この​記事で​分かる​こと

  • 退職所得の試算ツールを米連邦政府の職員に無作為に割り当てた実験で、拠出が平均でどれだけ増え、誰に効いたのか
  • 「ツールが金融知識の代わりになる」という前提が、この研究ではなぜ支持されなかったのか。結果の確かさと、南アフリカ・チリの実験との違い
  • 公的年金シミュレーターや企業型DCの投資教育、金融機関の面談で、ツールと人の説明をどう分担するか（編集部の考察）

想定読者：銀行・証券・信託の資産形成アドバイザーやウェルスマネジメントの担当者、企業型DCの投資教育を担う人事・年金担当、退職準備の顧客向けツールを企画する人
前提知識：確定拠出年金の拠出と運用の基本、複利の計算、回帰分析の係数と信頼区間の読み方の初歩

資産形成の相談の場で、退職後の見込み額を画面に出す試算ツールは今や定番の道具になった。年齢と年収、積立額を入れれば、目標との差が棒グラフで示され、毎月の積立を1万円増やすと差がどこまで縮むかがその場で分かる。説明する側には、金融の知識に自信のない顧客ほど、こうしたツールで「見える化」すれば自分で行動を変えてくれるはずだ、という期待がある。

この期待は本当に成り立つのか。米国と英国の大学・研究機関に所属する経済学者6人の論文は、この問いをそのまま題名に掲げた。試算ツールは金融知識の「代わり」になるのか、それとも知識があってはじめて効く「補完」なのか。運営者はたいてい、知識の低い人の参加を増やす目的でツールを導入しており、暗に代わりになると想定している、と著者らは指摘する1。本稿では実験の数字を確かめたうえで、日本の金融機関のツールと面談の設計に引き寄せて考える。

この記事が主に参照する研究

Goda, Levy, Manchester, Sojourner, Tasoff and Xiao（2023）「Are retirement planning tools substitutes or complements to financial capability?」Journal of Economic Behavior & Organization 214

  • 公表：確認できた最も早い公開は 2022年1月（SSRN）。2022年11月に W.E. Upjohn Institute、12月に NBER のワーキングペーパー。参照した版：学術誌掲載論文の著者受理稿（2023年8月）。査読：済2
  • データ：米連邦政府人事管理局（OPM）の職員5,426人。2014年8月〜2018年4月の月次の拠出記録と、2017年春の事前調査（回答1,435人）
  • 方法：2種類の試算ツールを無作為に割り当てた実験（ランダム化比較試験）。差の差の推定で因果効果を識別
  • 位置づけ：新しいデータと実験による、金融知識と行動の偏りに関する既存理論の検証

実験の​仕組み：同じ​画面から​「確定拠出の見込み」だけを​抜いて​比べた

舞台は連邦職員向けの確定拠出年金 Thrift Savings Plan（TSP）である。雇用主は原則として給与の1%を基礎拠出し、本人拠出のうち給与の最初の3%分には同額、次の2%分には半額を上乗せする（1984年より前に採用された職員には基礎拠出も上乗せもない）。職員は別に確定給付年金と社会保障年金も受け取る3。確定拠出と確定給付の違いは退職給付会計の​入門記事で整理している。

研究チームは OPM と組んで、見た目のほぼ同じ2つのツールを作った。どちらも生年や給与、退職予定年齢、望む生活水準（現役時の給与の70・85・100・115%）を聞いて、退職後の月々の目標額を棒で示す。違いは見込み額の計算にある。処置のツールは、確定給付と社会保障に加えて TSP の残高と今の拠出を将来価値に換算して見込みに含め、目標との差を大きく表示し、スライダーで拠出を動かすと差がどう変わるかを見せる。対照のツールは TSP の分を見込みに入れず、TSP がどれだけ上乗せになるかを本人の判断に委ねた4。

