「広域連携の政策検証」
―空間計量経済学的手法による実証分析―

1999年から2010年にかけて、総務省の主導で市町村合併（いわゆる「平成の合併」）が推進され、この約10年間でおよそ1,500の市町村合併が行われた。財政的に余裕のない自治体同士が合併することで、財政の効率化と財政基盤の強化を図る政策である。その次の段階として現在進められているのが「広域連携の推進」である。総務省によれば広域連携とは「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る特別地方公共団体」であり、市町村主導による行政運営の効率化が期待されている。

広域連携の活用先の代表例が待機児童問題とごみ処理費用の削減である。原論文によれば、全国の待機児童数は2010年に26,275人を記録した後、2014年には21,371人まで減少したが、2017年には26,081人と元の水準に戻り、2018年には19,895人と前年比6,186人の大幅減少に成功した。ただし地域別に見ると増減には大きな差がある。ごみ処理では、京都・大阪・兵庫・滋賀・奈良・和歌山の計168市町村が参加する大阪湾フェニックス事業（最終処分場の広域連携、人口約2千万人規模）が、規模の経済によって処理費用の効率化を実現した事例として知られる。

「広域連携をすれば行政は効率化する」と単純に言えるだろうか。協力行動がうまくいく地域といかない地域の違いはどこにあるのか——原論文はこの問いに、「似た財政状況の市町村が地理的に集まっているか」を測るモランの I 統計量という空間統計の道具で挑んだ。感覚や個別事例ではなく、47都道府県のデータで定量的に検証するアプローチである。

理論的背景：Institutional Collective Action（ICA）理論

Olson の Collective Action 理論は、（1）集団に加わらなければ得られない便益（規模の経済など）がある場合、（2）共通の政策目標を前進させられる場合（外部性の問題など）に、人や組織が集団に協力する利益があるとする。Feiock はこれを組織間の協力行動に拡張し（ICA理論）、協力行動の成否を分ける5つの要素を挙げた。

原論文はこのうち「① 地理的近接性」と「③ 共通の政策目標」に着目する。「地理的に隣接した市町村同士が、財政的自由度の低さという共通の政策目標を抱えているとき、広域連携の効果が左右されるのではないか」——この状態を1つの数値で表すのが、都道府県内の市町村財政（経常収支比率）のモランの I 統計量である。

分析の流れ

モランの I 統計量 空間重み行列（隣接行列） OLS重回帰＋交互作用項 政策検証（ICA理論）

使用データ

原論文は以下の政府統計を使用した。分析単位は47都道府県のクロスセクションデータで、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年と、当時の教育用標準データセットで最新年度だった2016年のデータを特に参照している。

変数の定義（原論文 表3.2a）

記述統計（原論文 表3.2b の報告値）

推定モデル（最小二乗法による重回帰分析）

従属変数が量的変数であるため、原論文は最小二乗法による重回帰分析を用いた。x_i は統制変数のベクトル、δ_i はそのパラメータである。

再現可能性の整理（本ページの方針）

推定結果（原論文 表4 の報告値）

3つのモデルの推定結果は以下のとおり（係数、括弧内は標準誤差）。数値はすべて原論文 表4 の報告値である。

図2：推定結果（原論文 表4）のフォレストプロット。原論文の報告値の可視化であり、再計算ではない。エラーバーは報告された係数±1.96×標準誤差。赤＝正で有意、青＝負で有意、グレー＝非有意（有意水準は *p<0.1; **p<0.05; ***p<0.01）。

仮説1（待機児童）：効果は「集積度」次第で反転する

交互作用項があるモデルでは、広域連携推進度（centrate）の効果は 1 つの数字ではなく、zaisei_moran の値に応じて変わる「限界効果」として読む。Model 1 の報告係数から、限界効果は次の式になる。

図3：自治体財政のモランの I 統計量と広域連携推進度の限界効果（原論文 図5.1a の再表現）。原論文 表4 Model 1 の報告係数（9.139 − 147.725 × MoranI）から作図したもので、再計算ではない。信頼区間の帯は原論文の図5.1aを参照。横軸の範囲は原論文 表3.2b の zaisei_moran の最小値〜最大値（−0.078〜0.440）。

