"""L16 都市計画区域 21 市町統合分析 — 広島県の都市計画指定構造と広域圏域 カバー宣言: 本記事は 都市計画区域情報_区域データ_都市計画区域 シリーズ全 21 件 = 21 dataset_id を 統合し、広島県全域の都市計画区域指定構造を分析する研究記事である。 - 20 市町別 GeoJSON: ds=787 広島市 / 798 呉市 / 808 竹原市 / 815 三原市 / 825 尾道市 / 833 福山市 / 841 府中市 / 851 三次市 / 857 庄原市 / 863 大竹市 / 869 東広島市 / 879 廿日市市 / 889 安芸高田市 / 895 江田島市 / 901 府中町 / 906 海田町 / 912 熊野町 / 917 坂町 / 936 北広島町 / 942 世羅町 - 県全域 集約ファイル: ds=923 広島県（21 市町分のポリゴンを 102 件で含む） → 合計 21 dataset_id（市町別 20 + 県全域 1） 研究の問い (RQ): 広島県内に指定された都市計画区域は、どのような種類・規模・行政市町との関係を持ち、 「広域都市計画区域（○○圏）」はどう機能しているか？ 仮説 (D): H1. 広島県の市町は約 3 割しか都市計画区域に指定されておらず、 中山間地域では「白地」（非指定）が支配的である H2. 「○○圏都市計画区域」は複数市町をまたぐ広域指定として機能する。 特に「広島圏」は周辺町を含む大都市圏の典型である H3. 21 市町別ファイルと県全域 ds=923 の合計はポリゴン数・面積で完全一致する H4. 都市計画区域の指定面積は人口集中地域に偏在し、小面積でも都市部の町 （海田町・府中町・熊野町等）はほぼ全域指定、広面積の中山間市町は低指定率 H5. TOKEI_CD=2（準都市計画区域）は本来の都市計画区域（TOKEI_CD=1）と異なる 周縁的役割を持ち、広島市湯来地区の限定指定に留まる 要件S 準拠: 1 分以内で完走（ポリゴン総数 102、軽量）。 要件T 準拠: 主題図 + 広域指定 zonal map + 行政区域との重ね合わせ + small multiples 要件Q 準拠: 図 8 枚以上、表 9 枚以上。 注: 本記事は L15（行政区域）と密接に関係するが、「合体」ではない。 都市計画区域=L16 のメイン分析対象、行政区域=L15 のメイン分析対象。 本記事内では行政区域は「比率分母」と「ベースマップ」として最小限に参照する。 """ from __future__ import annotations import sys, time, json, zipfile, io from pathlib import Path sys.path.insert(0, str(Path(__file__).parent)) from _common import (ROOT, ASSETS, LESSONS, render_lesson, code, figure) import numpy as np import pandas as pd import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt from matplotlib.patches import Patch from matplotlib.lines import Line2D import geopandas as gpd plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False t0 = time.time() print("=== L16 都市計画区域 21市町統合分析 ===", flush=True) # ============================================================================= # 0. 定数: 21 dataset_id, 行政面積参照値 # ============================================================================= DATA_DIR = ROOT / "data" / "extras" / "L16_city_planning_zones" ADMIN_DIR = ROOT / "data" / "extras" / "L15_admin_zones" TARGET_CRS = "EPSG:6671" # JGD2011 平面直角 III, 広島県, m 単位 # (dataset_id, 市町名, 海岸 bool, タイプ) CITY_DEFS = [ (787, "広島市", True, "政令市"), (798, "呉市", True, "市"), (808, "竹原市", True, "市"), (815, "三原市", True, "市"), (825, "尾道市", True, "市"), (833, "福山市", True, "市"), (841, "府中市", False, "市"), (851, "三次市", False, "市"), (857, "庄原市", False, "市"), (863, "大竹市", True, "市"), (869, "東広島市", True, "市"), (879, "廿日市市", True, "市"), (889, "安芸高田市", False, "市"), (895, "江田島市", True, "離島自治体"), (901, "府中町", False, "町"), (906, "海田町", True, "町"), (912, "熊野町", False, "町"), (917, "坂町", True, "町"), (936, "北広島町", False, "町"), (942, "世羅町", False, "町"), ] KEN_DSID = 923 # 行政区域用 dsid (L15 と同じ; 比率計算の分母として使う) ADMIN_DSID = { "広島市":786, "呉市":797, "竹原市":807, "三原市":814, "尾道市":824, "福山市":832, "府中市":840, "三次市":850, "庄原市":856, "大竹市":862, "東広島市":868, "廿日市市":878, "安芸高田市":888, "江田島市":894, "府中町":900, "海田町":905, "熊野町":911, "坂町":916, "北広島町":935, "世羅町":941, } TYPE_COLOR = { "政令市": "#cf222e", "市": "#0969da", "離島自治体": "#bf8700", "町": "#1f883d", } # ============================================================================= # 1. 21 市町 GeoJSON 統合読み込み # ============================================================================= print("\n[1] 21 市町 GeoJSON 統合読み込み", flush=True) t1 = time.time() def load_geojson_zip(zip_path: Path) -> gpd.GeoDataFrame: """ZIP 内の単一 .geojson を BytesIO 経由で読み込み（一時ファイル不要）""" with zipfile.ZipFile(zip_path) as zf: gjs = [n for n in zf.namelist() if n.endswith(".geojson")] if not gjs: raise FileNotFoundError(f"no .geojson in {zip_path.name}") with zf.open(gjs[0]) as f: return gpd.read_file(io.BytesIO(f.read())) frames = [] miss = [] for dsid, name, coastal, ctype in CITY_DEFS: z = DATA_DIR / f"city_planning_{dsid}_{name}.zip" if not z.exists(): miss.append((dsid, name)) continue g = load_geojson_zip(z) g["source_city"] = name g["source_dsid"] = dsid g["coastal"] = coastal g["ctype"] = ctype frames.append(g) assert not miss, f"missing zip: {miss}" zone_all = gpd.GeoDataFrame(pd.concat(frames, ignore_index=True), geometry="geometry", crs=frames[0].crs) zone_all = zone_all.to_crs(TARGET_CRS) zone_all["poly_area_km2"] = zone_all.geometry.area / 1e6 zone_all["poly_perim_km"] = zone_all.geometry.length / 1e3 print(f" 21 市町 統合: {len(zone_all)} ポリゴン, CRS={zone_all.crs.to_epsg()}, " f"{time.time()-t1:.2f}s", flush=True) # 県全域版 (ds=923) - 整合性検証用 ken_zip = DATA_DIR / f"city_planning_{KEN_DSID}_広島県.zip" ken_gdf = load_geojson_zip(ken_zip).to_crs(TARGET_CRS) ken_gdf["poly_area_km2"] = ken_gdf.geometry.area / 1e6 print(f" 県全域版 ds={KEN_DSID}: {len(ken_gdf)} ポリゴン", flush=True) # 行政区域 (L15 と共有; 都計指定率の分母用) admin_frames = [] for city, dsid in ADMIN_DSID.items(): z = ADMIN_DIR / f"admin_{dsid}_{city}.zip" g = load_geojson_zip(z) g["city"] = city admin_frames.append(g) admin_all = gpd.GeoDataFrame(pd.concat(admin_frames, ignore_index=True), geometry="geometry", crs=admin_frames[0].crs) admin_all = admin_all.to_crs(TARGET_CRS) admin_all["admin_area_km2"] = admin_all.geometry.area / 1e6 admin_diss = admin_all.dissolve(by="city").reset_index() admin_diss["admin_area_km2"] = admin_diss.geometry.area / 1e6 print(f" 行政区域 (L15共有) 読込: {len(admin_diss)} 市町", flush=True) # ============================================================================= # 2. TOKEI_NAME 集約と広域圏域の同定 # ============================================================================= print("\n[2] TOKEI_NAME 集約・広域圏域の同定", flush=True) t1 = time.time() # (1) TOKEI_NAME 別ジオメトリ統合（dissolve） zone_diss_name = zone_all.dissolve(by="TOKEI_NAME", aggfunc={ "TOKEI_CD": "first", }).reset_index() def n_parts(geom): if geom.geom_type == "MultiPolygon": return len(list(geom.geoms)) return 1 zone_diss_name["n_parts"] = zone_diss_name.geometry.apply(n_parts) zone_diss_name["area_km2"] = zone_diss_name.geometry.area / 1e6 zone_diss_name["perim_km"] = zone_diss_name.geometry.length / 1e3 zone_diss_name["compactness"] = (4*np.pi*zone_diss_name["area_km2"]*1e6) / \ (zone_diss_name["perim_km"]*1e3)**2 # 各 TOKEI_NAME がいくつの市町をまたぐか crosstab_zc = pd.crosstab(zone_all["TOKEI_NAME"], zone_all["source_city"]) zone_diss_name["cities_count"] = zone_diss_name["TOKEI_NAME"].map( crosstab_zc.gt(0).sum(axis=1)) zone_diss_name["zone_kind"] = zone_diss_name["TOKEI_CD"].map( {1: "都市計画区域", 2: "準都市計画区域"}) # 広域指定（複数市町またぎ）か単一市町指定か zone_diss_name["scope"] = zone_diss_name["cities_count"].apply( lambda n: "広域（複数市町）" if n >= 2 else "単一市町") # 「○○圏」判定（名前ベース） zone_diss_name["name_has_kw"] = zone_diss_name["TOKEI_NAME"].str.contains("圏") zone_diss_name = zone_diss_name.sort_values("area_km2", ascending=False).reset_index(drop=True) # (2) 市町別 都計指定面積と指定率 city_zone_agg = zone_all.groupby("source_city").agg( n_polys=("poly_area_km2", "size"), zone_area_km2=("poly_area_km2", "sum"), n_zone_names=("TOKEI_NAME", "nunique"), ).reset_index().rename(columns={"source_city": "city"}) # 行政区域面積をマージ admin_areas = admin_diss.set_index("city")["admin_area_km2"] city_zone_agg["admin_area_km2"] = city_zone_agg["city"].map(admin_areas) city_zone_agg["zone_ratio_pct"] = city_zone_agg["zone_area_km2"] / city_zone_agg["admin_area_km2"] * 100 city_zone_agg["white_area_km2"] = city_zone_agg["admin_area_km2"] - city_zone_agg["zone_area_km2"] # coastal/ctype をマージ city_meta = pd.DataFrame([{"city": n, "coastal": c, "ctype": t} for _, n, c, t in CITY_DEFS]) city_zone_agg = city_zone_agg.merge(city_meta, on="city") # 並び順固定 CITY_ORDER = [c[1] for c in CITY_DEFS] city_zone_agg["__o"] = city_zone_agg["city"].map({c: i for i, c in enumerate(CITY_ORDER)}) city_zone_agg = city_zone_agg.sort_values("__o").drop(columns="__o").reset_index(drop=True) print(f" TOKEI_NAME: {len(zone_diss_name)} 種類", flush=True) print(f" 広域指定（2市町以上）: {(zone_diss_name['cities_count']>=2).sum()} 種類", flush=True) print(f" 指定率最大: {city_zone_agg.loc[city_zone_agg['zone_ratio_pct'].idxmax(),'city']} " f"({city_zone_agg['zone_ratio_pct'].max():.1f}%)", flush=True) print(f" 指定率最小: {city_zone_agg.loc[city_zone_agg['zone_ratio_pct'].idxmin(),'city']} " f"({city_zone_agg['zone_ratio_pct'].min():.1f}%)", flush=True) # ============================================================================= # 3. 中間 CSV 出力 # ============================================================================= print("\n[3] 中間 CSV 出力", flush=True) ASSETS.mkdir(parents=True, exist_ok=True) # 市町別都計集計 city_zone_agg.round(3).to_csv(ASSETS / "L16_city_zone_agg.csv", index=False, encoding="utf-8-sig") # TOKEI_NAME 集計 zone_diss_name.drop(columns="geometry").round(4).to_csv( ASSETS / "L16_zone_summary.csv", index=False, encoding="utf-8-sig") # クロス表 crosstab_area = zone_all.pivot_table(index="TOKEI_NAME", columns="source_city", values="poly_area_km2", aggfunc="sum", fill_value=0).round(3) crosstab_area.to_csv(ASSETS / "L16_zone_city_crosstab_area.csv", encoding="utf-8-sig") # ポリゴン詳細 zone_all.drop(columns="geometry").round(4).to_csv( ASSETS / "L16_poly_detail.csv", index=False, encoding="utf-8-sig") print(f" saved 4 CSVs", flush=True) # ============================================================================= # 4. 図 1: 23 都市計画区域 主題図 (TOKEI_NAME 別カラー) # ============================================================================= print("\n[4] 図1: 23 都市計画区域 主題図", flush=True) t1 = time.time() fig, ax = plt.subplots(figsize=(11, 8.5)) # ベースに県の輪郭（行政区域 dissolve） ken_outline = admin_diss.dissolve() ken_outline.boundary.plot(ax=ax, color="#999999", linewidth=0.7, zorder=1) admin_diss.boundary.plot(ax=ax, color="#cccccc", linewidth=0.4, zorder=2) # 都市計画区域を TOKEI_NAME 別にカラー（広島圏=赤、備後圏=青、東広島=緑、その他=パステル） import matplotlib.cm as cm n_zones = len(zone_diss_name) # 大面積上位は固有色、残りは tab20 fixed = { "広島圏都市計画区域": "#cf222e", "備後圏都市計画区域": "#0969da", "三次圏都市計画区域": "#8250df", "東広島都市計画区域": "#1f883d", "湯来準都市計画区域": "#bf8700", } cm_other = plt.get_cmap("tab20") import matplotlib.colors as mcolors zone_colors = [] others_idx = 0 for _, r in zone_diss_name.iterrows(): if r["TOKEI_NAME"] in fixed: zone_colors.append(fixed[r["TOKEI_NAME"]]) else: # tab20 (rgba tuple) を hex に変換して文字列に統一 rgba = cm_other(others_idx / 20) zone_colors.append(mcolors.to_hex(rgba)) others_idx += 1 zone_diss_name["plot_color"] = zone_colors zone_diss_name.plot(ax=ax, color=zone_colors, edgecolor="white", linewidth=0.5, alpha=0.85, zorder=3) # ラベル: 上位 8 個に名前 top = zone_diss_name.head(8) for _, r in top.iterrows(): pt = r.geometry.representative_point() ax.annotate(r["TOKEI_NAME"], (pt.x, pt.y), ha="center", va="center", fontsize=8, color="white", fontweight="bold", bbox=dict(boxstyle="round,pad=0.2", fc="black", ec="none", alpha=0.45)) ax.set_title("広島県 23 都市計画区域 主題図（TOKEI_NAME 別塗分け）", fontsize=13) ax.set_axis_off() # 凡例（広域 vs 単一） patches = [ Patch(facecolor=fixed["広島圏都市計画区域"], label="広島圏 (8 市町)"), Patch(facecolor=fixed["備後圏都市計画区域"], label="備後圏 (4 市町)"), Patch(facecolor=fixed["三次圏都市計画区域"], label="三次圏 (1 市町)"), Patch(facecolor=fixed["東広島都市計画区域"], label="東広島 (1 市町、独立)"), Patch(facecolor=fixed["湯来準都市計画区域"], label="湯来準（準区域）"), Patch(facecolor="#cccccc", edgecolor="black", label="行政区域境界"), ] ax.legend(handles=patches, loc="lower left", fontsize=9, frameon=True) plt.tight_layout() plt.savefig(ASSETS / "L16_zone_thematic.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved L16_zone_thematic.png ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 5. 図 2: 広域指定（広島圏・備後圏）クローズアップ # ============================================================================= print("\n[5] 図2: 広域圏のクローズアップ + 構成市町", flush=True) t1 = time.time() fig, axes = plt.subplots(1, 2, figsize=(15, 7)) # 左: 広島圏都市計画区域 + 構成 8 市町 hir_zone = zone_diss_name[zone_diss_name["TOKEI_NAME"] == "広島圏都市計画区域"] hir_cities = crosstab_zc.columns[crosstab_zc.loc["広島圏都市計画区域"] > 0].tolist() hir_admin = admin_diss[admin_diss["city"].isin(hir_cities)] hir_admin.plot(ax=axes[0], color="#fff8c5", edgecolor="#cccccc", linewidth=0.7, zorder=1) hir_zone.plot(ax=axes[0], color="#cf222e", edgecolor="black", linewidth=0.6, alpha=0.7, zorder=3) for _, r in hir_admin.iterrows(): pt = r.geometry.representative_point() axes[0].annotate(r["city"], (pt.x, pt.y), ha="center", va="center", fontsize=9, color="black", fontweight="bold") axes[0].set_title("広島圏都市計画区域（赤）と 8 構成市町", fontsize=12) axes[0].set_axis_off() # 右: 備後圏都市計画区域 + 構成 4 市町 bin_zone = zone_diss_name[zone_diss_name["TOKEI_NAME"] == "備後圏都市計画区域"] bin_cities = crosstab_zc.columns[crosstab_zc.loc["備後圏都市計画区域"] > 0].tolist() bin_admin = admin_diss[admin_diss["city"].isin(bin_cities)] bin_admin.plot(ax=axes[1], color="#ddf4ff", edgecolor="#cccccc", linewidth=0.7, zorder=1) bin_zone.plot(ax=axes[1], color="#0969da", edgecolor="black", linewidth=0.6, alpha=0.7, zorder=3) for _, r in bin_admin.iterrows(): pt = r.geometry.representative_point() axes[1].annotate(r["city"], (pt.x, pt.y), ha="center", va="center", fontsize=9, color="black", fontweight="bold") axes[1].set_title("備後圏都市計画区域（青）と 4 構成市町", fontsize=12) axes[1].set_axis_off() plt.tight_layout() plt.savefig(ASSETS / "L16_wide_areas.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved L16_wide_areas.png ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 6. 