Episoder
-
エビデンスレベルとは、何でしょうか。
RCTなら強い。
観察研究なら弱い。
メタアナリシスなら絶対に正しい。
本当に、そんな単純な話なのでしょうか。
本エピソードでは、EBPMにおけるエビデンスレベルを取り上げ、証拠の強さをどう読み、どう政策判断に使うべきかを解説します。
取り上げる主なテーマ
・エビデンスレベルとは何か
・EBPMで証拠の強さをどう考えるか
・エビデンスは絶対的な印籠ではない
・因果関係とロジックモデルの重要性
・政策の矢印を支える根拠とは何か
・RCTが常に最上位とは限らない理由
・GRADEによるエビデンスの確実性評価
・アウトカムごとに証拠の強さが変わる理由
・ダウングレードとアップグレード
・観察研究でも強い証拠になる場合
・パラシュート例から考える効果の大きさ
・USPSTFやEvidence to Decisionの考え方
・メキシコのプログレサと段階的導入
・受動喫煙防止法と観察研究の束
・出生前ステロイド投与と実装条件
・日本のEBPMとロジックモデル
・データ基盤、人材、インセンティブの課題
・ネガティブエビデンスと事後学習
・後から賢くなれる政策設計
エビデンスレベルは、証拠に身分をつけるための制度ではありません。
RCTが王様で、観察研究は弱い。
メタアナリシスなら必ず正しい。
そう考えると、エビデンスの読み方を誤ります。
重要なのは、まず何を知りたいのかです。
どの政策が、誰に、どの条件で、どのアウトカムに効いたのか。
この問いが曖昧なまま、研究手法だけを比べても意味がありません。
EBPMでは、ロジックモデルによって、政策の構造を明らかにします。
予算を投入する。
活動を行う。
アウトプットが生まれる。
アウトカムが変化する。
最終的に社会的インパクトにつながる。
この矢印が本当に成り立つのか。
その裏付けこそが、エビデンスです。
ただし、エビデンスの強さは、研究デザインだけで決まりません。
GRADEの考え方では、RCTから始まった研究でも、バイアスが大きい、対象者が少ない、結果が不安定などの理由で、確実性が下がることがあります。
逆に、観察研究であっても、効果が非常に大きい場合や、一貫した結果が複数の文脈で示されている場合には、確実性が高く評価されることがあります。
つまり、エビデンスレベルは固定的な階級ではありません。
アウトカムごとに変わります。
文脈ごとに変わります。
仮定やデータの質によって変わります。
政策の現場では、完璧なRCTができないことも多くあります。
受動喫煙防止法のように、社会全体を対象にする制度では、一部の人だけを法律の外に置いて比較することはできません。
その場合、複数の観察研究、時系列データ、地域比較、国際比較を組み合わせて、証拠の束を作ります。
1本の糸は弱くても、束ねれば政策判断を支えるロープになることがあります。
一方で、強いエビデンスがあっても、そのまま別の現場で機能するとは限りません。
出生前ステロイド投与のように、先進国では効果が確認されても、医療資源や診断体制が異なる環境では、同じ結果にならないことがあります。
だからこそ、エビデンスレベルを見るときには、効果だけでなく、実装条件、費用、倫理、受け入れ可能性も考える必要があります。
日本のEBPMでも、ロジックモデルやレビューシートの整備は進んできました。
しかし、真の課題は、手法名を並べることではありません。
どの問いに、どの証拠が、どこまで答えているのかを見極めることです。
そして、政策を始めた後に、結果を学び、必要なら変えることです。
効果が小さかった。
費用対効果が悪かった。
現場では実装できなかった。
別の対象には効かなかった。
こうしたネガティブエビデンスも、政策を改善するための重要な証拠です。
EBPMとは、最初から完璧な政策を作ることではありません。
不完全な証拠の中で、より妥当な判断を行い、後から学習できるように設計することです。
理論編#07では、エビデンスレベルを「証拠の格付け」ではなく、問い、文脈、仮定、実装条件を読み解くための思考法として捉え直します。
-
日本で最も強いEBPM機関は、どこなのでしょうか。
内閣府でしょうか。
各省庁のEBPM推進部局でしょうか。
それとも、完成した政策をあとから厳しく検査する会計検査院なのでしょうか。
本エピソードでは、「会計検査院こそ最強のEBPM機関なのか」という問いから、日本の政策評価、行政監査、事後検証、そして広義のEBPMについて考えます。
取り上げる主なテーマ
・会計検査院はEBPM機関なのか
・狭義のEBPMと広義のEBPMの違い
・事前設計と事後検証の役割分担
・会計検査院の憲法上の独立性
・経済性、効率性、有効性の検査
・マイナンバー制度と利用実績の検証
・地方公共団体による情報照会の利用率
・統計的抽出と実態調査
・高収益作物次期作支援交付金の過大交付
・申請データと現場実績の突合
・電気・ガス価格激変緩和対策事業と指標設定
・行政事業レビューシートのゴールポスト問題
・会計検査院と財務省の接続
・検査報告が予算編成に与える影響
・会計検査院が政策設計者になってはいけない理由
・審判とプレイヤーの役割分担
・日本のEBPMに必要な事前設計と事後検証の接続
EBPMというと、政策を作る前にロジックモデルを作り、指標を設定し、データに基づいて政策を設計することが想像されがちです。
しかし、政策は作って終わりではありません。
本当に使われたのか。
本当に効果があったのか。
制度設計に穴はなかったのか。
指標は途中で都合よく変えられていないか。
使われなかった予算や過大な交付はなかったのか。
こうした問いを、実施後に検証することもEBPMの重要な一部です。
その意味で、会計検査院は日本政府における強力な事後検証機関です。
会計検査院は、内閣から独立した憲法上の機関として、予算の使われ方だけでなく、政策の経済性、効率性、有効性を検査します。
単なる領収書チェックではありません。
制度が実際に使われているか。
申請内容と実績が一致しているか。
成果指標が適切に設定されているか。
政策の効果をあとから検証できるデータが残されているか。
そうした観点から、政府の政策運営そのものを問い直します。
たとえば、マイナンバー制度に関する検査では、全国の行政手続きの利用実績を分析し、システムが実際に使われていない手続きがあることを可視化しました。
高収益作物次期作支援交付金では、申請書、実績報告、農地面積、生産記録などを突き合わせ、過大交付を特定しました。
電気・ガス価格激変緩和対策事業などでは、行政事業レビューシートにおける成果目標や指標が変わる問題を指摘しました。
これは、政策そのものだけでなく、政策を評価する仕組みを評価する「メタEBPM」とも言えます。
一方で、会計検査院が政策の事前設計まで担うべきかというと、それは違います。
会計検査院の強さは、政策の当事者ではない第三者であることにあります。
審判がプレイヤーになってしまえば、自分が設計した政策を自分で検査することになります。
それでは独立性が失われ、評価の信頼性も損なわれます。
だからこそ、日本のEBPMに必要なのは、会計検査院を政策設計者にすることではありません。
内閣府や各省庁が、事前設計と実施を担う。
会計検査院が、独立した立場から事後検証を行う。
そして、その検査結果を国会、財務省、予算編成、制度改正に接続する。
この役割分担と接続こそが重要です。
政策を作る側は、あとから検証されることを前提に、指標とデータ取得計画を設計する必要があります。
政策を検査する側は、データと統計を用いて、実際に何が起きたのかを明らかにする必要があります。
会計検査院は、政府の外側から政策を罰するだけの存在ではありません。
政策を学習可能にするための、独立した審判です。
実装編#03では、会計検査院を手がかりに、日本のEBPMを「事前の設計図」だけで終わらせず、事後検証と予算改善につなげる仕組みを考えます。
-
Manglende episoder?
