納得を科学する：計量経済学が拓く社会的インパクト評価とEBPMの未来

地方自治体の予算編成や、NPOによる社会課題解決の現場において、「この事業にはどれほどの価値があるのか」という問いがかつてないほど鋭く投げかけられています。限られた財政資源をどこに投じるべきか。この判断を、単なる熱意や経験だけで行うのではなく、客観的なデータに基づいて行う仕組みがEBPM（エビデンスに基づく政策立案）です。EBPMの推進において、測る技術として注目されているのが社会的インパクト評価（SIA：Social Impact Assessment）です。本稿では、計量経済学 (Econometrics) の知見を土台に、この評価手法がどのように政策の質を高め、社会の合意形成を助けるのかを深掘りします。

動画解説「納得」を科学する計量経済学とEBPM

音声解説（１８分）

Norebook LMで生成したラジオ番組

計量経済学で測る政策の真の価値

因果関係を特定する：計量経済学

計量経済学（Econometrics）は、経済学の理論を統計学や数学の手法を用いてデータから検証し、数値として明らかにする学問です。私たちが社会を観察するとき、最も陥りやすい罠が相関関係と因果関係の混同です。バスの回数券を配ったら、高齢者の通院が増えたというデータがあったとしても、それが回数券のおかげなのか、たまたま気候が穏やかだったからなのかは、単純な集計だけでは分かりません。計量経済学は、こうした複雑な要因を整理し、もしその施策がなかったら、どうなっていたか（反事実：Counterfactual）を統計的に推計します。これを因果推論（Causal Inference）と呼びます。この視点を持つことで、私たちは事業の実施そのもの（Output）ではなく、事業が生み出した真の変化（Outcome/Impact）を評価できるようになります。

インパクト評価：ロジックモデル

社会的インパクトを評価するためには、適切な道具が必要です。ここでは実務で使われる主要なフレームワークと手法を整理します。

社会的インパクト・マネジメント（SIMIの視点）

評価をやりっぱなしにしないためには、社会的インパクト・マネジメントという考え方が重要です。これは、事業の設計段階から成果の道筋を立て、実行、評価、そして翌年の改善へと繋げるサイクルです。
ロジックモデルの活用: 事業の投入リソースから最終的なインパクトまでの因果の連鎖を図式化します。
日本の社会的インパクト・マネジメント・イニシアチブ（SIMI）は、これを実践するためのガイドラインや、分野別のアウトカム指標データベースを提供しています。

社会的インパクト評価　価値の「見える化」から「最大化」へ

回帰分析（Regression Analysis）

回帰分析（Regression Analysis）は、統計学や計量経済学において、何かが起きた原因（独立変数）とその結果（従属変数）の間の関係を数式で明らかにする手法です。社会学の調査や社会的インパクト評価において、ある施策が本当に効果があったのかを客観的に証明します。回帰分析の主な目的は、2つあります。

要因の解明: どの変数が結果に影響を与えているのか、その影響度（強さ）を測る。
予測: 原因となる変数の値が分かっているとき、将来の結果がどうなるかを予測する。

単回帰分析：もっともシンプルな形

一つの原因（$x$）から一つの結果（$y$）を説明するモデルです。
$$y = \beta_0 + \beta_1 x + \epsilon$$
$y$（従属変数 / 被説明変数）: 分析したい結果（例：年収、幸福度、バス利用者数）
$x$（独立変数 / 説明変数）: 原因と考えられる要素（例：教育年数、施策の有無、ガソリン価格）
$\beta_1$（回帰係数）: $x$が1単位増えたときに、$y$が平均してどれだけ変化するかを示す。これがインパクトの大きさを表します。
$\beta_0$（切片）: $x$が0のときの$y$の値。
$\epsilon$（誤差項）: モデルでは説明しきれない個人のばらつきや測定誤差。

重回帰分析：現実の複雑さを捉える

社会現象は一つの原因だけで決まることは稀です。複数の要因を同時に考慮するのが重回帰分析です。
$$y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \dots + \beta_k x_k + \epsilon$$
例えば、鉄道の利用頻度（$y$）を分析する場合、駅からの距離（$x_1$）だけでなく、本人の年齢（$x_2$）、自家用車の有無（$x_3$）などを同時に投入します。これにより、他の条件を一定に保ったまま（Control）、特定の要因だけが与える純粋な影響を抽出できます。

