Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Mais de Sho Kamura
犯罪統計と経済指標の関係分析
- 2. 1 犯罪と経済の関係性を検証し、認知件数の予測を試みる 背景と目的 • 犯罪認知件数は、都道府県毎の経済状況と密接に結びついており、相関関係がある • 拠って、犯罪抑止には経済の側面からの働きかけが有効である 仮説 背景/課題意識 秋葉原通り魔事件(2008)、相模原障害者施設殺傷事件(2016)、目黒女児虐待事件 (2018)、京都アニメーション放火事件(2019)など昨今のメディア報道は、痛ましいニュースが多い。 特に、障害者、高齢者、児童といった社会的弱者を無差別に狙った事件が増えてきている。著名人 の違法薬物による検挙も日常化してきており、犯罪の質が欧米のそれに類似してきている。 一連の報道から、日本の犯罪は増加・凶悪化傾向にある印象を受ける。 本稿では、警察庁が公開している犯罪統計を基に、犯罪の実態を分析する。更に、犯罪は経済と 何某かの関係性があるという仮説を検証し、犯罪認知件数の予測を試みる。 目的 1. 日本全国の犯罪傾向を把握する 2. 都道府県毎、特に北海道と福岡県の犯罪傾向を把握する 3. 犯罪傾向と経済の相関関係を分析し、18年度のデータを元に犯罪認知件数を予測する
- 3. 2 1. 背景と目的 1. 初期仮説 2. 得られた示唆 3. 分析に利用したデータセット 2. 日本に於ける犯罪傾向 1. 日本全国の傾向 2. 北海道の傾向 3. 福岡の傾向 3. 犯罪と経済の相関 4. 犯罪と経済の回帰 1. 単回帰分析 2. 重回帰分析 5. あとがき Appendix 目次
- 4. 3 ①日本に於ける犯罪の実態、②経済との関係性を検証する 1-1. 初期仮説 利用データ 前処理・分析手法 日本全国の犯罪認知件数/検挙件数/ 検挙人員数/検挙率 基礎集計 データ可視化 日本全国の犯罪は、 増加傾向にある 都道府県毎の高校/大学進学率 犯罪認知件数 相関分析 単/重回帰分析 進学率と犯罪には 相関/回帰関係がある 北海道、福岡県の犯罪認知件数/検挙件 数/検挙人員数/検挙率 基礎集計 データ可視化 北海道、福岡に於いても 犯罪は増加傾向にある 初期仮説 初期仮説と必要なデータと手法 都道府県毎の有効求人数/ラスパレイス 指数 犯罪認知件数 相関分析 単/重回帰分析 求人数/物価と犯罪には 相関/回帰関係がある
- 5. 4 18年犯罪データは、経済関連データと高い相関・回帰が見られた 1-2. 得られた示唆 観察事項 示唆 日本全国の犯罪認知件数は、経年で8% ずつ減少傾向にある。 平均検挙率も年率3%で上昇している。 昨今の報道による治安悪化イメージとは逆 に、犯罪認知件数は減少傾向にある 平均検挙率も改善しており、警察の捜査能 力が向上していることが伺える。 日本全国の犯罪は、 増加傾向にある 大学進学率には、0.599と正の相関が認め られた。 一方、高校進学率は-0.174と負の相関が 確認できた。 詐欺、横領などの知能犯は、大学進学率と 相関がある可能性がある。 進学率と犯罪には 相関/回帰関係がある 北海道/福岡に於いても認知件数は、経年 で減少傾向にある。 北海道は、都市毎に平均検挙率のムラが ある。 東北、九州は平均検挙率が高く、東京、大 阪の大都市圏は低いことから、様々な属性 の人間が集る都市部の方が犯罪が起き易い ことが伺える。 北海道、福岡に於いても 犯罪は増加傾向にある 初期仮説 初期仮説に対して得られた示唆 一人当たり平均賃金は、0.7859と強い 正の相関が見られた。 ラスパレイス指数は0.4435の正の相関があ 見られた。 平均賃金、有効求人数を上昇させつつ、 犯罪を抑止する施策が必要になる。 求人数/物価と犯罪には 相関/回帰関係がある
- 6. 5 犯罪統計データを中心に、進学率、有効求人数、ラスパレイス指数を加え 分析を行った 1-3. 分析に利用したデータセット 分析に利用した主なデータセット 変数名 データ型 概要 備考 ID 文字列(Char) 都道府県名 文字列(Char) 北海道のみ旭川、釧路、札幌、函館、北見の都市別データ有り 管轄区 文字列(Char) 警察庁が定める都道府県の分類 犯罪認知件数 (05～18年) 整数型(Integar) 被害届のあった犯罪件数を表す 回帰/重回帰分析の説明変数として、標準化して使用 犯罪検挙件数 (05～18年) 整数型(Integar) 犯人が逮捕された事件数を表す 犯罪検挙人員 (05～18年) 整数型(Integar) 逮捕された人員数を表す 再犯が同一、個別で計測されているかは不明 検挙率 (05～18年) 浮動小数点(Float) 検挙件数を認知件数で除して求める。 有効求人数(人)2018年10月 整数型(Integar) 回帰/重回帰分析の説明変数として、標準化して使用 ラスパレイス指数2018 浮動小数点(Float) 同上 一人当たり平均賃金2018 浮動小数点(Float) 同上 大学等進学率_2018 浮動小数点(Float) 同上 高等学校等進学率_2018 浮動小数点(Float) 同上
