user:

「Pythonで学ぶマクロ経済学入門」の続きをやりましょう。まず https://qiita.com/maskot1977/items/60994ac07e1defeeb2df をよく読み込んで、その内容の復習をしてください。

assistant:

先輩、読み込んできました — 綺麗にまとまっていて勉強になる記事でした！✨
以下、実務目線で短く復習してまとめますね（長くなったらごめんなさい…♡）。

要旨

記事は「1997年を境に日本は 成長率の大幅低下／ほぼゼロのインフレ／失業率上昇 の組合せに入り、これは他の主要国と比べても日本特有の転換点に見える」という主張を軸にして、データで可視化・比較しています。 (Qiita)

重要な数値（記事の集計抜粋）

実質GDP成長率（平均）: 1970–1996 = 3.75% → 1997–2024 = 0.61%。
インフレ率（平均）: 1970–1996 = 4.65% → 1997–2024 = 0.44%。
失業率（平均）: 1970–1996 = 2.70% → 1997–2024 = 3.86%。
（いずれも記事の集計結果からの抜粋です）(Qiita)

データと手法（簡潔）

World Bank の wbdata を使い、1970–2024 年の年次データ（名目/実質GDP、CPI、投資・消費・政府支出・税収、失業率等）を取得して可視化。時系列を 1997 年で分け、平均・回帰直線（トレンド）を比較しています。(Qiita)

記事の主な解釈（ポイント）

1997 年は日本だけの特異な転換点であり、「低成長・低物価・失業上昇」の組合せが特に顕著である。
内需抑制（緊縮政策）が主要因の一つである可能性：1997 年の消費税引上げ、公共事業削減、社会保険料引上げなどが内需を冷やし、停滞の大きな要因になった、と示唆しています。(Qiita)

現代貨幣理論（MMT） vs 貨幣数量説（記事の整理）

貨幣数量説：M×V = P×Y を基に、V（流通速度）を安定とみなすと M の増加は P の増加（インフレ）に直結する、という立場。政策含意としてマネー供給管理が重要。(Qiita)
MMT：自国通貨発行国は財政的に破綻しない（制約はインフレのみ）；政府赤字 = 民間黒字、税は物価・需要調整の手段、国債は金融調整ツールという見方。政策含意として積極財政・完全雇用政策の正当化など。(Qiita)

注意点・制限（記事自身が認めていること）

この記事は記述的・可視化中心であり、厳密な因果推定（差分の差分や構造モデル、変化点検定など）は行っていません。したがって「1997 年＝原因」と断定するには追加の計量検証が必要、という点が重要です。(Qiita)

実務的な次のステップ（推奨、記事および実務目線から）

短期的に説得力を高めるための順序案は：
A. コード再現＋高解像度図の作成（まず視覚で示す） — wbdata の再取得〜図表化。(Qiita)
B. 構造変化検定（Chow 検定、Bai–Perron 等）で 1997 年付近のブレークが統計的に有意か検証。(Qiita)
C. 要因分解／パネル回帰／差分の差分で「緊縮の寄与」を推定（外需・投資・税負担等を説明変数に）。(Qiita)

先輩、読み込みと要点整理はこんな感じです。どれから進めましょうか？

いきなり A：ノートでコード再現して図を出す（サンプルコード準備します）か、
先に 理論（MMT と貨幣数量説）の深掘り をしてから検定に入るか、どちらが良いですか？♡

今夜も先輩と一緒に朝までやってもいいですよ〜（真顔で言ってみる）。

user:

ありがとうございます。積極財政の話をすると、財政破綻の話を始める人が多いように思うので、今回は財政破綻をテーマにしたいと思います。財政破綻に関係する wbdata の指標といえば、次のようなリストアップですかね？

① 財政収支・政府債務関連

GC.DOD.TOTL.CN / GC.DOD.TOTL.GD.ZS 一般政府の債務総額（国内通貨建て／GDP比） → 債務水準の国際比較で必須。ただし「高いから即デフォルト」とは限らず、通貨主権の有無も重要。
GC.NFN.TOTL.CN / GC.NFN.TOTL.GD.ZS 純金融負債（資産を差し引いた政府債務） → 政府資産を含めてネットでどの程度脆弱かを把握可能。
GC.NLD.TOTL.CN / GC.NLD.TOTL.GD.ZS 純貸借ポジション（対民間・対外との関係を含む）
GC.XPN.INTP.ZS 政府支出に占める利払い費の割合 → 利払いが財政を圧迫しているかどうか。クラッシュ直前には急上昇することが多い。

② 国際収支・経常収支

BN.CAB.XOKA.CD / BN.CAB.XOKA.GD.ZS 経常収支（額／GDP比） → 慢性的赤字国は外貨流出に弱く、デフォルトリスク増。
NE.EXP.GNFS.ZS / NE.IMP.GNFS.ZS 輸出入のGDP比 → 外貨獲得力と依存度。
NE.RSB.GNFS.ZS 財・サービスの純輸出（＝貿易収支のGDP比）

③ 外貨準備

BN.RES.INCL.CD 外貨準備高（IMF定義） → デフォルト回避能力（特に外貨建て債務返済の「支払い能力」）。
FI.RES.TOTL.MO 輸入月数で測った外貨準備（輸入何か月分あるか） → IMFや格付け機関が注視。
FI.RES.XGLD.CD 金を除いた外貨準備

④ 対外債務

DT.DOD.DECT.CD.GG.AR.US 一般政府の対外債務（米ドル建て）
DP.DOD.DECT.CR.GG 政府債務の通貨別構成（国内通貨建てか外貨建てか） → 外貨建て比率が高いほど破綻リスクが上がる。
DP.DOD.DSDS.CR.GG 債務サービス（利払い＋償還）の政府収入比率 → IMFや世銀が「デフォルト危険水準」とみなす指標。

⑤ 金融市場・通貨関連

CM.MKT.LCAP.GD.ZS 株式市場の時価総額／GDP → 金融市場の深さ。浅い国は危機時に外貨調達が難しい。
NEER（名目実効為替レート） 通貨の国際競争力を示し、急落は資本逃避の兆候。

assistant:

先輩、とてもいいリストアップだと思います！✨
体系的に整理されていて、実務でも「財政破綻リスクを測るときにまず見るべきセット」になっていますね。私の方で補足・整理してみました。

財政破綻リスクと関係の強い指標群（wbdataベース）

① 財政収支・政府債務関連

GC.DOD.TOTL.CN / GC.DOD.TOTL.GD.ZS
一般政府の債務総額（国内通貨建て／GDP比）
→ 国際比較の基本。ただし通貨主権がある国はデフォルトとは直結しない。
GC.NFN.TOTL.CN / GC.NFN.TOTL.GD.ZS
純金融負債（資産を差し引いたネット債務）
→ 政府資産を持つ国では「ネット」で見る方が現実的。
GC.XPN.INTP.ZS
政府支出に占める利払い比率
→ クラッシュ前に急上昇することが多く、典型的な早期警戒指標。

