景気の変動要因と景気の変動による影響の分析

著者たちは東京都立大泉高校の生徒である。研究の背景には円安の進行があり、原論文は「令和4年9月5日現在、1ドル＝140.42円」と、当時の厳しい日本経済の状況を出発点にしている。

景気の良し悪しを測る代表的な指標のひとつが有効求人倍率（有効求人数を有効求職者数で割った値）である。この値が高いほど「人手を求める企業が多い＝景気が良い」と読める。そこで著者は「有効求人倍率を高めるには、どの要素が効いているのか」を突き止めようとした。ただし関係は複雑に絡むと考え、単純な回帰ではなく表現力の高い予測モデル（ニューラルネットワーク）を作り、その中身を SHAP で開けるという二段構えの発想を採った。

高校生の部 SSDSE-B＋日銀・FRB・Yahoo! Finance・内閣府 回帰型ニューラルネットワーク SHAP（説明可能AI） 相関分析

使用データと再現可能性の整理

原論文は2005〜2019年・47都道府県のパネル（N=705）を組み、40以上の指標を説明変数に使っている。多くは人口・世帯・教育・消費といった SSDSE 由来の指標だが、景気指標（ドル円為替・日銀金利・米FRB金利・日経平均・NYダウ）は日本銀行・FRB・Yahoo! Financeから、県内総生産は内閣府「県民経済計算」から補っている。景気指標は47都道府県で同じ値を用いる全国共通の系列である。

主なデータと出典（原論文 表1）

分析の流れ：NN構築 → SHAP → 解釈

① データセットの加工と前処理（原論文 3章）

各年・各都道府県の月間有効求人倍率（一般）を目的変数に、人口・世帯・教育・消費・景気指標など多数の指標を説明変数として並べる。人数系の指標は総人口で割って規模の違いをそろえ、N=705を訓練60%・検証20%・テスト20%に分けたうえで標準化（平均0・分散1）する。

② 回帰型ニューラルネットワークの構築（原論文 2.1・4.1）

全結合層のみの回帰型ニューラルネットワークを PyTorch で組む。活性化関数は Mish（ReLUに似た滑らかな曲線）、損失は平均二乗誤差に L2正則化を足したもの。最適化は精度が最も安定した AdaGrad を選び、中間層16・ノード41・正則化係数0.002・バッチ3・学習率0.01・150エポックで学習した。

③ SHAP で予測の中身を開ける（原論文 2.2・4.2）

SHAP（SHapley Additive exPlanations）は、モデルの各予測に対してどの説明変数がどれだけ効いたかを定量化する説明可能AIの手法。NNには DeepExplainer を用い、各説明変数の貢献度（重要度）と、予測値との相関の向きを可視化する。

④ 結果を解釈する（原論文 5章）

SHAP の結果から、社会・経済（米国株・金利）、生活環境（消費）、教育、人口構成の各分野で、有効求人倍率に効く要因を読み解く。

⑤ SSDSE-Bでの実再現（本ページ）

目的変数の有効求人倍率と、SSDSEに収録された説明変数（年齢構成・一般旅券発行件数・消費）について、実データで推移と相関を確かめる。SHAPの数値そのものは再現できないため、原論文の符号の主張を単純相関で追試する。

研究の主役は目的変数の有効求人倍率である。まずこの指標が景気の波をどう映すかを、SSDSE-Bで全国について実再現する。ここは都道府県データから計算できる実再現部分である。

72
73
74
75
76
77
78
79
80
81
82
83
84
85

df = pd.read_csv(DATA_B, encoding='cp932', skiprows=[1])
NUM_COLS = ['F3103', 'F3102', 'A1101', 'A110101',
            'A1301', 'A1302', 'A1303', 'A4103', 'G5105', 'L322101', 'L322106']
for c in NUM_COLS:
    df[c] = pd.to_numeric(df[c], errors='coerce')
df['年度'] = df['SSDSE-B-2026'].astype(int)

