シリーズ:「季節を決めているのは誰か」スピンオフ / 1次産業編
データ: e-Stat（作物統計・食料需給表・漁業生産統計・センサス累年）+ 気象庁全国気温偏差 + 桜開花日
分析スタイル: Python（e-Stat API）自動取得 + AI（Claude）との壁打ちで仮説を深掘り
関連: 2021年、気象庁は季節の観測を縮小した──その前に集めたデータが語ること

はじめに：毎年の「酷暑」ニュースを、データで追う

ここ数年、毎夏「記録的猛暑」という見出しが並ぶ。スーパーの米値が上がった2023年、漁獲量のニュース、農家の高齢化──体感とニュースが重なって、「温暖化で食料が危ないのでは？」と思った人は少なくないはずだ。

私もそう思い、e-Stat（政府統計の総合窓口）を開いた。

すると、確かに数字は落ちていた。

指標	昔 → 今
米の国内生産	1960年代約1,300万トン → 2010年代約850万トン（▲35%）
海面漁業漁獲量	1980年代約1,075万トン → 2010年代約377万トン（▲65%）
全国気温偏差	1960年代 -0.78℃ → 2020年代 +0.98℃

「やっぱり暑くなって減ってる？」──ここで、多くの分析は終わる。

私の分析も、ここで一度、完全に間違った方向に進んだ。

分析の途中で出てきた謎は、AIを壁打ち相手にしながら一つずつ解きほぐしていった。その過程で見えてきたのが、この記事の構造だ。

クイックサマリー（結論ネタバレ）

3行で読む:

米も魚も長期的に激減しているが、最大の原因は温暖化より担い手の減少だった
面積や就業者数で補正すると、農業も漁業も意外と健闘していた
ただし猛暑や冷害の年には、気候ショックがはっきり現れる

📊 数字で読む（詳細版）

主犯は担い手の消滅: 漁業就業者数と気温偏差の相関 $r=-0.73$ は、漁獲量 $r=-0.52$ より強い
全国計CPUEの横ばいはイワシが相殺した錯視: CPUE全体（$r=+0.161$、非有意）でもイワシを除くと $r=+0.308$（p=0.021）と有意に変化──海の中身が入れ替わっていた
気候は異常年にだけ牙を剥く: 技術トレンドを除去した残差に、1993年冷害・暖候年の下振れが浮上

米は 1,300万→850万トン（▲35%）、漁獲は 1,075万→377万トン（▲65%） の激減だが、「温暖化で全滅」でも「技術で万事OK」でもない。総量 → 1人あたり生産 → トレンド除去 → イベント年 → 魚種別補正 の5層で解体する。

データ更新の注記
本稿の API 自動取得の途切れ: 米収量（作物統計）2017年産まで、漁獲量 2015年まで、漁業就業者累年 2021年まで、基幹的農業従事者 2017年まで。2023年漁業センサス就業者 12.1万人、2025年農林業センサス従事者 約103.6万人（平均67.7歳）は省庁公表値で補完。2023年酷暑の定量評価は単年表マージ後の続編で扱う。

§1　罠：気温と総量の相関は、マイナスだった

まず素朴に、気温偏差と生産量の相関係数 $r$ を計算した。

指標	$r$（気温偏差との相関）
米国内生産	-0.60
米収穫量	-0.41
海面漁業漁獲量	-0.52

「暑くなるほど減る」──一見、温暖化説が裏付けられたように見える。

📊 r（相関係数）とp値って何？ ── 初めての方向け

r（相関係数） は「2つの数値がどれだけ同じ方向に動くか」を −1〜+1 で表す指標。

r の値	直感的な意味
+1.0 に近い	一方が増えると他方も増える（強い正の関係）
0 に近い	ほぼ無関係
−1.0 に近い	一方が増えると他方は減る（強い逆の関係）

目安: |r| > 0.5 で「中程度以上」、|r| > 0.7 で「かなり強い」。

p値は「この相関が偶然起きた確率」。

p < 0.05（5%未満） → **「統計的に有意」**＝偶然ではないと判断
p ≥ 0.05 → 「非有意」＝偶然の可能性が排除できない

この記事では断りがない限り、p < 0.05 を「有意」と呼ぶ。r と p はセットで読むのが正しく、「r が大きくても p が大きければ偶然かもしれない」という点が落とし穴になる。

