市場調査に戻る
ThroughPutは、産業現場のボトルネックを分析し、在庫、補充、生産能力、物流の変更を提案するクラウドソフトウェアを提供する。既存の業務データから遅延を特定し、是正措置に優先順位を付け、財務上の改善余地を推定するアプリケーションである。顧客が既に使っているツールを通じて分析を提供するサービスもある。(1, 18)
サプライチェーン総合スコア:4.0/10。
| 評価軸 | スコア |
|---|---|
| サプライチェーンへの理解の深さ | 4.4/10 |
| 意思決定と最適化の実質 | 4.4/10 |
| 製品とアーキテクチャの一貫性 | 4.0/10 |
| 技術的透明性 | 3.8/10 |
| ベンダーの真剣さ | 3.4/10 |
ThroughPutは、物の流れ、停止時間、ボトルネックの金銭的負担という、実際の業務課題に焦点を当てている。特許には、大まかなAI表現から想像される以上に具体的な内容もある。統計的工程管理の規則、データ準備、改善機会の順位付け、回避可能な損失の推定などである。こうした仕組みは診断を速めうる。しかし、不確実なサプライチェーン上の行動を経済的に比較し、同時に選択する最適化エンジンの存在を裏付けるものではない。(2, 3)
より大きな弱点は、これらの仕組みと、自律性や収益効果についての主張との隔たりである。購買や在庫再配置の自動化を掲げる一方、実行時の制御や運用労力の実測値に関する説明は乏しい。過去の顧客事例にも根拠の問題が表れている。古いPDFで予測された効果が、後年の記事では新たな観測期間を示さずに達成済みの改善として再登場する。したがって、実証された自律型意思決定システムとしてよりも、業務分析としてのほうが説得力がある。(1, 12, 13)
ThroughPutとLokadの比較
工業企業が、予備部品の緊急調達、工場間の移送、既存部品の修理、設備停止の受け入れから選ぶ場面を考える。ThroughPutの補充機能のリリースでは、発注ロットと在庫水準の制御が示されている。これらは提案を実行可能にするが、納期、故障率、修理結果が不確実なときに、競合する行動をどう評価するかは説明されていない。(4)
Lokadの在庫最適化は、不確実性の下で期待される金銭的な結果を軸に、繰り返し行う意思決定を構成する。サプライチェーンサイエンティストは、費用や業務データの解釈も含めて意思決定ロジックを構築し、保守する。実務上の比較点は、ThroughPutのボトルネック分析と顧客設定が、保守された経済モデルよりも優れた判断を、生涯にわたる開発・運用費用を抑えて生み出すかどうかである。
Introduction to Supply Chainの視点からも、ボトルネックだけを十分な目的とみなすことには疑問がある。遅延を取り除くと、価値の乏しい生産量が増えたり、限られた資金を消費したり、不足を別の場所に移したりしうる。課題は局所的な流量指標を最大化することではなく、付随するリスクを考慮し、企業にとって最も価値のある実行可能な行動を選ぶことだ。ThroughPutが利益を重視するのは適切だが、利益と提案を数値的にどう結び付けるかは未解決のままである。
特許が実際に開示していること
ボトルネック検出特許US11815882B2は、2018年9月の優先権を主張している。破損した記録と異常な観測値を区別し、基準統計を計算する際には外れ値を除外しつつ、異常動作の検出には残せる。その後、統計的管理規則を適用し、業務上の問題に順位を付け、提案と履歴を表示する。有用な区別である。例外的な観測をすべて消せば、アプリケーションが診断すべき現象の多くも消してしまうからだ。(2)
2024年10月に成立した後続特許US12118491B2は、迅速な業務分析アプリケーションを記述している。ユーザーは、標準偏差から導いた閾値など、達成可能な管理パラメータを選ぶ。システムは閾値を超えた観測値を合計し、削減可能な欠陥や費用を推定する。例では、シフト時間、稼働時間、欠陥一件当たりの費用を入力する。(3)
この中心的な仮定は軽くない。一部の期間の成績が良かったという観測だけでは、成績が悪いすべての期間を、許容できる費用で選択した閾値まで改善できるとはいえない。製品構成、摩耗、作業員の確保、需要は同時に変わりうる。超過欠陥の合計は、実行可能な介入、その費用、結果を評価するまでは、改善余地の推定にとどまる。
