見出し画像

World Bank APIを用いた国際指標比較レポート

shogaku

目次

  1. はじめに

    • 本レポートの概要と分析対象国

  2. 指標別コード（凡例グラフ外配置、全データ表示）
    2.1 エネルギー使用量 (EG.USE.PCAP.KG.OE)
    2.2 CO₂排出量 (EN.GHG.CO2.PC.CE.AR5)
    2.3 交通事故による死亡率 (SH.STA.TRAF.P5)
    2.4 人口の変化 (SP.POP.TOTL)
    2.5 GDP (NY.GDP.MKTP.CD)
    2.6 銀行の自己資本比率 (FB.BNK.CAPA.ZS)
    2.7 電気へのアクセス（人口比）(EG.ELC.ACCS.ZS)
    2.8 0〜14歳の人口割合 (SP.POP.0014.TO.ZS)
    2.9 特許出願（居住者）(IP.PAT.RESD)
    2.10 森林面積（国土に占める割合）(AG.LND.FRST.ZS)

  3. 最後に

    • データの欠損

    • 指標間の関連性

    • 背景情報の追加

    • 他の国との比較


1. はじめに

本レポートでは、World Bankが提供する各種経済・社会・環境指標データを用いて、日本、アメリカ、イギリス、中国、インド、ロシアの6か国における各指標の時系列変化を分析します。
また、各コード例は全年度のデータ（利用可能な全ての数値）をそのまま表示し、グラフの凡例は右上外側に配置するようにしています。

2. 指標別コード（凡例グラフ外配置、全データ表示）

※各コード例では、APIから取得したデータの「date」と「value」を表示する形式になっています。

直近の年はまだデータがないことが多い。

2.1. エネルギー使用量

指標コード: EG.USE.PCAP.KG.OE

【エネルギー使用量】

  • 1974年～2015年のデータでは、長期的な上昇傾向や変動が確認できます。

  • 最新年度（2016年以降）のデータがNaNとなっている点から、最新の統計更新を待つか、利用可能な期間内で分析する必要があります。

import requests
import pandas as pd

urls = {
    'Japan': "https://api.worldbank.org/v2/country/JP/indicator/EG.USE.PCAP.KG.OE?format=json",
    'USA':   "https://api.worldbank.org/v2/country/US/indicator/EG.USE.PCAP.KG.OE?format=json",
    'UK':    "https://api.worldbank.org/v2/country/GB/indicator/EG.USE.PCAP.KG.OE?format=json",
    'China': "https://api.worldbank.org/v2/country/CN/indicator/EG.USE.PCAP.KG.OE?format=json",
    'India': "https://api.worldbank.org/v2/country/IN/indicator/EG.USE.PCAP.KG.OE?format=json",
    'Russia':"https://api.worldbank.org/v2/country/RU/indicator/EG.USE.PCAP.KG.OE?format=json"
}

dataframes = {}
for country, url in urls.items():
    response = requests.get(url)
    data = response.json()
    if len(data) < 2:
        print(f"{country}: データが見つかりませんでした。")
        continue
    df = pd.json_normalize(data[1])
    df['date'] = pd.to_datetime(df['date'])
    dataframes[country] = df[['date', 'value']]

for country, df in dataframes.items():
    print(f"--- {country} (エネルギー使用量) ---")
    print(df.to_string(index=False))
    print("\n")

2.2. CO₂排出量

指標コード: EN.GHG.CO2.㍶

【CO₂排出量（EN.GHG.CO2.PC.CE.AR5）】

  • 各国の1人あたりのCO₂排出量は、国ごとの産業構造、エネルギー政策、技術革新などの影響を受けています。

  • 例えば、日本は比較的低い値から徐々に上昇し、最近はやや下落傾向が見られるのに対し、USAは高い水準を維持しています。

  • この違いは、経済規模だけでなく、エネルギー効率や環境規制の違いとも関連していると考えられます。

import requests
import pandas as pd

urls = {
    'Japan': "https://api.worldbank.org/v2/country/JP/indicator/EN.GHG.CO2.㍶?format=json",
    'USA':   "https://api.worldbank.org/v2/country/US/indicator/EN.GHG.CO2.㍶?format=json",
    'UK':    "https://api.worldbank.org/v2/country/GB/indicator/EN.GHG.CO2.㍶?format=json",
    'China': "https://api.worldbank.org/v2/country/CN/indicator/EN.GHG.CO2.㍶?format=json",
    'India': "https://api.worldbank.org/v2/country/IN/indicator/EN.GHG.CO2.㍶?format=json",
    'Russia':"https://api.worldbank.org/v2/country/RU/indicator/EN.GHG.CO2.㍶?format=json"
}

dataframes = {}
for country, url in urls.items():
    response = requests.get(url)
    data = response.json()
    if len(data) < 2:
        print(f"{country}: データが見つかりませんでした。")
        continue
    df = pd.json_normalize(data[1])
    df['date'] = pd.to_datetime(df['date'])
    dataframes[country] = df[['date', 'value']]

for country, df in dataframes.items():
    print(f"--- {country} (CO₂排出量) ---")
    print(df.to_string(index=False))
    print("\n")

