<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet href="/feed.rss.xml" type="text/xsl" media="screen"?>
<rss version="2.0" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:media="http://search.yahoo.com/mrss/" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>松浦孝征</title>
    <description>公的データ（e-Stat など）を使った分析と、再現できるコードを公開しています。これまでに100本以上、因果推論（差の差・合成コントロール・ダブル機械学習）、時系列予測、ベイズモデル、人口・死亡率のモデルなどを扱ってきました。数学修士・統計検定2級。損害保険会社の保険数理グループで統計解析を担当したあと、金融系システムの開発（C#・SQL Server・Azure）に従事しています。Kaggle にも参加しています。</description>
    <link>https://speakerdeck.com/takayuki0127</link>
    <atom:link rel="self" type="application/rss+xml" href="https://speakerdeck.com/takayuki0127.rss"/>
    <lastBuildDate>2026-11-06 17:36:24 -0500</lastBuildDate>
    <item>
      <title>将来人口の推計は、自分で再現できるか？ コーホート要因法で社人研の推計をつくり直し、2025年国勢調査で答え合わせする</title>
      <description>社人研「日本の地域別将来推計人口」の公表の仮定値を使って推計を自分のコードで再現し（2050年の値は93%の地域で0.1%以内の差）、2025年国勢調査で答え合わせしました。2023年推計の市区町村の誤差は平均1.80%で、小さい町ほど外れやすく、移動の仮定しだいで2050年の全国の人口は大きく動きます。

note：https://note.com/takayukimatsuura/n/n0b617dbec25e
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F45_population_projection</description>
      <media:content url="https://files.speakerdeck.com/presentations/6450d7289cc84dd4abb58afbd9565e8a/preview_slide_0.jpg?41399290" type="image/jpeg" medium="image"/>
      <content:encoded>社人研「日本の地域別将来推計人口」の公表の仮定値を使って推計を自分のコードで再現し（2050年の値は93%の地域で0.1%以内の差）、2025年国勢調査で答え合わせしました。2023年推計の市区町村の誤差は平均1.80%で、小さい町ほど外れやすく、移動の仮定しだいで2050年の全国の人口は大きく動きます。

note：https://note.com/takayukimatsuura/n/n0b617dbec25e
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F45_population_projection</content:encoded>
      <pubDate>Mon, 16 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/33-population-projection</link>
      <guid>https://speakerdeck.com/takayuki0127/33-population-projection</guid>
    </item>
    <item>
      <title>金利が上がると、何か月後に何が動くのか？ VAR と局所射影で同じ金利ショックを追って比べる</title>
      <description>1985〜2008年の日本で、短期金利が「予想外に」0.25%ポイント上がったときの生産・物価・失業率・ドル円の動きを、VAR と局所射影の2つの手法で推定して比べました。生産がはっきり下がったのは局所射影の36か月後（−0.75%）だけで、物価はむしろ上がり、2つの手法の答えはそろいませんでした。

note 記事：https://note.com/takayukimatsuura/n/na37a727cd65b
コードとデータ（GitHub）：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F43_local_projections</description>
      <media:content url="https://files.speakerdeck.com/presentations/ee922137e53b42f899cd60f51d681bc5/preview_slide_0.jpg?41385699" type="image/jpeg" medium="image"/>
      <content:encoded>1985〜2008年の日本で、短期金利が「予想外に」0.25%ポイント上がったときの生産・物価・失業率・ドル円の動きを、VAR と局所射影の2つの手法で推定して比べました。生産がはっきり下がったのは局所射影の36か月後（−0.75%）だけで、物価はむしろ上がり、2つの手法の答えはそろいませんでした。

note 記事：https://note.com/takayukimatsuura/n/na37a727cd65b
コードとデータ（GitHub）：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F43_local_projections</content:encoded>
      <pubDate>Sun, 15 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/32-local-projections</link>
      <guid>https://speakerdeck.com/takayuki0127/32-local-projections</guid>
    </item>
    <item>
      <title>季節調整を自分でやると、公表値と同じになるのか？ 鉱工業指数と労働力調査を X-13 で作り直して比べる</title>
      <description>鉱工業指数（経済産業省）と労働力調査（総務省）の季節調整値を、公表元の説明どおりに X-13ARIMA-SEATS で原数値から作り直し、公表値と比べました。就業者は季節指数の差が平均0.024ポイントでほぼ一致し、鉱工業生産は曜日・祝日の調整を外すと差が0.13から1.34ポイントに広がりました。