これが罠だ。

相関は因果ではない。そして長期データでは、別の巨大な力が同じ方向に、同じタイムラインで動いている。

この記事では、3段階の罠を順に解体する。罠①：担い手の消滅が気温との擬似相関を作る。罠②：単収とCPUEが「面積減・人減」ノイズの下に隠れている。罠③：技術進歩トレンドが気候シグナルを覆い隠す。

§2　主犯登場：「交絡因子のラスボス」は、現場から消える人だった

🔀 「交絡因子」って何？ ── 統計の「影の主犯」

交絡因子（confounding factor） とは、本当の原因でも結果でもないのに、原因と結果の両方に影響を与える「第三の変数」のこと。

有名な例：「アイスが売れる日は溺死者が多い」
→ アイスが溺死を引き起こすわけではない
→ 「夏（気温）」 という交絡因子が、アイスの売上と水泳の機会の両方を同時に増やしているだけ

この記事での交絡因子のラスボスは 「日本の産業構造の変化（高齢化・過疎化）」。
温暖化と農林水産業の担い手の減少は、どちらも「時間とともに進む」という軸で同期しているため、「気温が上がると生産量が減る」という見せかけの相関が生まれる。本当は気温が原因ではなく、人が消えているだけ。

e-Stat のセンサス累年表から、担い手の人数を引いてみた。

指標	昔 → 今（e-Stat 累年）
漁業就業者数	69.9万人（1961）→ 12.9万人（2021）
基幹的農業従事者	503万人（1976）→ 151万人（2017）
米の作付面積	220万ha → 147万ha（1980s→2010s）

2025年農林業センサス（2025年12月公表）では、基幹的農業従事者は 約103.6万人、平均年齢 67.7歳。e-Stat API の累年表は 2017年で途切れており、本稿の自動パイプラインはそこまで。2023年漁業センサス（2024年公表）の就業者 12.1万人 も、累年 API は 2021年まで のため、§2以降のグラフと脚注で公表値を補完している。

そして、主犯の入れ替えを引き起こす数字がある。

指標	$r$
気温偏差 vs 漁業就業者数	-0.73
気温偏差 vs 基幹的農業従事者	-0.68
気温偏差 vs 米作付面積	-0.58
気温偏差 vs 漁獲総量	-0.52

就業者数との相関の方が、漁獲量より強い。この「就業者数」こそが、交絡因子のラスボスだった。

「暑くなったから減った」のではない。「日本が豊かになり、過疎化と高齢化が進むタイムライン」と「地球が温暖化するタイムライン」が、時間を介してガッチリ握手していた──擬似相関の正体は、ここにあった。

図5: 左＝農業、右＝漁業。二つの折れ線が逆行している。 読者に見てほしいこと: 総量減の主役は気温曲線ではなく、担い手の減少線である──この直感を持ったうえで §3 以降へ進んでほしい。

§3　第二の罠：単収とCPUEを見ると、話が変わる

総量だけ見ると絶望的だ。だが分析設計を変えると、別のレイヤーが見えてくる。

農業：「単収」で面積減のノイズを相殺する

$$
\text{単収（kg/10a）} = \frac{\text{収穫量}}{\text{作付面積}} \times 100
$$

人が減ると田んぼが荒れ、作付面積が減る。しかし 残った農地で、1反あたりどれだけ取れたか に変換すれば、「担い手不足」と「天候」の影響をかなりの程度分離できる。

指標	$r$
米収穫量（総量）	-0.41
米10a当たり収量	+0.38

総量と符号が逆転する。面積減を除けば、長期では単収は横ばい〜微増方向だ。

図1: 上＝収穫量、中＝作付面積、下＝10a当たり収量（橙線＝気温偏差）。 読者に見てほしいこと: 総量は右下がりだが単収は500kg前後で安定──「減った＝暑いから」では説明できない、と気づく瞬間。

漁業：CPUEで「魚がいない」のか「人がいない」のかを切る

水産分析でよく使われる CPUE（Catch Per Unit Effort：努力量あたり漁獲量） の簡易版として、

$$
\text{CPUE} = \frac{\text{総漁獲量（トン）}}{\text{漁業就業者数（人）}}
$$

を計算した。簡単に言えば**「漁師1人が1年間に何トン獲れるか」**。就業者が減っても、この値が横ばいなら「海から魚が消えたのではなく、船が出なくなっただけ」と読める。

指標	$r$	p値
総漁獲量	-0.52	—
CPUE（トン/就業者）	+0.161	0.236（非有意）
CPUE（イワシ除き）	+0.308	0.021（★ 有意）

