地方自治のDX化推進

著者は香川県の高校生である。人工知能やビッグデータなどデジタル技術は地域の課題解決や利便性向上につながり、コロナ禍でも行政・企業のデジタル化が求められた。しかし IMD（国際経営開発研究所）の世界デジタル競争力ランキング2021 で、日本は世界28位と、ランキングに含まれた東アジア諸国の中で最も低い。前年より低下傾向でもあり、日本のデジタル化は相対的に遅れていると著者は問題視した。

著者は「日本のデジタル化の遅れは全国規模でのデジタル人材不足が原因で、地方自治体の取り組みが必要」と考え、地域創生の観点で、地元の香川県と、中国四国で情報通信業の従業者割合が最も高い広島県を比較することにした。両県のデジタル化推進戦略の文書そのものを KH Coder でテキストマイニングし、戦略の相違点や傾向の違いを探る、というのが全体の発想である。

高校生の部 SSDSE-E＋IMD・世界の統計・KH Coder 記述統計（割合） テキストマイニング 香川 vs 広島の比較

使用データと再現可能性の整理

本研究は複数の出典を組み合わせている。世界デジタル競争力ランキングは IMD（2021）、国ごとの情報通信業就業者割合は総務省統計局「世界の統計2022 第12章 労働・賃金」、都道府県別の情報通信業従業者数は SSDSE-E-2022v2（2016年）、テキストマイニングの対象文書はかがわデジタル化推進戦略・広島県行政デジタル化推進アクションプラン・広島デジフラ構想2022である。

主なデータと出典（原論文 表1）

分析の流れ：割合 → 比較県の選定 → テキストマイニング

① 日本のデジタル化の遅れを数値で確認（報告値＋実再現）

世界デジタル競争力ランキングで日本が28位（報告値）であること、国ごとの情報通信業就業者割合で日本が約3.59%（報告値・国レベル）であることを示す。さらに都道府県別の割合を SSDSE-E から計算し、東京都が突出して地方が低い構図を確かめる（実再現）。

② 比較する2県を選ぶ（香川 vs 広島）

地元の香川県と、中国四国地方で情報通信業の従業者割合が最も高い広島県を選ぶ。ランキングで両県の位置づけを確認する。

③ 戦略文書をテキストマイニング（報告値）

両県のデジタル化推進戦略の文書を KH Coder にかけ、頻出語で重点分野を、共起ネットワークで語と語の結びつきを可視化する。

④ 傾向の違いを解釈し提言する

頻出語・共起ネットワークの違いから、両県のデジタル化戦略の重点の差を読み取り、自治体同士が施策を模倣・比較し合う意義を論じる。

研究の出発点は「地方のデジタル人材が足りない」という問題意識だった。これをSSDSE-Eで実再現する。ここはSSDSEの割合計算で再現できる中心的な実再現部分である。

 96
 97
 98
 99
100
101
102
103
104
105
106
107
108

# ── SSDSE-E 読み込み（cp932 / 1行目=コード, 2行目=年度, 3行目=日本語名）──
# header=0 でコードを列名にし、年度・日本語名の2行は skiprows=[1, 2] で除く。
df = pd.read_csv(DATA_E, encoding='cp932', header=0, skiprows=[1, 2])
for c in ['C2208', 'C220839', 'C2108', 'C210839']:
    df[c] = pd.to_numeric(df[c], errors='coerce')

# 情報通信業の「従業者割合」「事業所割合」を再計算（原論文 図3 と同じ定義）
df['ict_emp']   = df['C220839'] / df['C2208'] * 100   # 従業者数（民営）に占める情報通信業
df['ict_estab'] = df['C210839'] / df['C2108'] * 100   # 事業所数（民営）に占める情報通信業

jp   = df[df['Prefecture'] == '全国'].iloc[0]          # 全国行（基準）
pref = df[df['Prefecture'] != '全国'].copy()           # 47都道府県のみ
rank = pref.sort_values('ict_emp', ascending=False).reset_index(drop=True)