モデルの良さを判断する指標

決定係数 ($R^2$) モデルがデータの変動をどれくらい説明できているか。
0から1の間。1に近いほど説明力が高い。
p値 (p-value) その結果がたまたま（偶然）起きた可能性。
一般に 0.05（5%）未満であれば統計的に有意と判断する。
標準誤差推定された係数の正確さ。
小さいほど、推定値が安定している。

最小二乗法（OLS）の仕組み

回帰直線はどのように引かれるのでしょうか？最も一般的なのが最小二乗法（Ordinary Least Squares: OLS）です。これは、実際のデータ点と回帰直線の間の距離（残差）を2乗して、その合計が最小になるように直線を引く方法です。最もデータの間をうまく通り抜ける線を探す作業といえます。

実務上の注意点：相関と因果の混同

回帰分析を行う際に最も注意すべきは、相関関係があるからといって、因果関係があるとは限らない点です。

見かけ上の相関（疑似相関）: 第3の変数（攪乱要因）が両方に影響を与えている場合。
例：アイスの売上と水難事故数には正の相関があるが、真の原因は気温の上昇である。
逆の因果関係: $x$が$y$に影響しているのではなく、$y$が$x$に影響している場合。

これを防ぐために、社会学や計量経済学では、コントロール変数の投入や、実験に近い状況を作り出す因果推論の手法を組み合わせます。

社会的インパクト評価への応用例

例えば、ある自治体が高齢者向けデマンドバスを導入したとします。
$y$（結果）: 高齢者の外出回数
$x_1$（主原因）: デマンドバスの利用登録（ダミー変数：登録=1, 非登録=0）
$x_2, x_3$（コントロール）: 年齢、健康状態、家族構成
この重回帰分析を行い、$\beta_1$ が統計的に有意で正の値であれば、健康状態などの他条件を揃えて比較しても、バス事業は外出を増やす効果（インパクト）があったと結論づけることができます。

回帰分析は、いわば複雑な社会からノイズを取り除き、因果の糸を解きほぐすフィルターです。

具体的なデータの読み方（アウトプットの解釈）

回帰分析の計算が終わると、統計ソフト（Stata, R, SPSSなど）から数字が並んだ表が出力されます。社会学や政策評価の現場で、この数字の山のどこに注目し、どう解釈すればよいのかを具体例とともに解説します。ここでは、コミュニティバスの導入（独立変数）が、高齢者の外出回数（従属変数）に与えた影響を分析した架空のデータを想定しましょう。統計ソフトの標準的なアウトプットは、以下のような構成になっています。

変数名	係数 (Estimate)	標準誤差 (Std. Error)	t値 (t-stat)	p値 (Pr > \|t\|)	[95% 信頼区間]
バス利用有無	2.45	0.82	2.98	0.003	[0.84, 4.06]
年齢	-0.12	0.05	-2.40	0.017	[-0.22, -0.02]
健康状態スコア	0.55	0.15	3.66	0.000	[0.26, 0.84]
(切片)	10.20	2.10	4.85	0.000	[6.08, 14.32]

決定係数 ($R^2$): 0.35
サンプルサイズ ($N$): 500

実務では、以下の順番でチェックしていくのがセオリーです。

ステップ1：p値を見て有意性を確認する
まず、その結果がたまたまではないかを確認します。
見方: p値が0.05（または0.01）未満であれば、統計的に有意と判断します。
この例では: バス利用有無のp値は0.003です。これはバスが外出を増やす効果がないのに、偶然このようなデータが出る確率は0.3%しかないことを意味します。つまり、バスには確かに効果があると自信を持って言えます。
ステップ2：係数を見てインパクトの大きさを測る
次に、具体的にどれくらい変わるのかを見ます。
見方: 係数の数値そのものを読みます。
この例では: 係数が2.45です。これは他の条件（年齢や健康状態）が同じであれば、バスを利用することで、月間の外出回数が平均2.45回増えることを意味します。
注意点: 単位を意識してください。これが1回増えるのか100回増えるのかで、政策的な重要性は全く変わります。
ステップ3：決定係数 ($R^2$) でモデルの説明力を知る
外出回数の個人差を、このモデルでどれだけ説明できているかを示します。
見方: 0から1の値をとり、大きいほどデータにフィットしています。
この例では: $R^2 = 0.35$ です。これは外出回数のばらつきの35%を、バス利用、年齢、健康状態という要因で説明できていることを意味します。社会科学では0.2〜0.4程度あれば、一定の説明力があるとみなされることが多いです。
ステップ4：信頼区間で幅を捉える
係数はピンポイントの予測値（点推定）ですが、実際には幅があります。
見方: 95%信頼区間が0を跨いでいないか確認します。
この例では: [0.84, 4.06] です。効果は少なくとも0.84回、最大で4.06回程度の上積みが見込める、という予測の精度を教えてくれます。

