{
  "2021": {
    "2021H1-daijin.pdf": "2021年度 統計データ分析コンペティション\n総務大臣賞［高校生の部］\n日本におけるワークライフバランスの\n達成状況とその課題\n村澤 舞・山家 里穂\n（広島大学附属高等学校）\n論文の概要\nワークライフバランスについて、生活時間を男女別に分けることで男性はワーク\n（仕事）とライフ（生活）が負の相関にあること、女性はワークとライフに育児時間\nが強く影響しており、ワークを交絡変数として偏相関分析を行うことで、育児時間と\nライフの時間が負の相関にあることを示した。\n論文審査会コメント\n身近な問題意識から先行研究のサーベイに進み、SSDSE-Dに基づく実証に進む流\nれは極めて自然である。交絡変数の概念に着目している点、先行研究に即した計量経\n済的実証を実施している点や、擬似相関、ミクロデータの差異、自己批判的研究姿勢\nなど、高水準の実証研究の担い手に成長することが期待できる。\n---PAGE---\n日本におけるワークライフバランスの達成状況とその課題\n村澤舞・山家里穂\n広島大学附属高等学校\n１． 研究のテーマと目的\n1.1 研究の目的\n本研究は、日本において、近年強く提唱されている「ワークライフバランス」が、どの程度達成されている\nか、そしてその課題は何かを検討することにある。\n1.2 問題意識の背景\nなぜ「ワークライフバランス」に関心をもったのか。個人的な経験として 2 つある。一つは父親の仕事量や\n時間が過多であるという印象を持ったこと、もう一つは、学校の先生方が私たち生徒のために日々熱心に指導\nをしてくださっているが、そのために日々遅くまで学校に残られており、労働時間超過になっていると感じ、\n思わず「ブラック企業問題」を思い浮かべてしまったことに起因する。\n実際、「日本人は働き過ぎ」という批判は各所で聞かれる。近年では、ブラック企業の問題が表面化してお\nり、過労死も多発している。その一例として、学校教員の部活動の加重負担に起因する過剰労働が明らかにさ\nれてもいる（1）｡このような事例から、政府も積極的に推進する「ワークライフバランス」を上手に取ることが\n大事であると考え、上記の問題意識を形成した。\n1.3先行情報・研究の検討\nそこで、ワークライフバランスの実情や研究について大まかに見ることとした。政府は、2007年に「仕事と\n生活の調和（ワーク・ライフ・バランス）憲章」の策定／内閣府「仕事と生活の調和」推進サイトを立ち上げ、\n国を挙げてワークライフバランスを推進していることが分かった。\nでは実際、日本におけるワークとライフの実情はどのようになっているのか。まず「ワーク」については、労\n働時間の世界比較をしてみた（2）。日本はOECDによる集計によると、世界主要国43ヶ国の中で、年間労働時間\n（2020年）は24位となっており、意外にも短いと感じた。ところが実はこの数値には問題がある。この数値は\n全就業者を対象としており、短時間労働（パート・アルバイト等の非正規雇用）を含めた数値である。短時間\n労働者数の割合が高い日本は、労働時間が短く計算されてしまう。実際、短時間労働を除いた労働時間（男性\n１日あたり平均労働時間・休日含む,2014年）の比較をすると日本は最長であった（3）。他にも、サービス残業\nの多さや有給休暇取得状況の悪さなどもあり、ワークとライフのバランスは良好ではないと推察される。\n一方、ワークライフバランスに関する研究として、大沢（2006）、労働政策研究・研修機構（2012）、山口\n（2009）などがあるが、それらは論点の一つとして「女性」の問題を挙げている。たしかに、女性は結婚、妊\n娠、出産、育児などのイベントにより、ワークライフバランスが大きく変化しうる。つまり、女性への着目は\n男女平等参画社会の観点からも重要であると考える。\n以上より本研究では、最新のデータにより、日本のワークライフバランスの実情を探索する。その際に男女\n比較を重視する。今日推奨されるSDGs「持続可能な開発目標」の達成目標に「働きがいも経済成長も」「ジェ\nンダー平等を実現しよう」とあるので、本研究は、現在におけるその実現度を検討する一助になると考える。\n２．研究の方法と手順\n上記の研究目的を達成するために、まずヒストグラム・棒グラフを用いて、ワークとライフの状況を確認す\n1\n---PAGE---\nる。基本統計量を算出して数値により概要を把握する。次に散布図と相関係数を用いて、ワークとライフの関\n係性を確認する。最後に重回帰分析を適用し、何が仕事時間に影響を与えているか分析する。\n３．データセットの加工\n3.1使用したデータ\n本研究課題を検討するにあたり、使用したデータ名と、その出典一覧を下記の表１に示す。\n表１ 使用したデータとその出典一覧\n項目名 年度 出典\n生活時間編 １日に行動した平均時間 2016 SSDSE-D\n20の行動の種類別の平均時間（総平均時間）仕事（有業者、週全体）\n生活行動編 過去１年間に活動した人の割合 （行動者率）\n旅行・行楽 旅行・行楽（総数）\n趣味・娯楽 趣味・娯楽（総数）,\n集計の対象になる人口 推定人口（10歳以上の人口）\n「平日」「正規の職員・従業員」について、 2016 社会生活基本調査\n以下の活動時間（単位：分）の男女別データ：仕事,睡眠,家事,\n介護・看護, 育児,テレビ・ラジオ・新聞・雑誌,休養・くつろぎ,\n趣味・娯楽\n１人当たり県民所得（単位：千円） 2016 県民経済計算\n総人口,女性人口割合,労働可能人口割合 2015 国勢調査\n第三次産業人口割合,職業（大分類）15歳以上就業者数及び職業別割合\nワーク、ライフの定義について、広義では「ワーク」は仕事時間、「ライフ」は生活時間であるが、本稿\nでは、上記表中の仕事、家事、育児を「ワーク」として定義し、それ以外の項目を「ライフ」とした。（第\n1四分位数-第3四分位数）×1.5<最大値-第3四分位数を満たすものは外れ値とした。\n４．データ分析の結果\n4.1 SSDSE-Dからの分析 その1\n図1 仕事時間の箱ひげ図 図2 仕事時間と都道府県人口の散布図\n図3 都道府県別の仕事時間\n2\n---PAGE---\nまず、「ワーク」に注目した分析を行う。仕事時間（有業者、週全体）を男性のみ、女性のみ、男女の総合\nで分け、箱ひげ図を作成した（図1）。平均値は男女の合計355分、男性のみ409分、女性のみ287分であり、\n男性の仕事時r 間 が長い。また、都道府県別の労働時間の棒グラフを作成し（図3）、最大（熊本386）と最小\n（東京 339）の 差を求めると 47 分の差があった。またこのグラフから、仕事時間が東京、京都、埼玉、千葉\nなど都市部で短い。対して熊本、福島、岩手、青森、佐賀、沖縄等の地方において長い。橘木 （2017）によ\nれば、都市部では人口が多い故に労働力が確保でき、結果一人あたりの労働時間を抑えることができると推測\nしている。そこで、都道府県別人口と労働時間の相関をとると（図 2）、女性のみ弱い負の相関がみられた。\nなお、東京は他の道府県に比して人口が非常に多く、外れ値として扱い、分析からは除外した。\n必ずしも橘木の指摘通りではないが、興味深い傾向であり、人口が少ない道府県では労働力の絶対量も限ら\nれるため、女性も労働力として期待されるが故に、女性の労働時間が長くなっていると推察される。\n4.2 SSDSE-Dからの分析 その2\n次に、「ワーク」と「ライフ」の関係性について検討した。「ライフ」はSSDSE-Dデータの中から「趣味・\n娯楽（総数）の行動者率」「旅行・行楽（総数）の行動者率」に注目した（図4、図5）。その結果、仕事の\n時間が長いと、趣味・娯楽・旅行・行楽などが減じる傾向にあるが、男性よりも女性の方が両者の関係性が明\n確である。つまり女性は男性よりも、ライフとワークが両立し難いという傾向が読み取れる。\nr= -0.181\nr= -0.676\n図4 仕事時間と趣味娯楽(総数)の行動者率の散布図 図5 仕事時間と旅行行楽(総数)の行動者率の散布図\n4.3 SSDSEデータの限界と新たなデータを用いた分析へ\nただし、これまで検討してきたSSDSEデータでは、仕事時間に正規・非正規の区分がなく全有業者が含まれ\nている点、さらに仕事時間が週全体の集計値であり、休日を分離していない点など、「ワーク」の分析に概要\nは分かるが、これだけでは本研究の目的に対して十分といえない。そこで「ワークライフバランス」をより正\n確に検討するために、より細かなデータを探索した結果、「社会生活基本調査」のデータを使用することが望\nましいと判断し、以下そのデータを用いた分析を行うことにする。\n4.4ワークライフバランスの「再」検討―「社会生活基本調査」を用いて\n4.4.1 仕事時間の実態：正規雇用者の平日の平均時間に着目して 表2 基本統計量\nr\n図6 仕事時間の比較\n3\n---PAGE---\n「社会生活基本調査」内のデータの中で、まず、平日の正規の職員・従業員に関する仕事の総平均時間を男\n女別に検討した（図6）。表2はデータから得られる基本統計量である。これらから、男性は平日の仕事時間\nの平均が547.2分であり、1日8時間労働という労働基準法の目安を1日あたり約1時間上回っていることが\nわかる。女性は 1 日 8 時間を少し下回っている。図 6 から、女性の最高仕事時間が男性の最低仕事時間とほ\nぼ同じである。\n4.4.2 ワークとライフの関係性\n次に、ワークとライフの関係を検討した。「ライフ」は、社会生活基本調査における睡眠,テレビ・ラジオ・\n新聞・雑誌,休養・くつろぎ,趣味・娯楽の時間を用いた。これら「ライフ」と「ワーク」の散布図と相関係数\nを図7、8、9、10に示した。\n散布図および相関係数から、男性はワークとライフとの間に負の相関があるようだ。女性はワークとライフ\nの相関が弱いか無いようだ。この傾向から、男性はワーク負担がライフ時間の減少へと繋がると思われるが、\n女性の場合は、男性に対してワークが少なく、ライフがそれに影響されにくいことによるのかもしれない。\n図7 仕事時間とテレビ ラジオ 新聞 雑誌時間の散布図 図8 仕事時間と休養くつろぎ時間の散布図\n図9 仕事時間と睡眠時間の散布図 図10 仕事時間と趣味・娯楽時間の散布図\nなお、社会生活基本調査では、上記4活動に他の活\n動を加えた合計時間を「3次活動」と称している。こ\nの括りも「ライフ」を示す指標と考え、女性に比べて\n相関が上記 4 活動の相関が強かった男性に限定して\nワークとの関係を検討した（図11）。こちらを見ると、\nより明確な関係が確認され、ワークとライフが強い\n負の相関であることがわかる。\n図11 仕事時間と3次活動の散布図\n4",
    "2021H2-yushu.pdf": "2021年度 統計データ分析コンペティション\n優秀賞［高校生の部］\n健康寿命の延伸に向けて\n太佐 美結（フェリス女学院高等学校）\n論文の概要\n人が健康に暮らすことのできる健康寿命について、様々な変数を用いて因子分析を\n行うことで因子の抽出を行い、説明変数の選択に当たっては相関分析により多重共線\n性について考慮した上で重回帰分析を行うことで、男性はスポーツ行動率、女性は緑\n茶の消費量等が健康寿命に影響を与えることを示した。\n論文審査会コメント\n先行研究、研究プロセスの計画、要因の選定、データの吟味（外れ値摘出）などが\n実に緻密である。解釈・提言等の出し方について、素朴な分析だが、高校生でこれく\nらいできれば言うことはなく、教育者にも参考になる。\n---PAGE---\n健康寿命の延伸に向けて\n太佐美結\nフェリス女学院高等学校 1年\n１．研究のテーマと目的\n2016年における日本の男女平均寿命は84.2歳であり、世界一の長寿国となった。しかし、「寿命」という言\n葉は誕生してから亡くなるまでの期間を指す言葉であり、例え寿命が長くても、何らかの理由により日常生活\nが制限されるなどの健康ではない期間も含まれている。保健の授業で、「WHOは『健康寿命』という言葉を創\n出し、人生において健康な期間をどれだけ延ばせるかがより大切になってきた。」と学習した。\n日本国内で見ると、男女共に平均寿命が長い都道府県は長野県と滋賀県、短い都道府県は青森県であり、男\n性で見ると約3.11年の差が見られる。一方、健康寿命で見ると男女とも健康寿命が長い都道府県は、愛知県や\n山梨県等の中部地方で多く見られ、奈良県や京都府等は平均寿命の長さに反して比較的短い傾向があった。山\n梨総合研究所がまとめた“山梨は健康寿命がなぜ長いのか“(1)の研究によると「平均寿命が長いからといって、\n健康寿命も長い傾向があるわけではない」ことを指摘している。さらに、ニッセイ基礎研究所が行った“健康\n寿命の都道府県格差”(2)の研究によると、平均寿命が長い都道府県は、男女とも長い傾向があり、生活習慣や食\n文化等の要因の影響を受けているが、健康寿命は平均寿命ほど男女に共通した傾向は見られないことが示唆さ\nれている。\n上記２つの研究から、健康寿命に影響を与える要因は平均寿命とは異なるものが存在すると仮定した。その\n要因について、(1)の研究では個別要因との相関を分析しているが、弱い相関関係にとどまっており、「健康寿命\nには、複数の要因が関係していることが想定される。」と指摘している。そこで、当分析では重回帰分析を用い\nて複数の要因間での分析を行い、健康寿命の延伸についての提案を行うことを目的とする。\nSTART\n２．研究の方法と手順 手順1：平均寿命と\n健康寿命の相関分析\n当分析の方法と手順を図1に示す。\nYES 平均寿命に影響する要因\n手順1：平均寿命と健康寿命の相関分析 相関関係がある？ が健康寿命にも影響する\nと考える\n男女別に各都道府県の健康寿命と平均寿命の相関係数を確認する。男 No\n手順2: 健康寿命に影響\n女共に相関係数が高い場合には、平均寿命に影響する要因が健康寿命に しそうな要因の選定\nも影響を与えるものと考える。\n手順3: 家計消費データか\nら食生活の因子を抽出\n手順2: 健康寿命に影響しそうな要因の選定\n健康寿命に影響を与えそうな要因を「社会制度」「運動」「生活」「休 手順4: 外れ値の考察\n息・余暇」「栄養・食生活」「気候」の観点から選定する。\n手順5: 選定した要因の中\n手順3: 家計消費データから食生活の因子を抽出 での相関分析\n上記要因のうち、「栄養・食生活」についてはSSDSE-C「都道府県庁所 YES\n健康寿命との相関が高い\n説明変数間の\n方の要因を説明変数とし\n在市別、家計消費データ」を用いて、食生活の指標を抽出する。 相関関係？ て選択\nNo\n手順4: 外れ値の考察\n手順6: 重回帰分析\n手順2と手順3で選定された要因について、箱ひげ図を用いて、外れ\n値を特定する。外れ値の発生原因を考察し、特別な理由を表す外れ値か、 手順7: 重回帰分析結果の\n評価\nまたは都道府県の特徴を表した外れ値かについて検討する。\n手順5: 選定した要因の中での相関分析 手順8: 考察と対策の提案\n重回帰分析を行う上で、「説明変数間で相関があると、回帰分析での\nEND\n予測に悪い影響を与える。」(3)という指摘から、手順 2 および手順 3 で\n図1：分析の手順\n1\n---PAGE---\n挙げられた要因のデータを収集した後に、要因間の相関係数を確認する。相関が高い 2 つの要因同士につい\nては、健康寿命との相関が高い方の要因を説明変数として選択する。\n手順6: 重回帰分析の実施\n健康寿命と相関関係が高い要因を説明変数として、重回帰分析を実施する。\n手順7: 重回帰分析結果の評価\n分析で推定された重回帰式の精度、統計的な意味、および実測値との残差に傾向が見られるかについて確認\nする。\n手順8: 考察と対策の提案\n手順 7 で重回帰分析の妥当性が確認された後、健康寿命に影響すると考えられる要因について考察し、健\n康寿命延伸のための対策について提案する。\n３．データセットの加工\n3.1 健康寿命に影響すると考えられる要因の選定\n健康寿命に影響を与えそうな要因を『社会制度』『運動』『生活』『休息・余暇』『栄養・食生活』『気候』の\n観点から選定した結果を図2に示す。いろいろな角度から掘り下げて考えるために特性要因図を用いた。\n生活 運動 栄養・食生活\n同世代交流・異世代交流 通勤・通学 和食・洋食・麺類\n交通の発展度 飲酒\n高齢者就業率\n家族形態 自家用車所有率 間食\n1日の歩数\n糖分\n未婚率・離婚率\n高齢者の同居率・高齢者単身世帯率 日常の運動機会 外食の頻度\nボランティア活動 公園・スポーツ施設 油と塩分\n野菜・果物\n健康寿命\n医療\n気温 睡眠時間\n病院数・医院数\n歯科医院数 降水量 娯楽時間\n健康診断受診率\n積雪 外出時間\n育児\n男性の育児休業取得 外での活動時間 公民館数\n女性の産休および育児休業取得率\n日照時間\n保育園数・保育士数 喫喫煙煙\n学習機会 外での活動時間\n飲酒\n図書館・博物館\n社会制度 気候 休息・余暇\n高齢者学級\n図2 健康寿命に影響すると考えられる要因\n3.2 使用するデータ\n当分析では『男性健康寿命』および『女性健康寿命』を目的変数とし、図2で選定した要因を説明変数の候\n補とした。SSDSEは様々な分野からのデータが取得できるため、SSDSEのデータを可能な限り活用し、得ら\nれなかったものについては、e-Statまたは外部データを活用した。データの加工および出典を表1に示す。な\nお、重回帰分析を行う際は、「説明変数は管理のしやすいものを選択した方がその後の対策につなげやすい。」\nとの指摘から(3) 『気候』については「日照時間」以外は分析に使用しないことにした。（気候としての日照時\n間は管理できないが、自らが外へ出て陽の光を浴びる時間は決められるため。）なお、当分析の健康寿命はe-\nStatから得られる「日常的に介護を必要としないで，自立した生活ができる生存期間」の値を使用した。\n2\n---PAGE---\n表1：分析に使用するデータ\n要因名（データ） データ変換 出典 年度 要因名（データ） データ変換 出典 年度\n寿 健康寿命 「日常生活に制限のな e-Stat 2016 未婚者割合(15歳以上) e-Stat 2015\n命 い期間の平均」\n平均寿命 e-Stat 2015 核家族世帯割合 e-Stat 2015\n一般病院数 人口10万人あたり SSDSE-2020B 2016 単独世帯割合 e-Stat 2015\n一般診療所数 人口10万人あたり SSDSE-2020B 2016 生 65歳以上の世帯員のいる世帯割合 e-Stat 2015\n歯科診療所数 人口10万人あたり SSDSE-2020B 2016 活 高齢夫婦のみの世帯の割合 e-Stat 2015\n教育費（二人以上の世帯） 消費支出（二人以上の SSDSE-2020B 2016 離婚率 人口千人あたり e-Stat 2015\n保健医療費（二人以上の世帯） 世帯）に対する割合 SSDSE-2020B 2016 65歳以上の1人の世帯割合(男性・女性) e-Stat 2015\n保育所等定員数 人口10万人あたり SSDSE-2020B 2016 65歳以上就業者割合 e-Stat 2015\nボランティア活動全般行動者率\n保健師数 人口10万人あたり e-Stat 2016 SSDSE-D 2016\n(男性・女性)\n消費支出（二人以上の世\n歯科健診指導延人員 人口千人あたり e-Stat 2016 教養娯楽費率 SSDSE-2020B 2016\n帯）に対する割合\n社 公民館数 人口10万人あたり e-Stat 2015 休 趣味・娯楽全般行動者率 SSDSE-D 2016\n会 息 (男性・女性)\n制 図書館数 人口10万人あたり e-Stat 2015 ・ 旅行・行楽の全般行動者率(男性・女 SSDSE-D 2016\n度 余 性)\n博物館数 人口10万人あたり e-Stat 2015 暇 喫煙率(男性・女性) 国立がん研究センター 2016\nがん対策情報センター\n胃・大腸・肺がん受診率\n国民生活基礎調査 2016 酒類と飲酒代 酒類＋飲酒代 SSDSE-2020C\n(男性・女性)\n乳がん・子宮がん受診率(女性) 国民生活基礎調査 2016 和食 2017年\n65歳以上人口老人クラブ会員数 65歳以上人口の10万人 e-Stat 2015食栄外食と持ち帰り\n主要な食料項目につい\n〜2019\n65歳以上人口高齢者学級・講座数 あたり e-Stat 2017生養洋食\nて、因子分析を行い、新 SSDSE-2020C\n年の\n老人福祉費割合（都道府県財政） e-Stat 2016活・濃い味付け\nたな指標にまとめる\n平均値\n学習・自己啓発・訓練の行動者率\nSSDSE-D 2016 家での飲み物\n(男性・女性)\n自家用車保有台 1世帯あたり 都道府県別の自家用乗 2016\n用車の普及状況\n通勤通学自家用車利用率 e-Stat 2010\n運 民間体育施設数 人口10万人あたり e-Stat 2015\n動 都市公園面積【ｍ2】 1人あたり e-Stat 2016\n日照時間（年間）【時間】 e-Stat 2016\nスポーツ全般行動者率 SSDSE-D 2016\n3.3 外れ値の考察\n相関分析や回帰分析では、いくつかの外れ値が結果に対して大きな影響を与えることがあると学習した。\nそのため、箱ひげ図を使用して外れ値を特定した。しかし、外れ値の中にも意味を持った値が存在することも\nあるため、外れ値の発生原因について考察を行い、外れ値として除外するべきかを検討した。その結果を図3\nに示す。外れ値として除外しなかった値については、各都道府県の特徴を表す数値であると考えた。\n社会制度\n長野 山梨 長野\n山形 高知 東京 岐阜 山梨 富山 富山 富山 岡山\n宮城 山形 山梨 東京 東京\n神奈川\n山口\n福島\nえを⇓ えを⇓ とのもな⇓ て現市か⇓ えを⇓ えを⇓ えを⇓ えを⇓ えを⇓ えを⇓ 外考の⇓ えを⇓ えを⇓\n、表各 、表各 考特考い高 除状部つ東 、表各 、表各 、表各 、表各 、表各 、表各 れえ割福 、表各 、表各\n分す都 分す都 え徴えと知 外かに、京 分す都 分す都 分す都 分す都 分す都 分す都 値ら合島 分す都 分す都\n析値道 析値道 たもらい県 ら集歯の 析値道 析値道 析値道 析値道 析値道 析値道 とれが県 析値道 析値道\nにと府 にと府 表れうの 外中科み にと府 にと府 にと府 にと府 にと府 にと府 しる高は にと府 にと府\n使し県 使し県 しる特人 れし医突 使し県 使し県 使し県 使し県 使し県 使し県 てこい復 使し県 使し県\n用ての 用ての てが殊口 値て院出 用ての 用ての 用ての 用ての 用ての 用ての 除とこ興 用ての 用ての\n考特 考特 い、事が といがし 考特 考特 考特 考特 考特 考特 外かと費 考特 考特\n徴 徴 る県情少 しる都、 徴 徴 徴 徴 徴 徴 らが用 徴 徴\n運動 生活 休息・余暇\n栃木 北海道 東京 東京 沖縄\n長野 神奈川沖縄 長野\n東京\n山梨 高知\n青森\n青森 沖縄 沖縄 沖縄\n沖縄\n大阪\n東京\n東京\nしい等る⇓ えを⇓ 除え利滞い交⇓ れし他い⇓ 考表めもれの⇓ えを⇓ しい等る⇓ えを⇓ えを⇓ えを⇓ えを⇓ えを⇓ と沖光らい⇓\n、たに。東 、表各 外、便にる通東 値て県る北 えし、存る特雪 、表各 、たに。東 、表各 、表各 、表各 、表各 、表各 し縄にれう観\n除めよ同京 分す都 外性よ。機京 といと。海 、て青在が殊国 分す都 除めよ同京 分す都 分す都 分す都 分す都 分す都 ての時る特光\n外外り時の 析値道 れのるま関と 判る比ま道 分い森し雪事と 析値道 外外り時の 析値道 析値道 析値道 析値道 析値道 、特間が殊が\nれ世にみ にと府 値低自たが大 断こ較たの 析る県て国情い にと府 れ世にみ にと府 にと府 にと府 にと府 にと府 分徴を、事盛\n値帯単離 使し県 と下家、発阪 しとし、み に結のいはもう 使し県 値帯単離 使し県 使し県 使し県 使し県 使し県 析をか娯情ん\nと数身れ 用ての しを用交達は 、かて面離 使果特る他考青 用ての と数身れ 用ての 用ての 用ての 用ての 用ての に表け楽もな\n判が赴て 考特 て考車通し公 除ら突積れ 用だ徴た県え森 考特 判が赴て 考特 考特 考特 考特 考特 使すなや考県\n断多任い 徴 、 の渋て共 外外出はて とも でら県 徴 断多任い 徴 徴 徴 徴 徴 用値い観えと\n図3：外れ値の考察\n3\n---PAGE---\n3.4 食生活の指標を作成\n先行研究によると、「野菜」や「食塩」が平均寿命に影響を与えている要因の１つであると指摘している(4)。\nしかし、当分析では個々の食品の消費量ではなく、他の食品も合わせた食生活の特徴を表す指標を作成するこ\nとができないかと考えた。“多変量解析がわかる”(5)により、データの背後を探る方法として「因子分析」と\nいう分析手法が存在することを知り、この方法で新しい食生活の指標を導くことを試みた。\nSSDSE-C（都道府県庁所在市別、家計消費データ）から主要な食品群として、「米」「パン」「生うどん・\nそば」「中華麺」「カップ・即席麺」「小麦粉」「02魚介類」「03 肉類」「乳製品 (牛乳、粉ミルク、ヨーグル\nト、バター、チーズおよび他の乳製品の合計)」「卵」「05 野菜・海藻」「大豆製品 (豆腐、油揚げ・がんも\nどき、納豆および他の大豆製品の合計)」「梅干し・漬物 (梅干し、だいこん漬、はくさい漬および他の野菜\nの漬物の合計)」「06 果物」「油脂 (食用油およびマーガリンの合計)」「食塩」「しょう油」「みそ」「砂糖」\n「08 菓子類」「09 調理食品」「緑茶」「コーヒー」「炭酸飲料」「ミネラルウォーター」「12 外食 (喫茶 ,\n飲酒代以外を合計)」「喫茶代」の家計消費データを分析に用いた。分析はEXCEL上での統計分析ソフト\n(HAD)を使用した。因子分析の実行時に使用した方法を表2に示す。\n因子分析の結果、7つの因子が抽出された。因子1では野菜・海藻、梅干し・漬物、中華麺、魚介類、大\n豆製品、果物、米の因子負荷量がプラスの値で大きく、中華麺以外は家で和食を食べる機会が多い人と考\nえ、『和食』因子とした。因子2は外食 (喫茶 , 飲酒代以外を合計)、調理食品、菓子類、喫茶代の因子負荷\n量がプラスの値で大きく、小麦粉、米、砂糖等がマイナスの値で大きかったため、家庭内での調理よりも外\n食や持ち帰り等の消費が多いと考え、『外食とテイクアウト』因子とした。因子3は解釈が難しかったが、\nパンと肉類がマイナスの値で大きかったため、『洋食』因子［逆符号］とした。因子4はしょう油、砂糖、\n小麦粉、みその因子負荷量がプラスの値で大きいため、調味料を多く使用することを考え、『濃い味』の因\n子とした。因子5では、コーヒーがプラスの値で大きく、緑茶がマイナスの値で大きく、それぞれが他の変\n数と比較して突出していた。よって、家で飲む飲み物として、対局にある 表2: 因子分析方法\n固有値が1以上となる\nと考え、『家での飲み物』因子とした。因子6および7については、解釈が 因子数\nものを抽出\n難しく、因子を割り当てることができなかった。家計消費データからそれ 抽出法 主成分法\nぞれ5つの新しい因子を作成し(図4)、説明変数に加えて分析を行った。 回転法 社交回転\n因子1(和食) 因子2(外食やテイクアウト) 因子３(洋食因子［符号逆］)\n-1.000 -.500 .000 .500 1.000 -1.000 -.500 .000 .500 1.000 -1.000 -.500 .000 .500 1.000\n野菜・海藻 外食_喫茶と飲酒代以外 炭酸飲料\n梅干し・漬物 調理食品 食塩\n中華麺 菓子類 カップ・即席麺\n魚介類 喫茶代 果物\n大豆製\n果物\n品 乳製\nパ\n品\nン\n中華\nみ\n麺\nそ\n米 ミネラルウォーター 大豆製品\n乳製品 緑茶 ミネラルウォーター\nコー\n菓\nヒ\n子類\nー 大豆製\n果\n品\n物\n調理食\n油\n品\n脂\n食塩 野菜・海藻 菓子類\n緑茶 食塩 砂糖\n生うどん・そば みそ 乳製品\n油脂 生うどん・そば 米\n調理食品 梅干し・漬物 野菜・海藻\nカップ・\n小\n即\n麦\n席\n粉\n麺\n肉類\n卵\n生うど\nし\nん\nょ\n・\nう\nそば\n油\nみそ コーヒー 緑茶\nパン しょう油 梅干し・漬物\n喫茶代 魚介類 小麦粉\n卵 カップ・即席麺 魚介類\n炭酸飲料 炭酸飲料 コーヒー\n外食_喫茶と飲酒代以外 中華麺 外食_喫茶と飲酒代以外\n肉類 油脂 卵\nしょう油 小麦粉 喫茶代\n砂糖 米 パン\nミネラルウォーター 砂糖 肉類\n因子４(濃い味の因子) 因子5 (家での飲み物)\n-1.000-.800-.600-.400-.200 .000 .200 .400 .600 .8001.000 -1.000 -.500 .000 .500 1.000\n生うど し ん ょ 小 ・ う 麦 砂 み そ 粉 糖 そ ば 油 カップ コ 炭 ・ ー 酸 乳 即 ヒ 飲 製 油 席 品 脂 麺 ー 料\n油脂 パン\n食\n緑\n塩\n茶 果物\n卵\n肉類 生うどん・そば\n卵 喫茶代\n大豆\n乳\n製\n製品\n品 小\n中\n麦\n華\n粉\n麺\n菓子類 肉類\nコーヒー 菓子類\n魚介類 梅干し・漬物\n果物 野菜・海藻\nカップ・即席麺 ミネラルウォーター\n梅干し・\nパ\n漬\nン\n物\n大豆\n魚\n製\n介類\n品\n野菜・海藻 しょう油\n外食_喫茶と飲酒代以外 砂糖\n喫\n中\n茶\n華\n代\n麺\n調理食\n食塩\n品\nミネラルウォーター 米\n炭酸飲料 外食_喫茶と飲酒代以外\n調理食品 みそ\n米 緑茶\n図4：家計消費データからの因子の推定\n4",
    "2021H3-suri.pdf": "2021年度 統計データ分析コンペティション\n統計数理賞［高校生の部］\n求められている住宅\n森 颯太（香川県立高松商業高等学校）\n論文の概要\n空き家が増える原因を分析するために不動産価格予測ＡＩを作成し、住宅の条件を\n学習データとして用いることで、住宅の面積や築年数、最寄駅からの徒歩時間などの\n重要度が高いことを示した。結論として、住宅のリノベーションやリフォームに取り\n組むことによって空き家を減らすことを提案している。\n論文審査会コメント\n高校生がブラックボックス型の決定樹勾配ブースティング系AIを使うことはトレ\nンディであり、極めてチャレンジングである。前半に記述統計で仮説検定風の分析を\n試みているのも好ましいが、AIによる傾向を地域ごとに比較したことや、一定水準\nの考察を行ったこと、欠測値補完も行ったことは、先端的事例であり高く評価できる。\n---PAGE---\n求められている住宅\n森 颯太\n香川県立高松商業高等学校\n１．研究のテーマと目的\n近年、空き家の増加が問題視されている。総務省の平成 年住宅・土地統計調査によると、空き家率は ％\nと過去最高である（図 ）。空き家の内訳をみると、一戸建てやマンションを含む共同住宅の割合がほとんどで\nある（図 ）。空き家が増える原因としては、高齢者が転居し住む人がいなくなることや所有者を放置するとい\nったものがある。空き家が増えると、景観の悪化や悪臭の発生、老朽化による倒壊、空き家内部での犯罪や放\n火、所有者不明による共同住宅管理組合への負担増などといった問題が起こる。\nこの問題について調べているうちに、現在求められている戸建住宅やマンションの特徴を分析し、空き家の\nリノベーションによって不動産的価値を高め、顧客に魅力的な価格設定をすることで販売促進につなげられな\nいかという考えになった。そこで、統計データや を活用し、過去の不動産取引価格からどのような戸建住宅\nやマンションが求められているのか分析することを目的にして研究を行った。\n図 空き家数及び空き家率の推移（１） 図 建て方別空き家数の推移（１）\n２．研究の方法と手順\n最初にどのような地域に空き家が多い傾向があるかについて調べることとした。今回は、空き家が多くなっ\nている原因として つの仮説を立て、データ分析によって調べた。そして、地域別にどのような戸建住宅やマ\nンションが求められているのかを調べるため に過去の不動産データを学習させ、不動産取引の成約価格予\n測 をつくる。 が成約価格を予測する際には、取引で重要視されている項目を棒グラフに可視化し、分析\nした。\nを使用することによって、多変量解析を統計分析の手段の つとして活用することができる。 は、人\n間が行うものと比べ莫大なデータ数を扱うことができる。構築には、 と呼ばれるオープンソースの\nモデル構築手法を使用している。 は、データ分析コンペティションで最上位の解法としても頻繁に\n用いられる非常に強力なモデルである。 を実行する環境には、「 」を使用する。デー\nタ分析に使用したデータを表 に、 での戸建住宅・マンションの分析に使用した学習データを表 にまと\nめる。\n---PAGE---\n表１ 利用した教育用標準データセット\n使用データ 出 典 年 度\n高齢単身世帯数 総務省統計局「国勢調査報告」人口等基本集計\n（ 歳以上の者１人）\n歳未満人口 総務省統計局「国勢調査報告」人口等基本集計\n着工新設住宅戸数 国土交通省総合政策局「住宅着工統計」\n表２ に利用した学習データ\n使用データ 出 典 年 度\n空き家数 平成 年住宅・土地統計調査 住宅数概数集計 結果の概要\n東京不動産取引情報 国土交通省 不動産取引価格情報ダウンロード（２）\n大阪不動産取引情報 国土交通省 不動産取引価格情報ダウンロード（２）\n神奈川不動産取引情報 国土交通省 不動産取引価格情報ダウンロード（２）\n兵庫不動産取引情報 国土交通省 不動産取引価格情報ダウンロード（２）\n香川不動産取引情報 国土交通省 不動産取引価格情報ダウンロード（２）\n３．データセットの加工\n「東京不動産取引情報」と「大阪不動産取引情報」、「神奈川不動産取引情報」、「兵庫不動産取引情報」、\n「香川不動産取引情報」については、戸建住宅と中古マンションを別々に抽出し、欠損値の補完と必要であれ\nば名称の変換を行い、学習に使用した。使用した変数を以下の表にまとめる。\n表３ 戸建住宅分析に使用した変数\n使用変数 欠損値の補完方法と名称の変換、その他の処理\n地区名（ ） そのまま使用\n最寄駅（ ） に学習させるために（場所の名前）などを削除／欠損値を前後の値で補完\n徒歩分（ ） すべて分に換算／欠損値を平均値で補完\n土地面積（ ） そのまま使用\n土地形状（ ） 欠損値を前後の値で補完\n延床面積（ ） 欠損値を平均値で補完\n建築年（ ） 和暦表記を西暦表記に変換／欠損値を平均値で補完\n建物構造（ ） 欠損値を前後の値で補完\n成約価格 そのまま使用\n表４ 中古マンション分析に使用した変数\n使用変数 欠損値の補完方法と名称の変換、そのほかの処理\n地区名（ ） そのまま使用\n最寄駅（ ） 欠損値を前後の値で補完\n徒歩分（ ） すべて分に換算／欠損値を平均値で補完\n間取り（ ） 欠損値を前後の値で補完\n専有面積（ ） そのまま使用\n建築年（ ） 和暦表記を西暦表記に変換\n建物構造（ ） 欠損値を前後の値で補完\n容積率（ ） 欠損値を平均値で補完\n成約価格 そのまま使用\n---PAGE---\n表 、 の変数は に学習させる際に使用したものである。総データ数は約 件とし、 に学習させ\nるための データ 件、モデルの評価をするための データとして 件、過学習を防ぐため\nの データとして 件確保して学習を行った。そして、下にあるプログラム が により不\n動産過去データを学習させるプログラムで、プログラム が要素別の重要度を判断するプログラムである。\nプログラム の学習\nプログラム 要素別の重要度\n４．データ分析の結果\n高齢単身世帯数が多い地域ほど空き家が多いのではないか\n高齢者が多い地域では、住居の持ち主が死亡してしまったり、介護施設に入ったりすることで空き家に\nなってしまう。特に高齢者が単身で居住している世帯では、空き家となる可能性が高くなると考えこのよ\nうな仮説を立てた。\nこれを検証するために、都道府県別の空き家数と高齢単身世帯数（ 歳以上の方が 人で住んでいる世\n帯の数）との相関関係を調べた。その結果、相関係数は であり、正の相関がみられた（図 ）。\nつまり、高齢者が単身で居住している世帯が多い地域ほど、空き家数が多いといった傾向があることが分\nかった。したがって、この仮説は適切であった。\n---PAGE---\n空き家数と高齢単身者世帯数\n図 都道府県別の空き家数と高齢単身世帯数（縦軸：空き家数、横軸：高齢単身世帯数）\n少子化が進んでいる地域ほど空き家が多いのではないか\n少子化が進み、子どもの人数が少なくなると、あまり広い住居を必要としない世帯が増加し、部屋数の多\nい空き家が増えてしまうと考え、このような仮説を立てた。\nこれを検証するために、都道府県別の空き家数と 歳未満人口との相関関係を調べた。その結果、相関\n係数は であり、正の相関がみられた（図 ）。つまり、 歳未満の人口が多い地域であるほど空\nき家数が多い傾向があることが分かった。「少子化が進んでいる地域ほど空き家数が多いのではないか」と\nいう仮説は、否定された。\n空き家数と 歳未満人口\n図 都道府県別の空き家数と 歳未満人口（縦軸：空き家数、横軸： 歳未満人口）\n新設住宅が多い地域ほど空き家数が多いのではないか\n新設住宅の需要が多いと空き家の魅力が落ち、空き家のままとなってしまうことが多くなるのではない\nかと考え、このような仮説を立てた。\nこれを証明するために、都道府県ごとの空き家数と着工新設住宅戸数との相関関係を調べた。その結果、\n相関係数は であり、正の相関がみられた（図 ）。つまり、新設住宅の着工が多い地域であるほ\nど、空き家が多い傾向があることが分かった。したがって、「新設住宅が多い地域ほど空き家数が多いので\nはないか」という仮説は適切であった。",
    "2021H4-shorei.pdf": "2021年度 統計データ分析コンペティション\n統計活用奨励賞［高校生の部］\n外国人にとっての暮らしやすさとは\n谷 優輝（慶應義塾湘南藤沢高等部）\n論文の概要\n日本の少子高齢化による人口減少を解決するための足掛かりとして外国人の移住に\n着目し、都道府県別の外国人人口割合について相関分析を行うことで、快適な気候や\n日本語教育の質に加えて、工業が盛んな地域ほど外国人人口割合が高い傾向にあるこ\nとを示した。\n論文審査会コメント\n外国人人口割合に関する記述に基づく現状把握を基に実に多角的に仮説設定を行い、\n単純な相関分析ではあるが研究としての完結性が強く、意外性も高い高校生らしい興\n味深い研究である。\n---PAGE---\n外国人にとっての暮らしやすさとは\n谷優輝\n慶應義塾湘南藤沢高等部\n研究のテーマと目標及び問題背景\n日本の総人口は 年から年々減少しているのが現状である。 年に国立社会保障・人口問題研究所\nが公表した、「日本の将来推計人口」では、現在 年 の総人口のうち、 ％分の人口は 年の時点で\nいなくなってしまうと予測していた 。もちろん日本の総人口が減少しているということは、日本人の人口は年々減\n少している 図 のだが、その一方で外国人の人口は年々増加している。外国人人口について、総務省が\n年 月に発表した、「住民基本台帳に基づく人口、人口動態及び世帯数」によると、増加数や総人口に占める\n割合の観点において過去最高を記録していた 図 、図 。加えて、海外から移住してくる外国人の年齢構成は\n歳から 歳までが全体の約 ％を占めていて、日本人よりも若い年齢構成になっている 。このことから、外\n国人に日本へ移住してもらうということは日本の人口減少、さらには少子化といった現状を解決するための足掛\nかりになるのではと考えた。そこで、海外から外国人が移住したいとなる要因や要素となりえるものの仮説をた\nて、分析し、考察した。\n図 日本在住の日本人人口の推移 図 日本在住の外国人人口の推移\n出典 人口推計 総務省統計局統計調査部国勢統計課\n人口推計の日本人人口 確定値 の月初人口 ～\n及び 外国人人口 「総人口 確定値 – 日本人人口\n確定値 」を使用して でグラフを作成した。\n年別の外国人人口割合は外国人人口 総人口＊\nで算出した。\n図３．日本在住の外国人人口割合の推移\n---PAGE---\n研究の方法と手順\n初めに、実際に外国人人口割合がどのような地域で高いのかについて分析を行った。また、外国人\nがどのような目的で日本に住んでいるかといった背景を踏まえて、様々な観点から外国人人口の割合\nが高くなる要因の仮説をたてた。そして、立てた仮説と外国人人口割合のそれぞれの都道府県別のデ\nータから演算ソフト を用いてデータの分析を行い、ピアソンの積率相関係数を用いて検証を行っ\nた。最後に検証結果から、立てた仮説は外国人が暮らしやすい町の要因といえるかどうかの考察を行\nい、結論づけた。\nデータセットの加工\n表 使用した変数一覧\n使用変数 出典\n年別国内日本人人口 人 「人口推計」 総務省\n日本人人口の月初人口 ～ 年\n都道府県別\n総人口 人 「人口推計」 総務省統計局 年\n都道府県別 「在留外国人統計」\n外国人人口 人 法務省出入国在留管理庁\n都道府県別\n年間平均気温 [℃] 「過去の気象データ」 気象庁観測部 年\n都道府県別 「統計でみる都道府県のすがた 」\n年間相対湿度 総務省統計局 年\n都道府県別 「平成 年度日本語教育実態調査」\n日本語教育実施機関・施設等数 一般 件 文化庁日本語教育小委員会 年\n都道府県別 「平成 年度日本語教育実態調査」\n日本語の常勤教師数 人 文化庁日本語教育小委員会 年\n都道府県別 「労働力調査（基本集計）」\n完全失業率 総務省統計局 年\n都道府県別 「工業統計調査」\n製造物出荷額 億円 経済産業省 年\n表 使用した指標一覧\n指標 計算方法\n年別国内外国人人口 人 総人口 人 ― 日本人口 人\n市区町村別の外国人人口割合 の外国人人口 総人口 ＊\n都道府県別の外国人人口割合 外国人人口 の総人口 ＊\n---PAGE---\nデータの分析の結果\n市区町村別外国人人口割合の分析\n図 の箱ひげ図を見ると、ほとんどの市区町村の外国人\n人口割合が 以下であることがわかる。実際に、外国人人\n口割合が 以下の市区町村は全体数である の内、\nを占めている。一方で、 を超えている、飛び抜け\nて外国人人口割合が高い市区町村は、長野県川上村\n、群馬県大泉町 そして長野県南牧村\nの 町村であった。３町村の内、２つが長野県に\n属しているということで、長野県は全国的にみて、外国人\n人口の割合が高い地域なのかということを都道府県別外国 図 市区町村別の外国人人口割合\n人人口割合をもとに、図 の人口と外国人人口割合の散布図を見 最低値\nると、日本の都道府県の中で最も外国人人口割合が高い都道府県 第一四分位\nは東京都、次点に愛知県そして 番目が群馬県であることが分か 中央値\nる。一方で長野県はというと、確かに平均よりは高い割合で外国 平均値\n人が暮らしているものの、県単位で見ると、“長野県だから”外 第三四分位\n国人人口割合が高いと考えるよりは、長野県川上村や長野県南牧 最大値\n村が独立的に高い外国人人口割合だったと判断するのが妥当であ\nると考えられる。\n人口と外国人人口割合の関係\n図 の散布図を人口との関係に着目しながら見ると、 東京都\n4\n“都道府県内の人口が多ければ、その地域の外国人人口 愛知県\n割合は高まる”という正の相関が成立していると捉える 群馬県\n%) 3 三重県\nことができる。この つの変数間にある関係の強さをピ 合( 岐阜県 千葉県 大阪府\n割\n口 埼玉県 神奈川県\nアソンの積率相関係数で数値化すると、 となり、 人\n人 2 長野県\n国 兵庫県\n変数には直線的な相関を認めることができる。また、回 外\n福岡県\n帰直線も図 のように引くことが出来る。確かに、オレ\n1\nンジで囲まれた部分のように、人口が増えれば外国人人 北海道\n口の割合が高まるというのは間違いないと判断して良さ\n2.0e+06 6.0e+06 1.0e+07 1.4e+07\nそうである。しかし、青で囲まれた部分に注目するとほ\n人口(人)\nとんど同じ人口帯であるにも関わらず、外国人人口割合 図 都道府県別の人口と外国人人口割合\nが ％から ％まで幅広く分布していることがわかる。これは人口が仮に少なくても、何らかの独立し\nた要因によって、外国人人口が総人口に占める割合は高くなるということを示していると判断でき\nる。そして、人口が少なくても外国人人口割合が高い都道府県があるということは、本論文の少子高\n齢化を防ぐために外国人人口を増やそうという目的を達成させるためへのとても重要な要素である。\nそこで、ここからは青枠の中にある都道府県 人口が 万以下のみ を抽出したうえで、群馬県や三\n重県などの外国人人口割合が高くなっている要因を考えていく必要がある。\n除外する都道府県…北海道、埼玉県、千葉県、東京都、神奈川県、愛知県、大阪府、兵庫県、福岡県\n---PAGE---\n日本で暮らす外国人の内訳\n外国人はどのような目的で日本で暮らしているのか\nについては図 の円グラフで示す 。グラフに書いてあ\n永住者\nその他\nる技能実習というのは、母国の発展のために、日本で\n技術を学びに来ることを指している。そうすると、日\n本で暮らしている外国人は永住を目的としている外国\n人がいる一方で、技能実習や国際業務、留学といった\n学習や労働を目的とした外国人も一定数いることがこ 技能実習\n留学\nのグラフから読み取れる。技能実習生の職種の内訳に\n特別永住\n国際業務\nついてを図 に示すと、技能実習生は機械・金属関係 者\nや食品製造関係、繊維・衣服関係といった工業関連の\n職業が大半を占めていることがわかる 。\n外国人人口割合が高くなる要因の仮説 図 外国人の日本在留目的の割合\n仮説を つ立てていく。 つ目は、永住を目的とした\n出典法務省が作成した 年 月度の\n時に、気候は重要な要素である。わざわざ極端に気温が\n「在留外国人統計」から、在留資格別の\n高かったり低かったりする地域や常に湿気が多い地\n構成比を使用して、 で作成した。\n域を選んで住む人は少ないだろう。そこで県別の『年平\n均気温』と『年平均湿度』は要因の一つだと考えた。\nつ目は、言語である。日本語が話せないと日本で生活し\nていくのは困難を極める 。そこで、公的な大学機関な\n機械・\nどを除いた、地方公共団体や国際交流協会といった\nその他 金属\n『一般の日本語教育実施機関・施設』や『日本語常勤教\n師』といった指標を用いて、外国人に対する日本語教育\nの質が外国人人口割合を決定する要因の一つだと考え\n建設\n繊維・\nた。最後は労働環境である。 であげた技能実習を受 衣服\nけ入れるということは就職に余裕がある地域の方が外国\n食品製\n農業\n人を受け入れやすそうなので、『完全失業率』も関係し 造\nていると考えた。また、図７からわかるように、技能実\n習生が受けいれられる大半の職種は工業関連であるた\nめ、『製造品出荷額』が高い地域ほど、需要が高まり、 図 技能実習生の職種内訳\n沢山の技能実習生が集まるのではないかと考えた。以上\n出典 外国人技能実習機構が作成した平成\nより、外国人の人口割合は『年平均気温』『年平均湿度』\n年度の「外国人技能実習機構業務統計」\n『一般の日本語教育実施機関・施設』『日本語常勤教師』\nから、職種内訳の構成比を割り出し\n『完全失業率』『製造品出荷額』という要因に影響されて\nで作成した。\nいると、仮説を立てた。",
    "2021H51-toku1.pdf": "2021年度 統計データ分析コンペティション\n特別賞（統計分析）［高校生の部］\n男女別の自殺に至る要因について\n河又 杏香（慶應義塾湘南藤沢高等部）\n論文の概要\n男女別の自殺について、自殺するに至った要因を自然環境、社会的要因、食生活、\n身辺の事情、生活行動の５つに分類し、自殺による死亡率との相関分析を行った。結\n論として、男性の自殺要因は労働条件、女性の自殺要因は病院や健康に関する問題が\n大きいことを示した。\n論文審査会コメント\n複数のデータを用いて相関分析で要因を探っている点は興味深い。自殺という複雑\nな問題に対して高校生らしい仮説を提示し、一定の関係性を示したことは高く評価で\nきる。擬似相関の検討、制御変数の導入なども高い実証能力を示しているが、結論の\n妥当性については更なる検証が必要である。\n---PAGE---\n男女別の自殺に至る要因について\n河又杏香\n慶應義塾湘南藤沢高等部\n1. はじめに\n1.1研究のテーマと目的\n新型コロナウイルスの感染が大きく拡大した2020\n年、世界中の人類の生活は一変し、それまでとは違った\nライフスタイルや他人との関わりを強いられるようにな\nった。今までとは全く違う生活に対するストレス、仕事\nが思うようにいかず家計が逼迫することによるストレス\nなどが増えている中で、リーマン・ショック後の2009\n年に増加して以来減り続けていた自殺者が2020年に11\n年ぶりに増加した(図1)。リーマン・ショックも\n新型コロナウイルスも世界経済に大きく影響を 厚生労働省「令和2年中における自殺の概況図表元データ 自殺者の年次推移」より\n及ぼしたこともあり、経済的な理由が自殺者数 表計算ソフトウェアExcelで作成\nの変化に影響を及ぼしているとする見方は多く\nある。そこで、コロナ禍という特殊な状況ではなかった2015年の自殺率に影響を及ぼした要因を多方面から\n調べることで、現在の新型コロナウイルスのまん延による自殺率の増加およびこれからの自殺率の増減につ\nいて考え対策するにあたってどの要因を主に考えるべきなのかを考察した。\n1.2自殺率の男女差について\n図1からわかるように、男女で自殺率がどの年でも大きな差があり、\n男性が女性の2倍以上の自殺率である期間が多い。また、都道府県別の\n男性と女性の自殺率について、相関係数が0.2032165と相関はあるも\nのの弱く、散布図を描いてみても(図2)あまり特徴がわからなかった。\nこのことから、男女では自殺の要因となるものは違うと考え、それぞ\nれの自殺の要因を別で調べて、自殺に関する男女の違いについて考察す\nる必要があると考えた。\n図2：男性と女性の自殺による死亡率の散布図\n2. 研究の方法 厚生労働省「人口動態統計特殊報告」(2015年)より\nこの研究では、まず自殺するに至った要因を「自然環境による要 統計分析ソフトウェアRで作成\n因」「社会的な要因」「食生活の要因」「身辺の事情による要因」「生\n活行動の要因」の5つに分類し、それぞれについて自殺率に影響を及ぼしていると考えられるさらに細かい\n要因についての仮説を立て、その指標を求めるためのデータおよび都道府県別の自殺率を集め、統計分析ソ\nフトウェアRを用いて仮説を検証した。その検証をもとにさらに妥当性を検証したり要因同士の関係性を調\nべたりすることで、性別による自殺の原因の違いやこれから自殺率を減らすためのアプローチの方法を男女\nそれぞれについて提案した。\n1\n---PAGE---\n3. データセットの加工\n表3：使用したデータおよび出典一覧\n使用した変数 出典\n完全失業者数(男・女)[人]、就業者数(男・女)[人] SSDSE-A-2021(2015年)\n降水日数(年間)[日]、降水量(年間)[mm]、総人口[人]、小学校児童数[人]、小\n学校教員数[人]、中学校生徒数[人]、中学校教員数[人]、高等学校生徒数 SSDSE-B-2021(2015年)\n[人]、高等学校教員数[人] 、一般病院数[軒]\n牛乳、粉ミルク、ヨーグルト、チーズ、ヨーグルト、バター、チーズ、他の乳\n製品、しらす干し、豆腐、油揚げ・がんもどき、納豆、他の大豆製品、魚介類、\nSSDSE-C-2021(2018年~2020年の平均値)\n卵、生しいたけ、しめじ、えのきたけ、他のきのこ、ほうれんそう、ブロッコ\nリー、にんじん、かぼちゃ、トマト、ピーマン、酒類[単位は全て円]\n介護関係、趣味・娯楽の総数、スポーツの総数、旅行・行楽の総数[単位は全\nて%] SSDSE-D-2021(2016年)\n学業、仕事、睡眠、休養・くつろぎ[単位は全て分]\n森林率・人工林率[％] 林野庁「都道府県別森林率・人工林率」(2017年)\n平均月間賃金[*1000円] 厚生労働省「平成27年賃金構造基本統計調査」\n厚生労働省「平成14年度から令和元年度までの地\n最低賃金[円]\n域別最低賃金改定状況」(2015年)\n面積[km2] 国土交通省国土地理院「面積調」(2015年)\n総務省統計局「都道府県, 世帯人員別一般世帯数と\n一般世帯数[*1000世帯]\n世帯の種類別世帯人員」(2015年)\n総務省 国勢調査「母子世帯, 父子世帯数–全国, 都\n母子世帯, 父子世帯数[世帯]\n道府県(平成2年〜27年)」(2015年)\n入院受療率、外来受療率[人/100000人] 厚生労働省「患者調査」(2014年)\n年齢調整死亡率・自殺[人/100000人] 厚生労働省「人口動態統計特殊報告」(2015年)\n表4：使用した指標と計算方法一覧\n指標 計算方法\n人口密度[人/km2] 総人口/面積\n教師一人あたりの生徒数[人] (小学校児童数+中学校生徒数+高校生徒数)/(小学校教師数+中学校教師数+高校教師数)\n完全失業率(男・女)[%] {完全失業者数/(完全失業者数+就業者数)}*100\n(牛乳+粉ミルク+ヨーグルト+チーズ+ヨーグルト+バター+チーズ+他の乳製品+しらす干し+\nカルシウムを含む食品[円]\n豆腐+油揚げ・がんもどき+納豆+そのほかの大豆製品)/13\nビタミンDを含む食品[円] (魚介類+卵+生しいたけ+しめじ+えのきたけ+他のきのこ)/6\nビタミンAを含む食品[円] (ほうれんそう+ブロッコリー+にんじん+かぼちゃ+トマト+ピーマン)/6\n離婚率[/1000人] (離婚件数/日本人人口)*1000\n母子・父子世帯率[%] 母子・父子世帯数/(一般世帯数*10)\n人口1000人あたりの病院数[軒] (一般病院数/総人口)*1000\n※SSDSE-C-2021およびのデータは、各都道府県の県庁所在地のデータをその都道府県のデータとして扱う\n2\n---PAGE---\nこととする。\n4. データ分析の結果\n4.1仮説\n2の項目で述べたように、男女それぞれの自殺に至る要因を「自然環境による要因」「社会的な要因」「食\n生活の要因」「身辺の事情による要因」「生活行動の要因」の5つに分けたのち、さらにそれぞれを細分化し\nた要素で考えていく。\n自然環境による要因のうち自殺率と相関があると考えられるのは、降水日数、降水量、森林・人工林率\nだ。降水日数と降水量については、雨が多く降る時は低気圧の状態の時が多くうつ状態になりやすいため、\n森林・人工林率については、より多くの自然に囲まれて過ごすほどうつ状態になりづらいため、自殺率と関\n係あるのではないかと考えた。\n社会的な要因は、平均月収、最低賃金、人口密度、教師一人あたりの生徒数、完全失業率があげられる。\n平均月収や最低賃金、失業率は労働関係の問題が、教師一人あたりの生徒数はいじめの抑止力の程度が、人\n口密度は日常的に接する人の数が自殺率に影響を及ぼすと考えた。\n食生活の要因には、カルシウム、ビタミンD、ビタミンA、酒類の摂取量が挙げられる。カルシウムは脳\n神経の興奮を抑える働きをするため、日常的にカルシウムを体内に摂取することがイライラすることを減ら\nすことに役に立つ。よってカルシウムを多く含む食べ物、カルシウムの吸収を促進するビタミンD、カルシ\nウムを骨にするビタミンAを多く含む食べ物を日常的に摂取する量によって自殺率の変化があるのではない\nかと考えた。また、酒類は一時的にストレスをごまかすためによく摂取されるため、酒類を摂取する量によ\nって抱えるストレスを測ることができると考えた。SSDSE-Cは厳密にはその食材に使った金額だが、それは\nほとんどその食べ物を摂取した量と考えてよいこととした。\n身辺の事情による要因には、離婚率、父子・母子世帯率、入院患者率、外来患者率が挙げられる。これら\nは、無意識にストレスや負担がかかることなので、自殺率に影響すると考えた。\n生活行動の要因としては、学業、仕事、睡眠、休養・くつろぎにかけた時間や、介護関係、趣味・娯楽、\nスポーツ、旅行・行楽をしているかがあげられる。学業については不登校などによって学業にかける時間が\n変わるため、仕事は過労かどうかを測ることができるため、睡眠、休養・くつろぎ、介護関係はそれにかけ\nる時間ややるかやらないかによって貯まるストレスも違うため、趣味・娯楽、スポーツ、旅行・行楽は好き\nなことや楽しいことをやることでストレスを解消することができるため、自殺率に影響すると考えた。\n以上の仮説をまとめると、自殺率との相関係数の正負が表5のようになると予想した。\n表5：仮説のまとめ\n自然環境による要因 社会的な要因\n降水日数 降水量 森林・人工林率 平均月収 最低賃金 人口密度 教師一人あたり生徒数 完全失業率\n食生活の要因 身辺事情による要因\nカルシウム ビタミンD ビタミンA 酒類 離婚率 父子・母子世帯率 入院患者率 外来患者率\n生活行動による要因\n学業 仕事 介護関係 趣味・娯楽 スポーツ 睡眠 休養・くつろぎ 旅行・行楽\n(凡例：正の相関→■ 負の相関→■)\n3\n---PAGE---\n4.2データ分析の結果\n男女それぞれの自殺率と4.1であげた要素全てとの相関係数を算出したものを要因ごとに下の表6~10にま\nとめ、凡例に従って色分けをした。 凡例 (赤字…p値＜0.05)\n表6：自然環境による要因と自殺率の相関係数 ■… 0.4<r(相関係数)≦1.0\n降水日数 降水量 森林・人工林率 ■… 0.2<r≦0.4\n男性自殺率 0.1892666 -0.1264948 0.2891686 □… -0.2<r≦0.2\n女性自殺率 -0.2720383 -0.3876141* -0.1450716 ■… -0.4<r≦-0.2\n表7：社会的な要因と自殺率の相関係数 ■… -1.0<r≦0.4\n平均月収 最低賃金 人口密度 教師一人あたり生徒数 完全失業率\n男性自殺率 -0.3681953* -0.4985958* -0.3484553* -0.3917334* 0.08647537\n女性自殺率 0.2598133 0.2394296 0.1531512 0.2162066 0.03220396\n表8：食生活の要因と自殺率の相関係数\nカルシウム ビタミンD ビタミンA 酒類\n男性自殺率 -0.124765 -0.1002746 -0.22498 -0.3887164*\n女性自殺率 0.3667838* 0.05206311 0.2489419 0.01988522\n表9：身辺事情による要因と自殺率の相関係数\n離婚率 父子/母子世帯率 入院患者率 外来患者率\n男性自殺率 -0.09331021 0.2260748 0.1125827 -0.0273847\n女性自殺率 -0.02504564 -0.2988605* -0.332586* -0.2530422\n表10：生活行動による要因と自殺率の相関係数\n学業 仕事 介護関係 趣味・娯楽の総数 スポーツ 睡眠 休養・くつろぎ 旅行・行楽\n男性自殺率 -0.2988691* 0.2714662 0.009313488 -0.5175879* -0.560301* 0.6107483* 0.2736665 -0.4192268*\n女性自殺率 -0.07702816 -0.08670267 -0.1951387 0.2080845 0.1939965 -0.06961662 -0.1304227 0.2343289\n「自然環境による要因」では、男性は森林・人工林率が正の、女性は降水日数と降水量が負の弱い相関を示\nした。「社会的な要因」では、男性は平均月収、最低賃金、人口密度、教師一人あたりの生徒数で負の相関を\n示し、最低賃金との相関は他より特に大きかった。女性は平均月収、最低賃金、教師一人あたりの生徒数で\n弱い正の相関を示した。「食生活の要因」では、男性がビタミンAと酒類で負の、女性はカルシウムとビタミ\nンAで正の弱い相関を示した。「身辺事情による要因」では、男性は父子世帯率が正の、女性は母子世帯率、\n入院患者率、外来患者率で負の弱い相関を示した。「生活行動による要因」では、男性は学業で負の、仕事と\n休養・くつろぎで正の弱い相関を示し、趣味・娯楽とスポーツで負の、睡眠で正のやや強い相関を示した。\n女性は趣味・娯楽と旅行・行楽で正の弱い相関を示した。\nまた、相関係数の絶対値が0.2より大きかったものについてp値を求め無相関の検定を行った。その結果有\n意水準5%で有意であると判定できたのは、表中に*で示した相関係数だった。\n5. 結果の解釈\n5.1表5の仮説の検証\nここでは、分析の結果相関係数の絶対値が0.2より大きくかつp値の算出によって有意であると判定され\n4",
    "2021H52-toku2.pdf": "2021年度 統計データ分析コンペティション\n特別賞（統計分析）［高校生の部］\nごみの排出量と人口構成比に関する定量分析\n杉本 歩優（お茶の水女子大学附属高等学校）\n論文の概要\n都道府県別の１人当たりごみ排出量について、男女割合、外国人人口割合、年代別\n人口割合を用いて偏相関分析を行い、仮説とは逆に男性割合と外国人割合が高いほど\nごみ排出量が少ない傾向があることを示した。\n論文審査会コメント\n男女年齢別にごみの排出量を考えるのは面白い視点である。自分なりの仮説あるい\nは先行研究のデータ検証を試みており、偏相関なども活用していて素朴な記述とレポ\nートの流れが好ましい。\n---PAGE---\nごみの排出量と人口構成比に関する定量分析\n杉本歩優\nお茶の水女子大学附属高等学校\n１．研究のテーマと目的\nごみ処理場不足や、ごみ処理にかかるコストの増大など、ごみに関する問題が多くある。そんな中で、\n「都道府県別 1 人 1 日当たりのごみの排出量少なさランキング」（１）というものを目にした。そのランキ\nングでは 1 位が長野県（811ｇ/人日）で47 位が富山県（1045ｇ/人日）だった。この二つの県は隣接して\nいるのにもかかわらず大きな差があることに興味を抱いた。\nそのランキングを掲載している記事では、上位の都道府県が行っているごみの排出量削減のための対策\nを示し、ごみの排出量が少ない要因として挙げていた。例として、六年連続第一位の長野県では食品ロス\n削減の取り組みである「食べ残しを減らそう県民運動 ～e-プロジェクト～」や「信州プラスチックスマー\nト運動」など、さまざまな取り組みを実施しており、それによって県民の意識が高まっているという。\nしかし、そのようなごみを減らすための取り組みとは別に、潜在的にごみの排出量と相関関係を持つも\nのはないのか考えた。ごみの排出量が少ない理由を自分なりに考え、それを検証していくことでごみの排\n出量に関するデータを見つけ、新しい観点からごみ問題をとらえることを目的とする。\n２．研究の方法と手順\nこの研究では、各都道府県のごみの排出量と因果関係があるものが何かを調べる。今回は人口という\n観点から①総人口に占める男性・女性の割合、②総人口に占める外国人人口の割合、③年齢別（15歳未\n満、15～64 歳、65歳以上）の人口割合と、各都道府県の 1 人 1 日当たりのごみの排出量（合計、生活\n系、事業系）との相関を調べる。\n研究の手順としては、上記で絞った人口5観点、ごみ3観点において参考にした資料の中から2018年\n度のものを抽出する。抽出したデータを用いて必要なデータを計算によって導く。そのなかで適切なデ\nータ同士を対応させ、それによって相関関係を分析する。\n３．データセットの加工\n使用したデータおよびその出典と年度を表 に示した。また、表 のデータを利用して求めた新たな\n指標を表 に示した。表 の計算方法で述べられている名称は表 のものと対応している。\n表１ 利用したデータ 表２ 加工したデータ\n項目 出典 年度 求めた指標名 計算方法\n1人１日当たりのごみの排出量の合計\n総人口に占める男性の割合 総人口（男）÷総人口\nごみの\n1人１日当たりの生活系ごみの排出量 (２)\n排出量 外国人人口 総人口ー日本人人口\n1人１日当たりの事業系ごみの排出量\n総人口に占める外国人人口の割合 外国人人口÷総人口\n総人口\n総人口に占める15歳未満人口の割合 15歳未満人口÷総人口\n総人口（男）\n総人口（女） 総人口に占める15～64歳人口の割合 15～64歳人口÷総人口\n人口 日本人人口 総人口に占める65歳以上人口の割合 65歳以上人口÷総人口\n15歳未満人口\n15～64歳人口\n65歳以上人口\n---PAGE---\n４．データ分析の結果\n4.1 結果\n①男女の割合とごみの排出量の相関 ②外国人人口の割合とごみの排出量の相関\n人１日当たりのごみの排出量と男性の割合 外国人人口割合と 人 日当たりのごみの排出量の関係\n図 －\n図 －\n人１日当たりの生活系ごみの排出量と男性の割合 外国人人口割合と 人 日当たりの生活系ごみの排出量の相関\n図１‐\n図 －２\n人１日当たりの事業系ごみの排出量と男性の割合\n外国人人口割合と 人 日当たりの事業系ごみの排出量の関係\n図 －\n図 －３\n縦軸：人口に占める男性の割合 縦軸：人口に占める外国人人口の割合\n横軸：図 － は合計、図１－２は生活系、図１－３は事業系ごみの 横軸：図２－１は合計、図２－２は生活系、図２－３は事業系ごみ\n排出量 単位 の排出量単位\nを使って散布図に示した。 を使って散布図に示した。\n図 － より、 人１日当たりの事業系ごみの排出量が増えるほど男性の割合が小さくなっている。\nこのことから、女性の割合と事業系ごみの排出量には正の相関がある、と言える。【考察 】\n図 － より、 人 日当たりの事業系ごみの排出量が増えるほど外国人人口割合が小さくなって\nいることがわかる。この結果から、外国人人口の割合と事業系ごみの排出量には負の相関があるとい\nえる。【考察２】\n図 － は図 － と図 － の合計を示したものなのでここでは言及しない\n---PAGE---\n③年齢別人口割合とごみの排出量\n人 日当たりの生活系ごみの排出量と 歳未満人口の割合 人 日当たり事業系ごみの排出量と 歳未満人口の割合\n図 － 図 －\n縦軸：人口に占める 歳未満人口の割合 縦軸：人口に占める 歳未満人口の割合\n横軸：は生活系ごみの排出量 単位 横軸：事務系ごみの排出量 単位\n人１日当たりの生活系ごみの排出量と ～ 歳の人口割合 人１日当たりの事業系ごみの排出量と ～ 歳の人口割合\n図 － 図４－２\n縦軸：人口に占める ～ 歳人口の割合 縦軸：人口に占める ～ 歳人口の割合\n横軸：生活系ごみの排出量 単位 横軸：事務系ごみの排出量 単位\n人 日当たりの生活系ごみ排出量と 歳以上人口の割合 人 日当たりの事業系ごみの排出量と 歳以上の人口の割合\n図 － 図 －\n図 － 図 －\n縦軸：人口に占める 歳以上人口の割合 縦軸：人口に占める 歳以上人口の割合\n横軸：生活系ごみの排出量 単位 横軸：事務系ごみの排出量 単位\n図３－１から図５－２は、 を使って散布図を作成した。※合計のごみの排出量の散布図は省略した。\n---PAGE---\n前ページの図 － 、 、図 － 、 より、生活系ごみ、事業系ごみ共にごみの量が大きくなるほど\n歳未満人口、 ～ 歳人口の総人口に占める割合が小さくなる傾向が見られる。（ 歳未満の人口割合\nと事業系ごみの排出量については正の相関がみられたが、相関係数は約 であり、相関関係はほぼ\nないとする。）また、図 － 、 より、生活系ごみ、事業系ごみ共にごみの量が大きくなるほど 歳以\n上人口の総人口に占める割合が大きくなる。\nこのことから、 歳以上の人口割合とごみ（総合）の排出量には正の相関関係がある、と言える。\n【考察 】\n4.2 相関係数による分析\nで散布図を作成した人口 観点、ごみ 観点に対して、相関係数を求めたものを表 にし\nた。ただし、年齢別人口割合のごみの排出量（合計）の散布図は未作成なので、表 の相関係\n数のみである。\n表３ 人口5観点、ごみ3観点の相関係数の表\nデータ1 データ２ 相関係数 相関\n相関係数の絶対値が\n男性の割合 ごみの排出量（合計） ×\n未満：×\n男性の割合 生活系ごみの排出量 ×\n男性の割合 事業系ごみの排出量 〇 （相関はほぼない）\n外国人人口割合 ごみの排出量（合計） 〇\n外国人人口割合 生活系ごみの排出量 × 以上 未満：〇\n外国人人口割合 事業系ごみの排出量 〇 （弱い相関がある）\n15歳未満人口割合 ごみの排出量（合計） 〇\n15歳未満人口割合 生活系ごみの排出量 〇 相関係数が正：正の相関がある\n15歳未満人口割合 事業系ごみの排出量 × 相関係数が負：負の相関がある\n15～64歳人口割合 ごみの排出量（合計） 〇\n正の相関があるときは桃色、負\n15～64歳人口割合 生活系ごみの排出量 ×\nの相関があるときは水色で示し\n15～64歳人口割合 事業系ごみの排出量 〇\nた。\n65歳以上人口割合 ごみの排出量（合計） 〇\n65歳以上人口割合 生活系ごみの排出量 ×\n65歳以上人口割合 事業系ごみの排出量 ×\n相関係数の絶対値が 以上のものは相関があるとし、分析を進める。すると、相関があると考えられ\nるのは、以下のとおりである。男女の割合、外国人人口割合、年齢構成が影響している。\nよって、【考察 】～【考察 】と合わせて原因を考えることにする。\n正の相関 負の相関\n総ごみの排出量 歳以上人口割合 外国人人口の割合\n歳未満人口、 ～ 歳人口割合\n事業系ごみの排出量 男性の割合、外国人人口の割合\n歳未満人口、 ～ 歳人口割合",
    "2021H53-toku3.pdf": "2021年度 統計データ分析コンペティション\n特別賞（統計活用）［高校生の部］\n学習意欲を高めるために\n～日本の教育を見直す～\n遠藤 沙恵（慶應義塾湘南藤沢高等部）\n論文の概要\n学習意欲について、安定した生活、教育、趣味娯楽、自然環境との相関分析を行い、\n趣味娯楽と学習意欲の相関が高い一方で、自然環境、エンゲル係数や所得などの生活\n水準は相関が低いことや、図書館数や教員一人当たり児童・生徒数は学習意欲への影\n響が低いことを示した。\n論文審査会コメント\n学習意欲を高める要因を探し、日本の教育を見直すというテーマ設定は興味深く、\nSSDSEの多様な側面を利活用して多角的な相関分析を実施しており、データ記述や変\n換なども丁寧に書かれている。\n---PAGE---\n学習意欲を高めるために\n～日本の教育を見直す～\n遠藤沙恵\n慶應義塾湘南藤沢高等部\n研究のテーマと目的\n現在日本では多くの大学が大都市圏にあり、入学・進学といった理由で毎年地方から若者がいな\nくなっている。令和元年度の文部科学省の学校基本統計 によると、大学進学時の都道府県別流\n入・流出率は 都道府県で正の値（流入超過）、 都道府県で負の値（流出超過）をとってい\nる。京都や東京では流入率が を超えている一方、香川では流出率が となっているのが\n現状だ。\nまた、学習・自己啓発・訓練の行動者率の上位 県に、流入超過であ\n青： 以上 未満\nる 都道府県のうち石川県を除く 都道府県が含まれている。実際、地 水： 以上 未満\n黄： 以上 未満\n域別の学習・自己啓発・訓練の行動者率のヒートマップ（図 ）からも、 橙： 以上 未満\n赤： 以上\n大学進学時に若者が多く移住する都会では学習意欲が高いと考えられる。\nでは、人々の学習意欲の差は何によって生まれるのだろうか。学習意欲は何\nに影響されるのだろうか。どのようにすれば学習意欲を高めることはできる\nのだろうか。本研究ではこのような問を軸に、統計データを用いて学習\n図 地域別の学習・自己啓発・訓練の行動者率\n意欲に関する分析・考察を行った。\n研究の方法と手順\nこの研究では、学習意欲に影響を与える要素をいくつか推測し、教育用標準データセット\n（ ）やその他のデータを統計分析ソフトウェア で分析し相関関係及び無相関の検定におけ\nる 値（相関係数の絶対値が 以下のもののみ）を明らかにした。また、それらの結果から日本の\n教育システムについての考察を行った。\n本研究では の生活行動に関する結果から、自由時間等での 種類の活動のうち\n「学習・自己啓発・訓練の総数」について、過去 年間に活動した人の割合（行動者率）が高いほ\nど自由時間を学習に使っている、つまり学習意欲が高いとする。また、学習意欲というのは学生の\nものだけでなく、 歳以上の人全員のものとする。\nデータセットの加工\n使用したデータと出典及び作成した指標とその計算方法はそれぞれ表 、表 のようになってい\nる。また、使用したデータは全て都道府県別である。\n表 使用したデータ一覧\nデータ名 出典\n≪人口≫ （ 年）\n総人口（人） 総人口のみ 年のデータも使\n≪教育≫ 用\n---PAGE---\n小学校教員数（人）、小学校児童数（人）、中学校教員数（人）、中学校生徒数（人）、高\n等学校教員数（人）、高等学校生徒数（人）\n≪家計≫\n消費支出（二人以上の世帯）（円）、食料費（二人以上の世帯）（円）、教育費（二人以上\nの世帯）（円）、教養娯楽費（二人以上の世帯）（円）\n≪生活行動偏≫ （ 年）\n学習・自己啓発・訓練（総数）（ ）、美術鑑賞 （テレビ・スマートフォン・パソコンな 集計の対象は 歳以上\nどは除く）（％）、演芸・演劇・舞踊鑑賞 （テレビ・スマートフォン・パソコンなどは除\nく）（％）、ＣＤ・スマートフォンなどによる音楽鑑賞（％）、楽器の演奏（％）、趣味と\nしての読書（％）、テレビゲーム・パソコンゲーム （家庭で行うもの、携帯用を含む）\n（％）、遊園地・動植物園・水族館などの見物（％）、旅行・行楽（総数）（％）\n≪生活時間編≫\n睡眠（分）、学業（分）、テレビ・ラジオ・新聞・雑誌（分）、スポーツ（分）\n図書館数（館） 社会教育調査（ 年）\n総面積（北方地域及び竹島を除く）（ ） 全国都道府県市区町村別面積調、\n国勢調査（ 年）\n森林面積（ ） 農林業構造統計（農林業センサ\nス・世界農林業センサス）（\n年）\n評価総地積（課税対象土地）（ ）、評価総地積（田）（ ）、評価総地積（畑）（ ） 固定資産の価格等の概要調書（土\n地）（ 年\n表 作成した指標一覧\n指標名 計算方法\nエンゲル係数（ ） 食料費（二人以上の世帯）（円） 消費支出（二人以上の世帯）（円）× 100\n（ 年）\n小学校・中学校・高等学校の教員一人当た 小学校児童数（人） 小学校教員数（人）（ 年）\nりの児童・生徒数（人） 中学校生徒数（人） 中学校教員数（人）（ 年）\n高等学校生徒数（人） 高等学校教員数（人）（ 年）\n人口 万人当たりの図書館数（館） 図書館数（館） 総人口（人）（ 年）\n森林面積割合（％） 森林面積（ ） 総面積（北方地域及び竹島を除く）（ ）（ 年）\n評価総地積割合（田）（％） 評価総地積（田）（ ） 評価総地積（課税対象土地）（ ）（ 年）\n評価総地積割合（畑）（％） 評価総地積（畑）（ ） 評価総地積（課税対象土地）（ ）（ 年）\nデータ分析の結果\n学習意欲に影響を与える要素は大きく分けて つあると考えた。また、各散布図において学習・\n自己啓発・訓練の行動者率がそれぞれ最大値と最小値であった東京都と青森県のデータを示した。\n---PAGE---\n安定した生活と学習意欲の関係\n学習意欲を高めるために根本的に必要なのは安定した生活を送ることだ。そこで、エンゲル係\n数・睡眠・スポーツの三つの観点から安定した生活が学習意欲に与える影響について調べた。\nエンゲル係数と学習意欲の関係\n県東京都\n一般的にはエンゲル係数が低いと所得水準が高く生活に余裕\nがある という見方をすることができる。そのため、エンゲル\n係数は生活の安定度の指標になると考え、エンゲル係数と学習\n意欲には負の相関があると推測した。\n県青森県\nしかし、エンゲル係数と学習・自己啓発・訓練の行動者率の\n相関係数ρ は （ 値： ）であり、無\nエンゲル係数\n相関性を棄却できなかった（図 ）。これは、世帯構成や食生活 図 エンゲル係数と学習意欲の相関\nの変化、食料価格の高騰によるエンゲル係数の上昇 の影響も受けていると考えられる\nが、学習意欲は生活に余裕があることとあまり関係がないとも言える。食料費以外のお金\nをどう使うかが大事である。\nスポーツと学習意欲の関係\nスポーツは心身の健康に欠かせない。そのため、一人 日当 県青森県\n県東京都\nたりのスポーツの平均時間と学習意欲には正の相関があると推測\nした。\n一人 日当たりのスポーツの平均時間と学習・自己啓発・訓\n練の行動者率の相関係数ρ は であり、弱い正の\nスポーツ\n相関を示した（図 ）。体を動かすことは学習意欲を上げるため\nに根本的に必要な要素だと考えられる。 図 スポーツと学習意欲の相関\n睡眠と学習意欲の関係\n関係\nしっかりとした睡眠をとることはスポーツと同様に健康な生活\n県東京都\nを送るために大事である。そのため、一人 日当たりの睡眠の\n平均時間と学習意欲には正の相関があると推測した。\n県青森県\nしかし、一人 日当たりの睡眠の平均時間と学習・自己啓発・\n訓練の行動者率の相関係数ρ は であり、負の相関\n睡眠\nを示した（図 ）。負の値になるのは、学習意欲が高い人が睡眠\n時間を削って学習・自己啓発・訓練に充てているからだと考え\n図 睡眠と学習意欲の相関\nられるが、睡眠を多く取ることは学習意欲に直接的な関係がないと\n関係\n言える。\n教育と学習意欲の関係\n教育は学習意欲と密接な関係がある。学校での指導だけでなく、家庭の教育に対する姿勢も学習\n意欲に影響があると考えられる。そこで、学業・学級規模・教育費の三つの観点から教育が学習意\n欲に与える影響について調べた。\n---PAGE---\n学業と学習意欲の関係\n県東京都\n学業に励むことで、新しい知識を増やし、学習の理解を深める\nことができる。一人 日当たりの学業の平均時間は在学者のみ\nを対象としたデータだが、学生が学業に費やす時間が多い場所\nでは地域全体として学業に熱心に取り組む傾向があると考え\n県青森県\nた。そのため、在学者一人 日当たりの学業の平均時間と学習\n意欲には正の相関があると推測した。\n図 学業と学習意欲の相関\nしかし、在学者一人 日当たりの学業の平均時間と学習・自己啓\n発・訓練の行動者率の相関係数ρ は であり、弱い負の相関を示した（図 関係\n学業\n）。これは、課題やテスト・受験勉強のように学業が半強制的なことが多く、学習意欲の\n向上に繋がっていないからだと考えられる。\n学級規模と学習意欲の関係\n教員一人当たりの児童・生徒数が少ない、つまり児童・生徒がより多くの教員からサポ\nートを受けられることは学びに良い影響を与えると言われている。実際、小規模学級では\n生徒の自発的な学習意欲が高まるという研究結果もある 。そういった環境で学んだ経験\nがある人々は卒業後でも学習に対して積極的な姿勢を持ち続けられると考えた。そのた\nめ、教員一人当たりの児童・生徒数と学習意欲には負の相関があると推測した。\n教員一人当たりの児童・生徒数はその県の人口の影響も大きく受けている。実際、総人\n口と教員一人当たりの児童・生徒数の相関係数は小学校で 、中学校で\n、高等学校で となっており、全て正の相関を示した。そのため、総\n人口の影響を除いて偏相関分析を行った。教員一人当たりの児童・生徒数と学習・自己啓\n発・訓練の行動者率の偏相関係数ρ は小学校で （ 値： ）、中学\n学級規模\n校で 、高等学校で であり、弱い正の相関を示した。つまり、教員数\nが多いことよりも、一緒に学ぶ仲間が多いことの方が学習意欲の向上に関係があると言え\nる。\n県県東東京京都都\n教育費と学習意欲の関係 教育費\n教育に使うお金が多ければ参考書や問題集などの教材を買っ\nたり、塾に通ったりして学習機会を増やすことができる。その\n教養娯楽費\nため、教育費と学習意欲には正の相関があると推測した。ま\nた、習い事や旅行なども新しいことを学び好奇心を持つ機会に\n県県青青森森県県\nなるため、教養娯楽費と学習意欲にも正の相関があると推測し\nた。\n図 教育・教養娯楽費と学習意欲の相関\n教育費と学習・自己啓発・訓練の行動者率の相関係数ρ\n教育費\nは であり、正の相関を示した。また、教養娯楽費と学習・自己啓発・訓練の関行係\n動者率の相関係数ρ も であり、正の相関を示した（図 ）。これは、教\n教養娯楽費\n育や教養娯楽にお金をかけることは学習意欲の向上に繋がるということだ。",
    "2021H54-toku4.pdf": "2021年度 統計データ分析コンペティション\n特別賞（統計活用）［高校生の部］\nテレワークの拡大と通勤通学時間の\n減少がもたらす影響と課題\n武田 佳暖子・黒田 小晴\n（お茶の水女子大学附属高等学校）\n論文の概要\n通勤通学時間が健康や睡眠時間、余暇時間の読書や音楽鑑賞等に与える影響につい\nて相関分析を行い、通勤通学時間は健康や余暇時間に正の影響、睡眠時間には負の影\n響があることを示すことで、テレワーク拡大と通勤通学時間の減少が与える影響につ\nいて分析を行った。\n論文審査会コメント\nコロナ禍での社会の変化に対する影響や課題を多種多様な項目で検証している点は\n評価できる。通勤通学時間という身近な問題を自然な仮説形成と実証で調べた流れは、\n高校生らしい素朴なデータ分析だが好感と納得感を持てる。",
    "2021H55-toku5.pdf": "2021年度 統計データ分析コンペティション\n特別賞（統計活用）［高校生の部］\n少子化問題に向き合う\n中川 真菜・東 優希・大前 翼・大山 悠稀\n上月 翔也・竹村 春花（兵庫県立姫路西高等学校）\n論文の概要\n合計特殊出生率について、教育費、結婚・離婚数、保育施設数、育児時間との相関\n分析を行い、教育費は負の相関、結婚数は正の相関があることや、女性の育児時間は\n人口千人あたり出生数と弱い負の相関があることを示した。\n論文審査会コメント\n少子化問題というわが国でも重要な課題に、データで解決策にアプローチする点は\n評価できる。種々議論を積み上げて記述された論文であることは好ましく、データの\n吟味などもよくできている。因果関係と相関関係、擬似相関等については、より慎重\nな考察が必要である。\n---PAGE---\n少子化問題に向き合う\n中川 真菜 東 優希 大前 翼 大山 悠稀 上月 翔也 竹村 春花\n兵庫県立姫路西高等学校\n１．研究のテーマと目的・研究準備\n１．１ 背景\n各自で社会科学に関するテーマを持っていた私たちがグ\nループをつくり研究テーマを定める際に、社会をより良い\nものにするための障害となっていることは一体何であるか\nということを協議し、各自の研究テーマを細分析した結果、\n少子化が社会問題の根底にあり、少子化から様々な社会問\n題へと発展していくのではないかという考察を得た。\nしたがって、さまざまな社会問題を解決するためには、少\n子化問題の解決策を考えることが最も近道になると考え、私たちは少子化の原因を探るために、出生率・\n合計特殊出生率と各種統計の相関関係を調べてみることにした。相関が見つけられればその事象が少子\n化問題に関連していることを示すことができると考えた。\n１．２ 少子化の定義\n前提として、そもそも少子化とは何であるかということを定義する。\n「平成４年度国民生活白書 [1]」では、「出生率の低下やそれに伴う家庭や社会における子供数の低下\n傾向」を「少子化」、「子供や若者が少ない社会」を「少子社会」と表現している。また、人口学の世界\nでは、一般的に、「合計特殊出生率 注1が、人口を維持するのに必要な合計特殊出生率（人口置換水準）\nを相当期間下回っている状況」を「少子化」と定義している。\n日本では、1974 年代半ば以降、「少子化現象」が続いており、2005 年にはついに「人口減少社会」と\nなった[2]。この少子化現象を打開する政策を考えるためにデータを分析し、各都道府県の出生数や合計\n特殊出生率との相関関係を見つけていく。\n注1:「合計特殊出生率」が何であるかについては本論文の３．１ 用語の定義を参照されたい。\n注2:文章の上付き文字[例]は注や出典を示し、[番号]に関しては、論文末の出典・参考文献と対応しており、その記述が\n該当番号の文献から参考・引用されたものであることを示している。\n１．３ 日本の現状\n近年、少子高齢化社会が深刻化しているとの\n見解をよく聞くが、実際はどうなのだろうか。そ\nれを図[1]に示した。\n図からわかる通り、日本の合計特殊出生率\n（TFR）は年々低下している。人口置換水準とも\n言われる、現在の人口を増減なく維持するのに必\n要な TFR の値は“2.07[2][4]”であるが、一昨年\n(2019年)では“1.34[4]”と、水準を大きく下回っ\nている。\n注1 :平 成 14 年 の 国 土交 通 白 書 に は 2. 08 [3]と 記 載 さ れ てい た 。 図[1] 日本の合計特殊出生率の年別推移[4]\n注2:TFRの定義については３．１の用語の定義で後述する。\n(1950年～2019年)\n1/8\n---PAGE---\n１．４ 研究目的・意義\n私たちは仮説を立てるに当たってまず、少子化は本当に問題であるのかということを考察するため、\nまずそのメリットとデメリットを考えた[7]。\n・メリット ・デメリット\n生活面：環境負担の軽減 経済面：労働力供給の減少・年金問題・現役世帯の負担増加\n教育面：受験競争の緩和 社会面：過疎化の進行・社会扶養の必要性増加\n少子化にはメリットもあるものの、短期的な影響しか及ぼさないものが多いので、少子化が問題視さ\nれているのではないかという考えになった。そして、研究目的としては、少子化の進行を防ぐため、そ\nの原因や発生傾向を見つけることで少子化問題の解決に繋がる政策を考え、日本の少子化を改善するこ\nとを目的とした。\n１． ５ 仮説\n図[2]調査「子供を増やしたくない理由」より上位5つ抜粋[5]\nまず、「なぜ少子化が進行しているのか」ということを考えた。図[2]によると、「子育てや教育にお金\nがかかりすぎるから」という理由が最も高く、また全体として結婚意識の低下による未婚化、結婚して\nも子供を産まない人が増えたこと、就職年齢の上昇による晩婚化が直接的な原因なのではと考えた。\nその直接的な原因をさらに探るため、少子化の要因を二つに分け、仮説を立てた。\nなお、仮説の後にその根拠となるグラフの該当番号を示した。\n・家庭的な要因…各家庭である程度変更が可能なもの\n家庭①教育費が影響している←① 家庭②婚姻数、離婚数が影響している←（独自）\n・環境的な要因…周囲の環境に左右されやすく、個人の力ではどうしようもないもの\n環境①保育施設数が影響している←⑤ 環境②育児時間注が影響している←④\n注：育児時間とは、乳幼児の世話・子供のつきそい・子供の勉強の相手・子供の遊びの相手・乳幼児の送迎・保護者会\nに出席などの行動とし、子供の教育に関する行動を含む。・就学後の子供の身の回りの世話は含まないものとする[0aβ]。\nなお、育児にかける時間については、労働時間との兼ね合いがあるので環境的な要因に分類した。\n２．研究の方法と手順\n２．研究のデータ分析方法\n研究は、SSDSE(教育用標準データセット) [0aα]などのオープンデータを元に、散布図や箱ひげ図を作成\nし、その分析結果から少子化の原因や傾向を導く、という方法で行った。\n2/8\n---PAGE---\n３．データセットの加工\n表１ 相関係数の定義\n３．１ 用語の定義\nデータ分析で用いる用語の定義を述べる。\n相関係数（r）：表1参照。\n合計特殊出生率（TFR)：\n15～49歳の1人の女性が一生の間に生むとしたときの\n子どもの数[4] ＜単位なし＞\n出生数：出生した数 ＜単位（人）＞\n純結婚数：婚姻数-離婚数と定める。(婚姻数だけでは離婚\n数を反映しておらず不正確なため)＜単位（人）＞\n外れ値：Q ,Q の1.5倍を超えた値を外れ値とみなす。\n1 3\nすなわち、 を第一四分位数、 を第三四分位数とすると、 の\n範囲に属する値である。なお、私たちの研究では３．３の通りに外れ値の除外を行った。\nQ 1 Q 3 𝑄𝑄1−1.5(𝑄𝑄3−𝑄𝑄1)∪𝑄𝑄3+1.5(𝑄𝑄3−𝑄𝑄1)\n３．２ データの活用\n表２に利用したデータを示した。なお、学校基本調査の「中学校 67 都道県別学校数」においては\nその中から「私立」・「本校」の部分を抜粋して分析を行った。\n表2 利用したデータ\nデータ名 年度 出典\n総人口 離婚件数\n出生数 幼稚園数\n2018 SSDSE-B-2021\n合計特殊出生率 保育所等数\n婚姻件数 教育費（二人以上の世帯）\n09_育児 2016 SSDSE-D-2021\n中学校 ６7 都道府県別学校数 2020 学校基本調査(文部科学省)\n３．３ 外れ値の除外\n図[3]より、沖縄県と秋田県のデータを含めてデータ\n人\n分析を行うと正しい結果が得られないため、この二県の\nデータはこれ以降、外れ値とみなし、除外して考える。\nなお、この上でそれぞれのデータで精査し同様の定義で\n外れ値とみなしたものはさらに除外する。\n図[3] 都道府県別人口千人当たりの出生数の箱ひげ図\n3/8\n---PAGE---\n３．４ 合計特殊出生率(TFR)と人口千人当たりの出生数について\nデータを分析し相関を見つける際に用いる変数として、目的データと出生数とTFR の値が存在する。\nよって、出生数とTFRのデータの使い分けの根拠をここに示しておく。\n10.00\n9.00\n8.00\n7.00\n6.00\n5.00\n4.00\n3.00\n2.00\n1.00\n0.00\n0.00 2.00 4.00 6.00 8.00\n図[4]千人あたりの婚姻件数とTFR 図[5]千人あたりの婚姻件数と千人あたり出生数\n図[4][5]は、各都道府県の人口1000人あたりの婚姻件数と合計特殊出生率(TFR)・人口1000人あたり\nの出生数の相関をとったものであるが、合計特殊出生率(TFR)の方では 0.26と相関があまりないのに\n対し、千人当たりの出生数の方ではと強い正の相関がみられることから、後者の方がより分析に適して\n𝑟𝑟≒\nいると考えた。\n合計特殊出生率(TFR)は一人の女性が一生の間に産む子供の数から導き出された値なので、１世帯当た\nりの出生数を考える際に用い、出生数は社会全体の子供の数を考える際に用いた。\nまた、合計特殊出生率(TFR)では、他のデータでもあまり相関が出なかったため、私たちの研究では、\n人口1000人あたりの出生数を主に用いて相関を見ていく。\n４．データ分析の結果\n４章の出生数の値はすべて、SSDSE[0aα]が出典である。\n４．１ 教育費 ＜家庭①＞\n教育費について相関を見る理由として本論文の１．５ 仮説に挙げたグラフがあるが、それに加えて\n私たちの公民科の「現代社会」の資料集に、子供を増やしたくない理由として、「子育てや教育にお金が\nかかりすぎるから」という理由が55.5％と、とても高い値となっていた[0b]ことが挙げられる。\nここから、一人の子供の教育にお金をかけすぎているため、次の子供を産みにくくなっているのでは\nないかと考えられる。子供の教育費で支出が多いものといえば私立中学校・高校・大学と学習塾である\nが、私立の難関中学校に入学するためにはほとんど必然的に学習塾に入らないといけないため、学習塾\nに関する調査について今回は除外し、私立中学校に視点を当てて研究することとした。\n分析をする上で、全国の各都道府県における私立中学校数の平均が約16.6校であったため、私達は各\n都道府県に所在する私立中学校数が、全国の平均未満である県と平均以上である県に分けて考えること\nにした。\n4/8\n数生出のりた当人0001口人\n2.00\n1.80\n1.60\n1.40\n1.20\n1.00\n0.80\n0.60\n0.40\n0.20\n0.00\n1.00 2.00 3.00 4.00 5.00 6.00 7.00\n人口1000人当たりの婚姻件数\nRFT\n人\n件\n件\n人口1000人当たりの婚姻件数",
    "2021H56-toku6.pdf": "2021年度 統計データ分析コンペティション\n特別賞（審査員奨励）［高校生の部］\n瀬戸内海におけるマダコの現状とその分析\n長谷川 夏恋・天野 雄耀\n（成城学園中学校高等学校）\n論文の概要\n身近な食品であるマダコの漁獲量について、産地の瀬戸内海における海水温や降水\n量、エサとなる甲殻類や貝類の漁獲量との相関分析を行い、エサの減少がマダコの漁\n獲量の減少に影響していることを示した。\n論文審査会コメント\n魚介類の漁獲高の変化については，近隣国の海洋進出の影響や温暖化の影響など\n様々な影響が指摘されている。現状分析ではあるが、テーマ選定や検証方法などは興\n味深い。仮説形成も個性的で、エッセイとしては秀逸である。\n---PAGE---\n瀬戸内海におけるマダコの現状とその分析\n長谷川 夏恋・天野 雄耀\n成城学園高等学校 2 年\n1. はじめに\n先日、たこ焼きパーティーをしていた際、ふと「このタコ、どこ産のものなのだろう」と思い、パッ\nケージを見てみたら、モーリタニア産であった。まず、私はそのタコが海外産だったことに驚き、そし\nてモーリタニアの位置を調べてみると、大西洋に面したアフリカの国であった。私は日本から遠いアフ\nリカからわざわざタコを輸入していることが意外だった。\n母にスーパーのタコについてのイメージを聞いてみると「国内産は値段が高くて手が届かない。海外\n産のものならまだ手が届く」ということであった。日本では昔からタコを食べる文化があるが、今現在、\nそのタコを海外産に頼っているのはなぜなのか不思議だった。そこでイカとタコはよくセットで言われ\nるが、まずはイカとタコの消費額について調べてみることにした。\n図１ イカとタコの消費額の比較\n上の図１は全国主要都道府県におけるイカとタコの年間消費額を示したものである。図１には一部の\n都道府県しか載せていないが、全ての都道府県を見てもタコよりイカの方が消費額が大きい。これにつ\nいて母に聞いてみると「タコよりイカの方が比較的安いからではないか」とのことだった。しかし、イ\nカも少なからず輸入に頼っているはずなのに、タコの方が価格が高いのはなぜか不思議に思った。そこ\nで日本はタコをどれくらい輸入しているのか調べたところ、以下の図を入手することができた。\n図２ タコの国内漁獲高・日本輸入量・アフリカ漁獲量の推移 (1960-2015年)【1】\n---PAGE---\n図２を見ると、日本輸入量が国内漁獲量を上回っていることから、日本で消費されるタコの半数以上\nが海外産であることがわかる。アフリカでの漁獲量については、現在、ピーク時と比べて減っているも\nのの、近年、増加傾向にある。しかし、日本輸入量は右肩下がりの傾向が見られる。さらにこのことに\nついて少し調べてみると、国内で主に食用にされるタコにはマダコとミズダコがあり、生食用では使わ\nれない、主にたこ焼きなどに使われるマダコの日本国内での漁獲量が年々減少していることがわかった。\nなぜ、マダコが獲れなくなってきているのか。まずは現在、世界規模で大きな問題となっている自然環\n境の変化がマダコの漁獲量と何らかの関係があるのではないかと考えてみた。\n2. 研究方法と手順\nこの研究では、自然環境の変化とマダコの漁獲量との関係について探ることを目的とする。まず、マ\nダコが獲れる地域の海水温及び降水量とマダコの漁獲量について時系列データを取得し、推移を比較し\nた。さらに、マダコを取り巻く環境として、エサにも注目し、マダコの漁獲量とエサになる漁獲量との\n関係も比較した。\n3. データセットの加工\n使用したデータとその出典を表１に、使用した指標とその計算方法を表２として以下に示す。ミズダ\nコとマダコを合わせて「タコ」という名称を用いる。\n表１ 使用したデータ及び出典一覧\nデータ 年度 出典\nイカとタコの年間消費量(円) 2021 SSDSE\n北海道、兵庫県、香川県、愛媛県におけるタコの漁獲量(t) 1956~2015 海面漁業生産統計調査\n(e-Stat)\n兵庫県、香川県、愛媛県におけるガザミの漁獲量(t) 2003~2015 海面漁業生産統計調査\n兵庫県、香川県、愛媛県におけるエビの漁獲量(t) (e-Stat)\n兵庫県、香川県、愛媛県におけるカイの漁獲量(t)\n兵庫県、香川県、愛媛県におけるタコの漁獲量(t) 2016~2018 魚介類等の漁獲量\n兵庫県、香川県、愛媛県におけるガザミの漁獲量(t) (家勉キッズ)\n兵庫県、香川県、愛媛県におけるエビの漁獲量(t)\n兵庫県、香川県、愛媛県における貝類の漁獲量(t)\n兵庫県、香川県、愛媛県におけるタコの漁獲量(t) 2019 食品データ館\n屋島湾における海水温(℃) ※1 2004~2019 水産情報システム(香川県)\n神戸市、高松市、松山市における 6〜10 月の各月の総降 2004~2019 過去の気象データ(気象庁)\n水量(mm)\n※1：2004〜2019年まで一律、月の平均気温を用いた。瀬戸内海の海水温データとして屋島湾を採用した。\n---PAGE---\n表２ 作成した指標及び計算方法一覧\n指標 計算方法\nマダコの漁獲量(t) 兵庫県、香川県、愛媛県のタコの漁獲量を各年足した\nミズダコの漁獲量(t) 北海道のタコの漁獲量を用いた\nカニの漁獲量(t) 兵庫県、香川県、愛媛県のガザミの漁獲量を各年足した\nエビの漁獲量(t) 兵庫県、香川県、愛媛県のエビの漁獲量を各年足した\nカイの漁獲量(t) 兵庫県、香川県、愛媛県の貝類の漁獲量を各年足した\n1 年前の 6 月〜10 月の平均 神戸市、高松市、松山市における各年 6 月~10月の月平均海水温の平均\n海水温(℃)※2 の平均\n前年 6 月〜10 月の平均降水 神戸市、高松市、松山市における各年 6 月~10月の総降水量の平均\n量(mm)\n※2：過去の論文で前年の降水量(6 月〜10 月)とマダコの漁獲量について述べられていた。この期間の海水温の傾向を調べると、\n1年で高い海水温の期間となっていた。さらにマダコの産卵期間とも一致するため、この期間に注目してデータ分析を行う。\n4.データ分析の結果\n4-1. マダコとミズダコにおける漁獲量の比較\nまず、日本の「タコ」の国内漁獲量がどうなっているのか、さらに詳細に見ていく。日本で主に食べ\nられているマダコとミズダコの漁獲量の推移について調査した結果を以下の図３に示す。\n図３ マダコとミズダコの漁獲量推移(1956-2019年)\n図３から、日本ではマダコよりミズダコの方が圧倒的に獲れることがわかる。ミズダコの漁獲量は変\n動がありながらこの 7、8 年は増加傾向にある。一方、マダコの漁獲量は 10 年以上、減少傾向が続いて\nいる。\n4-2. マダコと海水温の関係\nではなぜ、マダコの漁獲量が減ってきているのか。\nこれについて調べると、海水温が原因であるという新聞記事が出てきた。「2018 年の不漁はマダコの\n産卵期の海水温が比較的低く、産卵がうまく行かなかった事が原因だろう【2】」というものである。そこ\nで、この情報について、マダコの漁獲量が近年減っているのは海水温の低化の影響であるかどうかをデ\n---PAGE---\nータを用いて検証した。マダコの寿命が１年程度であることを考慮して、マダコが生まれた時期と考え\nられる前年の産卵時期(6 月〜10 月)【3】【4】の平均海水温とマダコの漁獲量の推移を最近 15 年のデータを\n用いてグラフ化した。そして産卵時期の海水温が下がると、産卵数が減り、翌年の漁獲量が減少するの\nではないかと予測した。その結果を図４に示す。\n図４ マダコの漁獲量と前年の6 月〜10月の平均海水温の推移\n図４のグラフから、マダコの漁獲量は減少傾向にあり、新聞記事で話題となった 2018 年にはこの 15\n年で最低の水準であることがわかる。一方、海水温は僅かに上昇傾向にあり、2018年に水揚げされたタ\nコが生まれた時期と考えられる海水温は比較的高めであったことがわかる。したがって、新聞記事の内\n容が正しいことを確認することはできなかった。さらに、海水温と漁獲量について、対になる 2 点の変\n動の様子を細かく見ると、明らかな関係性があるとは言えないが、マダコの住環境の要素の一つである\n海水温が変化してきていることは間違いないと言えるだろう。\n4-3. マダコと降水量の関係\n降水量とマダコとの関係について報告している先行研究【5】もある。しかしこの論文は 1964 年に書か\nれたものであるため、この内容を参考に今の瀬戸内海の状況で検証し直す。マダコは真水を好まない生\n物である。瀬戸内海は比較的閉ざされた海で、雨が降ると他の海より塩分濃度が若干下がる可能性があ\nる。この論文では「瀬戸内海各府県の前年の降水量(6 月～10 月)と当年のタコの漁獲量を比較したとこ\nろ、大体において内奥程前年の降水量と逆の関係を示す。」とあることから、マダコの漁獲量が下がって\nきているのは近年の降水量が多くなってきていることが原因ではないかと予測した。そこで最近 15 年\nの瀬戸内海の代表的な 3 か所での降水量のデータを取得し、マダコの漁獲量の推移と合わせてグラフ化\nした。これを図５に示す。",
    "2021U1-daijin.pdf": "2021年度 統計データ分析コンペティション\n総務大臣賞［大学生・一般の部］\n若者の大都市から地方への移動要因を探る\n―修正重力モデルによる分析―\n坂本 大樹（東京大学大学院情報理工学系研究科）\n川本 晃大（早稲田大学大学院基幹理工学研究科）\n論文の概要\n地方から大都市への社会移動が地方の人口減少に大きく影響していることに着目し、\n各地域の人口と距離に加えて人口移動を決定づける様々な要因を考慮した修正重力モ\nデルにより、若年層の人口移動の要因を分析している。Elastic Net回帰を用いて変数\n選択のパラメーター推定を行い、結果として若者の人口移動要因に関する変数を明ら\nかにした。\n論文審査会コメント\n重力モデルを重要な政策課題に適用した本格的論文であり、テーマも狙いも良い。\n若者の移動要因を機械学習の手法により明らかにする分析を行っていて、今後の発展\nが期待される研究である。\n---PAGE---\n若者の大都市から地方への移動要因を探る\nー修正重力モデルによる分析ー\n坂本大樹 川本晃大\n東京大学大学院情報理工学系研究科\n早稲田大学大学院基幹理工学研究科\nはじめに\nわが国では，少子化の影響により，現在進行形で人口が減少している．実際，日本は 年の 万人をピー\nクに減少に転じ， 年 月時点で 万人 総務省統計局 ， 年には 万人まで減少すると推計され\nている 社人研 ．特に，人口減少は地方において深刻な問題である．その原因として，東京への一極集中が挙げら\nれる．これには，進学，就職等の理由に加え，魅力，利便性，自由度の高さが影響している ．この問題に対し国\n土交通省は，「企業等の東京一極集中に関する懇談会」を例年 定期的に開催して対策を講じているが，依然として，\n東京都圏を含む三大都市圏の総人口は，一貫して増加しているか，横ばいの傾向にある ．\n人口減少による弊害は，言うまでもなく，産業・雇用，地域生活，医療福祉政策，行政サービスなど多岐に渡る．例\nえば，「まち・ひと・しごと創生長期ビジョン」によると，人口減少の問題点として，労働力減少による経済規模の縮\n小，自治体の担い手の減少による行政機能の低下，社会保障制度と財政の持続可能性，都市機能の低下，を挙げてい\nる ．\nこういった状況下で，政府は，人口減少を克服し，将来にわたって成長力を確保し，「活力ある日本社会」を維持す\nるため， 年 月に「まち・ひと・しごと創生法」を制定し，内閣にまち・ひと・しごと創生本部を設置した．令\n和元年に改訂された「まち・ひと・しごと創生長期ビジョン」および第 期「まち・ひと・しごと創生総合戦略」\nでは，目標 「稼ぐ地域をつくると共に，安心して働けるようにする」，目標 「地方との繋がりを築き，地方への新\nしいひとの流れを作る」，目標 「結婚・出産・子育ての希望をかなえる」，目標 「ひとが集う，安心して暮らすこ\nとができる魅力的な地域をつくる」を基本目標として取り入れた．さらに，「まち・ひと・しごと創生基本方針 」\nでは，新型コロナウイルス の感染拡大を鑑みて， つの基本目標と つの横断的な目標に加え，三つの視点，す\nなわち，視点 「ヒューマン 地方へのひとの流れの創出 」，視点 「デジタル 地方創生に資する の推進 」，視\n点 「グリーン 地方が牽引する脱炭素社会の実現 」を重点に据え，人口減少問題の解決と地方創生に取り組んでい\nる ．つまり，政府の方針をもとに考えると，地方での人口減少を抑え，地方を創生する方法の一つは，大都市か\nら地方への人口の流れを作ることであると言える．\n地方での人口減少の要因を分析し，そこから施策を言及するという研究は多く行われている．例えば，増田\nは，日本の人口減少の要因として地方から大都市への人口移動が大きく影響していると述べている ．特に，若者\nの「人の流れ」を変えることが必要であると述べ，若者を呼び込む街について議論している ．また，人口移動の\n要因を分析するという研究も多く行われている． は，人口移動の主な要因として，所得格差，雇\n用機会，教育，年齢，生活の質，行政サービスの６つを指摘しており，これまでの人口移動要因に関わる多くの研究\nはこれらの要因を起点にしたものとなっている ．例えば，張 では，エントロピーモデル 空間的相互作用\nモデル を用いて，在日中国人の移住メカニズムを分析している ．また，田村 では，修正重力モデルを用\nいて，大学進学における都道府県間の移動を分析している ．\nこれらを踏まえ，本研究では，地方への人の流れを作り，地方創生を目指し，「まち・ひと・しごと創生基本方針\n」，目標 「地方との繋がりを築き，地方への新しいひとの流れを作る」，視点 「ヒューマン 地方へのひとの流\n---PAGE---\nれの創出 」にフォーカスし，市区町村間における若年層の大都市から地方への移動を促すための要因を探り，その人\n口移動メカニズムを解明することを目的とする．なお，山口 では，若者の人口移動は大きく進学のための移動\nと，学校を離れて社会に出た後の移動に分類でき，前者の高校進学，大学進学のための移動には，学校や親など外的\n要因が移動の決定に強く影響していると述べている ．統計上は，若年層の定義を 才から 才としているが，\n本稿では， 代から 代の移動人口が全移動人口の約７割を占めていることから，この年代を若年層と定義した 図\n．\n研究の方法と分析手順\n本節では，研究の方法と分析の手順について述べる．\n分析に用いる手法\n地域間の人口移動の研究において，人口移動を記述するための代表的な空間的相互作用モデルには，重力モデルと\nエントロピーモデルがある ．しかし，エントロピーモデルは，本来は被説明変数であるはずの各地域の総流出量，\n総流入量を制約条件として定める必要があるが，本研究では大都市と地方の二地域モデルを適用するため，重力モデ\nルを使用することが妥当である ．\nさらに，先行研究で主に使われている重力モデルにおいて，荒川 ではポアソン重力モデルを使用している\nが，多くの先行研究で修正重力モデルが使われており，結果の比較をしやすいという利点があるため，本研究で\nは，修正重力モデルを用いる．このモデルでは，重力モデル\nに対して，修正項を加え，さらに両辺の自然対数をとった以下の形で表される ．\nここで， は地域 から地域 への人口移動量， と は地域 と地域 の総人口， は地域 と地域 の間\nの距離， と は地域 と地域 の所得を表している．また， と については，地域 と地域 の失業率，\n都市化の度合い，様々なアメニティ変数，公共支出や税金の様々な測定値，その他多くの要因が一般的に考えられて\nいる ．重力モデルは人口移動を分析する際に，各地域の人口と距離のみを捉えているが，この重力モデルに総\n人口と移動間距離以外の移動を決定づける様々な要素を考慮したものが修正重力モデルである．\nこのように，修正重力モデルで定式化された問題に対して，パラメータ推定を行うが，通常の重回帰分析では多重\n共線性を起こす可能性があることに加え，適切な変数選択ができないという欠点がある．そういった問題の解決にお\nいて， 回帰や 回帰があるが，前者では変数選択ができないこと，後者では相関の高い変数群がある場合，\nその中の つしか変数として選択できないといった欠点がある．これらの問題に対処するため，荒川 では，ポ\nアソン重力モデルに対して， らによって提案された 回帰を使用している ．故に，本研\n究でも荒川 と同じく 回帰を使用する ．\n分析手順\n続いて，分析手順について簡潔に示す．まず，被説明変数を 代から 代の若年層の大都市地域から地方地域へ\nの人口移動量，説明変数をその市区町村間の移動距離，各市区町村の人口，その他若年層の人口移動に関連があると\n期待される指標とし，修正重力モデルを定式化する．次に，変数の正規化を行った後， 回帰を用いて，パ\nラメータ推定を行う．なお，正則化項の大きさを制御するハイパーパラメータ は， クロスバリデーションを\n行い， の範囲内で グリッドサーチにより決定する． 回帰におけるハイパーパラメー\nタである ノルムと ノルムの相対的な寄与を調整するパラメータ は， クロスバリデーションを行い，\n---PAGE---\nの範囲内で グリッドサーチにより決定する．そして， 回帰により選択されたパラ\nメータから，若年層の大都市から地方への人口移動の決定要因を分析する．\nデータ概要\n本節では，本研究で使用したデータの概要，及び行ったデータ抽出・加工の方法について述べる．\n移動先と移動元の地域\n本研究で対処となる若年層の大都市から地方への人口移動において，大都市と地方の定義を設定する必要がある．\n平成 年度時における日本全国に位置する の市区町村を，総務省が定める都市規模設定に準じて，大都市と地\n方に区分する ．つまり，特別区および大都市に該当する東京都区部と政令指定都市を合わせた 市区を大都市\nとし，人口が 万人未満の市町村，すなわち特例市，中都市，小都市，町村に該当する の市町村を地方と定義\nする．このように定められる大都市を「移動元」，地方を「移動先」とし， により作成した日本地図\nにおける移動元・移動先市区町村の位置関係を 図 に示す．\n移動人口量\n移動人口量は，本研究で使用する修正重力モデルの被説明変数にあたり，「 政府の統計窓口」おいて取得する\nことができる「住民基本台帳人口移動報告」を取得し，集計を行なった ．このデータセットでは，平成 年度\nにおける の市区町村の 段階の年齢及び移動元・移動先別移動人口数が含まれている．本研究では，移動人口\n量を若年層における，上記で定義された大都市 移動元 から地方 移動先 への流動人口に限定して測定を行うため，\nこれに該当する箇所のみを抽出しデータフレームを使用し集計を行う．事実，平成 年度の 代から 代の移動\n人口が全体の約７割を占めており 図 ，この年代を若年層として調査を行うことに意義がある．また，荒川\nと同様に，移動人口量が 人未満の移動は調査対象から除外する ．その結果， 市区の移動元地域と 市町\n村の移動先地域からなる 通りの人口移動データを対象に分析を行なった．\n年代別移動人口割合 移動元・移動先地域位置関係\n図 平成 年年度報告「住民基本台帳人口移動報告」による，大都市から地方への年代別移動人口． 移動元\n大都市 ・移動先 地方 の位置関係．「それ以外の市区町村」は人口 万人以上であるが，大都市には含まれない中\n核市を表す．\n---PAGE---\n使用した説明変数\nまず，重力モデルの基本となる説明変数である移動間距離，総人口，所得について述べる．移動元から移動先への\n移動間距離は，株式会社アマノ技研 が無償で提供する市区町村ごとの緯度・経度のデータを取得し，ヒュベニの\n公式 を用いて算出を行った．このデータは，平成 年年度の地方公共団体の所在地情報に国土交通省が提供す\nる国土数値情報の市区町村役場データとを対応させ，日本測地系 の緯度・経度情報を付与したものである．市\n区町村の総人口に関しては データに含まれる平成 年度の総人口のデータを変数として直接使用す\nる．また，所得に関しては，総務省「市町村税課税状況等の調」にて報告されている納税義務者数一人当たりの課税\n対象所得データを用いる．本データは，内閣府のホームページから取得できるが，平成 年度 年 までのデー\nタが提供されているため，本研究で対象となる平成 年度に最も近い平成 年度のデータを使用する ．\n続いて，その他の変数に関しては， データ， データに含まれる平成 年度に記録\nされたデータから選択する．選択した全ての説明変数とその基本統計量を 表 に示す．各変数において，移動元地\n域に対応する変数には ，移動先地域に対応する変数には を下付けする．\n表 使用した変数の基本統計量\n変数名 単位 平均 標準偏差 最小値 最大値\n総人口＿ 人\n総人口＿ 人\n移動間距離 メートル\n第１次産業就業者率＿ パーセント\n第１次産業就業者率＿ パーセント\n第２次産業就業者率＿ パーセント\n第２次産業就業者率＿ パーセント\n第３次産業就業者率＿ パーセント\n第３次産業就業者率＿ パーセント\n完全失業率＿ パーセント\n完全失業率＿ パーセント\n学校数＿ 校\n学校数＿ 校\n福祉施設数＿ 施設\n福祉施設数＿ 施設\n子供を対象とした活動＿ パーセント\n子供を対象とした活動＿ パーセント\nスポーツ・文化・芸術・学術に関係した活動＿ パーセント\nスポーツ・文化・芸術・学術に関係した活動＿ パーセント\n安全な生活のための活動＿ パーセント\n安全な生活のための活動＿ パーセント\n納税義務者 人あたりの課税対象所得＿ 千円\n納税義務者 人あたりの課税対象所得＿ 千円\nは移動元の変数， は移動先の変数を表している．\n基本統計量の値は，小数点以下を切り捨てた整数値を表している．\n変数の左にアルファベットが書かれているものは 回帰で得られた係数．",