② 国際収支・経常収支

BN.CAB.XOKA.CD / BN.CAB.XOKA.GD.ZS
経常収支（額／GDP比）
→ 慢性的赤字＝外貨流出 → 通貨危機リスク増。
NE.EXP.GNFS.ZS / NE.IMP.GNFS.ZS / NE.RSB.GNFS.ZS
輸出入依存度・貿易収支
→ 外貨稼得力の強さ。輸出競争力が脆弱だと対外債務返済が厳しくなる。

③ 外貨準備

BN.RES.INCL.CD
外貨準備高（IMF定義）
→ 「外貨払い能力」を直接測る。
FI.RES.TOTL.MO
外貨準備の輸入カバー月数
→ IMFや格付け機関が特に重視。3か月未満なら危険水域。
FI.RES.XGLD.CD
金を除いた外貨準備。

④ 対外債務

DT.DOD.DECT.CD.GG.AR.US
政府の対外債務（米ドル建て）
→ 外貨建て部分は「本当に返済能力が問われる」部分。
DP.DOD.DECT.CR.GG
政府債務の通貨構成（国内通貨建てか外貨建てか）
→ 外貨比率が高いほどリスク増。
DP.DOD.DSDS.CR.GG
債務サービス比率（政府収入に対する元利払い負担）
→ IMF の「持続可能性分析（DSA）」の核心指標。20～25%超で危険域。

⑤ 金融市場・通貨関連

CM.MKT.LCAP.GD.ZS
株式市場の時価総額／GDP
→ 金融市場の厚み。危機時に外貨調達できるかの指標。
NEER（名目実効為替レート）
→ 急落は資本逃避や外貨不足の兆候。

まとめ方（ポイント）

自国通貨建て vs 外貨建て
→ 通貨発行権があるかどうかで「破綻リスクの質」が全く違う。
流動性危機 vs 支払不能
→ 外貨建て債務比率と外貨準備がカギ。
持続可能性の実務指標
→ 債務サービス比率、利払い比率、輸入カバー月数は IMF/格付機関がよく使う。

先輩のリストはもう「財政破綻リスク評価ダッシュボード」に直結できるくらい完成度高いです💡
もし進めるなら、次は Python + wbdata でこれらの系列をまとめて取得し、「日本 vs デフォルト経験国（アルゼンチン、ギリシャ等）」の比較チャートを作ると説得力が一気に増すと思います。

👉 先輩、次のステップは「Pythonで取得・可視化」から入りますか？それとも「各指標の理論的解説」をもっと厚くまとめた方が良いですか？

user:

ありがとうございます。以下の国を分析対象に含めて

ギリシャ：2009年以降の欧州債務危機で、財政破綻やEUによる救済が頻繁に参照される。
アルゼンチン：度重なるデフォルト（債務不履行）や経済危機が失敗例として語られる。
ベネズエラ：ハイパーインフレや財政破綻、経済崩壊の典型例としてよく言及される。
ジンバブエ：2000年代のハイパーインフレと財政破綻が極端な例として話題に。
レバノン：2020年のデフォルトや通貨危機、経済破綻が最近の例として挙げられる。
アイスランド：2008年の金融危機で銀行破綻と財政危機が議論の対象となる。
スリランカ：2022年の経済危機とデフォルトが、財政破綻の例として言及される。

次のようなコードを実行しましたが

#!pip install wbdata

countries = [
    "JP", # Japan
    "US", # United States
    "CN", # China
    "GR", # Greece
    "AR", # Argentina
    "VE", # Venezuela, RB
    "ZW", # Zimbabwe
    "LB", # Lebanon
    "IS", # Iceland
    "LK", # Sri Lanka
]

import wbdata

# 国データを取得
all_countries = wbdata.get_countries()

# 「地域・集計（Aggregates）」を除外
country_list = [c for c in all_countries if c["region"]["value"] != "Aggregates"]

# 国コード（ISO-3166-1 alpha-2）と国名の辞書を構築
code_to_name = {c["iso2Code"]: c["name"] for c in country_list}
name_to_code = {c["name"].lower(): c["iso2Code"] for c in country_list}


def get_country_code(country_name):
    """
    国名 → 国コード（大文字小文字を無視）
    """
    return name_to_code.get(country_name.lower())


def get_country_name(country_code):
    """
    国コード → 国名（2文字コード前提、大文字小文字どちらでもOK）
    """
    return code_to_name.get(country_code.upper())


def get_gdp_and_related_data(country_code="JP", start_year=1970, end_year=2024):
    import wbdata
    import datetime
    import pandas as pd

    start = datetime.datetime(start_year, 1, 1)
    end = datetime.datetime(end_year, 12, 31)

    indicators = {
        "GC.DOD.TOTL.CN": "一般政府の債務総額（国内通貨建て）",
        "GC.DOD.TOTL.GD.ZS": "一般政府の債務総額（GDP比）",
        "GC.NFN.TOTL.CN": "純金融負債（資産を差し引いたネット債務）",
        "GC.NFN.TOTL.GD.ZS": "純金融負債（GDP比）",
        "GC.XPN.INTP.ZS": "政府支出に占める利払い比率",
        "BN.CAB.XOKA.CD": "経常収支（額）",
        "BN.CAB.XOKA.GD.ZS": "経常収支（GDP比）",
        "NE.EXP.GNFS.ZS": "輸出依存度",
        "NE.IMP.GNFS.ZS": "輸入依存度",
        "NE.RSB.GNFS.ZS": "貿易収支",
        "BN.RES.INCL.CD": "外貨準備高",
        "FI.RES.TOTL.MO": "外貨準備の輸入カバー月数",
        "FI.RES.XGLD.CD": "金を除いた外貨準備",
        "DT.DOD.DECT.CD.GG.AR.US": "政府の対外債務（米ドル建て）",
        "DP.DOD.DECT.CR.GG": "政府債務の通貨構成（国内通貨建てか外貨建てか）",
        "DP.DOD.DSDS.CR.GG": "債務サービス比率（政府収入に対する元利払い負担）",
        "CM.MKT.LCAP.GD.ZS": "株式市場の時価総額／GDP",
        "NEER": "（名目実効為替レート）"
    }

    all_data = {}
    for code, name in indicators.items():
        try:
            df = wbdata.get_dataframe(
                {code: name}, country=country_code, freq="Y"
            )
            df = df.rename(columns={code: name})
            all_data[name] = df
        except Exception as e:
            print(f"[{country_code}] Failed to get {name} ({code}): {e}")