note：https://note.com/takayukimatsuura/n/nd10961670aac
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F42_seasonal_adjustment</description>
      <media:content url="https://files.speakerdeck.com/presentations/a931897e51de4d6fb8935752fc299714/preview_slide_0.jpg?41382964" type="image/jpeg" medium="image"/>
      <content:encoded>鉱工業指数（経済産業省）と労働力調査（総務省）の季節調整値を、公表元の説明どおりに X-13ARIMA-SEATS で原数値から作り直し、公表値と比べました。就業者は季節指数の差が平均0.024ポイントでほぼ一致し、鉱工業生産は曜日・祝日の調整を外すと差が0.13から1.34ポイントに広がりました。

note：https://note.com/takayukimatsuura/n/nd10961670aac
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F42_seasonal_adjustment</content:encoded>
      <pubDate>Sun, 15 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/31-seasonal-adjustment</link>
      <guid>https://speakerdeck.com/takayuki0127/31-seasonal-adjustment</guid>
    </item>
    <item>
      <title>欠けているデータを埋めると、結論は変わるのか？ 小さい町村で値がない「持ち家率」を4通りに扱って比べる</title>
      <description>市区町村の持ち家率は、人口およそ1.5万人未満の町村では値がありません。捨てる・平均で埋める・回帰で埋める・多重代入の扱い方で回帰の係数を比べると、持ち家率10ポイントあたり+0.1から−9.7まで動きました。わざと値を消すシミュレーションでは、「小さい町だけ欠ける」場合に多重代入が捨てる方法よりずれることも確かめました。

note：https://note.com/takayukimatsuura/n/nb9ef4231d6e8
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F41_missing_data_mi</description>
      <media:content url="https://files.speakerdeck.com/presentations/32272c2eac364ca3ad55d0c30c5758b9/preview_slide_0.jpg?41377582" type="image/jpeg" medium="image"/>
      <content:encoded>市区町村の持ち家率は、人口およそ1.5万人未満の町村では値がありません。捨てる・平均で埋める・回帰で埋める・多重代入の扱い方で回帰の係数を比べると、持ち家率10ポイントあたり+0.1から−9.7まで動きました。わざと値を消すシミュレーションでは、「小さい町だけ欠ける」場合に多重代入が捨てる方法よりずれることも確かめました。

note：https://note.com/takayukimatsuura/n/nb9ef4231d6e8
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F41_missing_data_mi</content:encoded>
      <pubDate>Sat, 14 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/30-missing-data-mi</link>
      <guid>https://speakerdeck.com/takayuki0127/30-missing-data-mi</guid>
    </item>
    <item>
      <title>所得の格差は「県の間」と「県の中」のどちらにあるか？ 1,741市区町村の所得をタイル指数で分ける</title>
      <description>全国1,741市区町村の納税者1人あたり所得（2005〜2020年度）の格差を、タイル指数で「県の間」と「県の中」に分けました。2020年度は半々で、15年で広がった分のおよそ半分は「東京都の中」でした。8つの設定を変えても、県の間の割合は下がっていました。

note：https://note.com/takayukimatsuura/n/nafbf69d105ac
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F40_inequality_decomposition</description>
      <media:content url="https://files.speakerdeck.com/presentations/1d2d41922c734d85bedf03a8bfaa904c/preview_slide_0.jpg?41374337" type="image/jpeg" medium="image"/>
      <content:encoded>全国1,741市区町村の納税者1人あたり所得（2005〜2020年度）の格差を、タイル指数で「県の間」と「県の中」に分けました。2020年度は半々で、15年で広がった分のおよそ半分は「東京都の中」でした。8つの設定を変えても、県の間の割合は下がっていました。

