""" 教育用再現コード: 2022年 統計データ分析コンペティション 審査員奨励賞 [大学生・一般の部] ================================================================= 論文タイトル：東日本大震災後の避難生活と健康影響 受賞：審査員奨励賞（大学生・一般の部） 【分析概要】 データ：SSDSE-B-2026.csv（都道府県別データ, 2012〜2023年度） 対象：東北3県（岩手・宮城・福島）vs その他44都道府県 方法：時系列分析、断絶時系列（ITS: Interrupted Time Series）的アプローチ、 地域差比較 分析軸 ・保健医療費（二人以上の世帯）の時系列推移：東北 vs 全国平均 ・東北3県の人口変化率（転入−転出差）の推移 ・一般病院数の変化：東北 vs 全国 ・転出率 vs 保健医療費の散布図（東北強調） 【期間区分】 早期復興期（被災直後）：2012〜2014年度 回復期 ：2019〜2023年度 ※ SSDSE-Bの収録開始は2012年度のため、2012-2014を震災直後の参照期間とする 【データ出典】 SSDSE-B-2026.csv: 社会・人口統計体系（都道府県別データ） 統計センターより公表の実データ 【データサイエンス学習ポイント】 1. 時系列データにおける視覚的断絶時系列分析 2. 地域差比較（東北3県 vs 全国平均） 3. パネルデータの整形と集計 4. 散布図による多変量関係の可視化 ================================================================= """ # ============================================================ # 【データの準備】実行前に以下のデータファイルを用意してください # # 必要ファイル: # ・SSDSE-B-2026.csv # → data/raw/SSDSE-B-2026.csv に配置 # # ダウンロード先: # https://www.nstac.go.jp/use/literacy/ssdse/ # （SSDSE-B（社会・人口統計体系 都道府県データ） の CSV をダウンロード） # # フォルダ配置（プロジェクトルートからの相対パス）: # code/ ← このスクリプトの場所 # data/raw/ ← CSV ファイルをここに配置 # html/figures/ ← 図の出力先（自動生成） # # 実行方法（ファイルを一切編集せず実行可能）: # python3 code/2022_U5_2_shorei.py # ============================================================ import pandas as pd import matplotlib matplotlib.use('Agg') import matplotlib.pyplot as plt import numpy as np import warnings warnings.filterwarnings('ignore') # ────────────────────────────────────────────────────────────── # 共通設定 # ────────────────────────────────────────────────────────────── plt.rcParams['font.family'] = 'Hiragino Sans' plt.rcParams['axes.unicode_minus'] = False plt.rcParams['figure.dpi'] = 150 import os FIG_DIR = 'html/figures' DATA_B = 'data/raw/SSDSE-B-2026.csv' os.makedirs(FIG_DIR, exist_ok=True) # ================================================================ # ■ 実データ読み込み（SSDSE-B-2026: 都道府県別パネルデータ） # ================================================================ df_b = pd.read_csv(DATA_B, encoding='cp932', header=1) df_b = df_b[df_b['地域コード'].str.match(r'^R\d{5}$', na=False)].copy() # 数値変換 num_cols = [ '総人口', '保健医療費（二人以上の世帯）', '消費支出（二人以上の世帯）', '一般病院数', '転出者数（日本人移動者）', '転入者数（日本人移動者）', ] for c in num_cols: df_b[c] = pd.to_numeric(df_b[c], errors='coerce') # 東北3県フラグ TOHOKU_CODES = ['R03000', 'R04000', 'R07000'] TOHOKU_NAMES = {'R03000': '岩手県', 'R04000': '宮城県', 'R07000': '福島県'} df_b['東北フラグ'] = df_b['地域コード'].isin(TOHOKU_CODES) # 東北3県・その他に分割 df_tohoku = df_b[df_b['東北フラグ']].copy() df_other = df_b[~df_b['東北フラグ']].copy() years = sorted(df_b['年度'].unique()) print("=" * 60) print("■ データ概要") print("=" * 60) print(f" 総観測数: {len(df_b)} 行 ({df_b['都道府県'].nunique()} 都道府県 × {len(years)} 年度)") print(f" 期間 : {years[0]}〜{years[-1]} 年度") print(f" 東北3県 : {', '.join(TOHOKU_NAMES.values())}") print(f" その他 : {df_b['都道府県'].nunique() - 3} 都道府県") print() # ── 各年度の集計 ──────────────────────────────────────────────── def