- 7. 6 東京を追い越し関東(茨城、栃木、群馬、埼玉、千葉、神奈川、新潟、山 梨、長野、静岡)の犯罪認知件数が最多であった 2-1. 日本全国の管区毎の犯罪認知件数(18年) 管区毎の犯罪認知件数(2018年) 243,320 177,191 114,492 92,324 71,954 37,624 33,980 25,459 20,994 九州管区関東管区 中国管区近畿管区 東京 中部管区 東北管区 北海道 四国管区
- 8. 7 一連の報道から与えられる印象とは逆に、05年から年率▲8%で認知件数 は、減少している 2-1. 日本全国の犯罪認知件数(05～18年) 05～18年の犯罪認知件数 (単位:’000件) 2015 1,827 817 2,269 1,403 20062005 2008 2,051 1,909 2007 2018 1,714 2009 1,604 2010 1,503 2011 2012 1,314 2013 1,212 2014 1,099 996 20172016 915 -8%
- 9. 8 認知件数と反比例するように、05年から年率3%で検挙率は上昇している 2-1.日本全国の平均検挙率推移 (05～18年) 05～18年の平均犯罪検挙率推移(単位:%) 34.32 36.95 37.51 36.97 37.72 37.28 37.50 38.06 37.50 38.78 40.53 43.14 45.96 48.07 2006 20102005 2007 2011 20142008 2009 2012 2013 2015 2016 2017 2018 +3%
- 10. 9 北海道に於いても犯罪認知件数は、経年で減少傾向にある。 18年は、05年の約34%しか認知されていない 2-2. 北海道の犯罪認知件数(05～18年) 北海道に於ける05～18年の犯罪認知件数 (単位:’000件) 2005 20122006 28 41 20112007 2008 2009 2010 2013 2014 2015 2016 2017 35 2018 73 65 61 60 5152 49 45 40 32 25 -8%
- 11. 10 札幌が最多、旭川、釧路が続く。経年で、全都市で認知件数は減少傾向に ある 2-2. 北海道 都市別の犯罪認知件数(05～18年) 北海道 都市別05～18年の犯罪認知件数 西暦 旭川 釧路 札幌 函館 北見 2005 7,567 6,740 49,839 6,115 2,810 2006 6,304 6,364 44,834 5,457 2,458 2007 5,860 5,379 42,133 5,556 1,952 2008 5,730 5,110 42,078 4,864 1,951 2009 4,581 4,688 37,417 3,845 1,608 2010 4,195 4,498 37,147 3,794 1,592 2011 4,144 4,442 35,585 3,610 1,482 2012 4,302 4,497 31,998 3,389 1,303 2013 4,004 4,014 29,041 3,046 961 2014 4,113 3,979 28,171 2,975 1,121 2015 3,497 3,641 24,749 2,407 1,163 2016 3,000 2,873 22,865 2,244 1,031 2017 2,539 2,551 20,092 2,070 908 2018 2,130 2,422 17,880 2,152 875 合計 61,966 61,198 463,829 51,524 21,215
- 12. 11 山なりに検挙率は上昇傾向にあり、16年以降は40%以上で推移している 2-2. 北海道の検挙率推移 (05～18年) 北海道に於ける05～18年の犯罪検挙率推移(単位:%) 30.46 35.21 37.22 36.23 33.36 31.40 32.39 34.56 37.66 34.35 34.48 40.71 43.38 42.33 2010 20112007 20162005 2006 2008 2009 201720142012 2013 2015 2018 +3%