-
RCTとは、何でしょうか。
ある政策が本当に効いたのか。
それとも、たまたま景気が良かっただけなのか。
別の要因で変化が起きただけなのか。
その切り分けを行うための代表的な方法が、RCT、ランダム化比較試験です。
本エピソードでは、EBPMにおけるRCTを取り上げ、政策効果を測る難しさ、無作為割り振り、潜在的結果フレームワーク、倫理的課題、社会実験の歴史、そしてRCTの限界を解説します。
取り上げる主なテーマ
・RCTとは何か
・ランダム化比較試験の基本
・政策効果を測ることの難しさ
・潜在的結果フレームワーク
・同じ人の「政策あり」と「政策なし」は同時に観察できない
・無作為割り振りがパラレルワールドを作る理由
・割り付け隠蔽と盲検化
・農業実験から医療、社会政策への展開
・ペリー・プリスクール・スタディ
・メキシコのプログレサ
・J-PALと貧困削減研究
・オレゴン・メディケイド実験
・納税督促状とナッジ
・日本の風疹抗体検査、がん検診勧奨
・RCTの倫理的課題
・内的妥当性と外的妥当性
・RCTだけでは政策判断を完結できない理由
・ITT、割り付け通り解析
・小さな実験を社会で回し続けることの意味
RCTは、政策評価において非常に強力な方法です。
理由は、政策を受ける人と受けない人を、偶然によって分けるからです。
くじ引きのようにランダムに分けることで、年齢、意欲、家庭環境、地域差、もともとの能力といった偏りを、平均的に揃えることができます。
そのうえで結果に差が出れば、それは政策による効果だと考えやすくなります。
つまりRCTは、現実には観察できない「政策がなかった場合の世界」を、集団レベルで近似する方法です。
ただし、RCTは魔法の杖ではありません。
医療や福祉、教育、社会保障では、支援を受ける人と受けない人をくじ引きで分けることが、倫理的に難しい場合があります。
命や生活に関わる支援を、研究のためだけに一部の人から取り上げることはできません。
そこで重要になるのが、段階的導入や、予算制約によって自然に生まれた割り振りを活用する考え方です。
オレゴン・メディケイド実験では、医療保険の対象枠が限られていたため、抽選によって保険に入れる人と入れない人が分かれました。
その結果、身体的な健康指標には短期的な大きな改善が見られなかった一方で、医療費による経済的不安や、うつ症状の改善が確認されました。
これは、政策の価値をどのアウトカムで見るかによって、評価の意味が大きく変わることを示しています。
また、RCTは大規模政策だけのものではありません。
税金の督促状の文面を変える。
検診案内のメッセージを変える。
社会的規範や損失回避を使って、行動を少し後押しする。
こうした小さなナッジでも、RCTによって効果を検証できます。
一方で、RCTにも限界があります。
ある地域で効果が出た政策が、別の国や自治体で同じように機能するとは限りません。
これが外的妥当性の問題です。
実験の中で効果があったことと、現実社会全体で同じように広がることは別問題です。
さらに、RCTは「平均して効いたか」を示すことはできますが、それを社会として採用すべきかまでは決めません。
費用に見合うのか。
公平なのか。
誰に利益が届くのか。
誰が対象から外れるのか。
社会的に受け入れられるのか。
こうした判断には、人間の価値判断と政治的な意思決定が残ります。
RCTは、政策判断を自動化する装置ではありません。
言い訳の余地を減らし、事実を見えやすくする装置です。
そして重要なのは、評価を政策が終わった後に思い出すのではなく、最初から設計に組み込むことです。
誰を対象にするのか。
何をアウトカムとして測るのか。
比較対象をどう作るのか。
途中で離脱した人も含めてどう解析するのか。
こうした設計があって初めて、RCTは政策を学習可能にします。
理論編#06では、RCTを「政策効果を見抜くためのパラレルワールドの作り方」として捉え、EBPMにおける強みと限界を考えます。
-
エビデンスとは、何でしょうか。
数字があること。
統計表があること。
成功事例があること。
有名な研究が引用されていること。
それだけで、本当に「証拠」と呼べるのでしょうか。
本エピソードでは、EBPMにおけるエビデンスの意味を取り上げ、単なるデータや成功事例ではなく、政策判断を支える「証拠のエコシステム」としてのエビデンスを解説します。
取り上げる主なテーマ
・エビデンスとは何か
・EBPMにおける証拠の意味
・データとエビデンスの違い
・エビデンスを点ではなくエコシステムとして捉える考え方
・アウトプットとアウトカムの混同
・「やった感」が政策評価を歪める理由
・記述的エビデンス、因果エビデンス、実装エビデンス、経済分配エビデンス
・ロジックモデルの本来の役割
・事後合理化と都合のよい指標の危険
・EBM、コクラン、キャンベル共同計画
・What Works Networkとエビデンスの翻訳
・因果推論と反事実仮想
・RCT、ランダム化比較試験
・準実験と回帰不連続デザイン
・エビデンスレベルの誤解
・手法の魔法ではなく、仮定の労働
・ネガティブエビデンスの価値
・スケールアップの罠
・政策評価に必要な人材と組織文化
エビデンスは、単なる数字のことではありません。
統計表がある。
グラフがある。
成功事例がある。
論文が引用されている。
それだけでは、政策判断に使えるエビデンスとは言えません。
大切なのは、その証拠が、どの問いに答えているのかです。
問題の大きさを示しているのか。
政策によって何が変わったのかを示しているのか。
どんな条件で実装できるのかを示しているのか。
費用に見合う効果があるのかを示しているのか。
エビデンスには役割があります。
現状を把握する記述的エビデンス。
対策の効果を示す因果エビデンス。
現場でどう実装すればよいかを示す実装エビデンス。
費用対効果や分配への影響を見る経済分配エビデンス。
これらを組み合わせて初めて、政策判断に使える証拠になります。
一方で、政策や組織はしばしば、測りやすい数字に逃げます。
研修を10回実施した。
パンフレットを1万枚配った。
相談窓口を設置した。
イベントに何人来た。
これらはアウトプットです。
しかし、本当に見るべきなのは、受益者の行動や状態がどう変わったのかというアウトカムです。
ダイエットでいえば、ジムに3回行ったことではなく、体重や体脂肪率、健康状態がどう変わったのかを見る必要があります。
政策でも同じです。
「やったこと」を積み上げても、社会が良くなったとは限りません。
だからこそ、EBPMではロジックモデルが重要になります。
ただし、ロジックモデルはきれいな図を作るための道具ではありません。
この政策はどこで失敗しうるのか。
どの条件が揃えば効果が出るのか。
何を測れば本当に変化を確認できるのか。
それを事前に明らかにするための評価設計図です。
また、エビデンスには階層があります。
RCTやメタアナリシスは強い手法として扱われます。
しかし、ピラミッドの上にあるから自動的に正しい、下にあるから無価値、という単純な話ではありません。
重要なのは、その手法が問いに合っているか。
背後にある仮定が現実に成り立っているか。
その結果を別の地域や制度に移してもよいのか。
エビデンスは、手法の名前で決まるものではありません。
手法の魔法ではなく、仮定の労働です。
さらに、強いエビデンスとは、成功を証明するものだけではありません。