社会学・実務的な視点での落とし穴

博士論文の指導や実務のレビューでもよく指摘される、重要なポイントが2つあります。

統計的に有意と実質的に重要は別:
サンプルサイズが数万人と大きい場合、わずかな差（例：外出が0.01回増える）でもp値は0.05を切って有意になります。しかし、0.01回の増加に数億円の予算を投じるべきかは、実質的なインパクト（係数の大きさ）で判断しなければなりません。
符号（プラス・マイナス）の確認:
理論的に予測される方向と逆になっていないか確認してください。例えば年齢の係数がプラスと出たら、高齢なほど外出が多いという結果になり、一般常識や理論と矛盾します。その場合、多重共線性（変数同士の強い相関）やデータ入力を疑う必要があります。

財務担当者への説明トーク例

このアウトプットを元に、自治体の財務担当者へ説明するなら、こうなります。
「今回の分析結果では、バス利用による外出増の効果は統計的に極めて有意（p < 0.01）です。具体的には、年齢や健康状態の影響を除いても、バスがあることで一人あたり月2.45回、外出機会を創出できています。これは、先行研究における介護予防の閾値（月2回以上の外出増）をクリアしており、長期的な医療費抑制に寄与する十分なインパクトがあると言えます。
このように、確からしさ（p値）とインパクトの量（係数）、そしてその社会的意味（文脈）をセットで語ることが、社会的インパクト評価を成功させる鍵となります。

2つの大きな壁

回帰分析をマスターした後に直面する2つの大きな壁があります。「原因と結果がニワトリと卵の状態（内生性）」と、「結果が0か1かの2択（バイアス）」です。これらを解決する高度な手法を解説します。

操作変数法（IV）：因果の逆転を解きほぐす

回帰分析で最も恐ろしいのは、内生性（Endogeneity）です。
例: バスを利用するから外出が増える（インパクト）のか、もともと活発に外出する人がバスを利用する（逆の因果）のかが分からない状態です。これを解決するのが操作変数（Instrumental Variable: $Z$）です。
直接的には結果（外出回数 $y$）に影響を与えないが、原因（バス利用 $x$）だけに影響を与える第3の変数 $Z$を探します。
第一段階: $Z$ を使って、$x$ のうち外生的な（本人の意志とは無関係な）変動だけを抽出します。
第二段階: その抽出された変動だけを使って $y$ への影響を測ります。
具体的な操作変数の例: 自宅から最寄りのバス停までの距離
距離が近いほどバスを利用しやすくなります（関連性）。しかし、距離が近いからといって、本人の活発な性格そのものが変わるわけではありません（排他性）。操作変数法は自然実験とも呼ばれます。適切な操作変数を見つけることは、計量経済学において最もクリエイティブで、かつ最も難しい作業の一つです。

ロジスティック回帰分析：0か1かの選択を分析する

通常の回帰分析（OLS）は、結果（$y$）が回数や金額など連続した数字の場合に適しています。しかし、社会的インパクト評価では就職したか／していないか、通院したか／していないかという2値のデータを扱うことがよくあります。
通常の直線（線形）モデルだと、予測値が1.2（120%）や-0.3（マイナス30%）といった、確率としてあり得ない数字を出してしまいます。
ロジスティック回帰では、結果をイベントが発生する確率 ($P$)として捉え、0から1の間に収まるS字型の曲線（シグモイド関数）でモデル化します。ロジスティック回帰では、係数をそのまま読まず、オッズ比に変換して解釈するのが一般的です。