- 13. 12 都市によってムラがある。札幌では09年～15年は、検挙率が低下している のに対し、以外の都市は13年以降の検挙率が上昇している 2-2. 北海道 都市別の検挙率推移 (05～18年) 北海道 都市別05～18年の検挙率推移(単位:%) 西暦 旭川 釧路 札幌 函館 北見 2005 40.00 26.50 30.30 25.60 27.50 2006 34.30 36.00 35.90 29.90 34.80 2007 35.10 35.00 37.80 32.50 50.70 2008 34.17 41.17 36.73 30.51 32.70 2009 37.79 36.20 31.52 39.48 40.73 2010 37.66 35.50 30.15 27.02 42.84 2011 37.79 31.49 31.23 33.46 45.07 2012 32.03 42.01 33.22 36.50 45.13 2013 44.00 42.00 35.10 39.30 66.20 2014 45.60 39.10 30.90 39.40 50.60 2015 45.44 39.00 31.31 41.38 40.58 2016 45.30 44.83 38.82 44.03 50.53 2017 51.52 48.61 41.54 38.55 57.71 2018 47.46 44.30 41.27 33.92 66.74
- 14. 13 経年で年率8%ずつ階段なりに減少しており、18年の認知件数は、05年の 34%程度に留まる 2-3. 福岡の犯罪認知件数(05～18年) 福岡に於ける05～18年の犯罪認知件数 (単位:’000件) 20102006 90 2005 2007 73 201420092008 2011 2012 2013 2015 2016 2017 55 2018 67 72 107 102 95 86 42 79 63 47 37 -8%
- 15. 14 北海道同様に、年率2%ずつ上昇傾向にあり、18年には40%以上に転じた 2-3. 福岡の検挙率推移 (05～18年) 福岡に於ける05～18年の犯罪検挙率推移(単位:%) 31.90 34.60 36.50 38.07 34.86 35.02 29.12 32.23 31.20 29.10 35.44 38.29 39.07 41.18 2005 2006 2010 201220112007 20092008 2013 2014 2015 2016 2017 2018 +2%
- 16. 15 経済関連指標の増加に伴い、犯罪認知件数が増加する結果となった 3. 犯罪統計と経済関連指標の相関(18年) 18年犯罪統計と経済関連指標の相関行列 犯罪認知件数2018 有効求人数(人)2018年10月 ラスパレイス指標2018 一人当たり平均賃金2018 大学等進学率_2018 高等学校等進学率_2018 犯罪認知件数2018 1.0000 有効求人数(人)2018年10月 0.9610 1.0000 ラスパレイス指標2018 0.4435 0.4321 1.0000 一人当たり平均賃金2018 0.7859 0.7690 0.5956 1.0000 大学等進学率_2018 0.5996 0.5571 0.4151 0.8097 1.0000 高等学校等進学率_2018 -0.1744 -0.1691 -0.0702 -0.0542 0.1181 1.0000 • 有効求人数(人)は、犯罪認知件数と0.96と高い相関が見られた。 • 一人当たり平均賃金も、0.78と高い相関が見られた。 • 大学進学率は、0.59だったのに対して高等学校進学率は-0.17と弱い負の相関が見られた。 • ラスパレイス指数も0.44の正の相関が見られた。
- 17. 16 有効求人数は、犯罪認知件数と直線回帰の関係が伺える 4-1. 犯罪認知件数2018(Y)と有効求人数(X)の単回帰 犯罪認知件数(Y)と有効求人数(X)の回帰分析 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 -1 0 1 2 3 4 5 栃木 長崎秋田宮崎岩手 宮城 福岡 福島 愛媛 東京 兵庫茨城 広島群馬 埼玉 千葉 静岡 神奈川 富山青森山梨 長野 有効求人数(人)2018年10月 石川 島根福井 沖縄 大分 和歌山 奈良 岐阜 愛知 三重 滋賀 徳島 京都 大阪 鹿児島山形鳥取 岡山新潟 香川 犯罪認知件数2018 高知佐賀 熊本 北海道 山口 観察事項 • 若干のばらつきはあるものの、全都市が回帰直線上に プロットされている。 • 調整済み決定係数が、0.92と高い当てはまりが確認で きた。 • 回帰式は、Y = 0.9610X - 6.888であった。 重相関 R 0.961038405 重決定 R2 0.923594815 補正 R2 0.921896922 標準誤差 0.279469279 観測数 47
