論文一覧に戻る 🕸 論文ネットワーク 🗺 用語ネットワーク 統計データ分析コンペ 教育用再現集
★ 特別賞（統計分析）（大学生・一般の部） ｜ 2020年度（令和2年度）統計データ分析コンペティション

人口増減している市区町村の特徴と
人口規模の影響

⏱️ 推定読了時間: 約28分
著者：三木 祐司（ＪＦＥスチール株式会社 スチール研究所）
手法：ランダムフォレスト回帰 | 変数重要度（ジニ不純度） | 部分依存性（PDP）
SSDSE-2020A 国勢調査（人口増減） 1720市区町村 Random Forest optuna（ベイズ最適化） k-fold 交差検証
📄 元論文（PDF）を読む
出典：統計センター「統計データ分析コンペティション 2020」特別賞　三木祐司（JFEスチール株式会社スチール研究所）
🔬 LASSO🔬 ランダムフォレスト🔬 変数重要度🔬 部分依存性🏷 移住・人口移動🏷 財政・行政
🔬 手法タグ ／ 🏷 応用タグ（クリックで同タグの論文をネットワーク検索）
▲ 🔬 再現カルテ — データが公開されておらず、原論文の報告値をたどる形で再現

この教材は、元データが公開されていないため再計算ができません。原論文が論文中に報告した数値をたどって図表にし、「その数値からどこまで言えるか」を読み解く形で学びます。数値そのものは原論文からの引用であり、この教材が計算したものではありません。

原論文が使ったデータSSDSE-A・国勢調査
分析単位：市区町村
中核手法：Random Forest Regressor・ベイズ推定によるパラメーターチューニング・交差検証
この教材が使うデータCSV は読み込まない（原論文が報告した数値をそのまま図表化して読み解く）
原論文（PDF）人口増減している市区町村の特徴と人口規模の影響
特別賞／三木祐司（JFEスチール株式会社スチール研究所）
⚠️ この教材ではできないこと（原論文との違い）
  • 元データが公開されていないため、数値の再計算はできない（原論文が報告した値をたどる形で学ぶ）
📄 原論文との違いを、もっと詳しく
📄 原論文：市区町村データにランダムフォレスト・決定木を適用し、人口増減する市区町村の特徴を分類。
📘 本教材：原論文の報告値を転記して図表化。決定木・RF の再学習は行っていない。
⚠️ 注意：ページ中の数値は原論文の報告値。分析単位も市区町村（教材の SSDSE-B は都道府県）。
🚀 原論文と同じ粒度で挑戦したい人へ

原論文と同じ粒度のデータは、この教材にも同梱しています。これを読み込めば、原論文と同じ細かさで分析をやり直せます（下の「🐍 ブラウザで動かす」でコードを書き換えて試せます）。ただし原論文が使った項目がすべて収録されているとは限りません。足りない項目は、上の「できないこと」に書いた出典から取ってくる必要があります。

▶ ここに書いてある分析は、ページ下部の「🐍 ブラウザで動かす」でそのまま実行できます（インストール不要）。動かしているのは code/2020_U5_1_shorei.py（194 行）そのものです。

🏅 論文審査会コメント（審査員はここを評価した）
「人口増減に関する要因を探るためにRandomForestを使った分析は評価できる。」
出典：統計センター「統計データ分析コンペティション」受賞論文PDF掲載の審査講評。プロの審査員が何を評価し、何を注文したかは論文の読み方の最良の手本になる。
📝 3行で分かる要約

目次

  1. 研究の背景と目的
  2. データと分析対象
  3. 分析手法：ランダムフォレストと重要度・部分依存性
  4. 主要な発見①：全市区町村の人口増減要因
  5. 主要な発見②：人口規模別の要因の違い
  6. 結果の解釈とまとめ
  7. 📥 データの準備・再現について
  8. 💼 実社会での応用
  9. ⚠️ よくある誤解
  10. 📖 用語集
  11. 📐 手法ガイド
  12. 🚀 発展の可能性
  13. 🎯 自分でやってみよう
  14. 🤔 Q&A
  15. 🐍 ブラウザで動かす

🎯 この記事を読むと何ができるようになるか

📥 データの準備・再現について（重要）

このページの図は、原論文（PDF）が報告した数値をそのまま可視化したものです。再計算・再推定ではありません。理由は再現可能性にあります。

なぜ「報告値の可視化」なのか
  • 原論文の目的変数は平成27年国勢調査による「平成22〜27年の人口増加数」で、これは e-Stat から取得したものです。SSDSE には収録されていません。
  • 説明変数は市区町村版の SSDSE-2020A（1720市区町村）を使いますが、この年次の市区町村データセットは本サイトの配布データには含まれていません。
  • 加えて、optuna によるベイズ最適化＋k-fold 交差検証で調整された Random Forest の重要度・部分依存性は、乱数や年次が変われば数値が変動します。別データで「それらしい数字」を出すことは捏造にあたるため行いません。
1
再現スクリプトを実行する（外部データ不要） 付属スクリプトは、PDFから転記した報告値（決定係数・重要度順位・人口増加数の上位表）を可視化します。CSV のダウンロードは不要です。
python3 code/2020_U5_1_shorei.py
図は html/figures/ に保存されます。
2
原論文と同じ解析を自分で行いたい場合 e-Stat から「平成27年国勢調査 人口増減数」「外国人増減数」を、統計センターから当該年次の SSDSE-2020A（市区町村データ）を入手し、地域コードで結合したうえで scikit-learn の RandomForestRegressor・optuna を用います。詳細は原論文（PDF）を参照してください。
1
研究の背景と目的

