"""L24 農地転用状況 17 件 統合分析 — 広島県内の農地が非農地に変わるパターン カバー宣言: 本記事は 「都市計画区域情報_農地転用状況_*_2016-2020」 の 17 dataset_id を統合し、 広島県内 17 市町の 農地転用ポリゴン 計 13,749 件を 1 個の GeoDataFrame に 縦結合した上で、広島県内の農地転用パターンを分析する研究記事である。 全 21 市町中 4 町 (府中町・海田町・坂町・…) は農地転用データ無指定 ─ そのコントラスト も分析対象とする。 17 dataset_id (連番 1391-1407, 期間 2016-2020): 1391 安芸高田市, 1392 熊野町, 1393 呉市, 1394 広島市, 1395 江田島市, 1396 三原市, 1397 三次市, 1398 庄原市, 1399 世羅町, 1400 大竹市, 1401 竹原市, 1402 東広島市, 1403 廿日市市, 1404 尾道市, 1405 府中市, 1406 福山市, 1407 北広島町 4 市町 (農地転用データ無指定): 府中町, 海田町, 坂町 — 都市部のため農地転用対象が ほとんど無く、都市計画基礎調査の対象外。 研究の問い (RQ): 広島県内 17 市町の農地転用は、面積規模・地理分布・市町別パターン・KUIKI_CD 別の観点で どのような構造を持ち、何が農地を非農地に変えているか？ 「都市の拡張」と「中山間の縮退」のどちらが県内の農地転用の主体か？ 仮説 H1〜H6: H1. 県内 17 市町の総 AREA (転用対象農地面積) は 50,000 ha 以上。 広島県農地面積 (約 5 万 ha) と同オーダー、市域面積 (約 8,479 km²) の 数%~十数%が「都市計画基礎調査における転用対象農地」として記録されている。 H2. AREA 上位は中山間市 (庄原・三次・東広島・北広島・世羅) で 合計 5 万 ha 超。広島市・呉市・福山市の都市部より中山間市の方が 「対象農地」が圧倒的に大きい ─ 『都市拡張型』ではなく『中山間の制度的 農地区分』が主体。広島県の食料供給基盤は中山間に偏在している。 H3. AREA = 0 のポリゴン (図面精度 1/50,000 で四捨五入されて 0 になった微小区画) が市町ごとに 5-25% 存在する。図面精度の限界が定量的に観察できる。 H4. AREA 列 (ha 単位、1 ha = 10,000 m²) はジオメトリ面積 (m²) と完全に一致する (ratio = geom_area_m² / AREA = 10,000)。 AREA は ha (ヘクタール) 単位 ─ 仕様書未公開だが実データから推定可能。 H5. KUIKI_CD のフラグ値分布は市町間で異なる。 広島市・呉市・三原市・東広島市・尾道市・府中市・福山市は 0,1,2 (+3,4,5,6) のフル区分 (= 線引き都市計画区域あり)、 中山間 8 市町は 0,3,4 のみ (= 線引き無し)。 KUIKI_CD は都市計画区域階層 (線引き内/外/区域外) のフラグと推定される。 H6. 大規模転用 (AREA ≥ 100 a = 1 ha) は全件の 10% 未満だが、 面積合計の 過半を占める ─ 『大規模転用が面積を支配する』 パレート構造。 要件 S 準拠: 1 分以内完走。13,749 ポリゴンは groupby/dissolve で軽量、 空間結合は市町境界レベルで bbox 絞込み。 要件 T 準拠: 県全域転用ポリゴン主題図、密度 hexbin、市町別 small multiples 17 panel、 大規模転用バブルマップ、KUIKI_CD 別塗り分け。 要件 Q 準拠: 図 9 枚以上、表 9 枚以上。 データ仕様 (7 列、17 市町で 100% 一致): TOKEI_CD int32 統計区分コード (1, 2, 3 — 統計年/統計種別と推定) CITY_CD int32 市区町村コード (広島市は 8 区中 105-108 のみデータあり) KUIKI_CD int32 区域コード (0-6, 仕様書未公開、線引き区分のフラグと推定) AREA float64 対象農地面積 (ha = ヘクタール = 10,000 m²) 実測比 geom_m² / AREA = 10,000 から ha 単位と確定。 監査時の文字列 dtype は現データで float64 に。本記事では pd.to_numeric(errors="coerce") で再正規化する手順を明示する。 RITTEKI_CD int32 立地コード (0, 1, 2 の 3 値) BIKOU object 備考: 「国土数値情報を活用して作成したため、図面精度は1/50,000である」 または None (竹原市のみ全件 None) geometry Polygon EPSG:6671 (JGD2011 平面直角第III系) データ品質ノート: - 図面精度 1/50,000 (BIKOU) → 1 mm の図面誤差が実距離 50 m に相当。 AREA = 0 a のポリゴンは 四捨五入で潰れた微小転用。 - 竹原市 (8,879 件) のみ件数が異常に多く BIKOU=None → 別ソースの精密データの 可能性。記事では別途扱う。 """ 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.colors import Normalize, LogNorm import geopandas as gpd plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False t0 = time.time() print("=== L24 農地転用状況 17 件 統合分析 ===", flush=True) # ============================================================================= # 0. 定数: 17 市町、行政区域マッピング、市町タイプ、参考人口/面積 # ============================================================================= DATA_DIR = ROOT / "data" / "extras" / "L24_farmland_conversion" ADMIN_DIR = ROOT / "data" / "extras" / "L15_admin_zones" TARGET_CRS = "EPSG:6671" # (転用 dsid, 市町名, 行政_dsid, 都市タイプ, 地理タイプ) CITY_DEFS = [ (1394, "広島市", 786, "政令市", "都市"), (1393, "呉市", 797, "中核市", "都市"), (1406, "福山市", 832, "中核市", "都市"), (1402, "東広島市", 868, "施行時特例市", "都市"), (1403, "廿日市市", 878, "市", "都市"), (1404, "尾道市", 824, "市", "都市"), (1396, "三原市", 814, "市", "都市"), (1401, "竹原市", 807, "市", "都市"), (1405, "府中市", 840, "市", "都市"), (1400, "大竹市", 862, "市", "都市"), (1397, "三次市", 850, "市", "中山間"), (1398, "庄原市", 856, "市", "中山間"), (1391, "安芸高田市", 888, "市", "中山間"), (1395, "江田島市", 894, "市", "離島"), (1392, "熊野町", 911, "町", "近郊町"), (1407, "北広島町", 935, "町", "中山間"), (1399, "世羅町", 941, "町", "中山間"), ] # 4 町 (農地転用データ無指定) NO_FARM_CITIES = [ ("府中町", 900, "町", "近郊町"), ("海田町", 905, "町", "近郊町"), ("坂町", 916, "町", "近郊町"), ] # 公的統計参考値 (国土地理院 R6 面積、e-Stat R2 国勢調査人口千人) — L23 と共通 CITY_REF = { "広島市": {"area_km2": 906.7, "pop_k": 1189}, "呉市": {"area_km2": 352.8, "pop_k": 210}, "福山市": {"area_km2": 518.1, "pop_k": 459}, "東広島市": {"area_km2": 635.3, "pop_k": 198}, "廿日市市": {"area_km2": 489.5, "pop_k": 117}, "尾道市": {"area_km2": 285.1, "pop_k": 130}, "三原市": {"area_km2": 471.6, "pop_k": 90}, "竹原市": {"area_km2": 118.2, "pop_k": 24}, "府中市": {"area_km2": 195.8, "pop_k": 37}, "大竹市": {"area_km2": 78.7, "pop_k": 26}, "三次市": {"area_km2": 778.1, "pop_k": 50}, "庄原市": {"area_km2":1246.5, "pop_k": 33}, "安芸高田市": {"area_km2": 537.8, "pop_k": 27}, "江田島市": {"area_km2": 100.7, "pop_k": 22}, "府中町": {"area_km2": 10.4, "pop_k": 53}, "海田町": {"area_km2": 13.8, "pop_k": 30}, "熊野町": {"area_km2": 33.7, "pop_k": 23}, "坂町": {"area_km2": 15.7, "pop_k": 12}, "北広島町": {"area_km2": 646.2, "pop_k": 17}, "世羅町": {"area_km2": 278.2, "pop_k": 15}, } # 地理タイプ別カラー (L23 のタイプ色を地理軸で再構成) RTYPE_COLOR = { "都市": "#cf222e", # 都市部 (赤) "中山間": "#1f883d", # 中山間 (緑) "離島": "#0969da", # 離島 (青) "近郊町": "#bf3989", # 近郊町 (紫) } ALL_FARM_CITIES = [d[1] for d in CITY_DEFS] ALL_CITY_ORDER = ALL_FARM_CITIES + [n[0] for n in NO_FARM_CITIES] # ============================================================================= # 1. 17 GeoJSON 統合読み込み + 行政区域背景 # ============================================================================= print("\n[1] 17 農地転用 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 経由で読み込む""" with zipfile.ZipFile(zip_path) as zf: gjs = [n for n in zf.namelist() if n.lower().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())) # 7 共通列 (全市町に存在) COMMON_COLS_7 = ["TOKEI_CD", "CITY_CD", "KUIKI_CD", "AREA", "RITTEKI_CD", "BIKOU", "geometry"] frames = [] load_log = [] for dsid, name, _adm, ctype, rtype in CITY_DEFS: z = DATA_DIR / f"farm_{dsid}_{name}.zip" g = load_geojson_zip(z) extra = sorted(set(g.columns) - set(COMMON_COLS_7)) g = g[COMMON_COLS_7].copy() # AREA を文字列扱い → pd.to_numeric で正規化 (要件 K の Before/After を実装で明示) # 監査時 (2026-05) は object 型、現データ取得時点では float64 だが、 # 教材として常に「文字列としても安全」な処理を入れる g["AREA_raw"] = g["AREA"].astype(str) # 元値を保持 g["AREA"] = pd.to_numeric(g["AREA"], errors="coerce") g["src_city"] = name g["src_dsid"] = dsid g["ctype"] = ctype g["rtype"] = rtype if g.crs is None: g = g.set_crs(TARGET_CRS, allow_override=True) load_log.append({ "dsid": dsid, "city": name, "ctype": ctype, "rtype": rtype, "n_poly": len(g), "area_a_sum": float(g["AREA"].sum()), "area_a_max": float(g["AREA"].max()), "n_zero": int((g["AREA"] == 0).sum()), "city_cds": ",".join(map(str, sorted(g["CITY_CD"].unique()))), "kuiki_cds": ",".join(map(str, sorted(g["KUIKI_CD"].unique()))), "tokei_cds": ",".join(map(str, sorted(g["TOKEI_CD"].unique()))), "ritteki_cds": ",".join(map(str, sorted(g["RITTEKI_CD"].unique()))), "bikou_n_unique": int(g["BIKOU"].dropna().nunique()), "extra_cols": ",".join(extra) if extra else "-", }) frames.append(g) farm = gpd.GeoDataFrame(pd.concat(frames, ignore_index=True), geometry="geometry", crs=frames[0].crs) farm = farm.to_crs(TARGET_CRS) N_POLY = len(farm) # AREA は ha (ヘクタール) 単位 ─ ratio (geom_m²/AREA) = 10,000 で確定 AREA_TOTAL_HA = float(farm["AREA"].sum()) AREA_TOTAL_KM2 = AREA_TOTAL_HA / 100 # 1 km² = 100 ha print(f" 農地転用対象ポリゴン: {N_POLY:,} 件 × {len(farm.columns)} 列", flush=True) print(f" AREA 合計: {AREA_TOTAL_HA:,.0f} ha = {AREA_TOTAL_KM2:.1f} km²", flush=True) # 行政区域 21 件 (= 17 農地市町 + 3 農地無し町 + 広島県全域 1) を読み込み admin_frames = [] for _dsid, name, adm_ds, _ct, _rt in CITY_DEFS: z = ADMIN_DIR / f"admin_{adm_ds}_{name}.zip" g = load_geojson_zip(z) g["city"] = name g["farm_status"] = "農地転用あり" admin_frames.append(g) for name, adm_ds, _ctype, _region in NO_FARM_CITIES: z = ADMIN_DIR / f"admin_{adm_ds}_{name}.zip" g = load_geojson_zip(z) g["city"] = name g["farm_status"] = "農地転用無し" 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_diss = admin_all.dissolve(by="city", as_index=False, aggfunc={"farm_status": "first"}) admin_diss["admin_area_km2"] = admin_diss.geometry.area / 1e6 print(f" 行政区域 dissolve: {len(admin_diss)} 件 ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 2. 