人口増加と「住みやすい街」の関係

2019年の人口動態統計で、日本人の国内出生数が初めて90万人を割り込んだ。少子化社会対策白書はこれを「86万ショック」と表現し、大きな社会的関心を集めた。出生数の減少と少子高齢化はこのまま加速すると見込まれており、人口減少に歯止めがかからないことは日本の将来を考えるうえで深刻な問題である。

著者は「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」と捉え、その土台となる「住みやすさ」に注目した。感覚的に語られがちな「住みやすい街」を、公的統計の指標に分解して人口増加との関係を定量的に確かめる——これが本論文の出発点である。

人口増加は自然増減（出生数−死亡数）と社会増減（転入数−転出数）の2つに分けて考える。「住みやすさ」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・人口構成などの【住環境】、完全失業率などの【労働】の4観点・計16指標に整理し、全市区町村を人口規模でⅠ〜Ⅳの4つに分類したうえで、区分ごとに相関関係を分析する。

総務大臣賞 相関分析 無相関の検定 外れ値処理 ヒートマップ

使用データ

独立行政法人統計センターが提供するSSDSE（教育用標準データセット）のうち、市区町村レベルの統計を収録した SSDSE-A を使用する。原論文は SSDSE-2020A（全国1,735市区町村）を用いた。本ページの追試には現行版の SSDSE-A-2025 を用いる。

「住みやすさ」に関するデータ項目は、東洋経済オンライン「住みよさランキング2020」の指標を参考に追加・削除して選定された（原論文 表1）。

人口増減率の定義

人口規模の違う市区町村を比較するため、増減の実数ではなく「率（％）」に基準化する。分母には出生・死亡・転入・転出から逆算した前年人口を使う。

「住みやすさ」16指標（原論文 表6）

次の16指標を SSDSE-A の収録項目から計算する。いずれも人口あたり・割合に基準化されている。

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、総務省「地方公共団体の区分」に基づいて全市区町村を人口規模でⅠ〜Ⅳの4つに分類する（原論文 表2）。

自然増減率×社会増減率の正負マトリクス（原論文 表3）

区分ごとに、自然増減率と社会増減率の正負の組み合わせを数え上げると次のようになる。数値はすべて原論文の報告値（カッコ内は区分内シェア）。

区分別の平均と分散（原論文 表4）

平均は自然・社会ともⅠが最も高く、人口規模が小さくなるにつれて低下する。分散はⅠが最も小さく、人口規模が小さくなるほどばらつきが大きくなる——この観察が、次節の「外れ値の特定」につながる。

図1 人口区分別 自然増減率・社会増減率の箱ひげ図（SSDSE-A-2025による追試）。区分Ⅳほど箱が下がり、ひげの外の外れ値が多い。※原論文の図1は「16指標それぞれの箱ひげ図」であり、そちらは原論文を参照。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

import numpy as np
import pandas as pd
from scipy import stats

# SSDSE-A（市区町村データ）を読み込む（2・3行目=年度・変数名はスキップ）
df = pd.read_csv('data/raw/SSDSE-A-2025.csv', encoding='cp932', skiprows=[1, 2])
df = df[df['A1101'] > 0].copy()   # 国勢調査人口0の福島県双葉町を除外

# 前年人口 = 総人口 − 出生数 + 死亡数 − 転入数 + 転出数（原論文2.2と同じ）
df['前年人口']  = df['A1101'] - df['A4101'] + df['A4200'] - df['A5101'] + df['A5102']
df['自然増減率'] = (df['A4101'] - df['A4200']) / df['前年人口'] * 100
df['社会増減率'] = (df['A5101'] - df['A5102']) / df['前年人口'] * 100

# 総務省「地方公共団体の区分」に基づく人口規模区分（原論文 表2）
df['区分'] = pd.cut(df['A1101'], [0, 50_000, 200_000, 500_000, np.inf],
                   labels=['Ⅳ', 'Ⅲ', 'Ⅱ', 'Ⅰ'], right=False)
for k in ['Ⅰ', 'Ⅱ', 'Ⅲ', 'Ⅳ']:
    print(f"区分{k}: n={(df['区分'] == k).sum()}")