人口減少と地方創生が国の重要課題となるなか、「どの市区町村が人口を増やし／減らしているのか」「その背後にどんな要因があるのか」を定量的に把握することは、政策設計の出発点になる。本研究は、市区町村レベルの豊富な統計指標を使い、人口増減の要因を機械学習（ランダムフォレスト）で探るとともに、人口規模によって決定要因が異なるかを明らかにすることを目的とする。

先行研究では、張らが LASSO による地方創生指標の変化要因ネットワークを、竹内が都道府県別の変量効果モデルを用いてきた。本研究は回帰係数の符号ではなく「変数重要度」と「部分依存性」で人口増減の構造を読む点、そして人口規模で層別する点に独自性がある。

本研究のリサーチクエスチョン
  • 市区町村の人口増減に、どの変数が強く効いているか（重要度）
  • その変数が増えると人口増減はどう変わるか（部分依存性）
  • 人口規模（大都市／中規模／小規模）で決定要因は変わるか（層別解析）
分析の流れ
SSDSE-2020A
＋国勢調査
1720市区町村
→
Random Forest
回帰
→
optuna＋k-fold
で精度確認
→
重要度・
部分依存性
→
人口規模別
層別解析

ランダムフォレスト SSDSE-2020A 1720市区町村 人口規模別の層別

2
データと分析対象

使用データ（原論文）

データ提供元役割
SSDSE-2020A（市区町村データ）独立行政法人統計センター説明変数（産業別従業者数・事業所数・世帯・財政など）
平成27年国勢調査
平成22〜27年の人口増加数		e-Stat（総務省）目的変数
外国人増減数（平成28〜29年）e-Stat（総務省）説明変数の一部

これらを地域コードをキーに結合し、1720市区町村を解析対象とした。福島県の富岡町・大熊町・双葉町・浪江町は人口データ欠損のため、葛尾村・飯舘村は人口12人以下のため除外している（原論文の記述）。

1720
分析対象の市区町村数
H22→27
人口増加数の対象期間
100+
説明変数（表1・多数）
SSDSE-A
説明変数の主データ
説明変数について（表1） 原論文の表1には、総人口・年齢別人口・世帯構成・産業別（第1〜3次）の事業所数と従業者数・市町村財政（歳入歳出・実質公債費比率など）・学校・医療・保育・人口密度・転入転出・外国人人口など100を超える変数が列挙されている。ランダムフォレストはこれら多数の変数を同時に投入して重要度を評価できる点が強みである。
再現可能性トリアージ 目的変数（国勢調査の人口増加数）は SSDSE 未収録であり、市区町村版 SSDSE-2020A も配布データに含まれない。したがって本ページの図はすべて原論文の報告値の可視化（再計算ではない）であり、図タイトル・キャプションにその旨を明記している。
3
分析手法：ランダムフォレストと重要度・部分依存性

原論文は Random Forest Regressor（scikit-learn）で人口増加数を予測し、次の2つで変数の効き方を読む。

この論文の2つのカギ
  • 変数重要度：ある変数で分割したときジニ不純度をどれだけ下げられるかに対応する。値が大きいほど予測に効いている。
  • 部分依存性（PDP）：他の変数を平均に固定し、対象の変数だけを仮想的に動かしたときに予測がどう変化するかを描く（原論文はライブラリが無いため独自実装）。

ハイパーパラメータの最適化

決定木の最大深さ max_depth・木の本数 n_estimators・分割時の変数数 max_features を、k-fold（4分割）交差検証で決定係数 r² が最大になるよう、optuna（ベイズ最適化）で調整している。

なぜランダムフォレストか（原論文の主張） LASSO は説明変数同士の相関が高いと片方しか選ばれない。ランダムフォレストは各分割で変数をサンプリングするため、高度に共線的な変数があっても品質を落とさず片方を選ぶ傾向があり、多重共線性の影響を受けにくい、と述べている。
===== DS LEARNING POINT 1 =====

DS LEARNING POINT 1

「重要度」は係数ではない

重回帰の係数は「向き（＋/−）」と「大きさ」を同時に表すが、ランダムフォレストの重要度は大きさ（予測への寄与）だけを表し、符号は持たない。「効いているのは分かるが、増えると人口が増えるのか減るのか」は部分依存性（PDP）で別に確認する。この2段構えが本論文の読みどころである。

🎯 目的：まず、このページで可視化する「原論文の報告値」を Python の変数として用意し、正しく転記できているかを確認する。ここでは決定係数の報告値を表示する。

橋渡し：この後の図は、すべてここで定義する報告値の辞書・リストから描く。最初に中身を print して確認しておくと、図と数字の対応が追いやすい。

やってみよう報告値の定義と確認（決定係数）
📝 コード
1
2
3
4
5
6
7
8
9
10
11
12
# 原論文の報告値（PDF 本文・図表より転記）
# --- 決定係数 r^2（図2キャプションの報告値）---
R2 = {
    '全市区町村\n(n=1720)':   {'学習': 0.93, 'テスト': 0.55},
    '10万〜30万人\n(n=197)': {'学習': 0.95, 'テスト': 0.58},
}

_all = R2['全市区町村\n(n=1720)']
_mid = R2['10万〜30万人\n(n=197)']
print('=== 原論文の報告値（PDFより転記）===')
print(f'決定係数 r^2 : 全市区町村  学習{_all["学習"]} / テスト{_all["テスト"]}')
print(f'決定係数 r^2 : 10-30万人  学習{_mid["学習"]} / テスト{_mid["テスト"]}')
▼ 実行結果
=== 原論文の報告値（PDFより転記）===
決定係数 r^2 : 全市区町村  学習0.93 / テスト0.55
決定係数 r^2 : 10-30万人  学習0.95 / テスト0.58
🔎 実行結果の読み取り
  • 全市区町村モデルは学習 0.93／テスト 0.55、10〜30万人モデルは学習 0.95／テスト 0.58。いずれも原論文の図2キャプションの報告値。
  • 学習に比べテストが低い＝やや過学習気味だが、テストでも 0.5 台の相関があり「概ね説明できている」と原論文は評価している。
  • この段階では図は作らず、辞書 R2 の中身を表示して転記ミスがないかを目視確認しているだけ。
4
主要な発見①：全市区町村の人口増減要因

