🍚 食費が家計をのみ込む？物価・賃金・エンゲル係数で読み解く

みなさんも統計・データ分析で日常を描いてみませんか？

イントロ

日常と統計を結ぶ 統計小話シリーズ の第２話は 暮らしと物価 です。
最近の物価上昇から生活のゆとりを取り戻したいものです…

トピック

1. 暮らしの体感

「また高くなってる…」
スーパーでの買い物は、ここ数年で誰もがそう感じるようになりました。

でも給料はその実感ほど増えていない。
そのズレが「暮らしにくさ」の背景になっているのかもしれません。

🍚🍚🍚

2. 物価の長期トレンド

総務省「消費者物価指数」を見ると、2000年代は横ばいが続きました。
しかし2010年代後半から総合指数がじわじわ上がり、直近では食料CPIが総合を大きく上回って上昇しています。

👉 「食料」の急激な物価上昇が、暮らしにくさに直撃しているようです。

🍚🍚🍚

3. 名目賃金は上がっても、実質は伸びない

厚生労働省「毎月勤労統計調査」によると、名目賃金指数は緩やかに上昇しています。
しかし物価の伸びを差し引いた 実質賃金指数は低下と横ばい が継続しています。

👉 グラフにCPIを重ねると、「名目は上昇、実質は停滞」という乖離が一目で分かります。

暮らしの実感と賃上げの数字が噛み合わない理由です。

🍚🍚🍚

4. エンゲル係数が再び上昇

家計調査から算出したエンゲル係数（食費の割合）は、2000年代にいったん下がった後、2010年代以降に再び上昇しています。
食料CPIを重ねると、食費割合の上昇と食料価格の高まりが並行して進んでいることが見えます。

👉 豊かさの常識を逆転させる「エンゲル係数の再上昇」が、データで裏付けられています。

統計的な指標で深掘り
さらに、エンゲル係数を「食料CPI」と「実質賃金指数」で説明する回帰分析を行いました。

• 食料CPIが高いほどエンゲル係数は上昇（回帰係数 = 0.16）

• 実質賃金指数が高いほどエンゲル係数は低下（回帰係数 = -0.09）

という直感的な関係が統計的にも有意に確認されました。

👉 可視化の印象を、数値の分析でも裏づけられたと言えるでしょう。

🍚🍚🍚

5. 国際比較で見える日本の特異性

OECDの主要7カ国（日本・米国・ドイツ・英国・フランス・イタリア・カナダ）を比べると…
多くの国では食費シェアが横ばいか低下。
日本だけが上昇し、直近はイタリアを上回ってトップ になっています。

👉 「食費が増える国＝日本」という異質な構図が浮き彫りです。

🍚🍚🍚

6. ニュースとの関連

ニュースでは「食品メーカーの値上げ」や「実質賃金のマイナス」が繰り返し報じられています。
一方で政府は「賃上げ促進税制」や「物価高対策」で家計を支援しようとしています。

👉 統計とニュースを重ねると、「暮らしにくさ」の実感は偶然ではなく、数字で裏づけられていることが分かります。

🍚🍚🍚

7. 結論と余白

• 食料の物価上昇が家計を直撃している

• 名目賃金は伸びても実質は伸びない

• その結果、エンゲル係数が逆転上昇

• 国際比較でも日本だけが異質に「食費が重い国」

夕食の食卓で「最近なんでこんなに食費がかかるんだろう？」と感じたら、この記事のグラフを思い出してみてください😊

🍚🍚🍚

情報源

• 総務省統計局：消費者物価指数（年平均、中分類）2025年7月調査

• 厚生労働省：

  • 名目賃金：毎月勤労統計調査（長期時系列表7）2025年6月調査

  • 実質賃金：毎月勤労統計調査（長期時系列表25-2）2025年6月調査

• 総務省統計局：家計調査 長期時系列（二人以上の世帯）2025年7月調査

• OECD：Household final consumption expenditure by purpose (COICOP)

（2025年9月8日取得）

🍚🍚🍚

脚注（技術補足）

回帰結果には「説明変数が似すぎている可能性（多重共線性）」を示す警告が出ています。
食料CPIと実質賃金が強い相関関係にあるためです。
係数の大きさや標準誤差の解釈に注意が必要な場合があります。

