をカスケードシミュレーションのクエリで焦点として指定し、トポロジーのストレステストを行います。

7. シナリオ計画には forecast_civilizational_trajectory を使用します。 まず population_size を 1000 にして実行し、方向性をすばやく把握します。次に 10000 にして、公開可能な品質の固定確率の推定値を得ます。

8. 計画サイクルを通じて情報価値（VOI）をモニタリングします。 ドメインのストレスレベルが変化すると、Dec-POMDP の VOI 出力も変化します。VOI が高いドメインにはモニタリング投資を増やす必要があります。VOI が低いドメインは十分に把握されているため、コストのかかるデータ収集は不要です。

他の Apify アクターとの組み合わせ

アクター	組み合わせ方法
企業の詳細調査	シャープレイ値で特定された支配的なリスクドメインについて、企業レベルのエクスポージャーレポートで脆弱性の出力を補完します
WHOIS ドメイン検索	サイバードメインのストレスシグナルをインフラ所有権データと照合し、帰属分析を行います
SEC EDGAR 申告書分析ツール	経済ドメインのストレスシグナルを、特定の上場企業のリスク開示に対応付けて、ポートフォリオレベルの影響を評価します
Trustpilot レビュー分析ツール	消費者向け企業から得た感情シグナルを経済ドメインのストレスに重ね合わせ、実態に基づく較正を行います
ウェブサイト変更モニター	CISA、FEMA、WHO のページの変更を追跡します。これらは基盤となるデータソースよりも先行して更新される先行指標です
B2B リード評価ツール	脆弱性評価でフラグが付いた高ストレスドメインで事業を展開する企業を特定し、ターゲットを絞ったアプローチを行います
競合分析レポート	ガバナンスドメインのストレスと競合インテリジェンスを組み合わせ、セクターごとの規制変化リスクを把握します

制限事項

• データの遅延はソースによって異なります — FRED、BLS、IMF のデータは、公開スケジュールに応じて実際の状況より1～4週間遅れる場合があります。サーバーは最新データを照会しますが、未公開の系列を補完することはできません。
• ドメインノードの構築は指標ベースです — ストレススコアは利用可能な API フィールド（失業率、CVE 件数、災害宣言）から算出され、機密情報、独自データ、専門家による定性的な判断は考慮されません。
• Dec-POMDP は計算上の近似です — 厳密な Dec-POMDP は NEXP 完全です。この実装では、離散化した信念状態を用いた有限ホライズン価値反復を採用しています。これは扱いやすい近似ですが、不確実性の高い状況では最適な方策を見落とす可能性があります。
• 層コホモロジーの障害は不整合を示すものであり、崩壊を示すものではありません — H^1 が高い場合、各ドメインの局所的なリスク評価を全体として整合させられないことを意味します。これは構造的なシグナルであり、破綻を確定的に予測するものではありません。脆弱性が高い時期の多くは、崩壊事象には至りません。
• CML のダイナミクスは、ロジスティック r が分岐境界に近いときに敏感になります — 3.57 付近の r のわずかな変化で、挙動が質的に異なる場合があります。政策決定に利用する前に、さまざまな r の値で結果を検証してください。
• モラン過程は適応度に比例した選択を前提としています — 実際の制度変化は経路依存的で、政治的な制約を受けます。また、頻度依存選択モデルでは捉えられない調整メカニズムの影響も受けます。
• サーバーはアクターごとに最大20～30件の結果を照会します — 世界規模のマクロな問いでは、このサンプリングでは一部のデータドメインが十分に網羅されない場合があります。より広く網羅するには、クエリ文字列で maxResults を増やしてください。
• リアルタイム監視サービスではありません — 各ツール呼び出し時に最新データを取得します。サーバーは継続的な監視ストリームを維持しません。継続的に監視するには、Apify のスケジュールシステムで定期的にツールを呼び出してください。

インテグレーション

• Zapier — 文明の脆弱性評価をスケジュールに従って実行し、リスク評価を Slack、メール、または Zapier に接続された任意のアプリに送信します
• Make — detect_tipping_proximity を毎日呼び出す自動シナリオ監視パイプラインを構築し、いずれかのドメインの転換点スコアがしきい値を超えた際にエスカレーションします
• Google Sheets — 脆弱性スコアとドメインのストレスレベルを時系列シートに追加し、傾向の追跡やグラフ作成に利用します
• Apify API — 任意の言語から MCP エンドポイントをプログラムで呼び出し、調査パイプライン、ダッシュボード、エージェントフレームワークに統合します
• Webhooks — 実行の完了時、またはサーバーでエラーが発生した際に下流システムへ通知するよう、Webhook を設定します
• LangChain / LlamaIndex — この MCP サーバーを LangChain エージェントまたは LlamaIndex パイプラインに接続し、最新データに基づいて文明リスクを推論します