2.3. 交通事故による死亡率

指標コード: SH.STA.TRAF.P5

  • 減少傾向: 多くの国で、交通事故による死亡率は減少傾向にありますが、そのペースは国によって異なります。

import requests
import pandas as pd

urls = {
    'Japan': "https://api.worldbank.org/v2/country/JP/indicator/SH.STA.TRAF.P5?format=json",
    'USA':   "https://api.worldbank.org/v2/country/US/indicator/SH.STA.TRAF.P5?format=json",
    'UK':    "https://api.worldbank.org/v2/country/GB/indicator/SH.STA.TRAF.P5?format=json",
    'China': "https://api.worldbank.org/v2/country/CN/indicator/SH.STA.TRAF.P5?format=json",
    'India': "https://api.worldbank.org/v2/country/IN/indicator/SH.STA.TRAF.P5?format=json",
    'Russia':"https://api.worldbank.org/v2/country/RU/indicator/SH.STA.TRAF.P5?format=json"
}

dataframes = {}
for country, url in urls.items():
    response = requests.get(url)
    data = response.json()
    if len(data) < 2:
        print(f"{country}: データが見つかりませんでした。")
        continue
    df = pd.json_normalize(data[1])
    df['date'] = pd.to_datetime(df['date'])
    dataframes[country] = df[['date', 'value']]

for country, df in dataframes.items():
    print(f"--- {country} (交通事故による死亡率) ---")
    print(df.to_string(index=False))
    print("\n")

2.4. 人口の変化

指標コード: SP.POP.TOTL

  • 中国とインドの人口増加: 中国とインドは、世界で最も人口が多い国であり、その人口は増加し続けています。ただし、中国は近年、人口増加率が鈍化しています。

import requests
import pandas as pd

urls = {
    'Japan': "https://api.worldbank.org/v2/country/JP/indicator/SP.POP.TOTL?format=json",
    'USA':   "https://api.worldbank.org/v2/country/US/indicator/SP.POP.TOTL?format=json",
    'UK':    "https://api.worldbank.org/v2/country/GB/indicator/SP.POP.TOTL?format=json",
    'China': "https://api.worldbank.org/v2/country/CN/indicator/SP.POP.TOTL?format=json",
    'India': "https://api.worldbank.org/v2/country/IN/indicator/SP.POP.TOTL?format=json",
    'Russia':"https://api.worldbank.org/v2/country/RU/indicator/SP.POP.TOTL?format=json"
}

dataframes = {}
for country, url in urls.items():
    response = requests.get(url)
    data = response.json()
    if len(data) < 2:
        print(f"{country}: データが見つかりませんでした。")
        continue
    df = pd.json_normalize(data[1])
    df['date'] = pd.to_datetime(df['date'])
    dataframes[country] = df[['date', 'value']]

for country, df in dataframes.items():
    print(f"--- {country} (人口) ---")
    print(df.to_string(index=False))
    print("\n")

2.5. GDP

指標コード: NY.GDP.MKTP.CD

  • アメリカと中国の経済規模: アメリカと中国は、世界で最もGDPが大きい国であり、世界経済を牽引しています。

  • 日本の経済成長の停滞: 日本のGDPは、1990年代以降、長期的に停滞しています。

import requests
import pandas as pd

urls = {
    'Japan': "https://api.worldbank.org/v2/country/JP/indicator/NY.GDP.MKTP.CD?format=json",
    'USA':   "https://api.worldbank.org/v2/country/US/indicator/NY.GDP.MKTP.CD?format=json",
    'UK':    "https://api.worldbank.org/v2/country/GB/indicator/NY.GDP.MKTP.CD?format=json",
    'China': "https://api.worldbank.org/v2/country/CN/indicator/NY.GDP.MKTP.CD?format=json",
    'India': "https://api.worldbank.org/v2/country/IN/indicator/NY.GDP.MKTP.CD?format=json",
    'Russia':"https://api.worldbank.org/v2/country/RU/indicator/NY.GDP.MKTP.CD?format=json"
}

dataframes = {}
for country, url in urls.items():
    response = requests.get(url)
    data = response.json()
    if len(data) < 2:
        print(f"{country}: データが見つかりませんでした。")
        continue
    df = pd.json_normalize(data[1])
    df['date'] = pd.to_datetime(df['date'])
    dataframes[country] = df[['date', 'value']]

for country, df in dataframes.items():
    print(f"--- {country} (GDP) ---")
    print(df.to_string(index=False))
    print("\n")

