過疎地域の現状分析と発展に重要な視点
1741市区町村を「過疎地域」と「過疎地域外」に分けて比べる

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へ若者を中心とした大きな人口移動が起こった。 残された農山漁村地域では住民の減少により、買い物・医療・教育といった地域社会の基礎的な生活条件の確保にも支障をきたす——これがいわゆる過疎問題である。 原論文は、SSDSE（教育用標準データセット）と e-Stat の市区町村デー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に掲げた。

「過疎地域は衰退している」という印象論で終わらせず、1741市区町村を法律の要件どおりに「過疎地域」と「過疎地域外」に分類し、両群の分布を並べて比べる——という愚直なアプローチがこの論文の持ち味である。 人口・財源・産業という3つの視点から違いを積み上げ、最後に「過疎地域の強みは何か」という逆転の問いに答えを出す。

SSDSE-A（市区町村データ） ヒストグラム 相関分析 IQR外れ値検出 構成比率

データと変数：SSDSE＋e-Stat（と本ページの再現範囲）

SSDSE から使った項目（原論文 表2）

原論文は SSDSE-2019A（市区町村データ・1741市区町村）から17項目を使用した。項目符号はe-Stat「社会・人口統計体系」の統計項目コードである。

e-Stat から追加で集めた項目（原論文 表3）

過疎地域の分類（次章）と一部の分析には SSDSE に無いデータが必要で、原論文は e-Stat の市区町村データから自分で集めて接合した。「足りない変数は公的統計から自分で集めて足す」のは受賞論文に共通する良い実践である。

原論文が定義した8つの指標（式1〜式8）

原論文は過疎地域自立促進特別措置法（平成12年法律第15号）の指定要件をもとに、次の条件1・条件2のいずれかに該当する市区町村を「過疎地域」、いずれにも該当しない市区町村を「過疎地域外」とした。分類対象は SSDSE-2019A に含まれる1741市区町村である。

都道府県別の過疎地域と過疎地域外の数（原論文 表4）

※ 原論文 表4 の報告値。赤字は過疎地域数が過疎地域外数を大きく上回る道県（北海道128、鹿児島27、高知23、島根13など）。神奈川県・滋賀県は過疎地域が0。

外れ値の検出（原論文 §2.2）

データの関係性を正確に捉えるために、原論文は（過疎地域の分類を除く）すべての分析の前に、過疎地域・過疎地域外それぞれのデータで別々に外れ値を検出し、外れ値を除いたデータで分析している。方法は箱ひげ図でおなじみの1.5×IQR基準である。

相関の強さの基準（原論文 表1）

※ 原論文が文献（小野寺・菱村 2006）を引いて明示した基準。「弱い」「強い」という言葉を使う前に基準を宣言しておくのは良い作法。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

import numpy as np
import pandas as pd

# SSDSE-A は 1行目=項目符号、2行目=年度、3行目=項目名、4行目以降=データ
raw = pd.read_csv('data/raw/SSDSE-A-2025.csv', encoding='cp932')
raw = raw.iloc[2:].copy()   # 年度・項目名の行を除いてデータ本体だけにする
raw = raw.rename(columns={'SSDSE-A-2025': '地域コード',
                          'Prefecture': '都道府県', 'Municipality': '市区町村'})
for c in ['D3203','D320310','E2501','E3501','E4501',
          'C2108','C210832','C210833','C2208','C220832','C220833']:
    raw[c] = pd.to_numeric(raw[c], errors='coerce')
print(f"SSDSE-A-2025 市区町村数: {len(raw)}")

SSDSE-A-2025 市区町村数: 1741

13
14
15
16
17
18
19
20

df = pd.DataFrame()
df['教育費割合'] = raw['D320310'] / raw['D3203'] * 100        # 式3（%）
students = raw['E2501'] + raw['E3501'] + raw['E4501']
df['教育費額'] = raw['D320310'] / students                    # 式4（千円/人）
df['事業所1次割合'] = (raw['C210832'] + raw['C210833']) / raw['C2108'] * 100  # 式7
df['従業者1次割合'] = (raw['C220832'] + raw['C220833']) / raw['C2208'] * 100  # 式8
# 原論文 §2.2 の規則：0で除する計算は結果を0とする
df = df.replace([np.inf, -np.inf], 0)

21
22
23
24
25
26
27
28
29
30
31

def iqr_filter(s):
    """原論文 §2.2：Q1−1.5×IQR 未満・Q3＋1.5×IQR 超を外れ値として除外"""
    s = s.dropna()
    q1, q3 = s.quantile(0.25), s.quantile(0.75)
    iqr = q3 - q1
    kept = s[(s >= q1 - 1.5*iqr) & (s <= q3 + 1.5*iqr)]
    return kept, len(s) - len(kept)

for col in ['教育費割合', '教育費額', '事業所1次割合', '従業者1次割合']:
    k, n_out = iqr_filter(df[col])
    print(f"{col}: 外れ値 {n_out} 件を除外, n={len(k)}, 平均={k.mean():.2f}")

教育費割合: 外れ値 77 件を除外, n=1664, 平均=9.40
教育費額: 外れ値 149 件を除外, n=1592, 平均=802.16
事業所1次割合: 外れ値 135 件を除外, n=1606, 平均=1.93
従業者1次割合: 外れ値 134 件を除外, n=1607, 平均=2.47