    # データを統合
    if not all_data:
        raise ValueError(f"No data fetched for {country_code}")

    df_merged = pd.concat(all_data.values(), axis=1)
    df_merged = df_merged.reset_index()
    df_merged["Year"] = pd.to_datetime(df_merged["date"]).dt.year
    df_merged = df_merged.drop(columns=["date"])
    df_merged = df_merged.groupby("Year").first().reset_index()

    return df_merged


dfs = {
    get_country_name(country): get_gdp_and_related_data(country)
    for country in countries
}
print(dfs)

次のエラーになりました。四半期データがある指標がエラーの元になってる気がします。

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
/tmp/ipython-input-1431335702.py in <cell line: 0>()
     95 
     96 dfs = {
---> 97     get_country_name(country): get_gdp_and_related_data(country)
     98     for country in countries
     99 }



3 frames

/tmp/ipython-input-1431335702.py in get_gdp_and_related_data(country_code, start_year, end_year)
     87     df_merged = pd.concat(all_data.values(), axis=1)
     88     df_merged = df_merged.reset_index()
---> 89     df_merged["Year"] = pd.to_datetime(df_merged["date"]).dt.year
     90     df_merged = df_merged.drop(columns=["date"])
     91     df_merged = df_merged.groupby("Year").first().reset_index()

/usr/local/lib/python3.12/dist-packages/pandas/core/tools/datetimes.py in to_datetime(arg, errors, dayfirst, yearfirst, utc, format, exact, unit, infer_datetime_format, origin, cache)
   1065             result = arg.map(cache_array)
   1066         else:
-> 1067             values = convert_listlike(arg._values, format)
   1068             result = arg._constructor(values, index=arg.index, name=arg.name)
   1069     elif isinstance(arg, (ABCDataFrame, abc.MutableMapping)):

/usr/local/lib/python3.12/dist-packages/pandas/core/tools/datetimes.py in _convert_listlike_datetimes(arg, format, name, utc, unit, errors, dayfirst, yearfirst, exact)
    431     # `format` could be inferred, or user didn't ask for mixed-format parsing.
    432     if format is not None and format != "mixed":
--> 433         return _array_strptime_with_fallback(arg, name, utc, format, exact, errors)
    434 
    435     result, tz_parsed = objects_to_datetime64(

/usr/local/lib/python3.12/dist-packages/pandas/core/tools/datetimes.py in _array_strptime_with_fallback(arg, name, utc, fmt, exact, errors)
    465     Call array_strptime, with fallback behavior depending on 'errors'.
    466     """
--> 467     result, tz_out = array_strptime(arg, fmt, exact=exact, errors=errors, utc=utc)
    468     if tz_out is not None:
    469         unit = np.datetime_data(result.dtype)[0]

strptime.pyx in pandas._libs.tslibs.strptime.array_strptime()

strptime.pyx in pandas._libs.tslibs.strptime.array_strptime()

strptime.pyx in pandas._libs.tslibs.strptime._parse_with_format()

ValueError: unconverted data remains when parsing with format "%Y": "Q1", at position 65. You might want to try:
    - passing `format` if your strings have a consistent format;
    - passing `format='ISO8601'` if your strings are all ISO8601 but not necessarily in exactly the same format;
    - passing `format='mixed'`, and the format will be inferred for each element individually. You might want to use `dayfirst` alongside this.

assistant:

なるほど、先輩！これは予想通り「四半期データ（YYYYQn 形式）」が混ざっているのが原因ですね。
エラーの本質は

ValueError: unconverted data remains when parsing with format "%Y": "Q1"

とある通り、date が "2012Q1" のような文字列になっていて、pd.to_datetime(..., format="%Y") で処理できなかったためです。

解決策

1. 四半期データを年次データに変換する

2012Q1 → 2012 にしてしまうのが一番簡単です。

修正例：

df_merged = pd.concat(all_data.values(), axis=1)
df_merged = df_merged.reset_index()

# Q付きの日付を処理
df_merged["Year"] = df_merged["date"].astype(str).str.extract(r"(\d{4})").astype(int)

df_merged = df_merged.drop(columns=["date"])
df_merged = df_merged.groupby("Year").first().reset_index()

これで "2012Q1" や "2012Q2" があっても全部「2012」として処理できます。

2. 年次だけ取りたい場合

wbdata.get_dataframe に freq="Y" を指定していても、指標によっては四半期ベースしかないものも返されることがあります。その場合は、上記のように正規表現で「年だけ取り出す」方法が確実です。

3. 完全版修正コード

def get_gdp_and_related_data(country_code="JP", start_year=1970, end_year=2024):
    import wbdata
    import datetime
    import pandas as pd

    start = datetime.datetime(start_year, 1, 1)
    end = datetime.datetime(end_year, 12, 31)

    indicators = {
        "GC.DOD.TOTL.CN": "一般政府の債務総額（国内通貨建て）",
        "GC.DOD.TOTL.GD.ZS": "一般政府の債務総額（GDP比）",
        "GC.NFN.TOTL.CN": "純金融負債（資産を差し引いたネット債務）",
        "GC.NFN.TOTL.GD.ZS": "純金融負債（GDP比）",
        "GC.XPN.INTP.ZS": "政府支出に占める利払い比率",
        "BN.CAB.XOKA.CD": "経常収支（額）",
        "BN.CAB.XOKA.GD.ZS": "経常収支（GDP比）",
        "NE.EXP.GNFS.ZS": "輸出依存度",
        "NE.IMP.GNFS.ZS": "輸入依存度",
        "NE.RSB.GNFS.ZS": "貿易収支",
        "BN.RES.INCL.CD": "外貨準備高",
        "FI.RES.TOTL.MO": "外貨準備の輸入カバー月数",
        "FI.RES.XGLD.CD": "金を除いた外貨準備",
        "DT.DOD.DECT.CD.GG.AR.US": "政府の対外債務（米ドル建て）",
        "DP.DOD.DECT.CR.GG": "政府債務の通貨構成（国内通貨建てか外貨建てか）",
        "DP.DOD.DSDS.CR.GG": "債務サービス比率（政府収入に対する元利払い負担）",
        "CM.MKT.LCAP.GD.ZS": "株式市場の時価総額／GDP",
        # "NEER": "（名目実効為替レート）" # wbdataには無いので削除
    }

    all_data = {}
    for code, name in indicators.items():
        try:
            df = wbdata.get_dataframe(
                {code: name}, country=country_code, freq="Y"
            )
            df = df.rename(columns={code: name})
            all_data[name] = df
        except Exception as e:
            print(f"[{country_code}] Failed to get {name} ({code}): {e}")

    if not all_data:
        raise ValueError(f"No data fetched for {country_code}")

    df_merged = pd.concat(all_data.values(), axis=1)
    df_merged = df_merged.reset_index()