117
118
119
120
121
122
123
124
125
126
127
128
129
130

print('=== [1] 都道府県別 情報通信業従業者割合ランキング（原論文 図3）【実再現・SSDSE-E-2026】===')
print('従業者数（民営）（情報通信業 C220839）÷ 従業者数（民営 C2208）× 100（％）。')
print(f"  全国（基準）: {jp['ict_emp']:.3f}%")
print(f"  {'順位':>4}{'都道府県':>10}{'情報通信業従業者割合':>16}")
for i, r in rank.head(12).iterrows():
    mark = ' ★比較対象' if r['Prefecture'] in HL else ''
    print(f"  {i+1:>4}{r['Prefecture']:>10}{r['ict_emp']:>14.3f}%{mark}")
for p in ['広島県', '香川県']:
    ri = int(rank.index[rank['Prefecture'] == p][0]) + 1
    print(f"  → {p}: {float(rank.loc[ri-1, 'ict_emp']):.3f}%（全47都道府県中 第{ri}位）")
print('→ 東京都が突出して高く（再計算11.3%／原論文の報告値9.43%）、広島県は香川県より上位。')
print('   原論文の主張「東京都が非常に高く、地方は低い」という構図が新しいデータでも確認できる。')
print('   （原論文は「大阪府以下はすべて日本平均を下回る」と報告したが、2021年データでは大阪府は')
print('     全国平均をわずかに上回る。データ年次の違いによる差であり、報告値と再計算値は分離して扱う。）')

=== [1] 都道府県別 情報通信業従業者割合ランキング（原論文 図3）【実再現・SSDSE-E-2026】===
従業者数（民営）（情報通信業 C220839）÷ 従業者数（民営 C2208）× 100（％）。
  全国（基準）: 3.429%
    順位      都道府県      情報通信業従業者割合
     1       東京都        11.321% ★比較対象
     2       大阪府         4.028%
     3      神奈川県         3.575%
     4       福岡県         2.733%
     5       沖縄県         2.420%
     6       愛知県         2.345%
     7       宮城県         2.076%
     8       北海道         2.047%
     9       石川県         2.005%
    10       広島県         1.788% ★比較対象
    11       京都府         1.692%
    12       茨城県         1.574%
  → 広島県: 1.788%（全47都道府県中 第10位）
  → 香川県: 1.481%（全47都道府県中 第15位）
→ 東京都が突出して高く（再計算11.3%／原論文の報告値9.43%）、広島県は香川県より上位。
   原論文の主張「東京都が非常に高く、地方は低い」という構図が新しいデータでも確認できる。
   （原論文は「大阪府以下はすべて日本平均を下回る」と報告したが、2021年データでは大阪府は
     全国平均をわずかに上回る。データ年次の違いによる差であり、報告値と再計算値は分離して扱う。）

図1：都道府県別 情報通信業従業者割合ランキング（上位15都道府県）。実再現（原論文 図3 に対応）。従業者数（民営）（情報通信業）÷ 従業者数（民営）。東京都が11.3%で突出し、広島県（第10位）は香川県（第15位）より上位。年次注：原論文は SSDSE-E-2022v2（2016年）、本図は SSDSE-E-2026（2021年）のため、原論文の報告値（東京9.43%）とは一致しない。

同じ SSDSE-E-2026 を使い、情報通信業の集積を事業所と従業者の両面から確かめる。原論文の図には無いが、同じデータから作れる実再現の発展である。

138
139
140
141
142
143
144
145
146

print('\n=== [2] 情報通信業 事業所割合 × 従業者割合 の相関（47都道府県）【実再現・発展】===')
r_es = pref['ict_estab'].corr(pref['ict_emp'])
print(f'ピアソンの相関係数 r（事業所割合, 従業者割合）= {r_es:.4f}（本ページの再計算値）')
print(f"  {'都道府県':>10}{'事業所割合':>12}{'従業者割合':>12}")
for p in ['東京都', '広島県', '香川県']:
    row = pref[pref['Prefecture'] == p].iloc[0]
    print(f"  {p:>10}{row['ict_estab']:>10.3f}%{row['ict_emp']:>10.3f}%")
print('→ 事業所割合が高い県ほど従業者割合も高い強い正の相関。東京都が右上に突出し、')
print('   広島県は香川県より事業所・従業者ともに情報通信業の集積がやや厚い（再計算値）。')

=== [2] 情報通信業 事業所割合 × 従業者割合 の相関（47都道府県）【実再現・発展】===
ピアソンの相関係数 r（事業所割合, 従業者割合）= 0.9907（本ページの再計算値）
        都道府県       事業所割合       従業者割合
         東京都     4.537%    11.321%
         広島県     1.035%     1.788%
         香川県     0.901%     1.481%
→ 事業所割合が高い県ほど従業者割合も高い強い正の相関。東京都が右上に突出し、
   広島県は香川県より事業所・従業者ともに情報通信業の集積がやや厚い（再計算値）。