過疎地域では過疎地域外と比べて少子高齢化が進みやすいのか。原論文は1995年→2015年の20年間について、 15歳未満の人口の変化率（式1）と65歳以上の人口の変化率（式2）を市区町村ごとに計算し、2群のヒストグラムを比較した。

図1：15歳未満（上段・原論文 図1）／65歳以上（下段・原論文 図2）の人口の変化率の分布。青＝過疎地域、オレンジ＝過疎地域外。 横軸ラベルは各階級の上端（Excel分析ツール方式：「その値より一つ左の値より大きく、その値以下」）。 本図は原論文の報告値（各階級の割合）の可視化であり、再計算ではない。

15歳未満×65歳以上の変化率の相関（原論文の報告値）

過疎地域では「子どもが大きく減った市区町村ほど高齢者の増加率が高い」という弱い負の相関が見られたが、過疎地域外では相関がなかった。 少子化と高齢化の連動は、過疎地域でこそ現れる構造だと読める。

教育対策：歳出に占める教育費の割合と学生1人当たりの教育費額（原論文 図3・図4）

図2：歳出に占める教育費の割合（上段・式3・原論文 図3）と、学生1人当たりの教育費額（下段・式4・原論文 図4）。 本図は原論文の報告値の可視化であり、再計算ではない。

児童・高齢者対策：民生費に占める児童福祉費・老人福祉費の割合（原論文 図5・図6）

図3：民生費（福祉関係の歳出）に占める児童福祉費の割合（上段・式5・原論文 図5）と老人福祉費の割合（下段・式6・原論文 図6）。 本図は原論文の報告値の可視化であり、再計算ではない。横軸の範囲が左右で異なる点に注意（原論文の図の階級をそのまま再現）。

児童福祉費の割合と老人福祉費の割合の相関係数（両変数とも外れ値でない市区町村で計算・原論文の報告値）は、過疎地域（n=485）で−0.37、過疎地域外（n=1181）で−0.36。 どちらも弱い負の相関で、両群に大きな差はなかった。同じ民生費の中の構成比率どうしなので、片方が増えれば他方が減る方向の関係が出るのは自然である。

産業別構成比率の平均（原論文 表5）

事業所（式7）と従業者（式8）の視点から、第1・2・3次産業の構成比率の平均を2群で比較した。すべて原論文の報告値である。

図4：事業所に占める第1次産業事業所の割合（上段・式7・原論文 図7）と、従業者に占める第1次産業従業者の割合（下段・式8・原論文 図8）。 本図は原論文の報告値の可視化であり、再計算ではない。横軸のスケールが左右で大きく異なる（過疎0〜10%／過疎外0〜3.5%など）点に注意。

SSDSE-A-2025 実データによる再現（図5）

式3・式4・式7・式8 は現行の SSDSE-A-2025 で計算できる。原論文の IQR 外れ値検出（§2.2）を適用した上で、全1741市区町村の分布を実データで描いたのが図5である （過疎/過疎外の分類は SSDSE 未収録の歴史データが必要なため行っていない。年次も原論文の2014〜2017年に対し2021〜2023年）。

図5：SSDSE-A-2025 の実データによる再現。左上＝歳出に占める教育費の割合（式3）、右上＝学生1人当たりの教育費額（式4）、 左下＝事業所に占める第1次産業事業所の割合（式7）、右下＝従業者に占める第1次産業従業者の割合（式8）。いずれも IQR 外れ値除外後・全市区町村（分類なし）。

32
33

share3 = (df['事業所1次割合'].dropna() > 3.0).mean() * 100
print(f"第1次産業事業所の割合が3.0%より大きい市区町村: {share3:.1f}%")

第1次産業事業所の割合が3.0%より大きい市区町村: 29.8%

まとめと提言

主要な発見（いずれも原論文の報告値・解釈）

1. 人口：15歳未満の人口の減少率は過疎地域の方が約10%高い。65歳以上の増加率は、むしろ過疎地域外の方が大きい値をとる市区町村がある（変動係数 0.40 vs 0.29）。 原論文は前者を「子育てしやすい環境（商店・子育て世代の仕事）が整っていない」こと、後者を「過疎地域から都市部へ移住した人々の定住・高齢化」によるものと解釈した。
2. 財源：過疎地域は児童・教育など若者向けの財源利用が少なく、高齢者向けが多い。ただし2015年の人口構成（15歳未満：過疎9.9% vs 過疎外12.6%／65歳以上：過疎39.1% vs 過疎外28.6%）を確認すると、この差は人口構成の違いによるものといえる。 一方、学生1人当たりの教育費額が過疎地域で少ない点は「学力差を生みかねないので、国の税金投入などで是正すべきだ」と提言。
3. 産業：従業者に占める第1次産業従業者の割合の平均は過疎地域が約4.4倍。過疎地域外の最大階級より大きい値をとる過疎地域の市区町村が39.5%あり、過疎地域は日本の第1次産業の中心を担っている。 過疎地域の衰退が進めば、農作物・海産物・木材の供給不足による価格高騰や、輸入依存の拡大による食料自給率の低下が危惧される。

🐍 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/2019_H3_suri.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。