～前回の結論をひっくり返して、データ分析の新境地へ～

はじめに：前回からの方針転換宣言 😅

前回投稿：e-statの魔境にAIと挑んだら、データ準備の『だるさ』をpipeline・並列処理でねじ伏せられた話

前回の投稿で私はこう言いました。

「意味のある組合せでデータ分析しましょう！」

今回、真逆のアプローチをとります。

なぜか？

AIはデータの組合せを試すのが大得意で、材料科学の世界では新素材がボコボコ発見されているらしい。

ならば、

自治体ビジネスのネタとしても「新素材」を探せるのでは？ と考えたからです。

結論から言うと、大発見がありました。

Part 0：挫折編～東京と沖縄を比べても仕方がない

最初の失敗

e-Statから1,911自治体のデータを取得し、意気揚々とクラスタリングを実行。

# KMeansでクラスタリング
kmeans = KMeans(n\_clusters=5, random\_state=42)
clusters = kmeans.fit\_predict(X)

結果を見て愕然としました。

クラスタ2: 東京都特別区（課税対象所得 286億円）
クラスタ0: 沖縄県の離島（課税対象所得 3億円）

「東京都と沖縄で差がつくのは当たり前じゃん😅」

これは比較として意味がない。
人口差、立地差、産業構造の差が大きすぎて、何の示唆も得られない。

データ分析あるある：条件が違いすぎるものを比較してしまう問題。

気づき：「同じ条件で成果が違う」を見つけるべき

考え直しました。

本当に知りたいのは、**「同じような条件なのに、なぜか成果が違う」**ケース。

例えば：

同じ「人口1万人未満の中部地方の村」なのに
片方は課税対象所得275億円、片方は3億円
この83倍の差は何が原因？

これなら「人口が多いから」「東京だから」では説明できない。
施策・工夫・努力の差が見えてくるはず。

ほとんどの自治体が「人口相応」のラインに並ぶ中、忍野村や苅田町だけがグラフの突き抜けた場所に点在している。
この「外れ値（アウトライヤー）」こそが、今回の主役です。

Part 1：再設計編～地域×人口規模でグルーピング

アプローチの転換

# 地域ブロックを定義
REGION\_BLOCKS = {
    1: '北海道',
    2: '東北', 3: '東北', 4: '東北', ...
    15: '中部', 16: '中部', ...
}

# 人口規模区分
POPULATION\_BINS = \[0, 10000, 30000, 50000, 100000, 200000, float('inf')]
POPULATION\_LABELS = \['1万人未満', '1-3万人', '3-5万人', ...]

同じ地域ブロック × 同じ人口規模 = 同格グループ

この中で比較すれば、「地理的ハンデ」を排除した純粋な成果比較ができる。

結果：衝撃の格差発見

中部地方 × 人口1万人未満のグループ（84自治体）を分析。

順位	自治体	人口	課税対象所得
1位	忍野村（山梨）	9,237人	275億円
...	...	...	...
84位	粟島浦村（新潟）	353人	3.3億円

格差：83倍

同じ「中部地方の1万人未満の村」なのに、なぜ？

Part 2：発見編～成功自治体の共通パターン

忍野村の秘密：ファナックという「金の卵」

調べて驚きました。

忍野村 = ファナック本社所在地

1972年に誘致、1984年に東京から本社移転
世界シェアNo.1のNC装置・産業用ロボットメーカー
従業員の平均年収：1,364万円
敷地面積180万㎡、通称「ファナックの森」

人口9,000人の村に、世界的企業の本社がある。
住民税収入が桁違いになるわけです。

他の地域でも同様のパターンを発見

地域	格差	上位の秘密
九州	44.8倍	苅田町（日産）、菊陽町（TSMC）
東北	29.5倍	双葉町・大熊町（原発※特殊）
四国	22.7倍	直島町（ベネッセアート）
北海道	19.5倍	別海町（生乳日本一）

成功パターンが見えてきた！

「1,911自治体 × 500以上の指標を人間が総当たりするのは無理だが、AIなら数秒で『ここ、おかしくない？』と指摘してくれる」

成功パターン分類

パターンA：大企業誘致型

忍野村（ファナック）
苅田町（日産）
菊陽町（TSMC）

パターンB：ブランド産品型

別海町（生乳日本一）
馬路村（ゆず→年商30億円）
上勝町（葉っぱビジネス→年商2.6億円）

パターンC：観光・文化型

直島町（ベネッセアート）
白川村（世界遺産）

Part 3：逆転の発想編～下位自治体にこそビジネスチャンス

ここで発想を転換しました。

「成功事例より、てこ入れが必要な自治体の方が提案が刺さるのでは？」

成功している自治体は「現状維持」で満足している。
一方、下位自治体はワラにもすがりたい状態（のハズ😅）

下位自治体の分析

人口1万人未満 × 課税対象所得下位20% = 107自治体を特定。

分類	自治体数	特徴
離島	18	物流コスト高（提案難易度：高）
山間過疎	52	森林資源あり（提案難易度：中）
平野部過疎	35	アクセス良（提案難易度：低）

優先ターゲット：本土過疎地域 87自治体

驚きの発見：同じ高知県に成功モデルがある

下位自治体の多い高知県。
しかし同じ県内に馬路村と上勝町（徳島） という大成功事例がある。

馬路村モデル

人口800人 → ゆず年商30億円

林業衰退（昭和30年代）
    ↓
ゆず栽培開始（昭和38年）
    ↓
「ごっくん馬路村」発売（1988年）
    ↓
「村ごと売る」ブランディング
    ↓
年商30億円、商品70種類