図2：情報通信業の 事業所割合 × 従業者割合（47都道府県）。実再現・発展（SSDSE-E-2026）。強い正の相関 r=0.99。東京都が右上に突出。香川県・広島県をハイライト。数値はすべて本ページの再計算値。

導入部の数値（世界28位・国レベル3.59%・原論文が示した東京9.43%）は、IMD・世界の統計・SSDSE-E-2022v2 が出典で、本ページの再計算とは出典・粒度・年次が異なる。ここでは原論文の報告値を転記して可視化し、本ページの再計算値とラベルで分離する。

=== [3] 原論文の報告値の転記【報告値の可視化・再計算ではない】===
■ 図1 世界デジタル競争力ランキング（IMD 2021・原論文の報告値）
   日本は世界28位。ランキングに含まれた東アジア諸国の中で最も低い順位。
■ 図2 国ごとの情報通信業就業者割合（世界の統計2022・国レベル・原論文の報告値）
   日本は約3.59%。データが存在した国の中では中位（＝国レベルの値で都道府県とは別粒度）。
■ 図3 都道府県別 情報通信業就業者割合（SSDSE-E-2022v2・2016年・原論文の報告値）
   東京都は約9.43%（原論文の報告値）。
   ── 参考：本ページの再計算値（SSDSE-E-2026・2021年）──
   東京都 = 11.321%（再計算）／全国 = 3.429%（再計算）
   報告値（2016年・9.43%）と再計算値（2021年・約11.3%）はデータ年次が異なるため一致しない。
   どちらも「東京都が突出」という主張を支持する。数値はラベルで区別して扱う。

図3：報告値と再計算値のラベル分離（情報通信業従業者割合）。報告値の可視化（再計算ではない）を含む。橙＝原論文の報告値（東京9.43%・2016年・SSDSE-E-2022v2）、青＝本ページの再計算値（2021年・SSDSE-E-2026）。年次が違うため値は一致しない。新たな数値の捏造はしていない。

ここが原論文の中心である。両県のデジタル化推進戦略の文書を KH Coder にかけた頻出語を比べる。出現数は原論文に掲載が無いため、順位（並び順）だけを再表現する（数値は捏造しない）。

174
175
176
177
178
179
180
181
182
183
184
185

print('\n=== [4] KH Coder 頻出語 上位ランキング（原論文 図6・図7）【報告値のランキング再表現】===')
KAGAWA_WORDS = ['デジタル', '社会', 'データ', 'デジタル技術', '課題', '人口', '地域',
                '行政', '情報', '経済', '県民', '産業', '本県', '技術']
HIROSHIMA_WORDS = ['データ', 'デジタル', 'デジタル技術', '県民', '社会', '行政', '取組',
                   '業務', '分野', 'インフラ', '官民', '経済', '県庁', '地域']
print('※ 出現数の数値は原論文に掲載が無いため、順位（並び順）のみを転記する（捏造しない）。')
print(f"  {'順位':>4}{'香川県（図6）':>16}{'広島県（図7）':>16}")
for i, (kg, hr) in enumerate(zip(KAGAWA_WORDS, HIROSHIMA_WORDS), start=1):
    print(f"  {i:>4}{kg:>14}{hr:>16}")
print('→ 両県とも「デジタル」「データ」「デジタル技術」が上位で共通。')
print('   香川県は「課題」「人口」「地域」が上位＝人口・地域の課題解決を志向（原論文の解釈）。')
print('   広島県は「県民」「行政」「インフラ」が上位＝県民サービス・インフラ整備を志向（原論文の解釈）。')

=== [4] KH Coder 頻出語 上位ランキング（原論文 図6・図7）【報告値のランキング再表現】===
※ 出現数の数値は原論文に掲載が無いため、順位（並び順）のみを転記する（捏造しない）。
    順位         香川県（図6）         広島県（図7）
     1          デジタル             データ
     2            社会            デジタル
     3           データ          デジタル技術
     4        デジタル技術              県民
     5            課題              社会
     6            人口              行政
     7            地域              取組
     8            行政              業務
     9            情報              分野
    10            経済            インフラ
    11            県民              官民
    12            産業              経済
    13            本県              県庁
    14            技術              地域
→ 両県とも「デジタル」「データ」「デジタル技術」が上位で共通。
   香川県は「課題」「人口」「地域」が上位＝人口・地域の課題解決を志向（原論文の解釈）。
   広島県は「県民」「行政」「インフラ」が上位＝県民サービス・インフラ整備を志向（原論文の解釈）。