派生指標の計算 (ポリゴン単位 + 市町単位) # ============================================================================= print("\n[2] 派生指標計算", flush=True) t1 = time.time() # ポリゴン単位: ジオメトリ実面積、AREA との整合性、規模クラス farm["geom_area_m2"] = farm.geometry.area farm["geom_area_ha"] = farm["geom_area_m2"] / 1e4 # m² → ha # AREA (申告 ha) と geom (実測 ha) の比 (≒1.0 が期待値) farm["area_ratio"] = farm["geom_area_ha"] / farm["AREA"].replace(0, np.nan) # 規模クラス (AREA は ha 単位): 微小 (<0.01 ha) / 小 (0.01-0.1) / 中 (0.1-1) # / 大 (1-10) / 超大 (>=10) / 巨大 (>=100) def _scale_class(ha_value): """AREA (ha) を規模クラスに分類""" if ha_value < 0.01: return "0_微小(<0.01 ha)" elif ha_value < 0.1: return "1_小(0.01-0.1 ha)" elif ha_value < 1.0: return "2_中(0.1-1 ha)" elif ha_value < 10.0: return "3_大(1-10 ha)" elif ha_value < 100.0: return "4_超大(10-100 ha)" else: return "5_巨大(≥100 ha)" farm["scale_class"] = farm["AREA"].apply(_scale_class) # 市町単位 def aggregate_by_city(d: gpd.GeoDataFrame) -> pd.DataFrame: agg = d.groupby("src_city").agg( n_poly=("AREA", "size"), area_ha_sum=("AREA", "sum"), area_ha_median=("AREA", "median"), area_ha_max=("AREA", "max"), n_zero=("AREA", lambda s: int((s == 0).sum())), n_large_1ha=("AREA", lambda s: int((s >= 1.0).sum())), # 1 ha 以上 n_large_10ha=("AREA", lambda s: int((s >= 10.0).sum())), # 10 ha 以上 geom_area_m2_sum=("geom_area_m2", "sum"), ).reset_index().rename(columns={"src_city": "city"}) agg["geom_area_ha_sum"] = agg["geom_area_m2_sum"] / 1e4 # 申告 vs 実測ずれ agg["area_ratio_city"] = (agg["geom_area_ha_sum"] / agg["area_ha_sum"].replace(0, np.nan)) agg["zero_pct"] = (agg["n_zero"] / agg["n_poly"] * 100).round(1) agg["large_pct"] = (agg["n_large_1ha"] / agg["n_poly"] * 100).round(1) agg["city_area_km2"] = agg["city"].map(lambda c: CITY_REF[c]["area_km2"]) agg["city_pop_k"] = agg["city"].map(lambda c: CITY_REF[c]["pop_k"]) # 単位面積 (km²) あたり対象農地 ha agg["conv_per_km2"] = (agg["area_ha_sum"] / agg["city_area_km2"]).round(3) # 対象農地率 (%) = 対象農地 ha / 市域 km² / 100 (km² → ha は ×100) agg["conv_share_area"] = (agg["area_ha_sum"] / (agg["city_area_km2"] * 100) * 100).round(2) # 市民 1人 あたり対象農地 (ha/人 を a 単位で表示、1 ha = 100 a) agg["conv_per_capita_a"] = (agg["area_ha_sum"] * 100 / (agg["city_pop_k"] * 1000)).round(2) agg["ctype"] = agg["city"].map( lambda c: next(d[3] for d in CITY_DEFS if d[1] == c)) agg["rtype"] = agg["city"].map( lambda c: next(d[4] for d in CITY_DEFS if d[1] == c)) return agg city_agg = aggregate_by_city(farm) city_agg = city_agg.set_index("city").reindex(ALL_FARM_CITIES).reset_index() print(f" 市町別集計: {len(city_agg)} 件", flush=True) # 規模クラス x 市町 クロス (件数) scale_cross_n = (farm.groupby(["src_city", "scale_class"]).size() .unstack(fill_value=0) .reindex(index=ALL_FARM_CITIES, fill_value=0)) # 規模クラス x 市町 クロス (面積合計 ha) scale_cross_a = (farm.groupby(["src_city", "scale_class"])["AREA"].sum() .unstack(fill_value=0) .reindex(index=ALL_FARM_CITIES, fill_value=0)) # 規模クラス全体集計 scale_overall = farm.groupby("scale_class").agg( n=("AREA", "size"), area_ha_sum=("AREA", "sum"), ).reset_index() scale_overall["n_pct"] = (scale_overall["n"] / N_POLY * 100).round(1) scale_overall["area_pct"] = (scale_overall["area_ha_sum"] / AREA_TOTAL_HA * 100).round(1) # KUIKI_CD クロス kuiki_cross_n = (farm.groupby(["src_city", "KUIKI_CD"]).size() .unstack(fill_value=0) .reindex(index=ALL_FARM_CITIES, fill_value=0)) kuiki_overall = farm.groupby("KUIKI_CD").agg( n=("AREA", "size"), area_ha_sum=("AREA", "sum"), ).reset_index() kuiki_overall["n_pct"] = (kuiki_overall["n"] / N_POLY * 100).round(1) kuiki_overall["area_pct"] = (kuiki_overall["area_ha_sum"] / AREA_TOTAL_HA * 100).round(1) # TOKEI_CD クロス tokei_overall = farm.groupby("TOKEI_CD").agg( n=("AREA", "size"), area_ha_sum=("AREA", "sum"), ).reset_index() tokei_overall["n_pct"] = (tokei_overall["n"] / N_POLY * 100).round(1) tokei_overall["area_pct"] = (tokei_overall["area_ha_sum"] / AREA_TOTAL_HA * 100).round(1) print(f" 規模クラス分類完了 ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 3. CSV 出力 # ============================================================================= print("\n[3] CSV 出力", flush=True) t1 = time.time() # 市町集計 (主表) city_agg.to_csv(ASSETS / "L24_city_summary.csv", index=False, encoding="utf-8-sig") # 17 件 + 3 件 (農地無し町) を含む全 20 市町行政表 no_farm_df = pd.DataFrame([{ "city": name, "ctype": ctype, "rtype": region, "city_area_km2": CITY_REF[name]["area_km2"], "city_pop_k": CITY_REF[name]["pop_k"], "city_density": round(CITY_REF[name]["pop_k"] * 1000 / CITY_REF[name]["area_km2"], 1), } for name, _adm, ctype, region in NO_FARM_CITIES]) no_farm_df.to_csv(ASSETS / "L24_no_farm_cities.csv", index=False, encoding="utf-8-sig") # 全ポリゴン属性 (geometry除く) farm_attr = farm.drop(columns=["geometry"]).copy() farm_attr["geom_area_m2"] = farm_attr["geom_area_m2"].round(1) farm_attr["geom_area_ha"] = farm_attr["geom_area_ha"].round(4) farm_attr["AREA"] = farm_attr["AREA"].round(2) farm_attr["area_ratio"] = farm_attr["area_ratio"].round(4) # 全件は重い (1MB 超) ので圧縮版を別に出す。本ファイルは samples_5000 まで保存 farm_attr_save = farm_attr.sort_values("AREA", ascending=False).head(5000) farm_attr_save.to_csv(ASSETS / "L24_farm_polygons_top5000.csv", index=False, encoding="utf-8-sig") # 読込ログ pd.DataFrame(load_log).to_csv(ASSETS / "L24_load_log.csv", index=False, encoding="utf-8-sig") # 規模クラス × 市町 クロス scale_cross_n.to_csv(ASSETS / "L24_scale_class_count.csv", encoding="utf-8-sig") scale_cross_a.round(2).to_csv(ASSETS / "L24_scale_class_area_ha.csv", encoding="utf-8-sig") scale_overall.to_csv(ASSETS / "L24_scale_overall.csv", index=False, encoding="utf-8-sig") # KUIKI_CD クロス kuiki_cross_n.to_csv(ASSETS / "L24_kuiki_count.csv", encoding="utf-8-sig") kuiki_overall.to_csv(ASSETS / "L24_kuiki_overall.csv", index=False, encoding="utf-8-sig") tokei_overall.to_csv(ASSETS / "L24_tokei_overall.csv", index=False, encoding="utf-8-sig") # 大規模対象農地 top 20 top20_large = farm_attr.nlargest(20, "AREA")[ ["src_city", "ctype", "rtype", "CITY_CD", "KUIKI_CD", "AREA", "geom_area_ha", "area_ratio", "scale_class"] ] top20_large.to_csv(ASSETS / "L24_top20_large.csv", index=False, encoding="utf-8-sig") print(f" CSV 出力完了 ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 4. 図の作成 # ============================================================================= print("\n[4] 図の作成", flush=True) t1 = time.time() # --- Fig 1: 県全域 農地転用 主題図 (13,749 polygon, 地理タイプ色) --- fig, ax = plt.subplots(figsize=(13, 9)) admin_diss.plot(ax=ax, facecolor="#f5f5f5", edgecolor="#888", linewidth=0.4) admin_farm = admin_diss[admin_diss["farm_status"] == "農地転用あり"] admin_farm.plot(ax=ax, facecolor="#fafff0", edgecolor="#444", linewidth=0.5) # 農地転用ポリゴンを地理タイプ色で rtype_count = {rt: 0 for rt in RTYPE_COLOR} for rt, col in RTYPE_COLOR.items(): sub = farm[farm["rtype"] == rt] if len(sub) > 0: sub.plot(ax=ax, facecolor=col, alpha=0.55, edgecolor="none", linewidth=0) rtype_count[rt] = len(sub) admin_diss.boundary.plot(ax=ax, color="#333", linewidth=0.4) ax.set_aspect("equal") ax.set_title(f"広島県 