最低賃金の要因分析

日本の最低賃金は、2007年の最低賃金法改正以降ほぼ毎年引き上げられてきた。加重平均額は2012年の749円から2019年には901円へと約1.2倍に上昇している。2007年改正では、生活保護額が最低賃金月収を上回る都道府県の乖離を2008〜2012年で解消するとされたが、2013年以降の引き上げの理由ははっきりしない。そこで著者らは、2013〜2019年度の引き上げ「額」の決定要因を分析した。

最低賃金法第9条は、労働者の生計費・賃金／事業の支払い能力／生活保護の3観点から最低賃金を定めると規定する。だが本当にこの条文どおりに決まっているのか。著者らは要因を①経済的要因（地域＝有効求人倍率／国全体＝名目GDP成長率）②法的要因（条文を代理する変数）③労働組合の3つに切り分け、都道府県パネル（N=329）でどの要因がどれだけ寄与しているかを測った。先行研究の玉田(2009)は2001〜2009年の目安額が有効求人倍率・賃金上昇率・製造業粗付加価値増加率で決まると示しており、本研究は地域と国全体のマクロ変数を区別した点に貢献がある。

大学生・一般の部 SSDSE-B-2026＋家計調査・賃金構造基本統計・工業統計 パネルデータ分析（POLS/固定効果/変量効果/相関変量効果） ランダムフォレスト SHAP（シャープレイ値）

使用データと再現可能性の整理

被説明変数は最低賃金引き上げ額（「地域別最低賃金額改定の目安について（答申）」の前年差）。線形モデルの説明変数は、法的要因を代理する消費支出増加率（家計調査）・賃金上昇率（賃金構造基本統計調査）・製造業粗付加価値増加率（工業統計調査）・被保護者一人あたり生活保護額（社会・人口統計体系）、労働組合を代理する労働組合参加の増加率、経済的要因の名目GDP成長率・有効求人倍率である。SHAPではさらに着工建築物数・高校卒業者中の非進学者比率・労働人口に対する女性比率・結婚件数に対する待機児童比率（3期ラグ）を加える。最低賃金引き上げ額以外の変数は1期ラグ付き。観測数はN=329。

主なデータと出典（原論文 表1）

分析の流れ：3つの要因 → パネル4手法 → SHAP

① 要因を3つに分解する

最低賃金引き上げ額を、経済的要因（地域＝有効求人倍率／国全体＝名目GDP成長率）・法的要因（最低賃金法第9条を代理する消費支出・賃金・製造業付加価値・生活保護）・労働組合の3観点に切り分ける。

② パネル線形モデル（POLS・固定効果・変量効果）

観察できない都道府県の特性（個体効果）を、誤差に含める（POLS）／説明変数と相関を許す（固定効果）／独立と仮定する（変量効果）で扱う。時間・都道府県の両方を固定する固定効果法も推定する。

③ 相関変量効果法（CRE）で国全体のマクロを分離

固定効果法では名目GDP成長率のような全都道府県に共通の時変変数を分析できない。Wooldridge(2013)の相関変量効果モデルは、時間効果を「時点ごとの都道府県平均」で説明し、名目GDP成長率の効果を測りつつ、都道府県・時間で変わる説明変数の係数を固定効果と同様に推定する。

④ ランダムフォレスト＋SHAP

線形性を仮定しないランダムフォレストで予測モデルを作り、協力ゲーム理論のシャープレイ値（SHAP）で各変数の予測への寄与度を測る。サンプルサイズが小さいときにバギングは分散を抑えるため有効。

本研究の中心変数「有効求人倍率」が、推定手法によってどう変わるかを比べる。最低賃金引き上げ額は SSDSE に無いため、原論文 表3 の係数・標準誤差を転記して可視化する（再計算ではない）。

=== [1] 表3 有効求人倍率の係数：6手法の比較（原論文の報告値・再計算ではない）===
手法                      係数      標準誤差      t値  有意
OLS                  13.93      0.82   16.99  ***
FE(時間・都道府県)           1.94      1.30    1.49  
FE(都道府県)             20.39      0.69   29.55  ***
FE(時間)                0.51      1.14    0.45  
RE                  146.07      2.77   52.73  ***
相関変量効果                0.51      0.47    1.09  

※ t値 = 報告値の係数 ÷ 報告値の標準誤差（有意性を見るための可視化用の指標）。
  時間と都道府県の両方の固定効果を入れる FE(時間・都道府県) では有意でなくなる（t=1.49）。

図1：有効求人倍率が最低賃金引き上げ額に与える効果（6手法）。報告値の可視化（再計算ではない）（原論文 表3）。青＝有意、灰＝非有意。誤差棒は±1.96×報告標準誤差。時間＋都道府県の固定効果を両方入れると有意でなくなる。数値はすべて原論文の報告値。

