増減数から見るうつ病の要因

いまや若者だけでなく中高年でも、だれもがかかりうるのがうつ病であり、我が国の患者数は増加の一途をたどっている。著者は「この状況に終止符を打つべく、うつ病の要因を解明し社会に提言する」ことを目的に掲げた。うつ病の原因は「遺伝」「ストレス」「脳機能」の3つに大別されるが、遺伝・脳機能は専門知識が必要で解明が難しいため、本研究は「ストレス」に着目する。

分析期間は2014年から2017年に限定した。これは新型コロナウイルスという特殊な影響を除くためで、著者は「コロナ終息後のうつ病対策にも役立つ」と考えた。うつ病患者数を減らすことは、WHOが指摘する自殺（精神障害のある人が9割）の抑制や「社会活動の活発化」にもつながる、という問題意識が背景にある。

高校生の部 患者調査・SSDSE-A/B/C/D 相関分析・無相関の検定 多重共線性・VIF 重回帰分析

使用データと「うつ病患者増減数」の作り方

目的変数はうつ病患者増減数で、厚生労働省「患者調査」の「精神及び行動の障害（気分［感情］障害（躁うつ病を含む）（再掲））」を用い、2017年の値 − 2014年の値で都道府県ごとに算出した。説明変数は6観点の仮説指標で、SSDSE-A/B/C/D、地域別最低賃金改定状況（厚生労働省）、統計でみる都道府県の姿2020、面積調（国土地理院）など複数の出典を組み合わせている。年度の異なるデータを組み合わせている点は注意が必要である。

表1　主なデータと出典（原論文 3.2 より抜粋）

分析方法：相関分析 → 無相関の検定 → VIF → 重回帰

① 相関分析と無相関の検定

仮説を立てた各指標とうつ病患者増減数の相関係数を求め、さらに無相関の検定でp値を算出した。著者は「r が −1≦r<−0.2 または 0.2<r≦1 の範囲内、かつ有意水準5%で有意」なものを「うつ病の要因と考えられる指標」と定義した。

② VIFで多重共線性を除去

選ばれた指標で重回帰する前に、VIFを計算。VIF>10 を多重共線性ありと判断し、映画鑑賞率・音楽鑑賞率・趣味としての読書のうちVIFの高い音楽鑑賞率・読書を除外した。外れ値（東京・神奈川・青森・秋田・埼玉・大阪・千葉・愛知）も箱ひげ図で特定して除いた。

③ 「支出」という共通性を見つけて再分析

仮説と反して正の相関を示した「映画鑑賞」「音楽鑑賞」「読書」「外食」に、著者は「出費」という共通性を見出した。そこで家計の支出項目（消費支出ほか）を新たに使い、支出とうつ病患者増減数の重回帰分析を追加で行った。

6観点の仮説指標それぞれと、うつ病患者増減数との相関係数が原論文 表3 にまとめられている。この図はその報告値をそのまま可視化したものである（うつ病患者増減数＝患者調査はSSDSE-Bに無いため再計算できない）。無相関の検定で有意（p<0.05）だった指標を赤で示す。

=== [1] 仮説指標とうつ病患者増減数の相関係数（原論文 表3 の報告値）===
目的変数「うつ病患者増減数」は患者調査由来で SSDSE に無く、再計算不可（報告値の転記）
無相関の検定で有意（p<0.05）だった指標は 7 個:
  睡眠           r=-0.309（負の相関・有意）
  映画鑑賞率        r=+0.397（正の相関・有意）
  音楽鑑賞率        r=+0.330（正の相関・有意）
  趣味としての読書     r=+0.382（正の相関・有意）
  転入者数         r=+0.437（正の相関・有意）
  森林面積割合       r=-0.359（負の相関・有意）
  外食           r=+0.306（正の相関・有意）
最大の正の相関: 転入者数 r=+0.437 / 最大の負の相関: 森林面積割合 r=-0.359
※ 男女別うつ病患者増減数どうしの相関は r=0.84（原論文 図3 の報告値）

図1：仮説指標とうつ病患者増減数の相関係数。報告値の可視化（再計算ではない）（原論文 表3）。赤＝無相関の検定で有意（p<0.05）。点線は著者が要因判定に用いた |r|=0.2 の基準線。