区分Ⅰ: n=35
区分Ⅱ: n=95
区分Ⅲ: n=395
区分Ⅳ: n=1215

19
20
21
22
23
24
25

# 正負のマトリクス（原論文 表3）と平均・分散（原論文 表4）の追試
for k in ['Ⅰ', 'Ⅱ', 'Ⅲ', 'Ⅳ']:
    sub = df[df['区分'] == k]
    mm = ((sub['自然増減率'] < 0) & (sub['社会増減率'] < 0)).mean()
    print(f"区分{k}: 自然・社会とも減少 {mm:.0%} | "
          f"自然増減率 平均{sub['自然増減率'].mean():+.2f} 分散{sub['自然増減率'].var():.2f} | "
          f"社会増減率 平均{sub['社会増減率'].mean():+.2f} 分散{sub['社会増減率'].var():.2f}")

区分Ⅰ: 自然・社会とも減少 37% | 自然増減率 平均-0.45 分散0.03 | 社会増減率 平均+0.19 分散0.09
区分Ⅱ: 自然・社会とも減少 51% | 自然増減率 平均-0.51 分散0.07 | 社会増減率 平均+0.06 分散0.17
区分Ⅲ: 自然・社会とも減少 63% | 自然増減率 平均-0.68 分散0.15 | 社会増減率 平均-0.11 分散0.14
区分Ⅳ: 自然・社会とも減少 78% | 自然増減率 平均-1.32 分散0.54 | 社会増減率 平均-0.48 分散0.57

原論文の分析は次の流れで進む。

外れ値の特定と除外（四分位範囲ルール）

区分Ⅳを中心にばらつきの大きい指標が多いため、原論文はまず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を「上内・下内境界点の外にある数値がなくなるまで」繰り返して外れ値を除外した。

項目・区分ごとの外れ値の件数は原論文 表7 に整理されている。以下はその一部（原論文の報告値）で、とくに区分Ⅳで件数が多い。

相関係数の評価基準（原論文 表5）

原論文はエクセル統計を使用して相関係数の算出と無相関の検定を行った。本ページの追試では Python（scipy.stats.pearsonr）で同じ計算を行う。

自然増減率・社会増減率（それぞれ区分Ⅰ〜Ⅳ）と16指標の相関係数を、正の相関を赤系、負の相関を青系に配色したヒートマップで示す（原論文 表8）。

図2 自然増減・社会増減率（Ⅰ〜Ⅳ別）と16指標の相関係数ヒートマップ。本図は原論文（SSDSE-2020A）表8の報告値をそのまま可視化したものであり、再計算ではない。＊＊:p<0.01、＊:p<0.05（無相関の検定・原論文 表9）。

相関係数の一覧（原論文 表8 の報告値）

図2と同じ数値を表形式で示す。太字は |r|≧0.4（原論文の基準で「相関」以上）、＊＊は p<0.01、＊は p<0.05。

観点別の主要な読み取り（原論文の報告）

SSDSE-A-2025 での追試

同じ手順（四分位範囲ルールの反復除外→ピアソン相関→無相関の検定）を SSDSE-A-2025 で再計算した結果が図3である。

図3 同じ手順を SSDSE-A-2025 で再計算したヒートマップ（本ページによる追試。原論文とはデータ年次・収録市区町村が異なるため数値は一致しない）。

27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49

# 「住みやすさ」指標の例（原論文 表6 の定義どおりに作成）
df['高齢化率']   = df['A1303'] / df['A1101'] * 100    # 65歳以上人口÷総人口
df['完全失業率'] = df['F1107'] / df['A1302'] * 100    # 完全失業者数÷15〜64歳人口
df['人口密度']   = df['A1101'] / df['B1103']          # 総人口÷可住地面積

def iqr_keep(s):
    """テューキーの四分位範囲ルール。外れ値がなくなるまで反復し、残す行を返す"""
    keep = s.notna()
    while True:
        q1, q3 = s[keep].quantile([0.25, 0.75])
        out = keep & ((s < q1 - 1.5*(q3-q1)) | (s > q3 + 1.5*(q3-q1)))
        if out.sum() == 0:
            return keep
        keep &= ~out