図1：Random Forest の予測精度（報告値）

🎯 目的：モデルが人口増加数をどれだけ説明できているかを、学習／テストの決定係数で確認する。

橋渡し：ステップ1で定義した R2 辞書を棒グラフにするだけ。数字を図にすると、過学習の度合い（学習とテストの差）が一目で分かる。

やってみよう図1：決定係数 r² の可視化
📝 コード
1
2
3
4
5
6
7
8
9
10
11
12
labels = list(R2.keys())
train_vals = [R2[k]['学習'] for k in labels]
test_vals  = [R2[k]['テスト'] for k in labels]
x = np.arange(len(labels)); w = 0.35

fig1, ax1 = plt.subplots(figsize=(8, 5))
ax1.bar(x - w/2, train_vals, w, label='学習データ (75%)', color='#C62828')
ax1.bar(x + w/2, test_vals,  w, label='テストデータ (25%)', color='#1565C0')
ax1.set_ylim(0, 1.05); ax1.set_ylabel('決定係数 $r^2$')
ax1.set_title('Random Forest の予測精度（報告値）')
fig1.savefig('html/figures/2020_U5_1_fig1.png', dpi=150, bbox_inches='tight')
print('fig1 保存完了')
▼ 実行結果
fig1 保存完了
🔎 実行結果の読み取り
  • 棒の高さは原論文の報告値そのもの。print は保存確認の1行のみ。
  • 学習（赤）とテスト（青）の差＝過学習の目安。全市区町村で 0.93→0.55、中規模で 0.95→0.58 と、学習側が高い。
決定係数の棒グラフ
図1：Random Forest の学習／テスト決定係数（原論文の報告値の可視化・再計算ではない）。原論文図2キャプションの数値による。
📌 この図の読み方
このグラフは
2つのモデル（全市区町村／人口10〜30万人）の予測精度を、学習データとテストデータで並べた棒グラフ。
読み方
テストの棒が高いほど「未知データでも当たる」。学習だけ高くテストが低いと過学習のサイン。
なぜそう解釈できるか
学習データはモデルが見た値、テストデータは見ていない値。両者の差が汎化性能の目安になる。

図2：人口増加が大きかった市区町村（全国・報告値）

🎯 目的：そもそも「どこで人口が増えたのか」を確認する。原論文の表2（実測の人口増加数）から個別市区町村の上位を可視化する。

橋渡し：集計行（「市部」「都道府県」）を除き、区・市の実測値だけを横棒にする。ここが後の「大都市が全体を牽引している」という解釈の土台になる。

やってみよう図2：表2 上位市区町村の可視化
📝 コード
1
2
3
4
5
6
7
8
9
10
11
12
# 表2: 人口増加が多かった市区町村 上位15（集計行を除く・報告値）
TABLE2_TOP = [('川崎市',49701),('さいたま市',41545),('札幌市',38811),
              ('港区',38152),('江東区',37290), ...]  # 以下 広島市20191 まで
names2 = [t[0] for t in TABLE2_TOP][::-1]
vals2  = [t[1] for t in TABLE2_TOP][::-1]

fig2, ax2 = plt.subplots(figsize=(9, 6))
ax2.barh(range(len(names2)), vals2, color='#2E7D32')
ax2.set_yticklabels(names2)
ax2.set_xlabel('平成22〜27年の人口増加数（人）')
fig2.savefig('html/figures/2020_U5_1_fig2.png', dpi=150, bbox_inches='tight')
print('fig2 保存完了')
▼ 実行結果
fig2 保存完了
🔎 実行結果の読み取り
  • 上位は川崎市・さいたま市・札幌市・東京23区など、大都市とその周辺が占める（原論文 表2）。
  • この偏りが「大都市が全体の重要度を押し上げている」という気づきにつながり、後の人口規模別の層別解析の動機になる。
人口増加上位の市区町村
図2：平成22〜27年に人口増加が大きかった市区町村 上位15（原論文 表2 の報告値の可視化・再計算ではない）。集計行を除く個別市区町村。

全市区町村で重要度の高かった変数（報告値）

原論文が報告した、全1720市区町村での重要度上位変数（大きい順）は次のとおり。成長産業の従業者数が上位を占める。

順位変数分類
1従業者数（情報通信業）成長産業
2従業者数（複合サービス事業）成長産業
3人口密度（1km²当たり）都市化
4従業者数（運輸業，郵便業）成長産業
5事業所数（情報通信業）成長産業
6単独世帯数世帯構造
7転入者数（日本人移動者）人口移動
8外国人人口人口構成
部分依存性（PDP）からの知見（原論文）
  • 第1・2・3次産業という大ぐくりの産業人口には人口増加はほとんど依存しない。総人口にもほとんど依存しない。
  • 一方、情報通信業・複合サービス事業・運輸郵便業の従業者数、情報通信業の事業所数、人口密度で人口増加がよく説明される。
  • 外国人増加数は、全体の人口増加にはまだ大きな影響を与えていない。
⚠️ 図は原論文を参照 重要度の棒グラフ（原論文 図3・図4）と部分依存性の曲線（図5・図6）は、乱数・最適化に依存する報告値であり、本サイトでは忠実な再現図を作成できないためランキング表と文章で提示している。原図は原論文（PDF）を参照。
5
主要な発見②：人口規模別の要因の違い