効果が小さかった。
費用対効果が悪かった。
別の方法の方がよかった。
全国展開すると機能しなかった。
こうしたネガティブエビデンスも、政策を改善するための重要な証拠です。
本当に大切なのは、エビデンスを使って、政策を始めることだけではありません。
政策を変えること。
絞ること。
止めること。
次の設計に活かすことです。
理論編#02では、エビデンスを「正解を示す絶対的な札」ではなく、問い、仮定、現場、費用、価値判断をつなぐエコシステムとして捉え直します。
-
アウトカムとは、何でしょうか。
予算を使ったこと。
研修を実施したこと。
資料を配ったこと。
イベントに人が集まったこと。
それらは本当に、政策や事業の「成果」なのでしょうか。
本エピソードでは、EBPMの中心概念である「アウトカム」を取り上げ、インプット、アクティビティ、アウトプット、アウトカム、インパクトの違いを整理しながら、「やったこと」ではなく「何が変わったのか」を測る重要性を解説します。
取り上げる主なテーマ
・アウトカムとは何か
・EBPMにおけるアウトカムの意味
・インプット、アクティビティ、アウトプット、アウトカム、インパクトの違い
・実施件数や参加者数だけでは成果とは言えない理由
・測りやすい代理指標にロジックが乗っ取られる問題
・高校卒業率と経済的安定の違い
・KPIとアウトカムの関係
・因果効果と反事実仮想
・RCT、ランダム化比較試験の考え方
・準実験と回帰不連続デザイン
・ナース・ファミリー・パートナーシップ、NFP
・求職者支援訓練と就職率60%の読み方
・短期アウトカム、中期アウトカム、長期インパクト
・データのサイロ化と時間軸のズレ
・個人情報と倫理的配慮
・評価可能性の事前診断
・本当に測るべき変化をどう定義するか
アウトカムは、単なる活動記録ではありません。
何をしたかではなく、その結果として、誰の状態や行動がどう変わったのかを見る概念です。
参考書を買ったことはインプット。
10時間勉強したことはアクティビティ。
ノートを何ページ埋めたかはアウトプット。
しかし、本当に知りたいのは、テストの点数が上がったのか。
理解が深まったのか。
次の行動が変わったのか。
そこがアウトカムです。
政策でも同じです。
研修を何回実施したか。
資料を何部配布したか。
イベントに何人来たか。
これらは測りやすい数字ですが、それだけでは社会が良くなったとは言えません。
本当に見るべきなのは、受益者の行動や状態がどう変わったのかです。
若者支援なら、単に講座を受けた人数ではなく、安定した就労や生活につながったのか。
教育政策なら、教材を配った数ではなく、学習理解や継続意欲がどう変わったのか。
医療や福祉なら、サービス提供件数ではなく、健康状態や生活の質がどう改善したのか。
ここを間違えると、組織は「やった感」に満足してしまいます。
さらに難しいのは、その変化が本当に自分たちの政策によって起きたのかという問いです。
就職率が上がったとしても、それは訓練のおかげかもしれません。
景気が良かっただけかもしれません。
もともと意欲の高い人が参加していただけかもしれません。
だからこそ、EBPMでは因果効果を考えます。
もしその政策がなかったらどうなっていたのか。
この反事実仮想を考えることで、単なる変化と、政策によって生まれた変化を分けようとします。
RCTはその代表的な手法ですが、現実の政策では常にくじ引きができるわけではありません。
そこで、準実験や回帰不連続デザインのように、制度の境界線を使って効果を推定する考え方も重要になります。
たとえば、補習の対象が60点未満の生徒だとすれば、59点で対象になった生徒と、61点で対象外になった生徒を比較する。
このように、ほとんど似た条件の人同士を比べることで、政策の効果に近づくことができます。
ただし、アウトカムを測ることは、監査のためだけにあるのではありません。
本来の目的は、現場が改善していくためのインフラを作ることです。
短期のKPIだけを見ると、手元の行動管理には役立ちます。
しかし、長期のインパクトだけを見ると、今何を改善すればいいのか分からなくなります。
だからこそ、短期アウトカム、中期アウトカム、長期インパクトを分けて設計する必要があります。
EBPMにおけるアウトカムとは、「誰に、何が、どれだけ良くなったのか」を誠実に確かめるための言葉です。
測りやすい数字に逃げるのではなく、本当に変えたい状態を定義する。
やったことではなく、変わったことを見る。
理論編#02では、アウトカムという概念から、政策評価と日常の目標設定を捉え直します。
-
その政策は、本当に効いたのでしょうか。
風邪薬を飲んで翌朝に熱が下がったとしても、それは薬のおかげかもしれません。
ただよく眠って、自然に治っただけかもしれません。
政策評価でも、同じ問題が起きます。
本エピソードでは、EBPMの中核にある「因果推論」を取り上げ、政策が本当に効果を持ったのかをどう見抜くのかを解説します。
取り上げる主なテーマ
・因果推論とは何か
・政策効果を測ることの難しさ
・因果推論の根本問題
・反事実仮想とは何か
・政策があった世界と、なかった世界をどう比べるか
・ATE、ATT、LATEの違い
・誰に対する効果なのかを問う重要性
・ロジックモデルと因果推論の関係
・RCT、ランダム化比較試験とは何か
・差分の差分法、DID
・回帰不連続デザイン、RDD
・偽の反事実に騙される危険
・前後比較や単純比較の落とし穴
・少人数学級の政策評価
・職場の乳がん検診車導入と受診率向上
・オレゴン・メディケイド実験
・Moving to Opportunity、MTO
・効果の異質性とは何か
・外的妥当性と政策の移植可能性
・因果推論だけでは決められない価値判断
因果推論とは、「その変化は本当に政策によって起きたのか」を考えるための方法です。
政策を実施した後に、数字が良くなった。
それだけでは、政策が効いたとは言えません。
景気が良くなっただけかもしれません。
もともと意欲の高い人が参加していただけかもしれません。
別の制度や地域要因が影響していたかもしれません。
だからこそ、EBPMでは「もしその政策がなかったらどうなっていたか」という反事実仮想を考えます。
現実には、政策があった世界と、政策がなかった世界を同時に観察することはできません。
そこで、研究者や政策担当者は、統計的な方法を使って、できるだけ近い比較対象を作り出します。
その代表がRCTです。
対象者をランダムに分けることで、政策を受けたグループと受けなかったグループを比較し、政策そのものの効果に近づこうとします。
しかし、すべての政策でRCTができるわけではありません。
医療、福祉、教育、社会保障では、倫理的にくじ引きが難しい場合があります。
そこで、差分の差分法や回帰不連続デザインのような準実験の手法が重要になります。
たとえば、A市だけが警察官を増やし、似たようなB市では増やさなかった場合、B市を「A市が政策を行わなかった場合」の近似として使えるかもしれません。
また、60点未満だけが補習を受けられる制度なら、59点の生徒と61点の生徒を比べることで、補習の効果に近づけるかもしれません。
因果推論は、政策評価の探偵道具です。
ただし、探偵道具を持っていても、偽物の証拠に騙されることがあります。
政策の前後だけを比べる。
参加した人と参加しなかった人を単純に比べる。