図 3: 都市計画区域指定率 choropleth + 白地マップ # ============================================================================= print("\n[6] 図3: 指定率 choropleth + 白地マップ", flush=True) t1 = time.time() fig, axes = plt.subplots(1, 2, figsize=(15, 7)) # 左: 市町別 都計指定率 choropleth ratio_gdf = admin_diss.merge(city_zone_agg[["city","zone_ratio_pct","ctype"]], on="city") ratio_gdf.plot(ax=axes[0], column="zone_ratio_pct", cmap="RdYlGn", edgecolor="white", linewidth=0.6, legend=True, legend_kwds={"label": "都計指定率 (%)", "shrink": 0.7, "orientation": "vertical"}, vmin=0, vmax=100) for _, r in ratio_gdf.iterrows(): pt = r.geometry.representative_point() txt_color = "white" if r["zone_ratio_pct"] < 30 else "black" axes[0].annotate(f"{r['city']}\n{r['zone_ratio_pct']:.0f}%", (pt.x, pt.y), ha="center", va="center", fontsize=7, color=txt_color) axes[0].set_title("市町別 都市計画区域指定率（都計面積 / 行政面積）", fontsize=12) axes[0].set_axis_off() # 右: 白地マップ（都計指定外 = 行政区域 - 都計区域） # admin_diss を背景に灰色、その上に zone_diss_name を緑で重ねる # 「白地」= 灰色のまま見える領域 admin_diss.plot(ax=axes[1], color="#bdbdbd", edgecolor="white", linewidth=0.6, zorder=1) zone_diss_name.plot(ax=axes[1], color="#1f883d", edgecolor="none", alpha=0.85, zorder=2) # 県境 admin_diss.dissolve().boundary.plot(ax=axes[1], color="black", linewidth=0.7, zorder=3) axes[1].set_title("広島県の都計指定エリア（緑）と白地（灰）", fontsize=12) axes[1].set_axis_off() # 凡例 patches = [ Patch(facecolor="#1f883d", label=f"都市計画区域 ({zone_all['poly_area_km2'].sum():.0f} km²)"), Patch(facecolor="#bdbdbd", label=f"白地（指定外） ({(admin_diss['admin_area_km2'].sum() - zone_all['poly_area_km2'].sum()):.0f} km²)"), ] axes[1].legend(handles=patches, loc="lower left", fontsize=10, frameon=True) plt.tight_layout() plt.savefig(ASSETS / "L16_zone_ratio_white.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved L16_zone_ratio_white.png ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 7. 図 4: 23 TOKEI_NAME small multiples # ============================================================================= print("\n[7] 図4: 23 都市計画区域 small multiples", flush=True) t1 = time.time() n = len(zone_diss_name) cols = 6 rows = int(np.ceil(n / cols)) fig, axes = plt.subplots(rows, cols, figsize=(15, 2.4*rows)) axes = axes.flatten() for i, (_, r) in enumerate(zone_diss_name.iterrows()): ax = axes[i] sub = zone_all[zone_all["TOKEI_NAME"] == r["TOKEI_NAME"]] color = r["plot_color"] sub.plot(ax=ax, color=color, edgecolor="white", linewidth=0.4) ax.set_title(f"{r['TOKEI_NAME']}\n{r['area_km2']:.0f}km² / {r['cities_count']}市町 / {r['n_parts']}部", fontsize=8) ax.set_axis_off() # 余り for j in range(n, rows*cols): axes[j].set_visible(False) plt.suptitle("23 都市計画区域 個別形状 (パネルごとに最大化、スケール非統一)", fontsize=12, y=1.00) plt.tight_layout() plt.savefig(ASSETS / "L16_zones_small_multiples.png", dpi=120, bbox_inches="tight") plt.close("all") print(f" saved ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 8. 図 5: 行政区域 vs 都市計画区域 (重ね合わせ) # ============================================================================= print("\n[8] 図5: 行政 vs 都計 重ね合わせ", flush=True) t1 = time.time() fig, axes = plt.subplots(1, 2, figsize=(15, 7)) # 左: ctype 別行政 + 都計エリアを半透明で重ねる admin_diss_meta = admin_diss.merge(city_meta, on="city") admin_diss_meta.plot(ax=axes[0], color=admin_diss_meta["ctype"].map(TYPE_COLOR), edgecolor="white", linewidth=0.5, alpha=0.4) zone_diss_name.plot(ax=axes[0], color="black", alpha=0.3, edgecolor="none") for _, r in admin_diss_meta.iterrows(): pt = r.geometry.representative_point() axes[0].annotate(r["city"], (pt.x, pt.y), ha="center", va="center", fontsize=6, color="black") axes[0].set_title("行政区域（ctype別カラー）に都計区域（黒）を重ねる", fontsize=11) axes[0].set_axis_off() patches_l = [Patch(facecolor=TYPE_COLOR[t], label=t, alpha=0.4) for t in ["政令市","市","離島自治体","町"]] patches_l.append(Patch(facecolor="black", label="都市計画区域", alpha=0.3)) axes[0].legend(handles=patches_l, loc="lower left", fontsize=8, frameon=True) # 右: 散布 (行政面積 × 都計指定率) ctype 別 for ctype, c in TYPE_COLOR.items(): sub = city_zone_agg[city_zone_agg["ctype"] == ctype] axes[1].scatter(sub["admin_area_km2"], sub["zone_ratio_pct"], c=c, s=90, alpha=0.85, edgecolor="black", linewidth=0.5, label=ctype) for _, r in sub.iterrows(): axes[1].annotate(r["city"], (r["admin_area_km2"], r["zone_ratio_pct"]), fontsize=7, xytext=(4, 3), textcoords="offset points") axes[1].set_xscale("log") axes[1].set_xlabel("行政区域面積 km² (log)") axes[1].set_ylabel("都市計画区域指定率 (%)") axes[1].set_title("行政面積 × 指定率: 大きい市町ほど指定率は低い？", fontsize=11) axes[1].axhline(50, color="gray", linewidth=0.5, linestyle="--") axes[1].grid(True, alpha=0.3) axes[1].legend(loc="upper right", fontsize=9) plt.tight_layout() plt.savefig(ASSETS / "L16_admin_vs_zone.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 9. 図 6: TOKEI_NAME 別 面積バー & 連結成分 + cities_count # ============================================================================= print("\n[9] 図6: TOKEI_NAME 面積バー", flush=True) t1 = time.time() fig, axes = plt.subplots(1, 2, figsize=(15, 7.5)) zd = zone_diss_name.sort_values("area_km2", ascending=True).copy() # 左: 面積横棒 colors_bar = ["#cf222e" if r["scope"] == "広域（複数市町）" else ("#bf8700" if r["zone_kind"] == "準都市計画区域" else "#0969da") for _, r in zd.iterrows()] axes[0].barh(zd["TOKEI_NAME"], zd["area_km2"], color=colors_bar, edgecolor="black", linewidth=0.4) for i, (_, r) in enumerate(zd.iterrows()): axes[0].text(r["area_km2"] + 5, i, f"{r['cities_count']}市町・{r['n_parts']}部", va="center", fontsize=8) axes[0].set_xlabel("都市計画区域面積 km²") axes[0].set_title("23 都市計画区域 面積ランキング（赤=広域, 橙=準, 青=単一）", fontsize=11) axes[0].grid(axis="x", alpha=0.3) # 右: 連結成分数 vs 面積（パネル散布） for kind in ["広域（複数市町）", "単一市町"]: sub = zone_diss_name[zone_diss_name["scope"] == kind] color = "#cf222e" if kind == "広域（複数市町）" else "#0969da" axes[1].scatter(sub["area_km2"], sub["n_parts"], s=80, c=color, edgecolor="black", linewidth=0.5, alpha=0.85, label=kind) for _, r in sub.iterrows(): axes[1].annotate(r["TOKEI_NAME"], (r["area_km2"], r["n_parts"]), fontsize=7, xytext=(4, 3), textcoords="offset points") # 準 sub = zone_diss_name[zone_diss_name["zone_kind"] == "準都市計画区域"] axes[1].scatter(sub["area_km2"], sub["n_parts"], s=130, marker="*", c="#bf8700", edgecolor="black", linewidth=0.6, label="準都市計画区域", zorder=4) axes[1].set_xscale("log") axes[1].set_xlabel("面積 km² (log)") axes[1].set_ylabel("連結成分数（島嶼+飛び地）") axes[1].set_title("面積 × 連結成分数（広域は分散, 単一は集約）", fontsize=11) axes[1].legend(loc="upper left", fontsize=9) axes[1].grid(True, alpha=0.3) plt.tight_layout() plt.savefig(ASSETS / "L16_zone_areas_bar.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 10. 