人口10万人あたりの歯科診療所数で開業候補地を見極める ― 都道府県と市区町村の偏在マップ

歯科医院の新規開業や継承を検討するとき、候補地の需要を測る手がかりとしてまず高齢化率が挙がります。高齢者ほど通院頻度が高いのだから、高齢化の進んだ地域には診療所も多いはずだ、という理屈です。

しかしデータを見ると、この関係は成り立っていません。高齢化率が0.5ポイントしか違わない徳島県と島根県で、人口10万人あたりの歯科診療所数は1.5倍開きます。高齢化率を需要の代理指標として候補地を絞ると、供給の厚みを読み違えることになります。

この記事では、e-Stat「社会・人口統計体系」の医療施設データから、都道府県と市区町村ごとの歯科診療所数を人口で割り戻し、その分布が何で決まっているのかを確認します。

全国の歯科診療所と歯科医師の長期推移

最初に、ここで使うデータの素性を整理しておきます。e-Stat「社会・人口統計体系」の都道府県別データ（i_pref_health）には、医療提供体制に関する複数のカテゴリが収録されています。今回主に使うのは次の2つです。

歯科診療所数（I5103）と歯科医師数（I6200）は出典が異なります。前者は厚生労働省「医療施設調査」、後者は同省「医師・歯科医師・薬剤師統計」です。歯科医師数は1982年までは毎年、それ以降は西暦偶数年のみの調査になっているため、2つの系列は年次が揃わない年があります。

まず、全国の歯科診療所数と歯科医師数の長期推移を確認します。

歯科診療所数は1975年の32,565施設から増加を続け、2016年の68,940施設でピークを記録したあと減少に転じています。直近の2023年は66,818施設で、前年から937施設減りました。これは1975年以降で最大の年間減少幅です（2番目は2020年の626施設減）。歯科医師数は2020年に107,443人でピークを記録し、2022年は105,267人に微減しました。

長期的には施設数の伸びが頭打ちになる一方で歯科医師数は増えてきたため、1施設あたりの歯科医師数は1975年の1.34人から2022年の1.55人へ緩やかに上昇しています。開業の総数が増える局面はすでに終わっており、候補地選びは「空いている地域を探す」問題になっています。

都道府県別の人口10万人あたり歯科診療所数（2023年）

ここからは2023年の最新断面を地域別に見ていきます。都道府県別の歯科診療所数を人口（A1101 総人口）で割り戻し、47都道府県を上位10・中間27・下位10に分けて並べます。

最上位は東京都の75.3、次いで大阪府61.7、福岡県59.6と大都市圏が並びますが、4位以降には徳島県（59.1）、和歌山県（57.3）、長崎県（54.3）のような人口規模の小さい県も顔を出します。下位は福井県と島根県がともに38.6で、東京都との差はおよそ2倍。歯科診療所の密度は単純な「大都市vs地方」では説明できず、需給バランスは県によって構造的に異なることが分かります。

なお、この指標が数えているのは施設の数であって、診療のキャパシティではありません。ユニット数や常勤の歯科医師数はこの粒度では分からないため、密度が高い県が「1人あたりの診療枠まで多い」とは限りません。

同じデータを地図で確認する

ランキングだけだと地理的な広がりがつかみにくいため、同じ「人口10万人あたり歯科診療所数」を都道府県境界（nlftp.boundary.prefecture）に重ねて確認します。

濃色は東京都・大阪府・福岡県のような大都市圏に加え、徳島県や和歌山県、長崎県といった西日本の地方県にも分布しています。一方、北陸（富山42.8・石川42.6・福井38.6）と青森県40.6・島根県38.6・沖縄県40.9・滋賀県39.9が薄色側に集まり、近接する県でも密度が異なる地域が確認できます。

高齢化率と歯科診療所密度の関係

「高齢化が進むほど通院ニーズも増え、歯科診療所が多いのではないか」という仮説を、散布図で確認します。横軸に65歳以上人口比率（A1303 ÷ A1101）、縦軸に人口10万人あたり歯科診療所数を取りました。

予想に反して、高齢化率と歯科診療所密度のあいだに強い正の相関は見られません。高齢化率が比較的低い東京都（22.8%）・神奈川県（25.9%）・大阪府（27.7%）が密度75.3・53.1・61.7と高密度側に並ぶ一方、高齢化率の高い秋田県（39.1%）・青森県（35.2%）・島根県（34.9%）は44.2・40.6・38.6と低密度側に位置します。

高齢化率がほぼ同じ県どうしでも密度は大きく開きます。冒頭で挙げた徳島県（35.4%）と島根県（34.9%）の59.1対38.6は、高齢化率の差が0.5ポイント以内に収まる県の組み合わせの中で最も開きが大きい例です。次いで徳島県と青森県（35.2%）の59.1対40.6、山梨県（31.8%）と福井県（31.6%）の52.5対38.6が続きます。

