2025.11.20 ネイチャー・クライメート

政府の予測力の現在地を探る③
～どのような予測があるか後編（各政策分野の詳細）～

本稿は、政府予測の体系的な整理・分析を通じて、予測を活用しつつも惑わされないための実務的視点を提示するシリーズ第3報である。前稿の経済・産業分野に続き、本稿では、社会・医療・福祉、食料・農林水産、国土・インフラ、環境・エネルギー、防災・危機管理の5分野の政府予測275件の具体的な予測リストと特徴的な事例を取り上げ、予測がどのように作成され、政策に活用されているのかを分析した。
　年金財政検証、野生鳥獣の個体数予測、水需要予測、気候変動関連の新たなタイプの予測などを題材に、根拠法との連動性、予測アプローチや不確実性の扱い方、政策決定者の姿勢といった論点で分析を進めた。その結果、政府予測の多くが、政府の見通しを示す「情報提供サービス」にとどまらず、政策形成や制度運用を支える基盤的な「情報インフラ」として機能していることが確認された。したがって、政府予測の質・量の改善や、予測と政策決定者との関係性の強化は、政策の質の向上に直結する。さらに、COVID-19の数理モデルによる流行予測やSPEEDI、地震・津波の予測などの事例を通じて、科学的予測を政策決定プロセスにどう位置付け、社会にどう提示するかという点に残された課題を示した。
　シリーズ最後となる次稿では、気象予報などの具体的な予測を取り上げ、精度検証や妥当性評価の状況をもとに、政府予測の信頼性について考察する。

本稿でわかること

政府予測の体系的な位置付けと、政策分野ごとの特徴（経済・産業分野については既報）
社会保障・食料・インフラなどに関する政策に政府予測が果たす役割の実態
政府予測の制度的な背景（根拠法など）や政策との関係性（連動性など）
統計型／数理モデル型、シナリオ型／確率型など、予測アプローチや不確実性に関する特徴と使い分け
水需要予測や新たなタイプの気候変動予測など、政府予測における変化と潮流
政策を支える基盤的な情報インフラとしての政府予測の役割
政府予測が政策に円滑に接続されるための要件・条件
科学的予測と政策決定者の距離からみた政府予測の課題（COVID-19感染症流行予測やSPEEDIを例に）

１．はじめに

（１）本稿の位置づけ

本稿を含む4本のレポートでは、政府予測を網羅的に調査して、その結果をもとに政府の予測力の一端を明らかにする。
　前稿¹では、「どのような予測があるか前編」と題して、政府予測319件の全体像を8つの分析軸に基づいて分析し、経済・産業分野の予測44件の特徴などを考察した。
　続く本稿では、「どのような予測があるか後編」として、経済・産業分野以外の5つの政策分野の予測リストを提示しながら、分野ごとに考察を進める。説明は最小限にとどめ、予測事例についても簡潔な記載に努めたが、結果として長いレポートとなっている。このため、章立ての順番にはこだわらず、ご自分の興味のある政策分野から目を通していただくこともお勧めしたい。

（２）前稿までの再確認

本論に入る前に「政府予測」の定義など、議論の前提を再確認する（詳細は前々稿²、前稿を参照）。すでにご存じの方は適宜読み飛ばしていただきたい。

①「政府予測」について

本稿の「政府予測」とは、日本の府省庁が自らの予測として公表し、そのことを令和元年度以降の公表資料で確認できるものとしている。なお、府省庁が独立行政法人などに要請・委託することによって実施された予測は、研究段階にとどまるものなどを除き「政府予測」に含めた³。

②予測、フォーサイト、長期戦略等の関係について

本稿の「予測」とは、将来のある時点における状態や事象の発生を、何らかの根拠や前提に基づいて定量的または定性的に推し量ることである。単なるアンケートの集計結果やDI（Diffusion Index）は、すでに存在する状態の把握であるから「予測」には該当しない。
　これに対して「フォーサイト」は、未来を考えることである。意味合いは「展望」や「洞察」に近いが「予測」と表記される場合もある。根拠をもって未来を読む「予測」と重なる部分はあるものの、異なる概念として整理される⁴。
　また政府は、戦略、計画、将来像などの名称でさまざまな「長期戦略等」を提示しており、その検討過程において「予測」や「フォーサイト」が根拠、手法として活用されている。
　したがって、「フォーサイト」は本稿の「政府予測」に該当しない場合が多く、それらは今回作成した予測リストには含まれていないことに留意されたい。また、「長期戦略等」は基本的に「政府予測」そのものではなく、その出典（政府予測の掲載資料）として予測リスト中に登場することになる⁵。