この設計には狙いが2つある。1つは、複利の計算を肩代わりする部分だけの効果を取り出すことだ。人は複利による増え方を直線的に見積もりがちで（指数成長バイアス）、将来のための我慢を先送りしやすい（現在バイアス）。著者らは、計算を代わりに行えばこうした偏りの強い人ほど助かると予想していた。もう1つは、対照群にも「ツールを使う」という行為を用意したことである。通常の実験では、対照群の誰が介入を受けたかったのかは分からない。ここでは対照群でも誰が実際にツールを開いたかが記録されるため、使った人どうしを比べられる5。

比べ方は2通りある。招待した全員で比べる方法（ITT、intention-to-treat）は、ツールを提供したこと全体の効果を測る。使った人どうしで比べる方法（TOT、treatment-on-the-treated）は、使った人に対する画面の違いの効果を測る。著者らは検出力の高い TOT を主な推定に置いた6。

研究が​示した​こと：平均は​年174ドル​増、​効いたのは​知識の​ある​利用者だった

まず、誰がツールを使ったか。2017年12月1日に全員へ招待メールが送られ、その後3回の再送を経て、使ったのは2,625人（48%）だった。利用の有無は、事前の TSP 拠出額と強く関係していた。拠出額が1標準偏差（5,707.5ドル）多いと、ツールを使うオッズが約32%高い。一方で、金融リテラシーや2つの偏りの指標と利用との間には、統計的に有意な関係は確認されなかった。著者らは、軌道修正を最も必要とする拠出の少ない人ほどツールを使っていない、とまとめている7。

次に平均の効果である。ツールを使った人どうしで比べると、処置のツールは年換算の拠出額を174ドル増やした（p値0.021）。利用者の平均拠出7,078ドルの約2.5%、平均給与の約0.2%にあたる8。統計的には有意だが、金額としては小さい。そして図1のとおり、比べ方を変えると見え方が変わる。事前調査の回答者に限ると効果は121ドルで有意でなく、招待した全員で比べた ITT も61ドルで有意ではなかった9。半分の人しか使わない以上、提供したこと全体の効果は薄まる。

図1図1　平均の効果は「誰と比べるか」で見え方が変わるツールを使った人どうし（全体）174ドル（95%区間 26〜322）有意使った人どうし（事前調査の回答者）121ドル（95%区間 −133〜375）有意でない招待した全員どうし（ITT）61ドル（95%区間 −35〜157）有意でない−2000200400単位：ドル/年
処置ツール​（TSP を​含めた​退職所得の​見積もりと​目標との​差を​表示）を、​TSP 分を​見積もりに​含めない​対照ツールと​比べた、​年換算の TSP 拠出額の差​（差の差推定）。​四角が​点推定、​横線が​95%信頼区間​（係数±1.96×標準誤差。​編集部の​計算で、​論文は​区間を​示していない）。​塗りつぶしと​実線は​5%水準で​有意、​白抜きと​破線は​有意でない。​上2つは​ツールを​使った​人に​限った​比較​（TOT）、​下は​招待した​5,426人全員の​比較​（ITT）。​各行の​赤い​短い​点線が​効果ゼロの​位置。​出所：R1（受理稿 p.20 表3 列1・2、​p.35 表​A.4 列1）の​数値を​基に​大手町​プレップ​作成。

本題の「誰に効いたか」は図2にまとめた。事前調査で測った金融リテラシーが1標準偏差高いと、処置の効果は年328ドル大きかった（5%水準で有意）。学士以上の学歴でも効果は496ドル大きいが、こちらは10%水準にとどまる。主成分分析で学歴・複利の理解・リテラシーをまとめた「金融能力」の因子でも、1標準偏差あたり412ドル大きく、ほかの因子を同時に入れても有意なのはこの因子だけだった10。