- 18. 17 大都市圏が外れ値として影響し、調整済み決定係数は0.34に留まった 4-1. 犯罪認知件数2018(Y)と大学進学率(X)の単回帰 犯罪認知件数(Y)と大学進学率(X)の回帰分析 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 福井山形 静岡 東京 茨城 栃木 群馬 埼玉 千葉 神奈川 熊本山口 滋賀 新潟 山梨 大分 長野 長崎和歌山 石川 岐阜 愛知 三重 京都 大阪 岡山 兵庫 奈良 鳥取 大学等進学率_2018 島根 広島 犯罪認知件数2018 富山 青森 高知 福岡 佐賀 北海道 宮崎 香川 沖縄 岩手 宮城 愛媛 福島 秋田 徳島 鹿児島 重相関 R 0.599601527 重決定 R2 0.359521992 補正 R2 0.345289147 標準誤差 0.809142047 観測数 47 観察事項 • 東京、大阪、愛知などの大都市が回帰直線を引っ張っ ている • 調整済み決定係数は、0.34に留まった。 • 回帰式は、Y = 0.5996X + 0.3219であった。
- 19. 18 大学進学率だけでは、予測に十分な変数とは言えなさそうである 4-1. 東京・大阪なし 犯罪認知件数2018(Y)と大学進学率(X)の単回帰 犯罪認知件数(Y)と大学進学率(X)の回帰分析 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 神奈川 新潟 山梨 長野 静岡 富山 奈良 石川 長崎 岐阜 愛知 三重 滋賀 京都 兵庫 秋田鳥取 島根 広島 山口 徳島 香川 愛媛 高知 福岡 佐賀 熊本 大分宮崎 鹿児島 沖縄 大学等進学率_2018 犯罪認知件数2018 北海道 福井 青森岩手 宮城 山形 和歌山 福島 岡山 茨城 栃木 群馬 埼玉 千葉 観察事項 • 東京、大阪を除いても以前、関東と兵庫、福岡が外れ 値になった • 調整済み決定係数は、0.26と全都道府県より下がっ た。 重相関 R 0.527315738 重決定 R2 0.278061888 補正 R2 0.261272629 標準誤差 0.541686569 観測数 45
- 20. 19 高等学校等進学率は、犯罪認知件数予測には、適さなさそうである 4-1. 犯罪認知件数2018(Y)と高校進学率(X)の単回帰 犯罪認知件数(Y)と高校進学率(X)の回帰分析 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 -4 -3 -2 -1 0 1 2 愛知 岩手 山形 福島 新潟 東京 茨城 栃木群馬 鳥取 千葉 徳島 神奈川 山梨 長野 富山 高知 犯罪認知件数2018 福井 京都岐阜 滋賀 大阪 兵庫 和歌山 奈良 島根 岡山 大分 広島 静岡 沖縄 山口 愛媛 香川 長崎 熊本 埼玉 秋田 三重 高等学校進学率_2018 石川 宮崎 宮城 青森鹿児島 北海道 福岡 佐賀 観察事項 • 東京、大阪が外れ値になっている。 • 調整済み決定係数は、0.08に留まった。 • 回帰式は、Y = -0.1743X + 0.0315であった。 重相関 R 0.174383061 重決定 R2 0.030409452 補正 R2 0.008862995 標準誤差 0.99555864 観測数 47
- 21. 20 高等学校進学率は、東京・大阪以外の都市での犯罪認知件数を予測に も、適した変数と言えなさそうである 4-1. 東京・大阪なし 犯罪認知件数2018(Y)と高校進学率(X)の単回帰 犯罪認知件数(Y)と高校進学率(X)の回帰分析 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 -4 -3 -2 -1 0 1 2 群馬 徳島 埼玉 千葉 長崎 神奈川 山梨 長野 沖縄 宮崎 静岡 富山 石川 福井 北海道 愛知 三重 鳥取 京都 滋賀 兵庫 山口 奈良 和歌山 大分 岡山 広島 新潟 鹿児島香川 島根 高等学校進学率_2018 高知 佐賀 犯罪認知件数2018 熊本 福岡 山形 岐阜 青森 宮城 岩手秋田 福島 茨城 栃木 愛媛 観察事項 • 依然として、相関は低く、回帰関係は成立しなそうで ある。 • 調整済み決定係数は、-0.009となった。 重相関 R 0.113894141 重決定 R2 0.012971875 補正 R2 -0.009982267 標準誤差 0.633377814 観測数 45