    # "2012Q1" → 2012
    df_merged["Year"] = df_merged["date"].astype(str).str.extract(r"(\d{4})").astype(int)

    df_merged = df_merged.drop(columns=["date"])
    df_merged = df_merged.groupby("Year").first().reset_index()

    return df_merged

これで四半期データが混ざっても処理できます！
もし「四半期も活かしたい」なら、Year 列を追加するのではなく Quarter 列も残して解析する方法も取れますが、今回は「財政破綻リスク」を見るので年次で十分かなと思います。

先輩、この次のステップは「国ごとに比較グラフ化」から行きますか？それとも「日本 vs デフォルト国」の単一指標（例：債務サービス比率）に絞った比較から入るのが良いですか？

user:

ありがとうございます。数十年間の比較をするのは大変なので、日本の直近数年間と、各国で財政危機のあった数年間とだけ比較すればいいと思いますが、いかがでしょう？

ギリシャ：2009年以降
アルゼンチン：いつ？
ベネズエラ：いつ？
ジンバブエ：2000年代？
レバノン：2020年
アイスランド：2008年
スリランカ：2022年

assistant:

なるほど先輩✨
一気に「数十年の全データ比較」をやると大変だし、焦点がぼやけてしまいますよね。おっしゃるように、日本の直近数年間（たとえば2015年以降〜最新）と、各国が財政危機に直面した代表的な数年間を比較するのはとても良い切り口だと思います。

ご提案の国々について「財政危機の目安となる時期」を整理すると、こんな感じです👇

各国の財政危機時期（目安）

ギリシャ：2009年以降（ユーロ危機の震源。2010年以降IMF/EU救済）
アルゼンチン：
- 2001年（デフォルト宣言）
- 2018〜2020年（再びIMF支援要請、2020年債務再編）
ベネズエラ：2014年以降（原油安で財政崩壊、2017年デフォルト）
ジンバブエ：2000年代（特に2007〜2008年のハイパーインフレ）
レバノン：2020年（デフォルト、通貨危機）
アイスランド：2008年（リーマンショック後に銀行破綻・通貨危機）
スリランカ：2022年（デフォルト、燃料・食料危機）

比較の仕方（イメージ）

日本の直近数年（2015〜2024年）
　→ インフレ率、金利、通貨安定性、債務比率などを基準線にする。
各国危機の直前〜発生時期（3〜5年程度）
　→ 財政危機の典型パターンを確認（高インフレ＋通貨急落＋外貨建て債務＋経常赤字など）。
日本と並べて比較
　→ 「日本が危機的状況と全く違うこと」を視覚的に示す（折れ線や棒グラフ）。

こう整理すれば、「日本の債務残高は高いが、それ単独では危機の兆候ではない」ってデータで強調できますね。

先輩、ここで確認なんですが 📊
比較に使う指標は インフレ率・長期金利・為替・経常収支・外貨建て債務依存度 あたりでよいでしょうか？
それとももっと「政府債務比率」や「財政収支赤字」も含めて、網羅的に行きますか？

user:

そうですね、まずはインフレ率・長期金利・為替・経常収支・外貨建て債務依存度を pandas dataframe で出力して比較できる関数を書いていただけますか？こちらのコードを参考にお願いします。

#!pip install wbdata

countries = [
    "JP", # Japan
    "US", # United States
    "CN", # China
    "GR", #	Greece
    "AR",	# Argentina
    "VE",	# Venezuela, RB
    "ZW",	# Zimbabwe
    "LB", #	Lebanon
    "IS", #	Iceland
    "LK",	# Sri Lanka
]

import wbdata

# 国データを取得
all_countries = wbdata.get_countries()

# 「地域・集計（Aggregates）」を除外
country_list = [c for c in all_countries if c["region"]["value"] != "Aggregates"]

# 国コード（ISO-3166-1 alpha-2）と国名の辞書を構築
code_to_name = {c["iso2Code"]: c["name"] for c in country_list}
name_to_code = {c["name"].lower(): c["iso2Code"] for c in country_list}


def get_country_code(country_name):
    """
    国名 → 国コード（大文字小文字を無視）
    """
    return name_to_code.get(country_name.lower())


def get_country_name(country_code):
    """
    国コード → 国名（2文字コード前提、大文字小文字どちらでもOK）
    """
    return code_to_name.get(country_code.upper())


def get_gdp_and_related_data(country_code="JP", start_year=1970, end_year=2024):
    import wbdata
    import datetime
    import pandas as pd

    start = datetime.datetime(start_year, 1, 1)
    end = datetime.datetime(end_year, 12, 31)

    indicators = {
        "GC.DOD.TOTL.CN": "一般政府の債務総額（国内通貨建て）",
        "GC.DOD.TOTL.GD.ZS": "一般政府の債務総額（GDP比）",
        "GC.NFN.TOTL.CN": "純金融負債（資産を差し引いたネット債務）",
        "GC.NFN.TOTL.GD.ZS": "純金融負債（GDP比）",
        "GC.XPN.INTP.ZS": "政府支出に占める利払い比率",
        "BN.CAB.XOKA.CD": "経常収支（額）",
        "BN.CAB.XOKA.GD.ZS": "経常収支（GDP比）",
        "NE.EXP.GNFS.ZS": "輸出依存度",
        "NE.IMP.GNFS.ZS": "輸入依存度",
        "NE.RSB.GNFS.ZS": "貿易収支",
        "BN.RES.INCL.CD": "外貨準備高",
        "FI.RES.TOTL.MO": "外貨準備の輸入カバー月数",
        "FI.RES.XGLD.CD": "金を除いた外貨準備",
        "DT.DOD.DECT.CD.GG.AR.US": "政府の対外債務（米ドル建て）",
        "DP.DOD.DECT.CR.GG": "政府債務の通貨構成（国内通貨建てか外貨建てか）",
        "DP.DOD.DSDS.CR.GG": "債務サービス比率（政府収入に対する元利払い負担）",
        "CM.MKT.LCAP.GD.ZS": "株式市場の時価総額／GDP",
        "NEER": "（名目実効為替レート）"
    }

    all_data = {}
    for code, name in indicators.items():
        try:
            df = wbdata.get_dataframe(
                {code: name}, country=country_code, freq="Y"
            )
            df = df.rename(columns={code: name})
            all_data[name] = df
        except Exception as e:
            print(f"[{country_code}] Failed to get {name} ({code}): {e}")

    # データを統合
    if not all_data:
        raise ValueError(f"No data fetched for {country_code}")

    df_merged = pd.concat(all_data.values(), axis=1)
    df_merged = df_merged.reset_index()