ここは実再現。原論文の法的要因の一つ「消費支出増加率」を、SSDSE-B の消費支出（L3221）から都道府県別に再計算する。最低賃金が SSDSE に無いため回帰の再現はできないが、説明変数そのものは実データで確かめられる。

171
172
173
174
175
176
177

df = pd.read_csv(DATA_B, encoding='cp932', skiprows=[1])          # 先頭列 SSDSE-B-2026 が年度
df = df[df['Code'].astype(str).str.match(r'^R\d{5}$')].copy()      # 都道府県のみ（コード R+5桁）
df = df.sort_values(['Prefecture', 'SSDSE-B-2026'])
# 都道府県ごとに前年からの消費支出(L3221)増加率(%)を計算
df['消費支出増加率'] = df.groupby('Prefecture')['L3221'].pct_change() * 100
paper_years = list(range(2013, 2020))                              # 2013〜2019（原論文の対象期間）
g = df[df['SSDSE-B-2026'].isin(paper_years)].dropna(subset=['消費支出増加率'])

=== [2] 消費支出増加率を SSDSE-B(L3221) から実再現（原論文の分析期間 2013〜2019年）===
対象: 47都道府県 × 7年（2013〜2019）  観測数=329
    年度     平均(%)    中央値(%)     最小(%)     最大(%)
  2013      0.95      0.51     -7.53     20.79
  2014      0.43     -0.53     -8.85     11.69
  2015     -1.21      0.13    -13.19     11.29
  2016      0.44      0.81    -11.22      9.77
  2017     -0.11      1.53    -12.71      9.69
  2018      0.83      1.11     -9.28     19.45
  2019      0.28      0.59    -16.84      9.83

※ 原論文 表2 の消費支出増加率の報告値は 平均0.46%・標準偏差5.79%・最小-13.19%・最大31.85%。
  実再現でも年ごとに符号が入れ替わり、大きくばらつく（＝安定した傾向を持たない）ことが確認できる。

図2：消費支出増加率の年次分布（前年比・2013〜2019年）。実再現。SSDSE-B の L3221（消費支出・家計調査ベース）から算出。箱＝四分位範囲、赤線＝中央値。年ごとに符号が入れ替わり大きくばらつく。最低賃金は SSDSE 未収録のため、これは説明変数の実再現であり回帰の再現ではない。

個体効果・時間効果を最大限に取り除いた2モデル——FE（時間・都道府県）と相関変量効果——で、各要因の係数がどうなるかを見る。係数・標準誤差はすべて原論文 表3 の報告値。

=== [3] 表3 フルコントロール下の全変数係数（報告値・FE(時間・都道府県) と 相関変量効果）===
変数                                   FE(時間・都道府県)                    相関変量効果
消費支出増加率                   +0.02 (SE 0.02) t=1.00    +0.02 (SE 0.02) t=1.00
賃金上昇率                     +0.00 (SE 0.02) t=0.00   -0.01 (SE 0.04) t=-0.25
製造業粗付加価値増加率               +0.01 (SE 0.01) t=1.00    +0.00 (SE 0.01) t=0.00
生活保護給付額                      +0.00 (SE 0.00) t=—       +0.00 (SE 0.00) t=—
労働組合参加の増加率              -0.05 (SE 0.03) t=-1.67*    +0.02 (SE 0.05) t=0.40
有効求人倍率                    +1.94 (SE 1.30) t=1.49    +0.51 (SE 0.47) t=1.09
名目GDP成長率                                 —(FE吸収)   -0.33 (SE 2.78) t=-0.12

※ 有意(**)は|t|>=1.96。時間・都道府県の固定効果を除去すると、経済要因（有効求人倍率）も
  法的要因（消費支出・賃金・生活保護など）も有意でなくなり、係数は0近傍に収束する。

図3：FE（時間・都道府県）と相関変量効果の全変数係数。報告値の可視化（再計算ではない）（原論文 表3）。誤差棒は±1.96×報告標準誤差。法的要因も経済要因も0近傍。名目GDP成長率は固定効果法では吸収されるため相関変量効果のみ。係数・標準誤差はすべて原論文の報告値。

もう一つの実再現。原論文の主要変数「有効求人倍率」を SSDSE-B の実データで都道府県別に再計算し、法的要因の代理である消費支出との関係を散布図で見る。最低賃金が SSDSE に無いため因果分析は再現できないが、説明変数そのものは実データで確かめられる。