# 指標づくり（SSDSE-B に実在する列だけを使用）
df['有効求人倍率'] = df['F3103'] / df['F3102']            # 月間有効求人数 / 月間有効求職者数
df['男性割合']   = df['A110101'] / df['A1101'] * 100      # 総人口に占める男性の割合
df['若年割合']   = df['A1301']  / df['A1101'] * 100      # 15歳未満人口割合
df['生産年齢割合'] = df['A1302'] / df['A1101'] * 100      # 15〜64歳人口割合
df['高齢割合']   = df['A1303']  / df['A1101'] * 100      # 65歳以上人口割合
df['旅券発行率'] = df['G5105']  / df['A1101'] * 1000     # 一般旅券発行件数（人口千人あたり）

 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108

nat = (df.dropna(subset=['F3103', 'F3102'])
         .groupby('年度')
         .apply(lambda g: g['F3103'].sum() / g['F3102'].sum())
         .rename('全国有効求人倍率')
         .reset_index())
band = (df.dropna(subset=['有効求人倍率'])
          .groupby('年度')['有効求人倍率']
          .agg(['min', 'max']).reset_index())

years = nat['年度'].values
peak_year = int(nat.loc[nat['全国有効求人倍率'].idxmax(), '年度'])
peak_val = nat['全国有効求人倍率'].max()
val_2012 = nat['全国有効求人倍率'].iloc[0]
val_2020 = float(nat.loc[nat['年度'] == 2020, '全国有効求人倍率'].values[0])
print(f"対象年度: {years.min()}〜{years.max()}（{len(years)}か年）")
print(f"全国の有効求人倍率: {val_2012:.3f}（{years.min()}年） → ピーク {peak_val:.3f}（{peak_year}年）")

=== [1] 月間有効求人倍率（一般）の推移（全国, 実再現） ===
対象年度: 2012〜2023（12か年）
全国の有効求人倍率: 0.708（2012年） → ピーク 1.517（2018年）
コロナ禍の 2020年に 1.056 まで低下（景気後退を反映）

図1：全国の月間有効求人倍率（一般）の推移（2012〜2023年）。実再現。SSDSE-B の F3103（求人数）／F3102（求職者数）から算出。0.708（2012）→1.517（2018ピーク）→コロナ禍2020に1.056へ低下。期間注：原論文は2005〜2019年パネルで、本ページは収録年（2012〜2023）での実再現。

原論文の主張のうち直感に反するのが「65歳以上割合は正・15〜64歳割合は負」である。これをSSDSE-Bの実データで検証する。

140
141
142
143
144
145

d23 = df[df['SSDSE-B-2026'] == 2023].dropna(subset=['有効求人倍率']).copy()
r_old, p_old = stats.pearsonr(d23['有効求人倍率'], d23['高齢割合'])
r_work, p_work = stats.pearsonr(d23['有効求人倍率'], d23['生産年齢割合'])
print(f"標本数 N = {len(d23)} 都道府県（2023年）")
print(f"有効求人倍率 × 65歳以上人口割合  : r = {r_old:+.4f}（p = {p_old:.4f}）… 原論文の報告は正 → 符号一致")
print(f"有効求人倍率 × 15〜64歳人口割合 : r = {r_work:+.4f}（p = {p_work:.4f}）… 原論文の報告は負 → 符号一致")

=== [2] 有効求人倍率 × 年齢構成（2023年・47都道府県, 実再現） ===
標本数 N = 47 都道府県（2023年）
有効求人倍率 × 65歳以上人口割合  : r = +0.2871（p = 0.0504）… 原論文の報告は正 → 符号一致
有効求人倍率 × 15〜64歳人口割合 : r = -0.3129（p = 0.0323）… 原論文の報告は負 → 符号一致

図2：有効求人倍率と年齢構成（2023年・47都道府県）。実再現。左＝65歳以上人口割合（r=+0.287）、右＝15〜64歳人口割合（r=−0.313）。いずれも原論文の報告した符号（正・負）と一致。有効求人倍率の定義（求人÷求職）と生産年齢人口の関係による、と原論文は説明している。

原論文がSHAPで示した符号の主張を、SSDSE-B収録の説明変数について単純相関で追試する。SHAPの数値そのものは再現できないため、あくまで符号の照合である。

