持続可能な観光

著者は香川県立高松商業高等学校の高校生である。訪日外国人数は東日本大震災による減少を乗り越え、2019年に3,188万人、訪日外国人旅行消費額は4兆8,135億円と、いずれも過去最高を記録した。ところが2020年以降、新型コロナウイルスの流行による入国制限で訪日外国人数と旅行消費額は急激に減少した（原論文 図1）。日本経済は非常に厳しい状況に置かれた。

著者はこの問題を調べるうちに、「過去の災害からの再興の特徴を分析し、過去と今を比較すれば未来予測ができ、交流人口の回復につなげられないか」と考えた。そこで統計データを活用し、過去の訪日外国人数の増減からどのような施策が求められているのかを分析することを研究の目的に据えた。なお本稿では「交流人口」を「訪日外国人」として定義している。

高校生の部 JNTO・観光庁・日本銀行＋SSDSE-B 相関分析 過去危機との比較 未来予測

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。中心である訪日外国人数は日本政府観光局（JNTO）の訪日外客統計、訪日外国人消費額は観光庁、為替相場は日本銀行、旅館営業施設数は SSDSE-B-2022 から取っている。粒度は月次・年次の全国値がほとんどで、訪日外客統計・為替相場・消費額そのものは SSDSE に収録されていない。

主なデータと出典（原論文 表1）

分析の流れ：相関 → 過去危機比較 → 未来予測

① 為替相場・宿泊施設数との相関（4.1・4.2）

「円安ほど訪日客が増える」「宿泊施設が多いほど交流人口が増える」という2つの仮説を、相関係数と散布図で検証する（図2・図3）。

② 過去の危機との比較（4.3）

東日本大震災（2011年）とコロナ禍（2020年）を並べ、費目別消費額割合と月別訪日外国人数を時系列で比較する（図4・図7）。

③ 震災からの回復の要因（4.4）

2011年から2012年にかけての回復過程と観光庁予算を調べ、訪日旅行促進事業（メディア戦略・ビザ緩和・プロモーション）が回復に効いたことを確認する。

④ 未来予測（4.5）

エクセルの予測シートで訪日外国人数と為替相場の将来値を外挿し、回復の見通しを立てる（図12）。

まず原論文の出発点である「交流人口（訪日外国人）の急減と回復」を、SSDSE-B の外国人延べ宿泊者数で実再現する。訪日外客統計そのものは SSDSE に無いため、交流人口の代理指標を用いる。

66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97

df = pd.read_csv(DATA_B, encoding='cp932', skiprows=[1])
df = df.rename(columns={'SSDSE-B-2026': '年度'})

# 使う列（すべてSSDSE-Bに実在）
#   C3801 旅館営業施設数（ホテルを含む）
#   G7101 延べ宿泊者数 / G7102 外国人延べ宿泊者数
for c in ['C3801', 'G7101', 'G7102']:
    df[c] = pd.to_numeric(df[c], errors='coerce')

years = sorted(df['年度'].unique())

# ── 全国値（47都道府県の合計）を年度ごとに集計 ─────────────────
nat = df.groupby('年度').agg(
    旅館営業施設数=('C3801', 'sum'),
    延べ宿泊者数=('G7101', 'sum'),
    外国人延べ宿泊者数=('G7102', 'sum'),
).reset_index()

# ================================================================
# [1] 実再現：外国人延べ宿泊者数（交流人口の代理）の全国推移
# ================================================================
print("=== [1] 外国人延べ宿泊者数 の全国推移（実再現・SSDSE-B G7102） ===")
print("訪日外国人数（JNTO）はSSDSEに無いため、代理指標として外国人延べ宿泊者数を用いる")
print(f"{'年度':>6}{'外国人延べ宿泊者数(万人泊)':>22}{'延べ宿泊者数(万人泊)':>20}")
base19 = nat.loc[nat['年度'] == 2019, '外国人延べ宿泊者数'].values[0]
for _, r in nat.iterrows():
    print(f"{int(r['年度']):>6}{r['外国人延べ宿泊者数']/1e4:>22,.0f}{r['延べ宿泊者数']/1e4:>20,.0f}")
drop20 = nat.loc[nat['年度'] == 2020, '外国人延べ宿泊者数'].values[0] / base19 - 1
drop21 = nat.loc[nat['年度'] == 2021, '外国人延べ宿泊者数'].values[0] / base19 - 1
rec23 = nat.loc[nat['年度'] == 2023, '外国人延べ宿泊者数'].values[0] / base19 - 1
print(f"2019年ピーク比：2020年 {drop20*100:+.1f}%、2021年 {drop21*100:+.1f}%、2023年 {rec23*100:+.1f}%")
print("→ 原論文図1（訪日外国人数の急減）をSSDSE実データで裏づけ。2021年に底、2023年でほぼ回復。")