    "2021U2-yushu.pdf": "(cid:21)(cid:19)(cid:21)(cid:20)(cid:3303)(cid:3157)(cid:3) (cid:3193)(cid:1839)(cid:965)(cid:662)(cid:957)(cid:3582)(cid:2677)(cid:945)(cid:1009)(cid:984)(cid:964)(cid:929)(cid:949)(cid:997)(cid:1009)(cid:3)\n(cid:3) (cid:3857)(cid:2356)(cid:2504)(cid:680)(cid:2889)(cid:1464)(cid:2654)(cid:640)(cid:1202)(cid:3426)(cid:889)(cid:3560)(cid:681)(cid:3)\n(cid:3)\n(cid:3)\n(cid:2212)(cid:1762)(cid:3020)(cid:2846)(cid:3614)(cid:886)(cid:1889)(cid:874)(cid:2457)(cid:2210)(cid:1343)(cid:889)(cid:3907)(cid:1214)(cid:3582)(cid:2677)(cid:3)\n(cid:3)\n(cid:2774)(cid:3171)(cid:3) (cid:3806)(cid:3311)(cid:676)(cid:3176)(cid:1690)(cid:3945)(cid:1356)(cid:2889)(cid:1464)(cid:1832)(cid:1256)(cid:1464)(cid:3560)(cid:1832)(cid:1256)(cid:1464)(cid:1356)(cid:677)(cid:3)\n(cid:3)\n(cid:3)\n(cid:3)\n(cid:3)\n(cid:4072)(cid:3594)(cid:889)(cid:1429)(cid:3907)(cid:3)\n(cid:3286)(cid:3724)(cid:889)(cid:2457)(cid:2210)(cid:1343)(cid:886)(cid:879)(cid:847)(cid:881)(cid:636)(cid:2043)(cid:1839)(cid:3229)(cid:2330)(cid:2396)(cid:2654)(cid:3954)(cid:676)(cid:55)(cid:41)(cid:53)(cid:677)(cid:883)(cid:2321)(cid:3303)(cid:2435)(cid:2643)(cid:889)(cid:1186)(cid:3210)(cid:886)(cid:2981)(cid:3818)(cid:866)(cid:636)(cid:941)(cid:999)\n(cid:951)(cid:957)(cid:1000)(cid:1009)(cid:942)(cid:886)(cid:915)(cid:878)(cid:881)(cid:2038)(cid:4026)(cid:1343)(cid:889)(cid:2578)(cid:926)(cid:882)(cid:847)(cid:918)(cid:2959)(cid:1198)(cid:911)(cid:3176)(cid:1690)(cid:854)(cid:916)(cid:889)(cid:1683)(cid:3951)(cid:3189)(cid:886)(cid:915)(cid:918)(cid:3582)(cid:4010)(cid:925)(cid:2024)(cid:878)(cid:881)(cid:636)\n(cid:2959)(cid:3945)(cid:3110)(cid:3907)(cid:1214)(cid:883)(cid:2581)(cid:1971)(cid:2001)(cid:2822)(cid:3110)(cid:3907)(cid:1214)(cid:855)(cid:1258)(cid:1723)(cid:866)(cid:881)(cid:847)(cid:918)(cid:862)(cid:883)(cid:925)(cid:2262)(cid:868)(cid:862)(cid:883)(cid:882)(cid:636)(cid:2457)(cid:2210)(cid:1343)(cid:3826)(cid:2892)(cid:886)(cid:2866)(cid:1314)(cid:882)\n(cid:856)(cid:881)(cid:847)(cid:918)(cid:2959)(cid:1198)(cid:889)(cid:3229)(cid:3013)(cid:925)(cid:3790)(cid:916)(cid:854)(cid:886)(cid:866)(cid:874)(cid:637)(cid:3)\n(cid:3)\n(cid:4072)(cid:3594)(cid:2555)(cid:2092)(cid:1395)(cid:945)(cid:991)(cid:1009)(cid:966)(cid:3)\n(cid:1969)(cid:3347)(cid:980)(cid:662)(cid:951)(cid:964)(cid:929)(cid:1009)(cid:942)(cid:882)(cid:2656)(cid:3157)(cid:925)(cid:1408)(cid:2741)(cid:868)(cid:918)(cid:980)(cid:999)(cid:961)(cid:941)(cid:986)(cid:961)(cid:941)(cid:951)(cid:1815)(cid:889)(cid:2702)(cid:2940)(cid:3110)(cid:1397)(cid:1598)(cid:992)(cid:965)(cid:1001)(cid:925)(cid:2200)\n(cid:878)(cid:881)(cid:890)(cid:847)(cid:918)(cid:909)(cid:889)(cid:889)(cid:2385)(cid:3907)(cid:3157)(cid:2216)(cid:3500)(cid:886)(cid:915)(cid:918)(cid:1396)(cid:2319)(cid:925)(cid:870)(cid:865)(cid:918)(cid:925)(cid:3226)(cid:869)(cid:636)(cid:1396)(cid:2319)(cid:2511)(cid:889)(cid:1312)(cid:2024)(cid:856)(cid:855)(cid:885)(cid:847)(cid:1839)(cid:3990)\n(cid:3582)(cid:2677)(cid:886)(cid:885)(cid:878)(cid:881)(cid:847)(cid:918)(cid:862)(cid:883)(cid:890)(cid:2673)(cid:866)(cid:847)(cid:855)(cid:636)(cid:2702)(cid:2024)(cid:1884)(cid:1666)(cid:889)(cid:3449)(cid:3411)(cid:886)(cid:1582)(cid:880)(cid:856)(cid:3234)(cid:2265)(cid:889)(cid:2288)(cid:2500)(cid:925)(cid:2238)(cid:906)(cid:881)(cid:847)(cid:881)\n(cid:2559)(cid:1608)(cid:2643)(cid:925)(cid:3506)(cid:1347)(cid:882)(cid:856)(cid:918)(cid:637)(cid:3)\n(cid:3)\n(cid:3) (cid:3)\n---PAGE---\n市区町村別に見た少子化の要因分析\n倉島茂之\n東京理科大学経営学部経営学科\n第1章 研究背景と研究目的\n2005 年に、1 人の女性が生涯に子どもを産む人数であり少子化の指標とされている合計特殊出生率（以下\nTFRと記す）が過去最低となり、それ以降多少回復はしているものの依然低水準である。しかし、市区町村別\nに TFR を見ると最高値が沖縄県金武町の 2.47、大阪府豊能町の 0.84（2013～2017 年）とかなり地域差があ\nることがわかる。この TFR の格差の要因は何なのかを明らかにすることで少子化に対する打開策を考える余\n地が生じる。しかし、TFRが高くとも将来人口が減少してしまう地域もある。下図を見るとこれが明白である\nことがわかる。\n図 1 合計特殊出生率と将来人口指数の散布図（2010年の人口を100としている）\n出典：国立社会保障・人口問題研究所\n前田（2005年）はこれに関して「TFRは以下のように計算されるため、転出により女子人口が減少した市\n区町村では、出生数も減少し少子化になるが分母分子双方が減少しているため TFR には表れづらい」と述べ\nている。\n𝟒𝟗 年齢別出生数\n𝐓𝐅𝐑 ＝ ∑\n年齢別女子人口\n𝟏𝟓\nつまり、少子化を考えるうえで TFR に注目するのでは不十分であり分母の女子人口も考える必要がある。\n以上より本研究では、TFR と TFRの計算過程で分母に出てくる 15～49歳女子人口の流入出、それぞれに対\nして影響を与える要因を分析することで少子化に影響を与える要因を明らかにすることを目的とする。近年、\n少子化を研究背景とした、市区町村別のTFRに関する分析が行われているが、その多くはTFRのみに注目し\nている。\n1\n---PAGE---\n第2章 研究方法\n2.1 データの収集及び目的変数の作成\n市区町村別でTFR及び15～49歳女子人口流入出に着目し行っていく。市区町村別のTFRデータは厚生労\n働省人口動態保健所・市区町村別統計にて公開されている。今回取得できたデータは2013～2017年の5年間\n平均の値である。これは時系列データの分析においては好ましくないが、今回はクロス・セクションデータと\nして扱うため問題は少ない。むしろ市区町村別にみた場合、TFRの変動は激しくなり外れ値の発生が考えられ\nるため5年間平均を用いることで外れ値に影響されにくくするという点では有意だと考える。\n15～49 歳女子人口流入出に関しては住民基本台帳移動報告から 5 歳階級別の転入数、転出数のデータを得\nることができた。こちらも変動に影響されにくくするため2014～2016年の3年間の平均を用いる。また、今\n回は15～49歳女子人口流入出に関する指標を新しく作成し、若年女性転入出と名付ける。計算式は以下の通\nりである。\n𝟏𝟓～𝟒𝟗歳女性転入数\n若年女性転入出 ＝\n𝟏𝟓～𝟒𝟗歳女性転出数\nこの指標は女性の転出に対してどれだけ転入してきたか、つまり女性人口の維持を表すものである。転入出\nに関する指標は転入超過率がある。この指標は転入超過数を総人口で割ることによって算出される。総人口で\n割っているためもともと人口の多い地域の増減を過小評価してしまうという問題点がある。本研究では移動の\nみに着目するため上記の指標を使用する。\n2.2 データ分析と手順\n1. 2つの指標TFRと若年女性転入出を目的変数とした回帰モデルの作成\nTFR と上記で作成した指標、若年女性転入出それぞれを目的変数とした回帰モデルを LightGBM（以下\nLGBMと記す）で作成する。\n2.クラスタリングと特徴量の可視化\n1.で TFR と若年女性転入出それぞれに対して回帰分析を行った。しかし決定木でモデルを作成しているた\nめ特徴量の重要度はわかるがどのような影響を与えているのかがわからない。どのような影響を与えているの\nかを知るために、クラスタごとに特徴量を可視化していく。\n第3章 データの取得と加工\n3.1 教育用標準データセットからの抽出\n教育用標準データセットから算出したものは以下の通りである。\n2\n---PAGE---\n表 1 SSDSEからの抽出データ一覧\n取得元 項目 算出方法 年度 取得元 項目 算出方法 年度\nSSDSE-2021A総人口 2015年 SSDSE-2020A事業所数（民営）（情報通信業）割合 事業所数（民営）（情報通信業）/総事業所数 2016年\nSSDSE-2021A男性比率 総男性人数/総人口 2015年 SSDSE-2020A事業所数（民営）（運輸業，郵便業）割合 事業所数（民営）（運輸業，郵便業）/総事業所数 2016年\nSSDSE-2021A15歳未満人口割合 15歳未満人口/総人口 2015年 SSDSE-2020A事業所数（民営）（卸売業，小売業）割合 事業所数（民営）（卸売業，小売業）/総事業所数 2016年\nSSDSE-2021A15～64歳人口割合 15～64歳人口/総人口 2015年 SSDSE-2020A事業所数（民営）（金融業，保険業）割合 事業所数（民営）（金融業，保険業）/総事業所数 2016年\nSSDSE-2021A65歳以上人口割合 65歳以上人口/総人口 2015年 SSDSE-2020A事業所数（民営）（不動産業，物品賃貸業）割合 事業所数（民営）（不動産業，物品賃貸業）/総事業所数 2016年\nSSDSE-2021A75歳以上人口割合 75歳以上人口/総人口 2015年 SSDSE-2020A事業所数（民営）（学術研究，専門・技術サービス業）割合 事業所数（民営）（学術研究，専門・技術サービス業）/総事業所数 2016年\nSSDSE-2021A外国人割合 外国人人口/総人口 2015年 SSDSE-2020A事業所数（民営）（宿泊業，飲食サービス業）割合 事業所数（民営）（宿泊業，飲食サービス業）/総事業所数 2016年\nSSDSE-2021A転入出 転入/転出 2015年 SSDSE-2020A事業所数（民営）（生活関連サービス業，娯楽業）割合 事業所数（民営）（生活関連サービス業，娯楽業）/総事業所数 2016年\nSSDSE-2021A1世帯当たり人員数 総人口/総世帯数 2015年 SSDSE-2020A事業所数（民営）（教育，学習支援業）割合 事業所数（民営）（教育，学習支援業）/総事業所数 2016年\nSSDSE-2021A核家族世帯数割合 核家族世帯数/総世帯数 2015年 SSDSE-2020A事業所数（民営）（医療，福祉）割合 事業所数（民営）（医療，福祉）/総事業所数 2016年\nSSDSE-2021A単独世帯数割合 単独世帯数/総世帯数 2015年 SSDSE-2020A事業所数（民営）（複合サービス事業）割合 事業所数（民営）（複合サービス事業）/総事業所数 2016年\nSSDSE-2021A65歳以上の世帯員のいる核家族世帯数割合 65歳以上の世帯員のいる核家族世帯数/総世帯 2015年 SSDSE-2020A事業所数（民営）（サービス業（他に分類されないもの））割合 事業所数（民営）（サービス業（他に分類されないもの））/総事業所数 2016年\nSSDSE-2021A高齢夫婦のみの世帯数割合 高齢夫婦のみの世帯数/総世帯 2015年 SSDSE-2020A第１次産業事業所数割合 第１次産業事業所数/総事業所数 2016年\nSSDSE-2021A高齢単身世帯数（65歳以上の者１人）割合 高齢単身世帯数（65歳以上の者１人）/総世帯 2015年 SSDSE-2020A第２次産業事業所数割合 第２次産業事業所数/総事業所数 2016年\nSSDSE-2021A総面積（北方地域及び竹島を除く） 2019年 SSDSE-2020A第３次産業事業所数割合 第３次産業事業所数/総事業所数 2016年\nSSDSE-2021A農家数（販売農家） 2014年 SSDSE-2020A従業者数（民営）（農業，林業）割合 従業者数（民営）（農業，林業）/総従業員数 2016年\nSSDSE-2021A農家数（自給的農家） 2014年 SSDSE-2020A従業者数（民営）（漁業）割合 従業者数（民営）（漁業）/総従業員数 2016年\nSSDSE-2021A就業者数割合（男） 就業者数（男）/就業者数 2015年 SSDSE-2020A従業者数（民営）（鉱業，採石業，砂利採取業）割合 従業者数（民営）（鉱業，採石業，砂利採取業）/総従業員数 2016年\nSSDSE-2021A就業者数割合（女） 就業者数（女）/就業者数 2015年 SSDSE-2020A従業者数（民営）（建設業）割合 従業者数（民営）（建設業）/総従業員数 2016年\nSSDSE-2021A完全失業率 完全失業者数/就業者数 2015年 SSDSE-2020A従業者数（民営）（製造業）割合 従業者数（民営）（製造業）/総従業員数 2016年\nSSDSE-2021A完全失業率（男） 完全失業者数（男）/就業者数 2015年 SSDSE-2020A従業者数（民営）（電気・ガス・熱供給・水道業）割合 従業者数（民営）（電気・ガス・熱供給・水道業）/総従業員数 2016年\nSSDSE-2021A完全失業率（女） 完全失業者数（女）/就業者数 2015年 SSDSE-2020A従業者数（民営）（情報通信業）割合 従業者数（民営）（情報通信業）/総従業員数 2016年\nSSDSE-2021A非労働力人口割合 非労働力人口/就業者数 2015年 SSDSE-2020A従業者数（民営）（運輸業，郵便業）割合 従業者数（民営）（運輸業，郵便業）/総従業員数 2016年\nSSDSE-2021A非労働力人口割合（男） 非労働力人口（男）/15歳以上人口（男） 2015年 SSDSE-2020A従業者数（民営）（卸売業，小売業）割合 従業者数（民営）（卸売業，小売業）/総従業員数 2016年\nSSDSE-2021A非労働力人口割合（女） 非労働力人口（女）/15歳以上人口（女） 2015年 SSDSE-2020A従業者数（民営）（金融業，保険業）割合 従業者数（民営）（金融業，保険業）/総従業員数 2016年\nSSDSE-2021A第１次産業就業者数割合 第１次産業就業者数/就業者数 2015年 SSDSE-2020A従業者数（民営）（不動産業，物品賃貸業）割合 従業者数（民営）（不動産業，物品賃貸業）/総従業員数 2016年\nSSDSE-2021A第２次産業就業者数割合 第２次産業就業者数/就業者数 2015年 SSDSE-2020A従業者数（民営）（学術研究，専門・技術サービス業）割合 従業者数（民営）（学術研究，専門・技術サービス業）/総従業員数 2016年\nSSDSE-2021A第３次産業就業者数割合 第３次産業就業者数/就業者数 2015年 SSDSE-2020A従業者数（民営）（宿泊業，飲食サービス業）割合 従業者数（民営）（宿泊業，飲食サービス業）/総従業員数 2016年\nSSDSE-2021A人口当たり小売店数 小売店数/総人口 2016年 SSDSE-2020A従業者数（民営）（生活関連サービス業，娯楽業）割合 従業者数（民営）（生活関連サービス業，娯楽業）/総従業員数 2016年\nSSDSE-2021A人口当たり飲食店数 飲食店数/総人口 2016年 SSDSE-2020A従業者数（民営）（教育，学習支援業）割合 従業者数（民営）（教育，学習支援業）/総従業員数 2016年\nSSDSE-2021A人口当たり大型小売店数 大型小売店数/総人口 2016年 SSDSE-2020A従業者数（民営）（医療，福祉）割合 従業者数（民営）（医療，福祉）/総従業員数 2016年\nSSDSE-2021A在園児当たり保育所数 在園児数/保育所数 2017年 SSDSE-2020A従業者数（民営）（複合サービス事業）割合 従業者数（民営）（複合サービス事業）/総従業員数 2016年\nSSDSE-2021A就業率 就業者数/15歳以上人口 2015年 SSDSE-2020A従業者数（民営）（サービス業（他に分類されないもの））割合 従業者数（民営）（サービス業（他に分類されないもの））/総従業員数 2016年\nSSDSE-2021A就業率（男） 就業者数(男）/15歳以上人口(男） 2015年 SSDSE-2020A第１次産業従業者数割合 第１次産業従業者数/総従業員数 2016年\nSSDSE-2021A就業率（女） 就業者数（女）/15歳以上人口（女） 2015年 SSDSE-2020A第２次産業従業者数割合 第２次産業従業者数/総従業員数 2016年\nSSDSE-2020A事業所数（民営）（農業，林業）割合 事業所数（民営）（農業，林業）/総事業所数 2016年 SSDSE-2020A第３次産業従業者数割合 第３次産業従業者数/総従業員数 2016年\nSSDSE-2020A事業所数（民営）（漁業）割合 事業所数（民営）（漁業）/総事業所数 2016年 SSDSE-2020A公民館数 2015年\nSSDSE-2020A事業所数（民営）（鉱業，採石業，砂利採取業）割合 事業所数（民営）（鉱業，採石業，砂利採取業）/総事業所数 2016年 SSDSE-2020A図書館数 2015年\nSSDSE-2020A事業所数（民営）（建設業）割合 事業所数（民営）（建設業）/総事業所数 2016年 SSDSE-2021B平均気温 都道府県データの2007～2018年平均を適用 2007~2018年平均\nSSDSE-2020A事業所数（民営）（製造業）割合 事業所数（民営）（製造業）/総事業所数 2016年 SSDSE-2021B平均最高気温 都道府県データの2007～2018年平均を適用 2007~2018年平均\nSSDSE-2020A事業所数（民営）（電気・ガス・熱供給・水道業）割合 事業所数（民営）（電気・ガス・熱供給・水道業）/総事業所数 2016年 SSDSE-2021B平均最低気温 都道府県データの2007～2018年平均を適用 2007~2018年平均\n3.2 追加データ\n追加データの出典、算出方法は以下の通りである。\n表 2 追加データ一覧\n取得元 項目 算出方法 年度 取得元 項目 算出方法 年度\ne-stats 若年女性転入出 15～49歳女性転入数/15～49歳女性転出数 2013～2016年平均e-stats 老人福祉費割合 老人福祉費/歳出決算総額 2015年\ne-stats 可住面積人口密度 人口/可住面積 2015年 e-stats 児童福祉費割合 児童福祉費/歳出決算総額 2015年\ne-stats 人口当たり婚姻件数 婚姻数/総人口 2015年 e-stats 生活保護費割合 生活保護費/歳出決算総額 2015年\ne-stats 人口当たり離婚件数 離婚数/総人口 2015年 e-stats 災害救助費割合 災害救助費/歳出決算総額 2015年\ne-stats 可住地面積 2015年 e-stats 衛生費割合 衛生費/歳出決算総額 2015年\ne-stats 幼稚園当たり在園者数 在園者数/幼稚園数 2015年 e-stats 保健衛生費割合 保健衛生費/歳出決算総額 2015年\ne-stats 生徒当たり小学校数 小学校数/生徒数 2015年 e-stats 保健所費割合 保健所費/歳出決算総額 2015年\ne-stats 生徒当たり小学校教員数 小学校教員数/生徒数 2015年 e-stats 清掃費割合 清掃費/歳出決算総額 2015年\ne-stats 生徒当たり中学校数 中学校数/生徒数 2015年 e-stats 労働費割合 労働費/歳出決算総額 2015年\ne-stats 生徒当たり中学校教員数 中学校教員数/生徒数 2015年 e-stats 失業対策費割合 失業対策費/歳出決算総額 2015年\ne-stats 生徒当たり高校数 高校数/生徒数 2015年 e-stats 農林水産業費割合 農林水産業費/歳出決算総額 2015年\ne-stats 非水洗化人口割合 非水洗化人口/総人口 2017年 e-stats 商工費割合 商工費/歳出決算総額 2015年\ne-stats 人口当たり一般病院数 一般病院数/総人口 2015年 e-stats 土木費割合 土木費/歳出決算総額 2015年\ne-stats 人口当たり一般診療所数 一般診療所数/総人口 2015年 e-stats 道路橋りょう費割合 道路橋りょう費/歳出決算総額 2015年\ne-stats 人口当たり歯科診療所数 歯科診療所数/総人口 2015年 e-stats 都市計画費割合 都市計画費/歳出決算総額 2015年\ne-stats 人口当たり医師数 医師数/総人口 2016年 e-stats 住宅費割合 住宅費/歳出決算総額 2015年\ne-stats 人口当たり歯科医師数 歯科医師数/総人口 2016年 e-stats 消防費割合 消防費/歳出決算総額 2015年\ne-stats 人口当たり薬剤師数 薬剤師数/総人口 2016年 e-stats 教育費割合 教育費/歳出決算総額 2015年\ne-stats 介護老人福祉施設（65歳以上人口10万人当たり）【所】 2015年 e-stats 小学校費割合 小学校費/歳出決算総額 2015年\ne-stats その他の社会福祉施設等数【所】 2017年 e-stats 中学校費割合 中学校費/歳出決算総額 2015年\ne-stats 児童福祉施設等数（助産施設，児童遊園を除く）【所】 2017年 e-stats 高等学校費割合 高等学校費/歳出決算総額 2015年\ne-stats 公営保育所等数【所】 2017年 e-stats 特別支援学校費割合 特別支援学校費/歳出決算総額 2015年\ne-stats 母子・父子福祉施設数【所】 2017年 e-stats 幼稚園費割合 幼稚園費/歳出決算総額 2015年\ne-stats 障害者支援施設等数【所】 2017年 e-stats 社会教育費割合 社会教育費/歳出決算総額 2015年\ne-stats 身体障害者社会参加支援施設数【所】 2017年 e-stats 保健体育費割合 保健体育費/歳出決算総額 2015年\ne-stats 婦人保護施設数【所】 2017年 e-stats 災害復旧費割合 災害復旧費/歳出決算総額 2015年\ne-stats 織物・衣服・身の回り品小売店数【事業所】 2016年 e-stats 公債費割合 公債費/歳出決算総額 2015年\ne-stats 標準価格（平均価格）（住宅地）【円／ｍ2】 2009年 e-stats 人件費割合 人件費/歳出決算総額 2015年\ne-stats 最終学歴人口（短大・高専）/最終学歴人口（卒業者総数） 2010年 e-stats 物件費割合 物件費/歳出決算総額 2015年\ne-stats 最終学歴人口（大学・大学院）/最終学歴人口（卒業者総数） 2010年 e-stats 維持補修費割合 維持補修費/歳出決算総額 2015年\ne-stats 労働力人口女性割合 2015年 e-stats 扶助費割合 扶助費/歳出決算総額 2015年\ne-stats 65歳以上就業者割合 2015年 e-stats 補助費等割合 補助費等/歳出決算総額 2015年\ne-stats 昼夜間人口比率【％】 2015年 e-stats 普通建設事業費割合 普通建設事業費/歳出決算総額 2015年\ne-stats 0~3歳人口当たり保育所等数 保育所等数/0~3歳人口 2018年 e-stats 災害復旧事業費割合 災害復旧事業費/歳出決算総額 2015年\ne-stats 国民健康保険被保険者1人当たり診療費【円】 2014年 e-stats 失業対策事業費割合 失業対策事業費/歳出決算総額 2015年\ne-stats 財政力指数 2015年 e-stats 公債費割合 公債費/歳出決算総額 2015年\ne-stats 実質収支比率 2015年 厚生労働省 合計特殊出生率 2013～2017年\ne-stats 経常収支比率 2015年 国土交通省 緯度 政令指定都市はすべての区の平均\ne-stats 歳入決算総額 2015年 国土交通省 経度 政令指定都市はすべての区の平均\ne-stats 地方税割合 地方税/歳入決算総額 2015年 国土交通省 距離系\ne-stats 歳出決算総額 2015年 CSIS Discussion Paper #68 日本における居住地の分布と地形との関係 標高\ne-stats 議会費割合 議会費/歳出決算総額 2015年 CSIS Discussion Paper #69 日本における居住地の分布と地形との関係 傾斜\ne\ne\n-\n-\ns\ns\nt\nt\na\na\nt\nt\ns\ns\n総\n民\n務\n生\n費\n費\n割\n割\n合\n合\n総\n民\n務\n生\n費\n費\n/\n/\n歳\n歳\n出\n出\n決\n決\n算\n算\n総\n総\n額\n額\n2\n2\n0\n0\n1\n1\n5\n5\n年\n年\n内\n内\n閣\n閣\n府\n府\n市\n市\n区\n区\n町\n町\n村\n村\n女\n女\n性\n性\n参\n参\n画\n画\n状\n状\n況\n況\n見\n見\nえ\nえ\nる\nる\n化\n化\nマ\nマ\nッ\nッ\nプ\nプ\n公\n女\n務\n性\n員\n議\n女\n員\n性\n割\n管\n合\n理職割合 2\n2\n0\n0\n1\n1\n6\n5\n年\n年\ne-stats 社会福祉費割合 社会福祉費/歳出決算総額 2015年 総務省住民税統計データ 平均年収 課税対象所得/納税者数 2015年\n（※今回、目的変数の1つである合計特殊出生率のデータに関して宮城県女川町と福島県南相馬市、広野町、楢葉町、富\n岡町、川内村、大熊町、双葉町、浪江町、葛尾村、飯館村はデータが取得できなかったため、これらの地域においては分\n析対象外とする。）\n3.3 距離情報の計算\n地球を真球と仮定し以下の計算式で東京（千代田区）からの距離、大阪からの距離を算出した。また、市区\n町村の緯度経度は各地域の役所、役場の場所を表している。\n𝐷 =6371∗arccos(cos(𝑙𝑎𝑡1)+cos(𝑙𝑎𝑡2)∗cos(𝑙𝑜𝑛2−𝑙𝑜𝑛1)+sin(𝑙𝑎𝑡1)∗sin(𝑙𝑎𝑡2))\nD…距離、lat1,lon1…地点1の緯度経度、lat2,lon2…地点2の緯度経度\n3.4 市区町村のクラスタリング\nここで市区町村を TFRと若年女性転入出を標準化してクラスタリングをしてく。狙いは第2章2.2 データ\n3\n---PAGE---\n分析と手順で述べたとおりである。図 2 より若年女性転入出が 2.5 のあたりに 1 つ外れ値があることがわか\nる。今回はこれを除外することにする。ちなみにこの外れ値は島根県知夫村という離島で移住促進政策を成功\nさせている自治体である。\n図 2 TFRと若年女性転入出の散布図 図 3 エルボー図\n次に図3のエルボー図を見てみる。この図は横軸にクラスタ数、縦軸にクラスタ内の散らばり具合をとった\nグラフである。この図から最適なクラスタ数が6～9のあたりであることがわかる。今回はクラスタ数7を採\n用し、各クラスタに下図のような名前を付ける。また、クラスタリングの際、外れ値として除外していた知夫\n村を人口維持理想型に加える。\n図4 名前付きクラスタ図\n第4章 分析結果\n4.1 合計特殊出生率予測モデル\nまず、取得できた特徴量すべてを使用して TFR の予測モデルを作成した。特徴量重要度は、それぞれの特\n徴量の重要度を、重要度すべてを合計した値で割り、割合で表している。また、重要度は学習データと検証デ\nータによって微妙に異なってくるため100種類の学習データと検証データを用意し、100回特徴量重要度を算\n4",
    "2021U3-suri.pdf": "2021年度 統計データ分析コンペティション\n統計数理賞［大学生・一般の部］\n若年女性の社会増減についての要因分析\n三輪 俊太郎\n（滋賀大学大学院データサイエンス研究科）\n論文の概要\n地方の人口減少は自然増減と社会増減の２つの側面があることから、女性の社会増\n減について145項目の変数を用いてランダムフォレスト回帰により若年女性の社会移\n動にかかわる要因を抽出し、産業面では特定産業の集積、産業面以外では婚姻数等が\n若年女性人口と相関していることを示している。\n論文審査会コメント\n先行研究も参考に分析を実施していて、独自の指標形成も評価できる。古典的計量\n実証と機械学習による探索とを連携させようとする努力をきちんと試みており、実証\n研究の未来の方向性を示した論文として評価できる。\n---PAGE---\n若年女性の社会増減についての要因分析\n三輪 俊太郎※1\n※1 滋賀大学データサイエンス研究科・宮崎県\n1 問題と目的\n人口減少は、平成末期の地方制度におけるキーワードである（1）。まち・ひと・しごと創生長期ビジョン（令\n和元年改訂版）では、地方において地域社会の担い手が減少することにより、地域経済が縮小し、それが更に人\n口減少を加速させ負の連鎖に陥っていると指摘し、地方の未来に向け「活力ある地域社会」の実現と、「東京圏\nへの一極集中」の是正を目指すと掲げている（2）。\n人口減少には、死亡数と出生数の差による自然増減と、地域間の移動に伴う社会増減の２つの側面がある。地\n方の人口減少は、出生率の低下と地方から東京圏への人口移動とが複合して生じており、人口移動について東京\n圏への年齢階層別の転入超過数を見ると、15〜29歳の若年者が大部分を占めている（2）。人口は限られた資源で\nあり、その社会移動に関わる要因を確認することは、地方の持続可能性に向けた対策を行うにあたり重要である\nと考える。\n若者の移動については、独立行政法人労働政策研究・研修機構の「移動する若者・しない若者」に詳しい。そ\nの中で林（3）は、若年女性の移動に着目しており、高い経済成長率を維持した時代は男性が都市部に集まってい\nたが、90年代から傾向が変わり、2000年以後は都市部の20〜39歳の若年層において男性よりも女性の比率が高\nくなっていることを明らかにした。また、女性は男性よりも転入転出が少ないことから、都市部に集まり、都市\n部から出て行かない傾向にあると指摘している。\n地方の人口減少は、自然増と社会増減の２つの側面があると先に述べたが、女性は出産を担うため、その両者\nに関わると言える。言い換えると、地方は都市部に比べ出生率が高い傾向にあるものの、社会移動により若年女\n性の総人口が少なければ、人口の持続可能性は乏しいことになる。また、林の指摘から、男性と女性とでは社会\n移動の傾向が異なっているため、若年女性のみを対象として社会移動の要因を探ることには大きな意義があると\n考える。\n若年女性の社会移動要因の先行研究として、先の林（3）は、ジェンダー指数と20〜39歳女性の都道府県間転入\n超過数とには相関があると指摘している。また、10歳階級別に都道府県間の女性の純転入率と社会・人口統計体\n系の各種指標との関係を見た田村ら（4）は、20歳代と30歳代とでは指標との相関関係が大きく異なっており、\n20歳代では給与や物価などの経済的な要因と純転入率とに大きな正の相関があるものの、30歳代では経済的な\n要因との相関が見られず、婚姻率や教育費といった家庭の要因に相関が見られることを明らかにしている。ただ\nし、どちらの研究も、女性の社会移動に関わる要因を網羅できていないこと、１時点のみを対象とした分析であ\nることが研究上の限界であると考える。\nそこで本研究では、若年女性の社会移動に関わる要因について、網羅的かつ複数年検討し、地方の持続可能性\nに向けた施策立案に資することを目的とする。\n2 分析方針と方法\n2.1 分析方針と用いるデータ\n本研究では、若年女性の社会移動に関わる要因について、できる限り網羅的に検討することから、都道府県レ\nベルを対象とした。その理由は、公的統計の範囲が都道府県と市町村とでは大きく異なり、都道府県レベルの統\n計の方が非常に多いためである。\nまた、目的変数である若年女性の人口として、国勢調査における各都道府県の30〜34歳人口を扱うことと\nし、2005年・2010年・2015年の統計を分析の対象とすることとした。その理由は、以下の３点である。①若年\n者の社会移動は、15〜29歳が大部分であり、30〜34歳の人口はその結果として捉えることができるため。②\n2005年・2010年・2015年の対象年において、5歳階級を扱うことにより各調査年でコホートが重複せず、コホ\nートの影響を取り除けるため。③国勢調査を用いる理由は、住民基本台帳があくまで住民票上の移動を把握する\nものであり、住民票を動かさずに移動しているケースについては社会移動を把握できないため。\n要因を網羅的に検討するにあたり、因果連鎖分析（5）を用いた。具体的には、若年女性の社会移動には、社会\n移動に結びつく直接的な行動として「進学」「就職」「Uターン」「Iターン」があると想定し、それぞれに関\nわる要因をできる限り挙げ、後の変数選択における方針とした（因果連鎖分析グラフは省略）。\n続いて、因果連鎖分析に基づき、本研究で用いる変数を選択した。選択した統計の一覧は表１の通りである。\nなお、人口や世帯数などの規模により、現数値では都道府県間の比較が困難であると考えられる変数について\nは、人口千人あたりにするなどのスケーリングを行った。\n変数は代理変数を含め、できる限り網羅するように選択した。例えば、「交通手段の利便性」を直接的に示す\n統計はないため、交通手段の選択肢が少ない地方はガソリンの消費が多くなると考え、ガソリン消費量を代理変\n数とした。また、因果連鎖分析内には要因として挙げられたものの、統計がない、対象年に調査がされていない\n等の理由から扱えなかったものもある（「愛着」「地域の情報発信」など）。\n結果として、47都道府県×3時点×145変数のパネルデータとなった。データの取得には提供されたSSDSEの\n他、e-stat（6）、統計ダッシュボード（7）、RESAS（8）を用いた。\n---PAGE---\n2.2 独自に作成した指標\n以下の変数については、独自に作成を行った。\n①特化係数（各業種の県民総生産、各業種の就業者数、各職種の従業者数）\n特化係数とは、地域における特定の産業の相対的な集積度を示す指標であり、地方の産業構造を簡易に把握す\nることができる（9）。算出方法は以下の通りである。\n地域における産業の付加価値額の比率\n地域における産業Aの付加価値額特化係数 ＝\n全国における産業の付加価値額の比率\n𝐴𝐴\n𝐴𝐴\n②ハーフィンダール・ハーシュマン指数（各業種の就業者数、各職種の従業者数）\n地域の産業・雇用の多様性（あるいは集中度）を示す指標として、ハーフィンダール・ハーシュマン指数\n（HHI）を作成した（10）。HHIは各分野の比率を２乗したものの総和であり、値は0から１の範囲を取り、0に近\nいほど産業・雇用の多様性が高いことを示す。算出方法は以下の通りである。\n当該地域の業種HHI ＝\n: 当該地域のi番目の業種の比𝑛𝑛率, 2n: 業種数\n∑𝑖𝑖=1𝐶𝐶𝑖𝑖\n③ジェンダーギャップ指数\n𝐶𝐶𝑖𝑖\n各都道府県における男女間の不均衡を示す指標として、世界経済フォーラムの算出方法に基づき、ジェンダー\nギャップ指数（GGI）を作成した（11）。GGIは経済分野、教育分野、健康分野、政治分野の４つの指標と、その４\n指標を平均した総合指標がある。表２はGGIの算出方法である。\n2.3 分析方法\n本研究の分析方法として、ランダムフォレスト回帰によるSHAP値を求めることとした。\n(1) ランダムフォレスト（13）とは\nランダムフォレストとは、決定木を元とした機械学習手法であり、算出される説明変数の重要度により機械\n学習手法の中では結果の解釈性が高いこと、サンプルサイズより説明変数が多くとも安定した結果が出せるこ\nと、多重共線性や変数の分布形状を問わずに分析可能であることが主な特徴である。\n(2) SHAPとは\nSHAP(SHapley Additive exPlanations)（14）とは、機械学習で得られた予測モデルの説明性や解釈性を高める\nための指標であり、予測結果について説明変数の貢献度（予測への寄与度）単位に分解したものである。\n(3) 時系列性を取り除く固定効果変換\n本研究では３時点のパネルデータを扱うが、ランダムフォレストにそのままデータを入力すると、データに\nは都道府県による異質性や時点による異質性が混在することになる。\nそこで、パネルデータ分析を参考に、都道府県の固定効果変換を行うこととした。具体的には、都道府県ご\nとに異なるが時間を通じて一定である変数をダミー項に加え、各変数の値は以下の式の通り、各時点における\n全都道府県の平均値を控除した。\n：目的変数, β:パラメータ, :説明変数, 誤差項 都道府県 時点\n𝑦𝑦𝑖𝑖𝑖𝑖−𝑦𝑦�𝑖𝑖 =𝛽𝛽(𝒙𝒙𝑖𝑖𝑖𝑖−𝒙𝒙���𝑖𝑖)+𝜀𝜀𝑖𝑖𝑖𝑖–𝜀𝜀�𝑖𝑖\nこの変換により、時点による異質性はキャンセルアウトされる。なお、この変換は関数形として線形を仮\n𝑦𝑦𝑖𝑖𝑖𝑖 𝒙𝒙𝑖𝑖𝑖𝑖 𝜀𝜀𝑖𝑖𝑖𝑖: , 𝑖𝑖: , t:\n定していること、ランダム効果はないと前提している点に留意する必要がある。",
    "2021U4-shorei.pdf": "2021年度 統計データ分析コンペティション\n統計活用奨励賞［大学生・一般の部］\n家計調査を用いた消費重心と多変量解析\nによる地域性の導出\n井手 健太（法政大学経済学部経済学科）\n論文の概要\n家計調査の結果を用いて消費重心を定義し、クラスター分析を行うことで消費傾向\nが都道府県の位置する地方ごとに大別できることを示している。\n論文審査会コメント\n記述的多変量解析系の仮説探索型分析が特徴的であり、その範囲内で先行研究を提\n示していることも論文としての成立要件を満たしており、消費重心が著者のオリジナ\nルの提案との前提の下で論文としての新規性を高く評価できる。\n---PAGE---\n家計調査を用いた消費重心と多変量解析による地域性の導出\n井手健太\n法政大学経済学部経済学科\n１．研究のテーマと目的\n1.1 家計調査と研究の目的\n昭和21年7月に始められた「消費者価格調査」から発展した長い歴史をもつ「家計調査」は、総務省統計\n局が実施している基幹統計である。「家計調査」では、「一定の統計上の抽出方法に基づき選定された全国約9\n千世帯の方々を対象として、家計の収入・支出、貯蓄・負債などを毎月調査している。」(総務省統計局「家計\n調査」( http://www.stat.go.jp/data/kakei/))二人以上の世帯の1世帯当たり1か月間の収支金額は、月ご\nとに、単身世帯及び総世帯の家計収支に関する結果と二人以上の世帯の貯蓄・負債に関する結果は、四半期ご\nとに公表されており、それとは別に年平均の結果をまとめた「家計調査年報」が公表されている。\n「家計調査」の結果は、品目別都道府県庁所在市及び政令指定都市ランキングとしてまとめられている。ラ\nンキング形式での表章は、地域の特産物を把握することや品目別に支出額の多い都道府県を比較することに\n適しているため、直観的に理解しやすく幅広い層に知見をもたらすだろう。しかし、ランキングにおいて消費\n額が上位に位置しなかった品目の特徴と都道府県の特徴が捨象されてしまう点や、複数あるいは全体で総合\n的に評価するのが難しい点において欠点があり、詳細な傾向や全体像を把握することが難しいと考えられる。\nそのため、ランキング形式では表章されない下位の特徴や都道府県間の特徴を、より明確に反映することが\n必要である。この論文では、ランキング形式以外の方法で、消費品目別の特徴と都道府県別の特徴をそれぞれ\n導出することを目的とする。\n1.2 消費重心の導出と消費品目別傾向\n消費品目別の特徴を導出し、グルーピングすることを考える。グループ分けを行う基準の1つとして、昨年\n度のデータコンペで提案した消費重心を用いる。\n消費重心は、人口の移動を表す尺度である人口重心を基にしている。総務省統計局(2017)「我が国の人口重\n心-平成27年国勢調査結果から-」によると、人口重心とは、「1人1人が同じ重さを持つと仮定して、調査地\n域の人口が全体として平衡を保つことができる点」と定義されており、市区町村の人口重心は以下の式で算出\nされている。\n∑𝑤𝑤𝑖𝑖𝑥𝑥𝑖𝑖cos(𝑦𝑦𝑖𝑖) ∑𝑤𝑤𝑖𝑖𝑦𝑦𝑖𝑖\n𝑥𝑥 = ∑𝑤𝑤𝑖𝑖cos(𝑦𝑦𝑖𝑖) 𝑦𝑦= ∑𝑤𝑤𝑖𝑖\n:人口重心の経度、緯度 :基本単位区ごとの面積の中心点の経度、緯度\n:基本単位区ごとの人口\n𝑥𝑥 , 𝑦𝑦 𝑥𝑥𝑖𝑖 ,𝑦𝑦𝑖𝑖\n全国の人口重心は、都道府県の人口重心の経度、緯度を とし、都道府県の人口を として計算すると\n𝑤𝑤𝑖𝑖\n算出できる。また、田村（2019）「人口重心移動の要因分解」では、上記の人口重心の算出式を、以下の式で\n𝑥𝑥𝑖𝑖 ,𝑦𝑦𝑖𝑖 𝑤𝑤𝑖𝑖\n簡略化している。\n∑𝑤𝑤𝑖𝑖𝑥𝑥𝑖𝑖 ∑𝑤𝑤𝑖𝑖𝑦𝑦𝑖𝑖\nこれらの手法を用いて算出される人口重 𝑥𝑥 心 = の理 ∑𝑤𝑤 論𝑖𝑖 は、 𝑦𝑦 様 = 々 ∑ な 𝑤𝑤 分𝑖𝑖 野への応用が可能である。「大都市の昼・夜\n間人口重心とその移動」(清水1958)では、人口の代わりに各ターミナル交通量をその点の重みと仮定し、番\n𝑖𝑖\n1\n---PAGE---\n目のターミナル交通量を 、その座標を 、 、ターミナル数を として、以下の式で交通の重心を算出して\nいる。\n𝑃𝑃𝑖𝑖 𝑋𝑋𝑖𝑖 𝑌𝑌𝑖𝑖 𝑁𝑁\n𝑁𝑁 𝑁𝑁\n∑𝑖𝑖=1𝑃𝑃𝑖𝑖 𝑋𝑋𝑖𝑖 ∑𝑖𝑖=1𝑃𝑃𝑖𝑖 𝑌𝑌𝑖𝑖\nこの論文では、人口重心の式に対して人口𝑋𝑋� の=代わ∑ 𝑁𝑁 𝑖𝑖=り1𝑃𝑃に𝑖𝑖 交通𝑌𝑌� =量を∑ 𝑁𝑁 𝑖𝑖代=1入𝑃𝑃𝑖𝑖することで、人口重心から都市交通問題の\n考察が可能であることが示されている。\n昨年度のデータコンペでは、清水(1958)と同様に人口重心の重みづけを家計消費額に変更することで、消費\n品目別の特徴を導出する「消費重心」の算出を提案した。具体的には、各都道府県の人口重心に、各都道府県\n庁所在地の全ての消費が集まっていると仮定し、人口重心の重みづけの人口 を消費額 に変更して計算し\nた。\n𝑤𝑤𝑖𝑖 𝐶𝐶𝑖𝑖\n∑𝐶𝐶𝑖𝑖𝑥𝑥𝑖𝑖 ∑𝐶𝐶𝑖𝑖𝑦𝑦𝑖𝑖\n:消費重心の経度、緯度 𝑥𝑥 = :各 ∑𝐶𝐶 都𝑖𝑖 道府 𝑦𝑦 県 = に ∑ お 𝐶𝐶𝑖𝑖ける人口重心の経度、緯度\n:各県庁所在市における家計消費額\n𝑥𝑥 ,𝑦𝑦 𝑥𝑥𝑖𝑖 ,𝑦𝑦𝑖𝑖\n家計消費額 は、1世帯あたりの消費額に世帯数をかける方法と1人あたり消費額に人口をかける方法がある\n𝐶𝐶𝑖𝑖\nが、データセットに馴染みやすい前者で算出した。昨年度のデータコンペでは、消費重心の経度の大きさに着\n𝐶𝐶𝑖𝑖\n目すると東西の、緯度の大きさに着目すると南北の特色をうかがえることや、地図上にプロットすると視覚的\nに特徴を捉えられることを論じた。\nこの研究では、消費重心をグループ分けを行う基準の 1 つとして取り入れ、ランキング形式では難しい消\n費品目の特徴を可視化する。\n1.3クラスター分析と都道府県別傾向\n都道府県別の特徴を導出し、グルーピングすることを考える。岩崎・足立・渡辺・宿久・ 芳賀 (2017) で\nは、都道府県庁所在地間の距離データを用いて、階層的クラスタリング法を適応している。最長距離法による\n結果では、「沖縄」、「岩手・秋田以北」、「九州＋高知・広島・愛媛」、「関東＋福島・宮城・山形」、「近畿＋北\n陸＋中国・四国の一部＋静岡・山梨」の5つのクラスターに分かれることが示されており、地理的に整然とク\nラスタリングされていることが分かる。\nこの先行研究から分かるように、クラスタリングの対象が都道府県であれば、クラスターの中身の解釈がし\nやすい。よって、ランキング形式では把握しにくい都道府県間の類似性を導出するため、家計消費額のデータ\nを用いて階層的クラスタリング法を適応し、類似度に従って逐次的に都道府県を結合する。また、視覚的に分\nかりやすく表章するため、テンドログラムを作成して都道府県のグルーピングを行う。\n２．研究の方法と手順\n2.1 消費品目別傾向の導出方法\n消費品目を特徴別にグルーピングするため、消費品目を類別する尺度を検討する必要がある。今回は消費品\n目を以下5パターンに分けることを想定して分析を行う。\n①「特定地域型」の消費品目\n②「東西型」の消費品目\n③「都会・地方型」の消費品目\n④「均一消費型」の消費品目\n⑤その他の分布の消費品目\n2\n---PAGE---\nまず、消費品目別の全国平均値と都道府県別消費品目別の平均値の差が大きい品目を抽出する。全国平均よ\nりも消費量が大幅に多いと判断される品目と都道府県をペアにして抜き出し、①「特定地域型」の消費品目に\nグルーピングする。\n次に、①に抽出されなかった品目において、品目別に消費重心を算出する。消費重心の経度を利用すること\nで、重心が東西に特に外れた品目を抽出して②「東西型」の消費品目にグルーピングする。\nそして、①、②に抽出されなかった品目において、品目ごとの家計消費額と国勢調査のデータにある都道府\n県別人口密度との相関係数を算出する。正の相関がみられた品目は、人口が集中している都道府県ほど消費量\nが多くなる品目として解釈し「都会型」に、負の相関がみられた品目は、その反対の「地方型」の品目として\nそれぞれ抽出し、③「都会・地方型」の消費品目にグルーピングする。\n続いて、①、②、③に抽出されなかった品目において、品目別に分散を算出する。分散が小さい品目は都道\n府県間で消費量にばらつきが少ない品目として解釈し、④「均一消費型」の消費品目として分類する。\n残った品目を⑤その他の分布の消費品目としてグルーピングし、消費品目を特徴別にグルーピングする。\n2.2 都道府県別傾向の導出方法\n都道府県を消費の類似度でグルーピングするため、変数を家計調査小分類、個体を都道府県としたクラスタ\nー分析を行う。分析にはSPSSを用いた。クラスター分析には様々な手法があるが、今回はクラスター間距離\nを以下のように定義するウォード法を用いた。\n𝑛𝑛𝑇𝑇𝑛𝑛𝐾𝐾\n𝑑𝑑𝑇𝑇𝑇𝑇 =𝑛𝑛𝑇𝑇+𝑛𝑛𝐾𝐾𝑑𝑑𝑝𝑝̅𝑞𝑞�\n: クラスターの集合 ： それぞれの要素数\n𝐶𝐶𝑇𝑇 ,𝐶𝐶𝑇𝑇 𝑛𝑛𝑇𝑇 ,𝑛𝑛𝑇𝑇 𝐶𝐶𝑇𝑇 ,𝐶𝐶𝑇𝑇\n1 1\n𝑝𝑝̅ = � 𝑝𝑝 , 𝑞𝑞� = � 𝑞𝑞\nウォード法では、クラスターに属する対象𝑛𝑛間𝑇𝑇 𝑝𝑝で∈𝐶𝐶重𝑇𝑇 みをつけた距𝑛𝑛離𝑇𝑇 𝑞𝑞を∈𝐶𝐶ク𝑘𝑘 ラスター間距離とする。\nグルーピングの過程はテンドログラムで表象することで、都道府県間の類似性を視覚的に表現し、より容易\nに解釈できるようにする。\n３．データセットの加工\nいずれの分析でも、SSDSE-C-2021 に収録されている、二人以上世帯の、都道府県庁所在市別、食料品目別\n年間支出金額(2018年～2020年の平均値)を用いる。データは金額ベースとなっているため、このままでは地\n域による物価の違いや品目ごとの価格の差による影響を受けてしまう。この影響を除くには 2 つの手法が考\nえらえる。1 つは「小売物価統計」(2019)にある 10 大費目別消費者物価地域差指数の食料の指数で割って調\n整し、実質値に変換したものをさらに標準化して分析する方法であり、もう1つは都道府県ごとに、各消費額\nを食品全体の消費額で割った割合に変換して分析する方法である。今回の分析では、消費品目別の特徴を考察\nする際には、分散を尺度の1つとして用いることとしたため、標準化が不要な後者の手法を、クラスター分析\nでは差異がより明確に表せるようにするため前者の手法で分析を行う。\n消費品目別の特徴を導出する尺度の 1 つである消費重心の算出には、二人以上世帯の、都道府県庁所在市\n別、食料品目別年間支出金額に、SSDSE-A-2021に収録されている一般世帯数(2015)をかけたものを重みとし、\n平成27年「国勢調査」から算出された人口重心の経度緯度を用いてそれぞれ調整する。算出した消費重心は\n補表のようになる。補表では、②「東西型」の消費品目の抽出に利用した経度の値(上位下位ともに 10％)に\n色を付している。また、地図上にプロットすると図 1 のようになる。図 1 では特に特徴のある品目にのみ名\n称を付している。\n3\n---PAGE---\nさらに、同じく消費品目別の特徴を導出する尺度の1つである相関係数の算出には、加えて「令和２年国勢\n調査 人口速報集計」にある人口密度( あたり)を用いた。\n2\n1𝑘𝑘𝑘𝑘\n図1 小分類の消費重心の分布\n都道府県別の特徴をクラスター分析で導出する際は、前述したように「小売物価統計」(2019)にある10大\n費目別消費者物価地域差指数の食料の指数で割って調整することで、実質値に変換して分析する。この調整し\nた値を用いて消費品目ごとに平均値と標準偏差を算出し、標準化したものをクラスター分析にかける。\n４．データ分析の結果\n4.1 家計消費品目のグルーピング\n家計調査小分類の消費品目を①、②、③、④、⑤の優先順位でグルーピングすると表1のようになる。\n表1 消費品目のグルーピング\n消費品目のリスト\nあじ(長崎)、かつお(高知)、かれい(秋田・鳥取)、かに(福井・鳥取)、しじみ(茨城・島根)、かき(貝)(広島)、ほたて貝(青森)、\n①「特定地域型」の消費品目 たらこ(福岡)、揚げかまぼこ(広島)、かまぼこ(宮城)、かつお節・削り節(沖縄)、粉ミルク(沖縄)、はくさい漬け(鳥取・高知)、ぶどう(山梨)、\n梨(島根・鳥取)、桃(福島・山梨・長野・和歌山・岡山)、メロン(北海道・茨城)、カステラ(長崎)、そうざい材料セット(富山)\nたい、まんじゅう、合いびき肉、ぶり、さば、いわし、牛肉、ちくわ、焼酎、即席麺、他の生鮮肉、ふりかけ、砂糖、ソース、鶏肉、\n西\nしょう油、えのきたけ、マーガリン、えび、焼肉、発泡酒・ビール風アルコール飲料、チョコレート菓子\n②「東西型」の消費品目\nまぐろ、ワイン、魚介の漬物、しゅうまい、ウイスキー、さやまめ、塩さけ、干しあじ、洋食、他の麺類、他の酒、紅茶、やきとり、\n東\nしらす干し、他の貝、中華食、ようかん、他のきのこ、たけのこ、他の葉茎菜、さんま、オレンジ\n他の主食的外食、喫茶代、ジャム、ねぎ、ピーマン、トマト、他の野菜のその他、他の乳製品、バター、他の主食的調理食品、\n都会型\n果物加工品、サラダ、たこ、かぼちゃ、調理パン、なす、ハム、うなぎのかば焼き、レタス、チーズ、いちご、他の調理食品のその他\n③「都会・地方型」の消費品目\nソーセージ、つゆ・たれ、カレールウ、しめじ、マヨネーズ・マヨネーズ風調味料、学校給食、スポーツドリンク、食塩、キャンデー、\n地方型\nバナナ、アイスクリーム・シャーベット、スナック菓子、みそ、カップ麺、ゼリー、天ぷら・フライ、小麦粉、ごぼう、いか、中華そば\nケチャップ、ココア・ココア飲料、豆類、他の野菜・海藻の佃煮、パスタ、あさり、干ししいたけ、酢、もやし、プリン、他の大豆製品、\n④「均一消費型」の消費品目\nだいこん漬、だいこん、すいか、他の茶葉、生しいたけ、さつまいも、はくさい、他の野菜・海藻加工品のその他、ドレッシング\n⑤ その他の分布の消費品目 その他\n4",
    "2021U51-toku1.pdf": "2021年度 統計データ分析コンペティション\n特別賞（統計分析）［大学生・一般の部］\n外国人技能実習生の実習地選択における\n就労産業、国籍、都道府県別クラスター効果の導出\n後藤 龍星（慶應義塾大学法学部政治学科）\n論文の概要\n都道府県の時系列データを用いて、労働人口に占める外国人技能実習生の割合を従属\n変数として固定効果モデルによるパネルデータ分析を行い、人口当たり製造業事業所数\nや住宅地価格などについて有意に負の相関があり、技能実習生が「都会過ぎず田舎過ぎ\nない地域」を実習地として選択する傾向にあることを示している。\n論文審査会コメント\n注目されにくい研究テーマについて先行研究を十分抑え、クラスター効果の交絡要因\nの影響除去など適切な分析を行っている。固定効果モデルを中心とした実証技術の独創\n性は希薄であるが、教科書的な丁寧な計量実証分析を行っていて手堅い実証能力や考察\n能力は評価できる。\n---PAGE---\n外国人技能実習生の実習地選択における\n就労産業、国籍、都道府県別クラスター効果の導出\n後藤 龍星\n慶應義塾大学法学部政治学科３年\n１．研究のテーマと目的\n研究のテーマと目的\n現代の日本社会が抱える少子高齢化という構造的課題は、諸外国からの外国人労働者の流入を促進して\nいる側面がある。また、東京オリンピック開催に伴った「外国人建設就労者受入事業」や 2019 年に創設\nされた新在留資格「特定技能1号」および「特定技能2号」の影響もあり、日本国内における外国人労働\n者の総数は、東日本大震災後の2013年から連続した上昇を見せている(7)。しかし、EU圏やアメリカ国内\nで政治的注目を集めるように、外国からの移住者を巡る様々な社会問題が日本国内で発生しているのも事\n実である。これらは、長時間労働や給料未払いといった労働環境における問題から、近隣住民との対人ト\nラブル、言語の壁、学校教育や病院といった公共サービス関連に至るまで幅広く及ぶ(2)(6)。実際に、近年の\n急激な外国人労働者の流入に行政や職場が対応できないケースも少なからず報告されている。\nとりわけ技能実習生を巡っては状況が一層悪く、「外国人技能実習制度の現状、課題等について（厚生\n労働省, 2018年）」(6)の報告によれば、全国の労働基準監督機関において実習実施機関に対して5,672件の\n監督指導を実施し、その70.6％に当たる4,004件で労働基準関係法令違反が認められた。主な違反項目と\nしては、労働時間、安全基準、衛生基準、健康診断などが並んでいる。労働環境の一層の整備を目指す目\n的で2017年11月に施行された「技能実習法」によって、このような事例は厳しく取り締まられるように\nなったが、それでも依然としてこれだけの報告がされている。また、出稼ぎを斡旋する業者の不手際や詐\n欺行為も横行し、大重（2016）は「我が国で開発され培われた技能・技術・知識の開発途上国への移転を\n図るという本来の目的を果たせているのだろうか」(2)と指摘をしている。この現状は、技能実習生を含め、\n外国人労働者の全体的な増加に現場や行政が追いくことができていないのはもちろん、移住者の増加がク\nラスター化していることも主な要因として考えられるのではないだろうか。つまり、日本への移住を検討\nしている外国人同士や斡旋業者らがお互いのネットワークを活用することで、同国籍・同業種の局所的な\nコミュニティを日本国内で形成しやすい傾向があるのではないだろうか。技能実習生に限れば、1.3 で後\n述するように、日本へ渡航して自分の目で現場を確かめる前に自国で勤務先を決める制度になっており、\n経済的な事情からも日本企業側が渡航をして事前顔合わせをするケースも多い(1)。そのため、日本へ移住\nした同胞や同業種の知り合い、更にはインターネット上の情報を頼りにすることが多く、同国籍や同業者\nのコミュニティへ入りやすいような実習地を選ぶ傾向が強いのではないだろうか。\nそこで、どの地域でどういった職種を望むどの国からの移住者が増減する傾向があるか、を事前にモデ\nリングすることができれば、労働力の過不足や行政サービスの非効率性が克服されるだけでなく、労働者\nの受け入れ機関と送り出し機関の双方が効果的な募集戦略を立てられるはずである。本稿では日本におけ\nる外国人労働者、中でも技能実習生に焦点を当て、彼らが職種や勤労地を選択する際に、各地域における\n産業や国籍のバイアス（以下「クラスター効果」と呼ぶ）がいかに作用しているのかを明らかにする。ま\nた、それらのクラスター効果をパネルデータ分析によって導出することで、都道府県や年度ごとの観察さ\nれない異質性、つまり都道府県ごとの魅力度や時間軸での増減を識別し、その要因を考察する。\n仮説\n---PAGE---\nⅰ）就労産業クラスターの影響\n全体的な傾向として、全国平均に比べて外国人労働者の就労産業に偏りがある地域は、それだけ特定\nの産業での後継者や労働人口不足による外国人労働者への需要の高まりがみられるのではないだろう\nか。地方部での第1次産業、工業都市で下請けをする中小製造業事業所などが容易に想像できる。その\nため、商工会などに申し込みをしてまで労働力の確保を図りたい企業の多いような産業構造下では、必\n然的に技能実習生の割合は高くなり、正の相関がみられるはずである。\nしかし一方で、日本に一度も訪れたことがない実習生にとっては、英語もあまり通じず、便の悪い地\n方部を生活の拠点にするのにはハードルを感じるかもしれない。そのため、過去の職歴から希望の職種\nは限定されているものの、比較的給与水準が高く、知名度のある大都市を選ぶという選択も少なからず\nあるのではないかと考えた。そういった大都市では、第1次産業の一部などを除いて、職種ごとの偏り\nは少ないと考えられる。\nそのため、結果として産業クラスター値の大きな地方部の都道府県と、値の小さな大都市圏に含まれ\nる都道府県とで技能実習生の割合は高まり、U字型のような二次相関が発生していると考えられる。\nⅱ）国籍クラスターの影響\n全国平均に比べて同国出身の労働者が顕著な地域、つまりクラスター指標である国籍割合変動係数\nの大きい都道府県は、比較的実習生が選択をしやすくなるため、正の相関がみられるはずである。\nⅲ）都道府県ごとの個体効果\n都道府県ごとの数値化・可視化し難い魅力や人気度は、算出された値から帰納的に測る必要がある。\nⅳ）年度ごとの時間効果\n年度ごとの時間効果は増加する傾向であることが考えられる。\n外国人技能実習生制度について\n我が国の外国人移住者は、法律や制度の規定によって大きく5つの在留資格に分類（専門的・技術的分\n野の在留資格、特定活動、技能実習、資格外活動、身分に基づく在留資格）がなされる。その中でも、技\n能実習生は自国の送り出し機関を通して、日本の事業協同組合、商工会などの監理団体が出す募集案内を\n受け取り、エントリーする手順を踏むことになっている。その際、基本的には自国で一度実務経験を積ん\nでいる産業内の職種に申し込むという条件が課せられている。そして、選考やビザの取得、実施計画の策\n定などを経てようやく、監理団体に属する実習実施機関で技能実習を始めることになる（下図1）。\n図1 外国人技能実習制度の概要1\nまた、以下が外国人技能実習生やその受入機関の現状を示すデータである。\n1 ORJ「外国人技能実習制度とは」、（https://www.orj.co.jp/ginojisshu/ginojisshu_seido）より引用\n---PAGE---\n図２ 技能実習生の国籍別構成比2 図３ 技能実習生の受入形態と企業規模2\n２．研究の方法と手順\n本研究では、2016 年から 2019 年までの各都道府県における、労働人口に占める外国人技能実習生の\n割合を従属変数としてパネルデータ分析を行った。この際、都道府県ごとに観察されない異質性を識別\nするため、固定効果モデルを用いた。固定効果モデルは下式 で一般化が可能である。\n𝑦 = 𝛽 + 𝛽 𝑥 + 𝛽 𝑥 + ⋯ + 𝛽 𝑥 + 𝑢 ―(1)\n𝑖𝑡 0 1 1,𝑖𝑡 2 2,𝑖𝑡 𝑘 𝑘,𝑖𝑡 𝑖𝑡\n𝑢 = 𝛼 + 𝑣 , E [𝑣 ] = 0, V[𝑣 ] = 𝜎 2\n𝑖𝑡 𝑖 𝑖𝑡 𝑖𝑡 𝑖𝑡\ncov [𝑣 , 𝑥 ]= 0 but cov[𝛼 , 𝑥 ] ≠ 0 ⇒ cov[𝑢 , 𝑥 ] ≠ 0\n𝑖𝑡 𝑗,𝑖𝑡 𝑖 𝑖,𝑘𝑡 𝑖𝑡 𝑗,𝑖𝑡\nこの定式では、𝑦 ：従属変数、𝛽 ：切片、𝛽 𝑥 + 𝛽 𝑥 + ⋯ + 𝛽 𝑥 ：独立変数、𝑢 ：誤差項となって\n𝑖𝑡 0 1 1,𝑖𝑡 2 2,𝑖𝑡 𝑘 𝑘,𝑖𝑡 𝑖𝑡\nいる。固定効果モデルにおいては、個人iの効果𝛼と独立変数に相関があると（cov[𝛼 , 𝑥 ] ≠ 0）、誤差\n𝑖 𝑖 𝑖,𝑘𝑡\n項𝑢 と従属変数が独立であるという最小二乗法の前提（cov[𝑢 , 𝑥 ] ≠ 0）が満たされず、パラメーター\n𝑖𝑡 𝑖𝑡 𝑗,𝑖𝑡\n𝛽にバイアスが生じてしまう。そこで、式 を時点間で平均した下式 を導出し、式 と式 の差\nをとることで、式 を導出できる。本手法では、個体ごとの水準差𝑢と時間ごとの水準差𝑢 の双方を\n𝑖 t\n導出する二方向固定効果モデルを採用する。\n― ― ― ― ―\n𝑦 = 𝛽 + 𝛽 𝑥 + 𝛽 𝑥 + ⋯ + 𝛽 𝑥 + 𝑢 ―(2)\n𝑖𝑡 0 1 1,𝑖𝑡 2 2,𝑖𝑡 𝑘 𝑘,𝑖𝑡 𝑖𝑡\n～ ～ ～ ～ ～\n𝑦 = 𝛽 + 𝛽 𝑥 + 𝛽 𝑥 + ⋯ + 𝛽 𝑥 + 𝑢 ―(3)\n𝑖𝑡 0 1 1,𝑖𝑡 2 2,𝑖𝑡 𝑘 𝑘,𝑖𝑡 𝑖𝑡\nこのモデルを用いることで、まずはⅰ 外国人労働者の職業比率バイアス、ⅱ 外国人労働者の国籍比\n率バイアスを独立変数とし、各都道府県の労働人口に占める外国人技能実習生の割合に有意な影響を及\nぼしているか一般線形化によって検討する。この際、ⅰ 外国人労働者の職業比率バイアスと従属変数の\n間は、仮説通り二次関数で近似を行った。また、外国人技能実習生の労働環境や実習実施機関の特性を\n考慮し、外国人技能実習生割合に影響を及ぼしうる他の独立変数ならびに相関関係の高い独立変数同士\nを統制する交差項を投入すること以下のモデルを想定した。（投入変数の項目は表 ）\n𝑦 = 𝛽 + 𝛽 (𝑥 )2 + 𝛽 𝑥 + 𝛽 𝑥 + 𝛽 𝑥 + 𝛽 𝑥 + 𝛽 𝑥 + 𝛽 𝑥 + z + 𝑢\n𝑖𝑡 0 1 1,𝑖𝑡 2 1,𝑖𝑡 3 2,𝑖𝑡 4 3,𝑖𝑡 5 4,𝑖𝑡 6 5,𝑖𝑡 7 6,𝑖𝑡 𝑖𝑡 𝑖𝑡\nz = 𝛽 𝑥 𝑥 （独立変数の相関係数（表3）を考慮して交差項を投入）\n𝑖𝑡 8 3,𝑖𝑡 4,𝑖𝑡\nまた、固定効果モデルによって都道府県・年度ダミーの係数を推定することで、ⅲ 各都道府県、ⅳ\n年度が従属変数に与える影響を考察する。特にⅲ の係数は、「日本の各都道府県における外国人技能実\n習生への需要」または「外国人技能実習生にとって魅力的な都道府県」を測る指標となりうる。尚、回\n帰結果については、 ％水準で統計的に有意かを判断する。\nこれらⅰ ～ⅳ の結果を基に、仮説で焦点を当てた「外国人技能実習生の勤労地選択における職業、\n2 厚生労働省「外国人技能実習制度の現状、課題等について」、2018年3月23日、5頁より引用\n（https://www.meti.go.jp/policy/mono_info_service/mono/fiber/ginoujisshukyougikai/180323/3_mhlw-genjyoukadai.pdf）\n---PAGE---\n国籍別クラスター効果」と「都道府県ごとの技能実習生への需要と魅力度」、「年度ごとの受け入れ数の\n変化」について考察を進める。\n３．データセットの加工\n本研究では、教育用標準データセットと政府統計サイト e-stat で入手可能な都道府県ごとの各種デー\nタを加工することで分析に必要な変数を用意した。以下が使用したデータ一覧とその出典である。\n表1 本研究で使用したデータとその出典一覧\n項目名 単位 出典 調査年度\n総人口 人 総務省統計局「人口推計」 2016～2019\n15～64歳人口 人 総務省統計局「人口推計」 2016～2019\n着工建築物床面積 ｍ 国土交通省総合政策局「建築着工統計調査」 2016～2019\n標準価格（平均価格）（住宅地） 円/ｍ 国土交通省土地・建設産業局「都道府県地価調査」 2016～2019\n月間有効求職者数（一般） 人 厚生労働省職業安定局「労働市場年報」 2016～2019\n月間有効求人数（一般） 人 厚生労働省職業安定局「労働市場年報」 2016～2019\n在留資格別外国人労働者数 技能実習生 人 厚生労働省職業安定局「「外国人雇用状況」の届出状況表一覧」 2016～2019\n産業別外国人労働者数 構成比 ％ 厚生労働省職業安定局「「外国人雇用状況」の届出状況表一覧」 2016～2019\n従業者４人以上の事業所に関する統計表 事業所数 個 経済産業省大臣官房調査統計グループ構造統計室「工業統計調査」 2016～2019\n国籍・地域別 在留外国人 構成比 ％ 法務省出入国在留管理庁「在留外国人統計」 2016～2019\n表2 本研究で使用した変数の項目と記述統計\n記述統計量\n投入項 変数名 単位 データ加工（データは表1を参照）\n平均値 標準偏差 最小値 第1四分位 中央値 第2四分位 最大値 範囲\nｙ 労働人口に占める外国人技能実習生割合 ％ g / b × 100\n外国人労働者の就労産業割合におけるバイアス*\nｘ （外国人労働者就業率の高い上位7産業の割合） ― Σ[i=1..7] [{√(h – ― ―}× ―\n＝就労産業のクラスター度を測る指標\n外国人労働者の国籍割合におけるバイアス*\nｘ （技能実習生の95%を占める上位5か国の割合） ― Σ[i=1..5] [{√(j – ― ― }× ―\n＝国籍のクラスター度を測る指標\nｘ 有効求人倍率 倍\nｘ 人口1万人当たり製造業事業所数 個/万人 i / a × 10000\nｘ 人口1万人当たり着工建築物床面積 ｍ/万人 c /a × 10000\nｘ 住宅地価格 万円/ｍ\n＊：各都道府県の割合データ（％）の変動係数（√(標本値 – 全国平均値)^2 / 全国平均値）を各産業・国籍で算出し、全国平均値（％）で加重平均した値\nｘの７産業：「建設業、製造業、情報通信業、卸売業・小売業、宿泊業・飲食サービス業、教育・学習支援業、サービス業（他に分類されないもの）」\nｘの上位５か国：「ベトナム、中国、フィリピン、インドネシア、タイ」\n見かけ上の相関への懸念から、𝑥 以下は下記の理由と仮説をもって交絡変数として投入した。\n3,𝑖𝑡\nx ：各都道府県特有の産業における人手不足や技能実習生の手厚い募集によって、従属変数と就労\n3,𝑖𝑡\n産業割合バイアスの指標である独立変数x の双方に影響を与える懸念があったため。また、\n1,𝑖𝑡\nこのような地域産業が与える影響は個体効果によって測られるべきであると考えたため。\n𝑥 ：技能実習生の受け入れを実施している企業の約8割が製造業関連企業（機械・金属関連、食品\n4,𝑖𝑡\n製造、繊維・衣服関係等）であり、実習実施機関の67.0%が従業員数19人以下の零細企業であ\nることから、中小規模の製造業事業者の人口比事業所数が従属変数と独立変数x の双方に与\n1,𝑖𝑡\nえる影響を考慮するため。\n𝑥 ：技能実習生の受け入れを実施している企業の残り約2割が建築関連企業であることから、建築\n5,𝑖𝑡\n工事の直接的な需要の指標となりうる人口比建築物床面積が従属変数と独立変数x の双方に\n1,𝑖𝑡\n与える影響を考慮するため。",
    "2021U52-toku2.pdf": "2021年度 統計データ分析コンペティション\n特別賞（統計分析）［大学生・一般の部］\n自治体間の人口流動性を考慮した\n潜在的な人手不足の可視化\n渡邉 晃大・村上 竜之介\n（千葉工業大学先進工学部知能メディア工学科）\n論文の概要\n各都道府県の産業構造の特徴を調べるために、非負値行列因子分解によって抽出し\nた因子データからコロプレス図を作成し、機械学習によって産業別従業者数の特徴量\nを抽出して結果を可視化することで、様々な業種や都道府県において潜在的な人手不\n足に陥る可能性を示した。\n論文審査会コメント\n素朴な探索的記述統計を用いた分析手順はシンプルで分かりやすく、結果も大変興\n味深いものが出ているが、構造化データで非負値分解する必然性の説明が必要である。\n---PAGE---\n自治体間の人口流動性を考慮した潜在的な人手不足の可視化\n渡邉 晃大・村上 竜之介\n千葉工業大学先進工学部知能メディア工学科\n１．研究のテーマと目的\n近年では都市部への人口集中が社会的な問題になっており、特に東京都では 年間連続で人口が増加し続\nけている。また、国土交通省 国土交通白書によると、東京圏（東京都、千葉県、埼玉県、神奈川県）には日\n本の人口の を占める約 万人が居住していることがわかっている 。 年の東京都における転入\n超過数は 万 千人を記録した 。\n具体的な人口増加の内容を知るため、 年度の東京圏の年齢階層別転入超過数を調査したところ、 代\n～ 歳・ ～ 歳の合計 の占める割合が最も大きく、その割合は となっている 。このことから若\n者の移動が東京圏の転入超過に多大な影響を与えていることがわかる。 対照的に、環境省によると東京在住\n者の 割が地方への移住を検討している又は今後検討したいと考えているが、「地方へ移住する上での不安・\n懸念点」として雇用先の有無や、日常生活・公共交通の利便性を上げる人が多くなっていることがわかってい\nる 。\n年の人口移動では東京圏に加えて愛知県、大阪府、福岡県で転入超過となっており、その他の道府県\nでは転出超過である 。このことから、東京圏以外の都市部においても人口集中が起きていることがわかる。\n地方から都市部への若者の人口移動が盛んな状況の中、地方自治体を対象にしたアンケート調査 によると\n「現在直面している政策課題で、特に優先度の高いと考えられるもの」として主に挙げられているのは「人口\n減少や若者流出」、「少子化・高齢化の進行」、「中心市街地の衰退」であった。特に「人口減少や若者流出」に\n関しては現在地方にある産業の新しい労働者人口が不足することにつながるため、地方産業の衰退に起因す\nることになると考えられる。\n上記にも述べたように 年度の東京圏への転出者に占める割合は 代が最も大きいため、地方産業を\n継いでいく若者を地方で就職したいと考えられるような対策が必要である。加えて長期的な目線で見ると、人\n手不足によって引き起こされる地方産業の衰退は地方産業の競争力を低下させるとともに、地方経済に悪影\n響を与えることが推測できることから、上記のアンケート調査 にもあるように少子化・高齢化や中心市街\n地の衰退をさらに加速させることが考えられる。こうして地方産業が衰退し、それに伴う様々な影響により地\n方からの人口流出が進むことで東京一極集中がさらに深刻化し、それを繰り返すという状況を防ぐためにも\n早急な対策をする必要があると考える。\nそこで本研究では時間変化の影響を考慮し、 年度と 年度の全国 都道府県の統計データを用い\nて分析を行なった。この分析では各都道府県における業種別従業者数の増減と全従業者数に占める業種ごと\nの従業者数から導いた業種ごとの重要度を調査し、それらの指標から散布図を作成した。加えて非負値行列因\n子分解によって抽出した因子データからコロプレス図を作成することで潜在的に人手不足に陥る可能性のあ\nる業種と地域の関係性を可視化し、人口集中の原因特定や対策の糸口を発見することを目的としている。\n２．研究の方法と手順\n本研究では、各都道府県の産業構造の特徴を調べるために産業別従業者数の特徴量を機械学習によって特\n徴量を抽出し、その結果を可視化することによって知見の獲得を試みる。解析手順は以下の手続きに従って進\n---PAGE---\nめられる。\n手順１：データセットの加工\nここでは、都道府県別の特徴を把握するために特徴量を計算する。産業別に年度間において増加傾向にある\nのか、減少傾向にあるのかを調査するために年度間の差分を計算し「従業者の増加数」を求める。次に、その\n地域において中心的な役割を果たす産業が何かを調べるために、各産業に対する「産業の重要度」を調べる。\nこの指標は地域内における従業者数全体に占める割合で計算している。詳細については次節で述べる。\n手順２：特徴量を計算し，産業別のポジショニングマップを作成\n潜在的に人手不足に陥る可能性をはらんでいる地域を調べるために、手順１で求められた特徴量の大小に\nよってポジショニングマップを作成する。各産業において横軸に「増加数」を、縦軸にその産業の「重要度」\nを割り当てた散布図を作成し、各軸の平均値に基づいて４象限に分割することでその産業の位置づけを調べ\nる。この場合、第二象限は産業従事者（横軸）が減少傾向にあり、かつその地域では重要度（縦軸）が高い中\n心的な産業であるため将来的には人手不足に陥る可能性が高いことを表している。このような性質に着目し\n解析を進めていく。\n手順３：非負値行列因子分解によって因子データを抽出し，コロプレス図を作成\n多数の変数から構成されるデータであり、全体的な傾向や地域性を把握するために教師なし学習手法であ\nる非負値行列因子分析 によって次元を削減し、抽出された変数に基づいて考察する．この結果として得られ\nた結果を把握しやすくするために分解された行列の重みを都道府県別に彩色することでデータを可視化する。\n３．データセットの加工\n本研究では各業種の増加数とその業種が各地域において重要であることを調べるために、年度をまたいだ\nデータを利用している。 年度版の には 年の産業別従業者数が掲載されており、 年度\n版の には 年の産業別従業者数が掲載されている。これを用いることで年度をまたいだ各産業の\n増減の傾向を調べている。\n2016年の産業Aの従業員者数−2014年の産業Aの従業員者数\n産業Aの増加率=\n2014年の産業Aの従業員者数\nこれを用いて業種別の増加数と、その業種が当該都道府県においてどの程度重要かを示す指標を次式に基づ\nいて計算している。なお、 年度版のデータには漁業従事者数が掲載されていないため、解析対象からは\n除外している。\n2016年の産業Aの従業者数\n産業Aの重要度=\n2016年の全事業従業者数\n上記の計算を各業種に対して適用することで、各業種における従業者数の重要度や増加率を計算するわけだ\nが、これらの変数が多くなり、全体てきな傾向をはあくすることができない。そこで、本研究では先述のとお\nり非負値行列因子分解によって特徴量を変換し、合成変数を作成することによってデータの可視化を試みる。\nデータのスケールの違いが学習結果に及ぼす影響を回避することと非負値の制約を満たすために各変数を次\n---PAGE---\n式によって 以上 以下の範囲に変換したものを学習している。\n対象都道府県の指標A−min(全都道府県の指標A)\n対象都道府県の特徴量X=\nmax(全都道府県の指標A)−min(全都道府県の指標A)\nこの式を各都道府県の各指標に適用することによって、非負値行列因子分解の特徴量を算出している。\n表 使用した変数とその出典\n４．データ分析の結果\nここでは、先に述べた解析手順に基づいて得られた結果ならびにそこから分かった結果について述べる。\nまずは産業ごとの増加数と重要度の２つの指標を用いて作成した 個の散布図から特に特徴的であった\nつを以下の図 ～ に示す。\n図１ の散布図では宮崎県、秋田県、島根県などが重要度の高さに応じて増加率も高い位置におり、今後\nの農業や林業において期待が持てることが読み取れる。反対に北海道、岩手県、青森県、長野県、鹿児島県な\nどは重要度が高い割に、増加率が低いことから、農業や林業においてこのままの状態では人手不足に陥るであ\nろうことが読み取れる。図１ の散布図では都市部に加えて沖縄県が重要度の高さと人手の増加率が合致\nしており、今後卸売業小売業において伸びが予想される。反対に同業種では北海道、鹿児島、熊本、和歌山、\n長崎、秋田などは重要度の高さの割に、増加しておらず今後の人手不足が危惧されることがわかる。図１\nの散布図では埼玉県と千葉県が主に今後も運輸業、郵便業において上昇していくことが予想され、重要度も高\nい。反対に北海道、大阪府などは重要度が高いにもかかわらず、従業者数が減少していることがわかる。よっ\nて今後の人手不足が危ぶまれることがわかる。図１ の散布図では東京が情報通信業において極端に上昇\n傾向にあることがわかる。そしてその他の県はほぼ同位置に存在しているため情報通信業は東京だけが抜き\nん出ていることが読み取れる。このことから東京一極集中の原因の１つとなっているのではないかと考えら\nれる。図１ の散布図は不動産業，物品賃貸業を表しており、ここでも東京が頭抜けており、他都道府県に\n比べ圧倒的に差がある。関西圏や北海道沖縄県は不動産において重要度が高いにもかかわらず増加率が低く、\n観光都市は今後人手不足に陥る可能性をはらんでいる状況であると考えられる。この不動産業、物品賃貸業も\n東京が極端な値をとっていることから一極集中の要因の可能性があると考えられる。\n---PAGE---\n（ａ）農業・林業 （ｂ）卸売行・小売業\n（ｃ）運輸業・郵便業 （ｄ）情報通信業\n（ｅ）不動産業・物品賃貸業\n図１ 業種別増加率と重要度の関係性を示す散布図\n（第二象限が高重要度にもかかわらず低増加率または減少傾向な地域を表している）",
    "2021U53-toku3.pdf": "2021年度 統計データ分析コンペティション\n特別賞（統計活用）［大学生・一般の部］\n都道府県別パネルデータを用いた\n学力の決定要因分析\n桑名 聖人\n（早稲田大学政治経済学部政治学科）\n豊野 拓巳・吉田 賢汰\n（早稲田大学政治経済学部経済学科）\n論文の概要\n学力テストスコアの都道府県別パネルデータを用いて、個人属性や家庭・社会環境、\n教育の質等が与える影響についてPOLS（Pooled OLS）、固定効果法、変量効果法に\nよる分析を行い、世帯教育費や通塾率、不登校率や離婚率などが学力に影響している\nことを示した。\n論文審査会コメント\n先行研究に基づき、厳密な仮説検証型の手順に準拠した手堅い実証研究を行ってい\nる。共線性、変量効果モデルの検討も含めた手堅い計量経済実証能力は評価できる。\n考察の自己批判も適切で一定の学術研究として成立しているが、原因と結果の因果の\n方向性について考察があるとよい。\n---PAGE---\n都道府県別パネルデータを用いた学力の決定要因分析\n桑名聖人 ・豊野拓巳 ・吉田賢汰\n早稲田大学政治経済学部政治学科\n早稲田大学政治経済学部経済学科\n早稲田大学政治経済学部経済学科\nはじめに\nわが国における2021年度の文教費予算は4兆216億円になり(1)、2019年度「教育費負担の実態調査」では\n世帯年収に占める教育費が 3 割を超える(2)など、現在教育に対する投資額は莫大なものとなっている。教育\nの目的の一つは、学力の形成にある。主にどのような要因が学力形成に対して大きく影響するのかを知るこ\nとは、能率的な教育政策の立案や世帯教育投資の促進などにとって有用である。また、効率的な教育によっ\nてもたらされる人的資本蓄積の増加がその国の経済発展を導くといった理論(3)をはじめとして、学力形成の\n要因を分析することの社会的意義は大きい。\n国内における学力形成要因の分析は、全国レベルの包括的な学力調査である「全国学力学習状況調査」が\nスタートし、そのデータが蓄積されてきた2000年代後半からある程度活発に行われるようになった(4)。その\n先行研究として、説明変数ごとにさまざまなものが存在する。例えば、大学・大学院卒業者の割合といった\n地域特性が学力テストの結果と強い正の相関を持つとする研究（土屋, 2014）(5)や、離婚率や不登校率といっ\nた指標が近年になって児童の学力と強い相関を見せるようになったという研究（志水, 2014）(6)、中国の事例\nではあるが気温が高いと学生のテストスコアが低くなる傾向があるとした研究（Zivin et al., 2020）(7)などが挙\nげられる。また、世帯所得と児童の学力の間に正の相関を導き学校外教育支出を媒介する効果について示唆\nした研究（野崎・樋口ほか, 2018）(8)や、社会経済的状況において不利な学校では学級規模の縮小によって学\n力の有意な向上がみられたとする研究（妹尾・北條, 2016）(9)なども存在する。学級規模、つまりクラスサイ\nズに関する研究は妹尾・篠崎ほか（2013）(10)やAkabayashi and Nakamura (2012) (11)など多数存在する。しかし、\n例えば野崎・樋口ほか（2018）で行われているのはクロスセクションデータによるOLS分析のみであり、各\n個人に特有の効果を制御できていないため説明変数の内生性の問題が残っていると考えられる。また、全く\n領域分野の異なる説明変数を多数用いて学力を回帰させるような分析はそれほど活発に行われていない。\nそこで本研究では、4時点の都道府県別パネルデータを利用し、経済学における教育の生産関数という理\n論を用いて学力形成の要因を分析する。13の説明変数に、被説明変数として小学校6年生を対象とした全\n国学力学習状況調査の国語と算数それぞれのテストスコア偏差値を用いて回帰した。固定効果法による分析\nの結果、通塾率、不登校率は国語と算数で共通して正に有意であり、世帯教育費や自治体教育費、クラスサ\nイズ（教員一人あたり児童数）は国語のみ正に有意であった。特にクラスサイズについては、負の関係があ\nるとする先行研究が多い中、真逆の結果を示すものとなった。\nなお、本研究は6章から成り、1章では研究動機と先行研究、2章では分析に用いた変数の根拠と仮説、3\n章では分析に用いたモデルと推定方法、4章では用いたデータの出典と加工方法、5章では分析結果とその\n考察、6章で結果の貢献や政策的含意、および本研究の限界について述べる。\n説明変数と仮説\n本研究では、教育成果を産出量とする生産関数をもとにして説明変数の選択を行った。小塩（2003）(12)、\n1\n---PAGE---\nまたOshio and Seno (2007)(13)によれば、教育の生産関数は以下の式(1)で表される。\n𝑌=𝑓(𝑥 ,𝑥 ,𝑥 )+𝜀 (1)\n1 2 3\n𝑌は教育成果である学力、𝜀は誤差項を表す。𝑥 は個人属性や家庭・社会環境などであり、児童のIQや親の学\n1\n歴・所得、通塾率などが挙げられる。𝑥 は学校で供給される教育の質であり、教員の学歴や経験などがこれ\n2\nに当てはまる。𝑥 はともに教育を受ける児童の特性を表し、クラスメイトの持つ学習能力などが代表的な例\n3\nである。このうち「ピア・グループ効果」と呼ばれる𝑥 の効果については、学級単位・学校単位で観察される\n3\nものであるために個票データでない統計から説明変数として取り出すのは難しく、今回は分析の対象外とせ\nざるを得なかった。その代わりに、新たに𝑥 を導入し、𝑥 、𝑥 、𝑥 のいずれの領域にも入らない変数の効果を\n4 1 2 3\n代表させた。よって、本研究では𝑥 、𝑥 、𝑥 の3つの領域に基づいて説明変数を採択した。\n1 2 4\nまず、仮説を述べるにあたり、本研究で使用する説明変数について選択理由を簡潔に説明する。𝑥 につい\n1\nては、世帯の教育活動に対する支出と学力との関係を見るために世帯教育費と教養娯楽費を説明変数として\n使用した。また、先行研究より大学院進学率(5)・大学進学率(5)・不登校率(6)・離婚率(6)を用いた。さらに、野\n崎・樋口ほか（2018）(8)の研究の分析対象である世帯所得を考慮したうえで、保護者の教育に対する姿勢や地\n域の所得水準などの家庭・社会環境の影響をみるため、通塾率と住宅地の標準価格を変数に追加した。\n𝑥 では、学校教育における重要なアクターである教員のやる気と熟練度合いを測るための指標として教員\n2\n給与と教員経験年数を説明変数として使用した。また、複数の研究で分析対象とされていたクラスサイズと\n学力の関係について再考するために、クラスサイズを算出して説明変数に加えた。そして、地方自治体の教\n育活動に対する支出と学力との関係を見るために、自治体教育費を変数として導入した。\n𝑥 では、気温と学力の負の関係を示したZivin et al. (2020) (7)の研究から、年平均気温を変数に追加した。\n4\nこれら13個の説明変数と被説明変数である国語と算数のテストスコアについて、先行研究の分析結果など\nをもとにして相関の正負について仮説を立て、以下の表１にまとめた。\n表１ 各説明変数の学力に対する正負の仮説\nモデルと推定方法\n本研究においては、各都道府県の全国学力・学習状況調査の結果のうち学力調査のテストスコアを被説明\n変数とするパネルデータ分析を行った。パネルデータモデルでは、「個人に特有で、時間を通じて不変な観測\nできない外的条件」が存在し、説明変数と誤差項の内生性に対処するために制御する必要がある。田中（2015）\n(14)によると、これは「個別効果」といい、内生性がある場合は固定効果モデルを用いて制御することができ\nる。なお、山本（2015）(15)によると、内生性がない場合でも、個別効果の特性によって同じ都道府県の異時\n点の誤差項で自己相関が生じる可能性があるため、これに対処するために変量効果モデルを利用した推定を\n行う必要がある。そこで、個別効果が存在するか否かということを確かめるために F 検定を行い、個別効果\nが存在すれば固定効果モデルあるいは変量効果モデルのいずれかを利用することになる。どちらのモデルを\n2\n---PAGE---\n利用するかということは、個別効果が説明変数と相関しているか否かによって決まるため、「帰無仮説：個別\n効果と説明変数は無相関」とするHausman検定を行った後に採択した。\nまず、パネルデータ分析で使用した以下の回帰モデル(2)について検討する。\n𝑌 =𝛼+∑12 𝛽𝑋 +𝛽 𝑋 +𝐹 +𝑈 (2)\n𝑖𝑡 𝑗=1 𝑗 𝑗,𝑖𝑡 13 13,𝑖(𝑡−1) 𝑖 𝑖𝑡\n𝑌 は第𝑖 (𝑖 =1,2,…,47)都道府県の𝑡 (𝑡 =2007,2010,2013,2016)年度におけるテストスコアの偏差値、\n𝑖𝑡\n𝑋 (𝑗 =1,2,…,12),𝑋 はその説明変数である。ここで、𝑋 は唯一のラグ付き説明変数である離婚\n𝑗,𝑖𝑡 13,𝑖(𝑡−1) 13,𝑖(𝑡−1)\n率を表す。𝛼は定数項、𝛽 (𝑗=1,2,…,13)は回帰係数であり、𝐹は各都道府県の個別効果（例えば教育文化）、\n𝑗 𝑖\n𝑈 は誤差項を表す。なお、被説明変数𝑌 として用いたのは小学校6年生を対象とした国語・算数の調査結果\n𝑖𝑡 𝑖𝑡\nのみであり、教科ごとにそれぞれPooled OLS・固定効果法・変量効果法による推定を行い比較対照した。\nまた、全国学力調査に含まれている中学校 3 年生を対象とした調査結果は被説明変数として分析に使用し\nなかったが、これは特定の都道府県のテストスコアにバイアスがかかることを防ぐためである。中学校は小\n学校と比べて私立学校の比率が大きく（小学校約1.14％、中学校約7.52%、2016年）(16)、また中学校総数に\nおける私立中学校の割合は都道府県ごとによって大きく異なる（最大値：東京約23.30%、最小値：秋田約0.86%、\n分散0.16%、2016年）(17)。中学受験を経て、都道府県をまたいだ通学が一般化すると、高偏差値の私立中学\n校が集中する都道府県のテストスコアには上方バイアスがかかることになる。このような効果は今回の分析\nの対象外であるため、中学3年生における調査結果は分析対象から除外した。\nデータ\n13の説明変数の出典と詳細な変換方法について、以下の表２に示す。\n各種変数の出典元である統計データのうち、教員給与と教員経験年数のために必要となる学校教員統計調\n査は 3 年ごとに調査が行われるため、SSDSE-2021B にデータのある 2007 年～2018 年のうち 2007 年、2010\n年、2013年、2016年の4時点を分析対象期間とした。同様に、残りの変数を裏付ける統計データについては、\nこの2つの説明変数の調査時点に合わせて4時点のもののみ抜き出して分析に使用した。\n被説明変数であるテストスコアの偏差値は、国立教育政策研究所の教育課程研究センターが実施した全国\n学力調査の都道府県別データをもとに算出した。2007年、2010年、2013 年、2016年の平均正答率のデータ\nからそれぞれ年ごとの平均と標準偏差を求め、各都道府県の偏差値を計算した。なお、2010年のデータに関\nしては平均正答率の値が記載されていなかったため、95%信頼区間の平均値を使用した。また、本研究で用い\nたテストスコアはほぼ完全なパネルデータであったが、2016年の熊本県のデータについてのみ熊本地震の影\n響で学力調査の実施が見送られたために欠損値となっており、全体としてはアンバランスパネルとなってい\nる。さらに、全国学力調査の対象は公立小学校のみであり、得られたテストスコアのデータは全国の私立・\n国立小学校に通う児童のものを反映していなかったため、説明変数は可能な限り公立小学校に関するデータ\nのみを用いるよう努めた。しかし、不登校児童数のデータだけは公立のみのものが存在しなかったため、公\n立小学校の児童数で除することによって公立小学校の不登校率を近似した。\n通塾率については、全国学習状況調査の児童質問紙に記載のあるアンケート結果を利用して導出した。全\nての時点の質問紙に「学習塾で勉強をしているか」と問う質問項目があり、「学習塾に通っていない」と回答\nした児童の割合を1から減じることによって通塾率を定義した。また、離婚率については2006年、2009年、\n2012年、2015年のデータを用いる、つまりラグ付きの変数とした。なぜなら、離婚が学力に影響を及ぼすと\nすれば少なくとも離婚の事実が学力の測定に先行する必要があり、例年 4 月に行われる全国学力調査に先行\nした離婚率は 1 年前のデータから算出せざるを得ないからである。そして、気温の変数に関しては SSDSE-\n3\n---PAGE---\n2021Bに含まれる年平均気温のデータを用いることで、全国学力調査が実施される4月の気温を近似した。\n表２ 説明変数のデータの出典と変換方法\n表３ 記述統計量\n4",