整合性検証 (21 市町別 vs ds=923) # ============================================================================= print("\n[10] 整合性検証", flush=True) sum_city = zone_all["poly_area_km2"].sum() sum_ken = ken_gdf["poly_area_km2"].sum() diff_pct = (sum_city - sum_ken) / sum_ken * 100 n_city = len(zone_all) n_ken = len(ken_gdf) print(f" 21 市町別 ファイル合計: {sum_city:.3f} km², {n_city} ポリゴン") print(f" 県全域 ds={KEN_DSID} 合計 : {sum_ken:.3f} km², {n_ken} ポリゴン") print(f" 差: {sum_city - sum_ken:+.4f} km² ({diff_pct:+.5f}%)") reconciliation = pd.DataFrame([ {"source": "21 市町別 GeoJSON 積算", "area_km2": round(sum_city, 3), "polys": n_city, "TOKEI_NAME種類": zone_all["TOKEI_NAME"].nunique(), "note": "本記事のメインデータ"}, {"source": f"県全域 ds={KEN_DSID} GeoJSON", "area_km2": round(sum_ken, 3), "polys": n_ken, "TOKEI_NAME種類": ken_gdf["TOKEI_NAME"].nunique(), "note": "DoBoX 集約版（重複コピー検証用）"}, ]) reconciliation.to_csv(ASSETS / "L16_reconciliation.csv", index=False, encoding="utf-8-sig") # ============================================================================= # 11. 図 7: 整合性検証ビジュアル # ============================================================================= print("\n[11] 図7: 整合性検証", flush=True) t1 = time.time() fig, axes = plt.subplots(1, 2, figsize=(14, 5.5)) labels = ["21市町別\n合計", f"ds={KEN_DSID}\n県全域版"] vals_area = [sum_city, sum_ken] vals_poly = [n_city, n_ken] axes[0].bar(labels, vals_area, color=["#0969da", "#1f883d"], edgecolor="black", linewidth=0.7) for i, v in enumerate(vals_area): axes[0].text(i, v + 20, f"{v:.1f} km²", ha="center", fontsize=11) axes[0].set_title(f"面積整合性 (差: {diff_pct:+.5f}%)", fontsize=12) axes[0].set_ylabel("総面積 km²") axes[0].grid(axis="y", alpha=0.3) axes[1].bar(labels, vals_poly, color=["#0969da", "#1f883d"], edgecolor="black", linewidth=0.7) for i, v in enumerate(vals_poly): axes[1].text(i, v + 1, str(v), ha="center", fontsize=11) axes[1].set_title(f"ポリゴン数整合性 (両者 {n_city} = {n_ken})", fontsize=12) axes[1].set_ylabel("ポリゴン数") axes[1].grid(axis="y", alpha=0.3) plt.tight_layout() plt.savefig(ASSETS / "L16_reconciliation.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 12. 図 8: 市町別 都計面積 vs 行政面積 積み上げバー # ============================================================================= print("\n[12] 図8: 市町別 都計 vs 白地 積み上げ", flush=True) t1 = time.time() fig, ax = plt.subplots(figsize=(11, 7)) cdf = city_zone_agg.sort_values("admin_area_km2", ascending=True).copy() y = np.arange(len(cdf)) zone_vals = cdf["zone_area_km2"].values white_vals = cdf["white_area_km2"].values ax.barh(y, zone_vals, color="#1f883d", edgecolor="black", linewidth=0.4, label="都市計画区域") ax.barh(y, white_vals, left=zone_vals, color="#bdbdbd", edgecolor="black", linewidth=0.4, label="白地（指定外）") # 比率テキスト for i, (_, r) in enumerate(cdf.iterrows()): total = r["admin_area_km2"] pct = r["zone_ratio_pct"] ax.text(total + 30, i, f"{pct:.0f}%", va="center", fontsize=8, color="black") ax.set_yticks(y) ax.set_yticklabels(cdf["city"]) ax.set_xlabel("面積 km²（緑=都計指定、灰=白地、右=指定率）") ax.set_title("市町別 都市計画区域 vs 白地 積み上げ（行政面積順、最大下→最小上）", fontsize=12) ax.legend(loc="lower right", fontsize=10) ax.grid(axis="x", alpha=0.3) plt.tight_layout() plt.savefig(ASSETS / "L16_zone_white_stack.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 13. 仮説検証 # ============================================================================= print("\n[13] 仮説検証", flush=True) results = {} # H1: 全県の都計指定率は約3割か total_zone = zone_all["poly_area_km2"].sum() total_admin = admin_diss["admin_area_km2"].sum() total_ratio = total_zone / total_admin * 100 mountain_cities = ["庄原市", "三次市", "北広島町", "安芸高田市", "世羅町"] mt_ratios = city_zone_agg[city_zone_agg["city"].isin(mountain_cities)]["zone_ratio_pct"] results["H1"] = { "claim": "広島県の市町は約3割しか都計指定されておらず、中山間地は白地が支配的", "total_zone_km2": round(total_zone, 1), "total_admin_km2": round(total_admin, 1), "ratio_pct": round(total_ratio, 2), "mountain_cities_avg_ratio_pct": round(float(mt_ratios.mean()), 2), "mountain_cities_max_ratio_pct": round(float(mt_ratios.max()), 2), "verdict": "支持" if 25 < total_ratio < 40 and mt_ratios.max() < 15 else "部分支持", } # H2: 「○○圏」は複数市町にまたがる ken_zones = zone_diss_name[zone_diss_name["TOKEI_NAME"].str.contains("圏")] ken_multi = ken_zones[ken_zones["cities_count"] >= 2] results["H2"] = { "claim": "「○○圏都市計画区域」は複数市町をまたぐ広域指定として機能する", "ken_zones": ken_zones["TOKEI_NAME"].tolist(), "ken_zones_with_multi_cities": ken_multi["TOKEI_NAME"].tolist(), "hiroshima_ken_cities": int(zone_diss_name[ zone_diss_name["TOKEI_NAME"]=="広島圏都市計画区域"]["cities_count"].iloc[0]), "bingo_ken_cities": int(zone_diss_name[ zone_diss_name["TOKEI_NAME"]=="備後圏都市計画区域"]["cities_count"].iloc[0]), "miyoshi_ken_cities": int(zone_diss_name[ zone_diss_name["TOKEI_NAME"]=="三次圏都市計画区域"]["cities_count"].iloc[0]), "verdict": "部分支持（広島圏8・備後圏4は広域、三次圏は1市町のみで例外）" if len(ken_multi) >= 2 else "反証", } # H3: 21 vs ds=923 完全一致 results["H3"] = { "claim": "21 市町別と ds=923 はポリゴン数・面積で完全一致する", "city_polys": int(n_city), "ken_polys": int(n_ken), "city_area": round(sum_city, 3), "ken_area": round(sum_ken, 3), "diff_pct": round(diff_pct, 5), "verdict": "支持" if abs(diff_pct) < 0.001 and n_city == n_ken else "反証", } # H4: 都市部の小面積町ほど指定率が高い small_towns = city_zone_agg[city_zone_agg["ctype"] == "町"] big_inland = city_zone_agg[(city_zone_agg["coastal"]==False) & (city_zone_agg["admin_area_km2"]>200)] small_town_ratio = float(small_towns["zone_ratio_pct"].mean()) big_inland_ratio = float(big_inland["zone_ratio_pct"].mean()) # 行政面積 vs 指定率の Spearman from scipy.stats import spearmanr rho, pval = spearmanr(city_zone_agg["admin_area_km2"], city_zone_agg["zone_ratio_pct"]) results["H4"] = { "claim": "小面積の都市部の町はほぼ全域指定、大面積の中山間市町は低指定率", "small_town_avg_ratio_pct": round(small_town_ratio, 2), "big_inland_avg_ratio_pct": round(big_inland_ratio, 2), "spearman_rho_admin_area_vs_ratio": round(float(rho), 3), "spearman_p": round(float(pval), 4), "verdict": "支持" if rho < -0.5 else "部分支持", } # H5: 準都計区域は周縁的役割 quasi = zone_diss_name[zone_diss_name["TOKEI_CD"] == 2] quasi_total = float(quasi["area_km2"].sum()) results["H5"] = { "claim": "TOKEI_CD=2 (準都計区域) は周縁的で広島市湯来地区限定", "quasi_count": len(quasi), "quasi_total_area_km2": round(quasi_total, 2), "quasi_share_pct": round(quasi_total / total_zone * 100, 4), "quasi_zones": quasi["TOKEI_NAME"].tolist(), "verdict": "支持" if len(quasi) == 1 and quasi_total / total_zone < 0.01 else "部分支持", } (ASSETS / "L16_hypothesis_results.json").write_text( json.dumps(results, ensure_ascii=False, indent=2), encoding="utf-8") print(json.dumps(results, ensure_ascii=False, indent=2), flush=True) # ============================================================================= # 14. HTML 生成 # ============================================================================= print("\n[14] HTML 生成", flush=True) t1 = time.time() SCRIPT_FILE = Path(__file__).read_text(encoding="utf-8") sections = [] # === セクション1: 学習目標と問い === s1_html = f"""

