日本国内の“地方”の再構成および
新地方に基づく成長戦略の提案

日本が直面する大きな課題の一つに地域経済の活性化がある。原論文は厚生労働省『平成27年版 労働経済の分析』（p.187）を引きつつ、地域経済が持続的に成長するには ①労働人材の確保 と ②労働生産性の向上 の2つが重要だと整理する。

そのうえで著者が着目するのが、「北海道・東北・関東・中部・近畿・中国・四国・九州」といった慣習的な地方区分は、実は厳密に定義されたものではないという点である。 本研究の狙いは、この慣習的な区分に代えて、県をまたいで協力しやすい新しい「地方」を統計的に構成し、その新地方を単位に成長戦略を立てることにある。

原論文は解析を大きく3つのパートに分ける。本ページもこの流れに沿って解説する。

SSDSE-B k-means法 単変量線形回帰 Ward法 階層クラスタリング

データと手法

使用データ

① 進学時人口変化の特徴量（原論文 3.1 節の定義）

原論文は、地元を離れるタイミングが進学段階に重なることに注目し、SSDSEの学校在籍者数から進学段階ごとの「人口増加率」を作る。学年ごとの正確な人数が分からないため、在籍者数を在籍年数で割って1学年あたりに換算している（概数）。

この3つの値を各都道府県ごとに年次平均し、3次元の特徴量ベクトルとする。これを k-means法 で k=4 にクラスタリングし、人材流出の似た都道府県をグループ化する。

② 成長見込み業種（単変量線形回帰）

内閣府「県民経済計算」の経済活動別 県内総生産（2006〜2015年度の10年、e-Stat 経由）を用い、業種ごとに y = βx + α + ε（x=年度, ε は平均0・分散σ²の正規誤差）を当てはめる。10年しかないため ARMA 等の本格的な時系列モデルではなく、基本的な単変量線形回帰を採用している。傾き β の最尤推定量は下式で、「真の β ≤ 0」という帰無仮説が有意水準5%で棄却された業種を「成長見込みあり」と判定する。

③ 新地方の構築（Ward法 階層クラスタリング）

県をまたぐ通勤・通学の多さから県A・B間の類似度 S_A,B を定義し、非類似度 d_A,B = 1 − S_A,B（A=Bは0）を距離として Ward法 の階層クラスタリングを行う。通勤・通学が多い県どうしほど距離が小さくなる。

Ward法は「クラスター結合前後の重心からの二乗距離和の差」を距離とし、クラスターが極端に大きくなりにくい。デンドログラムの高さでクラスター数を後から決められる点が k-means との違いで、地方内の距離構造や地方間の距離まで把握できるため採用された。

ここは原論文の①パート。SSDSE-B-2026 に収録された学校在籍者数から進学段階ごとの人口増加率を作り、k-means法（k=4）で都道府県を4グループに分ける。この節の図1〜図4はすべて実データから計算し直した再現結果である（年次範囲のみ原論文と異なる）。

①この手順の目的：解析に使うライブラリ（データ処理・作図・k-means）を読み込み、図の保存先フォルダを用意します。

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

import os
import numpy as np
import pandas as pd
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
from matplotlib.patches import Patch
from sklearn.cluster import KMeans

plt.rcParams['font.family'] = 'Hiragino Sans'
FIG_DIR = 'html/figures'
DATA_B  = 'data/raw/SSDSE-B-2026.csv'
os.makedirs(FIG_DIR, exist_ok=True)

①この手順の目的：SSDSE-B-2026 を読み込み、47都道府県ぶんの行だけに絞ります。

②前後のつながり：読み込んだ生データから、次の手順で「進学段階ごとの人口増加率」という特徴量を作ります。

1
2
3
4
5
6
7
8

# 先頭行=英字コード, 2行目=和名 → 和名行(skiprows=[1])を飛ばす
df = pd.read_csv(DATA_B, encoding='cp932', skiprows=[1])
df = df.rename(columns={'SSDSE-B-2026': '年度',
                        'Code': '地域コード', 'Prefecture': '都道府県'})
df = df[df['地域コード'].astype(str).str.match(r'^R\d{5}$')].copy()
df['年度'] = df['年度'].astype(int)
print(f"読み込み: {df.shape[0]}行 = 47都道府県 × {df['年度'].nunique()}年"
      f"（{df['年度'].min()}〜{df['年度'].max()}年度）")

読み込み: 564行 = 47都道府県 × 12年（2012〜2023年度）

①この手順の目的：学校在籍者数から、中学・高校・大学等の各進学段階での「人口増加率」を計算し、都道府県ごとの3次元特徴量にまとめます。

②前後のつながり：この3次元ベクトルを、次の手順で k-means法にかけてグループ分けします。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# E2501 小学校児童数 / E3501 中学校生徒数 / E3702 中学卒業者のうち進学者数
# E4501 高校生徒数 / E4602 高校卒業者のうち進学者数
# E6301 短大学生数 / E6302 大学学生数 / E7201 専修学校生徒数
df['中学進学時増加率'] = (df['E3501'] / 3) / (df['E2501'] / 6) - 1
df['高校進学時増加率'] = (df['E4501'] / 3) / df['E3702'] - 1
df['大学等進学時増加率'] = (df['E6302']/4 + df['E6301']/2 + df['E7201']/2) / df['E4602'] - 1

FEATS = ['中学進学時増加率', '高校進学時増加率', '大学等進学時増加率']
feat = df.groupby('都道府県')[FEATS].mean()   # 各県を全収録年次で平均
print(feat.head().round(3).to_string())