    "2021U54-toku4.pdf": "2021年度 統計データ分析コンペティション\n特別賞（統計活用）［大学生・一般の部］\n教育のICT化が生徒の学力に与える影響の分析\n深井 宗一郎（株式会社浜銀総合研究所）\n論文の概要\n教育のICT化が学力に与える影響について、固定効果モデルのパネルデータ分析を\n行い、学力テストのスコアは電子黒板やデジタル教科書の整備、教員のICT研修や教\n育用PCの台数などが影響していることを示した。\n論文審査会コメント\n先行実証研究を適切にサーベイしてICT化の実証を行っていると共に、交互作用項\nまで検討を進めていて論文として評価するが、説明変数間の連関をしっかりと考慮し\nた解釈が必要である。\n---PAGE---\n教育の ICT 化が生徒の学力に与える影響の分析\n深井宗一郎\n株式会社浜銀総合研究所 情報戦略コンサルティング部 研究員\n1. 研究のテーマと目的\n近年、政府の主導により教育のICT化が推進されている。教育のICT化とは、文部科学省の『教育の情報化\nに関する手引き』(1)によれば、「情報通信技術の、時間的・空間的制約を超える・双方向性を有する・カスタマ\nイズを容易にするといった特徴を生かして、教育の質の向上を目指すもの」とされている。具体的には、\n① 情報教育\n② 教科指導におけるICT活用\n③ 校務の情報化\nといった3つの側面をもっている。また、これらの実現を支える基盤として、教員のICTを活用した指導力の\n向上や、学校のICT環境の整備が挙げられている。近年の具体的な取り組みとして、タブレットを始めとした\nICT機器の整備を進める政策が多くみられる。義務教育段階の生徒1人1台に端末を配る GIGAスクール構想\n以外にも、より先進的なものとして、2014 年に県立高校入学生全員にタブレットを配布した佐賀県(2)の取り組\nみ等がある。これらはICTを活用した教育により学びの質の向上、学力の向上を最終的な目標として掲げた政\n策である。\nこのようにICT機器の整備が進められる一方で、指導にあたる教員への研修などICTを活用した教育に対す\nる取り組みには、図１のように積極的な自治体とそうではない自治体に差がある。これらの取り組みの違いは\n最終的な教育の成果に対して違いを及ぼすのか。仮に及ぼすのであれば教育機会の均等という意味ではあまり\n望ましくない事態である。\n図 1：教員のICT指導力向上のための研修受講率（小学生、2018年）\n北海道\n青森県\n岩手県\n宮城県\n秋田県\n山形県\n福島県\n茨城県\n栃木県\n群馬県\n埼玉県\n千葉県\n東京都\n神奈川県\n新潟県\n富山県\n石川県\n福井県\n山梨県\n長野県\n岐阜県\n静岡県\n愛知県\n三重県\n滋賀県\n京都府\n大阪府\n兵庫県\n奈良県\n和歌山県\n鳥取県\n島根県\n岡山県\n広島県\n山口県\n徳島県\n香川県\n愛媛県\n高知県\n福岡県\n佐賀県\n長崎県\n熊本県\n大分県\n宮崎県\n鹿児島県\n沖縄県\n0 10 20 30 40 50 60 70 80 90 （％）100\n1\n---PAGE---\n教育のICT化が教育の成果にもたらす効果に良い影響はあるのだろうか。行政の資料や一部メディアを中心\nとして肯定的な見方が述べられている(3)一方で、学力向上への貢献は限定的である、あるいは逆効果であると\n懐疑的な見方も少なくない(4)(5)。後者に関して、考えられる理由としては例えば、ICT機器をうまく教育に組み\n込むような、現場の指導力向上が追い付いていないという問題などがあると考えられるが理由は様々あると思\nわれる。しかし、税金を投入してICT機器を整備することを考えると、明確なエビデンスの少ないこの領域お\nいて、近年のEBPMの流れも踏まえて政策効果の検証を行うべきであることは言を俟たない。\nそこで本論文では冒頭で述べた教育の ICT 化の 3 つの側面のうち、「②教科指導における ICT 活用」に着目\nして、教育のICT化が生徒の学力に与える影響に関して分析を行い、政策提言を行う。提言の対象は「義務教\n育段階の生徒の学力向上を課題と捉えており、教育のデジタル化推進策として教育用のICTハード機器の整備\nに加えて、ICT 活用指導力強化などを推進することを検討している」自治体である。本論文の狙いは「②教科\n指導における ICT 活用」の視点から ICT 導入の効果を分析する。この効果が分かることで、「そもそも教育の\nICT化政策をより重点的に推進していくべきか」、「現場教員に対する負担等の負の側面を考慮してもなお、ICT\nを活用した指導力の強化などの施策を推進すべきか」、「ハードの導入に関して、もしもすべきであれば何を優\n先して整備すべきか、またどの教科の指導においてより重点的に活用していくべきか。」、などの意志決定に役\n立つことが期待される。\nまた重要な論点として挙げたいのが、上述の②に関してはハード面の整備とソフト面の整備の 2 つの側面が\nあるのではということである。ハード面の整備とはICT機器の整備である。ソフト面の整備とは教員のICTを\n活用した指導力の向上や学習コンテンツの充実などである。そして、本論文で行いたいことは教育の質に与え\nる影響に関して、政府・自治体の推進するハード面の整備と、現場での研修等に代表されるソフト面の整備と\nいう2つの経路に分けて効果を検証することである。\n具体的には、都道府県別の教育のICT化に関する指標や学力に関するパネルデータを用いて、教育のICT化\n（ハード面・ソフト面）が生徒の学力向上に資するのか分析する。今回はデータの都合上、ハード面では ICT\n機器に関して教育者が扱うものを対象にして分析を行う。また本論文では、ハード面・ソフト面それぞれの影\n響だけでなく、それぞれの相乗効果（交互作用）についても検討する。このことはハード面の整備と並行して\nソフト面の整備（現場教員のICTを活用した指導力の強化等）をすることで、教育効果が向上する可能性を考\nえたいということである。\n２．研究の方法と手順\n本分析では、計量経済学における一般的なパネルデータ分析手法である固定効果モデルを用いる。ある説\n明変数から被説明変数への因果関係をとらえるためには、RCT(randomized controlled Trial)をする、あるいは自\n然実験(natural experiment)を見つけ出すことが、信頼性の高い方法として考えられる。自然実験的な状況を分\n析する方法としては、差の差分析（DID）などがあるが、ある個体に固有な固定効果（i）とある時期に固有の\n固定効果（t）を考慮すれば、一定の仮定の下では固定効果を用いたパネルデータも、実質的にはDID推定量\nと類似しているものを推定しているといえる(6)。今回は具体的には、以下のような固定効果モデルを考え、個\n体・時間を通じて一定な、観測できない欠落変数をコントロールする。最大サンプル数は都道府県（47）、期\n間2013年から2018年（6）、小中学生の区分(2)を掛け合わせて、欠損となっている熊本の 1年分（小中学生\n区分2つ分）を差し引いて、562である。\n𝑌 =𝛼 +𝛿 +𝛽𝑋 +𝛾𝐶 +𝜖 , 𝑤ℎ𝑒𝑟𝑒 𝑖 =1,⋯,47,48 ,⋯,94 𝑡 =2013,⋯,2018\n𝑖𝑡 𝑖 𝑡 𝑖𝑡 𝑖𝑡 𝑖𝑡\nここで、𝑌 はテストスコアといった教育の成果指標、𝑋 は教育の ICT 化の整備状況に関する指標である。\n𝑖𝑡 𝑖𝑡\n𝐶 は𝑌 と関連しているもののうち、𝑋 と関連しており制御したいコントロール変数、𝛼 は都道府県固定効果、\n𝑖𝑡 𝑖𝑡 𝑖𝑡 𝑖\n𝛿 は時間固定効果である。𝜖 は誤差項であり、独立同一分布に従っていると仮定する。なお、教育のICT化に\n𝑡 𝑖𝑡\nついてハード面の整備とソフト面の整備の相乗効果を考えるべく、それらの交互作用項を説明変数に加えた\n2\n---PAGE---\nモデルを推定する。\n本分析で使用したソフトウェアは、データ前処理・加工・集計ではSASを、分析ではRを用いている。\n３．データセットの加工\n今回は固定効果モデルの被説明変数となる教育の成果の指標として、全国学力・学習状況調査のテストスコ\nアを使用する。この調査は当該年度の 4 月頃に、小学 6 年生と中学 3 年生に対して行われる学力テストや学\n習意欲に関する質問をまとめたものである。テストスコアは小・中学生それぞれで、テストの種類である国語\nA・国語 B、数学（算数）A・数学（算数）B の都道府県別平均値が公表されている。今回は義務教育段階の\n生徒に対して、教科ごとに必要とされる力に対する影響を見る目的で、小中学生に関しては区別せず、教科と\n試験区分（A・B）に関して区別して分析を行う。なお、A は基礎的な力を調査する試験であり、B はより応\n用的な力を調査する試験である。テストスコアは年度によってテストの難易度による影響が含まれていると\n考えられるが、同時点方向の年度ダミー変数を入れることでこの影響を考慮する。次に教育の ICT 化に関す\nる指標は、教育の情報化の実態等に関する調査から取得している。用いる変数は、長期間を通じて一貫性をも\nって収集されている指標を選定・使用する。具体的には、「教育用PC1台当たりの児童数」、「１学校当たりの\n電子黒板の整備台数」、「（指導者用）デジタル教科書の整備率」、「教員のICT研修受講率」、「教員のICT活用\n指導力に係るアンケート調査項目A-D」を用いる。「（指導者用）デジタル教科書の整備率」とは、（指導者用）\nデジタル教科書を整備している学校数を学校数全体で除したものである。最後に挙げたアンケート調査項目\nはEまで存在するが、Eは継続的に調査されていないため今回は用いない。分析に使う変数としては、A-Dの\n4項目それぞれで、できる・ややできると答えた教員の割合の平均をとり、ICT活用指導力に自信のある教員\nの割合としてこの指標を用いる。なおこの調査は当該年度の3月に行われており、公立小学校・中学校ごとの\nICT機器等の整備状況や、教員のICT活用指導力に関する調査が行われている。今回の分析では、都道府県と\n調査年度、小中学生の区分をキーとしてデータセットの結合を行った。\nまず本分析では表１にあるようなデータを収集した。SSDSE-B-2021に加え、統計分析コンペティションHP\nに記載のマニュアルの手順でe-statから都道府県別の各種データを取得した。\n表 1：元データ\n※変数名に*がついているものはSSDSE-B-2021データセットから取得\n3\nA\nB\nC\nD\nE\nF\nG\nH\nI\nJ\nK\nL\nM\nN\nO\nP\nQ\nR\nS\nカ\n教\n教\n教\n教\n教\n教\n教\n教\n教\n自\n自\n家\n家\n学\n学\n学\n学\n教\n教\nテ\n育\n育\n育\n育\n育\n育\n育\n育\n育\n治\n治\n庭\n庭\n級\n級\n級\n級\n育\n育\nゴ\n成\n成\n成\n成\nデ\nデ\nデ\nデ\nデ\n体\n体\n経\n経\n規\n規\n規\n規\nへ\nへ\nリ\n果\n果\n果\n果\nジ\nジ\nジ\nジ\nジ\n状\n状\n済\n済\n模\n模\n模\n模\nの\nの\nタ\nタ\nタ\nタ\nタ\n況\n況\n力\n力\n関\n関\nル\nル\nル\nル\nル\n心\n心\n化\n化\n化\n化\n化\n変\nテ\nテ\nテ\nテ\n教\n１\nデ\n教\n教\n教\n歳\n課\n納\n小\n中\n小\n中\n消\n教\n数\nス\nス\nス\nス\n育\n学\nジ\n員\n員\n育\n出\n税\n税\n学\n学\n学\n学\n費\n育\nト\nト\nト\nト\n用\n校\nタ\nの\nの\n費\n決\n対\n義\n校\n校\n校\n校\n支\n費\nス コ ア 国 語 A\nス コ ア 国 語 B\nス コ ア 数 学 （ 算 数 ） A\nス コ ア 数 学 （ 算 数 ） B\nP C １ 台 当 た り の 児 童 数\n当 た り の 電 子 黒 板 整 備 台 数\nル 教 科 書 の 整 備 率\nIC T 活 用 指 導 力 向 上 の た め の\nIC T 活 用 指 導 力 に 対 す る 質 問\n（ 都 道 府 県 財 政 ）\n算 総 額 （ 都 道 府 県 財 政 ）\n象 所 得\n務 者 数 （ 所 得 割 ）\n教 員 数 *\n教 員 数 *\n生 徒 数 *\n生 徒 数 *\n出 （ ２ 人 以 上 の 世 帯 ） *\n（ ２ 人 以 上 の 世 帯 ） *\n研 修 受 講 率\n単\n点\n点\n点\n点\n人\n台\n%\n%\n%\n十\n十\n十\n人\n人\n人\n人\n人\n円\n円\n位\n万\n万\n万\n円\n円\n円\n出\n全\n全\n全\n全\n教\n教\n教\n教\n教\n地\n地\n市\n市\n学\n学\n学\n学\n家\n家\n典\n国\n国\n国\n国\n育\n育\n育\n育\n育\n方\n方\n町\n町\n校\n校\n校\n校\n計\n計\n学\n学\n学\n学\nの\nの\nの\nの\nの\n財\n財\n村\n村\n基\n基\n基\n基\n調\n調\n力\n力\n力\n力\n情\n情\n情\n情\n情\n政\n政\n税\n税\n本\n本\n本\n本\n査\n査\n・\n・\n・\n・\n報\n報\n報\n報\n報\n状\n状\n課\n課\n調\n調\n調\n調\n学\n学\n学\n学\n化\n化\n化\n化\n化\n況\n況\n税\n税\n査\n査\n査\n査\n習\n習\n習\n習\n実\n実\n実\n実\n実\n調\n調\n状\n状\n状\n状\n状\n状\n態\n態\n態\n態\n態\n査\n査\n況\n況\n況\n況\n況\n況\n調\n調\n調\n調\n調\n等\n等\n調\n調\n調\n調\n査\n査\n査\n査\n査\nの\nの\n査\n査\n査\n査\n調\n調\n年 度\n2013-2018\n2013-2018\n2013-2018\n2013-2018\n2013-2018\n2013-2016\n2013-2018\n2013-2018\n2013-2018\n2013-2018\n2013-2018\n2013-2018\n2013-2018\n2013-2018\n2013-2018\n2013-2018\n2013-2018\n2013-2018\n2013-2018\n備\n小\n小\n小\n小\n公\n公\n教\n当\n定\n継\nる\n考\n・\n・\n・\n・\n立\n立\n員\n該\nの\n続\n」\n中\n中\n中\n中\n校\n校\n用\n年\nあ\nし\n「\n学\n学\n学\n学\n、\n度\nる\nて\nや\n生\n生\n生\n生\n公\nま\nも\n調\nや\n、\n、\n、\n、\n立\nで\nの\n査\nで\n公\nB\n公\nB\n校\nに\nさ\nき\n立\nは\n立\nは\n指\nれ\nる\n校\nよ\n校\nよ\n導\nて\n」\n、\nり\nり\n力\nい\nと\n2016年 の 熊 本 県 は 欠 損 値 と な っ\n応 用 的 な 力 が 試 さ れ る 、 公 立 校\n応 用 的 な 力 が 試 さ れ る 、 公 立 校\n向 上 に 係 る 研 修 を 受 講 し た 、 あ\nる 大 問 A -D を 使 用 、 ４ 段 階 評 価\n回 答 し た 教 員 の 割 合 を 平 均 。\nて\nる\nの\nい\nい\nう\nる\nは\nち\n。\n受\n、\n講\n「\nす\nで\nる\nき\n予\n---PAGE---\nまた、表 2 は今回分析に使用する変数とその加工方法である。加工方法の記号は表 1 の変数に対応してい\nる。先行研究(7)(8)を参考にしてコントロール変数として4つ採用した。「１学校教員当たりの児童数・生徒数」\nは学校規模の指標で、学生へのケアという観点でICT化指標と関連して被説明変数に影響を与えると考えた。\n「都道府県財政に占める教育費の割合」は自治体の状況の指標で、ICT指標の整備にかける予算や自治体の教\n育への関心という観点でICT化指標と関連して被説明変数に影響を与えると考えた。「消費支出に占める教育\n費の割合（2人以上世帯）」は家庭の教育への関心の指標で、家庭の教育への関心がICT化指標と関連して被\n説明変数に影響を与えると考えた。「納税者1人当たり課税対象所得」は家庭経済力の指標で、経済的に豊か\nであることが教育などでICT化指標と関連して被説明変数に影響を与えると考えた。\n表 2：最終的に分析に使用した変数とその加工方法\n今回分析に使用する基本統計量を表 3 に示す。なお、テストスコアの欠損値は、震災の影響を受けた 2016\n年の熊本県のものである。また、「1学校当たりの電子黒板の整備台数」は、2016年までの調査となっており、\n2 年分調査期間が短くなっていることによるものである。また、「研修を受講した教員の割合」は、同一教員\nが2回受講した場合2重にカウントされるため、最大値は100を上回る可能性もある。\n4\nカ\n教\n教\n教\n教\n教\n教\n教\n教\n教\n学\n自\n教\n家\nテ\n育\n育\n育\n育\n育\n育\n育\n育\n育\n級\n治\n育\n庭\nゴ\n成\n成\n成\n成\nデ\nデ\nデ\nデ\nデ\n規\n体\nへ\n経\nリ\n果\n果\n果\n果\nジ\nジ\nジ\nジ\nジ\n模\n状\nの\n済\nタ\nタ\nタ\nタ\nタ\n況\n関\n力\nル\nル\nル\nル\nル\n心\n化\n化\n化\n化\n化\n変\nテ\nテ\nテ\nテ\n教\n１\nデ\n教\nIC\n1 学\n都\n消\n納\n数\nス\nス\nス\nス\n育\n学\nジ\n員\nT\n道\n費\n税\n活\n校\nト\nト\nト\nト\n用\n校\nタ\nの\n府\n支\n者\n用\n教\nス コ\nス コ\nス コ\nス コ\nP C １\n当 た\nル 教\nIC T 活\n指 導\n員 当\n県 財\n出 に\n１ 人\nア\nア\nア\nア\n台\nり\n科\n用\n力\nた\n政\n占\n当\n国\n国\n数\n数\n当\nの\n書\n指\nに\nり\n歳\nめ\nた\n語\n語\n学\n学\nた\n電\nの\n導\n自\nの\n出\nる\nり\nA\nB\n（\n（\nり\n子\n整\n力\n信\n児\n総\n教\n課\n算\n算\nの\n黒\n備\n向\nの\n童\n額\n育\n税\n数\n数\n児\n板\n率\n上\nあ\n・\nに\n費\n対\n）\n）\n童\n整\nの\nる\n生\n占\nの\n象\nA\nB\n数\n備\nた\n教\n徒\nめ\n割\n所\n台\nる\n合\n得\nめ\n員\n数\n数\n教\n（\nの\nの\n育\n２\n研\n割\n費\n人\n被\n修\n合\n説\nの\n以\n説\n受\n明\n割\n上\n明\n講\n変\n合\n世\n変\n率\n数\n帯\n数\n）\n単\n点\n点\n点\n点\n人\n台\n%\n%\n%\n人\n%\n%\n十\n位\n万 円\n年\n2\n2\n2\n2\n2\n2\n2\n2\n2\n2\n2\n2\n2\n0\n0\n0\n0\n0\n0\n0\n0\n0\n0\n0\n0\n0\n度\n1\n1\n1\n1\n1\n1\n1\n1\n1\n1\n1\n1\n1\n3\n3\n3\n3\n3\n3\n3\n3\n3\n3\n3\n3\n3\n-\n-\n-\n-\n-\n-\n-\n-\n-\n-\n-\n-\n-\n2\n2\n2\n2\n2\n2\n2\n2\n2\n2\n2\n2\n2\n0\n0\n0\n0\n0\n0\n0\n0\n0\n0\n0\n0\n0\n1\n1\n1\n1\n1\n1\n1\n1\n1\n1\n1\n1\n1\n8\n8\n8\n8\n8\n6\n8\n8\n8\n8\n8\n8\n8\n加\nA\nB\nC\nD\nE\nF\nG\nH\nI\n小\nJ\nS\nL\n工\n学\n/ K\n/ R\n/ M\n方 法\n生 :P\n* 1 0 0\n* 1 0 0\n* 1 0 0\n/ N 、 中 学 生 :Q / O\n表 3：分析に使用した変数の基本統計量\n変数名 N 欠損値の数 平均 最小値 中央値 最大値\n国語Aテストスコア 562 2 74.09 57.70 75.00 84.40\n国語Bテストスコア 562 2 60.61 45.50 60.00 78.00\n数学Aテストスコア 562 2 70.04 53.20 67.10 85.10\n数学Bテストスコア 562 2 48.97 29.80 47.00 67.10\n研修を受講した教員の割合 564 0 40.66 4.40 38.40 102.40\nICT指導に自信のある教員の割合 564 0 76.70 59.30 76.22 96.72\n教員用PC１台当たりの児童数 564 0 5.96 2.70 5.80 10.00\n1学校当たりの電子黒板の整備台数 376 188 2.77 0.80 2.20 13.70\nデジタル教科書の整備率 564 0 53.05 8.20 51.95 100.00\n小中1学校教員当たりの児童・生徒数 564 0 13.84 9.90 13.63 17.99\n歳出決算総額に占める教育費の割合 564 0 21.91 11.14 21.90 30.70\n消費支出に占める教育費の割合 564 0 3.77 1.64 3.64 7.30\n納税者１人当たり課税所得 564 0 29.96 25.47 29.30 44.95",
    "2021U55-toku5.pdf": "2021年度 統計データ分析コンペティション\n特別賞（審査員奨励）［大学生・一般の部］\n教育における芸術の影響\nHow Art and Arts Can Influence Learning\n梶田 朱音\n（慶應義塾大学大学院健康マネジメント研究科）\n松山 晃之\n（株式会社 J Institute）\n論文の概要\n学力テストの平均正答率について、芸術が教育に与える影響という観点から地域特\n性によるクラスター分析を行い、絵画や彫刻制作などの手作業を伴う芸術や、博物館\nや映画などの生活に根差した芸術が学業成績に影響している可能性があることを示し\nた。\n論文審査会コメント\n当初の問題意識は面白く、既存研究をベースに適切な分析が行われていて評価でき\nる。K-Meansの後の教師付き分離の決定はCARTで行っているようだがプロセスの記\n載が明確でなく、論文としての論理的構成がやや弱い。\n---PAGE---\n教育における芸術の影響\n梶田朱音※ ・松山晃之※\n※ 慶應義塾大学大学院健康マネジメント研究科\n※ 株式会社\n第 章 はじめに\n第 節 背景\n昨今、教育のあり方そのものに関して新たな議論と試みがされている。 において科学技術の発展に\n貢献できる人材を育成する目的で始まった 教育 に、純粋・大衆芸術を意味する「 」や、人文を意味する\n「 」を加えた 教育 はその議論の中で生まれた代表的な教育概念であり、芸術的な要素が全ての教科、\nひいては子供の学力や知性そのものに影響を及ぼすであろうとする概念である。しかしながら、どのような芸術が\n学力に対して有用に働くのかということについては明らかとなっておらず、専門家の間でも意見が分かれる。\n本研究では 教育などの新たな教育理念が重要な役割を果たすとして提示する「芸術」や「人文」をよ\nり包括的に「芸術を含む文化」、または芸術的感性をはぐくむ資源としての「地域特性」や「地域の環境」と捉え\n直し、どの因子が子供の学力に有意に働いているかについて考察するため、 教育用データセットをベース\nに、既存研究より明らかになっている学力に有用に働く因子や芸術に関連する因子とともに分析を行った。\n第 節 先行研究\n１．芸術が一般教育に与える影響\nグッゲンハイム美術館が 年から 年にかけて行った研究によると、絵画や彫刻などの芸術を学んだ小学\n生の、事象を綿密に描写する言語能力、仮説を立てる能力、論理的思考能力に向上 が見られ、韓国においても\n年に プラットフォームを導入した学習が試験的に行われた結果、参加した生徒の課題への没入度の向上\nなどが報告された。\n．一般的に教育に対して関連があるとされている因子\n学業の成績に関して後天的な関連が認められる因子に、家族構造、家族環境、家族背景と表現される枠組みがあ\nる。具体的には食生活や食習慣、規則正しい生活、健康意識 、親の所得 、キョウダイの数などである。 これらは\n今回の解析において、一般的に教育に対して影響のある因子としてデータフレームに導入した。\n第 節 目的と意義\n本研究では、芸術的な感性を育むと思われる環境的な要因は、教育に対してどのような影響を及ぼすのかについ\nて検証する。今までに明らかとなっている学力に有用に働く因子、芸術に関連すると考えた「地域特性」、「地域\nの環境」に関連する因子、そして芸術資源の多さを示すものとして博物館数などを説明変数に加え、目的変数に文\n科省の実施する全国学力調査の結果を使用して解析を行った。\n---PAGE---\n第 節 分析の全体図\nここまで述べた、教育に関連すると考えた要因を概念図に取りまとめたものを図 に示す。\n図 概念図：学業成績へ影響する因子\n地理的な環境が地域特性を育み、地域ごとに家族が生活し、個人が成長していく。こうして個人を取り囲み、\n相互的に作用する要素が個人の感性や学力につながっていくと考えた。\n第 章 研究方法\n第 節 データ収集\n地域環境や地域特性を表す変数として の 年のデータを使用した。 については芸術、\n人文学、文化などに関連する変数や、地域に根付く家庭に関連する変数を芸術変数、家族変数として利用した。芸\n術変数には、さらに、自然・芸術施設関連の変数を より取得し追加した。個人を表す変数として学習に対\nする意識調査質問紙の結果 をデータとして加えた。教育効果を示す結果変数には小学生の全国学力調査の各都道\n府県教科別平均点数を利用した。\n今回使用した全国学力調査では小学生と中学生の成績の都市別データを比較した結果が大きく異なっていた。そ\nの要因について検討した結果、都市部の私立中学で全国学力調査を受験していないことによる変動の可能性が示唆\nされ、選択バイアスの可能性を考慮し小学生のデータのみを利用することとした。加えたデータは教育用データセ\nットの生活時間データの年数に合わせて 年度のテストの結果とした。\n表 芸術変数として選択した変数一覧\n---PAGE---\n表 家庭変数として選択した変数一覧\n表 個人変数として選択した変数一覧\n第 節 分析方法\n芸術、家族、個人に関する変数に、地域性に関連する変数をクラスタリングした、クラスターの質的変数を加え\nたデータフレームにて決定木分析を行った。ソフトウェアには を利用した。\nクラスタリングは教師なし学習の一種で複数のデータ間にある類似度を学習しクラスターというグループに分類\nする。データが持っている未知の性質を調べ可視化できる利点がある。\nクラスタリング分析にはいくつかの手法があるが、今回の分析では各データとクラスターの中心との距離を計算し\n比較する事で各データがどのクラスターに属するかを割り当てる 法を採用した。クラスター数は立法ク\nラスタリング基準によって決定した。\n図 立体クラスタリング基準 図 三次元バイプロット\n詳細\n決定木は機械学習モデルにも一部利用されている。決定木は、説明変数を二進分岐させて生成する。そのため、\n可読性が高く、感覚的に理解しやすい出力となる。本解析では目的変数がテストの結果であり、連続尺度である。\nそのため、今回の回帰木の分岐には平方和の分解を用いた。\n回帰木の各段階のノードを導く二分岐は次のように選択した。\nまず、親ノードにおける基準変数の偏差平方和を計算した。\n𝑁\n𝑆𝑆 =∑ (𝑦 )2\n𝑖−𝑦\n𝑖=1\nは親ノードのオブザベーションの数であり、𝑦は基準変数の測定値、𝑦は親ノードの基準の平均値である。\n𝑖\n予測変数 によって２分岐し、右に𝑁 個、左に𝑁 個のオブザベーションに分かれるものとすると、子ノード内の\n𝑅 𝐿\n偏差平方和は、それぞれ\n---PAGE---\n𝑁𝑅\n𝑆𝑆 ＝∑ (𝑦 )2\n𝑇𝑅 𝑖−𝑦𝑅\n𝑖=1\n𝑁𝐿\n𝑆𝑆 ＝∑ (𝑦 )2\n𝑇𝐿 𝑖−𝑦𝐿\n𝑖=1\nとなる。𝑦 と𝑦 は、それぞれの子ノード内の基準の平均値である。\n𝑅 𝐿\n子ノード内の偏差平方和の和は以下の計算式によって求められ、\n𝑆𝑆 =𝑆𝑆 −𝑆𝑆\n𝑇𝑊 𝑇𝑅 𝑇𝐿\n子ノード内の偏差平方和の和と親ノードの平方和の差を以下の数式で計算し、𝑆𝑆 値の最大になる説明変数で分岐\n𝑇𝐵\nを行い、回帰木は成長する。\n𝑆𝑆 =𝑆𝑆−𝑆𝑆\n𝑇𝐵 𝑇𝑊\n回帰木の成長は最良分岐によって行い、成長のストップルールとして、分岐させて が最も小さくなるとこ\nろ とした。\n第 章 結果\n表 各クラスターの特徴\n図 地域特性クラスター分析の結果\n図 国語の基礎的な問題にあたる国語 の都道府県別平均点を目的変数とした場合の結果"
  },
  "2020": {
    "2020H1-daijin.pdf": "2020年度 統計データ分析コンペティション\n総務大臣賞［高校生の部］\n人口増加と「住みやすい街」の関係\n朝倉翔汰（慶應義塾湘南藤沢高等部）\n論文の概要\n市区町村の人口増加について、住みやすさに関する項目との相関分析を行ってヒー\nトマップを作成し、安心度、利便性、住環境、労働等が人口増加の要因となることを\n示して、地域の実情や特色を活かした「住みやすい」街に向けた地方自治体の取り組\nみが大切であることを指摘している。\n論文審査会コメント\n分析は丁寧で手間をかけており、相関係数、箱ひげ図やヒートマップなども多用し\nて論文としても質の高いものとなっている。\n---PAGE---\n人口増加と「住みやすい街」の関係\n朝倉翔汰 （慶應義塾湘南藤沢高等部）\n---PAGE---\n人口増加と「住みやすい街」の関係\n朝倉翔汰\n慶應義塾湘南藤沢高等部 1年\n１． はじめに\n2019 年の人口動態統計で日本人の国内出生数が初めて 90 万人を割った。この現状を少子化社会対策白\n書では「86 万ショック」と表現され、世の中の関心事となった。このままでは、出生数は減少する一方で少子高齢\n化が加速していくと見込まれており、人口減少に歯止めがかからないのは日本のこれからの発展を考えるうえで\n深刻な問題となっている。\n少子高齢化対策を考えるということは、人が定住し、子供を産み、育てることを考えることだ。その上で、人々の\n生活のしやすさ、つまり「住みやすさ」は重要な要素の一つである。今回、人口増加と市区町村単位での「住み\nやすさ」の関係性について分析を行った。人口増加については自然増減と社会増減の 2 つに分けて考え、「住\nみやすさ」については医療・福祉、教育などの【安心度】、飲食・小売店などの【利便性】、人口密度、人口構成\nなどの【住環境】、完全失業率などの【労働】の 4 つ観点に分け、人口規模ごとに市区町村をⅠ～Ⅳに分類した\nうえで、それぞれで人口増加と「住みやすさ」の各項目との相関関係を分析・考察した。\n２． 研究の方法\n２．１ SSDSE-2020Aデータの活用\nSSDSE-2020Aのデータの内、以下のデータ（表１）を活用し、それぞれの相関関係について分析を行った。\n人口増減や「住みやすさ」に関するデータ項目は東洋経済オンラインの「住みよさランキング 2020」の指標を参\n考に追加削除して作成した 【1】【3】。人口増減は「自然増減（＝出生数―死亡数）」と「社会増減（＝転入数―転出\n数）」。自然増減と社会増減それぞれで「住みやすさ」に関する項目についての相関を分析することにした。\n表１ SSDSE-2020A 使用データ\nカテゴリー データ項目\n総人口 総人口（女） 15歳未満人口 15歳未満人口（女） 転出数 出生数\n人口\n65歳以上人口 15~64歳人口 就業者数（女） 非水浄化人口 転入数 死亡数\n一般病院数 一般診療所数 公民館 図書館 中学校数 小売店数\n施設・数値 保育所等数 幼稚園数 小学校数 可住地面積 完全失業者数 飲食店数\n医師数 世帯数 事業所数（医療・福祉）\n公的支援 民生費 教育費 歳出決算総額\n２．２ 人口規模の区分\n日本の全市区町村のうち、三大都市圏と地方圏では同じ人口増加・減少でも、要因が一律ではないと考え、\n総務省「地方公共団体の区分」【2】 に基づいて全市区町村を人口規模 毎にⅠ～Ⅳの4つに分類して分析を行\nった（表 2）。分類した中で、SSDSE「出生数・死亡数・転入数・転出数・総人口」の市区町村データから前年人口、\n自然増減率、社会増減率をそれぞれ算出し、自然増減率と社会増減率の正負のマトリクスを作成した。（表 3）\nのようにⅠ～Ⅳのいずれの区分でも自然増減率、社会増減率ともに減少している市区町村の割合が最も高く、\n人口規模が小さくなるほど自然増減率、社会増減率共に減少している市区町村の割合が高くなる。\n2\n---PAGE---\n表２ 人口区分（Ⅰ～Ⅳ）の定義\n区分 人口 n\nⅠ 50万人以上 35\nⅡ 20万以上、50万未満 94\nⅢ 5万以上、20万未満 415\nⅣ 5万未満 1191\n表３ Ⅰ～Ⅳ別 社会増減率と自然増減率の正負のマトリクス\n表3-1 区分Ⅰ 表3-2 区分Ⅱ\n自然増減率 自然増減率\nⅠ 計 Ⅱ 計\n増加 減少 増加 減少\n社 4 17 社 10 30\n会 増加 （11%） （49%） 21 会 増加 (11%) (32%) 40\n増 増\n0 14 5 49\n減 減少 14 減 減少 54\n率 （0%） （40%） 率 (5%) (52%)\n計 4 31 35 計 15 79 94\n表3-3 区分Ⅲ 表3-4 区分Ⅳ\n自然増減率 自然増減率\nⅢ 計 Ⅳ 計\n増加 減少 増加 減少\n社 43 95 社 42 175\n会 増加 138 会 増加 217\n(10%) (23%) (4%) (15%)\n増 増\n13 264 22 952\n減 減少 277 減 減少 974\n率 (3%) (64%) 率 (2%) (80%)\n計 56 359 415 計 64 1127 1191\n２．３ 外れ値の特定\n上記結果を踏まえて、自然増減率と社会増減率別にⅠ～Ⅳのデータの平均と分散をまとめた（表 4-1,4-2）。\n平均は自然増減率、社会増減率ともにⅠが最も高く、人口規模が小さくなるにつれて減少する。分散はⅠが最\nも小さく、人口規模が小さくなるにつれてばらつきが大きくなることが分かる。\n表4-1 Ⅰ～Ⅳ別 自然増減率の平均と分散 表4-2 Ⅰ～Ⅳ別 社会増減率の平均と分散\nⅠ Ⅱ Ⅲ Ⅳ Ⅰ Ⅱ Ⅲ Ⅳ\nｎ 35 94 415 1,191 ｎ 35 94 415 1,191\n平均 -0.18 -0.24 -0.40 -0.94 平均 0.19 0.10 -0.10 -0.51\n分散 0.03 0.06 0.14 0.33 分散 0.09 0.19 0.28 0.59\n相関を分析する上、各項目別にも値にばらつきが影響を与えるのではないかと考え、各項目で外れ値を特定\nした。まずはテューキーの箱ひげ図で目視確認し、次に四分位範囲ルール 【8】を用いて上内・下内境界点の外\nにある数値がなくなるまで、外れ値の特定を繰り返した。\n3\n---PAGE---\n図1 各項目の箱ひげ図\n２．４ 相関係数の算出・ヒートマップの作成\nエクセル統計を使用し、外れ値を除外した各項目のデータから相関係数を算出した。相関係数の評価基準と\nして以下のように判断することにした（表 5）。また、無相関の検定を行い、統計データの有意性を確認したうえで、\n相関係数の数値に応じて配色した相関係数のヒートマップを作成した。\n表5 相関係数の評価基準\n相関係数の値 相関の強さ\n1.0~0.7 強い正の相関\n0.7~0.4 正の相関\n0.4~0.2 弱い正の相関\n0.2~-0.2 ほとんど相関がない\n-0.2~-0.4 弱い負の相関\n-0.4~-0.7 負の相関\n-0.7~-1.0 強い負の相関\n３． データセットの加工\n３．１ SSDSE-2020Aデータの加工\n２．１で示したデータ項目を加工し、16個の住みやすさに関する指標を作成した。以下の表は、１６項目の デ\nータの定義・算出方法を示した。\n4",
    "2020H2-yushu.pdf": "2020年度 統計データ分析コンペティション\n優秀賞［高校生の部］\n気温と脳卒中の発症リスクについて\n山野瑞起・岩見拓海・黒子風大・柏木創太\n（兵庫県立姫路西高等学校）\n論文の概要\n三大疾病の１つである脳卒中が冬に多くなることに着目し、気温や室温との因果関\n係について仮説を立てて偏相関分析を行い、ヒートショックのリスクを低くする床暖\n房の普及率の影響を除くことで、気温と脳卒中の相関関係がより強くなることを示し\nている。\n論文審査会コメント\n回帰分析と相関係数で多面的に検証して興味深い結果が得られており、今後、政令\n指定都市以外に対象を広げた結果も期待したい。\n---PAGE---\n(cid:3)(cid:3)\n(cid:7868)(cid:8194)(cid:2140)(cid:11067)(cid:3870)(cid:2928)(cid:2146)(cid:9422)(cid:9301)(cid:2268)(cid:2219)(cid:2209)(cid:2143)(cid:2136)(cid:2104)(cid:2138)(cid:3)\n(cid:3)\n(cid:2179)(cid:3836)(cid:2616)(cid:1611)(cid:640)(cid:1570)(cid:1889)(cid:2901)(cid:1412)(cid:640)(cid:2057)(cid:2210)(cid:3563)(cid:2889)(cid:640)(cid:3368)(cid:3816)(cid:2771)(cid:2850)(cid:3)\n(cid:3598)(cid:1921)(cid:1887)(cid:3955)(cid:3493)(cid:4049)(cid:2660)(cid:2038)(cid:3189)(cid:1464)(cid:1999)(cid:3)\n(cid:3)\n(cid:20)(cid:17)(cid:3)(cid:1884)(cid:1666)(cid:889)(cid:3818)(cid:3110)(cid:640)(cid:3344)(cid:1826)(cid:3)\n(cid:3) (cid:3286)(cid:3724)(cid:889)(cid:3303)(cid:1556)(cid:889)(cid:2224)(cid:3684)(cid:2306)(cid:889)(cid:849)(cid:876)(cid:3841)(cid:3412)(cid:2620)(cid:889)(cid:2224)(cid:1214)(cid:855)(cid:2176)(cid:2889)(cid:2286)(cid:3510)(cid:883)(cid:1916)(cid:891)(cid:919)(cid:918)(cid:22)(cid:879)\n(cid:889)(cid:2654)(cid:1480)(cid:2360)(cid:1525)(cid:3510)(cid:882)(cid:845)(cid:918)(cid:889)(cid:925)(cid:863)(cid:2842)(cid:2958)(cid:875)(cid:920)(cid:849)(cid:854)(cid:637)(cid:2176)(cid:2889)(cid:2286)(cid:3510)(cid:883)(cid:890)(cid:636)(cid:855)(cid:926)(cid:636)(cid:2556)(cid:2286)\n(cid:1523)(cid:636)(cid:3318)(cid:2838)(cid:2982)(cid:889)(cid:862)(cid:883)(cid:882)(cid:845)(cid:917)(cid:636)(cid:872)(cid:919)(cid:873)(cid:919)(cid:855)(cid:2744)(cid:2864)(cid:889)(cid:2224)(cid:3684)(cid:2620)(cid:886)(cid:2704)(cid:908)(cid:918)(cid:1476)(cid:2043)(cid:890)(cid:2598)\n(cid:20)(cid:889)(cid:3050)(cid:917)(cid:882)(cid:845)(cid:918)(cid:637)(cid:2982)(cid:882)(cid:909)(cid:3318)(cid:2838)(cid:2982)(cid:890)(cid:3397)(cid:2483)(cid:1947)(cid:886)(cid:2509)(cid:1426)(cid:855)(cid:2196)(cid:918)(cid:862)(cid:883)(cid:855)(cid:2849)(cid:858)(cid:636)(cid:883)\n(cid:881)(cid:909)(cid:1579)(cid:1895)(cid:882)(cid:845)(cid:918)(cid:637)(cid:2598)(cid:20)(cid:915)(cid:917)(cid:3286)(cid:3724)(cid:2581)(cid:889)(cid:20)(cid:19)(cid:2581)(cid:886)(cid:783)(cid:2581)(cid:890)(cid:3318)(cid:2838)(cid:2982)(cid:882)(cid:3684)(cid:858)(cid:885)(cid:878)(cid:881)\n(cid:847)(cid:918)(cid:862)(cid:883)(cid:855)(cid:3582)(cid:854)(cid:918)(cid:637)(cid:862)(cid:919)(cid:925)(cid:3881)(cid:3705)(cid:868)(cid:918)(cid:862)(cid:883)(cid:855)(cid:882)(cid:856)(cid:919)(cid:891)(cid:636)(cid:2581)(cid:659)(cid:889)(cid:1866)(cid:1987)(cid:1187)(cid:2253)\n(cid:886)(cid:2889)(cid:856)(cid:858)(cid:2027)(cid:1883)(cid:882)(cid:856)(cid:918)(cid:889)(cid:882)(cid:890)(cid:885)(cid:847)(cid:854)(cid:883)(cid:2017)(cid:851)(cid:874)(cid:637)(cid:3)\n(cid:872)(cid:862)(cid:882)(cid:636)(cid:3318)(cid:2838)(cid:2982)(cid:890)(cid:3163)(cid:886)(cid:2849)(cid:847)(cid:883)(cid:847)(cid:849)(cid:930)(cid:991)(cid:662)(cid:950)(cid:854)(cid:916)(cid:3318)(cid:2838)(cid:2982)(cid:890)(cid:1538)(cid:1703)(cid:3110)(cid:3907)(cid:1214)\n(cid:886)(cid:915)(cid:878)(cid:881)(cid:1611)(cid:862)(cid:917)(cid:849)(cid:918)(cid:889)(cid:882)(cid:890)(cid:885)(cid:847)(cid:854)(cid:883)(cid:2017)(cid:851)(cid:636)(cid:2502)(cid:866)(cid:858)(cid:3026)(cid:900)(cid:881)(cid:906)(cid:874)(cid:883)(cid:862)\n(cid:2598)(cid:20)(cid:17)(cid:3)(cid:21)(cid:19)(cid:20)(cid:27)(cid:3303)(cid:889)(cid:3286)(cid:3724)(cid:2581)(cid:889)(cid:2224)(cid:1214)(cid:1476)(cid:2043)(cid:3)\n(cid:920)(cid:636)(cid:976)(cid:662)(cid:966)(cid:949)(cid:997)(cid:961)(cid:941)(cid:676)(cid:2939)(cid:2254)(cid:1556)(cid:889)(cid:1658)(cid:1851)(cid:885)(cid:1339)(cid:3157)(cid:3619)(cid:1343)(cid:886)(cid:915)(cid:918)(cid:1860)(cid:1147)(cid:889)(cid:1658)(cid:1851)(cid:885)\n(cid:676)(cid:21)(cid:19)(cid:20)(cid:27)(cid:3303)(cid:2581)(cid:1971)(cid:3210)(cid:2872)(cid:3026)(cid:2092)(cid:3)(cid:915)(cid:917)(cid:677)(cid:3)\n(cid:2511)(cid:2468)(cid:911)(cid:1342)(cid:2035)(cid:677)(cid:911)(cid:2918)(cid:2605)(cid:2483)(cid:2527)(cid:883)(cid:847)(cid:878)(cid:874)(cid:1538)(cid:1703)(cid:3110)(cid:3907)(cid:1214)(cid:855)(cid:3318)(cid:2838)(cid:2982)(cid:925)(cid:1216)(cid:856)(cid:1611)(cid:862)(cid:868)\n(cid:862)(cid:883)(cid:855)(cid:845)(cid:917)(cid:11)(cid:20)(cid:12)(cid:636)(cid:3318)(cid:2838)(cid:2982)(cid:889)(cid:3397)(cid:2654)(cid:1000)(cid:951)(cid:941)(cid:890)(cid:1600)(cid:1339)(cid:911)(cid:1600)(cid:1963)(cid:883)(cid:1558)(cid:1808)(cid:855)(cid:845)(cid:918)(cid:883)(cid:868)(cid:918)(cid:2702)(cid:2024)(cid:1884)(cid:1666)(cid:909)(cid:845)(cid:878)(cid:874)(cid:11)(cid:21)(cid:12)(cid:2059)(cid:3)\n(cid:905)(cid:874)(cid:636)(cid:2288)(cid:2127)(cid:886)(cid:21)(cid:19)(cid:20)(cid:28)(cid:3303)(cid:889)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:2306)(cid:2620)(cid:925)(cid:1862)(cid:3614)(cid:882)(cid:942)(cid:999)(cid:979)(cid:886)(cid:866)(cid:881)(cid:906)(cid:918)(cid:883)(cid:676)(cid:2598)(cid:21)(cid:677)(cid:636)(cid:3318)(cid:2838)(cid:2982)(cid:886)(cid:915)(cid:918)(cid:2224)(cid:3684)(cid:2306)(cid:2620)(cid:890)(cid:3163)\n(cid:886)(cid:2849)(cid:858)(cid:885)(cid:918)(cid:883)(cid:847)(cid:849)(cid:862)(cid:883)(cid:855)(cid:3582)(cid:854)(cid:878)(cid:874)(cid:637)(cid:862)(cid:919)(cid:916)(cid:889)(cid:862)(cid:883)(cid:854)(cid:916)(cid:636)(cid:2228)(cid:874)(cid:876)(cid:890)(cid:1600)(cid:1339)(cid:883)(cid:3318)(cid:2838)(cid:2982)(cid:889)(cid:3397)(cid:2483)(cid:1000)(cid:951)(cid:941)(cid:886)(cid:890)(cid:1214)(cid:1358)(cid:1558)(cid:1808)(cid:855)\n(cid:845)(cid:918)(cid:889)(cid:882)(cid:890)(cid:885)(cid:847)(cid:854)(cid:883)(cid:2017)(cid:851)(cid:874)(cid:637)(cid:3)\n(cid:3)\n(cid:20)(cid:20)(cid:19)(cid:19)(cid:19)\n(cid:2224) (cid:20)(cid:19)(cid:19)(cid:19)(cid:19)\n(cid:3684)\n(cid:28)(cid:19)(cid:19)(cid:19)\n(cid:2306)\n(cid:2620)\n(cid:27)(cid:19)(cid:19)(cid:19)\n(cid:7901)\n(cid:2581)\n(cid:26)(cid:19)(cid:19)(cid:19)\n(cid:7902)\n(cid:25)(cid:19)(cid:19)(cid:19)\n(cid:20)(cid:1862) (cid:21)(cid:1862) (cid:22)(cid:1862) (cid:23)(cid:1862) (cid:24)(cid:1862) (cid:25)(cid:1862) (cid:26)(cid:1862) (cid:27)(cid:1862) (cid:28)(cid:1862) (cid:20)(cid:19)(cid:1862)(cid:20)(cid:20)(cid:1862)(cid:20)(cid:21)(cid:1862)\n(cid:2598)(cid:21)(cid:17)(cid:3)(cid:21)(cid:19)(cid:20)(cid:28)(cid:3303)(cid:889)(cid:1862)(cid:3614)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:2306)(cid:2620)(cid:3)\n(cid:21)(cid:17)(cid:3)(cid:1884)(cid:1666)(cid:889)(cid:3663)(cid:3665)(cid:883)(cid:2328)(cid:2419)(cid:3)\n(cid:3) (cid:862)(cid:889)(cid:1884)(cid:1666)(cid:882)(cid:890)(cid:636)(cid:1600)(cid:1339)(cid:883)(cid:3318)(cid:2838)(cid:2982)(cid:889)(cid:3397)(cid:2483)(cid:1000)(cid:951)(cid:941)(cid:889)(cid:1556)(cid:886)(cid:1214)(cid:1358)(cid:1558)(cid:1808)(cid:855)(cid:845)(cid:918)(cid:854)(cid:925)(cid:3026)(cid:900)(cid:918)(cid:862)(cid:883)(cid:925)(cid:3818)(cid:3110)(cid:883)(cid:868)(cid:918)(cid:637)(cid:905)(cid:869)(cid:1600)(cid:1339)\n(cid:883)(cid:3318)(cid:2838)(cid:2982)(cid:889)(cid:3397)(cid:2483)(cid:1000)(cid:951)(cid:941)(cid:886)(cid:890)(cid:2798)(cid:1558)(cid:855)(cid:845)(cid:918)(cid:889)(cid:925)(cid:1454)(cid:854)(cid:908)(cid:881)(cid:854)(cid:916)(cid:636)(cid:884)(cid:889)(cid:915)(cid:849)(cid:885)(cid:1600)(cid:1339)(cid:889)(cid:2524)(cid:1863)(cid:882)(cid:3318)(cid:2838)(cid:2982)(cid:889)(cid:3397)(cid:2483)(cid:1000)(cid:951)(cid:941)(cid:855)(cid:2038)\n(cid:905)(cid:918)(cid:889)(cid:854)(cid:864)(cid:916)(cid:886)(cid:1344)(cid:2696)(cid:925)(cid:3955)(cid:881)(cid:636)(cid:965)(cid:662)(cid:957)(cid:3582)(cid:2677)(cid:882)(cid:1879)(cid:2500)(cid:868)(cid:918)(cid:637)(cid:862)(cid:889)(cid:883)(cid:856)(cid:636)(cid:3318)(cid:2838)(cid:2982)(cid:889)(cid:3397)(cid:2483)(cid:1000)(cid:951)(cid:941)(cid:889)(cid:965)(cid:662)(cid:957)(cid:886)(cid:890)(cid:1739)(cid:2287)(cid:885)(cid:909)\n(cid:889)(cid:886)(cid:885)(cid:918)(cid:915)(cid:849)(cid:886)(cid:1349)(cid:1981)(cid:925)(cid:2220)(cid:866)(cid:874)(cid:3318)(cid:2838)(cid:2982)(cid:886)(cid:915)(cid:918)(cid:2224)(cid:3684)(cid:2620)(cid:889)(cid:965)(cid:662)(cid:957)(cid:925)(cid:3901)(cid:847)(cid:874)(cid:637)(cid:3)\n(cid:3)\n(cid:22)(cid:17)(cid:3)(cid:965)(cid:662)(cid:957)(cid:953)(cid:961)(cid:966)(cid:889)(cid:1349)(cid:1981)(cid:3)\n(cid:22)(cid:17)(cid:20)(cid:17)(cid:3)(cid:2200)(cid:3901)(cid:866)(cid:874)(cid:965)(cid:662)(cid:957)(cid:640)(cid:2216)(cid:3500)(cid:3)\n(cid:2200)(cid:3901)(cid:866)(cid:874)(cid:965)(cid:662)(cid:957)(cid:883)(cid:872)(cid:889)(cid:2396)(cid:3121)(cid:889)(cid:1202)(cid:3939)(cid:925)(cid:3505)(cid:20)(cid:636)(cid:2144)(cid:2644)(cid:866)(cid:874)(cid:2216)(cid:3500)(cid:883)(cid:872)(cid:889)(cid:1839)(cid:2187)(cid:3663)(cid:3665)(cid:889)(cid:1202)(cid:3939)(cid:925)(cid:3505)(cid:21)(cid:886)(cid:2262)(cid:868)(cid:637)(cid:874)(cid:875)(cid:866)(cid:636)(cid:3505)(cid:21)\n(cid:889)(cid:688)(cid:3303)(cid:4026)(cid:3026)(cid:2646)(cid:2224)(cid:3684)(cid:3954)(cid:689)(cid:889)(cid:1839)(cid:2187)(cid:3663)(cid:3665)(cid:886)(cid:879)(cid:847)(cid:881)(cid:890)(cid:1947)(cid:2398)(cid:868)(cid:918)(cid:676)(cid:22)(cid:17)(cid:21)(cid:17)(cid:2178)(cid:2482)(cid:677)(cid:637)(cid:3)\n(cid:20)(cid:3)\n---PAGE---\n(cid:3505)(cid:20)(cid:17)(cid:3)(cid:2200)(cid:3901)(cid:866)(cid:874)(cid:965)(cid:662)(cid:957)(cid:853)(cid:915)(cid:894)(cid:2396)(cid:3121)(cid:1202)(cid:3939)(cid:3)\n(cid:965)(cid:662)(cid:957)(cid:3788)(cid:3) (cid:3303)(cid:3157)(cid:3) (cid:2396)(cid:3121)(cid:3)\n(cid:2801)(cid:2581)(cid:1971)(cid:676)(cid:2581)(cid:677)(cid:636)(cid:20)(cid:24)(cid:2114)(cid:3762)(cid:3758)(cid:2581)(cid:1971)(cid:676)(cid:2581)(cid:677)(cid:636)(cid:20)(cid:24)(cid:2114)(cid:1168)(cid:2511)(cid:25)(cid:24)(cid:2114)(cid:3762)\n(cid:21)(cid:19)(cid:20)(cid:24)(cid:3) (cid:54)(cid:54)(cid:39)(cid:54)(cid:40)(cid:3)\n(cid:3758)(cid:2581)(cid:1971)(cid:676)(cid:2581)(cid:677)(cid:636)(cid:25)(cid:24)(cid:2114)(cid:1168)(cid:2511)(cid:2581)(cid:1971)(cid:676)(cid:2581)(cid:677)(cid:3)\n(cid:3318)(cid:2838)(cid:2982)(cid:886)(cid:915)(cid:918)(cid:2801)(cid:2224)(cid:3684)(cid:2620)(cid:676)(cid:2581)(cid:677)(cid:3) (cid:21)(cid:19)(cid:20)(cid:21)(cid:102)(cid:21)(cid:19)(cid:20)(cid:28)(cid:3) (cid:2581)(cid:1971)(cid:3210)(cid:2872)(cid:3026)(cid:2092)(cid:676)(cid:1970)(cid:2654)(cid:4051)(cid:3209)(cid:2484)(cid:677)(cid:3)\n(cid:3286)(cid:1556)(cid:3601)(cid:1739)(cid:1600)(cid:1339)(cid:676)(cid:712)(cid:677)(cid:636)(cid:3286)(cid:1556)(cid:2105)(cid:2038)(cid:640)(cid:2105)(cid:3073)(cid:1600)(cid:1339)(cid:676)(cid:712)(cid:677)(cid:3) (cid:21)(cid:19)(cid:20)(cid:20)(cid:102)(cid:21)(cid:19)(cid:20)(cid:28)(cid:3) (cid:1379)(cid:1674)(cid:889)(cid:1600)(cid:2503)(cid:965)(cid:662)(cid:957)(cid:676)(cid:1600)(cid:2503)(cid:3009)(cid:677)(cid:3)\n(cid:21)(cid:2581)(cid:1168)(cid:2511)(cid:889)(cid:2634)(cid:2869)(cid:886)(cid:853)(cid:860)(cid:918)(cid:2460)(cid:2952)(cid:3692)(cid:3541)(cid:1654)(cid:3954)(cid:676)(cid:8)(cid:677)(cid:3) (cid:21)(cid:19)(cid:20)(cid:23)(cid:3) (cid:2744)(cid:2053)(cid:2477)(cid:3463)(cid:2288)(cid:2872)(cid:3026)(cid:2092)(cid:676)(cid:2801)(cid:3777)(cid:2484)(cid:677)(cid:3)\n(cid:3505)(cid:21)(cid:17)(cid:3)(cid:2144)(cid:2644)(cid:866)(cid:874)(cid:2216)(cid:3500)(cid:853)(cid:915)(cid:894)(cid:1839)(cid:2187)(cid:3663)(cid:3665)(cid:1202)(cid:3939)(cid:3)\n(cid:2216)(cid:3500)(cid:3788)(cid:3) (cid:1839)(cid:2187)(cid:3663)(cid:3665)(cid:3)\n(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:676)(cid:20)(cid:19)(cid:3756)(cid:2581)(cid:2866)(cid:677)(cid:3) (cid:1947)(cid:2398)(cid:3)\n(cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:1600)(cid:1339)(cid:676)(cid:712)(cid:677)(cid:3) (cid:3286)(cid:1556)(cid:3601)(cid:1739)(cid:1600)(cid:1339)(cid:925)(cid:1862)(cid:863)(cid:883)(cid:886)(cid:3601)(cid:1739)(cid:3)\n(cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:2105)(cid:2038)(cid:640)(cid:2105)(cid:3073)(cid:1600)(cid:1339)(cid:2091)(cid:676)(cid:712)(cid:677)(cid:3) (cid:3286)(cid:2105)(cid:2038)(cid:1600)(cid:1339)(cid:695)(cid:3286)(cid:2105)(cid:3073)(cid:1600)(cid:1339)(cid:925)(cid:1862)(cid:863)(cid:883)(cid:886)(cid:3601)(cid:1739)(cid:866)(cid:874)(cid:2957)(cid:3)\n(cid:3)\n(cid:22)(cid:17)(cid:21)(cid:17)(cid:3)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:889)(cid:1839)(cid:2187)(cid:3663)(cid:3665)(cid:3)\n(cid:1600)(cid:1339)(cid:889)(cid:3619)(cid:3210)(cid:889)(cid:2197)(cid:3663)(cid:855)(cid:1185)(cid:885)(cid:918)(cid:2959)(cid:1198)(cid:889)(cid:965)(cid:662)(cid:957)(cid:925)(cid:883)(cid:918)(cid:874)(cid:908)(cid:636)\n(cid:1600)(cid:2503)(cid:3009)(cid:886)(cid:915)(cid:918)(cid:1600)(cid:1963)(cid:1762)(cid:3582)(cid:676)(cid:2598)(cid:22)(cid:677)(cid:854)(cid:916)(cid:3505)(cid:22)(cid:889)(cid:28)(cid:3152)(cid:2212)(cid:925)(cid:992)(cid:965)(cid:1001)\n(cid:3152)(cid:2212)(cid:883)(cid:866)(cid:881)(cid:2734)(cid:3080)(cid:866)(cid:881)(cid:965)(cid:662)(cid:957)(cid:925)(cid:2986)(cid:2396)(cid:866)(cid:874)(cid:637)(cid:862)(cid:889)(cid:883)(cid:856)(cid:636)(cid:2889)(cid:856)\n(cid:885)(cid:3510)(cid:1221)(cid:889)(cid:1755)(cid:864)(cid:886)(cid:915)(cid:878)(cid:881)(cid:3397)(cid:2483)(cid:2620)(cid:883)(cid:2224)(cid:3684)(cid:2306)(cid:2620)(cid:889)(cid:2091)(cid:855)(cid:2889)(cid:856)(cid:858)(cid:885)\n(cid:918)(cid:885)(cid:884)(cid:636)(cid:3026)(cid:2092)(cid:2866)(cid:2503)(cid:886)(cid:853)(cid:860)(cid:918)(cid:1195)(cid:3983)(cid:1450)(cid:2091)(cid:889)(cid:1258)(cid:1723)(cid:925)(cid:2105)(cid:2456)(cid:1912)(cid:886)(cid:868)\n(cid:918)(cid:874)(cid:908)(cid:2645)(cid:4011)(cid:2216)(cid:3080)(cid:3152)(cid:2212)(cid:854)(cid:916)(cid:2734)(cid:3080)(cid:866)(cid:874)(cid:637)(cid:874)(cid:875)(cid:866)(cid:636)(cid:2205)(cid:2053)(cid:853)(cid:915)(cid:894)\n(cid:1759)(cid:2351)(cid:3272)(cid:3560)(cid:886)(cid:890)(cid:2645)(cid:4011)(cid:2216)(cid:3080)(cid:3152)(cid:2212)(cid:855)(cid:885)(cid:847)(cid:874)(cid:908)(cid:2205)(cid:2053)(cid:890)(cid:2484)(cid:3958)(cid:636)(cid:1759)(cid:2351)\n(cid:3272)(cid:3560)(cid:890)(cid:2887)(cid:922)(cid:917)(cid:886)(cid:1791)(cid:3724)(cid:2212)(cid:925)(cid:2734)(cid:3080)(cid:866)(cid:874)(cid:637)(cid:3)\n(cid:3)\n(cid:3505)(cid:22)(cid:17)(cid:3)(cid:2734)(cid:3080)(cid:866)(cid:874)(cid:992)(cid:965)(cid:1001)(cid:3152)(cid:2212)(cid:1202)(cid:3939)(cid:3)\n(cid:1600)(cid:1963)(cid:1762)(cid:3582)(cid:3) (cid:3152)(cid:2212)(cid:3788)(cid:3) (cid:1600)(cid:1963)(cid:1762)(cid:3582)(cid:3) (cid:3152)(cid:2212)(cid:3788)(cid:3)\n(cid:3708)(cid:1412)(cid:3221)(cid:3) (cid:2165)(cid:3722)(cid:2212)(cid:3) (cid:1755)(cid:1602)(cid:3) (cid:2889)(cid:2135)(cid:2212)(cid:3)\n(cid:3176)(cid:3708)(cid:3) (cid:2701)(cid:2888)(cid:2212)(cid:3) (cid:2982)(cid:2053)(cid:3) (cid:1985)(cid:3171)(cid:2212)(cid:3)\n(cid:1558)(cid:3176)(cid:2007)(cid:2550)(cid:3) (cid:864)(cid:847)(cid:874)(cid:905)(cid:2212)(cid:3) (cid:1759)(cid:2351)(cid:3708)(cid:3560)(cid:3) (cid:3571)(cid:1326)(cid:2212)(cid:3)\n(cid:3708)(cid:3952)(cid:3) (cid:2559)(cid:1475)(cid:2212)(cid:3) (cid:1759)(cid:2351)(cid:3272)(cid:3560)(cid:3) (cid:1791)(cid:3724)(cid:2212)(cid:3)\n(cid:3176)(cid:1412)(cid:3) (cid:3788)(cid:1915)(cid:1330)(cid:2212)(cid:3) (cid:2598)(cid:22)(cid:17)(cid:3)(cid:3286)(cid:3724)(cid:889)(cid:1600)(cid:1963)(cid:1762)(cid:3582)(cid:11)(cid:22)(cid:12)(cid:3)\n(cid:3)\n(cid:3) (cid:864)(cid:916)(cid:886)(cid:636)(cid:992)(cid:965)(cid:1001)(cid:3152)(cid:2212)(cid:863)(cid:883)(cid:886)(cid:3303)(cid:4026)(cid:2001)(cid:2644)(cid:855)(cid:1185)(cid:885)(cid:918)(cid:874)(cid:908)(cid:636)(cid:872)(cid:919)(cid:886)(cid:915)(cid:878)(cid:881)(cid:2224)(cid:3684)(cid:3954)(cid:886)(cid:909)(cid:1258)(cid:1723)(cid:855)(cid:2396)(cid:918)(cid:862)(cid:883)(cid:925)(cid:2017)(cid:3970)(cid:866)(cid:881)(cid:2581)\n(cid:1971)(cid:925)(cid:20)(cid:24)(cid:2114)(cid:3762)(cid:3758)(cid:636)(cid:20)(cid:24)(cid:2114)(cid:1168)(cid:2511)(cid:25)(cid:23)(cid:2114)(cid:3762)(cid:3758)(cid:636)(cid:25)(cid:24)(cid:2114)(cid:1168)(cid:2511)(cid:889)(cid:22)(cid:1420)(cid:1669)(cid:886)(cid:3582)(cid:860)(cid:636)(cid:1970)(cid:2654)(cid:4051)(cid:3209)(cid:2484)(cid:855)(cid:2262)(cid:868)(cid:1342)(cid:1609)(cid:889)(cid:1839)(cid:2187)(cid:2270)(cid:882)(cid:2224)(cid:3684)(cid:3954)(cid:889)(cid:3303)\n(cid:4026)(cid:3026)(cid:2646)(cid:925)(cid:2024)(cid:878)(cid:874)(cid:11)(cid:23)(cid:12)(cid:637)(cid:3)\n(cid:4672)(cid:1420)(cid:1669)(cid:3614)(cid:2760)(cid:2224)(cid:3684)(cid:3954)(cid:3400)(cid:3186)(cid:1434)(cid:1420)(cid:1669)(cid:889)(cid:1582)(cid:2412)(cid:2581)(cid:1971)(cid:4673)(cid:889)(cid:1446)(cid:1420)(cid:1669)(cid:889)(cid:2801)(cid:4074)\n(cid:3303)(cid:4026)(cid:3026)(cid:2646)(cid:2224)(cid:3684)(cid:3954) (cid:3404) (cid:3)\n(cid:1582)(cid:2412)(cid:2581)(cid:1971)(cid:889)(cid:2801)(cid:2620)\n(cid:3)\n(cid:885)(cid:853)(cid:636)(cid:2760)(cid:2224)(cid:3684)(cid:3954)(cid:890)(cid:2224)(cid:3684)(cid:2620)(cid:925)(cid:2801)(cid:2581)(cid:1971)(cid:882)(cid:2440)(cid:866)(cid:874)(cid:909)(cid:889)(cid:882)(cid:845)(cid:917)(cid:636)(cid:1582)(cid:2412)(cid:2581)(cid:1971)(cid:890)(cid:1970)(cid:2654)(cid:4051)(cid:3209)(cid:2484)(cid:886)(cid:885)(cid:916)(cid:878)(cid:881)(cid:2470)(cid:4074)(cid:25)(cid:19)(cid:3303)(cid:992)(cid:965)(cid:1001)\n(cid:2581)(cid:1971)(cid:925)(cid:2112)(cid:3901)(cid:866)(cid:874)(cid:637)(cid:862)(cid:889)(cid:992)(cid:965)(cid:1001)(cid:2581)(cid:1971)(cid:890)(cid:2470)(cid:4074)(cid:25)(cid:19)(cid:3303)(cid:2053)(cid:2640)(cid:3026)(cid:2092)(cid:925)(cid:909)(cid:883)(cid:886)(cid:983)(cid:977)(cid:662)(cid:980)(cid:662)(cid:990)(cid:885)(cid:884)(cid:889)(cid:1733)(cid:2940)(cid:885)(cid:2581)(cid:1971)(cid:2817)(cid:1904)(cid:925)(cid:3638)(cid:2651)(cid:866)\n(cid:874)(cid:909)(cid:889)(cid:882)(cid:845)(cid:918)(cid:11)(cid:23)(cid:12)(cid:637)(cid:3)\n(cid:21)(cid:3)\n---PAGE---\n(cid:3) (cid:885)(cid:853)(cid:3724)(cid:4072)(cid:3594)(cid:882)(cid:890)(cid:636)(cid:1661)(cid:908)(cid:874)(cid:3303)(cid:4026)(cid:3026)(cid:2646)(cid:2224)(cid:3684)(cid:3954)(cid:886)(cid:864)(cid:916)(cid:886)(cid:20)(cid:19)(cid:3756)(cid:925)(cid:854)(cid:860)(cid:874)(cid:20)(cid:19)(cid:3756)(cid:2581)(cid:845)(cid:874)(cid:917)(cid:889)(cid:3318)(cid:2838)(cid:2982)(cid:886)(cid:915)(cid:918)(cid:3303)(cid:4026)(cid:3026)(cid:2646)(cid:2224)(cid:3684)\n(cid:3954)(cid:925)(cid:2929)(cid:886)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:883)(cid:1916)(cid:2488)(cid:868)(cid:918)(cid:637)(cid:3)\n(cid:3)\n(cid:23)(cid:17)(cid:3)(cid:965)(cid:662)(cid:957)(cid:3582)(cid:2677)(cid:889)(cid:1859)(cid:1358)(cid:3)\n(cid:23)(cid:17)(cid:20)(cid:17)(cid:3)(cid:1600)(cid:1339)(cid:883)(cid:3318)(cid:2838)(cid:2982)(cid:889)(cid:3397)(cid:2483)(cid:1000)(cid:951)(cid:941)(cid:3)\n(cid:1344)(cid:2696)(cid:20)(cid:16)(cid:20)(cid:29)(cid:3)(cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:1600)(cid:1339)(cid:855)(cid:3073)(cid:847)(cid:902)(cid:884)(cid:636)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:890)(cid:2038)(cid:858)(cid:885)(cid:918)(cid:3)\n(cid:3) (cid:3318)(cid:2838)(cid:2982)(cid:3397)(cid:2483)(cid:889)(cid:1538)(cid:1703)(cid:3110)(cid:3907)(cid:1214)(cid:883)(cid:866)(cid:881)(cid:976)(cid:662)(cid:966)(cid:949)(cid:997)(cid:961)(cid:941)(cid:911)(cid:2918)(cid:2605)(cid:2483)(cid:2527)(cid:855)(cid:1679)(cid:861)(cid:916)(cid:919)(cid:918)(cid:855)(cid:636)(cid:862)(cid:889)(cid:849)(cid:876)(cid:976)(cid:662)(cid:966)(cid:949)(cid:997)(cid:961)(cid:941)(cid:886)(cid:2981)\n(cid:3818)(cid:866)(cid:874)(cid:637)(cid:1424)(cid:1600)(cid:1339)(cid:855)(cid:1342)(cid:855)(cid:918)(cid:883)(cid:1424)(cid:1600)(cid:1339)(cid:883)(cid:2282)(cid:1339)(cid:883)(cid:889)(cid:2091)(cid:855)(cid:2889)(cid:856)(cid:858)(cid:885)(cid:918)(cid:889)(cid:882)(cid:976)(cid:662)(cid:966)(cid:949)(cid:997)(cid:961)(cid:941)(cid:855)(cid:1611)(cid:856)(cid:911)(cid:868)(cid:858)(cid:885)(cid:917)(cid:636)(cid:3318)(cid:2838)(cid:2982)\n(cid:889)(cid:3397)(cid:2483)(cid:1000)(cid:951)(cid:941)(cid:855)(cid:2038)(cid:905)(cid:918)(cid:889)(cid:882)(cid:890)(cid:885)(cid:847)(cid:854)(cid:883)(cid:2017)(cid:851)(cid:636)(cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:1600)(cid:1339)(cid:883)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:886)(cid:890)(cid:3549)(cid:889)(cid:2798)(cid:1558)(cid:855)(cid:845)(cid:918)(cid:883)(cid:3881)(cid:2783)(cid:866)(cid:874)(cid:637)\n(cid:965)(cid:662)(cid:957)(cid:886)(cid:890)(cid:21)(cid:19)(cid:20)(cid:28)(cid:3303)(cid:20)(cid:1862)(cid:667)(cid:20)(cid:21)(cid:1862)(cid:889)(cid:992)(cid:965)(cid:1001)(cid:3152)(cid:2212)(cid:863)(cid:883)(cid:889)(cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:1600)(cid:1339)(cid:883)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:925)(cid:3901)(cid:847)(cid:874)(cid:637)(cid:3)\n(cid:7557)(cid:3) (cid:3708)(cid:3286)(cid:3724)(cid:2959)(cid:1198)(cid:889)(cid:3152)(cid:2212)(cid:3)\n(cid:2165)(cid:3722) (cid:2701)(cid:2888) (cid:2559)(cid:1475)\n(cid:25) (cid:25)\n(cid:24) (cid:24)\n(cid:23) (cid:23)\n(cid:22) (cid:22)\n(cid:21) (cid:21)\n(cid:20) (cid:20)\n(cid:19) (cid:19)\n(cid:16)(cid:20)(cid:19) (cid:19) (cid:20)(cid:19) (cid:21)(cid:19) (cid:22)(cid:19) (cid:19) (cid:20)(cid:19) (cid:21)(cid:19) (cid:22)(cid:19)\n(cid:7558)(cid:3) (cid:3708)(cid:3286)(cid:3724)(cid:1168)(cid:1424)(cid:889)(cid:2959)(cid:1198)(cid:889)(cid:3152)(cid:2212)(cid:3)\n(cid:864)(cid:847)(cid:874)(cid:905) (cid:3788)(cid:1915)(cid:1330) (cid:2889)(cid:2135) (cid:3571)(cid:1326) (cid:1985)(cid:3171) (cid:1791)(cid:3724)\n(cid:25) (cid:25)\n(cid:24) (cid:24)\n(cid:23) (cid:23)\n(cid:22) (cid:22)\n(cid:21) (cid:21)\n(cid:20) (cid:20)\n(cid:19) (cid:19)\n(cid:19) (cid:20)(cid:19) (cid:21)(cid:19) (cid:22)(cid:19) (cid:19) (cid:20)(cid:19) (cid:21)(cid:19) (cid:22)(cid:19)\n(cid:2598)(cid:23)(cid:17)(cid:3)(cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:1600)(cid:1339)(cid:883)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:3)\n(cid:2384)(cid:2274)(cid:29)(cid:3)(cid:3303)(cid:4026)(cid:3026)(cid:2646)(cid:2224)(cid:3684)(cid:3954)(cid:676)(cid:20)(cid:19)(cid:3756)(cid:2581)(cid:2866)(cid:677)(cid:3)(cid:1317)(cid:2274)(cid:29)(cid:3)(cid:1862)(cid:3614)(cid:3601)(cid:1739)(cid:1600)(cid:1339)(cid:676)(cid:712)(cid:677)(cid:3)\n(cid:22)(cid:3)\n---PAGE---\n(cid:2598)(cid:23)(cid:889)(cid:7557)(cid:883)(cid:7558)(cid:925)(cid:3452)(cid:1459)(cid:868)(cid:918)(cid:883)(cid:636)(cid:3601)(cid:1739)(cid:1600)(cid:1339)(cid:855)(cid:3073)(cid:847)(cid:3708)(cid:3286)(cid:3724)(cid:2959)(cid:1198)(cid:889)(cid:3152)(cid:2212)(cid:882)(cid:890)\n(cid:2165)(cid:3722)(cid:2212)(cid:925)(cid:2440)(cid:856)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:855)(cid:2038)(cid:858)(cid:885)(cid:878)(cid:881)(cid:853)(cid:917)(cid:636)(cid:992)(cid:965)(cid:1001)(cid:3152)(cid:2212)(cid:1556)(cid:889)(cid:3452)(cid:1459)(cid:854)\n(cid:916)(cid:636)(cid:2165)(cid:3722)(cid:2212)(cid:1168)(cid:1424)(cid:890)(cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:1600)(cid:1339)(cid:855)(cid:3073)(cid:847)(cid:902)(cid:884)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:890)(cid:2038)(cid:858)(cid:885)(cid:918)(cid:883)\n(cid:847)(cid:849)(cid:1344)(cid:2696)(cid:925)(cid:2217)(cid:2253)(cid:868)(cid:918)(cid:1859)(cid:1358)(cid:855)(cid:3226)(cid:916)(cid:919)(cid:874)(cid:637)(cid:3)\n(cid:3) (cid:885)(cid:871)(cid:2165)(cid:3722)(cid:2212)(cid:890)(cid:872)(cid:889)(cid:2848)(cid:889)(cid:3708)(cid:3286)(cid:3724)(cid:2959)(cid:1198)(cid:889)(cid:3152)(cid:2212)(cid:886)(cid:3452)(cid:900)(cid:881)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:855)(cid:3073)\n(cid:854)(cid:878)(cid:874)(cid:889)(cid:854)(cid:886)(cid:879)(cid:847)(cid:881)(cid:636)(cid:2165)(cid:3722)(cid:2212)(cid:889)(cid:915)(cid:849)(cid:886)(cid:2521)(cid:886)(cid:3073)(cid:847)(cid:1600)(cid:1339)(cid:855)(cid:2837)(cid:856)(cid:2987)(cid:3833)(cid:889)(cid:1600)(cid:1339)\n(cid:889)(cid:2091)(cid:855)(cid:2456)(cid:864)(cid:847)(cid:3152)(cid:2212)(cid:882)(cid:890)(cid:2864)(cid:855)(cid:1600)(cid:1339)(cid:886)(cid:1525)(cid:919)(cid:918)(cid:874)(cid:908)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:855)(cid:3073)(cid:858)(cid:885)(cid:918)\n(cid:889)(cid:882)(cid:890)(cid:885)(cid:847)(cid:854)(cid:883)(cid:2017)(cid:2161)(cid:866)(cid:874)(cid:637)(cid:3)\n(cid:3)\n(cid:1344)(cid:2696)(cid:20)(cid:16)(cid:21)(cid:29)(cid:3)(cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:889)(cid:2105)(cid:2038)(cid:640)(cid:2105)(cid:3073)(cid:1600)(cid:1339)(cid:2091)(cid:855)(cid:2889)(cid:856)(cid:847)(cid:902)(cid:884)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:890)(cid:2038)(cid:858)(cid:885)(cid:918)(cid:3)\n(cid:3) (cid:1344)(cid:2696)(cid:20)(cid:16)(cid:20)(cid:925)(cid:3201)(cid:905)(cid:851)(cid:636)(cid:2165)(cid:3722)(cid:2212)(cid:883)(cid:2701)(cid:2888)(cid:2212)(cid:889)(cid:1809)(cid:1972)(cid:889)(cid:1193)(cid:847)(cid:889)(cid:1900)(cid:1214)(cid:883)(cid:866)(cid:881)(cid:636)(cid:20)(cid:3286)(cid:889)(cid:2105)(cid:2038)(cid:1600)(cid:1339)(cid:883)(cid:2105)(cid:3073)(cid:1600)(cid:1339)(cid:889)(cid:2091)(cid:855)(cid:2889)(cid:856)(cid:847)(cid:883)\n(cid:847)(cid:849)(cid:862)(cid:883)(cid:855)(cid:845)(cid:918)(cid:889)(cid:882)(cid:890)(cid:885)(cid:847)(cid:854)(cid:883)(cid:2017)(cid:851)(cid:874)(cid:637)(cid:915)(cid:878)(cid:881)(cid:636)(cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:2105)(cid:2038)(cid:640)(cid:2105)(cid:3073)(cid:1600)(cid:1339)(cid:2091)(cid:883)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:886)(cid:890)(cid:2651)(cid:889)(cid:2798)(cid:1558)(cid:855)\n(cid:845)(cid:918)(cid:883)(cid:3881)(cid:2783)(cid:866)(cid:874)(cid:637)(cid:3)\n(cid:3303)\n(cid:4026)\n(cid:3026)\n(cid:2646)\n(cid:2224)\n(cid:3684)\n(cid:3954)\n(cid:7901)\n(cid:2377)\n(cid:3756)\n(cid:2581)\n(cid:2866)\n(cid:7902)\n(cid:3)\n(cid:1859)(cid:1358)(cid:883)(cid:866)(cid:881)(cid:636)(cid:2165)(cid:3722)(cid:2212)(cid:890)(cid:3549)(cid:889)(cid:2798)(cid:1558)(cid:925)(cid:2262)(cid:866)(cid:636)(cid:2701)(cid:2888)(cid:2212)(cid:890)(cid:902)(cid:883)(cid:926)(cid:884)(cid:2798)(cid:1558)(cid:855)(cid:885)(cid:854)(cid:878)(cid:874)(cid:676)(cid:2598)(cid:24)(cid:677)(cid:637)(cid:866)(cid:874)(cid:855)(cid:878)(cid:881)(cid:636)(cid:20)(cid:3286)(cid:889)(cid:1600)\n(cid:1339)(cid:2091)(cid:890)(cid:3318)(cid:2838)(cid:2982)(cid:889)(cid:3397)(cid:2483)(cid:1000)(cid:951)(cid:941)(cid:886)(cid:1258)(cid:1723)(cid:855)(cid:885)(cid:847)(cid:862)(cid:883)(cid:855)(cid:3582)(cid:854)(cid:878)(cid:874)(cid:637)(cid:3)\n(cid:3)\n(cid:23)(cid:17)(cid:21)(cid:17)(cid:3)(cid:1600)(cid:1339)(cid:883)(cid:3318)(cid:2838)(cid:2982)(cid:889)(cid:3397)(cid:2483)(cid:1000)(cid:951)(cid:941)(cid:889)(cid:3303)(cid:2929)(cid:1170)(cid:3452)(cid:1459)(cid:3)\n(cid:1344)(cid:2696)(cid:21)(cid:16)(cid:20)(cid:29)(cid:3)(cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:1600)(cid:1339)(cid:855)(cid:3073)(cid:847)(cid:3303)(cid:890)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:855)(cid:2038)(cid:858)(cid:885)(cid:918)(cid:3)\n(cid:3) (cid:1344)(cid:2696)(cid:20)(cid:16)(cid:21)(cid:854)(cid:916)(cid:20)(cid:3286)(cid:889)(cid:1600)(cid:1339)(cid:2091)(cid:890)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:886)(cid:1258)(cid:1723)(cid:925)(cid:3883)(cid:851)(cid:885)(cid:847)(cid:862)(cid:883)(cid:855)(cid:3582)(cid:854)(cid:878)(cid:874)(cid:637)(cid:872)(cid:862)(cid:882)(cid:636)(cid:1862)(cid:889)(cid:3452)(cid:1459)(cid:854)(cid:916)(cid:3303)(cid:889)(cid:3452)\n(cid:1459)(cid:886)(cid:2017)(cid:851)(cid:925)(cid:2578)(cid:908)(cid:636)(cid:3601)(cid:3303)(cid:915)(cid:917)(cid:909)(cid:1600)(cid:1339)(cid:855)(cid:3073)(cid:847)(cid:3303)(cid:890)(cid:3303)(cid:4026)(cid:3026)(cid:2646)(cid:2224)(cid:3684)(cid:3954)(cid:855)(cid:2038)(cid:858)(cid:885)(cid:918)(cid:889)(cid:882)(cid:890)(cid:885)(cid:847)(cid:854)(cid:883)(cid:2017)(cid:851)(cid:874)(cid:637)(cid:2069)(cid:1397)(cid:890)(cid:3229)(cid:886)\n(cid:20)(cid:1862)(cid:886)(cid:2014)(cid:878)(cid:881)(cid:21)(cid:19)(cid:20)(cid:21)(cid:3303)(cid:854)(cid:916)(cid:21)(cid:19)(cid:20)(cid:28)(cid:3303)(cid:905)(cid:882)(cid:889)(cid:1446)(cid:3152)(cid:2212)(cid:889)(cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:1600)(cid:1339)(cid:889)(cid:965)(cid:662)(cid:957)(cid:925)(cid:2986)(cid:2396)(cid:866)(cid:881)(cid:3901)(cid:847)(cid:636)(cid:20)(cid:1862)(cid:889)(cid:1446)(cid:3152)(cid:2212)(cid:889)(cid:1862)(cid:1556)(cid:3601)\n(cid:1739)(cid:1600)(cid:1339)(cid:883)(cid:3303)(cid:4026)(cid:3026)(cid:2646)(cid:2224)(cid:3684)(cid:3954)(cid:886)(cid:890)(cid:3549)(cid:889)(cid:2798)(cid:1558)(cid:855)(cid:845)(cid:918)(cid:883)(cid:3881)(cid:2783)(cid:866)(cid:874)(cid:637)(cid:885)(cid:853)(cid:636)(cid:992)(cid:965)(cid:1001)(cid:3152)(cid:2212)(cid:889)(cid:849)(cid:876)(cid:1344)(cid:2696)(cid:20)(cid:16)(cid:20)(cid:882)(cid:2247)(cid:874)(cid:1809)(cid:1972)(cid:925)(cid:2262)\n(cid:866)(cid:874)(cid:909)(cid:889)(cid:854)(cid:916)(cid:20)(cid:3152)(cid:2212)(cid:869)(cid:879)(cid:636)(cid:2165)(cid:3722)(cid:2212)(cid:636)(cid:2701)(cid:2888)(cid:2212)(cid:636)(cid:864)(cid:847)(cid:874)(cid:905)(cid:2212)(cid:636)(cid:3571)(cid:1326)(cid:2212)(cid:925)(cid:2734)(cid:926)(cid:882)(cid:3026)(cid:900)(cid:874)(cid:637)(cid:868)(cid:918)(cid:883)(cid:636)(cid:884)(cid:889)(cid:3152)(cid:2212)(cid:882)(cid:909)(cid:1397)\n(cid:1598)(cid:3036)(cid:2724)(cid:890)(cid:1317)(cid:2274)(cid:883)(cid:3601)(cid:2024)(cid:886)(cid:1755)(cid:858)(cid:885)(cid:917)(cid:2798)(cid:1558)(cid:890)(cid:1889)(cid:916)(cid:919)(cid:885)(cid:854)(cid:878)(cid:874)(cid:676)(cid:2598)(cid:25)(cid:677)(cid:637)(cid:3)\n(cid:23)(cid:3)\n(cid:3)\n(cid:1446)(cid:992)(cid:965)(cid:1001)(cid:3152)(cid:2212)(cid:882)(cid:2798)(cid:1558)(cid:1808)(cid:2620)(cid:925)(cid:1661)(cid:908)(cid:918)(cid:883)(cid:636)(cid:847)(cid:869)(cid:919)(cid:889)(cid:3152)(cid:2212)(cid:882)(cid:909)(cid:3549)(cid:889)(cid:2798)(cid:1558)(cid:925) (cid:3505)4(cid:17)(cid:3)(cid:1446)(cid:992)(cid:965)(cid:1001)(cid:3152)(cid:2212)(cid:889)(cid:2798)(cid:1558)(cid:1808)(cid:2620)(cid:3)\n(cid:2262)(cid:866)(cid:874)(cid:676)(cid:2598)(cid:23)(cid:15)(cid:3)(cid:3505)(cid:23)(cid:677)(cid:637)(cid:3) (cid:992)(cid:965)(cid:1001)(cid:3152)(cid:2212)(cid:3) (cid:2798)(cid:1558)(cid:1808)(cid:2620)(cid:3)\n(cid:2165)(cid:3722)(cid:2212)(cid:3) (cid:16)(cid:19)(cid:17)(cid:27)(cid:19)(cid:3)\n(cid:2701)(cid:2888)(cid:2212)(cid:3) (cid:16)(cid:19)(cid:17)(cid:25)(cid:19)(cid:3)\n(cid:2559)(cid:1475)(cid:2212)(cid:3) (cid:16)(cid:19)(cid:17)(cid:23)(cid:22)(cid:3)\n(cid:864)(cid:847)(cid:874)(cid:905)(cid:2212)(cid:3) (cid:16)(cid:19)(cid:17)(cid:26)(cid:21)(cid:3)\n(cid:2889)(cid:2135)(cid:2212)(cid:3) (cid:16)(cid:19)(cid:17)(cid:25)(cid:25)(cid:3)\n(cid:1985)(cid:3171)(cid:2212)(cid:3) (cid:16)(cid:19)(cid:17)(cid:20)(cid:28)(cid:3)\n(cid:3571)(cid:1326)(cid:2212)(cid:3) (cid:16)(cid:19)(cid:17)(cid:25)(cid:22)(cid:3)\n(cid:1791)(cid:3724)(cid:2212)(cid:3) (cid:16)(cid:19)(cid:17)(cid:24)(cid:27)(cid:3)\n(cid:2165)(cid:3722)(cid:2212) (cid:2701)(cid:2888)(cid:2212)\n(cid:2798)(cid:1558)(cid:1808)(cid:2620)(cid:695)(cid:19)(cid:17)(cid:24)(cid:25)(cid:3) (cid:2798)(cid:1558)(cid:1808)(cid:2620)(cid:19)(cid:17)(cid:19)(cid:27)(cid:3)\n(cid:25) (cid:25)\n(cid:3318) (cid:24)(cid:17)(cid:24) (cid:3318) (cid:24)(cid:17)(cid:24)\n(cid:2838) (cid:2838)\n(cid:2982) (cid:24) (cid:2982) (cid:24)\n(cid:2224) (cid:2224)\n(cid:3684) (cid:23)(cid:17)(cid:24) (cid:3684) (cid:23)(cid:17)(cid:24)\n(cid:3954) (cid:3954)\n(cid:7901) (cid:23) (cid:7901) (cid:23)\n(cid:2377) (cid:2377)\n(cid:22)(cid:17)(cid:24) (cid:22)(cid:17)(cid:24) (cid:3756) (cid:3756)\n(cid:2581) (cid:2581)\n(cid:22) (cid:22) (cid:2866) (cid:2866)\n(cid:7902) (cid:21)(cid:17)(cid:24) (cid:7902) (cid:21)(cid:17)(cid:24)\n(cid:21) (cid:21)\n(cid:24) (cid:26) (cid:28) (cid:20)(cid:20) (cid:24) (cid:26) (cid:28) (cid:20)(cid:20)\n(cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:2105)(cid:2038)(cid:640)(cid:2105)(cid:3073)(cid:1600)(cid:1339)(cid:2091)(cid:676)(cid:712)(cid:677) (cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:2105)(cid:2038)(cid:640)(cid:2105)(cid:3073)(cid:1600)(cid:1339)(cid:2091)(cid:676)(cid:712)(cid:677)\n(cid:2598)(cid:24)(cid:17)(cid:3)(cid:1862)(cid:1556)(cid:3601)(cid:1739)(cid:2105)(cid:2038)(cid:640)(cid:2105)(cid:3073)(cid:1600)(cid:1339)(cid:2091)(cid:883)(cid:3318)(cid:2838)(cid:2982)(cid:2224)(cid:3684)(cid:3954)(cid:3)",
    "2020H3-suri.pdf": "2020年度 統計データ分析コンペティション\n統計数理賞［高校生の部］\n観光業による観音寺市の少子高齢化による問題解決\n藤村小桜・石川花鈴・石川桜大・\n川崎泰治・佐藤龍之介・宮武颯樹\n（香川県立観音寺第一高等学校）\n論文の概要\n都道府県別の転入者数について、宿泊施設の宿泊者数と相関が見られることを示し、\n観光業を発展させて観光客が多く来るような場所にすることで移住を増やし、居住地\nの観音寺市における少子高齢化の問題を解決することを提案している。\n論文審査会コメント\n論文に要求される構成に準拠しており、自分たちが住む観音寺市の少子高齢化問題\nについて、データに基づき、複数の方法で丁寧に分析している。\n---PAGE---\n観光業による観音寺市の少子高齢化による問題解決\n藤村小桜 石川花鈴 石川桜大 川崎泰治 佐藤龍之介 宮武颯樹\n（香川県立観音寺第一高等学校）\n１．研究の目的と問題意識の背景\n現在日本では、少子高齢化が進んでいる。2006年から2017年までの12年間を通して、日本全体で15\n歳未満の人口の割合と、15歳から64歳の人口の割合は年々減少している。一方で、65歳以上の人口の\n割合は増加し続けている。（図1）また、同様に私たちの住む観音寺市でも年々少子高齢化が進んで\nいる。また日本全体と比較すると、観音寺市は老年人口の割合が大きいため、より高齢化が進んでい\nることが分かる。（図2）少子高齢化が進むことで人口減少、労働力の低下とそれに伴う経済の衰\n退、医療費の増大など様々な問題が起こっていると考えられている。\nここで私たちは、観音寺市の少子高齢化を止め、これらの問題を解決したいと考えた。そのために\n「市の観光を発展させ移住したいと思う人を増やすことで、少子高齢化によって生じる問題の解決に\nつながるのではないか」という仮説を立て分析を進めた。\n図1 日本の少子高齢化の現状 図2 観音寺市の少子高齢化の現状\n出典：SSDSEー2020B\nSSDSEー2020Bに含まれるデータから各都道府県の過去12年間の「15歳未満人口（A1301）」、「15～64歳人口（A13010\n1）」、「65歳以上人口（A1303）」、「総人口（A1101）」を使用しExcelを用いて作成した。\n統計局日本の統計2020人口の推移と将来人口 統計かんおんじ‐観音寺市ホームページ\n2．研究の手順\n初めに少子高齢化の問題を解決するために移住者を増やすことが一つのアイデアになることを調\nべ、分析につなげた。次に、移住者を増やすために観音寺市でどのような観光をしていけばよいのか\n分析を進めた。そして、現在問題とされているコロナウイルス感染拡大の中でどのような観光ができ\nるのか分析した。分析の方法については次の 「3．データの抽出、データセットへの変数の追加と\nその出典、分析に用いた変数に行った変換や加工、分析方法」で明記する。\n3．データの抽出、データセットへの変数の追加とその出典、分析に用いた変数に\n行った変換や加工、分析方法\n3.1 少子高齢化による問題\n総務省の平成28年版 情報通信白書のデータを使用し、1950年からの日本の人口の推移についてExc\nelを用いてグラフを作成した。\n1\n---PAGE---\nSSDSEー2020Bから香川県の「15歳未満人口（A1301）」、「65歳以上人口（A1303）」、「総人口\n（A1101）」のデータを使用し、香川県の総人口と年少人口率、老年人口率の推移についてExcelを用\nいてグラフを作成した。\ne-Statの労働力調査のデータを使用し、年齢階級別労働力人口比率についてExcelを用いて折れ線\nグラフを作成した。\n3.2 移住者と観光業の関係\n都道府県別宿泊者数と転入者数の関係について、観光庁から都道府県ごとの延べ宿泊人数のデータ\nを、SSDSEー2020A「転入者数（日本人移動者）（A5101）」のデータを参考にし、相関関係をExcelを\n用いてグラフに表し、その相関係数を関数CORRELを用いて求めた。\n3.3 移住したいと思う地域の特徴\n地方への移住に興味を持つ理由について、東京圏の20代～30代の地方への移住に興味がある既婚男\n女500人にアンケート調査を行った結果を参考に、Excelを用いて棒グラフを作成した。\n3.4 観音寺市の観光業の現状\n3.4.1 観音寺市の観光客の推移\n観音寺市観光基本計画から観音寺市の観光客の推移を参考にし、Excelを用いて折れ線グラフを\n作成した。平成23年から平成28年までの期間、観音寺市が調査したデータを用いた。また、観光庁の\n統計データにある都道府県別宿泊者数の表を参考にし、同様にExcelを用いてランキング表を作成し\nた。2018年における都道府県別の延べ宿泊客数を観光庁が調査したデータを用いた。\n3.4.2 観音寺市の観光客の旅行費\n観音寺市観光基本計画から、観光客の観音寺市内での１人当たりの旅行費用合計(市内分合計)と観\n音寺市内での1人当たりの交通費のデータを参考にExcelを用いて円グラフを作成した。母集団は旅行\n費用合計と交通費ともに12,942人。\n3.5 観音寺市の魅力\n3.5.1 観音寺市の気候\n統計かんおんじ‐観音寺市ホームページと気象庁‐過去の気象データ検索から、平成２１年から３\n０年までの観音寺市と日本全国の年平均気温、年間降水量を参考にExcelを用いて、棒グラフと折れ\n線グラフを作成した。\n3.5.2 観音寺市の自然\n観音寺時市観光協会 公式ホームページから観音寺市にある自然について調べた。また、農林水産\n省 観音寺市基本データのデータを使用しExcelを用いて土地利用についてグラフを作成した。\n４．分析の結果と考察\n4.1 少子高齢化による問題\n図3より、少子高齢化の進行により、日本の生産年齢人口は1995年をピークに減少をはじ\nめ、総人口もすでに減少をはじめていることがわかる。総務省の国勢調査によると、2015年\nの人口は1億2,520万人、生産年齢人口は7,592万人である。国立社会保障・人口問題研究所\nの将来推計人口（出生中位・死亡中位推計）によると、総人口は2048年に1億人を割り、206\n2\n---PAGE---\n0年には8,674万人にまで減少すると推計されている。ここから、少子高齢化が進むことで人\n口が減少することがわかる。\n図4より、香川県において、老年人口率の増加と並行して総人口が減っていることがわか\nる。香川県では年少人口率の変化はあまり見られないが、総人口が減っているため年少人口\nは減っていることがわかる。少子高齢化が進むことは人口減少にかかわっていると考えられ\nる。\n図3 香川県の人口の推移 図 4 香川県の総人口、年少人口、老年人口率の推移\n出典 総務省 平成28年版 情報通信白書 出典：SSDSEー2020B\nSSDSEー2020Bに含まれるデータから香川県の過去12年間の「15歳未\n満人口（A1301）」、「65歳以上人口（A1303）」、\n「総人口（A1101）」を使用しExcelを用いて作成した。\n図5より高齢者である65歳以上\nは労働力人口がとても少なく25.\n4％である。ここから、このまま\n高齢化が進むと労働力が不足す\nると考えられる。\n少子高齢化が進む地域では、人口\nを増やすこと、労働力を補う必要が\nあることがわかる。ここで、移住者\nを増やすことができればこの問題の\n解決につながると考えた。\n図5 年齢階級別労働人口比率\n出典：e-Stat 労働力調査\n4.2 移住者と観光業の関係\n観光業が発展すれば、それをきっかけとして移住者が 増えると仮定し、都道府県別宿泊者数と転入\n者数の相関関係をとる。\n3\n---PAGE---\n日帰りを含めた観光客の動向を正確にとらえること\nは難しいことから、今回は、宿泊施設に宿泊した人数\nである「延べ宿泊者数」を観光客に置き換えて把握す\nることにした。すると、図6より宿泊者数と転入者数の\n相関係数は0.8194となり、強い相関関係がみられるこ\nとがわかった。\nこのことから、転入者数を増やす為には宿泊者すな\nわち観光客が多く来るような場所にすることが重要で\nあると考えられる。\n図6 宿泊者数と転入者数の相関関係\n出典：総務省 SSDSEー2020Bと観光庁 宿泊旅行統計調査令和2年6月分に含まれるデータから「各都道府県の転入者数(日本\n人移動者)」と「都道府県別宿泊者数」を使用しExcelを用いてグラフを作成した。\n4.3 移住したいと思う地域の特徴\n地方への移住に興味がある理由をアンケート調\n査した結果をもとにグラフ(図7)を作成して、移住\n希望者が求めている移住先の条件を考えた。\n図7より、「山・川・海などの自然にあふれた魅\n力的な観光」、「子育てに適し自然環境」、「子\n供の教育・知力・学力向上」といった環境にまつ\nわる選択肢を選んだ人が、全体の7割超に及んでい\nるのがわかる。\nよって、移住者は移住先の環境を特に重視して\nいると考えられる。\n図7 移住に興味がある理由 出典：観音寺市観光基本計画 地方への移住に興味がある人へのアンケート\n4.4 観音寺市の観光業の現状\n4.4.1 観光客の推移\n図8 観音寺市の観光客数の推移 表1 都道府県別宿泊者数ランキング\n出典 観音寺市観光基本計画 出典 観音寺市の観光客の推移\n4",
