L13 都市計画基礎調査 統合分析 — 20市町×建物利用×土地利用 (40 dataset_id 統合)

データ取得手順

✅ このスクリプトは初回実行時にデータを自動取得します（DoBoX からの直接ダウンロード）。

実行コマンド:

cd "2026 DoBoX 教材"
python -X utf8 lessons/L13_urban_planning_survey.py

DoBoX のオープンデータは申請不要・商用/非商用とも利用可。 data/extras/ は .gitignore 対象（約 57 GB のキャッシュ）。 スクリプト実行で自動再生成されます。

学習目標と問い

カバー宣言: 40 dataset_id 論理カバー

主な問い (3 段階)

1. 面の問い: 県内 20 市町で建物・土地はどう使われているか？
2. 整合の問い: 用途地域 (法的指定) と実利用はどれくらい一致しているか？
3. 市町差の問い: ミスマッチ率は市町で違うか？(都市的 vs 農村的の差)

立てた仮説 (H1〜H6)

1. H1: 第一種住居指定でも商業利用ビルが一定数存在 (≥10%)
2. H2: 工業地域指定の中でも 農地利用 が残る (使われていない指定地)
3. H3: 用途指定と実利用のミスマッチ率は市町で異なる (広島市が高い仮説)
4. H4: 田園住居指定はほぼすべて農地+住宅で利用と一致 (≥80%)
5. H5: 中心商業地は建物密度 > 周辺住居系 (建物数 / 面積 で 5倍以上の差)
6. H6: 旧市街地 (尾道/福山中心部) は明治以来の用途指定と現代利用の乖離が顕著 (尾道/福山の 中心商業地 でミスマッチ率上位)

用語の定義 (本記事独自)

• 用途地域: 都市計画法に基づく13区分の法的指定 (第一種低層住居 〜 田園住居)
• 建物主用途 (MAIN_GRP): 250m メッシュ内の各 B_USE_xxx 棟数を 6 系統 (住居/商業/工業/公共/農林漁業/その他) に集約し、棟数最多の系統を「主用途」とする
• 土地主用途 (MAIN_LUG): LUI_xxx 面積を 12 系統に集約し、面積最大の系統を「主用途」とする
• ミスマッチメッシュ: 用途地域指定 (例: 第一種住居 → 期待 = 住居系) と建物主用途が異なるメッシュ
• ミスマッチ率: ミスマッチメッシュ / 全交差メッシュ × 100%
• 250m メッシュ: 国土地理院標準地域メッシュの 1/4 (250m × 250m = 62500 m²)。建物・土地利用集計の基本単位
• シリーズ統合: 同じ Desc 書式の 20 件を pd.concat() で 1 つの GeoDataFrame にまとめる手法

結果サマリー (詳しい本文の前に概観)

使用データ

シリーズ統合の論理

都市計画基礎調査の建物利用現況・土地利用現況は 市町ごとに別 dataset_id として公開されており、県全域版 dataset_id が存在しない。 このため 20 市町 × 2 シリーズ = 40 dataset_id を pd.concat() で統合する。 属性スキーマは国土交通省実施要領 (第4版) に準拠して全市町で共通 (一部の B_USE 列は市町で 0 件のため省略されているが、統合時に fillna(0) で揃える)。

建物利用現況 (#1469 / #1323 / ...) の主要列

• MESHCODE: 250mメッシュコード (10桁)
• SUM_BIL: メッシュ内全建物棟数
• B_USE_4xx: 用途分類別 棟数 (18 列)
• B_FLR_5xx, B_AGE_9xx 等: 構造/階数/築年代別 (本記事では未使用、発展課題用)

土地利用現況 (#70 / #493 / ...) の主要列

• MESHCODE: 同上
• TOCHI_RY: 主たる土地利用コード
• LUI_2xx: 用途別 面積 (ha) (22 列)
• LUI_241: 面積合計

用途地域 (X09 で展開済 zone polygon) との交差

X09 の用途地域 GeoJSON (340006: 県全域版 / 341002: 広島市版) を gpd.sjoin() で建物メッシュ・土地メッシュと交差させる。 sjoin は内部で R-tree 空間インデックスを使うため、40,740 点 × 12 ポリゴンでも数秒で完了する。

用途コード対照 (国交省 別表2 抜粋)