市区町村レベルで見る開業候補地と成熟市場

最後に市区町村レベルへ降ります。市区町村別データ（i_municipal_health、a_municipal_population）から、住民基本台帳人口（A2101）が5万人以上の市区町村に絞り、2023年時点の人口10万人あたり歯科診療所数を抽出しました。商圏が成立する規模感に絞ることで、開業判断に使えるリストになります。

ここでの分母は日本人住民に限った住民基本台帳人口で、都道府県の集計で使った総人口（A1101、外国人住民を含む）とは範囲が違います。外国人住民の多い都心区や工業都市では分母が小さくなるぶん密度が高めに出るので、都道府県の数値と市区町村の数値を直接並べて比べることはできません。市区町村どうしの比較として読んでください。

まず、密度が低い側10市区町村です。

新潟県南魚沼市が25.0と最も低く、石川県白山市（28.0）、福井県坂井市（28.7）、沖縄県うるま市（28.8）、静岡県袋井市（29.0）と続きます。いずれも人口5万人以上の市で、商圏の規模は足りているのに供給が薄い側に位置しており、開業候補地の一次スクリーニング対象になります。ただしこの集計は市区町村をまたいだ通院を捉えないため、隣接市に診療所が集中しているケースでは、密度の低さがそのまま未充足の需要を意味するとは限りません。

逆に、密度が高い側10市区町村は次のとおりです。

東京都千代田区が510.0と突出しており、中央区（271.5）・港区（242.0）・大阪市中央区（241.4）・渋谷区（197.6）も上位を占めます。いずれも住民基本台帳人口に対して昼間人口（オフィス勤務者や来街者）が大きく、住民数だけで密度を読むと過大に見える点に注意が必要です。名古屋市中区（179.1）や神戸市中央区（137.3）も含め、上位10件はすべて三大都市圏と政令市の中心部です。なおこのランキングには政令市の市全体の行と、その行政区の行がどちらも含まれています。上位に並ぶ「大阪市 中央区」は行政区の値で、市全体の値とは別物です。

このデータをどう業務に活かすか

• 一次スクリーニング: 候補エリアを絞り込む段階で、同じ市区町村の物差しで比べたときに密度が下位に来る市区町村を抽出する。都道府県の数値は分母の定義が違うので基準に使わない
• 競合環境の把握: 既存医院では、自院のある市区町村と近隣市区町村の密度差を確認し、競合過密や潜在的なライバル流入リスクを評価する
• 需要側の指標との切り分け: 候補地の高齢化率は、この記事で見たとおり診療所の密度をほとんど説明しません。需要の代理指標として使うなら、供給の厚みとは別の軸として扱う

数字はあくまで一次スクリーニング用の参考値です。実際の意思決定では、診療圏の徒歩・自動車到達圏分析、競合医院の専門性、ターゲット患者層の構成といった複合的な評価と組み合わせてください。

まとめ

• 歯科診療所の密度は高齢化率では説明できない。高齢化率が0.5ポイントしか違わない徳島県（35.4%）と島根県（34.9%）で、人口10万人あたりの診療所数は59.1と38.6と1.5倍開く。候補地の需要を高齢化率で測ると供給の厚みを読み違える
• 都道府県別の密度は最高75.3（東京都）から最低38.6（福井県・島根県）まで、およそ2倍の差
• 市区町村レベルでは、人口5万人以上の都市にも密度の低いエリアが残っており、商圏分析と組み合わせれば開業候補地の一次スクリーニングに使える
• 全国の歯科診療所は2016年の68,940施設をピークに減少し、2023年は66,818施設。前年からの937施設減は1975年以降で最大の年間減少幅
• 歯科医師は2020年の107,443人をピークに、2022年は105,267人

データの出典

本記事は総務省統計局の社会・人口統計体系を e-Stat から取得し、2026年8月8日時点のデータで集計しています。歯科診療所数（I5103）のもとは厚生労働省の医療施設調査、歯科医師数（I6200）のもとは医師・歯科医師・薬剤師統計です。地域別の断面は歯科診療所数が2023年、歯科医師数が2022年で、地図の境界線には国土交通省の国土数値情報 行政区域データを使っています。

歯科診療所の需給バランスは、都道府県と市区町村の数字を同じ粒度どうしで並べて初めて、自院や候補地の立ち位置が見えてきます。こうした評価の土台になるデータを、Queriaは整えた形で公開しています。e-Statの医療施設データをはじめとする官公庁のオープンデータについて、列名・単位・文字コードを揃え、テーブルやカラムの意味をメタデータとして添えてあります。データを集めて加工する手間をかけずに、本記事で使った都道府県別の医療施設テーブルから自院や候補地のある地域の数字を引き出せます。データ整備に時間を取られず、開業や継承の判断そのものに集中できます。