    "2020H4-shorei.pdf": "2020年度 統計データ分析コンペティション\n統計活用奨励賞［高校生の部］\n自治体ごとのふるさと納税の必要性を定義する\n岡本涼夏（慶應義塾湘南藤沢高等部）\n論文の概要\n市区町村の歳入及び転入超過数について人口密度と相関が見られることを示し、地\n方創生を目的とするふるさと納税の必要性の指標として、人口密度を用いることで、\n必要性が低い自治体が過剰なふるさと納税を集めないように制限を設けることを提案\nしている。\n論文審査会コメント\nふるさと納税の制度問題について仮説を立てて多面的に検証し、異質である特定の\n地域の抽出に取り組んでいるのは興味深い。\n---PAGE---\n自治体ごとのふるさと納税の必要性を定義する\n岡本涼夏\n慶應湘南藤沢高等部\n研究のテーマと目的\n1.1研究の目的と問題意識の背景\nふるさと納税は納税者が年々増加し、自治体の歳入増加だけに留まらず、地域商社・ガバ\nメントクラウドファンディング・災害支援・広域連携・交流人口においても重要な役割を果\nたすようになっている 。一方で、ふるさと納税のお礼品や特典などが、制度の目的を逸脱\nする過度なお礼品競争になっているとして、問題視されることも少なくない。実際に、泉佐\n野市はふるさと納税をめぐって裁判が行われていた。そこで、地方創生において地域ごとの\nふるさと納税の必要性という観点から、お礼品競争の是正について考察した。\n1.2ふるさと納税の定義\nふるさと納税とは 年から始まった、納税者が任意の都道府県・市区町村へ寄付をす\nることができるという制度である。その目的は、地方創生だ。現在の日本は、地方に生まれ\n地方の行政サービスを受けて育った人たちが、都会に出て都会で生活することで都会の自\n治体に税を納めている。つまり、地方は行政サービスを提供し人材を育てても将来的に税収\nにはならず、都会は都会で育った人からも地方で育った人からも税収を得られるというこ\nとだ。その状況を少しでも改善するために、納税者が税制を通じてふるさとへ貢献できるよ\nうにと生まれた制度がふるさと納税制度だ。\n総務省によると、ふるさと納税には つの大きな意義がある 。 つ目は、納税者が寄付\n先を選択することができ、その使われ方を考えるきっかけになること。 つ目は、お世話に\nなった地域・応援したい地域の力になることができること。 つ目は、自治体が国民に取り\n組みをアピールすることで、地域のあり方を改めて考えるきっかけになること。上記の つ\nの大きな意義のもと、ふるさと納税制度が作られた。\n納税者は、確定申告とワンストップ制度のどちらかの処理を行うことで、寄付を行うこと\nができる。寄付金のうち 円は自己負担となり、残りの部分は住民税や所得税から控除\nされる 図 。\n図 ふるさと納税の仕組み\n---PAGE---\n研究の方法と手順\nこの研究では、ふるさと納税の制度上の意義と目的から、ふるさと納税の必要性を指標と\nなるものを予想し仮説を立てた。演算ソフト を用いてデータ分析を行い、仮説を検証し\nた。その検証をもとに、データを細分化して分析した。その結果と返礼品競争の問題点から\nふるさと納税制度を補正する提案をした。\nデータセットの加工\n表 使用した変数一覧\n使用変数 出典\n都道府県別及び市区町村別のふるさと納税 ふるさと納税ガイド ふるさと納税関連統\nの受け入れ金額 円 計データ総まとめ 年\n都道府県別及び市区町村別の面積 国土交通省国土地理院全国都道府県市区町\n村別面積調 年\n市区町村別総人口 人 住民基本台帳に基づく人口 年\n都道府県別の歳入額 円 総務省平成 年度地方財政統計年報の都\n道府県歳入決算\n表 使用した指標一覧\n指標 計算方法\n都道府県別の人口密度 人 都道府県別の総人口 人 面積\n市区町村別の人口密度 人 市区町村別の総人口 人 面積\n都道府県別の転入者数と転出者数の差 人 の転入者数 転出者数\n市区町村別の転入者数と転出者数の差 人 の 年の転入者数 転出\n者数\n都道府県別のふるさと納税受け入れ金額が 年のふるさと納税受け入れ金額\n歳入に占める割合 歳入割合 円 歳入金額 円\n市区町村別のふるさと納税受け入れ金額が 年のふるさと納税受け入れ金額\n歳入に占める割合 歳入割合 円 歳入金額 円\n---PAGE---\nデータ分析の結果\n4.1ふるさと納税金額の推移\nふるさと納税は 年にはじまり、今に至るまで\n円 70+e3\n急激な成長を見せている。各市区町村のおけるふる\nさと納税受け入れ金額のデータ を用いて、各市区\n額\n金\npop\n70+e2\n町村のふるさと納税金額の年次推移を示す折れ線グ 税\nラフを作成した 図 。 年から 年までは\n納\nと\n70+e1\nさ\n緩やかに成長しているが、 年以降は爆発的な増 る\n加が見られた。\nふ 00+e0\n2006 2008 2010 2012 2014 2016\n年に何が起きたかを調べてみると、政府が税制 2006:2017\n改正を行い住民税の控除額の上限が 割から 割に引\n図 ふるさと納税金額の推移\nき上げられていた。それに加え各種ふるさと納税の宣\n伝により、ふるさと納税金額が爆発的に増加していた。図 より、 年以降には全体的\nにふるさと納税金額が伸びているが、その内訳の中でも目を引くのは、上位の少数自治体で\nある。\n4.2地方創生を定義し、仮説をたてる\n内閣官房・内閣府総合サイトで定義される地方創生とは、「東京圏への人口の過度の集中\nを是正し、それぞれの地域で住みよい環境を確保して、将来にわたって活力ある日本社会を\n維持すること」とされている。そのような地方創生を目的とするふるさと納税において、過\n度な返礼品競争は制度の目的から逸脱している。そして、返礼品競争が起こっている背景に\nは、ふるさと納税による収入があまり必要ない、つまり人口が集中している都市が展開する\nふるさと納税のありかたが存在する。地方創生の目的のもと、どれだけその自治体にとって\nふるさと納税の収入が必要であるかを表す指標として、人口密度 人口 人 面積 が適\nしているのではないかという仮説を立てた。人口密度に注目した理由は、人口密度は単位面\n積当たりに存在する人口を表すため、総人口のような量的データと比較し、どの自治体にも\n適応する絶対的な指標になり得るのではないかと考えたからだ。都市部のような人口密度\nの大きい自治体には、その分納税者が存在するため、ふるさと納税制度に頼らずとも、ある\n程度の歳入を見込むことができる。一方、人口密度の小さい自治体では、都市部に比べ相対\n的に納税者が少ないため、ふるさと納税によって歳入を支えている。\n人口密度を算出するにあたって のデータには、総人口のデータはあっても、人口\n密度や各都道府県・自治体の面積のデータは提供されていなかった。そのため、国土交通省\n国土地理院全国都道府県市区町村別面積調 のデータと の 年における\n総人口のデータから 年度の都道府県別の人口密度を算出した。また、市区町村別の人\n口密度を算出するために、 年の市区町村別の総人口のデータが必要だったが、国勢調\n査は 年に行われており、 年のデータが得られなかった。代用として、 年の\n住民基本台帳に基づく人口 を総人口とみなして、市区町村別の人口密度を算出した。\n---PAGE---\n結果の解釈\n5.1 仮説の検証\n人口密度がふるさと納税の必要性を表す指標として適切であるかを検証した。\n各都道府県における歳入額は、その都道府県にいる人\n0006 東京都\n口・納税者数を表すため、人口密度との相関を見ていき\n0005\n大阪府\nたい。都道府県別の歳入額は総務省平成 年度地方財\n政統計年報\nで\nの\n除\n都\nし\n道\nた\n府\nも\n県\nのを\n歳\n用\n入\nい\n決\nた\n算\n。そ\nよ\nして\nり\n、\n歳\n人\n入\n口\n額\n密\nを\n度\n度 密\n口 人\n人 7102_ytisnedpop\n0\n0\n0\n0\n0\n0\n0\n0\n0\n2\n3\n4\n埼玉県\n神奈川県\n愛知県\nと歳入額の相関を示す散布図を作成して解析した 図 0001\n。このとき相関係数は、 を示し、強い相関 0 北海道\n10000 20000 30000 40000 50000 60000 70000\nが見られた。 歳入 tax_Be5 円\n次に、各都道府県の 転入者数 転出者数 はその都道府 図 歳入と人口密度の相関 都道府県\n県に移り住んできた人口の収支、つまりふるさとから離\nれてきた人口を表すため、人口密度との相関を見ていき 0006 東京都\nたい。 で提供されていた 年の転入者 0005\n大阪府\n数\n算\n布\nと\n出\n図\n転\nし\nを\n入\nた\n作\n者\n。\n成\nそ\n数\nし\nし\nの\nて\nて\nデ\n解\n、\nー\n析\n人\nタ\nし\n口\nを\nた\n密\n用\n図\n度\nい\nと\nて\n。\n、\n転\nこ\n転\n入\nの\n入\n者\nと\n者\n数\nき\n数\n転\n相\n転\n出\n関\n出\n者\n係\n数\n者\n数\n数\nは\nの散\n、\nを\n度\n密\n口 人\n人 7102_ytisnedpop\n0\n0\n0\n0\n0\n0\n0\n0\n0\n2\n3\n4\n愛知県\n神\n埼\n奈\n玉\n川\n県\n県\n0001\n福岡県\n千葉県\nを示し、強い相関が見られた。\n0\n図 ・図 において、どちらも強い相関があった。 0 20000 40000 60000\n転入者数diffm転igr出ant_者201数7 人\n同じく、市区町村別でも歳入額と人口密度 図 、転出 図 転入者数 転出者数 と\n者数 転入者数 と人口密度 図 の相関を表す散布図を作 人口密度の相関 都道府県\n成した。散布図内で極端な値をとっている都市として、歳\n入が 億円を上回る都市及び、 転出者数 転入者数 が 人を超える都市を見てみると、\n両散布図とも政令指定都市の名前が挙がった。よって、政令指定都市を外れ値として散布図\nを書き直した 図 ・図 。このとき、図 での回帰分析の結果、相関係数は を\n示し、図 での回帰分析の結果、相関係数は を示した。図 ・図 に比べれば\n少々弱いが、図 ・図 においても相関が見られた。人口密度は単位面積当たり にお\nける人口なので、相関の高い都道府県を基準として、相関の低い各市区町村でも同じく指標\nとして用いることができると考える。\n以上より、人口密度がふるさと納税の必要性を表す指標としてある程度適切であること\nが検証できた。",
    "2020H51-toku1.pdf": "2020年度 統計データ分析コンペティション\n特別賞（統計分析）［高校生の部］\n空き家増加問題を相関関係から読み解く\n好田駿成（学習院高等科）\n論文の概要\n社会問題にもなっている空き家増加問題に関して、空き家率と関係があると思われ\nる変数(高齢化等に関するもの、人口密度等に関するもの、実質公債費率)を使用して\n空き家率との相関関係の仮説検定を行い、結果として、空き家率との相関性が高いの\nは高齢化率であることを見出している。\n論文審査会コメント\nSSDSEを利用して実証型の論文に要求される構成に準拠している。\n---PAGE---\n空き家増加問題を相関関係から読み解く\n好田駿成*1\n*1学習院高等科\n要旨\n近​ 年、社会問題にもなっている空き家増加問題に関して、教育用標準データの市区町村別データか\nら様々なデータを用い、また、平成三十年度住宅・土地統計調査データからは、空き家に関するデー\nタを抽出し、それらの抽出データから、空き家率や高齢化率等を算出し、データの加工をおこなっ\nた。そして、算出した空き家率と関係があると思われる変数(高齢化等に関するもの、人口密度等に\n関するもの、実質公債費率)を使用し、統計解析プログラミング言語であるRを用いて、それら変数\nと空き家率との相関関係を明らかにするとともに、それぞれの相関関係について、仮説検定を実施し\nた。その結果、空き家率との相関性が高かったのは、高齢化率であった。加えて、これらの結果を総\n合的に考察を加え、地方公共団体の財政健全度を向上させるなどにより、空き家増加抑止が可能であ\nるという政策提言も行った。\n1. 研究のテーマと目的\n空き家の増加により、防災、防犯、衛生、景観など、様々な社会的問題が、近年発生しており、平\n成二十六年には、国土交通省において、「空家等対策の推進に関する特別措置法（空家法）」も制定\nされ、政府による空き家対策が徐々に進行しているところである。しかしながら、平成三十年度住\n宅・土地統計調査（以下、住宅・土地統計調査とする）によると、全国の空き家は約849万戸にも及\nんでおり、それが全住宅に占める割合はおよそ13.60％となっている。これを5年前の平成二十五年の\nデータと比較するとおよそ30万戸増加しており、20年前の平成十年のデータと比較すると、空き家\nの総数はこの20年で272万戸増加しており、約1.5倍にも増加しているのが現状である。\nこのような増加の一途をたどっている空き家については、学術レベルで様々な研究がなされてはい\nるものの、各種統計データを使用して発生にかかわる要素を分析した研究論文は見当たらなかった。\nそこで本研究では、統計データを使って、空き家増加問題への要因分析をすることを目的とする。\n2. 研究の方法と手順\nこの研究では、空き家と関係があると推測される要素、例えば、総人口に対する高齢者率、全世帯\nに対する核家族世帯率や可住地域面積割合などの様々な要素を、教育用標準データの市区町村別デー\nタとe-Stat（https://www.e-stat.go.jp/）の住宅・土地統計調査データから抽出し、Rを用いて相\n関関係を明らかにした。加えて、それらの相関関係に関して、以下のような仮説検定を行なった。\nρを空き家率とi​​の相関係数として\n● 帰無仮説 H​ ​: ρ​=0\n0​ i​\n● 対立仮説 H​ ​: ρ​>0\nA​ i​\nまたは\n● 帰無仮説 H​ ​: ρ​=0\n0​ i​\n● 対立仮説 H​ ​: ρ​<0\nA​ i​\n検定統計量はt=ρ​√(n-2)/√(1-ρ​2​)、α＝0.05とする。\ni​ i​\n1\n---PAGE---\n3. データセットの加工\n表１ 利用した教育用標準データの市区町村別データの項目\n使用変数 出典 年度\n総人口(人) 総務省統計局「国勢調査報告」人口等基本集計 2015\n６５歳以上人口(人) 総務省統計局「国勢調査報告」人口等基本集計 2015\n死亡数(人) 厚生労働省政策統括官付参事官付「人口動態統計」 2018\n総務省自治財政局「地方財政統計年報」「市町村別決算状\n転入者数(人) 況調」 2017\n総務省自治財政局「地方財政統計年報」「市町村別決算状\n転出者数(人) 況調」 2017\n高齢単独世帯数（世帯） 総務省統計局「国勢調査報告」人口等基本集計 2015\n国土交通省国土地理院 「全国都道府県市区町村別面積\n可住地面積（ha） 調」 2018\n世帯数（世帯） 総務省統計局「国勢調査報告」人口等基本集計 2015\n総面積（北方地域及び竹島を除 国土交通省国土地理院 「全国都道府県市区町村別面積\nく）（ha） 調」 2018\n総務省自治財政局「地方財政統計年報」「市町村別決算状\n実質公債費率(％) 況調」 2017\n表２ 利用した平成三十年度住宅・土地統計調査の項目\n使用変数 出典 年度\n22_空き家-0_総数(空き家総数)\n（戸） 平成三十年度住宅・土地統計調査 2018\n0_総数-0_総数（住宅総数）（戸） 平成三十年度住宅・土地統計調査 2018\n表３ 利用した変数\n変数 定義\n空き家率 空き家総数／住宅総数\n高齢者率 ６５歳以上人口／総人口\n高齢単独世帯率 高齢単独世帯数／世帯数\n死亡率 死亡者／総人口\n2\n---PAGE---\nlog(総人口／総面積（北方地域及び竹島を除く）)\n(下のヒストグラムを見ると人口密度が偏っていたため、自然対\nlog(人口密度（人/ha）) 数を用いて、偏りを解消した。)\n可住地面積率 可住地面積／総面積（北方地域及び竹島を除く）\n転出超過率 （転出者数ー転入者数）／総人口\n実質公債費率（％） そのまま使用。\n表３は、教育用標準データの市区町村別データと住宅・土地統計調査のデータは、双方の地域コード\nを用いて統合させた。統合させたことによって、教育用標準データの市区町村別データは、1741項\n目(統合前)が、813項目に減少した。\nなお、使用した変数の分布は、以下のヒストグラムにまとめた。\n3\n---PAGE---\n特に、人口密度に関しては、分布が偏っていたため、自然対数を用いて偏りを解消した。\n4. データ分析の結果\n①空き家率と高齢化率との関係について\n​高齢者居住の住宅は、その居住者である高齢者が死亡すると、それまで居住していた住宅を利用さ\nれない場合には、空き家として存在してしまう。これが、空き家が発生するプロセスの一つであると\n考えた。\nそこで、空き家率と高齢化率には正の相関があるのではないかとの仮説を立てた（対立仮説）。そ\nして、その相関関係を調べたところ、相関係数ρ​ は0.695(その際のｔ値は27.582、ｐ値は2.2＊\n高齢者率​\n10​-16​)という結果となった（図1）。ここで、p値がα(=0.05)より低いので、帰無仮説を棄却でき、\nα水準において統計学的に有意であると言える。この結果は、上に述べたシナリオを支持するもので\nある。\nしかしながら、上記プロセスは、空き家発生プロセスをかなり単純化しているため、更に分析を深\n度化した。すなわち、複数の高齢者居住住宅や多世代家族による住宅においては、高齢者の死亡によ\nり、即、空き家にはならないので、高齢化率の指標だけでは、不十分であることに気づいた。した\nがって、高齢単身世帯（６５歳以上の者一人の世帯）の割合と死亡率にさらに焦点を当て、空き家率\nとの関係についても調べた。\nその結果を以下に示す。\n相関係数ρ​ は0.718(その際のｔ値は29.41、ｐ値は2*10​-16​)（図2）\n高齢単身世帯率​\n相関係数ρ​ は0.692(その際のｔ値は27.354、ｐ値は2*10​-16​)（図3）。\n死亡率​\np値はどちらともαより低いので、帰無仮説を棄却でき、α水準において統計学的に有意である。\nつまり、高齢単独世帯率や死亡率が増加（減少）すると空き家率も増加（減少）するということであ\nる。\n4",
    "2020H52-toku2.pdf": "2020年度 統計データ分析コンペティション\n特別賞（統計活用）［高校生の部］\n高校生と高齢者の利用で\n中央商店街を活性化しよう！！\n田中千遥・玉井菜実（愛媛県立松山南高等学校）\n論文の概要\n高校の近くにある中央商店街について活性化を図るため、データを用いて通行量の\n減少と空き店舗数の増加による悪循環が発生していること、商店街周辺に高齢者や単\n身世帯、高等学校が多いことなどを示した上で、中央商店街の利用を促進するための\n施策として、学校アンケートの結果から空き店舗を交流の場にすること、施設の充実\n化を図ること、店舗マップを設定することなどを提案している。\n論文審査会コメント\nデータの調査にとどまっている感があるが、実際に街づくりをして地域を活性化し\nたいという切実な思いを感じる。\n---PAGE---\n高校生と高齢者の利用で中央商店街を活性化しよう！！\n田中千遥 玉井菜実\n愛媛県立松山南高等学校３年\n１．研究のテーマと目的\n私たちの通う高校の近くにある中央商店街（銀天街と大街道）は、近年、空き店舗数が\n増え、通行量が減少し、活気不足であると感じる。そこで中央商店街の現状と周辺住人の\n状況を分析し、中央商店街の活性化のための施策を考える。\n２．研究の方法と手順\n中央商店街の状況を知るために、松山市のオープンデータを活用し、中央商店街の通行\n量や空き店舗数の推移を調べた。また、SSDSE（教育用標準データセット）の最新版である\nSSDSE-2020A（市区町村データ）と SSDSE-2020B（都道府県・時系列データ）を用いて、愛\n媛県と松山市の人口と、愛媛県の人口推移を調べた。さらに、詳しく見ていくため、松山\n市の人口推移を調べ、e-Stat 地図で見る統計（jSTAT MAP）を用いて、中央商店街周辺の\nエリア分析レポートを作成し、年齢別人口状況、世帯人員別状況、経済センサスを分析し\nた。また、高校生が中央商店街に何を望んでいるのか調べるために、通っている高校の全\n校生徒を対象にアンケートを実施した。\n３．データセットの加工と追加\n3.1 SSDSE の利用\n表１ 利用した SSDSE の項目\n項目名 年度 出典\n愛媛県\n総人口、年少人口 2010,2015 国勢調査\n生産年齢人口、老年人口\n松山市\n総人口、年少人口 2015 国勢調査\n生産年齢人口、老年人口\n---PAGE---\n3.2 追加データ\n表２ 利用した追加データ\n項目名 年度 出典\n愛媛県\n1980,1985,1990,1995\n総人口 国勢調査\n2000,2005\n年少人口\n生産年齢人口 2020,2025,2030,2035\n日本の地域別将来推計人口\n2040,2045\n老年人口\n松山市\n1980,1985,1990,1995\n総人口 国勢調査\n2000,2005,2010\n年少人口\n生産年齢人口 2020,2025,2030,2035\n日本の地域別将来推計人口\n2040,2045\n老年人口\n中央商店街通行量 Ｈ18～Ｈ26 松山市ホームページ\n空き店舗率 Ｈ10,Ｈ12,Ｈ13,Ｈ15,Ｈ17\n松山市ホームページ\nＨ19,Ｈ21,Ｈ23,Ｈ25\nエリア分析 jSTAT MAP\nＨ27\nレポート 国勢調査\n商店街利用\nＲ１ 本校全校生徒アンケート\nアンケート\n４．データ分析の結果\n4.1 中央商店街の状況\n松山市ホームページから中央商店街の通行量や空き店舗数を調べた。 中央商店街の現状\nについて、通行量は平成 19 年度から平成 26 年度にかけて 26765 人減少している(図１)。\nそれにより、店の売り上げが下がり、空き店舗は平成 10 年度から平成 25 年度にかけて約\n7 倍に増加している(図２)。通行量が減って店の売り上げが下がり、空き店舗数が増える\nという悪循環に陥っている。\n(人)\n(年)\n出典 松山市ホームページ「中心市街地の現状と課題」\n図１ 中央商店街の通行量の推移\n---PAGE---\n(％)\n(年)\n出典 松山市ホームページ「中心市街地の現状と課題」\n図２ 空き店舗率の推移\n4.2 愛媛県と松山市の人口推移\n次に、愛媛県と松山市の人口推移（図３）を見ると、愛媛県も松山市も老年人口が増加\nし、年少人口は減少している。\n人口推移（愛媛県） 人口推移（松山市）\n出典 総務省｢国勢調査｣、国立社会保障・人口問題研究所 ｢日本の地域別将来推計人口｣\n（2020年以降は「国立社会保障・人口問題研究所」のデータ（平成 30年 3月公表）に基づく推計値）\n図３ 愛媛県と松山市の人口推移\n4.3 中央商店街周辺エリアの人口や産業の状況\nさらに、銀天街・大街道の境目辺りを中心に半径\n500m の商店街周辺のエリア（図４）について、 e-Stat\n地図で見る統計（jSTAT MAP）で分析レポートを作成\nし、年齢別人口状況、世帯人員別状況、経済センサス\nを分析した。\n商店街周辺エリアを分析すると、松山市内に住む\n65 歳以上の高齢者は約 25％なのに対し、商店街周辺\nに住む高齢者は 30％と多い(図５)。また、松山市内\nに住む単身世帯数は約 40％なのに対し、商店街周辺\nに住む単身世帯数は約 65％と 1.6 倍である(図６)。\n図４ 分析エリア（赤丸内）\n---PAGE---\nさらに、松山市と比べても、商店街周辺は第３次産業の割合が大きく（図７）、宿泊業・飲\n食サービス業の割合が大きい（図８）。\n出典 e-Stat 地図で見る統計（jSTAT MAP）エリア分析レポート（H27国勢調査）\n図５ 中央商店街周辺の年齢別人口状況\n出典 e-Stat 地図で見る統計（jSTAT MAP）エリア分析レポート（H27国勢調査）\n図６ 中央商店街周辺の世帯人員別状況\n出典 e-Stat 地図で見る統計（jSTAT MAP）エリア分析レポート（H27国勢調査）\n図７ 中央商店街周辺の産業別 状況\n出典 e-Stat 地図で見る統計（jSTAT MAP）エリア分析レポート（H27国勢調査）\n図８ 中央商店街周辺店舗の第３次産業内訳",
    "2020H53-toku3.pdf": "2020年度 統計データ分析コンペティション\n特別賞（統計活用）［高校生の部］\n空き家を減らすために\n田中月霧・福永奈々花・冨谷伊吹・美安健志\n（兵庫県立姫路西高等学校）\n論文の概要\n社会問題として増加傾向にある空き家問題について、高齢者率、地価、都心からの\n距離、高齢者世帯等と空き家の数に相関があることを示した。また、空き家化の最も\n大きな原因として高齢居住者の死亡が挙げられることや、空き家の解体には日本の世\n帯収入以上の費用が必要であることなどを挙げて、国レベルでの継続した方策が重要\nであることを指摘している。\n論文審査会コメント\n全体のストーリーが明確でデータの使い方もよい。\n---PAGE---\n空き家を減らすために\n田中月霧 福永奈々花 冨谷伊吹 美安健志\n兵庫県立姫路西高等学校\n第１章\n１－１ 課題の実態\n空き家の問題点としては、総務省統計局によると、2013年の全国の平均空き家率は13.5%に達し、2008\n年の調査結果(13.1%)と比較して増加している。住環境対策として空き家対策の重要性が年々高まって\nいることから，空き家の所有状況を含めた住生活の実態を把握し、空き家が適切に管理されない場合、\n住宅は急激に老朽化し、防災・防犯上問題となる可能性が指摘される。（参考文献(1)）また、空き家が\n増えた集合住宅や地域・地区では、地域コミュニティが成立しづらくなるといった問題も指摘される。\n（参考文献(2)）\n１－２ 目的\n社会問題として増加傾向にある空き家問題に対して、空き家を減らすための取り組みはあまり知られ\nておらず、空き家の分布や、空き家と他の事象の相関関係などを調査することで空き家を減らすための\n効果的な方法を見つけることを目的としている。\n１－３ 課題に対する背景\n現在の日本の空き家は、①賃貸用の住宅、②売却用の住宅、③二次的住宅、④その他の住宅と分類さ\nれている。本研究は、「その他の住宅」に焦点を当てる。これは、その他の住宅に属する空き家が最も\n周辺に損害を与えていると考えているからである。\n現在、空き家は増加傾向にあり、このままでは老朽化した空き家の倒壊や景観の悪化、管理がないこ\nとによる放火、不審者が住みつくなどの問題が発生する。よって早期の解決が必要である。\n第２章 研究方法と手順\n空き家問題を解決するための原因分析を第３章で行う。仮説を検証するために、細分化した仮説をデ\nータ分析から検証していく。それらの仮説を組み合わせて、大きな仮説を検証していく。そして、現状\n空き家問題が解決しづらい原因を費用面から推測する。\n---PAGE---\n第３章 空き家問題に関する仮説とデータ分析による検証\n３－１ 仮説① 空き家は過疎地域ほど多い\n過疎地域は、人口密度が少なく、人口が過密地域に\n流出しやすいので、その時に住宅を放棄して、空き\n家となる場合が多いと考えている。\n（出典 過疎地域の現況‐総務省より過疎地域の現況- 総務省 www.soumu.go.jp › main_content）\n３－１－１\n仮説①－１ 高齢者率と空き家の数には正の相関係数がある\n検証①－１\n過疎地域では、高齢化問題が深刻である。そこで、高齢者率と空き家数の相関関係について調査をす\nることにした。（なお、高齢者は、65歳以上とする）図１より、高齢者率と空き家の割合には、正の相\n関関係があり、仮説①-1は正しいと判断できる。\n図１ 高齢者率×その他の空き家の割合\ny = 0.025x -0.3504\n0.600\nそ\n0.500\nの\n他\n0.400\nの\n空\nき 0.300\n家\nの 0.200\n割\n合 0.100\n0.000\n15.00 20.00 25.00 30.00 35.00\n３－１－２ 高齢者率（％）\n仮説①－２ 地価と空き家の数には、負の相関関係がある\n検証①－２\n過疎地域と過密地域では土地の需要が異なるため、地価と空き家の数の相関を調査した。図２の散布\n図より、地価が 100 万円以下の時は地価と空き家の割合に関係はみられないが、100 万円を超えると地\n価と空き家の割合に負の相関がみられることがわかる。\nそこで、住宅地標準価格が極端に大きい、愛知県、京都府、埼玉県、神奈川県、大阪府、東京都、兵\n庫県は外れ値として取り除いた散布図が図３である。地価と空き家の数には、弱いながらも負の相関関\n係があり、仮説は正しいと判断した。\n---PAGE---\n図３ 外れ値を除いた上記のグラフ\n図２\n0.600\n0.500\n空\nき 0.400\n家\nの 0.300\n割\n0.200\n合\n0.100\n0.000\n0 200000 400000 600000 800000 1000000\n地価（円/㎡）\n３－１－３\n仮説①－３ 都心に近いほど、空き家の割合は小さい\n検証①－３\n地価との関係を深めるため、都心との距離が遠いほど空き家の割合が大きくなるのではないかと考え、\n図４からデータ分析した。都心に近いほど土地の需要が高く、空き家数が増加しにくいと考えたからで\nある。\n120\n都\n心 100\nか\n80\nら\nの\n60\n距\n離 40\n20\n0\n3.000 4.000 5.000 6.000 7.000\n結果、データ数は非常に少ないが、都心からの距離が遠くなるほど空き家の割合が大きくなるという\nデータが得られた。さらに、空き家との因果関係があると考えられた事象同士の相関関係を調べること\nで空き家とそれらの事象がどのように結びついているのか更に理解を深められると考え、高齢者率と地\n価・都心からの距離について、これらの相互の関係を調査した。\n(km)\n図４ 空き家割合×都心からの距離\n（出典元：\nグーグルマップのデータと、\n平成30年住宅・土地統計調査\n総務省統計局より\ne-Stat 政府統計の総合窓口より\n自分でグラフを作成）\n空き家割合(%)\n図６\n図５\n---PAGE---\n図５における高齢者と都心からの距離の相関係数は０．８８であり、強い正の相関関係がみられた。\nよって、都心からの距離が遠いほど高齢者率が高く、地価が安い場所ほど高齢者の割合が高くなってい\nることが分かった。\n仮説①の結論\n仮説①－１、①－２、①－３より、空き家高齢者率とその他の空き家の数が互いに強く結びついてい\nることが明確に示された。\n３－２ 仮説② 次の世帯がない高齢者が、住宅を維持できず放棄することが空き家増加の原因である。\n仮説①から、空き家と過疎地域には正の相関がみられることが読み取れる。過疎地域の特徴として、\n高齢化が進んでいることがあげられる。これらのことから、空き家が増加する大きな原因として高齢者\nが退いた後の管理が行き届かなくなることが挙げられるのではないかと考え、このような仮説を立て研\n究を進めた。\n３－２－１\n仮説②－１ 高齢者のみの住宅割合と空き家の割合は正の相関がある。\n高齢者が、引き継ぎ手がないために、空き家を手放してしまうのなら、高齢者のみの世帯の割合と、\n空き家の割合には、正の相関関係があるのではないかと考え、図７のように相関関係を調べた。\n図７ 高齢者世帯×その他の空き家の割合（％）\nそ y = 0.3785x + 5.6395\nの 20\n他\nの\n空\n15\nき\n家\nの\n割 10\n合\n（\n％ 5\n）\n7 12 17 22\n高齢者世帯（％）\n（出典元：SSDSEのデータから自分でグラフを作成）\n・検証②－１\n調査した結果、高齢者世帯とその他の空き家の割合には正の相関がみられる。高齢者が死亡し、その\n後住宅の管理が行き届かなくなることが仮説②－１のような結果が得られた原因ではないかと考え、仮\n説②-２を立てた。\n３－２－２ 仮説②－２\n空き家になる大きな原因の１つは、居住者の死亡である。仮説②－２においては、空き家とな\nった原因について、図８のアンケートデータを使用する。",
    "2020U1-daijin.pdf": "2020年度 統計データ分析コンペティション\n総務大臣賞［大学生・一般の部］\n観光消費額の地域間差異に関するパネルデータ分析\n藤原浩高（鳥取大学地域学部地域政策学科）\n論文の概要\n日本経済および地域経済の活性化に必要な観光産業について、固有効果と年次効果\nを考慮したパネルデータ分析を行うことで、「歴史・文化」、「行事・イベント」、\n「スポーツ・レクリエーション」等が都道府県の観光消費額に有意に影響しているこ\nとを示し、既存研究と異なる知見を見出している。\n論文審査会コメント\nデータの整備、分析手法、解釈なども良好で、極めて手堅い実証により、必要な結\n果を導いている。先行研究の検討も行っていて、論文らしい論文である。\n---PAGE---\n観光消費額の地域間差異に関するパネルデータ分析\n藤原浩高*1\n*1: 鳥取大学地域学部地域政策学科\n1．はじめに\n観光産業は、大きく成長が見込まれる産業分野のひとつである。旅行・観光分野国内の消費規模の調査であ\nる「旅行・観光消費動向調査」（国土交通省観光庁, 2019）によると、2018年の日本人国内旅行消費額は20.5\n兆円である(1)。さらに、観光消費によってもたらされる経済波及効果は、生産波及効果46.7兆円（対国民経\n済計算産出額:5.3%）、付加価値誘発効果28.2兆円（対名GDP:5.2%）、雇用誘発効果441万人（対全国就業者\n数:6.4%）とされる(2)。このように観光はそれ自体の消費だけでなく、関連消費を誘発させるため、日本経済\nおよび地域経済の活性化に必要な産業のひとつであると考えられる。\n各自治体や観光地域づくり法人（DMO）が観光客の誘致を目指して様々な取り組みをみせており、観光分野\nに関する学術研究も数多く行われている。たとえば、文化資源を活用した観光施策に関する事例研究（須\n賀,2017）(3)や、観光客の地域属性に注目した旅行消費動向に関する実証研究（栗原ら,2014）(4)、観光地域の\n持つ魅力（アメニティ）と観光客誘致に関する実証研究（田村,2012）(5)などが挙げられる。しかし、意外な\nことに、地域を分析単位として観光消費額の規定要因を解明しようと試みた実証研究はほとんどない。その理\n由として、我が国では、観光客に関する自治体レベルのデータがほとんどなかったことが挙げられる。希少な\n既存研究として、尾崎（2016）(6)が挙げられる。尾崎（2016）は、2012年の都道府県データを用いて、地域間\nの観光消費格差の説明を試み、観光スポットやそこで得られる体験等の「観光資源の充実度」が観光消費額に\n及ぼす影響が限定的であることを示した。具体的には、「スポーツ・レクリエーション」および「歴史・文化」\nに該当する観光資源の充実度のみが観光消費額に正の影響を及すが、その影響力は小さく、その一方で、「自\n然」、「温泉・健康」、および「都市型観光」に該当する観光資源の充実度は観光消費に有意な影響を及ぼして\nおらず、観光消費を喚起するとは言えないと指摘している。さらに彼は、交通網・飲食店・宿泊施設などの「観\n光インフラストラクチャーの充実度」が観光消費額に正の影響を及ぼすことも示した。具体的には、「旅館客\n室数」および「ホテル客室数」に該当する観光インフラストラクチャーの充実度が観光消費額に強い正の影響\nを及ぼしていることを示した。尾崎（2016）は、都道府県別の二次データを用いて、観光資源と観光インフラ\nストラクチャーの充実度がそれぞれ観光消費額に影響を及ぼすことを見出した点で注目に値するであろう。\nしかし、尾崎（2016）の分析は、単年のデータを最小二乗推定（Ordinary Least Squares; OLS）するに留\nまっており、2つの課題が残されている。第1に、各都道府県の観察されない異質性を考慮しておらず、内生\n性が生じている可能性がある。家中（2019）(7)によれば、資源とは、その価値があらかじめ定まっているもの\nではなく、利用する人々の相互作用によって認識されるものである。また、森重（2012）(8)によれば、観光資\n源は地域社会の様々な価値を内包しており、地域にあるものや文化を観光資源化するには利用者がどこに価\n値を見出すかに依存しているという。つまり、観光資源は、既にそこにあるものではなく、そこに価値を見出\nそうとする人々によって発掘されるものなのである。本研究では、観光資源を発掘・開発する能力を各都道府\n県の観光振興力と呼ぶとしよう。この観光振興力が高い自治体ほど、観光資源を上手く発掘・開発できるであ\nろうし、観光消費額も大きいと考えられる。仮に都道府県の観光振興力をコントロールせずに回帰分析を行う\nと、説明変数である観光資源の充実度と誤差項が相関するという内生性が生じてしまう。したがって、既存研\n究のような単年のデータを用いた回帰分析は、欠落変数バイアスを抱えている可能性が高いと主張できよう。\n第 2に、尾崎（2016）は、2012年単年のデータでしか分析していないため、トレンドの影響を考慮できて\nいない。観光消費は、景気、自治体の政策・キャンペーン、および自然災害などの影響を受けやすい。それゆ\n1\n---PAGE---\nえ、単年のデータのみでは、トレンドの影響をコントロールできない。そのため、より精細な分析を行うため\nには、横断的なデータだけでなく、縦断的なデータを用いる必要があるだろう。\n以上の 2 つの課題を克服するべく、本研究では、観光消費に関する 2010 年から 2017 年までの都道府県ごと\nのデータセットを構築し、パネルデータ分析を行うことで、観光資源の充実度および観光インフラストラクチ\nャーの充実度が観光消費額に及ぼす影響を検討し、観光政策に関する含意を導出する。\n2．研究方法\n2.1 分析に用いる手法\n本研究では、各都道府県における観光消費額を被説明変数として、パネルデータ分析を行う。パネルデータ\n分析の利点は、観察不可能な都道府県の固有効果 （観察されない異質性）を識別できるという点にある。本\n研究では、推定モデルとして、固定効果モデルと変量効果モデルを用いた。固定効果モデルとは、「固有効果\nが説明変数と独立でないと仮定したモデル」であり、変量効果モデルとは「固有効果が説明変数と独立である\nと仮定したモデル」である（山本,2015）(9)。\nまず以下の回帰式（1）について検討しよう。\n（ ）\nただし、 は観光消費額、 は観光資源の充実度、 は観光インフラストラクチャーの充実度、 はパラメ\n𝑌𝑌𝑖𝑖𝑖𝑖 =𝑏𝑏𝑋𝑋1,𝑖𝑖𝑖𝑖+𝑏𝑏𝑋𝑋2,𝑖𝑖𝑖𝑖+𝐹𝐹𝑖𝑖+𝜐𝜐𝑖𝑖𝑖𝑖 ,𝑖𝑖 =1,…𝑛𝑛,𝑡𝑡 =1,… 𝑇𝑇 1\nータであ\n𝑌𝑌\nる\n𝑖𝑖𝑖𝑖\n。 は観測した都\n𝑋𝑋1\n道\n,𝑖𝑖𝑖𝑖\n府県を示し、 は時点\n𝑋𝑋\nを\n2,\n示\n𝑖𝑖𝑖𝑖\nす。 は誤差項である。 は時間によって\n𝑏𝑏\n変化しな\nい都道府県の固有効果（観察されない異質性）である。ここで、固有効果 と説明変数は独立でなく、相関し\n𝑖𝑖 𝑡𝑡 𝜐𝜐𝑖𝑖𝑖𝑖 𝐹𝐹𝑖𝑖\nているとしよう。このとき、説明変数と誤差項（ ）の間に相関が生まれ、内生性が生じ、欠落変数バイ\n𝐹𝐹𝑖𝑖\nアスが生じてしまう。つまり、パラメータ がバイアスを抱えてしまうのである。よって、固定効果モデルで\n𝐹𝐹𝑖𝑖+𝜐𝜐𝑖𝑖𝑖𝑖\nは、固有効果 を取り除いて推定するために、以下の定式化がなされる。\n𝑏𝑏\n𝐹𝐹𝑖𝑖 （ ）\n（ ）\n𝑌𝑌𝑖𝑖𝑖𝑖 =𝑏𝑏𝑋𝑋1,𝑖𝑖𝑖𝑖 +𝑏𝑏𝑋𝑋2,𝑖𝑖𝑖𝑖 +𝐹𝐹𝑖𝑖 +𝜐𝜐𝑖𝑖𝑖𝑖 2\n（ ）\n−) 𝑌𝑌�𝑖𝑖 =𝑏𝑏𝑋𝑋�1,𝑖𝑖 +𝑏𝑏𝑋𝑋�2,𝑖𝑖 +𝐹𝐹𝑖𝑖 +𝜐𝜐̅𝑖𝑖 3\nここで 、 および はそれぞれ各都道府県 についての 、 および の期間平均を示す。ただし、固\n(𝑌𝑌𝑖𝑖𝑖𝑖 −𝑌𝑌�𝑖𝑖) =𝑏𝑏�𝑋𝑋1,𝑖𝑖𝑖𝑖 −𝑋𝑋�1,𝑖𝑖�+𝑏𝑏�𝑋𝑋2,𝑖𝑖𝑖𝑖 −𝑋𝑋�2,𝑖𝑖�+(𝐹𝐹𝑖𝑖−𝐹𝐹𝑖𝑖)+(𝜐𝜐𝑖𝑖𝑖𝑖−𝜐𝜐̅𝑖𝑖 ) 4\n有効果\n𝑌𝑌�𝑖𝑖\nは\n𝑋𝑋\n時\n�1,\n間\n𝑖𝑖\nを通じ\n𝑋𝑋�2\nて\n,𝑖𝑖\n変化しないものである\n𝑖𝑖\nため、期間平\n𝑌𝑌𝑖𝑖𝑖𝑖\n均値\n𝑋𝑋1,𝑖𝑖𝑖𝑖\nは と同\n𝑋𝑋\nじ\n2,𝑖𝑖𝑖𝑖\nとなる。（3）式から（2）式を引\nいて求\n𝐹𝐹\nめ\n𝑖𝑖\nた（4）式では、期間平均値からの乖離を示し、固有効果\n𝐹𝐹�𝑖𝑖\nの\n𝐹𝐹𝑖𝑖\n期間平均からの乖離はゼロとなる。し\nたがって、以下の（5）式で示されるように、都道府県の固有効果を\n𝐹𝐹𝑖𝑖\n取り除くことができる。\n（ ）\n次に、変量効果モデルは以下の通りに定\n𝑌𝑌�\n式\n𝑖𝑖𝑖𝑖\n化\n=\nさ\n𝑏𝑏\nれ\n𝑋𝑋�1\nる\n,𝑖𝑖𝑖𝑖\n。\n+\n変\n𝑏𝑏𝑋𝑋\n量\n�2,\n効\n𝑖𝑖𝑖𝑖+\n果\n𝜐𝜐�\nモ\n𝑖𝑖𝑖𝑖\nデルでは、（1）式の固有効果 を誤差項\n5\nに\n含め、（6）式のように を誤差項として扱う。\n𝐹𝐹𝑖𝑖\n（ ）\n𝐹𝐹𝑖𝑖+𝜐𝜐𝑖𝑖𝑖𝑖\nこのとき、固有効果 があるため、同じ都道府県 の別の時点 の誤差間で自己相関が生じる可能性がある。\n𝑌𝑌𝑖𝑖𝑖𝑖 =𝑏𝑏𝑋𝑋1,𝑖𝑖𝑖𝑖+𝑏𝑏𝑋𝑋2,𝑖𝑖𝑖𝑖+(𝐹𝐹𝑖𝑖+𝜐𝜐𝑖𝑖𝑖𝑖)=𝑏𝑏𝑋𝑋1,𝑖𝑖𝑖𝑖+𝑏𝑏𝑋𝑋2,𝑖𝑖𝑖𝑖+𝜐𝜐𝑖𝑖𝑖𝑖 6\nそのため、変量効果モデ\n𝐹𝐹𝑖𝑖\nルでは誤差間の自己相関を\n𝑖𝑖\n考慮したGLM\n𝑡𝑡\n推定を行う。\n3．データ\n3.1 データの収集とサンプル\n本研究では、教育用標準データセット（都道府県別・時系列データ; SSDSE-2020B）と国土交通省観光庁が\n公開している『共通基準による観光入込客統計』を用いてデータセットを構築した。なお本研究のサンプル\nは、2010年から2017年までの大阪府を除く46都道府県である。これは大阪府が『共通基準による観光入込\n客統計』を導入していないためである。一部のデータについて、国土交通省観光庁が公開している『共通基準\n2\n---PAGE---\nによる観光入込客統計』に誤植があったため、都道府県が公開する『国の「観光入込客統計に関する共通基準」\nに基づく調査』を用いてデータセットを修正した(10)。また、データには一部欠損値も存在している。これは\n『共通基準による観光入込客統計』の導入時期の違いや、各都道府県からの報告の有無によるものである。し\nたがって、本研究のデータはアンバランスパネルとなった。最終的なサンプルはN=331であり、各期間におけ\nる都道府県数は表1の通りであった。\n表1 各期間における都道府県数\n年度 2010年 2011年 2012年 2013年 2014年 2015年 2016年 2017年\n都道府県数 37 43 43 42 43 42 42 39\n3.2 変数\n本研究の被説明変数として、「県外宿泊者の観光消費額」と「県外日帰り者の観光消費額」を用いた。観光\n消費額とは、観光入込客数（千人回）と1人当たりの観光消費額（円/人回）を掛け合わせて算出される、当\n該都道府県を訪れた観光入込客の消費総額と定義される。\n本研究の説明変数である「観光資源の充実度」の代理変数として、各都道府県における観光地点数を用い\nた。観光地点数とは、観光・ビジネスの目的を問わず、観光客を集客する力のある施設またはツーリズム等の\n観光活動の拠点となる地点と定義される。なお観光地点は、自然、歴史・文化、温泉・健康、スポーツ・レク\nリエーション、行事・イベント、その他の6つに分類されている。各カテゴリーにおける観光地点として計上\nされた観光資源は、表2の通りであった。\n表2 観光地点の定義\n観光地点 定義\n自然 山岳、高原、湖沼、河川、海岸、海中、島。\n史跡、城、神社・仏閣、庭園、歴史的まち並み、旧街道、博物館、美\n歴史・文化\n術館、記念・資料館、動・植物園、水族館、産業観光、歴史的建造物。\n温泉・健康 温泉法に基づく温泉施設、その他スーパー銭湯などの温泉類似施設。\nゴルフ場、テニス場、スケート場、プール、サイクリングコース、総\nスポーツ・レクリエーション 合的スポーツリゾート施設、スキー場、キャンプ場、釣り場、海水浴\n場、マリーナ、公園、レジャーランド、テーマパーク。\n商業施設、地区・商店街、食をテーマとした観光利用の拠点、農水産\n都市型観光\n品の直売所、物産館等。\n行・祭事、花見、初詣、花火大会、郷土芸能、地域風俗、博覧会、コ\n行事・イベント ンサート、スポーツ観戦、映画祭、コンペティション・国際会議、そ\nの他イベント。\nその他 上記に分類されない観光地点。道の駅、パーキングエリア等。\nまた、もうひとつの説明変数である「観光インフラストラクチャーの充実度」の代理変数として、各都道府\n県における「旅館営業施設数」と「ホテル営業施設数」を用いた。\n最後に、観光消費額に影響を及ぼすその他の要因をコントロールするために、「年平均気温」および「年間\n降水日数」を統制変数として投入した。\n各変数の記述統計量は表3、相関行列は表4の通りである。表3に示される通り、説明変数のGVIFの最大\n値は4.797であったため、多重共線性の問題は深刻ではないと判断できる。\n3\n---PAGE---\n表3 記述統計量\n変数 平均 標準偏差 最小値 最大値 GVIF\nY log（県外宿泊者の観光消費額）b 11.017 .811 9.352 12.857 －\n1\nY log（県外日帰り者の観光消費額）b 10.936 1.289 3.219 14.470 －\n2\nX 自然b 34.218 20.959 3.000 112.000 4.075\n1\nX 歴史・文化b 94.885 59.916 19.000 399.000 3.993\n2\nX 温泉・健康b 39.692 27.411 2.000 149.000 4.362\n3\nX スポーツ・レクリエーションb 100.517 75.629 13.000 370.000 4.797\n4\nX 都市型観光b 27.378 19.962 1.000 93.000 2.186\n5\nX 行事・イベントb 136.641 92.563 16.000 500.000 3.457\n6\nX その他b 27.674 18.740 1.000 114.000 2.274\n7\nX 旅館営業施設数a 1135.109 715.357 243.000 3602.000 4.127\n8\nX ホテル営業施設数a 208.372 153.313 34.000 718.000 4.455\n9\nX 年平均気温a 15.382 2.186 9.100 23.100 2.092\n10\nX 年間降水日数a 118.740 27.422 67.000 197.000 1.313\n11\n注 : aはSSDSEから収集し、bは『共通基準による観光入込客統計』から収集したことを示す。\n表4 相関行列\nY Y X X X X X X X X X X X\n1 2 1 2 3 4 5 6 7 8 9 10 11\nY 1.000\n1\nY .284 1.000\n2\nX .408 -.055 1.000\n1\nX .491 .541 .376 1.000\n2\nX .392 -.125 .758 .301 1.000\n3\nX .550 .332 .656 .694 .528 1.000\n4\nX .285 .186 .336 .609 .460 .458 1.000\n5\nX .323 .310 .640 .665 .469 .779 .521 1.000\n6\nX .376 .028 .611 .524 .567 .522 .437 .507 1.000\n7\nX .726 .240 .647 .504 .659 .652 .394 .555 .403 1.000\n8\nX .607 .230 .555 .696 .507 .549 .589 .629 .536 .737 1.000\n9\nX -.012 .124 -.418 .043 -.591 -.061 -.207 -.123 -.324 -.248 -.191 1.000\n10\nX -.105 -.295 .095 -.146 .216 -.068 .056 -.049 .088 -.061 -.103 -.371 1.000\n11\n4．分析結果\n収集したデータを用いて、パネルデータ分析を行った。分析の結果は表5の通りである。\n4.1 県外宿泊者の観光消費額\nまず、県外宿泊者の観光消費額について検討する。モデルの全体的評価に関して、Pooled OLS（F=56.011,\np<.01）、固定効果モデル（F=7.600, p<.01）、変量効果モデル（χ2=215.772, p<.01）はすべて1%水準で有意\nであった。次に、Pooled OLS と固定効果モデルのいずれを採択するべきかを判断するために、F検定を行っ\nた。検定の結果、F=56.362で、1%水準で有意であった。これは、都道府県の固有効果（観察されない異質性）\nが存在していることを意味しており、それゆえ固定効果モデルが採択される。次に、固定効果モデルと変量効\n果モデルのいずれを採択するべきかを判断するために、ハウスマン検定を行った。検定の結果、χ2=19.004で、\n非有意であった。よって、都道府県の固有効果と説明変数の間には、相関がないことが示された。したがって、\n4",
    "2020U2-yushu.pdf": "2020年度 統計データ分析コンペティション\n優秀賞［大学生・一般の部］\nふるさと納税は地方創生の切り札になりえるか\n―固定効果モデルを用いたパネルデータ分析―\n森將暁（一橋大学商学部経営学科）\n論文の概要\n地方創生政策の一つとして導入された、ふるさと納税制度について市区町村のパネ\nルデータを作成して固定効果モデルによる分析を行い、ふるさと納税制度が経済効果\nをもたらす一方で、人口増加には効果が見られないことを示している。\n論文審査会コメント\nふるさと納税制度の地域経済に与える効果を、適切な統計モデルを使って評価しよ\nうという点が高く評価できる。今後、短期的な効果でなく長期的な効果の検討も期待\nしたい。\n---PAGE---\nふるさと納税は地方創生の切り札になりえるか\n固定効果モデルを用いたパネルデータ分析\n森將暁\n一橋大学 商学部 経営学科\n１．はじめに\n近年注目を集めている、ふるさと納税制度は地方創生政策の一つとして導入された、個人が都道府県・市区\n町村に向けた寄付金を行う制度であり、個人は寄付した金額に応じて返礼品を受け取るとともに、住民税と所\n得税の控除を受けることができる。地方自治体は寄付金を受け取ることができ、個人は返礼品と税金控除を受\nけることができ、地方自治体と個人の双方にメリットがある。\nしかしながら、メディアでは個人の享受するメリットに注目することが多く、ふるさと納税制度の導入され\nた意義の一つである、「生まれ故郷はもちろん、お世話になった地域に、これから応援したい地域へも力になれ\nる制度であること」 総務省 より引用 が実現できているのかという検証はほとんど行われていない。すな\nわち各地方自治体はふるさと納税で得た寄付金を有効に活用しているのかという点において疑問がある。ふる\nさと納税は地方自治体の財源の一つとなっているが、寄付金はその地域の“力になること”を目的としている\nため、その地域の活性化、つまり地方創生のために利用されるべきである。\n地方創生政策 は「稼ぐ地域をつくるとともに、安心して働けるようにする」「地方とのつながりを築き、地\n方への新しいひとの流れをつくる」「結婚・出産・子育ての希望をかなえる」「ひとが集う、安心して暮らすこ\nとができる魅力的な地域をつくる」という４つの基本目標がある。これら目標の達成度は地方経済の活性化と\n地方の人口増加で計測できる。そのため地方創生政策の評価は地方経済の活性化と地方の人口増加という観点\nからされるべきである。\n本稿ではふるさと納税が地方創生に与えた影響を定量的に測定することで、ふるさと納税の受入額が地方の\n経済と人口増減に与える影響を可視化することを試みた。目的意義が達成されているならば、さらに制度を浸\n透させる必要があり、反対に達成されていないのであれば、制度の見直しや地方自治体のさらなる努力が必要\nであるといえる。\n具体的には地方自治体の 団体の 年・ 年・ 年のパネルデータを作成し、ふるさと納税の受\n入額と課税所得額の関係、ふるさと納税の受入額と人口の社会増減率の関係、ふるさと納税の受入額と人口の\n自然増減率の関係、ふるさと納税の受入額と人口増減率の関係について、固定効果モデルを用いた回帰分析を\n行った。\n結果として、ふるさと納税の受入額は課税所得額に対しては正の効果を持ち、ふるさと納税制度が経済効果\nをもたらしていることが示唆された。一方で、ふるさと納税の受入額と社会増減率には関係性が確認されなか\nった。また、ふるさと納税の受入額は自然増減率に対して負の効果を持つことが示された。これらの人口に関\nする分析の結果からふるさと納税制度は人口増加をもたらさないということが示唆されている。また、以上の\n経済面・人口面の２つの観点から行った分析から、ふるさと納税制度は経済効果をもたらす一方で、人口増加\nには効果がないといえる。\n---PAGE---\n本稿に関連した先行研究としては、飯田市他 自治体のふるさと納税の経済波及効果を算出した「ふるさと\n納税・地方創生研究会 定量分析報告 」が挙げられる。この研究は同様にふるさと納税の経済効果を確認して\nいるという点で本稿と共通しているが、経済波及効果の算出を目的としており、ふるさと納税制度との因果関\n係を明示したものではない。また、分析対象も 団体であるという点で本稿と異なる。\n本稿はパネルデータを用いた固定効果モデルでの分析を行うことで、欠落変数バイアスの影響を制御し、ま\nた全国の地方自治体 団体を分析対象としていることで、ふるさと納税という制度そのものが地方創生に貢\n献してうるかを検証した内容になっている。この点で、他の先行研究とは異なるものであり、制度そのものを\n対象とした議論を可能とするものである。\n以下、２節でふるさと納税の概要と研究目的、３節で推定モデルと分析手法、４節でデータの説明をし、５\n節で推定結果を述べ、最後の６節で考察をまとめ今後の課題を検討する。\n２．ふるさと納税制度と仮説\n２ １ ふるさと納税の現状\nまず、ふるさと納税の地域創生に与える影響について述べる前にふるさと納税という制度について言及し\nたい。\nふるさと納税は 年より開始された制度で、税制を通じた「ふるさと」への貢献する仕組みとして導入さ\nれた寄付金の制度である。この制度は都道府県・市区町村向けの寄付金であるが、納税者の自己負担軽減のた\nめに所得税と個人住民税が一部控除されるため、積極的な活用が期待されている。またメディアでも取り上げ\nられていることもあり、各地方自治体のふるさと納税受け入れ額は年々増加傾向にある。\n図１：ふるさと納税の受け入れ額と件数\n以下の図１が今回扱った全国の地方の市町村のふるさと納税の受け入れ額と件数の合計値を年度ごとに集\n計したものである。この図から、ふるさと納税の金額・件数が共に年々増加傾向にあることがわかる。\n---PAGE---\nまた、表 の度数分布表をみると、 年度のふるさと納税の受け入れ件数が０件であった市町村は 団\n体あったが、 年度では２団体にまで減少している。さらに、 件以上の市町村も増加傾向にある。\n表 ：市町村別ふるさと納税の受け入れ件数の度数分布表\n以上のことからふるさと納税の制度は年々拡大・浸透しているといえる。\n２ ２ ふるさと納税の期待される効果\n序章でも述べたように、ふるさと納税制度は寄付金が地域の活性化につながることを意図して設計されてい\nる。そのため地方自治体は集まった寄付金を経済の活性化と人口増加を目的として活用することを期待されて\nいる。\nまたふるさと納税を通じて地方自治体に寄付金が集まることや地方自治体が返礼品を購入することにより、\n地域で雇用が生まれるなど経済効果 が期待されている。そこで、本稿でもふるさと納税は地域の経済活動を\n活発化させると仮説をたて 仮説１ 、この仮説の検証を試みた。\nまた、ふるさと納税のもう一つの側面として、地方自治体の広報活動の場であることが挙げられる。返礼品\nを通じて、地方自治体は地域の魅力を することが可能となり、地方自治体の知名度アップの実現が考えられ\nる。また、寄付金を通じて個人情報の取得が可能となり、地域に興味のある個人に対して継続的な広報活動も\n可能となっている。そのため、ふるさと納税を通じて、地域の興味・関心を持った個人がその地域への移住を\n検討することは十分に考えられる。そこで、本稿ではふるさと納税は地域の人口を増加させると仮説をたて 仮\n説２ 、この仮説の検証を行った。\n本稿では以上の仮説１と仮説２の つの仮説の検証を通じて、ふるさと納税の地方自治体に与える影響を分\n析することを試みた。\n1\n1\n1\n1\n1\n0\n合\n1\n1\n1\n1\n1\n0\n合\n受 け 入 れ 件\n0 0 0 0 0 件 以 上\n0 0 0 0 件 以 上 1 0 0 0 0\n0 0 0 件 以 上 1 0 0 0 0 件\n0 0 件 以 上 1 0 0 0 件 未\n件 以 上 1 0 0 件 未 満\n件\n計\n受 け 入 れ 件 数\n0 0 0 0 0 件 以 上\n0 0 0 0 件 以 上 1 0 0 0 0 0 件\n0 0 0 件 以 上 1 0 0 0 0 件 未\n0 0 件 以 上 1 0 0 0 件 未 満\n件 以 上 1 0 0 件 未 満\n件\n計\n数\n0 件\n未\n満\n未\n満\n満\n未\n満\n満\n---PAGE---\n３．分析手法\n３ １ 使用したモデル\n本稿では、地方自治体の経済と人口に対してふるさと納税の受け入れ金額がどのように作用するかを検証\nすることを目的として分析を行い、ふるさと納税の受入額とアウトカムの両者と相関する可能性のある観測\nされない地域の特性の影響を排除するために固定効果モデルを採用した。\n第三次産業の従事者が多い自治体は第一次産業従事者が多い自治体よりも平均値所得が高いことが考えら\nれる。これを考慮せずに回帰分析を行い得られた結果は、ふるさと納税の効果ではなく、単に欠落変数として\nの産業構造の効果であると考えられる。\nまた、魅力ある返礼品を提供できる自治体は、財政力があり、また魅力的な地域であるため、ふるさと納税\nの金額も大きくなり、またその魅力そのものが移住者を増やしている可能性がある。その場合、ふるさと納税\nが移住者を増やした効果ではなく、単に欠落変数としての地域の魅力の効果であるに過ぎない可能性がある。\nこのような欠落変数バイアスに対処するため、本稿では固定効果モデルを採用した。\n固定効果モデル はパネルデータ分析手法の つで、個体ごとで特有の性質を除去することで、ど変数\nバイアスを生じないようにする手法である。具体的には以下の方法で行われる。このモデルの基本式は式\nのように表され、（本稿では は各地方自治体を表わし、 は調査時点を表わす）各個体固有の効果を表す𝜈\n𝑖\nは個体ごとに一定の値をとる。また、誤差項𝜖 に関して、独立同分布を仮定する。このとき式 の残差項 で\n𝑖𝑡\nある𝜈 + 𝜖 には自己相関が生じてしまうために、この形のままでは 最小二乗法による回帰推定を行うと係\n𝑖 𝑖𝑡\n数にバイアスが生じてしまう。そこで式 を時点間で平均した式 を導出し、式 と式 の差をとること\nで、式 を導出できる。\n個体ごとの平均値との差としての説明変数・被説明変数間の関係を示す式 では、個体固有の効果𝜈と定\n𝑖\n数項αは、式 と式 の差をとることですべて消える。さらに誤差項𝜖 +𝜖̅は互いに相関しないものと考\n𝑖𝑡 𝑖\nえてよいので、この式 の各パラメータは最小二乗法による回帰推定を行うと、バイアスを生じさせること\nなく推定することができる。以上が固定効果モデルにおける推定方法である。このモデルは、各個体内におけ\nる時点間での変数値の偏差を分析に用いることで、欠落変数バイアスを排除した上で、変数間の関係性を示す\nことができるモデルとされている。また、固定効果モデルで因果推定を行う場合には、各変数が時間経過とと\nもに、変化していることが前提となっている点に留意しなくてはならない。時間経過により変化しない場合に\nは、先にみた式 と式 の差を取る過程で、変数が無効化されるからである。\n３ ２ 分析対象\n地方における要因を分析することを目的としているため、分析対象は全国の市区町村データから東京都特\n別区と政令指定都市を排除したデータを用いている。これは都市部のデータは地方のデータと比較して、経済\nや人口増減などにおいて異なる動きをしていると考えられたためである。また、欠損値の多かった、福島県の\n富岡町 、大熊町 、双葉町 、浪江町 、葛尾村 も除いてある。全国の地方自治体\nから先に述べた都市部と福島県の一部地域を除いた の市町村を対象に分析を行った。",
    "2020U3-suri.pdf": "2020年度 統計データ分析コンペティション\n統計数理賞［大学生・一般の部］\n階層ベイズモデルを用いた\n学力に対する教育費の費用対効果推定\n渡邊彰久・石川洸矢・近藤謙将\n（東京工業大学大学院工学院経営工学系）\n論文の概要\n小中学生の学力について、状態空間モデルによる学力推定と階層ベイズモデルによ\nる教育関連費用の効果推定を行い、学力に対する教育費の費用対効果が都道府県によ\nって異なることを示している。\n論文審査会コメント\n実証に関わる問題意識や先行研究のレビューと用いている分析のバランスが良い論\n文となっている。",
    "2020U4-shorei.pdf": "2020年度 統計データ分析コンペティション\n統計活用奨励賞［大学生・一般の部］\n第二期「まち・ひと・しごと総合戦略」における\n日本の目指すべき将来に向けた社会構造分析及び提案\n冨尾燿平・眞保祐樹（中央大学大学院理工学研究科）\n論文の概要\n都道府県の転出数と出生率について、関係する因子をLasso回帰により特定し、仕\n事に対する多様性が人口減少の緩和に繋がることを示している。また、稼ぐ力につい\nてクラスタリングを行って経済活性化を達成させるための主要産業を明らかにしてい\nる。\n論文審査会コメント\n論旨が明確で、課題の設定が比較的きちんとしており、そこそこの手法を用いて政\n策的提言まで繋げたものと言える。",
    "2020U51-toku1.pdf": "2020年度 統計データ分析コンペティション\n特別賞（統計分析）［大学生・一般の部］\n人口増減している市区町村の特徴と人口規模の影響\n三木祐司（ＪＦＥスチール株式会社スチール研究所）\n論文の概要\n市区町村の人口増減について、Random Forest法による説明変数の重要度を算出し、\n成長の著しい情報、複合サービス業、運輸などの産業を発展させることが人口増加に効\n果的であることを示している。また、人口規模別の結果により、周辺地域から地方都市\nへの人口流入が起こっている可能性を指摘し、転入者数に加えて学術研究・専門・技術\nサービス業の就業者数等も影響していることを示している。\n論文審査会コメント\n人口増減に関する要因を探るためにRandom Forestを使った分析は評価できる。\n---PAGE---\n人口増減している市区町村の特徴と人口規模の影響\n三木 祐司*1\n*1: ＪＦＥスチール株式会社 スチール研究所\n１． 研究のテーマと目的\n2019年の統計データ解析コンペティションで、張ら1]による地方創生目標指標に関する変化要因ネ\nットワークの推定と地域間連携策に関する大変興味深い研究があり、地方創生には、クラスタリングと\n各自治体に共通する変化要因のネットワークが存在している可能性が示唆されている。\n張らによると、各市区町村における人口の増減要因として、順に市町村の一般財源, 15～64 歳人口,\n課税対象所得, 地方税, 歳入決算額の変化数が挙げられた。これらは推定されたネットワークでその変\n化が他の変数におよぼす正の影響が強かった変数であり、媒介中心性の負の値が大きかった変数として\nは, 災害復旧費, 実質公債費比率, 経常収支比率などが挙げられた。\nまた、竹内2]は、都道府県別に我が国における人口増減の決定要因を変量効果モデルにより解析し、\n医師数を十分確保でき医療体制を充実させることができたことが人口増加に寄与することを指摘した。\n地方創生において人口増加の要因を解析することは重要であり、多くの調査・研究がなされ、整理され\nてきている3]。\n解析手法については、Random Forest Regressor法4] を用いた。張らが用いたLASSO はスパース推\n定法として非常に有用であるが、説明変数同士の相関が高い場合、その中から 1つしか選択されない\nため、クラスターlasso法を用いるなどの工夫が必要である。多重共線性については、他の解析モデル\nでも同様に問題となりうるが、Random Forest法は、各分割でサンプリングされた変数の数を通じて正\n則化パラメーターがあり、各ツリーを他のツリーとより高い相関関係にし、複数のツリーを推定するこ\nとにより多様化の影響をある程度緩和する。すなわち、回帰分析とは対照的に、Random Forestモデル\nの一部が高度に共線的な変数によって損なわれにくく、２つの変数が同じ子ノードを提供する場合であ\nっても、結果の品質を低下させることなく1つを選択する傾向にある。\n。\n２．研究の方法と手順\nRandom Forest 法は決定木解析を複数回行いその平均値を用いる手法であるが、解析時の決定木の最\n大深さ、平均化する決定木数などが最適化されないと解析精度が確保できないことがあり、最適化され\nるとDeep Learning以上によい精度が出ることもある。そこで、max depth, n estimators, max features\nについては、kfold 法 4 分割の交差検証により決定係数 r2を最大化するように、ベイズ推定によるパラ\nメーターチューニングを実施した。\n説明変数の重要性を明らかとするため、重要度と部分依存性を評価した。重要度は、Random Forest\n法におけるツリー内の決定ノードとして使用される特徴量の相対的ランク（すなわち深さ）を使用し、\n目的変数の予測可能性に関するその特徴量の相対的重要度を評価した。重要度は「ある特徴量で分割す\nることでどれくらいジニ不純度を下げられるのか」に対応する。部分依存性は、他の特徴量はその変数\nの平均値とし、対象の変数を仮想的に変化させたときの目的変数を計算しており、当該変数に対する影\n響を仮想的に予測する。\n1\n---PAGE---\n全体のプログラムはpython3.7で作成、sklearn.ensemble5]の Random Forest Regressor, パラメー\nターチューニングのためのoptuna6]libraryに加えて、部分依存性はlibraryが無いことから独自にコ\nーディングした。\n３．データセットの加工\n本論文では、データベースSSDSE-2020A、平成27年国勢調査による平成22年から27年の間の人口\n増加数7]をe-statより入手、外国人の増減数については、同じくe-statで平成28年から平成29年の\n1年間での増加数8]を用い、地域コードをキーとして、pythonプログラム上で統合、人口増加数を目的\n変数として、1720の市区町村について解析した。なお、福島県富岡町、大熊町、双葉町、浪江町は人\n口データ欠損のため除外、福島県葛尾村、飯舘村は人口12人以下のため除外している。SSDSE-2020A\nは平成26年から30年の期間のデータであり、人口増加時期、外国人増加数はほぼ同時期と考え、各市\n区町村での人口増加の要因を解析した。１つでも欠損がある場合には、プログラムで当該市区町村を削\n除している。\n表1 解析で用いた説明変数\n総人口（男） 婚姻件数 従業者数（情報通信業） 小学校教員数 地域コード\n総人口（女） 離婚件数 従業者数（運輸業，郵便業） 小学校児童数 市区町村\n日本人人口（男） 総面積（北方地域及び竹島を除く） 従業者数（卸売業，小売業） 中学校数 人口 平成27年\n日本人人口（女） 可住地面積 従業者数（金融業，保険業） 中学校教員数 人口 平成22年\n15歳未満人口（男） 事業所数 従業者数（不動産業，物品賃貸業） 中学校生徒数 平成22年～27年の人口増減数\n15歳未満人口（女） 事業所数（農業，林業） 従業者数（学術研究，専門・技術サービス業） 高等学校数 平成22年～27年の人口増減率（％）\n15～64歳人口（男） 事業所数（建設業） 従業者数（宿泊業，飲食サービス業） 高等学校生徒数 面積（km2）\n15～64歳人口（女） 事業所数（製造業） 従業者数（生活関連サービス業，娯楽業） 就業者数（男） 人口密度（1km2当たり）\n65歳以上人口（男） 事業所数（電気・ガス・熱供給・水道 従業者数（教育，学習支援業） 就業者数（女） 外国人増減\n業）\n65歳以上人口（女） 事業所数（情報通信業） 従業者数（医療，福祉） 完全失業者数（男）\n75歳以上人口（男） 事業所数（運輸業，郵便業） 従業者数（複合サービス事業） 完全失業者数（女）\n従業者数（サービス業（他に分類されないも\n75歳以上人口（女） 事業所数（卸売業，小売業） 非労働力人口\nの））\n外国人人口 事業所数（金融業，保険業） 従業者数（公務（他に分類されるものを除く））非労働力人口（男）\n出生数 事業所数（不動産業，物品賃貸業） 第１次産業従業者数 非労働力人口（女）\n事業所数（学術研究，専門・技術サービ\n死亡数 第２次産業従業者数 第１次産業就業者数\nス業）\n転入者数（日本人移動者） 事業所数（宿泊業，飲食サービス業） 第３次産業従業者数 第２次産業就業者数\n事業所数（生活関連サービス業，娯楽\n人口増加 農家数（販売農家） 第３次産業就業者数\n業）\n人口増加比 事業所数（教育，学習支援業） 農家数（自給的農家） 公民館数\n転出者数（日本人移動者） 事業所数（医療，福祉） 経常収支比率（市町村財政） 図書館数\n総人口（非水洗化人口＋水洗化人\n世帯数 事業所数（複合サービス事業） 実質公債費比率（市町村財政）\n口）\n事業所数（サービス業（他に分類されな\n一般世帯数 歳入決算総額（市町村財政） 非水洗化人口\nいもの））\n事業所数（公務（他に分類されるものを\n一般世帯人員数 地方税（市町村財政） 小売店数\n除く））\n核家族世帯数 第１次産業事業所数 歳出決算総額（市町村財政） 飲食店数\n単独世帯数 第２次産業事業所数 民生費（市町村財政） 大型小売店数\n65歳以上の世帯員のいる核家族\n第３次産業事業所数 土木費（市町村財政） 一般病院数\n世帯数\n高齢夫婦のみの世帯数 従業者数 教育費（市町村財政） 一般診療所数\n高齢単身世帯数（65歳以上の者\n従業者数（農業，林業） 災害復旧費（市町村財政） 歯科診療所数\n１人）\n従業者数（建設業） 幼稚園数 医師数\n従業者数（製造業） 幼稚園在園者数 保育所等数\n従業者数（電気・ガス・熱供給・水道\n小学校数 保育所等在所児数\n業）\n４．データ分析の結果\nまず、全体間を知るために、都道府県単位で平成27年国勢調査による平成22年から27年の間の人\n口増加数を調べた。都道府県単位では東京周辺、愛知県、福岡県、宮城県などで人口増加、北海道、福\n島県などで人口減少が認められる。（図１）この結果は、張らの解析結果1]とも一致する。\n機械学習の誤差を確認するため、75％の学習データと25％のテストデータにわけて、人口増加を実\n際の値と予測値で相関を調べた。図２に示すように、本モデルで概ね実測の人口増加数を説明できてい\nると考える。決定係数は市区町村全体の決定係数r2は、学習データ0.93、テストデータで0.55となっ\nた。若干過学習気味ではあるが、相関関係が得られていることがわかる。\n2\n---PAGE---\n図1 都道府県単位の人口増加数（H22-27年）\n図２ 人口増加数の実測値と予測値比較（赤プロット：学習データ、青プロット：テストデータ）左は\n全市区町村（max_depth:109、n_estimators:147、決定係数r2学習データ0.93、テストデータ0.55、右\nは平成２７年の人口が10万人超え30万人未満の市区町村（max_depth:122, n_estimators:67，決定係\n数r2学習データ0.95、テストデータ0.58）\n図４ 重要度の大きい変数（全1720の市区町村）\n3\n---PAGE---\n図３ 全変数の重要度（全1720の市区町村）\n図３に全市区町村における説明変数の重要度を示す。図４には、そのうちの重要度の大きかった10\nの説明変数の重要度を示した。重要度の大きい変数として、大きい順に、従業者数（情報通信業）、従\n業者数（複合サービス事業）、人口密度（1m2当たり）、従業者数（運輸、郵便業）、事業者数（情報通信\n業）、単身世帯数、転入者数（日本人移住者）、外国人人口となった。\n重要度の大きい説明変数の部分依存性を計算した。、図５に示すように、第１，２，３次産業人口に\nはほとんど依存せず、また人口増加は総人口にもほとんど依存せず、図６に示すように、従業者数（情\n報通信業）、従業者数（複合サービス事業）、人口密度（1m2当たり）、従業者数（運輸、郵便業）、事業\n者数（情報通信業）などの変数で人口増加が説明されることが明らかとなった。\n図５ 産業別従業者数の影響\n4",
    "2020U52-toku2.pdf": "2020年度 統計データ分析コンペティション\n特別賞（統計活用）［大学生・一般の部］\n若者の投票率はなぜ低下したのか\n―都道府県別・年代別投票率\nパネルデータ（2000-2020）分析―\n市橋来夏・菊田葵・工藤桂菜・瀧井日奈子\n（津田塾大学総合政策学部総合政策学科）\n論文の概要\n参院選等の有権者について、年齢別投票率の差と高齢化に着目し、若者と高齢者の\n投票率を被説明変数として都道府県別のパネルデータ分析を行うことで、高齢者の投\n票率に転入人口、公債残高、所得、財政力指数等が影響していることを明らかにして\nいる。また、若者投票率向上の政策を立案するための基礎資料として、若者の投票率\nに有効求人数、転出人口、公債残高、知事任期等が影響していることを示している。\n論文審査会コメント\n投票率の説明要因を年齢階級別に適切に組み合わせて明らかにしている。\n---PAGE---\n「若者の投票率はなぜ低下したのか」\n―都道府県別・年代別投票率パネルデータ（ ）分析―\n市橋来夏 ・菊田葵 ・工藤桂菜 ・瀧井日奈子\n津田塾大学 総合政策学部 総合政策学科\n１．研究背景・研究目的\n高齢化の進む日本では、有権者の高齢化が顕著である。参議院議員選挙 以下参院選 を例にすると、有権\n者のうち 歳以上の構成比率は、 年には ％であったが、 年には、 ％となっている 図\n参照 。 そして有権者の高齢化以上に加速しているのが、「投票者の高齢化」である。投票者のうち\n歳以上の比率は 年から 年の間に ％から ％へと約半数を占め、有権者の高齢化を上回\nる伸びを見せている。\n一方、投票者のうち、 歳以下の比率は ％ 年 から、 ％ 年・ 歳と 歳を含む に\n低下している。このように投票者が有権者より更に高齢化する理由は、若年層 歳以下 の投票率が高齢層\n歳以上 に比べ、著しく低いためである。若年層の投票率が高齢層より低い傾向自体は他国にも見られる\nが、 加盟国では平均して ％の差であるところ、日本は ％と英国に次いで高い水準である。\n年における投票者構成比／有権者構成比をとると、 歳以下は に縮小し、 歳以上は に拡大\nする 図１ 参照 。その結果、若年層の高齢者に占める投票者数上の影響力は、有権者数上の影響力に比\nべ半減する。\nこのような若年層と高齢層の投票率の差は、日本でも 年代は ％程度であったものが、 年代に\nは ～ ％程度、 年代は ～ ％程度に拡大している。若者が投票に行かなくては、ますます政治に\n若者の意見が反映されなくなってしまう。そして、若者が将来的に生きてゆく社会の制度が、若者不在で決\nまってしまう。この課題に対し、個人への意識調査等の調査結果は多い。 また、その多くは社会全体の投\n票率の低下を対象とした、性別 世代間影響 、就業状況 、投票環境 、財政構造 、政党の選択 など着\n眼点は多岐に渡る。しかし実際の年齢別投票率を論じた研究は、日本では三船・中村 のみだ。\n図１ 年参院選における有権者と投票者の年代別構成 図１ 年参院選における有権者と投票者の年代別構成\n実際の年齢別投票率を用いる利点は、地域差 都道府県別 、世代差 ５歳階級別 、その経年変化が明確にわ\nかることである。ただし、総務省「年齢別投票率調」において都道府県別の元データは非公表であるため、私\nたちは行政文書開示請求により情報収集した。また、総務省にも文書保管年限の過ぎた 年以前の情報は\n存在しないため、各都道府県の選挙管理委員会に情報提供を依頼した。\nその結果、若年層の投票率には地域差も大きいことがわかった。下の図２ ・図２ を見ると、高齢者\nの若者の投票率の格差は地域によってばらつきがあり、衆議院議員選挙 以下衆院選 ・参院選の間でも若者と\n高齢者の投票率の乖離傾向が傾向も異なることがわかる。一般に、投票の動機は、投票の限界便益が、その限\n界費用を上回るからだと考えられており、その地域差にも着目して紐解く必要がある。\n---PAGE---\n図２ 衆院選の若者投票率と老若差 図２ 参院選の若者投票率と老若差\nまた、近年の若年層の投票意欲の低下を考える上では「政治的有効性感覚 」の観点\nも欠かせない。日本の社会保障費の１人当たり現役世代向け支出に対し、１人当たりの高齢者向け支出は\n倍である。高齢者の構成比が高まるほど「高齢者優遇」の政策への支持は強まり実際の制度設計にも反映さ\nれる。 したがって、若者は一票の影響力がないと感じる、つまり政治的有効性感覚が低い。 若者の近\n年の政治的有効性感覚を都道府県単位で検証している研究はなく、本稿が筆者の知る限り初の取組である。\nなお、今回、各県の選挙管理委員会に問い合わせ、都道府県別にデータ収集を行ったが、文書保存期限\n年 を過ぎたデータはすでに廃棄されているケースも見られた。人口減少をすぐに改善するのが困難な今、\n我々の分析は、年々下がっている若年投票率の要因を突き止め、今後の対策を考える上で必要性が高い。ま\nた今回の分析には、何よりも時間がたつと廃棄されてしまう記録を残す意義もあると感じている。\n本研究では、各地域の特性を表す指標を説明変数、各都道府県の年代別の国政選挙の投票率を被説明変数\nとして最長で 年以降の 回の選挙結果をもとにパネルデータ分析を行った。\n２．分析の概要と分析方法\n５歳階級別の若者と高齢者の投票率をそれぞれ被説明変数とする。年齢階級間で有意な回帰係数の差が\n生じる場合、年代ごとの投票率に差をもたらす要因を比較検証することができる。なお、投票率を時系列\nで比較するため、近年の制度改正で有権者となった 〜 歳は除き、若者を 〜 歳からとする。また、\n一部の年次・都道府県では年齢区分の上限が 歳以上であり、 歳以上を上限とする他の情報との定義\nの整合性が取れないため、 ～ 歳までの高齢者を分析する。\n仮説\n説明変数は、先行研究から若者の投票率への影響が指摘されており、かつ都道府県別に比較可能な指\n標を用いた。まず、地方財政の指標として、自治体内の収入額から需要額を引いた財政力指数、公債費、\n１人当たり生活保護費を用いる。人々は地方の財政状況に危機感を感じるならば投票し、一方、失望感\nが高まれば投票しない、という双方の可能性がある。また、これらの地方財政の指標に関する指標は各\n地域の高齢化率と相関が高く、高齢者の投票率に影響すると予想する。\n次に、就業環境の指標として、１人当たり県民所得と有効求人数を用いた。１人当たり県民所得・有\n効求人数は共に低いほど若者が危機感をもつならば投票する場合と、失望感が高まれば投票しない場合\nの双方の可能性があると予想する。また、子育て環境の指標を取り入れることで、若者むけの政策の充\n実度と投票率の関連を測ることができる。児童１人当たり教育費が多いほど、子育てに適した環境であ\nる可能性が高い。子育てがしやすい環境が整備されていることは、若者向けの政策が充実していること\nのひとつの要因であると考える。\n加えて、本研究独自の視点として、若者の政治的有効性・都道府県外との転入／転出者に関する指標\nを説明変数に取り入れた。人口動態の指標として、高齢化率は若老有権者構成比を表し、高いほど若者\nはシルバー民主主義に失望し投票に行かなくなる。若者層の転入者数及び人口規模を考慮した 代・\n代に占める転入者の割合は、多い地域ほど若者の地域への帰属感が薄く、若者の投票率にマイナスの影\n響を与える。若者層の転出者数及び人口規模を考慮した 代・ 代に占める転出者の割合は、住民票\n手続きを怠っている可能性が他世代に比べ高く、物理的な障害や手続きの煩雑さから無投票の割合を高\nめる。また、政治的有効性として、都道府県知事の特性に着目する。知事の年齢が高いほど政策のスピ\nード感が失われ若者の投票率にマイナスに有意になる。反対に年齢が若いほどメディアへの露出度が高\nく若者の投票率が上がる。知事の任期が長いほど、候補者を推薦する団体からの得票が安定し 組織票 、\n---PAGE---\n若者・高齢者の比が小さくなる。知事交代のダミー変数は、知事変更年は組織票が弱いため、若者・高\n齢者の投票率の比が大きくなる。\n分析モデル\n年度から 年度までの 都道府県の統計データを用いて、被説明変数を衆院選 第 回〜第\n回 と参院選 第 回〜第 回 の各都道府県の年代別投票率とし、説明変数を各都道府県の特性を\n表す つの指標として、アンバランスドパネルデータ分析を行った。\nパネルデータ分析では、𝑌 を第𝑖 𝑖 ＝ … 都道府県の 𝑡 … 年度における\n𝑖𝑡\n衆院選または参院選の各都道府県の年代別投票率、𝑋 𝑗 … をその説明変数として、以下のよ\n𝑗,𝑖𝑡\nうな重回帰分析を行った。\n𝑘\n𝑌 =𝛼+∑𝛽𝑋 +𝑢 +𝜖\n𝑖𝑡 𝑗 𝑗,𝑖𝑡 𝑖 𝑖𝑡\n𝑗=1\n𝛽は回帰係数、𝑢 は都道府県毎に異なる を表し、𝑢 を確率変数とみなすランダム\n𝑗 𝑖 𝑖\n効果モデルで推定した。𝜖 は誤差項であり、互いに独立に正規分布に従っているものとする。ランダム\n𝑖𝑡\n効果モデルの推定では、「帰無仮説：ランダム効果は存在しない、対立仮説：ランダム効果が存在する」\nとする仮説検定 の 検定 を行った。また、ランダム効果と説明変数の間の相関を検定\nするために、「帰無仮説：ランダム効果と説明変数は無相関、対立仮説：ランダム効果と説明変数は無相\n関でない」とする仮説検定 検定 を行った。統計解析は を用いて、仮説検定は有意水準５％\nで行った。\n３．データセットの加工\n被説明変数\n被説明変数である衆院選および参院選の年代別投票率は、各都道府県の選挙管理委員会から入手した。\n都道府県別のデータ取得結果は巻末 ７ページ の補表１に示す。最終的に 都府県の分析可能なデー\nタが集まり、分析デザインとして十分なサンプル数が得られたと考える。代表値をまとめた表２ よ\nり、年代別投票率は 〜 歳の ％から 〜 歳の ％へ、年齢が高いほど高くなることが\nわかる。\n説明変数\n説明変数については、 に加え、内閣府 経済・財政と暮らしの指標「見える化」データベ\nース 、住民基本台帳人口移動報告、労働市場年報、知事ファイル／全国知事会 から入手した。各指標\nの出典と加工方法を、表１に示す。衆院選と参院選の年次は異なるため、年次ダミーにより各選挙のダ\nミー変数とみなす。また、 代・ 代に占める転入／転出者の割合データが存在しなかったため、総人\n口で割った転入／転出者の割合を代理変数として使用する。表２ に代表値を示す。\n表１ 説明変数として使用した指標一覧\n---PAGE---\n表２ 被説明変数の代表値 表２ 説明変数の代表値\n－ 歳\n－ 歳\n－ 歳\n－ 歳\n－ 歳\n－ 歳\n－ 歳\n－ 歳\n－ 歳\n－ 歳\nまた、説明変数として投入した９個の変数の経年変化 全国平均値の推移及び標準偏差 を図３ 〜\nに示す。各図の示す番号は都道府県と対応しており、補表１に示している。\n年間を通じて減少傾向にあったのは、総人口に占める転出者の割合のみである。県民１人当たり生活\n保護費、１人当たり公債残高、１人当たり県民所得、児童１人当たり公教育費は横ばいである。 〜 歳\n人口に対する有効求人の割合は、リーマンショックの影響を受けて 〜 年にかけて大幅に減少した\nが、その後はどの都道府県も上昇傾向にある。また、財政力指数は東京都や神奈川県、愛知県などの都市\n圏の数値が高くなっている。いずれの都道府県も 年頃を境に、 年頃からは停滞していることが分\nかった。\n図３ 総人口 図３ 有効求人数 若年層人口 図３ 転出人口 総転入\n図３ 純転入転入 転出人口 総人口 図３ 都道府県民１人当たり生活保護費 図３ 人口１人当たり公債残高",
    "2020U53-toku3.pdf": "2020年度 統計データ分析コンペティション\n特別賞（統計活用）［大学生・一般の部］\n日本国内の“地方”の再構成および\n新地方に基づく成長戦略の提案\n茅根脩司（慶應義塾大学大学院理工学研究科）\n論文の概要\n地域経済の活性化を目的として、都道府県データを用いて進学時の人口変化及び成\n長見込みのある業種数によるクラスタリングを行い、県内総生産のヒートマップ、通\n勤・通学等のWard法によるデンドログラム等を作成して地方経済の再生・成長のた\nめの施策について人材確保と労働生産性の二つの軸から考察し、階層クラスタリング\n法により地方の再構成を提案している。\n論文審査会コメント\n解析戦略の工夫や類似度の構成などが興味深い。\n---PAGE---\n日本国内の 地方 の再構成および\n\" \"\n新地方に基づく成長戦略の提案\n茅根 脩司*1\n*1: 慶應義塾大学大学院理工学研究科\n１．研究のテーマと目的\n日本が現在直面している課題に地域経済の活性化がある．地域経済の成長はその地域常住の人の豊かな生活\nにつながるだけでなく，厚生労働省「平成27年版 労働経済の分析 －労働生産性と雇用・労働問題への対応\n－ (2015)」によると '我が国経済が安定的に成長していくには、地方圏の経済が持続的に成長することが重要\nであるといえよう'(1)．地域経済の成長戦略を考えるにあたり， 1．労働人材の確保及び2．労働生産性の向上の\n2点を軸に解析を行う．その上で，成長を更に円滑に行うために\"地方\"の再構成を提案する．現在，北海道・東\n北・関東・中部・近畿・中国・四国・九州という地方区分が広く使われているが，これらは厳密に定義されて\nいるものではない．本論文は慣習的に使われている地方区分とは異なる，協力する上で都合の良い区分けを行\nい，その新しい地方内で経済的な支援や人材流出抑制の協力を行うことを提案する．\n２．研究の方法と手順\n本研究における解析は主に三つのパートに分けられる．まず，人材流出の要因の解析を行い，次に各都道府\n県の成長見込みのある業種の特定を行う．これら二つの解析から導かれる成長戦略をさらに効率的に行うた\nめの地方の再構築を最後に行う．\n２．１． 人口減少要因の解析\nまず，各都道府県の人口減少要因の解析である．この解析を通して人口減少を食い止めるための施策の提案\nを行う．本研究においては，地方出身の人が地元を離れるタイミングに注目する．そのタイミングの多くは進\n学・就職のようなライフステージが切り替わるときに重なることが考えられる．進学の際に県外に出た後に地\n元で就職することをUターン就職というが，マイナビ「マイナビ 2021年卒 大学生 Uターン・地元就職に関\nする調査 (2020)」 によると地元就職を希望する大学生の割合は近年下がっている．特に，県内の大学に進学\nし地元就職を望む学生の割合は69.7%(前年比0.3pt増)であるのに対して，県外に進学した大学生のUターン\n就職希望割合は30.9％（前年比2.5pt減）であり，既に顕著な差がさらに広がることも考えられる(2)．したが\nって，労働人材の確保のために，県内で出生した人が地元を離れずに大学まで進学できるように整備すること\nが求められている．また，同調査によると地元就職を望まない人が答える，実現したら地元就職するかもしれ\nないものの一位が地元の経済の活性化(26.1%)であり，2.2節で考える雇用機会の創出は就職時の人材流出の抑\n図1 ライフステージの変化に伴う\n図2 地元就職希望者の推移(出典：マイナビ (2020) )\n人材流出とその対策\n1\n---PAGE---\n制につながる．ここでは特に進学時の人材流出を抑制するために，学生の進路選択肢の創出について考える．\n学校等の新設は多くのコストがかかるため，都道府県ごとに進学時の人材流出の実態を把握した上で適切\nな対策をするべきである．そのために SSDSE(教育用標準データセット)の小学校，中学校，高校，大学等(大\n学，短大，専門学校)の在籍生徒数等のデータから都道府県のクラスタリングを行う．ここで用いるクラスタ\nリング手法は -means法であり，アルゴリズムは以下のとおりである．\n𝑘\n1． 個のクラスター中心 を適当に決める．(初期値の設定)\n𝑘 𝜇!,…,𝜇\"\n2．各点 の所属するクラスターを以下のように決める．\n𝑥!,…,𝑥#\nの所属するクラスター番号\n𝑥$ =argmin-.𝑥$−𝜇%.-\n%&!,…,\" )\n3．更新されたクラスターの情報を基に，クラスター中心を更新する．\n4．2.と3.の工程を，割り当てられるクラスターが変化しなくなるまで行う．\n上述の通り，-means法はクラスター中心の更新とクラスター中心に基づいたグループ分けを繰り返すクラ\n𝑘\nスタリング手法であり，クラスター数 をあらかじめ設定する必要がある．3.1 節で詳しく触れるが，\n𝑘 𝑥$(𝑖 =\nは中学進学時の人口増加率，高校進学時の人口増加率，大学等進学時の人口増加率を座標に持つ点で\n1,...,47)\nある．これを -means法でクラスタリングすることによって人材流出の特徴が似ている都道府県のグループを\n𝑘\n作ることができ，グループ毎の対策を立てることが可能になる．\n２．２． 成長見込みのある業種の特定\n次に，人材の効率的な配分を提案するための解析を行う．本研究においては，各都道府県の経済力を表す指\n標として県内総生産を用いる．データはe-Statから取得した業種別の県内総生産(平成23年基準)である．2006\n年度から2015年度の10年間のデータを用いるが，ARMA過程などの一般的な時系列解析を行うにはデータ\nが十分でないと判断したため本解析においては基本的な解析手法である単変量線形回帰を適用し，年度の経\n過に対する正規化した県内総生産の増分の推定量を各都道府県における該当業種の成長率を表す指標とした．\n単変量線形回帰は被説明変数 を，説明変数 を用いて と表すモデル\n𝑦$(𝑖 =1,…,𝑛) 𝑥$(𝑖 =1,…,𝑛) 𝑦$ =𝛽𝑥$+𝛼+𝜖$\nである．ここで は平均0，分散 )の正規分布に独立に従う誤差項である．回帰係数 と切片 の最尤推定量は\n𝜖$ 𝜎 𝛽 𝛼\n#\n𝛽> =\n∑$&!(\n#\n𝑥$−𝑥̅)(𝑦$−\n)\n𝑦A)\n, 𝛼B =𝑦A−𝛽>𝑥̅\n∑$&!(𝑥$−𝑥̅)\nと表される．ここで ， はそれぞれ , の標本平均である．本解析においては10年\n𝑥̅ 𝑦A 𝑥$(𝑖 =1,…,𝑛) 𝑦$(𝑖 =1,…,𝑛)\n間のデータを用いて線形回帰を行うため である．真のパラメータ が 0 以下であるという帰無仮説が\n𝑛=10 𝛽\n有意水準5%で棄却された業種を成長見込みありと判断し，この分野の雇用機会の創出を積極的に行うことを\n提案する．これにより該当地域の効率的な経済力上昇が望めるほか，就職時に県外へ転出する人材の抑制にも\nつながることが期待される．\n２．３． 地方の再構築\n上記のような取り組みは都道府県単位で行うよりも，いくつかの都道府県で構成したグループで協力した\n方が効率的だろう．例えば，大学進学のタイミングで多くの人材が流出していることが判明しても大学の新設\nはコストがかかるし容易でない．そこで，自県から通学可能な範囲に人材を集める大学を有する都道府県があ\nれば県内に向けたその大学のPRや学部新設の援助によって，比較的少額のコストで自県に常住する人材の流\n出を抑制できるだろう．また，特定分野への労働人材の集中によって発生するリスクの分配を行うことができ\nる．昨今の COVID-19 の流行によって，観光業や小売業を中心とした経済活動を行なっていた地域が大きな\n損害を受けたように，限られた業種に依存する経済は不安定である．そこで，様々な強みを持った都道府県が\n2\n---PAGE---\n集まってグループを作りお互いに経済的な支援を行うことで，経済成長の促進及びリスクの分散を狙う．そし\nて，この集団は県を跨いだ通勤がされている都道府県で構成することが望ましい．なぜならば，県内総生産の\n増加はその県で働く人の収入の増加につながるためである．通勤量を基準に構成された集団の県内総生産の\n上昇は，多くがそのグループに常住している人の利益につながる．これらの理由から，通勤と通学を基準とし\nた都道府県の集合の構成を試み，それらを新たな地方として提案する．通勤・通学の実態を表すデータを e-\nStatより取得し，\nS ={(A県常住でB県勤務・通学の人数)/(A県常住で他県勤務・通学の人数)+\nA,B\n(B県常住でA県勤務・通学の人数)/(B県常住で他県勤務・通学の人数)}/2\nを県A,Bの類似度と考える．この類似度は1未満の値であるから県A,Bの非類似度として\n1−𝑆*,, (A≠𝐵)\n𝑑*,+ =E\n0 (𝐴=𝐵)\nと定義する．県Aと県B間での通勤通学が少ないほど が1に近い値を取り，県Aと県B間での通勤通学\n𝑑*,+\nが多いほど が0に近い値を取る．この非類似度を用いてクラスタリングを行うが本データに対してはWard\n𝑑*,+\n法によるデンドログラムを用いた階層クラスタリングを適用する．Ward法を用いた階層クラスタリングのア\nルゴリズムは以下の通りである．\n初期クラスターを (!) とし， と定義する．\n𝐺 =M{1},{2},…,{𝑛}Q 𝑑({𝑖},{𝑗})=𝑑$,%\nとして\n𝑡=1\n1． ( , )が最小となる集合の組 (/)を1つ選ぶ（ ≠ ）\n𝑑 𝐼 𝐽 𝐼,𝐽∈𝐺 𝐼 𝐽\n2．集合 と を併合し，クラスター (/)を更新：\n𝐼 𝐽 𝐺\n(/0!) (/)\n𝐺 =W𝐺 ∖{𝐼,𝐽}Y∪(𝐼∪ 𝐽)\n3． (/0!)について，以下を計算：\n𝐾 ∈𝐺\n) ) )\n𝑑(𝐼∪𝐽,K)=∑1∈2∪4∪5-.𝑥1−𝑐2∪4∪5.-\n)\n−∑$∈2∪4-.𝑥$−𝑐2∪4.-\n)\n−∑\"∈5.|𝑥\"−𝑐5|.)\nただし， (/0!) はクラスター中心 !\n𝑐7 W𝐿∈G Y 𝑐7 ≔|7|∑$∈7𝑥$\n4． (/0!) なら終了．そうでなければ として1．へ\n𝐺 ={{1,2,…,𝑛}} 𝑡=𝑡+1\n人口流出状況のクラスタリングに用いた -means 法は重心が決まればそれに伴い各点が属するクラスター\n𝑘\nが一挙に定まるのに対して，階層クラスタリングは各点が異なるクラスターに属している状態から，\"距離\"\n( , )が最も近いクラスター同士の結合を繰り返す．クラスター間の\"距離\"の定義の一つが Ward 法であり，\n𝑑 𝐼 𝐽\nクラスター結合前の重心からの二乗距離和とクラスター結合後の重心からの二乗距離和の差で定義される．\n他にも二つのクラスター内の点の組み合わせの中で距離が最小となる 2 点の距離をクラスター間距離とする\n最小距離法や二つのクラスターから 1 点ずつ選んで求めた距離の全通りの平均をクラスター間距離とする群\n平均法などが存在する．Ward法はクラスター内分散の最小化を行うアルゴリズムであり，クラスターが余計\nに大きくなることを避けられるため本解析に用いた．結合されたクラスター間距離を示した図がデンドログ\nラムであり，結合の順序が視覚的に表現されている．結合に順序があるためクラスター数をデンドログラムか\nら設定することができ，あらかじめクラスター数を決める必要がない点も -means法との違いである．地方の\n𝑘\n構成にあたり，構成された地方の中でのより詳細な距離構造が把握できることが重要であり，また地方間の距\n離も定義できるため階層クラスタリング法を採用した．\n３．データセットの加工\n本章では解析する際に追加したデータや加工して作成した変数についてまとめる．\n3\n---PAGE---\n３.１. 進学時の人口変化データ\nまず，進学時の人口流出状況の把握のために SSDSE(教育用標準データセット)中の小学校児童数(E2501)，\n中学校生徒数(E3501)，中学校卒業者のうち進学者数(E3702)，高等学校生徒数(E4501)，高等学校卒業者のうち\n進学者数(E4602)，短期大学学生数(E6301)，大学学生数(E6302)，専修学校生徒数(E7201)を用いた．これらから\n(中学進学時増加率) ≔ ((中学校生徒数)/3)/((小学校生徒数)/6)-1\n(高校進学時増加率) ≔ ((高校生徒数)/3)/(中学校卒業者のうち進学者数)-1\n(大学等進学時増加率) ≔ ((大学学生数)/4+(短期大学学生数)/2+(専修学校生徒数)/2)/(高等学校卒業者のうち進学者数)-1\nとしてそれぞれの値を算出し，各々の2006年度から2017年度の12年間の平均を特徴量とし，それらから構\n成される3次元ベクトルを各都道府県の特徴量ベクトルとした．なお，1．学年毎の正確な人数がわからない\n点 2．同年のデータから比を取っている点 3．専修学校の種別を代表的な専門学校と仮定している点 4．短期\n大学・専門学校の在籍期間を代表的な 2 年としている点 5．受験浪人などで卒業から進学の間に期間が空く\n人数を考慮していない点 から厳密な数字ではないが，概要を表すためには十分であると判断した．特徴量ベ\nクトルの分布を図示したものが図3である．図をわかりやすくするために 座標に応じて図3右側の色付けを\n𝑧\nしている．先述の通り， -means 法はあらかじめクラスター数 を決定する必要があるが，本解析においては\n𝑘 𝑘\n複数の について検証を行い，クラスターの特徴が明確だった を採用した．\n𝑘 𝑘 =4\n図3 各都道府県の特徴量ベクトルの分布\n３.２. 各都道府県の県内総生産データ\n次に県内総生産の解析のためにe-Statから2006年度から2015年度までの県内総生産(平成23年基準)を追\n加した．追加したデータは表 1 のとおりである．東京都における正規化された業種毎の県内総生産が図 4 に\n示されている．\n表1 追加したデータ一覧\nコード 項⽬名 年度 出典\nC111201 県内総⽣産額（農林⽔産業）（平成23年基準）【百万円】 2006-2015 e-Stat\nC111205 県内総⽣産額（鉱業）（平成23年基準）【百万円】 2006-2015 e-Stat\nC111206 県内総⽣産額（製造業）（平成23年基準）【百万円】 2006-2015 e-Stat\nC111207 県内総⽣産額（建設業）（平成23年基準）【百万円】 2006-2015 e-Stat\nC111208 県内総⽣産額（電気・ガス・⽔道・廃棄物処理業）（平成23年基準）【百万円】 2006-2015 e-Stat\nC111209 県内総⽣産額（卸売・⼩売業）（平成23年基準）【百万円】 2006-2015 e-Stat\nC111210 県内総⽣産額（⾦融・保険業）（平成23年基準）【百万円】 2006-2015 e-Stat\nC111211 県内総⽣産額（不動産業）（平成23年基準）【百万円】 2006-2015 e-Stat\nC1112121 県内総⽣産額（運輸・郵便業）（平成23年基準）【百万円】 2006-2015 e-Stat\nC1112122 県内総⽣産額（情報通信業）（平成23年基準）【百万円】 2006-2015 e-Stat\nC111213 県内総⽣産額（宿泊・飲⾷サービス業）（平成23年基準）【百万円】 2006-2015 e-Stat\nC111214 県内総⽣産額（専⾨・科学技術、業務⽀援サービス業）（平成23年基準）【百万円】 2006-2015 e-Stat\nC111215 県内総⽣産額（公務）（平成23年基準）【百万円】 2006-2015 e-Stat\nC111216 県内総⽣産額（教育）（平成23年基準）【百万円】 2006-2015 e-Stat\nC111217 県内総⽣産額（保健衛⽣・社会事業）（平成23年基準）【百万円】 2006-2015 e-Stat\nC111218 県内総⽣産額（その他のサービス）（平成23年基準）【百万円】 2006-2015 e-Stat\n4",
    "2020U54-toku4.pdf": "2020年度 統計データ分析コンペティション\n特別賞（統計活用）［大学生・一般の部］\n社会増減が合計特殊出生率に与える影響\n堤敬司（京都府政策企画部企画統計課）\n論文の概要\n都道府県及び市区町村別の年齢別女性人口と出生数を用いて合計特殊出生率\n（TFR）の推定を行い、女性の年齢階級別転入超過率を特徴量として重回帰モデル\n及びランダムフォレストによる分析を行って、女性の年齢別転入超過率が出生率に有\n意に影響していることを示している。また、結婚して出産を迎える女性の出産コア年\n齢である30-34歳の女性の転入超過が自治体別でみた場合のTFRの向上に資すること\nを指摘している。\n論文審査会コメント\nランダムフォレストの利用例として、考察も面白かった。\n---PAGE---\n社会増減が合計特殊出生率に与える影響\n堤 敬司\n京都府政策企画部企画統計課\n第１章 研究のテーマと目的\n我が国では、合計特殊出生率（以下「TFR」という。）「1.57ショック(1)」を契機に、様々な少子化対策が講じ\nられてきた。しかしながら、低下トレンドから抜け出すことはできず、TFR の全国値は2005 年に 1.26 まで低\n下した後、2015年には1.45と一旦は回復していたが、厚生労働省「人口動態統計月報年計（概数）」によると、\n2019年は1.36と再び低下の様相を呈している。人口置換水準2.07を下回る状況が1974年以来46年連続で続\nいている状況である（図１）。\n(年)\n図１ TFR全国値(確定値)の推移（1947 - 2018年）\n出典：厚生労働省「人口動態調査」\n少子化に係る諸問題が取り沙汰されて久しいが、今生まれた新生児は「すでに起こった未来 (2)」として今後\n約 100 年間にわたり人口ピラミッドの１つの年齢階級を構成し、当該年齢階級の人口を事後的に増加させるこ\nとは移民などの一部の例外を除き不可能である。このような少子化に伴う人口減少が漫然と続く場合、「日本の\n子ども人口時計2020年版(3)」によると西暦3280年には、我が国の子どもの数は１人になると試算されている。\n人口減少による影響は、集落・コミュニティの消滅、経済規模の縮小、国防力の低下など枚挙にいとまがなく、\n確実に我が国の国力を奪っていくことについては論を俟たないであろう。人口減少を一刻も早く食い止め、社\n会の安定を図るためにも、要因を的確に解析しTFRを上昇させていくことが強く求められる。\nTFRに影響する諸要因の分析については、都道府県別や市町村別でのTFRを用いた先行研究(4)が既に行われ\nている。沖縄県(2017 年 TFR1.94)と東京都(2017 年 TFR1.21)では状況が異なり、全国規模の処方箋だけではな\nく、地域の実情に応じた施策も求められてくるため、都道府県別及び市町村別の分析は有用であると考えられ\nる。\n1\n---PAGE---\n筆者が勤務し、居住している京都府においては、都道府県別にTFRをランキング形式で順に並べると、ワー\nスト３位となっている（図２）。\n図２ 2017年 都道府県別TFRランキング（SSDSE2020B-A4103）\n図３ 京都府のTFR都道府県順位の推移(1960 – 2018年)\n出典：厚生労働省「人口動態調査」及びSSDSE2020B-A4103\n過去の推移（図３）を確認すると1975年から基本的にはワースト５以内で推移している。近年下位に下降し\nたわけはなく、元々何らかの要因が作用し、相対的に低い状況が継続していると考えられる。複数の都道府県\nでの居住経験のある筆者の実感としては、京都府の子育て環境が他と比べてとりわけ悪いと感じたことはない。\nしたがって、子育て環境の良し悪しとTFRの高低は必ずしも直結しないと考えた。その原因を解明すべく仮説\nを設定するにあたって、TFRの定義を確認する。\n2\n---PAGE---\n期間合計特殊出生率 49\n𝐶𝐶ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖(𝑥𝑥)\n=�\n𝑀𝑀𝑀𝑀𝑀𝑀ℎ𝑖𝑖𝑖𝑖𝑠𝑠(𝑥𝑥)\n表１ TFRの変数の定義 𝑥𝑥=15\n変数名 出典\nChildren ( ) : 歳の女性が出産した子どもの数 厚生労働省「人口動態統計」\nMothers ( ) : 歳の日本人女性人口(10/1時点) 総務省「推計人口」または総務省「国勢調査」\n𝑥𝑥 𝑥𝑥\n※通常、都道府県別及び市区町村別のTFRの算出に際しては、利用できる統計の制限から５歳階級別人口を\n𝑥𝑥 𝑥𝑥\n用い、５を乗じることで便宜的に算出されている。\nTFRには、「期間合計特殊出生率」と「コーホート合計特殊出生率」があるが、厚生労働省が公表するデータ\nなど一般的には前者が用いられている。上記定義式と共に考えると、分母の日本人女性人口に攪乱要因がある\nのではないかと考えた。京都府は地域性として学生が多く、「出産を想定しない女性」が相対的に多く存在する\nため、低めに出る傾向（TFRが薄まる傾向）があるとの仮説を設定する。\n第２章 研究の方法と手順\n２.１ 年齢階級別データの取得及び加工\n仮説の検証にあたって、年齢階級５歳階級別の女性の転入超過率に着目し分析を行っていく。都道府県レベ\nルでの分析、そして市町村レベルで京都府のローカル分析を行う。TFR については、都道府県別は教育用標\n準データセット（SSDSE）から取得し、市区町村別は別途自力で近似するという方法をとる。厚生労働省「人\n口動態保健所・市区町村別統計」において、市区町村別TFRが公表されているが、５年平均となっている点\nや分母が５年間固定されている点には一定の留意が必要である。すなわち、市区町村別で時系列変化による差\n異の分析が難しい等のデメリットがある。今回は、分母の 歳の日本人女性人口を、「推計人口」「国勢調査」\nではなく、総務省「住民基本台帳に基づく人口、人口動態及び世帯数調査」を用いてTFRを近似させる方法\n𝑥𝑥\nで分析を行っていく。\n２.２ 年齢階級別データを用いた分析\n上記で取得・加工したデータは以下の重回帰モデル及びランダムフォレストにより、TFR の高低に影響を\n与える特徴量（日本人女性の年齢階級別転入超過率）を抽出し、結果の解釈及び考察につなげていく。\n：TFR推定値 ：切片 ：変回帰\n𝑦𝑦� =\n係 数\n𝛽𝛽 0+𝛽𝛽1\n：\n𝑥𝑥1\n５\n+\n歳\n⋯\n階\n+\n級\n𝛽𝛽7\n別\n𝑥𝑥7\n日本人女性の転入超過率（15歳〜49歳）\n𝑦𝑦� 𝛽𝛽0 𝛽𝛽𝑖𝑖 𝑥𝑥𝑖𝑖\n第３章 データセットと加工\n本稿の分析においては、以下のデータを用いた。必要に応じ、e-Statからデータを取得し加工を行った。ま\nた、総務省「住民基本台帳に基づく人口、人口動態及び世帯数調査」を用いたTFRの近似を行う。\n3\n---PAGE---\n３.１ 使用データセットと加工\n表２ 使用データセット\n使用変数 出典\nA. 都道府県別TFR 厚生労働省「人口動態統計」(2014-2017)*\nB. 総人口（人） 総務省「人口推計」(2017)*\nC. 短期大学学生数（人） 文部科学省「学校基本調査」(2017)*\nD. 大学学生数（人） 文部科学省「学校基本調査」(2017)*\nE 1519. 女性転入超過数(15-19歳) （人）\n総務省「住民基本台帳人口移動報告」(2014-2017)\n〜E 4549. 女性転入超過数(45-49歳) （人）\nF 1519. 女性人口(15-19歳) （人） 総務省「住民基本台帳に基づく人口、人口動態及び世\n〜F 4549. 女性人口(45-49歳) （人） 帯数調査」(2013-2017)\nG 1519. 出生数（15-19歳）（人）\n厚生労働省「人口動態統計」(2013-2017)\n〜G 4549. 出生数(45-49歳) （人）\nH. 市区町村別TFR-A 厚生労働省「人口動態保健所・市区町村別統計」(2013-\n2017)\n「*」は、SSDSEから取得したもの。それ以外はe-Statから取得した。\n表３ データセットの加工\n変数名 加工方法\nI. 人口1000人あたり学生数（人） (C+D) / B * 1000\nJ1519. 女性転入超過率(15-19歳) （%） E1519 / F1519 * 100\n〜4549. 女性転入超過率(45-49歳) （%） 〜E4549 / F4549 *100\nK. 市区町村別TFR-B (G1519 / F1519 * 5) + (G2024 / F2024 * 5) +\n… + (G4549 / F4549 * 5)\n※５歳階級別市区町村別の転入超過数については、2013年以前はe-Statに掲載がないため、2014年〜2017年\nの４年分の転入超過率を算出（都道府県も市区町村に合わせるため同一の期間分を算出）\n３.２ 市区町村別TFR-Bの妥当性\n市区町村別TFR の分析に用いられるものとして、先行研究において子ども女性比(4) (5)を用いた分析がある\nが、今回は上記TFR-Bを別途計算し、散布図に描き、回帰による決定係数R2で妥当性を検証した（図４及び\n図５）。\nTFR-A(ベイズ推定値) TFR-A(非ベイズ推定値)\n4\nB-RFT B-RFT\n図４ TFR-A(ベイズ推定値)とTFR-B 図５ TFR-A(非ベイズ推定値)とTFR-B",