図2図2　効果が大きかったのは、知識のある利用者だった金融リテラシー（＋1標準偏差）328ドル（95%区間 72〜584）有意金融能力の因子（＋1標準偏差）412ドル（95%区間 152〜672）有意（探索的）学士以上（それ未満と比べて）496ドル（95%区間 −8〜1,000）10%水準指数成長の認識 Alpha（＋1標準偏差）123ドル（95%区間 −85〜331）有意でない現在バイアスの指標 Beta（＋1標準偏差）−153ドル（95%区間 −411〜105）有意でない−4000400800単位：ドル/年
事前調査の​回答者の​うちツールを​使った​人で、​属性が​1単位高いと​処置効果が​どれだけ​大きいか​（三重交差項の係数、ドル/年）。​リテラシー・​Alpha・​Beta は​標本内で​標準化、​学士以上は​0・1の​変数で、​単位が​異なる​ため​大きさを​直接​比べない。​指数成長の​認識指標​（Alpha）は​0で​複利を​無視、​1で​正しく​認識、​1超は​複利の​過大評価​（R1 p.12）で、​現在​バイアスの​指標​（Beta）は​高いほど​現在偏重が​弱い。​金融能力の​因子は​学歴・​指数成長の​理解・​リテラシーを​主成分分析で​まとめた​もので、​事前登録外の​探索的な​分析​（R1 p.16）。​塗りつぶしと​実線は​5%水準で​有意。​赤い​短い​点線が​効果ゼロの​位置。​95%区間は​編集部の​計算。​出所：R1（受理稿 p.20 表3 列3〜5・7、​p.23 表4 列3）の​数値を​基に​大手町​プレップ​作成。

著者らの予想に反して、指数成長バイアスや現在バイアスの強さ、事前の拠出額による効果の違いは、統計的に有意ではなかった11。計算を肩代わりするツールが、計算の苦手な人を特に助けたという証拠は出なかったことになる。著者らはこの結果を、ツールは金融能力の代わりではなく補完であり、最も脆弱な人を助けるには十分でないと解釈している12。

交差項の大きさを、リテラシーの水準ごとの効果に読み替えておく。線形の推定式をそのまま当てはめると、リテラシーが平均の人で133ドル、平均より1標準偏差高い人で461ドル、1標準偏差低い人では−195ドルという点推定になる。これは編集部の計算で、論文はリテラシーの低い人の効果がマイナスだと検定していない。言えるのは「低い人に大きく効いた形跡はない」までである。

結果の​確かさ：小さな​効果、​選ばれた​回答者、​別の​国での​反対の​結果

この研究の強みは、無作為化と能動的対照、そして事前分析計画の登録にある。並べ替え検定でも平均効果の p値は0.001だった。ただ、読むときに留意したい点もいくつかある。

第1に、異質性の分析は事前調査の回答者1,435人（回答率26%）に限られる。回答者は非回答者より年齢が高く、給与も拠出も多かった。OPM の職員は金融リテラシーの5問の正答率が39〜95%と、米国の代表的な標本（21〜70%）より高い13。リテラシーの低い層は、この標本では薄くしか観測されていない。

第2に、検定の数が多い。受理稿は表全体の多重検定を補正した q値も示しており、平均効果とリテラシーの交差項はいずれも0.081、学歴は0.1である14。補正後は「10%水準なら残る」程度の強さで、金融能力の因子を使った分析は事前登録にない探索的なものだと著者ら自身が断っている。第3に、事後の観測は2018年4月までの約5か月で、効果がどれだけ続いたかは分からない。著者らは拠出の設定は変えにくいため効果が長く残る可能性を述べるが、検証はしていない15。

他国の実験と並べると、結果の幅も見えてくる。南アフリカの金融サービス会社で775人を対象にした Olckers（2021）の実験では、退職所得の計算ツールは従業員に役立つと受け止められたものの、拠出率の差は0.1%ポイント未満で、95%信頼区間は−0.1〜0.2%ポイントだった16。チリの実験参加者2,604人（介入時に92.8%が年金制度の加入者）に個人別の年金見込みを示し、行政データで最大12か月追跡した Fuentes ほか（2017年のワーキングペーパー）では、任意貯蓄が約10〜15%増えたが、効果は制度の理解が高い人や学歴の高い人などで強く、一時的で小さかった17。見込みを示す介入の効果は、3つの研究とも小さいかゼロで、効果が出た2つの研究では知識のある側に寄っていた。ただし南アフリカの研究は知識による違いを主な分析の対象にしていない。

