COVID-19が地域経済に与えた影響
消費支出・雇用指標のパネル分析

# 観光依存度による地域分類 df_b['宿泊密度'] = df_b['延べ宿泊者数'] / df_b['総人口'].replace(0, np.nan) # 2019年（COVID直前）の宿泊密度で高・低グループを分類 base_year = df_b[df_b['年度'] == 2019][['都道府県', '宿泊密度']].copy() median_density = base_year['宿泊密度'].median() base_year['観光グループ'] = np.where( base_year['宿泊密度'] >= median_density, '高観光依存', '低観光依存' ) # DiD比較：高観光 vs 低観光 × COVID前後 print(f"宿泊密度の中央値: {median_density:.4f}") print(f"高観光依存グループ: {(base_year['観光グループ'] == '高観光依存').sum()}都道府県") print(f"低観光依存グループ: {(base_year['観光グループ'] == '低観光依存').sum()}都道府県") # 政策示唆: 宿泊密度が高い地域ほどGo Toトラベル停止の影響が大きい # → 地域別の給付・支援策設計に活用可能

# 並行トレンド仮定の確認: COVID前（2012〜2019年）の地域別トレンドを可視化 pre_covid = df_b[df_b['年度'] <= 2019].copy() trend_check = pre_covid.groupby(['年度', '地域'])['消費支出_万円'].mean().reset_index() # 各地域の2012→2019年のトレンドが平行かどうか確認 for reg, grp in trend_check.groupby('地域'): slope, intercept, r, p, se = stats.linregress(grp['年度'], grp['消費支出_万円']) print(f"{reg}: 年平均変化 = {slope:.3f}万円/年, R² = {r**2:.3f}") # 並行トレンドが成立していれば、DiD推定の妥当性が高い # → グループ間でslopeに大きな差がなければOK # COVID期ダミーの定義 df_b['COVID期'] = df_b['年度'].isin([2020, 2021]).astype(int) df_b['COVID後'] = (df_b['年度'] >= 2022).astype(int) # 回復期の別分析にも使用可能 # DiD 2×2テーブルの計算 pre_mean = df_b[df_b['年度'].isin([2018, 2019])]['消費支出_万円'].mean() covid_mean = df_b[df_b['COVID期'] == 1]['消費支出_万円'].mean() print(f"COVID前平均: {pre_mean:.2f}万円") print(f"COVID期平均: {covid_mean:.2f}万円") print(f"DiD推定値（簡易）: {covid_mean - pre_mean:.2f}万円")

import statsmodels.api as sm from linearmodels.panel import PanelOLS # パネルデータのマルチインデックス設定（必須） df_panel = df_b[['年度', '都道府県', '消費支出_log', 'COVID期', '求人倍率', '宿泊密度', '高齢化率']].dropna() df_panel = df_panel.set_index(['都道府県', '年度']) y = df_panel['消費支出_log'] X = sm.add_constant(df_panel[['COVID期', '求人倍率', '宿泊密度', '高齢化率']]) # 双方向固定効果モデル（Two-Way FE） mod = PanelOLS( y, X, entity_effects=True, # μᵢ: 都道府県固定効果 time_effects=True, # λₜ: 年度固定効果 drop_absorbed=True # 多重共線性を避けるため吸収された変数を除去 ) # クラスター標準誤差（都道府県クラスター） res = mod.fit(cov_type='clustered', cluster_entity=True) print(res.summary) # Hausman検定（固定効果 vs 変量効果の選択） # 実務では固定効果が一般に保守的（より信頼できる）選択 # PanelOLS を RE（RandomEffects）と比較してどちらが適切か判断する # from linearmodels.panel import RandomEffects # res_re = RandomEffects(y, X).fit() # hausman_stat = ... (手動計算) # 結果の確認 print(f"R² (within): {res.rsquared:.4f}") print(f"F統計量: {res.f_statistic.stat:.4f}") print(f"N観測数: {res.nobs}, N個体: {res.entity_info.total}")

# ===== Step 1: 2×2 DiD テーブル（概念確認） ===== # 処置群: 観光依存度が高い都道府県（宿泊密度 上位半分） # 対照群: 観光依存度が低い都道府県（宿泊密度 下位半分） # Before: 2019年（COVID直前）, After: 2020年（COVID初年） base_2019 = df_b[df_b['年度'] == 2019][['都道府県', '宿泊密度']].copy() median_d = base_2019['宿泊密度'].median() high_pref = base_2019[base_2019['宿泊密度'] >= median_d]['都道府県'].tolist() df_did = df_b[df_b['年度'].isin([2019, 2020])].copy() df_did['処置群'] = df_did['都道府県'].isin(high_pref).astype(int) df_did['After'] = (df_did['年度'] == 2020).astype(int) # 2×2 平均値 pivot = df_did.groupby(['処置群', 'After'])['消費支出_万円'].mean().unstack() print("2×2 DiD テーブル（消費支出万円）:") print(pivot) # After=0（2019） After=1（2020） # 処置群=0 ... ... # 処置群=1 ... ... # DiD推定量 = (処置群After - 処置群Before) - (対照群After - 対照群Before) did_estimate = ( (pivot.loc[1, 1] - pivot.loc[1, 0]) - (pivot.loc[0, 1] - pivot.loc[0, 0]) ) print(f"\nDiD推定値: {did_estimate:.3f}万円") print("（負の値 → 高観光依存都道府県がより大きく落ち込んだ）") # ===== Step 2: 複数時点DiD（パネルOLSに拡張） ===== # interaction term: 処置群ダミー × COVID期ダミー df_b['高観光'] = df_b['都道府県'].isin(high_pref).astype(int) df_b['DiD_交差項'] = df_b['高観光'] * df_b['COVID期'] # DiD_交差項の係数がパネルDiD推定量 df_panel2 = df_b.set_index(['都道府県', '年度']) y2 = df_panel2['消費支出_log'] X2 = sm.add_constant(df_panel2[['COVID期', '高観光', 'DiD_交差項']]) mod2 = PanelOLS(y2, X2, entity_effects=True, time_effects=True, drop_absorbed=True) res2 = mod2.fit(cov_type='clustered', cluster_entity=True) print(res2.params) # DiD_交差項の係数 = 高観光×COVID期の純効果