おわり

リンクとコード

シリーズ記事

次の記事

前の記事

目次

🍀🍀🍀

Python コード

記事の図表・統計数値を作成した Python コードです。

🖥️ データの準備

# データの登録

# インポート
import pandas as pd
import numpy as np

# 年
years = range(2000, 2025)

# 消費者物価指数データフレーム 2020年基準
df_cpi = pd.DataFrame({
    '総合CPI': [97.3, 96.7, 95.8, 95.5, 95.5, 95.2, 95.5, 95.5, 96.8, 95.5,
               94.8, 94.5, 94.5, 94.9, 97.5, 98.2, 98.1, 98.6, 99.5, 100.0,
               100.0, 99.8, 102.3, 105.6, 108.5],
    '食料CPI': [87.3, 86.8, 86.1, 85.9, 86.7, 85.9, 86.3, 86.6, 88.8, 89.0,
               88.7, 88.4, 88.5, 88.4, 91.7, 94.6, 96.2, 96.8, 98.2, 98.7,
               100.0, 100.0, 104.5, 112.9, 117.8]
}, index=years)

# 名目・実質賃金データフレーム 2020年基準
df_wage = pd.DataFrame({
    '名目賃金指数': [109.8, 108.1, 104.9, 104.1, 103.6, 104.3, 104.5, 103.5,
                   103.3, 99.3, 99.9, 99.7, 98.8, 98.5, 99.0, 99.1, 99.7,
                   100.2, 101.6, 101.2, 100.0, 100.3, 102.3, 103.5, 109.2],
    '実質賃金指数': [112.8, 111.8, 109.5, 109.0, 108.5, 109.6, 109.4, 108.4,
                   106.7, 104.0, 105.4, 105.5, 104.6, 103.8, 101.5, 100.9,
                   101.6, 101.6, 102.1, 101.2, 100.0, 100.5, 100.0, 98.0, 100.6]
}, index=years)

# エンゲル係数データフレーム (%)
df_engel = pd.DataFrame({
    'エンゲル係数': [23.31, 23.22, 23.27, 23.16, 22.99, 22.86, 23.09, 23.02,
                   23.24, 23.42, 23.28, 23.64, 23.51, 23.62, 24.01, 25.0,
                   25.85, 25.75, 25.75, 25.65, 27.5, 27.15, 26.64, 27.8, 28.32]
}, index=years)

# 7カ国の食料支出比率データフレーム (%)
df_intl = pd.DataFrame({
    '日本': [14.13, 14.14, 14.11, 13.93, 14.01, 13.43, 13.2, 13.24, 13.59,
            14.13, 14.32, 14.43, 14.66, 14.6, 14.57, 15.15, 15.47, 15.47,
            15.42, 15.45, 16.39, 16.21, 15.92, 16.1],
    'イタリア': [15.06, 14.99, 15.05, 15.06, 14.94, 14.72, 14.61, 14.49, 14.39,
                14.72, 14.38, 14.2, 14.19, 14.36, 14.27, 14.27, 14.25, 14.31,
                14.21, 14.27, 16.46, 15.44, 14.36, 14.7],
    'フランス': [13.46, 13.66, 13.75, 13.84, 13.44, 13.09, 12.82, 12.62, 12.8,
                13.04, 13.1, 13.12, 13.4, 13.56, 13.44, 13.38, 13.42, 13.29,
                13.1, 13.1, 14.88, 13.88, 13.21, np.nan],
    'ドイツ': [10.87, 10.97, 10.92, 10.53, 10.89, 10.94, 10.7, 10.82, 10.8,
              10.68, 10.35, 10.03, 10.01, 10.15, 10.45, 10.6, 10.6, 10.62,
              10.73, 10.77, 11.86, 11.73, 11.53, np.nan],
    'カナダ': [9.57, 9.69, 9.53, 9.51, 9.42, 9.26, 9.16, 9.03, 9.15, 9.68,
              9.44, 9.35, 9.33, 9.24, 9.21, 9.27, 9.2, 9.08, 9.04, 9.08,
              10.52, 9.81, 9.44, 9.61],
    'イギリス': [8.15, 8.15, 8.06, 8.15, 8.04, 7.87, 7.84, 7.81, 8.06, 8.47,
                8.35, 8.64, 8.57, 8.44, 8.22, 7.86, 7.95, 8.09, 8.12, 8.07,
                9.65, 8.88, 8.37, 8.84],
    'アメリカ': [6.99, 6.99, 6.86, 6.82, 6.77, 6.73, 6.67, 6.69, 6.82, 6.97,
                6.8, 6.82, 6.82, 6.8, 6.8, 6.76, 6.7, 6.67, 6.57, 6.56,
                7.35, 6.95, 6.91, 6.71],
}, index=years[:-1])  # 2000-2023