オッズ比 = 1: 影響なし。
オッズ比 > 1: 発生確率を高める（例：1.5なら、確率が1.5倍になりやすい）。
オッズ比 < 1: 発生確率を下げる。

変数名	オッズ比	p値	解釈
バス利用	2.10	0.002	バスを使うと、外出する確率が2.1倍になる。
独居（一人暮らし）	0.85	0.450	統計的に有意な差はない。

実務での使い分けガイド

分析したい問い	推奨される手法
バス事業は外出回数を何回増やしたか？	重回帰分析（OLS）
バス事業は引きこもりを脱する確率を何％上げたか？	ロジスティック回帰分析
健康だからバスに乗るのか、バスに乗るから健康なのか？	操作変数法（IV）

高度な因果推論手法（擬似実験）

因果推論（Causal Inference）は、計量経済学や社会科学において、ある事象（原因）が、別の事象（結果）を本当に引き起こしたのかという因果関係を、厳密な論理と統計学を用いて特定する学問です。これまでの回帰分析の解説で触れた相関関係と因果関係の違いを、科学的に解明するための究極の道具箱と言えます。

因果推論の根本問題と反事実（Counterfactual）

因果推論の出発点は、反事実（もし〜でなかったら）を考えることです。例えば、新しい鉄道駅ができたことで、周辺の人口が増えたという因果を証明したいとします。しかし、厳密に言えば、以下の2つを同時に観察することは不可能です。

駅が建設された世界（現実）の人口推移
もし同じ場所に駅が建設されなかったらという世界の人口推移（反事実）

この一つの対象に対して、同時に2つの状態（処置あり・なし）を観察できないことを、因果推論の根本問題と呼びます。

因果関係を特定するための比較の技術

反事実は観察できないため、因果推論ではもっともらしい比較対象（コントロール群）をいかに作るかに知恵を絞ります。

① ランダム化比較試験（RCT）

黄金律（ゴールドスタンダード）と呼ばれる手法で、くじ引きなどで、対象者をランダムに介入を受けるグループと受けないグループに分けます。ランダムに分けることで、両者の属性（年齢、性格、年収など）が統計的に平均して同じになります。その後の差は、純粋に介入の効果だと言い切れます。

② 擬似実験（Quasi-Experiments）

社会政策やインフラ整備では、ランダムにくじ引きで実施を決めることは困難です。そこで、現実のデータの中から実験に近い状況を工夫して見つけ出す手法です。

手法	仕組み	例
差の差分析 (DID)	介入した地域と、してない地域の前後の変化幅を比べる。	2020年に補助金が出た街と、出なかった隣の街の、前年からの雇用増減を比較。
回帰不連続デザイン (RDD)	特定の境界線（例：年齢、所得制限）の直前直後の人々を比べる。	70歳の誕生日にバスが無料になる制度を利用し、69.9歳と70.1歳の人々を比較。
マッチング法	性別や年齢が似た人をペアにし、介入の有無だけで差を測る。	バス利用者Aさんと、似た属性だが利用しないBさんの健康状態を比較。

因果関係の構造を可視化するDAG

因果推論では、数式だけでなくDAG（Directed Acyclic Graph：有向非巡回グラフ）を使って、どの変数がどこに影響しているかを視覚的に整理します。

交絡因子（Confounder）: 原因と結果の両方に影響を与える黒幕。これを除去（コントロール）しないと、偽の相関が生まれます。
媒介変数（Mediator）: 原因が結果を生む経路。
例：交通（原因）→ 外出増加（媒介）→ 健康維持（結果）

なぜ社会的インパクト評価で因果推論が必要なのか

社会的インパクト評価において、因果推論は正当性の盾になります。

エビデンスの質: 利用者が喜んでいるというアンケート（主観）だけでなく、DID分析の結果、統計的に有意なインパクトが確認されたという客観的な証明は、厳しい予算査定を突破する力になります。
デッドウェイトの排除: 事業をしなくても自然に起きた変化（デッドウェイト）を差し引くことで、その事業特有の純粋な価値を算出できます。

因果推論を学ぶことは、世の中のまやかしのデータを見抜く目を養うことでもあります。「〇〇を食べたら健康になった」というテレビのニュースや、「この政策で景気が良くなった」という政治家の主張に対し、「それは単なる相関ではないか？」「反事実はどうだったのか？」と問いかける姿勢こそが、科学的な政策評価の第一歩です。

