지방 창생 분석 모니터

개시하다


아베 정권의 중요한 정책의 지방 창생.도쿄의 일극집중을 바로잡아 지방 인구 감소를 억제하고 일본 전체의 활력을 제고하기 위한 일련의 정책인 동시에 텍스트 발굴을 배우는 한편 지방 공공단체에 대한 국가의 지원이 어떻게 변화했는지를 고려한 것이다.

지역 재생 계획


이번에 사용한 것은 지역 재생 제도를 바탕으로 한 지역 재생 계획이다.지역재생제도란 지역경제 활성화와 지역일자리 창출을 종합적이고 효과적으로 추진하기 위해 국가가 지역이 진행하는 자주적이고 자립적인 조치를 지원하는 것이다.지방 공공단체가 지역재생계획을 수립해 내각 총리상 인정을 거쳐 해당 지역재생계획에 기재된 사업 시행 시 재정·금융 등 지원조치를 활용할 수 있도록 했다.
예컨대 기업과 NPO 법인의 시설의 농지 전용이 가능해지고, 본사 기능을 지방으로 이전한 기업의 세제 우대 조치 등의 규제가 완화돼 관광객 유치, 도로와 항만의 인프라 정비 등에 대한 사업에 대한 보조금 등이다.이 지역재생제도는 평성에서 17년부터 지방창생을 제창해 왔고, 중도에 지방창생의 개념 등에 따라 제도를 변경했다.
따라서 지방 창생이 시작되기 전후에 이 지역 재생 계획을 분할하고 분석하면 지방 창생이 국가의 지방 공공단체에 대한 지원이 어떻게 바뀌었는지 알 수 있을 것 같다.

데이터 출처


지역재생계획은 각 지방 공공단체가 제정하고 내각 총리 대신이 인정하지만 지금까지 인정된 계획은 이쪽에서 얻을 수 있다.
https://www.kantei.go.jp/jp/singi/tiiki/tiikisaisei/saiseikeikaku.html
여기에 있는'현재 활용되는 계획'과'계획기간 종료된 계획'을 합쳐 엑셀에서 함께 사용한다.성형 후의 데이터가 GiitHub까지 올랐다.
https://github.com/hrkzz/regional_revitalization_plan
그러면 파이톤이 데이터를 읽고 분석하도록 합니다.

컨디션


Windows Subsystem for Linux
Ubuntu 18.04
Python 3.6
mecab of 0.996
사전은 mecab-ipadic-Neologd
글꼴은 NotoSansMonoCJKr-Reglar입니다.otf
이번에 가장 힘들었던 건 MeCab, CaBocha, mecab-ipadic-Neologd 설치...그리고 영어로 계속 쓰는데 Jupter에 일본어로 써도 어려워요.노모어 투퓨라는 건 처음 알았어요.이 근처에 다양한 사람들이 기사를 쓰고 있으니 구글에 가보세요. (그래도 힘들지만...)

매크로 패키지를 불러옵니다.

#基本ライブラリ
import numpy as np
import pandas as pd

#可視化のライブラリ
import matplotlib.pyplot as plt
from matplotlib.pylab import rcParams
from matplotlib.font_manager import FontProperties
font_path = "/mnt/c/ubuntu_home/font/NotoSansMonoCJKkr-Regular.otf"
font_prop = FontProperties(fname=font_path)
import seaborn as sns
from adjustText import adjust_text