本レッスンは、広島県オープンデータポータル DoBoX の 「都市計画区域情報_区域データ_都市計画区域」シリーズ 21 件を 1 つに統合し、広島県の都市計画指定構造と 「○○圏都市計画区域」という広域指定の機能を読み解く研究記事です。

研究問い (RQ)
広島県内に指定された都市計画区域は、どのような種類・規模・行政市町との関係を持ち、 「広域都市計画区域（○○圏）」はどう機能しているか？

独自用語の定義（要件M）

仮説 H1〜H5（要件D）

到達点

  1. 21 GeoJSON を 1 個の GeoDataFrame に統合し、 TOKEI_NAME でグループ化して 23 都市計画区域を識別する手法
  2. dissolve による広域圏域の幾何学的同定 （複数市町ファイルにまたがる同一名のポリゴンを1個にまとめる）
  3. 都市計画区域指定率（都計面積 / 行政面積）を市町別に計算する手法 —— L15 で構築した行政区域 GeoDataFrame を分母として再利用
  4. 「白地」を派生指標として可視化する手法（重ね合わせと Stacked bar）
  5. 整合性検証: 市町別ファイルと県全域ファイルのポリゴン単位の同一性を 0.001% 精度で確認
  6. 図 8 種・表 9 種で都市計画指定構造を多角的に提示
注: 本記事の対象範囲
本記事は 都市計画区域（区域が指定されているか/外か）に集中する。 区域内の用途地域（住居/商業/工業 等の細分指定）は L17、 市街化区域・市街化調整区域（線引き）は L18 で扱う。 本記事内では行政区域は「比率の分母」「ベースマップ」としてのみ参照し、 L15 と内容を重複させない。
""" sections.append(("1. 学習目標と問い", s1_html)) # === セクション2: 使用データ === data_spec = f"""
項目値
シリーズ都市計画区域情報_区域データ_都市計画区域
件数（カバー）21 dataset_id（市町別 20 + 県全域 1）
形式GeoJSON（ZIP 内同梱）
CRSEPSG:6671 (JGD2011 平面直角第III系) ※全 21 件で統一
列構造FID, TOKEI_CD, CITY_CD, TOKEI_NAME, geometry（5列、全 21 件で同一）
TOKEI_CD 意味1=都市計画区域, 2=準都市計画区域
TOKEI_NAME 例「広島圏都市計画区域」「備後圏都市計画区域」「東広島都市計画区域」「湯来準都市計画区域」など
ジオメトリ型Polygon
合計ポリゴン数{n_city}（市町別 21 ファイル合計）／ {n_ken}（県全域 ds={KEN_DSID}）
本記事で扱うサイズ{n_city} ポリゴン × 5 列 ≈ 数 KB（軽量）
""" ds_rows = [] for dsid, name, coastal, ctype in CITY_DEFS: ds_rows.append( f'{name}{ctype}' f'{"海岸" if coastal else "内陸"}' f'DoBoX #{dsid}' f'data/extras/L16_city_planning_zones/city_planning_{dsid}_{name}.zip' ) ds_rows.append( f'広島県（全域集約）——' f'DoBoX #{KEN_DSID}' f'data/extras/L16_city_planning_zones/city_planning_{KEN_DSID}_広島県.zip' ) ds_table = ( "" "" + "".join(ds_rows) + "
市町タイプ海岸/内陸DoBoXページZIP保存先
" ) s2_html = ( "

本記事で使う 21 dataset_id（市町別 20 + 県全域 1）は、" "DoBoX で「都市計画区域情報」配下「区域データ」配下の " "都市計画区域 シリーズである。列構造が 21 件すべてで完全に同一" "（FID, TOKEI_CD, CITY_CD, " "TOKEI_NAME, geometry の 5 列）であることが事前監査で確認済みのため、" "pd.concat による単純な縦結合で県全域 GeoDataFrame が組み立てられる。

" "

データ仕様

" + data_spec + "

21 dataset_id 一覧（直リンク）

" + ds_table + '

' "海岸/内陸 区分は本記事独自の分類（瀬戸内海岸線にポリゴンが接するかで決定）。" "三次市・庄原市・北広島町・世羅町・安芸高田市・府中市・府中町・熊野町は内陸。" "他は海岸を持つ。L15 と同じ分類を使うことで、L15-L18 の区域系記事間で参照軸を統一する。" "

" ) sections.append(("2. 使用データ", s2_html)) # === セクション3: ダウンロード === dl_html = """

本記事の再現性を担保するため、HTML 1 枚から 生データ・中間 CSV・図 PNG・再現 Python を直リンクで取得できるようにしてある。

(1) 生データ ZIP（DoBoX 直）

21 件の ZIP は前項の表からそれぞれ DoBoX へリンクしている。 あるいは一括取得スクリプトを使う：

cd "2026 DoBoX 教材"
py -X utf8 data\\extras\\L16_city_planning_zones\\fetch_city_planning_zones.py

(2) 中間 CSV（本スクリプトの出力）

(3) 図 PNG（本記事掲載）

(4) 再現用 Python スクリプト

実行は cd "2026 DoBoX 教材"; py -X utf8 lessons\\L16_city_planning_zones.py。 21 ZIP がローカルにあれば 30 秒以内で全図 + CSV 再生成（要件 S 準拠）。 ZIP が無い場合は事前に fetch_city_planning_zones.py を実行。