これらの特許は、統計的診断と、設定可能な改善機会の金額換算を記述している。将来の需要と供給について検証済みの分布を示すものでも、購買、生産、配分の方針全体を金銭的に順位付けするものでもない。製品の技術的な起源の一部は説明するが、現在の補充と価格設定の機能には、それぞれ独自の根拠が必要である。(2, 3, 4)
予測、制約、不確実性
デマンドセンシングのページは、時刻付きの販売、購買、製造、配送記録を使い、計画を自動操縦にすると約束する。予測精度の10%向上と在庫の約30%削減を掲げるが、誤差指標、比較基準、品目・拠点の粒度、評価期間は定義していない。ここでいうデマンドセンシングには、再現可能な統計手法が示されていない。(5)
2021年1月付の紹介記事は、過去の販売パターンに祝日、販促、外部事象を加えると説明する。いずれも従来からある予測入力である。有用なことはあるが、情報が新しいだけでは、疎な需要、欠品で観測できない販売、長い補充期間、不確実な仕入先実績は解消しない。発注を取り消せなくなる時間軸で、追加的な優位性を実証する比較評価は示されていない。(14)
2024年12月の補充機能のリリースは、より具体的である。ユーザーは発注ロットを設定し、推奨安全在庫を上書きし、補充上限を設け、終売後の補充を停止できる。提案には動的な最小・最大在庫水準とEOQ/MOQ調整を使う。実務的な制約は確認できるが、最適化の定式化と制約同士の相互作用は不明である。一品目の下限と別品目の上限が同じ限られた予算を消費しても、それが最良の使い道かどうかは分からない。(4)
空軍向けの業務では、現実的なリードタイムに明確な注意が向けられている。2025年12月のPhase III発表は、現実的なリードタイムによる予測型補充と、現場業務と全体の供給部門とのフィードバックを記述する。予備部品にとって重要な点だ。それでも、リードタイムの推定値を更新することと、修理・配送結果の較正済み分布を故障需要や停止費用と結び付けることは異なる。その結合モデルは開示されていない。(17)
生産能力計画は、計画保全と突発保全、機械間の製品配分、過去データの再実行を考慮する。不確実な需要や資源にはシナリオ分析を提案する。しかし、シナリオにどう確率を与えるか、経済的リスクが選択する日程をどう変えるか、新たな業務上の失敗によって制約の欠落が判明したときにモデルをどう改訂するかは、公表資料から分からない。(7)
デジタルツインと説明のない成功率
同社はボトルネック分析をサプライチェーンのデジタルツインと呼ぶ。該当ページには、バリューストリームマッピング、多変量解析、シナリオ比較、財務計算ツールが記載されている。相互作用する工程状態の予測を後の観測値と照合する、検証済みの動的モデルは示されていない。ツインが介入の効果を予測するなら、相互作用する状態の予測誤差が中心的な問題になる。ネットワーク図と財務計算ツールだけでは、その予測忠実度を裏付けられない。(6)
ホームページは、AIが97%超の確率で安売りや高値設定を避けながら配分と価格を決め、在庫の自動発注、取り消し、再配置も行えると述べる。この97%は価格設定についての主張であり、SKU需要予測の精度ではない。分母、基準価格、許容幅、反実仮想の利益が定義されていない。選んだ価格帯に収まっていても、経済的に悪い価格である可能性はある。許容された価格の頻度だけでは、利益率の最大化を立証できない。(1)
沿革:産業用AI、自動操縦、結果の位置付け
公開記録には一貫したボトルネック管理の主題があり、その周囲で約束する範囲が広がっている。
| 時期 | 公表された動き | 確認できること |
|---|---|---|
| 2018–2019年 | 最初の特許の優先権と産業用AIとしてのELIの宣伝 | 統計的管理と業務分析の基盤に、ボトルネックを自動解消するという主張を付加。 |
| 2020年4月 | Azure MarketplaceでELITEを公開 | 品質分析と金銭的節約の推定を提供するSaaSのダッシュボードとレポート。 |
| 2021年 | デマンドセンシングモジュールと自動操縦の訴求 | 業務分析に予測と共同計画を追加。 |
| 2022年 | 600万ドルのエンジェル調達、空軍Phase II、Church Brothersによる選定 | 資金調達と特定できる案件。空軍の契約は能力上の不足の調査に資金を提供。 |