yearly_stats(df, col): """年度ごとに集計（平均）""" return df.groupby('年度')[col].mean() # 東北3県の年度別平均 tohoku_health = yearly_stats(df_tohoku, '保健医療費（二人以上の世帯）') tohoku_hosp = yearly_stats(df_tohoku, '一般病院数') tohoku_pop = yearly_stats(df_tohoku, '総人口') # 全国平均（東北含む47都道府県平均） nation_health = yearly_stats(df_b, '保健医療費（二人以上の世帯）') nation_hosp = yearly_stats(df_b, '一般病院数') # その他44都道府県の年度別平均 other_health = yearly_stats(df_other, '保健医療費（二人以上の世帯）') other_hosp = yearly_stats(df_other, '一般病院数') # ── 人口変化率（転入−転出）: 東北3県個別 ──────────────────────── def net_migration_rate(df): """転入超過数 / 総人口 × 1000（千人あたり）""" g = df.groupby('年度') net = g['転入者数（日本人移動者）'].mean() - g['転出者数（日本人移動者）'].mean() pop = g['総人口'].mean() return (net / pop * 1000) net_rate = {} for code in TOHOKU_CODES: df_pref = df_b[df_b['地域コード'] == code] net_move = df_pref['転入者数（日本人移動者）'] - df_pref['転出者数（日本人移動者）'] rate = (net_move / df_pref['総人口'] * 1000).values net_rate[TOHOKU_NAMES[code]] = pd.Series(rate, index=df_pref['年度'].values) # ── 期間統計サマリ ─────────────────────────────────────────────── early_yrs = [2012, 2013, 2014] recovery_yrs = [2019, 2020, 2021, 2022, 2023] print(" 【保健医療費（二人以上の世帯）年度別平均（円）】") print(f" {'年度':<8} {'東北3県':>10} {'全国平均':>10} {'差':>10}") print(" " + "-" * 42) for yr in years: t_val = tohoku_health.get(yr, float('nan')) n_val = nation_health.get(yr, float('nan')) diff = t_val - n_val marker = " ←早期" if yr in early_yrs else " ←回復" if yr in recovery_yrs else "" print(f" {yr:<8} {t_val:>10,.0f} {n_val:>10,.0f} {diff:>+10,.0f}{marker}") print() # ================================================================ # ■ 図の生成（4枚） # ================================================================ # 色設定 COLOR_IWATE = '#1565C0' # 岩手：青 COLOR_MIYAGI = '#2E7D32' # 宮城：緑 COLOR_FUKUSHIMA = '#E65100' # 福島：オレンジ COLOR_NATION = '#9E9E9E' # 全国平均：グレー COLOR_OTHER = '#BDBDBD' # その他：薄グレー SHADE_EARLY = '#FFF9C4' # 早期復興期（黄） SHADE_RECOVER = '#E8F5E9' # 回復期（緑） # ──────────────────────────────────────────────────────────────── # 図1: 保健医療費の時系列（東北3県 vs 全国平均） # ──────────────────────────────────────────────────────────────── fig1, ax1 = plt.subplots(figsize=(11, 6)) # 期間帯シェーディング ax1.axvspan(2011.7, 2014.3, color=SHADE_EARLY, alpha=0.7, label='早期復興期（2012-2014）', zorder=0) ax1.axvspan(2018.7, 2023.3, color=SHADE_RECOVER, alpha=0.7, label='回復期（2019-2023）', zorder=0) # 東北3県個別 for code, color in zip(TOHOKU_CODES, [COLOR_IWATE, COLOR_MIYAGI, COLOR_FUKUSHIMA]): df_pref = df_b[df_b['地域コード'] == code].sort_values('年度') ax1.plot(df_pref['年度'], df_pref['保健医療費（二人以上の世帯）'], color=color, linewidth=2.5, marker='o', markersize=5, label=TOHOKU_NAMES[code], zorder=3) # 全国平均 ax1.plot(nation_health.index, nation_health.values, color=COLOR_NATION, linewidth=2.0, linestyle='--', marker='s', markersize=4, label='全国平均（47都道府県）', zorder=2) ax1.set_xlabel('年度', fontsize=12) ax1.set_ylabel('保健医療費（円 / 月 / 世帯）', fontsize=12) ax1.set_title('保健医療費の時系列推移：東北3県 vs 