""" sections.append(("3. ダウンロード（再現用データ・中間データ・図・スクリプト）", dl_html)) # === セクション4: 分析1 — 21 GeoJSON 統合 === code_load = code(''' DATA_DIR = ROOT / "data" / "extras" / "L16_city_planning_zones" TARGET_CRS = "EPSG:6671" # JGD2011 平面直角 III, 広島県, m 単位 CITY_DEFS = [ (787, "広島市", True, "政令市"), (798, "呉市", True, "市"), # ... 計 20 行 ] def load_geojson_zip(zip_path): """ZIP 内の単一 .geojson を BytesIO 経由で読む（一時ファイル不要）""" import io, zipfile with zipfile.ZipFile(zip_path) as zf: gjs = [n for n in zf.namelist() if n.endswith(".geojson")] with zf.open(gjs[0]) as f: return gpd.read_file(io.BytesIO(f.read())) frames = [] for dsid, name, coastal, ctype in CITY_DEFS: z = DATA_DIR / f"city_planning_{dsid}_{name}.zip" g = load_geojson_zip(z) g["source_city"] = name; g["source_dsid"] = dsid g["coastal"] = coastal; g["ctype"] = ctype frames.append(g) zone_all = gpd.GeoDataFrame(pd.concat(frames, ignore_index=True), geometry="geometry", crs=frames[0].crs) zone_all = zone_all.to_crs(TARGET_CRS) # m 単位 化 zone_all["poly_area_km2"] = zone_all.geometry.area / 1e6 zone_all["poly_perim_km"] = zone_all.geometry.length / 1e3 ''') before_after = f"""

入出力 Before/After（具体例: ds=787 広島市）

段階形サイズこのデータで起きていること
① 元 ZIPZIP（中身は1個の .geojson）~1 MB広島市の 36 ポリゴンが GeoJSON 1 ファイルに格納（8 区 + 区内分割）
② load_geojson_zip() 後GeoDataFrame36 行 × 5 列FID, TOKEI_CD, CITY_CD, TOKEI_NAME, geometry。TOKEI_NAME は「広島圏都市計画区域」または「湯来準都市計画区域」
③ 属性付与GeoDataFrame36 行 × 9 列source_city="広島市", source_dsid=787, coastal=True, ctype="政令市"
④ pd.concat（21 市町分）GeoDataFrame{n_city} 行 × 9 列21 市町分のポリゴン全部が1枚に
⑤ to_crs(EPSG:6671)GeoDataFrame{n_city} 行JGD2011 平面直角第III系（m 単位）に投影変換 → 面積計算可能化
⑥ 面積計算GeoDataFrame{n_city} 行 × 11 列poly_area_km2, poly_perim_km を追加
""" s4_html = ( "

狙い

" "

21 個の ZIP（市町ごとに別ファイル）を、" "プログラム上は1個の GeoDataFrame として扱える形にする。" "21 件すべてが同列構造（FID/TOKEI_CD/CITY_CD/TOKEI_NAME/geometry の5列）" "であることが事前監査で確認済みなので、和集合化なしで縦結合できる。

" "

手法

" "

直感: ZIP→geopandas→属性付与→concat の4ステップ。" "ZIP は zipfile で開いて中身の .geojson を io.BytesIO に流し込み、" "それを geopandas.read_file に渡せば中間ファイルを書かずに直接読める。" "L15（行政区域）と全く同じパターンで実装する。これは「区域データシリーズ」が" "市町ごとの分割しか違わない統一スキーマだから可能。

" "

大筋（5 ステップ）

" "
    " "
  1. 21 件の ZIP を1個ずつ load_geojson_zip() で読む
    2. " "
  2. 各 GeoDataFrame に source_city/source_dsid/coastal/ctype 列を付与
    3. " "
  3. 21 個を pd.concat で縦結合 → 102 行 1 個
    4. " "
  4. to_crs(EPSG:6671) で広島県平面直角座標系に投影変換
    5. " "
  5. 面積（geometry.area）と周長（geometry.length）を列追加
    6. " "
" "

入出力: 入力=21 ZIP、出力=" + str(n_city) + " 行 × 11 列の GeoDataFrame 1 個。

" "

前提と限界: 21 件の列構造が同一であることが大前提（事前監査で OK 確認済）。" "DoBoX が将来列を増やしても pd.concat は和集合化するため列が増えて NaN が出るだけで、" "既存処理には影響しない。

" "

実装

" + code_load + before_after + "

結果（次セクションで使う）

" f"

このステップで zone_all（{n_city} 行 × 11 列）と" f"ken_gdf（県全域版 ds={KEN_DSID}、{n_ken} 行）が用意できた。" "以降の分析は全部この2つだけで完結する。

" ) sections.append(("4. 分析1: 21 GeoJSON を1枚の GeoDataFrame に統合する", s4_html)) # === セクション5: 分析2 — TOKEI_NAME による広域区域同定 === code_dissolve_name = code(''' # TOKEI_NAME 別にジオメトリを統合 (dissolve) # → 例えば「広島圏都市計画区域」は 8 市町ファイルに分割されているが、 # 1 個の MultiPolygon にまとまる zone_diss_name = zone_all.dissolve(by="TOKEI_NAME", aggfunc={ "TOKEI_CD": "first", }).reset_index() # 連結成分数 (n_parts): 統合後の物理的な「部分」数 def n_parts(geom): if geom.geom_type == "MultiPolygon": return len(list(geom.geoms)) return 1 zone_diss_name["n_parts"] = zone_diss_name.geometry.apply(n_parts) # 面積・円形度 zone_diss_name["area_km2"] = zone_diss_name.geometry.area / 1e6 zone_diss_name["perim_km"] = zone_diss_name.geometry.length / 1e3 zone_diss_name["compactness"] = (4*np.pi*zone_diss_name["area_km2"]*1e6) \\ / (zone_diss_name["perim_km"]*1e3)**2 # 各 TOKEI_NAME がいくつの市町をまたぐか crosstab_zc = pd.crosstab(zone_all["TOKEI_NAME"], zone_all["source_city"]) zone_diss_name["cities_count"] = zone_diss_name["TOKEI_NAME"].map( crosstab_zc.gt(0).sum(axis=1)) # 広域 vs 単一の判定 zone_diss_name["scope"] = zone_diss_name["cities_count"].apply( lambda n: "広域（複数市町）" if n >= 2 else "単一市町") ''') # 23 TOKEI_NAME 集約表 zone_table_rows = [] for _, r in zone_diss_name.iterrows(): zone_table_rows.append( f"{r['TOKEI_NAME']}" f"{r['zone_kind']}" f"{int(r['cities_count'])}" f"{r['area_km2']:.1f}" f"{int(r['n_parts'])}" f"{r['compactness']:.3f}" f"{r['scope']}" ) zone_main_table = ( "" "" + "".join(zone_table_rows) + "
TOKEI_NAME区域種別構成市町数面積 km²連結成分数円形度scope
" ) # 「広島圏」「備後圏」の構成市町表 def member_cells(zone_name): members = crosstab_zc.columns[crosstab_zc.loc[zone_name] > 0].tolist() member_areas = [] for c in members: a = zone_all[(zone_all["TOKEI_NAME"]==zone_name) & (zone_all["source_city"]==c)]["poly_area_km2"].sum() member_areas.append((c, a)) member_areas.sort(key=lambda x: -x[1]) rows = [] for c, a in member_areas: rows.append(f"{c}{a:.2f}") return rows hir_rows = member_cells("広島圏都市計画区域") hir_table = "" + "".join(hir_rows) + "
構成市町都計指定面積 km²
" bin_rows = member_cells("備後圏都市計画区域") bin_table = "" + "".join(bin_rows) + "
構成市町都計指定面積 km²
" n_wide = int((zone_diss_name['cities_count']>=2).sum()) s5_html = ( "

狙い

" "

21 個の市町別ファイルにバラバラに格納されている都市計画区域を、" "TOKEI_NAME（区域固有名）でグルーピングして1 区域 = 1 単位にまとめる。" "これにより広島圏のような複数市町をまたぐ広域指定を初めて1個の幾何体として扱える。" "本記事の最重要ステップ。

" "

手法（dissolve による幾何統合）

" "

直感: 「同じ TOKEI_NAME を持つポリゴン同士を融合する」。" "例えば広島圏都市計画区域は、広島市・廿日市市・大竹市・東広島市・海田町・府中町・熊野町・坂町の " "8 市町ファイルに分割されている。これを dissolve(by=\"TOKEI_NAME\") で" "1 個の MultiPolygon に統合できる（全市町境界線が消えて1個の広域区域として可視化できる）。

" "

大筋

" "
    " "
  1. zone_all.dissolve(by=\"TOKEI_NAME\") で 23 個の MultiPolygon を作る
    2. " "
  2. 各 MultiPolygon の 連結成分数（部分数）を n_parts() で数える" "（島嶼や飛び地で分散している場合の数）
    3. " "
  3. 面積・周長・円形度を計算
    4. " "
  4. pd.crosstab で TOKEI_NAME × source_city の表を作り、" "各区域がいくつの市町をまたぐか（cities_count）を算出
    5. " "
  5. cities_count >= 2 なら広域、=1 なら単一市町に分類
    6. " "
" "