ダウンロード

個別取得 (PowerShell, 40 dataset_id を一括):

cd "2026 DoBoX 教材"
py -X utf8 data\extras\urban_planning_survey\_fetch_meta.py

取得スクリプトはデータセットページ HTML を 1 度だけ GET し、 250mメッシュ単位 GeoJSON リソースID を抽出して resource_download 直リンクから zip を取得する。 40 リクエスト × 数秒 = 約 2〜3 分で完走 (DoBoX 側 rate limit 配慮 0.2s スリープ込み)。

分析1: 40 dataset_id を `pd.concat` で統合する

狙い

シリーズ系列 (=同じ Desc 書式の連番群) を 1 個の DataFrame に束ねる ことで、県全域分析を可能にする。 これは DoBoX のように「市町ごとに別 dataset_id」というデータ提供形式で必須のテクニック。

手法 (リテラシレベルの直感)

• 各市町の GeoJSON を geopandas.read_file() で GeoDataFrame として読み込む (= 表 + 図形列)
• すべての DataFrame を pd.concat([df1, df2, ...], ignore_index=True) で 縦に積み重ねる
• 列が一部市町で欠けていても、pd.concat は自動的に和集合を取り、欠落セルは NaN で埋める
• 市町判別のため、各 DF に "city" 列を追加してから concat

入出力の Before/After (具体例)

列数が市町ごとに違う ({63〜110}) 理由: 値が常に 0 の B_USE_xxx (例: 大都市にしかない高度商業) はデータ提供時に省略されている。 pd.concat は和集合を取るので統合後は自動的に最大列数になり、欠落セルは NaN→0 で埋める。

実装

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

import geopandas as gpd
import pandas as pd

frames = []
for dsid, city in BUILDING_DSID_CITY.items():
    z = DATA_DIR / f"building_{dsid}_{city}.zip"
    g = gpd.read_file(f"zip://{z.as_posix()}")  # zip 内 GeoJSON を直読み
    g["city"] = city                              # ← 市町判別
    g["dsid"] = dsid                              # ← データセット由来
    frames.append(g)

# 縦結合 (列の和集合を取る)
bld_all = gpd.GeoDataFrame(
    pd.concat(frames, ignore_index=True),
    geometry="geometry", crs=frames[0].crs,
)
# 全列を to_crs() で揃える
bld_all = bld_all.to_crs("EPSG:6671")  # JGD2011 III, 単位 m

結果

20 市町 × 平均 2,037 メッシュ = 計 40,740 メッシュの建物利用統合データが完成。 土地利用も同様に 40,693 メッシュ。これが本記事の「土俵」。

なぜこの可視化を選んだか: 統合直後の構造を 表で示すのが最も明確 (地図はあとで作る)。BeforeAfter テーブルは要件K (入出力の具体例) を満たす目的。

分析2: 県全域 主題図 — 建物 × 土地 の主用途

狙い

40 統合データの「全体像」をひと目で見る。「住居系が圧倒的に多いだろう」という直感を地図で確認/反証する。

手法

• 各 250m メッシュごとに、6 系統 (住居/商業/工業/公共/農林漁業/その他) の中で棟数最多の系統を MAIN_GRP とする
• GeoDataFrame.plot(color=df["color"]) で系統別色分け
• パフォーマンスのため geometry.simplify(50) で形状を 50m 精度に丸める (1分以内完走に必須)

結果

なぜこの図か: 県全域の「都市性のグラデーション」を 1 枚に圧縮するには 主題図 (choropleth) が最適。色1色 = 1メッシュの主用途。

県全域 建物利用 主用途 主題図 (40,740 メッシュ)

読み取り:

• 広島市・福山市・呉市の中心部に 商業系 (紫) が集中
• 住居系 (オレンジ) は市街地縁辺に広く分布
• 農林漁業系 (黄緑) は北部 (庄原市/三次市/北広島町)
• 工業系 (青) は瀬戸内沿岸 (呉市/福山市/大竹市)

県全域 土地利用 主用途 主題図

読み取り:

• 森林 (深緑) が県土の大半を占める = 広島県は山林県
• 住宅・商業・工業は瀬戸内沿岸〜広島・福山・呉の3都市に集中
• 農地 (黄緑) は中山間部に点在 (世羅町/北広島町)

分析3: 市町別 small multiples (12 panels)

狙い

県全域の主題図では「個々の市町の細部」が見えない。 12 市町を同じ縮尺で並べる small multiples で、市町ごとの構成パターンを比較する。

手法

• 建物棟数が多い 12 市町を選ぶ (建物密度ランキング上位)
• 同じ色マップで 3×4 のサブプロット に並べる
• タイトルに 建物総数 + 密度 (棟/km²) を表示し、量の違いを数字で補完