1
2
3
4
5
6
7
8
9

b_cent, g_int = 9.139, -147.725      # 原論文 表4 Model 1 の報告係数
m_mean, m_sd  = 0.045, 0.090         # 原論文 表3.2b の zaisei_moran の平均・SD

m_zero = -b_cent / g_int             # 限界効果が 0 になる Moran I
print(f"限界効果が 0 になる Moran I = {m_zero:.4f}")
for m, label in [(m_mean - m_sd, '平均−1SD'), (m_mean + m_sd, '平均+1SD')]:
    me = b_cent + g_int * m
    direction = '増加方向' if me > 0 else '減少方向'
    print(f"Moran I = {label}（{m:+.3f}）のとき 限界効果 = {me:+.2f}（待機児童 {direction}）")

限界効果が 0 になる Moran I = 0.0619
Moran I = 平均−1SD（-0.045）のとき 限界効果 = +15.79（待機児童 増加方向）
Moran I = 平均+1SD（+0.135）のとき 限界効果 = -10.80（待機児童 減少方向）

仮説2（ごみ処理費用）：集積度に関係なく広域連携が効く

実データ再現：従属変数「待機児童数変化」を SSDSE-B で作る

原論文の従属変数（仮説1）は、現在公開されている SSDSE-B の「保育所等利用待機児童数」から同じ手順で再現できる。

図1：都道府県別 待機児童数変化（2016年/2013年比）。SSDSE-B-2026 から計算した実データ再現（0人→0人は1、分母0は欠損、岡山県は定義変更のため欠損という原論文と同じ処理）。赤＝増加、グレー＝変化なし、青＝減少。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

import numpy as np
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
df = df[df['地域コード'].str.match(r'^R\d{5}', na=False)].copy()
df['年度'] = df['年度'].astype(int)

w13 = df[df['年度'] == 2013].set_index('都道府県')['保育所等利用待機児童数'].astype(float)
w16 = df[df['年度'] == 2016].set_index('都道府県')['保育所等利用待機児童数'].astype(float)

taiki = pd.DataFrame({'w2013': w13, 'w2016': w16})
def change_ratio(row):
    if row['w2013'] == 0 and row['w2016'] == 0:
        return 1.0                  # 0→0 は「変化なし」= 1（原論文の扱い）
    if row['w2013'] == 0:
        return np.nan               # 分母0 は計算不能 → 欠損
    return row['w2016'] / row['w2013']
taiki['change'] = taiki.apply(change_ratio, axis=1)
taiki.loc['岡山県', 'change'] = np.nan   # 定義変更のため欠損（原論文と同じ）

valid = taiki['change'].dropna()
print(f"有効都道府県数 N = {len(valid)}")
print(f"平均 = {valid.mean():.3f}, 標準偏差 = {valid.std(ddof=1):.3f}, "
      f"最小 = {valid.min():.3f}, 最大 = {valid.max():.3f}")

有効都道府県数 N = 44
平均 = 1.448, 標準偏差 = 1.289, 最小 = 0.000, 最大 = 6.739

モランの I 統計量：空間的自己相関を1つの数値にする

モランの I 統計量（Moran's I）は、「似た値をもつ地域が地理的に隣り合っているか」（空間的自己相関）を測る代表的な統計量で、空間自己共分散を標準化したものである。

w_ij は地域 i と j の空間的な近さを表す空間重み行列の要素（隣接なら1、そうでなければ0、が最も基本的な定義）。原論文の説明のとおり、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おり、−1に近いほど類似した自治体が分散している（市松模様のように、隣同士が異なる値を持つ）ことを意味する。0付近は空間的なパターンがないランダムな状態である。