【実行結果】なし

🖥️ 消費者物価指数の推移

# インポート
import matplotlib.pyplot as plt
import japanize_matplotlib

# このPC用の設定
plt.rcParams['figure.dpi'] = 100

# 図1：消費者物価指数（総合・食料、2000–2024）

# 描画領域の設定
plt.figure(figsize=(8, 4.5))
# 総合CPIの折れ線グラフの描画
plt.plot(df_cpi['総合CPI'], color='tab:blue', label='総合CPI')
# 食料CPIの折れ線グラフの描画
plt.plot(df_cpi['食料CPI'], color='tab:orange', label='食料CPI')
# 基準線（2020年=100%）
plt.axhline(100, color='gray', lw=1)
# 修飾
plt.title('消費者物価指数の推移（年平均、2020年=100%）', fontsize=16)
plt.xlabel('年', fontsize=14)
plt.ylabel('消費者物価指数 [%]', fontsize=14)
plt.legend()
plt.show()

【実行結果】

🖥️ 名目・実質賃金指数の推移

# 図2：名目・実質賃金指数（2000–2024）

# 描画領域の設定
plt.figure(figsize=(8, 4.5))
# 名目賃金指数の折れ線グラフの描画
plt.plot(df_wage['名目賃金指数'], color='tab:blue', label='名目賃金指数')
# 実質賃金指数の折れ線グラフの描画
plt.plot(df_wage['実質賃金指数'], color='tab:orange', label='実質賃金指数')
# 総合CPIの折れ線グラフの描画
plt.plot(df_cpi['総合CPI'], color='tab:red', label='総合CPI', ls='--')
# 基準線（2020年=100%）
plt.axhline(100, color='gray', lw=1)
# 修飾
plt.title('賃金指数の推移（年平均、2020年=100%）', fontsize=16)
plt.xlabel('年', fontsize=14)
plt.ylabel('賃金指数 [%], 消費者物価指数 [%]', fontsize=14)
plt.ylim(90, 117)
plt.legend()
plt.show()

【実行結果】

🖥️ エンゲル係数の推移

# 図3：エンゲル係数（2000–2024）

# 描画領域の設定
fig, ax = plt.subplots(figsize=(8.2, 4.5))
twinx = ax.twinx()  # 右側のy軸を追加

# エンゲル係数の折れ線グラフの描画
ax.plot(df_engel['エンゲル係数'], label='エンゲル係数')
# 食料CPIの折れ線グラフの描画（破線）
twinx.plot(df_cpi['食料CPI'], color='tab:red', label='食料CPI', ls='--')
# 凡例の表示
handles1, labels1 = ax.get_legend_handles_labels()
handles2, labels2 = twinx.get_legend_handles_labels()
ax.legend(handles1 + handles2, labels1 + labels2)
# 修飾
ax.set_title('エンゲル係数の推移', fontsize=16)
ax.set_xlabel('年', fontsize=14)
ax.set_ylabel('エンゲル係数 [%]', fontsize=14)
twinx.set_ylabel('食料CPI [%]', fontsize=14)
plt.show()

【実行結果】

🖥️ 回帰分析：エンゲル係数 = a + b × 食品CPI + c × 実質賃金指数

# 回帰分析の実行

# インポート
import statsmodels.api as sm
import statsmodels.formula.api as smf

# 説明変数と目的変数の作成
df_merge = pd.concat([df_engel, df_cpi, df_wage], axis=1)
X = df_merge[['食料CPI', '実質賃金指数']]
y = df_merge['エンゲル係数']