180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201

CORR_VARS = [
    ('65歳以上人口割合',      '高齢割合',   '+'),
    ('合計特殊出生率',        'A4103',      None),
    ('総人口に占める男性割合', '男性割合',   '+'),
    ('食料費（二人以上世帯）', 'L322101',    '+'),
    ('保健医療費（二人以上世帯）', 'L322106', None),
    ('15歳未満人口割合',      '若年割合',   None),
    ('15〜64歳人口割合',      '生産年齢割合', '-'),
    ('一般旅券発行件数（率）', '旅券発行率', '-'),
]
rows3 = []
print(f"{'説明変数':<26}{'相関係数':>9}{'p値':>9}   原論文SHAPの符号 / 一致")
for name, col, reported in CORR_VARS:
    dd = d23.dropna(subset=[col])
    r, p = stats.pearsonr(dd['有効求人倍率'], dd[col])
    if reported is None:
        judge = '（報告なし）'
    else:
        same = (reported == '+' and r > 0) or (reported == '-' and r < 0)
        judge = f'報告={reported} → ' + ('符号一致' if same else '符号不一致')
    print(f"{name:<26}{r:>+9.3f}{p:>9.3f}   {judge}")
    rows3.append((name, r, p, reported))

=== [3] 有効求人倍率と各説明変数のピアソン相関（2023年・47都道府県, 実再現） ===
説明変数                           相関係数       p値   原論文SHAPの符号 / 一致
65歳以上人口割合                    +0.287    0.050   報告=+ → 符号一致
合計特殊出生率                      +0.298    0.042   （報告なし）
総人口に占める男性割合                  +0.022    0.885   報告=+ → 符号一致
食料費（二人以上世帯）                  -0.222    0.133   報告=+ → 符号不一致
保健医療費（二人以上世帯）                -0.310    0.034   （報告なし）
15歳未満人口割合                    -0.017    0.908   （報告なし）
15〜64歳人口割合                   -0.313    0.032   報告=- → 符号一致
一般旅券発行件数（率）                  -0.356    0.014   報告=- → 符号一致

図3：有効求人倍率と各説明変数のピアソン相関（2023年・47都道府県）。実再現（SHAPではなく単純相関）。青＝正、赤＝負、*は p<0.05。一般旅券発行件数（−0.356）・15〜64歳割合（−0.313）・65歳以上割合（+0.287）は原論文の符号と一致。男性割合（+0.022）と食料費（−0.222）は原論文のSHAP主張とは強さ・符号が異なる。

ここからが原論文の中心である回帰型NN＋SHAPの成果。これらはモデルの完全一致が必要で、景気指標はSSDSE-Bに無いため、原論文の報告値を転記して可視化する（再計算ではない）。

236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256

LOSS = [('train（訓練）', 0.00642), ('validation（検証）', 0.0101), ('test（テスト）', 0.0104)]
R2 = 0.939
print("予測モデルの損失（報告値）:")
for name, v in LOSS:
    print(f"  {name:<20}{v:.5f}")
print(f"テストデータの決定係数 R² = {R2}（報告値）")

# SHAP で報告された相関の「向き」（符号のみ。大きさは原論文に数値報告なし）
DIRECTION = [
    ('NYダウ平均株価',        +1, '強い正（SSDSE未収録）'),
    ('米FRB金利',            +1, '強い正（SSDSE未収録）'),
    ('総人口に占める男性割合', +1, '正・貢献度高'),
    ('65歳以上人口割合',      +1, '正'),
    ('食料費（消費支出系）',   +1, '正'),
    ('15〜64歳人口割合',     -1, '負'),
    ('一般旅券発行件数',      -1, '負'),
]
print("\nSHAP で報告された相関の向き（符号のみ・大きさは数値報告なし）:")
for name, sign, note in DIRECTION:
    print(f"  {name:<20}{'＋' if sign > 0 else '−'}  {note}")
print("※NYダウ・米FRB金利・日経平均・ドル円・日銀金利・県内総生産は SSDSE-B に無く再計算不可")

=== [4] 原論文の報告値：モデル性能とSHAPの相関の向き ===
予測モデルの損失（報告値）:
  train（訓練）           0.00642
  validation（検証）      0.01010
  test（テスト）           0.01040
テストデータの決定係数 R² = 0.939（報告値）