「出費」という共通性に着目した著者は、家計の支出7項目を説明変数に、うつ病患者増減数を目的変数にした重回帰分析を行った。その偏回帰係数とP値が原論文 表11 にまとめられている。この図はその報告値をそのまま可視化したものである（目的変数がSSDSE-Bに無いため再計算不可）。

=== [2] 支出の重回帰の偏回帰係数（原論文 表11 の報告値）===
切片=-12.197 / 重相関R=0.590537 / 補正R²=0.23184 / 有意F=0.013204 / 観測数=47
説明変数                      係数        P値  判定
消費支出               -0.000580  0.015377  有意・減少要因
食料費                 0.000753  0.259842  n.s.
家具・家事用品費            0.000270  0.907371  n.s.
被服及び履物費            -0.001450  0.571215  n.s.
交通・通信費              0.001219  0.020736  有意・増加要因
教育費                -0.000058  0.934852  n.s.
教養娯楽費               0.003347  0.006597  有意・増加要因
→ 有意（P<0.05）: 消費支出=減少要因 / 交通・通信費・教養娯楽費=増加要因（原論文の判断）
※ もう一つの重回帰では転入者数が有意（係数0.000266・P=0.004488、原論文 表参照）
※ 著者は「補正R²が低い」ことを認めつつ、原因解明が目的として有意Fと係数を解釈

図2：支出に関する重回帰の偏回帰係数（目的変数＝うつ病患者増減数）。報告値の可視化（再計算ではない）（原論文 表11）。緑＝有意な増加要因、赤＝有意な減少要因、灰＝有意でない（n.s.）。

以下の相関・係数の向きと数値はすべて原論文の報告値である。相関分析（表3・表4）と2つの重回帰（転入者数の回帰・支出の回帰）から、著者は次のように整理した。

相関分析でわかったこと（表3・表4）

重回帰でわかったこと（報告値）

最初の重回帰（要因指標＋外れ値除外, 観測数39）では転入者数が有意（係数0.000266, P=0.004488）で、うつ病の要因と判断された。支出の重回帰（観測数47）では、消費支出が減少要因（−0.00058, P=0.015）、交通・通信費（+0.001219, P=0.021）と教養娯楽費（+0.003347, P=0.007）が増加要因として有意だった。

原論文の目的変数（うつ病患者増減数）はSSDSE-Bに無い。しかし説明変数の一部（転入者数・家計の支出項目）はSSDSE-Bにも収録されている。まずは最初の重回帰で有意だった「転入者数」を、SSDSE-Bから構築してみる。

160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183

df = pd.read_csv(DATA_B, encoding='cp932', header=0, skiprows=[1])
df['SSDSE-B-2026'] = pd.to_numeric(df['SSDSE-B-2026'], errors='coerce')
d = df[df['SSDSE-B-2026'] == 2023].copy().reset_index(drop=True)

for c in ['A1101', 'A5101', 'L3221', 'L322101', 'L322104',
          'L322105', 'L322107', 'L322108', 'L322109']:
    d[c] = pd.to_numeric(d[c], errors='coerce')

d['転入者数'] = d['A5101']                     # A5101 転入者数（日本人移動者・人）
d['転入率']   = d['A5101'] / d['A1101'] * 1000  # 参考: 人口千対

print('=== [3] SSDSE-B から転入者数を構築（実再現・2023年・都道府県）===')
print(f'対象: {len(d)}都道府県 / 原論文の最初の重回帰で有意だった「転入者数」を SSDSE-B で構築')
dr = d.sort_values('転入者数', ascending=False)
# 原論文 表1 が転入者数の外れ値として除外した6都府県
outliers = ['東京都', '神奈川県', '埼玉県', '大阪府', '千葉県', '愛知県']
print('転入者数が多い上位6都府県（原論文が外れ値として除外した地域とほぼ一致）:')
for _, r in dr.head(6).iterrows():
    flag = ' ← 原論文で外れ値除外' if r['Prefecture'] in outliers else ''
    print(f"  {r['Prefecture']:<5} {int(r['転入者数']):>8,} 人{flag}")
print('転入者数が少ない下位5県:')
for _, r in dr.tail(5).iterrows():
    print(f"  {r['Prefecture']:<5} {int(r['転入者数']):>8,} 人")
print('→ 転入者数は大都市圏が突出。原論文もこれらを外れ値として除外して回帰した。')