    "2020U55-toku5.pdf": "2020年度 統計データ分析コンペティション\n特別賞（審査員奨励）［大学生・一般の部］\n家計調査に基づく消費重心の計算\n井手健太（法政大学経済学部経済学科）\n論文の概要\n人口重心の理論を拡張することで、家計調査の食料品目の年間支出金額を用いた消\n費重心を求めて、消費重心の位置が大分類では肉類が西側、外食が東側に偏っており、\n小分類では鯛やあじが西側、まぐろや塩さけが東側に偏っていることなどを示してい\nる。消費重心を求めることによって家計消費の東西南北の位置による特徴を見出すこ\nとが可能であり、近年の消費傾向や人口との関連性を見出す際の１つの尺度として消\n費重心を様々な分析に応用できる可能性を提案している。\n論文審査会コメント\n重心という概念を消費に導入した点は興味深い。\n---PAGE---\n家計調査に基づく消費重心の計算\n井手健太\n法政大学経済学部経済学科\n１．研究のテーマと目的\n人口重心\n近年、我が国では東京、千葉、埼玉、神奈川、沖縄を除く 都道府県において、人口の急激な減少及び少\n子高齢化が進んでいる。 総務省統計局 また、あらゆる都道府県で東京への人口の転出が進み、都心への\n一極集中と地方の過疎化が深刻化している。（内閣官房まち・ひと・しごと創生本部事務局 ）このような人口の移\n動を表す尺度として、人口重心が用いられる。総務省統計局 「我が国の人口重心 平成 年国勢調査結\n果から 」によると、人口重心とは、「 人 人が同じ重さを持つと仮定して、調査地域の人口が全体として平\n衡を保つことができる点」と定義されている。また、同局の論文では、市区町村の人口重心は以下のように算\n出されている。\n𝑥 =\n∑𝑤𝑖𝑥𝑖cos(𝑦𝑖)\n𝑦=\n∑𝑤𝑖𝑦𝑖\n∑𝑤𝑖cos(𝑦𝑖) ∑𝑤𝑖\n人口重心の経度、緯度\n𝑥 ,𝑦 基本単位区ごとの面積の中心点の経度、緯度\n𝑖 𝑖\n𝑤 ：基本単位区ごとの人口\n𝑖\n上記した手法で算出された経度、緯度を用いて前回の結果と比較すると、人口における重心の移動を把握す\nることができる。かつては各市区町村庁舎の位置にその地域の全人口が集中していると仮定して重心を算出\nしていたが、合併や庁舎の移動で人口重心が移動するという問題点があったため、平成 年度国勢調査以降\nは基本単位区という区画を基準にして、その中心点に単位区の人口が集中していると仮定する方法に変更さ\nれた。なお、都道府県の人口重心は、上記の手法で求めた市区町村の人口重心の経度、緯度を𝑥 ,𝑦とし、市\n𝑖 𝑖\n区町村の人口を𝑤として計算すると算出でき、全国の人口重心は、都道府県の人口重心の経度、緯度を𝑥 ,𝑦\n𝑖 𝑖 𝑖\nとし、都道府県の人口を𝑤として計算すると算出できる。同資料では、我が国の人口重心は南南東に約 ㎞\n𝑖\n移動し、東経 度 分 秒、北緯 度 分 秒となったと記されている。また、首都圏及び近\n畿圏の人口重心が、東京都、大阪府の方向へ移動していることも確認されており、ますます都市圏への一極集\n中が進んでいることがうかがえる。\nアジア成長研究会 田村 「人口重心の要因分解」では上記式を簡略化し、以下の式で人口重心を求め\nている。\n𝑥 =\n∑𝑤𝑖𝑥𝑖\n𝑦=\n∑𝑤𝑖𝑦𝑖\n∑𝑤𝑖 ∑𝑤𝑖\nこの論文では地域人口の変化を出生及び死亡による自然変動と、転入及び転出による社会変動とに要因を分\n解して人口重心を分析している。\n人口重心の応用に関する先行研究\nこれらの手法を用いて算出される人口重心の理論は、様々な分野への応用が可能である。「大都市の昼・夜\n間人口重心とその移動」 清水 では、人口重心の理論を用いて都市交通問題について考察されている。\n---PAGE---\n住居と職場の分離により、夜間人口と昼間人口が乖離していると考えられるため、 つの人口重心を併せて算\n出することは極めて重要である。昼間人口を人口が交通を背負って住居を離れている状態と定義し、都心の昼\n間人口から交通を引くことで郊外の夜間人口を算出するという手法で各重心点が求められている。人口の代\nわりに各ターミナル交通量をその点の重みと仮定し、地図上に任意の 軸 軸を描いて 番目のターミナル\n交通量を𝑃とし、その座標を𝑋、𝑌、ターミナル数を とすればその重心の座標は、以下のように示される。\n𝑖 𝑖 𝑖\n𝑋̅ = ∑𝑁 𝑖=1 𝑃𝑖 𝑋𝑖 𝑌̅ = ∑𝑁 𝑖=1 𝑃𝑖 𝑌𝑖\n∑𝑁 𝑃𝑖 ∑𝑁 𝑃𝑖\n𝑖=1 𝑖=1\n東京と大阪における重力の中心点を求めると、いずれも昼間人口と夜間人口にかなりの乖離があることが分\nかり、市民の交通負担の大きさが示された。このように、人口重心の式に対して人口の代わりに交通量を代入\nすることで、人口重心から都市交通問題の考察が可能であることが分かる。\n人口重心から消費重心へ\n今回は人口重心の理論を拡張し、総務省家計調査のデータ、具体的には に収録されている二\n人以上世帯の、都道府県庁所在市別、食料品目別年間支出金額 年～ 年の平均値 を用いて、「消費重\n心」を算出する。一般に家計調査は順位尺度で分析されるが、「消費重心」を算出することで、家計消費にお\nける品目別の特徴を明確に解釈できるようになることが予想される。順位では表すことのできない品目ごと\nの地域的特性を、「消費重心」という新しいかたちで表現することがこの論文の目的である。\n２．研究の方法と手順\n上記した人口重心の理論を応用し、家計消費の中心を示す「消費重心」を求める。今回は総務省統計局\n「我が国の人口重心 平成 年国勢調査結果から 」の表 都道府県の人口重心 平成 年 にある、各都\n道府県の人口重心の経度、緯度を利用する。したがって、各都道府県の人口重心に、各都道府県庁所在地の全\nての消費が集まっていると仮定して計算することになる。家計消費額を𝐶とし、前述した人口重心の式の人口\n𝑖\n𝑤を消費額𝐶に変更すると、「消費重心」の式は以下のようになる。\n𝑖 𝑖\n𝑥 =\n∑𝐶𝑖𝑥𝑖\n𝑦=\n∑𝐶𝑖𝑦𝑖\n∑𝐶𝑖 ∑𝐶𝑖\n人口重心の経度、緯度\n𝑥 ,𝑦 各都道府県における人口重心の経度、緯度\n𝑖 𝑖\n𝐶 ：各県庁所在市における家計消費額\n𝑖\n家計消費額𝐶の算出方法は 通り存在する。 つは、 世帯あたりの消費額に世帯数をかける方法である。\n𝑖\nつ目は、 人あたり消費額に人口をかける方法である。今回は、 のデータをそのまま活用でき\nる前者を採用し、 人以上世帯当たりの都道府県庁所在市別、食料品目別年間支出金額 年～ 年の平\n均値 に一般世帯数をかける方法で計算する。ただし、マクロ推計を行う場合は、この手法では単身世帯あた\nりの消費額や、自衛隊施設、老人ホームなどの施設等の世帯数が含まれていないことに留意し、それらのデー\nタを適宜追加しなければならない。\n次に、 世帯あたりの消費額に世帯数をかけて算出した各県庁所在市における家計消費額𝐶に、各都道府県\n𝑖\nにおける人口重心の経度、緯度をそれぞれかけ、その値を食料品目ごとに合計する。今回家計消費データは各\n県庁所在市のみであることから、家計消費額を各県庁の経度、緯度とかけあわせるというやり方も考えられる\nが、各県庁の移動で重心が変わってしまう点や、県庁所在市以外の家計消費も含めた「消費重心」を算出する\n場合には人口重心の経度、緯度の方が好ましいという点から、総務省平成 年度国勢調査で求められた人口\n重心を用いることにした。\n---PAGE---\n最後にそれぞれの合計値を各県庁所在市における家計消費額の合計額で割れば、「消費重心」の経度及び緯\n度が算出できる。この手順で算出した「消費重心」の分布を分析し、 を用いて地図上にプロットする。\nとは、地理情報システムの分析機能を持つオープンソフトウェアであり、各品目の「消費重心」の東西\n南北の散らばりを一目でとらえることができる。\n３．データセットの加工\nまず、 に収録されている二人以上世帯の、都道府県庁所在市別、食料品目別年間支出金額\n年～ 年の平均値 に、 に収録されている の一般世帯数をかける。例として、北海\n道札幌市における米の算出方法を挙げる。 に収録されている、札幌市の品目符号 の米の家\n計消費額 と、 に収録されている列 の一般世帯数の中から、札幌市の世帯数\nをかける。この積が札幌市における、米の家計消費額となる。この計算を全県庁所在市、及び全食料品目で行\nい、家計消費額𝐶を算出する。\n𝑖\n次に、算出した家計消費額𝐶に、各都道府県における人口重心の経度、緯度 総務省統計局 「我が国\n𝑖\nの人口重心 平成 年国勢調査結果から 」表 をそれぞれかけあわせる。札幌市の米の場合、上記した家\n計消費額に、北海道の人口重心の経度 、及び緯度 をそれぞれかける。\n最後に、食料品目ごとに家計消費額と経度、緯度をかけ合わせた値をそれぞれ合計し、合計値を食料品目ご\nとの家計消費額の合計額で除すことで、消費重心が計算できる。\n４．データ分析の結果\n消費重心の計算結果と分布\n家計調査の大分類における消費重心は以下のようになる。\n表 大分類の消費重心\n経度 緯度 経度 緯度\n01 穀類 07 油脂・調味料\n02 魚介類 08 菓子類\n03 肉類 09 調理食品\n04 乳卵類 10 飲料\n05 野菜・海藻 11 酒類\n06 果物 12 外食\n食料（合計）\n品目からなる小分類における消費重心は巻末の補表にまとめた。\nまずは、小分類の消費重心における経度及び緯度の分布を分析する。それぞれの基本統計量とヒストグラム\nは以下のようになる。\n平均\n標準誤差\n中央値\n標準偏差\n分散\n尖度\n歪度\n最小\n最大\nデータの個数\n図 大分類による消費重心の経度における基本統計量とヒストグラム\n---PAGE---\n平均\n標準誤差\n中央値\n標準偏差\n分散\n尖度\n歪度\n最小\n最大\nデータの個数\n図 大分類による消費重心の緯度における基本統計量とヒストグラム\n経度の分布はやや左に長く伸びており、かつ正規分布よりややなだらかな分布になっている。緯度の分布は\n右に長く伸びており、正規分布より尖った分布になっていることが分かる。\n消費重心と\n平成27年の国勢調査のデータで求められた人口重心は、東経 度 分 秒、北緯 度 分\n秒であるのに対し、今回算出した食料全体の消費重心は、表１の食料（合計）より東経 度 分 秒、\n北緯 度 分 秒となった。これら２つの重心の位置を地理情報ソフト でプロットすると図３の\nようになる。\n消費重心\n人口重心\n図３ 人口重心と消費重心の比較\nこれら２つの重心を比較すると、消費重心は人口重心よりも東北東の方角に引っ張られていることがわか\nる。 （ ）「高性能計算サイト」で消費重心と人口重心の間の距離を計算すると、約 である。\nこれは、人口の多い東京都近県における家計消費がかなり多いことから、消費重心が人口重心よりも強く首都\n圏の方角に引っ張られたと考えられる。\n次に、各大分類項目の位置情報を地図上に添付すると図４のようになる。大分類において最も消費重心が\n西に位置したのは肉類であり、東に位置したのは外食である",
    "2020U56-toku6.pdf": "2020年度 統計データ分析コンペティション\n特別賞（審査員奨励）［大学生・一般の部］\n日本の出生率と地域格差\n小田秀匡（東京大学大学院情報理工学系研究科）\n論文の概要\n市区町村別の普通出生率に着目し、男女別の完全失業率、労働力人口比率、教育費、\n世帯人員について、ベイズモデルによる信用区間を用いて、市区町村の規模別に普通\n出生率への影響を分析している。結果として、都市では女性の完全失業率が高いと普\n通出生率が低いのに対して、地方では完全失業率が高いと普通出生率が高いことなど\nを示し、結婚の価値観に地域格差による違いがあることを指摘している。\n論文審査会コメント\n人口分析に普通出生率を使用すると、年齢構成に大きく左右されるため結果の解釈\nが難しい。\n---PAGE---\n日本の出生率と地域格差\n小田 秀匡\n東京大学大学院 情報理工学系研究科\n研究のテーマと目的\n本研究では、日本の経済構造に地域格差があり、そのことが家族の在り方に影響を与え、結果として普通出生率\nに影響が出ていることを示す。特に、都市と地方とでは結婚の経済的な利益に差異があるため、国や地方自治体\nの協力の下、地域の経済構造を変革する必要があることを紹介したい。\n総務省が 年 月 日に発表した住民基本台帳に基づく人口動態調査によると、 年 月 日時点の\n国内の日本人は 億 万 人で、前年から 万 人 減少した。日本の人口減少は 年連\n続であり、減少数、減少率とも過去最大である。人口が増加したのは、東京・神奈川・沖縄の 都県だけであり、\n日本人口の偏在を改めて認識することとなった。\n日本の人口減少の問題点は、少子高齢化により、生産年齢人口が減少し、社会保障負担が増大し、経済成長が鈍\n化することにとどまらない。日本の人口動態の変化は、地域格差と家族格差を伴うため、上記の社会問題を更に複\n雑化させることが指摘されている 。例えば、地方では人口の自然減と社会減により生産年齢人口が一層減少し、\n地域の財政状況が悪化することが懸念されている。また、日本の人口動態の変化は「日本の家族」の在り方に変革\nをもたらすと予想されている。日本の人口減少の直接的な要因は、未婚化が進行していることである。つまり、結\n婚している女性が持つ子供の数は長年安定しているが、結婚する女性の数自体が減っていることが原因で少子化\nが進行している 。日本の人口減少・少子高齢化問題と日本の家族の在り方とは密接な関係があるのである。\n人口減少・少子高齢化は、日本に限らず、先進国などの高所得国で散見される現象である 。人口減少・少\n子高齢化の間接的な要因として、経済状況は関係しているであろうか。一方では、「本来（特に日本を除く諸外国\nでは）、若年層の雇用の悪化は、結婚を促進する要因になっても、結婚を妨げる要因にはならない」という指摘\nがある。他方では、 アメリカ合衆国の経済学者 による「近年の先進国における晩婚化・非婚化は、\n結婚のもたらす経済的利益が減少し、家庭を持つことにより女性は職業を断念をせざるを得ないという機会費用\nが増大したためである」という指摘もある 。\n本来、結婚には経済的な利益がある 。まず、共同生活に伴い生活費を折半できるという意味での「費用の節\n約」がある。また、お互いの得手不得手を反映させた「分業の利益」も存在する。例えば、賃金が高い方が働き、\n賃金が低い方が家事を任されるというのには、経済的合理性がある。結婚の経済的な利益には、片方の病気・怪\n我・失業などを、もう片方の健康・経済力で補うという「リスクの分かち合い」もある。日本において未婚化が進\nんでいるのは、近年の日本社会において、このような結婚の経済的合理性が失われていることに原因があるのか\nもしれない。\n子供を持つことに経済的な利益はあるだろうか。 は「高所得国では、子供一人一人を手塩にかけて育て、\n高い教育を与え、少数精鋭主義によって新しい産業社会に対処しようとする」と主張し、現代社会の少子化傾向\nを経済学的に説明しようとした 。仮に彼の説が正しいとすれば、子供の経済的価値が低下または教育コスト\nが上昇すれば、出生率が低下することになる。では、教育費の公的負担を増やせば、子供を産み育てるコストが\n減少し、少子化に歯止めがかかるのだろうか。教育費の公的負担は、教育機会の均等を実現し、教育による社会\n階層の再生産構造の強化を防ぐという効果もある 。\n次に、「リスクの分かち合い」という観点で家族の問題について考える。自営業など、家族の生活の場が同時に\n経済拠点である場合、無償労働と有償労働とをはっきり区別することはできない。この事実は、「リスクの分かち\n合い」という観点では経済的には有利かもしれない。片方が病気・怪我などになっても、収入または家庭の全て\nを失うということはないからである。例えば、男性が雇用労働をし女性が家庭労働をする夫婦では、片方の病気・\n怪我は生活の大きなリスクになり得る。\nもし、生活の基盤が会社ではなく家庭や活動地域にあれば、生活に困った時に配偶者以外に頼ることができる。\n生活基盤が分散されていれば、「リスクの分かち合い」の範囲は夫婦の範囲を超える。家族が最後のセーフティー\n---PAGE---\nネットになるような社会では、家族が失敗したときのリスクが大きくなるという指摘がある 。生活に困った時\nに、夫は妻に、妻は夫にしか頼れないような夫婦では、潜在的なリスクのため、結婚に踏み出すまでに時間がか\nかり過ぎたり、子供を持つという意思決定が遅れてしまう可能性がある。\n以上の考察により、本研究では市町村毎の普通出生率 「出生数」を「総人口」で除して を乗じた値 を\n男女別の労働力人口比率 「 歳以上の人口」に占める「労働力人口」の割合\n男女別の完全失業率 「労働力人口」に占める「完全失業者」の割合\n教育費の公的負担額 「市町村財政における教育費」を「小学校児童数・中学校生徒数・高等学校生徒数の\n総和」で除した金額\n一般世帯の一世帯当たりの人員 「一般世帯人員数」を「一般世帯数」で除した値\nに関して分解して分析を実施した。市区町村規模に応じて人口動態が異なることを鑑み、各市町村を「指定都市・\n特別区」・「市 指定都市を除く 」・「その他（町村など）」の 区分に分解して分析を実施した。項目 は、一世帯\n当たりの人員が多い家庭は、地域内及び家庭内での「リスクの分かち合い」の度合いが高いであろうという仮説\nに基づく項目である。\n研究の方法と手順\n教育用標準データセット の市区町村別データに含まれる 件の市区町村データに対して、 番\n目の市区町村の総人口を 、出生数を とする。総人口 が の下で、出生数 が\nとなる確率は\nで与えられるものとする。ただし、 はモデルの構造を決定するパラメータであり、 はその事前分布で\nある。更に、 番目の市区町村の総人口 が与えられた下での出生数 はパラメータ の二項分布\nに従うことを仮定する。二項分布のパラメータ は調整前出生率 を用いて\nと書けることとし、調整前出生率 は市区町村規模 後述 と考察する要因 の値 とを用いて\n表 に示す 種類のモデルにより推定する。調整前出生率 を の関数として捉えると、係数 は切片\nを、係数 は傾きを意味する。例えば、モデル では、各市区町村規模 に対して要因 が調整前\n出生率 に与える影響は線型であるが、その切片と傾きは市区町村規模 に応じて異なることを仮定している。\n表 調整前出生率 のモデル\nモデル名 調整前出生率 パラメータ数 パラメータ\nモデル選択は、式 の対数の負に着目し、 及び\nを用いる こととする。 は 市区町村あたりの汎化損失 の推定\n量、 は 市区町村あたりの自由エネルギー の推定量である。 共\nに、マルコフ連鎖モンテカルロ法 に基づくサンプリングが必要であるが、 に関しては 鎖\nあたり サンプルの 鎖、 に関しては 鎖あたり サンプルの 鎖、とした。ただし、\n共に、各鎖先頭の サンプルは除去した。\n式 のパラメータ に対する事前分布としては、切片に対しては 分布、回帰係数に対しては 分\n布を仮定し、 は保証されている。\n---PAGE---\nデータセットの加工\n普通出生率の算出には、 の市区町村別データ を用いた。このデータセットには、\n件の市区町村データから構成されるが、東日本大震災による福島第一原子力発電所の事故により避難指示区域に\n指定され、人口動態が著しく変動した福島県の 市町村（富岡町・大熊町・双葉町・田村市・南相馬市・楢葉町・\n川内村・浪江町・葛尾村・飯舘村・川俣町）は集計から除外し、 件の市区町村データを分析した。市区町村\n規模は、総務省が発行する『全国地方公共団体コード仕様』に従い、 に含まれる 桁の全国地方公共団体\nコードの第 桁目を基準に分類した。全国地方公共団体コードの第 桁目が である市区町村は「指定都市・特\n別区及び指定都市の区」であり、本分析では市区町村規模 とした。また、全国地方公共団体コードの第\n桁目が である市区町村は「市 指定都市を除く 」であり、本分析では市区町村規模 とした。全国地方公\n共団体コードの第 桁目が 以上である市区町村は「町村など」であり、本分析では市区町村規模 とした。\n表 市区町村規模 の定義\n市区町村規模 説明 市区町村数 総人口 出生数 普通出生率\n指定都市・特別区\n市 指定都市を除く\nその他 町村など\n計\n出生率には、人口 人あたりの出生数を意味する「普通出生率」と、一人の女性が 歳から 歳までの\n間に平均的に産む子供の数を意味する「合計特殊出生率」とがある。合計特殊出生率には「期間合計特殊出生率」\nと「コーホート合計特殊出生率」とが存在する が、本研究では、合計特殊出生率とは「期間合計特殊出生率」\nを指すものとする。\nの都道府県別・時系列データ を用いて 年の 都道府県の「期間合計特殊出生\n率」と「人口の自然増減 人口 人あたりの出生数と死亡数との差 」を算出することができる。 都道府\n県の「期間合計特殊出生率」と「普通出生率」との相関係数は であり、 都道府県の「期間合計特殊出生\n率」と「人口の自然増 人口 人あたりの出生数と死亡数との差 」との相関係数は である。必ずしも期\n間合計特殊出生率が人口の自然増減を説明している訳ではないことが分かる。例えば、東京都の期間合計特殊出\n生率は と 都道府県の最低値であるが、人口の自然減の幅は小さく、社会増 国内外からの移入 を含める\nと、東京都の人口は今後も増加することが見込まれている。一方、都市圏から離れた地方の期間合計特殊出生率\nは相対的には高い値であるが、既に少子高齢化が進展したためめ、人口の自然減は確実視されており、また、人口\nの社会減 国内外への転出 もが懸念されている。\nに含まれていない統計データとしては、平成 年国勢調査の『就業状態等基本集計』の『労働力状態\n区分 ，男女別 歳以上人口及び労働力率 表番号 』を利用し、「労働力人口比率」と「完全失業率」と\nを算出した。労働力人口比率 労働力率）は「 歳以上人口 労働力状態「不詳」を除く に占める労働力人口の\n割合」と定義した。完全失業率は労働力人口に占める完全失業者の割合と定義した。尚、この完全失業率の値の\n算出に、総務省統計局が実施する『労働力調査』は利用していない。\nデータ分析の結果\n要因 と普通出生率の散布図 各点が市区町村に対応 指定都市・特別区 の場合は名称を黒字で併\nせて図示 及び 普通出生率を要因 に関する関数であると考えた際の ベイズ信用区間を図示する 図示\nしているのは ベイズ予測区間ではない 。モデル選択の結果、市区町村規模 も要因に含める場\n合は、市区町村規模毎に普通出生率の ベイズ信用区間を図示する。\n男女別の労働力人口比率\n表 及び表 を参考に、男女の労働力人口比率ともに 市区町村規模 労働力人口比率 のモデルを選\n択した。図 及び図 から、市区町村規模に関わらず、男女の労働力人口比率が高い市区町村の普通出生率が高\n---PAGE---\nいことがわかる。これは、労働力人口比率が高い市区町村とは、労働に就くことができる若者の割合が高い地域\nのことであるから、単位人口あたりの出生率は高くなる、という当然の結果である。人口動態と出生率との間に\nは高い相関があり、そのこと自体は市区町村規模 都市か地方か または性別 男性か女性か とはあまり関係が\nない様子が伺える。\n図 労働力人口比率 男性 と日本地図 図 労働力人口比率 男性 と普通出生率\n図 労働力人口比率 女性 と日本地図 図 労働力人口比率 女性 と普通出生率\n男女別の完全失業率\n表 及び表 を参考に、男女の完全失業率ともに 市区町村規模 完全失業率 のモデルを選択した。\n図 及び図 から、特に女性の完全失業率に関して、都市 か地方 かにより、普通出生率に与え\nる影響が異なっていることが分かる。先に、男性の完全失業率が普通出生率に与える影響に関して論ずると、完\n全失業率が高くなると普通出生率が低くなるという傾向がある。ただし、地方 に関しては、その傾向は\n緩やかである。一方で、女性の完全失業率に関しては、都市 では完全失業率が高くなると普通出生率が\n低くなるという傾向があるのに対し、地方 では完全失業率が高くなると普通出生率が高くなるという傾\n向がある。",
    "2020U57-toku7.pdf": "2020年度 統計データ分析コンペティション\n特別賞（審査員奨励）［大学生・一般の部］\n食料費支出の関係要因から見る\n都市と地方の特性の考察と地方創生策の提言\n松永千佳・濱田怜衣\n（青山学院大学総合文化政策学部総合文化政策学科）\n論文の概要\n総人口が減少する一方で、世帯の食料費が増加傾向にあることに着目し、都道府県\nデータを用いて食料費のクラスター分析及び相関分析を行っている。この結果、食料\n費は第一次産業就業者数及び食料自給率と負の相関、共働き世帯数とは正の相関があ\nることを示している。また、重回帰分析により生産農業所得と六次産業事業所数等の\n相関が高いことを示した上で、第一次産業の六次産業化推進を提言している。\n論文審査会コメント\n分析技術をプロセス化している力量は高く、分析の着眼点が面白い。\n---PAGE---\n食料費支出の関係要因から見る\n都市と地方の特性の考察と地方創生策の提言\n代表者 松永千佳 ・連名 濱田怜衣\n青山学院大学総合文化政策学部総合文化政策学科\n１．研究のテーマと目的\nわが国では、総人口が減少している一方で、食料費支出は増加傾向にある（図1、図2） 。これを踏まえて、\n食料費支出の推移は、単に人口の増減が影響するとは限らないと考え、食料費支出と関係のある要因の分析を\n試みた。\n中分類食料品目別支出金額をデータに、都道府県間の偏差パターン類似率を算出した森（1990）の研究によ\nると、所得水準の差が食料費支出に関係すると証明されている 。しかし、SSDSEデータにより同年の食料費\n支出を都道府県別に比較すると、所得水準が低い都道府県も支出額上位に位置している(図3) 。したがって、食\n料費支出と関係のある要因は所得水準に限らないと考えた。\n図 総人口の推移 図 世帯当たり か月間の食料費支出の推移\n図 都道府県別の食料費支出\n---PAGE---\nこのような背景を踏まえて、本研究では以下の2つの仮説を設ける。\n1. 第一次産業が盛んな地域では、自給自足をする傾向があり、食料を購買する機会が少ない\n2. 共働き世帯が多い地域では、調理の時間を省くため、中食や外食を利用する傾向がある\nこれらの仮説を立てた上で、食料費支出の関係要因の分析を行った。また、この検証の過程で扱う変数の関\n係から、都道府県間で異なる特性やライフスタイルを考察する。さらに、都道府県別の特性から日本の全体像\nを把握し、一部地域活性化の一案として「一次産業、二次産業、三次産業としての小売業等の事業との総合的\nかつ一体的な推進を図り、農山漁村の豊かな地域資源を活用した新たな付加価値を生み出す取組である」六次\n産業化を挙げ、その可能性を明らかにする分析も併せて行う 。分析から得られた結果を基に、地方創生策を\n提言することを本研究の目的とする。\n２．研究の方法と手順\n本研究では、IBMの統計解析ソフトウェアであるSPSS Statisticsを使用して、分析を行った。まず、より正\n確な分析を行うため、クラスター分析を用いて、多くの変数に共通して外れ値に該当する都道府県を特定す\nる。その後、相関分析により、食料費支出と関係のある要因を探す。\n六次産業の分析においても、食料費支出の関係要因の分析と同様、はじめにクラスター分析を用いて、外れ\n値となる都道府県を選別する。そして、六次産業化がもたらす影響を、重回帰分析を用いて明らかにする。\n３．データセットの加工\n本研究では、クラスター分析、相関分析、重回帰分析の変数として15のデータを使用した。それぞれ47都\n道府県のデータをSSDSE-2020またはe-Stat、農林水産省から入手した。項目、加工、出典、データのコード\nは以下の表1に記す（全て都道府県別、第一次産業事業所数以外2015年）。\n表1\n項目 加工の有無 出典・コード\n食料費 人以上世帯\n第一次産業就業者数割合 第一次産業就業者数÷総人口\n第二次産業就業者数割合 第二次産業就業者数÷総人口\n第三次産業就業者数割合 第三次産業就業者数÷総人口\n共働き世帯実数 共働き世帯割合×一般世帯数 社会・人口統計体系 人口・世帯\n食料自給率 農林水産省 都道府県別食料自給率\n生産額ベース\n勤労世帯収入 社会・人口統計体系 人口・世帯\n県内総生産 社会・人口統計体系 人口・世帯\n内食費 穀類＋魚介類＋肉類＋乳卵類＋ 家計調査 家計収支編二人以上世帯\n野菜・海藻＋果物＋油脂・調味料 年報 年次 年\n中食費 調理食品費\n外食費 一般外食費\n第一次産業事業所数（ 年） 社会・人口統計体系 人口・世帯\n第六次産業事業体数 加工 社会・人口統計体系 人口・世帯\n第六次産業事業体数 直売所 社会・人口統計体系 人口・世帯\n生産農業所得 生産農業所得統計\n---PAGE---\n４．データ分析の結果\nクラスター分析——食料費支出の関係要因\n相関分析にあたり、外れ値が多く見られる都道府県を除くため、クラスター分析を行った。用いた変数は、\n食料費、県内総生産、勤労世帯収入、第一次産業就業者数割合、第二次産業就業者数割合、第三次産業就業\n者数割合、食料自給率、共働き世帯数の各都道府県のデータであり、6 つのクラスターに分類した。分析の\n結果、東京都、神奈川県、愛知県、大阪府は、中心値が大幅に異なる傾向があることが分かる。したがって、\nより正確な分析を行うため、以降の分析では、上記4つの都府県のデータを除いた。\n表 所属クラスタ\n表 最終クラスタ中心\n表 最終クラスタ中心間の距離\n表 分散分析\n表 各クラスタのケース数\n---PAGE---\n相関分析\n先に述べた2つの仮説に基づき、相関分析を行った。用いた変数は、食料費、県内総生産、勤労世帯収入、\n第一次産業就業者数割合、第二次産業就業者数割合、第三次産業就業者数割合、食料自給率、内食費、中食\n費、外食費、共働き世帯数の43道府県のデータである。\n表 相関行列\nまず、1 つ目の仮説に基づいて食料費、内食費、中食費、外食費、第一次産業就業者数割合、食料自給率\nの相関関係に着目する。その結果、食料費と内食費・外食費（r=0.852, r=0.701, p<0.05）、第一次産業就業者数\n割合と食料自給率（r=0.853, p<0.05）の間には、強い正の相関関係があることが分かり、食料費と中食費(r=0.693,\np<0.05）との間にも、正の相関関係があることが分かった。また、食料費と第一次産業就業者数割合・食料\n自給率（r=-0.646, r=-0.629, p<0.05）、食料自給率と内食費（r=-0.577, p<0.05）の間には、負の相関関係が見ら\nれた。\n次に2つ目の仮説に基づいて食料費、内食費、中食費、外食費、第一次産業就業者数割合、第二次産業就\n業者数割合、第三次産業就業者数割合、共働き世帯数の相関関係に着目する。その結果、共働き世帯数と県\n内総生産額（r=0.979, p<0.05）の間には、強い正の相関関係があり、食料費・第三次産業就業者数・内食費・\n外食費（r=0.421, r=0.330, r=0.349, r=0.390, p<0.05）との間にも、正の相関関係があることが分かった。また、\n第一次産業就業者数（r=-0.499, p<0.05）との間には、負の相関関係が見られた。\nクラスター分析——六次産業化\n重回帰分析にあたり、外れ値が多く見られる都道府県を除くため、クラスター分析を行った。用いた変数",
    "2020U58-toku8.pdf": "2020年度 統計データ分析コンペティション\n特別賞（審査員奨励）［大学生・一般の部］\nマルチレベル分析による\n高齢者の社会参加と医療費の関係についての考察\n依田浩実（東京大学法学部第三類）\n廣瀬寛太・本多史（東京大学経済学部経済学科）\n村上将隆（東京大学法学部第一類）\n論文の概要\n高齢者の医療費に着目し、高齢者の社会参加による医療費削減の効果と、公民館効\n果による医療費への影響について仮説を立てて、経済・医療・地域参加の観点から都\n道府県及び市区町村のマルチレベル分析を行っている。４つのモデルを立てて分析し\nた結果、市町村レベルの経済状況、65歳以上人口比率、病床数などが医療費を増大さ\nせることを示した。また、大都市における公民館ネットワークは医療費を抑える効果\nが期待できる可能性を示している。\n論文審査会コメント\n極めて簡潔かつ手堅い実証研究となっていると共に、変数の加工・尺度化なども工\n夫がされている。\n---PAGE---\nマルチレベル分析による\n高齢者の社会参加と医療費の関係についての考察\n依田浩実＊1・廣瀬寛太＊2・本多史＊3・村上将隆＊4\n＊１： 東京大学法学部第三類\n＊２： 東京大学経済学部経済学科\n＊３： 東京大学経済学部経済学科\n＊４： 東京大学法学部第一類\n1 はじめに\n日本の高齢化率は2019年時点で28.4%と世界第一位であり、国立社会保障・人口問題研究所は今後の高齢化率\nについて2025年には30.0%、2040年には35.3%になると予測している1。社会保障費は高齢化率の高まりに伴っ\nて増大してきたことを踏まえると、今後も社会保障費の増大が予想される。我が国の社会保障制度は公費負担に\n依存した制度設計であるため、社会保障費の増大は財政に対して負担となり財政健全化や社会保障制度の持続可\n能性の観点から社会保障費の抑制は非常に重要な問題である。\n以上の問題意識から本稿では社会保障費のうち約3割を占め国民の努力によって削減が可能であると考えられ\nる医療費、特に医療費の多くの割合を占めている高齢者の医療費に着目した。近年では孤独死の問題が取り沙汰\nされるなど、高齢者が社会と隔絶して生活することの課題が露呈しつつある。そこで本稿では社会参加が高齢者\nの健康にとって重要な要素であると考え、高齢者の社会参加が医療費を削減する効果を持つのではないかという\n仮説を立てた上で、経済・医療・地域参加の観点からマルチレベル分析を行った。\nソーシャルキャピタルが高齢者の健康に与える効果を分析した論文の一例として市田ら(2005)2がある。この研\n究では知多半島に居住する9248人を対象に健康に関する主観的アンケートを実施し、平均所得や婚姻状態、新聞\nの購読等を説明変数としたマルチレベル分析によって、ソーシャルキャピタルが高齢者の健康に好ましい影響を与\nえていることを実証している。しかし、この研究は分析地域が知多半島だけと限定的な上、健康具合の指標が客\n観的でないという課題を抱えている。本研究では分析地域を日本の全市町村に拡張した上で健康具合の指標とし\nて医療費を採用することで普遍性と客観性の確保に努めた。\n2 仮説と分析手法\n2-1 仮説と分析の方針\n本稿では仮説を2つ立てた。1つ目は、高齢者の社会参加は高齢者の健康を促進し、医療費を減少させるのでは\nないかと考え、その検証を行った。しかし、社会参加というものを定量的に把握することは困難である。そこで、\n本稿においては社会参加指標を以下で説明する主成分分析を用いて作成し、そのほかの説明変数として人口比で\n見た公民館の数、共変量として人口（対数）、65歳以上人口の割合、気温、財政データ（財政力指数、経常収支指\n数）、経済データ（平均年収、失業率）、病床数（人口比）を組み込み、目的変数である医療費の説明を試みた。\nまた、2つ目の仮説として、大都市、地方都市、過疎地域という類型ごとに公民館の持つ意味合いが異なってお\n1総務省統計局統計トピックスNo.121統計からみた我が国の高齢者\n2市田行信、吉川郷主、平井寛、近藤克則、小林愼太郎：「マルチレベル分析による高齢者の健康とソーシャルキャピタルに関する研究：知\n多半島28校区に居住する高齢者9,248人のデータから」、農村計画論文集、第７集、277-282(2005)\n1\n---PAGE---\nり、特に大都市では人の流動性が高く周囲と非制度的な関わりを持つ機会が少ないことから、公民館が医療費に\nもたらす影響は相対的に大きいのではないかと考えた。\n2-2 分析に用いる手法\nここでは本稿で用いた2つの統計手法を説明する。1つ目は主成分分析である。主成分分析は、ある変数を説明\nする変数が複数あるときに、変数の説明力をできるだけ失わない形で次元を縮約し、新たな説明変数を作り出す\nことができる分析手法である。本稿においては、老人クラブ会員数、シルバー人材センター登録者数を都道府県人\n口で割ったもの、65歳以上就業率について主成分分析を行い、社会参加指標を作成することを試みた。どの主成\n分を説明変数として採用するかについては、寄与率を考慮した。\nまた、通常の回帰分析ではなく階層線形モデル（マルチレベルモデル）による分析を採用した。マルチレベル分\n析とは、データが複数の階層を持っている際に用いられる手法であり、本論文においてはレベル１が各市町村、レ\nベル２が各都道府県にあたる。通常用いられる最小２乗法の回帰分析においては、説明変数と被説明変数はそれぞ\nれ独立に分布に従うことが仮定されている。しかし、このような階層データにおいてはある階層で同じグループに\n属する変数については似たような傾向を示す（相関を持つ）ということが考えられる。例えば県として病気の予\n防政策に力を入れている場合には、その県に属する市町村は比較的医療費支出が少ない傾向を示すであろう。つ\nまり、無理に単純な回帰分析を使用するとパラメーターを、過小もしくは過大に推定してしまう危険がある。ま\nた、先述した社会参加指標は都道府県レベルの変数であるため、その影響について市町村レベル変数による効果\nを取り除く必要がある。以上より、本稿においては都道府県ごとの特性の違いを考慮できるマルチレベル分析を\n行うこととした。\n2-3 主要なモデルについての説明と数式\nA.ランダム切片モデル\n𝑌 =𝛽 +𝛽 𝑋 +𝑒 (1)\n𝑖𝑗 0𝑗 1𝑗 𝑖𝑗 𝑖𝑗\n𝛽 =𝛾 +𝛾 𝑍 +𝑢 (2)\n0𝑗 00 01 𝑗 𝑜𝑗\n後述のモデル１〜３、５はこの数式を念頭においている。添え字のiは個別の市町村、jは都道府県を指示する。\n切片𝛽 は都道府県レベル変数である𝑍 により変化する。なお、市町村レベルの変数である𝑋 については、市\n0𝑗 𝑗 𝑖𝑗\n町村ごとの平均値もしくは集団平均値を引いて中心化を行う必要がある。集団平均中心化を行った場合には、都\n道府県レベル変数との相関がなくなるため、個別の市町村変数の変化による説明変数への影響について分析する\nことが可能になる。全体平均中心化を行った場合、2つのレベルの変数の間の相関は残るが、市町村変数の影響を\n取り除いた純粋な都道府県変数による効果を知ることが可能になる。\nB.ランダム傾き、切片モデル\n𝑌 =𝛽 +𝛽 𝑋 +𝑒 (3)\n𝑖𝑗 0𝑗 1𝑗 𝑖𝑗 𝑖𝑗\n𝛽 =𝛾 +𝛾 𝑍 +𝑢 (4)\n0𝑗 00 01 𝑗 𝑜𝑗\n𝛽 =𝛾 +𝛾 𝑍 +𝑢 (5)\n1𝑗 10 11 𝑗 1𝑗\n後述のモデル４はこの数式を念頭におく。(5)式が追加されることにより都道府県変数による傾き𝛽 の変化も\n1𝑗\n考慮に入れることができるようになる。\n2\n---PAGE---\n2-4 分析手順\n本稿では4つのモデルを立てて分析する。モデル１は変数を入れないNULLモデルである。NULLモデルの市\n町村ごとの分散と都道府県ごとの分散に着目することでマルチレベル分析の利用が正当化できるかどうかを確認\nする。モデル２では市町村レベルのデータを説明変数とし、その影響について確認する。モデル３では新たに都道\n府県レベルの変量を切片の部分に追加する。モデル４では市町村レベル、都道府県レベル両方の変数を用いるが、\n切片と傾き双方について都道府県ごとの変化を考慮する。\nなお、分析に当たってはR(ver4.0.0)を用いた。\n3 データ\n3-1 変数の設定\n本節では分析に使用する目的変数・説明変数の使用理由を記載する。\nまず、目的変数として1人あたり医療費を使用している。健康寿命など他の指標は全国的な市町村別データを\n取得できなかったため今回は使用していない。\n次に、説明変数として、高齢者社会参加指標に使用した3つの変数（高齢者就業率・老人クラブ会員数・シル\nバー人材センター会員数）を説明する。高齢者の社会参加の一つに就労が挙げられるが、高齢者就業率は高齢者\nの就労を直接説明している。また、シルバー人材センターは高齢者に就労機会を提供する組織である。一方、老人\nクラブは高齢者の社会参加のうちボランティア活動やサークル活動を担う組織であり、会員に社会参加の機会を提\n供している。\n他の高齢者社会参加に関する変数も説明する。まず、公民館は地域のサークル活動やボランティア活動の中心と\nなっており、後述する祭礼の開催・準備場所になることもある。すなわち、高齢者社会参加を推進する役割がある\nと考えられる。次に、伝統的な祭礼行事も変数に加える。伝統的な祭礼において運営や知識の伝承の担い手を高\n齢者が担うことが多いことから、大規模な祭礼行事は高齢者の社会参加に正の影響を与えていると考えられる。\n自治体の財政、経済、高齢者比率、気温、医療提供体制の影響を統制するために以下の変数を投入する。自治体\nの財政は、一人当たり医療費に正または負の影響を与えている可能性がある。正の影響としては財政が厳しい自\n治体では医療サービスが低下している可能性がある。負の影響としては、財政が良好な自治体では財政健全化の\nために実施される医療サービスのカットにより住民が医療施設に通うインセンティブが低下している可能性があ\nる。自治体の財政を示す変数として財政力指数と経常収支指数を投入する。高齢者ほど医療を利用するため、人\n口に占める高齢者比率も統制変数として投入する。また、自治体の経済状況は医療費を含めた家計全体に影響を\n及ぼすため、経済状況を表す指標として完全失業率と市町村別平均年収を投入する。冬の平均気温が低い寒冷地\n域は冬の社会参加が抑制される一方で防寒対策が進んでおり冬の死亡率が低くなる可能性が高い。したがって冬\nの平均気温を投入する。最後に、医療機関の病床数が一人当たり医療費に影響を与えることから(松田ら(2017)3)\n病院・診療所の病床数も変数とする。\n3-2 データの収集\n本節では分析に使用したデータを記載する。本稿で使用した市町村別・都道府県別データは表1、2に記載した。\n目的変数として使用しているE1.一人当たり医療費（市町村国保）は2016年までのデータしか存在していないた\nめ、D1.気温データ・D2.都道府県別病床数を除いた全ての変数は1年ラグをとり2015年のものを使用している。\nSSDSEより取得していないデータについて特筆すべきものに関して入手方法を説明する。C3.非労働力人口は、\ne-Stat APIを用いて収集を行った。C4.平均年収は、市町村税課税状況等の調(2015)より入手した課税対象所得\nを所得割の納税義務者数で割った値を使用している。D1.12~2月の平均気温は、国土交通省が提供している「国土\n数値情報ダウンロードサービス」よりGISデータをダウンロードし、各自治体の役所/役場が位置している1km\n3松田晋哉、槙島美佐子、藤野善久：「『経済・財政と暮らしの指標「見える化」データ集』を活用した都道府県別一人当たり医療費に関連す\nる要因のマクロ分析の一例」、日本ヘルスサポート学会年報、3巻、p.27-34(2017)\n3\n---PAGE---\nメッシュ（3次メッシュ）の12,1,2月の気温平年値の平均値を取得することでデータを入手した。尚、各自治体役\n所/役場のメッシュコードはアマノ技研の提供する「地方公共団体の位置データ」とRのパッケージjpmeshを使\n用して取得した。F2.伝統的祭礼の開催は、佐藤・保田『祭りの事典』(2006)4（全国約1200の祭礼を掲載）に当\n該自治体の祭礼が掲載されていた場合1,そうでない場合0とするダミー変数である。もちろん同書に掲載されて\nいない祭礼も多く存在すると考えられるが、伝統的祭礼の開催に関する定量的な指標は現在存在しておらず、同書\nは日本で発行されている祭礼に関する書物のうち最も多く祭礼を掲載していることから、伝統的祭礼開催を示す\n次善の策として採用した。\n都道府県別老人クラブ会員数は平成27年度福祉行政報告例のうち「総数 会員数」を使用している。都道府県\n別シルバー人材センター会員数は2015年度の各都道府県計会員数を使用している。\n表 1: 市区町村別データ（「*」付きのデータはSSDSEを用いた）\n使用変数 出典\nA1. 総人口* 総務省統計局 「国勢調査報告」人口等基本集計(2015)\nA2. 15歳未満人口* 総務省統計局 「国勢調査報告」人口等基本集計(2015)\nA3. 65歳以上人口* 総務省統計局 「国勢調査報告」人口等基本集計(2015)\nB1. 経常収支指数 地方公共団体の主要財政指標一覧(2015)\nB2. 財政力指数 地方公共団体の主要財政指標一覧(2015)\nC1. 完全失業者数* 総務省統計局「国勢調査報告」就業状態等基本集計(2015)\nC2. 65歳以上就業者数 総務省統計局「国勢調査報告」就業状態等基本集計(2015)\nC3. 非労働力人口* 総務省統計局「国勢調査報告」就業状態等基本集計(2015)\nC4. 平均年収 市町村税課税状況等の調(2015)\nD1. 12~2月の平均気温(1kmメッシュ) 国土数値情報ダウンロードサービス\nD2 .病床数（病院+診療所） 経済・財政と暮らしの指標「見える化」データベース(2016)\nE1. 一人当たり医療費(市町村国保分) 経済・財政と暮らしの指標「見える化」データベース(2016)\nF1. 公民館数* 文部科学省生涯学習政策局「社会教育調査報告」(2015)\nF2. 伝統的祭礼の開催 佐藤・保田『祭りの事典』(2006)\n表 2: 都道府県別データ\n使用変数 出典\nf1. 老人クラブ会員数 厚生労働省 福祉行政報告例(2015)\nf2. シルバー人材センター会員数 全国シルバー人材センター事業協会都道府県別統計(2015)\n3-3 データの処理\n本節では前節で説明したデータを分析目的に処理した方法について説明する。表3に加工した変数とその処理方\n法を記載する。A1.総人口を対数化したのは、元の人口分布がロングテールになっているためである。また、C4.\n平均年収を対数化したのは、他の変数と分散の差が大きく異なり、かつ標準化処理を行ことができない（歪度>4）\nためである。加えて、平均年収は地域ごとの最低賃金などによって左右されると考え、市区町村別データを都道\n府県ごとに集計したうえで対数化した。\n4佐藤和彦、保田博通：『日本の祭り』、東京堂出版(2006)\n4"
  },
  "2019": {
    "2019H1-daijin.pdf": "2019年度 統計データ分析コンペティション\n総務⼤⾂賞（⾼校⽣の部）\nワンオペ育児から⾒る離婚\n⽵内 遥、江本 もえ、⽊下 舞、永井 あゆる\n（お茶の⽔⼥⼦⼤学附属⾼等学校）\n論⽂の概要\n離婚の要因を探るため、様々な仮説の下、総⼈⼝の影響を除いた偏相関係数を⽤いた\n相関分析を⾏った。その結果、離婚要因の⼀つが、家庭内で⼥性のみが家事や⼦育て\nを⾏うワンオペ育児にあることを導いた。その上で、ワンオペ育児を防ぐために、男\n性の育休取得数を増やすことなどを提案している。\n論⽂審査会コメント\n離婚の原因の⼀つが「ワンオペ育児」であることを、多⾯的かつ丁寧な分析で⽰し、\n解決策についても⽂献などを調べたうえで⾼校⽣としての提⾔を⾏っており説得⼒が\nある。⼈⼝を統制するために偏相関分析という⾼校の履修範囲を超えた統計的⽅法を\n⽤いたことも特筆される。因果関係ではなく相関関係に過ぎないのではないかと考え\nられる記述もあるとの批判もあったが、総合的に⼤変優秀な論⽂と評価された。\n---PAGE---\nワンオペ育児から見る離婚\n竹内遥*1・江本もえ*1・木下舞*1・永井あゆる*1\n*1:お茶の水女子大学附属高等学校\n1. 研究の目的と問題意識の背景\n「３組に１組は離婚している！」という言葉を最近テレビなどでよく耳にする。この数字は「ある一年間に結婚した\n数」を「結婚した年にかかわらず、今まで結婚していた全ての人たちの中で離婚した数」で割ることで算出した値であ\nるから、統計学的に正しい方法で算出したとは言い難いが、「離婚」という言葉が社会で大きな話題となっていることは\n確かである。離婚は、それにより当事者がどう感じたかに関係なく、当事者にとって大きなストレッサーとなる。離婚\nは人生の様々な出来事の中でも、かなりストレスを感じる出来事のうちの 1 つである(1)。ストレスはあまり大きすぎる\nと体に害をきたすので、ストレスと健康の観点で考えれば、離婚はできるだけしないほうが良いだろう。\n図1 都道府県ごとの離婚率（表2より）\nところで、離婚率には地域差がある（図1）。離婚率の高い（低い）地域には何か共通する特徴があるのかもしれない。\nこの地域差から、離婚に影響する因子を探れるのではないかと考えた。\n2. 研究の方法と手順\nこの研究では、離婚と関わりのある事柄を、統計学的視点から探ることを目的とする。まず、現代の離婚の特徴につ\nいて調べる。次に特徴から離婚数と関わりのある事柄を予想し、仮説を立てる。そして、その仮説が正しいかどうかを\nデータを分析することによって調べる。県単位で集計したデータと離婚件数の相関を調べる。この時、総人口の影響を\n取り除いて分析をするために、総人口を第三の変数とした偏相関係数を用いて分析した。\n3. データの抽出、データセットへの変数の追加とその出典、分析に用いた変数に行った変換や加工\n使用した変数を表1に、使用した指標一覧を表2に示す。なお、表1の出典に「*」が付いているものは、SSDSE（教\n育用標準データセット）のデータを用いた。\n表1 使用した変数一覧\n使用変数 出典\n離婚件数（件） 人口動態統計（2017）*\n総人口（人） 国勢調査報告（2017）*\n一般世帯数（世帯）、核家族世帯数（世帯）、単独世帯数（世帯）、 国勢調査報告（2015）*\n就業者数（女）（人）、就業者数（人）\n出生順位別に見た年次別父・母の平均年齢 人口動態調査（2017）\n同居解消時の妻の年齢（歳）、同居解消時の夫の年齢（歳） 人口動態調査（2016）\n結婚から離婚までの年数（年）\n待機児童数（人） 保育所等関連状況取りまとめ（2016）\n育休等取得人数（人） 就業構造基本調査（2012）\n以下の問いに、「そう思う」「ややそう思う」と答えた男性の割合（%） 地域における女性の活躍に関する意識\n「自分の家庭の理想は、『夫が外で働き、妻が家を守る』ことだ」 調査（2015）\n「子どもが小さいうちは、母親は外で働かない方がよい」\n1\n---PAGE---\n表2 使用した指標一覧\n指標 計算方法\n離婚率（%） 離婚件数／総人口*1000\n大家族世帯数（件） 一般世帯数 − 核家族世帯数 − 単独世帯数\n「自分の家庭の理想は、『夫が外で働き、妻が家を守る』ことだ」 「自分の家庭の理想は、『夫が外で働き、妻が\nと考える男性の割合（%） 家を守る』ことだ」という問いに対し\n「そう思う」「ややそう思う」と答えた男性の\n割合の合計\n「子どもが小さいうちは、母親は外で働かない方がよい」 「子どもが小さいうちは、母親は外で働かない\nと考える男性の割合（%） 方がよい」という問いに対し\n「そう思う」「ややそう思う」と答えた男性の\n割合の合計\n4. データ分析の結果\n4.1 離婚についての基本情報\n離婚した夫婦の、総離婚件数のうち結婚してから離婚するまでの年数の分布（図2）と、同居を解消した時の妻、夫の\nそれぞれの年齢（図3、4）をヒストグラムにした（厚生労働省が平成21年の離婚調査で同居を解消した時の妻、夫の結\n婚年齢を使用している。(2)）。図2より、結婚して1年から5年、5年から10年で離婚する夫婦が多いことがわかる。図\n3、4より、同居を解消した時の年齢は20代から30代が多いことがわかる。また、表1の「出生順位別に見た年次別父･\n母の平均年齢」より、夫婦の間に子供が生まれるのは、平均的に夫婦の年齢が30歳を過ぎたあたりであることが多いこ\nとが分かる。離婚する夫婦に小さい子供がいる場合が多いことが予想される。\n（％）\n40\n35\n30\n25\n20\n15\n10\n5\n0\n図2 結婚から離婚までの年数\n（％）\n10\n9\n8\n7\n6\n5\n4\n3\n2\n1\n0\n図3 同居解消時の妻の年齢\n2\n---PAGE---\n（％）\n8\n7\n6\n5\n4\n3\n2\n1\n0\n図4 同居解消時の夫の年齢\n4.2 仮説と検証\n①家族の形と離婚について\n仮説1-1：（総人口の影響を除いた）離婚件数と大世帯家族数には正の相関がある\n離婚に至るまでには、夫婦の間での不調和やトラブルがあると思われる。トラブルが起こる理由として「大家族であ\nること」を挙げた。子育てにおいても、妻と義理の母の見解の相違が起こることもありうる。一緒に住んでいるのなら、\n家族・親戚間の折り合いが悪くなり、トラブルになって離婚することがあり得ると考えた。そこで、都道府県ごとの離\n婚件数と大家族世帯数から、総人口の影響を除いた偏相関係数を求めると、正の相関になると予想した。偏相関係数を\n求めると、その値は、-0.39で、弱い負の相関であった（図５）。\n100000\n80000\n60000\n40000\n20000\n0 離婚件数の残差\n-1500 -1000 -500 0 500 1000 1500 2000\n-20000\n-40000\n-60000\n-80000\n大家族世帯数の残差\n図5 都道府県ごと離婚件数と大家族世帯数\n（総人口の影響を除く）\nなぜ仮説と違ったのかについて考察する。まず、一緒に住まず、遠くに住んでいたとしても、家族・親戚間で折り合\nいが悪くなることはありえると考えた。次に、大家族世帯は三世代同居が多くを占めると思われる、一緒に住んで親の\n介護をすることを考え、簡単に離婚しにくいのではないかと考えた。また、大家族世帯では、親に子どもの面倒を見て\nもらえたりすることが大きなメリットになりそうである。大家族世帯であることによって様々な助け合いができるから、\n夫婦間のトラブル（殊に子育て関係）が減るのではないかと考えた。\n仮説1-2：（総人口の影響を除いた）離婚件数と核家族世帯数には正の相関がある\nそこで、核家族世帯について考える。大家族世帯とは逆に、夫婦だけの暮らしでは、子育てに関しては助けてくれる人\nが近くにいない、という点で大家族世帯よりも苦労が多いのではないか、と考えた。内閣府も「核家族化や都市化の進\n展等による家庭の養育力の低下や地域における相互助け合いの低下があり、かつては家族や近隣から得られていた知恵\nや支援が得られにくいという育児の孤立、といった問題点が指摘されている(3)」と述べている。\nよって、核家族であることは、よりトラブルを招きやすいと考えた。都道府県ごとの離婚件数と核家族世帯数から、総\n人口の影響を取り除いた偏相関係数を求めると、正の相関になると予想した。結果は0.36で、弱いながらも正の相関と\n3\n---PAGE---\nなり（図６）、仮説を支持する結果となった。\n150000\n100000\n50000\n離婚件数の残差\n0\n-1500 -1000 -500 0 500 1000 1500 2000\n-50000\n-100000\n核家族世帯数の残差\n-150000\n図6 都道府県ごと離婚件数と核家族世帯数\n（総人口の影響を除く）\n②子育てのしやすさと離婚について\n仮説2-1：（総人口の影響を除いた）離婚件数と待機児童数には正の相関がある\n仮説1-1、1-2では子育てというキーワードが登場した。そこで、子育てのしやすさと離婚について調べる。子育てが\nしにくい状況に陥ると、夫婦間でトラブルが発生しやすくなり、離婚に至りやすくなるのではないかと予想した。\nまず、子育てがしにくくなる要因として、子供を保育園に入れられないこと、すなわち待機児童数の多さに注目する。\n都道府県ごとの離婚件数と待機児童数から総人口の影響を除いた偏相関係数を求めると、正の相関になると予想した。\n結果は-0.03であったが、散布図（図7）を見ると、東京、大阪といった都道府県が他の都道府県の分布とかけ離れてい\nることが見受けられた。そのため、外れ値（東京、大阪）の都道府県を除いた上で、偏相関係数を計算しなおして、散布\n図（図8）を作成した。結果は、0.36で、弱いながらも正の相関であり、東京、大阪のデータを除いた場合は、仮説を\n支持する形となった。\n5000\n東京 2000\n4000\n1500\n3000\n2000 1000\n1000\n500\n0 離婚件数の残差 離婚件数の残差\n-1500 -1000 -500 0 500 1000 1500 2000 0\n-1000\n-1500 -1000 -500 0 500 1000 1500 2000\n-2000 -500\n待機児童数の残差 大阪\n-3000 待機児童数の残差\n-1000\n図７ 都道府県ごと離婚件数と待機児童数 図8 （東京、大阪を除く）都道府県ごと\n（総人口の影響を除く） 離婚件数と待機児童数\n仮説2-2：（総人口の影響を除いた）離婚件数と育児休暇取得数には負の相関がある\n次に、子育てがしにくくなりそうな原因として、育児休暇が取得できないことをあげた。逆に、育児休暇が取りやす\nい地域は、子育てをしやすいので夫婦間のトラブルが減り、離婚が減るのではないかと考えた。都道府県ごとの離婚数\nと育休等取得数から総人口の影響を除いた偏相関係数を求めると、負の相関になると予想した。結果は、-0.27 だった\nが、散布図（図9）から北海道、東京、大阪といった都道府県が他の都道府県の分布とかけ離れていることが見受けられ\nた。そのため、外れ値（北海道、東京、大阪）の都道府県を除いた上で、偏相関係数を計算しなおして、散布図（図10）\nを作成した。偏相関係数は、0.28となり、弱い正の相関となった。したがって、北海道、東京、大阪を除けば、仮説に\n反する形となった。\n4",
    "2019H2-yushu.pdf": "2019年度 統計データ分析コンペティション\n優秀賞（⾼校⽣の部）\n南海トラフ地震に備えて\n〜指定避難所に３⼈に１⼈が避難できず、\n災害時の医療体制は本当に⼗分か？〜\n渡邉 璃⾥⾹、吉⽥ 美咲（愛媛県⽴松⼭南⾼等学校）\n論⽂の概要\n南海トラフ地震に備えるために、通学している⾼校から半径3km以内のエリアについ\nて、GISを⽤い地図上に指定避難所や診療所をプロットすることにより、避難所の分\n布に空⽩地帯があり診療所に偏りがあることを指摘した。さらに、幼稚園等の新たな\n避難所、災害時の医療体制の充実などを提案している。\n論⽂審査会コメント\n社会的問題について具体的な地域への政策提⾔がなされており、その視点も分かりや\nすい。jSTAT MAPを⽤いて指定避難所や診療所の不⾜地域を明らかにしたことも説\n得⼒が⾼い。SSDSEの統計分析としては物⾜りない⾯もあるが、⾼校⽣のオペレー\nションズリサーチの論⽂としては⾼い⽔準のものと評価できる。\n---PAGE---\n南海トラフ地震に備えて\n～指定避難所に３人に１人が避難できず、災害時の医療体制は本当に十分か？～\n渡邉璃里香・吉田美咲\n愛媛県立松山南高等学校\n1. 研究の目的と問題意識の背景\n政府地震調査研究推進本部によると、現在、３０年以内に南海トラフ地震が起きる確率が70～80％\nと予想されている。また、愛媛県が発表した松山市の被害想定は、最大で震度７の揺れ、火災での焼\n失をあわせると建物全壊棟数が３万５千棟を超え、死者数７１５人、負傷者数５７０７人になると想定\nされている(1)。自然災害は避けることができないうえに、ある日突然発生するため、これまで多くの\n被害を受けてきた。しかし、日頃から防災対策をし、避難所の確保や負傷者の救護を迅速に行うこと\nができれば、被害を最小限に抑えることができるのではないかと考える。そこで、避難所と災害時の\n医療体制の現状とそれらの問題点を明らかにして、改善策を提案することで被害を最小限にしたいと\n考えた。\n2. 研究方法と手順\n教育用標準データセット（SSDSE）(2)を使って、各都道府県庁所在地の避難所１か所当たりの人数と\n人口１万人あたりの医師数を計算しグラフに表す。ここではSSDSEのデータから避難所を小学校、中\n学校、高等学校、公民館とした。各都道府県庁所在地と松山市を比較して分かることを明確にする。\nその後、災害発生時に必要不可欠な医療機関について、外科、産婦人科、小児科、整形外科、内科の\n５つに絞り、jSTAT MAP(3)を用いて松山南高校を中心とした半径3㎞以内の松山市指定避難所と５つの\n科を統計GISの地図にプロットした。次に、それぞれの分布の特徴、問題点を解析した。\n3. 各都道府県庁所在地と松山市の比較\nSSDSEから、グラフに各都道府県庁所在地の避難所１か所当たりの人数（図１）、人口１万人あたり\nの医師数（図２）を表した。図１から、東京２３区、札幌市、名古屋市、大阪市、横浜市は平均を大\nきく上回っており、大都市ほど１つの避難所に収容しなければならない人数は多く、松山市は平均と\nほぼ同じだと分かる。このことから大都市で災害が起きた場合に、１人当たりのスペースを十分に確\n保できない可能性が高いことが分かる。図２の人口１万人あたりの医師数は、さいたま市が最も低\nく、松山市も平均より低いことが分かる。\n一方で、これらのグラフだけでは、避難所や病院等が適切な場所にあるかどうか読み取ることがで\nきない。そこで、私たちが住んでいる松山市において災害発生時にすべての地域住民が安全に避難で\nきるのか、また、災害時の医療体制は十分に整っているのかをjSTAT MAPを用いて解析していく。\n---PAGE---\n図１ 避難所１か所当たりの人数 図２ 人口１万人あたりの医師数\n---PAGE---\n4. 指定避難所と病院の現状確認、問題点の分析\n4.1 指定避難所の現状\n指定避難所とは、災害により短期間の避難生活を余儀なくされた場合に、一定期間の避難生活を行う\n施設のことである。一般的に学校の校舎や体育館、公民館などが知られる。松山南高校の半径３㎞以内\nには指定避難所は何か所あるのか？また、この地域の人々が全員避難できるのか？それらに関して\njSTAT MAPを用いて松山南高校の半径３㎞以内の指定避難所数と人口を調べた。\n指定避難所 給食施設あり\n指定避難所 給食施設なし\n指定避難所がないエリア\n図３ 統計GISの地図に避難所をプロットした図\n図３からは赤い丸で囲んだ部分において、指定避難所がないことが分かる。また、給食施設の有無\nを調べると大学、小学校、中学校、病院に限られている。大災害の直後は各家庭において食料の確保\nが難しい。そこで、他県から食料が届いた場合に被災者へ炊き出しを供給するために給食施設のある\n避難所が必要だと考える。避難所の数は比較的多いが、地域の人々が全員避難することは可能である\nかを考える。\nまず初めに、統計ＧＩＳから黒線内エリアの人口総数と、松山市の指定緊急避難所一覧に記載され\nていた黒線内エリアの合計収容可能人数、避難所数を表１に記した。\n表１ 赤線内のエリアの統計結果\n人口総数 207,828人\n合計収容可能人数 142,164人\n避難所 67か所\n合計収容可能人数を人口総数で割ると、142,164/207,828*100≒68.40である。合計収容可能人数は\n人口総数の約68％となり、３人に１人は指定避難所に避難できないことが明らかになった。\n---PAGE---\nさらに、歩く速度を分速80ｍ(4)とし、各避難所を中心に徒歩10分以内で到達できるエリアを赤線で\n記した。\n指定避難所 給食施設あり\n指定避難所 給食施設なし\n徒歩10分以内で指定避難所に\n到達できるエリア\n指定避難所の設置が\n必要なエリア\n図４ 各指定避難所から徒歩10分で到達できるエリア\n災害時に避難所が近くにない場合、高齢者や小さい子供をもつ家族、けがをしている人は避難する\nのが大変である。そのため、上図の青丸４か所に避難所を設置する必要があると考えられる。\nまた青丸エリア①～④内の人数をjSTAT MAPを用いて調べると、エリア①には約1400人、エリア②\nには約7000人、エリア③には約6000人、エリア④には約4000人の人々が徒歩10分以内に指定避難\n所に到達できない状況に陥っていることが分かった。\n4.2 診療所の現状\n災害発生時に必要不可欠な医療機関を考え、外科、産婦人科、小児科、整形外科、内科の５つに絞\nった。主にこの５つが多くあれば負傷者の救護を円滑に行うことができると考えた。そこで、この５\nつの診療所の分布にどのような特徴があるのか調べた。",
    "2019H3-suri.pdf": "2019年度 統計データ分析コンペティション\n統計数理賞（⾼校⽣の部）\n過疎地域の現状分析と発展に重要な視点\n猪狩 信⼈（福島⼯業⾼等専⾨学校）\n論⽂の概要\n過疎地域の発展に重要な視点を探るため、市区町村を過疎地域とそれ以外に分類し、\nSSDSEから⼈⼝、教育、産業などのデータについて、分布の⽐較や相関分析を⾏っ\nた。その結果、⼀次産業の活性化が過疎地域の発展につながることを指摘するととも\nに、⾏政機関が資⾦援助を⾏うことの必要性を述べている。\n論⽂審査会コメント\n過疎地域と過疎地域外とを分類して、変数の加⼯や外れ値の扱いなどを丁寧に⾏って\nおり、素朴な分析ながら⼿がかかっていることが明らかであり、好感が持てる論⽂で\nある。過疎地域の特性をデータに基づき明らかにし、その対策についても⾼校⽣なり\nの提⾔をしており⾼く評価できる。ヒストグラムの並べ⽅などについては分布の差異\nがよく分かるように並べるとなお良い。\n---PAGE---\n過疎地域の現状分析と発展に重要な視点\n猪狩 信人\n福島工業高等専門学校\n1. 研究の目的\n昭和30年代以降の高度経済成長に伴い，農山漁村地域から都市地域に向けて若者を中心として大きな人口\n移動が起こり，農山漁村地域では住民の減少により地域社会の基礎的生活条件の確保にも支障をきたすよう\nな，いわゆる過疎問題が発生した(1)。過疎問題は，現代社会の解決すべき問題の一つだろう。本研究では，教\n育用標準データセット（以下「SSDSE」とする）とe-Stat(URL: https://www.e-stat.go.jp/)の市区町村デー\nタを用いて過疎地域の現状を分析し，過疎地域が発展するために重要な視点を発見することを目標とした。\n2. 研究の方法\n2.1. 研究の手順\n始めに，SSDSE-2019Aに含まれる1741の市区町村を条件に基づいて，過疎地域に該当する市区町村（以下\n「過疎地域」とする）と過疎地域に該当しない市区町村（以下「過疎地域外」とする）に分類した。次に，\nSSDSE-2019Aとe-Statの市区町村データを用いて，人口，市区町村の財源，産業の視点から，過疎地域と過\n疎地域外の違いを分析，考察した。なお，本稿のヒストグラムは，Excelの分析ツールを用いて作成した。\n2.2. 外れ値の検出\n本研究では，データの関係性を正確に捉えるために，3.3.の過疎地域と過疎地域外の分類を除いて，過疎\n地域と過疎地域外のそれぞれのデータで外れ値の検出を行い，外れ値を除いたデータで分析を行った。方法\nは①と②である(2)。ただし，0で除する計算の場合は，計算結果を0とした後で，外れ値の検出を行った。\n任意のデータの名称を𝑥とし，データ𝑥についての𝑖番目のデータを𝑥 とする。\n𝑖\n① データ𝑥の第１四分位数（𝑄 ），第３四分位数（𝑄 ），四分位範囲（𝐼𝑄𝑅）を求める。\n1 3\n② 𝑥 <𝑄 −1.5×𝐼𝑄𝑅 ,𝑄 +1.5×𝐼𝑄𝑅 < 𝑥 に該当するデータ𝑥 を発見する。\n𝑖 1 3 𝑖 𝑖\n2.3. 相関の強さ\n本研究では，２つの変数についての相関係数𝑟を求めたときの相関の強さを，表1のようにした(3)。\n表 1 相関の強さ\n0.7 < r ≦1 強い正の相関\n0.4< r ≦0.7 中程度の正の相関\n0.2< r ≦ 0.4 弱い正の相関\n−0.2< r ≦ 0.2 相関なし\n−0.4< r ≦−0.2 弱い負の相関\n−0.7< r ≦−0.4 中程度の負の相関\n−1 ≦r ≦−0.7 強い負の相関\n1\n---PAGE---\n3. データの抽出と追加，加工\n3.1. SSDSEの利用\n本研究で利用したSSDSEの項目符号，項目名，年度を，表２にまとめた。\n表 2 利用したSSDSEの項目\n項目符号 項目名 年度 項目符号 項目名 年度\nA1101 総人口 2015 A1301 １５歳未満人口 2015\nA1303 ６５歳以上人口 2015 C2107 事業所数 2014\nC2110 第１次産業事業所数 2014 C2111 第２次産業事業所数 2014\nC2112 第３次産業事業所数 2014 C2207 従業者数 2014\nC2210 第１次産業従業者数 2014 C2211 第２次産業従業者数 2014\nC2212 第３次産業従業者数 2014 D3203 歳出決算総額（市町村財政） 2016\nD320303 民生費（市町村財政） 2016 D320310 教育費（市町村財政） 2016\nE2501 小学校児童数 2017 E3501 中学校生徒数 2017\nE4501 高等学校生徒数 2017\n3.2. e-Statの市町村データの利用\n本研究で利用したe-Statの市区町村データの項目符号，項目名，年度，出典を，表３にまとめた。\n表 3 利用したe-Statの市区町村データ\n項目符号 項目名 年度 出典（調査名又は報告書名）\nA1101 総人口 1980，1985，2005，2010 国勢調査，人口推計\nA1301 １５歳未満人口 1995 国勢調査，人口推計\nA1303 ６５歳以上人口 1995 国勢調査，人口推計\nD2201 財政力指数（市町村財政） 2006～2008，2010～2012 地方財政状況調査\nD3203032 老人福祉費（市町村財政） 2016 地方財政状況調査\nD3203033 児童福祉費（市町村財政） 2016 地方財政状況調査\n3.3. 過疎地域と過疎地域外の分類\n本研究では，過疎地域自立促進特別措置法(4)をもとに，以下の条件１，条件２のいずれかに該当する地域\nを過疎地域とし，いずれにも該当しない地域を過疎地域外とした。分類する地域は SSDSE-2019A に含まれる\n市区町村と同一にした。\n●条件１：国勢調査の結果による市町村人口に係る 1980 年の人口から当該市町村人口に係る 2005\n年の人口を控除して得た人口を当該市町村人口に係る 1980 年の人口で除して得た数値\nが 0.17 以上であること。同時に，財政力指数で 2006 年度から 2008 年度までの各年度\nに係るものを合算したものの3分の1の数値が0.56以下であること。\n●条件２：国勢調査の結果による市町村人口に係る 1985 年の人口から当該市町村人口に係る 2010\n年の人口を控除して得た人口を当該市町村人口に係る 1985 年の人口で除して得た数値\nが 0.19 以上であること。同時に，財政力指数で 2010 年度から 2012 年度までの各年度\nに係るものを合算したものの3分の1の数値が0.49以下であること。\n表４は，都道府県別に過疎地域と過疎地域外の数をまとめたものである。分析により，過疎地域の数は513，\n過疎地域外の数は1228であることがわかった。\n2\n---PAGE---\n表 4 都道府県別の過疎地域と過疎地域外の数\n都道府県 北海道 青森県 岩手県 宮城県 秋田県 山形県 福島県\n過疎地域数 128 20 17 5 15 15 17\n過疎地域外数 51 20 16 30 10 20 42\n都道府県 茨城県 栃木県 群馬県 埼玉県 千葉県 東京都 神奈川県\n過疎地域数 1 1 6 1 3 4 0\n過疎地域外数 43 24 29 62 51 58 33\n都道府県 新潟県 富山県 石川県 福井県 山梨県 長野県 岐阜県\n過疎地域数 8 1 5 1 6 23 6\n過疎地域外数 22 14 14 16 21 54 36\n都道府県 静岡県 愛知県 三重県 滋賀県 京都府 大阪府 兵庫県\n過疎地域数 3 3 7 0 4 1 5\n過疎地域外数 32 51 22 19 22 42 36\n都道府県 奈良県 和歌山県 鳥取県 島根県 岡山県 広島県 山口県\n過疎地域数 13 14 8 13 9 8 6\n過疎地域外数 26 16 11 6 18 15 13\n都道府県 徳島県 香川県 愛媛県 高知県 福岡県 佐賀県 長崎県\n過疎地域数 11 5 10 23 11 2 9\n過疎地域外数 13 12 10 11 49 18 12\n都道府県 熊本県 大分県 宮崎県 鹿児島県 沖縄県\n過疎地域数 13 9 12 27 4 合計：513\n過疎地域外数 32 9 14 16 37 合計：1228\n4. データ分析の結果\n4.1. 人口に関するデータの分析\n過疎地域では，過疎地域外と比較して，少子高齢化が進みやすいのかについて調べるために，\n(2015年度の15歳未満の人口−1995年度の15歳未満の人口)÷(1995年度の15歳未満の人口) ×100(式1)\n(2015年度の65歳以上の人口−1995年度の65歳以上の人口)÷(1995年度の65歳以上の人口) ×100(式2)\nによって，15歳未満の人口の変化率と65歳以上の人口の変化率を求めた。\n49.0%\n過 50% 過 50% 42.1%\n疎 疎\n40% 40%\n地 地\n域 30% 23.8% 域 30% 24.2%\nに 20.5% 外 21.4%\n占 20% に 20%\nめ 占 7.5%\nる 10% 3.7% 3.0% め 10% 4.8%\n0.1%\n割 る\n合 0% 割 0%\n-50% -40% -30% -20% -10% 合 -40% -30% -20% -10% 0% 10%\n15歳未満の人口の変化率 15歳未満の人口の変化率\nn=492 n=1191\n図 1 過疎地域（左）と過疎地域外（右）の15歳未満の人口の変化率 (式1)\n3\n---PAGE---\n40% 37.9% 36.5% 30% 26.2% 29.1%\n過 過\n疎 疎\n地 30% 地\n域 域 20% 16.5%\nに 外\n占 20% 13.6% に 10.7%\nめ 占 10% 6.4%\nる 10% 8.6% め 5.3% 4.0%\n割 2.8% る 0.3%0.7% 0.9%\n合 0.6% 割 0%\n0% 合\n20% 40% 60% 80% 100% 120%\n65歳以上の人口の変化率\nn=499 65歳以上の人口の変化率\nn=1161\n図 2 過疎地域（左）と過疎地域外（右）の65歳以上の人口の変化率 (式2)\n図1より，15歳未満の人口の変化率は，過疎地域では－40％より大きく－30％以下の階級が49.0％で最も\n多い。過疎地域外では－30％より大きく－20％以下の階級が42.1％で最も多い。過疎地域の分布を正の方向\nに10％だけ平行移動すると，過疎地域外の分布とほぼ一致することから，両者の分布は類似しているといえ\nる。また，過疎地域の方が過疎地域外と比較して，15歳未満の人口の減少率が約10％高いことが確認できる。\n図 2 より，65 歳以上の人口の変化率は，過疎地域と過疎地域外ともに 40％より大きく 80％以下の階級に\nデータが集中している。過疎地域のこの階級には，全体の 74.4％が含まれている。過疎地域外では全体の\n55.3％が含まれている。過疎地域外は，右の裾が長い分布になっている。標準偏差を平均で割った変動係数\nを求めると，過疎地域では0.29，過疎地域外では0.40より，過疎地域外の方のばらつきが大きいことがわか\nった。さらに，過疎地域外の方が過疎地域よりも大きな値をとる市区町村があることがわかった。\n次に，15歳未満の人口の変化率と 65歳以上の人口の変化率の相関係数を求めた。ここでは，15歳未満の\n人口の変化率と65歳以上の人口の変化率の両方が，外れ値になっていない市区町村で相関係数を求めた。相\n関係数は過疎地域（n=481）で－0.31，過疎地域外（n=1132）で 0.07 であった。過疎地域では弱い負の相関\nが認められ，過疎地域外では相関が認められなかった。\n4.2. 市区町村の財源に関するデータの分析\n4.2.1. 教育対策\n過疎地域と過疎地域外では，教育における税金利用に違いがあるのかを，\n(教育費（市町村財政）)÷(歳出決算総額（市町村財政）) ×100 (式3)\n(教育費（市町村財政）)÷(小学校児童数+中学校生徒数＋高等学校生徒数) (式4)\nによって，歳出に占める教育費の割合と，小学校児童数，中学校生徒数，高等学校生徒数の合計人数（以下\n「学生」とする）1人あたりの教育費の金額（以下「教育費額」とする）によって調べた。\n50% 48.3% 60% 53.9%\n過 過\n疎 40% 35.0% 疎 50%\n地 地\n域 域 40%\n30%\nに 外\n30% 23.0%\n占 に\nめ 20% 10.3% 占 20% 17.0%\nる め\n割 10% 2.4% 2.8% 0.4% 0.9% る 10% 0.6% 4.3% 0.7% 0.5%\n合 割\n0% 合 0%\n4% 8% 12% 16% 20% 24% 28% 4% 8% 12% 16% 20% 24% 28%\n歳出に占める教育費の割合 歳出に占める教育費の割合\nn=468 n=1076\n4",
    "2019H4-shorei.pdf": "2019年度 統計データ分析コンペティション\n統計活⽤奨励賞（⾼校⽣の部）\n⽇本で暮らす外国⼈の動向から⾒た多⺠族化\n⼤段 利々⼦（広島⼤学附属⾼等学校）\n論⽂の概要\n多⺠族化が⼈⼝問題解決の鍵になるという仮説の下、SSDSEから⼈⼝、地⽅経済関\n連データを抽出して相関分析を⾏った。その結果、外国⼈⽐率の⾼い地域が都市部と\n地場産業を有する地⽅とに⼆極化していることなどを⽰し、新たな産業の展開が外国\n⼈の増加、地⽅創⽣につながる可能性を指摘している。\n論⽂審査会コメント\n⾼等学校で履修する統計技術を⽤いて、データの特異な変動を発⾒すると共に、考察\nも丁寧で、⽇本に住む外国⼈の⼈⼝の実態や動向を適切に⽰し、結論には意外性はな\nいが、ち密な展開が⾏われ論⽂として読みごたえがある。記載された図のひとつは別\nのものではないかとの指摘(注)もあったが、⼤変優秀な論⽂と評価された。\n(注) この論⽂では図を修正済み\n---PAGE---\n日本で暮らす外国人の動向から見た多民族化\n大段 利々子\n広島大学附属高等学校２年\n1. 研究の目的と問題意識の背景\n日本人の人口は連続して減少している一方で、日本に生活・滞在する外国人の人口は増加している。法務省の調べで\nは、総人口に占める在留外国人の割合は2019 年に2％を超えたとされている(1)。実際、コンビニエンスストアやレス\nトランなどで外国人の店員さんを見る機会が増えたと感じる。一方で、移民国家であるアメリカに比べれば、日本は多\n民族社会と言うまでには全く至ってなさそうである。今後、ますます在留外国人が増加することは、人口減少、少子高\n齢化、地域偏在など、日本が抱える人口問題の解決につながっていく可能性があるように思う。そこで、日本に住む外\n国人の人口の実態や動向を解析し、多民族化の現状と今後について考察した。\n2. 研究の方法と手順\nSSDSE（教育用標準データセット：Standardized Statistical Data Set for Education）「データ分析のための汎用\n素材として作成・公開している統計データ：主要な公的統計を地域別に一覧できる表形式のデータセット」の最新版で\nあるSSDSE-2019A（市区町村データ）とSSDSE-2019B（都道府県・時系列データ）を用い、都道府県別・市町村別の人\n口、外国人人口、事業数や地方経済関連のデータを抽出して、総人口あたりの外国人人口およびその年次推移などを解\n析した。日本の総人口に含まれる外国人とは、本邦内に常住している者（当該住居に3か月以上にわたって住んでいる\nか、又は住むことになっている者）となっている(2)。在留の外国人に関する国別・地域別などの詳しい情報は、法務省\nによる「在留外国人統計」から得た。\n3. データの抽出、データセットへの変数の追加とその出典、分析に用いた変数に行った変換や加工など\n3.1 日本の外国人人口と事業所数の関係\n日本で暮らす外国人の在留資格は、「 永 住者」、\n「特別永住者」、「留学」、「技能実習」などに分類\nされる(2)。「永住者」とは、原則10年以上継続して\n日本に在留していて、下記の3つの要件を満たす\n外国人が対象となる。\n1.素行が良好である\n2.独立の生計を営むに足りる資産・技能を有する\n3.永住が日本国の利益に合すると認められる\n一方、「特別永住者」は、敗戦後に日本国籍を離\n脱した在日朝鮮人・韓国人・台湾人とその子孫に\n図1. 各市町村および都道府県の総人口と外国人口の関係\nついて、日本への定住などを考慮し永住を許可し\nた外国人である。\n時代背景を反映して「特別永住者」人口は減少し\nているが、その他の在留資格を持つ外国人は年々\n増加していると報告されている(2)。しかし、SSDSE\nのデータには、これらの外国人内訳が提供されて\nいなかったので、全てを包括して解析を進めるこ\nとにする。総人口が減少する日本において、これら\nの外国人人口の増加は、生産性と国際競争力の強\n化に繋がるともの期待される。そこで、まず、 (cid:13)(cid:7)(cid:14)(cid:16)(cid:1)x1000(cid:9)(cid:2)\nSSDSE-2019A のデータを用いて、各市町村および都 (cid:6)(cid:12)(cid:18)(cid:17)(cid:4)(cid:13)(cid:7)(cid:14)(cid:16)(cid:3)(cid:5)(cid:11)(cid:15)(cid:15)(cid:10)\n道府県別の総人口と外国人人口との関係示す散布 図２. 各市町村および都道府県の事業所数と外国人口の関係\n1\n(cid:2)(cid:15)0001x(cid:1)(cid:10)(cid:15)(cid:15)(cid:11)(cid:5)\n90 400\n80 y = 0 R .3 ² 9 = 8 0 1 . x 8 - 08 0 4 .2942 350 y = 0.5231x -26.025\n70 R² = 0.9084\n300\n60\n250\n50\n200\n40\n150\n30\n20 100\n10 50\n0 0\n0 50 100 150 200 250 0 200 400 600 800\n(cid:13)(cid:7)(cid:14)(cid:16)(cid:1)x1000(cid:9)(cid:2)\n(cid:2)(cid:15)0001x(cid:1)(cid:10)(cid:15)(cid:15)(cid:11)(cid:5)\n総⼈⼝（x1000⼈）\n各市町村の総⼈⼝と外国⼈⼈⼝\n(cid:6)(cid:19)(cid:20)(cid:21)(cid:8)(cid:4)(cid:13)(cid:7)(cid:14)(cid:16)(cid:3)(cid:5)(cid:11)(cid:15)(cid:15)(cid:10)\n）⼈0001x（⼝⼈⼈国外\n90 400\n80 350\ny = 0.0182x -0.3232\n70 R² = 0.7732 300 y = 0.0221x -22.534\n60 R² = 0.8686\n250\n50\n200\n40\n150\n30\n20 100\n10 50\n0 0\n0 1000 2000 3000 4000 0 5000 10000 15000\n総⼈⼝（x1000⼈）\n各都道府県の総⼈⼝と外国⼈⼈⼝\n）⼈0001x（⼝⼈⼈国外\n---PAGE---\n図を作成して解析した（図１）。\n一般に、事業所とは、商店、工場、事務所、営業所、銀行、学校、病院、旅館、製錬所、鉱山、発電所など、経\n済的活動を行う場所的単位あるいは技術的単位を意味する。生産性を期待された外国人の人口と事業所数の関係\nを市町村および都道府県レベルで解析した（図２）。総人口が多いほど、事業所数が多いほど、外国人人口が多い\n様子が分かる。\n3.2 人口増減率・生産年齢人口比率と在留外国人\n比率の関係\n外国人の主な在留目的が、就労、就学、研修など\nであることから(2)、地域における外国人人口と事業\n所数との間に密接な関係があることは理解しやす\nい（図２）。地域における人口の増減の特徴をみる\nと、製造業、商業の集積等がみられる地域の近隣に、\n人口の増加した自治体が多くみられると報告され\nている(3)。市町村および都道府県の人口増減率と総\n人口あたりの外国人比率の関係を示す散布図を作\n成した（図３。）各地域の人口の増減率は、（出生数＋転 図３. 各市町村および都道府県の人口増加率と外国人比率\n入数−死亡数−転出数）÷ 総人口×100（％）として算\n1800 出した。\n1600\n「生産年齢人口」とは、年齢別人口のうち、生産活 1400\n動の中核をなす年齢の人口層を指し、日本では15 1200\n歳以上65 歳未満の人口がこれに該当する。総務省 1000\n800 y = 6.1971x -256.04\nが発表した人口推計によると(4)、2018年10月1日\nR² = 0.1285\n600\n現在の日本の総人口は1億2644万3000人と8年連 400\n続で減少しており、減少幅、減少率ともに過去最大 200\n0\nとなった。また、「生産年齢人口」の割合は59.7% 0 20 40 60 80\nで、比較可能な昭和25年と並んで過去最低となり、 (cid:16)(cid:13)(cid:21)(cid:26)(cid:15)(cid:11)(cid:22)(cid:25)(cid:1)%(cid:2)\n働き手不足が一層進んだ形となっている。在留外国\n人は、生産年齢人口比率の低い地域で働き手を補う\n図４. 各市町村および都道府県の生産年齢人口と外国人比率\n役割を担っているのか、あるいは産業活動が盛んな\n生産年齢人口比率の高い地域に集簇しているのか\nを解析した（図４）。\n3.3 各都道府県の外国人比率の年次推移\nSSDSE-2019Aデータから 都道府県別データを集積し、2016\n年の都道府県別の外国人比率（総人口1 万人あたりの外国人\n数）を、Excelのグラフ--塗り分けマップ機能を用いて日本地図\n上にプロットした（図５）。外国人比率の都道府県別ランキン\nグは、1位東京都、2位愛知県、3位群馬県、4位岐阜県、- - - -\n18位広島県、- - - - 47位青森県の順であった。新たに追加され\nたデータセットであるSSDSE-2019Bは、都道府県別の時系列\nデータが提供されているが、外国人人口の項目はない。しかし、\n総人口と日本人人口の差を外国人人口ととらえることにより\n算出可能と考えた。すなわち、「外国人人口＝総人口－日本人\n人口」として算出し、外国人比率の年次推移を示す折れ線グラ\nフを作成した（図６）。2005年から20016年にわたり、大多数\nの都道府県で、外国人比率は緩やかに増加していたが、奇妙な\nことに2005年、2010年、2015年と5年毎に急峻で一時的な増\n加が見られた。そこで、外国人比率の都道府県別ランキング1\n位東京都、3位群馬県、18位広島県の総人口、日本人人口、外\n国人人口の年次推移を抽出して折れ線グラフを作成した（図\n2\n(cid:2)(cid:7)(cid:4)(cid:3)(cid:15)(cid:24)1(cid:1)(cid:25)(cid:22)(cid:15)(cid:12)(cid:8)\n300\n250 y = 17.424x -917.45\nR² = 0.4398\n200\n150\n100\n50\n0\n50 55 60 65 70\n(cid:16)(cid:13)(cid:21)(cid:26)(cid:15)(cid:11)(cid:22)(cid:25)(cid:1)%(cid:2)\n(cid:2)(cid:7)(cid:4)(cid:3)(cid:15)(cid:24)1(cid:1)(cid:25)(cid:22)(cid:15)(cid:12)(cid:8)\n1800 300\n1600 y = 101.39x + 159.41\n250 R² = 0.4683\n1400\n1200 200\ny = 25.667x + 117.51\n1000\nR² = 0.0747 150\n800\n600 100\n400\n50\n200\n0 0\n-10 -5 0 5 10 -1.5 -1 -0.5 0 0.5 1\n(cid:15)(cid:12)(cid:18)(cid:11)(cid:26)((cid:15)(cid:12)(cid:18)(cid:11)(cid:16)/(cid:17)(cid:15)(cid:12)x100 )(%) (cid:15)(cid:12)(cid:18)(cid:11)(cid:26)((cid:15)(cid:12)(cid:18)(cid:11)(cid:16)/(cid:17)(cid:15)(cid:12)x100 )(%)\n(cid:9)(cid:14)(cid:20)(cid:19)(cid:6)(cid:15)(cid:12)(cid:18)(cid:11)(cid:26)(cid:5) (cid:9)(cid:21)(cid:22)(cid:24)(cid:10)(cid:6)(cid:15)(cid:12)(cid:18)(cid:11)(cid:26)(cid:5)\n(cid:8)(cid:13)(cid:15)(cid:23)(cid:26) (cid:8)(cid:13)(cid:15)(cid:23)(cid:26)\n(cid:9)(cid:14)(cid:18)(cid:17)(cid:6)(cid:16)(cid:13)(cid:21)(cid:26)(cid:15)(cid:11)(cid:5) (cid:9)(cid:19)(cid:20)(cid:23)(cid:10)(cid:6)(cid:16)(cid:13)(cid:21)(cid:26)(cid:15)(cid:11)(cid:5)\n(cid:8)(cid:12)(cid:15)(cid:22)(cid:25) (cid:8)(cid:12)(cid:15)(cid:22)(cid:25)\n(cid:2)(cid:7)(cid:4)(cid:3)(cid:15)(cid:25)1(cid:1)(cid:26)(cid:23)(cid:15)(cid:13)(cid:8)\n(cid:2)(cid:7)(cid:4)(cid:3)(cid:15)(cid:25)1(cid:1)(cid:26)(cid:23)(cid:15)(cid:13)(cid:8)\n(cid:3)(cid:5)(cid:6)(cid:6)(cid:4)(cid:8)(cid:1)(cid:6)/1(cid:7)(cid:6)(cid:2)\n26.35 280.10\nPowered By Bing\n© GeoNames, Microsoft, Wikipedia\n図５. 2016年の都道府県別の外国人比率（1万人あたり）\n---PAGE---\n14000\n13500\n13000\n12500\n12000\n11500\n11000\n７）。東京都は総人口の増加が続いている一方、群馬県と広島\n県は低下が続いていおり、5 年毎の急峻な変化は認められな\nい。しかし、いずれの都道府県も、日本人人口は5年毎の一時\n的な低下、外国人口は一時的な増加が認められた。この奇妙な\n結果は、5年に一度の調査集計に限り、その他の年の調査と比\nべ、日本人と外国人の定義が異なっている可能性、例えば、無\n国籍在留人口の扱いが違っていることなどが理由ではないか\nと考えた。丁度この 5 年区切りの年に国勢調査が行われてい\nるので、そのデータが反映されている可能性があるのかもし\nれない。\n3.4 経常収支比率と実質公債費率と外国人人口の関係\n各都道府県における市町村の財務状況と外国人人口に関連\nがあるか否か解析するため、東京都、群馬県、広島県の市町村\nにおける、経常収支比率と実質公債費率と外国人人口の関係\nを示す散布図を作成した（図８。） 経常収支比率は、地方公\n共団体の財政構造の弾力性を判断するための指標で、人件費、図７. 東京都、群馬県、広島県の総人口、日本人人口、外\n国人人口の年次推移\n扶助費、公債費のように毎年度経常的に支出される経費（経常\n的経費）に充当された一般財源の額が、地方税、普通交付税\nを中心とする毎年度経常的に収入される一般財源（経常一般\n財源）、減税補てん債及び臨時財政対策債の合計額に占める割\n合である。経常収支比率は、一般的に70～80％が適正水準と\nいわれており、これを超えるとその地方公共団体は弾力性を\n失いつつあると考えられている(5)。い ず れの都道府県 も 経常 収\n支比率が高い市町村では外国人口が少ない傾向が認められる。\n自治体の財政力を示す指標を調べると、「財政力指数」があげ\nられる（出典：コトバンク）(6)。財政力指数とは、基準財政収\n3\n5002 6002 7002 8002 9002 0102 1102 2102 3102 4102 5102 6102\n600\n500\n400\n300\n200\n100\n0\n5002 6002 7002 8002 9002 0102 1102 2102 3102 4102 5102 6102\n2040\n2020\n2000\n1980\n1960\n1940\n1920\n1900\n1880\n1860\n5002 6002 7002 8002 9002 0102 1102 2102 3102 4102 5102 6102\n50\n45\n40\n35\n30\n25\n20\n15\n10\n5\n0\n5002 6002 7002 8002 9002 0102 1102 2102 3102 4102 5102 6102\n2900\n2880\n2860\n2840\n2820\n2800\n2780\n2760\n2740 5002 6002 7002 8002 9002 0102 1102 2102 3102 4102 5102 6102\n70\n60\n50\n40\n30\n20\n10\n0\n(cid:3)(cid:11)0001x(cid:2)(cid:8)(cid:11)(cid:11)(cid:18)(cid:16)(cid:1)(cid:8)(cid:11)(cid:12)\n(cid:3)(cid:11)0001x(cid:2)(cid:8)(cid:11)(cid:11)(cid:18)(cid:16)(cid:1)(cid:8)(cid:11)(cid:12)\n(cid:3)(cid:11)0001x(cid:2)(cid:8)(cid:11)(cid:11)(cid:18)(cid:16)(cid:1)(cid:8)(cid:11)(cid:12)\n(cid:3)(cid:11)0001x(cid:2)(cid:8)(cid:11)(cid:11)(cid:10)(cid:4)\n(cid:3)(cid:11)0001x(cid:2)(cid:8)(cid:11)(cid:11)(cid:10)(cid:4)\n(cid:3)(cid:11)0001x(cid:2)(cid:8)(cid:11)(cid:11)(cid:10)(cid:4)\n5002 6002 7002 8002 9002 0102 1102 2102 3102 4102 5102 6102\n(cid:15)(cid:5)(cid:13)\n450\n400\n350\n300\n250\n200\n150\n100\n50 (cid:6)(cid:17)(cid:7)\n0\n200520062007200820092010201120122013201420152016\n図６. 都道府県別の外国人比率の年次推移\n(cid:9)(cid:14)(cid:7)\n(cid:2)(cid:5)(cid:4)(cid:3)(cid:8)(cid:10)1(cid:1)(cid:11)(cid:9)(cid:8)(cid:7)(cid:6)\n250\n200\ny = -1.8247x + 279.5\n150 R² = 0.0268\n100\n50\n0\n0 50 100 150\n(cid:2)(cid:16)0001x(cid:1)(cid:7)(cid:16)(cid:16)(cid:9)(cid:3)\n1000 1000\n900 900 800 800\n700 700\n600 y = -7.9918x + 908.71 600\n500 R² = 0.1334 500 y = -20.714x + 236.64\nR² = 0.1939\n400 400\n300 300\n200 200\n100 100\n0 0\n0 50 100 150 -10 0 10 20\n(cid:8)(cid:17)(cid:5)\n250\n200 y = -0.1629x + 112.37\nR² = 0.0001\n150\n100\n50\n0\n0 5 10 15 20\n(cid:4)(cid:15)(cid:14)(cid:11)(cid:18)(cid:20)(%) (cid:13)(cid:12)(cid:6)(cid:10)(cid:19)(cid:18)(cid:20)(%)\n(cid:2)(cid:17)0001x(cid:1)(cid:9)(cid:17)(cid:17)(cid:10)(cid:3)\n(cid:2)(cid:17)0001x(cid:1)(cid:9)(cid:17)(cid:17)(cid:10)(cid:3)\n(cid:19)(cid:4)(cid:18)\n(cid:6)(cid:16)(cid:15)(cid:12)(cid:21)(cid:23)(%) (cid:14)(cid:13)(cid:8)(cid:11)(cid:22)(cid:21)(cid:23)(%)\n(cid:5)(cid:20)(cid:7)\n1600 1600\n1400 1400\n1200 1200\n1000 1000\n800 y = -9.1717x + 983.93 800 y = -36.388x + 405.25\nR² = 0.072 R² = 0.1529 600 600\n400 400\n200 200\n0 0\n0 50 100 150 0 5 10 15\n(cid:6)(cid:16)(cid:15)(cid:12)(cid:21)(cid:23)(%) (cid:14)(cid:13)(cid:8)(cid:11)(cid:22)(cid:21)(cid:23)(%)\n図８. 東京都、群馬県、広島県の市町村における、経常収支比率と実質公債費率と外国人人口の関係\n---PAGE---\n入額を基準財政需要額で除して得た数値の過去3 年間の平均値のことで、財政力指数が高いほど自主財源の割合\nが高く、財政力が強い団体ということになる。一方、SSDSE にある質公債費比率とは、自治体の収入に対する負\n債返済の割合を示す（通常、3年間の平均値が使用されている）(6)。一般に、財政力指数が低いほど実質公債費比\n率が高くなる傾向にあると言われ、実質公債費比率もまた、自治体の財政力を示す指標といえそうである 。\n4. データ分析の結果\n4.1 日本の外国人人口と事業所数の関係\n各市町村および都道府県別の総人口および事業所数と外国人人口の関係を示す散布図を作成したが（図１, ２）、\n両者にどの程度関連性があるのかを分析した。2 種類のデータの関係を示す指標として、相関係数を求めた相。関\n係数とは、2つの確率変数の間にある線形な関係の強弱を測る指標でりあ、Excel による関数CORRELを使った。\n各市町村および都道府県別の総人口と外国人人口との相関係数は0.879と0.932であり、高い正の相関が認められ\nた。各市町村および都道府県別の事業所数と外国人の相関係数は0.899と0.953であり、高い正の相関が認められ\nた。\n4.2 人口増減率・生産年齢人口比率と在留外国人比率の関係\n各市町村および都道府県別の人口増減率お\n300\nよび生産年齢人口比率と在留外国人比率の関\n係を示す散布図を作成したが（図３, ４）、両 250\n者にどの程度関連性があるのかを分析した。 200\n各市町村および都道府県別の人口増減率と外\n150\n国人人口との相関係数は0.276（福島県の３市\ny = 0.2176x + 69.824 100\n町村は極端な人口減少が見られたため解析か R² = 0.4312\nら除外した）と 0.684 であり、都道府県別レ 50\nベルで正の相関が認められた。各市町村およ 0\n0 500 1000 1500\nび都道府県別の生産年齢人口比率と外国人の\n(cid:14)(cid:11)(cid:23)(cid:18)(cid:1)(cid:14)/km2(cid:2)\n相関係数は0.380と0.663であり、正の相関が\n(cid:9)(cid:13)(cid:16)(cid:15)(cid:6)(cid:14)(cid:11)(cid:23)(cid:18)(cid:5)(cid:8)(cid:12)(cid:14)(cid:20)(cid:24)\n認められた。市町村レベルでも、相関が低い\n図９. 各市町村および都道府県別の人口密度およびと外国人比率の関係\nながら認められた。原因と結果の関係の詳細\nは、わからないが、人口増減率および生産年齢人口比率と在留外国人 表１. 外国人比率が高い市町村ランキング\n比率には関係がある。 図９の左図に記入した数字は本表の順位を示す。\n人口が増加し生産年齢人口が多い地域は、人口密度が高いことが予\n測されるため、各市町村および都道府県別の人口密度と在留外国人比\n率の関係を示す散布図を作成した（図９）。両者の相関係数は0.365と\n0.6 57であり、予測の通り正の相関が認められたが、市町村別レベル\nでの相関関係は低く、人口密度が低いにも関わらず極めて外国人比率\nが高い地域も見られた（図９. 左図の1-3の市町村は、表２の順位、1.\n川上村、2. 大泉町、3. 南牧村を示す）。長野県の川上村は、高原野菜、\n特に日本一のレタス生産地であり、農業の外国人実習生が多く訪れて\nいることから、外国人比率が高い自治体になっている(7)。就業者の大\n多数が農業従事者で、その労働力を支えているのは外国人実習生とな\nっており、労働環境が問題視されたこともある。一方、Internet of Things (IoT)など最新テクノロジーを積極活用す\nることで、農業生産の効率性を高める「スマート農業」を推進していることか、ら地方創生の点でも注目を集めて\nいる(8)。群馬県の大泉町は、大手メーカーの工場が複数あり、製造業が基幹産業となっている。製造業の人手不足\nと、日系人に対する在留資格の優遇（就労に制限がない）により、平成に入って外国人が急増してい(7る)。長野県\nの南牧村も川上村と同じく、冷涼な気候で高原野菜の産地であり、少子高齢の人口構成で不足する労働力を外国\n人に頼っている地域である(7)。東京都 新宿区や豊島区は、行政機関や巨大な商業地、歓楽街を抱え、外国人増加\nは大学や就職が影響していると考えられる。\nこのように在留外国人比率が高い地域は、都市部と地場産業を有する地方に二極化しており、都道府県別外国人\n比率ランキングでも１位東京都、２位愛知県、３位群馬県、４位岐阜県、５位三重県、６位大阪と府なっている（図\n９. 右図の点線円は群馬県、岐阜県、三重県を示す（）図５）。\n4\n(cid:2)(cid:7)(cid:4)(cid:3)(cid:14)(cid:22)1(cid:1)(cid:24)(cid:20)(cid:14)(cid:12)(cid:8)\n1800\n1600 1 -3\n1400 y = 1.5978x + 67.66\nR² = 0.1561 1200\n4 -8\n1000\n9, 10\n800\n600\n400\n200\n0\n0 50 100 150 200 250\n(cid:14)(cid:11)(cid:23)(cid:18)(cid:1)(cid:14)/km2(cid:2)\n(cid:2)(cid:7)(cid:4)(cid:3)(cid:14)(cid:22)1(cid:1)(cid:24)(cid:20)(cid:14)(cid:12)(cid:8)\n(cid:9)(cid:17)(cid:19)(cid:21)(cid:10)(cid:6)(cid:14)(cid:11)(cid:23)(cid:18)(cid:5)(cid:8)(cid:12)(cid:14)(cid:20)(cid:24)\n(cid:42)(cid:5) (cid:38)(cid:37)(cid:20)(cid:30) (cid:19)(cid:7)(cid:29)(cid:22) (cid:13)(cid:11)(cid:4)(cid:4)(cid:9)(cid:28)(cid:44)(cid:3)(cid:1)(cid:4)(cid:45)\n(cid:3) (cid:40)(cid:39)(cid:30) (cid:18)(cid:2)(cid:22) (cid:3)(cid:7)(cid:9)(cid:7)(cid:1)(cid:10)(cid:8)\n(cid:4) (cid:33)(cid:43)(cid:30) (cid:14)(cid:24)(cid:29) (cid:3)(cid:6)(cid:8)(cid:6)(cid:1)(cid:2)(cid:3)\n(cid:5) (cid:40)(cid:39)(cid:30) (cid:8)(cid:27)(cid:22) (cid:3)(cid:4)(cid:7)(cid:7)(cid:1)(cid:10)(cid:9)\n(cid:6) (cid:23)(cid:3)(cid:38) (cid:21)(cid:15)(cid:7) (cid:11)(cid:3)(cid:6)(cid:1)(cid:7)(cid:8)\n(cid:7) (cid:23)(cid:3)(cid:38) (cid:36)(cid:17)(cid:7) (cid:9)(cid:8)(cid:7)(cid:1)(cid:3)(cid:8)\n(cid:8) (cid:23)(cid:3)(cid:38) (cid:25)(cid:7) (cid:9)(cid:2)(cid:5)(cid:1)(cid:8)(cid:4)\n(cid:9) (cid:23)(cid:3)(cid:38) (cid:10)(cid:23)(cid:7) (cid:8)(cid:11)(cid:8)(cid:1)(cid:6)(cid:8)\n(cid:10) (cid:23)(cid:3)(cid:38) (cid:35)(cid:18)(cid:7) (cid:8)(cid:10)(cid:8)(cid:1)(cid:8)(cid:11)\n(cid:11) (cid:16)(cid:41)(cid:30) (cid:32)(cid:26)(cid:6)(cid:34)(cid:19) (cid:8)(cid:6)(cid:2)(cid:1)(cid:4)(cid:8)\n(cid:3)(cid:2) (cid:16)(cid:41)(cid:30) (cid:12)(cid:31)(cid:29) (cid:7)(cid:11)(cid:9)(cid:1)(cid:6)(cid:4)",