大手町​プレップの​考察：ツールが​差を​広げる​三つの​関門

ここからは編集部の見方である。研究の結果を、顧客がツールを通じて行動を変えるまでの道筋に沿って並べると、知識の差が効いてくる関門が3つあると考えられる（仮説）。

1つ目は「開くかどうか」である。この実験では、招待された人の半分しかツールを開かず、開いたのは既に多く拠出している人に偏った。窓口でも、シミュレーターに関心を示すのは既に資産形成に前向きな顧客で、届けたい層ほど画面の前に来ない、という構図はありうる。

2つ目は「入力できるかどうか」である。著者らは、手順の多さ、TSP や見込み所得といった専門用語、自分の残高や拠出額を知っていなければ入力できないことが、知識の低い人の壁になった可能性を挙げる。これは検証された結論ではなく、著者ら自身が推測と明記している18。

3つ目は「差を見て何をするか」である。不足額が示されても、それを毎月の拠出額の変更につなげるには、制度の仕組みと手続きの理解が要る。研究では両方のツールが最後に TSP の窓口と変更方法を案内しており、それでも効果に差が出た19。

この見方に立つと、ツールの導入を「知識の低い顧客への支援策」と位置づけるのは、少なくとも研究の結果とは合わない。ツールは知識のある顧客の判断を速く正確にする道具として評価し、知識の低い顧客には別の手当てを組み合わせる、という役割分担のほうが筋が通る。著者らも、入力欄を記録データで自動入力して手順を減らすことと、1対1の面談や個別の資料のような費用のかかる介入を候補に挙げている20。オンラインのツールは利用者が増えても追加の費用がほとんどかからない、という利点は残る21。安いツールを広く配り、人の手間は届きにくい層に厚くかける、という配分になる。

日本の​実務への​応用：公的年金​シミュレーター、​企業型DC、​窓口の​面談

研究は米連邦職員の確定拠出年金を対象にしたもので、日本の顧客や日本の金融機関のツールを検証したものではない。以下は日本の制度を一次資料で確かめたうえでの、編集部の推論である。

日本でも公的なツールが整ってきた。厚生労働省の公的年金シミュレーターは2022年4月25日に試験運用を始め、ID・パスワードなしで使え、「ねんきん定期便」の二次元コードを読み取れば入力の手間が省ける。スライドバーで年金額の変化を示し、2026年4月からは iDeCo の試算機能も加わって試験運用中である22。二次元コードによる入力は、著者らの言う「自動入力」に近い工夫だと読める。金融機関の自社ツールでも、口座の残高や積立設定を画面に自動で反映できるなら、2つ目の関門を低くできる。

企業型DCでは、事業主は加入者の運用の指図に役立つ資料の提供などの措置を継続的に講じるよう努め、加入者の知識の向上に配慮するものとされている23。研修に試算ツールを組み込む場合も、研究の結果からは、ツールの配布だけでは知識の差に応じた効果の差が残りうる。加入者のうち誰がツールを開き、誰が開かなかったかを把握し、開かなかった層に説明会や個別相談を当てる設計が考えられる。DC加入者の​運用会社の​選び方を​扱った​記事も、加入者の判断の偏りを扱っている。

知識の差は日本でも小さくない。金融広報中央委員会の2022年の金融リテラシー調査では、18〜79歳3万人の正誤問題25問の正答率が55.7%で、18〜29歳は41.2%、70代は65.6%と年齢で大きく開く。学校や勤務先で金融教育を受けたと認識している人は7.1%にとどまる24。積立を始める時間の長い若年層ほど知識が低いという組み合わせは、補完の関係が日本でも成り立つなら、ツールだけに頼る設計の弱点になる（仮説）。

