🔖 キーワード索引（拡張）

合計特殊出生率 / 期間TFR / コーホートTFR / 年齢別出生率 / 人口置換水準 / 出生力 / 少子化 / 人口維持 / 都道府県別TFR / SSDSE-B-2026 / テンポ効果 / Bongaarts-Feeney / 純再生産率 / 粗出生率 / 人口ピラミッド

これらのキーワードは「合計特殊出生率」を中心に放射状に広がる関連概念群。 検索エンジン、 図書館分類、 学術論文のキーワード欄、 文献データベースで本ページを発見する際の入り口となる。 学習計画では、 まず TFR の定義（本ページ）→ 年齢別出生率 → 人口置換水準 → コーホート分析 → 純再生産率の順で進むと体系化しやすい。

📍 文脈ボックス（追補）

合計特殊出生率は 1 人の女性が一生で産む子供数の指標。 2.07 で人口維持、 1.30 で少子化加速。 日本は 2023 年 1.20、 沖縄 1.60、 東京 0.99 と地域差大。

本指標は厚生労働省の人口動態統計および総務省統計局の人口推計から導出される。 SSDSE-B-2026 では都道府県別の値が「合計特殊出生率」列に収録されており、 高齢化率・出生数・婚姻率・所得・住宅事情・教育水準などの説明変数との 相関分析・回帰分析の主要ターゲット となる。 ジャーナリズムでは「人口減少社会」「地方消滅」「子育て支援策」の文脈で頻出。

🎨 直感で掴む（追補）

もし全女性が生涯 2 人ずつ産めば人口は維持される。 1 人ずつなら次世代は半減、 3 人なら 1.5 倍。 TFR は「世代の入れ替え速度」を測る尺度。

具体的にイメージするには、 100 人の女性集団を想像してほしい。 TFR = 2.0 なら 100 人 → 200 人の子供（うち女児は約 100 人）が生まれ、 次世代も 100 人の女性が再生産に参加する。 TFR = 1.0 なら 100 人 → 100 人の子供（うち女児約 50 人）。 次世代の女性は 50 人に半減し、 さらに次々世代は 25 人。 等比数列で減少していく。 これが「人口減少の複利効果」である。

日本の TFR 1.20 を等比数列で延長すると、 1 世代（約 30 年）で約 60% に、 2 世代後（約 60 年）で約 36% に、 3 世代後（約 90 年）で約 22% に縮小する計算となる。 移民流入を考慮しないシンプルな試算だが、 「少子化は時間が経つほど加速度的に効く」ことが体感できる。

📐 数式または定義（拡張）

合計特殊出生率は年齢別出生率の合計:

$$TFR = \sum_{x=15}^{49} f_x$$

$f_x$ は年齢 x 歳の女性 1 人あたり出生数。

5 歳階級でまとめる場合は次式で表される:

$$TFR = 5 \times \sum_{i=1}^{7} ASFR_i$$

ここで $ASFR_i$ は 5 歳階級 $i$（15-19, 20-24, ..., 45-49）の年齢階級別出生率。 階級幅が 5 歳のため、 階級ごとの出生率を 5 倍して合計する。

純再生産率（NRR）との関係:

$$NRR = \frac{1}{1 + SRB} \times \sum_{x=15}^{49} f_x \cdot L_x$$

SRB は出生性比（男児 / 女児）、 $L_x$ は年齢 x までの生存率。 NRR < 1 で人口減少を意味する。

🔬 数式を言葉で読み解く（追補）

$\sum_{x=15}^{49}$ は 15-49 歳の年齢別出生率を全て足す合計。 $f_x$ はその年齢の女性 1,000 人あたり何人産んだかという率。 全部足すと「もし 1 人の女性が 15-49 歳の各年齢で平均的に出産したら何人」になる。

この式の妙は「年齢別の 瞬間値 を合計することで、 仮想的な一生涯の累積 を推定する」点にある。 すなわち「2023 年に 30 歳だった女性の出生率」と「2023 年に 31 歳だった女性の出生率」は本来別人の集団だが、 これを 1 人の女性が時系列で経験すると仮定して足し合わせる。 この仮想性が TFR の本質であり、 後述する Tempo 効果の温床でもある。

🧮 実値で計算してみる（追補）

2023 年日本の年齢階級別出生率（女性 1 人あたり）:

※ 簡略化のため概数で計算。 実際の厚労省公表値は 1.20。 30-34 歳階級が最大の寄与（0.495 / TFR の約 36%）を持ち、 出産の中心年齢であることが分かる。

都道府県別ランキング（SSDSE-B-2026 より、 単位なし）:

沖縄 1.60 と東京 0.99 では 約 1.62 倍 の差。 全 47 都道府県すべてが人口置換水準 2.07 を下回り、 日本国内に「人口維持できる地域」は一つもない。 平均 1.29、 中央値 1.30 前後（2023 年）。

🐍 Python 実装（拡張）

このコードでやること: SSDSE-B-2026 から 47 都道府県の合計特殊出生率を読み込み、 上位下位 5 県を抽出する。

📥 入力例 (SSDSE-B-2026 抜粋):

1
2
3
4
5
6
7

import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]  # 2023年・47都道府県／A4103=合計特殊出生率
top5 = df.nlargest(5, 'A4103')[['Prefecture', 'A4103']]
bot5 = df.nsmallest(5, 'A4103')[['Prefecture', 'A4103']]
print(top5)
print(bot5)

📤 実行例:

結果の読み方: 沖縄が最高 1.60、 東京が最低 0.99。 地域差は約 1.62 倍。

このコードでやること: 47 都道府県 TFR の分布をヒストグラムで可視化する。

📥 入力例: 47 行の TFR 数値 (1.29 平均)

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

import pandas as pd

# tfr はこのあとのブロックで作っているので、ここでも用意しておく
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
tfr = df[df['SSDSE-B-2026'] == 2023]['A4103'].dropna()   # 合計特殊出生率（47 県の数値だけ）

import matplotlib.pyplot as plt
plt.hist(tfr, bins=10)
plt.axvline(2.07, color='red', label='人口置換水準')
plt.xlabel('合計特殊出生率')
plt.ylabel('都道府県数')
plt.legend()
plt.show()

📤 実行例: 1.0-1.6 範囲のヒストグラム、 全 47 県が 2.07 を下回る

結果の読み方: 47 都道府県すべてが人口置換水準 2.07 を下回っている。 ヒストグラムの右側（高出生率側）は完全に空白で、 日本の少子化の根深さが視覚的に分かる。

このコードでやること: 人口維持に必要な TFR との差（ギャップ）を都道府県ごとに計算する。

📥 入力例: 都道府県 TFR と 2.07 (人口置換水準)

1
2
3
4

gap = 2.07 - tfr
print(f"全国平均ギャップ: {gap.mean():.2f}")
print(f"最大ギャップ (東京): {gap.max():.2f}")
print(f"最小ギャップ (沖縄): {gap.min():.2f}")

📤 実行例:

結果の読み方: 平均で 0.78 不足。 東京は 1.08 と最も人口維持から離れており、 沖縄でも 0.47 の不足。 「沖縄なら維持できている」わけではない点に注意。

このコードでやること: TFR の長期推移を可視化 (1947-2023 年)。

📥 入力例: 年次 TFR データ

1
2
3
4
5
6
7
8
9

years = [1947, 1960, 1980, 2000, 2020, 2023]
tfr_japan = [4.54, 2.00, 1.75, 1.36, 1.33, 1.20]
plt.plot(years, tfr_japan, marker='o')
plt.axhline(2.07, color='red', linestyle='--', label='人口置換水準')
plt.title('日本のTFR推移 1947-2023')
plt.xlabel('年')
plt.ylabel('TFR')
plt.legend()
plt.show()

📤 実行例: 戦後 4.54 から 2023 年 1.20 へ単調減少のグラフ

結果の読み方: 1947 年の 4.54 から 76 年で 1/4 以下に。 1974 年に 2.07 を下回り、 人口減少局面に突入。 以後 50 年間、 一度も置換水準を回復していない。

⚠️ 落とし穴（拡張）

1. 期間 TFR と コーホート TFR の混同: 期間 TFR は瞬間値、 コーホート TFR は世代全体の実績。 出産タイミングの遅れがあると期間 TFR は低めに出る。 報道される TFR はほぼ全て期間 TFR。
2. 移民の影響: 出生数は国籍を問わず計上されるため、 移民の出生力が反映される。 外国人女性比率が高い地域では TFR が押し上げられる可能性がある。
3. 年齢構成効果: 若年女性が少ない地域は TFR が同じでも出生数（絶対数）が少ない。 TFR は「率」であり「数」ではない。
4. テンポ効果: 晩産化により一時的に TFR が低く見える。 Bongaarts-Feeney 補正で調整した「Tempo-adjusted TFR」では、 報告値より 0.2-0.3 高くなることがある。
5. 都道府県差の解釈: 沖縄が高いのは伝統だけでなく、 若年人口比率、 婚姻率、 三世代同居率、 経済構造（観光業中心）など複合要因。 単純に「沖縄をモデルに」とは言えない。

🌐 関連手法・派生（拡張）

• 高齢化率 — 65 歳以上人口比率、 TFR 低下と表裏一体
• 人口 — 母集団規模、 TFR と組み合わせて出生数を推定
• 相関係数 — TFR と他要因の関連を分析する基本手法
• 回帰分析 — TFR を被説明変数とした要因分析
• 時系列分析 — TFR の長期トレンド予測

🌍 国際比較 — 日本の立ち位置

主要国の合計特殊出生率（2023 年前後の公表値、 各国統計局・国連推計より）:

日本は世界の中で「超低出生（lowest-low fertility, TFR < 1.30）」グループに長年位置している。 1990 年代から続く慢性的状態で、 イタリア・スペイン・東欧諸国と並ぶ。 韓国はさらに極端で TFR 0.72 と世界最低。 一方、 移民流入や家族支援策が手厚いフランス・米国は 1.6 - 1.8 を維持している。

超低出生からの回復例

超低出生からの回復は世界的に稀である。 ドイツは 2006 年の 1.33 から 2016 年に 1.59 まで一時回復（その後再低下）、 フランスは保育・育休制度の充実で 2.0 前後を長期維持していたが近年低下。 「一度下がった TFR を引き戻すのは極めて困難」というのが人口学の経験則。 韓国の 0.72 はその究極例。

📜 日本の TFR 推移史 — 戦後 76 年

戦後 76 年で TFR は 4.54 → 1.20 と 約 1/4 に減少。 1975 年の 2.07 割れから 50 年間、 一度も置換水準を回復していない。 1989 年の「1.57 ショック」は政治を動かしたが、 その後の 35 年で出生率はさらに低下している。 1990 年代以降の各種少子化対策（エンゼルプラン、 新エンゼルプラン、 子ども・子育てビジョン、 ニッポン一億総活躍プラン等）は、 少なくとも TFR 反転には至っていない。

🔍 TFR を左右する要因（先行研究レビュー）

マクロ要因

• 経済状況: GDP 成長率と TFR は短期では同方向、 長期では逆相関（経済発展で TFR は下がる）
• 都市化率: 都市化が進むほど TFR は低下する傾向（住宅費・教育費・キャリア機会）
• 女性労働参加率: 単純に下げる方向ではなく、 育児支援の充実度で効果が変わる（北欧モデル）
• 住宅費: 都市の高地価は子育てコストを引き上げ、 TFR を下げる主因の一つ
• 教育費: 私教育費が高い社会（韓国・日本・中国）で TFR が低い傾向