=== [1] 外国人延べ宿泊者数 の全国推移（実再現・SSDSE-B G7102） ===
訪日外国人数（JNTO）はSSDSEに無いため、代理指標として外国人延べ宿泊者数を用いる
    年度        外国人延べ宿泊者数(万人泊)         延べ宿泊者数(万人泊)
  2012                 2,382              35,995
  2013                 3,124              38,221
  2014                 4,207              39,615
  2015                 6,051              41,903
  2016                 6,407              41,664
  2017                 7,293              43,202
  2018                 8,357              45,250
  2019                10,131              50,098
  2020                 1,589              26,663
  2021                   344              25,888
  2022                 1,361              37,717
  2023                 9,503              49,990
2019年ピーク比：2020年 -84.3%、2021年 -96.6%、2023年 -6.2%
→ 原論文図1（訪日外国人数の急減）をSSDSE実データで裏づけ。2021年に底、2023年でほぼ回復。

図1：外国人延べ宿泊者数（赤）・延べ宿泊者数（青）の全国推移（2012〜2023年）。実再現（SSDSE-B G7102・G7101、47都道府県合計）。2019年ピーク→コロナ禍で急減（2021年に底）→2023年でほぼ回復。訪日外国人数（JNTO）は SSDSE に無いため、外国人延べ宿泊者数を交流人口の代理指標とした。

原論文4.2の仮説「宿泊施設数が多いほど交流人口が増える」を、SSDSE-B の実データで確かめる。訪日外国人数は SSDSE に無いので、交流人口を外国人延べ宿泊者数に置き換え、都道府県横断で相関を実計算する。

105
106
107
108
109
110
111
112
113
114
115

CROSS_YEAR = 2019  # コロナ前のピーク年で検証
sub = df[df['年度'] == CROSS_YEAR].dropna(subset=['C3801', 'G7102']).copy()
r_cross, p_cross = stats.pearsonr(sub['C3801'], sub['G7102'])
print(f"対象年：{CROSS_YEAR}年（コロナ前）／N={len(sub)}都道府県")
print(f"相関係数 r = {r_cross:.4f}（p = {p_cross:.3g}）  ※SSDSE実データでの再計算値")
print("参考：原論文の報告値は 全国時系列 訪日外国人数×旅館営業施設数 で r=0.965067162")
top = sub.sort_values('G7102', ascending=False).head(5)
print("外国人延べ宿泊者数 上位5都道府県（施設数／外国人延べ宿泊者数[万人泊]）：")
for _, r in top.iterrows():
    print(f"  {r['Prefecture']:<5} 施設数 {int(r['C3801']):>6,}軒 / {r['G7102']/1e4:>8,.0f}")
print("→ 施設数が多い地域ほど外国人宿泊が多い正の相関を実データで確認（原論文の仮説と整合）。")

=== [2] 旅館営業施設数 × 外国人延べ宿泊者数（実再現・都道府県横断） ===
対象年：2019年（コロナ前）／N=47都道府県
相関係数 r = 0.5963（p = 9.72e-06）  ※SSDSE実データでの再計算値
参考：原論文の報告値は 全国時系列 訪日外国人数×旅館営業施設数 で r=0.965067162
外国人延べ宿泊者数 上位5都道府県（施設数／外国人延べ宿泊者数[万人泊]）：
  東京都   施設数  3,308軒 /    2,796
  大阪府   施設数  1,477軒 /    1,587
  京都府   施設数    995軒 /      895
  北海道   施設数  2,863軒 /      798
  沖縄県   施設数  2,156軒 /      542
→ 施設数が多い地域ほど外国人宿泊が多い正の相関を実データで確認（原論文の仮説と整合）。

図2：旅館営業施設数（横軸）×外国人延べ宿泊者数（縦軸）、2019年・47都道府県。実再現（SSDSE-B C3801・G7102）。Pearson r = 0.596（実計算値）で正の相関。原論文の報告値 r=0.965 は全国時系列・訪日外国人数×施設数で、本図（都道府県横断・別指標）とは区別する。

次に、過去の危機（2011年）とコロナ禍（2020年）の消費構造を比べる。費目別消費額は観光庁の調査で SSDSE に無いため、原論文 図4 の報告値を転記して可視化する（再計算ではない）。

=== [3] 費目別 訪日外国人消費額の割合（原論文の報告値・図4） ===
費目            2011年(%)  2020年1-3月(%)
宿泊費                 35            31
飲食費                 21            24
交通費                 11            10
娯楽・サービス費             3             6
買物代                 30            29
その他                  1             0
→ 両年とも最多は宿泊費、次いで買物代。買物代の内訳は菓子類の購入率が最も高い（原論文）。

図3：費目別にみる訪日外国人消費額の割合（2011年 vs 2020年1-3月期）。報告値の可視化（再計算ではない）（原論文 図4・出典＝観光庁）。両年とも宿泊費が最多、次いで買物代。数値はすべて原論文の報告値。