農地転用ポリゴン 全 {N_POLY:,} 件 — 17 市町 (2016-2020)", fontsize=13) legend_handles_f1 = [Patch(facecolor=v, label=f"{k} ({rtype_count[k]:,} 件)", edgecolor="none", alpha=0.55) for k, v in RTYPE_COLOR.items() if rtype_count[k] > 0] ax.legend(handles=legend_handles_f1, loc="lower left", fontsize=9, framealpha=0.92) ax.set_xticks([]); ax.set_yticks([]) # 上位市町ラベル for _, r in city_agg.nlargest(5, "area_ha_sum").iterrows(): cnt = admin_diss[admin_diss["city"] == r["city"]] if len(cnt) > 0: ctr = cnt.geometry.iloc[0].representative_point() ax.annotate(f"{r['city']}\n{r['n_poly']:,}件/{r['area_ha_sum']:.0f}ha", (ctr.x, ctr.y), fontsize=8, bbox=dict(boxstyle="round,pad=0.2", fc="white", ec="#888", alpha=0.85)) plt.tight_layout() plt.savefig(ASSETS / "L24_fig01_overview.png", dpi=130) plt.close("all") print(f" Fig 1 完成 ({time.time()-t1:.2f}s)", flush=True) # --- Fig 2: 農地転用 あり 17 市町 vs 無し 3 町 --- fig, ax = plt.subplots(figsize=(13, 9)) admin_diss[admin_diss["farm_status"] == "農地転用あり"].plot( ax=ax, facecolor="#fee0b6", edgecolor="#444", linewidth=0.6) admin_diss[admin_diss["farm_status"] == "農地転用無し"].plot( ax=ax, facecolor="#cfe9d8", edgecolor="#444", linewidth=0.6) farm.plot(ax=ax, facecolor="#cf222e", alpha=0.45, edgecolor="none", linewidth=0) admin_diss.boundary.plot(ax=ax, color="#333", linewidth=0.5) ax.set_aspect("equal") ax.set_title("農地転用データの有無 — 17 市町 (オレンジ) vs 3 町 (緑)", fontsize=13) legend_handles_f2 = [ Patch(facecolor="#fee0b6", edgecolor="#444", label="農地転用あり 17 市町"), Patch(facecolor="#cfe9d8", edgecolor="#444", label="農地転用無し 3 町"), Patch(facecolor="#cf222e", edgecolor="none", alpha=0.45, label=f"転用ポリゴン ({N_POLY:,} 件)"), ] ax.legend(handles=legend_handles_f2, loc="lower left", fontsize=11, framealpha=0.92) ax.set_xticks([]); ax.set_yticks([]) # 3 町に名前 for name, _adm, _ct, region in NO_FARM_CITIES: cnt = admin_diss[admin_diss["city"] == name] if len(cnt) > 0: ctr = cnt.geometry.iloc[0].representative_point() ax.annotate(f"{name}\n({region})", (ctr.x, ctr.y), fontsize=9, ha="center", bbox=dict(boxstyle="round,pad=0.2", fc="#cfe9d8", ec="#1f883d", alpha=0.92)) plt.tight_layout() plt.savefig(ASSETS / "L24_fig02_farm_vs_nofarm.png", dpi=130) plt.close("all") print(f" Fig 2 完成 ({time.time()-t1:.2f}s)", flush=True) # --- Fig 3: 市町別 small multiples (17 panels + 3 町 panel) --- fig, axes = plt.subplots(4, 5, figsize=(20, 16)) for ax_, (dsid, name, _adm, ctype, rtype) in zip(axes.flat, CITY_DEFS): cnt = admin_diss[admin_diss["city"] == name] cnt.plot(ax=ax_, facecolor="#f5f5f5", edgecolor="#888", linewidth=0.4) sub_farm = farm[farm["src_city"] == name] sub_farm.plot(ax=ax_, facecolor=RTYPE_COLOR[rtype], alpha=0.55, edgecolor="none", linewidth=0) cnt.boundary.plot(ax=ax_, color="#333", linewidth=0.4) ax_.set_aspect("equal") ax_.set_xticks([]); ax_.set_yticks([]) n = len(sub_farm) a_ha = sub_farm["AREA"].sum() / 100 ax_.set_title(f"{name} ({rtype})\n" f"{n:,}件 / {a_ha:,.0f} ha", fontsize=10) # 18 番目の panel: 3 町 (転用無し) 表示 ax_last = axes.flat[17] admin_diss[admin_diss["farm_status"] == "農地転用無し"].plot( ax=ax_last, facecolor="#cfe9d8", edgecolor="#444", linewidth=0.5) ax_last.set_aspect("equal") ax_last.set_xticks([]); ax_last.set_yticks([]) ax_last.set_title("農地転用無し 3 町\n(参考)", fontsize=10) for name, _adm, _ct, _r in NO_FARM_CITIES: cnt = admin_diss[admin_diss["city"] == name] if len(cnt) > 0: ctr = cnt.geometry.iloc[0].representative_point() ax_last.annotate(name, (ctr.x, ctr.y), fontsize=8, ha="center") # 19, 20 番目を消す for k in [18, 19]: axes.flat[k].axis("off") plt.suptitle("市町別 農地転用配置 