金融機関の面談では、試算画面を「説明の代わり」に使う誘惑がある。編集部としては、画面を見せたことと、顧客が前提と結果を理解したことを分けて記録しておくことを提案したい。アドバイザーの説明が顧客の理解をどう変えるかは説明の​型を​入れ替えた​実験の​記事で、助言の需要と供給の制約は金融​アドバイスの​需要と​供給を​整理した​記事で扱っている。

学習用の​設例：想定利回りの​初期値で​「不足額」と​次の​一手が​変わる

ツールの画面に出る不足額は、入力した数字だけでなく、ツール側が置いた前提でも動く。知識の有無によって、前提を確かめて動かすかどうかに差が生じる可能性がある（編集部の仮説で、R1 はこの点を直接は検証していない）。この点を、架空の数値で確かめる。

学習用の設例（架空）

  • 顧客は45歳。現在の確定拠出の残高300万円、毎月2万円を65歳まで20年拠出する
  • 65歳時点の目標額は1,500万円。拠出は年1回・年末にまとめて行うとみなす
  • 利回りは毎年一定。手数料・税・インフレは考えない（名目の計算）

表1　設例：想定利回りの初期値で、表示される「不足額」と次の一手が変わる（架空）

表は横にスクロールできます →

ツールの想定利回り65歳時点の見込み額目標1,500万円との差必要な毎月の追加拠出
年1%895万円605万円2.3万円
年3%1,187万円313万円1.0万円
年5%1,590万円不足なし（90万円上回る）0万円
学習用の​設例​（架空）。​45歳、​現在の​残高300万円、​毎月​2万円を​65歳まで​20年拠出、​目標は​1,500万円と​置いた。​拠出は​年1回・年末​（年24万円）、​利回りは​毎年​一定、​手数料・​税・​インフレは​考えない。​追加拠出は​不足額を​同じ​利回りの​年金終価係数で​割り、​12で​割った値。​R1 の​ツールも​想定利回りの​初期値​（5%か8%）を​無作為に​割り​当てたが、​拠出への​効果の​差は​有意でなかった​（R1 p.8 脚注3）。​出所：学習用の​仮定に​基づき大手町​プレップ​作成。

想定利回りが年1%なら見込みは895万円で、目標まで605万円足りず、埋めるには毎月2.3万円の上乗せが要る。年3%なら不足は313万円、上乗せは毎月1.0万円に縮み、年5%なら不足は消える。同じ顧客でも、初期値1つで「積立を倍にすべき」から「今のままでよい」まで提案が変わる。計算の仕組みは貨幣の​時間的価値そのもので、物価上昇を差し引いて考えるなら実質利回りで置き直す必要もある。

R1 の実験でも、初期値の利回り（5%か8%）と目標の生活水準（85%か100%）は無作為に割り当てられたが、高い初期値の効果は低い初期値と比べて有意ではなかった25。初期値の違いによる拠出への効果の差が統計的に有意でなかったことと、初期値が画面上の不足額を大きく変えることは両立する。面談では、画面の不足額を示す前に、利回りの前提が何%で、それがどの資産配分を想定した数字かを口頭で確かめておくのがよい。長生きによる取り崩し期間の不確かさは生命表で​老後資金の​持ち時間を​読む記事で扱っている。

明日から​使える​確認項目

  1. ツールの効果を「使った顧客の満足度」で測っていないか。案内した顧客全員を分母にした行動の変化（積立設定の変更率など）と、使った顧客だけの変化を分けて記録する。
  2. ツールを開いた顧客と開かなかった顧客を、既存の積立額・年齢・取引年数で比べる。開いた層に既に積立の多い顧客が偏っていれば、開かなかった層を面談の優先先に回す。
  3. 入力項目のうち、顧客が自分で調べないと埋められない項目（現在の残高、拠出額、加入している制度）を数える。口座の記録や「ねんきん定期便」の二次元コードで埋められる項目は事前に埋める。
  4. 面談の冒頭で一つ質問する。「今の積立を月1万円増やすと、20年後にいくら増えると思いますか」。大きく外れる顧客には、画面より先に複利の説明から入る（質問の閾値は編集部の仮の目安で、研究で検証されたものではない）。
  5. 画面の不足額を示す前に、想定利回り・物価上昇・退職年齢の初期値を顧客と確認し、確認した前提を面談記録に残す。
  6. 不足額を示したら、次の手続きを一つに絞って案内する（積立額の変更手続き、マッチング拠出の申込みなど）。