| 2024年12月 | EOQ/MOQと在庫設定機能を公開 | 具体的な補充制御を公に確認できるようになった。 |
| 2025年 | Catalystサービス、Aankhenとの関税提携、空軍業務の継続 | 提供形態と適用範囲が拡大。ただし発表は共通の経済的成果を定量化していない。 |
出典:2, 23, 11, 14, 15, 16, 21, 4, 18, 19, 17。
初期のAIの訴求は、とりわけ大きかった。2019年の会議発表は、未解決の生産問題の95%をボトルネックと関連付け、ELIが高くつく業務問題を防ぐと描写した。これほど広い分母は、分類と測定方法を開示しなければ診断上の価値に乏しい。基礎となる統計的管理手法は、人工の業務管理者という約束よりも範囲が狭く、理解しやすい。(23, 12)
沿革でより深刻なのは、成果の示し方である。作成メタデータが2019年12月を示す日本の自動車メーカーのPDFは、ロボット導入の準備ができているか判断するために、鋳造工程のタイミングを調べたと説明する。効果のページでは、完全自動化による労働生産性の15%–30%向上、不良の10%–20%削減、工場当たり年間50万–110万ドルの推定節約を予測している。(12)
2025年11月の記事では、同じ生産性と不良率の範囲を導入後に見られた改善として示し、年間節約額には推定という表現を残している。測定時期、比較手順、その後のロボット投資の説明は追加されていない。予測された効果を業務成果へ格上げする一方、その変更に必要な根拠は示していない。診断ソフトウェアの寄与と、製造を物理的に自動化した寄与も切り分けられていない。(13)
これは流行の呼称よりも重大な問題である。財務的な提案を信頼するよう顧客に求めるベンダーは、改善余地の計算、実施された介入、実測された純利益を区別し続ける必要がある。
顧客の根拠と経済的説明責任
Church Brothersが2022年10月に選定した用途は、生鮮農産物の需要予測と収益性分析だった。現在の顧客談は、一年半先までの週次基準予測を作り、データにない情報で調整すると説明する。人が関与する予測業務は確認できるが、実現した廃棄削減、利益率改善、自律的な購買は定量化されていない。(21, 1)
空軍の案件には、継続を確認できる有用な記録がある。2022年10月の発表は、サプライチェーン能力の不足を調査する749,971ドルのPhase II契約を明記していた。2025年12月には、Davis-Monthanの航空機稼働率を対象とする二度目のPhase III契約を発表した。継続調達は、案件が続いている根拠である。ただし、公開資料は、基準値と比較した稼働率の実測改善、回避された停止時間、総費用を示していない。(16, 17)
ウェブサイトは、改善を現場で検証するよう勧めており、その原則は妥当である。一方、公開された商用資料には、失敗とみなす経済的結果、達成に必要な顧客の義務、是正責任の定義がない。プライバシーポリシーは別の利用契約に言及するが、その経済的な約束は明らかにしない。したがって、宣伝する収益効果には、提案の経済性を検証可能にする公開の受け入れ基準が欠けている。(1, 22)
生産性と意思決定を保守する費用
繰り返し行うデータ収集と統計レポートを置き換えるというThroughPutの生産性提案には、妥当性がある。自動車メーカーの事例が扱うのも、まさにその作業だ。しかし、手作業の分析をなくしても、原因の検証、介入の選択、変更の実施は残る。公表事例は、その残存労力を数えず、繰り返し行う意思決定の件数に対してどう増減するかも示さない。(12, 13)
Catalystプログラムでは、サービスの役割が明確である。2025年6月に開始され、データの準備と同期をThroughPutが担当し、背後で同社の分析を実行し、使い慣れたツールでレポートと提案を届ける。顧客の初期ソフトウェア案件を軽くできる一方、継続的なサービス作業も総費用に含まれる。既存ツールを残しても、それぞれのデータ解釈を整合させ続ける作業は消えない。(18)
補充設定も保守上の義務を生む。品目・拠点ごとの下限、上限、ロット、終売日は業務判断を表しており、仕入先、製品、費用の変化に合わせて更新する必要がある。上書きは今日の例外に対処する一方、明日の誤りを残しうる。リリース資料は、これらの設定に対する規則変更の版管理、回帰テスト、再実行とロールバックの手順を示していない。(4)