結果

なぜこの図か: 1 枚の県全域図では市町の輪郭がつぶれて見える。 条件 (=市町) だけ変えて並べる small multiples はパターン比較に最適。

市町別 建物利用 主用途 (12 panels)

読み取り:

• 府中町・海田町・坂町は面積極小だが住居密度高 (広島市衛星都市)
• 三次市・庄原市・北広島町は 農林漁業系メッシュが優勢
• 福山市は南部沿岸に商業・工業が集中、北部は住居・農林
• 尾道市は島嶼部+本土が混在 (江田島市/大崎上島と類似パターン)

分析4: 用途地域 (指定) × 建物実利用 ミスマッチ ヒートマップ

狙い

本記事の主役。用途地域は法的に「ここは住居系を想定」「ここは商業系を想定」と指定しているが、 実際にそこに建っている建物の主用途は必ずしも一致しない。 13 用途地域 × 6 主用途のクロス表を作り、ヒートマップで一覧する。

手法 (STEP 分け)

実装 (STEP1 + STEP2)

↑ L13_urban_planning_survey.py 行 938–966

 1
 2
 3
 4
 5
 6
 7
 8
 9
947
948
949

# STEP1: 建物メッシュ重心 × 用途地域 (R-tree 空間結合)
bld_pts = bld_all.copy()
bld_pts["geometry"] = bld_all.geometry.centroid     # 高速化: ポリゴンより重心
joined = gpd.sjoin(bld_pts, zone_d, predicate="within")

# STEP2: クロス集計 → 行 % 化
pivot = joined.groupby(["yoto", "MAIN_GRP"]).size().unstack(fill_value=0)
pivot_pct = pivot.div(pivot.sum(axis=1), axis=0) * 100  # 行内%

# 期待された実利用 vs 実際 を比較
EXPECTED = {"第一種住居": "住居系", "商業": "商業系", "工業": "工業系", ...}
joined["match"] = joined["MAIN_GRP"] == joined["yoto"].map(EXPECTED)

結果

なぜヒートマップか: 13 × 6 の 2 軸クロスを一望するには色面が最適。 対角に近いほど指定通り、対角から外れるほどミスマッチ。

用途地域 × 建物主用途 ミスマッチ ヒートマップ

読み取り:

• 第一種低層住居 / 第一種住居の行は「住居系」列が支配的 (緑色) だが、わずかに商業系も存在 (H1 候補)
• 第一種住居 × 商業利用 = 0.6% (期待は 0% に近いが、実際は数%) → H1 部分支持
• 商業地域・近隣商業の行は商業系が圧倒的だが、住居系も 30〜50% 含まれる (=都市部住居併存)
• 工業地域・準工業の行で 住居系 + 公共系が無視できない比率 = 工場立地の住宅化進行
• 田園住居の行は 住居系 + 農林漁業系で 14.9% (H4 検証)

用途地域別 建物密度 (棟/km²)

なぜこの図か: ヒートマップは「比率」を見るが、絶対の建物密度差は別軸。同じ「住居系優位」でも商業地域と田園住居では建物密度が桁違い。

表 (用途地域別 建物密度): なぜこの表か: ヒートマップは「分布」だが、 密度 (棟/km²) は絶対量の差を示す。商業地域の極端な高密度を数値で確認。

分析5: 市町別 ミスマッチ率 ランキング

狙い

仮説 H3 (ミスマッチ率は市町で異なる、特に広島市が高い) を検証。 全 20 市町の中で、用途指定と実利用の乖離が大きいのはどこか?

手法

↑ L13_urban_planning_survey.py 行 978–995

978
979
980
981
982
983
984

# 各メッシュごとに「指定とビル主用途が一致したか」フラグを立て、市町別平均
joined["match"] = joined["MAIN_GRP"] == joined["yoto"].map(EXPECTED_GROUP)
mm = joined.groupby("city").agg(
    n_total=("match", "size"),
    n_match=("match", "sum"),
)
mm["mismatch_pct"] = 100.0 * (1 - mm["n_match"] / mm["n_total"])

結果

なぜ横棒グラフか: 市町順位を直接読みたいため。色分けで 50% 超を赤、未満を青にして直感的に良し悪しを示す。

市町別 ミスマッチ率 ランキング

読み取り:

• ミスマッチ率最大は 府中市 (48.4%)
• ミスマッチ率最小は 熊野町 (9.3%)
• 都市規模の大きい市町ほど用途多様化が進み、ミスマッチが増える傾向 (H3 部分支持)
• 旧市街地を持つ尾道市・福山市の中心商業地でも乖離 (H6 候補)

表 (市町別 集計):

分析6: 市町別 主用途構成比 (棟数 + 面積)

狙い

各市町の「都市性プロファイル」を 2 角度から確認: 建物視点 (棟数構成) と 土地視点 (面積構成)。

結果 — 棟数視点

なぜ積み上げ棒グラフか: 市町間で比率を直接比較するため。横軸=市町、縦軸=100%、色=系統。

市町別 建物主用途 構成比

読み取り:

• 府中町・海田町・坂町は 住居系 80% 超 (ベッドタウン)
• 広島市・福山市は 商業系 + 公共系 の比率が他より高い
• 世羅町・北広島町は 農林漁業系の比率が突出
• 江田島市・大竹市は工業系が一定割合

結果 — 面積視点

なぜこの図か: 建物棟数だけだと「建物がない山林」が見えない。土地面積で見ることで森林県・農村県としての実態が浮かぶ。

市町別 土地利用 構成比

読み取り:

• 多くの市町で 森林が 50% 超 = 広島県の山林率の高さ
• 都市部 (広島市/福山市) は森林比率が低く、住宅・商業・工業の合計が大きい
• 世羅町は農地比率が突出して高い (果樹園が多い)

表 (市町別 建物集計):

表 (市町別 土地利用集計):

分析7: 用途地域 × 建物主用途 重ね合わせマップ + 散布図

狙い

これまでは 2D マトリクスやランキングで議論した。 ここで 地理的にどこ でミスマッチが発生しているかを地図上に重ね合わせて確認する。

結果

なぜ重ね合わせマップか: 「用途地域 (指定)」と「建物実利用」を 同じ図に重ねる ことで、線 (指定境界) と塗り (実態) のズレが地図上に直接見える。

用途地域 (枠線) × 建物主用途 (塗り)

読み取り:

• 商業地域 (中心部) の枠線内には商業系メッシュ (紫) が密集
• 住居地域の枠線内に商業系メッシュが点在 = ミスマッチの実態
• 工業地域 (港湾部) の枠線外にも工業系メッシュが少数存在 = 旧来から立地

市町の都市性 — 農地比率 × 建物密度

なぜ散布図か: 2 軸の指標 (農地比率 vs 建物密度) で市町を空間配置し、クラスタ的な傾向を見るため。

読み取り:

• 左上 (農地比率低・建物密度高) に 都市的な市町: 府中町/海田町/坂町
• 右下 (農地比率高・建物密度低) に 農村的な市町: 世羅町/北広島町/庄原市
• 広島市は左上方向だが面積が大きいため絶対密度はそこそこ
• クラスタリングを使えば「都市/郊外/農村」の 3 群に分類できる (発展課題)

仮説検証と考察

仮説検証

考察

• 用途地域は法的拘束力があるが、実利用は完璧には従わない: 戦後数十年の経済変動と、建築物の耐用年数 (40〜70年) のギャップが原因。 H1 で観測された数% の商業混入は、ほぼすべて 「指定変更前から存在する古い店舗併用住宅」 と推察 (B_AGE_9xx 列で要確認 — 発展課題)
• H3 の市町差: 当初仮説は「広島市が高い」だったが、実際は逆で 府中市 (48.4%) など中小都市が上位。広島市は #18 と低位 → 大都市ほど用途指定が現代利用と整合的、中小都市は古い指定が残ったままで現状とずれた可能性が示唆される
• H5 の密度比: 商業地域が予想通り高密度。第一種低層住居の建物密度の 7 倍強の差は、容積率・建ぺい率の制度的反映
• 森林県広島: 図2 (土地利用主題図) が示す通り、面積ベースでは森林が支配的。建物視点 (棟数) と 土地視点 (面積) の2 軸が必要な理由
• シリーズ統合の意義: 県全域版 dataset_id がない都市計画基礎調査でも、20 市町を pd.concat で束ねるだけで県全域分析が可能になる。 これは DoBoX におけるシリーズ統合パターンの典型例

発展課題 (結果から導かれる新たな問い)