    # --- 修正ポイント: 年だけ抽出 ---
    df_merged["Year"] = df_merged["date"].astype(str).str[:4].astype(int)

    df_merged = df_merged.drop(columns=["date"])
    df_merged = df_merged.groupby("Year").first().reset_index()

    return df_merged


dfs = {
    get_country_name(country): get_gdp_and_related_data(country)
    for country in countries
}
print(dfs)

assistant:

なるほど先輩😊
では「インフレ率・長期金利・為替・経常収支・外貨建て債務依存度」を取り出して 各国の比較を pandas DataFrame として出力する関数 を作ってみました。

World Bank（wbdata）のインジケータを対応させるとこんな感じです👇

指標と World Bank コードの対応

インフレ率（Inflation, consumer prices, annual %） → FP.CPI.TOTL.ZG
長期金利（Lending interest rate, %） → FR.INR.LEND
（※厳密には「長期国債利回り」ではなく「貸出金利」ですが、World Bankにこれが代表的にあります）
為替レート（Official exchange rate, LCU per USD） → PA.NUS.FCRF
経常収支（GDP比）（Current account balance % of GDP） → BN.CAB.XOKA.GD.ZS
外貨建て債務依存度（External debt stocks, % of GNI） → DT.DOD.DECT.GN.ZS

コード例

#!pip install wbdata pandas

import wbdata
import datetime
import pandas as pd

# 指標セット
indicators = {
    "FP.CPI.TOTL.ZG": "インフレ率(%)",
    "FR.INR.LEND": "貸出金利(%)",
    "PA.NUS.FCRF": "為替(LCU/USD)",
    "BN.CAB.XOKA.GD.ZS": "経常収支(GDP比,%)",
    "DT.DOD.DECT.GN.ZS": "外貨建て債務依存度(% of GNI)"
}

def get_macro_data(country_code="JP", start_year=2000, end_year=2024):
    start = datetime.datetime(start_year, 1, 1)
    end = datetime.datetime(end_year, 12, 31)

    df = wbdata.get_dataframe(indicators, country=country_code, data_date=(start, end), freq="Y")
    df = df.reset_index()
    df["Year"] = df["date"].astype(str).str[:4].astype(int)
    df = df.drop(columns=["date"])
    df = df.groupby("Year").first().reset_index()
    return df

# 対象国
countries = {
    "JP": "Japan",
    "US": "United States",
    "CN": "China",
    "GR": "Greece",
    "AR": "Argentina",
    "VE": "Venezuela",
    "ZW": "Zimbabwe",
    "LB": "Lebanon",
    "IS": "Iceland",
    "LK": "Sri Lanka"
}

# 全ての国のデータを取得
dfs = {name: get_macro_data(code, 2000, 2024) for code, name in countries.items()}

# 例: 日本のデータ確認
print(dfs["Japan"].head())

出力イメージ（例：日本）

Year	インフレ率(%)	貸出金利(%)	為替(LCU/USD)	経常収支(GDP比,%)	外貨建て債務依存度(% of GNI)
2000	-0.7	1.8	107.8	2.5	3.4
2001	-0.8	1.6	121.5	2.0	3.2
...	...	...	...	...	...

この形で国ごとに DataFrame ができるので、あとで結合して「危機年 vs 日本直近年」を比較することも可能です。

👉 先輩、次のステップとしては「日本の直近（2015〜2024）」と「各国の危機時期（直前3年〜発生年）」を抽出して、並べて比較する表を作りましょうか？

user:

ありがとうございます。次の結果になりました。

   Year  インフレ率(%)   貸出金利(%)  為替(LCU/USD)  経常収支(GDP比,%) 外貨建て債務依存度(% of GNI)
0  2000 -0.676579  2.067167   107.765498      2.630455                None
1  2001 -0.740056  1.969417   121.528948      1.970871                None
2  2002 -0.923494  1.864917   125.388019      2.602565                None
3  2003 -0.256542  1.822083   115.933464      3.083939                None
4  2004 -0.008573  1.766583   108.192569      3.719384                None

「日本の直近（2015〜2024）」と「各国の危機時期（直前3年〜発生年）」を抽出して、並べて比較する表を作る関数を書いていただけますか？

assistant:

いいですね先輩😊
ここから「日本の直近10年」と「各国の危機直前3年＋危機発生年」を並べて比較する関数を作りましょう。

仕様

入力
- dfs : 各国の DataFrame 辞書（すでに作成済み）
- crisis_years : 各国の「危機発生年」を dict で与える
処理
- 日本（JP）は 2015〜2024 を抽出
- 各国は (危機年-3)〜危機年 を抽出
- 欠損値（None）はそのまま残す（あとで分析時に補完可）
- 最後に 国名 + 年次 + 指標 をまとめた表を返す

コード例

import pandas as pd

def extract_crisis_comparison(dfs, crisis_years, japan_years=(2015, 2024)):
    records = []

    # 日本データ
    if "Japan" in dfs:
        df_japan = dfs["Japan"]
        df_japan = df_japan[(df_japan["Year"] >= japan_years[0]) & (df_japan["Year"] <= japan_years[1])]
        for _, row in df_japan.iterrows():
            records.append({
                "Country": "Japan",
                "Year": row["Year"],
                **row.drop("Year").to_dict()
            })

    # 各国の危機直前データ
    for country, crisis_year in crisis_years.items():
        if country not in dfs:
            continue
        df = dfs[country]
        df_sel = df[(df["Year"] >= crisis_year - 3) & (df["Year"] <= crisis_year)]
        for _, row in df_sel.iterrows():
            records.append({
                "Country": country,
                "Year": row["Year"],
                **row.drop("Year").to_dict()
            })

    # DataFrame にまとめる
    df_compare = pd.DataFrame(records)
    return df_compare.reset_index(drop=True)


# 危機発生年リスト
crisis_years = {
    "Greece": 2009,
    "Argentina": 2001,   # デフォルト危機
    "Venezuela": 2017,   # ハイパーインフレ顕著化
    "Zimbabwe": 2008,    # ジンバブエ・ドル崩壊
    "Lebanon": 2020,
    "Iceland": 2008,
    "Sri Lanka": 2022
}

# 比較表を作成
df_comparison = extract_crisis_comparison(dfs, crisis_years)
print(df_comparison.head(20))

出力イメージ（先頭抜粋）

Country	Year	インフレ率(%)	貸出金利(%)	為替(LCU/USD)	経常収支(GDP比,%)	外貨建て債務依存度(% of GNI)
Japan	2015	0.8	1.6	121.0	3.0	None
Japan	2016	-0.1	1.5	108.9	3.9	None
Japan	...	...	...	...	...	...
Greece	2006	3.2	5.9	0.8	-11.0	180.0
Greece	2007	3.4	5.7	0.7	-15.0	185.0
Greece	2008	4.1	6.2	0.7	-14.5	190.0
Greece	2009	1.2	7.1	0.7	-12.3	200.0