トラブルシューティング

• ツールの呼び出しでドメイン値が空、またはほぼゼロになる — 上流のデータ提供元が、クエリに対して結果を返さなかった可能性があります。クエリ文字列が対象のドメインに合っていること、Apify プラットフォームで障害が発生していないことを確認してください。データが取得できているか確かめるには、「global risk」のような、より幅広いクエリを試してください。

• 17 個のアクターがすべて完了する前に実行がタイムアウトする — アクター呼び出しごとのデフォルトのタイムアウトは 3 分です。共有インフラストラクチャで遅延が大きい場合、一部のアクター呼び出しは実行全体をタイムアウトさせるのではなく、空の配列を返すことがあります。サーバーは部分的なデータからドメインノードを構築することで、この状況を適切に処理します。重要なドメインのストレススコアがゼロの場合は、呼び出しを再試行してください。

• CML の出力で全ドメインが同期していると表示される（synchronizationIndex が 1.0 に近い） — これは、すべてのドメインのストレスレベルが非常に低い（0.2 未満）場合や、データ収集で指標のばらつきがほとんど得られない場合に発生します。システムが健全であることを示すものではなく、データが不十分である可能性があります。データ密度を高めるには、より具体的なクエリを使用してください。

• Dec-POMDP の最適ポリシーがすべて「do_nothing」になる — これは、すべてのドメインの脆弱性スコアが 0.3 未満であり、監視または緩和のしきい値に達するほどストレスの高いドメインがない場合に発生します。出力は技術的には正しいものの、実用的ではありません。より高いストレスのデータが得られるクエリを指定するか、計画期間を延ばして実行してください。

• ツールの応答で支出上限エラーが発生する — アクターの実行に設定されている最大支出額に達しています。Apify Console のアクター実行設定で上限を引き上げるか、実行設定の maxTotalChargeUsd をより高い値に設定してください。

責任ある利用

• このサーバーがクエリするのは、政府および政府間機関の公式情報源（FRED、BLS、IMF、World Bank、NOAA、FEMA、USGS、WHO、CISA、NVD）から一般公開されているデータのみです。
• このサーバーが生成するリスク評価は、定量的な指標に基づくモデル出力です。政策判断、投資行動、または国家安全保障評価の唯一の根拠として使用しないでください。
• 数学的な脆弱性スコアは、公開データに見られる統計的パターンを反映するものであり、特定の事象や崩壊シナリオの予測ではありません。
• リスクの誤表示によって害を及ぼす可能性のある活動や、偽情報の拡散、市場操作を支援するために出力を使用しないでください。
• 自動リスク評価ツールの責任ある利用に関する指針については、所属組織のデータガバナンスおよび AI 倫理ポリシーを参照してください。

FAQ

文明の脆弱性 MCP サーバーは、ツールを呼び出すたびにいくつのデータソースにクエリしますか？ 8 つのツールすべてが、呼び出しのたびに 17 のデータソースすべて（FRED、BLS、IMF、World Bank、OECD、NOAA、FEMA、USGS、GDACS、OpenAQ、NVD、CISA KEV、WHO GHO、ClinicalTrials、Congress Bills、Federal Register、OFAC）に並行してクエリします。ドメイン間結合アルゴリズムでは 6 つすべてのドメインノードを埋める必要があるため、一部のソースだけを対象とするモードはありません。

文明の脆弱性評価が完了するまで、どれくらいかかりますか？ 17 件のアクター呼び出しによる並行データ収集には、クエリの具体性とプラットフォームの負荷に応じて、約 2～4 分かかります。アルゴリズムの計算（10 個のフレームワーク）には 5 秒未満かかります。ツールの呼び出しから構造化された結果の取得までの合計所要時間は、通常 3～6 分です。

リスク評価の等級は何を意味し、どのように計算されますか？ リスク評価の等級（A～F）は、overallFragility スコアに直接対応します。A = 0～0.2、B = 0.2～0.4、C = 0.4～0.6、D = 0.6～0.8、F = 0.8～1.0 です。このスコアは、10 個のアルゴリズム出力を重み付けして組み合わせたものです。sheaf H^1 obstruction（15%）、CML desynchronization（15%）、Shapley maximum contribution（15%）、persistent homology total persistence（10%）、Conley repeller fraction（10%）、Leontief multiplier normalization（10%）、mean-field coupling strength（10%）、Moran fixation spread（10%）、GP variance（5%）。 Verisk、Moody's、RMS などの既存のリスク評価サービスとは何が違いますか？ 従来のリスクサービスでは、公開スケジュールに従って、固定された内容の独自レポートが作成されます。このサーバーでは、オンデマンドでリアルタイムに照会できる、透明性の高いアルゴリズムによる評価を提供します。すべてのスコアリング式は、オープンな TypeScript コードで実装されています。データソースはすべて公開されています。数学的フレームワーク（層コホモロジー、CML、パーシステントホモロジー）は、単一ドメインの指標ではなく、分野横断的な結合構造を扱います。この価格帯で同等の、オープンで照会可能なマルチドメイン脆弱性評価ツールはありません。