    "2019H51-toku1.pdf": "2019年度 統計データ分析コンペティション\n特別賞（⾼校⽣の部）\n旅館及びホテルにおける⽇本⼈・外国⼈宿泊客の\n都道府県別増減から考える旅館の復活\n―岡⼭県湯原温泉の視点から\nインバウンド需要を旅館に取り込む⽅策―\n池⽥ 雅⼦（岡⼭県⽴岡⼭操⼭⾼等学校）\n論⽂の概要\n⽣まれ育った温泉地の復興に向けて、インバウンド消費が重要であるという仮説の下、\nGISソフトを⽤いた分析や相関分析などを⾏った。ビジネスホテルと外国⼈観光客数\nには正の相関が観察されることから、設備投資を⾏い、和⾵のビジネスホテルにする\nなど、地⽅の旅館再⽣モデルを提案している。\n論⽂審査会コメント\n旅館やホテル、宿泊タイプの違いに着⽬し地域観光振興につながる⽅策を提案してい\nる。結論に関わる議論がもう少し丁寧に考察されると良いが、テーマも含めて⾯⽩い\nレポートと評価された。\n---PAGE---\n旅館及びホテルにおける\n日本人・外国人宿泊客の都道府県別増減から考える旅館の復活\n―岡山県湯原温泉の視点からインバウンド需要を旅館に取り込む方策―\n岡山県立岡山操山高等学校３年\n池田 雅子\n1. はじめに\n岡山県北部にある湯原温泉の宿泊施設は全部で15軒ある。宿泊者数はバブル期の1989年に220,832\n人であったが、2018年には128,274人まで減少した。私は、その湯原温泉の旅館「米屋」の娘として湯\n原温泉で生まれ育った。近年は、日本全体でインバウンドによる観光客と観光収入の増加が話題となっ\nているが、残念ながら湯原温泉がその影響を受けているという実感がない。\n2. 目的・方法\n観光振興に外国人宿泊客の重要性を考えるとともに、旅館やホテルといった宿泊タイプの違いと都道\n府県別の宿泊客数の増減からそれらに差があることを確認して、観光振興に有効な地域を見出し、その\n要因を考察する。それらから、湯原温泉の旅館を生き返らせる方法を考察し、地方の旅館再生のモデル\nとする。\n分析や考察に用いた統計データや手法は次のとおりである。\n・2007年～2016年における旅館・ホテル営業客室 SSDSE-2019B 厚生労働省政策統括官付参事官付\n「衛生行政報告例」\n・2007年～2018年日本人及び外国人の延べ宿泊者数 宿泊旅行統計調査（国土交通省観光庁）\n・1989年～2018年大人宿泊者数 湯原町旅館協同組合調べ\n・GISソフトＭＡＮＤＡＲＡ から都道府県別階級区分図を作成して、地域間の違いを分析\n・MicrosoftExcelを用いてグラフ作成、考察\n・統計ソフトＳＰＳＳを用いて相関の分析\n1\n---PAGE---\n3. 旅館やホテルの客室数の増減と都道府県間の格差\n図1：2007～2016年におけるホテル営業施設客室数と旅館営業客室数の増減率のばらつき(箱ひげ図)\n出典：SSDSE-2019B(旅館営業施設客室数・ホテル営業施設客室数\n厚生労働省政策統括官付参事官付「衛生行政報告例」)\n図2：2007～2016年における旅館営業客室数 図3：2007～2016年におけるホテル営業施設客室数\n出典：SSDSE-2019B(旅館営業施設客室数・ホテル営業施設客室数\n（厚生労働省政策統括官付参事官付「衛生行政報告例」)\n2\n---PAGE---\n60.00\n三重 ホテル（％）\n50.00\n和歌山 岩手\nＡ\n富山\n長崎\n40.00\n福井 栃木\n熊本 奈良\n京都府\n静岡 沖縄\n群馬 滋賀\n30.00\n佐賀\n宮城 大分\n福岡\n岐阜 広島\n千葉 大阪府\n鳥取 岡山 山梨\n徳島20.0\n福\n0\n島神奈川\nＢ 新潟 青森 石川 埼玉\n山口 宮崎 Ｃ\n東京都\n茨城\n島根\n10.00\n愛知\n鹿児島 兵庫\n北海道\n山形\n愛媛\n高知 香川 0.00\n-25.00 -20.00 -15.00 -10.00 -5.00 0.00 5.00 10.00 15.00 20.00 25.00 30.00\n秋田\n長野\n-10.00\n旅館（％）\n図4：2007～2016年におけるホテル営業施設客室数と旅館営業客室数の増減率のばらつき(X-Yグラフ)\n出典：SSDSE-2019B(旅館営業施設客室数・ホテル営業施設客室数\n（厚生労働省政策統括官付参事官付「衛生行政報告例」)\n図1より、「旅館営業施設客数」は第1四分位範囲と第3四分位範囲までが減少に含まれている。一方\nで「ホテル営業施設客数」は増加に含まれている。また、「ホテル営業施設客数」の方が箱ひげ図の範囲\nが大きく、都道府県間の格差が大きいことが分かる。\n図 2,3 は、「2007～2016 年における旅館営業客室数の増減率」と「2007～2016 年における旅館営業客\n室数の増減率」を10％ずつで色分けをした。図2より、関東圏、関西圏、広島県、北九州圏、沖縄県に\nおいて旅館営業施設数は増えており、その他36の道県は減っていることが分かる。一方で、図3のホテ\nル営業客室数のうち減少しているのは、秋田県、長野県、高知県の3県のみであった。\n図4は、2007年から2016年の都道府県別の旅館営業施設客室数増減率およびホテル営業施設客室数増\n減率の関係性についてX-Yグラフで表した。X軸は旅館営業客室数の増減、Y軸はホテルの営業客室数の\n増減を表している。相関係数は0.421であり有意確率は0.3％で有意な関係性が見られた。より深く考察\nするために、AからCのグループに分けて分析した。Aグループには、三重県と長崎県が含まれる。2007\n年段階でのホテル客室数は、三重県 5956 部屋、長崎県 3795 部屋と他県と比較して客室数が少ない状況\nで、三重県では2016年の伊勢志摩サミット、長崎県では長崎港や佐世保港への外国クルーズ船の寄港な\nどにより、需要が増え特化した増加率となっていると考えられる。Bグループは37の道県が含まれ、日\n本全体で旅館客室数は減少して、ホテル客室数は増えるといった状況を示している。Cグループは東京・\n大阪・福岡の都市圏の各都府県および沖縄県が含まれている。これらの地域では都市型リゾートや海洋\nリゾートの観光資源を持ち、多くの宿泊需要があると考えられる。また、地域に多くの人口があったり、\n流入する観光客を受け入れる空港などの交通インフラが整っている。\n3\n---PAGE---\n4. 旅館の客室数増減と宿泊タイプ別稼働率との関係性\n表１ 旅館営業施設客室数増減と旅館・ホテル稼働率との相関\n相関係数\n2008年旅館稼働率 0.320\n2008年リゾートホテル稼働率 0.530 ＊＊\n2008年ビジネスホテル稼働率 0.477 ＊＊\n2008年シティホテル稼働率 0.492 ＊＊\n2016年旅館稼働率 0.225\n2016年リゾートホテル稼働率 0.662 ＊＊\n2016年ビジネスホテル稼働率 0.438 ＊＊\n2016年シティホテル稼働率 0.492 ＊＊\n＊＊：有意確率１％未満で有意\n出典：SSDSE-2019B(旅館営業施設客室数・ホテル営業施設客室数\n（厚生労働省政策統括官付参事官付「衛生行政報告例」)\n表 1 は、旅館営業施設客室数増減と旅館・ホテル稼働率との関係性を表した。旅館営業施設客室数増\n減と2008年及び2016年の旅館稼働率は有意な相関は見られないが、2008年及び2016年のリゾートホテ\nル、ビジネスホテル、シティホテルいずれも相関がみられ、１％以下で有意である。したがって、各種の\nホテル稼働率が高く、宿泊客の需要が多いことから、旅館の客室数増加にもつながっていると考えられ\nる。\n5. 外国人宿泊客の増加と旅館需要の考察\n60000\n50000\n40000\n)\n人\n30000\n万\n(\n20000\n10000\n0\n2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018\n（年)\n日本人 外国人\n図5：2007～2018年における日本人及び外国人の延べ宿泊者数\n出典：宿泊旅行統計調査(国土交通省観光庁)\n4",
    "2019H52-toku2.pdf": "2019年度 統計データ分析コンペティション\n特別賞（⾼校⽣の部）\n⾹川県の交通事故発⽣の要因を\n交通違反件数を基に分析する\n宇川 昇吾、宮本 紫苑、⼭地 悠介\n（⾹川県⽴観⾳寺第⼀⾼等学校）\n論⽂の概要\n⾹川県の交通事故発⽣件数が多いという問題意識の下、交通事故発⽣要因を解析する\nため、交通違反件数を説明変数とする重回帰分析を⾏った。その結果、⾹川県と⼈⼝\n規模が近い和歌⼭県との⽐較を通し、⾹川県では⼀時停⽌違反の多さが交通事故の発\n⽣に深く関わっていることを指摘している。\n論⽂審査会コメント\n社会問題を扱った統計データを⽤いたレポートとしては、論⽂の書き⽅にもう少し⼯\n夫が必要かもしれないが、データ解析の流れは⾃然であり、⾼く評価された。\nSSDSEの活⽤については、不⾜との指摘もあったが、注⽬した問題からすればやむ\nを得ないものと認められる。\n---PAGE---\n⾹川県の交通事故発⽣の要因を交通違反件数を基に分析する\n宇川 昇吾 宮本 紫苑 ⼭地 悠介\n観⾳寺第⼀⾼等学校 2年\n1. 研究目的と問題意識の背景\n香川県の交通事故状況は全国的に見て長年かなり悪い状況にある。最近は少しずつ改善されてはきてい\nるが、それでもなお、交通事故件数は多い状態である。そこで、本研究では香川県と人口の差が最も小さ\nく、人口 10 万人あたりの交通事故件数がかなり少ない和歌山県のデータを香川県のデータと比較し、香\n川県の交通事故が多い要因を解析することを目的とした。\n2. 研究方法と手順\n香川県の交通事故件数が多い要因を分析するために、SSDSE(都道府県・時系列データ)や警察庁などの\nデータから自動車運転の違反行為などの交通事故と関係の深い変数を選出し、それを基に重回帰分析を行\nった。この研究の手順としては、最初に交通事故に関連する変数を集め、変数増減法によって変数選択を\nし、重回帰分析を行い、その回帰モデルの回帰診断をした結果や集めたデータなどを基に考察し、交通事\n故数が多い要因を考えた。\n3. データおよび利用する変数の加工\n回帰分析をする際に変数選択を行い、その結果、分析に使う変数はどちらも６つずつとした。\n3.1 教育用標準データセットからの変数\nSSDSEに含まれるデータからは、「人口総数（A1101）」を使用した。\n3.2 教育用標準データセット以外からの変数\n無免許運転、飲酒運転、最高速度違反、整備不良違反、一時停止違反、駐停車違反などの取り締まり件\n数や総交通事故件数、人口10万人あたりの交通事故件数の平成14年～平成29年のデータを使用した。\nなお、人口10万人当たりの交通事故件数のデータ以外はすべて「警察庁」のデータを使用し、人口10\n万人当たりの交通事故件数についてはe-stat「統計でみる都道府県のすがた2019」のデータを使用した。\n3.3 各変数の要約統計量\ne-stat による「統計でみる都道府県のすがた 2019」によると、香川県と和歌山県の総人口数は 39 位、\n40位とさほど変わりわないが、人口10万人当たりの交通事故発生件数は香川県が6位633.5件、和歌山県\nが36位 274.2件と大きく異なる。図１は香川と和歌山の比較のグラフ、図２、図３は人口10万人あたり\nの交通事故件数と人口総数のグラフである。\n1\n---PAGE---\n8\n6.335\n6\n4\n2.742\n2\n0\n⾹川県 ⼈⼝３９位 和歌⼭県 ⼈⼝４０位\n4. 分析\n4.1 重回帰分析\n警察庁のデータから選出した速度違反件数、飲酒運転件数、整備不良件数、一時停止件数、駐停車件数\nの変数（平成１４～２９）を説明変数として重回帰分析した結果を以下に示した。ｐ値が0.05未満を統計\n的に有意とみなすことにした。\n2\n)件百(\n図１ ⼗万⼈当たりの交通事故数\n10\n8\n6\n4\n2\n0\n)件百(\n県賀佐 県崎宮 県川⾹ 県知愛 県梨⼭ 県島徳 県島児⿅ 県崎⻑ 県⼝⼭ 県⽟埼 県賀滋 県本熊 県城宮 県良奈 県媛愛 府都京 県⼭歌和 県知⾼ 県森⻘ 県⽊栃 県井福 道海北 県根島 県取⿃\n図２ 交通事故数(多い順)\n25\n20\n15\n10\n5\n0\n)⼈万⼗(\n県⼭岡 県島福 県重三 県本熊 県島児⿅ 県縄沖 県賀滋 県⼝⼭ 県媛愛 県崎⻑ 県良奈 県森⻘ 県⼿岩 県分⼤ 県川⽯ 県形⼭ 県崎宮 県⼭富 県⽥秋 県川⾹ 県⼭歌和 県梨⼭ 県賀佐 県井福 県島徳 県知⾼ 県根島 県取⿃\n図３ 都道府県別⼈⼝（20位〜47位）\n---PAGE---\n表1 香川の交通事故発生数を目的変数とした結果\n香川\n変数 回帰係数 標準誤差 t値 p値 重決定R2\n速度違反 -0.012 0.056 -0.221 0.829 0.96\n飲酒運転 2.134 0.964 2.214 0.051\n整備不良 3.636 0.578 6.294 0.000 補正R2\n一時停止 -0.517 0.072 -7.205 0.000 0.94\n駐停車 -0.622 0.198 -3.149 0.010\n表2 和歌山の交通事故発生数を目的変数とした結果\n和歌山\n変数 回帰係数 標準誤差 t値 p値 重決定R2\n速度違反 0.112 0.067 1.686 0.123 0.91\n飲酒運転 3.388 1.015 3.337 0.008\n整備不良 3.447 0.662 5.210 0.000 補正R2\n一時停止 -0.315 0.170 -1.851 0.094 0.865\n駐停車 -0.845 0.320 -2.640 0.025\n4.2 回帰診断\n残差のグラフを確認して、等分散性、独立性、正規性、外れ値をチェックし、この回帰モデルの妥当性を検\n証する。グラフ1は香川県の、グラフ２は和歌山県のグラフである。\n2.000\n1.000\n0.000\n0 20000 40000\n-1.000\n3\n)千(差残\n2.000\n1.000\n0.000\n-1.000 0 500 1000 1500\nX 値1\n図４ 速度違反残差グラフ1\n差残\n）千(\n2.000\n1.000\n0.000\n-1.000 0 1000 2000 3000\nX 値2\n図5 飲酒運転 残差グラフ1\n差残\n)千(\nX 値3\n図6 整備不良残差グラフ1\n---PAGE---\n2.000\n1.000\n0.000\n0 5000 1000015000\n-1.000\nこれらのグラフより、等分散性、独立性、正規性が確認された。また、外れ値はないと判断した。\nしかし、結果には回帰係数が負であるものが見られた。交通違反件数が増えれば、交通事故発生件数が減\nるというのはおかしいため、この回帰モデルは妥当ではなかったと考えた。\n5. データ分析の結果の解釈\n回帰分析の結果は妥当ではなかったが、集めた警察庁のデータやグーネットのデータを基に香川県の交\n通事故にかかわりの深い要因を考えた。\n6. 考察\n図 20 より香川県と和歌山県の交通事故に関係している事柄で両者共に速度違反件数と一時停止違反件\n数が多かった。しかし、図16を見ると、安全不確認は交通事故件数ランキングのトップだが、速度違反は\n見られないため、その他に属していると考えられる。よって、速度違反は交通事故への結びつきが一時停\n止違反ほどではないと考えた。図17を見るとわかる通り、近年、香川県の一時停止違反者は和歌山県より\nも多く、増加傾向にある。また、図 18 より香川県の交通事故発生件数は減少傾向にある。このことから、\n香川県と和歌山県の交通事故件数で差が生じるのは、一時停止違反が要因であると考えた。一時停止違反\n4\n)千(\n差残\n2.000\n1.000\n0.000\n-1.000 0 5000 10000\nX 値4\n図７ ⼀時停⽌ 残差グラフ1\n)千(差残 1.500\n1.000\n0.500\n0.000\n0.00050.000100.001050.000\nX 値5\n図8 駐停⾞残差グラフ1\n)万(\nY\nサンプル百分位数\n図9 ⾹川 正規確率グラフ\n2.000\n1.000\n0.000\n-1.000 0 10000 20000\n-2.000\n)千(\n差残\n2.000\n1.000\n0.000\n-1.000 0 1000 2000 3000\n-2.000\nX 値1\n図10速度違反残差グラフ２\n)千(差残\n2.000\n1.000\n0.000\n-1.000 0 1000 2000 3000\n-2.000\nX 値2\n図11 飲酒運転残差グラフ２\n)千(差残\nX 値3\n図12 整備不良残差グラフ２\n2.000\n1.000\n0.000\n-1.000 0 20000\n-2.000\n)千(\n差残\n2.000\n1.000\n0.000\n-1.000 0 5000 10000\n-2.000\nX 値4\n図13 ⼀時停⾞残差グラフ２\n)千(差残 1.000\n0.500\n0.000\n0.00050.000100.001050.000\nX 値5\n図14 駐停⾞残差グラフ２\nY\n）万（\nサンプル百分位数\n図15 和歌⼭ 正規確率グラフ",
    "2019U1-daijin.pdf": "2019年度 統計データ分析コンペティション\n総務⼤⾂賞（⼤学⽣・⼀般の部）\n地⽅創⽣⽬標指標に関する変化要因ネットワークの\n推定とそれに基づく地域間連携策の提案\n張 瀚天、⽩⿃ 友⾵\n（筑波⼤学⼤学院システム情報⼯学研究科）\n論⽂の概要\n地⽅創⽣の設定⽬標について、⽬標指標に影響を与える変数の相互関係を明らかにす\nるため、共分散⾏列を⽤いて要因ネットワーク図を作成し、lasso法による分析を⾏\nった。その結果、地域の稼ぐ⼒が地⽅創⽣に重要であることを指摘するとともに、地\n理的な制約にとらわれない地域間連携を提案している。\n論⽂審査会コメント\nグラフィカルモデリングを⽤いて、地⽅創⽣に関わる探索的関係性解析を多⽅⾯で実\n施し、データ分析能⼒が⾼く評価された。政策に関わる仮説実証型論⽂とは異なるが、\n近年のデータマイニングや機械学習に関わる⽅法論の政策科学分野への適⽤可能性を\n⽰した論⽂であり、得られた結論も探索的なものではあるが興味深いものもあった。\n---PAGE---\n地方創生目標指標に関する変化要因ネットワークの推定と\nそれに基づく地域間連携策の提案\n張 瀚天・白鳥 友風\n筑波大学大学院 システム情報工学研究科 社会工学専攻\n1 はじめに\nわが国における人口減少，少子高齢化に関する調査や対策の必要性への言及は枚挙に暇がない．特に地方において\n事態は深刻であり，例えば東京，埼玉，千葉，神奈川の人口の合計は2015年で日本の人口の約28.4%であるが，これ\nは2010年の約27.8%から0.6%の増加，人数にして約51万3千人の増加となっている[4]．国内における人口減少\nを勘案すると地方から大都市圏への人口流出が伺える．これらの課題に歯止めをかけるため，内閣府地方創生推進事\n務局は2015年に第1期「まち・ひと・しごと創生総合戦略」を策定した[9]．この方針では，「地方創生」を達成する\nための基本目標として「1．地方に仕事をつくり，安心して働けるようにする」，「2．地方への新しいひとの流れをつ\nくる」，「3．若い世代の結婚・出産・子育ての希望をかなえる」，「4．時代にあった地域をつくり，安心なくらしを守\nるとともに，地域と地域を連携する」の4項目（以降，目標1〜目標4 と呼ぶ）を設定している．つまり，これらの\n基本目標を満足させることで「地域創生」が充足され，人口減少・少子高齢化の解決の糸口になるという方針が打ち\n出されている．さらに, これら目標の達成を定量的に評価するべく, まち・ひと・しごと創生総合戦略では, これらの\n基本目標に対して15件, それぞれの施策に関して116件のKPI (key performance indicator)が設定されている[12].\nそれらの基本方針達成に向けて様々な取り組みがなされており,「連携中核都市圏構想」はその1つである. 連携中\n核都市圏構想は平成26年度から全国で展開されている制度であり, 地方において中枢都市が近隣の市町村と連携する\nことによって圏域全体の経済を牽引し，人口減少や少子高齢化社会などの影響による縮小経済においても社会経済を\n維持するための施策である. これにより, 2019年9月時点で連携中枢都市圏として32圏域の宣言がなされている状\n況にある[5]. 一方で, 先行研究により指摘があるように, 連携中枢都市圏に関する問題点として，圏内に含まれない地\n域があること，またそれに伴って圏外から圏内への人口流出を助長し，圏外の地域経済を悪化させる可能性があるこ\nとが挙げられる[13]．しかし，連携による経済効果も指摘されているように[7]，現状のすべての地方に対して, より広\n範囲での地域連携によって地域経済が活性化されるような枠組みが必要であると考えられる．\nまた, 基本目標はそれぞれ独立に達成しうるものではなく, 様々な要素が互いに影響しあい, 達成しうることに注意\nが必要である. 例えば, 目標1と目標2の関連で言えば, 目標1に関連するその地域の産業の「付加価値額」は, 目標\n2に関連する「人口流出率」と相関があることが報告されているが, 同時に「人口流入率」と「所得水準」にも相関が\nあり，人口と所得水準は循環して影響しあうとの指摘がある[11]. これは目標1と目標2の要素が互いに循環して影\n響しあう例であり, このように互いの目標が影響しあい達成しうるものであると考えられる.\nこのように, 基本目標の達成には, その地域の民間企業の雇用人数や, 各地方自治体による教育の補助や財源の確保，\n地域間の連携など, 複数の主体による直接的・間接的な要因が複雑に絡み合っており，基本目標を達成するというこ\nとに対して各自治体は具体的にどのような対策を講じればよいのかが煩雑で不透明である状況となっている. そのた\nめ, 各市町村において何を改善することが基本目標に含まれる要素の改善に繋がるのかを明らかにすることは地域創\n生の方針における根本的な課題といえる．これを踏まえ，本稿では各地域では「どのような指標が基本目標の達成に\nつながるか」,「その指標を改善するためにはどのような対策が必要か」の2点を明らかにすることを目的とする．\n1\n---PAGE---\n2 分析方針と方法\n2.1 分析方針\n本稿では各市町村に関する包括的なデータセットを作成し, それによりどの要因が地方創生の達成に繋がりうるか\nを明らかにする. 具体的には, まち・ひと・しごと創生総合戦略の4つの基本目標のKPIに深く関連する指標(以降\nでは, 目標指標と表記)を定義し, その指標の過去の変動要因を明らかにする. また, まち・ひと・しごと創生総合戦略\nでは5年ごとに期が設定されており, 2020年から第2期「まち・ひと・しごと創生総合戦略」が始動する[10]. それを\n勘案し, 5年における複数の指標の変化のデータを分析する. 以降では具体的な分析案について述べる.\n2.2 分析1：目標指標の増加率と人口規模の関連\n前述の通り, 各地方自治体では, 都市部への人口が流出しており, 日本全体の人口現状を鑑みると経済規模が徐々に\n縮小してしまっていると考えられる. 一方で都市部では依然として人口が多く, 地方と比べ経済規模も大きい. まち・\nひと・しごと創生総合戦略に掲げられている通り, 地方創生において人口が最も重要な変数の1つであると考えられ\nる. 分析1ではこのような人口と目標指標の変化量を相関分析をすることで, すでに人口規模が大きいところが目標\n指標を改善しやすいのか, もしくは違った傾向が存在するのかを明らかにする.\n2.3 分析2：目標指標に影響する変数の特定\n目標指標は他の様々な要因によって複雑に関係しあっていると考えられる. そこで分析2では, 目標指標と他の様々\nな変数との関係を，ガウシアングラフィカルモデル(GGM)を用いたネットワーク分析によって推定する．GGMは，\n多変量正規分布に従うp次元確率変数ベクトルX =(X ;:::;X )が与えられたとき，変数X と変数X (j ̸=i)の関\n1 p i j\n係を条件付き分布を用いて推定し，グラフ化する手法である. そのモデルは,\n∑\n!\nX =(cid:0) jk +ϵ\nj ! j\nk̸=j jj\nと表される．ここで，! は説明変数の共分散行列の逆行列の(i;j)要素(i;j =1;:::;p)であり,ϵ (cid:24)N(0;1=! )で\ni;j j jj\nある．ここで，! =0と推定されれば，「X とX は，他の説明変数が与えられた下で独立である」つまり「他の\njk j k\n変数を考慮すると，X とX は関係性がない」という条件付き独立と解釈することができる．実際の推定では計算\nj k\n誤差などの影響から! が0であると推定することは難しい，そのため関係性が弱いと考えられるものを0と推定す\njk\nるスパース推定法を合わせて適用するグラフィカルlasso (glasso)[14]を用いる．\n対象とするデータは複雑に影響しあっているため, 多重共線性の問題が考えられる. GGM は線形回帰分析と同\n様，多重共線性と呼ばれる変数間に高い相関があることでパラメータ推定が不安定になるという問題が発生しうるが,\nglassoは頑健性を持つことが知られており[1], 分析対象に適した分析手法であると考えられる. さらに分布を仮定す\nることから, そのモデルの性能を尤度を用いて, AIC(赤池情報量基準)やBIC(ベイズ情報量規準)を計算することで\n客観的に評価することができる特徴がある.\n加えて, 推定された目標指標に関する変数間のネットワーク構造から, その構造においてどの変数が最も影響を及ぼ\nしているかを，その構造においての媒介中心性[16] を用いて評価することで目標指標に対する変数の重要度を評価す\nる．媒介中心性はネットワークにおけるノード(変数)が他のノード間の最短距離のパスに含まれた回数で評価され,\nどれだけ他の変数に影響を与えているかを評価することができる. 本稿ではglassoで推定された係数情報を活用する.\n係数が大きいということは関係が強いということを表すため, 係数の逆数をそのノード間の距離として, 各変数の媒介\n中心性を計測する. その際に, 変数間の関係である係数が必ずしも正であるとは限らないため, 正の係数からなるネッ\nトワークと負の係数からなるネットワークそれぞれを独立に評価し, 各ノードに対して正の係数ネットワークでの媒\n介中心性から負の係数ネットワークでの媒介中心性を引くことで, そのノードの正の影響度合いを調査する. 第4章\nにて後述するが, 影響の解釈性を地方創生への貢献と一致させるため, 失業者数などの減らすことを目標する変数に関\nしては符号を逆転させ解釈を一致させる.\n2\n---PAGE---\n図表1: 使用した変数の基本統計量と出典, 及び使用した分析\n項目名 データ年度 分析番号 平均 分散 最小値 中央値 最大値 出典\n就業者数 2010年 1 34109.774 85052.764 139.000 12153.000 1703374.000 e-Stat(2010)\n女性就業者数 2010年 1 14608.194 36170.037 40.000 5299.500 687742.000 e-Stat(2010)\n完全失業者数 2010年 1 2340.023 5998.169 0.000 851.500 113909.000 e-Stat(2010)\n雇用者数(正規の職員・従業員)[人] 2010年 1 17413.041 43966.465 77.000 6174.500 946329.000 e-Stat(2010)\n転入者数[人] 2010年 1 2919.121 9530.025 14.000 867.500 188101.000 e-Stat(2010)\n転出者数[人] 2010年 1 2916.079 9825.378 14.000 742.000 191882.000 e-Stat(2010)\n転出超過数(=転入者数-転出者数) 2010年 1 -3.042 504.490 -1683.000 -51.000 5820.000 収集した変数を元に計算\n婚姻件数[組] 2010年 1 400.889 1164.660 0.000 111.500 22305.000 e-Stat(2010)\n出生数[人] 2010年 1 613.190 1630.777 0.000 184.000 32053.000 e-Stat(2010)\n保育所等数[人] 2010年 1 12.401 23.658 0.000 6.000 393.000 e-Stat(2010)\n就業者数[人] 2015年 1 33725.744 84366.349 139.000 11813.500 1673913.000 SSDSE-2019A\n女性就業者数[人] 2015年 1 14795.610 36915.510 48.000 5280.000 703037.000 SSDSE-2019A\n完全失業者数[人] 2015年 1 1492.562 3916.208 0.000 508.500 67778.000 SSDSE-2019A\n雇用者数(正規の職員・従業員)[人] 2015年 1 17363.618 43826.369 85.000 6041.000 912602.000 SSDSE-2019A\n転入者数[人] 2015年 1 2894.894 9481.111 18.000 838.000 183661.000 SSDSE-2019A\n転出者数[人] 2015年 1 2895.374 10008.106 12.000 697.500 187687.000 SSDSE-2019A\n転出超過数(=転入者数-転出者数) 2015年 1 0.480 726.965 -3088.000 -62.000 11662.000 収集した変数を元に計算\n婚姻件数[組] 2015年 1 363.736 1075.772 0.000 96.000 19634.000 SSDSE-2019A\n出生数[人]_変化数 2015年 1 575.629 1572.707 0.000 160.000 30022.000 SSDSE-2019A\n保育所等数[人]_変化数 2015年 1 13.864 29.634 0.000 6.000 621.000 SSDSE-2019A\n総人口[人]_（変化数） 2010年 1,2 -0.045 0.053 -0.370 -0.047 0.240 e-Stat(2010)\n就業者数[人]_変化数 2010年, 2015年 2 -0.013 0.024 -0.154 -0.013 0.203 SSDSE-2019A, e-Stat(2010)\n女性就業者数[人]_変化数 2010年, 2015年 2 -0.002 0.012 -0.099 -0.002 0.043 SSDSE-2019A, e-Stat(2010)\n完全失業者数[人]_変化数 2010年, 2015年 2 -0.013 0.006 -0.067 -0.012 0.019 SSDSE-2019A, e-Stat(2010)\n雇用者数(正規の職員・従業員)[人]_変化数 2010年, 2015年 2 -0.005 0.017 -0.107 -0.005 0.277 SSDSE-2019A, e-Stat(2010)\n転入者数[人] 2010年, 2015年 2 -0.001 0.006 -0.053 -0.001 0.134 SSDSE-2019A, e-Stat(2010)\n転出者数[人] 2010年, 2015年 2 -0.002 0.007 -0.052 -0.002 0.136 SSDSE-2019A, e-Stat(2010)\n転入者数-転出者数 2010年, 2015年 2 -0.001 0.007 -0.070 -0.001 0.056 SSDSE-2019A, e-Stat(2010)\n婚姻件数[組]_変化数 2010年, 2015年 2 -0.001 0.001 -0.006 -0.001 0.011 SSDSE-2019A, e-Stat(2010)\n出生数[人]_変化数 2010年, 2015年 2 -0.001 0.001 -0.011 -0.001 0.017 SSDSE-2019A, e-Stat(2010)\n保育所等数[人]_変化数 2010年, 2015年 2 0.000 0.000 -0.001 0.000 0.003 SSDSE-2019A, e-Stat(2010)\n１５歳未満人口[人]_変化数 2010年, 2015年 2 -0.012 0.011 -0.094 -0.013 0.090 SSDSE-2019A, e-Stat(2010)\n１５〜６４歳人口[人]_変化数 2010年, 2015年 2 -0.057 0.032 -0.195 -0.060 0.147 SSDSE-2019A, e-Stat(2010)\n６５歳以上人口[人]_変化数 2010年, 2015年 2 0.022 0.022 -0.123 0.025 0.083 SSDSE-2019A, e-Stat(2010)\n外国人人口[人]_変化数 2010年, 2015年 2 0.000 0.003 -0.012 0.000 0.041 SSDSE-2019A, e-Stat(2010)\n死亡数[人]_変化数 2010年, 2015年 2 0.000 0.002 -0.018 0.001 0.011 SSDSE-2019A, e-Stat(2010)\n高齢単身世帯数（６５歳以上の者１人）[世帯]_変化数 2010年, 2015年 2 0.007 0.004 -0.032 0.007 0.037 SSDSE-2019A, e-Stat(2010)\n可住地面積[ｈａ]_変化数 2010年, 2015年 2 0.002 0.045 -0.746 0.000 0.558 SSDSE-2019A, e-Stat(2010)\n課税対象所得[千円]_変化数 2009年, 2014年 2 19.192 109.256 -493.741 9.389 1993.197 e-Stat(2009,2014)\n第１次産業事業所数（経済センサス‐基礎調査結果）[所]_変化数 2009年, 2014年 2 0.000 0.000 -0.006 0.000 0.003 SSDSE-2019A, e-Stat(2009)\n第２次産業事業所数（経済センサス‐基礎調査結果）[所]_変化数 2009年, 2014年 2 -0.001 0.001 -0.014 -0.001 0.021 SSDSE-2019A, e-Stat(2009)\n第３次産業事業所数（経済センサス‐基礎調査結果）[所]_変化数 2009年, 2014年 2 -0.003 0.004 -0.035 -0.003 0.024 SSDSE-2019A, e-Stat(2009)\n売上金額（民営）[百万円]_変化数 2011年, 2016年 2 1.492 7.969 -45.213 0.750 216.798 SSDSE-2019A, e-Stat(2011)\n経常収支比率（市町村財政）[％]_変化数 2010年, 2015年 2 0.000 0.002 -0.033 0.000 0.035 SSDSE-2019A, e-Stat(2010)\n実質公債費比率（市町村財政）[％]_変化数 2010年, 2015年 2 -0.001 0.002 -0.035 0.000 0.015 SSDSE-2019A, e-Stat(2010)\n歳入決算総額（市町村財政）[千円]_変化数 2010年, 2015年 2 48.869 316.284 -6014.273 26.765 5025.992 SSDSE-2019A, e-Stat(2010)\n地方税（市町村財政）[千円]_変化数 2010年, 2015年 2 0.993 21.947 -307.556 0.516 456.352 SSDSE-2019A, e-Stat(2010)\n歳出決算総額（市町村財政）[千円]_変化数 2010年, 2015年 2 42.864 291.937 -5724.450 24.827 5010.060 SSDSE-2019A, e-Stat(2010)\n民生費（市町村財政）[千円]_変化数 2010年, 2015年 2 25.424 67.609 -239.726 19.396 1717.203 SSDSE-2019A, e-Stat(2010)\n土木費（市町村財政）[千円]_変化数 2010年, 2015年 2 12.927 100.735 -1710.623 1.413 1921.813 SSDSE-2019A, e-Stat(2010)\n教育費（市町村財政）[千円]_変化数 2010年, 2015年 2 0.775 69.977 -506.686 0.335 1667.379 SSDSE-2019A, e-Stat(2010)\n災害復旧費（市町村財政）[千円]_変化数 2010年, 2015年 2 5.030 39.270 -142.412 0.000 1152.861 SSDSE-2019A, e-Stat(2010)\n幼稚園数[園]_変化数 2010年, 2015年 2 0.000 0.000 -0.001 0.000 0.000 SSDSE-2019A, e-Stat(2010)\n小学校数[校]_変化数 2010年, 2015年 2 0.000 0.000 -0.001 0.000 0.000 SSDSE-2019A, e-Stat(2010)\n中学校数[校]_変化数 2010年, 2015年 2 0.000 0.000 -0.002 0.000 0.000 SSDSE-2019A, e-Stat(2010)\n高等学校数[校]_変化数 2010年, 2015年 2 0.000 0.000 -0.001 0.000 0.000 SSDSE-2019A, e-Stat(2010)\n非労働力人口[人]_変化数 2010年, 2015年 2 -0.012 0.026 -0.163 -0.010 0.060 SSDSE-2019A, e-Stat(2010)\n公民館数[館]_変化数 2011年, 2015年 2 0.000 0.000 -0.002 0.000 0.006 SSDSE-2019A, e-Stat(2011)\n図書館数[館]_変化数 2011年, 2015年 2 0.000 0.000 0.000 0.000 0.002 SSDSE-2019A, e-Stat(2011)\n非水洗化人口[人]_変化数 2010年, 2015年 2 -0.050 0.074 -0.454 -0.033 0.860 e-Stat(2010,2015)\n小売店数[事業所]_変化数 2011年, 2016年 2 -0.001 0.001 -0.019 -0.001 0.008 SSDSE-2019A, e-Stat(2011)\n飲食店数（経済センサス-基礎調査結果）[事業所]_変化数 2011年, 2016年 2 0.000 0.001 -0.006 0.000 0.006 SSDSE-2019A, e-Stat(2011)\n大型小売店数（経済センサス‐基礎調査及び活動調査結果）[事業所]_変化数 2011年, 2016年 2 0.000 0.000 0.000 0.000 0.001 SSDSE-2019A, e-Stat(2011)\n一般病院数[施設]_変化数 2010年, 2015年 2 0.000 0.000 -0.001 0.000 0.000 e-Stat(2010,2015)\n一般診療所数[施設]_変化数 2010年, 2015年 2 0.000 0.000 -0.001 0.000 0.001 e-Stat(2010,2015)\n歯科診療所数[施設]_変化数 2010年, 2015年 2 0.000 0.000 -0.002 0.000 0.001 e-Stat(2010,2015)\n一般財源（市町村財政）[千円]_変化数 2010年, 2015年 2 3.954 43.073 -306.263 0.989 543.990 e-Stat(2010,2015)\n投資的経費（市町村財政）[千円]_変化数 2010年, 2015年 2 5.415 218.218 -5616.201 1.041 3049.985 e-Stat(2010,2015)\n売上金額（民営）[百万円] 2016年 3 947966.795 4924840.593 123.000 158554.000 103971539.000 e-Stat(2009,2014)\n従業員特化係数(農業，林業)[A] 2016年 3 4.398 6.703 0.000 1.959 61.077 RESAS(2016)\n従業員特化係数(漁業)[B] 2016年 3 5.732 23.309 0.000 0.000 419.920 RESAS(2016)\n従業員特化係数(鉱業，採石業，砂利採取業)[C] 2016年 3 3.915 13.993 0.000 0.000 208.938 RESAS(2016)\n従業員特化係数(建設業_特化係数)[D] 2016年 3 1.432 0.803 0.000 1.226 8.622 RESAS(2016)\n従業員特化係数(製造業)[E] 2016年 3 1.337 0.790 0.000 1.231 4.483 RESAS(2016)\n従業員特化係数(電気・ガス・熱供給・水道業)[F] 2016年 3 1.237 4.400 0.000 0.242 86.560 RESAS(2016)\n従業員特化係数(情報通信業)[G] 2016年 3 0.174 0.461 0.000 0.053 6.658 RESAS(2016)\n従業員特化係数(運輸業，郵便業[H]) 2016年 3 0.902 0.651 0.000 0.764 6.711 RESAS(2016)\n従業員特化係数(卸売業，小売業)[I] 2016年 3 0.895 0.228 0.189 0.912 1.972 RESAS(2016)\n従業員特化係数(金融業，保険業)[J] 2016年 3 0.524 0.370 0.000 0.478 5.062 RESAS(2016)\n従業員特化係数(不動産業，物品賃貸業)[K] 2016年 3 0.557 0.402 0.000 0.490 2.637 RESAS(2016)\n従業員特化係数(学術研究，専門・技術サービス業)[L] 2016年 3 0.546 0.734 0.000 0.420 17.949 RESAS(2016)\n従業員特化係数(宿泊業，飲食サービス業)[M] 2016年 3 0.996 0.704 0.016 0.866 6.793 RESAS(2016)\n従業員特化係数(生活関連サービス業，娯楽業)[N] 2016年 3 1.027 0.594 0.000 0.973 8.680 RESAS(2016)\n従業員特化係数(教育，学習支援業_特化係数)[O] 2016年 3 0.612 0.653 0.000 0.446 8.700 RESAS(2016)\n従業員特化係数(医療，福祉_特化係数)[P] 2016年 3 1.113 0.484 0.000 1.066 3.578 RESAS(2016)\n従業員特化係数(複合サービス事業)[Q] 2016年 3 2.153 2.103 0.071 1.589 38.484 RESAS(2016)\n従業員特化係数(サービス業（他に分類されないもの）)[R] 2016年 3 0.670 0.334 0.000 0.617 4.504 RESAS(2016)\n図表2: 分析2においての前処理例\n2.4 分析3：相乗効果が期待できる地域連携パターンの推定\n分析2によって特定された目標指標に対して重要である変数に注目し, その変数値をもとにクラスタリングを行う.\n具体的には, 分析対象データの性質を活かし, 変数を離散化し, 潜在クラス分析[17] により, 共通のクラスターに分類\nする. 潜在クラス分析は, 離散変数の尤度をEMアルゴリズムによって最大化することで, 類似した変数の傾向をもつ\nサンプルをクラスタリングするアルゴリズムである. 尤度を用いた分析であるため, glasso同様にAICやBICなど\nでクラスタ数などの調整すべきパラメータを客観的に評価し決定することができる点で強みをもつ. さらにクラスタ\nリングの結果はそのクラスターへの所属確率で表されるため, クラスタリングの結果が各サンプルに対して1つのラ\nベルで返されるハードクラスタリング手法とは異なり, 各サンプルに対して所属しうるクラスターを複数持つことが\nでき, 柔軟な地方連携を提案することができる.\n本稿では, glassoと潜在クラス分析において, あらかじめ決めておかなければならないパラメータであるハイパーパ\nラメータについてともにAICを用いて客観的に評価を行う. glassoのハイパーパラメータであるスパース性に関わ\nる正則化項の強度を調整するパラメータは0から0.5まで0.001間隔で探索を行い, 潜在クラス分析のハイパーパラ\nメータであるクラスター数は2から50までの間で探索を行いそれぞれAICが最小であったパラメータを選択する.\n3\n---PAGE---\n3 データ概要\n本稿で使用したデータの基本統計量，出典，及びどの分析で用いたかを図表1に示す．本稿では, 市町村に対して\n広範囲な変数を収録しているSSDSE-2019Aデータを元に分析対象を決定したが, まち・ひと・しごと創生総合戦略\nに合わせ5年の変化量に着目するため, SSDSE-2019Aデータに存在する項目でもe-Statから取得した変数も存在す\nる. SSDSE, e-Stat, RESASなどの異なる出典からのデータ統合の際には市町村に対してのユニークなidである地\n域コードを元に統合し, 欠損を除いた1722市町村に対して分析を行う. ただし, 宮城県富谷市, 福岡県那珂川市に関\nしては人口規模の増加により町から市へ変わったことから地域コードが合致しない箇所があるが, それらは同一の市\n町村とみなし分析を行う.\n分析の際に4つの基本目標に対するKPIを元にそれらに深く関連する10項目を目標指標として設定する. 具体的\nには目標1に関して, 就業者数, 女性就業者数, 完全失業者数, 正規雇用者数の4つの変数を, 目標2に関して, 転入者\n数, 転出者数, 転出超過数の3つの変数を, 目標3として婚姻件数, 出生数, 保育所等数の3つの変数を設定する. 目標\n4に関しては, KPIとして設定されている項目が「立地適正化計画を作成する市町村数」など市町村にまたがる項目\nが多く単一市町村における分析と異なる点, 収集できるデータの限界から本稿においては目標指標を設定しない.\n分析2に関して, 本稿で用いるガウシアングラフィカルモデルは，使用する変数に多変量正規分布を仮定している．\nしかし，使用データは図表2(a), (b)に示す通り，元データ，2010年と2015年の差の両方とも, 正規分布裾野を厚く\nしたよう分布（ベキ分布）をしている．そのため, 分析1の結果を踏まえ, より正規分布に近づけるための処理とし\nて，2010年と2015年の差を，2010年の各地域の総人口で割ることで一人当たりの値として扱う．図表2に目標指標\nの1つである就業者数に対して前処理の例を示す. 使用する変数の中で, 歳入の変化数, 歳出の変化数, 投資的経費の\n変化数は互いに0.9以上の相関係数があるため, ほぼ同一の変数を表していると考え, 歳出の変化数, 投資的経費を除\nいた. 同様に総人口の変化数と15〜64歳人口の変化数も0.85以上の相関係数であったため, 総人口の変化数を除い\nた. また非水洗化人口は変化が負の方向にしか存在しなかったため, 正規性の仮定から除いた. 推定されるグラフの構\n造には影響しないが, 推定された係数の符号の解釈と地方創生に対する影響を合致させるため, 完全失業, 転出者, 転\n出超過, 死亡者, 経常収支比率, 実質公債費比率の変化数の変数に関しては, -1をかけることで符号を逆転させた.\n分析3に関して, 売上金額, 従業員特化係数をクラスタリングを行う際に離散化を行う. これは, 特化係数が特定の\n産業に対しての全国平均に対して, その地域のその産業の特化比率を表しており1を超えていることが大きな意味を\n持つと考えられること, さらに通常連続値でのクラスタリングを行う際にユークリッド距離などの距離を計測するが,\n特化係数の分布もまた1以下の値が極端に大きいベキ分布に従っているため距離的に近いサンプルが極端に多くなっ\nてしまい正しくクラスタリングをすることができないことを考慮し, これを緩和する目的で離散化を行う.具体的には\n規模を考慮するため, 売上金額では0.1から1まで0.1刻みの分位点の範囲で含まれるかどうかにより離散化し, 特化\n係数に関してはその値が1, 3, 5を超えているかどうかにより離散化する.\n4 結果と提案\n4.1 分析1の結果と解釈：目標指標に対する人口規模の影響\n図表3は地域ごとに2010年総人口と各種目標指標の増加率を散布図としてプロットしたものである．いずれも相\n関係数は小さな値をとっており，また図からも比例関係が見られないことからも，人口規模は目標指標の増加率に対\nして影響しないということが確認できる．このことから現在人口を集められている地方であっても, そうでなく過疎\n化が進行している地方であっても, 過去5年間における目標指標の増加率が関係しないと考えられることが明らかに\nなった. そのため, 分析2ではこれらの全市町村に共通する目標指標の変動の要因を明らかにする.\n4.2 分析2の結果と解釈：目標指標に影響する変数の特定\nスパース推定法を用いたガウシアングラフィカルモデルであるglassoにより得られたネットワークを図表4(a)に\n示す．10の目標指標に関しては, ノードのインデックスとして小文字のアルファベットを用いて色を変更した. 前述\n4",
    "2019U2-yushu.pdf": "2019年度 統計データ分析コンペティション\n優秀賞（⼤学⽣・⼀般の部）\n我が国における⼈⼝増減の決定要因\n⽵内 太郎（⼤阪⼤学医学部）\n論⽂の概要\n都道府県の⼈⼝増減について決定要因を探るため、教育、健康・医療分野の指標を説\n明変数として回帰分析を⾏った。その結果、⾼等学校卒業者の進学率、⼀般診療所数、\n医師数の増加などが⼈⼝増加に影響しているとの結果を得ており、⼈⼝減少を克服す\nるための政策⽴案の基礎資料として提案している。\n論⽂審査会コメント\n変量効果モデルを⽤いて、⼈⼝増減に与える要因を⽰しており、解釈も明確であり、\n⼗分な実証技術を⽰した論⽂として評価された。⼀⽅で、当該分野には変数間の因果\n関係についても様々な先⾏研究が存在する。それらを参考にすることで、論⽂の考察\nや結論を発展させることが期待できる。\n---PAGE---\n我が国における人口増減の決定要因\n竹内太郎*1\n*1: 大阪大学医学部医学科5年\n1. 研究背景・研究目的\n日本における人口減少は社会的な問題である。2010年の国勢調査において1億2806万人であった我が国の総\n人口は、2060年には8674万人に減少すると推計されている[1]。\n人口減少は、次の3段階に分けて捉えることができる[1]。第1段階：若年人口は減少するが、高齢者は増加す\nる時期、第2段階：若年人口の減少が加速するとともに、高齢者人口が微減へと転じる時期、第3段階：若年人\n口の減少がより一層加速化し、高齢者人口も減少する時期、の3つである。日本は今、第1段階にあるが、やが\nて第2段階に転じることが予想されている。若年人口は一貫して減少しており、今後その傾向はますます顕著に\nなると予想されている。一方、老年人口割合（65歳以上人口）は増加し続けており、2060年にはおよそ40%に\n達すると推計されている[1]。\n人口減少がもたらす影響は、経済、地域社会、財政等広範にわたる[1]。経済面では、老年人口の増加に伴い就\n業者数が減少し、経済成長が停滞することが懸念されている[2] [3]。地域社会では、労働人口減少や消費の停滞に\nより地域経済社会の減少が懸念されている[1]。社会保障では、社会保障の担い手である生産年齢人口が減少する\nことで、社会保障や財政維持が困難になることが懸念されている。\n以上のように、人口減少が日本社会にもたらす影響は広範にわたり、人口減少を克服するための効果的な政策\nの立案が必要である。これまでも、医療、教育、労働、財政基盤といった各分野の諸要因の変動が人口増減にど\nのような影響を与えるかについては分析されてきたが、多くは単年度のデータを用いた解析であった。しかし、\nこうした社会的要因は時間の経過に従って変化するため、複数年度のデータをまとめて各要因の経時的変化も考\n慮した解析を行うことで、因果関係を特定し、人口増減に影響を与える要因を検討することが可能であると考え\nられる。\n本研究では、若年者と特に関わりの深い、教育、健康・医療の2分野に関わる諸社会生活統計指標を説明変\n数、人口増減率を被説明変数として、2005年度から2016年度までの12年間の、全国47都道府県の統計データ\nを用いてパネルデータ分析を行った。教育・医療の観点から日本における人口減少の決定要因について考察し、\n人口減少克服の取り組みに貢献することを目的とする。\n2. 方法\n2005年度から2016年度までの12年間の、全国47都道府県の統計データを用いて、被説明変数を人口増減率、\n説明変数を15の社会生活統計指標として、パネルデータ分析を行った。説明変数に含める社会生活統計指標は、教\n育、健康・医療の2分野から選択した。教育の分野からは幼稚園数・小学校数・中学校数・高等学校数・大学数・中学\n校卒業者進学率・高等学校卒業者進学率、健康・医療の分野からは一般病院数・一般診療所数・歯科診療所数・精神科\n病院数・医師数・歯科医師数・看護師/准看護師数をそれぞれ用いた。また、老年人口割合も説明変数に含めること\nで、高齢化の影響を調整した。政府統計の総合窓口（e-Stat）からの上記変数のデータ抽出方法については、次項（3.\nデータの概要）で述べる。\nパネルデータ分析では、𝑌 を第i (cid:4666)𝑖 (cid:3404)1,2,⋯47(cid:4667)都道府県のt (cid:4666)𝑡 (cid:3404)2005,2006,⋯2017(cid:4667)年度における人口増減\n(cid:3036)(cid:3047)\n率、𝑋 (cid:4666)𝑗(cid:3404)1,2,⋯15(cid:4667)をその説明変数として、以下のような重回帰分析を行った。\n(cid:3037),(cid:3036)(cid:3047)\n(cid:2869)(cid:2873)\n𝑌 (cid:3404)𝛼(cid:3397)(cid:3533)𝛽𝑋 (cid:3397)𝑢 (cid:3397)𝜖\n(cid:3036)(cid:3047) (cid:3037) (cid:3037),(cid:3036)(cid:3047) (cid:3036) (cid:3036)(cid:3047)\n(cid:3037)(cid:2880)(cid:2869)\n𝛽 は回帰係数、𝑢 は都道府県毎に異なるindividual effectを表し、𝑢 を定数とみなす固定効果モデル、𝑢 を確率変数\n(cid:3037) (cid:3036) (cid:3036) (cid:3036)\nとみなすランダム効果モデルの両方を当てはめ、検討した。ϵ は誤差項であり、互いに独立に正規分布に従っているも\n(cid:3036)(cid:3047)\nのとする。ランダム効果モデルの推定では、「帰無仮説：ランダム効果は存在しない、対立仮説：ランダム効果が存在\n1\n---PAGE---\nする」とする仮説検定（Breusch-PaganのLM検定）を行った。また、ランダム効果と説明変数の間の相関を検定する\nために、「帰無仮説：ランダム効果と説明変数は無相関、対立仮説：ランダム効果と説明変数は無相関でない」とする\n仮説検定（ハウスマン検定）を行った。\n統計解析は、Stata/MP 15.0で行った。仮説検定は有意水準5%で行った。\n3. データの概要\n被説明変数である人口増減率については、SSDSE-2019B（教育標準用データセットの都道府県・時系列データ）に含\nまれる、2005-2016年度の各年度の出生数、死亡数、転入者数、転出者数、日本人人口を元に算出した。人口増減率\nは、自然増減率と社会増減率の和で表される。自然増減率と社会増減率は、それぞれ次のように求められる。\n自然増減率(cid:3404)(cid:4666)出生数(cid:3398)死亡数(cid:4667) / 日本人人口∗1000\n社会増減率(cid:3404)(cid:4666)転入者数(cid:3398)転出者数(cid:4667) / 日本人人口∗1000\n説明変数である15の社会生活統計指標については、47都道府県の2005-2016年度のデータを、SSDSE-2019B または\ne-Statから入手した。各社会生活統計指標のデータのコード、項目の説明、データの出自を、以下の表1に示す。\n表1 説明変数として投入した社会生活統計指標一覧\n4. 結果\n説明変数として投入した15個の変数間の相関係数を、巻末（8ページ）の補表2に示す。教育分野では、幼稚\n園数・小学校数・中学校数・高等学校の間に強い相関が認められた。老年人口割合と大学数・高等学校卒業者進\n学率の間には負の相関が見られた一方、老年人口と小学校数・中学校数・高等学校数の間には正の相関が認めら\nれた。\n説明変数として投入した15個の変数の経年変化（全国平均値の推移及び標準偏差）を、3-4ページの図1-(a)～\n(o)に示す。12年間で、全国的に概ね増加傾向にあったのは老年人口割合、人口10万人あたりの大学数・一般診\n療所数・歯科診療所数・医師数・歯科医師数・看護師/准看護師数であった。人口10万人あたりの幼稚園数・小\n学校数・中学校数・高等学校数は、2009年度頃を境に減少傾向に転じていた。人口10万人あたりの一般病院数\nは、12年間ほぼ一貫して減少傾向であった。\n2\n---PAGE---\n図1-(a) 老年人口割合の経年変化 図1-(b) 3-5歳人口10万人あたり幼稚園数の経年変化\n図1-(c) 6-11歳人口10万人あたり小学校数の経年変化 図1-(d) 12-14歳人口10万人あたり中学校数の経年変化\n図1-(e) 15-17歳人口10万人あたり高等学校数の経年変化 図1-(f) 人口10万人あたり大学数の経年変化\n図1-(g) 中学校卒業者進学率の経年変化 図1-(h) 高等学校卒業者進学率の経年変化\n3\n---PAGE---\n図1-(i) 人口10万人あたり一般病院数の経年変化 図1-(j) 人口10万人あたり一般診療所数の経年変化\n図1-(k) 人口10万人あたり歯科診療所数の経年変化 図1-(l) 人口10万人あたり精神科病院数の経年変化\n図1-(m) 人口10万人あたり医師数の経年変化 図1-(n) 人口10万人あたり歯科医師数の経年変化\n図1-(o) 人口10万人あたり看護師/准看護師数の経年変化\n4",
    "2019U3-suri.pdf": "2019年度 統計データ分析コンペティション\n統計数理賞（⼤学⽣・⼀般の部）\nマルチレベル分析を⽤いた\n市町村⼤学等進学率の決定要因分析\n松本 洋輔（⼀橋⼤学経済学部）\n論⽂の概要\n⼤学等進学率の地域格差の要因を探るため、都道府県レベルと市区町村レベルの複数\nの説明変数を同時に扱うマルチレベル分析を⾏った。結果として、都道府県レベルで\nは東京または京都までの距離と⼤学収容率、市区町村レベルでは課税対象所得、知識\n集約型産業従事者率等が、⼤学等進学率に影響していると指摘している。\n論⽂審査会コメント\n市町村⼤学進学率について、先⾏研究に基づき変数を選択し、マルチレベルモデルを\nよく理解した上で適⽤し、考察と共に⼀定の結果を導いており⾼く評価された。\n---PAGE---\nマルチレベル分析を用いた\n市町村大学等進学率の決定要因分析\n松本 洋輔\n一橋大学経済学部\n第１章 研究の背景と目的\n日本の大学等進学率は戦後から上昇傾向を維持しており、近年では全国平均でみると50%超を記録して\nいる。しかしながら、進学率には無視することのできない大きさの地域格差が依然として存在していること\nもまた事実である。全国学力調査の結果を参考にする限りでは、中学時代の学力と大学等進学率に殆ど相関\nがみられないにも関わらず、このような格差が生まれるのは一体なぜなのであろうか(図1参照)。\n図1 各都道府県の大学等進学率と中学校第３学年対象全国学力調査正答率(出典 学校基本調査 (文部科学省2014年)と全国学力調\n査結果(文部科学省2010年)より作成) 相関係数0.226\nこの大学等進学率1の地域格差問題は機会均等や人材有効活用等の観点において興味深い研究対象であ\nり、実際に国内でも要因分析を行った先行研究が数多く存在する。上山(2011)(3)では親の所得・職業・学歴\nや地域の大学収容率が、友田(1970)(5)では前述のものに加えて人口が大学進学率に影響を与えるとしてい\nる。また大井(2013)(1)は大学進学率が全国平均で約50%であるにも関わらず、未だ大きな地域格差が存在し\nているのは経済的要因だけでは説明不十分であるとし、経済要因を均等化した場合の都道府県別大学進学率\nを予測し、地域特有の要因の存在について示唆を出している。\nしかし、これらの研究はあくまで都道府県単位での大学進学率に対しての研究であり、市町村単位での分\n析ではない。確かに都道府県単位での要因分析も政策考案の際に有用ではあるが、実際には都道府県内部に\nおいても都市部・郊外等の様々な状況の違いから格差が生じていることは明らかであり、市町村単位でのよ\nり細かい分析が必要である。また市町村単位の分析がされていない現状では都道府県の行政組織が独自に大\n学等進学率向上政策を打ち出そうと考えた際に、どのような性質を持つ市町村へ重点的に援助を行うか等の\n考察が困難である。\nそこで本稿では、教育格差是正政策への関心をより一層高めること・都道府県単位の行政組織が行う市町\n村大学等進学率向上施策の実行・国家等主体で行う都道府県全体に影響を及ぼす政策実行のための資料作成\nを目的として、 (1)都道府県要因を分離したうえでの、市町村単位の大学等進学率決定要因分析 (2)都道府\n県要因の存在確認とその要因に関する分析の二点を実施する。\n第２章 研究・分析の方法・手順\n2.1 分析に用いる手法\n1 今回はデータの一貫性を担保するため、多くの先行研究で用いられている大学学部進学率ではなく、短大への入学も考慮した大学等\n進学率を分析対象としている。(大学学部進学率を分析対象にした場合、入手困難なデータが複数存在した。)\n1\n---PAGE---\n分析手法は従来の回帰分析ではなく、異なる階層間(市町村レベルがレベル1、都道府県レベルをレベル2\nと今回は考える)の関係を同時に明らかにすることが可能であるマルチレベル分析を用いる。なぜならば、\n今回の分析は市町村要因と都道府県要因の大学等進学率への影響を同時に分析するものであるからだ。この\n際に市町村データに都道府県ごとのばらつき（級内相関）が存在する場合、最小二乗法が前提としている標\n本間の独立が成立しなくなる(都道府県要因の影響が市町村に及ぶ場合、その都道府県内における市町村の\n振る舞いは共通の性質を持ち相関をもつため)。この時に通常の最小二乗法により大学等進学率の決定要因\nを推定した場合、標準誤差は実際より小さく推定され，説明変数の係数が有意になりやすくなる。また、大\n学等進学率に都道府県要因が存在する場合、要因解明もおこないたい。マルチレベル分析を用いた場合、レ\nベル2の分散の変化を見ることにより、採択した都道府県レベル変数がどれほど都道府県要因を説明してい\nるかの確認が可能である。以上の理由により、本稿では、変動項を市町村レベルだけでなく、都道府県レベ\nルにおいても仮定することにより、都道府県ごとの級内相関を考慮に入れることのできるマルチレベルモデ\nルを採用する。\n数式としてマルチレベルモデルをあらわすと以下のようになる。\nランダム切片モデル(後述のモデル１～モデル3)にあたる数式\n本稿の場合、式1が市町村レベル、式２が都道府県レベルの回帰式である。\n式1において、Xijは市町村レベルの変数を意味し、Rijは残差を意味する。マルチレベル分析の回帰式が\n通常の回帰分析と異なる点は、切片の添え字に市町村が属する都道府県を示す j が付いていることであ\nる。つまり、切片におけるランダム効果(集団によって変動する効果パラメータのこと)を考えることが可能\nになっている。\n次に、式２においてZjは都道府県レベルの変数、Ujは都道府県レベルの残差である。つまりこれは、Yij\nの切片の値には、採択した都道府県レベル変数で予測可能な部分と、未採択の異なる都道府県要因により影\n響を受けている部分が存在する ということを仮定した式となっている。また、式2を用いることで採択し\nた都道府県レベル変数がどれほどYijの切片を説明することができるかを確認することができる。\nランダム切片・傾きモデル(後述のモデル4)にあたる数式\n式3は式1と異なり、Xijの係数に添え字のjが加わっている。つまり、このモデルはXijの傾きにおけるラ\nンダム効果を考えることが可能になっている。式4は式2と同様である。式5は、Xijの傾きが都道府県レ\nベル変数と残差により影響を受けることを示している。\n2.2 分析手順\n初めに都道府県要因の存在を確認するため、モデル1として定数項のみのNULL MODELを推定。次\nに、モデル2としてモデル1に市町村レベルの説明変数を加えたモデルを推定し、市町村レベル変数の影響\nを確認する。加えてモデル3として都道府県レベルの説明変数を切片に投入し、その変数が大学等進学率を\n説明可能か確認する。また採択したそれらの都道府県レベル変数が都道府県要因のどの程度を占めるもので\nあるかを確認する。最後にモデル4として都道府県要因を傾きにも投入(ランダム切片・傾きモデル)し、都\n道府県要因が市町村レベル変数の傾きに与える影響について考察する。\n第4章での分析の際は、説明変数の分散を市町村レベルと都道府県レベルに分離して解析するため市町村\nレベル変数を集団平均中心化2、都道府県レベル変数を全体平均中心化3している。\n※今回の分析はすべてR3.6.0を用いて行った。\n2 各市町村の変数の値から都道府県ごとの平均を引くことで、都道府県間による違いを除くこと。これを行わない場合、値に都道府県\nレベルと市町村レベルの影響が混在してしまう。\n3 都道府県レベル変数から全体の平均を引くこと\n2\n---PAGE---\n第３章 データの概要\n3.1 使用変数\n本稿では、教育用標準データセット(SSDSE)とe-statから入手可能なデータを主に用いている。また今回\nは分析結果の妥当性を維持するため、高等学校卒業生が存在しない市町村についてはサンプルに含めていな\nい。ここでの市町村別高等学校卒業生は高等学校所在市町村の卒業生であり、必ずしも実際に居住している\n市町村ではないことに注意されたい。居住市町村での高等学校卒業生人数・大学等入学人数のデータを得る\nことができればこの研究はより正確性を増すものとなる。\n使用変数と出典についてまとめたものが表1・表2である(図1に用いたものを除く)。\n表1 市町村レベル変数 「＊」が付いているものはSSDSEに含まれているデータである。\n市町村単位\n使用変数 出典 使用変数 出典\nA1.人口総数 国勢調査報告(2015)* O1.従業者数（不動産業，物品賃貸業） 経済センサス－基礎調査(2014)*\nB1.１５歳未満人口 国勢調査報告(2015)* P1.従業者数（学術研究，専門・技術サービス業） 経済センサス－基礎調査(2014)*\nC1.１５～６４歳人口 国勢調査報告(2015)* Q1.従業者数（宿泊業，飲食サービス業） 経済センサス－基礎調査(2014)*\nD1.６５歳以上人口 国勢調査報告(2015)* R1.従業者数（生活関連サービス業，娯楽業） 経済センサス－基礎調査(2014)*\nE1.総面積 全国都道府県市区町村別面積調(2016)* S1.従業者数（教育，学習支援業） 経済センサス－基礎調査(2014)*\nF1.従業者総数 経済センサス－基礎調査(2014)* T1.従業者数（医療，福祉） 経済センサス－基礎調査(2014)*\nG1.従業者数（農業，林業） 経済センサス－基礎調査(2014)* U1.従業者数（複合サービス事業） 経済センサス－基礎調査(2014)*\nH1.従業者数（建設業） 経済センサス－基礎調査(2014)* V1.従業者数（サービス業（他に分類されないもの）） 経済センサス－基礎調査(2014)*\nI1.従業者数（製造業） 経済センサス－基礎調査(2014)* W1.従業者数（公務（他に分類されるものを除く）） 経済センサス－基礎調査(2014)*\nJ1.従業者数（電気・ガス・熱供給・水道業） 経済センサス－基礎調査(2014)* X1.大学等進学者数 学校基本調査(2013.2014.2015)\nK1.従業者数（情報通信業） 経済センサス－基礎調査(2014)* Y1.高校卒業者数 学校基本調査(2013.2014.2016)\nL1.従業者数（運輸業，郵便業） 経済センサス－基礎調査(2014)* Z1.所得割の納税義務者数 市町村税課税状況等の調(2015)\nM1.従業者数（卸売業，小売業） 経済センサス－基礎調査(2014)* A2.課税対象所得 市町村税課税状況等の調(2016)\nN1.従業者数（金融業，保険業） 経済センサス－基礎調査(2014)*\n表2 都道府県レベル変数\n都道府県単位\n使用変数 出典 使用変数 出典\nB2.短期大学学生数 学校基本調査(2014.2015) E2.大学学部卒業者数 学校基本調査(2015)\nC2.大学学部生数 学校基本調査(2014.2015) F2.高等学校卒業者数 学校基本調査(2015)\nD2.短期大学卒業者数 学校基本調査(2015) G2.都道府県庁間の距離 国土地理院\n3.2 変数加工\n本稿での分析では先行研究にのっとった変数を使用する。まず上山(2011)(3)で述べられた親の所得・職\n業・学歴、地域の大学収容率をそれぞれ一人当たり課税対象所得・知識集約型産業従事者率・その他産業従\n事者率・都道府県別大学等収容率で置き換えた。次に友田(1970)(5)をはじめとして多くの論文で指摘されて\nいる居住地の環境なのだが、これは都市化の代理変数として市町村人口密度・15～64歳人口比率・65歳以\n上人口比率を用い代替する。最後に小林(2009)(4)が大学への距離を挙げていることを受け、大学等収容率が\n非常に高い都府である東京都・京都府までの各道府県からの距離を変数として使用した。(島(1999)(6)では\n大学進学便益が大学進学行動に影響を与えているとされているが、これは 大学進学率が低い地方では大学\n卒業者の大卒プレミアムが高まり大学進学便益が向上する という同時決定性の問題が発生すると考えられ\nるため、今回は変数として用いない。)\n市町村単位・都道府県単位の加工済み変数と加工方法を以下表3・表4に示す。\n表3 市町村レベル加工済み変数\n市町村単位\n加工済み変数名称 加工方法 加工済み変数名称 加工方法\nH2.大学等進学率(%) 100*X1/Y1 L2.人口密度 A1/E1\nI2.一人当たり課税対象所得(十万) A2/(Z1*100) M2.１５～６４歳人口比率(%) 100*C1/A1\nJ2.知識集約型産業従事者率(%) 100*(K1+N1+O1+P1+S1)/F1 N2.６５歳以上人口比率(%) 100*B1/A1\nK2.その他産業従事者率 100-J2\n表4 都道府県レベル加工済み変数\n都道府県単位\n加工済み変数名称 加工方法\nO2.都道府県別大学等収容率(%) 100*(2015年大学学部生・短大学生数-2014年大学学部生・短大学生数+2015年大学学部・短大学卒業者数)/F2\nP2.min(各道府県から東京までの距離(km),京都までの距離(km)） G2を基に作成\n3\n---PAGE---\n3.2 加工済み変数の基本統計量\n表5.表6に加工済み変数の基本統計量を示す。また、M2.15～64歳人口比率とN2.65歳以上人口比率、J2.\n知識集約型産業従事者率とK2.その他産業従事者率にそれぞれ強い相関関係が見られたため、多重共線性の\n問題を避けるため、今回の分析ではN2、J2のみを使用する。\n表5 市町村レベル 加工済み変数基本統計量\n市町村別 H2.大学等進学率(%) I2.一人当たり課税対象所得(十万) J2.知識集約型産業従事者率(%) L2.人口密度 N2.６５歳以上人口比率(%)\n最小値 0 19.94 0 0 0\n第一四分位数 22.75 25.41 8.193 0.8393 25.9\n中央値 41.14 27.6 9.852 2.5806 30.1\n平均値 40.08 28.64 10.787 13.1081 30.61\n第三四分位数 54.8 30.67 12.237 10.2835 34.8\n最大値 94.01 102.35 37.494 223.8025 100\n度数 1304 1304 1304 1304 1304\n表6 都道府県レベル 加工済み変数基本統計量\n都道府県別 O2.都道府県別大学等収容率(%) P2.min(各道府県から東京までの距離(km),京都までの距離(km)）\n最小値 19.09 0\n第一四分位数 28.48 99.3\n中央値 41.48 227.6\n平均値 47.12 307.5\n第三四分位数 55.33 515.7\n最大値 159.71 1245.2\n度数 47 47\nまた第2章で述べたように、本稿では計算の簡易化とランダム傾きモデルの推定結果解釈を容易にするた\nめ、独立変数の中心化を行い、以後の分析では中心化後の変数を用いる。市町村レベル変数については集団\n平均中心化を都道府県レベル変数に対しては全体平均中心化を行う。(集団平均中心化・全体平均中心化の\n選択方法等に関してはEnders and Tofighi(2007)(7)を参考にされたい。)\n第４章 データ分析結果\n4.1 マルチレベル分析 前提の確認\nまず、マルチレベル分析を行う妥当性を検証するために、級内相関の存在を確認する。第2章で述べたモ\nデル1の級内相関を求めた結果 0.244程度である。このことは大学等進学率のうち約24.4%が市町村間の\n差異(分散)ではなく都道府県間の差異(分散)によって説明されることを意味する。よってマルチレベル分析\nの妥当性は満たされたと考えられる。以下、四点の都道府県別散布図からも都道府県要因が存在することが\n確認できる。\n図2 散布図 縦軸・市町村別大学等進学率 横軸・一人当たり課税対象所得(集団平均中心化後)\n4",
    "2019U4-shorei.pdf": "2019年度 統計データ分析コンペティション\n統計活⽤奨励賞（⼤学⽣・⼀般の部）\n市区町村別でみる合計特殊出⽣率推移の特徴分析\n村松 波、熊野 翔、川⽥ 瑛貴\n（武蔵野⼤学⼯学部）\n論⽂の概要\n少⼦化問題の特徴を明らかにするため、⼦ども⼥性⽐を⽤いて市区町村別に合計特殊\n出⽣率（TFR）の推定を⾏い、2015年までの増減について検証を⾏った。結果とし\nて、東京都区部では港区等の増分が⼤きいことと、TFRの増分は納税者⼀⼈あたり\n所得の増分との相関が⾼いことを指摘している。\n論⽂審査会コメント\n出⽣率の推移について多⾓的分析を試み、研究の動機も極めて明確であり、好ましい\n論⽂と評価された。分析結果の解釈を深めれば、より説得⼒のある論⽂となる。\n---PAGE---\n市区町村別でみる合計特殊出生率推移の特徴分析\n村松 波*・熊野 翔*・川田 瑛貴*\n*:武蔵野大学 工学部 数理工学科\n第1章 研究背景と目的\n日本の総人口は2011年以来減少を続けており、人口減少の根本的な要因である少子化問題は昨今のわが国\nの最重要課題の1つとなっている。少子化の指標である合計特殊出生率（Total Fertility Rate（TFR）、以\n下TFRと記す）は、2005年には1.26と過去最低を記録しており、その後少しずつ上昇しているが、人口安定\nのための人口置換水準の2.07には遠く及んでいない。少子化問題の解決には、TFRを大幅に向上させる必要\nがあり、そのためには TFR に効いている要因を明らかにし、有効な対策を迅速に打ち出していくことが求め\nられる。TFR には多数の要因が相互に絡み合い，複雑な因果関係を形成していることが知られている 1）。一\n方、TFRには地域差があることがわかっており、例えば提供データSSDSEの項目のうち「合計特殊出生率」を\n都道府県ごとにグラフ化すると（図1）、沖縄は他都道府県に比べて高い値で推移している（図2）。その決定\n要因を解明するために，都道府県データを用いた研究1）、2）などが多くなされてきた。しかし、都道府県単位\nでは、TFR や様々な指標の市区町村単位のばらつきが平均化されてしまい、特徴が見つけにくくなると考え\nられることから、市区町村別にみたTFRデータを用いた研究3）、4）も最近行われ始めた。また、TFRの決定要\n因やこれまでの施策の効果を探るためには、TFRの時系列変化のデータの利用が重要であると考えられる。\nそこで本研究では、市区町村別にみた TFR のできるだけ長期間の時系列データを収集し分析することで、\n市区町村別の TFR とその変化、及びそれらに関連する要因から、市区町別別の特徴を明らかにし、都道府県\n別の分析では見えにくい説明要因を探ることを目的とした。\n図1 都道府県別合計特殊出生率推移（2005～2016年） 図2 沖縄の合計特殊出生率推移（黄色）\n第2章 研究方法\n市区町村別にみたTFRデータについては、ベイズ推定を用いた厚生労働省「人口動態統計特殊報告」5）か\nら2000年、2005年、2015年の市区町村別のTFRデータを取得することができた。文献3）では、これらの\n2010年と2005年の市区町村別のTFRデータを用いて、主に人口密度との関係を議論しているが、2015年の\nベイズ推定を用いたデータが公開されていないことから、最も直近のデータによる分析はできておらず、ま\nた具体的な各市区町村の特徴については議論されていない。また、文献4）では、TFRの2000年、2005年、\n2015年に渡る推移を市町別に算出し比較を行っているが、これは愛媛県内に限られている。一方、TFRの指\n標として、子ども女性比（5 歳未満の子どもの数を 15－44 歳の「若年女性」数で割ったもの）を用いた例\nがある6）。そこで我々は、全市区町村における2015年を含めたより長い期間でのTFRデータを用いて各市\n区町村の特徴を明らかにすることを目指して、子ども女性比を用いたTFRの近似計算方法の検討を行い、そ\nの結果を用いて市区町村別TFRの時系列データの特徴分析を行った。\n2.1 子ども女性比を用いたTFRの近似計算方法の検討とその最適化\n1）2010年における1734市区町村の子ども女性比とベイズ推定を用いたTFRデータ（TFR（ベイズ推定）と\n呼ぶ）を用いて回帰分析を行い回帰直線と決定係数を求めた。\n2）子ども女性比の計算においては、「若年女性」数として15-49 歳と15-44 歳を用いた例がある6）こと\nから、ここでは、年齢幅を変化させベイズ推定を用いた出生率データに最もフィットする年齢幅を、決\n定係数が最大になるように求めた。\n3）得られた回帰直線のパラメータを用いて、子ども女性比を用いたTFRの近似値を求めた。この値をTFR\n（子ども女性比推定）と呼ぶことにする。\n4）計算したTFR（子ども女性比推定）とTFR（ベイズ推定）の残差分析を行い、残差の標準偏差を求めた。\n1\n---PAGE---\n2.2 TFR（子ども女性比推定）の年次変化の精度評価\n次に、TFR（子ども女性比推定）の時間変化の信頼性がどの程度あるかを調べるために、以下のように\nTFR（ベイズ推定）の時間変化との間の相関を調べた。\n1）TFR（子ども女性比推定）とTFR（ベイズ推定）の2005年と2010年の値の差を求める。\n2）上記の二つの量の散布図を描画する。\n3）上記散布図より、TFR（子ども女性比推定）の変化が0以上、0.1以上、0.2以上と、閾値を変化させた\n時の市区町村数の内、TFR（ベイズ推定）の変化が0以上の市区町村数が何個あるかをカウントしその比\nを求めた。この比はTFR（子ども女性比推定）の時間変化の信頼性の指標として考えることができる。\n2.3 TFR（子ども女性比推定）の分布の特徴分析\n1）まず得られたTFR（子ども女性比推定）とTFR（ベイズ推定）の分布を比較するために、ヒストグラムを\n作成し、平均と標準偏差の比較を行った。\n2）TFR（子ども女性比推定）と都道府県単位のTFR間の分布を比較した。\n3）TFR（子ども女性比推定）を1995年～2015年まで5年ごとに求め、その平均値と変動係数の年次推移を\n求めた。\n2.4 TFR（子ども女性比推定）とその年次変化に基づいた市区町村の分類と特徴づけ\nTFR（子ども女性比推定）の値をx軸、TFR（子ども女性比推定）の年次変化（2015年と2005年の差）を\ny軸にとった散布図を作成し、散布図平面を4つの直線を用いて9つの領域に分割し市区町村を分類した。\n1）各領域の市区町村の時系列推移の特徴分析\n分割したそれぞれの領域における市区町村をピックアップし、1995年～2015年までのTFR（子ども女性\n比推定）の時系列推移グラフを作成し、その特徴を分析した。\n2）各領域の市区町村のTFR関連要因による特徴付け\n分割したそれぞれの領域における市区町村の特徴付けを行うために、TFR（子ども女性比推定）の値や時\n間変化に寄与すると考えられるいくつかの変数（TFR関連要因と呼ぶ）の値をTFR（子ども女性比推定）\nの値と同時に表示した。さらに、各要因の標準得点が0.8以上になる市区町村をハイライト表示し、ハ\nイライト表示のパターンを見ることで各領域の市区町村の特徴を分析した。\n3）各領域の市区町村の地理的な特徴付け\n分割したそれぞれの領域への帰属を日本地図上に塗分けして表示することによって、各市区町村の分類\n結果に対する地理的な意味を議論した。\n第3章 データの取得方法\n3.1教育用標準データセットからのデータの抽出\n教育用標準データセット（SSDSE）から抽出したデータは以下のとおりである。\n表1 SSDSE-2019からの抽出データ\nデータセット名 項目名 データセット名 項目名\nSSDSE-2019A（市区町村） 総人口 SSDSE-2019A（市区町村） 単独世帯数\n日本人人口(男女別含) 婚姻件数\n15歳未満人口 完全失業者数\n転入者数 就業者数\n転出者数 就業者数（女）\n世帯数 医師数\n一般世帯数 保育所等数\n死亡数 出生数\n核家族世帯数 SSDSE-2019B（都道府県） 合計特殊出生率\n3.2変数の追加とその出典\n分析のため市区町村別のデータを追加した。追加した変数名と出典は以下の通りである。\n表2 追加した変数の情報\n変数名 期間（年） 出典（調査名・項目名）\n総人口 1995～2015 e-stat国勢調査\n第1次基本集計 都道府県編\n年齢別女性人口\n5年毎 （平成7年、12年、17年 DBから抽出）\n人口等基本集計 全国結果\n0～4歳男女人口\n（平成22年、27年 CSV形式）\n合計特殊出生率 H20-H24 厚生労働省-人口動態保健所・市区町村別統計\n（ベイズ推定値） H15-H19 （https://www.mhlw.go.jp/toukei/list/137-19.html）\n課税対象所得（納税 1975-2013 市区町村別 人口・経済関係データ(https://www5.cao.go.jp/keizai-\n2\n---PAGE---\n義務者数一人当り） shimon/kaigi/special/future/keizai-jinkou_data.html）\n2014-2018 課税対象所得（納税義務者数一人当たり（Excel形式：1,370KB）\n１０ 市町村税課税状況等の調\n(http://www.soumu.go.jp/main_sosiki/jichi_zeisei\n/czaisei/czaisei_seido/ichiran09.html)\n市区町村の地価 1975-2019 （土地・建設産業：地価公示 - 国土交通省）変動率及び平均価格の時系\n列推移表（変動率及び平均価格の時系列推移表001280200.xls）\nhttp://www.mlit.go.jp/totikensangyo/totikensangyo_fr4_000043.htm\n東京都の市区町村 H5-H29 年次推移（区市町村別） 東京都福祉保健局\nの合計特殊出生率 http://www.fukushihoken.metro.tokyo.jp/smph/kiban/\nchosa_tokei/jinkodotaitokei/kushityosonbetsu.html\n東京都合計特殊出生率（平成5年～平成29年）a2914.xlsx\n2005年と1995年のTFR（ベイズ推定）データには地域コードがなく、また、市区町村名が同一の自治体が\n存在することから、「都道府県名」と「市区町村名」とを半角スペースを挟んで結合した変数を、新たに作成\nし共通IDとすることで、異なる年のデータをマージした。\n第4章 研究結果\n4.1子ども女性比を用いた出生率の近似計算方法の検討とその最適化\n2010年において、1734市区町村の子ども女性比、\n表3：TFR（ベイズ推定）と子ども女性比の相関\n及びベイズ推定によるTFRデータを用いた回帰分析\nの女性年齢範囲依存性\nを行い、散布図を作成した。この時子ども女性比算\n出に用いる女性の年齢幅を変化させ、TFR（ベイズ推\n定）データに最もフィットする年齢幅を決定係数が\n最大になるように求めた。年齢幅としては、表3に\n示す6種類の年齢幅を用い、得られた年齢幅の最適\n値は20歳～44歳であった（図3）。また、データと\nしては全市区町村（1734）を用いて最適化を行う\nと、外れ値が多く存在した。これは、人口が少ない\n自治体の外れ値の影響によるものと考えられたの\nで、回帰分析を人口が1万人以上の自治体に制限し\nて行ってみると、決定係数0.8424が得られ外れ値も\nなくなった（図4）。この場合の最適条件は表5のよ\n図3：年齢範囲別の決定係数R²\nうになった。ここで得られた回帰式（0.8424×x＋\n0.1704）のxに子ども女性比を代入したものをTFR（子ども女性比推定）として、TFR（ベイズ推定）の相\n関をとった（図5）。傾きはほぼ1となり決定係数は0.8412となった。\n図4 子ども女性比（女性年齢20～44歳） 図5 TFR（子ども女性比推定）（女性年齢\nとTFR（ベイズ推定）との相関 20～44歳）とTFR（ベイズ推定）との相関\n2010年データ（1248市区町村） 2010年データ（1248市区町村）\n表5 最適条件\n2010年データ（人口1万人以上の1248市区町村）\n年齢範囲\n図4 図5\n決定係数 傾き y切片 決定係数 傾き y切片\n20歳～44歳\n0.8424 4.8949 0.1704 0.8412 1.0094 -0.0145\n3\n---PAGE---\n計算したTFR（子ども女性比推定）とTFR（ベイズ推定）の残差分析を行い、残差の標準偏差を求めたとこ\nろ、0.0798となった。すなわち、TFR（子ども女性比推定）の誤差は、0.08程度であることがわかる。\n4.2 TFR（子ども女性比推定）の年次変化の精度評価\nTFR（子ども女性比推定）とTFR（ベイズ推定）の2005年と2010年の値の差を求め、その間で散布図を\n作成した（図6）。上記散布図より、TFR（子ども女性比推定）の変化が0以上、0.1以上、0.2以上と、閾\n値を変化させたときの市区町村数の内、TFR（ベイズ推定）の変化が0以上の市区町村数が何個あるかをカ\nウントし、その比を求めた（図7）。\n図6 TFR（子ども女性比推定）(2010年と 図7 TFR（子ども女性比推定）の差の閾値\n2005年の差)とTFR（ベイズ推定） に対する市区町村数と、そのうちTFR\n(2010年と2005年の差)間の散布図 （ベイズ推定）の市区町村数の割合\n図6より、TFR（子ども女性比推定）の差とTFR（ベイズ推定）の差が同符号の市区町村が多いことがわ\nかる。また、TFR（子ども女性比推定）の差の閾値を0.1にとれば、図7に示すように、閾値以上の市区町\n村のうちTFR（ベイズ推定）の市区町村数の割合は約87%になることがわかる。この比は、TFR（子ども女性\n比推定）の年次変化の信頼性の指標として考えることができる。すなわち、TFR（子ども女性比推定）の年\n次変化を観察する場合は、年次変化の0.1程度の増加があれば、実際のTFRの増加も約90%の頻度で生じて\nいるものと考えられる。\n4.3 TFR（子ども女性比推定）の分布の特徴分析\nまず得られたTFR（子ども女性比推定）とTFR（ベイズ推定）の分布を比較するために、ヒストグラムを\n作成し、平均と標準偏差の比較を行った（図8）。\n図9 都道府県単位の\nTFRの分布(2010年)\n図8に示すように、TFR（子ども女性比推定）の方が分布の幅が少し\n小さいが、TFR（ベイズ推定）の分布によく似ていることがわかった。\n次に、TFR（子ども女性比推定）と都道府県単位のTFR間の分布を比較\nした（図8, 9）。都道府県単位のTFRの分布は市区町村単位のTFRの\n分布に比べて幅が約半分（標準偏差が0.1327242）であることがわかっ\nた。\nさらに、TFR（子ども女性比推定）を1995年～2015年まで5年ごと\nに求め、平均と変動係数の年次推移を求めた（表7、図10）\n表7 TFR（子ども女性比推定）の平均と変動係数の年次推移\n市区町村 1995年 2000年 2005年 2010年 2015年\n図10 TFR（子ども女性比推定）の平均\n平均 1.690327 1.663421 1.451268 1.50186 1.632668\nと変動係数の年次推移\n変動係数 0.155119 0.143068 0.156253 0.151681 0.166862\n4",
    "2019U51-toku1.pdf": "2019年度 統計データ分析コンペティション\n特別賞（⼤学⽣・⼀般の部）\n潜在患者数に対する医師偏在の可視化\n眞⽥ 英毅（東北⼤学⼤学院⽂学研究科）\n三浦 萌実（株式会社社会情報サービス）\n論⽂の概要\n医療需要を踏まえた医師偏在の実態を把握するため、潜在的医療需要として⼊院患者\n数を⼆次医療圏別に算出した上でジニ係数を⽤いて検証を⾏い、都道府県⽐較を⾏っ\nた。結果として、医師偏在は、おもに⻄⽇本で発⽣していることを指摘し、都道府県\n内の医師の割振り配置について提案を⾏っている。\n論⽂審査会コメント\n医師の偏在という興味深いテーマについて、記述統計的分析のレベルにはとどまって\nいるが、解釈も明確で好感が持てる論⽂として評価された。層別などを⾏うことでよ\nり良い分析ができたのではないだろうか。\n---PAGE---\n潜在患者数に対する医師偏在の可視化\n眞田英毅*1・三浦萌実*2\n*1: 東北大学大学院文学研究科\n*2: 株式会社社会情報サービス\n1. 研究の目的と問題意識の背景\n1.1 問題意識\n医療格差、という言葉はここ数十年で日本において浸透してきた。医療格差は多くの格差を含む包括的な概念である\nが、特に高齢化が進む中で、医療へのアクセスにおける格差が社会的課題としての重要性を増している。平成20年度以\n降、医学部の入学定員は過去最大規模まで増員され、医師数は着実に増加してきた一方、医師の地域偏在・診療科偏在\nは依然として解消されておらず、地域・診療科によってはいまだ「医師不足」との指摘がある(1)。\n図1 医師数の推移(2)\n地域ごとの医師数の比較には、これまで一般的に人口10万人対医師数が用いられて、この指標をもとに医師偏在が語\nられてきた。しかしこの指標では「医療需要（ニーズ）」などの要素が考慮されておらず、医師の地域偏在・診療科偏在\nを統一的に測る「ものさし」にはなっていない(2)。厚生労働省医政局が実施する医師需給分科会第2次中間取りまとめで\nは、医師偏在対策の基本的考え方として「都道府県が主体的・実効的に医師偏在対策を講じることができる体制の構築」\nが掲げられており(3)、新しい指標の開発は急務といえる。そこで本稿では新しく入院患者数という情報を用いる。人口だ\nけではどれほど医療需要があるのか判然としないが、入院患者は実際に医療を必要としていている人の数であり、その\n都道府県における潜在的な医療需要とみなすことができる。都道府県を一つの単位として、地域ごとの医師数の比較に\n医療需要の要素を取り入れることで医療へのアクセスの実態を明らかにするとともに、従来の人口対医師数では明らか\nにすることのできなかった医師偏在の現状を提示する。\n1.2 先行研究\n日本における医師偏在については、地理的分布の観点からアプローチした小林ら（1992）(4)、鳥谷部（2009）(5)の研究\nがある。小林らは、全国の市町村について、医師数と人口を用いて2時点のローレンツ曲線を描き、ジニ係数を比較し\nた。そして1980年と1990年の間で増加した医師によって、医師偏在が改善されたか否かを検証した。鳥谷部は、ジニ\n係数に加えてアトキンソン尺度、タイル尺度を用いて小林らと同様の研究を行っており、1996 年から2006 年までの間\nの医師数とその偏在の変化を追っている。\nこれらの研究はいずれも、全国の市町村について医師偏在の様子を異なる時点間で比較しているが、同じ時点での医\n師偏在を明らかにした研究としては、三浦ら（2010）(6)がある。この研究では、人口10万人当たり医師数を二次医療圏\nごとに偏差値化することで、医師の偏在を確認している。また石川ら(7)は人口10万人あたり医師数の他に面積1,000km2\nあたり医師数および75歳以上人口の増減率を用いて医師偏在を明らかにしている。\n以上の研究では、いずれも医療需要を考える上で直接患者の数を考慮しているのではなく、人口や面積を代替として\n利用している。しかし、同じ人口でも人口構成によってどの程度医療需要があるのかに地域によって差が生じることも\n考えられ、また面積も可住地域と不可住地域を考慮しなければならず、既存の方法では課題が残る。よって本稿では、\n地域内に居住する入院患者数に着目する。これにより当該地域の医療需要を表し、従来の指標では捉えられなかった医\n---PAGE---\n師偏在の実態を把握することを目的とする。具体的には、従来の人口当たり医師数によって捉えられる医師偏在の様子\nと、新たに算出する入院患者数当たり医師数による医師偏在の様子との比較を通して、医療へのアクセスの実態をより\n詳細に明らかにすることを目指す。\n2. 研究の方法と手順\n2.1 医師数比較の単位地域\n本稿では、二次医療圏を一つの地域として医師数を比較する。医療のかかりやすさの改善という観点で最も重要な区\n分は、二次医療圏であることが指摘されているからである(8)。二次医療圏とは、一体の区域として病院等における入院に\n係る医療を提供することが相当である単位として設定されており、一般の入院に係る医療を提供する地域的単位である\n(9)。三次医療圏が「特殊な医療を提供する地域的単位」として都道府県の区域を単位として設定されるのに対し、地理的\n条件等の自然的条件および日常生活の需要の充足状況、交通事情等の社会的条件を考慮して、より細分化された地域的\n単位が二次医療圏である。\n第1章で述べた通り、医師偏在対策は基本的に都道府県が中心となって進められる。そこで本稿では、各都道府県に\nおける二次医療圏ごとの医師数に偏りがないかを確認する。\n2.2 医療需要（ニーズ）の反映\n前述の通り、従来の人口当たり医師数で考慮されていなかった要素の一つに医療需要がある。すなわち、医療を必要\nとする患者が人口のうちどの程度かという点が反映されていなかったのである。本稿では、この医療需要に着目し、人\n口のみならず患者数を利用した医師の偏在指標についても検討する。\n前述の通り、二次医療圏は一般の入院に係る医療を提供する地域的単位である。しかし入院においては、二次医療圏\nを跨いでの患者の「流入」「流出」が起きている(9)。流出は、ある医療圏に居住する患者がその医療圏外の医療施設で受\n療する場合に発生し、本来であれば二次医療圏内で賄われるはずの医療の提供が医師数不足等によって近隣医療圏に移\n行されている状態である。すなわち需要（患者数）に対して供給（医師数）が不足している場合に流出が発生するので\nあり、理想的には各医療圏に居住する患者は当該医療圏内で受療できる状況が望ましいと言える。\nそこで本稿では、二次医療圏内で本来受療可能であるべき入院患者の数に対し、医師数が十分であるかという観点か\nら医師偏在の様子を明らかにする。すなわち、各二次医療圏内の入院患者の数を「入院患者数」と定義し、患者数当た\nりの医師数を用いて医師偏在を指標化する。なお二次医療圏が一般の入院に係る医療を提供する地域的単位であること\nから、分析対象は入院患者のみとした。\n2.3 手順\n第一に、小林ら（1992）や鳥谷部（2009）を参考に二次医療圏ごとの総人口と医師数を利用し、それぞれジニ係数1を\n求める。ジニ係数の算出までの手順は以下の通りである。なお、該当する変数の説明は次章にて行う。初めに二次医療\n圏の総人口1人当たりの医師数を、二次医療圏ごとに算出する。次に都道府県内の二次医療圏を人口1人当たり医師数\nの小さい順に並べ、累積人口と累積医師数を計算する。最後に、累積人口の相対割合と累積医師数の相対割合を用いて\nジニ係数を算出する。なお、ジニ係数は47都道府県それぞれについて算出する。\n第二に、二次医療圏ごとの入院患者数と医師数を利用し、それぞれジニ係数を求める。人口の場合と同様、まず二次\n医療圏内に居住する患者1人あたりの医師数を、二次医療圏ごとに算出する。次に都道府県内の二次医療圏を患者1人\n当たり医師数の小さい順に並べて、累積患者数と累積医師数によるローレンツ曲線を描いてジニ係数を算出する。ジニ\n係数は同様に47都道府県それぞれについて算出する。\n最後に、上記2つの手順で算出したジニ係数の差分を都道府県ごとに比較し、変化の大きさの程度を地図上で塗り分\nけて視覚化する。このような比較の手順を行うことで、従来の指標と比べて本稿の指標がどれだけ潜在的な医療需要を\n捉えることができているのかをより詳細に明らかにすることができる。\n3. 使用するデータと加工\n3.1 医師数\nSSDSE-2019A（市区町村データ）から、「医師数」（Code「I6100」、Year「2016」）を利用する。同年の「平成28年医療\n施設（動態）調査」よりどの市町村がどの二次医療圏に属するかを対応させた表を作成し、SSDSE-2019Aの市区町村の\n医師数を基に二次医療圏ごとの医師数データを作成した。このとき、同調査における二次医療圏数は全部で344であっ\nた。なお、市区町村内に複数の二次医療圏が含まれる神奈川県川崎市と神奈川県横浜市については、二次医療圏ごとの\n医師数を「平成28年医師・歯科医師・薬剤師調査（単位は千人）」より引用し、単位を医師数（人）へと変換して利用\nした。\n1\nジニ係数は不平等さを数値として示したもので、不平等の程度を0から1の間の値として表すことができ、その値により地域や年代間の比較ができる\nようになる。0に近いほど平等、1に近いほど不平等という判断になる(10)。\n---PAGE---\n3.2 人口\nSSDSE-2019A（市区町村データ）から、「総人口」（Code「A1101」、Year「2015」）を利用する。医師数と同様に、「平\n成28年医療施設（動態）調査」より二次医療圏と市区町村の対応表を作成し、SSDSE-2019Aの総人口を基に二次医療\n圏ごとの人口データを作成した。神奈川県川崎市と神奈川県横浜市については、「平成27年国勢調査」の人口等基本集\n計から区ごとの人口を引用し、それらを二次医療圏ごとに合算した。\n3.3 患者数\n各二次医療圏内に居住する入院患者の数として、「平成29年患者調査」より病院の推計入院患者数（患者住所地）を\n利用した。「患者調査」では二次医療圏ごとの推計入院患者数（単位は千人）が得られる。そのため二次医療圏の推計入\n院患者数を実数（単位は人）になおした値をそれぞれ利用した。なお、「患者調査」は3年に1回実施されるため、医師\n数データの取得年（2016年）に最も近い2017年のデータを使用している。\n3.4 各変数の要約統計量\n使用した変数の要約統計量は表1の通りである。\n表1 各変数の要約統計量\n(cid:69)(cid:72)(cid:83)(cid:24) (cid:55)(cid:26) (cid:77)(cid:41)(cid:3)(cid:96) (cid:77)(cid:41)(cid:3)(cid:96)(cid:23)(cid:1)(cid:55)(cid:26) (cid:77)(cid:41)(cid:3)(cid:96)(cid:23)(cid:1)(cid:78)(cid:5)(cid:13)(cid:44)(cid:56) (cid:77)(cid:41)(cid:3)(cid:96)(cid:23)(cid:1)(cid:3)(cid:39)(cid:56)\n(cid:23)(cid:56) (cid:88)(cid:19)(cid:81)(cid:49)(cid:89)(cid:32) (cid:33)(cid:62)(cid:63) (cid:33)(cid:50)(cid:63) (cid:65)(cid:6)(cid:63) (cid:88)(cid:19)(cid:81)(cid:49)(cid:89)(cid:32) (cid:33)(cid:62)(cid:63) (cid:33)(cid:50)(cid:63) (cid:65)(cid:6)(cid:63) (cid:88)(cid:19)(cid:81)(cid:49)(cid:89)(cid:32) (cid:33)(cid:62)(cid:63) (cid:33)(cid:50)(cid:63) (cid:65)(cid:6)(cid:63)\n(cid:90)(cid:11)(cid:72) 5381733 21 256273 499348 2375449 23769 108970 3724 6732 32200 400 2500 634 1538 7187 30 258\n(cid:57)(cid:53)(cid:24) 1308265 6 218044 104833 323447 74451 234048 2200 1066 3400 700 2200 450 329 909 109 417\n(cid:14)(cid:46)(cid:24) 1279594 9 142177 137618 476758 48561 85809 1478 1335 4800 500 1200 292 433 1422 73 100\n(cid:16)(cid:51)(cid:24) 2333899 4 583475 634090 1528508 177192 314100 4750 4297 11100 1700 3100 1413 1963 4353 278 511\n(cid:47)(cid:68)(cid:24) 1023119 8 127890 114138 400911 35605 98724 1513 1331 4700 500 1250 298 414 1313 41 189\n(cid:38)(cid:22)(cid:24) 1123891 4 280973 198994 551524 77895 247236 2975 2238 6100 800 2500 649 642 1574 105 459\n(cid:85)(cid:70)(cid:24) 1914039 7 273434 194848 539376 27149 250605 2657 1742 5000 200 3000 555 497 1385 33 467\n(cid:99)(cid:51)(cid:24) 2916976 9 324108 90801 468040 228336 274568 2700 675 3900 1900 2500 613 407 1400 262 396\n(cid:74)(cid:92)(cid:24) 1974255 6 329043 156166 518594 142917 324647 2867 1171 4400 1300 2950 750 665 1955 172 533\n(cid:21)(cid:79)(cid:24) 1973115 10 197312 145310 429415 56391 139710 1860 1097 4100 700 1550 462 464 1581 82 280\n(cid:36)(cid:18)(cid:24) 7266534 10 726653 325691 1263979 101648 743934 5390 2126 7900 1000 5150 1217 649 2304 154 1045\n(cid:60)(cid:94)(cid:24) 6222666 9 691407 556429 1738624 128451 434489 5033 3325 11100 1700 4500 1364 1108 3107 504 559\n(cid:71)(cid:17)(cid:69) 1.4E+07 131039636 505423 1915881 26491 1103937 7746 3590 14600 100 7900 3395 2939 11288 32 2833\n(cid:54)(cid:75)(cid:61)(cid:24) 9126214 11 829656 322979 1570303 347157 720780 5809 1867 9000 3200 5400 1771 768 3163 585 1622\n(cid:52)(cid:12)(cid:24) 2304264 7 329181 284668 916656 57255 227225 3400 2932 9500 700 2400 671 813 2448 92 346\n(cid:82)(cid:38)(cid:24) 1066328 4 266582 179696 501670 121507 221576 3500 2202 6500 1800 2850 681 611 1559 255 455\n(cid:59)(cid:61)(cid:24) 1154008 4 288502 300617 728259 68195 178777 3650 3511 8800 1000 2400 851 1193 2630 100 338\n(cid:85)(cid:4)(cid:24) 786740 4 196685 148459 404796 57234 162355 2275 1601 4500 700 1950 501 635 1445 72 243\n(cid:38)(cid:95)(cid:24) 834930 4 208733 178771 464759 52771 158700 2150 1694 4600 700 1650 498 604 1392 61 269\n(cid:66)(cid:93)(cid:24) 2098804 10 209880 160683 543424 28399 190874 1910 1507 5100 300 1650 493 497 1602 37 313\n(cid:15)(cid:84)(cid:24) 2031903 5 406381 238748 799766 149072 372399 3400 1860 6500 1500 2900 872 791 2262 266 611\n(cid:58)(cid:7)(cid:24) 3700305 8 462538 278793 857769 66438 464241 3838 2100 7100 1100 3800 958 739 2198 102 722\n(cid:2)(cid:64)(cid:24) 7483128 12 623594 566576 2295638 56788 501044 4617 4941 19500 500 3450 1368 1867 7084 72 942\n(cid:37)(cid:48)(cid:24) 1815865 4 453966 314129 841029 71617 451610 4200 2369 7100 1300 4200 1020 641 1581 118 1191\n(cid:42)(cid:10)(cid:24) 1412916 7 201845 106372 340973 50025 156912 1757 834 3000 600 1400 467 418 1288 74 292\n(cid:17)(cid:69)(cid:83) 2610353 6 435059 595620 1623834 97424 166912 4667 6401 17500 900 2000 1454 2663 6866 164 325\n(cid:62)(cid:34)(cid:83) 8839469 81104934 662638 2691185 612886 874302 10950 6996 27900 6700 8800 3125 2595 9299 1527 1986\n(cid:87)(cid:25)(cid:24) 5534800 10 553480 464630 1537272 106150 425801 5520 4234 15300 1600 4350 1398 1515 4943 204 917\n(cid:75)(cid:97)(cid:24) 1364316 5 272863 130101 376197 72565 345503 2760 1146 3700 1000 3400 681 373 1090 126 676\n(cid:98)(cid:9)(cid:38)(cid:24) 963579 7 137654 129129 425220 63603 88342 1571 1362 4600 800 1100 410 592 1745 128 188\n(cid:67)(cid:45)(cid:24) 573441 3 191147 75220 236511 104320 232610 2333 723 2800 1500 2700 602 401 1024 227 554\n(cid:70)(cid:30)(cid:24) 694352 7 99193 79985 245758 20603 61745 1314 811 2800 300 1000 282 309 804 32 139\n(cid:7)(cid:38)(cid:24) 1921525 5 384305 403554 921940 46990 182412 4380 4163 9900 700 2500 1195 1469 3377 81 364\n(cid:27)(cid:70)(cid:24) 2843990 7 406284 443419 1365134 90615 251157 4586 3888 13000 1800 3700 1076 1331 4028 218 576\n(cid:38)(cid:26)(cid:24) 1404729 8 175591 110164 313364 20603 197533 2863 1476 4500 800 2950 452 350 1030 63 411\n(cid:73)(cid:70)(cid:24) 755733 3 251911 240711 527175 80902 147656 3733 2926 7100 1800 2300 833 966 1942 170 388\n(cid:28)(cid:61)(cid:24) 976263 5 195253 173359 451571 28864 124933 2320 1763 4600 500 1800 563 655 1631 46 261\n(cid:2)(cid:80)(cid:24) 1385262 6 230877 208992 646055 87413 154787 2900 1909 6500 1200 2400 624 810 2264 150 303\n(cid:29)(cid:64)(cid:24) 728276 4 182069 237117 536869 48350 71529 3625 4656 10600 1000 1450 569 905 1925 83 134\n(cid:85)(cid:7)(cid:24) 5101556 13 392427 460474 1635156 83924 184404 5485 5516 17900 1400 3000 1231 1780 6181 163 550\n(cid:31)(cid:10)(cid:24) 832832 5 166566 105780 348633 75386 128687 2460 1301 4600 1300 2000 475 498 1350 125 284\n(cid:66)(cid:35)(cid:24) 1377187 8 172148 186539 530551 22278 86707 2875 3222 9400 300 1600 527 742 2177 31 163\n(cid:20)(cid:91)(cid:24) 1786170 11 162379 196643 740822 47745 107115 2618 2525 9900 900 1900 475 910 3206 89 182\n(cid:62)(cid:86)(cid:24) 1166338 6 194390 192588 569125 58916 127534 2933 2261 7100 1100 2200 538 659 1814 118 243\n(cid:16)(cid:35)(cid:24) 1104069 7 157724 126525 428089 72869 101901 2143 1112 4400 1300 1600 393 512 1539 129 170\n(cid:43)(cid:40)(cid:70)(cid:24) 1648177 9 183131 194134 679508 42760 118476 3100 2727 9800 800 2300 496 823 2663 54 256\n(cid:8)(cid:76)(cid:24) 1433566 5 286713 309388 727337 52380 101444 3320 3363 8000 500 1800 722 934 2270 87 207\n---PAGE---\n4. 分析結果\n4.1 人口あたりの医師数でみたジニ係数\nまずは人口あたりの医師数でみたジニ係数について確認する。ジニ係数の大きさによって都道府県を色分けしたもの\nが図2である。ジニ係数の最大値は0.326、最小値は0.083、中央値は0.147であった。ジニ係数は0.4をこえると不平等\nであるといわれるが(11)、人口あたりのジニ係数を見る限りは地域の医師数の格差はすぐさま改善する必要があるとはい\nえない。しかし、都道府県ごとに大きく差があり、とりわけ人口の多い関東地方や島嶼部を含む都道府県は値が高くな\nる傾向にあった。なお、それぞれのジニ係数の値は表2より確認できる。\n4.2 入院患者数あたり医師数でみたジニ係数\n次に、入院患者数あたりの医師数でみたジニ係数を確認する。都道府県ごとに色分けしたものが図3である。図2と\n比較してみると、図3ではそれぞれの色がより濃くなっている傾向がある。ジニ係数の最大値は0.359、最小値は0.106、\n中央値は0.177と、人口あたりで算出したジニ係数よりも最大値、最小値、中央値がそれぞれ高くなっていることより、\n入院患者数あたりで確認すると医師偏在がより明確になるといえる。最大値の0.359は格差があるといわれる0.4に近づ\nきつつある数字であり、特に注意が必要となっている。なお、それぞれのジニ係数の値は表2より確認できる。\n図2 人口あたりの医師数でみたジニ係数の都道府県比較\n図3 入院患者数あたり医師数でみたジニ係数の都道府県比較",