上勝町モデル

人口1,500人 → 葉っぱ年商2.6億円

ミカン全滅（1981年寒波）
    ↓
「葉っぱを売ろう！」発想転換
    ↓
ICTで受発注システム導入（1999年）
    ↓
つまもの市場シェア80%
年収1,000万円のおばあちゃん誕生

これ、横展開できるじゃん！

Part 4：ビジネス提案編～再現性のデザイン

データ分析は「再現性のデザイン」である

今回の分析で確信したこと。

**成功は偶然ではない。パターンがある。**
**パターンがあるなら、再現できる。**

これこそがデータ分析の本質的価値。

提案サービス案

サービス	内容	想定料金
地域資源棚卸し診断	埋もれた資源の発掘	50-100万円
成功パターン適用診断	類似事例とのマッチング	30-50万円
6次産業化支援	商品開発〜販路開拓	200-500万円/年

優先ターゲット自治体（TOP5）

順位	自治体	潜在資源	適用パターン
1	王滝村（長野）	木曽ヒノキ・御嶽山	馬路村モデル
2	川上村（奈良）	吉野杉・世界遺産	ブランド産品型
3	野迫川村（奈良）	雲海・高野山	観光ブランド化
4	売木村（長野）	星空・清流	ワーケーション誘致
5	南山城村（京都）	京都唯一の村	「京都の秘境」ブランド

Part 5：振り返り～ AI駆動開発で何が変わったか

Before：データ準備が8割

前回の投稿で書いたように、従来のデータ分析は「準備が8割」。

データ収集 → クレンジング → 整形 → 分析 → 考察
  ↑\_\_\_この部分が地獄\_\_\_↑

地獄からGo Go Heaven!👼

After：考えることに時間を使える

今回はパイプラインを自動化したことで、状況が一変。

# e-Stat APIからデータ自動取得
def fetch\_all\_categories(self):
    categories = \['A\_人口世帯', 'C\_経済基盤', 'D\_行政基盤', ...]
    for cat in categories:
        self.fetch\_category(cat)  # API自動呼び出し

「データ準備8割」の時間が削減され、「考える」ことに時間を使えた。

真逆のアプローチが可能になった理由

前回：「意味のある組合せでデータ分析しましょう」
今回：「まず全部取って、組合せを試す」

この方針転換ができたのは、AIがデータ処理を高速化してくれたから。

人間が1つ1つ仮説を立てて検証するのではなく、
AIが大量の組合せを試して、異常値を見つけてくれる。

まさに「新素材発見」のアプローチ。

おわりに：今日もどこかで、データ分析の闘いは続く（プロジェクトX風味）

忍野村にファナックを誘致した人がいた。
馬路村でゆずを加工品にしようと言い出した人がいた。
上勝町で「葉っぱを売ろう」と閃いた人がいた。

彼らはデータを見て決断したわけではない。
現場の課題と向き合い、泥臭く解決策を探した。

でも今、私たちにはAIという「相棒」がいる。
1,911自治体の背後に隠れたパターンを、AIは一瞬で炙り出してくれる。

かつての開拓者が「勘と熱意」で切り拓いた道を、これからは「データとAI」で再現可能な地図にする。

「過疎だから仕方ない」ではなく、「過疎でも成功している事例がある」

このデータが、次の馬路村を、次の上勝町を生むかもしれない。

今日もどこかで、
地方創生のための闘いが続いている。

データ分析で、その闘いを支援できるなら——
これほど嬉しいことはない。

次回

今日の金字塔　明日には蟹気楼　土足で踏み込む前人未踏
感動の大団円！！

次回：AIに「お役所の課長の悩み」を理解させたら、提案書が3時間で完成した。人間が3ヶ月かかる仕事を100倍速にする方法

技術的補足：再現手順

1. e-Stat APIでデータ取得

import requests

APP\_ID = "your\_app\_id"
BASE\_URL = "https://api.e-stat.go.jp/rest/3.0/app/json/getStatsData"

params = {
    "appId": APP\_ID,
    "statsDataId": "0000010101",  # 統計でみる市区町村のすがた
    "metaGetFlg": "Y",
    "sectionHeaderFlg": "1",
}
response = requests.get(BASE\_URL, params=params)

2. 地域ブロック×人口規模でグルーピング

# 地域ブロックマッピング
df\['region'] = df\['pref\_code'].map(REGION\_BLOCKS)

# 人口規模区分
df\['pop\_category'] = pd.cut(
    df\['population'],
    bins=POPULATION\_BINS,
    labels=POPULATION\_LABELS
)

3. グループ内での成果比較

# 変動係数（CV）でバラツキを測定
cv = group\['課税対象所得'].std() / group\['課税対象所得'].mean()

# CVが高いグループ = 同条件なのに成果に差があるグループ

参考リンク

いいね👍とストックをお願いします！