=== [3] SSDSE-B から転入者数を構築（実再現・2023年・都道府県）===
対象: 47都道府県 / 原論文の最初の重回帰で有意だった「転入者数」を SSDSE-B で構築
転入者数が多い上位6都府県（原論文が外れ値として除外した地域とほぼ一致）:
  東京都    406,749 人 ← 原論文で外れ値除外
  神奈川県   211,257 人 ← 原論文で外れ値除外
  埼玉県    160,736 人 ← 原論文で外れ値除外
  大阪府    159,522 人 ← 原論文で外れ値除外
  千葉県    140,104 人 ← 原論文で外れ値除外
  愛知県    104,565 人 ← 原論文で外れ値除外
転入者数が少ない下位5県:
  島根県      9,318 人
  徳島県      8,397 人
  高知県      8,278 人
  福井県      8,135 人
  鳥取県      7,578 人
→ 転入者数は大都市圏が突出。原論文もこれらを外れ値として除外して回帰した。

原論文の最初の重回帰で有意だった変数は転入者数だった。その転入者数を、SSDSE-Bの「転入者数（日本人移動者）」から都道府県別にランキングにする。これは実データからの再計算（実再現）で、原論文と同じ都道府県粒度だが、年次が2023年である点に注意（地図の代わりにランキングで地域差を表現）。

図3：都道府県別 転入者数（日本人移動者）ランキング（SSDSE-B 2023年、N=47）。実再現／都道府県粒度（原論文は2017年前後）。赤＝原論文 表1 が外れ値として除外した大都市圏、その他は地域ブロック色。

原論文の統計的な見どころは、支出の重回帰の前に支出項目どうしの相関（表9）とVIF（表10）で多重共線性を確認した点にある。SSDSE-Bで構築した支出7項目の相関を計算し、その多重共線性を自分の手で確かめる。

190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212

exp_cols = {
    'L3221':   '消費支出',
    'L322101': '食料費',
    'L322104': '家具・家事用品費',
    'L322105': '被服及び履物費',
    'L322107': '交通・通信費',
    'L322108': '教育費',
    'L322109': '教養娯楽費',
}
exp = d[list(exp_cols.keys())].rename(columns=exp_cols)
corr = exp.corr()
print('=== [4] 支出7項目間の相関ヒートマップ（実再現・原論文 表9 に対応）===')
print('うつ病患者増減数（患者調査）は SSDSE に無いため、原論文 表9 のうち')
print('「支出項目どうしの相関」だけを SSDSE-B 2023年で実計算する（多重共線性の実演）。')
print(corr.round(2).to_string())
pairs = []
labels = list(exp_cols.values())
for i in range(len(labels)):
    for j in range(i + 1, len(labels)):
        pairs.append((labels[i], labels[j], corr.iloc[i, j]))
pairs.sort(key=lambda t: abs(t[2]), reverse=True)
a, b, r = pairs[0]
print(f'最も強い相関ペア: {a} × {b} → r = {r:.3f}')

=== [4] 支出7項目間の相関ヒートマップ（実再現・原論文 表9 に対応）===
うつ病患者増減数（患者調査）は SSDSE に無いため、原論文 表9 のうち
「支出項目どうしの相関」だけを SSDSE-B 2023年で実計算する（多重共線性の実演）。
          消費支出   食料費  家具・家事用品費  被服及び履物費  交通・通信費   教育費  教養娯楽費
消費支出      1.00  0.68      0.55     0.68    0.57  0.58   0.80
食料費       0.68  1.00      0.48     0.61   -0.03  0.73   0.76
家具・家事用品費  0.55  0.48      1.00     0.67    0.22  0.41   0.58
被服及び履物費   0.68  0.61      0.67     1.00    0.09  0.63   0.76
交通・通信費    0.57 -0.03      0.22     0.09    1.00 -0.15   0.15
教育費       0.58  0.73      0.41     0.63   -0.15  1.00   0.75
教養娯楽費     0.80  0.76      0.58     0.76    0.15  0.75   1.00
最も強い相関ペア: 消費支出 × 教養娯楽費 → r = 0.801
→ 支出項目どうしは正に相関し合う（原論文 表9 と整合）。ただし原論文は表10 の
  VIF がすべて10未満だったため、全項目を残して重回帰を行った。