図4：モランの I 統計量の概念デモ。8×8の合成グリッドデータによる教材用の図であり、原論文のデータではない。ルーク隣接（上下左右）・行標準化の空間重み行列で計算。左：集積パターン（I=+0.788）、中央：ランダム（I=−0.027）、右：市松模様の分散パターン（I=−1.000）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

import numpy as np

def rook_weight_matrix(nrow, ncol):
    """格子のルーク隣接（上下左右）に基づく空間重み行列（行標準化）"""
    n = nrow * ncol
    W = np.zeros((n, n))
    for r in range(nrow):
        for c in range(ncol):
            i = r * ncol + c
            for dr, dc in [(-1, 0), (1, 0), (0, -1), (0, 1)]:
                rr, cc = r + dr, c + dc
                if 0 <= rr < nrow and 0 <= cc < ncol:
                    W[i, rr * ncol + cc] = 1.0
    return W / W.sum(axis=1, keepdims=True)   # 行標準化

def morans_I(x, W):
    """モランの I 統計量（定義式どおり）"""
    x = np.asarray(x, dtype=float).ravel()
    z = x - x.mean()
    return (len(x) / W.sum()) * (z @ W @ z) / (z @ z)

rng = np.random.default_rng(2019)
N = 8
W = rook_weight_matrix(N, N)
clustered  = np.where(np.tile(np.arange(N), (N, 1)) < N // 2, 1.0, 0.0) \
             + rng.normal(0, 0.15, (N, N))       # 集積
random_pat = rng.normal(0, 1, (N, N))            # ランダム
checker    = np.indices((N, N)).sum(axis=0) % 2 * 2.0 - 1.0   # 市松模様

for name, pat in [('集積', clustered), ('ランダム', random_pat), ('分散(市松)', checker)]:
    print(f"{name}: Moran I = {morans_I(pat, W):+.3f}")

集積: Moran I = +0.788
ランダム: Moran I = -0.027
分散(市松): Moran I = -1.000

空間重み行列（隣接行列）：「どこが隣か」の定義がすべての土台

空間統計では、まず「地域 i と j は近いか」を数値で定義しなければならない。その定義を並べた n×n の行列が空間重み行列 W である。代表的な作り方は次のとおり。

W の各行を合計1に揃える行標準化を行うと、「W x」が「隣接地域の平均値（空間ラグ）」として解釈できるようになり、モランの I もおおむね −1〜+1 の範囲に収まる。

交互作用項と限界効果：「効果が条件次第で変わる」を数式にする

原論文の中心的な仮説は「広域連携の効果は、財政の似た市町村が集積しているかどうかで変わる」だった。これを回帰式で表すのが交互作用項 centrate × zaisei_moran である。Y = α + β・centrate + γ・(centrate × moran) + … のとき、centrate の効果（限界効果）は

となり、moran の値ごとに変わる。β（9.139）は「moran = 0 のときの効果」にすぎず、γ（−147.725）が負で有意ということは「集積度が高いほど広域連携の効果が待機児童減少側に傾く」ことを意味する。図3はまさにこの式を moran の観測範囲で描いたものである。

空間ラグモデル・空間誤差モデル：空間計量経済学の標準ツール

空間計量経済学で最も標準的な回帰モデルは次の2つで、いずれも空間重み行列 W を回帰モデル自体に組み込む。

ρ や λ が有意なら空間依存を無視したOLSは不適切で、SLM では係数が内生性のためバイアスを持ち、SEM では標準誤差が過小になり得る。どちらを使うかはモランの I による残差診断や LM 検定（ラグランジュ乗数検定）で選ぶのが定石である。

モランの I の有意性検定

モランの I は計算しただけでは「偶然その値になった」可能性を排除できない。ランダム配置のもとでの I の期待値は 0 ではなく E[I] = −1/(n−1) であり、有意性は正規近似または置換検定（値の配置をシャッフルして I の分布を作る）で評価する。原論文では各都道府県の zaisei_moran を「変数」として使っているため個々の I の検定は主眼ではないが、空間分析の作法としては重要である。

ローカル・モランの I（LISA）

Global Moran は地域全体の集積度を1つの数値に要約するため、「県内のどこで集積が起きているか」は見えない。地域 i ごとに寄与を分解した LISA（Local Indicators of Spatial Association）を使うと、High-High（高い値の集積地）・Low-Low・High-Low などのクラスタを地図化できる。待機児童問題なら「都市部の High-High クラスタ」の検出などに応用できる。

