はてなキーワード:カウントとは
これほんとなのかなと言うのが今頃気になった。
今頃になって気になった、じゃないだろw
「真偽は分からないが」とかいうクソみたいな予防線を張って、堂々とデマを開陳してんのがまず終わってる。
こういうのが一番タチ悪いんだよな。
アメリカの学生ローンの9割以上を占める連邦ローンは固定金利で、利率は毎年法律で決まるんだよ。お前が言ってるのは、たった8%程度の民間ローンの一部にある変動金利の話だろ?それをさも全体のように語るというのは流石に頭がわるすぎる。
学生ローンの不払いは民事だし、なんでそれで刑事罰になるんだよ。バカって民法と刑法がごっちゃになってるよな。
スリーストライク法は重犯罪に適用されるもんだ。債務不履行がカウントされるわけねーだろ。
アメリカに刑務所奴隷はあるが、それはお前が嫌々やっている仕事と違ってガチの犯罪者が対象なんよ。
結局お前がやってるのは、
独立した社会問題を、てめえの乏しい知識と想像力で勝手につなぎ合わせて、ありもしない陰謀論をデッチ上げてるだけw
pythonimport randomimport numpyasnpimport matplotlib.pyplotas pltfrom collections importdefaultdict# 飴の配布システムのシミュレーションclass CandyDistributionSystem:def __init__(self): """設計意図: このシステムは経済における資源分配の不平等性をモデル化しています。特に少数の特権層(Aグループ)が富を集中させ、再分配システムからも不均衡に利益を得る構造的問題を表現しています。 """ # 各グループの人数設定 self.group_a_count = 8 self.group_b_count = 2498 self.group_c_count = 7494 self.total_participants = self.group_a_count + self.group_b_count + self.group_c_count # 飴の提出数設定 self.contribution_per_a = 624 self.contribution_per_b = 2 self.contribution_per_c = 1 # 各グループの総貢献計算 self.total_a_contribution = self.group_a_count * self.contribution_per_a self.total_b_contribution = self.group_b_count * self.contribution_per_b self.total_c_contribution = self.group_c_count * self.contribution_per_c self.total_contribution = self.total_a_contribution + self.total_b_contribution + self.total_c_contribution # 配布用と貯金用の飴の区分 self.distribution_limit =10000 self.savings =max(0, self.total_contribution - self.distribution_limit) # 結果追跡用の辞書 self.results = { 'A':defaultdict(int), 'B':defaultdict(int), 'C':defaultdict(int) }def distribute_candies(self, method='original'): """設計意図: 配布方法の選択によって、特権の固定化や格差拡大がどのように進むかを 示します。'original'メソッドは意図的にAグループを優遇するよう設計されています。 Parameters: ----------- method:str 配布方法 ('original', 'lottery', 'first_come', 'new_condition', 'fair') """ # Aグループへの確定配布 a_distribution = 625 * self.group_a_count remaining = self.distribution_limit - a_distribution # 残りの参加者数 remaining_participants = self.total_participants - self.group_a_count # Aグループの結果記録 for _ in range(self.group_a_count): self.results['A'][625] += 1 # 各配布方法によって処理が異なる if method == 'original': #オリジナルの問題設定通りの配布(5000人に1個ずつ、残りは0個) lucky_count = remaining # 5000人が当選 # B+Cグループの混合リスト作成 bc_participants = [(1, 'B')] * self.group_b_count + [(2, 'C')] * self.group_c_count random.shuffle(bc_participants) #当選者に配布 for i in range(len(bc_participants)): participant_id,group = bc_participants[i] if i < lucky_count: self.results[group][1] += 1 else: self.results[group][0] += 1 elif method == 'lottery': #抽選方式(BとCグループから無作為に5000人選出) bc_participants = [(1, 'B')] * self.group_b_count + [(2, 'C')] * self.group_c_count winners = random.sample(bc_participants, remaining) #当選・落選のカウント for _,group in winners: self.results[group][1] += 1 #落選者のカウント self.results['B'][0] = self.group_b_count - self.results['B'][1] self.results['C'][0] = self.group_c_count - self.results['C'][1] elif method == 'first_come': # 先着順方式(アクセス速度による先着順を乱数でシミュレート) #設計意図: 先着順は単なる運の要素を超えて、情報格差や技術格差も含む制度設計 bc_participants = [(1, 'B')] * self.group_b_count + [(2, 'C')] * self.group_c_count #現実では、情報を早く得られる人や高速インターネット接続を持つ人が有利 # これをシミュレートするため、Bグループにわずかなアドバンテージを与える bc_speeds = [] forid,group in bc_participants: ifgroup == 'B': speed = random.random() + 0.1 # Bグループに小さなアドバンテージ else: speed = random.random() bc_speeds.append((id,group, speed)) # 速度順にソート bc_speeds.sort(key=lambda x: x[2], reverse=True) #当選者決定 for i in range(len(bc_speeds)): _,group, _ = bc_speeds[i] if i < remaining: self.results[group][1] += 1 else: self.results[group][0] += 1 elif method == 'new_condition': # 追加条件方式(恣意的な条件を設定) #設計意図: 新たな条件の設定は往々にして既存の特権を温存するように設計される bc_participants = [(i, 'B', random.random()) for i in range(self.group_b_count)] + \ [(i, 'C', random.random()) for i in range(self.group_c_count)] # Bグループに有利な条件を設定(例:特定の知識やスキルを持つ人のみ) # この「条件」は表面上は中立的だが、実際には特定グループに有利になるよう設計def meets_condition(participant): _,group, rand_val = participant ifgroup == 'B': return rand_val> 0.3 # Bグループには70%の確率で合格 else: return rand_val> 0.7 # Cグループには30%の確率で合格 # 条件に合致する人を抽出 eligible = [p for p in bc_participants if meets_condition(p)] # 条件に合致する人が多すぎる場合は抽選 iflen(eligible)> remaining: winners = random.sample(eligible, remaining) else: # 条件に合致する人が足りない場合、全員に配布 winners = eligible #当選者をカウント for _,group, _ in winners: self.results[group][1] += 1 #落選者のカウント self.results['B'][0] = self.group_b_count - self.results['B'][1] self.results['C'][0] = self.group_c_count - self.results['C'][1] elif method == 'fair': # 公平な再分配方式(貢献度に応じた配布) #設計意図: この方法は「貯金分」も含めた全ての飴を、各グループの貢献度に応じて分配 # これにより構造的不平等を軽減、結果としてより多くの人が少なくとも損をしない状態になる # 全飴(貯金分も含む)を使った配布total_to_distribute = self.total_contribution # 各グループの貢献比率計算 a_ratio = self.total_a_contribution / self.total_contribution b_ratio = self.total_b_contribution / self.total_contribution c_ratio = self.total_c_contribution / self.total_contribution # 各グループへの配布数決定 a_share = int(total_to_distribute * a_ratio) b_share = int(total_to_distribute * b_ratio) c_share = int(total_to_distribute * c_ratio) # 端数調整 remainder =total_to_distribute - (a_share + b_share + c_share) if remainder> 0: # 端数は最も人数の多いCグループに c_share += remainder # Aグループの配布(均等配分) per_a = a_share // self.group_a_count self.results['A'][per_a] = self.group_a_count # Bグループの配布(均等配分) per_b = b_share // self.group_b_count b_remainder = b_share % self.group_b_count self.results['B'][per_b] = self.group_b_count - b_remainder if per_b + 1> 0 and b_remainder> 0: self.results['B'][per_b + 1] = b_remainder # Cグループの配布(均等配分) per_c = c_share // self.group_c_count c_remainder = c_share % self.group_c_count self.results['C'][per_c] = self.group_c_count - c_remainder if per_c + 1> 0 and c_remainder> 0: self.results['C'][per_c + 1] = c_remainderdef calculate_net_gain(self): """設計意図: この関数は各グループの純利益/損失を計算し、資源分配の公平性を定量的に評価できるようにします。