入出力: 入力=" + str(n_city) + " 行の GeoDataFrame、" "出力=23 行の集約 GeoDataFrame（区域単位）。

" "

前提と限界: dissolve は同名ポリゴンを" "幾何学的に融合するため、市町境界をまたいだ部分が「シーム」として残る場合がある。" "本データでは事前にスナップ済みのため問題なし。

" "

実装

" + code_dissolve_name + "

表（要件 G）: 23 都市計画区域 集約一覧（面積降順）

" "

なぜこの表か: 23 区域全体の俯瞰。各区域が広域か単一か、面積・形状はどうかを一覧で比較する。

" + zone_main_table + "

この表から読み取れること

" "" "

表（要件 G）: 広島圏都市計画区域 構成 8 市町

" "

なぜこの表か: 「広島圏」と一口に言っても、各市町がどれだけの面積を寄与しているかを定量化する。

" + hir_table + "

この表から読み取れること: " "広島市が約 4 割を占めるが、東広島市・廿日市市・大竹市も大きく寄与。" "東広島市など合併で広域化した市が、独自の都計区域（東広島都市計画区域）と" "広島圏の両方に所属するのは、都市計画上の多重指定の例。

" "

表（要件 G）: 備後圏都市計画区域 構成 4 市町

" + bin_table + "

この表から読み取れること: " "福山市が圧倒的（県東部の中核）。三原市・尾道市・府中市が補完する。" "備後地域の4市連携の経済・通勤圏がそのまま都市計画上の広域指定として表現されている。

" ) sections.append(("5. 分析2: TOKEI_NAME で広域圏域を同定する（dissolve）", s5_html)) # === セクション6: 分析3 — 主題図と広域区域の可視化 === s6_html = ( "

狙い

" "

前セクションで識別した 23 区域を地図で可視化する。" "「県内のどこにどの都市計画区域が指定され、広域圏はどう広がっているか」" "を直感的に掴む（要件 T）。

" "

図 1: 23 都市計画区域 主題図（TOKEI_NAME 別カラー）

" "

なぜこの図か（要件 H）: 県全域に対して「どの色塗りでどの区域か」" "の基準ビュー。以降のすべての分析はこの位置感覚を前提にする。" "色分けは TOKEI_NAME 別、上位の主要区域を固有色（広島圏=赤、備後圏=青、" "三次圏=紫、東広島=緑、湯来準=橙）で示し、行政区域境界も薄く重ねる。

" + figure("assets/L16_zone_thematic.png", "図1: 23 都市計画区域 主題図 (TOKEI_NAME 別塗り分け)") + "

この図から読み取れること（要件 F）

" "" "

図 2: 広島圏・備後圏のクローズアップ + 構成市町

" "

なぜこの図か: 広域指定 2 区域の正確な空間範囲と" "どの市町をどこまで含むかを、構成市町の輪郭と並べて見せる。

" + figure("assets/L16_wide_areas.png", "図2: 左=広島圏(赤)+8市町、右=備後圏(青)+4市町") + "

この図から読み取れること

" "" ) sections.append(("6. 分析3: 主題図と広域圏域のクローズアップ", s6_html)) # === セクション7: 分析4 — 指定率 choropleth と白地マップ === ratio_table_rows = [] for _, r in city_zone_agg.sort_values("zone_ratio_pct", ascending=False).iterrows(): ratio_table_rows.append( f"{r['city']}" f"{r['ctype']}" f"{r['admin_area_km2']:.1f}" f"{r['zone_area_km2']:.1f}" f"{r['white_area_km2']:.1f}" f"{r['zone_ratio_pct']:.1f}" f"{int(r['n_zone_names'])}" ) ratio_table = ( "" "" "" + "".join(ratio_table_rows) + "
市町ctype行政面積 km²都計面積 km²白地 km²指定率 %区域種別数
" ) code_ratio = code(''' # 行政区域 (L15 と共有) を読み、市町別合計面積を計算 admin_diss = admin_all.dissolve(by="city").reset_index() admin_diss["admin_area_km2"] = admin_diss.geometry.area / 1e6 # 市町別 都計指定面積 city_zone_agg = zone_all.groupby("source_city").agg( n_polys=("poly_area_km2", "size"), zone_area_km2=("poly_area_km2", "sum"), n_zone_names=("TOKEI_NAME", "nunique"), ).reset_index().rename(columns={"source_city": "city"}) # 行政面積をマージし、指定率を算出 admin_areas = admin_diss.set_index("city")["admin_area_km2"] city_zone_agg["admin_area_km2"] = city_zone_agg["city"].map(admin_areas) city_zone_agg["zone_ratio_pct"] = ( city_zone_agg["zone_area_km2"] / city_zone_agg["admin_area_km2"] * 100 ) city_zone_agg["white_area_km2"] = ( city_zone_agg["admin_area_km2"] - city_zone_agg["zone_area_km2"] ) ''') s7_html = ( "

狙い

" "

市町ごとに「行政区域全体に占める都計指定の割合」を計算する。" "都市計画区域に指定されない領域は白地と呼び、" "都市計画法の主要な開発・建築規制が適用されない。" "白地の地理的分布が、広島県の都市計画の地理的偏りを直接示す。

" "

手法

" "

直感: 「分子=都計指定面積、分母=行政区域面積」で割り算。" "分母はL15で構築した行政区域 GeoDataFrameを再利用する。" "L15 を「合体」するのではなく、分母としてだけ参照するのがポイント。

" "

大筋

" "
    " "
  1. 行政区域を admin_all.dissolve(by=\"city\") で 20 市町合計面積に集約
    2. " "
  2. 都計区域を zone_all.groupby(\"source_city\").sum() で市町別合計面積に
    3. " "
  3. 両者をマージして zone_ratio_pct = zone_area / admin_area * 100
    4. " "
  4. white_area = admin_area - zone_area で白地面積
    5. " "
" "

前提: 行政区域も都計区域も 同じ EPSG:6671（m 単位）で投影変換済み。" "面積計算が単位整合的にできる。

" "

実装

" + code_ratio + "

図 3: 市町別 都計指定率 choropleth + 白地マップ

" "

なぜこの図か: choropleth は「どの市町が高指定率か」の概観、" "右の白地マップは「県全域でどこに指定外の山林・田畑が残っているか」を視覚化。" "色を変えることで「都計優勢」と「白地優勢」のコントラストが立体的に伝わる。

" + figure("assets/L16_zone_ratio_white.png", "図3: 左=指定率 choropleth（赤=低、緑=高）、右=都計エリア（緑）と白地（灰）") + "

この図から読み取れること

" "" "

表（要件 G）: 市町別 都計指定率（指定率降順）

" "

なぜこの表か: choropleth の数値版。指定率の高低をランキング形式で確認。

" + ratio_table + "

この表から読み取れること

" "" "

図 4: 23 都市計画区域 small multiples

" "

なぜこの図か: 一覧表だけだと各区域の幾何形状が見えない。" "23 panels で並べて見ることで、大都市圏型・島嶼型・中山間型の形状の違いが一目で対比できる。

" + figure("assets/L16_zones_small_multiples.png", "図4: 23 都市計画区域 個別形状（パネルごとに最大化、スケール非統一）") + "

この図から読み取れること

" "" ) sections.append(("7. 分析4: 都計指定率 choropleth と白地マップ", s7_html)) # === セクション8: 分析5 — 行政区域との重ね合わせ + 散布図 === # H4 用テスト統計 h4 = results["H4"] spearman_text = (f"行政面積と指定率の Spearman 相関 ρ = {h4['spearman_rho_admin_area_vs_ratio']}" f"（p = {h4['spearman_p']}）") s8_html = ( "

狙い

" "

都市計画区域は人口・産業集中地に偏在するという仮説（H4）を、" "行政区域との重ね合わせと散布図で確かめる。" "「面積の大きい中山間市町ほど指定率が低い」という負の相関が見える。

" "

手法

" "

STEP1: 行政区域に都計区域を重ねる
" "L15 で作った行政区域（ctype 別カラー）の上に、都計区域を半透明黒で重ねる。" "「色が濃いところが都計指定範囲」として直感把握。" "純粋な「重ね合わせマップ」で、関係性が即座に見える。

" "