small multiples (17 + 無し 3 町)", fontsize=14, y=1.00) plt.tight_layout() plt.savefig(ASSETS / "L24_fig03_small_multiples.png", dpi=110) plt.close("all") print(f" Fig 3 完成 ({time.time()-t1:.2f}s)", flush=True) # --- Fig 4: 市町別 転用面積 + 件数 + 単位面積あたり (3 連 panel) --- fig, axes = plt.subplots(1, 3, figsize=(18, 9)) # 左: 市町別総転用面積 (ha) order_a = city_agg.sort_values("area_ha_sum", ascending=True) colors_a = [RTYPE_COLOR[rt] for rt in order_a["rtype"]] ax0 = axes[0] ax0.barh(order_a["city"], order_a["area_ha_sum"], color=colors_a, edgecolor="white") for i, v in enumerate(order_a["area_ha_sum"]): ax0.text(v + 50, i, f"{v:,.0f}", va="center", fontsize=8) ax0.set_xlabel("転用面積 (ha)") ax0.set_title("市町別 総転用面積", fontsize=12) # 中: 市町別件数 order_n = city_agg.sort_values("n_poly", ascending=True) colors_n = [RTYPE_COLOR[rt] for rt in order_n["rtype"]] ax1 = axes[1] ax1.barh(order_n["city"], order_n["n_poly"], color=colors_n, edgecolor="white") ax1.set_xscale("log") for i, v in enumerate(order_n["n_poly"]): ax1.text(v * 1.1, i, f"{v:,}", va="center", fontsize=8) ax1.set_xlabel("ポリゴン件数 (log)") ax1.set_title("市町別 件数", fontsize=12) # 右: 単位面積 (km²) あたり転用 ha (= 密度) order_d = city_agg.sort_values("conv_per_km2", ascending=True) colors_d = [RTYPE_COLOR[rt] for rt in order_d["rtype"]] ax2 = axes[2] ax2.barh(order_d["city"], order_d["conv_per_km2"], color=colors_d, edgecolor="white") for i, v in enumerate(order_d["conv_per_km2"]): ax2.text(v + 0.2, i, f"{v:.1f}", va="center", fontsize=8) ax2.set_xlabel("転用 ha / 市域 km² (= 転用密度)") ax2.set_title("市町別 単位面積あたり転用", fontsize=12) # タイプ凡例 handles = [Patch(facecolor=v, label=k, edgecolor="white") for k, v in RTYPE_COLOR.items()] ax0.legend(handles=handles, loc="lower right", fontsize=9) plt.tight_layout() plt.savefig(ASSETS / "L24_fig04_city_ranking.png", dpi=130) plt.close("all") print(f" Fig 4 完成 ({time.time()-t1:.2f}s)", flush=True) # --- Fig 5: AREA 分布 (log-log + AREA=0 強調) --- # 散布: AREA (ha) vs geom_area_ha で「申告 = 実測」の y=x を確認 fig, axes = plt.subplots(1, 2, figsize=(16, 7)) ax0 = axes[0] # 0 を別扱い (log は 0 を扱えない) nz = farm[farm["AREA"] > 0] zero = farm[farm["AREA"] == 0] for rt, col in RTYPE_COLOR.items(): sub = nz[nz["rtype"] == rt] if len(sub) > 0: ax0.scatter(sub["AREA"], sub["geom_area_ha"], c=col, s=4, alpha=0.3, edgecolor="none", label=f"{rt} ({len(sub):,})") # y=x ライン (申告=実測) xs = np.array([0.001, 100000]) ax0.plot(xs, xs, color="black", linestyle="--", linewidth=1, label="申告 AREA = 実測 (y=x)") ax0.set_xscale("log") ax0.set_yscale("log") ax0.set_xlabel("AREA (ha, 申告値)") ax0.set_ylabel("geom_area_ha (ha, ジオメトリ実測)") ax0.set_title(f"AREA 申告値 vs ジオメトリ実測 (log-log, AREA>0 のみ n={len(nz):,})", fontsize=12) ax0.legend(loc="lower right", fontsize=8) ax0.grid(True, which="both", alpha=0.3) # 右: AREA = 0 の geom_area 分布 (図面精度の限界) ax1 = axes[1] zero_geom = zero["geom_area_ha"] if len(zero_geom) > 0: bins = np.linspace(0, 0.012, 41) ax1.hist(zero_geom.clip(upper=0.012), bins=bins, color="#cf222e", edgecolor="white", alpha=0.8) ax1.axvline(0.005, color="black", linestyle="--", linewidth=1, label="AREA 四捨五入境界 (0.005 ha = 50 m²)") ax1.set_xlabel("geom_area_ha (実測 ha)") ax1.set_ylabel("件数") ax1.set_title(f"AREA=0 のポリゴンの実測面積 (n={len(zero):,})", fontsize=12) ax1.legend(loc="upper right", fontsize=9) ax1.grid(True, alpha=0.3) plt.tight_layout() plt.savefig(ASSETS / "L24_fig05_area_consistency.png", dpi=130) plt.close("all") print(f" Fig 5 完成 ({time.time()-t1:.2f}s)", flush=True) # --- Fig 6: 規模クラス分布 + パレート構造 --- fig, axes = plt.subplots(1, 2, figsize=(15, 7)) # 左: 規模クラス × 市町 stacked bar (件数比率) ax0 = axes[0] sc_pct = scale_cross_n.div(scale_cross_n.sum(axis=1), axis=0) * 