Is Productivity Advantage of Cities Really Down To Mean and Variance?

要約

この論文は、**「なぜ都会の企業は田舎の企業よりも生産性が高いのか？」**という長年の謎を解き明かすための研究です。

著者たちは、この謎を解く鍵となる「ある仮説」が本当に正しいかどうかを、スペインの企業データを使って徹底的に検証しました。その結果、**「都会の強さは、単に『良い企業が集まっているから』ではなく、『都会という環境そのものが企業を強くするから』である」**という、少し意外な結論にたどり着きました。

わかりやすく説明するために、いくつかの比喩を使ってみましょう。

1. 謎の正体：「都会の強さ」の正体は？

都会には多くの企業が集まっています。そして、統計を見ると、都会の企業は田舎の企業よりも「生産性（同じ労力で作れる価値）」が高いことがわかっています。

これには、これまで 2 つの考え方がありました。

• 考え方 A（環境効果）： 都会には「良い空気」がある。交通が便利で、情報が溢れ、人材も集まる。だから、どんな企業でも都会に行けば強くなる（アグロロメーション経済）。
• 考え方 B（選別効果）： 都会は競争が激しい。弱い企業はすぐに倒産して消え、生き残ったのは最初から強い企業だけだから、平均的に高くなる（選別）。

これまでの研究（Combes ら、2012 年）は、この 2 つを分けるために「都会と田舎の企業の能力分布は、形は同じで、ただ平均値や広がり（バラつき）が違うだけ」という仮説を使っていました。

2. 検証の挑戦：「ノイズ」を除去する

しかし、この仮説を証明するのはとても難しいです。なぜなら、企業の「本当の能力（TFP）」は直接見えないからです。会計データから計算して推測するしかありません。

これは、**「霧の中にある物体の形を、ボヤけたカメラで撮影して推測する」**ようなものです。
もしボヤけた写真（ノイズのあるデータ）をそのまま見比べれば、「形が違う」と誤って判断してしまうかもしれません。

著者たちは、最新の統計手法（「ハーフパネル・ジャックナイフ」という、ボヤけを補正する技術）を使って、この「ノイズ」を取り除き、本当の企業の能力分布をクリアなレンズで見ることに成功しました。

3. 驚きの発見：「形」は同じだった！

結果はどうだったでしょうか？

**「都会と田舎の企業の能力分布の『形』は、驚くほど同じだった」**のです。

• 平均値（Mean）： 都会の方が全体的に高い（＝環境が企業を底上げしている）。
• バラつき（Variance）： 都会の方が幅が広い（＝成功する企業も失敗する企業も極端に多い）。
• 左端の切り捨て（Selection）： ここが重要！ 田舎に比べて、都会で「能力の低い企業」が特別に多く消えている（切り捨てられている）という証拠は見つかりませんでした。

4. 比喩で理解する：「料理の味」と「食材の選び方」

この結果を料理に例えてみましょう。

• 田舎の店： 地元の食材（企業）を使って料理を作っています。
• 都会の店： 都会の食材（企業）を使っています。

もし「選別効果（考え方 B）」が主役なら、**「都会の店では、まずい食材（弱い企業）をすべて捨てて、最高の食材だけを選りすぐっている」**はずです。

しかし、今回の研究は、**「都会の店では、田舎と同じ種類の食材（能力分布の形）を使っているが、都会の『魔法の調味料（アグロロメーション）』をかけることで、すべての料理が美味しくなり、さらに味に個性（バラつき）が出ている」**と示しています。

つまり、**「都会という場所自体が、企業を成長させる魔法の場所」**であり、単に「弱い企業を淘汰しているだけ」ではないのです。

5. 私たちへのメッセージ：政策はどうあるべきか？

この発見は、政策担当者にとって非常に重要です。

• 間違った対策： 「競争を激化させて、弱い企業を倒産させれば、都市はもっと強くなる」と考えること。
  • → 今回の研究では、弱い企業が特別に淘汰されている証拠がないため、このアプローチは効果が薄いかもしれません。
• 正しい対策： 「都市の環境（インフラ、情報共有、人材の集まりやすさ）をさらに良くすること」。
  • → 都会の「魔法の調味料」をさらに濃くすれば、すべての企業がより生産的になれる可能性があります。

まとめ

この論文は、**「都会の強さは、厳しい競争で弱肉強食が起きたからではなく、都会という環境が企業を育て上げるから」**であることを、データと新しい技術を使って証明しました。

都市計画や経済政策を考える際、「企業を淘汰する」ことよりも「企業を成長させる環境を作る」ことに焦点を当てるべきだという、前向きなメッセージを私たちに届けています。