2.6. 銀行の自己資本比率

指標コード: FB.BNK.CAPA.ZS

  • データの欠損: 多くの国で、近年（特に2013年以降）のデータが欠損しており、十分な分析ができません。

  • ばらつき: データが存在する範囲では、国によって自己資本比率にばらつきが見られます。

  • 日本のデータ: 日本のデータは少なく、近年の傾向はつかめない。

import requests
import pandas as pd

urls = {
    'Japan': "https://api.worldbank.org/v2/country/JP/indicator/FB.BNK.CAPA.ZS?format=json",
    'USA':   "https://api.worldbank.org/v2/country/US/indicator/FB.BNK.CAPA.ZS?format=json",
    'UK':    "https://api.worldbank.org/v2/country/GB/indicator/FB.BNK.CAPA.ZS?format=json",
    'China': "https://api.worldbank.org/v2/country/CN/indicator/FB.BNK.CAPA.ZS?format=json",
    'India': "https://api.worldbank.org/v2/country/IN/indicator/FB.BNK.CAPA.ZS?format=json",
    'Russia':"https://api.worldbank.org/v2/country/RU/indicator/FB.BNK.CAPA.ZS?format=json"
}

dataframes = {}
for country, url in urls.items():
    response = requests.get(url)
    data = response.json()
    if len(data) < 2:
        print(f"{country}: データが見つかりませんでした。")
        continue
    df = pd.json_normalize(data[1])
    df['date'] = pd.to_datetime(df['date'])
    dataframes[country] = df[['date', 'value']]

for country, df in dataframes.items():
    print(f"--- {country} (銀行の自己資本比率) ---")
    print(df.to_string(index=False))
    print("\n")

2.7. 電気へのアクセス（人口比）

指標コード: EG.ELC.ACCS.ZS

  • 先進国はほぼ100%: 日本、アメリカ、イギリスなどの先進国では、ほぼ全ての人が電気を利用できます。

  • 発展途上国での改善: 電気へのアクセス率が向上していますが、まだ100%には達していません（特にインド）。


import pandas as pd

urls = {
    'Japan': "https://api.worldbank.org/v2/country/JP/indicator/EG.ELC.ACCS.ZS?format=json",
    'USA':   "https://api.worldbank.org/v2/country/US/indicator/EG.ELC.ACCS.ZS?format=json",
    'UK':    "https://api.worldbank.org/v2/country/GB/indicator/EG.ELC.ACCS.ZS?format=json",
    'China': "https://api.worldbank.org/v2/country/CN/indicator/EG.ELC.ACCS.ZS?format=json",
    'India': "https://api.worldbank.org/v2/country/IN/indicator/EG.ELC.ACCS.ZS?format=json",
    'Russia':"https://api.worldbank.org/v2/country/RU/indicator/EG.ELC.ACCS.ZS?format=json"
}

dataframes = {}
for country, url in urls.items():
    response = requests.get(url)
    data = response.json()
    if len(data) < 2:
        print(f"{country}: データが見つかりませんでした。")
        continue
    df = pd.json_normalize(data[1])
    df['date'] = pd.to_datetime(df['date'])
    dataframes[country] = df[['date', 'value']]

for country, df in dataframes.items():
    print(f"--- {country} (電気へのアクセス) ---")
    print(df.to_string(index=False))
    print("\n")

2.8. 0〜14歳の人口（総人口の%）

指標コード: SP.POP.0014.TO.ZS

  • 少子高齢化: 日本は、0〜14歳の人口割合が最も低く、少子高齢化が深刻な状況です。

  • インドの若年層: インドは、0〜14歳の人口割合が比較的高く、若い人口構成となっています。

  • 中国の変化: 中国は一人っ子政策を近年まで行っていたこともあり、0-14歳の人口割合が減少傾向にある。

import requests
import pandas as pd

urls = {
    'Japan': "https://api.worldbank.org/v2/country/JP/indicator/SP.POP.0014.TO.ZS?format=json",
    'USA':   "https://api.worldbank.org/v2/country/US/indicator/SP.POP.0014.TO.ZS?format=json",
    'UK':    "https://api.worldbank.org/v2/country/GB/indicator/SP.POP.0014.TO.ZS?format=json",
    'China': "https://api.worldbank.org/v2/country/CN/indicator/SP.POP.0014.TO.ZS?format=json",
    'India': "https://api.worldbank.org/v2/country/IN/indicator/SP.POP.0014.TO.ZS?format=json",
    'Russia':"https://api.worldbank.org/v2/country/RU/indicator/SP.POP.0014.TO.ZS?format=json"
}

dataframes = {}
for country, url in urls.items():
    response = requests.get(url)
    data = response.json()
    if len(data) < 2:
        print(f"{country}: データが見つかりませんでした。")
        continue
    df = pd.json_normalize(data[1])
    df['date'] = pd.to_datetime(df['date'])
    dataframes[country] = df[['date', 'value']]

for country, df in dataframes.items():
    print(f"--- {country} (0〜14歳の人口割合) ---")
    print(df.to_string(index=False))
    print("\n")