回帰モデルの空間的拡張

• SLM / SEM の推定：都道府県間にも空間依存があるなら、y = ρWy + Xβ + ε 型のモデルを最尤法や一般化モーメント法で推定する（Python: spreg、R: spatialreg）。
• 地理的加重回帰（GWR）：係数そのものが場所によって変わることを許すモデル。「広域連携の効果の地域差」を直接推定できる。
• 市町村パネル化：原論文の課題（都道府県単位で N=43〜46 と小さい）への正攻法。市町村×年度のパネルにし、固定効果や差の差（DiD）で中心市宣言の効果を識別する。

原論文が挙げる今後の課題

主要な発見（原論文の報告）

• 待機児童（仮説1）：財政状況が類似する市町村同士が地理的に集積している（モランの I が高い）県では、広域連携が待機児童数の減少に効果を持つ。集積がない県では逆効果になり得る（交互作用 −147.725、1%水準で有意）。Feiock の ICA 理論の「地理的近接性」「共通の政策目標」で説明できる。
• ごみ処理費用（仮説2）：地理的な集積度に関わらず、広域連携の推進がごみ処理費用の削減に効果を持つ（centrate −0.791、10%水準で有意）。規模の経済の問題として Olson の Collective Action 理論で説明できる。
• 含意：組織間の協力行動は常に行政の効率化をもたらすわけではない。ごみ処理費用の削減はどの自治体にとっても「共通の政策目標」になりやすい一方、待機児童の削減は自治体によって政策目標として認識されにくいことがあり、その差が効果の差を生んだ可能性がある。

論文審査会コメント（コンペ公式）

統計学習のポイント

• 空間統計量を「変数」として使う発想：モランの I を計算して終わりではなく、回帰分析の交互作用項に組み込むことで「集積が政策効果を変えるか」という問いに答えた。
• 交互作用項は限界効果で読む：主効果の係数だけを見ると結論を誤る。限界効果の式と図（図3）で「どの条件で効果が反転するか」を示すのが正しい読み方。
• 変化率変数の設計：0→0を1と定義する、定義変更のあった岡山県を欠損にするなど、データの下ごしらえのルールを明文化している点は見習いたい。
• 表と本文の整合を確かめる：Model 3 の係数の符号と本文の解釈のように、報告値と文章がずれて見える箇所は自分の手で検算する習慣を。

1. 原康熙・福田和生・柳田はづき「「広域連携の政策検証」―空間計量経済学的手法による実証分析―」2019年度 統計データ分析コンペティション 特別賞（大学生・一般の部）受賞論文。（本ページの底本。報告値はすべて同論文の表3.2b・表4による）
2. 総務省「『平成の合併』について」の公表 (2010)。
3. 総務省「広域連携の仕組みと運用について」(2019)。
4. 首相官邸「待機児童対策〜これからも、安心して子育てできる環境作りに取り組みます！〜」(2019)。
5. 大阪湾広域臨海環境整備センター「フェニックス事業の概要及び廃棄物の受け入れ体制について」(2016)。
6. Feiock, R.C.: “A Quasi-Market Framework for Local Economic Development Competition,” Journal of Urban Affairs 24, pp.123–142 (2002).
7. Olson, M.: The Logic of Collective Action, Harvard University Press (2009, 原著1965).
8. 第30次地方制度調査会「大都市制度の改革及び基礎自治体の行政サービス提供体制に関する答申」(2013)。
9. 國崎稔・中村和之「地方公共サービスの生産効率性」富大経済論集 40(2), pp.305–325 (1994).
10. Solow, R.M.: “A Contribution to the Theory of Economic Growth,” Quarterly Journal of Economics 70(1), pp.65–94 (1956).
11. 林亮輔「自治体経営の効率性と決定要因－多段階モデルアプローチを用いた都市自治体の検証－」九州地区国立大学教育系・文系研究論文集 4(1-2) (2017).
12. 独立行政法人統計センター「教育用標準データセット（SSDSE）」 https://www.nstac.go.jp/use/literacy/ssdse/ （本ページの再現分析で使用）

🐍 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_U5_3_shorei.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。