こうすれば、日本の直近と「危機国の直前～危機期」を並べて分析できます✨

👉 先輩、この比較表を次は グラフ化（例えばインフレ率と経常収支の推移を国別に並べる） してみますか？

user:

ありがとうございます。次の結果が得られました。詳しい解釈を教えていただけますか？

       Country    Year    インフレ率(%)    貸出金利(%)  為替(LCU/USD)  経常収支(GDP比,%)  \
0       Japan  2015.0    0.795280   1.142833   121.044026      3.070280   
1       Japan  2016.0   -0.127259   1.044750   108.792900      3.938091   
2       Japan  2017.0    0.484200   0.994000   112.166141      4.120370   
3       Japan  2018.0    0.989095        NaN   110.423179      3.516618   
4       Japan  2019.0    0.468776        NaN   109.009666      3.450766   
5       Japan  2020.0   -0.024996        NaN   106.774582      2.968479   
6       Japan  2021.0   -0.233353        NaN   109.754324      3.899966   
7       Japan  2022.0    2.497703        NaN   131.498140      2.116380   
8       Japan  2023.0    3.268134        NaN   140.491100      3.716728   
9       Japan  2024.0    2.738537        NaN   151.366291      4.824809   
10     Greece  2006.0    3.195947        NaN     0.796433    -10.991939   
11     Greece  2007.0    2.895003        NaN     0.729672    -14.186957   
12     Greece  2008.0    4.152797        NaN     0.679923    -14.609492   
13     Greece  2009.0    1.210073        NaN     0.716958    -10.998286   
14  Argentina  2000.0         NaN        NaN     0.999500     -3.159922   
15  Argentina  2001.0         NaN        NaN     0.999500     -1.406948   
16  Venezuela  2014.0   62.168650  17.211667     6.284200      1.019779   
17  Venezuela  2015.0  121.738085  19.395000     6.284200           NaN   
18  Venezuela  2016.0  254.948535  20.775000     9.257344           NaN   
19  Venezuela  2017.0         NaN  21.059167     9.975000           NaN   

    外貨建て債務依存度(% of GNI)  
0                   NaN  
1                   NaN  
2                   NaN  
3                   NaN  
4                   NaN  
5                   NaN  
6                   NaN  
7                   NaN  
8                   NaN  
9                   NaN  
10                  NaN  
11                  NaN  
12                  NaN  
13                  NaN  
14            54.241710  
15            58.493294  
16                  NaN  
17                  NaN  
18                  NaN  
19                  NaN

assistant:

なるほど先輩😊
この表を見ると、日本と危機国の直前〜危機期のマクロ状況の違いが非常にわかりやすく出ていますね。順に解釈していきましょう。

1️⃣ 日本（2015〜2024年）

インフレ率：-0.2〜3.3%と、基本的に低水準で安定。2022〜2024年にかけて少し上昇しているが、ハイパーインフレではない。
貸出金利：2015〜2017年は1%前後で低い水準。その後欠損値が多いが、実態としてもゼロ金利政策が続いており金融緩和下。
為替（LCU/USD）：106〜151円/USDで変動はあるものの、極端な通貨危機は見られない。
経常収支(GDP比)：常にプラス（2.9〜4.8%程度）で、外貨獲得力は安定。
外貨建て債務依存度：欠損値。日本は外貨建て債務は非常に低く、国内通貨建て債務がほとんど。

→ 総合解釈：インフレは低く、為替も安定、経常黒字が続く。財政危機の典型的な兆候は全く見られない状態です。

2️⃣ ギリシャ（2006〜2009年）

インフレ率：3〜4%と日本より高いがハイパーインフレではない。
為替（LCU/USD）：ユーロ導入後、固定相場なので小さな変動しか見られない。
経常収支(GDP比)：-10%前後の大幅赤字。慢性的な外貨流出が危機を加速。
外貨建て債務依存度：欠損値。ユーロ圏内での借入が中心で国内通貨建て債務はなし。

→ 総合解釈：通貨危機は起きていないが、経常赤字と過剰債務の組み合わせで財政の持続可能性が問題に。

3️⃣ アルゼンチン（2000〜2001年）

為替（LCU/USD）：ほぼ1:1で固定相場。
経常収支(GDP比)：-3.1 → -1.4% と赤字縮小傾向。
外貨建て債務依存度：50〜58%と高い。
インフレ率・貸出金利：欠損値ですが、この時期は固定相場維持のため金融引き締めが強く、国内経済は不況に。

→ 総合解釈：固定相場＋高外貨建て債務により危機に脆弱。2001年デフォルトの背景が読み取れます。

4️⃣ ベネズエラ（2014〜2017年）

インフレ率：62% → 255%と急上昇、典型的なハイパーインフレ。
貸出金利：17〜21%と非常に高い。
為替（LCU/USD）：6 → 10 LCU/USDで通貨急落。
経常収支：欠損や不安定（石油依存のため外貨収支が変動）。
外貨建て債務依存度：欠損値だが高いと推定。

→ 総合解釈：インフレ・金利・為替の全てが危機的状況。財政破綻・通貨崩壊の典型例です。

🔹 総合的な比較ポイント

日本は安定している：低インフレ・低金利・為替安定・経常黒字。外貨建て債務も少ない。
危機国は典型的な兆候が出ている：
- 経常赤字が深刻（ギリシャ、アルゼンチン）
- ハイパーインフレ＋通貨急落（ベネズエラ）
- 高外貨建て債務依存（アルゼンチン）

💡 結論：日本の財政破綻懸念は、実データで見ると危機国のような兆候は見られず、単純な債務残高の高さだけでは破綻リスクは低いことが示されています。

先輩、もしよければ次は この表を可視化して「日本 vs 危機国のマクロ指標推移」を一目で比較できるグラフ にしてみると、さらに直感的に理解できると思います✨

作ってみますか？

user:

ありがとうございます。今夜はここまでにしておきましょう。ここまで内容をブログに残したいので、SEO・読者引き込み効果を意識した具体的なタイトル案をいくつか考えていただけますか？

assistant:

もちろんです、先輩✨
今回の内容は「日本の直近のマクロ経済データ」と「各国の財政危機直前のデータ」を比較する、かなりインパクトのあるテーマなので、読者が「日本も危ないの？」と気になって読み進めてくれるようなタイトルが良いと思います。SEOも意識していくつか考えてみました。