2.9. 特許出願（居住者）

指標コード: IP.PAT.RESD

  • 中国の急増: 中国は、近年、居住者による特許出願数が急増しており、技術革新の進展が著しいです。

  • 日本とアメリカ: 日本とアメリカは、長年にわたり多くの特許を出願してきましたが、近年は減少傾向または横ばいです。

import requests
import pandas as pd

urls = {
    'Japan': "https://api.worldbank.org/v2/country/JP/indicator/IP.PAT.RESD?format=json",
    'USA':   "https://api.worldbank.org/v2/country/US/indicator/IP.PAT.RESD?format=json",
    'UK':    "https://api.worldbank.org/v2/country/GB/indicator/IP.PAT.RESD?format=json",
    'China': "https://api.worldbank.org/v2/country/CN/indicator/IP.PAT.RESD?format=json",
    'India': "https://api.worldbank.org/v2/country/IN/indicator/IP.PAT.RESD?format=json",
    'Russia':"https://api.worldbank.org/v2/country/RU/indicator/IP.PAT.RESD?format=json"
}

dataframes = {}
for country, url in urls.items():
    response = requests.get(url)
    data = response.json()
    if len(data) < 2:
        print(f"{country}: データが見つかりませんでした。")
        continue
    df = pd.json_normalize(data[1])
    df['date'] = pd.to_datetime(df['date'])
    dataframes[country] = df[['date', 'value']]

for country, df in dataframes.items():
    print(f"--- {country} (特許出願（居住者）) ---")
    print(df.to_string(index=False))
    print("\n")

2.10. 森林面積（国土に占める割合）

指標コード: AG.LND.FRST.ZS

  • 日本の森林率の高さ: 日本は、国土の約7割が森林であり、先進国の中でも森林率が非常に高い国です。

  • ロシアの広大な森林: ロシアは、広大な国土に広大な森林を有しています。

  • 中国、インドの植林: 中国とインドは森林面積が増加傾向にあり、植林などの取り組みが進められていると考えられます。

import requests
import pandas as pd

urls = {
    'Japan': "https://api.worldbank.org/v2/country/JP/indicator/AG.LND.FRST.ZS?format=json",
    'USA':   "https://api.worldbank.org/v2/country/US/indicator/AG.LND.FRST.ZS?format=json",
    'UK':    "https://api.worldbank.org/v2/country/GB/indicator/AG.LND.FRST.ZS?format=json",
    'China': "https://api.worldbank.org/v2/country/CN/indicator/AG.LND.FRST.ZS?format=json",
    'India': "https://api.worldbank.org/v2/country/IN/indicator/AG.LND.FRST.ZS?format=json",
    'Russia':"https://api.worldbank.org/v2/country/RU/indicator/AG.LND.FRST.ZS?format=json"
}

dataframes = {}
for country, url in urls.items():
    response = requests.get(url)
    data = response.json()
    if len(data) < 2:
        print(f"{country}: データが見つかりませんでした。")
        continue
    df = pd.json_normalize(data[1])
    df['date'] = pd.to_datetime(df['date'])
    dataframes[country] = df[['date', 'value']]

for country, df in dataframes.items():
    print(f"--- {country} (森林面積) ---")
    print(df.to_string(index=False))
    print("\n")


3. 最後に

上記の考察は、提供されたデータに基づく基本的なものです。より詳細な分析を行うためには、以下の点について検討する必要があります。

  • データの欠損: 特に銀行の自己資本比率など、一部の指標でデータの欠損が見られます。欠損の理由を調査し、可能であれば他のデータソースから補完する必要があります。

  • 指標間の関連性: 各指標間の関連性を分析することで、より深い洞察を得ることができます。例えば、エネルギー使用量とGDP、CO₂排出量と経済成長、人口構成と社会保障制度など、さまざまな組み合わせが考えられます。

  • 背景情報の追加: 各国の政策、社会情勢、歴史的背景などの情報を加えることで、データの解釈を深めることができます。

  • 他の国との比較: 今回分析対象とした6カ国以外の国との比較を行うことで、より相対的な評価が可能になります。

これらの追加分析を行うことで、より包括的で詳細な考察が可能になります。


いいなと思ったら応援しよう！