よく​ある​質問

この​研究で、​試算ツールは​役に​立たないと​分かったのですか。

いいえ。​ツールを​使った​人どうしの​比較では​拠出が​年174ドル​増え、​統計的に​有意でした。​ただし金額は​平均拠出の​約2.5%と​小さく、​効果は​金融知識の​ある​人ほど​大きいと​いう​結果でした。​役に​立たないのではなく、​知識の​代わりには​ならなかった、と​読むのが​正確です。

日本の​顧客にも​同じ​結果が​当ては​まりますか。

研究は​米国の​連邦職員を​対象に​した​もので、​日本の​顧客は​検証していません。​制度も、​ツールの​画面も、​顧客の​知識の​分布も​違います。​南アフリカや​チリの​実験も​効果は​小さいか​知識の​ある​層に​寄っていましたが、​日本での​効果は​自社の​記録で​確かめる​必要が​あります。

まとめ

米連邦職員を対象にした無作為化実験では、確定拠出の見込みを示す試算ツールは拠出を年174ドル増やしたが、使ったのは元々多く拠出する人に偏り、効果は金融知識のある人ほど大きかった。計算の苦手な人を特に助けたという証拠は出ず、著者らはツールを知識の補完と結論づけた。標本の偏りや多重検定を考えると結論の強さには幅があり、他国の実験も効果は小さい。日本の金融機関にとっての含意は、ツールを広く安く配りつつ、開かない・入力できない・行動に移せない顧客には人の説明を厚く当てるという分担であり、その効果は案内した顧客全員を分母にして測ることにある。