全国平均\n' '（SSDSE-B 2012〜2023年度, 二人以上世帯）', fontsize=13, fontweight='bold') ax1.set_xticks(years) ax1.legend(fontsize=10, loc='upper left') ax1.grid(True, alpha=0.3, axis='y') ax1.yaxis.set_major_formatter(plt.FuncFormatter(lambda x, _: f'{x:,.0f}')) plt.tight_layout() fig1.savefig(os.path.join(FIG_DIR, '2022_U5_2_fig1_ts_health.png'), bbox_inches='tight', dpi=150) plt.close(fig1) print("図1保存: 2022_U5_2_fig1_ts_health.png") # ──────────────────────────────────────────────────────────────── # 図2: 東北3県の人口変化率（転入−転出差） # ──────────────────────────────────────────────────────────────── fig2, ax2 = plt.subplots(figsize=(11, 6)) ax2.axvspan(2011.7, 2014.3, color=SHADE_EARLY, alpha=0.7, label='早期復興期（2012-2014）', zorder=0) ax2.axvspan(2018.7, 2023.3, color=SHADE_RECOVER, alpha=0.7, label='回復期（2019-2023）', zorder=0) ax2.axhline(0, color='black', linewidth=1.0, linestyle='-', alpha=0.5) for pref, color in zip(['岩手県', '宮城県', '福島県'], [COLOR_IWATE, COLOR_MIYAGI, COLOR_FUKUSHIMA]): s = net_rate[pref].sort_index() ax2.plot(s.index, s.values, color=color, linewidth=2.5, marker='o', markersize=5, label=pref, zorder=3) ax2.fill_between(s.index, s.values, 0, color=color, alpha=0.12, zorder=1) ax2.set_xlabel('年度', fontsize=12) ax2.set_ylabel('転入超過率（人 / 千人）', fontsize=12) ax2.set_title('東北3県の人口移動：転入超過率の推移\n' '（転入者数 − 転出者数） / 総人口 × 1000', fontsize=13, fontweight='bold') ax2.set_xticks(years) ax2.legend(fontsize=10, loc='upper right') ax2.grid(True, alpha=0.3, axis='y') # 2012年の値にラベル付与 for pref, color, code in zip(['岩手県', '宮城県', '福島県'], [COLOR_IWATE, COLOR_MIYAGI, COLOR_FUKUSHIMA], TOHOKU_CODES): s = net_rate[pref].sort_index() ax2.annotate(f'{s.iloc[0]:+.1f}', xy=(s.index[0], s.iloc[0]), xytext=(-18, 8), textcoords='offset points', fontsize=8.5, color=color, fontweight='bold') plt.tight_layout() fig2.savefig(os.path.join(FIG_DIR, '2022_U5_2_fig2_population.png'), bbox_inches='tight', dpi=150) plt.close(fig2) print("図2保存: 2022_U5_2_fig2_population.png") # ──────────────────────────────────────────────────────────────── # 図3: 病院数の変化（東北3県 vs 全国平均、インデックス化） # ──────────────────────────────────────────────────────────────── fig3, (ax3a, ax3b) = plt.subplots(1, 2, figsize=(13, 6)) fig3.suptitle('一般病院数の変化：東北3県 vs 全国\n（SSDSE-B 2012〜2023年度）', fontsize=13, fontweight='bold') # --- 左パネル: 実数値（東北3県個別） --- ax3a.axvspan(2011.7, 2014.3, color=SHADE_EARLY, alpha=0.6, zorder=0) ax3a.axvspan(2018.7, 2023.3, color=SHADE_RECOVER, alpha=0.6, zorder=0) for code, color in zip(TOHOKU_CODES, [COLOR_IWATE, COLOR_MIYAGI, COLOR_FUKUSHIMA]): df_pref = df_b[df_b['地域コード'] == code].sort_values('年度') ax3a.plot(df_pref['年度'], df_pref['一般病院数'], color=color, linewidth=2.5, marker='o', markersize=5, label=TOHOKU_NAMES[code], zorder=3) ax3a.set_xlabel('年度', fontsize=11) ax3a.set_ylabel('一般病院数（施設）', fontsize=11) ax3a.set_title('東北3県の一般病院数', fontsize=11, fontweight='bold') ax3a.set_xticks(years) ax3a.legend(fontsize=10) ax3a.grid(True, alpha=0.3, axis='y') # --- 