図4：香川県 vs 広島県 KH Coder 頻出語 上位ランキング（原論文 図6・図7）。報告値のランキング再表現（再計算ではない）。青字＝両県に共通する語。出現数は原論文に非掲載のため順位（並び順）のみを示す（新たな数値の捏造なし）。

共起ネットワークと結果の解釈（報告値）

頻出語に加え、著者は共起ネットワーク（図8・図9）で語と語の結びつきを分析した。共起ネットワーク図は本ページで再現できないため、原論文の記述を転記して説明する。

=== [5] 結果の解釈と結論（原論文の主張）===
・共起ネットワーク（図8・図9・報告値）：香川県は「デジタル技術」に「活用」「必要」「データ」
  「推進」が結びつき、「人材不足・育成」「人口減少」「災害」「オンライン行政手続き」など
  課題解決の語が現れる。広島県は「デジタル技術」に「活用」「データ」が結びつき、「DX推進」
  「県民のサービス向上」「インフラ」など生活基盤の語が現れる。
・広島県はインフラデータ公開サイト「Dobox」、香川県はデジタル人材育成施設
  「Setouchi-i-Base」を運営（原論文）。
・結論：香川県は人口減少など社会問題の解決を、広島県は県民の利便性向上・インフラ整備を
  目標とする傾向。同じ課題を持つ地方自治体同士が施策を模倣・比較し合うことが、日本全体の
  DX化推進につながる（原論文の主張。本ページでは新たな数値の捏造は行わない）。

香川県：人口減少など社会問題の解決を志向（原論文 5章）

頻出語で「課題」「人口」「地域」が上位に立ち、共起ネットワークでも「人材不足・育成」「人口減少」「災害」など課題解決の語が「デジタル技術」に結びついた。香川県は人口減少による地域の活力維持・人材不足という社会問題の解決をデジタル化の目標に据える傾向がある。デジタル人材育成施設「Setouchi-i-Base」の運営もこれと整合する。

広島県：県民サービス・インフラ整備を志向（原論文 5章）

頻出語で「県民」「行政」「インフラ」が上位に立ち、共起ネットワークでも「DX推進」「県民のサービス向上」「インフラ」が現れた。広島県は県民の利便性向上やインフラ整備などDX推進を見据えた目標を持つ傾向がある。建設分野の人材不足を背景に、インフラデータを専門公開するサイト「Dobox」を運営している点が特徴的である。

まとめと今後の課題

本研究は、デジタル化で遅れる日本の地方自治体はどんな戦略でDXを進めるのかという問いに、情報通信業の割合分析と戦略文書のテキストマイニングで挑んだ。都道府県別の情報通信業従業者割合は東京都が突出し地方が低いことを示し（実再現：東京11.3%・広島第10位・香川第15位）、両県の戦略文書の頻出語・共起ネットワークから、香川県は人口減少など社会問題の解決を、広島県は県民サービス・インフラ整備を志向する傾向を読み取った（報告値）。著者は、同じ課題を持つ自治体同士が施策を模倣・比較し合うことが日本全体のDX化につながると提言した。割合ランキングはSSDSEで実再現し、報告値や出現数非掲載の頻出語は切り分けて可視化した。数値統計だけでなく行政文書そのものをデータにした着眼が見どころである。

データ・コードのダウンロード

このページの実再現の図（図1・図2）は、以下から再現できます。

🐍 再現コード（.py） 📊 SSDSE-E-2026.csv

※ 図1（都道府県別 情報通信業従業者割合ランキング）と図2（事業所割合×従業者割合の散布図）はSSDSE-E-2026からの実再現です。図3（世界28位・国レベル3.59%・原論文の東京9.43%）は出典がIMD・世界の統計・SSDSE-E-2022v2でSSDSE-E-2026外のため報告値を可視化し、本ページの再計算値とラベルで分離しています。図4（頻出語ランキング）は出現数が原論文非掲載のため順位のみ再表現しています（新たな数値の捏造はしていません）。

🐍 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_4_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。