本当に日本の医療は危機的状況にあるのか？
医師数・病院数・高齢化・人口減少・地方財政から医療の地域偏在を読む

「社会の超高齢化、医療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は危機的状況に陥りつつある」——原論文はこう言われている現状を紹介したうえで、政令指定都市（広島市）に住む著者自身は医療危機を実感したことがないという素朴な違和感から出発する。そこで「本当に日本の医療は危機的状況にあるのか？」を、全国の市区町村データから医療・経済のデータを抜き出して検証した。

著者の視点は「集計単位を変えると見え方が変わるのでは」という点にある。厚労省「医師の需給に関する基礎資料」では、日本の人口1万人あたり医師数は24人でOECD平均29人を下回るが、イギリス28・アメリカ26・韓国23と比べれば極端な医師不足ではない。むしろ問題は高齢化・人口減少・地方財政と絡んだ地域偏在にあるはず——この仮説を、都道府県単位と広島県内の市区町村単位の両方で検証していく。

高校生の部・総務大臣賞 SSDSE（社会・人口統計体系） 相関分析 散布図・回帰直線 医療の地域偏在

使用データと再現可能性の整理

原論文は SSDSE「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（約100項目）から、都道府県別・市区町村別に人口・医師数・病院数・地方経済関連の変数を抜き出して解析している。医師数の水準比較にはOECD・厚労省資料、地方財政には実質公債費比率・財政力指数（コトバンク／retu27.com）も参照している。

主なデータと出典（原論文 2〜3章）

分析の流れ：指標づくり → ランキング → 相関

① 絶対数を「割り算」で密度・比率に直す

医師数・病院数・高齢者数などの絶対数は人口の多い地域ほど大きくなる。そこで人口で割った密度（人口1万人あたり医師数・人口10万人あたり病院数）や比率（高齢者率＝65歳以上人口/総人口、人口増減率）に直してから地域を比べる。これが分析全体の前処理にあたる。

② ランキング（棒グラフ）で地域差の全体像をつかむ

47都道府県を指標順に並べた棒グラフで、どこが高くどこが低いかを一望する。原論文は同じことを医師数で行い（図1・図2）、都道府県より広島県内の市区町村の方が格差が大きいと指摘した。本ページでは医師数がSSDSEに無いため、代わりに高齢者率と病院数で実データのランキングを作る。

③ 散布図と相関係数で2指標の関係を測る

2つの指標の関係は散布図に描き、相関係数（原論文はExcelのCORREL関数、本ページはピアソン相関）で強さと向きを数値化する。原論文は相関係数を表1の基準（0<|r|≦0.2 ほとんど相関なし … 0.7<|r|≦1.0 高い相関）に当てはめて判断している。

原論文3-2は「高齢化が進む地域ほど医師不足になりがちか」を問う。その出発点である高齢者率（65歳以上人口/総人口）を、SSDSE-Bの実データで都道府県別に並べ直す。原論文は2018年当時、都道府県で最も低いのが沖縄(0.19)・最も高いのが秋田(0.34)と報告している。

87
88
89
90
91
92
93
94
95

s = df.sort_values('高齢者率', ascending=False).reset_index(drop=True)
avg = df['高齢者率'].mean()
print(f"全国平均 高齢者率 = {avg:.3f}（{avg*100:.1f}%）")
print("最も高い5県:")
for _, r in s.head(5).iterrows():
    print(f"  {r['Prefecture']:<5} {r['高齢者率']:.3f}")
print("最も低い5都県:")
for _, r in s.tail(5).iloc[::-1].iterrows():
    print(f"  {r['Prefecture']:<5} {r['高齢者率']:.3f}")

=== [1] 高齢者率ランキング（実再現・図1）===
全国平均 高齢者率 = 0.316（31.6%）
最も高い5県:
  秋田県   0.391
  高知県   0.363
  徳島県   0.354
  山口県   0.354
  青森県   0.352
最も低い5都県:
  東京都   0.228
  沖縄県   0.238
  愛知県   0.257
  神奈川県  0.259
  滋賀県   0.270

図1：都道府県別 高齢者率ランキング。実再現（SSDSE-B・2023年・A1303/A1101）。破線は全国平均。色は地方区分。原論文は2018年・市区町村データを用いており、本図は2023年・都道府県データのため水準・順位に年次差がある（原論文の都道府県値：沖縄0.19〜秋田0.34、本図：東京0.228〜秋田0.391）。

原論文3-4は「地方経済状況と病院数に関連があるか」を、市区町村の人口10万人あたり病院数で調べた。病院数はSSDSE-Bにも一般病院数として実在するので、ここでは都道府県単位で実再現し、病院密度の地域差を確かめる。