1人あたりの漁獲量は、横ばい〜微増。「日本の海から魚が消えた」という単純な環境悲観論には、データはそのままでは乗らない。

図2: 全国計と主要魚種（イカ・サケ・イワシ等）の漁獲推移。 読者に見てほしいこと: 1980年代ピーク後の全面減と、魚種ごとのブレの違い──資源管理・回遊・担い手が混ざった「総量の顔」。

船が出なければ、海に魚がいても漁獲量はゼロだ。就業者定義の変更、資源管理（獲りすぎない規制）、探知機・養殖技術の進化──CPUE に残るノイズは脚注に正直に書くべきだが、「honest な非有意」こそが、この記事の信頼性になる。

ただし、その「非有意」には続きがある。e-Stat の魚種別データでイワシ類を取り除くと、CPUE は r=+0.308（p=0.021）と有意に跳ね上がる。 この「イワシが全体CPUEを底上げしていた」構造の正体は §8 で解体する。

図6: 上＝総漁獲量（万トン）、下＝CPUE（トン/就業者）。 読者に見てほしいこと: 総量は半減以下でも、1人あたり漁獲は横ばい──「海が空になった」一本足では読めない、という honest な結果。

§4　第三の罠：技術進歩が、気候シグナルを隠している

ここまで来て、まだ足りない。

農家・漁師は黙って暑さに負けているわけではない。品種改良、大型機械、センサー、農薬・肥料、探知機、養殖──テクノロジーは単収とCPUEを長期的に押し上げる。

1985〜2011年の米単収をプロットすると、全体として緩やかな右肩上がりがある。これが「技術の足跡」だ（※本図の単収系列は API 累年 2017年産まで。2023年は後述のデータ更新で追加予定）。

そこで デトレンド（トレンド除去） をかける。

5年移動平均で「平年並みの実力値（ベースライン）」を引く
実測値 − ベースライン = 残差（異常年のダメージ or 好年）
残差だけを、気温偏差と並べる

結果、1993年（冷害・イネアオムシ） が突出した大暴落として浮上する。暖候年（temp_anomaly ≥ 0.5℃）も、残差がマイナス方向に偏る年がある。

図4: 線形トレンドからの単収残差（赤＝暖候年）。 読者に見てほしいこと: 長期トレンドを引いたあと、猛暑側の年だけが下に偏るかどうか──イベント分析の入口。

図7: 上＝実測単収と線形トレンド、中＝5年MA残差（赤ラベル＝暖候年）、下＝気温偏差。 読者に見てほしいこと: 1993年の谷と、暖候年の下振れだけがトレンドから突き出る──「平年は技術、異常年は気候」という二層構造。

平年は技術トレンドが支配的で気候の出番がない。異常年だけ、気候ショックが全変数をなぎ倒して牙を剥く──非線形な現象が、ここに写る。

§5　5層分解：この記事の分析設計

整理すると、こういう4層の階段で主犯に迫る。

第1層  総量            → 「減った」事実。でも主犯は不明
第2層  単収 / CPUE     → 担い手・面積のノイズを削る
第3層  デトレンド残差   → 技術進歩の右肩を剥ぐ
第4層  イベント年       → 1993冷害、猛暑年だけが突き抜ける
第5層  魚種補正CPUE     → イワシ相殺を除去して真の漁業シグナルを解放

層	農業で見る指標	漁業で見る指標
1	収穫量（トン）	漁獲量（トン）
2	10a当たり収量	CPUE（トン/人）
3	移動平均残差	（就業者トレンド除去）
4	1993, 暖候年	資源管理ショック年
5	—	魚種補正CPUE（$r=+0.308$, p=0.021）

「複雑すぎて1本の相関係数では答えが出ない」 という沼そのものを、問いの分解で昇華させる──これが今回のデータサイエンスの芯だ。

§6　重回帰の結果（技術補足）

本節は統計モデルの詳細です。読み飛ばしても §7 以降の流れは問題ありません。

重回帰：$R^2 = 0.21$ の「絶妙な弱さ」をどう読むか（クリックで展開）

📐 R²（決定係数）って何？ ── モデルの「説明力」の指標

R²（アールじじょう、決定係数） は「このモデルがデータの動きをどれだけ説明できているか」を 0〜1 で表す指標。

R²	直感的な意味
1.0	データを完全に説明できている
0.5	データの変動の半分を説明できている
0.0	まったく説明できていない

社会科学では R² = 0.3 でも「まあまあ」、0.5 以上で「良好」とされることが多い。
R² が低い = モデルが間違い、ではなく、「説明しきれない要因が他にある」 というシグナルでもある。