    "2019U52-toku2.pdf": "2019年度 統計データ分析コンペティション\n特別賞（⼤学⽣・⼀般の部）\n外国⼈⼈⼝と市区町村の特性との関係性\n⻄尾 春⾹（関⻄学院⼤学経済学部）\n論⽂の概要\n外国⼈⼈⼝と⾃治体の特性との関係について分析するため、市区町村別の統計指標を\n⽤いた重回帰分析を⾏い、⼈⼝密度や製造業等との相関が⾼いという結果を得た。ま\nた、決定⽊分析、ランダムフォレスト等の追加分析を⾏い、都市化、働き⼿不⾜、特\n定産業等が外国⼈⼈⼝に影響していることを指摘している。\n論⽂審査会コメント\n外国⼈⼈⼝について様々な探索的なデータ分析を⾏い、機械学習による政策分析の可\n能性を⽰す論⽂として評価された。論⽂としては47件に対して29変数の投⼊の問題\nなど、再考の余地があるが解釈も明確である。\n---PAGE---\n外国人人口と市区町村の特性との関係性\n西尾 春香\n関西学院大学経済学部\n1. 研究の目的\n近年、日本に住む外国人に対して大きな関心が集まっている(1) (2)。その背景として、1980年代後半から外\n国人人口の増加が顕著になり、リーマンショックや東日本大震災の影響で一時的に減少する時期もあるもの\nの、最近も依然として増加傾向にある。さらに、2015年以降は対前年増減率においても増加の割合が大きく\nなっており、総務省が発表した2019年1月1日時点での住民基本台帳に基づく人口、人口動態及び世帯数調\n査によると、外国人人口は前年より約17万人増えて過去最多、さらに全国の人口総数のうち外国人住民の占\nめる割合が初めて 2％を超えた。一方で、日本人人口は前年より約 43 万人少なく、10 年連続の減少となっ\nた。このように、日本人人口が減少を続けることで不足する労働力を補うためにも年々増加する外国人は欠\nかせない存在となっている。加えて、2019年4月1日より人手不足が深刻な産業分野において在留資格「特\n定技能」が新設され、一定の専門性・技能を有する新たな外国人材の受入れが可能となった。特に、熟練者\nを想定した特定技能 2 号では定期的な審査を経て、家族の帯同が認められる長期の滞在が可能になる。これ\nらの点を踏まえると、在留外国人の増加傾向は今後も続くと考えられる。それに伴い、受け入れの各自治体\nでは自然災害時の多言語対応や子弟の就学支援など、異なる文化的背景を持つ外国人が生活するための環境\n整備に早急に取り組む必要がある(3)。\n本研究では外国人人口と自治体が持つ特性との関係性について計量分析を行う。各自治体は人口、経済、\n行政、教育、社会保障など多面的な特性を持っているが、そこに住む外国人の数とそれらの特性に何か結び\nつきがあるのか、加えて、もし関連があるならばそれはどの特性で、どの程度の関係性の強さなのかを調べ\nることは、現在の日本の社会構造を理解する上で意味があると考えられる。これまでに行われた外国人人口\nに関する先行研究は、外国人の新規流入と国内移動(4)、市区町村における外国人の社会増加(5)、外国人女性の\n出生数と出生率(6)(7)、外国人の居住地選択(8)、外国人労働者導入の日本人労働者・企業への影響(9)、都道府県\n別の外国人の自然動態(10)など多岐に渡るものの、外国人人口と市区町村の特性との関連性については十分に\n調べられていると言えず、本論文では教育用標準データセットの市区町村データを使った統計分析を通して\nこの点について考察を深めていきたい。\n2. 分析の方法と手順\n本研究の分析においては、外国人人口（10万人あたり）を目的変数、自治体の多様な特性を説明変数とし\nて、両者の間に存在する関係性をいくつかの統計手法を用いて推測する。外国人人口と自治体特性の関連を\n分析するための簡潔な手法としては、個々の特性と外国人人口の相関係数を個別に計算することが考えられ\nるが、この方法では説明変数間の相関関係を無視することになる。そこで、本研究では重回帰分析を行うこ\nとで、外国人人口とすべての特性の関係性を同時に推定する。加えて、分析においては自治体の多面的な特\n性を十分記述するために多くの説明変数を用いるが（表1参照）、それらすべてが実際に外国人人口と関係が\nあるとは限らないため、結果としてパラメータ数が多くなり過ぎてデータへの過適合を招く恐れがある。そ\nこで、Best Subset Selectionを用いて説明変数の中から目的変数をよく説明すると考えられる部分集合を\n1\n---PAGE---\n選び出す。\n重回帰分析は目的変数と説明変数の線形関係に基づくが、近年、この線型性を仮定しない機械学習の統計\n手法が自然科学、社会科学問わずに様々な分野で広く用いられている(11)。そこで、データを段階的に分割す\nる木構造に基づく決定木回帰、さらに複数の木を組み合わせることで予測精度を向上させるランダムフォレ\nストも追加して分析を行う。\n最後に、これら4つの分析手法の推定結果を得たあとで10-fold クロスバリデーションを行い、どの分析\n手法がもっとも妥当であるかを比較する。これらの統計分析にあたっては、統計解析向けのプログラミング\n言語であるR言語を用いた。Best Subset Selection、 決定木、ランダムフォレストの推定においてはライ\nブラリー“leaps”、“tree”、“RandomForest”をそれぞれ用いた。\n3.使用するデータについて\n表 1 は、本論文の分析に用いる変数を一覧にしたものである。変数を社会・人口統計体系の中の項目定義\nのサイト(https://www.e-stat.go.jp/koumoku/koumoku_teigi/A)を参考に分野ごとに記載した。分析前のデ\nータ処理として、分布が大きく歪んでいる非負データには対数変換を施している（0を含んでいる場合は1を\n加えたものを対数変換している）。一部の変数は総務省統計局「都道府県・市区町村のすがた(社会・人口統\n計体系)」(12)から追加的に取り出しており、表1では追加した変数の枠内に色付けをしている。具体的には、\n未婚者割合（15歳以上人口）、課税対象所得（納税義務者１人当たり）、学歴割合（大卒）、刑法犯認知件数で\nあり、それぞれの変数の収録年度は順に、2015年、2017年、2010年、2008年である。経済基盤の従業者割\n合に関しては、外国人労働者数が比較的多い産業を選択した(13)。\nまた、総人口がゼロの市区町村と、福島県楢葉町(R07542)、富岡町(R07543)、大熊町(R07545)、双葉町\n(R07546)、 浪江町(R07547)、葛尾村(R07548)、飯舘村(R07564)は「農林業センサス」を出典とする項目につ\nいて調査が実施されなかったため取り除いている(14)。最終的に、これらの変数をそれぞれ平均 0、分散 1 に\nなるように標準化したものを分析に使用した。\n4.分析結果\n4.1 重回帰分析\n図1：残差プロット\n最初に、すべての説明変数を使った重回帰モデルの\n推定を行い、残差プロットを調べたところ（図1）外\nれ値と考えられるサンプル(円で囲んでいる部分)が6\n箇所ほど観測された。これらが推定結果に大きく影響\nする可能性があるため、データから取り除いて分析を\n行うことにした。比較の観点から、以下述べる他の統\n計手法に対しても同じデータを用いることにする。表\n2が上の処理を行ったデータを用いた重回帰モデルの\n推定結果であり、様々な分野の項目の係数が有意に推\n定されていることがわかる。例えば、人口密度（人口・\n世帯）、製造業従業者割合（経済基盤）、課税対象所得\n（行政）、図書館数（文化・スポーツ）などは正の係数を持ち、自然人口増減率（人口・世帯）や完全失業率\n（労働）は負の関係性を示している。分析前のデータ処理ですべての変数を標準化しているため、回帰係数\n2\n---PAGE---\n表1 : 分析に用いる変数\n分野 変数名 計算式 単位\nforeigner 【外国人人口(10万人あたり)】 log(外国人人口 / 総人口 × 100000 + 1 ) 人\npop 【総人口】 log(総人口) 人\nnatural_pop 【自然人口増減率】 (出生数 - 死亡数) / 総人口 ％\nsocial_pop 【社会的人口増減率】 (転入者数 - 転出者数) / 総人口 ％\n人口・世帯\nnuclear_fam 【核家族世帯割合】 核家族世帯数 / 一般世帯数 × 100 ％\nsingle_house 【単独世帯割合】 単独世帯数 / 一般世帯数 × 100 ％\npop_den 【人口密度】 log(総人口 / 可住地面積) 人/ha\nunmarried 【未婚者割合(15歳以上人口)】 未婚者割合(15歳以上人口) ％\nagriculture 【従業者割合(農業、林業)】 従業者数(農業、林業) / 従業者数 × 100 ％\nconstruction 【従業者割合(建設業)】 従業者数(建設業) / 従業者数 × 100 ％\nmanufacture 【従業者割合(製造業)】 従業者数(製造業) / 従業者数 × 100 ％\ntelecommunication 【従業者割合(情報通信業)】 従業者数(情報通信業) / 従業者数 × 100 ％\ntransport 【従業者割合(運輸業、郵便業)】 従業者数(運輸業，郵便業)/ 従業者数× 100 ％\nwholesale 【従業者割合(卸売業、小売業)】 従業者数(卸売業，小売業) / 従業者数 × 100 ％\nacademy 【従業者割合(学術研究、\n従業者数(学術研究，専門・技術サービス業) / 従業者数 × 100 ％\n専門・技術サービス)】\n経済基盤\nfoodservice 【従業者割合(宿泊業、\n従業者数(宿泊業，飲食サービス業) / 従業者数 × 100 ％\n飲食サービス業)】\neducation 【従業者割合(教育、学習支援業)】 従業者数(教育，学習支援業) / 従業者数 × 100 ％\nmedical 【従業者割合(医療、福祉)】 従業者数(医療，福祉) / 従業者数 × 100 ％\nservice 【従業者割合(サービス業\n従業者数(サービス業(他に分類されないもの)) / 従業者数 × 100 ％\n(他に分類されないもの))】\nfarmer 【農家数(販売農家\nlog(農家数(販売農家) / 総人口 × 100000 + 1) ％\n(人口10万人あたり))】\ncurrent_balance 【経常収支比率】 経常収支比率(市町村財政) ％\ncivil_engineering 【歳出における土木費割合】 土木費(市町村財政) / 歳出決算総額(市町村財政) × 100 ％\n行政基盤 education_expence 【歳出における教育費割合】 教育費(市町村財政) / 歳出決算総額(市町村財政) × 100 ％\ntax_income 【課税対象所得\nlog(課税対象所得(納税義務者１人当たり)) 千円\n(納税義務者一人あたり)】\n教育 college_graduate 【学歴割合(大卒)】 最終学歴人口(大学・大学院) / 最終学歴人口(卒業者総数) × 100 人\n労働 unemployment 【完全失業率】 完全失業者数 / (完全失業者数 + 就業者数 ) × 100 ％\n文化・スポーツ library 【図書館数(10万人あたり)】 log(図書館数 / 総人口 × 100000 + 1) ％\n健康・医療 doctor 【医師数(10万人あたり)】 log(医師数 / 総人口 × 100000 + 1) 人\n福祉・社会保障 nursery 【保育所数(10万人あたり)】 log(保育所等数 / 総人口 × 100000 + 1) ％\n安全 crime 【刑法犯認知件数(10万人あたり)】 log(刑法犯認知件数 / 総人口 × 100000 + 1) 件\n図2：Best Subset Selectionで変数選択を行った結果\n3\n---PAGE---\nの絶対値の大小で目的変数との関係の強さを比較できるが、人口密度の絶対値が一番大きく、従業者割合（製\n造業）、課税対象所得、未婚者割合、単独世帯割合、農家数、従業者割合（宿泊・飲食）、完全失業率、従業者\n割合（農・林業）がそれに続く。\n4.2 Best Subset Selection\n図2はBest Subset Selectionで全29の説明変数から𝐶 基準で変数選択を行った結果を示している。図\n(cid:3043)\nでは横軸が説明変数、縦軸が𝐶 を表しており、選択された変数は黒く塗られている。これは AIC に基づく変\n(cid:3043)\n数選択と同様な結果となることが知られている。𝐶 が小さいほどいいモデルであると解釈できるため、図の\n(cid:3043)\n最上部に位置する23個の説明変数を持つものが最良モデルとなる。この最良のモデルに含まれるのは、歳出\nの土木費割合、医師数、大卒者割合、従業者割合（卸売、学術研究、サービス）以外の説明変数すべてであ\nる。最良モデルの各回帰係数の推定結果は表3に与えられているが、先ほどの重回帰分析と似た結果である。\n表3：Best Subset Selectionで\n表2：重回帰分析の推定結果\n選択された変数の回帰係数\n変数 回帰係数の推定値 標準誤差 P-値 変数 回帰係数の推定値 標準誤差 P-値\n(切片) 0.019591 0.016202 0.226766 (切片) 0.01964 0.01618 0.225061\n総人口 0.050128 0.030577 0.101313 総人口 0.05341 0.02872 0.063134\n自然人口増減率 -0.10529 0.027019 0.000101 自然人口増減率 -0.10425 0.02671 9.86E-05\n社会的人口増減率 -0.03223 0.019922 0.105888 社会的人口増減率 -0.03274 0.01969 0.096508\n核家族世帯割合 -0.08347 0.024755 0.000763 核家族世帯割合 -0.08717 0.02432 0.000348\n単独世帯割合 0.156925 0.025995 1.93E-09 単独世帯割合 0.15281 0.02499 1.21E-09\n未婚者割合 0.196142 0.029965 7.82E-11 未婚者割合 0.1923 0.02965 1.15E-10\n人口密度 0.375057 0.045289 2.44E-16 人口密度 0.36583 0.03936 < 2e-16\n課税対象所得 0.236293 0.034306 7.95E-12 課税対象割合 0.22234 0.02948 7.46E-14\n農家数 0.141056 0.031074 6.04E-06 農家数 0.13817 0.03045 6.10E-06\n経常収支比率 -0.032771 0.020134 0.103782 経常収支比率 -0.0332 0.02003 0.097471\n歳出における土木費割合 0.002082 0.016932 0.902164 歳出における土木費割合 － － －\n歳出における教育費割合 0.047338 0.017681 0.007494 歳出における教育費割合 0.04615 0.01738 0.007987\n完全失業率 -0.123417 0.02211 2.76E-08 完全失業率 -0.11991 0.02152 2.94E-08\n医師数 0.005705 0.021682 0.792476 医師数 － － －\n学歴割合(大卒) -0.026888 0.039635 0.497624 学歴割合(大卒) － － －\n刑法犯認知件数 0.059249 0.022335 0.008059 刑法犯認知件数 0.05882 0.02216 0.008024\n図書館数 0.043784 0.016747 0.009019 図書館数 0.04399 0.0166 0.008116\n保育所等数 0.025764 0.017921 0.150709 保育所等数 0.0272 0.01776 0.125855\n従業者割合(農業、林業) 0.120916 0.024792 1.18E-06 従業者割合(農業、林業) 0.12009 0.02248 1.05E-07\n従業者割合(建設業) -0.038802 0.02881 0.178217 従業者割合(建設業) -0.03833 0.02447 0.11747\n従業者割合(製造業) 0.287207 0.048016 2.69E-09 従業者割合(製造業) 0.28623 0.03081 < 2e-16\n従業者割合(情報通信業) -0.047043 0.022529 0.036935 従業者割合(情報通信業) -0.04972 0.02231 0.025939\n従業者割合(運輸業、郵便業) 0.04116 0.021301 0.053491 従業者割合(運輸業、郵便業) 0.04156 0.01964 0.034443\n従業者割合(宿泊、飲食サービス) 0.010875 0.027886 0.696603 従業者割合(卸売業、小売業) － － －\n従業者割合(学術研究、 従業者割合(学術研究、\n-0.005469 0.01969 0.78124 － － －\n専門・技術サービス) 専門・技術サービス)\n従業者割合(宿泊業、飲食サービス業) 0.137586 0.030853 8.76E-06 従業者割合(宿泊業、飲食サービス業) 0.13664 0.02408 1.64E-08\n従業者割合(教育、学習支援業) -0.038387 0.022386 0.08657 従業者割合(教育、学習支援業) -0.04143 0.01951 0.033883\n従業者割合(医療、福祉) -0.067113 0.031767 0.034773 従業者割合(医療、福祉) -0.06374 0.02508 0.011126\n従業者割合(サービス業 従業者割合(サービス業\n-0.011944 0.021216 0.573534 － － －\n(他に分類されないもの)) (他に分類されないもの))\n4",
    "2019U53-toku3.pdf": "2019年度 統計データ分析コンペティション\n特別賞（⼤学⽣・⼀般の部）\n「広域連携の政策検証」\n―空間計量経済学的⼿法による実証分析―\n原 康熙、福⽥ 和⽣、柳⽥ はづき\n（早稲⽥⼤学政治経済学部、商学部、社会科学部）\n論⽂の概要\n地⽅⾃治体の広域連携の効果について検証するため、Moran統計量による空間相関分\n析を⾏った。その結果、ごみ処理費⽤については広域連携の効果が確認され、待機児\n童についても共通の政策⽬標が形成された⾃治体の広域連携においては待機児童数が\n減少し、⾏政の効率化を促す可能性を指摘している。\n論⽂審査会コメント\n広域連携の効果を論じたチャレンジングな実証論⽂として評価された。⼀⽅で、結論\nを導いている図の不備、⼀部の引⽤に誤解があるのではないかなどの批判はあった。\n---PAGE---\n「広域連携の政策検証」\n―空間計量経済学的手法による実証分析―\n原康熙*1・福田和生*2・柳田はづき*3\n*1: 早稲田大学政治経済学部\n*2: 早稲田大学商学部\n*3: 早稲田大学社会科学部\n1. はじめに\n1999年から2010年にかけて、総務省の主導による市町村合併の推進、所謂「平成の合併」が行われた。これは財\n政的に余裕のない自治体同士の合併を行なうことにより、財政の効率化及び財政基盤の強化等を図る政策であり、当該\n10年間で約1500程度の市町村の合併が行われた。(1) （図1）\nそして、その次段階として現在進められている政策として「広域連携の推進」がある。総務省ホームページによる\nと、広域連携とは「地方公共団体が、広域にわたり処理することが適当であると認められる事務を処理するために設け\nる特別地方公共団体。国又は都道府県から直接に権限や事務の移譲を受けることができる。」(2)と説明され、この制度\nの活用によって、国や都道府県主導ではなく、市町村主導による一層の行政運営の効率化やそれに伴う財政基盤の強化\nなどが期待されている。\n実際に、例えば、昨今話題となっている待機児童問題に対しても広域連携の活用が為されている。待機児童数は日本\n全体で、2010年に26,275人を記録し、2014年には21,371人とその数を減少させたものの、2017年には26,081人と\n以前の水準へと戻っている。一方で、2018年には19,895人と翌年と比較して6,186人もの待機児童を減らすことに成\n功している。(3)しかしこれはあくまで全体数の推移であり、地域別にその推移を見てみると待機児童の増減には大きな差\nが見られる。このような状況を考慮に入れ、待機児童数の推移の特徴を地域別に捉え、どのような特徴を持った地域が\n広域連携の活用により、待機児童の減少に成功しているのかの分析を本稿の1つ目の研究課題とする。\nまた、広域連携の主要な活用先の一つとして「ごみ処理費用の削減」が挙げられる。これはごみ処理施設の建設や維\n持にかかる莫大な費用、ごみを燃焼させることから生じる環境への負荷など、事業広域化によるメリットが大きいと考\nえられることから多くの地域で活用されている。ごみ処理にかかる広域連携の主要な事例としては大阪湾フェニックス\n事業が挙げられる。これは京都・大阪・兵庫・滋賀・奈良・和歌山の合計168市町村が参加したごみの最終処分場に関\nする広域連携事業であり、1970年に起草され、現在も大阪湾広域処分場整備促進協議会が中心となり活動している。\nその成果として、人口約二千万人という規模の経済性によりごみ処理にかかる費用の効率化を実現させている(4)。この\nような事例を踏まえ、本稿では2つ目の研究課題として、広域化がごみ処理費用の変化にどの程度寄与したかに関する\n評価を行なう。\n図1 平成の大合併（都道府県財政と市町村数減少率）\n（出典：総務省「地方財政状況調査関係資料」より筆者作成）\n---PAGE---\n1.1 先行研究\nInstitutional Collective Action理論\nInstitutional Collective Action理論とは、Feiock(5)がOlson(6)のCollective Action理論を組織間協力行動に拡張したもので\nある。Collective Action理論とは、主に以下の2つの場合において、人が集団に協力することに利益があるとするもので\nある。\n1. 集団に加わらなければ得られない便益を受け取ることができる場合。規模の経済などがこれに該当する。\n2. 共通の政策的目標や優先事項を前進させることができる場合。外部性の問題などがこれに該当する。\nFeiock(5)はこれをさらに発展させ、以下の5つの要素が組織間の協力行動において重要な意味をもつことを示唆した。\n① 地理的近接性\n地理的に近い自治体は、行き来のしやすさや社会的文化的類似性等から協力行動をとりやすい。\n② グループサイズ\n協力行動を行う集団に含まれる主体の数が多くなると、調整に要する取引コストが大きくなり、調整が難しく\nなる。\n③ 共通の政策目標\n複数の自治体が共通の利害や政策も区報を持つことが、協力行動への大きな動機付けとなる。\n④ リーダーや政策的起業家の存在\n主張や政策的なキーマンの強力なリーダーシップが協力行動の求心力になり得る。\n⑤ 強制力やインセンティブ\n協力行動に加わらない場合のペナルティや協力することへのインセンティブが協力行動を促進する。\n2. 実証分析の概要と分析手法\n2.1 仮説\n本項では、本稿で明らかにする仮説とその根拠を述べる。本稿で検証する仮説は以下の 2つである。\n仮説1 広域連携によりInstitutional Collective Actionが促進された自治体では、待機児童問題が緩和された。\n仮説2 広域連携によりInstitutional Collective Actionが促進された自治体では、ごみ処理費用が削減された。\nOlson(6)のCollective Action理論によれば、規模の経済の問題、並びに外部性の問題においては、複数の主体間で協力\n行動が起きる。仮説1、仮説2はともに規模の経済としての側面がある。\n仮説1に関しては、各自治体が待機児童を減らすために、保育所を増設したり、保育士を増員したりするために、財\n政支出を求められる。その際、「財政的自由度が小さければ、投入要素の調整に伴う転換コスト」がかかるため、政策目\n標の達成が困難になる（國崎・中村1994(8)）。ここにおいて、広域連携は有効な政策となり得る。\n仮説2に関しては、環境負荷の少ない高度な熱回収施設等の整備が求められる中、当然こうした設備を個別で整備す\nることは莫大な予算を要し、自治体財政を圧迫する。ここにおいても、広域連携は有効な政策となり得る。\n加えて、Feiock(5)が広域連携の成否を分ける要素として挙げた「①地理的近接性」「③共通の政策目標」に着目し、共\n通の政策目標を掲げる複数の自治体が地理的に近接しているとき、広域連携の効果の大小に影響を与えるかも合わせて\n検証する。\n2.2 分析手法\n分析に用いた手法は以下のとおりである。\n最小二乗法\n今回の分析では従属変数が量的変数であるため、最小二乗法による重回帰分析を用いた。\nなお、𝒙 は自治体 の統制変数のベクトル、𝜹 はパラメータである:\n𝒊 i 𝒊\nModel 1, 2\n𝑌 =𝛼 +𝛽∙𝑐𝑒𝑛𝑡𝑟𝑎𝑡𝑒 +𝛾∙(𝑐𝑒𝑛𝑡𝑟𝑎𝑡𝑒 × 𝑧𝑎𝑖𝑠𝑒𝑖_𝑚𝑜𝑟𝑎𝑛)+ 𝜹 𝒙 +𝜀\n𝑖 𝑖 𝑖 𝑖 𝑖 𝒊 𝒊 𝑖\nModel 3\n𝑌 =𝛼 +𝛽∙𝑝𝑙𝑎𝑛𝑡𝑛𝑢𝑚_𝑐ℎ𝑎𝑛𝑔𝑒 +𝛾∙(𝑐𝑒𝑛𝑡𝑟𝑎𝑡𝑒 × 𝑧𝑎𝑖𝑠𝑒𝑖_𝑚𝑜𝑟𝑎𝑛)+ 𝜹 𝒙 +𝜀\n𝑖 𝑖 𝑖 𝑖 𝑖 𝒊 𝒊 𝑖\n---PAGE---\nMoran I 統計量\n今回の分析では各都道府県のGlobal Moranを算出する。近接リストは隣接の有無によって作成した（図2.2）。\n図2.2 市町村間の隣接イメージ\n富山県 秋田県\n3. データと変数\n3.1 使用するデータ\n上に挙げた仮説を検証するために、政府統計を使用して分析する。本稿では「教育用標準データセット」（総務省統計\n局）、「一般廃棄物処理実態調査結果」（環境省）、並びに「国土数値情報 行政区域データ」（国土交通省）を使用した。\nまた今回の分析では、連携中枢都市圏を基軸とした「新たな広域連携」が提示された2013年(7)、並びに教育用標準デー\nタセットにおいて最新年度として記載されている2016年のデータを特に参照した。\n3.2 変数\n分析に用いた変数は以下のとおりである。\n従属変数（仮説1）\n待機児童数変化（2016年 / 2013年比）\n各都道府県の2016年における待機児童数を2013年における待機児童数で除した値を仮説1における従属変数とす\nる。データは「教育用標準データセット」を参照した。待機児童数が減少した場合は0以上1未満、増加した場合は1\nより大きく、変化がなかった場合は1となる。尚、0から0へ変化した場合も1として扱った。また岡山県のデータ\nについては、2016年に急激な増加を観測したが、これは当該自治体が「待機児童」の定義を改めたことによるもので\nあるため、今回の分析では欠損値として扱った。\n従属変数（仮説2）\n一人当たりごみ処理費用変化（2016年 / 2013年比）\n各都道府県の2016年における一人当たりごみ処理費用を2013年における一人当たりごみ処理費用で除した値を仮\n説2における従属変数とする。都道府県内人口のデータについては「教育用標準データセット」、ごみ処理費用につい\nては「一般廃棄物処理実態調査結果」を参照した。一人当たりごみ処理費用減少した場合は0以上1未満、増加した\n場合は1より大きく、変化がなかった場合は1となる。\n独立変数（仮説1・仮説2）\n広域連携推進度（中心市宣言数 / 域内市町村数）\n2014年10月1日時点において、各都道府県で中心市宣言を行った市町村の総数を当該自治体内における総市町村\n数を独立変数とする。値が0に近いほど当該自治体が広域連携の取り組みについて消極的で、1に近いほど積極的であ\nることを意味する。\n中心市宣言は、「新たな広域連携」における核となる政策の一つであり、当該宣言が積極的になされているほど広域\n連携が推進されていると言える。\n独立変数（仮説2）\nごみ焼却施設数変化（2016年 / 2013年比）\n各都道府県の2016年におけるごみ処理焼却施設数を2013年におけるごみ処理焼却施設数で除した値を仮説2にお\nけるもう一つの独立変数とする。データは「一般廃棄物処理実態調査結果」を参照した。施設数が減少した場合は0以\n上1未満、増加した場合は1より大きく、変化がなかった場合は1となる。尚、0から0へ変化した場合も1として\n扱った。\n「2.1 仮説」に記載の通り、ごみ処理においては広域連携の重要性が高く、具体的には複数の自治体間で一つのごみ\n焼却施設の共有が想定される。施設の共有とは、すなわち施設数の削減を意味し、この増減によって広域連携に推進度\n合いを測ることができる。\n---PAGE---\n交互作用項（仮説1・仮説2）\n自治体財政のMoran I 統計量\n各都道府県内における経常収支比率（市町村財政）のMoran I 統計量を交互作用項とする。経常収支比率のデータ\nについては「教育用標準データセット」を、行政区域の空間データについては「国土数値情報 行政区域データ」を参\n照した。\nMoran I 統計量とは、空間自己共分散を標準化した統計量であり、-1に近いほど空間的自己相関がなく、1に近いほ\nど空間的自己相関があることを意味する。つまり、-1 に近いほど、特定の地域内において類似した性質を持つ自治体\nが分散していることを意味し、対して1に近いほど類似した性質を持つ自治体同士が集積していることを意味する（図\n3.2）。\nFeiock(5)による指摘の通り、「①地理的近接性」と「③共通の政策目標」は、広域連携の成否を左右する。そこで、今\n回の分析では、①地理的に隣接した自治体同士が、共通の政策課題、すなわち財政的自由度の低さという③共通の政策\n目標を抱えてきているとき、広域連携の効果が左右される可能性がある。\n図3.2 経常収支比率のコロプレス図\n富山県（集積度が低い） 秋田県（集積度が高い）\n統制変数（仮説1・仮説2）\n統制変数として、行政の効率化に影響を及ぼすと考えられるものを使用した。\n具体的には、2013年における人口規模、地価、消費支出、2014年における女性の社会進出レベルである。いずれも\n「教育用標準データセット」を参照した。以下では各変数についての説明を行なう。\n人口規模は、経済活動との関係性が古くから指摘されており、代表的なものとしては新古典派成長モデル等があげ\nられる（Solow, 1956(9)）。また当然、自治体財政は地域経済に大きく依存し、健全な財政は行政の効率化をもたらすこ\nとが最新の研究でも明らかにされている（林, 2017(10)）。\n地価についても、自治体が施設を新設または廃止するにあたってはその施設のみならず、その施設が新設または売\n却される土地が存在し、重要な指標となることが考えられる。\n消費支出はその地域における代表的な経済指標の一つであり、地域住民の消費支出が多いということはすなわち地\n域経済が活発であることを意味する。また上記と同様の理由で経済活動と行政効率には関係性が明らかにされている。\n女性の社会進出レベルに関しては、就業者の総数に占める女性割合とする。当該指標が高いほど、域内経済において\nより効率的な人的資源の配分がなされていることを意味し、行政の効率化に影響し得る。\n各変数の内容と記述統計は以下の通りである。\n表3.2a 分析に用いる変数\n項目 変数の内容\n従属変数 taikijidou_change 待機児童数変化\ngarbagecostpp_change 一人当たりごみ処理費用変化\n独立変数 centrate 広域連携推進度\nplantnum_change ごみ焼却施設数変化\n交互作用項 zaisei_moran 自治体財政のMoran I統計量\n統制変数 pop_13 人口規模\nlandprice_13 地価\nconstitu_13 消費支出\nwoman_14 女性の社会進出レベル",
    "2019U54-toku4.pdf": "2019年度 統計データ分析コンペティション\n特別賞（⼤学⽣・⼀般の部）\n地⽅創⽣実現のロジック\n―地域経済活性化のメカニズムを解明する―\n平原 幸輝（早稲⽥⼤学⼤学院⼈間科学研究科）\n論⽂の概要\n地域経済活性化のメカニズムを解明するため、市区町村別の付加価値額を事業従事者\n数等から重回帰分析により推計し、⼈⼝と付加価値額への影響をパス解析により分析\nした。結果として、労働・医療・福祉・教育といった社会環境の充実が、⼈⼝増加と\n経済活性化を引き起こし地⽅創⽣につながると指摘している。\n論⽂審査会コメント\n必要な⽋測値補完を⾏った上で、地⽅創⽣の構造を経済⽣産と⼈⼝増減の観点から実\n証した論⽂で構成も含め⾼く評価された。⽋測値を含むデータの分析やパス解析など\nの実証技術を投⼊すれば、極めて⾼度な実証論⽂となることが期待される。\n---PAGE---\n地⽅創⽣実現のロジック\n―地域経済活性化のメカニズムを解明する―\n代表者 ・ 平原 幸輝\n早稲⽥⼤学⼤学院 ⼈間科学研究科\n序章・はじめに\n『⼈⼝動態調査』と『住⺠基本台帳⼈⼝移動報告』によると、2017年に⼈⼝減少を記録した市区町村の割\n合は全国で82.4%、⾃然減少は89.8%、社会減少は72.4%となっており、⽇本における⼈⼝減少の深刻さが\nわかる。加えて、2013 年から 2017 年にかけて 5 年連続で⼈⼝減少となっている市区町村の割合は全国で\n71.5%、⾃然減少は81.0%、社会減少は51.2%であり、多くの⾃治体が慢性的な⼈⼝減少に直⾯している。\nこの深刻かつ慢性的な⼈⼝減少問題の解決を期待されている政策が「地⽅創⽣」であるが、この「地⽅創\n⽣」を実現するためには、「地⽅創⽣」が実現するロジックを根本から理解する必要がある。本稿では、地域\nにおける経済の活性化に関するメカニズムを解明することによって、「地⽅創⽣」実現のロジックを導き出す。\n第1章・地⽅創⽣に関する研究\n2014年から安倍晋三政権が進めてきた「地⽅創⽣」政策であるが、その⽬標について⽯破茂地⽅創⽣担当\n⼤⾂(当時)は「景気回復を全国津々浦々まで実感できるようにすること」、安倍晋三⾸相は「(景気回復を実現\nした上で)⼈⼝減少を克服する」ことと、2014年10⽉2⽇の参議院本会議においてそれぞれ述べていること\nが国会会議録で確認できる。このように地⽅における経済成⻑の達成と⼈⼝減少の克服を⽬指して⾏われて\nきた「地⽅創⽣」であるが、実はこの「地⽅創⽣」には2つの段階が設定されている。\n「地⽅創⽣」の司令塔とも⾔える内閣官房まち・ひと・しごと創⽣本部事務局(2019)は「地⽅創⽣」の取\nり組みについて、「地⽅における安定した労働環境の創出」「地⽅への⼈⼝移動の実現」「希望する育児環境の\n実現」「地域間の連携の実現」に尽⼒する2015年度から2019年度までの第1期と、第1期を踏まえた上で\n未来技術の活⽤や⼈材育成などを⾏い「地⽅創⽣」を次のステージへ発展させる2020年度から2024年度ま\nでの第2期という2段階を設定している(1)。この点から、2019年という年は第1期の「地⽅創⽣」を完遂す\nるとともに、第2期の「地⽅創⽣」に繋がる重要なポイントであるということが出来る。\nさて、第 1 期の「地⽅創⽣」における取り組みは、⼈⼝減少問題の克服と経済的な成⻑⼒の確保といった\n中⻑期的なビジョンを⽬指して⾏われてきた。そして、そのローカルな「地⽅創⽣」の主体は⽇本全国にお\nける各市区町村であった。では、各市区町村が⼈⼝減少問題を克服し、それぞれが経済的な成⻑⼒を確保す\nるためには、具体的には何が必要とされているのだろうか。各市区町村が「地⽅創⽣」を実現するためには、\n市区町村レベルにおける⼈⼝減少克服と経済成⻑のメカニズムを理解することが求められている。\n市区町村単位での⼈⼝増減に関する先⾏研究は、まず「地⽅創⽣」政策の礎となった「増⽥レポート」が\nある。増⽥寛也⽒は「20歳から39歳までの⼥性」に着⽬し、その⼈⼝が全国の49.8%の市区町村で2010年\nから2040年にかけて半減することを⽰し、多くの⾃治体が成⻑⼒を維持できずに「消滅」する可能性がある\nと主張した(⽇本創成会議・⼈⼝減少問題検討分科会, 2014)(2)。また、⽇本全国の市町村における⼈⼝増減の\n背景には「労働」「医療」「教育」といった要因があることを導き出した研究例もある(平原幸輝, 2019 a)(3)。\n⼀⽅、市区町村単位での経済成⻑に関する先⾏研究はどれほどあるのだろうか。「地⽅創⽣」が⽬指す経済\n的な成⻑⼒を確保するということについて、具体的には実質GDPの成⻑率を維持すると述べられている(内\n閣官房まち・ひと・しごと創⽣本部事務局, 2014)(4)。GDP、すなわち国内総⽣産とは国内で産出された付加\n価値総額であるが、この付加価値額を市区町村レベルで検討することが市区町村の経済成⻑に関する研究に\nは必要である。しかし、市区町村別の付加価値額を分析に⽤いた研究は、これまで多くは蓄積されていない。\n本研究では、これまで市区町村別の付加価値額を分析に⽤いた研究があまりなされてこなかった理由を踏\nまえて、地域経済活性化のメカニズムを解明し、「地⽅創⽣」を実現するためのロジックを導き出す。\n1\n---PAGE---\n第2章・研究概要と分析⽅法\n前章で述べたように、市区町村別の付加価値額に関する分析はそれほどされてこなかったが、その理由は\n「全市区町村の付加価値額のデータが⼿に⼊りにくい」ということが挙げられる。市区町村における⺠間の\n付加価値額のデータを含む『経済センサス』を確認すると、データ内に「X」という⽂字が含まれていること\nがわかる。この「X」とは、秘密保護の観点から数値を公表していないケースであり、我々はその市区町村の\nデータが得られないこととなる。それゆえ、市区町村別の付加価値額に関する分析は停滞してきたのである。\n官庁統計には多くの市区町村データが⾒られるが、中にはこのようにデータが秘匿されているケースや、\nそもそも調査⾃体を⾏っていない⾃治体が存在するため、全市区町村を対象とした分析には限界があった。\nしかし、この障害を乗り越える⽅法として、データのない市区町村の数値を推測し、データのある⾃治体は\n実測値、データのない⾃治体は推測値によって補完することで、全市区町村のデータを網羅するという分析\n⼿法が⽣じてきた。例えば、『住宅・⼟地統計調査』において調査が実施されていない⾃治体のデータを推測\n値によって補完し、⾸都圏全域における所得⽔準を導き出した研究などがある(平原幸輝, 2019 b)(5)。\n本研究でもこの⼿法を⽤いて分析を⾏うが、まずは本研究の構成について述べておこう。本研究は「付加\n価値額に関する推定式を導くこと」「推定式を踏まえた地域経済に関する現状を明らかにすること」「全国の\n⼈⼝増減と経済成⻑の構造を解明すること」という3つの段階から構成されている。\n第1段階では、『経済センサス』に基づき、各市区町村の事業所数と事業従事者数から付加価値額を説明す\nるモデルを産業ごとに⽰し、全市区町村の付加価値額を求める推定式を導く。\n第2段階では、『経済センサス』にデータのある市区町村については実測値を、データのない市区町村につ\nいては推測値を⽤いて補完することで、全市区町村における経済状況を明らかにする。\n第3段階では、経済成⻑と⼈⼝増減の構造を市区町村単位で明らかにするために、相関分析や重回帰分析、\nパス解析などを⾏う。\nなお、本研究においては、『経済センサス』における市区町村別の付加価値額を従属変数とした分析を⾏う\n上で、2012年と2016年の2時点のデータを⽤いる。「地⽅創⽣」政策が実施されたのは2014年以降のこと\nであるため、この2時点のデータを分析することは「地⽅創⽣」の効果を評価することにも繋がる。\n第3章・データの概要\n本研究では、以下のデータと指標を⽤いた。なお、因果関係において「結果」となる指標が、「原因」とな\nる指標より先⾏していることはあまり考えられないため、それぞれの調査年については特に注意している。\n表1 : 使⽤データの⼀覧\n(cid:135)(cid:151) (cid:111)(cid:109) (cid:150)(cid:162) (cid:196)(cid:187)(cid:146) (cid:142)(cid:131)(cid:102) (cid:162)(cid:172)(cid:103)(cid:139) (cid:145)(cid:151)\n(cid:30) (cid:18)(cid:2)(cid:176)(cid:161)(cid:65)ce (cid:1)(cid:92)(cid:161)(cid:149)(cid:151)(cid:1)(cid:60)(cid:186)(cid:149)(cid:61) (cid:58)(cid:188)(cid:169)lrjk(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143) 1 (cid:18)(cid:96)(cid:116)(cid:100)(cid:102)(cid:190)(cid:206)(cid:1)(cid:60)(cid:105)(cid:110)(cid:61) (cid:1)0(cid:1)(cid:2)(cid:108)(cid:176)(cid:161)e(cid:1)=(cid:1) (cid:1)(cid:53)(cid:1)(cid:9)(cid:8)(cid:8)(cid:8)(cid:8)(cid:8)(cid:8) (cid:8)(cid:7)(cid:10))(cid:10) (cid:8)(cid:7)(cid:13)(cid:13)) )(.\n(cid:31) (cid:18)(cid:2)(cid:176)(cid:161)(cid:65)ce (cid:1)(cid:92)(cid:161)(cid:147)(cid:92)(cid:192)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:188)(cid:169)lrjk(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143) (cid:1)0(cid:1)(cid:33)(cid:1)(cid:53)(cid:1)(cid:9)(cid:8)(cid:8)(cid:8)(cid:8)(cid:8)(cid:8) (cid:8)(cid:7)(cid:9)(cid:13)( (cid:8)(cid:7)),(cid:9) (cid:9)-.)\n= (cid:18)(cid:2)(cid:176)(cid:161)(cid:65)ce (cid:1)(cid:96)(cid:116)(cid:100)(cid:102)(cid:206)(cid:1)(cid:60)(cid:178)u(cid:110)(cid:61)(cid:58)(cid:188)(cid:169)lrjk(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143) 2 (cid:18)(cid:147)(cid:92)(cid:192)(cid:94)(cid:123)(cid:63)(cid:66)he (cid:1)0(cid:1)(cid:2)(cid:108)(cid:176)(cid:161)e(cid:1)=(cid:1) (cid:1)(cid:53)(cid:1)(cid:2)(cid:108)(cid:176)(cid:161)e(cid:1)(cid:31)(cid:1) (cid:1)(cid:53)(cid:1)(cid:9)(cid:8) (cid:8)(cid:7))(cid:8)( (cid:8)(cid:7)(cid:9)(cid:8), )(.\n(cid:33) (cid:18)(cid:2)(cid:108)(cid:176)(cid:161)e (cid:1)(cid:96)(cid:116)(cid:100)(cid:102)(cid:206)(cid:1)(cid:60)(cid:178)u(cid:110)(cid:61) (cid:58)(cid:188)(cid:169)lrjk(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)+(cid:143) (cid:55)(cid:96)(cid:116)(cid:100)(cid:102)(cid:206)(cid:1)(cid:60)(cid:121)u(cid:110)(cid:61)(cid:1)0(cid:1)(cid:33)(cid:1)(cid:53)(cid:1)(cid:2)(cid:108)(cid:176)(cid:161)e(cid:1)(cid:31)(cid:1) (cid:1)(cid:53)(cid:1)(cid:9)(cid:8) (cid:8)(cid:7))((cid:9) (cid:8)(cid:7)(cid:9)(- (cid:9)-.)\n(cid:34) (cid:18)(cid:94)(cid:123)(cid:190)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:128)(cid:119)(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:8)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)(cid:13)(cid:143) 3 (cid:18)(cid:194)(cid:173)(cid:134)(cid:170)(cid:174) (cid:1)0(cid:1)(cid:2)(cid:1)D(cid:1)(cid:6)(cid:1)E(cid:1) (cid:1)(cid:53)(cid:1)(cid:35) (cid:6)(cid:8)(cid:7)(cid:8)(cid:8)(cid:13) (cid:8)(cid:7)(cid:8)(cid:8)+ (cid:9)-.(\n(cid:35) (cid:18)(cid:154)(cid:157)(cid:94)(cid:94)(cid:123)(cid:190)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:99)(cid:168)(cid:132)(cid:157)(cid:124)(cid:141)(cid:94)(cid:123)(cid:183)(cid:118)(cid:133)(cid:126)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:9)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)(cid:13)(cid:143) (cid:6)(cid:8)(cid:7)(cid:8)(cid:8)+ (cid:8)(cid:7)(cid:8)(cid:8)+ (cid:9)-.+\nA (cid:18)(cid:13)(cid:164)(cid:156)(cid:171)(cid:94)(cid:123)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:128)(cid:119)(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:8)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)(cid:13)(cid:143) 4 (cid:18)(cid:179)(cid:98)(cid:134)(cid:170)(cid:174) (cid:1)0(cid:1)(cid:2)(cid:1)F(cid:1)(cid:6)(cid:1)G(cid:1) (cid:1)(cid:53)(cid:1)(cid:35) (cid:6)(cid:8)(cid:7)(cid:8)(cid:8)( (cid:8)(cid:7)(cid:8)(cid:8), (cid:9)-.(\nB (cid:18)(cid:9)(cid:13)(cid:62)+)(cid:164)(cid:94)(cid:123)(cid:190)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:128)(cid:119)(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:8)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)(cid:13)(cid:143) (cid:6)(cid:8)(cid:7)(cid:8)(cid:8)( (cid:8)(cid:7)(cid:8)(cid:8)- (cid:9)-.+\nC (cid:18)+(cid:13)(cid:164)(cid:97)w(cid:94)(cid:123)(cid:190)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:128)(cid:119)(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:8)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)(cid:13)(cid:143) 5 (cid:18)(cid:94)(cid:123)(cid:134)(cid:170)(cid:174) (cid:1)0(cid:1)3(cid:1)(cid:210)(cid:1)4 (cid:6)(cid:8)(cid:7)(cid:8)(cid:8)- (cid:8)(cid:7)(cid:8)(cid:9)(cid:9) (cid:9)-.(\nD (cid:18)(cid:111)(cid:175)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:94)(cid:123)(cid:118)(cid:148)(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143) (cid:6)(cid:8)(cid:7)(cid:8)(cid:8). (cid:8)(cid:7)(cid:8)(cid:9)(cid:9) (cid:9)-.+\nE (cid:18)(cid:165)(cid:93)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:94)(cid:123)(cid:118)(cid:148)(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143) 6 (cid:18)(cid:117)(cid:104)(cid:115)(cid:94)(cid:123)(cid:167)(cid:174) (cid:1)0(cid:1)H(cid:1)(cid:53)(cid:1)(cid:2)(cid:1)B(cid:1)(cid:4)(cid:1)C(cid:1) (cid:8)(cid:7)(cid:13)-(cid:10) (cid:8)(cid:7)(cid:8)), (cid:9)-.(\nF (cid:18)(cid:201)(cid:107)(cid:192)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:99)(cid:168)(cid:132)(cid:157)(cid:124)(cid:141)(cid:94)(cid:123)(cid:183)(cid:118)(cid:133)(cid:126)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143) (cid:8)(cid:7)(cid:13),) (cid:8)(cid:7)(cid:8)(cid:13)(cid:9) (cid:9)-.(cid:10)\nG (cid:18)(cid:201)(cid:111)(cid:192)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:99)(cid:168)(cid:132)(cid:157)(cid:124)(cid:141)(cid:94)(cid:123)(cid:183)(cid:118)(cid:133)(cid:126)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143) 7 (cid:18)(cid:94)(cid:123)(cid:63)(cid:66)he(cid:120)(cid:140)(cid:151) (cid:1)0(cid:1)I(cid:1)(cid:53)(cid:1)(cid:34) (cid:8)(cid:7)(cid:8)(cid:8)(cid:10) (cid:8)(cid:7)(cid:8)(cid:8)(cid:10) (cid:9)-.(\nH (cid:18)(cid:117)(cid:104)(cid:115)(cid:94)(cid:123)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:128)(cid:119)(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:8)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)(cid:13)(cid:143) (cid:8)(cid:7)(cid:8)(cid:8)(cid:10) (cid:8)(cid:7)(cid:8)(cid:8)(cid:10) (cid:9)-.(cid:10)\nI (cid:18)(cid:120)(cid:140)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:120)(cid:140)s(cid:163)(cid:182)(cid:120)(cid:140)s(cid:195)(cid:114)(cid:140)(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143) 8 (cid:18)(cid:208)(cid:209)(cid:192)(cid:153)(cid:197)(cid:138)(cid:127)(cid:167)(cid:174) (cid:1)0(cid:1)(cid:2)(cid:1)J(cid:1)(cid:4)(cid:1)(cid:46)(cid:1)(cid:4)(cid:1)(cid:47)(cid:1)(cid:4)(cid:1)(cid:48)(cid:1) (cid:1)(cid:53)(cid:1)C (cid:8)(cid:7)(cid:8)((cid:10) (cid:8)(cid:7)(cid:8)(cid:10)(cid:9) (cid:9)-.(\nJ (cid:18)(cid:207)(cid:199)(cid:191)(cid:94)ptq(cid:138)(cid:127)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:179)(cid:98)(cid:181)(cid:180)(cid:153)(cid:197)÷(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143) (cid:8)(cid:7)(cid:8)() (cid:8)(cid:7)(cid:8))) (cid:9)-.(cid:10)\n(cid:46) (cid:18)(cid:95)(cid:199)(cid:191)(cid:94)(cid:181)(cid:180)(cid:153)(cid:197)(cid:138)(cid:127)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:95)(cid:199)jtok(cid:153)(cid:197)s(cid:92)(cid:161)(cid:149)(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143) 9 (cid:18)(cid:101)(cid:193)(cid:153)(cid:197)(cid:113)(cid:177)(cid:192)(cid:167)(cid:174) (cid:1)0(cid:1)(cid:2)(cid:1)(cid:49)(cid:1)(cid:4)(cid:1)(cid:50)(cid:1) (cid:1)(cid:53)(cid:1)A (cid:8)(cid:7)+(cid:9)(cid:8) (cid:8)(cid:7)(cid:9)+(cid:8) (cid:9)-.(\n(cid:47) (cid:18)(cid:202)(cid:200)(cid:191)(cid:94)ptq(cid:138)(cid:127)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:179)(cid:98)(cid:181)(cid:180)(cid:153)(cid:197)÷(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143) (cid:8)(cid:7)+((cid:9) (cid:8)(cid:7)(cid:9)+, (cid:9)--.\n(cid:48) (cid:18)(cid:155)(cid:152)(cid:191)(cid:94)ptq(cid:138)(cid:127)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:179)(cid:98)(cid:181)(cid:180)(cid:153)(cid:197)÷(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143) : (cid:18)v(cid:143)(cid:205)e(cid:136)(cid:137)(cid:203)(cid:137)(cid:174) (cid:1)0(cid:1)(cid:52)(cid:1)(cid:53)(cid:1)(cid:51) (cid:8)(cid:7))(cid:9). (cid:8)(cid:7)(cid:10)(cid:8)(cid:8) (cid:9))-(cid:8)\n(cid:49) (cid:18)(cid:144)(cid:184)(cid:129)(cid:130)(cid:129)(cid:192)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:137)(cid:160)(cid:132)(cid:157)(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143) (cid:8)(cid:7))(cid:10)(cid:8) (cid:8)(cid:7)(cid:9).- (cid:9)(cid:13)(cid:10)(cid:8)\n(cid:50) (cid:18)(cid:101)(cid:193)(cid:149)÷(cid:130)(cid:149)(cid:106)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:179)(cid:98)(cid:181)(cid:180)(cid:153)(cid:197)÷(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9)+(cid:143)\n(cid:51) (cid:18)(cid:208)÷(cid:137)(cid:160)(cid:122)(cid:161)(cid:192)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:137)(cid:160)(cid:132)(cid:157)(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:8)(cid:62)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9))(cid:62)(cid:10)(cid:8)(cid:9)+(cid:143) (cid:54)(cid:1)(cid:135)(cid:151)(cid:1)(cid:51)(cid:1)c(cid:1)(cid:52)(cid:1)f(cid:56)((cid:143)(cid:205)e(cid:125)(cid:196)(cid:102)b(cid:63)i(cid:57)\n(cid:52) (cid:18)(cid:136)(cid:137)÷(cid:203)(cid:137)(cid:192)(cid:151)(cid:1)(cid:60)(cid:94)(cid:61) (cid:58)(cid:137)(cid:160)(cid:132)(cid:157)(cid:198)(cid:159)(cid:59)(cid:2)(cid:10)(cid:8)(cid:9)(cid:8)(cid:62)(cid:10)(cid:8)(cid:9)(cid:10)(cid:5)(cid:1)(cid:10)(cid:8)(cid:9))(cid:62)(cid:10)(cid:8)(cid:9)+(cid:143) (cid:54)(cid:1)(cid:150)(cid:162)e(cid:132)(cid:157)(cid:189)(cid:196)(cid:204)d(cid:67)(cid:64)a(cid:56)w(cid:166)f(cid:10)(cid:8)(cid:9)(cid:10)(cid:143)ntm(cid:56)(cid:91)(cid:166)f(cid:10)(cid:8)(cid:9)+(cid:143)ntme(cid:112)(cid:158)b(cid:177)(cid:64)(cid:66)geb(cid:63)i(cid:57)\n2\n---PAGE---\n第4章・地域経済活性化のメカニズム\n第1節・付加価値額に関する推定式を導く\n『経済センサス』において、市区町村別の付加価値額のデータは秘密保護の観点から秘匿されているケー\nスが多々⾒られる⼀⽅、事業所数や事業従事者数のデータは全ての市区町村について明らかになっている。\nそのため、事業者数と事業従事者数の 2 つの独⽴変数から付加価値額という従属変数を説明するモデルを導\nき、それを⽤いることによって全市区町村の付加価値額を求めることが可能となる。\nまずは、本研究における分析の第 1 段階として、事業者数と事業従事者数から付加価値額を説明するモデ\nルを導くべく、事業者数と事業従事者数を独⽴変数、付加価値額を従属変数とした重回帰分析を、産業ごと\nに実⾏した。以下はその重回帰分析の結果として偏回帰係数と調整済み決定係数の値を記したものである。\n表2 : 産業別の付加価値額に対する重回帰分析の結果\n(cid:142)(cid:95)(cid:47)(cid:86)(cid:111)(cid:95)\n(cid:134)(cid:94)(cid:104)(cid:95) (cid:80)(cid:129)(cid:95) (cid:126)(cid:136)(cid:95)\n(cid:112)(cid:60)(cid:86)(cid:64)(cid:95)\n(cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79) (cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79) (cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79) (cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79)\n0(cid:1) (cid:1)(cid:74)(cid:90)(cid:1)(cid:1)(cid:4) (cid:6)(cid:10)-(cid:7).)) (cid:6)((cid:14)(cid:7)%(cid:14)* (cid:6))-(cid:7)%-% (cid:6)-%%(cid:7)(cid:9).(cid:15) (cid:5)(cid:5) (cid:6)(cid:10)(cid:9)((cid:7)(cid:10)*) (cid:5) (cid:10)(cid:10)*(cid:7).%(cid:10) (cid:6)(*((cid:14)(cid:7)(cid:10)(cid:15)* (cid:5)(cid:5) (cid:6)--(cid:14)*(cid:7).(cid:14)( (cid:5)(cid:5)\n(cid:1)(cid:50)(cid:95)(cid:84)(cid:90) (cid:9)(cid:9)(cid:7)(*(cid:10) (cid:5)(cid:5) .(cid:7)-(cid:10)(cid:10) (cid:5)(cid:5) (cid:6)(%(cid:14)(cid:7)(cid:9).( (cid:5)(cid:5) (cid:6)(cid:9))(cid:15)(cid:10)(cid:7).(cid:10)) (cid:5)(cid:5) (cid:6)((cid:9)(cid:7)*)(cid:15) (cid:5)(cid:5) (cid:6))-(cid:7)(cid:14)*(cid:15) (cid:5)(cid:5) ((cid:7)((cid:15)(cid:9) (cid:5)(cid:5) (cid:6)(cid:10)*(cid:7).%( (cid:5)(cid:5)\n(cid:1)(cid:50)(cid:95)(cid:81)(cid:50)(cid:121)(cid:90) (cid:10)(cid:7)%(* (cid:5)(cid:5) (cid:10)(cid:7)(cid:15)(cid:9)- (cid:5)(cid:5) )(cid:15)(cid:7)(%(cid:10) (cid:5)(cid:5) (cid:10)(cid:14)(cid:9)(cid:7)*((cid:15) (cid:5)(cid:5) -(cid:7)(cid:14)*(cid:14) (cid:5)(cid:5) (cid:9)(cid:10)(cid:7)%(% (cid:5)(cid:5) (cid:14)(cid:7)%-* (cid:5)(cid:5) .(cid:7)*(( (cid:5)(cid:5)\n(cid:1)(cid:130)(cid:91)(cid:102)(cid:38)(cid:99)(cid:74)(cid:54)(cid:90) %(cid:7)(cid:14).- %(cid:7)(cid:14)((cid:10) %(cid:7)*%% %(cid:7)(cid:15)-(cid:15) %(cid:7)..(cid:14) %(cid:7)..(cid:14) %(cid:7).(cid:14)(cid:10) %(cid:7).(cid:10))\n(cid:146)(cid:97)(cid:47)(cid:43)(cid:45)\n(cid:82)(cid:69)(cid:135)(cid:56)(cid:95) (cid:138)(cid:133)(cid:95)(cid:47)(cid:140)(cid:53)(cid:95) (cid:63)(cid:70)(cid:95)(cid:47)(cid:77)(cid:70)(cid:95)\n(cid:105)(cid:52)(cid:119)(cid:47)(cid:98)(cid:139)(cid:95)\n(cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79) (cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79) (cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79) (cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79)\n0(cid:1) (cid:1)(cid:74)(cid:90)(cid:1)(cid:1)(cid:4) (cid:6)(cid:9).(cid:15)(cid:15)(cid:7)--- (cid:5)(cid:5) *(cid:10)(cid:15)(cid:7)(cid:14).(cid:10) (cid:5)(cid:5) (cid:6)*-(cid:7)(cid:15))* (cid:15).((cid:7)%-% (cid:6)(cid:10)-(cid:10)(cid:10)(cid:7)*-% (cid:5)(cid:5) (cid:6)(cid:9)(cid:10)(cid:15)(cid:10)(cid:7)(cid:10)(cid:9)) (cid:5)(cid:5) )(-(cid:7)(cid:15).(cid:10) (cid:9)(cid:9))-(cid:7)))(cid:9) (cid:5)\n(cid:1)(cid:50)(cid:95)(cid:84)(cid:90) (cid:15)-((cid:7)(cid:9)%( (cid:5)(cid:5) (cid:6)(cid:14)((cid:9)(cid:7)).(cid:15) (cid:5)(cid:5) (cid:6)(cid:9)%(cid:9)(cid:7)%(- (cid:5)(cid:5) (cid:6)(cid:10)(%(cid:7)(.- (cid:5)(cid:5) (cid:6))%(cid:7)(cid:9)(cid:10)(cid:10) (cid:5)(cid:5) (cid:6)..(cid:7)(cid:14)%. (cid:5)(cid:5) (cid:6)(cid:14).(cid:7)(cid:15)(cid:10). (cid:5)(cid:5) (cid:6)(cid:15)*(cid:7)(cid:15)(cid:9)% (cid:5)(cid:5)\n(cid:1)(cid:50)(cid:95)(cid:81)(cid:50)(cid:121)(cid:90) (cid:9))(cid:7)%(cid:14)(cid:9) (cid:5)(cid:5) ((cid:9)(cid:7)%.% (cid:5)(cid:5) (cid:9)(cid:10)(cid:7)(cid:10)*(cid:9) (cid:5)(cid:5) (cid:9)(cid:14)(cid:7)*() (cid:5)(cid:5) (cid:15)(cid:7)(cid:14)-- (cid:5)(cid:5) (cid:9)%(cid:7)(cid:9)%(cid:15) (cid:5)(cid:5) (cid:9)(cid:10)(cid:7)(cid:15)(cid:14)% (cid:5)(cid:5) (cid:9)((cid:7)*%(cid:14) (cid:5)(cid:5)\n(cid:1)(cid:130)(cid:91)(cid:102)(cid:38)(cid:99)(cid:74)(cid:54)(cid:90) %(cid:7)--(cid:10) %(cid:7).(cid:14)(cid:14) %(cid:7)..(cid:9) %(cid:7)..(cid:10) %(cid:7).(cid:15)* %(cid:7).)(cid:9) %(cid:7)..( %(cid:7)..(cid:14)\n(cid:49)(cid:61)(cid:109)(cid:95) (cid:73)(cid:124)(cid:113)(cid:117)\n(cid:141)(cid:123)(cid:95)(cid:47)(cid:55)(cid:145)(cid:95) (cid:75)(cid:100)(cid:95)(cid:47)(cid:149)(cid:148)(cid:44)(cid:48)(cid:46)(cid:45)(cid:95)\n(cid:106)(cid:67)(cid:132)(cid:131)(cid:95) (cid:76)(cid:143)(cid:47)(cid:85)(cid:124)(cid:44)(cid:48)(cid:46)(cid:45)(cid:95)\n(cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79) (cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79) (cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79) (cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79)\n0(cid:1) (cid:1)(cid:74)(cid:90)(cid:1)(cid:1)(cid:4) ((cid:9)(cid:14)*(cid:7).(cid:10)- (cid:5)(cid:5) (cid:10)--(cid:15)(cid:7)(cid:14)-(cid:10) (cid:5)(cid:5) ((cid:10)((cid:7)(cid:15)(cid:10)( (cid:5) *)(cid:10)(cid:7))-(cid:10) (cid:5)(cid:5) (cid:6)*(cid:10).(cid:7)(cid:15)(cid:10)(cid:14) (cid:6))(cid:10)*(cid:7)(cid:10)(cid:9)(cid:9) (cid:6)(cid:9).(cid:10)(cid:7)(cid:14)-- (cid:5)(cid:5) (cid:6)(-(cid:15)(cid:7))(cid:15)* (cid:5)(cid:5)\n(cid:1)(cid:50)(cid:95)(cid:84)(cid:90) (cid:6)(cid:10)*(cid:14)(cid:7))(cid:10)(cid:10) (cid:5)(cid:5) (cid:6)(cid:10)*(cid:10)(cid:7)(cid:15)*% (cid:5)(cid:5) (cid:6))((cid:7))() (cid:5)(cid:5) (cid:6)*(cid:9)(cid:7)-((cid:15) (cid:5)(cid:5) (cid:6)(cid:9)%%(cid:7)(cid:9)(- (cid:5)(cid:5) (cid:6)(cid:10)%%(cid:7)-(cid:14). (cid:5)(cid:5) (cid:6)(cid:15)(cid:7)(cid:15)-(cid:15) (cid:5)(cid:5) (cid:6)(cid:9)(cid:10)(cid:7)(cid:14)(cid:14)- (cid:5)(cid:5)\n(cid:1)(cid:50)(cid:95)(cid:81)(cid:50)(cid:121)(cid:90) (cid:10)(cid:10)(cid:7)*.* (cid:5)(cid:5) (cid:10)(cid:10)(cid:7)(cid:14)%(cid:14) (cid:5)(cid:5) (cid:9)(cid:14)(cid:7)-*) (cid:5)(cid:5) (cid:9)-(cid:7)%(cid:9)( (cid:5)(cid:5) (cid:9).(cid:7).*(cid:15) (cid:5)(cid:5) ((cid:10)(cid:7)(cid:9)** (cid:5)(cid:5) (cid:10)(cid:7).%(cid:9) (cid:5)(cid:5) ((cid:7)-(cid:15)) (cid:5)(cid:5)\n(cid:1)(cid:130)(cid:91)(cid:102)(cid:38)(cid:99)(cid:74)(cid:54)(cid:90) %(cid:7).-(cid:14) %(cid:7)..( %(cid:7)..) %(cid:7)..(cid:9) %(cid:7).(cid:15)( %(cid:7).*(cid:15) %(cid:7)..(cid:14) %(cid:7)..(cid:10)\n(cid:108)(cid:101)(cid:144)(cid:137)(cid:44)(cid:48)(cid:46)(cid:45)(cid:95)\n(cid:89)(cid:122)(cid:47)(cid:73)(cid:120)(cid:88)(cid:87)(cid:95) (cid:62)(cid:110)(cid:47)(cid:116)(cid:115) (cid:127)(cid:66)(cid:44)(cid:48)(cid:46)(cid:45)(cid:50)(cid:95)\n(cid:72)(cid:96)(cid:95)\n(cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79) (cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79) (cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79) (cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79)\n0(cid:1) (cid:1)(cid:74)(cid:90)(cid:1)(cid:1)(cid:4) (cid:6)((cid:14)(cid:7))(cid:10). (cid:6)*(cid:10)(cid:7)((cid:14)(cid:15) (cid:9))(cid:14)(cid:7))((cid:15) (cid:5) (.(cid:7)(cid:10)(cid:10). (cid:6)(cid:9)(cid:9)(cid:15)(cid:15)%(cid:7).*% (cid:5)(cid:5) (cid:9).(cid:14)-(cid:15)(cid:7)-() (cid:5)(cid:5) %(cid:7)-%. (cid:14)-(cid:7)*.% (cid:5)(cid:5)\n(cid:1)(cid:50)(cid:95)(cid:84)(cid:90) (cid:6)(cid:9)((cid:7)(cid:9)() (cid:5)(cid:5) (cid:6)(cid:10))(cid:7)(cid:14)%% (cid:5)(cid:5) (cid:6)(cid:10))(cid:7)(cid:14)%) (cid:5)(cid:5) (cid:6)(cid:10)%(cid:7)-((cid:10) (cid:5)(cid:5) (cid:10)(cid:9)(cid:9)(cid:7)(cid:10)(cid:10)(cid:15) (cid:5)(cid:5) (cid:6)((cid:10))(cid:7)(cid:15)(cid:10)(cid:15) (cid:5)(cid:5) (cid:10)(cid:7)(cid:10)(cid:9)(cid:9) (cid:10)(cid:7)(cid:10))(cid:10)\n(cid:1)(cid:50)(cid:95)(cid:81)(cid:50)(cid:121)(cid:90) *(cid:7)(cid:14)*(cid:9) (cid:5)(cid:5) -(cid:7))(cid:10)(cid:9) (cid:5)(cid:5) *(cid:7)(cid:15)(cid:10)(cid:10) (cid:5)(cid:5) *(cid:7))(cid:15)(cid:10) (cid:5)(cid:5) (cid:6)((cid:7)(cid:15)(cid:9)) (cid:5)(cid:5) (cid:9)(cid:15)(cid:7)%(cid:10)(cid:10) (cid:5)(cid:5) )(cid:7)(-(cid:10) (cid:5)(cid:5) )(cid:7)-.(cid:14) (cid:5)(cid:5)\n(cid:1)(cid:130)(cid:91)(cid:102)(cid:38)(cid:99)(cid:74)(cid:54)(cid:90) %(cid:7).(cid:15). %(cid:7).(cid:15). %(cid:7)..(cid:10) %(cid:7)..(cid:10) %(cid:7)(cid:14))(cid:10) %(cid:7)%*(cid:9) %(cid:7).(cid:9)(cid:14) %(cid:7).(cid:14))\n(cid:44)(cid:48)(cid:46)(cid:45)(cid:95) (cid:1)(cid:18)(cid:1)(cid:125)(cid:35)(cid:37)1(cid:65)(cid:107)(cid:118)(cid:71)(cid:90)(cid:36)(cid:58)(cid:68)(cid:78)(cid:54)(cid:90)(cid:33)1(cid:65)(cid:59)(cid:93)(cid:36)(cid:130)(cid:91)(cid:102)(cid:38)(cid:99)(cid:74)(cid:54)(cid:90)(cid:36)(cid:57)(cid:42)(cid:128)9(cid:31)6(cid:40)2\n(cid:150)(cid:51)(cid:35)(cid:59)(cid:147)8(cid:41)(cid:34)6(cid:39)(cid:36)(cid:151) (cid:1)(cid:18)(cid:1)3(cid:5)(cid:5)4(cid:37)(cid:1)(cid:9)(cid:1)(cid:2)13(cid:5)4(cid:37)(cid:1)*(cid:1)(cid:2)(cid:98)(cid:103)(cid:32)1(cid:29)(cid:41)(cid:30)(cid:41)(cid:92)(cid:83)(cid:32)5(cid:40)7(cid:33)(cid:42)(cid:114)9(cid:31)6(cid:40)2\n(cid:10)%(cid:9)(cid:10)(cid:79) (cid:10)%(cid:9)(cid:14)(cid:79)\n0(cid:1) (cid:1)(cid:74)(cid:90)(cid:1)(cid:1)(cid:4) *()(cid:7)(cid:10)*. (cid:14).*(cid:7))(cid:10)(cid:10) (cid:5)(cid:5)\n(cid:1)(cid:50)(cid:95)(cid:84)(cid:90) (cid:6))*(cid:7)(cid:10)-- (cid:5)(cid:5) (cid:6)(-(cid:7)%*% (cid:5)(cid:5)\n(cid:1)(cid:50)(cid:95)(cid:81)(cid:50)(cid:121)(cid:90) (cid:14)(cid:7)(cid:14).. (cid:5)(cid:5) (cid:14)(cid:7)(cid:9)-* (cid:5)(cid:5)\n(cid:1)(cid:130)(cid:91)(cid:102)(cid:38)(cid:99)(cid:74)(cid:54)(cid:90) %(cid:7).(cid:14)(cid:14) %(cid:7)..%\nこのような調整済み決定係数の⾼さからもわかるように、付加価値額を説明するモデルとして事業所数や\n事業従事者数といった変数が⼗分な説明⼒を有していることが、2012年および2016年データで確認された。\nそして、このモデルを⽤いることで、各年度の産業別の付加価値額を全市区町村について推測することが\n可能となり、本研究における第 1 段階の⽬標である「付加価値額に関する推定式を導くこと」は達成された\nということができる。\n3\n---PAGE---\n第2節・地域経済に関する現状を明らかにする\n第1段階で導き出された推定式を⽤いて、『経済センサス』において秘匿されている付加価値額データを推\n測値で補完することが可能となったわけであるが、その⽅法について説明しておこう。\n2012 年の『経済センサス』において、市区町村別の付加価値額を全産業で合計した値は記されていない。\nそのため、各市区町村の付加価値総額は産業別の付加価値額を合計することによって算出することとなる。\nそれゆえ、データに1つでも「X」として秘匿されているケースがある場合は、合計値を得ることすらできな\nかった。本稿では、データの公開されているものについては実測値を、秘匿されているケースについては推\n測値を⽤いることで、全市区町村における産業別の付加価値額データを網羅することが可能となった。\n⼀⽅、2016 年の『経済センサス』には、市区町村別の付加価値額を全産業で合計した値が記されており、\n推定式が必要となる場⾯はさほど多くない。しかし、福島県の⼤熊町と葛尾村という 2 つの⾃治体について\nは全産業の付加価値額データが公開されていないため、秘匿されている産業の付加価値額を推測し、実測値\nと推測値を合算することで全産業の付加価値額を求め、全市区町村の付加価値額データを得ることができた。\n上記の⼿順によって、2012年および2016年における全市区町村の付加価値額のデータが得られた。ここ\nでは、付加価値額に関するデータを地図に描くことによって、地域経済に関する現状を明らかにしよう。\n以下は、各地域における経済活動の⽣産量を⽰す「付加価値総額」、経済的⽣産性を⽰す「従事者⼈⼝あた\nりの付加価値額」という2つの指標を⽇本地図に表したものである。なお、2012年と2016年という2時点\nの全データにおける⼗分位数を⽤いて、数値が⾼い(すなわち経済活動が活発で、⽣産性が⾼い)ほど⾚く、\n数値が低い(すなわち経済活動が停滞しており、⽣産性が低い)ほど⻘くなるように⾊分けをしている。\n1(cid:18)02(cid:16)(cid:9)(cid:10)(cid:12)(cid:11)\n(cid:17)(cid:10)(cid:9)(cid:14)(cid:13)(cid:11)\n6(cid:14)(cid:13)(cid:22)(cid:15)\n(cid:7)(cid:12)(cid:8) (cid:7)(cid:17)(cid:8)\n(cid:5)(cid:3)(cid:1)(cid:2)(cid:3)(cid:16)(cid:6) (cid:5)(cid:3)(cid:1)(cid:2)(cid:4)(cid:16)(cid:6) (cid:7)(cid:15)(cid:8) (cid:5)(cid:3)(cid:1)(cid:2)(cid:3)(cid:24)(cid:6) (cid:5)(cid:3)(cid:1)(cid:2)(cid:4)(cid:24)(cid:6) (cid:7)(cid:23)(cid:8)\n図1 : ⽇本における地域経済の現状\n地域における経済的⽣産量を表す「付加価値総額」を⽰した地図を確認すると、経済活動が活発な⾃治体\nは⼤都市圏に集中しつつも、太平洋ベルトを中⼼に全国各地に分散していると⾔える。この「付加価値総額」\nの空間的分布の変化については、⼀⾒すると2012年から2016年に⾄るまで⼤きく変容したとは認識できな\nいが、各市区町村の数値を確認すると、実は 83.4%の市区町村において「付加価値総額」が増加している。\nこのように、「地⽅創⽣」が政策として実⾏された前と後とでは、多くの市区町村において「付加価値総額」\nが上昇しており、この多くの地⽅⾃治体が経済成⻑を達成してきたという点は特筆すべきであろう。\n地域の経済的⽣産性を表す「従事者⼈⼝あたりの付加価値額」を⽰した地図を確認すると、経済的⽣産性\nの⾼い⾃治体は⼤都市圏に多く⾒られ、太平洋側に集中している傾向がある。この「従事者⼈⼝あたりの付\n加価値額」の空間的分布を⾒ると、2012年から2016年にかけて、北海道や東北地⽅、中国地⽅や九州地⽅\nなどの多くの⾃治体で⽣産性が上昇したことがわかる。数値としては、全国における78.1%の市区町村で「従\n事者⼈⼝あたりの付加価値額」は上昇しており、多くの⾃治体で⽣産性の向上が実現してきたのである。\n「地⽅創⽣」政策は地⽅⾃治体にどれほどの経済的な効果をもたらしてきたのだろうか。「地⽅創⽣」実施\n前の2012年と、実施後の2016年を⽐較することで、第1期の「地⽅創⽣」政策の効果をある程度評価する\nことができ、本分析では「付加価値総額」と「従事者⼈⼝あたりの付加価値額」から地域の経済状況の理解\nを試みてきた。その結果、8割強の⾃治体で「付加価値総額」が、8割弱の⾃治体で「従事者⼈⼝あたりの付\n加価値額」が上昇しており、4 年間で実に多くの市区町村が経済成⻑と⽣産性向上を達成してきたというこ\nとができ、ここから地域経済の活性化は「地⽅創⽣」に伴い実現されてきたと評価することもできる。\n以上のように、推定式を⽤いて全市区町村の付加価値額に関するデータを網羅したことで、「地域経済に関\nする現状を明らかにする」という本研究における第2段階の⽬標は達成されたと⾔える。\n4"
  },
  "2018": {
