第二期「まち・ひと・しごと総合戦略」における
日本の目指すべき将来に向けた社会構造分析及び提案
Lasso回帰で「転出」と「出生」の要因を選び、主成分分析＋クラスタリングで地方経済の連携を描く

今後わが国は、人口急減・超高齢化という大きな社会的課題に直面するとされる。原論文は冒頭で、 2020年3月の日本の人口が 1億2596万人であること、国立社会保障・人口問題研究所の推計で 2065年には8808万人まで減少し、65歳以上の老年人口比率が 38.4%（ほぼ4割が高齢者）、 生産年齢人口比率が 51.4%（2015年の60.7%を大きく下回る）になることを引用している。

こうした人口減少は、出生率の低下に加えて、地方から都市へ若者が流出し都市部の低出生率の影響を受けることで加速する。 そこで政府は「まち・ひと・しごと創生本部」を設け、2019年に 第二期「まち・ひと・しごと総合戦略」を閣議決定した。 本研究は、この戦略の基本目標を参考に、人口減少・超高齢化への対策を統計的に分析するものである。

原論文は、対策を大きく2つに分け、さらに3つの「課題」として設定する。

課題1・2 では問題を構造化して取り組むべき対策を考え、課題3 では地理的条件と「稼ぐ頭」とする業種を考慮した連携体制を提案する。 2040年には 消滅可能性都市（2010→2040年に20〜39歳の若年女性人口が5割以下に減少する市区町村）が全体の約半数の 896自治体になるとされることから、原論文は連携性の分析を 自治体レベルでなく都道府県レベルで行う方針をとる。

SSDSE-2020A Lasso回帰 主成分分析 k-means++ シルエット分析

課題1・課題2 では、教育用標準データセットの 市町村別データ SSDSE-2020A（1741市区町村・128変数）から 必要な部分だけを使う。課題3 では平成28年経済センサス‐活動調査の「稼ぐ力」「雇用力」と、国土地理院の緯度・経度データを使う。

Lasso回帰の結果、課題1 では 14変数、課題2 では 20変数が選択された。表1に交差検証による決定係数と正則化パラメータを示す。

表1：交差検証による回帰の決定係数と正則化パラメータの値（原論文の報告値）。

まず表1の決定係数を図にしておく。以降のコードは CSVを読み込まず、原論文の報告値を配列にして描くだけである。目的は「手元の環境でも図を再生成できるようにしつつ、値は原論文に忠実に保つ」こと。

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

import os
import numpy as np
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
from matplotlib.patches import Patch

plt.rcParams['font.family'] = 'Hiragino Sans'
FIG_DIR = 'html/figures'
os.makedirs(FIG_DIR, exist_ok=True)

# --- 原論文の報告値（PDFの表から転記。ここでは再計算しない）---
R2     = {'課題1（転出数）': 0.691, '課題2（出生数）': 0.721}   # 表1 決定係数
LAMBDA = {'課題1（転出数）': 0.1,   '課題2（出生数）': 0.04}    # 正則化パラメータλ

# 表2・課題1：選択された14変数と標準偏回帰係数（抜粋。全14変数はスクリプト参照）
kadai1 = [
    ('単独世帯数', 0.283754),          # 転出を最も増やす
    ('第3次産業就業者数', 0.080344),   # 都市志向の職種は正
    ('第2次産業就業者数', -0.049717),  # 土地に根付く職種は負
]

================================================================
原論文の報告値（可視化のみ・再計算ではない）
================================================================
表1  課題1 決定係数=0.691 (λ=0.1),  課題2 決定係数=0.721 (λ=0.04)
表2  課題1で選択された変数数 = 14（うち正 12 / 負 2）
表2  課題2で選択された変数数 = 20（うち正 7 / 負 13）
表4  第10主成分までの累積寄与率 = 69.3%（原論文：約7割）