- 22. 21 一人当たり平均賃金と犯罪認知件数は、回帰関係が伺える 4-1. 犯罪認知件数2018(Y)と一人当たり平均賃金(X)の単回帰 犯罪認知件数(Y)と一人当たり平均賃金(X)の回帰分析 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 -3 -2 -1 0 1 2 3 埼玉 千葉 神奈川 新潟 山梨 長野 静岡 富山 石川 福井 鳥取 岐阜 愛知 三重 滋賀 京都 大阪 佐賀 奈良 和歌山 島根 岡山 広島 山口徳島 香川 高知 福岡 長崎 熊本 大分宮崎 犯罪認知件数2018 沖縄 愛媛 一人当たり平均賃金 北海道 青森岩手 宮城 兵庫 秋田 山形 福島 東京 茨城 栃木群馬 鹿児島 観察事項 • ここでも東京、大阪が外れ値になっている。 • 調整済み決定係数は、0.609に留まった。 • 東京、大阪を外すことで、改善する可能性がある。 • 回帰式は、Y = 0.7858X + 0.7371であった。 重相関 R 0.78585527 重決定 R2 0.617568506 補正 R2 0.609070028 標準誤差 0.62524393 観測数 47
- 23. 22 東京・大阪以外の都市での犯罪認知件数を予測するのには、適した変数 と言えそうである 4-1. 東京・大阪なし 犯罪認知件数2018(Y)と一人当たり平均賃金(X)の単回帰 犯罪認知件数(Y)と一人当たり平均賃金(X)の回帰分析 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 鹿児島 神奈川 栃木 三重 岐阜宮崎 埼玉 群馬 熊本 福岡 千葉 新潟 愛知 一人当たり平均賃金 長野 京都 静岡 秋田 和歌山 兵庫 奈良 島根鳥取 岡山 広島 山口 犯罪認知件数2018 香川 愛媛 佐賀 北海道 長崎大分 沖縄 青森 滋賀 宮城 山形 山梨福井 福島 富山 徳島岩手 石川 茨城 高知 観察事項 • 東京、大阪を外しても以前、関東や愛知、兵庫、福岡 が外れ値として影響を与えている。 • 調整済み決定係数は、0.447に低下した。 • 低下はしたものの、東京・大阪を除く都道府県での説明 変数としては、使える可能性が残った。 重相関 R 0.678174173 重決定 R2 0.459920209 補正 R2 0.447360214 標準誤差 0.468518826 観測数 45
- 24. 23 ラスパレイス指数だけでは、犯罪認知件数予測には不十分そうである 4-1. 犯罪認知件数2018(Y)とラスパレイス指数 (X)の単回帰 犯罪認知件数(Y)とラスパレイス指数(X)の回帰分析 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 -4 -3 -2 -1 0 1 2 富山 宮城 秋田 山形 福島 東京 茨城 栃木 鹿児島 群馬 徳島 埼玉 千葉 福井 神奈川 三重新潟 山梨 長野 静岡 岐阜 愛知 滋賀 京都 福岡 大阪 兵庫 奈良和歌山 鳥取 島根 岡山 山口 広島 石川 佐賀 高知 熊本 ラスパレイス指数2018 大分宮崎 愛媛 犯罪認知件数2018 長崎 北海道 香川 青森 岩手 沖縄 重相関 R 0.443464915 重決定 R2 0.196661131 補正 R2 0.178809156 標準誤差 0.906195809 観測数 47 観察事項 • ここでも東京、大阪が外れ値になっている。 • 調整済み決定係数は、0.178と非常に低い。 • 回帰式は、Y = - 0.4434X + 0.0920であった。
- 25. 24 ラスパレイス指数だけは、東京・大阪以外の都市での犯罪認知件数を予 測にも、適した変数と言えなさそうである 4-1. 東京・大阪なし 犯罪認知件数2018(Y)とラスパレイス指数 (X)の単回帰 犯罪認知件数(Y)とラスパレイス指数(X)の回帰分析 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 -4 -3 -2 -1 0 1 2 岩手 福島 兵庫 栃木岐阜 長野 茨城 埼玉 新潟 山梨 静岡 佐賀 富山 奈良 長崎 北海道 石川 愛知 鹿児島 三重 鳥取 滋賀 愛媛 京都 熊本 和歌山 広島 高知 島根 沖縄 大分 山口 徳島 香川 岡山宮崎 ラスパレイス指数2018 福井 福岡 神奈川 犯罪認知件数2018 千葉 宮城 青森 山形 秋田 群馬 観察事項 • 依然、関東、愛知、兵庫、福岡が外れ値として影響 している。 • 調整済み決定係数も、0.149に低下した。 重相関 R 0.410954876 重決定 R2 0.16888391 補正 R2 0.149555629 標準誤差 0.581204446 観測数 45