    "2018G-daijin.pdf": "統計データ分析コンペティション 2018\n総務大臣賞（大学生・一般の部）\n地方創生における三つの「鍵」\n平原 幸輝（早稲田大学人間科学部人間環境科学科）\n審査委員長講評\n地方創生のコアである人口増減について、「大学進学率」、「人口当たり医師\n数」、「労働力人口率」の３つの指標が強い影響力を持っていると指摘しました。\nこれらの指標に基づき、各市町村を類型化もしています。構成や導入・考察の手\n堅さ、地方創生に資する仮説を示した論文として評価します。\n当てはめたモデルの妥当性分析や因果関係の逆転を緩和しようとしている制御\n変数の役割など将来議論すべき問題はありますが、人口増減に関する結果の考察\nとして地域類型化を行い、ビジュアルな地図としてまとめたところに工夫が見ら\nれました。\n人口増減に関して重回帰分析で「人口増減率」の要因として、「自然増減率」と\n「社会増減率」に分けて分析していますが、結果の考察も要因別に行えばより良\nかったでしょう。\n大学生単著の論文として高い実証能力を示されており、今後も研鑽を続けてく\nださい。\n---PAGE---\n地⽅創⽣における三つの「鍵」\n―現代⽇本の現状理解と地域特性による類型化―\n代表者 ・ 平原 幸輝\n早稲⽥⼤学 ⼈間科学部 ⼈間環境科学科\n序章・はじめに\n現代の⽇本は、⼈⼝減少問題に直⾯している。総務省統計局『⼈⼝推計』の「10 ⽉ 1 ⽇ 現在⼈⼝」の推\n移を⾒ると、1945年以降続いていた⼈⼝増加は2004年をピークに終焉を迎え、2011年から7年連続で⼈⼝\n減少を記録している。また、国勢調査においても、調査開始以来初となる⼈⼝減少を2015年に記録した。\n加えて、現代の⽇本は、少⼦⾼齢化問題にも直⾯している。15歳未満の年少⼈⼝が総⼈⼝に占める割合は\n1975年以降減少し、65歳以上の⽼齢⼈⼝が総⼈⼝に占める割合(⾼齢化率)は1948年以降増加している。世\n界保健機関(WHO)は⾼齢化率に基づいた社会分類を定義しているが、⽇本の⾼齢化率は、1970 年に「⾼齢\n化社会」と⾔われる7%を超過し、1994年には「⾼齢社会」と⾔われる14%を、2007年には「超⾼齢社会」\nと⾔われる21%を超過し、2017年には27.7%という値を記録するほど、少⼦⾼齢化が深刻化している。\n⼈⼝減少と少⼦⾼齢化が深刻化する今、⼆つの問題を⾷い⽌めなくては、⽇本のさらなる発展どころか、\n経済⼒の維持すら困難になるだろう。そして、その解決のために「地⽅創⽣」が必要となるのである。\n本稿では、それぞれの地域で地⽅創⽣としての政策を実施する際に、⾃らの地域がどういった特性を持っ\nているかを把握するために、地域環境の特性に基づいて地域を類型化する。\n第1章・研究⽬的と先⾏研究\n⼈⼝増加と少⼦⾼齢化が深刻化する現代⽇本において、その問題解決の役割が期待される政策こそが「地\n⽅創⽣」である。地⽅創⽣とは地⽅の中⻑期的な構造改⾰だ。内閣官房まち・ひと・しごと創⽣本部事務局\n(2018)が⽰した「まち・ひと・しごと創⽣基本⽅針 2018」では、地⽅創⽣は「少⼦⾼齢化に⻭⽌めをかけ、\n地域の⼈⼝減少と地域経済の縮⼩を克服し、将来にわたって成⻑⼒を確保する」ことを⽬的としている。\nこの地⽅創⽣が政策として実⾏される契機となったのは、いわゆる「増⽥レポート」であろう。「増⽥レポ\nート」とは、元・総務⼤⾂の増⽥寛也⽒が座⻑を務める⽇本創成会議が、地⽅の⼈⼝減少や少⼦⾼齢化、存\n続が困難になる「消滅可能性都市」などについて⾔及したものである(増⽥寛也・冨⼭和彦, 2015)。その中で、\n⽇本の⼈⼝減少の根幹には「地⽅からの⼈⼝移動」があり、地⽅部での⼈⼝流出と低出⽣率、都市部での超\n低出⽣率が、事態に拍⾞をかけていると述べられている(⽇本創成会議・⼈⼝減少問題検討分科会, 2014)。\nこの指摘を踏襲するように、⽇本における少⼦⾼齢化と⼈⼝減少に対する政策の必要性が確認され、地⽅\n創⽣という形で実⾏されていった。その主体を担っている内閣官房まち・ひと・しごと創⽣本部事務局(2014)\nは、まち・ひと・しごと創⽣「⻑期ビジョン」「総合戦略」において、地⽅創⽣の基本⽬標として「地⽅にお\nける安定した雇⽤を創出する」「地⽅への新しいひとの流れをつくる」「若い世代の結婚・出産・⼦育ての希\n望をかなえる」「時代に合った地域をつくり、安⼼なくらしを守るとともに、地域と地域を連携する」の四つ\nを掲げ、「東京⼀極集中の是正」や「若年層の育児希望の実現」を軸とした⼈⼝減少問題の克服に挑んでいる。\nまた、その政策の実⾏の上で、⼈⼝減少問題は地域によって状況や原因が異なっており、地域の「特性」\nに応じた対応が必要であるとも述べられている(内閣官房まち・ひと・しごと創⽣本部事務局, 2014)。\nつまり、まずはそれぞれの地⽅⾃治体や関係アクターが各々の地域の特性を把握した上で、政策を計画・\n実⾏・評価・改善していくことが、それぞれの地域における地⽅創⽣の成功に必要であるといえよう。\nしかし、現状として、地⽅創⽣に関わる⼈々は、それぞれの地域の特性を把握できているのだろうか。地\n⽅創⽣という⾔葉が⼀⼈歩きし、企業や⾃治体の利益が優先される結果になってはいないだろうか。\n本稿では、地⽅創⽣に関わる⼈々が各地域の特性を把握し、地域に適した政策を計画・実⾏・評価・改善\nすることを研究の⽬的とし、地域の特性に基づき⽇本全国の市区町村を単位とした地域の類型化を実施する。\n1\n---PAGE---\n現代⽇本の⼈⼝減少という現象を理解し、地域の類型化を進めた先⾏研究としては、先ほど述べた「増⽥\nレポート」があげられる。⽇本創成会議・⼈⼝減少問題検討分科会(2014)は、⼦供を産む中⼼的な存在を20\n歳から 39 歳の⼥性であると仮定し、⼈⼝移動が収束しないという前提下で、その⼈⼝が 2010 年から 2040\n年にかけて全国で49.8%の市区町村において半減すると算出した。このような若年⼥性が急速に減少する地\n域では、出⽣率が上昇したとしても、将来的にはその市区町村の存続が困難になり消滅すると主張し、これ\nらの地域を「消滅可能性都市」と評した。\nつまり、「増⽥レポート」は、「20歳から39歳までの⼥性⼈⼝が半減するか否か」という基準によって、\n地域を類型化したのである。「20 歳から 39 歳までの⼥性⼈⼝の半減」が「地⽅消滅」と同義であると⾔う\nことは出来ないが、若年⼥性の⼈⼝減少が少⼦化と密接に関わっていることは事実であり、多くの市区町村\nで少⼦化問題が深刻化しうると⾔う点では⾮常に意義ある指摘であったと⾔えよう。\n第2章・研究・分析の⽅法\n地域の特性に基づいて⽇本全国の市区町村を単位とした地域の類型化を実施する本稿の研究及び分析は、\n三段階で実施する。それぞれ、第⼀に「⽇本の現状を理解すること」、第⼆に「⼈⼝増減別の地域環境の差異\nを明らかにすること」、第三に「地域環境の特性毎に地域を類型化すること」を⽬指している。\nより具体的に述べると、第⼀の「⽇本の現状を理解すること」は、第4章・第1節に該当する。そこでは、\n⽇本における⼈⼝増減の現状を把握し、相関分析や重回帰分析などによって⼈⼝増減の要因を理解する。\n次に、第⼆の「⼈⼝増減別の地域環境の差異を明らかにすること」は第4章・第2節に該当する。そこで\nは、⼈⼝増減を⾃然・社会増減に分類し、それらによる⽣活環境の差異があるかを、t検定を⽤いて理解する。\nそして、第三の「地域環境の特性毎に地域を類型化すること」は第4章・第3節に該当する。そこでは、\n前節までに明らかになった地域の特性に基づき、地域の類型化を実施する。\n第3章・データの概要\n本稿の研究及び分析において使⽤するデータは、教育⽤標準データセット(SSDSE)を主として⽤いている。\nなお、使⽤変数と指標について具体的に述べたものが以下である。\n表1 : 本稿で使⽤した変数の⼀覧\n���� �� ���� ��\n���������� �������������� ��������� ���������������������\n����������� �������������� ����������� ������������\n������������� ������������� ���������������� ���������������\n�������������� �������������� ����������������� ��������������������\n��������������� �������������� ���������������� ���������������\n�������������� �������������� ���������������� ���������������\n��������� �������������� ������������� ��������������\n��������� �������������� �������������� �����������������\n���������� ���������������������� ������������� ������������������������\n���������� ���������������������� ��������������� ������������������������\n������������ ������������� �������������� ������������������������\n����������� ������������� ������������� ������������������������\n����������������������������������������������������\n表2 : 本稿で使⽤した指標と基本統計量の⼀覧\n�� ��� �� ���\n�������� ����������������������� ������������� �����������������\n�������� ����������������������� ��������������� �����������������\n�������� �������� ������������������ �������������������������������\n������� �������������������������� ���������������������� �����������������������\n��������� ���������������������� ������������ �������������������������������������\n�������� �������������� ������������ �������������������������������������\n��������� ����������������������\n� � � � � � � � � � � � �\n��� ������� �������� �������� ����� ����� ���� ���� ���� ���� ���� ���� ����� ����\n��� ����� ������ ������ ������ ������ ����� ����� ������� �������� ������� ������� ������ �����\n��� ����� ����� ������ ����� ����� ���� ����� ������ ������� ����� ������ ����� �����\n���� ����� ����� ����� ���� ����� ���� ���� ������ ������� ����� ������ ���� �����\n�� ���� ���� ���� ���� ���� ���� ���� ���� ���� ���� ���� ���� ����\n2\n---PAGE---\n第4章・データ分析の結果\n第1節・⽇本における⼈⼝問題の現状\n⽇本における⼈⼝減少について述べる前に、⼈⼝減少という現象について⾔及する必要があるだろう。\n⼈⼝は出⽣と死亡、転⼊と転出という要素によって変動し、出⽣と死亡に関する⼈⼝増減を⾃然増減、転\n⼊と転出に関する⼈⼝増減を社会増減という。そして⼈⼝増減は⾃然増減と社会増減によって成⽴している。\n総務省統計局『⼈⼝推計』の「10⽉1⽇ 現在⼈⼝」推移によると、2011年から7年連続で⼈⼝減少を記\n録している。また、五年毎に実施される国勢調査でも、2015年に調査開始以来初となる⼈⼝減少を記録した。\n⼈⼝減少が継続的に⾒られる現代の⽇本において、全ての地域が⼀律に⼈⼝減少問題に直⾯しているわけ\nではない。全国の⼈⼝増減の現状を把握するべく、⾃然増減と社会増減という⼆つの視点から、市区町村を\n単位として分析を⾏った。なお、福島県の富岡町、⼤熊町、双葉町、浪江町に関しては、2015年の国勢調査\n時の⼈⼝総数がゼロのため、⽋損値として扱っている。その結果が以下の表である。\n表3 : ⼈⼝増減要因別の全国市区町村数 (2015年データ)\n�������� ����� �� �������� ����� ��\n���������� ��� ����� ���������� �� �����\n���������� �� ����� ���������� ��� ������\n���������� ��� ����� ���������� ���� ������\n�� ��� ������ �� ���� ������\nこの結果をまとめてみると、実に全国で84.0%の市区町村が⼈⼝減少に陥っており、その中でも⾃然減少\nかつ社会減少の状況に陥っているケースは全体の71.3%に当たる市区町村が該当しているとわかった。\n⼈⼝増減をなす⾃然増減と社会増減の視点から⾒てみると、⾃然減少に陥っている市区町村は全国で\n89.2%、社会減少に陥っている市区町村は全国で 74.3%も存在している。⼀⽅で、⾃然増加かつ社会増加を\n実現し、⼈⼝増加を記録した市区町村は全国でわずかに7.8%しか存在していない。\nここまでは、⽇本の⼈⼝減少の現状を理解してきたが、ここからは少⼦⾼齢化問題の現状について述べる。\n⼈⼝学という分野では、15歳未満⼈⼝を「年少⼈⼝」、15歳以上64歳以下⼈⼝を「⽣産年齢⼈⼝」、65歳\n以上⼈⼝を「⽼齢⼈⼝」と捉え、年少⼈⼝と⽼齢⼈⼝を併せて従属負担⼈⼝と呼ぶ。⽼齢⼈⼝が総⼈⼝に占\nめる割合を⾼齢化率と呼び、世界保健機関は⾼齢化率が 21%を超える社会を「超⾼齢社会」と評している。\nまた、従属負担⼈⼝は国や地域の経済的成⻑⼒と深く関連していると⾔われている。河野稠果(2007)は、\n経済⾯で⾮常に有利な⼈⼝学的状況を「⼈⼝ボーナス」と⾔い、その定義は「従属負担⼈⼝に関する従属⼈\n⼝指数が50%未満の状態である」と述べている。⽇本では、この「⼈⼝ボーナス」の時代が終焉を迎え、⽣\n産年齢⼈⼝により多くの負担を必要としてしまう「⼈⼝オーナス」の時代が到来すると主張している。\nこの基準を⽤いて、全国の市区町村を単位とし、⾼齢化率と従属⼈⼝指数を分析した結果が以下である。\n表4 : ⾼齢化率と従属⼈⼝指数に基づく全国の市区町村の分類 (2015年データ)\n���������� ���������� ��\n����� �� ����� �� ����� ��\n������� � ����� � ����� � �����\n������ �� ����� �� ����� �� �����\n������� �� ����� ���� ������ ���� ������\n�� �� ����� ���� ������ ���� �������\n2015年の⾼齢化率は26.6%であり、⽇本はまさに「超⾼齢社会」となっている。その中で、全国の95.3%\nの市区町村が⾼齢化率21%を超過する「超⾼齢社会」になっており、残りの4.6%も⾼齢化率が14%を超過\nする「⾼齢社会」となり、「⾼齢化社会」を保っているのは東京都⻘ヶ島村と⼩笠原村の2つだけであった。\nまた、2015年の従属⼈⼝指数は64.7%であった。経済成⻑に有利な「⼈⼝ボーナス」状態を従属⼈⼝指数\nが50%未満の時であるとすると、「⼈⼝ボーナス」状態の市区町村は全体の1.7%であった。⼀⽅、経済成⻑\nに有利ではない「⼈⼝オーナス」状態の市区町村は全体の98.3%も存在し、「超⾼齢社会」かつ「⼈⼝オーナ\nス」に直⾯しているケースは全国で94.7%の市区町村に該当してしまっている。\n3\n---PAGE---\n以上のように、現代⽇本では⼈⼝減少問題と少⼦⾼齢化問題が並⾏して深刻化している。⾃然減少に陥っ\nている市区町村は89.2%、社会減少に陥っている市区町村は74.3%であり、その結果として84.0%の市区町\n村が⼈⼝減少問題に直⾯している。そして、全国の95.3%の市区町村が「超⾼齢社会」、98.3%が「⼈⼝オー\nナス」状態に陥っていることが判明した。\n⼀⽅で、経済成⻑に有利な従属⼈⼝を有する「⼈⼝ボーナス」状態の市区町村は全国で30しかなく、その\n⼈⼝増減要因別に⽰したものが以下である。\n表5 : 「⼈⼝ボーナス」状態にある市区町村の⼈⼝増減要因別分類\n����� ��������\n�����������������������������������������������\n���������� �� ���������������������������������������������\n�������� ��������������������\n���������� �\n���������� � ������������������������������������������\n���������� � ����������\n������������������ �\n���������� � �����������������������\n��������������������������������������������������\nこのように、⾃然増加と社会増加を実現し、経済成⻑において有利な「⼈⼝ボーナス」状態にある市区町\n村は全国で20しか存在していない。加えて、⾃然増加かつ社会増加を実現し、「⼈⼝ボーナス」状態にあり、\n「超⾼齢社会」には突⼊していないケースは、全国の市区町村でわずか14しか存在していない。\nつまり、⽇本全国の市区町村において、そのほとんどが⼈⼝減少問題や少⼦⾼齢化問題と直⾯していると\nいうことは、もはや⽬をそらすことのできない事実であり、それぞれの特性や現状に応じた政策の展開が急\n務であることは明⽩である。\n⼈⼝減少が問題化している今、その背景にある様⼦について理解することが求められる。\n政府は地⽅創⽣の基本⽬標を四つ掲げ、労働や育児、介護環境の整備や、医療、教育施設の充実などを推\n進している。裏を返すと、この労働や育児、介護、医療、教育環境などは⼈⼝増減や経済⼒に⼤きく関わっ\nていると、政府は認識していると⾔えよう。この点に留意し、⼈⼝増減に関わるものとして、「労働」「医療」\n「介護」「育児」「教育」分野から、「完全失業率」「労働⼒⼈⼝率」「⼈⼝10万対の病院病床数」「⼈⼝10万\n対の医師数」「⽼齢⼈⼝千対の⽼⼈ホーム定員数」「乳幼児⼈⼝千対の幼稚園・保育所利⽤者数」「三年間の⼤\n学進学率」「三年間の⾼校進学率」という⼋つの指標を独⽴変数として設定し、「⼈⼝増減率」「⾃然増減率」\n「社会増減率」という従属関数との関連性を分析した。\nまずは、従属変数と独⽴変数間で相関分析を⾏なった。以下が、従属変数と独⽴変数間におけるピアソン\nの積率相関関数を⽰したものである。\n表6 : ⼈⼝増減に関する従属・独⽴変数間の相関⾏列\n����� ����� �����\n������ ����� �� ������ ����� ��\n������� ����� �� ����� �� ����� ��\n����������� ����� �� ����� ����� �\n������������� ����� ����� �����\n���������������� ������ �� ������ �� ������ ��\n�������������������� ������ �� ������ � ������ ��\n���������� ������ ����� �� �����\n���������� ����� �� ����� � ����� ��\n����������������������������������������\n「⼈⼝10万対の病院病床数」と「三年間の⾼校進学率」に関しては、「⼈⼝増減率」に対して5%⽔準で有\n意ではなかった。⼀⽅で、他の独⽴変数は、「⼈⼝増減率」に対して 5%⽔準で有意であった。これに伴い、\n「労働」「医療」「介護」「育児」「教育」という五つの分野は、「⼈⼝増減」と関連があることが⽰された。\n4",
    "2018G-kyoukai.pdf": "統計データ分析コンペティション 2018\n日本統計協会賞（大学生・一般の部）\n地方創生に向けた東京一極集中是正のための\n定量的都市圏選定指標の提案\n池田 泰成、柴辻 優樹、鶏内 朋也、石川 貴啓、佐野 岳史\n（慶應義塾大学リーディングプログラム）\n審査委員長講評\n首都機能を他の都市へ移転することを想定した上で、地理、経済、生活に係る\n指標にAHPを適用して、移転にふさわしい都市を具体的に選定しました。地方創\n生に関わる重要テーマに定量的接近を試みたのは大変面白いし、論文構成もしっ\nかりしていて、結論もインパクトがあります。\n一方、結論の妥当性は選択した16項目のデータに強く依存しますので、それを\n利用した理由や先行研究の記述などがあると良いでしょう。\nまた、選択した項目間の相関なども示すべきでしょう。公的統計の利用という\n意味では、統計モデル的接近も試みることも期待しています。\n---PAGE---\n地方創生に向けた東京一極集中是正のための\n定量的都市圏選定指標の提案\n池田 泰成*・柴辻 優樹*・鶏内 朋也*・石川 貴啓*・佐野 岳史*\n*: 慶応義塾大学 リーディングプログラム\n1. 背景\n本研究では地方創生を目的として，現在東京に集中している首都機能を移転する都市圏の中心地としてふさ\nわしい都市を選定するための指標を提案し，これをもとに候補都市を選定する．\na. 東京一極集中とその対応\n現在，日本は人口や政治・行政，経済，文化の諸機能が東京へ集中しており，この状況が問題視されている [1]．\n例えば人口や大学数は東京圏のみで全国の約 30%を占めており，とりわけ所属する学生数は東京圏のみで日本\n全国の 40%にのぼる．このような状況は東京圏の優位性を高めることにつながり，この結果さらに東京に人口\nや国家の重要な機能を集中させる結果となる．\n東京一極集中は以前より，日本の抱える課題の一つとして議論が行われている．人口が東京圏に集中するこ\nとで周辺地域が過密状態となり，これによる住宅問題や通勤時の混雑，大量に発生する廃棄物や環境汚染，犯\n罪数の増加等の様々な問題が発生する．東京圏の過密状態は国際政治の観点でも問題となっている．東京の過\n密状態は，要人警護の観点では歓迎されるものではなく，その実行を困難にしている．また需要に伴う地価や\nオフィス賃料の向上も，経済的な観点から問題とされる．さらに，2011年3月11日の東日本大震災をはじめと\nする近年の日本における災害状況を鑑みれば，政治・経済機能の中枢が東京圏に集中しており，東京が被災し\nた際には日本国の主機能が停止しかねない状況は極めて危うい状況にあると考えられる．このような懸念を背\n景に，日本においては以前より東京一極集中是正のための議論が行われてきた．\nb. 以前の対応\n東京一極集中是正の取組みについては，20世紀には多く国会で議論が行われていた．1990年11月には以下の\n決議が採択されている．\n「国土全般にわたって生じたゆがみを是正するための基本的対応策として一極集中を排除し，…中略…国会\n及び政府機能の移転を行うべきである」\nまた，1992年12月には「国会等の移転に関する法律」の制定がなされており，7年後の1999年12月には従\n来研究に基づく移転先候補地についての報告が行われた．このような議論が行われつつも21世紀に入り東京一\n極集中是正への国民の関心は，デフレの脱却，「コンクリートから人へ」のスローガンで知られる公共事業費の\n削減政策，国際環境の激変等を背景に徐々に薄れていった．しかしこの関心は，2011年3月11日に発生した東\n日本大震災をきっかけとして再燃することとなった．\n現在国土交通省では，巨大災害，日本が直面する人口減少社会の到来に対応するため，2050 年に向けた新た\nな国土づくりの理念である「国土のグランドデザイン2050」[2]を提唱している．この中では，巨大災害のリス\nクを軽減する観点だけでなく，地方創生を達成するために，東京一極集中からの脱却が重要視されている．こ\nの中では将来目指すべき国土の姿として，都市圏構想を提案している．これは日本国内に複数の都市圏とよば\nれる領域を定義し，都市圏内のコンパクトなネットワークおよび都市圏間の大域的なネットワークを構築して，\n人・モノ・情報の対流を生むことを目的としている．東京一極集中に関しては，「必ずしも東京にある必要はな\nいと考えられる国や民間企業の施設・機能などの地方への移転促進策の検討」という形で，議論が行われてい\nる．\nc. 先行研究\n本節では，東京の首都機能移転に関する先行研究を紹介する．過去の研究 [3][4][5]では，日本の政治機能を移\n転するための候補都市の選定のための調査が行われた．この議論の中では，立法・行政・司法の三権の中枢機\n能の移転が目的とされており，この目的に合致する都市が選定された．分析手法としては階層分析法が用いら\n---PAGE---\nれており，首都機能移転の目的に基づき，調査すべき項目を「移転先の位置の条件」及び「移転先の開発可能\n性」に分けた上で分析項目を階層的に定義している．都市の選定は，最初に候補都市をアプリオリ的に選定し\nた上で，委員会の参加者が分析項目について2～4水準の定性的な評価を行い，この結果をもとに委員が決定し\nた重みを用いてすべての項目を加重平均することで得たスコアをもとに行われる．ただしこの手法では，災害\n耐性および地域発展性を地理的なデータのみで評価しており，経済的な観点が取り入れられていない．また，\n選定に使用されるデータが定性的データとなっており，その結果が委員会の参加者次第で変化してしまう課題\nがある．加えて，過去の研究が行われた時点では都市圏ではなくあくまで首都である東京の機能を別の都市に\n移動することが目的とされていた．しかし近年の議論を考慮する場合には，東京の都市機能の一部を今後構築\nされる都市圏で補うことが必要であると考えられ，選定の対象を都市ではなく都市圏とする必要がある．\n本研究では首都機能移転の目的を地方創生として議論を進める．これに伴い，最初に地方創生に関する研究\nを調査し，どういった都市機能が首都の移転先に必要とされるのかを明らかにした．\n中村は，地域経済における人・財・資金・情報などの循環に着目し，地方創生に求められる地域経済構造を\n分析した[6]．彼は，雇用の増加ひいては人口維持・増加のために，農林水産業，鉱業，製造業，宿泊業，運輸\n業に代表される基盤産業の規模が重要な指標であると主張した．また，濾過、浸透機能を備えた緑溝や屋上緑\n化、遊水機能を持つ農地や林地、災害の緩衝機能の高い海岸林や都市緑地などを表す「グリーンインフラ」が\n地域の経済振興策として注目されている[7]．グリーンインフラは災害等の対応力にも優れているため，首都機\n能移転を議論する上で興味深い．[6]では，高齢化社会，コンパクトシティへの対応として，規模の小さい市町\n村では維持できない高度医療などの都市機能を担う連携中枢都市圏構想に触れられており，中核市を調査の対\n象としている．本論文もそれに習い選定の候補として中核市とその周辺地域を含む都市圏を対象としている．\n田所は地方創生政策を行い実際に人口増加に至った滋賀県の事例やその類似都市について分析し，土地の広\nさ・大都市への交通といった地理的要因と地域経済の循環が重要であると主張した[8]．また，渡邉，福嶋も同\n様に地域経済循環が地方創生の鍵であるとしている[9][10]．\n本澤は地方創生の目的は人口問題への対処が根本にあると考え，地域に新たな人の流れを作り出すための雇\n用の創出に着目した[11]．地方での雇用の創出には土地の資産（強み）を価値に変える必要があり，その基本と\nなるのが「技術」だと主張する．そして技術を経済価値に変える技術振興の活動そのものが地方再生・創生と\nいっても過言ではないと述べている．\nまた，山崎は人の流れにおいて住むことを中心とした「定住人口」だけでなく，必ずしも定住を目的としな\nい「交流人口」に着目している[12]．観光は人が移動するという意味もあるため交流人口の一つの指標となると\n主張した．なぜなら観光が活性化すると地域と地域外をつなぐ中間システム（観光まちづくり団体やNPOなど）\nが生まれ，一過性ではない継続的な関係となるからである．\nd. 研究の目的\n本研究では地方創生を目的として，東京に一極集中している都市機能を地理・経済・生活に分類し，首都機\n能を移転させるにふさわしい都市圏の中核となる都市を選定するための定量的な基準を提案する．またこの選\n定基準を使用し，現在の日本においてどの都市が首都機能を移転する都市圏の中心としてふさわしい都市なの\nかを評価する．この際，地理・経済・生活のそれぞれを特に重要視した場合に，適用するべき計算処理も同時\nに提案し，各々の場合においてどのような都市が抽出されるのかを確認し，その結果について議論する．\n2. 分析手法\n本研究において，研究手法としては既存研究で採用されている階層分析法を使用する．本研究では，解決す\nるべき課題を地方創生とした上で，これに関連するカテゴリである地理・経済・生活を定義し，それぞれのカ\nテゴリにおいて分析対象とするテーマを表す指標を選定した．さらに，次章で示す様に，各指標の評価に必要\nなデータをデータセットから抽出した．\n3. 分析対象とデータ\n本研究の分析対象は，総務省における「地方公共団体の区分」から中核市を選択した．都市圏においては複\n数の都市の協力を密にして大都市としての機能を果たすことが予想されるため，本研究では政令指定都市の次\nに大きい地方公共団体の区分である中核都市を対象とした．地方創生に関する先行研究[6]においても，規模の\n小さい市町村では維持できない高度医療などの都市機能を担う地域として中核都市が調査の対象となっている．\n中核都市は過去に複数回の改正が行われているが，最新のものは「人口20万人以上」となっている．2018年4\n月1日時点でその要件を満たす市は54市存在し、そのすべてを対象とした [13]．\n表 5-1 で対象となる市の一覧を記す．中核市を選定した理由として，分析に用いるデータについて、基準とし\nて用いた地理・経済・生活観点の15指標を用いた．指標一覧は表5-2に記す．政令指定都市は2018年9月時\n---PAGE---\n点における総務省の定義に従う [14]．\n分析に用いるデータは可能な限り教育用データセットに含まれている国勢調査の年度（2015 年）に合わせて\nいるが，該当データが存在しない場合は最も近い都市のデータを用いている．また，距離データはキロメート\nル，面積データは平方キロメートルに単位を統一している．なお，地理情報システムを用いた計算では仕様上，\n該当市に空港や新幹線駅の施設が含まれる場合，その距離が0となっている．\nそれぞれの指標は値のスケールが異なるため，54市で順位を計算し、その順位を元に25パーセンタイル，50\nパーセンタイル，75パーセンタイル，それ以上で点数を1，2，3，4とした．その点数をすべて足し合わせた素\n点と、地理・経済・生活観点で異なる重みをつけた場合の点数を比較し、評価を行う．重みは重視する観点の\n合計点に0.6を乗じ，他の観点の合計点に0.2を乗じて計算する．\n表 3-1分析対象の中核市の一覧．\n表 3-2分析に用いる指標の一覧．\n---PAGE---\n4. 結果\n表4-1で分析結果を示す．斜線網掛けは上位5以上，ドット網掛けは下位5以下を表す．各列の上位及び下\n位5都市を表4-2にまとめた．素点で上位5市は群馬県前橋市・高崎市，石川県金沢市，高知県高知市，福島\n県福島市が含まれている．先行研究では福島県が上位に含まれていたが，別の指標を用いた今回の分析でも素\n点で上位に含まれていることは注目に値する．下位5は同点が含まれているため7市含まれており，低い順に\n愛知県岡崎市，滋賀県大津市，大阪府八尾市，長崎県佐世保市，兵庫県明石市，北海道函館市，青森県青森市\nが含まれている．\n観点毎にウェイトをかけた点数を見ていくと，地理環境重視のシナリオの場合，関東の栃木県宇都宮市，前\n橋市・高崎市，埼玉県川口市など，関東の都市が含まれていることがわかる．今回の分析では東京へのアクセ\nスは検討していないが、東京に近い関東地方の都市のほうが地理的観点で有利であることが考えられる．\n経済観点重視のシナリオを見ていくと，宇都宮市や高崎市が上位に含まれているが，金沢市や大分市，那覇\n市などが含まれており，地域経済循環率が100%超の市が4/5となっている．\n生活環境重視のシナリオでは中国・四国地方以西が上位に多く、鳥取市や下関市，高知市や長崎市が含まれ\nている．逆に下位は埼玉・千葉県や岡崎市，八尾市等の東京・名古屋・大阪大都市圏近くにある市が 5 位を占\nめており、大都市圏の過密の影響を受けている可能性が考えられる．\n表 4-1分析結果．",
    "2018G-tokubetu.pdf": "統計データ分析コンペティション 2018\n特別賞（大学生・一般の部）\n日本の全市町村における人口の自然増減の\n分布と説明要因\n小野 恵子（国際基督教大学社会科学研究所）\n宮内 はじめ（Code for Nagoya, OSGeo 財団日本支部）\n白松 俊（名古屋工業大学大学院工学研究科）\n河口 信夫（名古屋大学大学院工学研究科）\n五十嵐 康伸（パーソルキャリア株式会社）\n審査委員長講評\n人口の自然減少について、地理的・時間的な分布を明らかにするとともに、高\n齢者率、若年女性比、女性・子ども比、都市圏かどうかが影響していることを指\n摘しました。海外先行研究に習ってSSDSEで再現を確認したもので専門家による\n本格的実証論文として高く評価します。開発された可視化ツールも興味深いもの\nです。\ne-Statから過去のデータを収集しているようですが、その所在を明確にしてい\nただければと思います。おそらく、欠損値も存在したでしょうが、その処理方法\nについても論文だけからは明確でありませんでした。\n---PAGE---\n日本の全市町村における人口の自然増減の分布と説明要因\n小野恵子*1・宮内はじめ*2・白松俊*3・河口信夫*4・五十嵐康伸*5\n*1: 国際基督教大学 社会科学研究所\n*2: Code for Nagoya, OSGeo財団日本支部\n*3: 名古屋工業大学大学院 工学研究科\n*4: 名古屋大学大学院 工学研究科\n*5: パーソルキャリア株式会社\n第１章 研究の目的と問題意識の背景\n日本の総人口は 7 年連続で減少し、日本は不可逆的な人口減少時代に突入した。日本における人口\nの増減はこれまでの推移と将来予測ともに、地域によって大きな格差があり、大都市圏はむしろ人口\nが増え、地方の人口は縮小する傾向が見られる 1）。人口の増減は死亡数と出生数のバランスから来る\n自然増減と、転入と転出の差から生まれる社会増減に分けて考えられるが、日本では多くの場合、人\n口の自然減と社会減が同時に起こっており、自然減が人口全体の減少にもたらす影響が大きいことが\nわかっている 2）。一方で、多産多死から少産少死社会への転換にともなう人口の高齢化、少子化、人\n口減少は日本のみならず、多くの先進国で観察されている3）。欧州では、国レベルで見ると17カ国で\n人口の自然減が起こっており、地域レベルで見ると欧州全土の郡のうち 58%において死亡数が出生数\nを上回っている 4）。米国においても、移民の流入が続いているため人口全体は減っていないものの、\n死亡数が出生数を上回ることで人口の自然減が起こっている地域（郡）の数は増加傾向にある 5）。\nJohnson らは 2000 年以降のデータを検討し、米国と欧州の両方において多くの郡で人口の自然減が起\nこっており、高齢化、出産年齢女性の割合と出生率の低下などがその原因となっていることを示した\n4）。\n日本においては 2000 年代初頭から、近い将来、人口が減少に転じるという「衝撃」6）を踏まえて、\n各地の人口がどのように推移するか、及び人口減少時代における政策・行政のあり方などについての\n研究がされてきた。しかし、人口減自体を扱ったものとしては、これまでの研究は多くが特定の都道\n府県や市町村に着目したものであり 7）、全国の全市町村すべてを体系的に扱った研究は少ない。その\nため、本論文では日本全国の全市町村を対象に人口の自然減少の地理的・時間的な分布と推移を明ら\nかにし、さらには、Johnson ら 4)が特定した人口自然減の原因が日本でも同様に作用しているかどうか\nを検証する。 市町村に着目するのは、全国や都道府県などのよりマクロな括りよりも、人々の暮らし\nに近いところにある8）ことと、地方自治の主体として機能するのは市町村である9）ためである。\n「限界集落」「消滅可能都市」といった新語に象徴されるように、地方における人口減少は行政サ\nービスの維持、地方創生の面からも深刻な問題である。しかし、都市圏と地方における人口動態の違\nいは大きい上、地方の中でも人口の動きは多様であり、人口減少がどのように分布しているのか、ど\nんな要因が人口減につながっているのかを把握することは、より効果的な行政運営、地域振興のため\nに必要である。\n官公庁がまとめた統計データを入手・分析しやすいような形で公開するオープン・データの動きが\n広がるにつれて、日本の全市町村（1,741）についても、学生や研究者がより体系的で深い調査研究を\n行える環境が整いつつある。本研究は、総務省が政府のオープンデータの利活用を促進するために公\n開した教育用データセット（SSDSE、https://www.nstac.go.jp/SSDSE/）に、政府統計の総合窓口 E-Stat\n（https://www.e-stat.go.jp/）から得た過去の人口統計を加えて分析を行う。\nさらに、著者らが開発した、全市町村の人口データを地図上で簡単に見られるデータ可視化ツール\n「未来スカウター」についても紹介する。\n第2章 研究方法と手順\n人口の自然減少は比較的新しい現象であり、人口動態学においても研究の歴史は深くない。米国では 20\n世紀中ごろから一部の地域で自然減が観察されるようになり、Johnson らは米国での研究で得られた知見を\n欧州にも応用し、21 世紀初頭の欧州・米国の両方で、地域レベルでは広範囲で自然減が起こっていること\nなどを明らかにした。本論文では、Johnson らが人口動態研究のトップ学術誌である Population and\nDevelopment Review に発表した分析 4）、分析単位として使われた米国と欧州における County（郡）に最も\n1\n---PAGE---\n近い単位である日本の市町村を単位として、人口減少の進み方が顕著な日本でも欧米と同様の人口減少推\n移や要因が見られるのかを検証する。\n第3章 SSDSEデータセットへの変数の加工・追加と出典\n分析には全国すべての市区町村データが含まれる教育用データセット Standardized Statistical Data Set for\nEducation（SSDSE)を使用し、これに政府統計の総合窓口である E-Stat から入手した人口に関する過去の変\n数などを追加した。SSDSE に含まれる人口データは 5 年毎の国勢調査に基づくもの（2015 年）と、毎年発\n表される人口動態統計がある。人口の自然減と社会減はそれぞれ、2016 年の人口動態統計を出典とする変\n数（A4101 出生数、A4200 死亡数、A5101転入者数、A5102 転出者数）を元に計算した。出生数から死亡数\nを引いたものが人口の自然増減で、負の値は自然減、正の値は自然増 5）を示す。この自然増減変数に基づ\nいて、自然減ダミー変数も作成し、追加した（人口の自然減が起こっていれば 1、自然増減ゼロまたは自然\n増の場合は 0）。社会増減と、自然増減と社会増減を合わせた人口の全体増減についても同様な加工を行っ\nた。\nSSDSE に含まれる人口データは同データセット作成時に最も近い年のものだけであり、国勢調査は 2015\n年、人口動態統計は 2016 年のデータが含まれている。各市町村におけるこれまでの人口増減の推移を見る\nため、E-Statで社会・人口統計体系−市区町村 A人口・世帯データベースを選び、2000年から 2015年まで\nについて、SSDSEに含まれるのと同じ変数を抽出した。このデータベースでは1980年まで遡って37年間の\nデータを入手できるが、参考にした欧米の比較研究が 2000年を基点としているため 4）、これに基点を合わ\nせた。2000年から 2015年のデータについても、前述したように、人口の自然増減（及び自然減ダミー）、\n社会増減（及び社会減ダミー）、全体増減（及び減少ダミー）の計6変数をそれぞれの年について新たに作\nって追加した。\n人口動態学においては、人口の自然減が起こるメカニズムとして、少子化（女性一人が産む子どもの数\nが減ること）と人口の構造に関連する2つの現象（高齢化と若年女性比の低下）が研究されてきた5）。少子\n化とは出生率が下がることであり、ここでは具体的には子ども女性比（5歳未満の子どもの数を15−44歳の\n「若年女性」数で割り、1000 をかけたもの）を出生率の指標として使用する。国立社会保障・人口問題研\n究所では子ども女性比の計算に 15-49 歳を使用しているが、本研究では Johnson4）にならって 15-44 歳とす\nる。また、死亡率の高い高齢者の割合が高いほど、また、出産の可能性がある若年女性の割合が低いほ\nど、人口の自然減は起こりやすくなる。この分析では高齢化の指標としては SSDSE に含まれる A1303（65\n歳以上人口）を総人口（A1101）で割った、高齢者率を示す新たな変数を追加する。子ども女性比と若年女\n性率（全女性1000人あたりの15−44歳の若年女性の数）の計算には各市町の5歳未満の子どもの数、15-44\n歳女性の数などが必要だが、これらはSSDSEに含まれていないため、E-Statの国勢調査データベースから、\n2015年について必要な変数を抽出して加えた。\n表1では、分析に使用したデータのうち、人口の増減に関する3変数（自然増減、社会増減、全体増減）\n及び参考のために 2015 年時の総人口の要約統計量を示した。総人口と人口増減ともに市町村の間で大きな\nばらつきがあることがわかる。\n表1. 日本の市町村における人口増減に関する要約統計\n表1. 日本の市町村における人口増減に関する要約統計\n平均値 中央値 最小値 最大値 標準偏差 観察数\n人口の自然増減（2016年） -189.3 -118 -5,716 3,779 393.2 1,741\n人口の社会増減（2016年） 0 -59 -2,623 9,474 676.6 1,741\n人口全体の増減（2016年） -189.3 -167 -5,761 11,438 828.4 1,741\n総人口（2015年） 73,001.0 24,622 0 3,724,844 188,005.3 1,741\n第4章 データ分析結果\n4.1．人口自然増減の地理分布（2016年）\n人口の自然減は総人口の減少につながりやすいが、死亡数が出生数を上回っていても、転出者より転入\n者が多ければ（社会増）、人口全体としては減少しないこともある。2000年から2010年までの10年間で人\n口が自然減少した郡のうち、人口全体も減少した郡は欧州では 55％、米国では 63％だった 4）。逆に言う\nと、残りの 45％（欧州）または 37%（米国）では、死亡数が出生数を上回ったものの、転入が転出を超え\nた（社会増）ため、人口全体は増加したことになる。図 1 は日本全国の市町村を（1）自然減・全体減、\n2\n---PAGE---\n（2）自然減・全体増、（3）自然増・全体減、（4）自然増・全体増の4つに分類し、2000年から2016年ま\nでの間に、分布がどう変化したかを示すものである。図1からは、最近は市町村のほとんどで死亡数が出生\n数を上回り（自然減）、かつ総人口も減っていることが読み取れる。人口の自然減が起こっている市町村\n（計 1553、全体の 89％）のうち、82％で人口全体が減っており、日本では人口の自然減が欧米よりもより\n広範囲で起こっていることに加え、自然減と人口減の間により強い関係があることがうかがえる。\n図1 市町村ごとの人口増減分布の推移（2000-2016年）\n図2はこうした人口増減の地理的な分布を見るため、日本を8つの地方（北海道、東北、関東、中部、近\n畿、中国、四国、九州・沖縄）に分け、その地方ごとに、2016年における人口増減の4タイプの分布を表し\nたもので、北海道、東北、四国では市町村の9割以上、中部、近畿、中国では8割以上で、自然減少と全体\n減少が起こっていたことを示す。なお、九州と沖縄は人口増減の傾向が異なるため、沖縄を除く九州7県の\nみで計算すると、九州でも8割以上の市町村で、人口の自然減少と全体減少が起こっている。なお、後述す\nる「未来スカウター」(4.4 節)を使うと、自然増または全体増が起こっている市町村は首都圏などごく一部\nの地域に偏在していることが見てとれる。\n図2 地方ごとの市町村人口増減の分布（2016年）\n4.2．人口自然増減の推移（2000-2016年）\n図２は、SSDSE に含まれるデータをもとに、全国の市町村のうち、どこで人口の自然減・全体減が起こ\nっているかを視覚的に示したものである。人口の自然減は一部の地域から始まって、一定の時間が経過し\nた後、全国的な減少となることがわかっているほか、市町村などのレベルでは初めは増加と減少が繰り返\nされ、その後、継続的な減少となる傾向が米国の研究で示され 5)、その後、欧州でも似たパターンが確認さ\nれている 4)。日本でも市町村における今日の人口増減の実態と今後の展開を理解するためには、過去のデー\nタを見る必要がある。\n図 3 は規模にかかわらず、年間の死亡数が出生数を上回る自然減が起こった市町村の数が 2000 年から\n3\n---PAGE---\n2016 年までにどう変化したかを時系列で示している。日本全体の人口が戦後初めて減少に転じたのは 2009\n年だが、図3を見ると、その9年前の2000年にすでに1000近くの市町村（全体の57％）で人口の自然減が\n起こっており、この割合は現在まで継続して上昇していることがわかる。\n図3人口の自然減が見られた市町村数の推移（2000−2016年）\n市町村レベルで人口の自然減がどのように推移してきたかを理解する方法の一つとして、過去の一定期\n間に人口の自然減が何度起こっているかを見ることが考えられる。Johnson ら（Johnson, 2015）は欧州と米\n国それぞれについて、2000年から 2010年までの 11年間で、郡を（a）人口の自然減が一度も起こらなかっ\nた、（b）半数以上の年（1-5 年）で自然減が起こった、（c）半数以上の年（6-10 年）で自然減が起こっ\nた、（d）全ての年で自然減が起こった、これら 4 タイプに分けて、地図で地理的な分布を示している\n（Johnsonらの図2と図54））。\n図5はJohnson の図 7に日本のデータを加え、再構成したものである。比較をしやすくするため、この図\nに限っては、欧米と同じ期間（2000-2010年）の日本のデータを使っている。米国では郡の半数以上で11年\n間で一度も人口の自然減が起こっておらず、11 年連続して自然減が見られた郡は 11%だったのに対し、欧\n州では自然減がこの期間により多くの郡で見られた 4）。ここに日本の市町村データを加えてみると、日本\nの市町村のうち半数以上で 11 年連続して自然減が見られ、同時期の自然減は欧州よりもさらに進んでいる\nことがわかる。さらに、自然減が 11 年間のうちで何度か起こった市町村を見ると、人口の自然増が自然減\nに転じる過程では、増減が繰り返された後、減少が連続して起こる5)傾向が日本でも見られた。\n図5 2000-2010年の間に人口の自然減が起こった回数による市町村の分類（米国、欧州、日本）\n4.3．人口自然減の説明要因\n人口の自然減は人口全体の増減に大きな影響を与えており、日本では 2000 年代初頭から多くの市町村で\n見られ、今日ではほぼ9割の市町村で起こっている。人口の自然減が起こるメカニズムとしては人口の構造\nに関する2点（高齢者の比率が高い、若年女性の比率が低い）と少子化計3つが考えられる。欧米の研究で\n4",
    "2018G-yuusyuu.pdf": "統計データ分析コンペティション 2018\n優秀賞（大学生・一般の部）\n人口規模によって異なる保育所数・保育所\n在所児数・定員充足率の関係\n小野島 昂洋（早稲田大学大学院教育学研究科）\n審査委員長講評\n保育所数、利用者数、定員充足率は市町村の規模によって、その関係性に差異\nがあることを確認した上で、政策立案においてはこの差異を考慮する必要がある\nことをていねいに実証した好感の持てる論文です。\n素朴なデータ分析に見えますし、人口規模以外の要因も追加してはと思います\nが、妥当性の高いプロセスで、残差分析まで行い地域差を考察したことを高く評\n価します。\n---PAGE---\n人口規模によって異なる\n保育所数・保育所在所児数・定員充足率の関係\n小野島 昂洋\n早稲田大学大学院教育学研究科\n1. 研究の背景と目的\n近年の日本の人口減少および少子高齢化は、労働力率の低下をもたらしている。総務省の「労働力調査」(1)によれ\nば1990年に63.3%、2000年に62.4%あった労働力率は2010年には59.6%に下がり、2017年にはやや回復して60.5%\nにあがったものの、低い労働力率は日本の課題となっている。こうした状況のもと、高齢者や女性が新たな労働力の\n担い手と注目されている。2016 年に閣議決定された「ニッポン一億総活躍プラン」では、希望出生率1.8 を目標に、\n子育ての環境整備が掲げられている。\n子育てに大きく関わる保育の受け皿に目を向けると、近年子どもを保育園に入れるための活動である「保活」とい\nう言葉に代表されるように、待機児童問題が喫緊の課題として挙げられている。政府は2013年に「待機児童解消加速\n化プラン」に策定し、地方自治体の保育の受け皿の拡大を支援している。厚生労働省の「保育所等関連状況取りまと\nめ（平成30年4月1日）」(2)は、プラン策定以後5年間で53.5万人分の保育の受け皿が拡大し、待機児童数も10年\nぶりに2万人を下回ったと報告しているが、政府が目標とする待機児童数0は達成できていない状況にある。\n厚生労働省の上記の報告では、待機児童数については地方自治体をベースに報告しているが、保育所等の定員につ\nいては国全体のレベルでの報告がされている。しかし、保育ニーズは地域によって偏在しているという指摘がなされ\nており、待機児童の問題は人口集積部である主に都市部で発生している一方で、地方にある周辺農村部においては多\nくの保育所等が定員割れを起こしているという実態がある(3)。地域ごとに保育のニーズが違っているのであれば、市\n区町村の単位で保育所等の数や在所児童数がどう関連しているかを検討することは、今後の政策の立案において意義\nのあることであろう。なぜなら、たとえ保育所等の保育の受け皿が国全体として増えたとしても、その定員の拡充が\n地方によって異なる保育ニーズを満たすものでない限り、その政策は有効な子育て支援につながりづらい可能性があ\nるからである。\nそこで、本稿は地域毎の保育ニーズへと影響を及ぼす基礎的な資料として、保育所の数と保育所等利用者数および\n保育所の定員充足率、等の保育の地域ごとの実態が市区町村レベルでどのような違いがあるのかを調べることを目的\nに、「教育用標準データセット（Standardized Statistical Data Set for Education: SSDSE）」を用いて次の3点の\n検討を行う。\n（1）保育所等数と保育所等在所児童数の関係\n（2）保育所等1つあたりの在所児童数と人口規模の関係\n（3）保育所等の定員充足率と市区町村の人口規模の関係\n2. 方法\n2.1 各変数の定義\nここではまず、本稿の分析で用いる各変数を定義する。これらの変数の加工については次節で扱う。\n・ 保育所等数：「社会福祉施設等調査」における保育所のことである。「社会福祉施設等調査」では保育所・幼保\n連携型認定こども園・保育所連携型認定こども園を保育所等の数に含めている。\n・ 保育所等在所児数：「社会福祉施設等調査」において、保育所等に在所（籍）する者の数である。\n・ 保育所等定員数：「社会福祉施設等調査」において、保育所等の定員のことで、算上の定員や措置定員ではなく、\n認可等を受けた定員である。\n・ 人口総数：「国勢調査」における人口のことで、調査時点で当該住居に3か月以上にわたって住んでいるか、又\nは住むことになっている者の数である。\n2.2 分析の手続き\n本稿では、次の3つの分析を行う。まず、人口規模別の保育所等1つあたりの在所児数の分布の検討を行う。SSDSE\n---PAGE---\nから得られたデータの記述統計量の算出および視覚化を人口規模ごと分けて行い、人口規模による違いを検討する。\n2 つ目は、保育所等数と保育所等在所児童数の関係を検討する。保育所等の数が多い自治体ほど保育所等在所児数\nが多くなることは自然な仮定と思われる。この関係性は定数項のない線形モデルを用いて「保育所等在所児数 ＝ 回\n帰係数 × 保育所等数 ＋ 残差」で表すことができるが、残差成分には保育所等数で説明できなかった地域ごとの\nばらつきが含まれていると考えられるのでそこに着目することで、地域の差を検討することができると考えられる。\n3 つ目は人口規模の層別に、上記の線形モデルの残差と定員充足率との関係を検討する。ここでは、記述統計量と\n視覚化による図示で、市区町村の人口規模によってこれらの関係性に違いがあるのかを検討する。\n本稿の分析は全てR ver 3.3.2を用いて行った。\n3. データおよび利用する変数の加工\n3.1 教育用標準データセットからの変数\nSSDSEに含まれるデータからは、「人口総数（A1101）」「保育所等数（J2503）」「保育所等在所児数（J2506）」の変数\nを本稿の分析に用いた。「人口総数」の変数は、地方自治法の地方公共団体の区分を参考に、市区町村の人口総数を「人\n口総数5万人未満」「人口総数5万人〜20万人」「人口総数20万人〜50万人」「人口総数50万人」の4つの区分のカ\nテゴリー変数に変換した。その結果、それぞれの区分の市区町村数は、5万人未満が1125、5〜20万人が414, 20〜50\n万人が94, 50万人以上が35であった。\nまた、「保育所等1つあたりの在所児数」を「保育所等在所児数 ÷ 保育所等数」で算出した。計算に際して、保\n育所等数・保育所等在所児童数がともに0の自治体については分析から除外した。\n3.2 教育用標準データセット以外からの変数\n市区町村ごとの保育所等定員充足率を「定員充足率 ＝ 保育所等在所児数（J2506）÷ 保育所等定員数 × 100」\nとして算出した。保育所等定員数については、「社会福祉施設等調査」よりSSDSEと同じ2015年のデータを取得した。\nなおこの変数についても計算に際して、保育所等数・保育所等在所児童数がともに0の自治体については分析から除\n外した。\n3.3 各変数の要約統計量\n保育所等数・保育所等在所児童数がともに0の自治体を除いた各変数の要約統計量を表１に示した。また、図１\nに保育所等数と保育所等在所児数の箱ひげ図を示した。\n表１ 各変数の要約統計量\n変数名 市区町村数 最小値 中央値 平均値 最大値 標準偏差\n保育所等数（所） 1668 1 7 14.53 621 30.08\n保育所等在所児数（人） 1668 5 546.50 1376.11 51369 3038.58\n保育所等1つあたり在所児数（人） 1668 5 85.5 86.12 309 34.34\n保育所等定員（人） 1668 14 593 1409.95 50707 3034.38\n定員充足率（%） 1668 12.5 95.92 92.35 160 17.79\n注：（ ）内は単位\n図１ 保育所等数と保育所等在所児数の箱ひげ図\n（全体表示にすると箱がつぶれるためそれぞれ箱周りを切り取った図も加えてある）\n保育所等数、保育所等在所児数では平均値・中央値の差があり、また、図1に示された箱の位置からも分かるよう\nに、一部の市区町村において突出した数の保育所等の数と保育所等在児数があり、これらの市区町村が平均を引き上\nげている。75%の市区町村では、保育所等の数は20に満たず、また、保育所等在所児数は1500人に満たない。図に\n---PAGE---\nして示してはいないがこの傾向は、保育所等定員の変数においても同様である。\n4. 結果\n4.1 保育所等1つあたりの在所児数と人口規模の関係\n人口規模別の保育所等1つあたりの在所児童数の記述統計量を表2に、箱ひげ図を図2に示した。\n表２ 人口規模別の保育所等1つあたりの在所児数要約統計量\n変数名 市区町村数 最小値 中央値 平均値 最大値 標準偏差\n人口規模0~5万人 1125 5 74.67 79.22 309 37.13\n人口規模5~20万人 414 46 96.78 99.83 196 23.16\n人口規模20~50万人 94 74.49 100.62 101.46 154.09 15.1\n人口規模50万人以上 35 82.72 101.91 104.62 156.54 15.75\n図２ 市区町村の人口規模別の保育所等1つあたりの在所児数\n分布の中心的な位置を比べると、人口総数が0~5万人の市区町村が他の人口規模の市区町村に比べて少ない在所児\n数であった。その一方で、分布の散布度について比較すると、標準偏差は人口規模が小さい市区町村では大きく、人\n口規模が大きい市区町村においては小さくなる傾向があった。\n人口規模0~5万人の市区町村では、保育所あたりの在所児数が200を超えるような町村が10あった。これらの町村\nでは、保育所等数は1箇所の町村が9、2箇所の町村が1つであり、少数の保育所等でその町村。\n4.2 保育所等数と保育所等在所児童数の関係\n図3に、保育所等数と保育所等在所児童数の散布図を示した。図を見れば一目瞭然なように、保育所等数と保育所\n等在所には明確な線形関係が存在している。回帰係数の最小二乗推定量は実際の数で 98.344、各変量を平方根変換し\nたモデルで9.6536であった。残差の標準偏差はそれぞれのモデルで577 , 4.71であった\n図３ 保育所等数と保育所等在所児数の散布図\n（左が実際の数 右が平方根に変換したもの）\n---PAGE---\nこのモデルにおいて、分散説明率はそれぞれ0.9701, 0.9839であり、保育所等在所児数のばらつきは保育所等の数\nでおおむね説明されるが、図3からも分かるようにいくつかの市区町村においては正の方向に大きな残差を持つ自治\n体も見られる。平方根変換で当てはめたモデルの残差の上位10の市区町村を抜き出したものが表2である。表2から\nも分かるように、指定都市と中核市が上位を占めており、保育所等数によって説明されない成分である残差には、系\n統的な誤差が残っていることが示唆される。\n表２ 残差が正の値で大きい市区町村\n都道府県 市区町村 残差 都市区分\n福岡県 福岡市 40.01 指定都市\n広島県 広島市 25.68 指定都市\n愛知県 豊橋市 20.28 中核市\n大阪府 大阪市 17.81 指定都市\n大阪府 堺市 17.31 指定都市\n岡山県 岡山市 16.21 指定都市\n京都府 宇治市 14.35 市\n愛知県 岡崎市 14.09 中核市\n富山県 富山市 13.80 中核市\n4.3 人口規模別にみた定員充足率と残差との関係\n図4に、前項の残差と定員充足率の関係を人口規模ごとに示した。\n図４ 人口規模ごとの定員充足率（x軸）と前項の残差（y軸）との関係\n人口規模ごとのそれぞれの相関係数は、0.45, 0.23, 0.00, 0.11である。ここでの残差は保育所数では説明するこ\nとがなかった保育所在所児数のばらつきであり、人口総数が少ない市区町村（主に町村）においては正の相関が見ら\nれるので、定員充足率が残差成分をある程度説明している。すなわち、主に町村においては保育所等の定員が充足し\nているほど、保育所等数で説明される成分を除いた保育所等在所児数が多くなる関係が見られることを意味している。\nところが、人口総数が多い主として特別区や指定都市、中核市においては定員充足率のばらつき自体が小さくなる（グ\nラフの点の配置が横方向に圧縮される）一方で、残差成分のばらつきが大きくなる（点の配置が縦方向に拡散）結果、\n定員足率は残差を説明しなくなる。この人口規模の多い都市部における残差のばらつきは、定員充足率とは別の要因\nで説明される必要がある。\n5. 考察\n本稿は、保育所等の数と保育所等利用者数および、保育所の定員充足率に、市区町村レベルでどのような違いがあ\nるのかを調べることを目的に、市区町村別データの分析を行った。その結果として明らかになったことは次の3点に\nまとめられる。\n1点目は、人口規模が5万未満までの市区町村では、保育所等1つあたりの平均的な在所児数は少なくなるが、同\n時に、保育所等1 つあたりの在所児数の市区町村間の違いが大きかった。2 点目は、保育所等数と保育所等在所児数\nには明確な比例関係があるが、指定都市や中核市などの一部の市区町村においては大きな正の残差があり、比例関係\nだけでは説明できない系統的な誤差があった。3 点目は、保育所等の数で説明されない保育所等在所児数の違いは、\n市区町村の定員充足率と人口規模が小さいと相関関係があるが、人口規模が大きくなるとその関係はなくなることで\nある。\nこれらの結果から言えることは、指定都市や中核市などの人口規模の多い地方自治体と、町村を中心とする人口規",
    "2018H-daijin.pdf": "統計データ分析コンペティション 2018\n総務大臣賞（高校生の部）\n本当に日本の医療は危機的状況にあるのか？\n大段 利々子（広島大学附属高等学校）\n審査委員長講評\n医療問題について、SSDSEから医師数、病院数と人口構成比や自治体の経済力な\nどを抽出し、その関係性を散布図等で分析した上で、高齢者の地域経済への貢献が\n重要と指摘しています。構成も論理的で読みやすい論文でした。\nただ、２変数の散布図を描いてその関係を分析している中で、相関のない散布図\nも見られました。高校１年では相関の有意性を検討することは難しいでしょうが、\n統計的な推論の手法を用いて、散布図の中で相関が強いものと弱いものとを判断で\nきるともっと考察が的確になるでしょう。\nまた都道府県別データの全国での分析結果と、市町村別データの広島県での分析\n結果を比較してばらつきの違いを分析していて、大変興味深い考察もされています。\n全国の都道府県は、必ずしも一様ではありませんので、データの分布特性や、各地\n域の特徴を示すことができる分析方法などについて、今後も学習を続けてください。\n---PAGE---\n本当に日本の医療は危機的状況にあるのか？\n大段 利々子\n広島大学附属高等学校1年\n1. 研究の目的と問題意識の背景\n社会の超高齢化、医師の需要と供給のバランスの崩れや地域偏在、さらには医療経済的な視点からも日本の医療\nが危機的状況に陥りつつあると言われている(1)。しかし、政令指定都市である広島市に住んでいる私には、これまで\n医療危機を実感することはなかった。そこで、全国の市区町村データから医療および経済に関わるデータを抽出し\nて、「本当に日本の医療は危機的状況にあるのか？」を解析した。\n2. 研究の方法と手順\nSSDSE「都道府県・市区町村のすがた（社会・人口統計体系）の市区町村データから約100項目余を抜き出し、縦\nに市区町村、横にデータ項目が並ぶ表形式のデータに整備したもの」を用い、都道府県別の人口、医師数、病院数\nや地方経済関連のデータを抽出して、単位人口あたりの医師数、病院数などを解析した。\n3. データの抽出、データセットへの変数の追加とその出典、分析に用いた変数に行った変換や加工など\n3.1 医師は本当に地域偏在しているのか？\n厚生労働省による「医師の需給に関する基礎資料」（平成29年6月15日）(2) によると、人口１万人あたり医師数\nは経済協力開発機構（OECD）加盟国の平均が29人であるのに比べ、日本は24 人である（出典：OECD Health Statistics\n2016）。平均以下ではあるが、イギリス、アメリカと韓国がそれぞれ28人、26人と23人であることから比べると、\n極端に医師不足というレベルではなさそうである。日本で医師不足を訴える声をよく聞くのは、単に人口あたりの医\n師数が少ないためではなく、医師の地域による偏在が問題であるとの指摘もある(1)。日本では、医師は本当に地域に偏\n在しているのか？その程度はどうか？それらに関してSSDSEによって解析した。\n図1 都道府県別の人口1万人あたりの医師数\n図１は、全国の人口１万人あたり医師数\nを各都道府県別に比較した図を示している。\n関東圏では東京で人口あたりの医師数が多\nく、その隣県では地方都市に比べても少ない\n傾向があった。一方、中国・四国地方では県\n別の差は小さく、一見、医師の地域間格差を\n少ないように見える。次に、広島県における\n人口1万人あたりの医師数を各市町村別に比\nべてみた（図２）。広島市や呉市に比べ、人\n口３万人以下の熊野町や神石高原町などは、\n1\n）人（数師医のりたあ人万1\n）人（数師医のりたあ人万1\n図２ 広島県における市町村別の人口1万人あたりの医師数\n---PAGE---\n人口あたりの医師数が10人以下と極端に少なく、全国の都道府県別格差に比べ、広島県内の地域別格差は大きいこと\nがわかる。\n3.2 高齢化が進んでいる地域では医師不足になりがちか？\n全国各地で高齢化が進んでいると言われているが、高齢者は病院にかかることが多く(3)、住居区域外への受診も困\n難であると考えられるため、高齢化が進む地域においては医師の偏在がますます深刻な問題となると思われる。そこ\nで、まず、各都道府県の総人口中の65歳以上の人口の割合を計算したところ、最も高齢者率の低いのが沖縄県（0.19）\nで、高いのが秋田県（0.34）であった。この高齢者率（65 歳以上の人口/ 総人口）と人口1 万人あたりの医師数の関\n係を観察するため、散布図を作製した（図３ 左）。両者の関係を知るため、Excelで近似式を求めたところ正の傾きが\n見られ、高齢者率の高い都道府県では人口あたりの医師数が多かったが、傾きの度合いは弱く両者の関連性は少ない\nように思えた。広島県において同様の観察を行うため、各市町村中の65歳以上の人口の割合を計算したところ、最も\n高齢者率の低いのが東広島市（0.22）で、高いのが神石高原町（0.47）であり、高齢者率のばらつきは地方の市町村間\nでは大きかった。高齢者率と人口1万人あたりの医師数の関係を示す散布図から求めた近似式では負の傾きが見られ、\n高齢者率の高い市町村では人口あたりの医師数が少ない傾向があった（図３ 右）。高齢化と医師不足の関係は、都道\n府県の間での比較ではなく、比較対象間に格差が大きい地方の市町村間で認められた。\n図３ 全国都道府県別および広島県の市町村別の高齢者率（65歳以上の人口/総人口）と人口一万人あたりの医師数の関係\n3.3 医師不足の地域では人口が減少する傾向にあるか？\n人口あたりの医師数が少ない地域は、医療条件に恵まれないため人口の減少をきたす可能性が考えられる。一方で、\n人口が減少している地域では、将来の人口に見合った医師の配置がなされている可能性もある。人口の増減と人口あ\nたりの医師数とは、どちらが原因と結果かは知ることは難しいが、両者の関係があるのか否かを確認した。各都道府\n県の人口の減少率は、（出生数＋転入数−死亡数−転出数）÷ 総人口×100（％）として算出した。最も人口増加率の高\nいのが東京都（0.54%増）で、低いのが秋田県（1.37%減）であった。人口増減率と人口１万人あたりの医師数の関係\nを観察するため、散布図を作製した（図４ 左）。Excelで近似式を求めたところ、傾きの度合いは極めて弱く、両者の\n関連性はないと思えた。広島県において同様の観察を行うため、各市町村中の人口増加率を計算したところ、最も増\n加率の高いのが海田町（1.12%増）で、低いのが江田島市（2.63%減）であり、人口増加率のばらつきは地方の市町村\n間では大きかった。人口増減率と人口１万人あたりの医師数の関係を示す散布図から求めた近似式では正の傾きを認\nめ、人口減少率の高い市町村では人口あたりの医師数が少ない傾向があった（図４ 右）。高齢化と医師不足の関係と\n同様に、人口減少と医師不足の関係も、都道府県の間での比較ではなく、対象間に格差が大きい地方の市町村間で認\nめられた。\n2\n---PAGE---\n図４ 全国都道府県別および広島県の市町村別の人口増減率と人口一万人あたりの医師数の関係\n3.4 地方経済状況と病院数には関連があるか？\n自治体が運営する病院は補助金.や繰入金などの公的資金が投入されている。そのため赤字が増え続けようとも存続\nできるようになっている。そのため人口あたりの病院数が多い地域では、地方経済を圧迫する可能性があるのではな\nいかと考えた。この考えが正しいかどうかを確認するため、中国地方の各県における市町村の自治体の収入に対する\n負債返済の割合を示す「実質公債費比率」と人口10万人あたりの病院数の関係を調べた。各市町村における公的病院\nと民間病院の比率や数は得られなかったので、ここではSSDSEデータ中にある一般病院数を人口で割り10万倍して求\nめ、実質公債費比率との散布図を作成した（図５）。\n図５ 中国地方の各県及び福井県における市町村の自治体の収入に対する負債返済の割合を示す「実質公債費比率」と\n人口10万人あたりの病院数に関係\n3\n---PAGE---\n自治体の財政力を示す指標を調べると、「財政力指数」があげられていた（出典：コトバンク）(4)。財政力指数とは、\n基準財政収入額を基準財政需要額で除して得た数値の過去3年間の平均値のことで、財政力指数が高いほど自主財源\nの割合が高く、財政力が強い団体ということになる。一方、SSDSEにある実質公債費比率とは、自治体の収入に対す\nる負債返済の割合を示す（通常、３年間の平均値が使用されている）（出典：コトバンク）。一般に、財政力指数が低\nいほど実質公債費比率が高くなる傾向にあると言われ、実質公債費比率もまた、自治体の財政力を示す指標といえそ\nうである。\n図５に示したように、鳥取県、岡山県、広島県、山口県の４件では、実質公債費比率が高いほど、人口10万人あた\nりの病院数が多い傾向にあり、「人口あたりの病院数が多い地域では、地方経済を圧迫する可能性がある」との予測に\n反しない。対照的に島根県では、実質公債費比率が高いほど、人口10万人あたりの病院数が少なく、近似式の負の傾\nき度合いは強く、両者の関連性は大きいように思えた。なぜ、島根県だけ例外的に逆の関係を認めたのかを考えたと\nころ、中国地方において島根県だけに存在する原発が地域の経済や医療事情へ影響する可能性を思いついた。そこで、\n同じく原発が存在する福井県のデータを観察すると、島根県とは異なり、実質公債費比率が高いほど、人口10万人あ\nたりの病院数は多い傾向があった。地方経済と病院数の関係に原発が影響するという考えには当てはまらない結果で\nあった。\n次に、財政力指数の都道府県別ランキングを調べてみると、広島県13位、岡山県19位、山口県26位、鳥取県45\n位、島根県47位、福井県31位であった（出典：retu27.com財政力指数［県財政］の都道府県別ランキング2018-07-29）\n(5)。島根県は最下位であり、厳しい財政状況にあると思われる。自治体が経済状況を改善する取り組みとしては、歳入\nの確保、総人件費の抑制、観光事業の見直し、病院事業の見直しなどがあげられている(6)。島根県に見られた「特徴的\nな財政と病院数の関係」は、財政が病院事業に影響したためなのかもしれない。\n4. データ分析の結果\n4.1 医師は本当に地域偏在しているのか？\n広島県内における人口あたりの医師数は、地域別格差は大きいことがわかったので（図２）、次に、中国・四国地方\nの各県における市町村別の人口あたりの医師数のばらつきを観察する目的で、箱ひげ図を作製してみた。箱ひげ図で\nは、第1四分位点から第3四分位点までの高さに箱を描き、最大値と最小値をひげの端で表した（図６）。図２で示さ\nれたように市町村別の地域格差が大きいと思われた広島県では、人口あたりの医師数のばらつきは、中国地方の各県\nに比べむしろ最も少ないことがわかった。注目すべきは、鳥取県や四国地方の香川県、愛媛県、高知県における医師\nの地域偏在が大変に大きいことである。\n4.2 高齢化が進んでいる地域では医師不足になりがちか？\n各都道府県および広島県の各市町村における高齢者率と人口１万人あたりの医師数の関係を示す散布図を作成した\nが（図３）、両者にどの程度関連性があるのかを分析した。２種類のデータの関係を示す指標として、相関係数を求め\nた。相関係数とは、2つの確率変数の間にある線形な関係の強弱を測る指標であり、Excel によるCORREL関数を使\n用した。各都道府県の総人口中の65歳以上の人口の割合（高齢者率）と人口一万人あたりの医師数の相関係数はr =\n0.196であり、表１によるとほとんど相関はないと言える。広島県の各市町村中の高齢者率と人口１万人あたりの医師\n4\n）人（数師医のりたあ人万1\n中国地方 四国地方\n図６ 中国・四国地方の各県における市町村別の人口1万人あたりの医師数のばらつき（箱ひげ図）\n第1四分位点から第3四分位点までの高さに箱を描き、最大値と最小値をひげの端で表した",
    "2018H-kyoukai.pdf": "統計データ分析コンペティション 2018\n日本統計協会賞（高校生の部）\n交流人口増加による愛媛県の活性化\n白石 大悟、高田 蒼大、武田 裕喜\n（愛媛県立松山南高等学校）\n審査委員長講評\n人口減少による経済の縮小に対して、外国人旅行者の増加を目指し、温泉旅館\nの利用促進を提案。SSDSE以外の様々な公的統計を活用し、経済波及効果も推定\nしていて、チャレンジングな論文です。\n訪問客の傾向を分析していますが、利用しているデータの調査名は記載されて\nいましたが、韓国よりも中国等の訪日客が多いというデータについては調査時点\nを明確にして考察する必要があります。\n質問項目が多いデータの可視化には、性格の似た項目をまとめるように工夫す\nると考察がしやすいのではないでしょうか。\n---PAGE---\n交流人口増加による愛媛県の活性化\n白石大悟・高田蒼大・武田裕喜\n愛媛県立松山南高等学校\n1. はじめに\n現在日本、特に地方部では少子高齢化に伴う大規模な過疎化が進行している（図1）。\n2020年以降は「国立社会保障・人口問題研究所」のデータ（平成30年3月公表）に基づく推計値では\nあるが、首都である東京でさえ人口が減少していくようだ。人口減少に歯止めをかけるべく実行すべき\nは人口の増加だろう。しかし、表一のとおり全国のいたるところで人口減少は進んでいるため、他県か\nらの移住で愛媛県の人口問題が解決になっても、他県の状況が悪化していくことになる。そこで私たち\nが目を付けたのは『交流人口』だ。交流人口とは外部からある地域に目的問わず訪れる人のことで、人\n口減少による経済の縮小の穴埋めとして交流人口による経済効果に期待するということだ。交流人口の\nターゲットとしては外国人旅行客とする。なぜなら、現在、国内総旅行者数と比較して、大幅な増加傾\n向を維持しているからだ(図２)。\nまた、交流人口(外国人)の多い地域と地域の財政力を示す財政力指数の上位１０県を見てみると、東\n京都をはじめとする７県が一致した(表１)。 よって私たちは、「交流人口が増加すれば財政力が強化\nされるのではないか」という仮説を立てる。\n(%)\n6\n愛媛県 広島県 東京都 高知県\n4\n2\n0\n1970 1980 1990 2000 2010 2020 2030 2040 2050\n-2\n-4\n-6\n-8\n図1総人口増減率\n出典：総務省「国勢調査」、国立社会保障・人口問題研究所「日本の地域別将来推計人口」\n---PAGE---\n(%) 国内延べ旅行者数前年度比伸び率 外国人旅行者数前年度比伸び率\n60.00\n46.98\n50.00\n40.00 34.41\n29.44\n30.00 23.92 21.97\n19.34\n20.00\n6.01\n10.00 0.04 2.97 1.60 1.00\n-3.02\n0.00 -5.66\n2011 2012 2013 2014 2015 2016 2017\n-10.00\n-20.00 -27.76\n-30.00\n-40.00\n図2国内外旅行者前年度比伸び率\n出典：外国人・・・日本政府観光局（JNTO）, 国内・・・観光庁「旅行・観光消費動向調査」\n表１ 財政力指数と外国人訪問者数上位十県\n財政力指数 外国人訪問者数\n1 東京都 0.93 1 東京都 6,898,247\n2 神奈川県 0.92 2 大阪府 3,738,251\n2 愛知県 0.92 3 京都府 2,940,957\n4 千葉県 0.76 4 神奈川県 1,651,064\n4 埼玉県 0.76 5 千葉県 1,568,254\n6 大阪府 0.74 6 愛知県 1,227,835\n7 静岡県 0.69 7 福岡県 1,195,907\n8 茨城県 0.62 8 北海道 1,042,728\n9 兵庫県 0.6 9 兵庫県 828,799\n9 福 岡 県 0.6 10 山梨県 644,216\n出典：総務省「地方財政状況調査関係資料（財政状況資料）」,\n観光庁「訪日外国人消費動向調査」、日本政府観光局（JNTO）「訪日外客数」\n2. 訪問客の傾向\n次に外国人訪問客の訪日目的を調べる。外国人が訪日前に期待していたこと、そして次回したいこと\nを調べた(図３・４)。まずは「日本食を食べること」だ。回答数こそ減っているものの、再び食べたい\nと思える魅力があるようだ。一番気になるのは「温泉入浴」の項目だ。訪日前に比べ次回したいことと\nしての回答数が大幅に増えている。また「四季の体感」も二倍近く上昇している。これは、日本の魅力\nの一つとして大々的に宣伝する根拠となりえる。この二項目は、訪日前の期待に比べ回答数が増加して\nいるので、「今回できなかったが、また来たらやってみたい」と思ってもらえていると考えられる。\n次は愛媛県に絞って調べた。まず外国人観光客に占める各国の割合だ(図５)。\n現在、松山空港の国際便は上海とソウルの二か所。時に台湾へのチャーター便が出ている。\n---PAGE---\nまた、松山市がアメリカ合衆国（サクラメント）、ドイツ(フライブルグ)。今治市がパナマ(パナマ市)、\nアメリカ合衆国(レイクランド市)。伊方町がアメリカ合衆国(レッドウィング市)。宇和島市がアメリカ\n合衆国(ホノルル市)。と姉妹提携を結んでいる。\n日本食を食べること\nショッピング\n自然・景勝地観光\n繁華街の街歩き\n温泉入浴\n日本の酒を飲むこと（日本酒・焼酎等）\nテーマパーク\n日本の歴史・伝統文化体験\n旅館に宿泊\n日本の日常生活体験\n美術館・博物館\n四季の体感（花見・紅葉・雪等）\n日本のポップカルチャーを楽しむ\n上記には当てはまるものがない\n自然体験ツアー・農漁村体験\n映画・アニメ縁の地を訪問\n舞台鑑賞（歌舞伎・演劇・音楽等）\nスキー・スノーボード\nスポーツ観戦（相撲・サッカー等）\nその他スポーツ（ゴルフ等）\n治療・健診\n0 5,000 10,000 15,000 20,000 25,000\n図３訪日前に期待していたこと（複数回答可）\n日本食を食べること\n温泉入浴\nショッピング\n自然・景勝地観光\n繁華街の街歩き\n四季の体感（花見・紅葉・雪等）\n日本の歴史・伝統文化体験\n日本の酒を飲むこと（日本酒・焼酎等）\n旅館に宿泊\nテーマパーク\n日本の日常生活体験\n美術館・博物館\n自然体験ツアー・農漁村体験\n日本のポップカルチャーを楽しむ\nスキー・スノーボード\n舞台鑑賞（歌舞伎・演劇・音楽等）\n映画・アニメ縁の地を訪問\nスポーツ観戦（相撲・サッカー等）\nその他スポーツ（ゴルフ等）\n治療・健診\n上記には当てはまるものがない\n0 5,000 10,000 15,000 20,000 25,000\n図４次回したいこと（複数回答可）\n出典：観光庁「外国人消費動向調査」\n---PAGE---\nその他\nオースト 24%\n台湾\nラリア\n31%\n3%\nドイツ\n3%\n香港\n5% アメリカ 中国\n8% 韓国 16%\n10%\n図５訪問者割合\n出典：観光庁「訪日外国人消費動向調査」、日本政府観光局（JNTO）「訪日外客数」\n3. 愛媛県の現状と改善\nまず、愛媛県の現状を見ていく。これは外国人が一時間以上滞在した場所を示すメッシュマップだ(図\n６)。見てのとおり、松山・今治・新居浜といった市街地に人が多く滞在しているのがわかる。\nそれと比較して地方には全くといっていいほど人が来ていないことから、市街地だけでなく、地方の魅\n力も発信することが改善点の一つといえる。\nまた、愛媛県に訪問する直前・直後に滞在した地域を見てみる（表２）。両表の一位を見て推測する\nと、香川→愛媛→高知というルートが多いようだ。これは四国遍路が関係しているのではないかと推測\nする。四国遍路はリピーターの獲得に一役買ってくれるのと考える。なぜなら、八十八カ所もある霊場\nをいくつか回るとその面白さに気付き、残りも回りたいと思うからだ。\nまとめるとこうなる。\nⅠ.市街地だけではない、地方の魅力の発信。\nⅡ.四国遍路によるリピーターの獲得\n表２愛媛県の直前・直後に滞在・訪問した地域\n直前に滞在した地域 人数 全体に占める割合 直後に訪問した地域 人数 全体に占める割合\n1 香川県 20,040 24.94 1 高知県 13,129 15.98\n2 広島県 12,879 16.03 2 広島県 9,213 11.21\n3 愛媛県 9,133 11.37 3 愛媛県 9,133 11.12\n4 高知県 7,279 9.06 4 香川県 8,551 10.41\n5 東京都 6,247 7.77 5 岡山県 7,866 9.57\n出典：国土交通省「FF-Data（訪日外国人流動データ）」",
    "2018H-tokubetu.pdf": "統計データ分析コンペティション 2018\n特別賞（高校生の部）\n機械学習による 15 歳未満人口の推定\n伊藤 寛子（渋谷教育学園幕張高等学校）\n審査委員長講評\n機械学習により人口統計データを分析することを試み、その過程を詳細に記載\nした技術的に優れた論文です。論文としては、15歳未満人口を推計することが、\n社会的にどんな意義があるか、目的を明確にすると良いでしょう。\n入力データが「人口総数」「総面積」「可住地面積」となっていますが、この３\n変数で「15歳未満人口」を予測することが、なぜ意味があるかなどを示すと良い\nでしょう。\nこの特別賞は社会課題の解決という審査の視点とは少し異なりますが、「技術\n賞」という位置づけと考えて下さい。これからも機械学習の勉強を続けてくださ\nい。\n---PAGE---\n機械学習による15歳未満人口の推定\n伊藤 寛子\n渋谷教育学園幕張高等学校１年\n1. はじめに\n近年、都市への人口集中が進んでいるとか、村落において少子化が顕著であるといった報道を目にするこ\nとが多い。元々機械学習に興味があった私はこのような報道を見聞きして、市町村別の人口総数・総面積・\n可住地面積の値から、回帰モデルを用いた機械学習による15歳未満人口を推定できるではないかと考えた。\nなぜこれらのデータに目をつけたか。それは、少子化が進んでいる地域は村落が多いと言われることから、\nその地域の村落度合いを測ることができるデータ、すなわち人口総数・総面積・可住地面積を用いれば良い\nと考えたからだ。\n本研究の手法が実現することにより、例えば人口急増時の教育施設や福祉施設の需要を予測することが容\n易になり、公立学校の運営や、少子化対策に役立つと考えられる。\nそこで本研究では、線形回帰を用いた機械学習により、市町村別の人口総数・総面積（北方地域及び竹島\nを除く）・可住地面積から、15歳未満人口の推定iを試みる。\n2. 研究の方法と手順\n2.1. 環境について\n環境は以下の通りである。\n•マシン： MacBook Air (Early 2015, macOS High Sierra バージョン 10.13.6 (17G65))\n•言語： Python 3.6.5\n•実行： Jupiter notebook 5.5.0\n•ライブラリ・拡張モジュール：scikit-learnii 0.19.1, Pandasiii 0.23.0, NumPyiv 1.14.3\nまた、 Jupiter notebook 5.5.0 に関連して Anaconda Navigatorv 1.8.7 を用いた。\n機械学習した推定値の評価及び、データセットからのデータの抽出には Numbers バージョン 5.1(5683)\nを用いた。\n2.2. 手順の概要\nここでは、手順について簡単に説明する。手順の詳細については、第３章を参照のこと。\n1.必要なデータの抽出\n2.プログラミング\n3.機械学習の実行（５回）\n4.推定結果の分析\ni 本論文において、推定は ” （機械学習による）結果の推定・予測 ” という意味で用いている。\nii scikit-learn は、 Python の機械学習のためのライブラリ(1)である。\niii Pandas は、 Python の データ解析用のライブラリである。\niv NumPy は、 Python において数値計算を効率的に行うための拡張モジュールである。\nv Anaconda Navigator は、 conda パッケージの環境およびチャンネルを簡単に管理できる、 Anaconda\nに含まれるグラフィカルユーザーインターフェイスである。\n1\n---PAGE---\n3. データの分析手順\n3.1. 使用したデータについて\n本研究では教育用標準データセットの中から、人口総数、総面積（北方地域及び竹島を除く）vi、可住地\n面積、15歳未満人口のみを抽出し、総面積順に並べ替えたものを使用した。これ\nらのデータは CSV 形式で（テキストエンコーディング： UTF-8 ）ファイル名\nを test2.csv として書き出した。書き出したファイルは、内蔵ハードディスクの\nホームディレクトリに保存した。\n3.2. プログラミング\n本章では、 scikit-learn を用いて、ランダムフォレストviiで教師あり学習を行\nうためのプログラミングについて述べる。\nプログラムのフローチャートは、図１の通りである。\nJupiter notebook 5.5.0 を用いて、プログラミングを行なった。ライブラ\nリ、 Python は “2.1. 環境について ” で示したものが、既にインストールされ\nているものとする。\n今回のプログラムのアルゴリズムを図１のフローチャートに示す。\nソースコードは資料１の通りである。プログラムのソースコードについては、\n示したソースコードにコメントとして表記しているため、説明は割愛する。また、\nプログラム中の任意に設定した値については、値の設定の理由を以下で説明す\nる。\nまず、トレーニングデータとテストデータの比率であるが、今回の事例では全\n体のデータ件数が 1740 件である。トレーニングデータが多いと精度を向上する\nが、評価に使うテストデータが少なすぎると適切な評価が困難となってしまう。\nそこで今回は、テストデータを 300 件以上とすることにした。値の桁数が多い\nとバグを生じやすくなることを踏まえ、有効数字１桁の値でテストデータの割合\nを指定することにした。この時、条件を満たす中で有効数字１桁の最小の値は\n百分率で表すと、\n2*101\n%となる。この値を割合に変換し、テストデータの割\n合を設定する変数である 22 行目の test_size に代入した。\n22 行目で設定している、擬似乱数生成に利用する値（変数名：\nrandom_state ）は 70 としているが、これは特に意味を持たない。ちなみに、\n擬似乱数はトレーニングデータとテストデータをランダムに分割するために使用\nしている。\n図１ フローチャート\nvi 以下、総面積と表記する。また、CSVファイルに書き出して使用したデータのヘッダ名も、総面積と表記\nされているものとしてプログラミングしている。\nvii ランダムフォレストとは、2001年に Leo Breiman によって提案された機械学習のアルゴリズムである。\nこのアルゴリズムでは、ランダムサンプリングされたトレーニングデータによって学習した多数の決定木を\n使用する。\n2\n---PAGE---\n1.import pandas as pd\n2.import numpy as np\n3.%matplotlib inline\n4.import matplotlib\n5.import matplotlib.pyplot as plt\n6.from sklearn import cross_validation\n7.from sklearn.preprocessing import StandardScaler\n8.from sklearn.ensemble import RandomForestRegressor\n9.\n10.# CSVファイルの読み込み(ファイル名：test2.csv, テキストエンコーディング：UTF-8)\n11.df_test = pd.read_csv(\"test2.csv\",encoding=\"UTF-8\")\n12.\n13.# 入出力に使用するデータ列の指定\n14.X_cols = [\"人口総数\",\"総面積\",\"可住地面積\"]\n15.y_cols = [\"１５歳未満人口\"]\n16.\n17.# 入力・出力データの取得\n18.X = df_test[X_cols].as_matrix().astype('float')\n19.y = df_test[y_cols].as_matrix().astype('int').flatten()\n20.\n21.# トレーニングデータ：テストデータ＝0.8:0.2になるようにランダムに分割（乱数生成値：70）\n22.X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y,\ntest_size=0.2, random_state=70)\n23.\n24.# 入力データを正規化\n25.scaler = StandardScaler()\n26.scaler.fit(X_train)\n27.\n28.X_train = scaler.transform(X_train)\n29.X_test = scaler.transform(X_test)\n30.\n31.# ランダムフォレストで学習\n32.model = RandomForestRegressor()\n33.model.fit(X_train, y_train)\n34.\n35.# 推定値のスコア（決定係数）を出力\n36.print(model.score(X_test,y_test))\n37.\n38.# 推定結果\n39.result = model.predict(X_test)\n40.\n41.# データフレームに変換\n42.df_result = pd.DataFrame({\n43. \"test\":y_test,\n44. \"result\":result\n45.})\n46.\n47.# CSVを出力（ファイル名：answer_number.csv）\n48.df_result.to_csv(\"answer_number.csv\")\n資料１ 機械学習によるデータの分析のためのアルゴリズムのソースコード\n3\n---PAGE---\n3.3. 実行\n資料１のソースコードを Jupiter notebook 5.5.0 上で実行した。\nこの時、同じアルゴリズムを実行しても、機械学習による推定結果は変化する。そこで今回は、偶然誤差\nを減らすため、資料１のソースコードのアルゴリズムを連続して５回実行し、その平均値をとることにした。\nそれに際し、ダウンロードされるファイルのデータが上書きされてしまうのを防ぐため、資料１の 48 行\n目、 df_result.to_csv(“answer_number.csv”) を、 df_result.to_csv(“answer_1.csv”),\ndf_result.to_csv(“answer_2.csv”) …というように書き換える操作、すなわち結果の出力ファイル名の変更\nをする操作を行った。これにより、推定結果が格納されたファイルのファイル名は、１回目の結果から順に\nanswer_1.csv, answer_2.csv, answer_3.csv, answer_4.csv, answer_5.csv となる。\nちなみに、ここで出力された CSV ファイルでは、 A 列にサンプリングの際のナンバリングされた値、 B\n列（ヘッダ名： test ）にviii実際の 15 歳未満人口、 C 列（ヘッダ名： result ）に機械学習で推定された15\n歳未満人口が格納されている。\nまた、実行すると標準出力で出力される推定値のスコアixを毎回記録した。\n4. 推定結果とその評価\n4.1. 推定値の結果\n図２は、テストデータについて、縦軸に５回の推定値の平均、横軸に実際の15歳未満人口をとったグラフ\nである。また、そのグラフに最小二乗法によるトレンドラインを引いたところ、その方程式は\ny = 0.9635x +272.21 となり、正の相関が見られた。\n図２ ５回の推定値の平均と実際の15歳未満人口\n4.2. 相関関係\nテストデータについて、５回の推定値の平均と実際の15歳未満人口の相関関係を調べたx。相関係数は\n0.9948 、決定係数は 0.9896 であった。\nviii 以下、推定値との混同を避けるため、15歳未満人口は実際の15歳未満人口と表記する。\nix 本論文において、スコアとして示される値は全て決定係数 (1) である。\nx 本来であれば有効数字を意識して計算すべきではあるが、テストデータにおける市町村別の15歳未満人口\nの値に大きなばらつきが見られ、一番小さい桁数にあわせると、十分な評価が行えなくなるため、今回は小\n数点以下第５位を四捨五入して計算した。これ以降の章で求められている値についても同じ扱いを行った。\n4\n）人（均平の値定推の回５\n300000\ny = 0.9635x + 272.21\n225000\n150000\n75000\n0\n0 75000 150000 225000 300000\n実際の15歳未満人口（人）",
    "2018H-yuusyuu.pdf": "統計データ分析コンペティション 2018\n優秀賞（高校生の部）\nSSDSE データを活用した全国学習状況調査結果\nとの相関分析\n宮本 雨月、金山 瑠依、門脇 俊樹\n（和歌山県立田辺工業高等学校）\n審査委員長講評\n小学生の学習への関心や取組について、家族構成や自治体の教育費等との関係を\n分析した結果、大家族世帯が学習状況に良い影響を与えると指摘しました。構成も\nしっかりとしています。\n文部科学省が実施した「平成 21 年度全国学力・学習状況調査」の結果と SSDSE\nから得られた家族構成や自治体の教育費等のデータをうまく結合しており、相関行\n列をヒートマップの手法でビジュアル化して表現したところに工夫がみられまし\nた。\n結論が、文部科学省などが報告していることに関わるので、論文の中に、先行研\n究、参考資料を参照し、自分たちの分析結果を比較することができれば、一層優れ\nた論文となるでしょう。\n---PAGE---\nSSDSE データを活用した全国学習状況調査結果との相関分析\n宮本雨月*1・金山瑠依*1・門脇俊樹*1\n*1: 和歌山県立田辺工業高等学校\n1. はじめに\n毎年、子供達の学力状況を把握するため文部科学省により全国的な学力調査「全国学力・学習状況調査（全国学\n力テスト）」が実施されている。小学6年生と中学3年生を対象に実施され、結果として国語A・B、算数（数学）\nA・B の正答率および学習状況調査の結果が都道府県別に公表されている。結果については、メディア等でも大き\nく取り上げられるため世間の関心が高くなっている。\n学習に関する意欲や関心等に関しては本人の要因だけでなく、家庭環境や自治体の政策による影響も考えられ\nるため SSDSE のデータの中で、家庭の状況や教育費等の支出に関するデータ項目と学習状況調査結果との関連性\nを検討、考察することとした。\n本分析では、学力である平均正答率には着目せず、学習状況における学習への関心等のデータに着目して分析を\n行うこととし、特に、中学生よりは小学生の方が家庭の状況による影響が大きいと考え、小学生の都道府県別の学\n習状況調査結果の数値を基準として、SSDSEのデータ項目を基に加工した関連データとの相関関係を考察した。\n2. 研究の方法\n2.1 全国学力・学習状況調査データの活用\n平成29年度全国学力・学習状況調査結果資料【小学校・都道府県別】の児童質問紙調査項目(1)(表1)における学\n習に対する関心・意欲・態度（国語への関心等・数学への関心等）、規範意識・自尊感情、学習の基盤となる活動\n習慣（言語活動・読解力・生活習慣・学習習慣）の質問紙結果を数値化したデータを使用した。\n表１ 学習状況調査児童質問紙調査使用項目\n学習に対する関心・意欲・態度 規範意識・自尊感情 学習の基盤となる活動・習慣\n国語への関心等 数学への関心等 規範意識 自尊感情 言語活動・読解力 生活習慣 学習習慣\n2.2 SSDSEデータの活用\nSSDSE のデータの中で、家庭の状況や教育費等の支出に関するデータ項目として以下のデータ項目（表 2）を\n使用し、学習状況調査項目との相関関係を分析した。\n表2 SSDSEデータ使用項目\n一般世帯数 核家族世帯数 単独世帯数 離婚件数 歳出決算総額 民生費 教育費\n2.3 外れ値の検定\nデータを統計的に分析するために、統計解析ソフトであるエクセル統計（株式会社社会情報サービス）を使用し\nて関連データの分析を行った。相関関係を考えるために、まずは、外れ値の検定を行い、各項目の外れ値を除外し\nた。\n外れ値の検定方法としては、スミルノフ＝グラブズ検定を用い、1回の検定で1つの外れ値を除き、外れ値がな\nくなるまで繰り返した。また、有意水準の値は、0.05とした。\n2.4 相関行列の作成\nエクセル統計を使用し、外れ値を除外した各項目のデータから相関係数（ピアソンの積率相関係数）を算出し、各変\n数間の相関係数の行列を作成した。まずは、無相関の検定を行い、相関の有意性を検討し、相関行列を作成した。また、\n視覚的に判断できるよう相関係数値に応じてセルに色を付けた行列として相関係数のヒートマップも出力した。\n相関係数の評価基準としては以下の表3の値を判断基準とした。\n---PAGE---\n表3 相関係数の評価基準値\n相関係数の値 相関係数の強弱\n1.0 ～ 0.7 強い正の相関\n0.7 ～ 0.4 正の相関\n0.4 ～ 0.2 弱い正の相関\n-0.2 ～ -0.4 弱い負の相関\n-0.4 ～ -0.7 負の相関\n-0.7 ～ -1.0 強い負の相関\n3. データの加工\n3.1 SSDSEのデータの加工\n2.2表2で示したデータ項目について、SSDSEより数値を抽出し、各市町村のデータを基に都道府県別に集計を\n行った。さらに、各データを使用して以下の(1)～(4)の項目にデータを加工し、再度都道府県別にデータを集計し\nた。数値を整理し、各データ項目を都道府県別にグラフ化した結果を以下の図1～図4に示す。\n（1）大家族世帯割合：一般世帯数に対する核家族世帯および単独世帯以外の世帯割合（図1）\n（=一般世帯数－核家族世帯－単独世帯）\n（2）教育費割合：各都道府県自治体の歳出決算総額に対する教育費の割合（図2）\n（=教育費/歳出決算総額*100）\n（3）離婚件数割合：一般世帯数に対する離婚件数の割合（図3）\n（=離婚件数/一般世帯数*100）\n（4）民生費割合：各都道府県自治体の歳出決算総額に対する民生費の割合（図4）\n（=民生費/歳出決算総額*100）\n図1 大家族世帯割合 図2教育費割合\n図3 離婚件数割合 図4 民生費割合\n3.2 学習状況調査およびSSDSE加工データの整理\n相関係数を求めるために、平成29年度全国学力・学習状況調査結果資料【都道府県別】小学校(1)より、児童質\n問紙調査項目における 2.1 表 1 で示したデータ項目についての質問結果が数値化されたデータを抽出した。さら\nに、3.1で得られた加工データとともに整理し、表4にまとめた。\n---PAGE---\n表4 各項目の集計数値データ一覧【都道府県別】\nデータ項目 国語への関心等 数学への関心等 規範意識 自尊感情 言語活動・読解力 生活習慣 学習習慣 大家族世帯割合教育費割合 離婚件数割合 民生費割合\n1 北海道 5.0 4.9 5.0 4.8 5.1 4.9 5.3 6.78 10.08 0.43 33.06\n2 青森県 5.3 5.3 5.4 5.4 5.4 5.5 5.7 16.60 10.64 0.43 33\n3 岩手県 5.4 5.3 5.4 5.1 5.5 5.5 5.6 18.35 7.82 0.38 20.18\n4 宮城県 5.0 5.0 4.9 5.0 5.1 5.1 5.5 14.33 6.76 0.40 18.87\n5 秋田県 6.2 6.1 5.8 6.0 6.1 5.6 6.6 20.13 9.58 0.36 29.15\n6 山形県 5.4 5.0 5.4 5.3 5.3 5.3 5.7 24.66 11.97 0.39 28.17\n7 福島県 5.3 5.1 5.0 4.8 5.1 5.2 5.5 17.98 9.20 0.45 39.71\n8 茨城県 5.3 5.2 5.3 5.2 5.2 5.1 5.4 14.23 13.33 0.43 32.01\n9 栃木県 5.5 5.4 5.4 5.3 5.4 5.5 5.5 14.5 11.49 0.45 32.05\n10 群馬県 5.0 5.1 5.2 5.2 5.0 5.3 5.2 12.15 12.73 0.42 31.93\n11 埼玉県 5.1 5.1 5.2 5.3 5.3 5.5 5.5 8.20 10.89 0.42 39.94\n12 千葉県 4.8 4.7 4.9 4.9 4.7 4.9 4.7 8.66 12.64 0.41 36.76\n13 東京都 4.9 5.0 4.6 4.9 5.0 4.9 4.6 4.86 12.74 0.35 49.37\n14 神奈川県 5.0 5.0 4.7 4.8 4.8 4.8 4.6 6.11 9.22 0.40 39.92\n15 新潟県 5.5 5.3 5.3 5.2 5.6 5.2 5.2 19.44 10.44 0.35 27.73\n16 富山県 4.9 5.0 5.1 5.1 5.0 5.0 5.3 18.91 10.75 0.35 29.7\n17 石川県 5.5 5.5 5.0 5.1 5.3 5.3 5.5 13.6 11.49 0.37 32.05\n18 福井県 5.3 5.4 5.3 5.7 5.2 5.5 5.5 20.91 11.95 0.40 30.52\n19 山梨県 5.4 5.4 5.4 5.3 5.4 5.4 5.3 12.69 10.81 0.41 29.67\n20 ⾧野県 5.1 4.9 4.9 5.0 5.0 5.4 4.6 15.17 11.26 0.40 28.11\n21 岐阜県 5.2 5.0 5.4 5.1 5.2 5.2 5.3 16.11 11.71 0.41 31.21\n22 静岡県 4.6 4.9 4.8 5.0 4.8 4.9 4.8 14.64 10.44 0.44 31.85\n23 愛知県 4.7 4.8 4.9 4.8 4.7 4.8 4.6 9.59 10.83 0.41 36.54\n24 三重県 4.9 5.0 5.1 4.9 4.9 4.9 4.9 11.96 9.53 0.41 33.05\n25 滋賀県 4.6 4.5 4.7 4.9 4.6 4.9 4.9 12.78 13.51 0.41 34.53\n26 京都府 4.8 4.8 5.0 4.9 4.9 4.8 4.9 7.67 9.93 0.367 38.31\n27 大阪府 4.6 4.8 4.6 4.7 4.5 4.6 4.3 6.38 9.81 0.441 45.02\n28 兵庫県 4.8 4.8 5.0 5.0 4.8 4.9 4.7 8.04 10.86 0.40 36.92\n29 奈良県 4.7 4.7 5.0 4.8 4.7 4.8 4.5 10.39 10.94 0.41 34.91\n30 和歌山県 5.0 5.1 5.2 5.0 4.9 5.1 4.8 10.37 8.64 0.45 33.91\n31 鳥取県 5.0 4.8 5.0 4.8 4.9 5.1 5.1 17.4 9.35 0.43 31.62\n32 島根県 4.9 4.8 5.2 5.0 5.0 5.1 5.0 17.97 10.53 0.36 27.49\n33 岡山県 5.1 5.1 5.1 5.1 5.0 5.0 5.2 11.89 10.75 0.42 34.48\n34 広島県 5.2 5.2 5.3 5.4 5.2 5.2 5.3 8.00 10.23 0.39 33.43\n35 山口県 5.2 5.1 5.3 5.1 5.3 5.1 5.2 8.81 10.95 0.36 32.64\n36 徳島県 4.8 5.1 5.2 5.0 4.7 4.9 5.1 12.92 10.86 0.39 34.55\n37 香川県 4.7 4.8 4.8 4.7 4.6 4.8 5.1 11.24 13.77 0.41 34.58\n38 愛媛県 5.1 5.1 5.3 5.2 5.1 4.9 5.3 9.18 11.12 0.38 35.55\n39 高知県 5.6 5.4 5.3 5.2 5.4 5.2 5.2 8.65 8.29 0.39 33.68\n40 福岡県 4.8 4.8 4.8 4.9 4.7 4.6 4.6 8.13 10.33 0.45 36.61\n41 佐賀県 4.9 5.0 5.1 5.0 4.8 5.0 4.7 17.31 10.15 0.46 32.8\n42 ⾧崎県 4.9 5.1 5.0 4.8 4.9 5.1 4.8 10.99 8.10 0.39 34.23\n43 熊本県 5.0 4.9 4.9 4.8 5.0 4.9 4.8 12.96 9.22 0.42 36.41\n44 大分県 5.0 4.9 4.8 4.9 5.0 4.7 4.7 10.41 10.32 0.41 35.67\n45 宮崎県 5.3 5.4 5.3 5.3 5.3 5.2 5.5 8.58 8.33 0.48 35.88\n46 鹿児島県 5.0 5.0 5.1 4.9 5.0 4.8 5.1 5.79 9.11 0.40 34.85\n47 沖縄県 5.0 5.2 4.5 4.9 4.9 4.6 5.1 9.07 11.76 0.66 38.71\n3.3 外れ値の除外\n3.1 図1～4 のグラフからもわかるように、大きく外れている都道府県の値が存在するため、エクセル統計を使\n用して外れ値の検定を行った。有意水準の値は、0.05とし、スミルノフ＝グラブズ検定を外れ値がなくなるまで繰\nり返した。それぞれの項目において以下の都道府県の値を外れ値として除外した。\n(1)国語への関心等 秋田県(6.2) (2)数学への関心等 秋田県(6.1) (3)規範意識 外れ値なし\n(4)自尊感情 秋田県(6.0) 福井県(5.7) (5)言語活動・読解力 秋田県(6.1) (6)生活習慣 外れ値なし\n(7)学習習慣 秋田県(6.6) (8)大家族世帯 外れ値なし (9)教育費割合 外れ値なし\n(10)離婚件数割合 沖縄県(0.66) (11)民生費割合 外れ値なし\n3.4 無相関の検定\nエクセル統計を使用し、相関係数の数字に意味があるかについて無相関の検定を行った。有意水準の値は、0.05\nとした。\n---PAGE---\n3.5 相関行列の作成\nエクセル統計を使用し、各変数間の相関係数を算出し、相関行列を出力した。係数の計算式としてはピアソンの\n積率相関係数の計算式を使用した。また、視覚的にも判断できるように相関行列のヒートマップも同時に出力し\nた。\n4. 結果\n4.1 無相関の検定結果\n無相関の検定結果表を以下の表5に示す。5%で有意な場合（P<0.05）は、*マークが記載され、1%で有意な場合\n（P<0.01）は、**マークが記載される。有意水準の判断基準値としては、5%(P<0.05)として判断している。\n表5 各項目の母相関係数の無相関の検定 ［上三角：P値/下三角：*,P<0.05 **,P<0.01］\n項目 国語への関心等 数学への関心等 規範意識 自尊感情 言語活動・読解力 生活習慣 学習習慣 大家族世帯割合 教育費割合 離婚件数割合 民生費割合\n国語への関心等 - P < 0.001 P < 0.001 P < 0.001 P < 0.001 P < 0.001 P < 0.001 0.0117 0.3574 0.5523 0.0117\n数学への関心等 ** - P < 0.001 P < 0.001 P < 0.001 P < 0.001 P < 0.001 0.1673 0.2189 0.8698 0.1090\n規範意識 ** ** - P < 0.001 P < 0.001 P < 0.001 P < 0.001 P < 0.001 0.4095 0.3875 P < 0.001\n自尊感情 ** ** ** - P < 0.001 P < 0.001 P < 0.001 0.0560 0.5903 0.7376 0.0170\n言語活動・読解力 ** ** ** ** - P < 0.001 P < 0.001 0.0144 0.2496 0.2048 0.0023\n生活習慣 ** ** ** ** ** - P < 0.001 P < 0.001 0.6930 0.5771 P < 0.001\n学習習慣 ** ** ** ** ** ** - P < 0.001 0.8974 0.7793 P < 0.001\n大家族世帯割合 * ** * ** ** - 0.7788 0.4414 P < 0.001\n教育費割合 - 0.4591 0.1016\n離婚件数割合 - 0.2492\n民生費割合 * ** * ** ** ** ** -\n4.2 相関行列結果\n出力した相関行列の結果を以下の表 6 に示す。また、視覚的に判断できるように相関係数の値に応じて正の相\n関は青色、負の相関は赤色の濃淡で出力されている相関行列のヒートマップ(表7)および相関計数値と濃淡の凡例\n(表8)を以下に示す。\n表6 相関行列\n項目 国語への関心等 数学への関心等 規範意識 自尊感情 言語活動・読解力 生活習慣 学習習慣 大家族世帯割合 教育費割合 離婚件数割合 民生費割合\n国語への関心等 1.0000 0.8439 0.6813 0.6862 0.9241 0.7345 0.7276 0.3687 -0.1389 -0.0910 -0.3688\n数学への関心等 0.8439 1.0000 0.5863 0.6792 0.7894 0.6402 0.6581 0.2071 -0.1848 -0.0251 -0.2394\n規範意識 0.6813 0.5863 1.0000 0.7696 0.7271 0.7587 0.6804 0.4856 -0.1232 -0.1305 -0.5193\n自尊感情 0.6862 0.6792 0.7696 1.0000 0.7567 0.7242 0.6815 0.2869 0.0824 -0.0520 -0.3541\n言語活動・読解力 0.9241 0.7894 0.7271 0.7567 1.0000 0.7672 0.7664 0.3587 -0.1732 -0.1927 -0.4394\n生活習慣 0.7345 0.6402 0.7587 0.7242 0.7672 1.0000 0.6978 0.5752 -0.0591 -0.0844 -0.5135\n学習習慣 0.7276 0.6581 0.6804 0.6815 0.7664 0.6978 1.0000 0.4758 -0.0196 -0.0430 -0.4891\n大家族世帯割合 0.3687 0.2071 0.4856 0.2869 0.3587 0.5752 0.4758 1.0000 0.0421 -0.1163 -0.6551\n教育費割合 -0.1389 -0.1848 -0.1232 0.0824 -0.1732 -0.0591 -0.0196 0.0421 1.0000 -0.1119 0.2417\n離婚件数割合 -0.0910 -0.0251 -0.1305 -0.0520 -0.1927 -0.0844 -0.0430 -0.1163 -0.1119 1.0000 0.1734\n民生費割合 -0.3688 -0.2394 -0.5193 -0.3541 -0.4394 -0.5135 -0.4891 -0.6551 0.2417 0.1734 1.0000\n表7 相関行列ヒートマップ\n項目 国語への関心等 数学への関心等 規範意識 自尊感情 言語活動・読解力 生活習慣 学習習慣 大家族世帯割合 教育費割合 離婚件数割合 民生費割合\n国語への関心等 1.0000 0.8439 0.6813 0.6862 0.9241 0.7345 0.7276 0.3687 -0.1389 -0.0910 -0.3688\n数学への関心等 0.8439 1.0000 0.5863 0.6792 0.7894 0.6402 0.6581 0.2071 -0.1848 -0.0251 -0.2394\n規範意識 0.6813 0.5863 1.0000 0.7696 0.7271 0.7587 0.6804 0.4856 -0.1232 -0.1305 -0.5193\n自尊感情 0.6862 0.6792 0.7696 1.0000 0.7567 0.7242 0.6815 0.2869 0.0824 -0.0520 -0.3541\n言語活動・読解力 0.9241 0.7894 0.7271 0.7567 1.0000 0.7672 0.7664 0.3587 -0.1732 -0.1927 -0.4394\n生活習慣 0.7345 0.6402 0.7587 0.7242 0.7672 1.0000 0.6978 0.5752 -0.0591 -0.0844 -0.5135\n学習習慣 0.7276 0.6581 0.6804 0.6815 0.7664 0.6978 1.0000 0.4758 -0.0196 -0.0430 -0.4891\n大家族世帯割合 0.3687 0.2071 0.4856 0.2869 0.3587 0.5752 0.4758 1.0000 0.0421 -0.1163 -0.6551\n教育費割合 -0.1389 -0.1848 -0.1232 0.0824 -0.1732 -0.0591 -0.0196 0.0421 1.0000 -0.1119 0.2417\n離婚件数割合 -0.0910 -0.0251 -0.1305 -0.0520 -0.1927 -0.0844 -0.0430 -0.1163 -0.1119 1.0000 0.1734\n民生費割合 -0.3688 -0.2394 -0.5193 -0.3541 -0.4394 -0.5135 -0.4891 -0.6551 0.2417 0.1734 1.0000\n表8 ヒートマップ凡例（青色：正の相関 赤色：負の相関）\n1.00 0.75～1.00 0.50～0.75 0.25～0.50 0.00～0.25 -1.00～-0.75 -0.75～-0.50 -0.50～-0.25 -0.25～0.00"
  }
}