全体の重要度は大都市に強く引っ張られる。そこで原論文は平成27年の人口規模で層別し、規模ごとに重要度・部分依存性を評価した。すると規模によって決定要因が大きく変わることが分かった。

図3：人口規模別・重要度の高い変数（報告値）

🎯 目的：3つの人口規模（全体／10〜30万人／1万人未満）で、重要度上位の変数がどう入れ替わるかを一覧化する。

橋渡し：重要度の絶対値（棒の長さ）は乱数・最適化に依存する報告値なので、ここでは順位そのものを並べて比較する（棒の長さを捏造しない）。

やってみよう図3：人口規模別 重要度ランキングの可視化
📝 コード
1
2
3
4
5
6
7
8
9
10
11
12
IMPORTANCE_RANK = {
    '全市区町村\n(n=1720)':   [...],   # 表の8変数
    '人口10万〜30万人\n(n=197)': ['転入者数（日本人移動者）',
        '就業者数（学術研究，専門・技術サービス業）', '非水洗化人口'],
    '人口1万人未満': ['死亡数', '75歳以上人口（男）', ...],
}
fig3, ax3 = plt.subplots(figsize=(11, 6.5)); ax3.axis('off')
for gi, (gname, items) in enumerate(IMPORTANCE_RANK.items()):
    for j, var in enumerate(items):
        ax3.text(col_x[gi], 0.83 - j*0.11, f'{j+1}. {var}', ...)
fig3.savefig('html/figures/2020_U5_1_fig3.png', dpi=150, bbox_inches='tight')
print('fig3 保存完了')
▼ 実行結果
fig3 保存完了
🔎 実行結果の読み取り
  • 3列を左から全体・中規模・小規模として、原論文が報告した重要度順に変数名を並べただけ（数値の再計算はしない）。
  • 全体は「情報通信業の従業者数」が筆頭だが、中規模は「転入者数」、小規模は「死亡数」が筆頭に入れ替わるのが読みどころ。
人口規模別の重要度ランキング
図3：人口規模別・重要度の高い変数の順位（原論文の報告値の可視化・再計算ではない）。全市区町村は本文記述、10〜30万人は本文記述、1万人未満は原論文 図9 の並びによる。
📌 この図の読み方
このグラフは
棒の長さではなく「順位」を3グループで並べた比較表。上ほど重要度が高い変数。
読み方
同じ順位（同じ行）に注目すると、グループ間で筆頭要因がどう入れ替わるかが分かる。
なぜそう解釈できるか
層別ごとに別々のランダムフォレストを学習しているため、各列は独立した重要度ランキング。列間で数値を直接比較はできないが、順位構造の違いは意味を持つ。

人口10万〜30万人（197市区町村）

重要度・部分依存性（原論文の報告）
  • 重要度上位は ①転入者数（日本人移動者）② 学術研究・専門・技術サービス業の就業者数 ③非水洗化人口。
  • 部分依存性では、転入者数が増えるほど人口増。学術研究等の就業者数も正の関連、非水洗化人口は逆相関の傾向。全体の解析とは大きく異なる。
  • ランク入りしたつくば市（学術研究都市）、糟屋郡（博多駅から最短2駅の好アクセス）は、周辺から地方都市への人口流入を示唆する。

🎯 目的：中規模都市で実際にどこが伸びたかを、原論文の表3から可視化する。

橋渡し：図2（全国）と同じ横棒だが、対象を人口10〜30万人の市区町村に絞る。大都市の区部に加え、戸田市・つくば市・糟屋郡・流山市などの中堅都市が並ぶ。

やってみよう図4：表3 上位市区町村（人口10〜30万人）の可視化
📝 コード
1
2
3
4
5
6
7
8
9
10
# 表3: 人口10万〜30万人で人口増加が多かった市区町村 上位15（報告値）
TABLE3_TOP = [('港区',38152),('台東区',22145),('渋谷区',20041),
              ('中央区',18421), ...]  # 以下 糟屋郡11018 まで
names4 = [t[0] for t in TABLE3_TOP][::-1]
vals4  = [t[1] for t in TABLE3_TOP][::-1]
fig4, ax4 = plt.subplots(figsize=(9, 6))
ax4.barh(range(len(names4)), vals4, color='#E65100')
ax4.set_yticklabels(names4)
fig4.savefig('html/figures/2020_U5_1_fig4.png', dpi=150, bbox_inches='tight')
print('fig4 保存完了')
▼ 実行結果
fig4 保存完了
🔎 実行結果の読み取り
  • 区部（港区・台東区・渋谷区…）に加え、つくば市・戸田市・糟屋郡など中堅都市がランク入り（原論文 表3）。
  • 「転入者数が効く」という重要度の結果と、実際に転入で伸びた中堅都市の顔ぶれが整合している。
10万〜30万人で人口増加上位の市区町村
図4：人口10万〜30万人で人口増加が大きかった市区町村 上位15（原論文 表3 の報告値の可視化・再計算ではない）。

人口1万人未満

小規模町村では構造が一変する（原論文の報告） これまでと大きく異なり、「死亡数」による人口減少が人口変化の主要因。重要度上位は死亡数・75歳以上人口・高齢世帯など高齢化関連の変数が占める。部分依存性でも死亡数が増えるほど人口が減る方向に働く。過疎地域の自然減が支配的であることを示す。
6
結果の解釈とまとめ

本研究の中心的な発見は、市区町村の規模に応じて人口増減の要因が大きく異なることである。

全市区町村（全体）

情報通信業・複合サービス事業・運輸郵便業など成長産業の従業者数が多い市区町村で人口が増加。第1〜3次産業の大分類や歳出決算額では説明できない。中村良平のいう「稼ぐ力」の寄与を示唆。