純利益/損失は個人の観点から見た経済的公正性の重要な指標です。 """net_gains = {} # Aグループの純利益計算 a_contribution = self.contribution_per_a a_distribution = list(self.results['A'].keys())[0] # 全員が同じ数を受け取る前提net_gains['A'] = a_distribution - a_contribution # BとCグループの純利益計算(加重平均) forgroup, contribution_per_person in [('B', self.contribution_per_b), ('C', self.contribution_per_c)]:total_gain = 0 for received, count in self.results[group].items():total_gain += (received - contribution_per_person) * countnet_gains[group] =total_gain / (self.group_b_count ifgroup == 'B' else self.group_c_count) returnnet_gainsdef analyze_results(self): """設計意図: この分析関数は、各グループの分配結果を詳細に調査し、制度設計の公平性、貢献度と報酬の関係、およびシステムの持続可能性を評価します。政策分析においては、こうした多角的な検証が重要です。 """ # 各グループの純利益/損失net_gains = self.calculate_net_gain() # 貢献度分析 contribution_percentage = { 'A': (self.total_a_contribution / self.total_contribution) *100, 'B': (self.total_b_contribution / self.total_contribution) *100, 'C': (self.total_c_contribution / self.total_contribution) *100 } # 飴を受け取った人の割合 received_percentage = { 'A': sum(count for received, count in self.results['A'].items() if received> 0) / self.group_a_count *100, 'B': sum(count for received, count in self.results['B'].items() if received> 0) / self.group_b_count *100, 'C': sum(count for received, count in self.results['C'].items() if received> 0) / self.group_c_count *100 } #分析結果の表示print("\n===== 飴の配布システム分析 =====")print(f"総飴数: {self.total_contribution}個 (分配用: {self.distribution_limit}個,貯金: {self.savings}個)")print("\n---グループごとの貢献と結果 ---") forgroup in ['A', 'B', 'C']:group_size =getattr(self, f"group_{group.lower()}_count") contribution_per_person =getattr(self, f"contribution_per_{group.lower()}")total_contribution =getattr(self, f"total_{group.lower()}_contribution")print(f"\n{group}グループ ({group_size}人):")print(f" 貢献: 1人あたり{contribution_per_person}個 (総計: {total_contribution}個, 全体の{contribution_percentage[group]:.1f}%)")print(f" 受け取り状況:") for received, count in sorted(self.results[group].items()):print(f" {received}個: {count}人 ({count/group_size*100:.1f}%)")print(f" 飴を受け取った割合: {received_percentage[group]:.1f}%")print(f"純利益/損失: 1人あたり平均 {net_gains[group]:.2f}個")print("\n--- 全体的な公平性分析 ---")print(f"最も得したグループ: {max(net_gains,key=net_gains.get)}グループ (+{max(net_gains.values()):.2f}個/人)")print(f"最も損したグループ: {min(net_gains,key=net_gains.get)}グループ ({min(net_gains.values()):.2f}個/人)") # 全員に飴が配布されたかどうかall_received =all(sum(count for received, count in self.results[group].items() if received> 0) ==getattr(self, f"group_{group.lower()}_count") forgroup in ['A', 'B', 'C'])print(f"\n前提条件「全員に配布」の充足: {'はい' ifall_received else 'いいえ'}") if notall_received:total_without = sum(self.results['B'][0] + self.results['C'][0])print(f" 飴を受け取れなかった人数: {total_without}人") returnnet_gains, contribution_percentage, received_percentagedef visualize_results(self): """設計意図:データの可視化は政策の効果や不平等性を直感的に理解するために重要です。 