こうした方法では、交絡や選択バイアスを取り除けません。
ダイエットサプリの広告で「飲む前と飲んだ後」の写真だけを見せられても、本当にサプリの効果かは分からないのと同じです。
政策評価でも、同じ誤りが起きます。
因果推論の面白さは、単に「効いた・効かなかった」を判定することではありません。
誰に効いたのか。
どの条件で効いたのか。
短期では効かなかったが、長期では効いたのか。
平均では見えない特定層への効果があったのか。
そこまで掘り下げることで、政策を作り直すヒントが見えてきます。
オレゴン・メディケイド実験では、身体的な健康指標には大きな変化が見られなかった一方で、医療費による経済的不安やうつ症状に改善が見られました。
Moving to Opportunityでは、親世代への所得効果は限定的でしたが、幼少期に移住した子どもたちの将来所得や進学率に大きな変化が見られました。
つまり、何をアウトカムとして見るかによって、政策の意味は大きく変わります。
一方で、因果推論も万能ではありません。
ある地域で効果が出た政策が、別の国や自治体で同じように機能するとは限りません。
文化、制度、行政能力、現場の信頼関係が違えば、結果も変わります。
さらに、因果推論は「何が起きたか」は教えてくれますが、「何を重視すべきか」は決めてくれません。
平均効果が同じ2つの政策があったとして、一方は低所得層に強く効き、もう一方は高所得層に強く効くかもしれません。
そのとき、どちらを選ぶべきか。
それは数式だけでは決まりません。
因果推論は、政策判断を自動化する道具ではありません。
政策判断をより誠実にするための道具です。
理論編#03では、因果推論を通じて、EBPMで「本当に効いた政策」をどう見抜くのかを考えます。
-
AIが書いた文章は、なぜ信じてしまいやすいのでしょうか。
整った見出し。
論理的に見える箇条書き。
もっともらしい脚注。
きれいな文章構造。
それだけで、私たちは内容まで正しいように感じてしまいます。
本エピソードでは、生成AIに政策メモや制作メモを書かせると何が危ないのかを取り上げ、偽の脚注、ハルシネーション、相関と因果のすり替え、そして責任の所在が曖昧になる「責任の霧」について解説します。
取り上げる主なテーマ
・AIに政策メモを書かせると何が危ないのか
・整った文章が信頼を生むメカニズム
・コンファビュレーションとハルシネーション
・偽の脚注と存在しない参考文献
・実在する文献を誤って引用するリスク
・AI利用による過度依存と原典確認の低下
・相関関係を因果関係に見せる危険
・流暢な文章が論理の飛躍を隠す問題
・AIによる論点欠落と代替仮説の消失
・ニューヨーク市MyCityチャットボットの失敗
・ロボデット、オランダ自動手当スキャンダルとの接点
・行政AIと責任の霧
・各国政府のAI利用ガードレール
・AI利用台帳、検証可能性、人間の最終責任
・クレーム・エビデンス・アーキテクチャ
・証拠拘束型プロンプト
・主張、証拠、仮説、代替仮説を分ける実務
生成AIの危険は、単に間違った文章を書くことではありません。
より深刻なのは、もっともらしい文章の形で、根拠の薄い主張や論理の飛躍を自然に見せてしまうことです。
AIは、わからないことを保留するよりも、もっともらしく埋める方向に動くことがあります。
その結果、存在しない文献を作る。
実在する文献を誤って引用する。
主張と証拠の関係を曖昧にする。
相関関係を因果関係のように見せる。
こうした問題が、整った文章の中に静かに紛れ込みます。
特に危険なのは、「脚注があるから大丈夫」と思ってしまうことです。
脚注や参考文献は、それ自体が正しさの証明ではありません。
AIが出した出典は、根拠ではなく、まず検証対象として扱う必要があります。
また、AIが作るメモは、しばしば論点の型を先に整えてしまいます。
一見すると網羅的に見えるため、人間は例外、反対仮説、別の因果経路を探さなくなります。
その結果、政策判断に必要な「厚い因果」が失われる可能性があります。
さらに行政や企業の意思決定でAIが使われると、責任の所在も曖昧になります。
現場は「AIが出したから正しい」と思う。
上司は「担当者が確認したはず」と思う。
組織は「プロセスに従った」と説明する。
こうして、誰が何を判断したのかが見えにくくなる。
これが「責任の霧」です。
だからこそ、各国政府はAIの利用を完全禁止するのではなく、証拠、監督、責任者、記録を求める方向に進んでいます。
重要なのは、AIに完成品を書かせることではありません。
主張と証拠を分ける。
確認済み事実と仮説を分ける。
出典不明の情報は未確認と明記する。
代替仮説を必ず出す。
誰がAIを使い、誰が確認し、誰が承認したのかを残す。
AIを使うなら、文章をきれいにする前に、責任の骨組みを作る必要があります。
AI編#03では、偽の脚注、薄い因果、責任の霧を手がかりに、生成AI時代の政策メモと意思決定のリスクを考えます。
番組で生まれた言葉や、EBPM・統計・メタ分析をモチーフにした公式グッズをまとめています。
EBPM新聞 公式ショップ｜EBPM・統計・研究モチーフのグッズ
-
生成AIは、政策秘書になれるのでしょうか。
膨大な資料を読み、要約し、比較表を作り、専門用語を平易に言い換える。
その速度だけを見れば、AIはすでに非常に優秀な「書記官」です。
しかし、AIに政策判断や重要なリサーチを丸ごと任せることはできるのでしょうか。
本エピソードでは、生成AIとEBPMの関係を取り上げ、各国政府のAI利用ガイドライン、学術研究、行政現場での導入事例をもとに、AIをどこまで信頼し、どこで線を引くべきかを考えます。
取り上げる主なテーマ
・生成AIは政策秘書になれるのか
・AIは書記官にはなれるが、裁判官にはなれない
・各国政府のAI利用ルール
・アメリカ、EU、イギリス、日本、オーストラリアの違い
・AI利用を技術規制からプロセス管理へ移す流れ
・生成AIが重要研究を見落とすリスク
・システマティックレビューとAIの限界
・ハルシネーションと表面的なパターンマッチング
・ヒューマン・イン・ザ・ループの重要性
・AIと人間の協働による時間短縮と精度向上
・イギリス運輸省のパブリックコメント分析
・日本の行政実務用生成AIと組織実装の壁
・管理職がAI利用に慎重になる理由
・任せてよい作業と任せてはいけない判断
・事実と解釈を分離するプロンプト設計
・AI使用履歴と説明責任の記録
生成AIは、情報処理の速度を大きく引き上げます。
長い文書を読む。
論点を整理する。
比較表を作る。
たたき台を書く。
専門用語をわかりやすく言い換える。
こうした作業において、AIはすでに強力な補助装置です。
一方で、政策立案やEBPMで求められるのは、単なる要約速度ではありません。
何が事実なのか。
どの研究を採用し、どの研究を除外するのか。
誰の権利や利益に影響するのか。
最終的にどの価値を優先するのか。
こうした判断を、AIに丸ごと委ねることはできません。
AIはもっともらしい文章を作ることができます。
しかし、重要な研究を見落とすこともあります。
存在しない根拠を作ることもあります。
事実と解釈を混ぜてしまうこともあります。
だからこそ、AIは「判断者」ではなく、「高機能な書記官」として使う必要があります。
重要なのは、AIを使うか使わないかではありません。
どの業務に使うのか。
どの資料だけを参照させるのか。