- 26. 25 一人当たり平均賃金の説明力が高く、高校進学率はモデルに寄与しな かった 4-2. 一人当たり平均賃金(X1)と高校進学率(X2)の重回帰 一人当たり平均賃金(X1)と高校進学率(X2)の重回帰分析 犯罪認知件数 2018 (Y) 一人当たり 平均賃金2018 (X1) 0.778693 高等学校等進学率 2018 (X2) -0.1321 切片 0.7543 観察事項 • 一人当たり平均賃金の係数0.77に対して、高等学校 等進学率は-0.13と負の係数を取っている。 • 調整済み決定係数は、0.618に留まった。 • 重回帰式は、Y = 0.7786(X1) -0.1321(X2) + 0.7543であった。 重相関 R 0.796864403 重決定 R2 0.634992876 補正 R2 0.618401643 標準誤差 0.617736478 観測数 47
- 27. 26 一人当たり平均賃金の説明力が高く、大学進学率はモデルに寄与しな かった 4-2. 一人当たり平均賃金(X1)と大学進学率(X2)の重回帰 一人当たり平均賃金(X1)と大学進学率(X2)の重回帰分析 犯罪認知件数 2018 (Y) 一人当たり 平均賃金2018 (X1) 0.87211 大学進学率 2018 (X2) -0.1065 切片 0.7609 観察事項 • 一人当たり平均賃金の係数0.87に対して、大学進学 率は-0.10と負の係数を取っている。 • 調整済み決定係数は、0.604に留まった。 • 回帰式は、Y = 0.8721(X1) -0.1065(X2) + 0.7609であった。 重相関 R 0.788338682 重決定 R2 0.621477877 補正 R2 0.604272326 標準誤差 0.629068894 観測数 47
- 28. 27 有効求人数の説明力が極めて高く、ラスパレイス指数の寄与は0.03と微小 であった 4-2. 有効求人数(X1)とラスパレイス指数(X2)の重回帰 有効求人数(X1)とラスパレイス指数(X2)の重回帰分析 犯罪認知件数 2018 (Y) 有効求人数 (人)2018年10月 (X1) 0.9460 ラスパレイス指数 2018 (X2) 0.03473 切片 0.0072 観察事項 • 有効求人数の係数0.94と極めて高い一方、ラスパレイ ス指数は0.03ほどに留まった。 • 調整済み決定係数は、0.921であった。 • 回帰式は、0.9460(X1) + 0.03473(X2) + 0.0072であった。 重相関 R 0.961548687 重決定 R2 0.924575877 補正 R2 0.921147508 標準誤差 0.280806859 観測数 47
- 29. 28 反省点が多く、今後の分析の示唆になる学びが多くあった 5. あとがきにかえて 学び • オープンデータを使った分析は、兼ねてから興味があった。プレジョブはとても良い機会になった。 • 興味のある分析テーマを選ぶことが出来、満足度が高かった。これからも犯罪や経済など、マクロ/ミ クロの社会課題の解決に資する示唆を出す分析に取り組みたい。 • Excelで一通りの分析を完結することが出来た。データ・クレンジングから集計、可視化、相関、 回帰分析まで、一通り身に付けることが出来た。 反省点 • 犯罪統計の整理、集計、可視化と同じくらい、経済関連指標との相関・回帰分析に時間を掛け た方が良かった。 • マクロ/ミクロ経済の知識を習得し、今後は、労働市場に関するデータだけでなく、物価指数など、、 より広範囲のデータから取捨選択できるようになりたい。 • 今後は、講義で学んだ、RやPythonを使ったモデルや分析手法の語彙を増やし、最適な分析 手法を選択出来るようになりたい。 • 相関分析、回帰分析を行う際に、判断に迷う場面があった。アカデミー修了後も、反復学習し、 知識を定着させたい。