このようなグラフィカル表現によって、各グループ間の格差や制度設計の問題点を 一目で理解できるようになります。 """ #グラフのセットアップfig, axes = plt.subplots(2, 2,figsize=(14,10)) # 1. 貢献度のグラフ contributions = [self.total_a_contribution, self.total_b_contribution, self.total_c_contribution] axes[0, 0].bar(['Aグループ', 'Bグループ', 'Cグループ'], contributions) axes[0, 0].set_title('グループごとの総貢献飴数') axes[0, 0].set_ylabel('飴の数') # 貢献度の割合をアノテーションとして追加total = sum(contributions) for i, v in enumerate(contributions): percentage = v /total *100 axes[0, 0].text(i, v +100, f'{percentage:.1f}%', ha='center') # 2. 1人あたりの貢献度と受け取り数の比較group_names = ['Aグループ', 'Bグループ', 'Cグループ'] contribution_per_person = [self.contribution_per_a, self.contribution_per_b, self.contribution_per_c] # 各グループの平均受け取り数を計算 received_per_person = [] forgroup, letter inzip(group_names, ['A', 'B', 'C']):total_received = sum(received * count for received, count in self.results[letter].items())group_size =getattr(self, f"group_{letter.lower()}_count") received_per_person.append(total_received /group_size) x =np.arange(len(group_names)) width = 0.35 axes[0, 1].bar(x - width/2, contribution_per_person, width, label='提出') axes[0, 1].bar(x + width/2, received_per_person, width, label='受け取り') #純利益/損失をアノテーションとして追加 for i in range(len(group_names)):net = received_per_person[i] - contribution_per_person[i]color = 'green' ifnet>= 0 else 'red' axes[0, 1].text(i,max(received_per_person[i], contribution_per_person[i]) + 5, f'{"+" ifnet>= 0 else ""}{net:.1f}', ha='center',color=color) axes[0, 1].set_title('1人あたりの提出・受け取り飴数比較') axes[0, 1].set_xticks(x) axes[0, 1].set_xticklabels(group_names) axes[0, 1].set_ylabel('飴の数') axes[0, 1].legend() # 3. 各グループの受け取り状況の分布 # 各グループの受け取り状況を積み上げ棒グラフで表現group_sizes = [self.group_a_count, self.group_b_count, self.group_c_count] received_counts = [] not_received_counts = [] for letter, size inzip(['A', 'B', 'C'],group_sizes): received = sum(count for received, count in self.results[letter].items() if received> 0) received_counts.append(received) not_received_counts.append(size - received) axes[1, 0].bar(group_names, received_counts, label='飴を受け取った人数') axes[1, 0].bar(group_names, not_received_counts, bottom=received_counts, label='飴を受け取れなかった人数') #割合をアノテーションとして追加 for i in range(len(group_names)): ifgroup_sizes[i]> 0: percentage = received_counts[i] /group_sizes[i] *100 axes[1, 0].text(i, received_counts[i] / 2, f'{percentage:.1f}%', ha='center') axes[1, 0].set_title('グループごとの飴受け取り状況') axes[1, 0].set_ylabel('人数') axes[1, 0].legend() # 4. 