note：https://note.com/takayukimatsuura/n/nafbf69d105ac
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F40_inequality_decomposition</content:encoded>
      <pubDate>Sat, 14 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/29-inequality-decomposition</link>
      <guid>https://speakerdeck.com/takayuki0127/29-inequality-decomposition</guid>
    </item>
    <item>
      <title>物価・賃金・金利は、どれがどれを動かしているのか？ データだけで因果の向きを推定する3つの手法を比べる</title>
      <description>為替・輸入物価・消費者物価・賃金・長期金利・失業率の月次データ（1995〜2026年）に、グレンジャー因果・VAR-LiNGAM・PC アルゴリズムを当てて比べました。3つがそろって指したのは「輸入物価と消費者物価がつながっている」ことだけで、向きは手法で逆になりました。

note：https://note.com/takayukimatsuura/n/n6c8815f27bb5
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F39_causal_discovery_macro</description>
      <media:content url="https://files.speakerdeck.com/presentations/3752eb6bd6454113bc34797445c68e86/preview_slide_0.jpg?41363939" type="image/jpeg" medium="image"/>
      <content:encoded>為替・輸入物価・消費者物価・賃金・長期金利・失業率の月次データ（1995〜2026年）に、グレンジャー因果・VAR-LiNGAM・PC アルゴリズムを当てて比べました。3つがそろって指したのは「輸入物価と消費者物価がつながっている」ことだけで、向きは手法で逆になりました。

note：https://note.com/takayukimatsuura/n/n6c8815f27bb5
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F39_causal_discovery_macro</content:encoded>
      <pubDate>Fri, 13 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/28-causal-discovery-macro</link>
      <guid>https://speakerdeck.com/takayuki0127/28-causal-discovery-macro</guid>
    </item>
    <item>
      <title>観光客が1兆円使うと、日本全体の生産はいくら増えるのか？ 産業連関表で「経済効果」を計算し直す</title>
      <description>訪日客の消費1兆円で、日本全体の生産は2.13兆円、雇用は約21.5万人分増える計算になりました（令和2年産業連関表）。ただし輸入の扱いや2次波及を入れるかなど、前提の置き方で1.69〜2.77兆円まで変わります。

note：https://note.com/takayukimatsuura/n/n2153eaa254fa
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F38_input_output_tourism</description>
      <media:content url="https://files.speakerdeck.com/presentations/257655f3e3ed4730a4ae143f6c8f3813/preview_slide_0.jpg?41355576" type="image/jpeg" medium="image"/>
      <content:encoded>訪日客の消費1兆円で、日本全体の生産は2.13兆円、雇用は約21.5万人分増える計算になりました（令和2年産業連関表）。ただし輸入の扱いや2次波及を入れるかなど、前提の置き方で1.69〜2.77兆円まで変わります。

note：https://note.com/takayukimatsuura/n/n2153eaa254fa
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F38_input_output_tourism</content:encoded>
      <pubDate>Fri, 13 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/27-input-output-tourism</link>
      <guid>https://speakerdeck.com/takayuki0127/27-input-output-tourism</guid>
    </item>
    <item>
      <title>全国と47都道府県の宿泊者数の予測を、足し算が合うようにそろえると？ 58系列で5つの整合を比べる</title>
      <description>観光庁「宿泊旅行統計調査」の延べ宿泊者数を、全国・10地方・47都道府県の58系列で予測し、足し算が合うようにそろえる5つの方法を比べました。MinT で全国の予測は約15%よく当たるようになりましたが、都道府県はほぼ変わらず、トップダウンは3割以上悪くなりました。

note：https://note.com/takayukimatsuura/n/n96d6f9f33977
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F36_hierarchical_forecast</description>
      <media:content url="https://files.speakerdeck.com/presentations/d3f03a5cf017430b9d9d6502f2cece95/preview_slide_0.jpg?41340963" type="image/jpeg" medium="image"/>
      <content:encoded>観光庁「宿泊旅行統計調査」の延べ宿泊者数を、全国・10地方・47都道府県の58系列で予測し、足し算が合うようにそろえる5つの方法を比べました。MinT で全国の予測は約15%よく当たるようになりましたが、都道府県はほぼ変わらず、トップダウンは3割以上悪くなりました。