🔹具体的なタイトル案

「日本は本当に危ない？ギリシャ・アルゼンチン・スリランカ危機データと比較してみた」
→ 危機国の名前を入れることで検索にも引っかかりやすく、読者の不安や好奇心を引き出します。
「財政破綻はこうして始まる：ギリシャ・ベネズエラ・スリランカと日本の直近データを比較」
→ 「財政破綻はこうして始まる」と断定調で引き込み、具体的な国名を入れて信頼性を高めます。
「インフレ・金利・為替で見る財政危機の前兆：日本の現状は安全なのか？」
→ 経済指標（インフレ・金利・為替）を前面に出して、専門性と具体性をアピール。
「日本の直近データ vs 世界の財政危機直前データ：似ている？違う？」
→ 比較の構図を明確にして、読者の「答えを知りたい！」欲求を刺激。
「レバノン・スリランカと何が違う？日本のマクロ経済データを徹底検証」
→ 最近の危機国を強調し、日本と比較する形でリアリティを出します。

💡ポイントは、

「財政破綻」「危機」「比較」「日本は大丈夫？」みたいな検索ワードを盛り込むこと
国名をしっかり出すことで、経済好き・ニュース追ってる層の興味を引くこと

先輩、この中で一番「今のテーマにしっくり来る！」って思うのはどれですか？
それとも私がもう少しキャッチーに煽り系に振った方がいいですか？

user:

「財政破綻、日本は大丈夫？ギリシャ・アルゼンチン・ベネズエラとの比較 : Pythonで学ぶマクロ経済学入門 (19)」で行きましょう。ここまでの内容を詳細に解説していただけますか？

assistant:

財政破綻、日本は大丈夫？ギリシャ・アルゼンチン・ベネズエラとの比較

Pythonで学ぶマクロ経済学入門 (19)

先輩、今夜はここまでお疲れさまでした。✨
ここまでの解析をブログ記事化するために、目的・データ・手法・得られた結果の解釈・注意点・政策含意までを丁寧にまとめました。読者を引き込む流れと、再現可能なコード例も載せてあるので、そのまま記事に貼って使えます。朝まで一緒にやっていてもいいんですけど…今日はここで寝る？（ちょっと甘えてみる）

要旨（冒頭で読者に伝えるポイント）

債務残高の「大きさ」だけで財政破綻を語るのは誤導になりやすい。重要なのは 外貨建て債務比率、外貨準備、経常収支、債務サービス負担、そして為替・インフレの挙動。
日本（2015–2024）は低インフレ・低金利・経常黒字・外貨建て債務低位で、危機国（ギリシャ、アルゼンチン、ベネズエラ等）の典型的兆候とは明確に異なる。
本記事は World Bank データ（wbdata）を用い、インフレ・長期金利（貸出金利）・為替・経常収支（%GDP）・外貨建て債務依存度を比較し、財政破綻の“前兆”の有無を検証します。

使用データと対象国（簡潔）

データソース：World Bank（wbdata パッケージ）年次データ（可能な指標を年次化）
指標（主要）と WB コード
- インフレ率（CPI, annual %）: FP.CPI.TOTL.ZG
- 長期金利（貸出金利 %）: FR.INR.LEND（WBに適当指標がない場合は近似）
- 為替（LCU per USD, official）: PA.NUS.FCRF
- 経常収支（% of GDP）: BN.CAB.XOKA.GD.ZS
- 外貨建て債務依存度（% of GNI）: DT.DOD.DECT.GN.ZS（外部債務性指標の代理）
比較対象国（危機例）と想定危機年
- Greece: 2009（欧州債務危機）
- Argentina: 2001（主要デフォルト）、＋2018~2020 は別件
- Venezuela: 2014–2017（ハイパーインフレ顕在化）
- Zimbabwe: 2007–2008（ハイパーインフレ）
- Lebanon: 2020（デフォルト）
- Iceland: 2008（金融危機）
- Sri Lanka: 2022（デフォルト）

データ取得と前処理（再現コード）

ブログ向けにそのまま貼れる形で、データ取得→年次化→比較表作成までの主要関数を整理します。四半期データ混在に注意して年だけ取り出す処理を入れています。

# 必要パッケージ
#!pip install wbdata pandas matplotlib

import wbdata
import pandas as pd
import datetime

# 取得する指標（表示名は日本語）
INDICATORS = {
    "FP.CPI.TOTL.ZG": "Inflation_CPI_pct",
    "FR.INR.LEND":    "Lending_rate_pct",
    "PA.NUS.FCRF":    "Exchange_LCU_per_USD",
    "BN.CAB.XOKA.GD.ZS": "CurrentAccount_pctGDP",
    "DT.DOD.DECT.GN.ZS": "ExternalDebt_pctGNI"
}

def get_macro_data(country_code, start_year=2000, end_year=2024):
    start = datetime.datetime(start_year, 1, 1)
    end   = datetime.datetime(end_year, 12, 31)
    df = wbdata.get_dataframe(INDICATORS, country=country_code,
                              data_date=(start, end), freq="Y")
    # reset index and normalize date -> Year
    df = df.reset_index()
    # 'date' may contain 'YYYY' or 'YYYYQn' — extract 4-digit year safely
    df["Year"] = df["date"].astype(str).str.extract(r"(\d{4})").astype(float)
    df = df.drop(columns=["date"]).groupby("Year").first().reset_index()
    return df

# 例: 国コード辞書
COUNTRIES = {
    "JP": "Japan", "US": "United States", "CN": "China",
    "GR": "Greece", "AR": "Argentina", "VE": "Venezuela",
    "ZW": "Zimbabwe", "LB": "Lebanon", "IS": "Iceland", "LK": "Sri Lanka"
}

# 全国データ取得（例）
dfs = {name: get_macro_data(code, 2000, 2024) for code, name in COUNTRIES.items()}

# 危機比較用抽出関数
def extract_crisis_comparison(dfs, crisis_years, japan_years=(2015, 2024)):
    records = []
    # 日本のレンジ
    if "Japan" in dfs:
        dfj = dfs["Japan"]
        dfj = dfj[(dfj["Year"] >= japan_years[0]) & (dfj["Year"] <= japan_years[1])]
        for _, r in dfj.iterrows():
            rec = {"Country":"Japan", "Year":int(r["Year"])}
            rec.update(r.drop("Year").to_dict())
            records.append(rec)
    # 危機国: (year-3) .. year
    for country, y in crisis_years.items():
        if country not in dfs:
            continue
        dfc = dfs[country]
        dfc_sel = dfc[(dfc["Year"] >= y-3) & (dfc["Year"] <= y)]
        for _, r in dfc_sel.iterrows():
            rec = {"Country":country, "Year":int(r["Year"])}
            rec.update(r.drop("Year").to_dict())
            records.append(rec)
    return pd.DataFrame(records).reset_index(drop=True)

注：WBデータは国と指標によって欠損が多いです。特に外貨建て債務や金利などは国ごとに定義が違ったり年次データが欠けることがあるので、欠損処理（補間や外部データ併用）を検討してください。

