テレワークの拡大と通勤通学時間の
減少がもたらす影響と課題

d = pd.read_csv(DATA_D, encoding='cp932', header=1)
d = d[d['男女の別'].astype(str).str.contains('総数')]
d = d[d['都道府県'] != '全国'].copy()

COMMUTE = '通勤・通学'          # 総平均時間（分）＝通勤通学時間の代理指標
d[COMMUTE] = pd.to_numeric(d[COMMUTE], errors='coerce')
print('SSDSE-D 読み込み: N =', len(d), '都道府県  （調査年: 2021年）')
print(f'通勤・通学時間（総平均時間）: 全国的な平均 {d[COMMUTE].mean():.1f}分  '
      f'（{d[COMMUTE].min():.0f}〜{d[COMMUTE].max():.0f}分）')
print(f'最長: {d.loc[d[COMMUTE].idxmax(), "都道府県"]}  最短: {d.loc[d[COMMUTE].idxmin(), "都道府県"]}')

REPORTED_T3 = {
    '映画館以外での映画鑑賞': 0.90, 'CD・スマホ等による音楽鑑賞': 0.90, '外国語': 0.90,
    '海外旅行（観光）': 0.89, '写真の撮影・プリント': 0.88, '趣味としての読書': 0.86,
    '映画館での映画鑑賞': 0.85, '水泳': 0.85, '遊園地・動植物園・水族館の見物': 0.81,
    'ポピュラー音楽・民謡曲鑑賞': 0.80, 'テレビ・パソコンゲーム': 0.80, '楽器の演奏': 0.79,
    '登山・ハイキング': 0.77, 'テニス': 0.75, 'インターネット人口普及率': 0.73,
    'カラオケ': 0.71, 'サッカー（フットサル含む）': 0.70, 'サイクリング': 0.70,
    '育児': 0.66, '平均歩数': 0.64, '特許等出願件数': 0.56, '学童保育設置率': 0.56,
    '悩みやストレスのある者の率': 0.42, '自殺死亡者数（人口10万人）': -0.46,
    '合計特殊出生率': -0.49, '休養・くつろぎ': -0.57, 'テレビ・ラジオ・新聞・雑誌': -0.58,
    '食料自給率（カロリーベース）': -0.58, '生活習慣病受療者数（人口10万人）': -0.69,
    '平均年齢': -0.69, '睡眠': -0.77,
}
items = sorted(REPORTED_T3.items(), key=lambda x: x[1])
for k, v in items:
    bar = '#' * int(round(abs(v) * 20))

print('=== 実再現：通勤通学時間と睡眠時間（SSDSE-D 2021で再計算）===')
d['睡眠'] = pd.to_numeric(d['睡眠'], errors='coerce')
r_sleep, p_sleep = stats.pearsonr(d[COMMUTE], d['睡眠'])
print(f'  再計算 r = {r_sleep:+.3f}  (p = {p_sleep:.4g}, N={len(d)})   '
      f'← 原論文の報告値 ρ = -0.77（相関・偏相関とも）')
print(f'  睡眠時間 平均 {d["睡眠"].mean():.0f}分  '
      f'（{d["睡眠"].min():.0f}〜{d["睡眠"].max():.0f}分）')
print('  向き・強さとも原論文と整合：通勤通学時間が長い県ほど睡眠時間は短い')

print('=== 実再現：通勤通学時間と読書・音楽鑑賞行動者率（SSDSE-D 2021で再計算）===')
d['趣味としての読書（マンガを除く）'] = pd.to_numeric(d['趣味としての読書（マンガを除く）'], errors='coerce')
d['ＣＤ・スマートフォンなどによる音楽鑑賞'] = pd.to_numeric(d['ＣＤ・スマートフォンなどによる音楽鑑賞'], errors='coerce')
read = d['趣味としての読書（マンガを除く）']
music = d['ＣＤ・スマートフォンなどによる音楽鑑賞']
r_read, p_read = stats.pearsonr(d[COMMUTE], read)
r_music, p_music = stats.pearsonr(d[COMMUTE], music)
print(f'  読書   再計算 r = {r_read:+.3f}  (p={p_read:.4g})   ← 原論文の報告値 ρ = 0.86')
print(f'  音楽   再計算 r = {r_music:+.3f}  (p={p_music:.4g})   ← 原論文の報告値 ρ = 0.91')
print('  いずれも強い正の相関で原論文と整合：通勤通学時間が長い県ほど読書・音楽鑑賞の行動者率が高い')

print('=== 実再現：通勤通学時間と朝夜の生活時刻の相関（SSDSE-D 2021・表15の再現）===')
def to_min(s):
    """ "HH:MM" を0時起点の分に変換 """
    h, m = str(s).split(':')
    return int(h) * 60 + int(m)

# (表示名, 原論文の報告値ρ, SSDSE-Dの列名)
TIMES = [('起床', 0.41, '起床'), ('朝食開始', 0.30, '朝食開始'), ('出勤', 0.01, '出勤'),
         ('帰宅', 0.86, '仕事からの帰宅時間'), ('夕食開始', 0.75, '夕食開始'),
         ('就寝', 0.72, '就寝')]
names, recomputed, reported = [], [], []
for name, rep, col in TIMES:
    tmin = d[col].apply(to_min)
    r, _p = stats.pearsonr(d[COMMUTE], tmin)
    names.append(name); recomputed.append(r); reported.append(rep)
    print(f'  {name:6s} 再計算 r={r:+.3f}   ← 原論文の報告値 ρ={rep:+.2f}')

print('=== 報告値：健康4指標との相関・自動車保有台数別（原論文2016年の報告値）===')
HEALTH = ['医療費', '平均歩数', '生活習慣病\n受療者数', '健康診断\n有所見率']
ALL_JP  = [-0.58, 0.64, -0.69, -0.37]   # 表4：全体
MANY    = [-0.59, 0.49, -0.15, -0.29]   # 表6：自動車保有台数の多い15県
FEW     = [-0.91, 0.79, -0.92, -0.48]   # 表6：自動車保有台数の少ない15県
for i, h in enumerate(HEALTH):
    hn = h.replace(chr(10), '')
    print(f'  {hn:10s}  全体 {ALL_JP[i]:+.2f} / 多い県 {MANY[i]:+.2f} / 少ない県 {FEW[i]:+.2f}')
print('  自動車保有台数の少ない県ほど相関が強い＝徒歩・自転車・鉄道での通勤通学が健康に')
print('  良い影響を与えている、という原論文の解釈につながる。')