      中学進学時増加率  高校進学時増加率  大学等進学時増加率
都道府県
北海道      0.062    -0.009      0.937
青森県      0.122     0.031      0.051
岩手県      0.096     0.015      0.204
宮城県      0.045    -0.008      1.237
秋田県      0.113     0.013     -0.088

①この手順の目的：3次元特徴量を k-means法で4グループに分け、進学時の人材流出パターンが似た都道府県をまとめます。

②前後のつながり：得られたグループを、次に散布図・地図・プロファイルで可視化します（図1〜図4）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

X = (feat - feat.mean()) / feat.std()          # 標準化
km = KMeans(n_clusters=4, n_init=10, random_state=0).fit(X.values)
feat['cluster'] = km.labels_

# 「大学等進学時増加率」の小さい順に G1..G4 と付け替え（解釈しやすく）
prof = feat.groupby('cluster')[FEATS].mean()
relabel = {old: new for new, old in enumerate(prof['大学等進学時増加率'].sort_values().index)}
feat['グループ'] = feat['cluster'].map(relabel) + 1
print(feat.groupby('グループ')[FEATS].mean().round(3).to_string())
print('所属数:', feat['グループ'].value_counts().sort_index().to_dict())
print('グループ4:', '、'.join(feat[feat['グループ']==4].index))

      中学進学時増加率  高校進学時増加率  大学等進学時増加率
グループ
1        0.101     0.036      0.065
2        0.057     0.003      0.274
3        0.021    -0.036      0.608
4        0.047     0.057      2.287
所属数: {1: 8, 2: 24, 3: 13, 4: 2}
グループ4: 東京都、京都府

①この手順の目的：グループ分けの結果を散布図にして、東京・京都が他から際立って離れていることを視覚的に確認します。

②前後のつながり：ここまでが実再現。生成した図1〜図4を続けて掲載します。

1
2
3
4
5
6
7
8

CL_COLORS = {1:'#e05c5c', 2:'#4e9af1', 3:'#f0a500', 4:'#2e7d32'}
fig, ax = plt.subplots(figsize=(9.5, 7))
for g in sorted(feat['グループ'].unique()):
    grp = feat[feat['グループ'] == g]
    ax.scatter(grp['中学進学時増加率'], grp['大学等進学時増加率'],
               color=CL_COLORS[g], label=f'グループ{g} (n={len(grp)})', s=70)
ax.set_xlabel('中学進学時 人口増加率'); ax.set_ylabel('大学等進学時 人口増加率')
ax.legend(); fig.savefig(FIG_DIR + '/2020_U5_3_fig2.png', bbox_inches='tight')

図2〜図4を html/figures/ に保存（次に表示します）。同じ要領で図1（大学等増加率で色分けした分布）・図3（グループ別プロファイル）・図4（大学等増加率ランキング）も出力します。

図1：進学時（中学・大学等）の人口増加率の分布。色は大学等進学時増加率。SSDSE-B-2026による再現（原論文 図3 に対応）。原論文は2006〜2017年度・3次元、本再現は2012〜2023年度。

図2：進学時人口変化の k-means クラスタリング結果（k=4）。再現結果（原論文 図6 に対応）。グループ4（緑）＝東京都・京都府の2県のみ。

図3：グループ別の進学時人口増加率プロファイル（各グループの平均）。再現結果（原論文 表2 の可視化）。

図4：大学等進学時 人口増加率の都道府県ランキング（グループ色分け）。再現結果。下位に東北勢（グループ1）、上位に東京・京都（グループ4）。

原論文は業種ごとに単変量線形回帰 y = βx + α + ε を当てはめ、傾き β について「真の β ≤ 0」という帰無仮説を有意水準5%で検定。棄却された業種を「成長見込みあり」と判定した。

主要な発見（原論文の報告値）

県をまたぐ通勤・通学の多さから非類似度 d_A,B を定義し、Ward法 の階層クラスタリングでデンドログラムを描く。地理的に独立した北海道・沖縄を除く45都府県について、単独でないクラスターに属する高さを閾値としてクラスタリングした結果……

提案された「新地方」の例（原論文の報告値）

原論文によれば、同じ人材流出グループのみで構成される新地方は、北海道・沖縄を除くと「富山・石川・福井（地方2）」「青森・秋田・岩手（地方4）」「鳥取・島根（地方15）」のみ。それ以外は異なる課題を持つ県の集合であり、互いの強みで課題を補い合える組み合わせになっている、と解釈される。

政策提言：新地方に基づく成長戦略

原論文は、①進学時の人材流出、②成長見込み業種、③新地方の3つを重ね合わせ、「新地方の単位で協力する」戦略を提案する（原論文 図12・表3）。

人材確保：グループ別に考えられる対策（原論文 表3）

まとめと課題

本ページで実際に再現できたこと

原論文が挙げる課題

• 通勤・通学の流動性：この新地方の基礎データは流動的で、時代に応じた再構築が必要。
• 県内総生産データの短さ：10年と短く、線形回帰では捉えきれないトレンド（例：東京の情報通信業）がある。
• 非類似度の定義：県外で働く人が少ない北海道・沖縄では非類似度が現実に合わない。図10で北海道・沖縄間の距離が{京都・滋賀}や{和歌山・奈良・兵庫}のクラスター間距離より小さくなるのは不自然で、「他県で働く人の少なさ」を距離定義に組み込む改善余地がある。

🐍 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_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。