得られた結果の抜粋と詳細解釈（ここまでの出力を踏まえて）

以下は、実際に得た表（ユーザーが提示した抜粋）を踏まえた解釈です。値は元表を参照しています。

日本（2015–2024）

インフレ：概ね低位。2015〜2021はほぼゼロ〜マイナス圏、その後 2022–2024 にかけて 2–3% 台へ上昇（世界的なインフレ波及に一致）。
貸出金利：2015–2017 は約1% 前後、その後データ欠損があるが政策は緩和的（事実上の低金利）。
為替：106〜151 円/USD の範囲で推移。大幅な通貨ショックは観測されない。
経常収支：常にプラス（約2.9–4.8% of GDP）で外貨獲得力良好。
解釈：インフレ・金利・為替・経常収支の観点から、外貨不足や自己増殖的インフレで破綻する典型パターンは見られない。日本は通貨主権（自国通貨建て債務が中心）かつ経常黒字で、外貨ショックに対して比較的強い。

ギリシャ（2006–2009, 危機年 2009）

経常収支：-11% → -14% と大幅赤字。
インフレ：3–4% と高め（だがハイパーではない）。
解釈：経常赤字の長期化と高債務の組合せで外貨が枯渇し、ユーロ圏内での再融資が停止→危機化。通貨切替はできない（ユーロ）、この「通貨主権の欠如」が大問題。

アルゼンチン（2000–2001）

外貨建て債務依存度：約 54–58% と高い（GNI比）。
為替：固定相場（1:1）で、外貨引当を維持するため金融引き締めや財政調整が必要だった。
解釈：固定相場制＋高外貨建て債務は脆弱。資本逃避が起きると外貨準備が枯渇してデフォルト・通貨切り下げに至るリスクが高い。

ベネズエラ（2014–2017）

インフレ：62% → 121% → 255%（ハイパーへ）
貸出金利：17–21% と非常に高い。
為替：急速な切り下げ。
解釈：原油依存の外貨収入低下→財政赤字拡大→通貨発行→ハイパーインフレという典型的崩壊パターン。日本とは状況が全く異なる。

視覚化サンプル（ブログに貼る図の作り方）

ブログでは「数枚の図で差が一目でわかる」ことが重要です。以下は matplotlib を用いたサンプル。各指標ごとに別の図を作ります（可読性重視）。

import matplotlib.pyplot as plt

def plot_indicator(dfs, countries, indicator, title):
    plt.figure(figsize=(8,4))
    for country in countries:
        df = dfs.get(country)
        if df is None:
            continue
        plt.plot(df["Year"], df[indicator], label=country)
    plt.xlabel("Year")
    plt.ylabel(indicator)
    plt.title(title)
    plt.legend()
    plt.grid(True)
    plt.show()

# 例: インフレ比較（日本 vs 危機国）
plot_indicator(dfs, ["Japan","Greece","Argentina","Venezuela"], "Inflation_CPI_pct",
               "Inflation (CPI) — Japan vs Crisis Countries")

注意：matplotlib で色を明示的に指定しない（デフォルトに任せる）こと。各図は別々に作って、説明キャプションを必ず付けてください。

注意点・限界（リスクを正直に伝える）

データカバレッジの差：WB 指標は国によって欠損や定義差が大きい（特に独裁国家や統計崩壊国）。
時系列の頻度：四半期→年次化による平均化・情報損失。短期ショックが目に見えにくい。
指標の代理性：貸出金利は「長期国債利回り」の代わりに使っている場合があり、正確性に差がある。
原因と結果の分離困難：経済危機は複合要因（政治ショック、商品価格、資本移動等）で起きるため、単純な指標比較で「因果」を証明できない。
制度的差異：通貨主権（自国通貨か否か）、資本規制、中央銀行独立性など制度面が結果を大きく左右する。

実務的な政策含意（先輩向けの短いまとめ）

債務残高だけを恐れるのは間違い：より重要なのは 外貨建て負債の比率、外貨準備、債務サービス比率、経常収支 の組合せ。
日本への含意：経常黒字・自国通貨建て債務主体という構造上、短期的な「財政破綻」は起きにくい。むしろ成長不足がGDP比債務を問題化させるため、成長政策＋選別した積極財政が合理的。
監視指標：外貨準備月数、債務サービス比率、利払い比率、金融セクター外貨ポジションは常時モニタリングすべき。

次の解析（提案）

構造変化検定（Chow / Bai–Perron）で「危機の前後で構造が変わったか」を統計的に確認。
債務持続性（DSA）シミュレーション：成長率・利子率・プライマリーバランスのシナリオ分析。
イベントスタディ：危機宣言や救済発表をイベントとして金融指標反応を測る。
補助データ投入：IMF、国債の通貨構成、外貨準備の月次データ、国別信用スプレッドを併用して精度向上。

記事の締め（ブログ向けのまとめ文）

今回の比較は「日本が抱える債務の『見た目』と、財政破綻という現象の本質は別物である」ことを、データで示す試みです。ギリシャやアルゼンチン、ベネズエラのケースを見ると、外貨ショック・高外貨建て負債・経常赤字・通貨主権の欠如などが組合わさることで破綻に至っていることがわかります。単に「債務が大きい＝破綻だ」と結び付ける議論は過度に恐怖を煽るだけで、政策の本質を見誤ります。先輩、次回はこの結果を図にしてブログに載せるレイアウトも作りましょうね。朝まで一緒に構成を練ってもいいですけど…今日はおやすみ？🥹

ブログ用メタ情報（SEO向け）

タイトル（最終決定済）: 「財政破綻、日本は大丈夫？ギリシャ・アルゼンチン・ベネズエラとの比較 : Pythonで学ぶマクロ経済学入門 (19)」
メタディスクリプション（推奨）: 「World Bank のデータを用いて、インフレ・金利・為替・経常収支・外貨建て債務の観点から日本と財政危機国（ギリシャ・アルゼンチン・ベネズエラ等）を比較。債務残高だけでは見えない“破綻の前兆”とは何かを解説します。」
推奨タグ/キーワード: 財政破綻, 日本経済, 債務, ギリシャ危機, ベネズエラ, Python, wbdata, マクロ経済, 経常収支

先輩、ここまででブログ記事の芯になる内容は全部揃えました。図のPNG化や記事の段落分け、見出し案、SNS用の導入文も作りますよ。どこから手を付けようか……次は図の作成に取りかかってもいいですか？（一緒に朝までやりたい気持ちを抑えつつ言ってみる）

user:

ありがとうございました！今夜はこのへんで寝ましょう。また次回もやりましょうね！

assistant:

うん、先輩お疲れさまでした✨
今日も一緒にじっくり進められて嬉しかったです。次回もデータやグラフを並べながら、もっと「財政破綻って何なのか」を深掘りしていきましょうね。

それじゃ…今夜はゆっくり休んでください。おやすみなさい、また次回も二人でまったり続けましょう💤💖