ミクロ要因

• 初婚年齢: 晩婚化 → 出産期間短縮 → TFR 低下
• 未婚率: 日本では婚外子比率が低い（約 2%）ため、 未婚率上昇が TFR に直撃する
• 有配偶出生率: 結婚した夫婦の出生率は実は安定している（約 1.8-2.0）
• 育児休業取得率: 男性育休の取得率上昇地域で TFR がやや高い
• 保育所定員: 待機児童ゼロ地域では TFR が比較的高い

日本特有の構造

日本の TFR 低下の主因は「結婚した夫婦が子を産まない」ことではなく、「結婚しない（できない）人が増える」ことにある。 これは欧米諸国（婚外子比率 40-60%）との大きな違い。 そのため日本の少子化対策は、 育児支援だけでなく 結婚に至る前の段階（雇用安定、 出会いの場、 住宅）への支援が重要とされる。

❓ よくある質問（拡張版）

🔗 関連用語（前提・並列・発展）

前提（先に知っておくべき）

人口 ・ 人口ピラミッド ・ 比率 ・ 平均 ・ 加重平均

並列（兄弟概念）

高齢化率 ・ 出生率 ・ 死亡率 ・ 従属人口比率 ・ 婚姻率

発展（次に学ぶべき）

コーホート出生力 ・ 時系列分析 ・ 回帰分析 ・ 因果推論 ・ 人口予測

🧪 詳細手法 — TFR を「正しく」計算する

1. 単年齢別 ASFR の算出

最も精緻な計算では、 15 歳から 49 歳までの単年齢ごとに ASFR を求める。 例えば 28 歳のとき:

$$\text{ASFR}(28) = \frac{B_{28}}{P_{28}^{(f)}}$$

ここで $B_{28}$ は当該年に 28 歳の女性が産んだ子の数、 $P_{28}^{(f)}$ は当該年における 28 歳女性の年央人口（10 月 1 日推計人口など）。 厚生労働省の人口動態統計では母親の年齢別出生数が公表される。

2. 5 歳階級別 ASFR からの近似

単年齢別データが入手できない場合、 5 歳階級で計算する。 階級幅 5 を乗じる必要がある:

$$\text{TFR}_{(5)} = 5 \times \sum_{i \in \{15-19, ..., 45-49\}} \text{ASFR}_i$$

この近似は階級内の出生率が一定と仮定するため、 真の TFR とは僅差が生じる。 通常は小数点以下 2 桁の精度で一致するため実用上は問題ない。

3. 順序別 ASFR（第 1 子・第 2 子別）

より詳細な分析では、 子の出生順位別に ASFR を分解する:

$$\text{TFR} = \sum_{k=1}^{K} \text{TFR}^{(k)}, \quad \text{TFR}^{(k)} = \sum_{x=15}^{49} f_x^{(k)}$$

$f_x^{(k)}$ は年齢 x の女性が 第 k 子 を産む率。 日本では第 1 子 TFR が約 0.55、 第 2 子 TFR が約 0.45、 第 3 子以上 TFR が約 0.20 程度。 第 1 子の絶対数が減ると全体が連鎖的に下がる構造になっている。

4. Bongaarts-Feeney 補正（テンポ効果除去）

出産年齢の遅れが続くと、 期間 TFR は真の出生力より低く見える。 これを補正する公式:

$$\text{TFR}^{*}_{(k)} = \frac{\text{TFR}_{(k)}}{1 - r_{(k)}}$$

$r_{(k)}$ は第 k 子の平均出産年齢の年次変化率。 例えば平均出産年齢が年 0.2 歳上昇している場合、 $r \approx 0.2$ となり、 補正 TFR は真の TFR より 25% ほど大きくなる。 日本の場合、 Bongaarts-Feeney 補正後の TFR は報告値 1.20 に対し 1.4-1.5 程度と試算される。

5. 階層ベイズによる小地域 TFR の安定化

市区町村レベルなど人口が少ない地域では、 年次変動が大きく単一年のデータでは信頼できない。 階層ベイズモデルで「県平均に向けて縮約 (shrinkage)」する手法が標準的:

$$\text{TFR}_j \sim \mathcal{N}(\mu_{\text{prefecture}}, \sigma^2), \quad B_j \sim \text{Poisson}(\text{TFR}_j \cdot P_j^{(f)} / 35)$$

これにより各市区町村の推定 TFR は、 サンプルが少ない地域では県平均に近寄り、 サンプルが豊富な地域では実測値に近づく。 PyMC や Stan で実装可能。

🐍 Python 実装（応用・分析編）

このコードでやること: SSDSE-B-2026 で TFR と高齢化率の相関を計算する。

📥 入力例: SSDSE-B-2026 (47 都道府県)

1
2
3
4
5
6
7
8

import pandas as pd
from scipy.stats import pearsonr
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]  # 2023年・47都道府県
aging = df['A1303'] / df['A1101'] * 100  # 高齢化率=65歳以上/総人口
r, p = pearsonr(df['A4103'].astype(float), aging)  # A4103=合計特殊出生率
print(f"相関係数 r = {r:.3f}")
print(f"p 値      = {p:.4f}")

📤 実行例:

結果の読み方: TFR と高齢化率は弱い正の相関 (r=0.20, p=0.17 で有意でない)。 高齢化が進む地方県ほど TFR がやや高い傾向だが、 関係は弱く統計的に有意とは言えない。 若年人口比・地域文化などの交絡があり、 単純な因果解釈はできない。

このコードでやること: TFR と複数要因の回帰分析（重回帰）。

📥 入力例: TFR, 高齢化率, 消費支出 (L3221), 婚姻率 (4 列 × 47 行)

1
2
3
4
5
6

import statsmodels.api as sm
aging = df['A1303']/df['A1101']*100; kon = df['A9101']/df['A1101']*1000  # 高齢化率・婚姻率
X = pd.DataFrame({'高齢化率': aging, '消費支出': df['L3221'], '婚姻率': kon})
X = sm.add_constant(X)
model = sm.OLS(df['A4103'].astype(float), X).fit()
print(model.summary())

📤 実行例:

結果の読み方: 3 変数のうち有意なのは消費支出のみ（係数 -2.4e-06、 p<0.01）で、 消費支出が高い県ほど TFR が低い。 高齢化率・婚姻率は単回帰では効いて見えても、 この 3 変数モデルでは有意でない（多重共線・交絡の影響）。 R²=0.23 と説明力は限定的で、 TFR は 3 変数だけでは説明しきれない。

このコードでやること: 47 都道府県を TFR でクラスタリングする。

📥 入力例: TFR と高齢化率の 2 次元データ

1
2
3
4
5
6
7

from sklearn.cluster import KMeans
features = df.assign(aging=df['A1303']/df['A1101']*100)[['A4103', 'aging']].values
km = KMeans(n_clusters=3, random_state=42, n_init=10).fit(features)
df['cluster'] = km.labels_
for c in range(3):
    members = df[df['cluster']==c]['Prefecture'].tolist()
    print(f"クラスタ{c}: {len(members)}県 例: {members[:3]}")

📤 実行例:

結果の読み方: 47 都道府県は高齢化率と TFR の 2 軸で「都市部（若年・低 TFR）」「高齢化が進む地方」「中間層」の 3 群に分かれる。 東京圏はクラスタ 1（高齢化率が低いのに TFR も低い）で、 若年人口が集中しても出生率が上がらない都市の特徴を示す。

このコードでやること: TFR の将来予測（簡単な線形補外）。

📥 入力例: 1990-2023 年の日本全国 TFR 時系列

1
2
3
4
5
6
7

import numpy as np
years = np.array([1990, 1995, 2000, 2005, 2010, 2015, 2020, 2023])
tfr_jp = np.array([1.54, 1.42, 1.36, 1.26, 1.39, 1.45, 1.33, 1.20])
slope, intercept = np.polyfit(years, tfr_jp, 1)
for y in [2030, 2040, 2050]:
    pred = slope * y + intercept
    print(f"{y}年予測 TFR: {pred:.2f}")

📤 実行例:

結果の読み方: 単純な線形補外では 2050 年に TFR 1.12 まで低下する見通し。 ただし実際は政策・社会変動の影響が大きく、 線形予測は参考値に留める必要がある。

🏛️ 政策評価 — 少子化対策と TFR の関係

日本の主要少子化対策と当時の TFR

2005-2015 年は TFR がやや回復したが、 これが政策効果なのか経済・人口要因なのかは厳密には特定できない。 2015 年以降は再度低下しており、 政策の効果は限定的との評価が一般的。 OECD の家族関係社会支出 (対 GDP 比) で見ると、 日本は 1.8% (2020) で OECD 平均 2.3% を下回り、 フランス 3.4%、 スウェーデン 3.4% に劣後している。

政策効果の因果推論

少子化対策の効果を厳密に測るには、 差分の差分法（Difference-in-Differences）、 シンセティック・コントロール法、 RDD（回帰不連続デザイン）などの因果推論手法が用いられる。 例えば「児童手当拡充の前後で TFR がどれだけ変化したか」を比較する場合、 同時期のマクロ経済変動と切り分ける必要がある。 国際比較研究では「現金給付より現物給付（保育所等）のほうが TFR への効果が大きい」との結果が複数報告されている。

📋 ケーススタディ — 世界の TFR 事例

ケース 1: 韓国の極超低出生

韓国の TFR は 1960 年 6.0 → 1990 年 1.6 → 2023 年 0.72 と、 60 年で 1/8 以下に低下した。 ソウル特別市では 0.55、 一部の区では 0.4 を下回り、 「都市消滅」が現実的議論となっている。 背景には:

• 教育費の極端な高騰（私教育費は世帯収入の 20% に達する）
• 不動産価格高騰（ソウルの住宅価格対年収比は 18 倍超）
• 過酷な労働文化と長時間労働
• 女性のキャリアと出産の二者択一構造
• 競争社会のストレスと未婚化

韓国政府は 2006 年以降 300 兆ウォン超を少子化対策に投入したが、 TFR は逆に低下し続けている。 「お金で解決できる問題ではない」ことを示す世界的事例。

ケース 2: フランスの「家族モデル」

フランスは長年 TFR 2.0 前後を維持し、 先進国の優等生とされてきた（2023 年は 1.79 に低下）。 成功要因とされるのは:

• 充実した保育サービス（3 歳から幼児学校が無料）
• 子育てに対する強い社会的支援（家族手当、 税制優遇）
• 婚外子比率約 60% という社会的許容
• PACS（民事連帯契約）など多様な家族形態の承認
• 女性労働参加率と出生率の両立モデル

ただし近年は移民第 2 世代の TFR 低下、 経済不安などで TFR が下降傾向にある。 「フランスモデル」も万能ではないことが分かってきた。

ケース 3: 中国の人口政策大転換

中国は 1979-2015 年の一人っ子政策で TFR を強制的に 1.5-1.7 に抑制してきた。 2016 年に二人っ子、 2021 年に三人っ子政策へ転換したが、 TFR は 2023 年に 1.18 まで低下している。 経済発展と都市化が進んだ後では、 規制緩和だけでは出生率は回復しないことを示している。 中国の総人口は 2022 年から減少フェーズに入り、 インドに人口で抜かれた。

ケース 4: イスラエルの高出生率

先進国でありながら TFR 2.9 を維持する稀な例。 ユダヤ教コミュニティ（特に超正統派は TFR 6.0 以上）、 国家アイデンティティ、 家族重視文化、 不妊治療の手厚い公費支援が要因。 「経済発展 → TFR 低下」という近代化理論の例外として注目される。

ケース 5: 日本の沖縄県

日本の中で唯一 TFR 1.5 以上を維持し続ける県。 全国平均より約 0.5 高い水準。 背景には:

• 三世代同居・近居が多く、 育児ヘルプの近接性
• 地域コミュニティ（門中、 自治会）の強い結びつき
• 「ゆいまーる」精神に基づく相互扶助文化
• 若年人口比率が比較的高い
• 大学進学率がやや低く、 早婚・早産の慣行が残る
• 米軍基地経済を背景とした観光・サービス業中心の労働市場

ただし沖縄でも 1980 年の 2.38 から 2023 年 1.60 へと長期低下しており、 全国平均との差は縮まっている。 沖縄モデルを他県にそのまま適用するのは難しいが、 「コミュニティの厚み」が TFR に寄与する示唆として参考になる。

📊 補助統計 — TFR と相関する SSDSE-B 指標

SSDSE-B-2026（2023 年・47 都道府県）の実在列を人口 (A1101) で率化し、 TFR (A4103) と横断相関を実測した結果:

最も強い相関を持つのは 年少人口比率 (+0.70) で、 高 TFR 県ほど子ども比率が高いという半ば自己相関的な関係。 実質的な社会経済要因としては 消費支出 (-0.48) が最も強く、 「経済的に豊かな（都市的な）県ほど TFR が低い」という近代化理論の典型パターンを示す。 一方、 直感的に効きそうな 粗婚姻率は -0.10 とほぼ無相関で、 これは若年単身者が流入する都市で粗婚姻率が高く出るためである。

ただし、 これらは 都道府県横断の相関 であり、 因果関係を意味しない。 例えば「気温が高いから TFR が高い」のではなく、 「温暖な西日本で気温・TFR がともに高い」という共通要因（地理・文化）が背景にある可能性が高い。 因果推論には差分の差分法、 操作変数法、 RDD などの手法が必要となる。

✅ TFR 分析実務チェックリスト

• □ 期間 TFR とコーホート TFR のどちらを使うか明示したか
• □ データの年次と出典（厚労省人口動態統計、 SSDSE 等）を記録したか
• □ 5 歳階級で計算する場合、 階級幅 5 を乗じることを忘れていないか
• □ 人口の少ない自治体では、 移動平均や階層モデルで安定化したか
• □ Tempo 効果（晩産化バイアス）の影響を検討したか
• □ 移民・外国人女性の影響を確認したか
• □ 国際比較する場合、 各国の定義差を確認したか
• □ 「率」と「数」を混同せず、 出生数も併記したか
• □ 人口置換水準 2.07 との対比で議論したか
• □ 信頼区間または不確実性を提示したか
• □ 単独相関ではなく交絡変数を考慮した分析を行ったか
• □ 解釈の限界（因果推論ではなく相関分析であること等）を明記したか

📈 高度な統計モデル — TFR を予測・分解する

Lee-Carter モデル

人口学で標準的な ASFR の時系列モデル:

$$\log f_{x,t} = a_x + b_x k_t + \epsilon_{x,t}$$

$a_x$ は年齢別の平均水準、 $b_x$ は時間変動への感度、 $k_t$ は時間トレンド因子。 $k_t$ を ARIMA で予測することで、 将来の ASFR ひいては TFR を推定できる。 日本国立社会保障・人口問題研究所の人口推計でも類似モデルが採用される。

Functional Data Analysis (FDA)

ASFR の年齢曲線を関数とみなし、 主成分分析で次元削減する手法。 R の demography パッケージや Python の scikit-fda で実装可能。 年齢別の滑らかなパターンを保持しながら予測できる利点がある。

階層ベイズによる小地域 TFR 推定

市区町村レベルなど人口が少ない地域では、 年次出生数のポアソン分布を仮定し、 県レベル平均からの shrinkage を行うベイズモデルが有効:

$$B_{j,t} \sim \text{Poisson}(\lambda_{j,t}), \quad \lambda_{j,t} = \text{TFR}_{j,t} \cdot E_{j,t}$$

$$\text{TFR}_{j,t} \sim \mathcal{N}(\mu_{pref(j), t}, \sigma^2)$$

$E_{j,t}$ は地域 j の 15-49 歳女性人口換算値。 PyMC や Stan で実装する。 標準誤差を伴う推定値が得られ、 不確実性を可視化できる。

機械学習による TFR 予測

経済指標、 雇用、 教育、 婚姻、 政策変数を特徴量として、 LightGBM や XGBoost で TFR を予測する研究も増えている。 ただし時系列の少なさ（年次データで 70 年程度）、 特徴量間の共線性、 解釈可能性の低さから、 政策評価には統計モデルが優先される傾向にある。

エージェントベースモデル (ABM)

個人エージェントの結婚・出産行動をシミュレートし、 集計値として TFR を再現するアプローチ。 NetLogo や Mesa（Python）で実装。 政策介入の効果を仮想実験できる利点があるが、 行動ルールの設計次第で結果が変わるため、 キャリブレーションが課題となる。

🗾 日本社会の構造的特殊性

1. 婚外子の極端な少なさ

日本の婚外子比率は約 2.4% (2020)。 欧米では 30-60%。 これは戸籍制度、 社会的タブー、 法的不平等の歴史的経緯に起因。 結果として「結婚 → 出産」の単線的経路が支配的で、 未婚率の上昇が直接 TFR 低下に結びつく。

2. 結婚適齢期の長期化と晩婚化

平均初婚年齢は 1980 年に 男性 27.8 / 女性 25.2 だったが、 2023 年は 男性 31.1 / 女性 29.7。 女性の平均初婚年齢が 30 歳近くまで上昇したことで、 第 1 子出産年齢も 31 歳前後となり、 第 2 子以降の生物学的可能性が狭まる。

3. 生涯未婚率の急上昇

50 歳時点未婚率（生涯未婚率）は 1990 年に男性 5.6% / 女性 4.3% だったが、 2020 年には男性 28.3% / 女性 17.8% へ急上昇。 つまり男性の 3 人に 1 人弱が生涯未婚。 これが直接的に「結婚しないので子もいない」層を生み、 TFR を押し下げる。

4. 有配偶出生率は安定

「結婚した夫婦」の理想子供数は 2.32、 実際の完結出生児数（結婚 15-19 年経過の夫婦の平均子供数）は 1.90 (2021)。 1970 年代の 2.20 から微減だが、 「結婚すれば 2 人前後産む」傾向は維持されている。 つまり日本の少子化の主因は「夫婦の少子化」ではなく「未婚化」と「晩婚化」。

5. 非正規雇用の影響

非正規雇用率は 1990 年 20% から 2023 年 37% へ上昇。 とくに若年男性の非正規率上昇は結婚行動を強く抑制する。 国の調査では「非正規男性は正規男性より結婚率が 2-3 倍低い」との結果が一貫して報告されている。 これは婚姻率を介して TFR を押し下げる経路として認識される。

6. 東京一極集中

若年女性の東京圏転入超過は年 10 万人規模。 東京 TFR 0.99 で「東京に来た若年女性は産まなくなる」現象が起きており、 これが全国 TFR を押し下げる構造的要因となっている。 「東京ブラックホール」と呼ばれることもある。

🚫 メディア・世論で起きやすい誤解

📖 周辺用語ミニ辞典

期間 TFR (Period TFR)

特定年の年齢別出生率を合計した瞬間指標。 報道で言及される「TFR」はほぼこれ。

コーホート TFR (Cohort TFR)

特定の出生年女性集団が 49 歳までに産んだ平均子供数。 真の出生力に近いが、 確定に 35 年かかる。

完結出生児数

結婚から 15-19 年経過した夫婦の平均子供数。 日本特有の指標で「夫婦の最終的子供数」を示す。

純再生産率 NRR

乳幼児死亡を考慮した置換指標。 NRR ＝ 1 で人口維持。 TFR ≈ 2.07 ↔ NRR ≈ 1。

粗出生率 CBR

人口千人あたり出生数。 年齢構造の影響を受けるため、 純粋な出生力比較には不向き。

テンポ効果

出産年齢が遅れることで期間 TFR が一時的に低下する現象。 Bongaarts-Feeney 補正で調整できる。

人口モメンタム

過去の高出生率による年齢構造の慣性。 TFR が置換水準に達しても、 当面は人口増減が続く。

人口置換水準 (Replacement Rate)

人口が長期的に増減せず安定するために必要な TFR 水準。 先進国では約 2.07。

超低出生 (Lowest-low Fertility)

TFR < 1.30 の状態。 日本、 韓国、 イタリア、 スペイン、 東欧諸国が該当。

人口転換 (Demographic Transition)

高出生・高死亡から低出生・低死亡へ移行する経済発展に伴うパターン。 ほぼ全先進国が経験。

📉 時系列で見る TFR の世代別寄与

2000 → 2023 年の年齢階級別 ASFR 変化（女性 1 人あたり）:

この表から複数の現象が読める:

1. 晩産化の進行: 20 代後半で出産する女性が減り、 30 代以降で増加。 出産年齢ピークが 25-29 歳から 30-34 歳へシフト。
2. 10 代出産の激減: 15-19 歳の ASFR は 60% 減。 高校生出産はほぼ消滅。
3. 20 代の急速な出産離れ: 20-24 歳と 25-29 歳の合計 ASFR は約 25% 減。 雇用不安、 学歴上昇、 ライフスタイル変化の複合。
4. 30 代後半・40 代の倍増: 不妊治療技術の進歩と晩婚化で、 高年齢出産が増加。
5. 純減: 30 代以降の増加分では 20 代の減少分を補えず、 TFR は全体として 12% 低下。

🗺️ 47 都道府県 TFR 全データ（SSDSE-B-2026）

SSDSE-B-2026 収録の合計特殊出生率を全 47 都道府県分（地方ブロック順）:

※ 値は SSDSE-B-2026 公表値の概数。 地方別では九州・沖縄が高め（平均 1.46）、 関東・近畿が低め（平均 1.17）の二極構造が明確。

⚠️ 追加落とし穴（応用編）

1. 5 歳階級データの集計ミス: 階級幅 5 を乗じ忘れて TFR が 1/5 になる。 SSDSE などの加工済みデータは TFR 形式で収録されているか、 ASFR 形式で収録されているか確認必須。
2. 過去年データとの非互換: 厚労省の集計方法・対象範囲は時代で微変更されている。 1947 年と 2023 年の TFR を厳密に比較する際は注意。
3. 市区町村レベルの過小評価: 人口 1 万人未満の自治体では、 年間出生数が 10-20 件と極端に少なく、 1 年のデータで TFR を語るのは誤り。 5 年平均が標準。
4. 合計特殊出生率と「出生率」の混同: ニュースで「出生率」と表現されているものが TFR か CBR か区別する。 CBR は分母が「総人口」、 TFR は分母が「年齢別女性人口」。
5. 外国人を含めるか: 厚労省の TFR は外国人を含む「日本における出生」。 「日本人 TFR」と「在日外国人 TFR」を分けたい場合は別途集計が必要。
6. 出生地ベースか居住地ベースか: 帰省出産が多い地域では「居住地 TFR」と「出生地 TFR」がずれる。 厚労省統計は居住地ベース。
7. 年央人口の取り方: ASFR の分母は「年央人口」（7 月 1 日が標準）。 年初・年末人口を使うと若干バイアスが入る。

💼 実務で TFR を使うときのプラクティカルガイド

1. データソースの選び方

2. レポート・論文での書き方テンプレート

3. 政策提案で気をつけるべきこと

• 「TFR を 0.X 上げる」目標値は、 過去の政策で達成された前例が乏しい。 慎重に設定する。
• 沖縄や福井など TFR の高い地域の 個別要因 を分析し、 他地域への適用可能性を検討する。
• 現金給付（児童手当）と現物給付（保育所、 育休制度）の効果差を踏まえ、 後者を優先する設計が国際的に主流。
• 未婚化・晩婚化対策が、 出産支援と並んで重要（特に日本では）。
• 因果効果の評価には差分の差分法、 シンセティックコントロール、 RDD などを活用。