どこから人間が確認するのか。
誰が最終的に承認し、説明責任を負うのか。
このプロセスを設計することです。
AIを正しく使うということは、スピードを手に入れることだけではありません。
人間の確認、記録、責任、倫理判断を、業務の中にあえて残すことでもあります。
生成AIは、EBPMを速くする道具にはなります。
しかし、政策判断そのものを代替する裁判官にはなれません。
AIが完璧な書記官になったとき、人間は立派な裁判官でいられるのか。
AI編#01では、生成AI時代の政策立案と、人間が手放してはいけない判断の境界線を考えます。
番組で生まれた言葉や、EBPM・統計・メタ分析をモチーフにした公式グッズをまとめています。
EBPM新聞 公式ショップ｜EBPM・統計・研究モチーフのグッズ
-
2026年版のEBPM国際比較から、世界の政策評価はどこまで進んだのかを考えます。
政府は、本当にデータを使って政策を決めているのでしょうか。
それとも、エビデンスは「やっている感」を示すための行政作文になっているのでしょうか。
本エピソードでは、日本、イギリス、アメリカ、カナダ、オーストラリア、EU諸国のEBPMを比較し、2026年時点の政策評価、データ基盤、法制度、予算連動、AI時代の課題を解説します。
取り上げる主なテーマ
・2026年版EBPM国際比較の全体像
・EBPMとEvidence-informed policyの違い
・エビデンスは政策を自動決定する魔法の杖ではない
・イギリスのEvaluation Task Forceと予算連動
・NELIに見るランダム化比較試験と全国展開
・アメリカのEvidence Actと学習アジェンダ
・社会保障局の現場実験と行政サービス改善
・カナダの研究データセンター、RDC
・オーストラリアのPLIDAと安全なデータ連結
・EUのBetter Regulationと事前評価
・政治交渉でエビデンスが変質する問題
・2026年時点の日本のEBPMの現在地
・EBPM推進委員会と制度化の浅さ
・ロジックモデルが行政作文になるリスク
・日本に必要な法的義務化、データ基盤、予算連動
・AI時代の政策評価と人間の監査能力
EBPMは、データやAIが自動的に正しい政策を選ぶ仕組みではありません。
政策には、限られた予算を誰に配分するのか、どの価値を優先するのか、どのリスクを引き受けるのかという政治判断が必ず含まれます。
だからこそ重要なのは、エビデンスが政治を置き換えることではなく、政治判断の前提を明らかにし、検証可能にすることです。
イギリスは、評価を予算決定に結びつけることで、効果のある政策に資源を集中させようとしています。
アメリカは、Evidence Actによって、各行政機関に学習アジェンダや評価計画を義務づけました。
カナダやオーストラリアは、個人情報を守りながら政策効果を検証できる安全なデータ基盤を整備しています。
EUは、法案を作る前の事前評価を高度化していますが、政治交渉の過程でエビデンスが変質するという難しさも抱えています。
では、日本はどこにいるのでしょうか。
2026年時点の日本は、EBPMという概念の普及段階から、制度として定着させる段階へ移ろうとしています。
ただし、評価結果が予算配分や政策修正に十分連動していなければ、ロジックモデルや指標は、きれいな行政作文で終わってしまいます。
重要なのは、データを集めることではありません。
データが「この政策はうまくいっていない」と示したときに、予算、制度、実施方法を変えられるかどうかです。
2026年版の国際比較から見えてくるのは、EBPMの勝負が「エビデンスを作る段階」から、「エビデンスで行動を変える段階」へ移っているということです。
そしてAI時代には、さらに難しい問いが生まれます。
AIが政策効果を予測し、評価し、もっともらしい根拠を提示するようになったとき、人間はその評価を監査できるのでしょうか。
エビデンスを使うのは誰か。
データと決断の主導権を握るのは誰か。
2026年版EBPM国際比較から、政策評価の現在地と、AI時代の公共意思決定を考えます。
番組で生まれた言葉や、EBPM・統計・メタ分析をモチーフにした公式グッズをまとめています。
EBPM新聞 公式ショップ｜EBPM・統計・研究モチーフのグッズ
-
政策は、未来に耐えられるのでしょうか。
選挙、予算、社会保障、教育、食料安全保障、AI、気候変動。
多くの政策は、いま見えている課題には対応できます。
しかし、前提そのものが崩れた未来にも耐えられるのでしょうか。
本エピソードでは、フィンランド議会の「未来委員会」を取り上げ、国家が政策をどのようにストレステストしているのかを解説します。
取り上げる主なテーマ
・フィンランド未来委員会とは何か
・EBPMとフォーサイトの違い
・2045年を想定した4つの未来シナリオ
・政策を「晴れの日の計画」で終わらせない仕組み
・AI支援型フォーサイトと人間の政治判断
・議会決議による政府への応答義務
・世代責任法という発想
・日本のNISTEPや国会調査機能との違い
・未来予測を政策実装につなげるためのループ
EBPMは、過去のデータから政策効果を検証するために重要です。
しかし、まだデータが存在しない未来に対しては、別の道具が必要になります。
フィンランドの未来委員会が示しているのは、未来予測を「当てる」ためではなく、政策の弱点を見つけるために使うという発想です。
どの未来が来るかを完全に予測することはできません。
だからこそ、複数の未来に政策をぶつけてみる。
そのうえで、どのシナリオでも最低限機能する制度、予算、社会保障、教育、産業政策を探していく。
これは、国家のためだけの話ではありません。
企業の事業計画、個人のキャリア、家庭の資産設計にも同じ問いが向けられます。
期待した未来になった場合にだけ機能する計画は、戦略ではなく願書かもしれません。
未来予測を水晶玉ではなく、耐震診断として使う。
フィンランドの制度から、変化の時代を生き抜くための政策思考を考えます。
番組で生まれた言葉や、EBPM・統計・メタ分析をモチーフにした公式グッズをまとめています。
EBPM新聞 公式ショップ｜EBPM・統計・研究モチーフのグッズ
-
政府は、未来の危機をどう見つけるのでしょうか。
シンガポール政府には、未来を「予言」するのではなく、政策の前提を揺さぶるための専門機関があります。
それが、首相府に置かれたCentre for Strategic Futures、通称CSFです。
本エピソードでは、シンガポール政府がどのように戦略的フォーサイトを制度化し、AI、シナリオプランニング、ウォーゲーミング、SF的想像力を使って、国家の認知インフラを鍛えているのかを解説します。
取り上げる主なテーマ
・シンガポールCSFとは何か
・首相府に組み込まれた未来予測機関
・フォーサイトと単なる未来予測の違い
・SP+、バックキャスティング、ウォーゲーミング
・問題の性質を見極めるクネビン・フレームワーク
・行政官向け研修FutureCraft
・幹部ネットワークSFNと実務者サンドボックス
・SF作家や外部思想家を政府に入れる意味
・AIと口論する「極端な未来体験」
・AIを使っても、人間が最後の判断を握る理由
・フォーサイト・インパクト・ギャップ
・エリート閉鎖性と弱い兆候の見落とし
シンガポールCSFの特徴は、未来を扱う機能を外部シンクタンクに任せるのではなく、政府の中枢に埋め込んでいる点にあります。