右パネル: 2012年基準のインデックス（東北 vs 全国） --- ax3b.axvspan(2011.7, 2014.3, color=SHADE_EARLY, alpha=0.6, zorder=0) ax3b.axvspan(2018.7, 2023.3, color=SHADE_RECOVER, alpha=0.6, zorder=0) ax3b.axhline(100, color='black', linewidth=1.0, linestyle='--', alpha=0.5) # 東北3県の合計をインデックス化 tohoku_hosp_sum = df_tohoku.groupby('年度')['一般病院数'].sum() nation_hosp_sum = df_b.groupby('年度')['一般病院数'].sum() other_hosp_sum = df_other.groupby('年度')['一般病院数'].sum() base_yr = 2012 t_idx = tohoku_hosp_sum / tohoku_hosp_sum[base_yr] * 100 n_idx = nation_hosp_sum / nation_hosp_sum[base_yr] * 100 o_idx = other_hosp_sum / other_hosp_sum[base_yr] * 100 ax3b.plot(t_idx.index, t_idx.values, color='#C62828', linewidth=2.5, marker='o', markersize=5, label='東北3県（合計）', zorder=3) ax3b.plot(n_idx.index, n_idx.values, color=COLOR_NATION, linewidth=2.0, linestyle='--', marker='s', markersize=4, label='全国（47都道府県合計）', zorder=2) ax3b.plot(o_idx.index, o_idx.values, color=COLOR_OTHER, linewidth=1.5, linestyle=':', marker='^', markersize=4, label='東北以外（44都道府県合計）', zorder=2) ax3b.set_xlabel('年度', fontsize=11) ax3b.set_ylabel('病院数インデックス（2012年=100）', fontsize=11) ax3b.set_title('病院数インデックス（2012年基準）', fontsize=11, fontweight='bold') ax3b.set_xticks(years) ax3b.legend(fontsize=9) ax3b.grid(True, alpha=0.3, axis='y') plt.tight_layout() fig3.savefig(os.path.join(FIG_DIR, '2022_U5_2_fig3_hospital.png'), bbox_inches='tight', dpi=150) plt.close(fig3) print("図3保存: 2022_U5_2_fig3_hospital.png") # ──────────────────────────────────────────────────────────────── # 図4: 転出率 vs 保健医療費 散布図（東北3県強調） # ──────────────────────────────────────────────────────────────── # 全都道府県・全年度のデータを使用（2012〜2023） fig4, (ax4a, ax4b) = plt.subplots(1, 2, figsize=(14, 6)) fig4.suptitle('転出率 vs 保健医療費：東北3県 vs その他\n' '（SSDSE-B 全47都道府県, 2012〜2023年度）', fontsize=13, fontweight='bold') # 転出率（%）= 転出者数 / 総人口 × 100 df_b['転出率'] = df_b['転出者数（日本人移動者）'] / df_b['総人口'] * 100 # 左パネル: 早期復興期（2012-2014） df_early = df_b[df_b['年度'].isin(early_yrs)].dropna( subset=['転出率', '保健医療費（二人以上の世帯）']) df_early_other = df_early[~df_early['東北フラグ']] df_early_tohoku = df_early[df_early['東北フラグ']] ax4a.scatter(df_early_other['転出率'], df_early_other['保健医療費（二人以上の世帯）'], color=COLOR_OTHER, s=25, alpha=0.4, label='その他44都道府県', zorder=2) # 東北3県を個別プロット（強調） for code, color in zip(TOHOKU_CODES, [COLOR_IWATE, COLOR_MIYAGI, COLOR_FUKUSHIMA]): df_pref = df_early[df_early['地域コード'] == code] ax4a.scatter(df_pref['転出率'], df_pref['保健医療費（二人以上の世帯）'], color=color, s=120, alpha=0.9, zorder=5, label=TOHOKU_NAMES[code], edgecolors='white', linewidth=0.5, marker='D') # ラベル（都道府県名を点の右側に） for _, row in df_pref.iterrows(): ax4a.annotate(f"{row['都道府県']}\n({int(row['年度'])})", xy=(row['転出率'], row['保健医療費（二人以上の世帯）']), xytext=(5, 0), textcoords='offset points', fontsize=7, color=color, alpha=0.85) ax4a.set_xlabel('転出率（%）', fontsize=11) ax4a.set_ylabel('保健医療費（円 / 月 / 世帯）', fontsize=11) ax4a.set_title('早期復興期（2012〜2014年度）', fontsize=11, fontweight='bold') ax4a.legend(fontsize=9, loc='upper right') ax4a.grid(True, alpha=0.3) ax4a.yaxis.set_major_formatter(plt.FuncFormatter(lambda x, _: f'{x:,.0f}')) # 右パネル: 回復期（2019-2023） df_recov = df_b[df_b['年度'].isin(recovery_yrs)].dropna( subset=['転出率', '保健医療費（二人以上の世帯）']) df_recov_other = df_recov[~df_recov['東北フラグ']] df_recov_tohoku = df_recov[df_recov['東北フラグ']] ax4b.scatter(df_recov_other['転出率'], df_recov_other['保健医療費（二人以上の世帯）'], color=COLOR_OTHER, s=25, alpha=0.4, label='その他44都道府県', zorder=2) for code, color in zip(TOHOKU_CODES, [COLOR_IWATE, COLOR_MIYAGI, COLOR_FUKUSHIMA]): df_pref = df_recov[df_recov['地域コード'] == code] ax4b.scatter(df_pref['転出率'], df_pref['保健医療費（二人以上の世帯）'], color=color, s=120, alpha=0.9, zorder=5, label=TOHOKU_NAMES[code], edgecolors='white', linewidth=0.5, marker='D') for _, row in df_pref.iterrows(): ax4b.annotate(f"{row['都道府県']}\n({int(row['年度'])})", xy=(row['転出率'], row['保健医療費（二人以上の世帯）']), xytext=(5, 0), textcoords='offset points', fontsize=7, color=color, alpha=0.85) ax4b.set_xlabel('転出率（%）', fontsize=11) ax4b.set_ylabel('保健医療費（円 / 月 / 世帯）', fontsize=11) ax4b.set_title('回復期（2019〜2023年度）', fontsize=11, fontweight='bold') ax4b.legend(fontsize=9, loc='upper right') ax4b.grid(True, alpha=0.3) ax4b.yaxis.set_major_formatter(plt.FuncFormatter(lambda x, _: f'{x:,.0f}')) plt.tight_layout() fig4.savefig(os.path.join(FIG_DIR, '2022_U5_2_fig4_scatter.png'), bbox_inches='tight', dpi=150) plt.close(fig4) print("図4保存: 2022_U5_2_fig4_scatter.png") # ================================================================ # ■ 数値サマリ出力 # ================================================================ print() print("=" * 60) print("■ 期間別サマリ統計") print("=" * 60) print() print(" 【早期復興期 (2012-2014) vs 回復期 (2019-2023)】") print(" 保健医療費（東北3県平均, 円）:") early_val = df_b[df_b['年度'].isin(early_yrs) & df_b['東北フラグ']]['保健医療費（二人以上の世帯）'].mean() recover_val = df_b[df_b['年度'].isin(recovery_yrs) & df_b['東北フラグ']]['保健医療費（二人以上の世帯）'].mean() print(f" 早期復興期: {early_val:,.0f}円") print(f" 回復期 : {recover_val:,.0f}円") print(f" 変化率 : {(recover_val-early_val)/early_val*100:+.1f}%") print() print(" 転入超過率（東北3県平均, 人/千人）:") for pref in ['岩手県', '宮城県', '福島県']: s = net_rate[pref].sort_index() e_val = s[s.index.isin(early_yrs)].mean() r_val = s[s.index.isin(recovery_yrs)].mean() print(f" {pref}: 早期 {e_val:+.2f} → 回復 {r_val:+.2f} (人/千人)") print() print(" 一般病院数（東北3県合計）:") print(f" 2012年: {tohoku_hosp_sum[2012]:.0f} 施設") print(f" 2023年: {tohoku_hosp_sum[2023]:.0f} 施設") print(f" 変化 : {tohoku_hosp_sum[2023]-tohoku_hosp_sum[2012]:+.0f} 施設") print() print("全図の生成完了（4枚）") print(" 2022_U5_2_fig1_ts_health.png : 保健医療費の時系列（東北3県 vs 全国平均）") print(" 2022_U5_2_fig2_population.png : 東北3県の人口変化率（転入超過率）") print(" 2022_U5_2_fig3_hospital.png : 病院数の変化（東北 vs 全国）") print(" 2022_U5_2_fig4_scatter.png : 転出率 vs 保健医療費 散布図（東北強調）")