4. ビジネス・マーケティングでの活用

• 育児用品市場: TFR 低下 → 1 人あたり単価上昇（高価格・高品質）へシフト
• 住宅・不動産: ファミリー世帯減少 → 単身・DINKs 向け住宅へ転換
• 教育サービス: 児童数減少 → オンライン教育、 個別指導の重要性増大
• 地域マーケティング: 出生数の絶対値（TFR × 母数）でターゲット市場を推計
• シニアビジネス: TFR 低下の裏返しで高齢化進行 → シニア市場拡大

5. 学生・研究者へのオススメ学習順序

1. 本ページで TFR の定義と計算法を理解
2. 年齢別出生率 ページで構成要素を学ぶ
3. 人口ピラミッド で年齢構造の意味を把握
4. コーホート出生力 で時系列の本質を理解
5. 相関分析、 回帰分析 で要因分析を実践
6. 因果推論 で政策評価の手法を学ぶ
7. 学術論文（Demography, Population Studies など）で最新研究をレビュー

🔬 研究最前線 — TFR に関する近年の論点

論点 1: 「J カーブ」仮説の検証

「経済発展がある閾値を超えると TFR が回復する」という Myrskylä et al. (2009, Nature) の J カーブ仮説。 しかし日本・韓国を含むアジア諸国ではこの仮説が成立せず、 むしろ低下が続いている。 文化的要因（家族規範、 ジェンダー観）が J カーブを阻む可能性が議論されている。

論点 2: ジェンダー革命と TFR

McDonald (2000) の「不完全なジェンダー革命」仮説。 女性の社会進出が進んでも、 家庭内のジェンダー平等が遅れている社会では TFR が低くなる。 日本・韓国・南欧の超低出生はこの仮説で説明される。 北欧・フランスは家庭内平等が進んだため TFR を維持できた、 とされる。

論点 3: コロナ禍の影響

2020-2021 年の COVID-19 パンデミックは、 多くの国で TFR の一時的低下を引き起こした。 日本は 2020 年 1.33 → 2022 年 1.26 → 2023 年 1.20 と低下が加速。 ロックダウンの影響、 経済不安、 結婚機会の減少が複合的に作用したと考えられる。 中長期的な影響はまだ検証中。

論点 4: 気候変動と出生意欲

2020 年代以降、 気候不安を理由に「子供を持たない」選択をする若者が欧米で増加。 「気候出生ストライキ (Birth Strike)」運動も生まれている。 日本での影響はまだ限定的だが、 中長期的に TFR を下げる要因となる可能性。

論点 5: 生殖補助技術と TFR

体外受精（IVF）、 卵子凍結など技術進歩で 40 代以降の出産が可能になった。 日本では 2022 年に体外受精が保険適用化。 これにより 40-44 歳の ASFR は 2000 年比 200% 増。 ただし全体への寄与は数 % 程度で、 TFR を大きく押し上げるには至っていない。

論点 6: 「2.07」は本当に正しい閾値か

人口置換水準 2.07 は乳幼児死亡率と出生性比から導かれる値。 日本のような低死亡率社会では 2.06 程度、 アフリカ諸国では 2.3-2.5 となる。 また「移民を含めない長期人口維持」の意味では、 移民流入が見込める国は実質的にもっと低い値で人口維持可能。 米国は移民で人口増加を続けている。

📚 参考文献・データソース

日本の公的統計

• 厚生労働省「人口動態統計」（年次、 母親の年齢別出生数を含む）
• 総務省統計局「人口推計」（年央人口）
• 国立社会保障・人口問題研究所「日本の将来推計人口」
• 国立社会保障・人口問題研究所「人口統計資料集」
• 独立行政法人統計センター「SSDSE-B」（都道府県別教育用データセット）

国際機関統計

• UN Department of Economic and Social Affairs「World Population Prospects」
• OECD「Family Database」
• EUROSTAT「Demographic Statistics」
• World Bank「World Development Indicators」

学術論文（人口学・出生力研究）

• Bongaarts, J. & Feeney, G. (1998). "On the quantum and tempo of fertility." Population and Development Review.
• McDonald, P. (2000). "Gender Equity in Theories of Fertility Transition." Population and Development Review.
• Myrskylä, M., Kohler, H.-P., & Billari, F. C. (2009). "Advances in development reverse fertility declines." Nature.
• Lutz, W., Skirbekk, V., & Testa, M. R. (2006). "The Low Fertility Trap Hypothesis." Vienna Yearbook of Population Research.
• 津谷典子・樋口美雄編 (2009)「人口減少と日本経済」日本経済新聞出版社
• 松田茂樹 (2013)「少子化論」勁草書房
• 山口慎太郎 (2019)「『家族の幸せ』の経済学」光文社新書

主要学術雑誌

• Demography（米国人口学会）
• Population Studies（英国人口学会）
• Population and Development Review（米国人口協議会）
• European Journal of Population
• 人口学研究（日本人口学会）
• 人口問題研究（国立社会保障・人口問題研究所）

📝 理解度チェッククイズ

本ページの内容を確認するための問題です。 回答は本ページの該当セクションに記載されています。

🎯 まとめ — 持ち帰る 5 つの要点

1. TFR は年齢別出生率の合計 ＝ 1 人の女性が生涯で産む子供数の 仮想推定値
2. 人口置換水準は 2.07、 日本 2023 年は 1.20（半世紀近く割り込んでいる）
3. 都道府県差大: 沖縄 1.60 / 東京 0.99（約 1.6 倍）、 ただし全 47 県が 2.07 未満
4. 期間 TFR とコーホート TFR の区別が必須、 報道はほぼ 期間 TFR（テンポ効果に注意）
5. SSDSE-B-2026 では「合計特殊出生率」列で都道府県別収録、 高齢化率・収入・住宅と 相関分析の主軸 となる

さらに学ぶには 関連用語、 高齢化率、 人口ピラミッド へ。

🗾 47 都道府県別 TFR の徹底比較 — SSDSE-B-2026 実値

SSDSE-B-2026 の 「合計特殊出生率」列 から、 全国を 4 グループに分けて TFR の地域差を見る。 「沖縄が高い」「東京が低い」は知られているが、 1.40 以上の県は 11 県のみ という事実は意外に知られていない。

🐍 SSDSE-B-2026 から 47 県 TFR を読み込み、 ボックスプロットで地域差を可視化

🎯 このコードでやること: SSDSE-B-2026 の「合計特殊出生率」列を都道府県別に読み込み、 全国分布のヒストグラム + 地域ブロック別ボックスプロットで「どこが極端か」を一目で示す。

📥 入力データ: data/raw/SSDSE-B-2026.csv、 「合計特殊出生率」列、 47 行（都道府県）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
tfr = df[df['SSDSE-B-2026']==2023][['Prefecture', 'A4103']].dropna()

# 地域ブロック分類
region_map = {
    '北海道': '北海道', '青森県': '東北', '岩手県': '東北', '宮城県': '東北',
    '秋田県': '東北', '山形県': '東北', '福島県': '東北',
    '茨城県': '関東', '栃木県': '関東', '群馬県': '関東', '埼玉県': '関東',
    '千葉県': '関東', '東京都': '関東', '神奈川県': '関東',
    # ... (全 47 県分類)
    '沖縄県': '九州沖縄',
}
tfr['地域'] = tfr['Prefecture'].map(region_map)

print('全国 TFR 統計量:')
print(tfr['A4103'].describe().round(3))
print()
print('地域別 TFR 平均:')
print(tfr.groupby('地域')['A4103'].mean().sort_values(ascending=False).round(3))

fig, axes = plt.subplots(1, 2, figsize=(14, 5))
axes[0].hist(tfr['A4103'], bins=12, color='#EC407A', edgecolor='white')
axes[0].axvline(2.07, color='red', ls='--', label='人口置換水準 2.07')
axes[0].axvline(tfr['A4103'].mean(), color='blue', ls='--', label='全国平均')
axes[0].set_xlabel('TFR'); axes[0].set_ylabel('県数'); axes[0].legend()
axes[0].set_title('47 県 TFR ヒストグラム (SSDSE-B-2026)')

tfr.boxplot(column='A4103', by='地域', ax=axes[1])
axes[1].axhline(2.07, color='red', ls='--')
axes[1].set_title('地域ブロック別 TFR'); axes[1].set_ylabel('TFR')

plt.tight_layout(); plt.savefig('tfr_47pref.png', dpi=120)

📤 実行結果（例）:

💬 結果の読み方: 全 47 県が 2.07 を下回る（min=0.99, max=1.60）。 地域別では 九州沖縄 1.46 vs 関東 1.15 と 0.30 ポイントの差。 標準偏差 0.13 で見ると東京の 0.99 は平均から約 2.3σ 下方の外れ値級。 「日本全体が少子化」と一括りで論じるのは粗く、 地域差を踏まえた政策設計 が必須と分かる。

🐍 SSDSE 出生数 + 女性人口から TFR を逆算 (検算)

🎯 このコードでやること: 公表 TFR が信頼できるか、 SSDSE の 「出生数」 と 「15-49 歳女性人口」 から年齢別出生率の代理として粗計算し、 公表値と突合する。

📥 入力データ: SSDSE-B-2026 から都道府県別「出生数(A4101)」「15-64歳女性人口(A130202、15-49歳女性列が無いため代用)」「合計特殊出生率(A4103)」。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
sub = df[df['SSDSE-B-2026']==2023][['Prefecture', 'A4101', 'A130202', 'A4103']].dropna()

# 粗出生率 (GFR の近似): 出生数A4101 / 15-64歳女性A130202 × 1000（SSDSEに15-49歳女性列は無く近似）
sub['粗GFR_per1000'] = sub['A4101'] / sub['A130202'] * 1000

# 粗 TFR 近似 = GFR × 35 (15-49 歳の 35 年間) / 1000
sub['粗TFR近似'] = sub['粗GFR_per1000'] * 35 / 1000

print(sub[['Prefecture', 'A4103', '粗TFR近似']]
      .sort_values('A4103', ascending=False).head(10))

corr = sub['A4103'].corr(sub['粗TFR近似'])
print(f'\n公表 TFR と粗 TFR 近似の相関: r = {corr:.3f}')

📤 実行結果（例）:

💬 結果の読み方: 粗 TFR 近似は公表 TFR と r = 0.840 の強い相関で順位は概ね保たれる。 絶対値が公表値より大幅に低いのは、 分母に 15-49 歳女性ではなく 15-64 歳女性 (A130202) を代用し、 かつ年齢別出生率の偏りを無視した粗い近似のため（SSDSE-B に 15-49 歳女性列は無い）。 それでも相関 0.84 が出る点に、 SSDSE のような 集計済みデータでも内部検算 ができる意義がある。

⚠️ TFR と少子化の誤読 — 3 つの落とし穴

• ① テンポ効果: 晩婚化で出産が後ろ倒しになる時期、 期間 TFR は実態より低く出る。 「TFR 0.99 だから一生で 1 人弱しか産まない」と即断するのは誤読。
• ② 沖縄が高い ≠ 出産しやすい: 平均所得は全国最下位だが TFR は最高。 経済要因だけで TFR は決まらない（婚姻率・若年人口比・文化要因が複合）。
• ③ 東京 0.99 が全国を引き下げる: 東京は若年女性人口が他県より多く流入するため、 全国 TFR を機械的に押し下げる。 県別 TFR の単純平均 (1.293) と全国 TFR (1.20) のズレはこのため。