note：https://note.com/takayukimatsuura/n/n96d6f9f33977
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F36_hierarchical_forecast</content:encoded>
      <pubDate>Thu, 12 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/25-hierarchical-forecast</link>
      <guid>https://speakerdeck.com/takayuki0127/25-hierarchical-forecast</guid>
    </item>
    <item>
      <title>景気の「山」と「谷」をデータだけで当てられるか？ マルコフ切り替えモデルで景気動向指数を読む</title>
      <description>内閣府の景気動向指数（CI一致指数、1985〜2026年）にマルコフ切り替えモデル（3状態）を当てはめ、公式の景気基準日付と比べました。7回の後退期のうち6回を公式の山・谷から±4か月以内で見つけ、その時点までのデータだけで推定し直しても、山の2〜4か月後のデータで後退のサインが出ました。一時的な落ち込みでもサインが出ることがあり、1985〜86年の後退は見つけられませんでした。

note：https://note.com/takayukimatsuura/n/n59448ea2e25b
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F35_business_cycle_markov</description>
      <media:content url="https://files.speakerdeck.com/presentations/b345aba1540646a18d1bd0c143af5f4d/preview_slide_0.jpg?41328951" type="image/jpeg" medium="image"/>
      <content:encoded>内閣府の景気動向指数（CI一致指数、1985〜2026年）にマルコフ切り替えモデル（3状態）を当てはめ、公式の景気基準日付と比べました。7回の後退期のうち6回を公式の山・谷から±4か月以内で見つけ、その時点までのデータだけで推定し直しても、山の2〜4か月後のデータで後退のサインが出ました。一時的な落ち込みでもサインが出ることがあり、1985〜86年の後退は見つけられませんでした。

note：https://note.com/takayukimatsuura/n/n59448ea2e25b
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F35_business_cycle_markov</content:encoded>
      <pubDate>Wed, 11 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/24-business-cycle-markov</link>
      <guid>https://speakerdeck.com/takayuki0127/24-business-cycle-markov</guid>
    </item>
    <item>
      <title>人の移動は、距離でどれだけ減るのか？ 37年分の都道府県間の引っ越しを重力モデルで読む</title>
      <description>住民基本台帳人口移動報告（1989〜2025年、79,994件）に重力モデルを当てはめました。距離が2倍で移動は34%減（PPML）。対数の最小二乗法では51%減となり、手法で答えが変わります。37年での弱まりは東京圏を除くと消え、新幹線の効果は比べる相手で符号が変わりました。

記事（note）：https://note.com/takayukimatsuura/n/n07efbf504d25
コード・結果（GitHub）：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F33_migration_gravity</description>
      <media:content url="https://files.speakerdeck.com/presentations/52deb50d3cfa49299864acb166d924d3/preview_slide_0.jpg?41312327" type="image/jpeg" medium="image"/>
      <content:encoded>住民基本台帳人口移動報告（1989〜2025年、79,994件）に重力モデルを当てはめました。距離が2倍で移動は34%減（PPML）。対数の最小二乗法では51%減となり、手法で答えが変わります。37年での弱まりは東京圏を除くと消え、新幹線の効果は比べる相手で符号が変わりました。

記事（note）：https://note.com/takayukimatsuura/n/n07efbf504d25
コード・結果（GitHub）：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F33_migration_gravity</content:encoded>
      <pubDate>Tue, 10 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/22-migration-gravity</link>
      <guid>https://speakerdeck.com/takayuki0127/22-migration-gravity</guid>
    </item>
    <item>
      <title>所得の高い町と低い町で、効いている要因は同じか？ 1,740市区町村を分位点回帰で分ける</title>
      <description>全国1,740市区町村の納税者1人あたり所得を、分位点回帰で分布の下（10%点）と上（90%点）に分けて分析しました。大卒の割合は上の町ほど強く効き（+7.4%→+10.8%）、人口密度は下の町でプラス・上の町でわずかにマイナスでした。ただし上の町のマイナスは県ダミーを入れると消えます。