次に​読む

脚注

  1. R1（JEBO 掲載論文の著者受理稿, 2023年8月）p.3〜4（§1）。ページは受理稿 PDF の物理ページ（p.1 はリポジトリの表紙）。以下同じ。↩
  2. 確認できた最も早い公開は SSRN 4018004（同題・同6著者。Crossref 登録 2022-01-30、SSRN 本体は未確認）。その後 W.E. Upjohn Institute Working Paper 22-378（2022年11月、DOI: 10.17848/wp22-378）、続いて NBER Working Paper w30723（2022年12月）と IZA DP 15758（2022年）。学術誌は Journal of Economic Behavior & Organization 214巻（2023年10月）pp.561–573。本稿は LSE Research Online の著者受理稿（2023年8月3日付）に基づき、NBER 版とも主要な数値が同じことを確認した。受理稿は多重検定の補正値（q値）と関連研究の節を加えている。出版社版は未読。事前分析計画は AEA RCT Registry（AEARCTR-0002129）に2017年3月に登録されている（R1 p.2・p.16）。↩
  3. R1 p.7（§2.1、脚注1・2）。雇用主の上乗せは本人拠出の3%までは同額、次の2%は半額。1984年より前に採用された職員は、より手厚い確定給付年金の対象で、基礎拠出と上乗せはない（本人の拠出は上限まで可能）。2017年の拠出上限は1万8,000ドル。↩
  4. R1 p.4（§1）、p.8（§2.2）。生活水準の選択肢は p.8。両方のツールとも、最後に現在の拠出の要約と TSP の変更方法・窓口を示した（p.8〜9）。↩
  5. R1 p.4〜5（§1）・p.11〜13（§2.4.1〜2.4.3、仮説）・p.18（§3.2）。偏りの強い人ほど効果が大きいという予想は著者らの事前の仮説。↩
  6. R1 p.18（§3.2）。↩
  7. R1 p.9（§2.2〜2.3）、p.16（§3.1）、p.17（表2 列3）。招待後の再送は2017年12月7日・18日、2018年1月11日。オッズの変化は表2のロジット係数0.048（千ドル/年あたり）から e^(5.7075×0.048)−1 で求めた論文の値（論文は likelihood と表記。編集部の再計算では31.5%）。この推定は事前調査の回答者のうち変数がそろう1,392人が対象。↩
  8. R1 p.18（§3.2）、p.20（表3 列1）。並べ替え検定の p値は0.001。本文の「2.5%」は平均拠出7,078ドルとの比で、編集部の計算では2.46%。要旨（p.2）は「2.3 percent」と書いており、本文と要旨で表記が異なる。本稿は本文の値を用いた。↩
  9. R1 p.21（§3.2）、p.20（表3 列2）、p.35（表A.4 列1）。ITT の95%信頼区間は係数±1.96×標準誤差で−35〜157ドル（編集部の計算）。↩
  10. R1 p.20（表3 列5・7）、p.21〜22（§3.3）、p.23（表4 列3）。金融能力の因子の構成は p.15（§2.4.4、表1）。リテラシーの交差項の95%信頼区間は72〜584ドル（編集部の計算）。属性は標本内で標準化されている。↩
  11. R1 p.20（表3 列3・4・6）、p.21〜22（§3.3）。↩
  12. R1 p.6〜7（§1）、p.24（§4）。↩
  13. R1 p.11（§2.3）、p.32（表A.2）、p.14（§2.4.3）。↩
  14. R1 p.19（§3.2、脚注10）、p.20（表3）。q値は表全体の主要な検定について偽発見率（FDR）を補正した値（Anderson 2008 の方法）。ITT でもリテラシーとの交差項は238ドル（5%水準）と同じ向き（p.22 脚注11、p.35 表A.4 列5）。↩
  15. R1 p.9（§2.3、観測期間）、p.6（§1）、p.16（事前登録の範囲）。↩
  16. R2（arXiv 版 v3, 2021年7月）p.1（要旨）、p.3、p.14〜15（標本と割当）、p.17（§5 結果）。対象は南アフリカの金融サービス会社の本社勤務の従業員で、6割超が最低拠出率7.5%で拠出していた。↩
  17. R3（PUC Chile 経済研究所 DT 483, 2017年1月版）p.2（要旨）、p.5〜6（序論）。2,604人は実験参加者全体で、介入時点の制度加入者は92.8%。約10〜15%の増加は介入後最大12か月の行政データによる推定（p.5）。介入は2014年8月〜2015年2月、政府の窓口の端末で個人別または一般的な情報を示した。学術誌掲載版（Economic Development and Cultural Change）は未読。↩
  18. R1 p.24〜25（§4）。著者らは “We speculate” と書き、推測であることを明記している。↩
  19. R1 p.8〜9（§2.2）。↩
  20. R1 p.25（§4）。↩
  21. R1 p.25（§5）。↩
  22. R4（厚生労働省「公的年金シミュレーター利用のご案内」、更新履歴を含む）。シミュレーターは簡易な試算で、実際の年金額とは必ずしも一致しないと注記されている。↩
  23. R5（確定拠出年金法 第22条）。↩
  24. R6（金融広報中央委員会「金融リテラシー調査（2022年）のポイント」2022年7月5日）p.3・p.5・p.6。調査はインターネットで実施。同調査の2025年調査も公表されているが、本稿では一次資料を確認できた2022年調査の値を用いた。↩
  25. R1 p.8（§2.2、脚注3）。結果は付録C の表C.11〜C.13。↩

参考文献​（2026年11月確認）

※本記事は教育目的の一般的な解説であり、投資助言・法務・税務の助言ではありません。研究結果は各論文の対象・期間・方法の範囲で得られたもので、日本の個別企業・案件にそのまま当てはまるとは限りません。設例は学習用の架空の数値です。アイキャッチ画像は生成AIによるイメージです。