貢献度vs報酬の分配公平性 # 貢献度と最終的な飴の配分の比較を円グラフで表現total_contribution = self.total_contribution contribution_shares = [self.total_a_contribution /total_contribution, self.total_b_contribution /total_contribution, self.total_c_contribution /total_contribution] # 実際の配分シェアを計算 distribution_shares = [] for letter in ['A', 'B', 'C']:total_received = sum(received * count for received, count in self.results[letter].items()) distribution_shares.append(total_received / self.distribution_limit) # 2つの円グラフを並べて表示 ax4_1 = axes[1, 1].inset_axes([0, 0, 0.45, 1]) ax4_2 = axes[1, 1].inset_axes([0.55, 0, 0.45, 1]) ax4_1.pie(contribution_shares, labels=group_names, autopct='%1.1f%%') ax4_1.set_title('飴の貢献度割合') ax4_2.pie(distribution_shares, labels=group_names, autopct='%1.1f%%') ax4_2.set_title('飴の配分割合') axes[1, 1].axis('off') plt.tight_layout() plt.show()# 飴の配布システムをシミュレートcandy_system = CandyDistributionSystem()#オリジナルの配布方法を実行print("\n=====オリジナルの配布方法 =====")candy_system.distribute_candies(method='original')original_results = candy_system.analyze_results()candy_system.visualize_results()# 公平な配布方法を実験print("\n\n===== 公平な配布方法のシミュレーション =====")fair_system = CandyDistributionSystem()fair_system.distribute_candies(method='fair')fair_results = fair_system.analyze_results()fair_system.visualize_results()# 公平な配布と元の配布の比較print("\n\n===== 配布方法の比較 =====")print("オリジナル方式と公平方式の純利益/損失差:")net_diff = {}forgroup in ['A', 'B', 'C']:original_net =original_results[0][group] fair_net = fair_results[0][group]diff = fair_net -original_netnet_diff[group] =diffprint(f"{group}グループ: {'+' ifdiff> 0 else ''}{diff:.2f}個/人")print("\n結論:")ifnet_diff['A'] < 0 andnet_diff['B']> 0 andnet_diff['C']> 0:print("公平な再分配により、Aグループの特権が減少し、BとCグループの状況が改善されます。")print("これは構造的不平等の緩和に効果的です。")elifnet_diff['A']> 0:print("興味深いことに、公平な再分配ではAグループさえも利益を得られます。")print("これは、現行システムが特定グループだけでなく全体の非効率性につながっていることを示唆しています。")
5連勤のあとの貴重な休み。とか考えるといけない。レアモノだと思うと身体が緊張してしまう。棒に振ってもいいと思って休日を過ごす。「過ごす」は言い過ぎか?休みの日のタイムバーが進んでいくのを背中でカウントする雰囲気。
わたしは今日人生で初めてDOTAMAというラッパーを知ったのだろう。名前は知ってたけど食わず嫌い、なぜか嫌いだった。知りもしないくせに。今日ちゃんと観てみたら、とてもすんなり入ってきた。いいね!完了。たぶん深夜テンション。深夜テンションって死語なの?最近聞かない気もする。
そして、おととい買ったオモコロのサマースプラッシュの配信チケット。コメントとかでは「きらら合宿」が人気らしいが、何度も観たいのはやっぱり「シッコマンインザパーティー」
とてもよいです。
NYO SWORDって尿騒動ともかかってるでしょうね!
メンバーやリスナーが見逃すはずないよね!そこんとこどうなの?あとクイック・ジャパンどこに置いてあんのよ!日記ってどこで終わらせればいいのよ?
おっす
結局貧乏くじ引くのはいつも私なのね?と呟いてしまったことだ。不覚!コトダマ?言ったことが現実になっちゃうから言うな?ふべっっ!!
2021総選挙では無効票144万票、うち白票85万票というデータが総務省から公表されている
かなで🍓春名柊夜
@masatokun32kt
はるかぜちゃんママは長いこと専業主婦だったが、子供が成人したら離婚すると夫妻で前から約束していたので離婚し働くようになった
芸能事務所を立ち上げたがバーチャルオフィスで実態はなく、警備員のバイトで食っている
今年はまだだが去年だったかは勤務中に何度か熱中症で倒れていたので心配なんだろう
いくり💎宝石娘P
@info_amagoi
#横浜七夕祭りアンバサダー の候補に弊社より2名エントリーさせて頂いたのですが、公式よりインスタ認証がされず、一度もタイアップ投稿が出来ないままとなっております。公式のInstagramのメッセージや、公式お問い合わせメールアドレス info@yokohama-tanabata.com に問い合わせても一向に返信がありません。他の参加者がどんどん票を伸ばしている中、このまま七夕祭り当日を迎えるのは納得ゆかないです。実行委員の方々 お忙しいところ恐れ入りますが、これを見ていらしたらオフィスあまごい office.amagoi@gmail.com までどうか一報ご連絡をお願いいたします。
@narrow_official
#七夕祭り
これ本当にどうなってるんだろう?もう宣伝足りているから必要ないorアンバサダー候補がほぼ決まってしまって必要ないならそれはそれでご縁が無かったと諦めますので、せめて連絡くらいは欲しいです😭
と言ってる間にもう七夕祭り明後日じゃないですか(5日・6日)仮にこれから承認されたとしても、あと2日で死ぬ気で投稿しても勝てる訳がなくないですか?運営さーん!!!