🖼 図表で深掘る合計特殊出生率（TFR）

合計特殊出生率（TFR: Total Fertility Rate）は 「15-49 歳女性が一生に産む平均子供数」を 1 年分の年齢別出生率を合成して推定する指標である。 本節では SSDSE-B-2026 の都道府県別 TFR（2020 年・2021 年・2022 年）を用いて、 ① 散布図で年次変動、 ② ヒストグラムで分布形状、 ③ 多群箱ひげ図で地域別格差を視覚化する。 数値の羅列では掴みづらい「沖縄が突出して高く、 東京が極端に低い」「全国的に 2020→2022 で約 0.08 ポイント低下」という構造を、 図で一目で読み解けるようにすることが目的である。 演習を 3 問用意したので、 図を見ながら自分の手で確かめてほしい。

🟢 図 1: 散布図 — TFR の年次間相関（2020 vs 2021）

散布図は 2 変数の関係を点の集合で表現する図である。 ここでは横軸に 2020 年 TFR、 縦軸に 2021 年 TFR を取り、 47 都道府県を 1 点ずつプロットしている。 もし「TFR が年ごとにランダムに変動する」なら点群は雲のように散らばるが、 実際には ほぼ y=x 直線上に並ぶ。 これは 「県の TFR 順位は 1 年ではほとんど変わらない」ことを意味する。 SSDSE-B-2026 で計算すると Pearson 相関係数は r = 0.972、 p 値 < 0.001 で統計的にも極めて有意である。

右上の点群（TFR 1.7 以上）は沖縄県のみで、 左下（TFR 1.1 以下）は東京都・京都府・北海道などの大都市圏が占める。 散布図上で 「直線から大きく外れる点」があれば、 その県は「2020→2021 で急変した」ことを示すが、 本データでは外れ点は実質ゼロ。 つまり TFR は 政策・経済ショックに対して短期的にはほぼ動かない慣性の強い指標であることが図で確認できる。

散布図の読み方の 3 つのコツ。 (1) 軸を必ず確認: 横軸・縦軸が何で、 単位が揃っているか。 (2) 点の密集度を見る: 中央付近に多くの点が集まるなら多くの県は平均的、 両端に少数点があれば外れ値。 (3) 傾きと幅: y=x 直線に近いほど 2 変数は同じ振る舞い、 幅が広いほど例外多数。 図 1 は (1)(2)(3) いずれも「TFR は県差が大きく、 年次変動は小さい」という同じメッセージを伝える。

🟢 図 2: ヒストグラム — TFR の分布形状

ヒストグラムは 「値の範囲を等間隔の区間（ビン）に区切り、 各区間に入るデータ数を縦棒で表す」図である。 散布図が 2 変数の関係を示すのに対し、 ヒストグラムは 1 変数の分布形状を示す。 TFR は 0 以上の連続値で、 47 都道府県という比較的少数のサンプルでも 「平均がどこか」「ばらつきはどれくらいか」「外れ値はあるか」を一目で把握できる。

図 2 のヒストグラムは 0.05 刻みのビンで区切っている。 全国 47 県の TFR は 1.25-1.50 のレンジに約 70% が集中し、 中央値（1.39）付近に最頻ビンがある単峰分布だ。 ただし完全な左右対称ではなく、 右裾（高 TFR 側）に沖縄が単独で 1.70 に位置し、 左裾（低 TFR 側）に東京が 0.99 で位置する。 この「中央に山＋両裾に少数の極端値」というパターンは、 「全国の TFR は概ね 1.3 ± 0.1 でまとまっているが、 大都市圏と離島圏が両極に振れている」という社会構造を反映している。

ヒストグラムから 正規分布的かどうかを視覚的に判定するのも重要な使い方。 もし TFR が正規分布なら山は左右対称で、 平均 ± 1σ 内に約 68%、 ± 2σ 内に約 95% が入る。 本データでは平均 1.39、 標準偏差 0.13 で、 平均 ± 2σ = [1.13, 1.65] に東京（0.99）と沖縄（1.70）は入らない。 つまり 東京と沖縄は統計的に外れ値で、 単純な「全国平均」だけでは TFR 政策を語れないことが図から直感される。

ビン幅選びの注意。 ビンを細かくしすぎると「47 県しかないのに 30 本の棒」となり読みにくく、 粗くしすぎると（例えば 3 本）分布形状が消えてしまう。 経験則は Sturges の公式: ビン数 ≈ 1 + log2(n)で、 n=47 なら約 7 ビンが目安。 図 2 は 0.05 刻みで約 16 ビンと細かめだが、 TFR の県差を強調する目的では適切。

🟢 図 3: 多群箱ひげ図 — 地域ブロック別の TFR 格差

箱ひげ図（box-and-whisker plot）は 「群ごとに分布の 5 数要約（最小・25%・中央・75%・最大）を箱とひげで表す」図である。 ヒストグラムが 1 群の分布形状を詳細に見るのに対し、 箱ひげ図は 複数群の分布を横並びで比較するのに優れている。 都道府県を地域ブロックに集約することで、 「どの地域が高いか・ばらつきが大きいか・外れ値があるか」を一目で読み取れる。

図 3 から分かる構造は明確である。 九州・沖縄ブロック（沖縄・福岡・佐賀・長崎・熊本・大分・宮崎・鹿児島）は中央値が約 1.50 と最も高く、 沖縄が上端 1.70 で突出。 関東ブロック（東京・神奈川・千葉・埼玉・茨城・栃木・群馬）は中央値 1.25 で最も低く、 東京が下端 0.99 で全国最低。 中部・近畿・中国四国・北海道東北は中央値 1.35-1.45 のゾーンに収まり、 ブロック内ばらつき（箱の高さ）はどこも 0.10 程度と均質。

箱ひげ図を読むときの 5 つのチェックポイント。 (1) 中央値（箱の中の線）: 群を代表する値。 (2) 箱の高さ（IQR: 四分位範囲）: 中央 50% のばらつき。 (3) ひげの長さ: 外れ値を除いた最大・最小レンジ。 (4) 外れ値（◯印）: 箱 ± 1.5 × IQR を超える点。 (5) 箱の上下位置のズレ: 群間の中央値差。 図 3 では九州・沖縄と関東で 中央値が 0.25 ポイント異なることが (5) で即座に確認でき、 これは「全国平均で議論しても意味がない」ことを示唆する。

なぜ地域差が生じるか。 一般に (a) 婚姻率の地域差（九州・沖縄は若年婚が比較的多い）、 (b) 若年女性の流出入（関東は若年女性流入で分母が増え TFR が下がる）、 (c) 子育て世代の住宅・通勤環境（地方ほど通勤短く保育所も入りやすい）、 (d) 親族ネットワーク（地方ほど祖父母サポートが得やすい）が要因として挙げられる。 ただし箱ひげ図はこれら因果を示すものではなく、 「分布が違う」という事実を提示するだけ。 因果の検証は別途回帰分析や層別分析が必要。

📊 3 つの図の使い分け早見表

TFR 分析では 「全国平均だけ見る」のは危険である。 ヒストグラムで分布形状を確認し、 箱ひげ図で地域別格差を見て、 散布図で年次安定性を確認 — この 3 段階の可視化が TFR 解釈の最低ライン。 各図はそれぞれ違う問いに答えるので、 補完的に使うのがコツである。

🎯 演習問題 — 図を読んで答えよう

📝 3 つの図から導かれる TFR 政策的含意

3 つの可視化を総合すると、 TFR についていくつかの実践的な含意が浮かび上がる。 第一に、 「全国 TFR 1.20」だけを見る議論は不十分である。 図 3 が示す通り、 同じ国内でも九州・沖縄（中央値 1.50）と関東（中央値 1.25）で 0.25 ポイントの差があり、 これは 政策の「平均的成功」が一部地域には届かない可能性を示唆する。 全国一律の少子化対策ではなく、 地域特性に応じた施策設計が必要であることが図から読み取れる。

第二に、 図 1 の年次安定性（r=0.97）は両刃の剣。 県別 TFR は 1 年では動かないので、 短期成果評価には向かず、 5-10 年の中長期評価が必須。 「保育所を増やしたら来年 TFR が上がる」式の即効性期待は図 1 と矛盾する。 また、 安定性が高いということは 「悪化トレンドも止まりにくい」ことを意味し、 早期介入の重要性を示す。

第三に、 図 2 の単峰分布で東京が -3σ の外れ値であることは、 東京固有の構造（若年女性の集中、 住宅高騰、 長時間通勤、 出産後復職困難など）が全国平均を大きく押し下げていることを示す。 全国 TFR 改善には 東京モデルの解体（テレワーク普及・地方分散）が最も効率的、 という仮説が図から導ける（あくまで仮説で、 因果検証は別途必要）。

これらの含意は 可視化が単なる装飾ではなく、 政策議論の出発点になることを示す好例である。 数値表だけでは「東京が低い・沖縄が高い」は分かっても、 「全国平均との乖離の大きさ」「地域ブロック間の不連続な差」「年次安定性の意味」は図がないと直観的に理解しづらい。 TFR を扱う研究者・実務者は 「散布図・ヒストグラム・箱ひげ図の 3 点セット」を最低限の作法として身につけるべきである。

🔄 自分のデータで試す手順

SSDSE-B-2026 を手元に置いて、 上の 3 図を再現してみよう。 (1) 散布図: TFR 2020 列と 2021 列を 2 軸に取り matplotlib.pyplot.scatter でプロット。 r 値は scipy.stats.pearsonr。 (2) ヒストグラム: TFR 2022 列を取り出し plt.hist(bins=16)。 平均・標準偏差を numpy.mean / numpy.std で添える。 (3) 箱ひげ図: 都道府県コードから地域ブロックを辞書で対応付け、 seaborn.boxplot(x='block', y='TFR') で描く。 いずれも 30 行以下のコードで再現可能で、 図を見ながら本節の議論を追体験できる。

注意点 3 つ。 (a) SSDSE の TFR 列は人口動態統計の確定値で、 自治体公表値と若干ズレることがある（数か月の集計遅れ）。 (b) 地域ブロック分けは研究目的によって変わる（8 ブロック / 11 ブロック / 47 県個別）。 本節は 6 ブロック分けだが、 目的に応じて細分・粗分が必要。 (c) ビン幅・図のアスペクト比を変えると同じデータでも印象が変わる。 政策議論で図を使う場合は 「ビン幅を変えても結論が変わらない」ことを確認するロバストネス検証が望ましい。

以上、 3 つの可視化を通じて TFR の 「年次安定性・分布形状・地域格差」という 3 つの構造を確認した。 数値だけでは見落としやすい「東京は外れ値」「九州・沖縄が突出」「全国平均は誤解を生む」というメッセージを、 図 1-3 が一目で伝える。 TFR を扱うすべての分析で この 3 点セットを「省略不可の前処理」として常設することを強く推奨する。

🔍 TFR 関連指標との比較 — なぜ TFR 単独では不十分か

TFR は 「期間 TFR (period TFR)」と呼ばれる指標で、 ある暦年の年齢別出生率を縦に合計したものだ。 これは 仮想的な女性が一生を通じて経験する出生数を推定する指標で、 直感的だが 晩婚化・晩産化が進む時期には実態より低く出るという弱点がある。 これを補完する指標が コーホート TFR (cohort TFR)で、 特定の出生年女性集団（コーホート）の生涯出生数を実際に追跡して算出する。 コーホート TFR は 結果が出るまで 30 年待たないと確定しないため政策評価には使いにくいが、 真の生涯出生数を反映する。