264
265
266
267
268
269
270
271
272
273
274
275
276

d19 = df[df['SSDSE-B-2026'] == 2019].copy()
d19['有効求人倍率'] = d19['F3103'] / d19['F3102']                 # 有効求人数 / 有効求職者数
d19 = d19.dropna(subset=['有効求人倍率', 'L3221'])
print(f'全国{len(d19)}都道府県  有効求人倍率 平均={d19["有効求人倍率"].mean():.3f}  '
      f'最小={d19["有効求人倍率"].min():.3f}  最大={d19["有効求人倍率"].max():.3f}')
rank = d19[['Prefecture', '有効求人倍率']].sort_values('有効求人倍率', ascending=False)
print('\n＜有効求人倍率 上位5＞')
for _, r in rank.head(5).iterrows():
    print(f'  {r["Prefecture"]:<6} {r["有効求人倍率"]:.3f}')
print('＜有効求人倍率 下位5＞')
for _, r in rank.tail(5).iterrows():
    print(f'  {r["Prefecture"]:<6} {r["有効求人倍率"]:.3f}')
corr = d19['有効求人倍率'].corr(d19['L3221'])

=== [4] 有効求人倍率×消費支出を SSDSE-B から実再現（2019年・都道府県別）===
全国47都道府県  有効求人倍率 平均=1.460  最小=1.060  最大=1.919

＜有効求人倍率 上位5＞
  福井県    1.919
  東京都    1.848
  岡山県    1.847
  岐阜県    1.839
  愛知県    1.786
＜有効求人倍率 下位5＞
  長崎県    1.143
  青森県    1.138
  高知県    1.137
  沖縄県    1.126
  神奈川県   1.060

有効求人倍率 と 消費支出(L3221) の相関係数（実データ・2019年）= +0.220
※ 最低賃金は SSDSE に無いため、これは説明変数どうしの実データであり、最低賃金への回帰の再現ではない。

図4：有効求人倍率（F3103／F3102）と消費支出（L3221）の散布図（2019年・47都道府県）。実再現。神奈川1.06〜福井1.92。相関 r=+0.22。原論文の説明変数2つの実データであり、最低賃金（SSDSE 未収録）への回帰の再現ではない。

結果の解釈と結論

線形モデルとSHAPの両方から、著者は一貫した像を描き出す。

有効求人倍率＝地域の雇用動向が効く（原論文 4章）

有効求人倍率はいくつかのモデルで最低賃金引き上げ額と正の関連を示した。SHAPによる分析でも有効求人倍率の寄与度が最も大きく、有効求人倍率とSHAP値の間に正の相関が読み取れた（線形モデルの結果と整合的）。雇用動向が良いときは最低賃金が引き上げられ、悪化するときは引き上げ額が小さくなるという、地域のマクロ経済に応じた決定が示唆される。

名目GDP成長率＝国全体の景気は「非線形」に効く（原論文 4.2章）

名目GDP成長率は、変量効果法では点推定値−2.18（有意）だが、時間効果を除去した相関変量効果では非有意だった。固定効果の除去で関連性が変わる不安定な変数である。ところがSHAPでは2番目に大きい寄与度を示した。ただしSHAPが0に近いと最低賃金は上昇、0から離れると減少する予測で、単調な関係ではない。線形モデルでは見えなかった国全体のマクロ経済の効果が、非線形の手法で浮かび上がった格好である。

法的要因はほとんど寄与しない（原論文 4・5章）

消費支出増加率・賃金上昇率・生活保護給付額など最低賃金法の条文を代理する法的要因は、線形モデルでもSHAPでも最低賃金引き上げにほとんど寄与しなかった。加えてSHAPでは、低賃金労働者を代表する高校卒業者中の非進学者比率が負の相関、地域の過疎化を代理する着工建築物数もある程度の寄与を示した。

まとめと今後の課題

本研究は、2013〜2019年度の最低賃金引き上げ額は何で決まるかという問いに、都道府県パネル（N=329）と線形4手法＋ランダムフォレスト・SHAPで挑んだ。結果、有効求人倍率（地域の雇用）と名目GDP成長率（国全体の景気）が引き上げ額の予測に寄与し、条文を代理する法的要因はほとんど寄与しないことが示された。最低賃金の決定に政策の内生性があり、法的規定のみでは決まらないと結論づけている。本ページでは、説明変数の有効求人倍率・消費支出を SSDSE-B で実再現し（図2・図4）、最低賃金引き上げ額にまつわる回帰係数は報告値として切り分けた。

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2・図4）は、以下から再現できます。

🐍 再現コード（.py） 📊 SSDSE-B-2026.csv

※ 図2（消費支出増加率）・図4（有効求人倍率）はSSDSE-Bの L3221・F3103／F3102 から算出した実再現です（2013〜2019年）。図1（有効求人倍率の係数比較）・図3（フルコントロール2モデルの係数）は、最低賃金引き上げ額・名目GDP成長率・生活保護給付額などが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。名目GDP・県内総生産はSSDSEに存在しないため使用していません。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_U5_14_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。