人口10万〜30万人（中規模）

転入者数の影響が最大。学術研究・専門技術サービス業の就業者数も効く。つくば市・糟屋郡の例のように、周辺から地方都市への流入が起きている可能性。経済地理的な発展の形。

人口1万人未満（小規模）

死亡数による自然減が人口変化の主要因。高齢化関連変数が重要度の上位を占め、過疎地域に共通する構造が現れている。

結論 市区町村全体では成長産業（情報・複合サービス・運輸）の発展が人口増加に効果的だが、それは大都市に強く引っ張られた像である。人口規模で層別すると、中規模都市は転入と学術研究、小規模町村は死亡数というまったく異なる要因が浮かび上がる。一律の人口政策ではなく、規模に応じた設計が必要であることを、機械学習の重要度・部分依存性が具体的に示した。
限界と今後（原論文）
  • 地理的な観点（都市間の人口移動形態）からの検討が今後必要。
  • 学習 0.93／テスト 0.55 とやや過学習気味で、汎化性能には改善余地がある。
  • 本ページの図はすべて原論文の報告値の可視化であり、数値の独立再現ではない点に注意。
使用ツール・ライブラリ（原論文） Python 3.7 ／ scikit-learn（RandomForestRegressor）／ optuna（ベイズ最適化）／ 部分依存性は独自実装 ／ データ：SSDSE-2020A（統計センター）＋ 平成27年国勢調査・外国人増減数（e-Stat）

⚠️ よくある誤解と注意点

統計分析の解釈で初心者がやりがちな勘違いをまとめます。特に「相関と因果の混同」「p値の過信」は研究現場でもよく起きる落とし穴です。本文を読む前にも、読んだ後にも、目を通してみてください。

❌ 「相関がある＝因果関係がある」ではない
疑似相関（spurious correlation）とは、見かけ上は関係があるように見えるが、実際は無関係、または第三の変数（交絡変数）が両方に影響しているだけの現象です。

古典例： アイスクリームの売上 と 水難事故件数 は強く相関するが、片方が他方を引き起こしているわけではない。両者とも「夏の暑さ」という第三の変数に引きずられているだけ。

論文を読むときの心構え： 「○○と△△に強い相関が見られた」だけで終わっている主張は、本当に因果関係があるのか、それとも第三の変数（人口・所得・地理など）が共通要因として効いているだけではないかを必ず疑ってください。
❌ 「p値が小さい＝重要な発見」ではない
p値が小さい（例えば p < 0.001）ことは「統計的に偶然とは考えにくい」という意味であって、「実用的に大きな効果がある」という意味ではありません。

例： 巨大なサンプルサイズ（n=100,000）では、相関係数 r=0.02 でも p < 0.001 になります。しかし r=0.02 は実用上ほぼ無視できる関係です。

正しい読み方： p値と効果量（係数の大きさ、相関係数の値）の両方をセットで判断してください。p値だけで「重要な発見」と結論づけるのは誤りです。
❌ 「回帰係数が大きい＝重要な変数」ではない
回帰係数の絶対値は、説明変数の単位に強く依存します。「年収（万円）」と「失業率（%）」の係数を直接比較しても意味がありません。

正しい比較方法： (1) 標準化係数（各変数を平均0・分散1に変換した上での係数）を使う、(2) 限界効果（変数を1標準偏差動かしたときのyの変化）で比較する。

また、係数の大きさが「因果関係の強さ」を意味するわけでもありません。あくまで「相関的な関連の強さ」です。
❌ 「外れ値を除外すれば正しい結果」ではない
外れ値（極端な値）を「目障りだから」「結果が綺麗にならないから」という理由で除外するのは分析の改ざんに近い行為です。

外れ値が示すもの： 本当に重要な情報（東京の超高密度、北海道の超低密度など）であることが多い。外れ値を取り除くと「日本全体の傾向」を見誤る原因になります。

正しい対処： (1) 外れ値の出現要因を調査する（なぜ東京だけ突出するのか）、(2) ノンパラメトリック手法（Spearman相関・Kruskal-Wallis）を使う、(3) 外れ値を含む結果と除外した結果の両方を提示し、解釈を読者に委ねる。
❌ 「サンプルサイズが大きい＝信頼できる」ではない
サンプルサイズ（n）が大きいと統計的検定の検出力は上がりますが、それは「偶然による誤差を減らす効果」にすぎません。

nが大きくても解消されない問題：
・選択バイアス（標本が偏っている）
・測定誤差（変数の定義が曖昧）
・欠損値のパターン（欠損がランダムでない）
・交絡変数の見落とし

例： 1万人にWeb調査して「ネット利用と幸福度は強く相関」と言っても、そもそも回答者がネットユーザー寄りに偏っているため、母集団全体の結論にはなりません。
❌ 「複雑なモデル＝より良い分析」ではない
ランダムフォレスト・ニューラルネット・複雑な階層モデルなど、高度な手法を使えば「良い分析」と感じがちですが、必ずしもそうではありません。

過学習（overfitting）の罠： モデルが複雑すぎると、訓練データの偶然のパターンまで学習してしまい、新しいデータでは予測精度が落ちます。

シンプルさの価値： 重回帰分析や相関分析は「結果が解釈しやすい」「再現性が高い」という大きな利点があります。複雑な手法はシンプルな手法で答えが出ない時の最後の手段です。
❌ 「多重共線性は気にしなくていい」ではない
多重共線性とは、説明変数同士の相関が極めて強い状態のこと。これを放置すると、回帰係数の符号や大きさが入れ替わる異常事態が起こります。

典型例： 「総人口」と「労働力人口」を同時に投入すると、両者の相関が r=0.99 になり、係数推定が極端に不安定になります。「総人口は正だが、労働力人口は負」のような解釈不能な結果になりがちです。