2025年7月のAankhen提携には、さらに別の境界がある。fiChainsがSKU単位の財務費用を供給し、ThroughPutがそれを在庫、価格設定、収益性の提案に使う。Aankhenの現行サイトも共同提供と、自社の調達・物流・財務の範囲を確認している。この連携では、費用の計上時点、SKUの識別、関税変更を整合させなければならない。公開説明には、これらの意味付けをどうテストするか、両製品の不一致を誰が修復するかが示されていない。(19, 20)
改善作業の生産性には、悪い業務結果からモデルの変更へつなぎ、その変更が他の場面の判断も改善するかテストする循環が必要である。過去のグラフや提案の高速化は、その作業を助ける。しかし代わりにはならない。ホリミゼーションが述べるのはこの区別だ。定式化そのものが保守する成果物であり、ソルバーに渡す永久に正しい問題ではない。
ソフトウェア構成とセキュリティ
ThroughPutの技術職求人と過去の実装説明から、アーキテクチャの一部が分かる。
| 構成要素 | 役割と根拠 | 範囲 |
|---|---|---|
| ReactとJavaScript | 顧客向けアプリケーションとダッシュボード | 現在閲覧できる日付のない開発者求人に明記された業務。 |
| PythonとDjango | アプリケーションのバックエンド | フルスタック開発者の職務に明記。 |
| 外部API | ダッシュボードとバックエンドの連携 | 開発業務には連携の構築が含まれ、フロントエンド職はマルチテナントアプリケーションを記述。 |
| Microsoft Azure | ELITEのホスティングと配信 | 2020年4月の公開時に記載。現在の詳細なクラウド構成は非公開。 |
| 埋め込みPower BIテンプレート | アップロードされたデータセット用に複製するダッシュボード | 迅速分析の特許に記載された実装であり、全製品モジュールの現行一覧ではない。 |
データサイエンティスト職には、エンジニアリング、DevOps、QAと共同で本番モデルを扱う業務や、顧客データの問題解決もある。保守作業の実態を示す職務である。公開記録からは、本番データベース、キュー、オーケストレーション層、それらの置き換え履歴は分からない。(10)
ソフトウェアをどれだけ簡素に保つかは、保有・運用費用に関わる。データ取り込み、分析用コピー、生成したダッシュボード、提携先からの費用データには、同期、監視、更新が必要である。公開アーキテクチャ説明は、これらの費用を定量化しておらず、重量級システムの重複も示していない。より明確な費用負担は、継続するデータ作業と設定作業にある。
セキュリティの仕様は乏しい。マルチテナントアプリケーションには、データと認証情報の強制的な分離、コネクター権限の制限、本番変更の統制、復旧可能な状態が必要である。求人と公開プライバシーポリシーは、これらの境界も、テスト済みの復旧設計も説明していない。発注の作成や取り消しが可能だと宣伝する製品では、とりわけ重要だ。意思決定を自動化するなら、侵害されたアカウントやコネクターができることにも同じくらい明確な限界が必要である。(9, 22, 1)
サプライチェーンのスコア
サプライチェーンへの理解の深さ
| 評価基準 | スコア |
|---|---|
| 経済性を軸とする捉え方 | 6/10 |
| 意思決定の到達点 | 5/10 |
| サプライチェーンに対する概念の明晰さ | 5/10 |
| 時代遅れの中心的理論からの自由度 | 4/10 |
| KPIの見せかけへの耐性 | 2/10 |
平均:4.4/10。
経済性を軸とする捉え方 — 6/10。 ThroughPutは工程損失を費用に結び付け、運転資金と停止時間に注意を向ける。ただし、改善余地の金額換算は、実行可能な行動を金銭的に全面比較するのではなく、達成可能な性能についての仮定に依存する。(3)
意思決定の到達点 — 5/10。 補充と製品配分の提案は、具体的な業務行動を対象とする。自動実行も掲げるが、承認、取引の照合、意思決定の品質の継続性について十分な説明がない。(4, 1)
サプライチェーンに対する概念の明晰さ — 5/10。 流れと現実的なリードタイムを重視する点は有用である。欠けているのは、制約の特定と、需要、配送、故障の不確実性の下で代替対応を評価することとのつながりだ。(7, 17)