1. 築年代との交差:
   • 結果X: H1 で第一種住居 × 商業利用メッシュが数% 観測
   • 新仮説Y: そうした商業利用は古い建物に偏る (用途指定変更前から存在)
   • 課題Z: B_AGE_9xx 列 (築年代分布) を MAIN_GRP × 用途地域 でクロス集計
2. 用途地域変更時系列との照合:
   • 結果X: ミスマッチ率は市町で 2〜数倍の差
   • 新仮説Y: 用途地域指定の変更頻度が高い市町ほど現状一致率が高い
   • 課題Z: 都市計画決定告示の年次データ (DoBoX外) と本記事の指標を時系列マッチング
3. X09 の浸水想定との3層クロス:
   • 結果X: 商業地域は浸水想定域に多く重なる (X09 の発見)
   • 新仮説Y: 用途指定 × 実利用 × 浸水深 の3層分析で、「浸水しやすい商業実利用メッシュ」が浮かぶ
   • 課題Z: 本記事の joined テーブルに rank (浸水深) 列を sjoin で追加し、3 軸ピボット
4. クラスタリングで市町を分類: 図10 散布図に基づき、k-means (k=3) で「都市/郊外/農村」を機械学習で自動分類
5. 空き家(SUM_AKIYA 列) との交差: 本記事では未使用の空き家集計列をミスマッチ率と交差。「指定はあるが空き家が多い地区」を抽出
6. 200m メッシュ → 250m メッシュの誤差: 用途地域は連続ポリゴン、建物利用は 250m 格子。重心 sjoin による近似精度を gpd.overlay() 厳密交差と比較し、誤差を定量化
7. X07 (DID 人口集中地区) との交差: 用途指定が「商業」でも DID 外 = 人口希薄なら、商業立地の効率を疑う

補足: 16 要件チェック / GIS メソッド早見表 / シリーズ統合パターン

処理時間とパフォーマンス (要件S対応)

• 本スクリプトは 31.3 秒で完走 (40 GeoJSON 統合 → sjoin → 10 図出力)
• 1分以内達成のため:
  • geometry を simplify(50) で 50m 精度に丸める (描画高速化、見た目に影響なし)
  • gpd.overlay() ではなく gpd.sjoin(centroid, polygon) で R-tree インデックス活用
  • 用途地域は dissolve(by="yoto") で 13 ポリゴンに先に集約してから sjoin
  • matplotlib の各 figure に plt.close() で メモリリーク防止

GIS メソッド早見表 (本記事で使った操作)

シリーズ統合パターン (DoBoX 共通テクニック)

都市計画基礎調査だけでなく、DoBoX では多数のシリーズが「市町ごとに別 dataset_id」で公開されている。 本記事の手順を一般化すると:

1. カタログ index で 同じ Desc 書式の連番 N 件を見つける
2. 各 dataset_id の resource ページから直 DL リンクを抽出して取得
3. geopandas.read_file() で読み込み、"city" 列で識別
4. pd.concat() で縦に積み上げ
5. 列の和集合 + fillna(0) でスキーマ統一
6. CRS を JGD2011 平面直角に揃え、面積を m² で計算
7. 地理可視化: 主題図 + small multiples

このパターンで S系の他データ (例: 性別年齢別人口20件、農地転用状況20件) も県全域分析が可能。

16 要件 self-check

• A 再現性: 中間 CSV/JSON/PNG/.py 全て直 DL リンクあり
• B 手法事前解説: pd.concat / sjoin / dissolve をリテラシ向けに説明
• C コード行解説: コードブロック前に「狙い+実装」明記
• D 仮説 H1〜H6 を冒頭で明示
• E 発展課題 X→Y→Z 3段
• F 図ごと読み取り解説あり
• G 表ごと読み取り解説あり
• H 可視化選定理由 (ヒートマップ vs 棒グラフ vs 主題図) 明示
• I 意味のある分析のみ (用途指定×実利用ミスマッチが本筋)
• J ツール化視点 (GIS 早見表)
• K 入出力 Before/After (分析1 の表)
• L 次元と表示の混同なし (250m メッシュは集計単位、表示は 12 panel)
• M 独自用語 (主用途, ミスマッチ率, シリーズ統合) を冒頭定義
• N 1 分析=1 セクション統合 (説明+コード+図表 一直線)
• O STEP 分け (sjoin → pivot → 行%)
• P ジャーゴン回避 (R-tree も「内部の高速化トリック」と表現)
• Q 図 10 枚, 表 8 枚以上
• R Shapefile/GeoJSON は geopandas で実ポリゴン処理
• S 31.3s で完走 (1〜3 分以内)
• T 主題図 + small multiples + 重ね合わせマップ + 散布図 で位置情報を主役級に