# 回帰分析の実行
model = smf.ols('エンゲル係数 ~ 食料CPI + 実質賃金指数', data=df_merge).fit()
model.summary()

【実行結果】

# 回帰分析の結果の脚注[2]で多重共線性のおそれ⇒説明変数の相関係数を確認
df_merge[['エンゲル係数', '食料CPI', '実質賃金指数']].corr().round(2)

【実行結果】

🖥️ 主要7カ国の食料支出比率の推移

# 図4：国際比較（7カ国の食料支出比率、2000–2023）

# インポート
import seaborn as sns

# 描画領域の設定
plt.figure(figsize=(8.4, 4.5))
# 折れ線グラフの描画
sns.lineplot(data=df_intl)
# 修飾
plt.title('主要7カ国の食料支出比率の推移（2000–2023年）', fontsize=16)
plt.xlabel('年', fontsize=14)
plt.ylabel('食料支出比率 [%]', fontsize=14)
plt.ylim(6, 17)
plt.legend(bbox_to_anchor=(1, 1))
plt.show()

【実行結果】

🍀🍀🍀

ブログの紹介

note で８つのシリーズ記事を書いています。
ぜひ覗いていってくださいね！

１．のんびり統計

統計検定２級の問題集を手がかりにして、確率・統計をざっくり掘り下げるブログです。
雑談感覚で大丈夫です。ぜひ覗いていってくださいね。
統計検定２級公式問題集CBT対応版に対応しています。
Python、EXCELのサンプルコードの配布もあります。

２．統計・データ分析とつながる

シリーズ「統計・データ分析とつながる」は、統計・データ分析との「つながり」を発掘して、コラム風に仕立てたブログシリーズです。
生成 AI の力を借りながら、統計・データ分析の入り口をイメージして、自由気ままに書きました。
たとえば…
・日常生活と統計のつながり
・統計検定２級からその先へのつながり
気楽にお読みいただけたら嬉しいです🍀

３．実験！たのしいベイズモデリング１＆２をPyMC Ver.5で

書籍「たのしいベイズモデリング」・「たのしいベイズモデリング２」の心理学研究に用いられたベイズモデルを PyMC Ver.5で描いて分析します。
この書籍をはじめ、多くのベイズモデルは Ｒ言語＋Stanで書かれています。
PyMCの可能性を探り出し、手軽にベイズモデリングを実践できるように努めます。
身近なテーマ、イメージしやすいテーマですので、ぜひぜひPyMCで動かして、一緒に楽しみましょう！

４．実験！岩波データサイエンス1のベイズモデリングをPyMC Ver.5で

書籍「実験！岩波データサイエンスvol.1」の４人のベイジアンによるベイズモデルを PyMC Ver.5で描いて分析します。
この書籍はベイズプログラミングのイロハをざっくりと学ぶことができる良書です。
楽しくPyMCモデルを動かして、ベイズと仲良しになれた気がします。
みなさんもぜひぜひPyMCで動かして、一緒に遊んで学びましょう！

５．楽しい写経 ベイズ・Python等

ベイズ、Python、その他の「書籍の写経活動」の成果をブログにします。
主にPythonへの翻訳に取り組んでいます。
写経に取り組むお仲間さんのサンプルコードになれば幸いです🍀

６．RとStanではじめる心理学のための時系列分析入門 を PythonとPyMC Ver.5 で

書籍「RとStanではじめる心理学のための時系列分析入門」の時系列分析をPythonとPyMC Ver.5 で実践します。
この書籍には時系列分析のテーマが盛りだくさん！
時系列分析の懐の深さを実感いたしました。
大好きなPythonで楽しく時系列分析を学びます。

７．データサイエンスっぽいことを綴る

統計、データ分析、AI、機械学習、Pythonのコラムを不定期に綴っています。
統計・データサイエンス書籍にまつわる記事が多いです。
「統計」「Python」「数学とPython」「R」のシリーズが生まれています。

８．Python機械学習プログラミング実践記

書籍「Python機械学習プログラミング PyTorch & scikit-learn編」を学んだときのさまざまな思いを記事にしました。
この書籍は、scikit-learnとPyTorchの教科書です。
よかったらぜひ、お試しくださいませ。

最後までお読みいただきまして、ありがとうございました。