時代遅れの中心的理論からの自由度 — 4/10。 ボトルネック診断は製品の焦点を明確にするが、管理限界とスループットを過度に重視すると、全体の経済価値を局所的な安定性で置き換えかねない。シナリオと配分の仕組みは一部しか公開されていない。(2, 7)
KPIの見せかけへの耐性 — 2/10。 予測改善、価格設定の成功、業務効果の百分率には、不可欠な定義が欠けている。自動車メーカーの事例の再提示は、予測と実績をさらに曖昧にし、数字の財務的な意味を弱めている。(5, 1, 12, 13)
意思決定と最適化の実質
| 評価基準 | スコア |
|---|---|
| 確率的モデリングの深さ | 3/10 |
| 独自の最適化または機械学習の実質 | 5/10 |
| 現実の制約への対応 | 5/10 |
| 意思決定の自動化と労働生産性 | 4/10 |
| 現実の業務の複雑さに対する頑健性 | 5/10 |
平均:4.4/10。
確率的モデリングの深さ — 3/10。 管理図の統計とリードタイムの更新は変動を認識している。しかし、リスクを調整した行動選択を導く、将来の需要と供給の較正済み同時予測は確認できない。(2, 17)
独自の最適化または機械学習の実質 — 5/10。 特許は実在する業務分析手法と、例外記録の有用な扱いを示している。掲げる財務的範囲と自律性は、公に実証された数値手法と比較検証を超えている。(2, 3)
現実の制約への対応 — 5/10。 公表された補充設定は実務的な発注制約を含み、生産能力計画には資源配分がある。それらを同時にどう扱い、競合する設定が経済的にどう影響するかは不明である。(4, 7)
意思決定の自動化と労働生産性 — 4/10。 統計分析の自動化は反復作業を減らしうる。公開された顧客事例とサービス説明は、業務判断の承認、実施、保守に残る労力全体を測定していない。(12, 18)
現実の業務の複雑さに対する頑健性 — 5/10。 過去の分析と業務フィードバックは、失敗や変化する制約を発見しうる。欠けているのは、意思決定の定式化を改訂し、今後の提案を変える前に再テストする、検証可能な手順である。(7, 17)
製品とアーキテクチャの一貫性
| 評価基準 | スコア |
|---|---|
| アーキテクチャの整合性 | 5/10 |
| システム境界の明確さ | 5/10 |
| セキュリティへの真剣さ | 2/10 |
| ソフトウェアの簡素さと保有・運用費用 | 4/10 |
| プログラムによる運用とエージェント支援運用への適合性 | 4/10 |
平均:4.0/10。
アーキテクチャの整合性 — 5/10。 業務分析が共通の核を形成し、確認できるウェブアプリケーションに支えられている。過去の分析実装と、現在の価格設定・補充モジュールとの関係は十分には文書化されていない。(3, 8, 4)
システム境界の明確さ — 5/10。 CatalystとfiChains提携によって、サービスと財務データの重要な境界は分かる。本番への書き戻し、正とする状態、境界をまたぐ照合についての公開仕様は乏しい。(18, 19)
セキュリティへの真剣さ — 2/10。 公開資料はマルチテナントアプリケーションを示すが、検証可能な分離、権限、復旧の設計を提示しない。宣伝する自動発注では、コネクター侵害の影響が特に不明確なままである。(9, 22, 1)
ソフトウェアの簡素さと保有・運用費用 — 4/10。 見えているアプリケーション構成要素から、インフラの肥大化は確認できない。それでも、データエンジニアリング、提携先との照合、顧客の規則の保守には、範囲と費用が定量化されていない継続作業が生じる。(8, 18, 19)
プログラムによる運用とエージェント支援運用への適合性 — 4/10。 APIとバックエンド連携は、プログラムによるデータ交換を支える。無人変更の操作仕様と制御に関する公開情報は、信頼できる自律運用モデルを裏付けるには乏しすぎる。(8, 9)
技術的透明性
| 評価基準 | スコア |
|---|---|
| 公開技術資料 | 5/10 |
| ベンダーを介さずに検証できる度合い | 3/10 |
| 移植性とロックインの可視性 | 3/10 |
| 実装方法の透明性 | 5/10 |
| 技術的主張を支える根拠の密度 | 3/10 |
平均:3.8/10。