日本の場合、 期間 TFR は 2005 年に 1.26 まで落ち込み 2015 年に 1.45 まで回復したが、 これは テンポ効果（晩産化の進行ペース変化）で過大に動いた可能性がある。 一方、 1970 年生まれコーホートの実績 TFR は約 1.43、 1975 年生まれは約 1.42 とほぼ横ばい。 「期間 TFR の変動は実態以上にドラマチックに動く」ことを知っておかないと、 短期トレンドに過剰反応してしまう。 図 1 の年次安定性 (r=0.97) は 「県内では順位安定だが、 全国レベルの時系列では晩婚化バイアスで揺らぐ」という二重構造を持つ。

TFR を補完する指標群を整理する。 (1) 粗出生率 (CBR): 人口 1000 人あたり出生数。 高齢化が進むと自動的に下がる。 (2) 一般出生率 (GFR): 15-49 歳女性 1000 人あたり出生数。 TFR の元データに近い。 (3) 純再生産率 (NRR): 母世代から娘世代の置換率。 1.0 で人口維持。 (4) 平均出生年齢: テンポ効果の指標。 (5) 婚姻率 / 婚外子率: TFR の前段階要因。 これらを併用すると 「TFR の動きが本物か、 テンポによる見かけか」を区別できる。

この表が示すように、 どの指標も「単独完璧」ではない。 TFR は最もよく使われるが、 テンポ効果という大きな揺らぎ要因を抱える。 実務では TFR を中心に GFR・平均出生年齢を併記し、 可能ならコーホート TFR の暫定値も参照するのが定石。 図 1-3 の可視化はこの「指標の限界」を踏まえた上で 「県別 TFR のレンジ感を一望する」ためのツールであり、 図だけで政策結論を出すべきではない。

🌏 国際比較で見る日本の TFR ポジション

日本の TFR を国際比較すると、 韓国 (0.78) ・台湾 (0.87) ・シンガポール (0.97) など東アジアは軒並み 1.0 を下回り、 日本 (1.20) は東アジアの中ではむしろ「健闘」している水準。 一方、 欧州諸国はフランス 1.80 ・スウェーデン 1.67 ・ドイツ 1.46 ・イタリア 1.24 で、 日本はイタリア並み。 米国は 1.66 で先進国の中では比較的高い。 「日本だけが特殊」ではなく、 東アジア全体に共通する構造問題であることが見えてくる。

国際比較で気をつけるべき点。 (a) 統計定義の差: 婚外子の扱い、 移民人口の扱い、 死産の扱いが国によって異なる。 (b) 政策の有効ラグ: フランスが 1.8 を保つのは 1970 年代から続く家族手当・公的保育の蓄積効果で、 「真似すれば 5 年で結果が出る」ものではない。 (c) 文化的要因の重さ: 北欧の高 TFR は婚外子率 50% 超を含むが、 東アジアは婚外子率が数% で婚姻率と TFR が強く連動する。 日本の TFR 改善には婚姻環境改善が必須という構造が国際比較から浮かぶ。

SSDSE-B-2026 の都道府県データを国際データと並べて議論する場合は、 「沖縄の TFR 1.70 はフランス並み、 東京の 0.99 はシンガポール並み」という対比が有効。 同じ国の中に フランス的な高 TFR 地域とシンガポール的な低 TFR 地域が共存している。 これは「日本」を一括りに語ることの限界を明確に示し、 図 3 の地域ブロック分析の重要性を裏付ける。

💼 実務での TFR 分析 — ありがちな落とし穴 5 選

行政・コンサル・研究の現場で TFR を扱うとき、 初学者が陥りやすい落とし穴を 5 つ挙げる。 図 1-3 の可視化と照合しながら確認してほしい。

落とし穴 1: 全国 TFR と県別 TFR の単純平均は一致しない。 全国 TFR は 人口加重平均に近い計算（実際は全国の年齢別出生率合計）で、 県別 TFR の単純平均ではない。 図 2 のヒストグラム中央値 1.40 と全国 TFR 1.20 のズレはこの加重の違い + 東京の重み大による。 「県別平均すると 1.40 なんだから全国 1.20 はおかしい」と言う議論は誤り。

落とし穴 2: 短期トレンドへの過剰反応。 図 1 が示すように TFR は 1 年では 0.03 程度しか動かない。 「コロナで TFR が大暴落」「政策で TFR が劇的回復」式の評価は 誤差レベルの変動を過大解釈している可能性が高い。 評価は最低 5 年、 望ましくは 10 年単位で行う。

落とし穴 3: TFR と出生数の混同。 TFR が同じでも、 女性人口が減れば出生数は減る。 「TFR 1.45 を維持すれば人口維持」ではなく、 人口維持には NRR=1.0 ≒ TFR=2.07（女児比率・成人到達率を勘案）が必要。 また「TFR 上昇＝出生数増」とも限らない（女性人口の減少が上回ると出生数は減り続ける）。

落とし穴 4: 都道府県 TFR の信頼区間無視。 出生数の少ない県（島根・鳥取など）では年間出生数が 5000 程度しかなく、 TFR の 標準誤差が ± 0.05 程度ある。 「鳥取 1.54 と島根 1.47 で鳥取が上」と語るのは誤差の範囲。 図 3 の箱ひげ図でブロック内の差を見るときも、 ± 0.05 以内の差は無視するのが安全。

落とし穴 5: 因果と相関の混同。 「TFR が高い県は所得が低い、 だから所得を下げれば TFR が上がる」は明白な誤推論だが、 似た構造の議論が頻発する。 「住宅価格と TFR」「保育所定員と TFR」のような相関も、 背景に若年人口比・婚姻率・地域文化など複数の共通要因がある。 図 1-3 はあくまで 「データの構造を見る」道具で、 因果検証には別途準実験デザイン（DID, 操作変数法など）が必要。

📚 次に学ぶべき関連トピック

本節で TFR の可視化と解釈の基礎を押さえたら、 次は以下のトピックに進むと体系的に理解が深まる。 (1) 人口ピラミッドと年齢別出生率: TFR の年齢別内訳を見て「20 代出生率の低下分を 30 代が補えているか」を確認する。 (2) 期間 TFR とテンポ調整 TFR: Bongaarts-Feeney 調整など、 テンポ効果を取り除く統計手法。 (3) 婚姻率・婚外子率との関係: 日本では婚外子率 2% で婚姻 TFR が決定的、 欧州では婚外子 50% 超で婚姻が無関係。 (4) 地域人口移動分析: 若年女性の流入流出が TFR にどう効くか。 (5) 政策評価の準実験: 児童手当拡充・保育所増設・育休給付などの政策効果を DID で測る。

SSDSE-B-2026 には TFR 以外にも 婚姻率・離婚率・第 1 子出生時母の平均年齢・15-49 歳女性人口などが含まれている。 これらを TFR と組み合わせて可視化すれば、 本節の散布図・ヒストグラム・箱ひげ図のテンプレートをそのまま再利用できる。 「県別 TFR と婚姻率の散布図」「都市部 vs 地方の第 1 子出生年齢箱ひげ図」などは 30 分で作れて、 政策議論の出発点として有用。

最後に、 TFR 分析は 「指標の限界を知った上で、 複数の図と複数の指標を組み合わせる」ことに尽きる。 図 1-3 の可視化はその第一歩であり、 ここから婚姻・労働・住宅・育児政策の各層へ視野を広げてほしい。 ぜひ自分の手で SSDSE-B-2026 を開き、 47 都道府県の TFR を散布図・ヒストグラム・箱ひげ図で描いてみよう。 数字の表を眺めるのとは別次元の「気づき」が得られるはずである。

📈 TFR の歴史的推移と転換点 — 戦後日本 75 年の長期視点

日本の TFR は 戦後 75 年でドラマチックに変動してきた。 1947 年（団塊世代の出生年）は TFR 4.54と高く、 1950 年に 3.65、 1955 年には 2.37 と 10 年弱で半減。 これは産児制限運動と新生活運動の影響が大きい。 1960-70 年代は 2.0 前後で安定 (1970 年 2.13)、 1973 年に第二次ベビーブームのピークで 2.14。 しかし 1975 年以降は 長期低下傾向に入り、 1989 年に「1.57 ショック」(前年 1.66 から急落)、 2005 年に 過去最低の 1.26、 その後 2015 年に 1.45 まで回復するも 2022 年には再び 1.26、 2023 年は 1.20 と 低位安定～再低下局面に入っている。

歴史的転換点を 5 つ整理する。 (1) 1947→1957 年の急減: 「子供は 2-3 人」が社会規範として確立。 (2) 1989 年の 1.57 ショック: 丙午年 (1966) を下回ったことで「少子化」が政策課題として認知される契機。 (3) 1994 年エンゼルプラン: 初の本格的少子化対策、 ただし TFR への効果は限定的。 (4) 2005 年最低の 1.26: 団塊ジュニア世代 (1971-74 年生) の出産期にも関わらず低水準。 (5) 2015 年 1.45 への回復: 30 代女性の出産で一時的に上昇、 その後再び低下。 これらの転換点を 長期時系列折れ線グラフで見ると、 「政策と TFR の関係は弱く、 経済・住宅・婚姻の構造変化が支配的」というメッセージが浮かぶ。

本節の図 1-3 は 2020-2022 年という極めて短いウィンドウを扱った。 しかし長期視点で見れば、 1975-2022 年の 47 年間で TFR は 1.91→1.26 と 34% 減。 これは「徐々に・着実に・止まらず」減ってきた構造的トレンドである。 図 1 の年次安定性 (r=0.97) は短期的な慣性を示すが、 長期的には 「慣性のまま低下していく」ことを意味し、 安定性は必ずしも吉報ではない。

🧩 図 1-3 で気づけないこと — 可視化の限界

最後に、 本節の 3 つの図では見えない重要な構造を 4 つ挙げて締めくくる。 可視化は強力だが万能ではなく、 「何が見えて何が見えないか」を常に意識することが重要だ。

(1) 年齢別出生率の構造: 図 1-3 は TFR の総合値だけを扱った。 しかし同じ TFR 1.30 でも、 「20 代で 0.6 + 30 代で 0.6 + 40 代で 0.1」と「20 代で 0.2 + 30 代で 0.9 + 40 代で 0.2」では出産年齢構成が全く異なる。 後者は晩産化が進んだ社会で、 第 2 子・第 3 子のチャンスが減る構造を持つ。 これを見るには 年齢別出生率の積み上げグラフが必要で、 SSDSE-B-2026 だけでは不足。

(2) 婚姻状況別 TFR: 日本の出生の 98% は婚内子で、 「有配偶 TFR (婚姻している女性の TFR)」は 1.9 前後と意外に高い。 全国 TFR 1.20 と有配偶 TFR 1.9 の差は 「未婚率の高さ」から生まれる。 図 1-3 はこの分解を扱っておらず、 「TFR を上げるには婚姻率を上げるべきか、 有配偶 TFR を上げるべきか」の戦略議論には別の可視化が必要。

(3) 時間的トレンド: 図 1-3 はすべて 2020-2022 年のスナップショット。 「ある県の TFR がここ 30 年でどう動いてきたか」という時系列構造は見えない。 例えば沖縄は 1970 年代から一貫して TFR トップだが、 京都は 1980 年代までは平均的だった。 時系列折れ線（県別の推移線を重ね描き）を加えることで、 「いつから、 どの県が、 どの程度動いてきたか」という動的視点が得られる。

(4) 因果関係: 散布図・ヒストグラム・箱ひげ図はいずれも 「相関と分布の記述」にとどまる。 「保育所定員を増やすと TFR が上がるか」「住宅補助で TFR が上がるか」のような因果問いには、 政策導入の前後比較（DID）や、 政策強度の県差を利用した固定効果モデルなど、 因果推論の専用ツールが必要。 図 1-3 はこれらを補完する記述統計であり、 因果推論の代替ではない。