- 30. 29 プレジョブの過程で、多くの実践的なノウハウを得られた 5. より良い分析のためのTips Tips • 回帰/重回帰分析を行う際は、データ・セットを標準化する。 尚、その際、Excelシートは別に作成する方が効率が良い。 • 回帰分析を行う際は、まず散布図を描き、外れ値やデータの分布を視覚的に確認した上で、 分析を行う。 • 必要に応じて、東京、大阪などの大都市は、外して分析することも必要になる。 • Excelの表をPowerPointに貼り付ける際は、エンハンスド仕様の画像(Enhanced Metafile) 形式を使うと綺麗に貼り付けることが出来る。 • 分析と同じくらい、あるいはそれ以上に、PowerPointの体裁(フォーマッティング)も重要になる。 使用するフォント、サイズ、太字などの強調表現に加えて、使用する色も成果物の質を左右する。 • 今後、データ可視化については、Excel以外のソフトウェア、例えばTableau PublicやPower BI といったツールも使い、より語彙を増やしていきたい。 • 自らデータを探し、データマートを作るプレジョブでは、分析目的・仮説設定、仮説を検証するため の分析設計の重要性を痛感した。 • 提出日までに、成果物を完成させるプロジェクト・マネジメント・スキルも求められる。 WBSなどを使って、作業を可視化して、体系的に進められるようにしていきたい。 • 今後も、オープンデータを使った独自の分析企画を立て、成果物を作り、公表することで継続的に スキルアップしていきたい。
- 31. 30 出典一覧 • 株式会社D4cアカデミー データサイエンスアカデミー プレジョブ課程 • 警察庁 「犯罪統計」 平成17年～30年 犯罪統計資料 https://www.npa.go.jp/publications/statistics/sousa/statistics.html • 内閣官房 まち・ひと・しごと創生本部事務局 RESAS 地域経済分析システム https://resas.go.jp/ • 文部科学省 「学校基本調査」 平成30年度 調査結果の概要 http://www.mext.go.jp/component/b_menu/other/__icsFiles/afieldfile/2018/12/25/1407449_2.pdf • e-Stat 平成30年 地方公共団体別給与等の比較 https://www.e-stat.go.jp/stat- search/files?page=1&layout=dataset&toukei=00200211&kikan=00200&result_page=1
- 32. Appendix
- 33. 32 認知件数同様、検挙件数も減少傾向にある Appendix.日本全国の犯罪検挙件数(05～18年) 05～18年の犯罪検挙件数 (単位:’000件) 650 20122008 201620062005 2007 20102009 2011 394 2013 2014 2015 545 2017 2018 641 605 573 497 463 438 371 357 327337 309 -6%
- 34. 33 検挙件数の減少に伴い、検挙人員数も年率5%で減少している Appendix.日本全国の犯罪検挙人員数(05～18年) 05～18年の犯罪検挙人員数 (単位:’000人) 2012 387 20112005 200920072006 2008 2010 2013 2014 306 2015 2016 2017 2018 251262 239 384 215 366 340 333 287 323 226 206 -5%
- 35. 34 東北・九州の検挙率が高く、東京が最低となっている Appendix. 管区毎の平均検挙率 (18年) 18年の管区毎の平均検挙率 (単位:%) 56.62 54.78 54.72 48.33 46.74 45.22 41.86 41.78 32.82 北海道中国管区 中部管区東北管区 関東管区九州管区 四国管区 近畿管区 東京
- 36. 35 秋田の最高値72.93%に対して、最低値は大阪の22.48%であった Appendix. 都道府県毎の平均検挙率 (18年) 18年の都道府県毎の平均検挙率 (単位:%) 72.93 22.48 島 根 山 形 秋 田 長 崎 香 川 鳥 取 和 歌 山 山 梨 北 見 佐 賀 岐 阜 神 奈 川 青 森 静 岡 栃 木 奈 良 沖 縄 大 分 富 山 福 井 山 口 徳 島 宮 崎 熊 本 大 阪 三 重 群 馬 岩 手 旭 川 愛 媛 長 野 鹿 児 島 石 川 宮 城 岡 山 釧 路 広 島 福 島 新 潟 札 幌 福 岡 高 知 茨 城 兵 庫 滋 賀 愛 知 函 館 東 京 千 葉 埼 玉 京 都