単収を目的変数に、説明変数として気温偏差・作付面積・年（技術進歩の代理変数）を入れた重回帰を試した。

$$
\text{単収} \sim \text{気温偏差} + \text{作付面積（標準化）} + \text{年（標準化）}
$$

結果	値
$n$	27
$R^2$	0.21
気温偏差の偏回帰係数	+18.0 kg/10a per ℃
年（技術代理）の係数	+12.9（標準化）

$R^2$ が低いのは、モデルが間違っているからではない。平年は年次トレンド（技術）が支配的すぎて気候の説明力が出ない。異常年だけイベントとして残差に漏れる──§4の非線形性と整合する。

偏回帰係数 +18 kg/10a/℃ を「暑いほど米が増える」と読むべきではない。線形モデルが捉えきれない異常年の影響、未観測の交絡（価格・品種・病害）が係数に混ざっている。「因果が証明された」ではなく、「共変動の分離を試みた」 までが、この分析の射程だ。

§7　未統合の伏兵：政策・価格・品種を取り込むロードマップ

§2〜§4で扱えたのは 担い手・技術・気候イベント まで。残る伏兵──経済・政策・品種──は本稿では未統合だが、放置すると重回帰の係数が再び歪む。続編・拡張分析の優先順位を、データソース付きで示す。

優先	伏兵	e-Stat / 外部データ	取り込む指標	分析手法（案）
★★★	前年米価・作付意向	米の相対取引価格、作物統計	前年産価格ラグ、作付面積の年次変化	単収 ~ 気温 + 価格ラグ + 面積
★★★	減反・転作・補助	食料需給表、政策年ダミー	麦・大豆作付のシフト、制度変更年	イベントダミー + 作付構成比
★★☆	品種シフト	品種別作付面積	耐熱品種（新之助等）シェア	品種シェア ~ 年 + 気温（人類の反撃）
✅	漁業魚種別CPUE	海面漁業生産統計 `0003238633`（e-Stat）	イワシ補正CPUE	本稿で実施完了（§8 参照）
★☆☆	輸入代替	貿易統計、家計調査	国産/輸入比率	国産生産の説明力低下を分離

定量の目標（続編）: 重回帰の $R^2$ を 0.21 から 0.4前後 まで押し上げ、気温偏回帰係数の符号・大きさが「価格・政策を入れた後も残るか」を検証する。残れば「構造・技術を除いても説明される気候成分」、消えれば「イベント年特化分析に設計を切り替える」。

「量」の長期因果は泥沼にハマる。異常値（アノマリー）に特化するアプローチ──特定の酷暑年だけ、標準偏差2σ外れの暴落があるか──は、政策変数が未整備でも先に進められる。

§8　限界と次の一手：因果推定・データ更新

因果の壁と、試す価値のある設計

本分析で示せるのは 共変動の分離 まで。厳密な因果には、次のような設計が現実的だ。

差分の差分（DID）の具体案

💡 DID とは: 「影響を受けたグループ」と「受けなかったグループ」それぞれの変化量の差を取ることで、もともとの傾向の違いを打ち消し、ショックの純粋な影響だけを取り出す手法。「猛暑年に露地農家は単収が落ちたが、ハウス農家は落ちなかった → その差が気候ショックの効果」という論理。

露地 vs ハウス栽培: 同一都道府県内で、気象ショック（猛暑年）前後の単収差を、ハウス（気候コントロール）と露地で比較。e-Stat 作物統計の都道府県×年産で実装可能。
制度変更前後: 減反緩和・転作促進など、政策年を $t_0$ にとった作付面積・単収の before/after。全国トレンドを差し引けば「政策ショック」の下限推定になる。

操作変数（IV）の具体案

💡 IV（操作変数）とは: 「気温が農業に影響する」という関係を直接測りたいが、気温は農家の行動（作付け・品種選択）と絡み合って因果が判別しにくい。そこで「気温とほぼ同じ動きをするが、農業判断には直接影響しない外部変数」を代わりに使い、純粋な因果効果だけを取り出す手法（2段階最小二乗法）。