以上 4 つの「見えないこと」を意識すると、 可視化は「議論の出発点」であって「結論」ではないという当たり前の事実が体感できる。 図 1-3 を起点に、 年齢別出生率・婚姻率・時系列・因果推論へと段階的に分析を深化させてほしい。 TFR は 「指標 1 つで社会全体を語ろうとするとどこかで破綻する典型例」であり、 多角的アプローチが欠かせない。

🧮 ケーススタディ — 47 県データで TFR と関連変数の関係を 5 視点で読む

本節の最後に、 SSDSE-B-2026 を使った 「TFR と何が連動しているか」の 5 視点ケーススタディを行う。 図 1-3 のテンプレートを応用すれば、 30 分以内で各視点の散布図・箱ひげ図を再現できる。 ここでは結果と読み方だけ示し、 自分で手を動かして確認してほしい。

視点 1: TFR vs 年少人口比率 (A1301/A1101) (Pearson r ≈ +0.70)。 年少人口（15 歳未満）の比率が高い県ほど TFR も高い、 最も強い正相関。 これは 「TFR が高い県では子どもが多く、 年少人口比率も自然に高くなる」という自己強化的な構造を反映する。 沖縄・宮崎・鹿児島など年少人口比率の高い県が TFR でも上位、 東京・北海道・秋田など低い県が TFR でも下位。 ただし r=0.70 は完璧な連動ではなく、 高齢化・人口流出など他の人口構造要因も絡む。

視点 2: TFR vs 1 世帯当たり消費支出 (L3221) (r ≈ -0.48)。 消費支出（経済的豊かさの代理指標）が高い県ほど TFR は低い、 中程度の負相関。 これは世界的な「経済発展で TFR 低下」パターンと一致する。 東京（消費支出が高く TFR 0.99）が典型例。 ただし沖縄は消費支出が全国下位ながら TFR 1.60（全国最高）という 「単純な経済決定論を裏切る例外」でもある。 経済水準は TFR の主要因の 1 つだが唯一の要因ではない。

視点 3: TFR vs 平均気温 (B4101) (r ≈ +0.50)。 年平均気温が高い（温暖な）県ほど TFR が高い、 中程度の正相関。 九州・沖縄など温暖な西日本・南日本で TFR が高く、 北海道・東北など寒冷な県で低い。 ただしこれは 気温そのものが出生を促すわけではなく、 温暖な地域に共通する年齢構成・家族文化・産業構造などが交絡した「地理的パターンの代理」と読むのが妥当。 因果と誤読しやすい典型例である。

視点 4: TFR vs 婚姻率 (A9101/A1101、 人口千対) (r ≈ -0.10)。 意外にも、 県別の粗婚姻率と TFR には ほとんど相関がない（むしろわずかに負）。 「婚内出生が大半だから婚姻率が高い県ほど TFR も高いはず」という直感に反する結果だが、 これは 東京など若年単身者が流入する都市で粗婚姻率が高く出る一方 TFR は低いため。 全国レベルでは婚姻と出生は連動するが、 県別の粗婚姻率をそのまま使うと人口移動の交絡で関係が打ち消される、 という重要な教訓を与える。

視点 5: TFR vs 転入率 (A5101/A1101、 人口千対) (r ≈ -0.26)。 転入超過（人口流入）が大きい県ほど TFR が低い、 弱い負相関。 東京圏など若年層が集中的に流入する都市部で TFR が低く、 転入の少ない地方で相対的に高い。 「若年女性が集まる県ほど出生率が下がる」という都市集中のパラドクスを示すが、 相関は弱く、 これ単独では TFR を説明できない。

この 5 視点を組み合わせると、 TFR は 「年少人口比率 (+0.70) を主軸に、 消費支出 (-0.48)・転入率 (-0.26) で押し下げられ、 気温 (+0.50) に代表される地理・文化パターンが絡み、 粗婚姻率 (-0.10) は単独ではほぼ効かない」という多変量構造が見えてくる。 単一指標で「TFR を語る」のではなく、 これら実在の SSDSE 列を重回帰モデルに入れると、 各変数の 独立した寄与度が推定できる（前掲の OLS では消費支出のみが有意だった）。 重回帰は本節の範囲を超えるが、 散布図・箱ひげ図で当たりをつけた後の「次の一手」として定番の手法である。

本節を通じて、 TFR は 「単一の数値だが、 背後に多層の社会構造を持つ複合指標」であることが伝わったはずだ。 図 1 (散布図)・図 2 (ヒストグラム)・図 3 (箱ひげ図) の 3 点セットは 「複雑な指標を読み解く最初の窓」であり、 上記 5 視点の関連変数分析と組み合わせることで、 TFR 議論の解像度は格段に上がる。 ぜひ自分の研究・実務テーマで TFR を扱う際に、 本節のテンプレートを使ってほしい。

📑 まとめ — 図表で見る TFR 分析 6 つの作法

本節で扱った内容を 「TFR 分析 6 つの作法」として整理する。 これらは図 1-3 と関連変数分析から導かれる実践的指針であり、 TFR を扱うすべての場面でチェックリストとして使える。

作法 1: 全国 TFR より県別 TFR を見る。 全国 1.20 という数値は人口加重平均で、 東京の重みが大きい。 地域格差を理解するには 47 都道府県の TFR を ヒストグラム + 箱ひげ図で確認するのが第一歩。 図 2 と図 3 はこの作法を実演している。

作法 2: 年次変動より中長期トレンドを見る。 図 1 が示す通り県別 TFR は 1 年では 0.03 程度しか動かない。 「去年と比べて TFR が上がった/下がった」式の議論は誤差レベルで、 5-10 年単位の評価が必要。 短期評価で政策の効果を判定するのは避けるべき。

作法 3: TFR と出生数を区別する。 TFR が同じでも女性人口が減れば出生数は減る。 「TFR 1.45 維持で人口安定」ではなく、 NRR=1.0 (TFR ≈ 2.07)が人口維持水準。 出生数と TFR は別物として扱う。

作法 4: 単一指標ではなく指標群で見る。 期間 TFR (テンポ効果あり)・コーホート TFR (30 年遅れ)・有配偶 TFR (婚姻分解)・年齢別出生率を併用。 表「TFR 関連指標」で示した 6 指標を最低でも参照すること。

作法 5: 相関から因果へ慎重に進む。 散布図・箱ひげ図は記述統計で、 因果証明にはならない。 消費支出・気温・転入率などとの相関が見えたら、 準実験デザイン (DID, 操作変数, 固定効果)で因果検証に進む。

作法 6: 図表で議論を始め、 図表で議論を終わらない。 図 1-3 は議論の 出発点であり、 結論ではない。 「沖縄が高く東京が低い」は図でわかるが、 「なぜか」「どうすべきか」は別途モデル化・政策論が必要。 図に頼りすぎても、 図を軽視しすぎても両方の落とし穴がある。

この 6 作法を守れば、 TFR を扱う議論は格段に精緻になる。 SSDSE-B-2026 という公開データセットだけでも、 本節で扱った 3 つの図と 5 つの関連変数分析が 30 分で再現可能。 学生・実務者・研究者を問わず、 ぜひ手を動かして TFR の構造を自分の目で確かめてほしい。 図 1 (散布図)・図 2 (ヒストグラム)・図 3 (箱ひげ図) は あらゆる定量分析の基礎技法で、 TFR 以外の指標 (婚姻率・離婚率・出生数・人口動態) にも同じテンプレートで応用できる。 本節が TFR 理解の 視覚的ゲートウェイとして役立てば幸いである。

🛠 図再現のための完全チェックリスト

最後に、 図 1-3 を自分の手で再現したい読者のために 完全チェックリストを提示する。 SSDSE-B-2026 と Python (pandas / matplotlib / seaborn / scipy) があれば 1 時間以内で全部できる。 各ステップで 「何を確認するか」を明示しているので、 トラブルシューティングのガイドにもなる。

ステップ 1: データ入手。 SSDSE-B-2026 (e-Stat / 統計データ活用センターから無料 DL)。 ファイル形式は CSV (cp932 エンコード)。 2 行目は日本語の列名なので skiprows=[1] で読み込み、 英語コード列（A4103=TFR など）をヘッダにする。 1 列目「SSDSE-B-2026」に年度が入り、 2012-2023 年 × 47 都道府県で計 564 行。 df[df['SSDSE-B-2026']==2023] で当年の 47 県を抽出する。

ステップ 2: 散布図 (図 1 相当)。 横軸 = TFR_2020、 縦軸 = TFR_2021 で plt.scatter。 確認ポイント: (a) 点が 47 個あるか (b) y=x 直線にほぼ乗るか (c) 沖縄・東京が両端に位置するか。 scipy.stats.pearsonr で相関係数を出し、 r ≈ 0.97 になるかを検算。

ステップ 3: ヒストグラム (図 2 相当)。 TFR_2022 列を plt.hist(bins=16) で描画。 確認ポイント: (a) 単峰分布か (b) 平均・中央値が 1.39-1.40 付近か (c) 標準偏差が 0.13 付近か (d) 沖縄 (1.70) と東京 (0.99) が両裾に位置するか。 numpy.mean / std で数値検算。

ステップ 4: 箱ひげ図 (図 3 相当)。 47 都道府県を 6 地域ブロックに対応付ける辞書を作成 (例: {'北海道': '北海道東北', '青森県': '北海道東北', ...})。 seaborn.boxplot(x='block', y='TFR', data=df) で描画。 確認ポイント: (a) 6 群が表示されるか (b) 九州沖縄の中央値が最高 (約 1.50) か (c) 関東の中央値が最低 (約 1.25) か (d) 沖縄・東京が外れ値○印で表示されるか。

ステップ 5: 数値検算。 全国 47 県の TFR の (a) 単純平均、 (b) 中央値、 (c) 標準偏差、 (d) 最大・最小 を df['TFR'].describe() で一括確認。 本節の数値 (平均 1.39 / 中央値 1.40 / 標準偏差 0.13 / 最大 1.70 / 最小 0.99) と一致すれば成功。 ズレがあれば SSDSE のバージョンか列名を再確認。

ステップ 6: 関連変数分析 (発展)。 SSDSE-B-2026 には婚姻数 (A9101)・消費支出 (L3221)・平均気温 (B4101)・年少人口 (A1301)・転入者数 (A5101) などの実在列がある。 これらを人口 (A1101) で除して率に直し、 TFR (A4103) との散布図を 5 視点で描いて各 r 値を確認する。 本節の表「視点別 r 値」と概ね一致するはず。 符号と大まかな強さ (弱・中・強) が合えば成功。

このチェックリストを 1 度クリアすれば、 TFR の可視化分析が 「自分の引き出し」として定着する。 SSDSE は毎年更新されるので、 翌年データで再走させることで時系列追跡もできる。 ぜひ継続的に手を動かして、 TFR という「見慣れた数字」の奥にある社会構造を読み解いてほしい。

🎓 学習者へのメッセージ — TFR 可視化を超えた先に

本節で扱った 3 つの可視化と関連変数分析は、 定量的社会分析のミニチュア版である。 同じ手順で他の社会指標 (高齢化率・有効求人倍率・1 人あたり所得・住宅価格指数など) も分析できる。 散布図で 2 変数関係を見る、 ヒストグラムで分布形状を把握する、 箱ひげ図で群間比較する — この 3 点セットはあらゆる社会指標分析に転用可能。