③分析軸について

本稿では8つの分析軸を用いて体系的な分析を行う≪図表1≫（詳細は前々稿を参照）。

④政策分野について

本稿では政策分野を6つに分類し≪図表2≫、経済・産業分野（既報）以外の政府予測について報告する。

２．どのような予測があるか－その2：社会・医療・福祉分野

（１）当該分野の政府予測の特徴（小括）

社会・医療・福祉分野の政策は、国民の健康や生活水準の維持、人口構造の変化を踏まえた持続的な社会保障制度の構築などを通じて、国民生活の基盤を支える役割を担っている。
　この分野の政府予測は、医療・介護・年金制度の持続性を評価するための根拠として政策に活用されている。また、人口や年齢構成に関する長期の将来推計は、各政策分野の政府予測において基盤データや前提条件として広く利用され、それぞれの政策の方向性に大きな影響を与えている。
　さらに、人口動態や社会構造が緩やかに変化するという特性を反映して、長期～超長期的な将来見通しを示す政府予測が多いことも、この分野の特徴である。

（２）予測の一覧と構成

社会・医療・福祉分野の政府予測58件の一覧を≪図表3-1、図表3-2≫に示す。

全体の大まかな構成をみると≪図表4≫、社会保障・医療・福祉に関する予測が41件で全体の3分の2以上を占めており、これに人口に関する予測が12件、教育・文化に関する予測が5件と続いている。
　さらに、このうち社会保障・医療・福祉の予測41件を詳しくみると、年金・医療・介護など制度面に関する予測（マクロ的な予測）が18件、医療・介護サービスの現場や人材に関する予測（ミクロ的な予測）が23件となっている。これらから、制度と現場の双方を支える形で予測が活用されていることがうかがえる。
　また、人口に関する予測12件の中には、厚生労働省の内部機関である国立社会保障・人口問題研究所による日本の将来推計人口（№43-46）が含まれる。この推計は、各政策分野の政府予測において基盤データや前提条件として広く利用されており、その妥当性・信頼性が他の予測に与える影響は極めて大きい。なお、№48-53は、令和5年閣議決定「第三次国土形成計画（全国計画）」の検討に際して実施された政府予測である。
　一方、医療分野では、2020年以降の日常生活や経済活動に大きな影響を与えた新型コロナウイルス感染症（COVID-19）について、数理モデルによる感染症流行予測が注目を集めた。しかし、その結果は専門家による学術的な予測として取り扱われた経緯があり、本稿では「政府予測」に含めていない。他方で、イギリスや台湾では、数理モデルによる予測が政策現場の意思決定ツールとして活用されたとの報告もあり、この点については(4)で補足する。

（３）分析軸から見た特徴

本稿では、分野ごとに予測を10件ほどに絞って8つの分析軸に基づく分類結果を例示する≪図表5≫。

①分析軸Ⅰ

この分野では、継続的な予測が全体の85%、根拠法等のある予測が全体の33%を占めている（全分野の平均は、継続的な予測が87%、根拠法等ありが49%）（詳細は前稿参照）。根拠法は以下のとおり。

国民年金法、厚生年金保険法（№9-14）
看護師等の人材確保の促進に関する法律（№20）
医療法（№23-33）
高齢者の医療の確保に関する法律（№34）

このうち、特に国民年金法では予測の実施が明文化されており（※）、政府予測と政策の接続が法的に担保されている。そのため、年金に関する予測（№9ほか）では、5年ごとの財政検証に向けて、前回の検証内容を点検する作業（広義の事後検証）が実施されている。この点については、(4)で後述する。

※国民年金法第4条の3第1項では、政府は少なくとも5年ごとに、保険料及び国庫負担の額や収支等について、財政均衡期間（おおむね100年）における見通しを作成しなければならないとされている。