https://sp.narrow.jp/audition/11196
エントリーした上でSNSでイベントPRしてくれた者を、選考の上で公式アンバサダーに任命し第2回以降のPRキャラにするそうだ
どこの事務所の誰かも名乗らん社会人とは思えない文体で、イベントタグつけてネガティブ発信する奴が代表の事務所じゃ選ばれないだろ…
スーパーロボット大戦Vをクリアした。
プレイ時間は100時間ぐらい。難易度はスタンダード。1周だけ。
久々にスパロボやったけど、とても良かった。
Tも買ってあるから、その内やる予定。Yはどうしよう。買うか迷ってる。
↓のブコメのナイーヴな反応を見て思ったけど、みんなアメリカが世襲政治家だらけの国という現実を知らんのやな。
https://b.hatena.ne.jp/entry/s/www.afpbb.com/articles/-/3586012
ブッシュ父子やクリントン夫妻がどうこう以前に、第6代大統領ジョン・クインジー・アダムズが既に第2代大統領ジョン・アダムズの息子だからね。第23代大統領ベンジャミン・ハリソンは第9代大統領ウィリアム・H・ハリソンの孫。
日本で親子関係にある総理大臣は福田赳夫・福田康夫だけで(鈴木善幸の娘が麻生太郎の妻なので2人は義理の親子だが、ここではカウントしない)、総理大臣経験者は65人いるので、「親子総理大臣」の割合は3パーセント。ところがアメリカの場合は全47人中親子が2組(アダムズ・ブッシュ)なので、「親子大統領」の割合は8パーセントになる。実はイメージと違って、アメリカの方が世襲度が高かったりするのだ。
(ちなみに、苗字の漢字と読みが一致する歴代総理大臣は加藤(友三郎・高明)・田中(義一・角栄)・鈴木(貫太郎・善幸)・鳩山(一郎・由紀夫)・福田(赳夫・康夫)の5組10人いるが、血縁関係はそのうち2組(鳩山・福田)に過ぎない。いっぽう、苗字が同じ米国大統領5組10人(アダムズ・ハリソン・ジョンソン・ルーズベルト・ブッシュ)のうちアンドリュー・ジョンソンとリンドン・ジョンソン以外の4組は血縁関係にある)
アメリカに滞在した福沢諭吉は、初代大統領ワシントンの子孫のことを周りに尋ねてみたけど誰も知らない、門閥がない民主共和政ってすごい! と感動したという有名な話があるけど、それは単にワシントンが子梨だったからだという身も蓋もないオチがつく。実際には世襲の門閥貴族めいた家系はいくつもある。
ジョン・F・ケネディ大統領は弟ロバートを司法長官に任命したし,彼らの弟テッドは上院の重鎮だった(不倫飲酒ドライブ中に事故を起こして不倫相手を死なせてなければ大統領になれていただろう)。
ジョージ・H・W・ブッシュ大統領の長男ジョージ・ウォーカーはテキサス州知事を経て大統領になったが、次男ジェブもまたフロリダ州知事を経て大統領を目指した(が、トランプに敗れて撤退した。このときの民主党候補はヒラリー・クリントンだったので、元大統領の息子&前大統領の弟 vs.元大統領の嫁という世襲ドリームマッチになる可能性があった。結果はご存じの通り)。
リバタリアン派の名物議員ランド・ポールは、ジョン・マケインと指名争いをしたロン・ポールの息子。マサチューセッツ州知事を務めてバラク・オバマと大統領の座を争ったミット・ロムニーは、ミシガン州知事だったジョージ・ロムニーの息子。共和党内の反トランプ派として有名なリズ・チェイニーは、元副大統領ディック・チェイニーの娘。現ケンタッキー州知事アンディ・ベシアは親父もケンタッキー州知事だし、コロナんときのニューヨーク州知事アンドリュー・クオモの親父もニューヨーク州知事。爽やかなイメージの元副大統領アル・ゴアだって親父が連邦上院議員。
考えてみればそれはそうで、アメリカの選挙は非常にカネがかかり、個人本位だ。比例代表制ではなく小選挙区制、しかも個々の政党が極めて分権的、ということは、つまり政治家個々人が党に頼らず自分の力で票をかき集める必要があるということだ。良く言えば二大政党制なのに多様な意見の議員が選ばれるということだが、悪く言えば政治家になるための個人のハードルがものすごく高い。政治家になるためのハードルが高い社会では、「親も政治家だった」というアドがめっちゃ効く。