分析における課題（バイアス）

正しい結果を得るためには、以下のようなデータ特有の罠を計量経済学の手法で解決しなければなりません。

欠落変数バイアス: 結果に影響を与える重要な要因（例：個人のやる気）がデータに含まれておらず、他の変数の係数が歪んでしまうこと。
内生性（Endogeneity）: 原因が結果を生むだけでなく、結果が原因に影響を与えている（逆の因果）場合。
選択バイアス: サンプルがランダムに選ばれておらず、特定の属性を持つ人ばかりが分析対象になっていること。

計量経済学の学習・実務のステップ

経済理論の理解: 何と何に関係があるはずか、仮説を立てる。
データの収集: 統計局のデータやアンケート調査などを集める。
モデルの推定: 統計ソフト（R, Python, Stata, EViewsなど）を用いて計算する。
診断テスト: 推定結果が統計的に信頼できるか（有意か）を確認する。
解釈と政策提言: 数値を社会の言葉に翻訳する。

海外の先進事例：公共交通の価値を再定義する

英国の事例は、社会的価値をどのように財政的な言語に翻訳するかという点で、非常に示唆に富んでいます。

ロンドンの社会的企業HCT Groupは、商業路線の収益をコミュニティ交通に充てるモデルを展開していました。彼らのソーシャル・インパクト・レポートは、就労支援の成果を生活保護費の削減額と所得税の増加額として算出しました。これは、財務当局に対しても説得力を持つSROI（社会的投資収益率）の典型例です。
英国運輸省（DfT）のWebTAG 英国では、交通政策の評価に孤独の解消や主観的ウェルビーイング（幸福度）の向上を標準的な便益として組み込む研究が進んでいます。

EBPM

EBPM（Evidence-Based Policy Making：エビデンスに基づく政策立案）は、これまでの議論（社会的インパクト評価、計量経済学、因果推論）を、実際の行政現場で実践するための仕組みと作法のことです。勘や経験、あるいは声の大きな人の意見に頼るのではなく、客観的な証拠（エビデンス）に基づいて政策を立案・検証し、限られた予算を最適に配分することを目指します。

EBPMが否定するエピソード・ベースの政策

EBPMの対極にあるのが、エピソードに基づく政策立案です。
例: ある高齢者がバスが不便だと泣いていた（エピソード）→「全路線を増便しよう」
EBPMの視点: 「その不満は全体のうち何％か？」「増便による外出増の効果（因果関係）は推定されているか？」「他の福祉施策に予算を投じた場合と、どちらが社会的なリターンが大きいか？」

エビデンスの階層（ヒエラルキー）

EBPMでは、どのようなデータでもエビデンスと呼ぶわけではありません。情報の信頼性によって、以下のようなピラミッド構造（階層）を想定します。

レベル 4メタ分析・RCT（ランダム化比較試験）
最高（因果関係が確定）
レベル 3 擬似実験（DID, RDD, 操作変数法など）
高（因果推論の手法を使用）
レベル 2 回帰分析・前後比較
中（相関関係は示せるが因果は弱い）
レベル 1 単なる統計、事例紹介、専門家の意見
低（個別の事象に過ぎない）

日本の自治体では、まずレベル1からレベル2へ、そして重要な政策についてはレベル3以上のエビデンスを求める動きが加速しています。

EBPMの実践プロセス（政策サイクル）

EBPMは、単なる後付けの評価ではなく、立案段階からのプロセスを重視します。

論理構成（Logic Model）:政策がどのような経路で成果を生むのか、前述のロジックモデルを作成します。
先行研究のレビュー:似たような施策が他都市でどのような効果を上げたかという既存のエビデンスを調べます。
データに基づく現状分析:RESAS（地域経済分析システム）などの公的統計や、自治体独自の行政データを活用し、課題を数値化します。
分析設計:どの指標を、どのような統計手法（因果推論など）で検証するかをあらかじめ決めておきます。
モニタリングと評価:実施中および実施後にデータを収集し、当初の仮説通りのインパクトがあったかを判定します。