1
2
3
4
5
6
7
8
9

labels = list(R2.keys())
vals   = [R2[k] for k in labels]

fig, ax = plt.subplots(figsize=(7, 4.5))
ax.bar(labels, vals, color=['#B45309', '#2E7D32'], width=0.55)
ax.set_ylabel('交差検証による決定係数 R^2')
ax.set_title('図1：Lasso回帰の決定係数（原論文 表1の報告値）')
fig.savefig(os.path.join(FIG_DIR, '2020_U4_fig1.png'), dpi=150)
print('fig1 saved')

fig1 saved

図1：Lasso回帰の決定係数（原論文 表1の 報告値の可視化・再計算ではない）。課題1=0.691、課題2=0.721。

課題1（地方部の転出数）で選ばれた14変数

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

# 課題1（転出数）：係数の大きい順に横棒グラフ。正=赤 / 負=青
names  = [n for n, _ in kadai1][::-1]
coefs  = [c for _, c in kadai1][::-1]
colors = ['#C0392B' if c > 0 else '#2980B9' for c in coefs]

fig, ax = plt.subplots(figsize=(9, 6.5))
ax.barh(range(len(names)), coefs, color=colors)
ax.axvline(0, color='black', lw=0.8)
ax.set_yticks(range(len(names)))
ax.set_yticklabels(names)
ax.set_xlabel('標準偏回帰係数（標準化済み）')
fig.savefig(os.path.join(FIG_DIR, '2020_U4_fig2.png'), dpi=150)
print('fig2 saved')   # 課題2（20変数）も同じ要領で fig3 を描く

fig2 saved

図2：課題1（転出数）Lasso回帰で選択された14変数の標準偏回帰係数（原論文 表2の 報告値の可視化・再計算ではない）。

課題1の結論：地方部の「仕事内容における多様性の欠乏」を解決する必要がある。

表2：Lassoで選択された説明変数と標準偏回帰係数の推定値（原論文の報告値）。赤＝正、青＝負。

課題2（出生数）で選ばれた20変数

図3：課題2（出生数）Lasso回帰で選択された20変数の標準偏回帰係数（原論文 表2の 報告値の可視化・再計算ではない）。

課題2の結論：「働き方の多様性の欠乏」が問題。若者に結婚という選択肢を与えるには、仕事に柔軟性を持たせ、家事・生活との両立と経済的・時間的余裕が必要。

各都道府県の「稼ぐ力」（98産業）に主成分分析を適用し、累積寄与率が約7割に達する第10主成分までを採用した。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# 主成分分析（稼ぐ力98産業）の寄与率と累積寄与率（表4の報告値）
cum = np.cumsum(pca_contrib) * 100

fig, ax = plt.subplots(figsize=(9, 5))
ax.bar(pca_pc, [c * 100 for c in pca_contrib], color='#6A1B9A')  # 各主成分の寄与率
ax2 = ax.twinx()
ax2.plot(pca_pc, cum, color='#E65100', marker='o')               # 累積寄与率
ax2.axhline(70, color='#C62828', ls='--')   # 第10主成分まで＝累積約70%
fig.savefig(os.path.join(FIG_DIR, '2020_U4_fig4.png'), dpi=150)
print('fig4 saved')

fig4 saved

図4：主成分分析（稼ぐ力98産業）の寄与率と累積寄与率（原論文 表4の 報告値の可視化・再計算ではない）。

圧縮した主成分に緯度・経度を加え、k-means++ でクラスタリング。シルエット分析により最適クラスタ数を 24 と設定した。 クラスタごとに各産業の稼ぐ力の平均が大きい上位3産業を「主要産業」とし、その平均雇用力を算出した（原論文 表5）。

表5（抜粋）：各クラスタの都道府県と主要産業（原論文の報告値）

表5抜粋：cluster1=東京都は各種商品卸売業・航空運輸業・広告業と都市型サービスに特化。地方クラスタは製造業・水産業・林業に特化。全24クラスタは原論文参照。

課題3の結論：同様の産業に強みを持つ都道府県間で連携体制を構築し、主要産業に付随する事業を多彩に創出することで、地方部でも「仕事内容に対する多様化」と経済活性化を実現できる。

人口減少の緩和：課題1・2 のLasso回帰から、「仕事に対する多様性」を持たせることで地方からの転出者数を減らし、婚姻件数を増やして出生数を高められることが分かった。 具体策として原論文は「オフィスに囚われない個人の働き方の選択肢を増やす」ことを挙げる。

地方部の経済活性化：課題3 のクラスタリングから、同様の産業に強みを持つ都道府県で連携体制を作り、 主要産業に付随する事業を多彩に創出することで、地方でも仕事の多様性と経済活性化を両立できると提言する。

🐍 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/2020_U4_katsuyo.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。