118
119
120
121
122
123
124
125
126
127

h = df.sort_values('病院数_10万対', ascending=False).reset_index(drop=True)
havg = df['病院数_10万対'].mean()
print(f"全国平均 病院数(人口10万対) = {havg:.2f} 施設")
print("最も多い5県:")
for _, r in h.head(5).iterrows():
    print(f"  {r['Prefecture']:<5} {r['病院数_10万対']:.2f}")
print("最も少ない5都県:")
for _, r in h.tail(5).iloc[::-1].iterrows():
    print(f"  {r['Prefecture']:<5} {r['病院数_10万対']:.2f}")
print(f"最多/最少 比 = {h['病院数_10万対'].iloc[0] / h['病院数_10万対'].iloc[-1]:.1f} 倍")

=== [2] 人口10万人あたり一般病院数ランキング（実再現・図2）===
全国平均 病院数(人口10万対) = 6.90 施設
最も多い5県:
  高知県   16.07
  徳島県   12.95
  鹿児島県  12.33
  大分県   11.50
  宮崎県   10.75
最も少ない5都県:
  神奈川県  3.13
  滋賀県   3.62
  愛知県   3.72
  静岡県   3.91
  埼玉県   4.04
最多/最少 比 = 5.1 倍

図2：都道府県別 人口10万人あたり一般病院数。実再現（SSDSE-B・2023年・I510120/A1101×10万）。破線は全国平均。原論文は市区町村単位で病院数と実質公債費比率の関係を調べたが、本図は都道府県単位の病院密度そのものを示す（実質公債費比率はSSDSEに無く実再現しない）。

原論文の核心のひとつは、図7の「広島県の市町村では、人口増減率と高齢者率に r=−0.928 の高い負の相関がある」という発見だ。市区町村データは無いが、高齢者率も人口増減率もSSDSE-Bで計算できるので、都道府県単位で同じ関係を実データで確かめる。

150
151
152
153
154
155
156
157
158
159
160

x = df['人口増減率'].values           # (出生+転入−死亡−転出)/総人口×100
y = df['高齢者率'].values
r, p = stats.pearsonr(x, y)
slope, intercept, _, _, _ = stats.linregress(x, y)
print(f"ピアソン相関 r = {r:+.4f}    p = {p:.2e}")
print(f"回帰式  高齢者率 = {slope:.4f}×人口増減率 + {intercept:.4f}")
print(f"（原論文 図7 の報告値：広島県市町村での r = -0.928）")
mx = df.loc[df['人口増減率'].idxmax()]
mn = df.loc[df['人口増減率'].idxmin()]
print(f"人口増減率 最大 = {mx['Prefecture']} {mx['人口増減率']:+.3f}%  高齢者率 {mx['高齢者率']:.3f}")
print(f"人口増減率 最小 = {mn['Prefecture']} {mn['人口増減率']:+.3f}%  高齢者率 {mn['高齢者率']:.3f}")

=== [3] 高齢者率×人口増減率の相関（実再現・図3）===
ピアソン相関 r = -0.9486    p = 4.04e-24
回帰式  高齢者率 = -0.0739×人口増減率 + 0.2416
（原論文 図7 の報告値：広島県市町村での r = -0.928）
人口増減率 最大 = 東京都 +0.054%  高齢者率 0.228
人口増減率 最小 = 秋田県 -1.869%  高齢者率 0.391

図3：高齢者率 × 人口増減率（47都道府県）。実再現（SSDSE-B・2023年）。ピアソン相関 r=−0.949。原論文図7（広島県市町村・r=−0.928）と符号・強さがほぼ一致。本図は都道府県単位・2023年で、原論文の市区町村単位・2018年とは集計単位・年次が異なる。回帰直線は可視化補助。

原論文4章は、医師数や病院数についてExcel の CORREL 関数で相関係数を求め、表1の基準で強弱を判断している。これらは医師数・実質公債費比率・市区町村データを使うため現行SSDSE-Bでは実再現できない。そこで原論文が報告した相関係数を符号どおり転記して一覧する（再計算ではない）。

=== [4] 原論文の報告値（医師数・実質公債費比率関連）===
原論文が報告した相関係数（すべて報告値・再計算ではない）：
  r = +0.196   高齢者率×医師数 [全国都道府県]
  r = -0.323   高齢者率×医師数 [広島県 市町村]
  r = +0.005   人口増減率×医師数 [全国都道府県]
  r = +0.322   人口増減率×医師数 [広島県 市町村]
  r = -0.928   人口増減率×高齢者率 [広島県 市町村・図7]
  r = +0.296   実質公債費比率×病院数 [鳥取県 市町村]
  r = -0.464   実質公債費比率×病院数 [島根県 市町村]
  r = +0.400   実質公債費比率×病院数 [岡山県 市町村]
  r = +0.304   実質公債費比率×病院数 [広島県 市町村]
  r = +0.291   実質公債費比率×病院数 [山口県 市町村]
  r = +0.279   実質公債費比率×病院数 [福井県 市町村]