100 sc_colors = ["#fff7bc", "#fec44f", "#fe9929", "#cc4c02", "#662506"] sc_pct.plot(kind="barh", stacked=True, ax=ax0, color=sc_colors, edgecolor="white", linewidth=0.3) ax0.set_xlabel("件数比率 (%)") ax0.set_title("市町別 規模クラス構成 (件数 %)", fontsize=12) ax0.legend(title="規模", loc="lower right", fontsize=8, bbox_to_anchor=(1.0, 0.0)) # 右: パレート図 (件数 vs 面積、規模クラス毎) ax1 = axes[1] sc_sorted = scale_overall.sort_values("scale_class") x = np.arange(len(sc_sorted)) width = 0.35 b1 = ax1.bar(x - width/2, sc_sorted["n_pct"], width, label="件数 %", color="#0969da", edgecolor="white") b2 = ax1.bar(x + width/2, sc_sorted["area_pct"], width, label="面積 %", color="#cf222e", edgecolor="white") for bar in b1: h = bar.get_height() ax1.text(bar.get_x() + bar.get_width()/2, h + 1, f"{h:.1f}", ha="center", fontsize=8) for bar in b2: h = bar.get_height() ax1.text(bar.get_x() + bar.get_width()/2, h + 1, f"{h:.1f}", ha="center", fontsize=8, color="#600") ax1.set_xticks(x) ax1.set_xticklabels(sc_sorted["scale_class"], rotation=15, ha="right", fontsize=8) ax1.set_ylabel("全体比率 (%)") ax1.set_title("規模クラス別: 件数 % vs 面積 % (パレート構造)", fontsize=12) ax1.legend(loc="upper right", fontsize=10) ax1.grid(True, axis="y", alpha=0.3) plt.tight_layout() plt.savefig(ASSETS / "L24_fig06_scale_class.png", dpi=130) plt.close("all") print(f" Fig 6 完成 ({time.time()-t1:.2f}s)", flush=True) # --- Fig 7: 大規模対象農地 (>=10 ha) バブルマップ --- fig, ax = plt.subplots(figsize=(13, 9)) admin_diss.plot(ax=ax, facecolor="#f5f5f5", edgecolor="#888", linewidth=0.4) admin_farm.plot(ax=ax, facecolor="#fafff0", edgecolor="#444", linewidth=0.5) admin_diss.boundary.plot(ax=ax, color="#333", linewidth=0.4) # 大規模対象農地のみバブル (>=10 ha) large = farm[farm["AREA"] >= 10].copy() large["centroid"] = large.geometry.centroid # サイズはAREAの sqrt スケール (視覚的に区別しやすく) large["bubble_size"] = np.sqrt(large["AREA"]) * 4.0 for rt, col in RTYPE_COLOR.items(): sub = large[large["rtype"] == rt] if len(sub) > 0: ax.scatter([p.x for p in sub["centroid"]], [p.y for p in sub["centroid"]], s=sub["bubble_size"].clip(20, 800), c=col, alpha=0.55, edgecolor="#222", linewidth=0.4, label=f"{rt} ({len(sub):,})") ax.set_aspect("equal") ax.set_title(f"大規模対象農地 (≥10 ha) バブルマップ (n={len(large):,} / " f"全 {N_POLY:,} 件中 {len(large)/N_POLY*100:.1f}%)", fontsize=12) ax.legend(loc="lower left", fontsize=10, framealpha=0.92) ax.set_xticks([]); ax.set_yticks([]) # top 3 にラベル for _, r in large.nlargest(3, "AREA").iterrows(): ctr = r["centroid"] ax.annotate(f"{r['src_city']}\n{r['AREA']:.0f} ha", (ctr.x, ctr.y), fontsize=9, color="#600", xytext=(8, 8), textcoords="offset points", bbox=dict(boxstyle="round,pad=0.2", fc="white", ec="#cf222e", alpha=0.9)) plt.tight_layout() plt.savefig(ASSETS / "L24_fig07_large_bubble.png", dpi=130) plt.close("all") print(f" Fig 7 完成 ({time.time()-t1:.2f}s)", flush=True) # --- Fig 8: KUIKI_CD 別 県全域マップ + 市町クロス --- fig, axes = plt.subplots(1, 2, figsize=(18, 9)) # 左: KUIKI_CD 別塗り分けマップ ax0 = axes[0] admin_diss.plot(ax=ax0, facecolor="#f5f5f5", edgecolor="#888", linewidth=0.4) # KUIKI_CD は 0-6 の 7 値、固定パレットで色分け kuiki_palette = { 0: "#1f883d", # 0 = 区域外と推定 (中山間多い、緑) 1: "#cf222e", # 1 = 市街化区域と推定 (赤) 2: "#a371f7", # 2 = 市街化調整区域と推定 (紫) 3: "#0969da", # 3 = 非線引き と推定 (青) 4: "#bf3989", # 4 = (?) (ピンク) 5: "#fb8500", # 5 = (?) (オレンジ) 6: "#666666", # 6 = (?) (灰) } kuiki_legend_handles = [] for kc, col in kuiki_palette.items(): sub = farm[farm["KUIKI_CD"] == kc] if len(sub) > 0: sub.plot(ax=ax0, facecolor=col, alpha=0.55, edgecolor="none", linewidth=0) kuiki_legend_handles.append( Patch(facecolor=col, alpha=0.55, edgecolor="none", label=f"KUIKI_CD={kc} ({len(sub):,})")) admin_diss.boundary.plot(ax=ax0, color="#333", linewidth=0.4) ax0.set_aspect("equal") ax0.set_xticks([]); ax0.set_yticks([]) ax0.set_title("農地転用 