ベンフォードの法則と不正会計検知

Q: ベンフォードの法則と不正会計検知とは何ですか？

ある数値データの集合において、先頭の有効数字が d \in \{1, 2, \dots, 9\} である確率 P(d) が次式で与えられる現象を**ベンフォードの法則（Benford's Law）**と呼びます。

Q: ベンフォードの法則と不正会計検知は社会やプログラミングでどのように使われていますか？

ベンフォード適合度テストと不正データ自動検知スクリプト: 会計帳簿や取引ログから先頭桁の出現頻度を集計し、カイ二乗検定（Chi-Square Test）により捏造・不正の疑惑スコアを自動判定するTypeScript実装です。

自然界の数字の先頭はなぜか「1」が30%を占める。脱税・データ捏造を見破る数理

この単元の発見をシェア

3行要約（Key Takeaways / AIOサマリー）

1: 自然に発生する多桁の数値群では、先頭の桁 d (1〜9) の出現確率は $P(d) = \log_{10}(1 + 1/d)$ に従う。
2: 1から始まる割合は約30.1%、2は約17.6%、9はわずか4.6%と激減する。
3: 人間が手作業で数字を捏造すると、無意識に1〜9を均等（約11%ずつ）に散らすため、ベンフォード分析にかけると一発でバレる。

なぜこれを学ぶのか？ — 現実社会とテクノロジーでの価値

Purpose & Motivation

なぜ生まれたのか？

一見するとランダムに見える自然界の数値（各国の人口、湖の面積、株価、企業の売上高、物理定数など）において、先頭の桁が「1」で始まる確率が約30.1%、「9」で始まる確率はわずか4.6%という偏りを示す法則です。監査法人や税務当局が「架空の領収書や捏造データ」をあぶり出すキラーアルゴリズムとして実務投入されています。

身につく武器・思考力

対数スケール（対数目盛）の直感的な意味やスケール不変性（単位に依存しない法則）を深く理解でき、データサイエンスにおける異常値検知の実務的感覚が身につきます。

実社会・ITでの活躍現場

•公認会計士・税務署による粉飾決算・脱税・架空伝票の自動監査スクリーニング
•選挙の開票データやコロナ感染者数の統計的改ざん検知
•科学論文における実験数値データの不正・捏造チェック

Layer 1 — 直感・シミュレーター

データセット（フィボナッチ数列、2の累乗、世界都市人口、捏造データ）を切り替えてみてください。自然な成長データでは赤色の理論線に綺麗に一致する一方、人間がランダムに作った捏造データでは不自然な平坦さとなり、即座に異常値として検知される様子を確認できます。

自然界の数値の謎：ベンフォードの法則

先頭の数字は「1」が約30.1%を占め、「9」はわずか4.6%しかない

選択中データ: フィボナッチ数列（最初の300項）: 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, ... 自然の成長を司る数列

実測データの先頭桁出現比率 (%)ベンフォード理論値 P(d) = log₁₀(1 + 1/d)

サンプル総数: 302件

130.1%

217.5%

312.9%

48.9%

58.6%

66.3%

75.6%

85.6%

94.3%

自然なスケール不変性（Scale Invariance）に完全に一致数量が何倍にも爆発的に増える現象（人口、株価、川の流域面積、べき乗数列）では、1から2へ増えるには「+100%」の成長が必要ですが、8から9へ増えるには「+12.5%」の成長で済みます。対数目盛上で「1」の領域が最も広いため、先頭が1になる確率が最も高くなります。

直感チェック！ミニクイズ

ベンフォードの法則によると、自然界の数値の先頭桁が「1」または「2」である確率は合計で約何%になるでしょうか？

Layer 2 — 定義・受験・証明

定義

ある数値データの集合において、先頭の有効数字が $d \in \{1, 2, \dots, 9\}$ である確率 $P(d)$ が次式で与えられる現象を**ベンフォードの法則（Benford's Law）**と呼びます。

公式・数理モデル

P(d) = \log_{10}\left(1 + \frac{1}{d}\right) = \log_{10}(d + 1) - \log_{10}(d)

証明・導出

この法則の本質は**スケール不変性（Scale Invariance）**です。ある物理量や金額の分布が、単位（円とドル、キロメートルとマイルなど）の乗法的な変更に対して不変であると仮定すると、変数の確率密度関数は対数的に一様でなければなりません。すなわち $p(x) \propto 1/x$ となります。区間 $[d \cdot 10^k, (d+1) \cdot 10^k)$ で積分すると、 $\int_{d \cdot 10^k}^{(d+1) \cdot 10^k} \frac{1}{x \ln 10} dx = \log_{10}\left(\frac{d+1}{d}\right)$ が自然に導出されます。

押さえておきたいポイント

理論値: 1(30.1%), 2(17.6%), 3(12.5%), 4(9.7%), 5(7.9%), 6(6.7%), 7(5.8%), 8(5.1%), 9(4.6%)
何桁にもわたって指数関数的・乗法的に広がるデータで成立しやすい
身長やテストの点数のように特定範囲に制約がある正規分布型データには適用できない
エンロン事件の不正会計スクリーニングなどで一躍有名になった実務理論

参照基準・学習指導要領との対応

本トピックの内容・数理モデルは、文部科学省学習指導要領（算数・数学・情報）および国際標準カリキュラムに準拠し、エンジニアリング現場の実装事例と照らし合わせてMath World Lab編集部により検証・作成されています。

Layer 3 — 工学応用・現場実装

ベンフォード適合度テストと不正データ自動検知スクリプト

会計帳簿や取引ログから先頭桁の出現頻度を集計し、カイ二乗検定（Chi-Square Test）により捏造・不正の疑惑スコアを自動判定するTypeScript実装です。

1export function detectBenfordAnomaly(numbers: number[]): {
2  distribution: Record<number, number>;
3  chiSquare: number;
4  isSuspicious: boolean;
5} {
6  const counts: Record<number, number> = { 1: 0, 2: 0, 3: 0, 4: 0, 5: 0, 6: 0, 7: 0, 8: 0, 9: 0 };
7  let validCount = 0;
8
9  for (const n of numbers) {
10    if (n <= 0) continue;
11    const firstDigit = parseInt(Math.abs(n).toString()[0], 10);
12    if (firstDigit >= 1 && firstDigit <= 9) {
13      counts[firstDigit]++;
14      validCount++;
15    }
16  }
17
18  // カイ二乗値の計算
19  let chiSquare = 0;
20  const distribution: Record<number, number> = {};
21
22  for (let d = 1; d <= 9; d++) {
23    const observed = counts[d];
24    const expectedRate = Math.log10(1 + 1 / d);
25    const expected = validCount * expectedRate;
26    distribution[d] = (observed / validCount) * 100;
27
28    chiSquare += Math.pow(observed - expected, 2) / expected;
29  }
30
31  // 自由度8, 有意水準1%の臨界値は約 20.09
32  const isSuspicious = chiSquare > 20.09;
33
34  return { distribution, chiSquare, isSuspicious };
35}