記事（note）：https://note.com/takayukimatsuura/n/n95116c43b243
コード（GitHub）：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F32_income_quantile</description>
      <media:content url="https://files.speakerdeck.com/presentations/631bdf04d22146dfb00421445f6cfe29/preview_slide_0.jpg?41309196" type="image/jpeg" medium="image"/>
      <content:encoded>全国1,740市区町村の納税者1人あたり所得を、分位点回帰で分布の下（10%点）と上（90%点）に分けて分析しました。大卒の割合は上の町ほど強く効き（+7.4%→+10.8%）、人口密度は下の町でプラス・上の町でわずかにマイナスでした。ただし上の町のマイナスは県ダミーを入れると消えます。

記事（note）：https://note.com/takayukimatsuura/n/n95116c43b243
コード（GitHub）：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F32_income_quantile</content:encoded>
      <pubDate>Tue, 10 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/21-income-quantile</link>
      <guid>https://speakerdeck.com/takayuki0127/21-income-quantile</guid>
    </item>
    <item>
      <title>60歳・65歳で、働く人はどれだけ減るのか？ 国勢調査20年分を回帰不連続で測る</title>
      <description>国勢調査2000〜2020年の年齢（各歳）別の就業率で、60歳と65歳の境目の「段差」を回帰不連続で測りました。60歳の段差（男女計）は−10.3ポイントから−2.5ポイントへ縮み、65歳は−1.7ポイントから−5.5ポイントへ大きくなりました。段差がないはずの年齢での「偽の境界」とも比べています。

記事（note）：https://note.com/takayukimatsuura/n/n71ef0872d406
コード（GitHub）：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F31_retirement_rdd</description>
      <media:content url="https://files.speakerdeck.com/presentations/03bb3b7025b045cbbd6bca9e698ac00d/preview_slide_0.jpg?41298927" type="image/jpeg" medium="image"/>
      <content:encoded>国勢調査2000〜2020年の年齢（各歳）別の就業率で、60歳と65歳の境目の「段差」を回帰不連続で測りました。60歳の段差（男女計）は−10.3ポイントから−2.5ポイントへ縮み、65歳は−1.7ポイントから−5.5ポイントへ大きくなりました。段差がないはずの年齢での「偽の境界」とも比べています。

記事（note）：https://note.com/takayukimatsuura/n/n71ef0872d406
コード（GitHub）：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F31_retirement_rdd</content:encoded>
      <pubDate>Mon, 09 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/20-retirement-rdd</link>
      <guid>https://speakerdeck.com/takayuki0127/20-retirement-rdd</guid>
    </item>
    <item>
      <title>北陸新幹線の金沢延伸で、石川県の宿泊客はどれだけ増えたのか？ 合成コントロールとその発展形で推定する</title>
      <description>観光庁「宿泊旅行統計調査」の都道府県×月のデータで、2015年の北陸新幹線金沢延伸の効果を、開業がなかった33県から作った「合成石川県」と比べて推定しました。石川の日本人の宿泊は手法によらず＋10〜13%、富山はほぼ0でした。ただ、新幹線のない県を「開業した」とみなすプラセボでも同じくらいの値が出る県があり、「偶然では出ない」とまでは言い切れません。

note：https://note.com/takayukimatsuura/n/n8b83dc180d1d
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F29_shinkansen_sdid</description>
      <media:content url="https://files.speakerdeck.com/presentations/4d04d0cc2fc648108f96829a0c71be49/preview_slide_0.jpg?41296009" type="image/jpeg" medium="image"/>
      <content:encoded>観光庁「宿泊旅行統計調査」の都道府県×月のデータで、2015年の北陸新幹線金沢延伸の効果を、開業がなかった33県から作った「合成石川県」と比べて推定しました。石川の日本人の宿泊は手法によらず＋10〜13%、富山はほぼ0でした。ただ、新幹線のない県を「開業した」とみなすプラセボでも同じくらいの値が出る県があり、「偶然では出ない」とまでは言い切れません。

