本シリーズでは、農業技術や農村開発における介入（新技術の導入支援、研修、情報提供など）が、「収穫量や所得の向上といった期待された効果を実際にもたらしているのか」を、エビデンスに基づいて評価するための考え方と手法を、全6回にわたって解説します。第1回となる今回は、本シリーズで取り上げる主な手法について、その特徴や使いどころ、注意すべき限界を、筆者らの経験も踏まえながら分かりやすく整理します。

農業を専門としない方や学部生の方にも読みやすいよう、できるだけ平易な説明を心がけていますので、どうぞ肩の力を抜いて読み進めていただければ幸いです。ご不明な点や疑問点がありましたら、Q&A機能を通じてお気軽にお寄せください。いただいたご質問は整理したうえで、できる限り速やかに回答いたします。

1. 実証データと因果推論の考え方

農業技術や農村開発の介入を評価するとき、まず考えるべきなのは、「技術を導入した農家の成果が良かったか」だけではありません。大切なのは、「その技術がなかった場合と比べて、本当に成果が良くなったのか」という点です。たとえば、新しい技術を導入した農家の所得がその技術を導入していない農家の所得と比べて高かったとしても、それだけで技術の効果があったとは言えません。もともと経営能力が高い農家や、資金・情報へのアクセスに恵まれた農家ほど、新しい技術を導入しやすいかもしれないからです。この場合、所得の差は技術の効果ではなく、農家のもともとの違いを反映している可能性があります。

このような問題をできるだけ避けるために用いられるのが、「実証データ」と「因果推論」の考え方です。実証データとは、現実の農家や地域から集められたデータのことです。因果推論とは、単なる関係性ではなく、「ある介入が実際にどのような変化をもたらしたのか」を明らかにしようとする考え方です。農業技術評価においても、新しい技術や研修、情報提供などの介入が、収穫量や所得の向上などの成果に本当に貢献しているのかを、データに基づいて検討することが重要になります。

2. 「反事実」をどう用意するか ― 比較対象を作る二つのアプローチ

前節で述べたように、農業技術の効果を考えるうえで重要なのは、「その技術がなかった場合と比べてどうだったのか」という視点です。しかし、同じ農家を同じ時期に「技術を導入した状態」と「導入しなかった状態」の両方で観察することはできません。この観察できないもう一方の状態を「反事実（counterfactual）」と呼びます。因果推論を用いた技術評価では、この反事実にできるだけ近い比較対象をどのように用意するかが中心的な課題となります。

この比較対象を作る方法として、まず挙げられるのが観察研究です。観察研究では、すでに技術を採用している農家と採用していない農家を、手元にあるデータを用いてできるだけ似た条件に揃え、その成果を比較します。研究者が介入を割り付けるのではなく、実際に起きた技術採用や政策参加のデータを利用して効果を検証する点が特徴です。

もう一つの代表的な方法が、無作為化比較試験（Randomized Controlled Trial: RCT）です。RCTでは、対象となる農家や村を無作為に、つまりくじ引きのような方法で、技術や研修を受けるグループと受けないグループに割り付けます。実際には、Excelや統計ソフトで生成した乱数を用いてグループを決定することが一般的です。この方法により、両グループの条件を平均的に揃え、技術や研修の効果をより厳密に測定することを目指します。

このほかにも、制度変更や自然条件などによって偶然に無作為割付に近い状況が生じた場面を利用する「自然実験」というアプローチがあります。操作変数法や回帰不連続デザインなどが代表例ですが、適用できる場面が限られ、特有の前提条件も必要となります。そのため、本シリーズでは第5回で簡単に触れるにとどめ、主として観察研究とRCTを取り上げます。

3. 本シリーズで取り上げる手法 ― 特徴・限界・費用感

本シリーズでは、前節の二つのアプローチに沿って、農業技術評価でよく用いられる三つの手法を取り上げます。第一と第二の手法は観察研究に、第三の手法は比較条件を最初から設計するアプローチにあたります。第一に、一時点のデータを用いて、似た特徴を持つ農家どうしを比較するクロスセクション分析とマッチングです。第二に、同じ農家を複数時点で追跡するパネルデータ分析です。第三に、対象を無作為に割り付けるRCTです。