過去のデータが通用する世界では、予測は有効です。
しかし、パターンそのものが崩れる時代には、予測よりも、前提を疑い、複数の未来を考え、組織の反応力を鍛える仕組みが必要になります。
CSFはそのために、行政官同士のネットワーク、研修、サンドボックス、外部知、AIとの対話を組み合わせています。
特に興味深いのは、AIを「正解を出す道具」としてではなく、人間の思考の限界をあぶり出す相手として使っている点です。
AIと口論することで、「そんな未来はあり得ない」と反発した瞬間に、自分たちの暗黙の前提が見えてくる。
これは、政策立案だけでなく、企業経営、チーム運営、個人の意思決定にも応用できる考え方です。
一方で、シンガポール型のフォーサイトにも限界があります。
中枢に近いからこそ影響力を持てる反面、政治的優先順位への同調や、エリート層だけで未来を考えてしまうリスクもあります。
本当に強い未来思考とは、優秀な人だけで未来を語ることではありません。
会議室の外にある弱い兆候、声なき声、まだ政策言語になっていない違和感を、どうシステムに入れるか。
シンガポールCSFの事例から、未来を予測するのではなく、未来に耐える組織の作り方を考えます。
シンガポールの未来予測専門機関“CSF”って？
番組で生まれた言葉や、EBPM・統計・メタ分析をモチーフにした公式グッズをまとめています。
EBPM新聞 公式ショップ｜EBPM・統計・研究モチーフのグッズ
-
国家の予算は、何を「成功」とみなすのでしょうか。
GDPでしょうか。
財政黒字でしょうか。
それとも、国民の健康、教育、安心、社会的つながり、将来世代への持続可能性でしょうか。
本エピソードでは、ニュージーランドの「ウェルビーイング予算」を取り上げ、2019年の導入から2026年時点の軌道修正までを、EBPMと公共政策の視点から解説します。
取り上げる主なテーマ
・ニュージーランドのウェルビーイング予算とは何か
・幸福を国家予算に組み込むという発想
・リビング・スタンダーズ・フレームワーク、LSF
・4つの資本と多面的な豊かさ
・マオリのウェルビーイング視点、ヒア・アラ・ワイオラ
・2019年予算で重視されたメンタルヘルス、子供、格差対策
・CBIXによる費用便益分析
・子供の貧困、家庭内暴力、メンタルヘルスの政策効果
・幸福予算の成果と限界
・政権交代後の2024年以降の方針転換
・2026年時点の制度的な巻き戻しと再編
・社会投資ファンドと高ニーズ集団へのターゲティング
・幸福を測ること、予算化すること、維持することの難しさ
ニュージーランドのウェルビーイング予算は、単なる「幸福スローガン」ではありませんでした。
財務省が中心となり、経済成長だけでは測れない豊かさを、予算編成の中に組み込もうとした本格的な制度実験でした。
人間資本、自然資本、社会資本、財務・物理資本。
そして、先住民マオリの価値観に基づくウェルビーイングの視点。
それらを使って、国の予算を「いまの支出」だけでなく、「将来世代への投資」として見直そうとしたのが、この制度の核心です。
一方で、制度は理想だけでは動きません。
メンタルヘルスや家庭内暴力対策では一定の改善が見られた一方、子供の貧困や民族間格差など、根深い構造的課題は簡単には解消されませんでした。
さらに、インフレ、住宅市場、財政制約、政権交代といった外部要因が、制度の持続性に大きな影響を与えました。
2024年以降、ニュージーランドは「ウェルビーイング」という看板から、経済成長、財政規律、インフラ投資をより前面に出す方向へ軌道修正しています。
これは、ウェルビーイング予算が完全に消えたというより、再編期に入ったと見る方が正確です。
今回の教訓は明確です。
幸福を予算に入れることよりも、それを制度として定着させ、政権交代後も維持することの方がはるかに難しい。
幸福、成長、財政規律、公平性。
この4つをどう統合するのか。
ニュージーランドの経験から、EBPMにおける指標設計、予算編成、政策評価、そして政治的持続性の難しさを考えます。
ウェルビーイング予算とは？ ニュージーランドに学ぶ国家の幸福戦略
番組で生まれた言葉や、EBPM・統計・メタ分析をモチーフにした公式グッズをまとめています。
EBPM新聞 公式ショップ｜EBPM・統計・研究モチーフのグッズ
-
なぜ、エビデンスは意思決定で無視されるのでしょうか。
法律、評価計画、データ基盤、独立研究機関、政策ダッシュボード。
制度は整っている。
データもある。
評価も行われている。
それでも、実際の政策判断では使われない。
本エピソードでは、2026年版のオランダEBPMを取り上げ、エビデンスを作る仕組みと、政治家・行政幹部がそれを使う仕組みの間にある深い溝を解説します。
取り上げる主なテーマ
・2026年時点のオランダEBPMの現在地
・オランダ流EBPMとは何か
・ネットワーク型中央モデル
・財務法第3.1条、CW 3.1
・戦略的評価アジェンダ、SEA
・政策コンパスによる政策形成プロセス
・評価やモニタリングが意思決定で使われにくい理由
・エビデンスの供給過多と需要不足
・Tone at the Topの欠如
・STAPプログラムとデッドウェイトロス
・ユトレヒト市のRCTと外的妥当性の限界
・アムステルダム市の子どもの肥満対策
・厳密な因果推論と組織学習の違い
・AIとアルゴリズム・ガバナンス
・IAMAとEU AI法への対応
・EBPMが説明責任の免罪符になるリスク
・データと人間をつなぐ知識仲介人材
オランダは、EBPMの制度設計において非常に高度な仕組みを持つ国です。
新しい政策を提案する際には、目的、手段、費用対効果、評価計画を事前に示すことが求められます。
各省庁の予算には、複数年の評価計画が組み込まれ、政策担当者は標準化されたプロセスに沿って、課題設定と選択肢の整理を行います。
一見すると、理想的なEBPM国家です。
しかし、制度があることと、実際に意思決定で使われることは別問題です。
オランダの課題は、エビデンスを作る側の能力不足ではありません。
むしろ、独立研究機関や評価制度は非常に充実しています。
問題は、政治家や行政幹部が、エビデンスを自ら要求し、議論の争点として使う需要側の仕組みが弱いことです。
いくら優れたデータを作っても、トップがそれを求めなければ、現場の評価は形式化します。
EBPMは、データベースや評価報告書を増やすだけでは機能しません。
必要なのは、評価を予算や政策形成のルールに編み込むこと。
そして、リーダーが証拠を求める文化を作ることです。
一方で、現実の政策評価は単純ではありません。
STAPプログラムでは、補助金利用者の一部が、補助金がなくても受講していた可能性が示されました。
ユトレヒト市の労働市場実験では、RCTの厳密性を社会実験の現場で維持する難しさが浮き彫りになりました。
アムステルダム市の子どもの肥満対策では、単一施策の因果効果を厳密に切り出すよりも、ロジックモデルと継続的なモニタリングによる組織学習が重視されました。
つまり、EBPMには「何が効いたか」を測る技術だけでなく、「複雑な社会の中でどう学び続けるか」という設計が必要です。
さらに、2026年時点のオランダでは、AIとアルゴリズム・ガバナンスも重要な論点になっています。
過去のアルゴリズムによる差別的運用への反省から、政府はAIやアルゴリズムの透明性、説明責任、影響評価を強化しようとしています。
