はじめに
GitHub Blogが2026年5月8日に公開したインタビュー記事では、GitHubイノベーショングラフのデータを用いて各国の「ソフトウェア経済複雑性」を測定した研究を紹介しています。163か国・150言語の開発者活動データに経済複雑性指数(ECI)を適用し、GDPや所得格差の予測精度を高める新指標の可能性が実証されました。
参考記事
- タイトル: How researchers are using GitHub Innovation Graph data to reveal the “digital complexity” of nations
- 著者: Kevin Xu
- 発行元: GitHub Blog
- 発行日: 2026年5月8日
- URL: https://github.blog/news-insights/policy-news-and-insights/how-researchers-are-using-github-innovation-graph-data-to-reveal-the-digital-complexity-of-nations/
要点
- GitHubイノベーショングラフのデータ(2020〜2023年、163か国・150言語)に経済複雑性指数(ECI)を適用し、各国の「ソフトウェアECI」を算出する研究がResearch Policy誌に掲載された
- ソフトウェアECIは、貿易・特許・論文データをコントロールした後でも、GDP一人当たりおよび所得格差の説明に追加的な情報を持つことが示された
- 150のプログラミング言語は共起パターンに基づき59の「ソフトウェアバンドル」に統合され、各国の比較優位をもとにECIが算出された
- ソフトウェアECIランキングの1位はドイツ(1.739)で、日本は14位(1.552)であった
- 生成AIコーディングツールの普及がこの指標に与える影響が今後の重要な研究課題として挙げられている
詳細解説
「デジタルダークマター」を可視化する試み
過去15年ほど、経済学者たちは各国の輸出品・特許・論文データを分析することで、国家経済の洗練度を測定してきました。しかしこれらの指標には共通の盲点があります。ソフトウェアが見えないという点です。コードは税関を通らず、git push やクラウドサービス、パッケージマネージャーを通じて国境を越えます。研究チームはこれを「デジタルダークマター」と呼び、従来の経済指標では捉えられなかった知識生産の実態を定量化しようとしました。
そこで注目したのが GitHubイノベーショングラフです。このデータセットは、IPアドレスをもとに各経済圏のプログラミング言語別の開発者数を四半期ごとに集計しており、163か国・150言語を対象に2020年から2023年のデータが公開されています。研究チームはこのデータに経済複雑性指数(ECI: Economic Complexity Index)を適用。ソフトウェアECIが、従来指標をすべてコントロールした後でも、GDP一人当たりや所得格差の変動を説明する追加情報を持つことを統計的に示しました。
ソフトウェアバンドルと「関連性の原理」
この研究で重要な工夫のひとつが、個々の言語ではなく「言語の束」を分析単位としていることです。実際の開発現場では複数の言語が同時に使われます。Webアプリなら HTML・CSS・JavaScriptが組み合わさり、データサイエンスではPythonとJupyter Notebookが共に使われます。こうした実態を反映するため、研究チームはGitHub GraphQL APIを用いて2024年時点のアクティブなリポジトリを調査し、言語の共起パターンを解析しました。コサイン類似度と階層的クラスタリング(データの類似度をもとに段階的にグループ化する手法)を適用することで、150言語を59の「ソフトウェアバンドル」に統合しています。
さらに、各国の技術多様化パターンにも興味深い知見が得られています。物理的な輸出品の経済と同様、ソフトウェアの世界でも「関連性の原理」が成立することが確認されました。各国はすでに得意とする技術スタックに隣接するバンドルへと多様化する傾向があり、ランダムな技術習得は起きにくいことが示されています。これは、経済開発の文脈で長年議論されてきた「産業の進化は隣接する能力の蓄積から始まる」という考え方がソフトウェア領域にも当てはまることを意味しています。
ランキングから見えること
ソフトウェアECIトップ20の上位には、ドイツ(1.739)、オーストラリア(1.730)、カナダ(1.729)、オランダ(1.727)が並びました。米国は6位(1.695)、日本は14位(1.552)です。研究者の説明によれば、スコアが高い国は「多くの国が対応できない稀少なバンドル」に複数専門化している国であり、誰でも対応できる汎用的なスタックだけに特化している国はスコアが低くなります。言い換えれば、Pythonだけを扱う国は「チキンライス専門店」、航空・防衛向けの組み込みシステムなど高度な認定が必要な開発もこなせる国が「ミシュラン星付きのキッチン」という表現でCésar Hidalgo教授は説明しています。
| Ranking | Economy | Software ECI |
|---|---|---|
| 1 | Germany | 1.739 |
| 2 | Australia | 1.730 |
| 3 | Canada | 1.729 |
| 4 | Netherlands | 1.727 |
| 5 | France | 1.702 |
| 6 | United States | 1.695 |
| 7 | Poland | 1.691 |
| 8 | United Kingdom | 1.687 |
| 9 | Italy | 1.672 |
| 10 | Sweden | 1.620 |
| 11 | Switzerland | 1.620 |
| 12 | Hong Kong SAR | 1.595 |
| 13 | Norway | 1.571 |
| 14 | Japan | 1.552 |
| 15 | Spain | 1.552 |
| 16 | Russia | 1.530 |
| 17 | Singapore | 1.468 |
| 18 | Taiwan | 1.464 |
| 19 | Belgium | 1.448 |
| 20 | Finland | 1.444 |
データの限界と今後の研究課題
研究チームは自ら2つの主要な限界を認めています。まず、観測できるのは 公開 GitHubアクティビティのみで、クローズドソースの企業向けソフトウェアは含まれません。オープンソース文化が成熟していない国では、ソフトウェア複雑性が過小評価されている可能性があります。次に、データ期間が4年(2020〜2023年)と短く、経済複雑性指数が本来想定する十数年〜数十年スパンの成長予測の検証には不十分だという点です。
今後の研究課題として特に注目されているのが、生成AIコーディングツールの普及がソフトウェアECIに与える影響です。AIが新しいプログラミング言語への参入障壁を下げるなら、各国の多様化は加速し「関連性の原理」が弱まる可能性があります。一方で、AI基盤が整備された先進国がさらに優位に立つという逆の可能性もあります。研究チームの一人であるJohannes Wachs氏らは、AI支援コーディングのグローバル普及を追跡した新論文をScience誌に発表しており、この分野の研究は急速に深まっていると思います。
政策的・実践的示唆
産業政策の観点からは、ソフトウェア開発者は高い移動性を持つ人的資本であるため、タレント誘致プログラムが有効な手段になり得るという指摘があります。ただし、研究者は同時に警鐘も鳴らしています。労働者保護を目的とした規制が、実態としてはリスクを中小企業に転嫁し、ソフトウェア人材を遠ざける結果になりかねないと述べており、規制設計の精度が競争力を左右するという考え方は、日本のAI・デジタル政策を考えるうえでも参考になる視点だと思います。
まとめ
GitHubの公開データから算出した「ソフトウェアECI」は、貿易統計や特許数では見えなかった各国の技術的底力を可視化する可能性を持つ指標だと思います。日本が163か国中14位という結果は一つの参考値ですが、生成AIの普及がこの序列をどう変えるか——今後の研究が注目されます。