図4：家計支出7項目間の相関ヒートマップ（SSDSE-B 2023年、N=47）。実再現／都道府県粒度。赤＝正・青＝負の相関。原論文 表9・表10（支出項目間の相関とVIF＝多重共線性の確認）に対応。

結果の解釈と考察（原論文「6」）

著者は2つの重回帰の結果から、転入者数・交通・通信費・教養娯楽費がうつ病の増加要因、消費支出が減少要因と結論づけ、それぞれに解釈を与えた（すべて報告値に基づく著者の考察）。

増加要因の解釈

転入者数：新たな土地への移住の不安や、新しい環境になじみにくいこと。交通・通信費：移動という「絶対的に必要な出費」が多いほど自由に使えるお金が減り、生活が苦しくなる。教養娯楽費：趣味にお金をつぎ込みすぎて自由なお金が減り、さらに「楽しさからのむなしさという落差」が精神的ダメージを増幅させる、と著者は考えた。映画・音楽鑑賞が正の相関を示したのもこの支出が原因だと解釈している。

減少要因の解釈

消費支出：物を買うことで購買意欲を満たせる。ただし「支出の中にも増加要因がある」ため、何にお金を使うのかが大切だと著者は強調する。

原論文は SSDSE-A/D の生活時間・行動データを使ってうつ病の要因を探索しました。同じ SSDSE-D-2023 の睡眠時間を使い、健康関連指標との関係を確認します。

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

d_raw = pd.read_csv('data/raw/SSDSE-D-2023.csv', encoding='cp932', header=1)
d_raw = d_raw[(d_raw['男女の別'] == '0_総数') & (d_raw['地域コード'] != 'R00000')]
d = d_raw.set_index('都道府県')
dv = lambda c: pd.to_numeric(d[c], errors='coerce')
b_raw = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
b = b_raw[(b_raw['年度'] == 2021) & b_raw['地域コード'].str.match(r'^R\d{5}$', na=False)].set_index('都道府県')
bv = lambda c: pd.to_numeric(b[c], errors='coerce')

sleep = dv('睡眠')
health = bv('保健医療費（二人以上の世帯）') / bv('消費支出（二人以上の世帯）') * 100
r, p = stats.pearsonr(sleep, health)
print(f'睡眠時間（分/日）平均 {sleep.mean():.0f} 分  最長: {sleep.idxmax()} {sleep.max():.0f}分 / 最短: {sleep.idxmin()} {sleep.min():.0f}分')
print(f'睡眠時間 × 保健医療費割合: r = {r:+.3f} (p={p:.4f})')

まとめと今後の課題

本研究は、都道府県別のうつ病患者増減数（2017−2014）を目的変数に、6観点の仮説指標を相関分析＋無相関の検定でスクリーニングし、VIFで多重共線性を確認してから重回帰する、という手順で、転入者数・交通・通信費・教養娯楽費（増加要因）と消費支出（減少要因）を見出した（いずれも報告値）。「楽しいはずの娯楽が正の相関」という違和感から「支出」という共通性を発見し、追加の重回帰につなげた探究の流れが見どころである。

データ・コードのダウンロード

このページの転入者数ランキング（図3）と支出項目間の相関ヒートマップ（図4）は、以下から再現できます。

🐍 再現コード（.py） 📊 SSDSE-B-2026.csv

※ 図1（仮説指標の相関係数）と図2（支出の重回帰の偏回帰係数）は、目的変数のうつ病患者増減数（患者調査）がSSDSE-B外のため、原論文の報告値を可視化したものです。図3・図4はSSDSE-Bの転入者数・家計支出項目からの実再現ですが、原論文が2017年前後なのに対し本再現は2023年で、うつ病患者増減数が無いため「説明変数の作り方と多重共線性」の再現です。

🐍 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/2022_H5_10_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。