【クロスセクション分析とマッチング】

クロスセクション分析とは、ある一時点で観察された農家データを用いる分析です。マッチングは、そのデータを用いて、年齢、学歴、農地面積、資産、地域などの観察可能な属性をもとに、「技術を導入しそうな度合い」が似ている農家どうしを比較する方法です。代表的な方法に、第5回で詳しく紹介する傾向スコアマッチング（Propensity Score Matching: PSM）があります。既存の家計調査データを活用できる柔軟さが大きな強みですが、調査票に含まれない属性、たとえば意欲、経営感覚、能力などまでは揃えることができません。

ここで「条件を揃える」とは、比べる二つのグループの間で、農地面積や学歴などの観察可能な属性に平均的な差がない状態を指します。条件が揃っていれば、観察された成果の差を、それらの属性の違い以外の要因によるものとして解釈しやすくなります。

【パネルデータを用いた分析】

パネルデータとは、同じ農家を複数時点にわたって繰り返し観察したデータのことです。このデータを用いることで、その農家に固有で、時間を通じて変化しない特性、たとえば世帯主の性別、生年月日、最終学歴などの影響を差し引くことができます。代表的な分析方法には、こうした農家固有の特性の影響を取り除く固定効果（Fixed Effects: FE）モデルや、技術を導入した農家と導入していない農家の「変化」を比べる差の差（Difference-in-Differences: DID）分析などがあります。ただし、ある年だけ天候が良かった、農産物価格が上がったといった、時間とともに変化する要因の影響については、別途考慮する必要があります。たとえば、その年に起きた全体的な変化や、地域ごとに異なる天候・価格の変化をできるだけ取り除くように分析を設計する必要があります。

【無作為化比較試験 (RCT)】

RCTは、対象となる農家や村を、技術や研修を受けるグループと受けないグループに無作為に振り分ける方法です。無作為に割り付けることで、観察できる属性と観察できない属性の両方を、平均的に揃えることが期待されます。そのため、因果関係を検証するうえで非常に説得力の高い方法とされています。一方で、設計と実施に大きな費用と時間がかかること、倫理面での配慮が必要なこと、すでに広く普及した技術には適用しにくいこと、特定の地域・期間で得られた結果が他の文脈にそのまま当てはまるとは限らないことなど、現実的な制約もあります。

下表は、これら三つの手法を、データの作り方、揃えられる条件、弱点、因果性の強さ、費用感という観点から整理したものです。費用感は対象地域や調査体制によって変わるため、あくまで経験則的な目安です。

4. 本シリーズの構成

次回以降では、これらの手法を理解するために必要な基礎概念から、順を追って取り上げていきます。

• 第二回　相関関係と因果関係の違い
• 第三回　なぜ「無作為化」が必要なのか
• 第四回　サンプル・サイズの重要性
• 第五回　観察研究の具体的な手法と限界
• 第六回　RCTの具体的な手法と限界

【参考文献】

Lee, G., Onishi, J., Kameoka, T., Matsui, K., Yadav, G., Kumar, S., Prasad, G., Kumar, S., & Yadav, R. K. (2025). The impact of cut-soiler technology on rice-wheat production in salt-affected areas of western Indo-Gangetic Plains of India. PLOS ONE, 20(4), Article e0320775. https://doi.org/10.1371/journal.pone.0320775

Lee, G., Sawadogo-Compaoré, E. M. F. W., Ikazaki, K., & Muraoka, R. (2026). The adoption and dissemination of soil conservation technologies among sorghum farmers in Burkina Faso: Perspectives on innovation, network, and risk aversion. Land Degradation & Development, 37(2), 704–719. https://doi.org/10.1002/ldr.70136