技術概要

1. 問題意識と背景

• 背景: 高密度地域（都市部）に所在する企業は、低密度地域に所在する企業よりも生産性が高いという事実が広く知られています。
• 二つのメカニズム: この生産性格差は主に以下の二つのメカニズムで説明されます。
  1. 集積の経済: 都市環境が企業自体の生産性を高める（例：知識のスピルオーバー、労働市場の厚み）。
  2. 企業の選別: 競争が激しい都市部では、非効率な企業が淘汰され、生存する企業の平均生産性が相対的に高くなる。
• 既存研究の限界: Combes et al. (2012)（以下 CDGPR12）は、この二つを分離するために、高密度・低密度地域の全要素生産性（TFP）分布が、**平均（$\mu$）、分散（$\sigma$）、および左側尾部の切り捨て（$\xi$）**の違いのみによって説明できると仮定しています。
  • しかし、この「分布の形状は同一である」という仮定は、TFP が直接観測されず、推定誤差（ノイズ）を含むデータを用いるため、直接的な検証が困難であり、これまで十分に検証されていませんでした。
  • もし分布の形状（尾部の挙動など）が地域間で異なっていた場合、CDGPR12 の分解手法は誤った結論をもたらす可能性があります。

2. 手法とデータ

• データ: スペインの行政データ（Banco de España の CBI データセット、2000-2019 年）を使用。非金融法人企業の約 80% をカバー。
• TFP の推定:
  • Cobb-Douglas 生産関数を Ackerberg et al. (2015) の手法を用いて推定し、TFP（$\theta_i$）を算出。
  • 重要な制限: 推定ノイズの影響を制御し、理論的な選別効果の長期定着を捉えるため、少なくとも 15 期（年）観測された企業のみをサンプルに採用。
• 統計的アプローチ:
  • 課題: TFP 推定値には測定誤差が含まれており、単純な分布比較はバイアスが生じる（Jochmans and Weidner, 2024）。また、平均・分散自体も推定値である。
  • 解決策: ノイズに頑健なノンパラメトリックな二標本コルモゴロフ・スミルノフ（KS）検定を考案。
    1. 半パネル・ジャックナイフ（Half-panel Jackknife）: TFP 推定値のバイアスを補正（Debiasing）。
    2. 企業レベルのブートストラップ: 標本変動性とパラメータ推定の不確実性をすべて考慮。
• 検定仮説:
  • 帰無仮説 $H_0$: 各セクターにおいて、高密度（AMD）と低密度（BMD）地域の TFP 分布は、平均と分散を標準化すれば同一である（左側尾部の切り捨て $\xi$ を除く）。
  • 具体的には、$F_{s, AMD}(\frac{\theta - \mu_{AMD}}{\sigma_{AMD}}) = F_{s, BMD}(\frac{\theta - \mu_{BMD}}{\sigma_{BMD}})$ が成り立つかを検証。

3. 主要な結果

• 分布の同一性の検証:
  • 製造業、建設、卸売・小売、運輸、ホスピタリティ、ICT、不動産、専門サービス、行政サービス、芸術・娯楽の全 10 セクターにおいて、平均と分散を標準化後の TFP 分布に統計的に有意な差は見られませんでした。
  • 全てのセクターで p 値は大きく（最小でも 0.499）、帰無仮説を棄却できませんでした。
  • 図 1 に示されるように、バイアス補正後の累積分布関数（CDF）は、高密度・低密度間で極めて類似していました。
• パラメータの必要性:
  • 分布の差異を説明するために必要なパラメータは、平均（$\mu$）と分散（$\sigma$）のみでした。
  • 選別効果を表す「左側尾部の切り捨て（$\xi$）」は、分布の一致を説明するために必要ありませんでした（Morozov, 2026 の先行研究とも整合的）。

4. 主要な貢献

1. 仮定の経験的検証: CDGPR12 の中心的な仮定（TFP 分布の形状同一性）を、ノイズに頑健な計量経済手法を用いて初めて直接的に検証し、その妥当性を確認しました。
2. 方法論の拡張: 推定ノイズを含むデータ（TFP や労働者のスキルなど）における分布の等価性を検定する新しい手法（HPJ デバイアスとブートストラップを組み合わせた KS 検定）を提案しました。これは、労働者のスキル分布の地理的差異（de la Roca and Puga, 2017）やファンドマネージャーのスキル評価など、他の文脈にも応用可能です。
3. ノイズのある不観測変数へのアプローチ: 不観測の異質性の推定値を用いた研究における、推定誤差を考慮したグッドネス・オブ・フィット検定の枠組みを提供しました。

5. 政策的含意と意義

• 集積の経済の重要性: 都市の生産性優位性は、主に集積の経済（平均と分散をシフトさせるメカニズム）によって説明され、企業の選別（尾部の切り捨て）による説明は不要であることが示唆されました。
• 政策への示唆:
  • 有効な政策: 生産性格差を縮小するには、集積の経済を強化する政策（インフラ整備、労働市場の厚みの向上、知識のスピルオーバーの促進など）が有効です。
  • 非効率な可能性: 競争を強化して非効率な企業を淘汰する政策（参入障壁の撤廃や企業回転の促進など）は、選別効果が主要因ではないため、都市の生産性格差是正にはあまり効果的ではない可能性があります。
• 研究の方向性: 今後の研究は、平均・分散のシフトを引き起こす具体的なメカニズム（インフラ、労働市場、知識など）の解明に焦点を当てるべきです。

結論

この論文は、都市の生産性格差が「集積の経済」によって主に説明されることを実証的に示し、CDGPR12 の分解フレームワークの信頼性を高めました。また、ノイズを含む推定値を用いた分布比較における新しい統計的アプローチを提供することで、都市経済学および関連分野の政策分析の基盤を強化する重要な貢献を果たしています。