for item in ['高齢化率', '完全失業率', '人口密度']:
    line = []
    for k in ['Ⅰ', 'Ⅱ', 'Ⅲ', 'Ⅳ']:
        sub = df[df['区分'] == k]
        keep = iqr_keep(sub['社会増減率']) & iqr_keep(sub[item])
        r, p = stats.pearsonr(sub.loc[keep, item], sub.loc[keep, '社会増減率'])
        line.append(f"{k}: {r:+.2f}{'**' if p < 0.01 else '*' if p < 0.05 else ''}")
    print(f"{item} × 社会増減率  " + "  ".join(line))

高齢化率 × 社会増減率  Ⅰ: -0.63**  Ⅱ: -0.60**  Ⅲ: -0.39**  Ⅳ: -0.33**
完全失業率 × 社会増減率  Ⅰ: -0.43*  Ⅱ: -0.41**  Ⅲ: -0.18**  Ⅳ: +0.02
人口密度 × 社会増減率  Ⅰ: +0.60**  Ⅱ: +0.60**  Ⅲ: +0.28**  Ⅳ: +0.31**

51
52
53
54
55
56
57
58
59
60
61

# 原論文の注目指標「女性の就業化率」= 就業者数（女）÷ 15歳以上の女性人口
df['女性の就業化率'] = df['F110202'] / (df['A110102'] - df['A130102']) * 100

for rate in ['自然増減率', '社会増減率']:
    line = []
    for k in ['Ⅰ', 'Ⅱ', 'Ⅲ', 'Ⅳ']:
        sub = df[df['区分'] == k]
        keep = iqr_keep(sub[rate]) & iqr_keep(sub['女性の就業化率'])
        r, p = stats.pearsonr(sub.loc[keep, '女性の就業化率'], sub.loc[keep, rate])
        line.append(f"{k}: {r:+.2f}{'**' if p < 0.01 else '*' if p < 0.05 else ''}")
    print(f"女性の就業化率 × {rate}  " + "  ".join(line))

女性の就業化率 × 自然増減率  Ⅰ: +0.23  Ⅱ: -0.06  Ⅲ: +0.01  Ⅳ: +0.35**
女性の就業化率 × 社会増減率  Ⅰ: -0.18  Ⅱ: -0.27*  Ⅲ: -0.14**  Ⅳ: +0.04

原論文は分析結果から、「人々が住みやすいと感じる街」の大きな要素として次の3つを挙げる。

図4 高齢化率×自然増減率・社会増減率の散布図（SSDSE-A-2025による本ページの追試・外れ値除外前の全市区町村）。自然増減率とはほぼ直線的な強い負の関係（r=−0.79）がある一方、社会増減率との関係は弱く（r=−0.35）、ばらつきが大きい。

自然増減・社会増減がともにプラスの自治体の取り組み（原論文 5.2）

原論文は統計分析に加えて、増加率がともにプラスの自治体の取り組みを区分別に紹介している（いずれも原論文の記述の要約）。

どの自治体にも共通するのは、住民が住みやすいと思える特色ある取り組みを推進していること。全市区町村が同じ施策を行うのは難しいからこそ、地域の実情や特色を活かした「住みやすい」街づくりが大切だ——これが原論文の結論につながる。

主要な発見（いずれも原論文の報告・解釈）

• 人口増加を自然増減率と社会増減率に分解し、4観点16指標×人口規模Ⅰ〜Ⅳの計128個の相関係数をヒートマップで整理した。
• 高齢化率は強い負、人口密度は正〜強い正、完全失業率は負（ただしⅠ→Ⅳで減衰）、民生費・教育費の割合は正の相関——「住みやすい街」の3要素は公的支援の充実・若い人口構成と高密度・労働機会。
• 病院数・学校数・小売店数など施設の「数」はむしろ負の相関で、数を増やすことと人口増加は連動しない。
• 人口規模別に見ると「女性の就業化率」の符号が反転する（都市部で負、町村部で正の向き）など、地域の実情に合わせた施策の必要性がデータから裏付けられた。

本研究の限界と課題（原論文 6章）

🐍 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/2020_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。