note：https://note.com/takayukimatsuura/n/n8b83dc180d1d
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F29_shinkansen_sdid</content:encoded>
      <pubDate>Mon, 09 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/19-shinkansen-sdid</link>
      <guid>https://speakerdeck.com/takayuki0127/19-shinkansen-sdid</guid>
    </item>
    <item>
      <title>法人は何年続くのか？ 150万法人の登記を生存分析で追う</title>
      <description>国税庁の法人番号の全件データから、2015年11月〜2026年9月に設立された約153万法人の登記を Kaplan–Meier と Cox 比例ハザードモデルで追いました。10年後も登記が残っている法人は89.4%。合同会社は株式会社より1.50倍閉鎖しやすく、その差は2〜3年目（1.77）がいちばん大きくなっていました。

note：https://note.com/takayukimatsuura/n/n26e423bc8eb1
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F28_corporate_survival</description>
      <media:content url="https://files.speakerdeck.com/presentations/cf2f49cc5b7342788cce3b48bd29ff5f/preview_slide_0.jpg?41280967" type="image/jpeg" medium="image"/>
      <content:encoded>国税庁の法人番号の全件データから、2015年11月〜2026年9月に設立された約153万法人の登記を Kaplan–Meier と Cox 比例ハザードモデルで追いました。10年後も登記が残っている法人は89.4%。合同会社は株式会社より1.50倍閉鎖しやすく、その差は2〜3年目（1.77）がいちばん大きくなっていました。

note：https://note.com/takayukimatsuura/n/n26e423bc8eb1
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F28_corporate_survival</content:encoded>
      <pubDate>Sun, 08 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/18-corporate-survival</link>
      <guid>https://speakerdeck.com/takayuki0127/18-corporate-survival</guid>
    </item>
    <item>
      <title>小さな町の死亡率の地図は、どこまで信用できるのか？ 隣の町の情報を借りる BYM2 で描き直す</title>
      <description>市区町村の標準化死亡比（2018〜22年、1,887区域）を、隣の町の情報を借りる空間ベイズモデル（BYM2）で描き直しました。値が大きく動いたのは期待死亡数300人未満の小さな町だけで、地域差のうち隣と共通の部分の割合は0.95、厚生労働省の公表ベイズ推定値とも相関0.97でした。地域差の原因や、特定の町の評価は言えません。

note：https://note.com/takayukimatsuura/n/n983caaac49bf
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F27_disease_map_bym2</description>
      <media:content url="https://files.speakerdeck.com/presentations/6fb8344215f5452bbc667436603c0cf6/preview_slide_0.jpg?41273312" type="image/jpeg" medium="image"/>
      <content:encoded>市区町村の標準化死亡比（2018〜22年、1,887区域）を、隣の町の情報を借りる空間ベイズモデル（BYM2）で描き直しました。値が大きく動いたのは期待死亡数300人未満の小さな町だけで、地域差のうち隣と共通の部分の割合は0.95、厚生労働省の公表ベイズ推定値とも相関0.97でした。地域差の原因や、特定の町の評価は言えません。

note：https://note.com/takayukimatsuura/n/n983caaac49bf
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F27_disease_map_bym2</content:encoded>
      <pubDate>Sun, 08 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/17-disease-map-bym2</link>
      <guid>https://speakerdeck.com/takayuki0127/17-disease-map-bym2</guid>
    </item>
    <item>
      <title>政策の効果を見つけるには、何県・何年のデータが要るのか？ 都道府県パネルの差の差で1,000回シミュレーションする</title>
      <description>47都道府県の就業率・失業率に「でたらめな処置」を置き、差の差（DID）で効果を見つけられる割合を1,000回のシミュレーションで調べました。就業率で80%の確率で見つかるのは0.7ポイント以上で、期間を延ばしてもほぼ変わりません。普通の標準誤差では、効果0でも約3割が「有意」になりました。