診断と対処：
・VIF（分散拡大係数）を計算し、VIF > 10 の変数を確認
・相関行列で |r| > 0.8 のペアをチェック
・対処法：一方を除外、合成変数（PCA）に変換、Ridge回帰で安定化
❌ 「R²が高い＝良いモデル」ではない
決定係数 R² はモデルの「当てはまりの良さ」を示しますが、R² が高くてもモデルが正しいとは限りません。

R² が高くなる罠：
・説明変数を増やせば R² は自動的に上がる（無関係な変数を追加してもR²は下がらない）
・時系列データでは、共通のトレンド（時間とともに増加）があるだけで R² が 0.9 を超える
・サンプルサイズが小さいとR²が過大評価される

代替指標： 調整済み R²（変数の数でペナルティ）、AIC・BIC（モデル選択基準）を併用してください。予測力の真の評価には交差検証（cross-validation）でテストデータの R² を見ること。
❌ 「ステップワイズで選んだ変数は重要」ではない
ステップワイズ法（バックワード・フォワード選択）は便利ですが、p値ベースの変数選択は再現性に問題があると批判されています。

問題点：
・同じデータでも実行順序によって最終モデルが変わる
・p値を繰り返し見ることで「偶然に有意な変数」を拾ってしまう（p-hacking）
・係数の標準誤差が過小評価され、信頼区間が嘘っぽくなる

より良い方法：
・事前に変数を理論で絞る（先行研究から候補を選ぶ）
・LASSO回帰（自動かつ統計的に正当化された変数選択）を使う
・交差検証で AIC/BIC 最小モデルを選ぶ
❌ 「線形回帰なら線形関係を前提にすべき」
重回帰分析は線形関係を前提とします。実際の関係が非線形なのに線形モデルで分析すると、本当の関係を見逃します。

非線形の例：
・U字型関係： 失業率と物価上昇率（フィリップス曲線）
・逓減効果： 所得と幸福度（年収 800万円までは強い正の効果、それ以上は飽和）
・閾値効果： 高齢化率と医療費（ある水準を超えると急激に上がる）

診断と対処：
・残差プロットで残差が0周辺に均等に分布しているか確認
・変数の対数変換・二乗項追加で非線形性を取り込む
・どうしても線形では捉えられないなら、機械学習（RF・GBM）を併用する
❌ 「データに当てはまった＝予測に使える」ではない
「過去のデータでフィットしたから将来も予測できる」と思うのは危険です。

過学習（overfitting）の例： 47都道府県のデータに10個の説明変数を投入すれば、ほぼ完璧にフィットします（自由度がほぼゼロ）。でもそのモデルを新しい年度に適用すると、予測精度はほぼランダム並みに落ちることがあります。

正しい予測力の評価：
・データを訓練用 70%とテスト用 30%に分割し、テスト用での予測精度を見る
・k分割交差検証（k-fold CV）で予測の安定性を確認
・「説明変数の数 ≪ サンプルサイズ」のバランスを意識（目安：n > 10 × 変数数）

📖 用語集（この記事に出てくる統計用語）

統計の基本用語を初心者向けに解説します。本文中で見慣れない言葉が出てきたら、ここに戻って確認してください。

p値
「効果がない」と仮定したときに、観察されたデータ（またはより極端なデータ）が得られる確率。0〜1の値で、慣例的に 0.05（5%）未満を「有意」と判断する。
有意水準
「偶然」と「意味のある違い」を分ける基準。通常 α=0.05（5%）を使う。p値 < α なら「有意」と判定。
信頼区間
「真の値はこの範囲にあるだろう」という幅。95%信頼区間 = 同じ実験を100回繰り返したら95回はこの範囲に真の値が入る。
サンプルサイズ
分析に使ったデータ点の数（n）。一般にnが大きいほど推定が安定し、わずかな差も検出できるようになる。
標準誤差
推定値（係数など）のばらつきの目安。標準誤差が小さいほど推定値が安定している。
正規分布
釣鐘型の左右対称な分布。多くのパラメトリック検定（t検定・F検定など）は「データが正規分布に従う」ことを仮定する。
因果と相関
「相関がある」と「原因と結果の関係（因果）」は別物。アイスクリームの売上と水難事故は相関するが、原因は両者とも「夏の暑さ」。
外れ値
他のデータから極端に離れた値。分析結果を歪める原因になるため、検出して除外するか別途扱う必要がある。
欠損値
データが取得できなかった部分（NaN・空白）。除外するか補完（平均代入・回帰代入など）するかが分析上の重要な判断点。
VIF
Variance Inflation Factor（分散拡大係数）。多重共線性の強さを示す指標。VIF > 10 で「強い多重共線性あり」と判断。
交絡変数
「真の原因」と「結果」の両方に影響する第三の変数。これを統制しないと、見かけ上の関係を真の因果と誤認する。
係数（回帰係数）
「説明変数 x が1単位増えたとき、目的変数 y が平均でどれだけ変化するか」を示す数値。正の値は正の影響、負の値は負の影響。
内生性
説明変数と誤差項が相関している状態。逆因果や交絡変数の存在で発生する。これを放置すると係数推定にバイアスが生じる。
多重共線性
説明変数同士の相関が強すぎる状態。係数推定が不安定になり、解釈を誤る原因になる。VIF > 10 が警告サイン。
標準化係数
変数の単位の影響を取り除いた係数。複数の変数の影響の大きさを単位に依存せず比較するために使う。
決定係数 R²
回帰モデルが目的変数のばらつきの何%を説明できるかを示す指標。0〜1の値で、1に近いほどモデルの説明力が高い。