リスク分析や研究にこのデータを使用することは合法ですか？ はい。17 のデータソースはすべて、米国政府機関（FRED/Fed、BLS、FEMA、USGS、NVD/NIST、CISA、WHO、ClinicalTrials.gov、Congress.gov、Federal Register、OFAC）または政府間組織（IMF、World Bank、OECD、GDACS）が運営しており、公開研究や分析での利用を目的としてデータを公開しています。OpenAQ はオープンソースの大気質プラットフォームです。データの利用には各ソースの利用規約が適用されますが、いずれも非営利・営利の研究利用を認めています。

正のリアプノフ指数は、実際には何を意味しますか？ 結合写像格子シミュレーションで正のリアプノフ指数が得られるということは、そのドメインがカオス的な動的状態にあり、初期条件が近接していても指数関数的に乖離することを意味します。実際には、小さな政策変更や外部からのショックが、予測不可能で過大な影響を及ぼす可能性があります。これは、介入を慎重に行い、元に戻せるようにするべきであり、監視の頻度を高める必要があることを示すシグナルです。

この MCP サーバーは、どの AI エージェントフレームワークでも使用できますか？ はい。このサーバーは、@modelcontextprotocol/sdk の StreamableHTTP トランスポートを使用して、HTTP 経由で Model Context Protocol（MCP）を実装しています。Claude Desktop、Cursor、Cline、Windsurf、MCP 拡張機能を備えた VS Code、MCP Python または JavaScript SDK を使用するカスタムエージェント、あるいは有効な JSON-RPC 2.0 リクエストを構築する任意の HTTP クライアントなど、MCP 互換のクライアントであれば使用できます。

ドメインのストレススコアはどの程度正確ですか？ ドメインのストレススコアは、失業率、GDP 成長率、CVE 件数、災害宣言、疾病発生率、大気質指数、立法活動などの公開された定量的指標から算出されます。公開データで測定できるものを捉えています。インテリジェンス評価、機密データ、専門家による定性的判断は含まれません。これらは、単独で確定的な真実として扱うのではなく、各分野の専門知識で補う定量的な基準値として扱ってください。

この MCP サーバーをスケジュールして、評価を自動実行できますか？ はい。Apify の組み込みスケジューリングシステムを使用すると、毎日、毎週、または任意のカスタムスケジュールでアクターを実行できます。また、ウェブフックを設定して、実行のたびに結果をシステムへ自動送信したり、Zapier または Make の連携機能を使用して、出力を Slack、メール、データベースに送ったりできます。

17 個の上流アクターのいずれかが失敗したり、データを返さなかったりした場合はどうなりますか？ actor-client.ts の runActor() 関数は、すべてのエラーを捕捉し、例外をスローする代わりに空の配列を返します。buildDomainNodes() は、データが欠落している場合、データポイント数を減らし、信頼度の重みを調整してドメインノードを構築します。評価は部分的なデータで完了します。データソースのアクターが空の配列を返したドメインでは、ストレススコアが低くなり、不確実性が高くなります。各ドメインノードの dataPoints フィールドは、そのドメインの計算に使用されたデータ量を示します。 Shapley の支配的な領域の結果は、介入の優先順位付けにどのように役立ちますか？ Shapley の支配的な領域は、システム全体の脆弱性に対する限界寄与度が最も高い領域です。その領域を取り除くか安定化すると、単独の他のどの介入よりもシステム全体の脆弱性が低下します。ただし、Dec-POMDP の plan_intervention_decpomdp ツールは、介入コストと情報価値を考慮します。より安価に安定化できる場合や、より優れたモニタリングデータによって方策が大きく変わる場合は、Shapley 値が低い領域のほうが優先度の高い対象になることがあります。

改善にご協力ください

問題が発生した場合、Apify アカウントで実行データの共有を有効にすると、デバッグをより迅速に進めることができます。

1. アカウント設定 > プライバシーに移動します
2. 実行データを公開 Actor 作成者と共有するを有効にします

これにより、問題発生時に実行の詳細を確認できるため、より迅速に修正できます。お客様のデータは Actor の開発者のみが閲覧でき、一般には公開されません。

サポート

バグを見つけた場合や機能をリクエストする場合は、この Actor のページにあるIssues タブから Issue を作成してください。カスタム設定、追加のデータソース連携、またはエンタープライズ導入については、Apify プラットフォームからお問い合わせください。