SHAP で報告された相関の向き（符号のみ・大きさは数値報告なし）:
  NYダウ平均株価            ＋  強い正（SSDSE未収録）
  米FRB金利              ＋  強い正（SSDSE未収録）
  総人口に占める男性割合         ＋  正・貢献度高
  65歳以上人口割合           ＋  正
  食料費（消費支出系）          ＋  正
  15〜64歳人口割合          −  負
  一般旅券発行件数            −  負
※NYダウ・米FRB金利・日経平均・ドル円・日銀金利・県内総生産は SSDSE-B に無く再計算不可

図4：予測モデルの性能とSHAPの相関の向き。報告値の可視化（再計算ではない）（原論文 4.1・5.3節）。左＝損失（train/validation/test）とR²=0.939。右＝SHAPで報告された相関の向き（符号のみ・棒の長さは大きさを表さない）。NYダウ・米FRB金利は SSDSE未収録の景気指標。数値・符号はすべて原論文の報告値。

結果の解釈

SHAPの結果から、著者は分野ごとに有効求人倍率に効く要因を読み解いた（原論文 5章）。要点を整理する。

社会・経済：日本の景気は米国経済に強く連動（原論文 5.3）

全説明変数の中でもNYダウ平均株価・米FRB金利が強い正の相関を示した。著者は、米国が日本の2番目の輸出入相手国であり、日本が2019年に世界最大の対米投資国となった（図5・外務省）ことを挙げ、日米の経済的な結びつきの強さが有効求人倍率＝景気に表れていると解釈する。

人口構成：年齢構成と男女格差（原論文 5.3）

有効求人倍率は65歳以上割合と正・15〜64歳割合と負の関係にある。求職者数が生産年齢人口と密接なため、定義上こうした逆符号が生じると説明する（本ページ図2で符号一致を確認）。さらに総人口の男性割合の貢献度が高く正で、著者は「男性割合が高い地域ほど景気が良い＝明らかな男女格差」と読み、女性の社会進出の促進が景気にも良い影響を与えると提言する。

生活環境・教育：景気に左右されにくい費用（原論文 5.1・5.2）

保健医療費・住居費・被服費などの貢献度は小さい。生活に不可欠な費用は景気の良し悪しに左右されにくいためと考えられる。一方、消費支出の中では食料費の貢献度が高く正で、好景気だと外食などのサービス消費が増えるためと解釈する。教育費も景気にあまり左右されないことが示された。

行動：一般旅券発行件数は負（原論文 5.3）

一般旅券発行件数は有効求人倍率と負の相関。著者は2008年のリーマンショック直後に円高が進み、不景気なのに海外旅行者が増えた例を挙げ、同様の要因（不景気・円高で海外旅行が増える）が働いていると考察する（本ページ図3で符号一致を確認）。

まとめと今後の課題

本研究は、景気の指標である有効求人倍率を高める要因は何かという問いに、回帰型ニューラルネットワーク＋SHAPで挑んだ。テストの決定係数 R²=0.939（報告値）という高精度モデルを作り、その中身をSHAPで開けて、NYダウ・米FRB金利の強い正の相関（米国連動）、男性割合の正（男女格差）、65歳以上は正・15〜64歳は負、一般旅券発行件数の負などを読み取った（いずれも報告値）。本ページでは、目的変数の有効求人倍率（図1）、年齢構成との関係（図2）、各説明変数との相関（図3）をSSDSE-Bで実再現し、SHAPの符号の主張の多くが実データでも成り立つことを確かめた。モデル性能と景気指標は報告値として切り分けた。高校生が「予測してから中身を説明する」現代的な分析に踏み込んだ点が見どころである。

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3）は、以下から再現できます。

🐍 再現コード（.py） 📊 SSDSE-B-2026.csv

※ 図1（有効求人倍率の推移）・図2（年齢構成との関係）・図3（各説明変数との相関）はSSDSE-B の F3103／F3102 ほかから算出した実再現です。図4（モデル性能とSHAPの相関の向き）は、回帰型NN＋SHAPの数値と景気指標（NYダウ・米FRB金利など）がモデル依存・SSDSE-B外のため、原論文の報告値を可視化したものです（新たな数値の捏造はしていません）。県内総生産（GDP）などSSDSE-Bに無い列は使用していません。

🐍 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_6_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。