📐 使っている手法をわかりやすく解説

この論文で使われている手法について「何のためか」「結果をどう読むか」「注意点」を手法別に解説します。

◆ 統計・機械学習の基本概念

🔍 交差検証（k-fold CV）とは
何？
データを k 個に分け、1個をテスト・残りを学習に使うことを k 回繰り返して、平均的な予測精度を測る方法。本論文は4分割。
なぜ必要？
1回だけの分割では「たまたま当たった／外れた」に左右される。複数回で平均すると精度評価が安定する。
読み方
学習データの精度が高くテストが低ければ過学習。両者が近く高いほど良いモデル。
🎛️ ベイズ最適化（optuna）とは
何？
ハイパーパラメータ（木の深さ・本数など）の良い組み合わせを、過去の試行結果から賢く探索する最適化手法。
なぜ必要？
総当たり（グリッドサーチ）より少ない試行で、交差検証スコアが高い設定に到達しやすい。
読み方
最終的に選ばれた max_depth・n_estimators 等が、そのデータに対する「良い設定」。値自体はデータ依存。

◆ この論文で使われている手法

🌲 ランダムフォレスト回帰
何？
多数の決定木を作り、その予測を平均するアンサンブル手法。非線形や変数間の交互作用も自動で捉える。
どう使う？
多数の説明変数を投入して目的変数（人口増加数）を予測。各木は変数と標本をランダムに選んで学習する。
何がわかる？
線形回帰では捉えにくい複雑な関係を含めて「予測」と「変数の効き方」を評価できる。
結果の読み方
予測精度は決定係数 r²で見る。学習とテストの差が過学習の目安。
⚠️ 注意点
(1) 過学習：木を深く・多くしすぎると学習データに過適合する。k-fold 交差検証でテスト側の r² を必ず確認する（本論文は学習0.93／テスト0.55とやや過学習）。 (2) 重要度に符号は無いので、増減の向きは部分依存性で別途確認。(3) 外挿に弱い（学習範囲外の値の予測は苦手）。
📊 変数重要度（ジニ不純度の低減）
何？
ある変数で分割したとき、目的変数のばらつき（不純度）をどれだけ下げられたかを木全体で合計した指標。
どう使う？
全変数の重要度を並べ、値が大きい順に「予測に効く変数」を読む。
何がわかる？
多数の候補から「どれが人口増減の予測に効くか」を一覧できる。
結果の読み方
上位ほど重要。ただし大きさ（寄与度）のみで符号は無い。値は乱数・データに依存する。
⚠️ 注意点
(1) 相関の強い変数群では重要度が分散して過小評価されることがある。(2) 重要＝因果ではない。(3) 別の乱数シード・別年次では値が変わるため、順位の頑健性を意識する。
📉 部分依存性（PDP：Partial Dependence）
何？
他の変数を平均に固定し、注目する1変数だけを動かしたときに、モデルの予測がどう変化するかを描く曲線。
どう使う？
重要度が高い変数について PDP を描き、「増えると予測がどちらに動くか」を確認する（本論文は独自実装）。
何がわかる？
重要度では分からない効果の向きと形（線形か・閾値があるか）が分かる。
結果の読み方
右上がりなら正の効果、右下がりなら負。平坦なら実質的に効いていない。
⚠️ 注意点
(1) 変数間に強い相関があると、非現実的な組み合わせを平均してしまい解釈を誤ることがある。(2) あくまでモデル上の依存であり因果ではない。
🔁 k-fold 交差検証＋ optuna（ベイズ最適化）
何？
交差検証で測った精度を目安に、optuna がハイパーパラメータの良い組み合わせを効率よく探索する仕組み。
どう使う？
本論文は max_depth・n_estimators・max_features を、4分割CVの r² 最大化を目的に最適化。
何がわかる？
手作業に頼らず、そのデータに適した木の深さ・本数を客観的に決められる。
結果の読み方
選ばれた設定は「このデータでの良い設定」。他データにそのまま流用せず、都度最適化する。
⚠️ 注意点
(1) 探索しすぎるとCVスコアに過適合する恐れ。(2) テストデータは最適化に使わず、最終評価にのみ使う。

🚀 発展の可能性（結果 X → 新仮説 Y → 課題 Z）

この研究をさらに発展させる3つの方向性です。「今回わかったこと（X）」から「次に検証すべき仮説（Y）」を立て、「具体的に何をするか（Z）」まで考えてみましょう。

① 地理・空間の視点を加える
結果 X
中規模都市では転入者数が最重要で、つくば市・糟屋郡のように周辺から地方都市への流入が示唆された。
新仮説 Y
人口増減は「隣接自治体との位置関係（アクセス・通勤圏）」に強く依存するのではないか。
課題 Z
（1）都市間の通勤流動・鉄道アクセス指標を変数に追加する。（2）空間的自己相関（Moran's I）や地理的加重回帰（GWR）で近接効果を検証する。（3）流出元・流入先のペアを可視化する。
② モデルの説明性を高める
結果 X
重要度と部分依存性で要因を読んだが、学習0.93／テスト0.55とやや過学習気味だった。
新仮説 Y
正則化や説明手法を足せば、汎化性能を保ちつつ「なぜその予測か」をより明確に示せるのではないか。
課題 Z
（1）木の深さを抑える・特徴量を絞るなどで過学習を軽減し、テスト r² の変化を見る。（2）SHAP 値で各市区町村ごとの寄与を分解する。（3）勾配ブースティング等と精度・重要度を比較する。
③ 政策への橋渡し
結果 X
人口規模で決定要因が全く異なる（成長産業／転入／死亡数）ことが分かった。
新仮説 Y
規模別に「動かせる要因」に絞れば、自治体ごとに実効性のある人口施策を設計できるのではないか。
課題 Z
（1）重要変数を「政策で変えられる／変えにくい」に分類する。（2）中規模都市は転入促進、小規模町村は自然減対策と、規模別の打ち手を整理する。（3）1枚のアクションプランにまとめる。