最後に、原論文の柱となる報告値をまとめて可視化する。為替相場・訪日外国人数・エクセル予測はいずれも SSDSE に無いため、原論文 図2・図3・図12 の報告値を転記して可視化する（再計算ではない）。

=== [4] 原論文の主要な報告値（転記・再計算ではない） ===
【相関分析】
  図2 訪日外国人数 × 為替相場        r = 0.74922097 （R²=0.5613）  正の相関
  図3 訪日外国人数 × 旅館営業施設数  r = 0.965067162（R²=0.9314）  正の相関
【過去危機との比較（月別訪日外国人数・図7）】
  2011年：最多 71万人(1月) / 最少 29万人(4月)
  2020年：最多 266万人(1月) / 最少 1,663人(5月)
  2011年の年計は622万人で2010年比 -27.8%（当時の統計史上最悪）→約1年で震災前水準に回復
【未来予測（エクセル予測シート・図12）】
  訪日外国人数 予測：2020年 3,536万人 → 2022年 4,181万人
  （2016年策定『明日の日本を支える観光ビジョン』の2020年4,000万人目標に対応）

図4：（左）原論文が報告した相関係数（為替 r=0.749・施設数 r=0.965）、（右）エクセル予測シートによる訪日外国人数の未来予測（2020年3,536万人・2022年4,181万人）。報告値の可視化（再計算ではない）（原論文 図2・図3・図12）。数値はすべて原論文の報告値。

結果の解釈と提言

相関分析で為替相場（円安）と宿泊施設数が交流人口に効くことを確かめ、過去危機との比較で回復の道筋を探った。著者はこれらを踏まえ、コロナ後の交流人口回復に向けた提言を導く。

考察1：円安と宿泊が消費の柱（原論文 5.1）

為替相場（円安）と宿泊施設数には正の相関があった（報告値 r=0.749・r=0.965）。消費額の内訳をみると最も割合が高いのは宿泊費、次いで買物代（菓子類・化粧品）である。円安になると使えるお金が増えるためインバウンド消費の伸びが期待でき、宿泊と土産物が回復の柱になる。宿泊施設の需要量は年々減少気味だが、訪日外国人からは「日本の文化を味わえる」と好評である。

考察2：震災後の回復は訪日旅行促進事業が牽引（原論文 5.1・4.4）

2011年の訪日外国人数は622万人で2010年比 −27.8%と当時の統計史上最悪を記録したが、約1年で震災前水準に回復した。回復に最も効いたのは2003年に始まった訪日旅行促進事業（ビジット・ジャパン事業）である。中国では沖縄個人観光数次ビザの解禁・個人観光ビザの発給要件緩和、台湾では北海道ツアーやチャーター便、タイではSNS（Facebook・Twitter）での情報発信や定期便増便など、ビザ緩和とメディア戦略が交流人口を押し上げた。放送とネット系メディアを併用した情報発信が有効だった。

提言：規制緩和とSNSによる地方分散（原論文 5.1）

現在、政府は感染拡大防止のため入国制限を緩和する方向で検討している。海外ではコロナ前の生活を取り戻しつつあるが、日本は厳しい制限下にあり外国人観光客の入国が低調である。著者は、震災後の回復事例を踏まえ規制緩和やビザ取得手続きの簡素化を提案する。さらに、大都市圏に集中していた外国人観光客を地方へ分散させる契機として、SNSで地方の観光情報を発信し、「持続可能な観光」のコンセプトに沿った各地の観光コンテンツを海外向けに強化すべきだと説く。

まとめと今後の課題

本研究は、コロナ禍で急減した交流人口（訪日外国人）は何によって増減し、どう回復するのかという問いに、相関分析・過去危機との比較・未来予測で挑んだ。為替相場（円安）と宿泊施設数が交流人口に効き（報告値 r=0.749・r=0.965）、消費の柱は宿泊費と買物代（菓子類）だった。東日本大震災からの回復では訪日旅行促進事業（ビザ緩和・メディア戦略）が約1年での回復を牽引した。提言は規制緩和とSNSによる地方分散で「持続可能な観光」を進めることである。本ページでは、交流人口の代理である外国人延べ宿泊者数と旅館営業施設数を SSDSE-B で実再現し（図1・図2）、訪日外客統計・為替・消費額・予測にまつわる報告値は転記して切り分けた。高校生が過去の危機の経験を未来予測に接続した探究が見どころである。

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-B-2026.csv

※ 図1（外国人延べ宿泊者数の推移）・図2（施設数×交流人口の散布図）はSSDSE-Bの G7102・G7101・C3801 から算出した実再現です。図3（費目別消費額割合）・図4（相関係数・未来予測）は、訪日外客統計・為替相場・消費額・予測が出典でSSDSE-B外のため、原論文の報告値を符号・桁そのまま可視化したものです（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_9_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。