(日本が世襲政治家だらけなのも、政治家になるためのハードルが高いからだ。中選挙区制から小選挙区制になって必要なカネは少なくなったとはいえ、まだまだカネがかかる事業であることには変わりがない。そして政治家になっても実入りが乏しい(これ自体は良いことではある)。それなら親から地盤・看板を受け継げる世襲候補が有利になるに決まっている。世襲政治家を減らしたいのなら、議席数を増やす(=選挙区あたりの有権者数を小さくして選挙にかかるカネを減らす)とか完全比例代表制にするとか逆に完全小選挙区制にする(衆院の比例区部分の定数をすべて小選挙区に割り振れば、議席数を増やすのと同じ効果がある)とか、そういうハードルを下げる取り組みが必要だろう)
もともとアメリカは民主政を嫌っていた。古典古代の民主政の要諦とは籤引きだった。古代アテーナイで籤引きが用いられていたことはよく知られている。アメリカの建国者たちは民主政よりも共和政を志向し、籤引きを採用しようとはしなかった。現在の「共和政」とは単に王のいない政体のことを指す(したがって王政とは矛盾するが民主政とは矛盾しない)が、伝統的な西洋政治思想では「有徳者による統治」のことを指していた(したがって君主制とは必ずしも矛盾しない(※)が、どれだけ愚かな人間でも政治参加できる民主政とは矛盾する)。アメリカ独立戦争は「民主政にするために貴族政を追い払ったのではなく、選挙貴族政にするために世襲貴族政を追い払った」(ダーヴィッド・ヴァン・レイブルック『選挙制を疑う』)に過ぎない。ジェイムズ・マディソンは『フェデラリスト』で統治者と被治者の区別を主張していた。個人本位の選挙は擬似的な貴族階級を生み出す仕組みである。その仕組みを数百年にもわたって続けてきたアメリカが世襲政治家だらけなのは、さもありなん、という感じだ。
そうすると、果たしてこのような政治貴族だらけの国を「民主主義のリーダー」であるかのように扱うことがふさわしいのだろうか? という疑問が湧く。実際に、アメリカは『エコノミスト』の民主主義指数では韓国やイスラエル、ポーランドと同じ「脆弱な民主主義」とされている(日本は台湾やカナダ、ノルウェーと同じ「完全民主主義」)。私たちはアメリカに対する幻想を捨て去り、現実と向き合うべきなのかもしれない。アメリカは事実上の門閥貴族に牛耳られた寡頭制国家なのである、という現実に。
※ 近年、「王がいる共和政」についての歴史研究は進展しているが、現代において「王がいる共和国」としてオーストラリアやバハマが挙げられる。これらの国の国号はCommonwealth ofAustraliaにCommonwealth of TheBahamas、すなわち「オーストラリア共和国」に「バハマ共和国」だが(commonwealthには様々な意味があるが、語源はもちろんラテン語のres publicaであり、清教徒革命で王を処刑した後の国号がcommonwealthであったように「共和国」の意味も持つ)、両方ともチャールズ3世を国王とする立憲君主国である。「最近のラノベには共和国に王がいるんだけどwww」とか嘲笑う向きにおかれては近世ヨーロッパ史を真面目に勉強してほしい。王制と共和政は背反ではないのである。
Permalink |記事への反応(20) | 14:41
この性犯罪率ってどういう数字なん?痴漢の発生件数を適切に反映してるん?
1人の痴漢が繰り返し常習的に痴漢行為を行っている場合にこの痴漢が性犯罪率を出す時のカウントは1なんだったら、性犯罪率が低いから〜とか言っても虚しいね。
あと、被害届が出たらカウントされるん?それとも送検時に算入されるん?それとも有罪判決が出た時?不起訴ならなかったことになったりする?
一方で日本の性犯罪率(強姦・性的暴行)の低さは異常なほど低くて、人口10万人あたり40ぐらいがグローバル平均なのに日本だけ5とかである。