しかし、事前のアセスメントだけでは不十分です。
運用後のモニタリングや更新、議会への説明が弱ければ、EBPMはAIのブラックボックスを正当化する免罪符になりかねません。
オランダの経験から見えてくるのは、完璧なデータ基盤よりも、それを使う人間の制度設計が重要だということです。
政策評価の仕組みそのものを、誰が評価するのか。
2026年版オランダEBPMの事例から、データ、政治判断、AIガバナンス、組織学習の関係を考えます。
オランダCPBと長期シナリオ分析：エビデンスに基づく政策立案EBPMの先進モデル
番組で生まれた言葉や、EBPM・統計・メタ分析をモチーフにした公式グッズをまとめています。
EBPM新聞 公式ショップ｜EBPM・統計・研究モチーフのグッズ
-
ロジックモデルは、EBPMの実装に本当に役立つのでしょうか。
政策の目的。
投入する予算。
実施する事業。
期待される成果。
それらを矢印でつなげると、一見すると政策は論理的に見えます。
しかし、紙の上で整った計画は、現実社会でも本当に機能するのでしょうか。
本エピソードでは、EBPMの実装でよく使われる「ロジックモデル」を取り上げ、政策評価、因果推論、RCT、準実験、そして日本の行政が陥りやすい「ロジックモデル偏重」の罠を解説します。
取り上げる主なテーマ
・ロジックモデルとは何か
・EBPMにおけるロジックモデルの役割
・政策の目的、投入、活動、成果をどう整理するか
・日本のEBPMがロジックモデル作成に偏りやすい理由
・きれいな図が政策効果を証明するわけではない
・スケアード・ストレートの失敗
・相関関係と因果関係の違い
・選択バイアスとは何か
・RCT、ランダム化比較試験の考え方
・準実験と観察研究の限界
・ESSAに見るエビデンス階層
・一般均衡効果と置き換え効果
・スピルオーバー効果、波及効果
・代理指標の最適化とKPIの罠
・RCTが万能ではない理由
・公平性、実現可能性、費用負担、社会的受容性
・What Works Networkと証拠の翻訳
・Evidence Actと組織学習
・日本のEBPM実装に必要な改善回路
ロジックモデルは、政策の設計図として有用です。
何のために政策を行うのか。
どの資源を投入するのか。
どの活動を行うのか。
短期・中期・長期でどの成果を目指すのか。
これらを整理することで、政策の前提を見える化できます。
しかし、ロジックモデルは政策効果の証明ではありません。
きれいな矢印が描かれていても、その政策が実際に効果を持つとは限りません。
本当に重要なのは、その矢印が現実に成り立つのかを疑い、検証し、必要なら修正することです。
アメリカのスケアード・ストレートは、その典型例です。
非行のおそれがある少年に刑務所の恐怖を見せれば、犯罪を思いとどまるはずだ。
紙の上では、目的と手段がきれいにつながって見えます。
しかし実際には、参加した少年の再犯率が上がるという逆効果が示されました。
論理として自然に見えることと、現実に効果があることは別物です。
だからこそ、EBPMには因果推論が必要になります。
政策を受けた人の結果が良かったとしても、それが本当に政策のおかげなのかは分かりません。
もともと意欲の高い人が参加していただけかもしれません。
別の支援策が同時に効いていたのかもしれません。
地域や市場全体の変化が影響していたのかもしれません。
RCT、準実験、観察研究は、こうした見えにくい要因を切り分けるための道具です。
ただし、RCTも万能ではありません。
倫理的にくじ引きができない政策もあります。
全国一律に実施しなければならない制度もあります。
小さな地域で成功しても、全国展開で同じ効果が出るとは限りません。
さらに、社会にはロジックモデルの外側で起きる現象があります。
職業訓練で参加者が就職しても、別の誰かが仕事から押し出されただけかもしれません。
ある地域の犯罪が減っても、隣の地域に移っただけかもしれません。
健康イベントの参加人数をKPIにした結果、本来の健康改善ではなく、参加人数だけが目的化するかもしれません。
政策は、直線的な矢印だけでは捉えきれません。
だからロジックモデルは、信じるための完成図ではなく、疑うための地図として使う必要があります。
日本のEBPM実装に必要なのは、ロジックモデルを作ること自体を目的にしないことです。
政策の仮説を明らかにする。
効果を測れるように設計する。
失敗や副作用も検証する。
評価結果を予算や政策修正につなげる。
この改善回路を持って初めて、EBPMは行政作文ではなく、政策を学習させる仕組みになります。
実装編#01では、ロジックモデルを入り口に、EBPMを計画倒れにしないための政策評価の考え方を整理します。
EBPM：ロジックモデル偏重の限界
番組で生まれた言葉や、EBPM・統計・メタ分析をモチーフにした公式グッズをまとめています。
EBPM新聞 公式ショップ｜EBPM・統計・研究モチーフのグッズ
-
EBPM新聞・EBPMスクールでは、政策・行政・社会をエビデンスから読み解きます。
今回は、EBPMと司法審査の関係を取り上げます。政策立案に使われる統計データ、RCT、システマティック・レビュー、ロジックモデルなどのエビデンスは、裁判所でどのように評価されるのでしょうか。
日本では、行政裁量への司法の介入は比較的慎重とされます。一方、アメリカでは行政手続法やハードルック・レビューを通じて、行政判断とエビデンスの整合性が厳しく問われる場面があります。また、英国ではWhat Works Networkやエビデンスプラン、Magenta Bookなどを通じて、政策評価と予算配分を結びつける仕組みが発展してきました。
本回では、日本・アメリカ・英国の比較を通じて、エビデンスが政策の正当性、行政の説明責任、司法審査にどのように関わるのかを考えます。
EBPM、行政法、政策評価、行政裁量、規制政策、公共政策に関心のある方に向けた、やや専門寄りの入門回です。
番組で生まれた言葉や、EBPM・統計・メタ分析をモチーフにした公式グッズをまとめています。
EBPM新聞 公式ショップ｜EBPM・統計・研究モチーフのグッズ
-
2026年版の英国EBPMから、エビデンスを「使わせる」政策評価システムを考えます。
EBPMは、複雑な社会問題に対して自動で正解を出す魔法の杖なのでしょうか。
イギリスの経験を見ると、答えは明確です。
エビデンスは、政治判断を消すものではありません。
むしろ、政治家や行政官が「なぜその判断をしたのか」から逃げられないようにする制度です。
本エピソードでは、2026年版の英国EBPMを取り上げ、ROAMEF、グリーンブック、マゼンタブック、Evaluation Task Force、会計責任者制度、大臣指示、AI時代の政策評価までを解説します。
取り上げる主なテーマ
・2026年版英国EBPMの現在地
・EBPMは魔法の杖ではない
・ROAMEFによる政策循環
・グリーンブックと事前評価
・ファイブ・ケース・モデルによる事業計画審査
・財務省とEvaluation Task Force、ETF
・マゼンタブックと事後評価
・アカウンティング・オフィサー制度
・大臣指示、Ministerial Direction
・BCR、費用便益比の限界
・社会的価値をどう評価に入れるか
・TAIGERによる分析計画の事前登録
・What Works Networkと知識仲介