産地の外生気象: 同じ年でも、積雪量・台風経路・オホーツク海 SST など、当該農地の作付判断と独立に近い変数を、局地気温の IV にする（2段階最小二乗）。
限界: 日本全国スケールでは IV の排他性を主張しにくい。都道府県パネルに落とすと説得力が上がる。

イベント研究（本稿に最も近い延長）

2023年・1993年を $t=0$ に、前後3年の単収残差・米価・在庫を並べる。累年 API が途切れている年は 単年表を手でマージ する（下記）。

データ更新の整理（本文中の約束）

系列	API 累年の終端	省庁公表の最新	本稿の扱い
米収量・単収	2017年産	2023年産単年表あり	fig1・7 は2017まで。2023はサマリーで言及
海面漁獲量	2015年	年報で更新中	fig2・6 は2015まで
漁業就業者	2021年	2023年センサス 12.1万人	fig5 右。脚注で2023補完
基幹的農業従事者	2017年	2025年センサス 103.6万人	fig5 左。脚注で2025補完
全国気温偏差	2025年	気象庁更新	全図で使用

# 累年表が途切れたあと、単年表から national 行だけ抜くイメージ
params = {
    "appId": APP_ID,
    "statsDataId": "0003325095",  # 例: 平成25-29年産ブロック
    "cdArea": "N0001",            # 全国
    "cdCat01": "003",             # 収穫量
}
rows = fetch_stats_data(**params)
# 2018〜2023年産は別 statsDataId を getStatsList で都度探索して縦結合

CPUE・品種の脚注

就業者数ベースの CPUE は簡易版だ。漁船総トン数、出港日数を入れると精度が上がる。就業者定義は漁業センサス改定で系列ブレあり（2023年調査方法の脚注要確認）。

品種別作付面積（コシヒカリ→耐熱品種）を §7 ロードマップの ★★☆ として続編で扱う。「気候 vs 人類の知恵」のパラメータ調整 は、そこで初めて定量できる。

魚種交代（レジームシフト）：全国計CPUEが横ばいだった謎が解けた

今回の簡易CPUE（全国計 ÷ 漁業就業者数）が横ばいだった理由を、e-Stat の魚種別漁獲量データ（1961〜2015年）で直接検証した。

$$
\text{CPUE（イワシ除き）} = \frac{\text{総漁獲量} - \text{イワシ類}}{\text{漁業就業者数}}
$$

指標	$r$	p値
CPUE 全体	+0.161	0.236（非有意）
CPUE（イワシ除き）	+0.308	0.021（★ 有意）
CPUE（イワシのみ）	-0.038	0.782（非有意）
イワシシェア（%）	-0.021	0.878（非有意）

全国計CPUEが横ばいだった理由が、ここで確定する。 イワシを除くと相関係数が2倍近く跳ね上がり、有意水準を超える。

注目すべきはイワシシェア自体も気温と無相関（r=-0.021）である点だ。イワシの増減は温暖化直接ではなく、海洋の長期サイクル（レジームシフト）が主動力であることを示唆している。

魚種グループ	動き（1961〜2015）	CPUEへの影響
サケ・スルメイカ	データ期間内で右肩下がり	マイナス寄与
マイワシ	1980年代ピーク（450万トン超）→1990年代大崩壊→2010年代回復	相殺バッファー

この歴史的な振れ幅が、全国計CPUEに「横ばいに見せる錯視」を生んでいた。マイワシは巻き網漁で大型船が一網打尽にするため、就業者1人あたりのトン数を大きく引き上げるバイアスがある。「海が空じゃない」は正しい。ただし正確には、「海の主役が入れ替わっていたため、CPUEは横ばいのまま維持された」 だ。

図8: Panel1＝CPUE全体とイワシ除きの乖離（緑の帯＝イワシの上乗せ分）、Panel2＝魚種構成シェアの変化、Panel3＝主要3魚種の絶対量推移。 読者に見てほしいこと: Panel1の緑帯の大きさがレジームシフトの痕跡──全国計CPUEを「底上げ」していたイワシの規模感。

§9　桜と並べると：生物季節は、1次産業より素直に答える

同じリポジトリで扱った 桜開花日（1961〜2025年、87地点）と並べると、面白い対比が出る。

指標	$r$（気温偏差）
桜開花日（早い=負）	-0.52
米10a当たり収量	+0.38
米収穫量（総量）	-0.41

桜は「春の温度」に比較的素直に反応する。米の総量は「人と面積」に引っ張られる。同じ「温暖化」でも、指標の設計次第で符号が逆転する。

図3: 気温・米単収・桜前倒しを標準化偏差で重ねた三角測量。 読者に見てほしいこと: 生物季節（桜）は気温に素直、米総量は逆符号──同じ「温暖化」でも指標設計で結論が変わる。

