地域を追う：地域別産業連関表を推定するためのハイブリッド機械学習フレームワーク

地域経済が重要な理由

工場の閉鎖、新しい病院の開設、港の拡張などが起きると、その影響は直接の職場をはるかに超えて波及します。経済学者は、農業、製造業、サービス業などの間で資金や雇用がどのように流れるかをたどるために詳細な「産業連関表」を用います。しかし、多くの国の多数の地域では、これらの表を作成するにはコストとデータが大量に必要なため、めったに更新されません。本稿は、現代の機械学習を用いて地域ごとの経済地図を推定する新しい方法を提示し、プランナーやアナリスト、地域経済のつながりに関心のある人々にとって、より迅速で正確なツールを提供することを約束します。

地域の経済的結びつきを描く難題

産業連関表は、経済の中で誰が誰から何を買っているかを記述します：自動車メーカーがどれだけの鉄鋼を購入するか、製造業がどれほどの法律サービスを利用するか、といった具合です。多くの国には国レベルの表がありますが、州や省、市域といった地域版は大規模で高価な調査を必要とするため欠落していることが多いです。これを回避するために、経済学者は通常、国の表を出発点とし、既知の地域別集計（雇用や産出など）に合わせるための単純な数学的操作で形を整えます。ロケーション・クォーシェントやRASといった名前のついた一般的な近似法は安価で迅速ですが、産業が自己取引や限られた主要パートナーから大量に購入する傾向など、重要なパターンを歪めることがあります。これらの歪みは、インフラ、気候政策、ショックへの備えといった意思決定を誤らせる可能性があります。

古典的経済学と新しいアルゴリズムの融合

著者らは、古典的な経済構造と最先端の人工知能を結び付けるハイブリッド・フレームワークを提案します。その中心にはGANと呼ばれる生成モデルの一種があり、これは通常、リアルな画像を生成するために使われます。本研究では画像の代わりに、GANが過去のデータで観測されたものに似た産業連関表全体を生成することを学習します。特別な内部層が各生成表に厳格な会計ルールを順守させます：行と列の合計は既知の地域数値と一致し、項目は負になってはなりません。これにより、機械学習モデルが純粋に統計的なパターンを追うのではなく、基本的な経済原理に根ざした出力を生成します。

下書きを微調整する

よく訓練されたGANでさえ、小さく体系的な誤りを犯す傾向があります。例えば、特定の産業が自己売買する強さをわずかに過小評価することなどです。これを修正するために、著者らは残差ブースティングとして知られる第二段階を追加します。GANが最良の推定を出した後、別個の決定木アンサンブルがその典型的な誤差を学習し、補正を予測します。補正された表は、それでも非現実的な値にならないように穏やかに調整されます。この二段階の設計は、流れの全体的な形や集中度といった大局を捉えるGANの強みを生かしつつ、ブースターで局所的な詳細を鋭くするという利点を組み合わせます。また実経済では非常に大きなフローが少数存在し、多くの極めて小さなフローがあるという歪んだ分布が見られ、モデルはそのような偏りを明示的に模倣するよう促されます。

手法の実証

このハイブリッド手法が実際に機能するかを確かめるため、著者らは二つの主要データセットでテストしました：多くの国の国別表のコレクションと、数十の産業・地域にわたる世界のサプライチェーンを記述する世界産業連関表のセットです。これらの場合は真の表が既知であるため、研究者は推定値を現実および改良版の従来手法（改良RAS）と直接比較できます。全体的な適合、平均誤差、主対角成分の再現性、大小のフローの不均等な分布の保存など、幅広い指標においてハイブリッド手法が優れました。国別データセットでは、標準的な適合度指標が改良RASに比べてほぼ9ポイント改善し、産業内自己使用の把握精度は2倍以上になりました。世界表では、基礎構造をほぼ完全に再現し、さらに緊密な一致を達成しました。

現実の意思決定への含意

専門外の方に向けた要点は、調査班を戸別訪問させることなく、はるかに信頼できる地域経済の図を構築できるようになったということです。ハイブリッドモデルは政策アナリストが信頼する会計ロジックを維持しつつ、従来の手法が見逃してきた微妙な規則性を先端の機械学習が発見することを可能にします。より良い地域別産業連関表は、地域ショックの波及、どの産業が最も重要か、政策が雇用、所得、排出にどのように響くかのより信頼できる推定につながります。手法は依然として良質な訓練データと従来手法より多くの計算資源を必要としますが、その高い性能は、現代のデータサイエンスが地域開発、レジリエンス、構造変化を把握するための視点を大きく研ぎ澄ませる可能性を示唆しています。

引用: De Pretis, F., Tortoli, D. & Caria, S. Keeping up with the regions: a hybrid machine learning framework for estimating regional input-output tables. Sci Rep 16, 10893 (2026). https://doi.org/10.1038/s41598-026-45382-8

キーワード: 地域別産業連関表, 経済ネットワーク, 機械学習, 生成モデル, 地域開発