・NELIによる幼児期言語支援
・ボディカメラ実験と政策効果の解像度
・評価計画が意思決定で使われない問題
・NAOが指摘した評価インセンティブの歪み
・AIアルゴリズム評価と継続的モニタリング
・地域主導評価とディスプレイスメント
・日本のEBPMに必要な制度設計
イギリスのEBPMの特徴は、エビデンスを「正解を出す装置」として扱わない点にあります。
政策目的は、最終的には政治が決める。
しかし、その政策を実行するには、根拠、目的、選択肢、費用対効果、評価計画を示さなければなりません。
そして、実施後には、何が誰にどの条件で効いたのかを検証しなければなりません。
この一連の仕組みが、政策判断に対して「あなたの根拠は何ですか」と問い続ける制度の連鎖を作っています。
特に重要なのが、会計責任者と大臣指示の仕組みです。
大臣が政治判断で政策を押し切ることは可能です。
ただし、その場合には、官僚側が反対した記録と、大臣が政治責任で進めた事実が公的に残ります。
政治判断を禁止するのではなく、説明責任を可視化する。
ここに、イギリス型EBPMの強さがあります。
一方で、イギリスの制度も完璧ではありません。
評価計画を作っても、それが実際の予算配分、政策の修正、事業の終了判断に使われなければ、評価は儀式になります。
評価をしないことへの不利益が弱く、失敗を明らかにした人だけが批判される構造では、合理的な組織ほど評価を避けてしまいます。
2026年版の議論で重要なのは、評価の「供給量」ではありません。
評価結果が、実際の意思決定を変えたのか。
予算配分を変えたのか。
続けるべき事業と、終えるべき事業を分けたのか。
そこが問われています。
さらにAI時代には、政策評価の対象そのものが変化します。
AIモデルは導入後も学習し、出力を変え続けます。
そのため、一度だけ評価するのではなく、継続的なモニタリングと再評価が必要になります。
また、地域主導の評価では、ある地域の成功が、単に隣の地域から需要を奪っただけではないかというディスプレイスメントも見なければなりません。
EBPMとは、エビデンスで政治を置き換えることではありません。
判断の根拠を記録し、検証し、必要なら修正することです。
2026年版英国EBPMの事例から、政策評価を「報告書作成」ではなく、意思決定を変える制度として設計する方法を考えます。
イギリスに学ぶEBPM
番組で生まれた言葉や、EBPM・統計・メタ分析をモチーフにした公式グッズをまとめています。
EBPM新聞 公式ショップ｜EBPM・統計・研究モチーフのグッズ
-
EBPM新聞では、政策・社会・データを読み解くための視点をわかりやすく解説します。
今回は、根拠に基づく医療「EBM」と、根拠に基づく政策立案「EBPM」の違いを解説します。
RCT、メタアナリシス、ロジックモデル、What Works Network、COVID-19対策、HPVワクチンの事例を通じて、なぜ「科学的に正しい政策」がそのまま社会で機能するとは限らないのかを考えます。
エビデンスは政策の羅針盤です。
しかし、最後に舵を切るのは人間の価値判断です。AI、ビッグデータ、行政改革、政策評価に関心のある方に向けた、EBPM入門回です。
EBPMとEBMの違い
番組で生まれた言葉や、EBPM・統計・メタ分析をモチーフにした公式グッズをまとめています。
EBPM新聞 公式ショップ｜EBPM・統計・研究モチーフのグッズ
-
EBPMとは、何でしょうか。
データが自動で正解を出す仕組みでしょうか。
政治判断をAIや統計に置き換える制度でしょうか。
それとも、声の大きい人や慣習だけで政策が決まることを避けるための、社会の学習システムなのでしょうか。
本エピソードでは、EBPM、つまり「証拠に基づく政策立案」の基本を取り上げ、医療分野のEBMとの違い、因果推論、政策評価、そして日本でEBPMを実装する際の課題を解説します。
取り上げる主なテーマ
・EBPMとは何か
・証拠に基づく政策立案の基本
・EBM、根拠に基づく医療との違い
・政策は正解を自動で出す機械ではない
・目的、証拠、実施、評価、改善のサイクル
・相関関係と因果関係の違い
・因果推論と反事実仮想
・RCT、ランダム化比較試験とは何か
・準実験と差の差分析
・観察研究の限界
・データだけでは決められない価値判断
・公平性、実現可能性、費用対効果
・日本の行政データ基盤の課題
・イギリスのWhat Works Network
・アメリカのEvidence Actと学習アジェンダ
・横浜市の教育DXとデータ活用
・世田谷区のオープンデータ整備
・EBPMが市民生活にどう関係するのか
EBPMは、政策の正解を自動で出す魔法の箱ではありません。
政策には、予算、利害、地域差、倫理、公平性、政治的判断が必ず関わります。
だからこそ重要なのは、データで政治を置き換えることではなく、政策がなぜ必要なのか、何を目指すのか、どの証拠を使うのか、実施後に何を測るのかを、あらかじめ設計することです。
EBPMは、政策を一度決めて終わりにする考え方ではありません。
問いを立てる。
測る。
実行する。
検証する。
学ぶ。
必要なら変える。
この回路を、行政や社会の中に組み込むための考え方です。
特に重要なのが、相関と因果の違いです。
タブレットを配った学校の成績が高いからといって、タブレットが成績を上げたとは限りません。
もともと教育熱心な地域だったのかもしれません。
家庭環境の違いが影響しているのかもしれません。
他の支援策が同時に行われていたのかもしれません。
だからこそ、政策が本当に効果を持ったのかを考えるには、因果推論が必要になります。
RCT、準実験、差の差分析、観察研究。
それぞれの手法には強みと限界があります。
すべての政策をRCTで測れるわけではありません。
倫理的にくじ引きができない政策もあります。
全国一律に実施しなければならない制度もあります。
だからEBPMでは、手法の強さだけでなく、その政策が置かれた文脈、実現可能性、公平性、社会的な受け止めも考える必要があります。
データは、目的地を決めるものではありません。
データは、現在地を示し、選択肢の結果を見えやすくするものです。
最終的に、どの価値を優先するのか。
誰にどのような影響があるのか。
どのリスクを引き受けるのか。
そこには、人間と社会の判断が残ります。
日本でも、EBPMは少しずつ広がっています。
一方で、機械が読めないデータ、PDF化された書類、部署ごとに分断された情報、現場で使われない評価指標など、実装上の課題も残っています。
EBPMを機能させるには、分析部署を作るだけでは足りません。
データを整えること。
現場が使える形に翻訳すること。
評価結果を政策改善につなげること。
そして、失敗から学ぶ文化を作ることが必要です。
EBPMは、一部の専門家だけの話ではありません。
効果の薄い政策に税金が使われ続けるのか。
本当に必要な子育て支援、教育、防災、医療、福祉に資源が届くのか。
それは、私たちの日常に直結する問題です。
理論編#01では、EBPMを「正解を出す機械」ではなく、「政策を学習させる仕組み」として捉え直します。
EBPM入門:英国“What Works”――エビデンス格付けのABC
番組で生まれた言葉や、EBPM・統計・メタ分析をモチーフにした公式グッズをまとめています。
EBPM新聞 公式ショップ｜EBPM・統計・研究モチーフのグッズ