おわりに：答えより、問いの分解

「地球温暖化で日本の食料危機！」というニュースを見て e-Stat を開いたら、確かに米も魚も激減していた。

しかし、気温と単純相関をとったらマイナス。罠だった。

因数分解すると、真の主犯は 猛烈な勢いで現場から消えていく生産者 だった。

だが、話をここで終わらせない。

単収は技術で右肩を上げ、CPUEは横ばい──だがその「横ばい」はイワシが相殺した錯視だった。イワシを除いたCPUEは有意（r=+0.308, p=0.021）で、海の中身は静かに入れ替わっていた。デトレンドした先に、1993年の冷害 と 暖候年の残差 が姿を現す。

気候変動のダメージに対して、人類はスマート農業と品種改良で抗い続けている。この「気候 vs 人類の知恵」の戦いは、まだ始まったばかりだ。

データ分析はムズい。だからこそ、

総量 → 単収/CPUE → デトレンド残差 → イベント年 → 魚種補正CPUE

という5層の分解設計に、ストーリーが宿る。

数字をこねくり回すのではなく、現場の歪みと統計がシンクロした瞬間に、データは「証拠」に変わる。

今回、「CPUEが横ばいなのはなぜか」という謎はAIとの壁打ちで「レジームシフト」という切り口が浮かび上がり、e-Statのデータで検証できた。データを持つだけでは見えない──問いを立てる相手がいると、分析は一段深くなる。

分析環境・データ・再現

データソース

データ	出典（e-Stat 統計表ID 等）
米作付・収量	作物統計 `0003318296` 他、累年ブロック複数
米国内生産	食料需給表 `0003417196`
海面漁業漁獲量	漁業・養殖業生産統計 `0003238633`
漁業就業者数	漁業センサス累年 `0002064948`
基幹的農業従事者	販売農家統計 `0003237742`
気温偏差	気象庁（プロジェクト内 CSV）
桜開花日	気象庁生物季節観測

データ鮮度（再掲）

系列	API 終端	公表最新
米収量・単収	2017年産	2023年産（単年表）
漁獲量	2015年	年報随時
漁業就業者	2021年	2023年センサス 12.1万人
基幹的農業従事者	2017年	2025年センサス 103.6万人

実行コマンド

python analysis/agriculture/fetch_agri_fishery_estat.py
python analysis/agriculture/climate_agri_analysis.py
python analysis/agriculture/confounders_analysis.py
python analysis/agriculture/regime_shift_cpue.py

相関係数の計算（コアスニペット）

from scipy import stats
import pandas as pd

panel = pd.read_csv("results/agriculture/confounders_panel.csv")
sub = panel[["temp_anomaly", "total", "fishery_workers"]].dropna()
r_catch, p_catch = stats.pearsonr(sub["temp_anomaly"], sub["total"])
r_workers, p_workers = stats.pearsonr(sub["temp_anomaly"], sub["fishery_workers"])
print(f"漁獲量 r={r_catch:.3f}, 就業者 r={r_workers:.3f}")
# → 漁獲量 r=-0.524, 就業者 r=-0.726

出力一覧

種別	パス
データ	`data/agriculture/*.csv`
結果	`results/agriculture/confounders_summary.md`
図	`output/agriculture/fig1`〜`fig8`.png
魚種補正CPUE結果	`results/agriculture/regime_shift_cpue.csv`

参考文献・脚注

総務省統計局 e-Stat: https://www.e-stat.go.jp/
2025年農林業センサス基幹的農業従事者 約103.6万人、平均年齢 67.7歳（農林水産省公表値。API累年表未収録のため脚注補完）
2023年漁業センサス漁業就業者 12.1万人（過去最少。同上）
CPUE 就業者定義: 海面漁業センサス「漁業就業者数_計」。調査年・定義改定による系列ブレに注意

シリーズ: 季節を決めているのは誰か（スピンオフ）
関連: 桜開花日と気温の三角測量
次回（予定）: 2023年産単年表マージ / FRA資源評価データとのマージ（魚種別バイオマス推定値）/ §7ロードマップ（価格・品種）/ DID・IV の試行