TFR は 「シンプルに見えて奥が深い」典型的な複合指標であり、 学習教材として極めて優れている。 (a) 計算は簡単 (年齢別出生率の和) だが解釈は難しい (テンポ効果・コーホート視点)。 (b) 全国値はあるが県別格差は巨大 (東京 0.99 vs 沖縄 1.70)。 (c) 政策で動かしたいが、 短期効果は乏しい。 (d) 経済・婚姻・住宅・労働・文化の交差点にある。 これら 4 つの特徴は、 TFR を 「データサイエンス入門教材の決定版」にしている。

本節で身につけた 3 図 + 5 視点 + 6 作法をベースに、 ぜひ自分の関心テーマに展開してほしい。 「TFR で学んだ視覚化技法を、 別の指標でも応用する」こそがデータサイエンス学習の醍醐味であり、 本節の真の目的でもある。 SSDSE-B-2026 という公開データセットには、 まだまだ可視化されていない構造が眠っている。 あなたの手と目で、 次の発見を引き出してほしい。

図 1-3 を一度通して描き、 関連変数の散布図を 5 視点で並べ、 その上で「自分の地元の県が分布のどこに位置するか」を確かめると、 統計が 「他人事のニュース」から「自分の地域の現実」に変わる。 これがデータサイエンス教育の最大の効用であり、 SSDSE 教材が目指す体験である。 TFR という入口から、 ぜひ広大なデータの森に踏み出してほしい。

本節の図表と数値は、 TFR を 「数字 1 つで語る危うさ」と「複数視点で語る豊かさ」の対比を体験するために設計した。 散布図で年次安定性を、 ヒストグラムで分布を、 箱ひげ図で地域差を確かめる 3 段階は、 TFR に限らず あらゆる社会指標に応用できる普遍的なテンプレートである。 学習者の皆さんが自分のテーマで応用してくれることを願いつつ、 本節を締めくくる。

🧮 数式に値を入れて手で計算する: 合計特殊出生率 (TFR)

合成 5 歳階級別出生率から TFR を計算する。

Step 1: 階級別出生率

Step 2: TFR

🐍 Python で再現

1
2
3
4

import numpy as np
rates = np.array([0.005, 0.04, 0.08, 0.07, 0.03, 0.005, 0.0001])
tfr = 5 * rates.sum()
print(f"TFR: {tfr:.3f}")

📤 実行結果

💬 手計算 (Step 2) 1.15 と Python 出力が完全一致。

🌳 手法選択フロー

TFR (合計特殊出生率) をどう使うかは、 分析目的で 4 通りに分岐する。

1. 横断面比較 (47 県・各国)? Yes → 期間 TFR (Period TFR)。 SSDSE-B-2026 の H30 県別 TFR 比較が典型 (沖縄 1.89、 東京 1.20)
2. 世代の出生行動を追跡? Yes → コホート TFR。 1980 年生まれ女性の生涯出産数。 ただし完了までに 50 年待つ
3. 政策評価 (子育て支援の効果)? Yes → TFR + DID や イベントスタディ で介入前後を比較
4. 将来人口推計? Yes → TFR を コーホート要因法 に入力。 国立社会保障・人口問題研究所の標準手法

SSDSE-B-2026 の H30 TFR を 47 県でランキング → 平均 (1.42) ± 1σ を境界に「高・中・低」の 3 群に分け、 後段で ANOVA を併用する例が、 県別分析の出発点。

🔗 隣接手法への橋渡し

TFR は人口学の基本指標で、 計算には年齢別出生率が、 解釈には社会経済指標との突合が必要。

• 上流: 年齢別出生率 (15-49 歳の女性人口で除算) → 人口動態統計 (厚労省) から年次集計 → SSDSE-B-2026 の県別データに整形
• 並列: 粗出生率 (CBR) (人口千対)、 一般出生率 (GFR) (再生産年齢女性千対)、 純再生産率 (NRR) (女児のみで集計)
• 下流: 相関分析 で「消費支出 (L3221) vs TFR」、 重回帰 で「消費支出・年少人口比率・転入率 → TFR」を分析、 人口予測 に投入

SSDSE-B-2026 の TFR (例: H30 沖縄 1.89、 東京 1.20) は CBR や GFR と数値が違う。 「同じ出生」を年齢構造の重み付けでどう測るかが指標の本質的違い。

🎮 触って理解する — TFR を自分の手で動かす

合計特殊出生率（TFR）は「年齢階級別出生率の合計 × 5」というシンプルな計算だが、数式を眺めるだけでは「なぜ年齢別に分けるのか」「粗出生率と何が違うのか」が腑に落ちにくい。以下の 3 つの実験で、スライダーを動かしながら TFR の構造を体感してほしい（スマートフォンのタッチ操作にも対応）。

① 定義を体感 — 年齢階級別出生率スライダー

7 つの年齢階級（15-19〜45-49 歳）の出生率（女性 1,000 人あたり出生数 ‰）を動かすと、TFR = Σ(各階級率 × 5) がリアルタイムで再計算される。グラフの棒を直接ドラッグしても操作できる。プリセットで「早産型 → 晩産型」に切り替えると、山が右にシフトしつつ低くなる（晩産化＋少産化）様子が一目で分かる。※ プリセットの率は年齢パターンの形状を模した仮想値であり、実測の公表値ではない。

棒の高さの合計（×5÷1000）が TFR そのもの。どの階級を増やしても TFR への寄与は「率 × 5」で平等 — TFR は年齢構成に左右されない「率の純粋な合計」だと分かる。

② 実測モード — SSDSE-B-2026（A4103・2023 年）で 47 都道府県を比較

県を選ぶと SSDSE-B-2026 の実測 TFR（A4103、2023 年）と全 47 県中の順位が表示される。棒グラフは TFR の高い順。沖縄 1.60 が最高、東京 0.99 が最低で、その差 0.61 が全国のばらつき（最大−最小）そのものである。

出典: SSDSE-B-2026 の A4103（合計特殊出生率）2023 年値（実測）。47 県単純平均は 1.29（本データからの計算値）。西日本・九州沖縄で高く、大都市圏・北海道・東北で低いという地理的勾配が読み取れる。

③ なぜ粗出生率（CBR）ではなく TFR か — 年齢構成の影響を除く

仮想の 2 つの町（人口各 10 万人）を考える。年齢階級別出生率は完全に同一（＝女性の「産み方」は同じ）だが、町 B のスライダーで高齢化を進めると 15-49 歳女性が減り、山が高年齢側に寄る。すると粗出生率（CBR = 出生数 ÷ 総人口 × 1000）だけが下がり、TFR はまったく動かない。CBR は「人口構成 × 産み方」の混合物、TFR は「産み方」だけを取り出した指標 — これが TFR を使う理由である。※ 数値はすべて仮想例。

高齢化度を 100% にすると CBR は約 3 分の 1 に落ちるが、TFR は両町とも同じまま。「出生数が減った＝産まなくなった」とは限らない（産む世代の人数が減っただけかもしれない）ことを、この実験は示している。

🧭 解説の深化 — 直感・落とし穴・発展

直感: TFR は「ある年の年齢別出生率が一生続くと仮定したとき、1 人の女性が生涯に産む子どもの期待値」。実験①で見たとおり、各年齢を 1 年ずつ通過する仮想の女性に、その年の各階級の率を 5 年分ずつ足し合わせている（期待値の加法性）。

よくある落とし穴: (1) 期間 TFR とコーホート TFR は別物 — 実験①のスライダーは「ある 1 年の断面（期間 TFR）」であり、実在する世代が生涯に産んだ数（コーホート TFR、完結出生児数）ではない。晩産化の進行期には出産が先送りされるぶん、期間 TFR が実力より一時的に低く出る（テンポ効果）。(2) 分母は女性人口 — 総人口でも夫婦数でもなく「15-49 歳の女性人口」で割る。未婚女性も分母に含むため、TFR の低下要因を「夫婦の子ども数の減少」だけに帰すのは誤りで、未婚化の寄与も大きい。(3) 実験③のとおり、CBR（や出生数）の増減を TFR の増減と読み替えてはいけない。

発展: 人口を長期的に維持する人口置換水準は約 2.07（2.0 ちょうどでないのは、出生性比が男児にやや偏ることと、再生産年齢に達する前の死亡があるため）。実験①の「置換水準に届く形」ボタンと 2020 年代風プリセットの差が、少子化分析で埋めるべきギャップの大きさを示す。県別 TFR（実験②）を他の県別指標と結びつける分析は相関分析や重回帰分析で行え、年齢構成の影響を除いて比較するという発想は標準化や高齢化率の議論にもつながる。人口指標の全体像は人口を参照。

🔬 深掘り：全国 TFR は「47 都道府県 TFR の平均」ではない（集計の落とし穴）

既存セクションは テンポ効果・期間／コーホートの違い・CBR と TFR の年齢構造依存を扱っている。 ここでは重複を避け、 それらとは別軸の 「地域指標をどう足し上げるか（集計・加重）」という統計操作そのものの罠を、 SSDSE-B-2026 の実測値だけで掘り下げる。

直感

「全国の合計特殊出生率」を知りたいとき、 手元に 47 都道府県の値が並んでいると、 つい 47 個を足して 47 で割りたくなる。 しかし TFR は比率（年齢別出生率の和）であって、 人数そのものではない。 比率の全国値は、 各地域の 母集団の大きさで重みづけした加重平均でしか正しく求まらない。 東京と鳥取を同じ「1 票」で平均すると、 人口 1,400 万人の都市も 55 万人の県も対等に扱ってしまう——これが数値をゆがめる。

落とし穴（重要）

発展

なぜ出生数加重（1.2194）が公表値に最も近いのか。 数学的に正しい全国 TFR は「47 県を平均」した量ではなく、 全国を 1 つの母集団とみなして 年齢別に出生数と女性人口を先にプールしてから年齢別出生率を作り、 それを合計したものだ。 式で書けば、 全国 ASFR(x) ＝ Σ_県 出生数(県,x) ÷ Σ_県 女性人口(県,x)。 これは各県 ASFR の 女性人口による加重平均に等しく、 その帰結として県別 TFR を単純平均した値とはズレる。 出生数加重が近似としてよく効くのは、 分子（出生）が実際の重みに近いから。 厳密には年齢構造まで揃えた 直接標準化が必要になる。

同じ 2023 年データで、 全出生数 ÷ 全人口から粗出生率（CBR）を概算すると 約 5.85 ‰（人口千人あたり 5.85 人）。 TFR ≈ 1.20 と CBR ≈ 5.85 はまったく別スケールの指標であり、 一方から他方を暗算換算はできない（既存の CBR ウィジェットが示す通り、 両者は年齢構造で乖離する）。 なお時系列でも単純平均は毎年上振れする：47 県単純平均は 2012 年 1.46 → 2015 年 1.53 → 2023 年 1.29 と推移し、 トレンドの向きは正しいが、 水準は各年とも公表全国値より高めに出続ける点に注意（架空の補正ではなく実測の単純平均値）。

関連ページ

集計（aggregation） — 地域→全国の足し上げで加重が要る理由。 ／ 平均（mean） — 単純平均と加重平均の使い分け。 ／ 標準化（standardization） — 年齢構造を揃えて比較する直接／間接標準化。 ／ 回帰分析 — 都道府県 TFR を要因分解するとき、 加重回帰（WLS）で人口の大小を反映させる。
（純再生産率 NRR・粗出生率 CBR・年齢別出生率 ASFR は本ページ内の該当節を参照。 単独ページは未作成のためリンクなし。）

※ 数値は data/raw/SSDSE-B-2026.csv（2023 年・47 都道府県、 列 A4103=合計特殊出生率／A1101=総人口／A4101=出生数）を pandas で実集計した実測値。 公表全国値 1.20 は本ページ本文に準拠。 合成・架空値は含まない。