②分析軸Ⅱ

この分野の予測は、他分野に比べて行政向けの予測の比率が高く、長期～超長期の予測が多い（詳細は前稿）。その例外として、中期（1か月～5年）の予測である№34の「医療費適正化による効果額の推計」、№35の「ワクチンごとの供給見通し」、超短期（～3日）の予測である№41の「暑さ指数の予報」が挙げられる。
　また、統計型の予測アプローチが数理モデル型より優勢であることも、この分野の特徴である。一般に、社会・経済関連の予測では、国際情勢の変化や技術革新など多様な要因が相互に影響し合うため、将来の不確実性が高い。このため、複雑な構造をもつモデルで大規模なデータ処理を行う精緻な予測への期待が高まる一方で、そうした不確実性を無理に織り込まず、時系列データに係数を乗じるだけのシンプルな予測が採用される場合もある。後者の例として、№23の「悪性新生物の入院患者数の推計」があり、その概要については(4)で取り上げる。

③分析軸Ⅲ

不確実性の扱い方では特定型の予測が優勢だが、予測の多くが長期～超長期であるため、予測精度の検証が物理的に困難な予測が全体の9割以上を占めており、6つの政策分野の中で最も高い。なお、ここでの「検証困難」とは、厳密な予測精度の検証（狭義の事後検証）が困難なことを意味し、予測と実績の乖離の評価やモデル・シナリオの妥当性検討（広義の事後検証）が困難ということではない（詳細は前稿3(3)②b）。

（４）特徴的な予測事例など

① COVID-19の数理モデルによる感染症流行予測について～科学的予測への期待と政策との距離～

2020年3月の世界保健機関（WHO）によるCOVID-19のパンデミック宣言以降、感染経路や感染者数の推移に関する科学的予測に注目が集まった。特に、当時整備中であったスーパーコンピュータ「富岳」を使ったウイルス飛沫の飛散予測は、わかりやすい可視化結果とともに話題となった。この予測は、理化学研究所の研究成果として同年11月に公表されたものであり⁶、政府予測には該当しない。
　一方、これに先立つ同年4月頃から、SIRモデル⁷と呼ばれる数理モデルを用いた感染者数予測が報道等で多く取り上げられるようになった。特に、人と人との接触機会を大幅に減らすことで、感染症の増加傾向を減少傾向へと反転できることを示した予測結果は、外出自粛や休業要請といった政府の緊急事態措置の判断材料の1つになったとされる⁸。しかしながら、これらの予測は、政府の「新型コロナウイルス感染症対策本部」において、専門家による分析・意見として取り扱われ、本稿の対象とする「政府予測」と位置付けられたものではなかった。
　

こうした数理モデルによる感染症流行予測については、当初から専門家の間でも賛否があった。その後、厳しい接触規制に伴う経済への影響が顕在化し、規制の効果に対する懐疑的な見方も広まったことにより、次第に予測への注目は薄れていった。それでも、日本において、数理モデルによる感染症流行予測が政策決定に明確な影響を与えたのは、このCOVID-19が初めてのケースであったとされる。科学的予測が政府の専門家会議で取り上げられ、その活用が議論されたこと自体を肯定的に捉える節もあるが、感染拡大の初期を除くと、予測結果が政策に積極的に活用されたとは言い難い。
　

一方、イギリスや台湾のように、数理モデル等による科学的予測を政策に反映する仕組みをもち、それが活用されたとされる国もある⁹。科学的予測を政策に接続する仕組みや、予測に対する政策決定者側のスタンスという点で、日本とこれらの国の間には明確な違いがあり、この点はCOVID-19以前から指摘されていた¹⁰。
　感染症流行予測に関しては、イギリスの場合、2001年の口蹄疫（家畜伝染病であってヒトには感染しないが、当時のイギリスでは人への感染が懸念されていた）のパンデミック時に、数理モデルによる予測が家畜の大量殺処分の決定根拠として初めて活用されたとされる。発生当初は数理モデルによる予測を肯定的に捉えた報道が多かったが、感染拡大のコントロールがうまく進まない中で、徐々にモデルへの失望を伝える論調が増えていったとされ、日本でのCOVID-19時と類似した状況がみられていた点は興味深い。
　ただし、イギリスでは、2002年のSARS（重症急性呼吸器症候群）や2009年の新型インフルエンザを経て、政府対応の調整機関（危機管理委員会）に数理モデル専門家チームが設置され、科学的予測が政策に直接的に反映される仕組みが、COVID-19の時点ですでに整備されていた¹¹。台湾でも、2009年の新型インフルエンザの経験を境に、数理モデルによる予測結果が政策決定者に肯定的に受け止められるようになったとされる。
　これに対して日本では、SARSの感染者数が少なかったうえ、2009年の新型インフルエンザでも死亡率が海外に比べて低かった（人口10万人対死亡率：カナダ1.32、英国0.76、韓国0.53、日本0.16）¹²。そのため、政府が科学的予測と正面から向き合わざるを得ない局面が限られ、科学的予測を政策に生かす経験が蓄積されにくかったといえる。結果として、COVID-19の前後で、科学的予測に対する政策決定者側のスタンスが大きく変化したようにはみえず、政府が科学的予測との適切な関係を構築する絶好の機会を逸したように映る。
　