note：https://note.com/takayukimatsuura/n/n9cbd7c28f5b5
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F26_power_simulation</description>
      <media:content url="https://files.speakerdeck.com/presentations/21ba470950444e5d85dfe1931540bc4f/preview_slide_0.jpg?41265535" type="image/jpeg" medium="image"/>
      <content:encoded>47都道府県の就業率・失業率に「でたらめな処置」を置き、差の差（DID）で効果を見つけられる割合を1,000回のシミュレーションで調べました。就業率で80%の確率で見つかるのは0.7ポイント以上で、期間を延ばしてもほぼ変わりません。普通の標準誤差では、効果0でも約3割が「有意」になりました。

note：https://note.com/takayukimatsuura/n/n9cbd7c28f5b5
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F26_power_simulation</content:encoded>
      <pubDate>Sat, 07 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/16-power-simulation</link>
      <guid>https://speakerdeck.com/takayuki0127/16-power-simulation</guid>
    </item>
    <item>
      <title>経済白書41年分を「文埋め込み」で読むと、政府の関心はどう移ったのか？</title>
      <description>内閣府の経済白書・経済財政白書（1985〜2025年度）の本文16,964チャンクを文埋め込み（ruri-v3-30m）にし、KMeans でテーマに分けました。主役のテーマは貿易・為替→金融・銀行→雇用・賃金と入れ替わり、2000〜14年度は毎年話題が大きく変わっていました。

note：https://note.com/takayukimatsuura/n/nda2171df30fa
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F25_whitepaper_embeddings</description>
      <media:content url="https://files.speakerdeck.com/presentations/8dc4158107eb44c69fef68d79650e3d9/preview_slide_0.jpg?41262440" type="image/jpeg" medium="image"/>
      <content:encoded>内閣府の経済白書・経済財政白書（1985〜2025年度）の本文16,964チャンクを文埋め込み（ruri-v3-30m）にし、KMeans でテーマに分けました。主役のテーマは貿易・為替→金融・銀行→雇用・賃金と入れ替わり、2000〜14年度は毎年話題が大きく変わっていました。

note：https://note.com/takayukimatsuura/n/nda2171df30fa
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F25_whitepaper_embeddings</content:encoded>
      <pubDate>Sat, 07 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/15-whitepaper-embeddings</link>
      <guid>https://speakerdeck.com/takayuki0127/15-whitepaper-embeddings</guid>
    </item>
    <item>
      <title>救急車をどこに置けば、到着が早くなるのか？ 福井市の人口と道路距離で21か所を選び直す</title>
      <description>福井市の500mメッシュ人口と OpenStreetMap の道路距離を使い、救急車の待機場所（消防署・分署で近似）21か所を数理最適化（p-median・最大カバー）で選び直しました。平均の道路距離は1.86kmから1.46kmへ2割ほど縮みますが、道路で5分以内に届く人口の割合は96.6%から94.1%に下がります。設定を変えても平均の縮み方は変わらない一方、選ばれる場所は大きく入れ替わりました。

note：https://note.com/takayukimatsuura/n/n202abd17f2e8
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F23_ambulance_location</description>
      <media:content url="https://files.speakerdeck.com/presentations/37b28937c7d44bae86df399b026bbb3e/preview_slide_0.jpg?41251324" type="image/jpeg" medium="image"/>
      <content:encoded>福井市の500mメッシュ人口と OpenStreetMap の道路距離を使い、救急車の待機場所（消防署・分署で近似）21か所を数理最適化（p-median・最大カバー）で選び直しました。平均の道路距離は1.86kmから1.46kmへ2割ほど縮みますが、道路で5分以内に届く人口の割合は96.6%から94.1%に下がります。設定を変えても平均の縮み方は変わらない一方、選ばれる場所は大きく入れ替わりました。

note：https://note.com/takayukimatsuura/n/n202abd17f2e8
GitHub：https://github.com/takayuki-0127/japan-open-data-notes/tree/main/articles/F23_ambulance_location</content:encoded>
      <pubDate>Fri, 06 Nov 2026 00:00:00 -0500</pubDate>
      <link>https://speakerdeck.com/takayuki0127/14-ambulance-location</link>
      <guid>https://speakerdeck.com/takayuki0127/14-ambulance-location</guid>
    </item>
  </channel>
</rss>
