2050年、その町から何分類が消えるか ── R001の式に将来推計人口を入れると、中央値で24分類減る [R005]

Abstract

R001 で求めた式(ある分類の数 = 134.93 × log10(人口) − 378.69、R² = 0.925)に、社人研の将来推計人口(令和5年推計)を入れて、2050年に市区町村にある産業小分類の数がどうなるかを計算した。式は単純で、人口が P0 から P1 に変われば Δ = 134.93 × log10(P1/P0)。人口が半分になれば −40.6分類、3割減れば −20.9分類になる。 対象1,876市区町村の人口は、2020年 124,902,873 人から 2050年 103,722,106 人へ −17.0%。だが市区町村ごとの2050年÷2020年の中央値は 0.664(−33.6%)で、341市区町村(18.2%)は半分以下になる。全国の合計で17%減るのに市区町村の中央値は33.6%減るのは、人口の多い市区町村ほど減り方が小さいためである。 式の上での増減は中央値 −24.0 分類。10分類以上減る市区町村が1,453(77.5%)、20分類以上が1,097(58.5%)、30分類以上が717(38.2%)、40分類以上が361(19.2%)で、増えるのは104(5.5%)だけである。減りが大きいのは群馬県南牧村 −80.8、熊本県球磨村 −77.3、奈良県野迫川村 −75.8、北海道歌志内市 −74.5、北海道夕張市 −71.8。増えるのは東京都中央区 +12.9、千葉県流山市 +11.1、東京都港区 +10.7。減る側はいまの分類が27〜124の小さい町、増える側は173〜455の都市部で、差が広がる向きに動く。 いまの分類の数に式の増減を足した見込みでは、中央値が213から188へ。50分類を下回る市区町村は37から179へ4.8倍になる。 釧路総合振興局管内は8市町村すべてで人口が3割以上減る。白糠町は0.39で −55.2分類(いま132→見込み77)、弟子屈町 −43.0、厚岸町 −42.0、釧路市も0.60で −30.2。管内合計は0.58、式の増減の中央値は −33.7 分類である。北海道は188市区町村の35.6%が半分以下になり(全国18.2%)、式の増減の中央値は −35.3 分類である。 この論文の位置づけ:新しい理論を主張するものではない。R001 で作った式に社人研の将来推計人口を入れて計算しただけである。式が2050年にも成り立つという前提を置いており、その前提は確かめていない。したがってこれは予測ではなく、「いまの関係がそのまま続くなら」という条件つきの計算である。通信販売・移動手段の変化・産業分類の改定は式に入っていない。福島県の13市町村は「浜通り地域」としてまとめられ個別の推計値が無いため対象外である。市区町村ごとの結果を CSV で付した。 作成にあたって:本稿の着想と内容は、著者自身の考察に基づくものです。文章の構成整理や英訳、集計に用いたスクリプトの作成には AI(大規模言語モデル)の助力を得ました。最終的な内容の解釈や誤りがあれば、それらはすべて著者の責に帰します。お気づきの点があれば、ご教示いただければ幸いです。 ----- I fed the projected population published by the National Institute of Population and Social Security Research (2023 projection) into the equation obtained in R001 — subcategories present = 134.93 log10(population) − 378.69, R² = 0.925 — to compute how many industrial subcategories each municipality would have in 2050. The arithmetic is simple: if population moves from P0 to P1, the change is 134.93 log10(P1/P0). Halving the population costs 40.6 subcategories; a 30% fall costs 20.9. Across the 1,876 municipalities covered, population falls from 124,902,873 in 2020 to 103,722,106 in 2050, −17.0%. But the median municipal ratio is 0.664 (−33.6%), and 341 municipalities (18.2%) fall to half or below. The national total falls 17% while the municipal median falls 33.6%, because the larger municipalities fall by less. The change implied by the equation has a median of −24.0 subcategories. 1,453 municipalities (77.5%) lose ten or more, 1,097 (58.5%) twenty or more, 717 (38.2%) thirty or more and 361 (19.2%) forty or more; only 104 (5.5%) gain. The largest falls are Nanmoku in Gunma −80.8, Kuma in Kumamoto −77.3, Nosegawa in Nara −75.8, Utashinai in Hokkaido −74.5 and Yubari in Hokkaido −71.8; the largest gains are Chuo in Tokyo +12.9, Nagareyama in Chiba +11.1 and Minato in Tokyo +10.7. Those losing are small towns with 27 to 124 subcategories today and those gaining urban areas with 173 to 455, so the movement widens the gap. Adding the implied change to today's count moves the median from 213 to 188, and the number of municipalities below 50 subcategories from 37 to 179, a 4.8-fold increase. In the Kushiro Subprefecture all eight municipalities lose at least 30% of their population. Shiranuka falls to 0.39 and loses 55.2 subcategories (132 today, 77 projected), Teshikaga −43.0, Akkeshi −42.0, and even Kushiro City at 0.60 loses 30.2. The subprefecture falls to 0.58 with a median change of −33.7. In Hokkaido, 35.6% of 188 municipalities fall to half or below (nationally 18.2%), with a median change of −35.3. Scope of this paper: no new theory is claimed. It puts IPSS projected population into the equation obtained in R001 and computes the result. It assumes the equation holds in 2050, and that assumption is not tested. It is therefore not a forecast but a conditional calculation: “if the present relationship continues.” Mail order, changes in transport and revisions to the industrial classification are not in the equation. The thirteen Fukushima municipalities are projected only as a combined area and are excluded. Municipal results are attached as a CSV. Acknowledgement: The ideas and content of this paper stem from the author's own considerations. Assistance from an AI (a large language model) was used for structuring, English translation, and writing the scripts used for the tabulation. Any remaining errors or misinterpretations are solely the author's. Feedback and corrections are sincerely appreciated.