日本では、こうした予測と政策決定者との距離感が他の分野にもみられる。緊急時迅速放射能影響予測ネットワークシステム（SPEEDI）は、2011年の福島第一原子力発電所事故という、本来なら機能が最大限発揮されるべき局面で十分に活用されず、その後長い時間が経過した現在も、SPEEDIによる科学的予測と政策決定者との溝は埋まっていない（詳細は6の防災・危機管理分野にて後述）。
　また、感染症流行予測に関連して「数理モデルが示す確率論的な世界観が、日本で特徴的なガバナンスと接続しにくい」との指摘もある¹³。こうした構造的な要因を踏まえると、科学的予測と政策決定者の間にある距離は、簡単には解決できない根深い課題ということになる。

②年金財政に関する予測（№9）について～妥当性の検討結果を踏まえて予測の向上が図られた例～

公的年金制度は長期的な制度であるため、法律に基づき定期的に財政検証が実施されている。令和6年（最新）の財政検証に関する検討資料によれば、財政検証は将来の状況を正確に見通す予測（forecast）ではなく、現在のデータをシナリオに基づき将来の年金財政へ投影（projection）したものと位置付けられている。その上で、前回（令和元年）の財政検証で設定された経済前提（物価上昇率、賃金上昇率、運用利回り等）の妥当性の検討が行われ、その結果が最新の財政検証に反映されている。
　この検討で明らかになった主な課題や改善点は以下のとおりであり¹⁴、政府予測が広義の事後検証を踏まえて改善されていく過程を詳細に確認できる数少ない事例となっている。

＜経済前提の乖離について＞

実質賃金上昇率の前提が実績より高く、実質的な運用利回りの前提は実績より低く設定されていた
実質賃金上昇率の設定では、労働生産性向上と実質賃金の関係が他の先進諸国と異なる点や、実質賃金の伸びにおける労働生産性向上の寄与が多くの先進諸国で大きい点を考慮すべき

＜予測モデルについて＞

前回用いられた枠組みを基本としつつ、総投資率の設定方法や利潤率の計算式を見直すべき
前回は総投資率を外生的に設定していたが、両者に一定の相関があることが確認されたため、総投資率の設定方法を見直し、利潤率を説明変数とする回帰式により総投資率を設定するべき

＜予測モデルについて＞

シナリオを前回の6ケース（Ⅰ～Ⅵ）から4ケース（「成長実現ケース」等の名称付き）に変更して、簡素かつわかりやすくするべき
一方、全要素生産性（TFP）上昇率は前回より幅広く設定して、より広い将来の経済の姿を想定すべき

③悪性新生物の入院患者数の推計（№23）について～不確実性の高い将来をシンプルな手法で予測した例～

この予測では、将来人口（※）と、悪性新生物（がんや肉腫）の入院受療率（人口10万人当たりの入院受療者数）を掛け合わせることにより、2040年までの入院患者数の推移を試算している≪図表6≫。都道府県別の性別・年齢階級別のデータが用いられているため、実際の計算は多数のパーツから構成されるものの、計算式自体は極めてシンプルである。
　この予測の前提をみると、将来の入院受療率は2017年時点の値で固定されており、今後のがん治療における入院受療の割合変化や、がんの予防や治療方法の変化は考慮されていない。しかし、入院患者数に対して高齢化の進行がもたらす増加要因（高齢層ほど入院受療率が高い）と、人口減少がもたらす減少要因のバランスを地域間で比較するという目的を考えれば、このような単純化された前提の方が適しているともいえる。不確実性の高い要素や多数のシナリオを過度に盛り込んだり、複雑な予測モデルを用いて結果の解釈が難しくなるよりも、こうしたシンプルな手法の方が、結果の訴求性や検証可能性の点で優れている場合がある。

※№44の「日本の地域別の将来推計人口（都道府県・市区町村）」の平成30年版が用いられている。