図4：原論文が報告した相関係数のまとめ。報告値の可視化（再計算ではない）（原論文4章・CORREL関数の報告値）。青＝正・赤＝負。医師数・実質公債費比率・市区町村データはSSDSE-Bに無いため実再現できない。人口増減率×高齢者率(図7)の報告値 −0.928 は、本ページ図3の実再現 −0.949 とほぼ一致する。

結果の解釈と考察

原論文5章の考察を、報告値と本ページの実再現をあわせて読み解く。

① 医師偏在は「東西差」と「集計単位」で見え方が変わる（原論文5章）

原論文は、医師の偏在が社会問題化しているが、西日本より東日本で都道府県間格差が大きく東京に集中して見える一方、西日本では都道府県単位の比較では格差が小さいと述べる。しかし広島県内の市区町村単位に降りると格差は大きく（人口3万人以下の熊野町・神石高原町などは人口1万人あたり医師数が10人以下）、医療過疎は都道府県平均では捉えられないと指摘する。図4の報告値（全国 r=0.196 → 広島県市町村 r=−0.323）はこの主張を数字で裏づけている。

② 高齢化・人口減少と医師不足（原論文5章）

高齢化と人口減少が進む僻地では医師不足が起きやすい。本ページ図3で実再現したとおり、高齢者率と人口増減率は r=−0.949 とほぼ一体で動く（原論文の広島県市町村 r=−0.928 とほぼ一致）。原論文は、この高齢化・人口減少と医師不足の因果を解析することが改善策につながると述べ、高齢者が地域経済に貢献できる仕組み（高齢者でも働ける環境づくりなど）が医療問題の改善にもつながるのではと考察している。

③ 病院数と地方財政、そして制度の影響（原論文5章）

自治体病院には補助金・繰入金など公的資金が投入されるため、赤字でも存続しやすい。原論文は、多くの県で人口10万人あたり病院数が多い地域ほど実質公債費比率が高い＝地方財政が赤字化している（図4の5県で正の相関）ことを示し、病院事業が地方経済を圧迫する可能性を指摘した。島根県だけが逆（−0.464）だった点には、原発など地域固有の事情の可能性に触れている。さらに、医師偏在の背景として2004年度に導入された新臨床研修制度（研修先を自由に選べる仕組み）で若い医師が都市部へ流れた影響にも言及している。

まとめ

本研究は、「本当に日本の医療は危機的状況にあるのか？」という問いに、全国の市区町村データから医療・経済の指標を抜き出して答えようとした。結果、人口あたり医師数の都道府県間格差は東日本で大きく西日本では小さいが、広島県内の市区町村に降りると格差は大きい——つまり医療過疎は都道府県平均では見えず、市区町村単位で顕在化する。高齢化・人口減少が進む地域ほど医師が少なく（本ページ図3で高齢者率×人口増減率 r=−0.949 を実再現）、多くの県で病院が多いほど地方財政が赤字化していた。著者は、高齢化・人口減少と医療過疎の因果を解析することが改善策につながり、高齢者が健康に地域経済へ貢献できる仕組みが医療問題の改善にもつながるのではと結んでいる。

データ・コードのダウンロード

このページの実再現の図（図1〜図3）は、以下から再現できます。

🐍 再現コード（.py） 📊 SSDSE-B-2026.csv

※ 図1〜図3（高齢者率・人口10万人あたり病院数・人口増減率×高齢者率）はSSDSE-B（都道府県データ・2023年）から算出した実再現です。図4（医師数・実質公債費比率の相関係数）は、これらの変数が現行SSDSE-Bに列が無い／収録単位が市区町村で異なるため、原論文4章の報告値を符号・桁そのまま可視化したものです（新たな数値の捏造はしていません）。原論文は市区町村データ・2018年当時のSSDSEを用いています。

🐍 ブラウザで動かす — インストール不要でこの論文の分析を再現する

このページの分析は、この画面の中でそのまま実行できます。 Python をインストールする必要も、CSV をダウンロードする必要もありません。 下のセルの 「▶ ブラウザで実行」 を上から順に押すか、 「▶ 最初から全部実行」 で一気に流してください。 表示されるのは、本文の図表とまったく同じ計算の結果です （動かしているのは再現スクリプト code/2018_H1_daijin.py そのもの）。

コードは書き換えられます。「✏️ 書き換える」で数字や変数を変えて ▶ を押すと、 結果がどう変わるかをその場で確かめられます（元に戻すボタンつき）。 ページを開いた時点で裏で実行環境の準備が始まっているので、待ち時間はほとんどありません。 初回だけ実行環境の取得にインターネット接続が必要です。