公開技術資料 — 5/10。 特許はアルゴリズムと例を示し、製品リリースは一部の業務制御を記述する。現在の導入資料、インターフェース仕様、モデル検証記録は、はるかに乏しい。(2, 3, 4)
ベンダーを介さずに検証できる度合い — 3/10。 読者は過去の手法とアプリケーションの一部の役割を確認できるが、公開資料だけでは現在の予測、補充、価格設定の計算を再現できない。製品評価の大部分は、依然としてベンダーとのやり取りに依存する。(2, 5, 4)
移植性とロックインの可視性 — 3/10。 既存データを取り込めるため、取引システムを置き換える必要は小さくなる。しかし、入力コネクターだけでは、設定した規則、分析モデル、実行履歴の移植性は分からない。(6, 18)
実装方法の透明性 — 5/10。 特許の例とCatalystの手順は、データ準備から分析とレポートに至る流れを示す。その実装から継続的な自律実行への移行には、同程度の詳細がない。(3, 18)
技術的主張を支える根拠の密度 — 3/10。 名前の明らかな案件と継続する空軍業務から、具体的な適用場面は確認できる。数値比較、運用労力の実測、経済効果の帰属を示す結果は依然として乏しい。(21, 16, 17)
ベンダーの真剣さ
| 評価基準 | スコア |
|---|---|
| 公開情報の技術的な真剣さ | 3/10 |
| 技術ロードマップの一貫性 | 3/10 |
| 概念の明晰さ | 5/10 |
| 経済的説明責任 | 2/10 |
| エージェント型ソフトウェアの時代における競争力の持続性 | 4/10 |
平均:3.4/10。
公開情報の技術的な真剣さ — 3/10。 検証可能な統計手法の隣に、自動操縦、デジタルツイン、成功率について大きな表現が並ぶ。後者には、技術的に有用な主張にするための定義と検証が欠けている。(2, 5, 6)
技術ロードマップの一貫性 — 3/10。 実際の補充機能の公開と継続案件は存在する。しかし、自動車メーカーの事例で、対応する測定記録を示さずに効果の位置付けを変えており、信頼性を損なっている。(4, 12, 13)
概念の明晰さ — 5/10。 物の流れ、停止時間、金銭的な結果には一貫した焦点がある。それでも、統計的な安定性やボトルネックの順位付けは、不確実性の下での明示的な経済的意思決定方針の十分な代わりにはならない。(2, 3)
経済的説明責任 — 2/10。 予測節約額と名前の明らかな案件は、公開された純利益の受け入れ基準や、明確な是正義務と結び付いていない。購入側は、公表された提案から、どのような経済的失敗がベンダーに修正を義務付けるのか判断できない。(12, 13, 22)
エージェント型ソフトウェアの時代における競争力の持続性 — 4/10。 産業データの解釈と現場経験には引き続き価値がある。文書化された提供内容は依然として分析の高速化と提案の提供に集中しており、意思決定プロセスを回す継続作業をなくしたという実測の根拠は乏しい。(18, 10)
出典
出典。2026年11月4日閲覧。
出典、2023-11-14。2026年11月4日閲覧。
出典、2024-10-15。2026年11月4日閲覧。
出典、2024-12-05。2026年11月4日閲覧。
出典。2026年11月4日閲覧。
出典。2026年11月4日閲覧。
出典。2026年11月4日閲覧。
出典。2026年11月4日閲覧。
出典。2026年11月4日閲覧。
出典。2026年11月4日閲覧。
出典、2020-04-28。2026年11月4日閲覧。
出典、2019-12-19(PDF作成メタデータ)。2026年11月4日閲覧。
出典、2025-11-17。2026年11月4日閲覧。
出典、2021-01-29(ページの日付。その後編集あり)。2026年11月4日閲覧。
出典、2022-04-21。2026年11月4日閲覧。
出典、2022-10-31。2026年11月4日閲覧。
出典、2025-12-09。2026年11月4日閲覧。
出典、2025-06-05(発表本文の日付)。2026年11月4日閲覧。
出典、2025-07-14(発表本文の日付)。2026年11月4日閲覧。
出典。2026年11月4日閲覧。
出典、2022-10-25。2026年11月4日閲覧。
出典。2026年11月4日閲覧。
出典、2019-09-19。2026年11月4日閲覧。