#フォルダをいじるライブラリ
import os
import glob

#テキストマイニングのためのライブラリ
import MeCab

#コレスポンデンス分析のためのライブラリ
import mca

데이터 읽기

data = pd.read_excel('regional_revitalization_plan.xlsx', encoding = 'Shift_JISx0213')
data.head(1)
data.shape
(5920, 24)
이에 따라 이번에 읽은 것은 지역재생계획 5천920건이다.데이터 양은 그런대로 괜찮다.24줄이 여기 있습니다.
data.columns
Index(['id', 'ongoing', 'pref', 'codepref', 'pref_code', 'city', 'codecity',
'code', 'plan_name', 'plan_abs', 'timing', 'date_seireki', 'change',
'num_measure', 'measure1', 'measure2', 'measure3', 'measure4',
'measure5', 'measure6', 'measure7', 'measure8', 'measure9', 'measure10',
'year'],
dtype='object')
id는 모든 계획의 번호입니다.겹치는 계획이 없어 총 5천920개다.
ongoing이 0이면 계획을 끝내고 1이면 계속 중인 계획을 세운다.
pref는 계획 주체인 지방 공공단체 소속 도도부현이다.
codepref는 도도부현의 코드입니다.도도부현을 뛰어넘는 계획은 48개다.
pref_코드는 코드pref와 pref를 연결하는 물건입니다.시각화할 때 사용합니다.
시티는 시내 마을의 이름이다.도도부현의 사업에 도도부현의 명칭(예를 들어 홋카이도 홋카이도)을 넣었다.
codecity는 6비트 코드입니다.광역 지역의 경우 000000을 휘두른다.
코드는 코드pref와 코드를 연결하는 물건입니다.
plan_name은 계획 이름입니다.
plan_abs는 계획의 개요입니다.
timing은 인정된 횟수입니다.
date_Seireiki는 인정일의 서력 표시이다.
change가 계획 횟수를 바꿨습니다.
num_measure는 지역재생 지원이 인정된 국가의 정책 물량이다.
measure 1~10은 지원되는 구체적인 조치 명칭(넓은 표기와 품위가 맞지 않음)이다.
예아는 인정받은 한 해였다.

데이터 검색(EDA)


매번 확정된 계획수

rcParams['figure.figsize'] = 15,4
data[['date_seireki','plan_name']].groupby(['date_seireki']).agg(['count']).plot.bar()

후반부가 갑자기 증가했지만 회당 편차가 있었다.아마 인정으로 돌려보는 것보다 연수로 보는 게 좋을 것 같아요.

연간 승인 계획

data['year'] = pd.DatetimeIndex(data.date_seireki).year
rcParams['figure.figsize'] = 15,4
data[['year','plan_name']].groupby(['year']).agg(['count']).plot.bar()

지방 창생이 본격화한 2016년부터 급격히 증가해 2018년에는 감소하는 추세다.

도도부현당 계획수

rcParams['figure.figsize'] = 15,4
data[['codepref','plan_name']].groupby(['codepref']).agg(['count']).plot.bar()

시마치촌의 수가 많은 01홋카이도는 절대적으로 앞서고 있다.다음은 20장야현이다.13 도쿄는 이해할 수 있는 것이 적고 37 가가와현의 시마치촌도 적기 때문에 이렇다.47 오키나와현은 지방 창생에 비해 독자적인 오키나와 진흥 정책으로 사용하기 편리하기 때문에 숫자가 비교적 낮다.아마 각 도도부현의 시정촌수를 나눈 값으로 봤을 텐데...

국가의 지원책

measure_list = data.iloc[:,14:24].unstack().dropna().reset_index(drop=True)
len(np.unique(measure_list))
106
이에 따라 지역재생계획 인정에 따른 국가지원의 종류는 106이다.꽤 많네.
word_freq(measure_list).head(10)

word_freq라는 독특한 함수를 사용했지만 자세한 내용은 나중에 쓰고 싶습니다.지방창생추진 교부금은 2천303건으로 크게 앞섰다.2위인 지방창생거점정비보조금도 많아 지방창생 개시 이후 지원책이 압도적으로 많았다.이 때문에 2016년 이후 지역재생계획 인정 건수가 늘어났다.그나저나 5위 도시·개인·사업 창생 기부 활용 사업 관련 기부법인의 특례는 기업판 고향납세다.

좋은 웹페이지 즐겨찾기