🎯 自分でやってみよう（5つのチャレンジ）

学んだだけでは身につきません。実際に手を動かすのが最強の学習方法です。本論文のスクリプトをベースに、以下のチャレンジに挑戦してみてください。難易度別に5つ用意しました。

★☆☆☆☆ 入門
CH1. 同じデータで分析を再現する
まずは付属の Python スクリプトをそのまま実行し、論文と同じ図を再現してみてください。
ポイント： 各図がどのコード行から生成されているか辿る。エラーが出たら原因を考える。
★★☆☆☆ 初級
CH2. 説明変数を1つ追加・除外して結果を比較
本論文の分析モデルから説明変数を1つ抜いて再実行、あるいは1つ追加して再実行してください。
ポイント： 係数・p値・R² がどう変わったか観察する。多重共線性が原因で結果が変わる例を見つけられたら理想的。
★★★☆☆ 中級
CH3. 別の年度・別の都道府県で同じ分析を試す
SSDSE の別の年度（例：2015年度・2020年度）または特定都道府県のみのデータで同じ分析を実行してください。
ポイント： 時代や地域によって結論が変わるか？ 変わるならその理由を考察する。
★★★★☆ 上級
CH4. 別の手法を組み合わせる
本論文の手法 + 1つの追加手法（例：重回帰 + LASSO、相関分析 + 主成分分析）で結果を比較してください。
ポイント： 手法の違いで結論が変わるか？ どちらが妥当かを「なぜ」とともに説明できるように。
★★★★★ 発展
CH5. オリジナルの問いを立てて分析する
本論文の手法を借りて、あなた自身の問いを立てて分析してください。 例：「カフェの数と幸福度に関連はあるか」「教育費の高い県は出生率も高いか」など。
ポイント： 問い・データ・手法・結論を1ページのレポートにまとめる。これがデータサイエンスの「実践」。
💡 ヒント： 詰まったら本サイトの他の論文（同じ手法を使っている）のスクリプトをコピーして組み合わせるのが効率的です。手法ガイド・用語集も参考に。

💼 この手法は実社会でこう使われている

本論文で学んだ手法は、研究の世界だけでなく、行政・企業・NPO の現場でも様々に活用されています。具体的なシーンを紹介します。

🏛️
行政の政策立案
都道府県・市区町村の政策担当者は、本論文と同様のデータ分析を用いて「どこに予算を投じれば効果が出るか」を検討します。 例えば医療費削減策、移住促進策、子育て支援策などの効果予測・効果検証に直結します。
🏢
企業のマーケティング・出店戦略
小売チェーン・サービス業の出店戦略では、地域特性（人口構成、所得、ライフスタイル）と売上の関係を本論文と同じ手法で分析します。 ECサイトでも顧客セグメント分析・購買要因分析に類似手法が使われます。
🏥
医療・公衆衛生
感染症の流行予測、医療資源配分の最適化、健康格差の地域要因分析などで、本論文の統計手法は標準的に使われています。 WHO・厚労省レベルの政策評価でも同じ手法が活躍しています。
📊
メディア・ジャーナリズム
新聞・テレビの社会調査記事、選挙予測、世論調査の分析でも、本論文と同じ手法（回帰分析・クラスタリングなど）が使われています。 データジャーナリズムの記事はこの種の分析が中核です。
🎓
学術研究（隣接分野）
経済学・社会学・公衆衛生学・教育学・地理学などの実証研究では、本論文と同じ手法が日常的に使われます。 専門誌に掲載される論文の8割以上が、こうした統計手法に基づいて結論を出しています。
💰
金融・保険業界
与信判断（融資審査）、保険料の地域別設定、不動産価格予測などで、本論文と同様のモデリング手法が広く活用されています。 統計分析の能力は金融業界の必須スキルになっています。

🤔 よくある質問（読者からの想定Q&A）

この論文を読んで初心者が抱きやすい疑問に、教育的観点から答えます。

Q1. この分析、自分でもできますか？
はい、できます。SSDSE データは無料で公開されており、Python の pandas, scikit-learn, statsmodels を使えば全く同じ手順で再現可能です。本ページ下部のスクリプトを実行するだけで結果が得られます。
Q2. 使われている手法は他の分野にも応用できますか？
十分応用可能です。本論文で用いた手法は、医療・教育・経済・環境など他のドメインでも標準的に使われる手法です。データの中身（変数）を入れ替えるだけで、別の問いにも適用できます。
Q3. 結論は本当に「因果関係」を示していますか？
本論文は「観察データ」を使った分析であり、厳密な意味での「因果関係」を完全に証明したわけではありません。あくまで「強い関連が見られた」という事実を提示しているにとどまります。真の因果を示すには、無作為化比較試験（RCT）か、自然実験を活用したIV・DiD 等の手法が必要です。
Q4. データの最新版を使うとどうなりますか？
SSDSE は毎年更新されているため、最新版を使えば近年のトレンド（特にコロナ禍以降の変化）も含めて分析できます。ただし、結論が変わる可能性もあります。それ自体が新しい発見につながります。
Q5. もっと深く学ぶには何を読めばいいですか？
「計量経済学」「データサイエンス入門」「統計的因果推論」などのテキストが入門に向いています。Python の場合は『Python ではじめる機械学習』（オライリー）、R の場合は『R で学ぶ統計学』が定番です。本サイトの他の論文も読み比べてみてください。

✅ 理解度チェック（4問）

この論文を理解できたか、クリックで確認しましょう。間違えても解説が出ます。

← 前の論文
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
次の論文 →
地域間経済格差の構造分析：ジニ係数と格差決定要因

🐍 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_U5_1_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。