なぜ今、自治体の財務担当者がEBPMに注目しているのでしょうか。それは説得力のある予算要求と査定のためです。

PFS（成果連動型民間委託方式）の導入:バスを走らせたこと（Activity）ではなく、健康寿命が伸びた（Impact）に対して対価を支払う仕組みを作るには、厳密なEBPMの視点が不可欠です。
スクラップ・アンド・ビルドの根拠:効果が出ていない事業を廃止し、より効果の高い事業へ予算を組み替える際、EBPMによる客観的な数字は、住民や議会に対する強力な説明材料になります。

日本におけるEBPMの展開と配慮

日本においても、EBPMは証拠に基づく政策立案として、国の重要課題に位置づけられています。
休眠預金等活用制度: 民間の創意工夫を活かすため、社会的インパクト評価の導入が要件化されており、福祉や子供支援の分野で多くのインパクト・データが蓄積されつつあります。
成果連動型民間委託（PFS/SIB）: 自治体が民間企業に委託する際、成果（アウトカム）に応じて報酬を支払う仕組みです。これにより、単なるコストカットではなく、質の高いサービスへの投資が促されています。
日本の施策の特徴は、性急な導入による現場の混乱を避け、まずは対話のツールとして社会的インパクト評価を位置づけている点にあります。これは、各省庁のガイドラインでも繰り返し言及されている配慮です。

政策責任者との対話：実務上の懸念に応える

ここで、国の政策責任者からしばしば寄せられる現場の懸念に対し、見解を述べます

評価コストが重すぎるのではないか
全ての事業に厳密な因果推論を求めるのは現実的ではありません。
【解決案：評価の階層化】大規模な予算を伴う国家プロジェクトには厳格な分析を、地域密着の小規模事業には既存のエビデンスを援用した簡簡易な評価を、というように評価のグラデーションを設けるべきです。
数字に現れない価値が切り捨てられるのではないか
統計学は平均的な効果を示しますが、個別の物語（定性データ）を否定するものではありません。
【解決案：定量と定性のハイブリッド】回帰分析による規模の推計と、ケーススタディによる質の理解を組み合わせることで、数値の背後にある住民の生活実態を補完します。
社会的価値という名の粉飾は起きないか
貨幣換算（SROI）は算出方法によって数字が大きく変わるリスクがあります。
【解決案：標準化されたデータベースの構築】国やSIMIのような組織が、標準的なアウトカム指標と換算単価のデータベースを整備し、算出プロセスの透明性を確保することが求められます。

データの読み解き方：納得感を生むための作法

回帰分析などのアウトプットを、どのように政策判断に繋げるべきでしょうか。

有意性（p値）に固執しない: p値が0.05を切っているか（偶然ではないか）だけでなく、係数の大きさ（インパクトの量）が実社会にとって意味がある規模かを確認してください。
信頼区間をリスクの幅として見る: 点推定（一つの数字）だけでなく、予測の幅（95%信頼区間）を見ることで、最悪のケースと最良のケースを想定した予算管理が可能になります。
内生性（ないせいせい）を疑う: 健康だからバスに乗るのか、バスに乗るから健康なのかというニワトリと卵の問題に対し、操作変数法（IV）などの手法を適切に使い分けることが、エビデンスの質を左右します。

科学的な誠実さが社会を救う

社会的インパクト評価やEBPMは、決して予算を削るための冷徹な計算ではありません。むしろ、これまで見過ごされてきた人々の生活の質や移動の自由といった価値を、誰もが納得できる形にする、誠実な試みです。計量経済学が提供する分析手法は、この対話を支える強力なインフラとなります。データを通じて社会のあり方を問い直し、改善を続ける。この学習する政策立案こそが、持続可能な地域社会を築くための唯一の道であると確信しています。

参照元、出典、主要文献

内閣府『社会的インパクト評価ガイドライン』
社会的インパクト・マネジメント・イニシアチブ (SIMI)『社会的インパクト・マネジメント実践ガイド』
英国運輸省 (DfT) “Value for Money Framework”
JRMT：公共交通の社会的価値に関する学術的研究資料
伊藤公一朗『データ分析の力因果関係に迫る思考法』（光文社新書）
Angrist, J. D., & Pischke, J. S. 『ほとんど無害な計量経済学』

注意

以上の文書はAI Geminiが生成したものを加筆修正しており、誤りが含まれる場合があります。