STEP2: 行政面積 × 指定率の散布図
" "x軸=行政面積（log スケール）、y軸=指定率（%）。" "負の傾向があれば「大きな市町ほど都計指定が小さい比率」=「中山間広域市町は白地優勢」を支持。" "Spearman 順位相関係数で定量化（パラメトリックでない順位ベースなので、外れ値（広島市）に頑健）。

" "

図 5: 行政 vs 都計 重ね合わせ + 散布図

" "

なぜこの図か: 重ね合わせは「視覚的相関」、散布は「数値的相関」。" "両方を並べることで「色で見ても数で見ても同じ結論」を学習者が確信できる。

" + figure("assets/L16_admin_vs_zone.png", "図5: 左=行政(色) + 都計(黒オーバレイ)、右=行政面積(log) × 指定率") + f"

この図から読み取れること

" "" "

図 6: TOKEI_NAME 別 面積バー + 連結成分散布

" "

なぜこの図か: 23 区域の面積規模序列を一目で見せ、" "右で「広域は分散しがち、単一は集約的」のパターンを散布で示す。

" + figure("assets/L16_zone_areas_bar.png", "図6: 左=面積ランキング(赤=広域,橙=準,青=単一)、右=面積×連結成分") + "

この図から読み取れること

" "" ) sections.append(("8. 分析5: 行政区域との関係（重ね合わせ + 散布相関）", s8_html)) # === セクション9: 分析6 — 整合性検証 + 市町別 stack === recon_rows = [] for _, r in reconciliation.iterrows(): recon_rows.append( f"{r['source']}" f"{r['area_km2']:,.3f}" f"{r['polys']}" f"{r['TOKEI_NAME種類']}" f"{r['note']}" ) recon_table = ( "" "" + "".join(recon_rows) + "
ソース面積 km²ポリゴン数TOKEI_NAME 種類備考
" ) code_recon = code(''' # 21 市町別合計 sum_city = zone_all["poly_area_km2"].sum() n_city = len(zone_all) # 県全域版 ds=923 sum_ken = ken_gdf["poly_area_km2"].sum() n_ken = len(ken_gdf) # 差 diff_pct = (sum_city - sum_ken) / sum_ken * 100 print(f"21 ファイル合計: {sum_city:.3f} km², {n_city} ポリゴン") print(f"ds=923 合計 : {sum_ken:.3f} km², {n_ken} ポリゴン") print(f"差: {diff_pct:+.5f}%") ''') s9_html = ( "

STEP1: 整合性検証（21 市町別 vs 県全域 ds=" + str(KEN_DSID) + "）

" "

狙い: 研究記事として「使ってるデータが信じられるか」を点検。" "DoBoX の市町別 21 ファイルと県全域 1 ファイルが同じものを別書式で出しているだけかを、" "ポリゴン数・面積・TOKEI_NAME種類数の3指標で確認する。

" "

手法: 「足し算が合うかチェック」。" "zone_all['poly_area_km2'].sum() と ken_gdf['poly_area_km2'].sum() を比較し、" "± 0.001% 以内なら同一マスター由来と結論できる。

" "

実装

" + code_recon + "

表（要件 G）: 整合性検証レポート

" + recon_table + "

この表から読み取れること

" "" + figure("assets/L16_reconciliation.png", "図7: 左=面積比較、右=ポリゴン数比較（両者完全一致）") + "

この図から読み取れること: 棒グラフで両者の高さがほぼ同じ → 視覚的にも整合性確認。

" "

STEP2: 市町別 都計 vs 白地 積み上げ

" "

狙い: 各市町の行政面積を「都計指定」と「白地」の2区分に分けて、積み上げ棒で並べる。" "ランキング順を「行政面積」にすることで、面積規模と指定率の関係が立体的に見える。

" "

なぜこの図か: 単純な指定率 choropleth（図3）よりも、" "「絶対量と比率を同時に見せる」のが Stacked bar の利点。" "「庄原市は 1,247km² の93% が白地」のような絶対面積の大きな白地が圧倒的視覚インパクトで伝わる。

" + figure("assets/L16_zone_white_stack.png", "図8: 市町別 都計(緑) vs 白地(灰) 積み上げ（行政面積順、右数字=指定率）") + "

この図から読み取れること

" "" ) sections.append(("9. 分析6: 整合性検証 + 市町別 都計 vs 白地 積み上げ", s9_html)) # === セクション10: 仮説検証と考察 === hyp_rows = [] for hkey in ["H1", "H2", "H3", "H4", "H5"]: h = results[hkey] rationale = ", ".join(f"{k}={v}" for k, v in h.items() if k not in ("claim", "verdict")) hyp_rows.append( f"{hkey}{h['claim']}" f"{h['verdict']}" f"{rationale}" ) hyp_table = ( "" + "".join(hyp_rows) + "
仮説主張判定根拠
" ) s10_html = ( "

仮説検証 結果一覧

" + hyp_table + "

この表から読み取れること

" "" "

考察: なぜこの構造になったか

" "
    " "
  1. 都市計画区域は人口集中地への限定指定。" "都市計画法の本来の目的が「都市的土地利用の規制と誘導」であるため、" "農地・山林（白地）には適用しないのが立法趣旨。" "中山間地域の白地が多いのは制度的な「設計通り」。
    2. " "
  2. 「○○圏」は経済圏の都市計画的表現。" "広島圏は通勤・商業・教育で一体化した広島大都市圏、" "備後圏は福山市を核とする備後経済圏。" "両者とも複数市町が連携して土地利用を計画する制度的枠組み。
    3. " "
  3. 瀬戸内多島海地形が都計区域を分散させる。" "備後圏（11部）、因島瀬戸田（8部）、安芸津（8部）、川尻安浦（6部）など" "島嶼を複数含む区域は連結成分数が多い。" "離島の都市計画は本土と分離した部分指定として立てる必要があった歴史的経緯。
    4. " "
  4. 合併と都計区域の継承: 平成大合併で東広島市・尾道市・三原市・" "廿日市市・庄原市などは複数の旧町を吸収。" "旧町ごとの都計区域名が残されたまま統合されたため、" "1 市町が複数の TOKEI_NAME を持つ状態に。" "尾道市は『因島瀬戸田』『御調』『備後圏』の 3 つを継承。
    5. " "
  5. 準都市計画区域の使われ方: 広島市湯来準のみで、" "「準」という制度自体が広島県内ではほぼ未活用。" "都市計画区域外の山間部における予防的指定として湯来温泉エリアにのみ適用。
    6. " "
" "

研究上の含意

" "" ) sections.append(("10. 仮説検証と考察", s10_html)) # === セクション11: 発展課題 === s11_html = """

各課題は「結果X → 新仮説Y → 課題Z」の3段で書く（要件E）。

課題1: 広島圏 8 市町の都計内部多様性を測る

課題2: 「圏」と名付けられた 3 区域の命名理由を歴史的に追跡

課題3: 白地（指定外）の地理的特性を地形・人口で説明する

課題4: 23 都市計画区域内の用途地域比率を比較（L17 への接続）

課題5: 広島圏と備後圏の境界部の都計指定パターンを比較する

""" sections.append(("11. 発展課題（結果X → 新仮説Y → 課題Z の3段）", s11_html)) # 全部まとめて render html = render_lesson( num=16, title="L16 都市計画区域 21市町統合分析 — 広島県の都市計画指定構造と広域圏域", tags=["都市計画", "都市計画区域", "geopandas", "広域指定", "白地分析", "21市町統合", "21 dataset_id"], time="20-30 分（コード実行は約 30 秒）", level="リテラシ＋（geopandas 入門済を想定、L15 連携）", data_label="DoBoX 都市計画区域情報_区域データ_都市計画区域 21 件", sections=sections, script_filename="L16_city_planning_zones.py", ) (LESSONS / "L16_city_planning_zones.html").write_text(html, encoding="utf-8") print(f" HTML 出力: {LESSONS / 'L16_city_planning_zones.html'} " f"({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 15. ログ出力 # ============================================================================= total = time.time() - t0 print(f"\n=== 完了 === 実行時間: {total:.2f} 秒") print(f"出力:") print(f" HTML: lessons/L16_city_planning_zones.html") print(f" CSV : 5 種 (assets/L16_*.csv)") print(f" JSON: 1 種 (assets/L16_hypothesis_results.json)") print(f" PNG : 8 種 (assets/L16_*.png)")