KUIKI_CD 別 (フラグ値、仕様書未公開)", fontsize=12) ax0.legend(handles=kuiki_legend_handles, loc="lower left", fontsize=8, framealpha=0.92) # 右: KUIKI_CD × 市町 stacked bar (件数比率) ax1 = axes[1] kc_pct = kuiki_cross_n.div(kuiki_cross_n.sum(axis=1), axis=0) * 100 kc_pct.plot(kind="barh", stacked=True, ax=ax1, color=[kuiki_palette.get(c, "#888") for c in kc_pct.columns], edgecolor="white", linewidth=0.3) ax1.set_xlabel("件数比率 (%)") ax1.set_title("市町別 KUIKI_CD 構成 (件数 %)", fontsize=12) ax1.legend(title="KUIKI_CD", loc="lower right", fontsize=8, bbox_to_anchor=(1.0, 0.0)) plt.tight_layout() plt.savefig(ASSETS / "L24_fig08_kuiki_cd.png", dpi=130) plt.close("all") print(f" Fig 8 完成 ({time.time()-t1:.2f}s)", flush=True) # --- Fig 9: 市町総人口/総面積 vs 転用面積 (散布、地理タイプ別) --- fig, axes = plt.subplots(1, 2, figsize=(16, 7)) # 左: 市域面積 vs 転用面積 (log-log) ax0 = axes[0] for rt, col in RTYPE_COLOR.items(): sub = city_agg[city_agg["rtype"] == rt] if len(sub) > 0: ax0.scatter(sub["city_area_km2"], sub["area_ha_sum"], c=col, s=180, alpha=0.85, edgecolor="#222", linewidth=0.5, label=f"{rt}") for _, r in sub.iterrows(): ax0.annotate(r["city"], (r["city_area_km2"], r["area_ha_sum"]), fontsize=9, xytext=(5, 5), textcoords="offset points") # 3 町 (転用無し) を x=面積, y=0 で表示 for name, _adm, _ct, _r in NO_FARM_CITIES: ax0.scatter(CITY_REF[name]["area_km2"], 0.5, marker="x", c="#666", s=120, linewidth=2) ax0.annotate(name + "\n(転用無)", (CITY_REF[name]["area_km2"], 0.5), fontsize=8, color="#444", xytext=(0, -22), textcoords="offset points", ha="center") # 1% / 10% ラインを引く (1 km² = 100 ha) xs = np.linspace(5, 1500, 50) ax0.plot(xs, xs * 1, color="black", linestyle="--", linewidth=1, label="1% (= 1 ha/km²)") ax0.plot(xs, xs * 10, color="#888", linestyle=":", linewidth=1, label="10% (= 10 ha/km²)") ax0.set_xscale("log") ax0.set_yscale("log") ax0.set_xlabel("市町総面積 (km²)") ax0.set_ylabel("転用面積合計 (ha)") ax0.set_title("市域面積 × 転用面積 (log-log)", fontsize=12) ax0.legend(loc="lower right", fontsize=9) ax0.grid(True, which="both", alpha=0.3) # 右: 市町総人口 vs 1人あたり対象農地 (a/人) ax1 = axes[1] for rt, col in RTYPE_COLOR.items(): sub = city_agg[city_agg["rtype"] == rt] if len(sub) > 0: ax1.scatter(sub["city_pop_k"] * 1000, sub["conv_per_capita_a"], c=col, s=180, alpha=0.85, edgecolor="#222", linewidth=0.5, label=f"{rt}") for _, r in sub.iterrows(): ax1.annotate(r["city"], (r["city_pop_k"] * 1000, r["conv_per_capita_a"]), fontsize=9, xytext=(5, 5), textcoords="offset points") ax1.set_xscale("log") ax1.set_yscale("log") ax1.set_xlabel("市町総人口 (R2 国勢調査)") ax1.set_ylabel("市民 1 人あたり対象農地 (a/人, 1ha=100a)") ax1.set_title("人口 × 1人あたり対象農地 (log-log)", fontsize=12) ax1.legend(loc="lower left", fontsize=9) ax1.grid(True, which="both", alpha=0.3) plt.tight_layout() plt.savefig(ASSETS / "L24_fig09_pop_area_scatter.png", dpi=130) plt.close("all") print(f" Fig 9 完成 ({time.time()-t1:.2f}s)", flush=True) print(f"\n[4] 図 9 枚 完了 累計 {time.time()-t0:.2f}s", flush=True) # ============================================================================= # 5. 仮説検証 # ============================================================================= print("\n[5] 仮説検証", flush=True) t1 = time.time() # H1: 総 AREA >= 50,000 ha H1_total_ha = AREA_TOTAL_HA H1_judge = ("支持" if H1_total_ha >= 50_000 else "反証") # H2: 中山間 5 市町 (庄原・三次・東広島・北広島・世羅) の合計 >= 5 万 ha? mountain_top5 = ["庄原市", "三次市", "東広島市", "北広島町", "世羅町"] H2_top5_ha = float(city_agg[city_agg["city"].isin(mountain_top5)]["area_ha_sum"].sum()) # 都市 5 市 (広島・呉・福山・尾道・廿日市) との比較 urban_top5 = ["広島市", "呉市", "福山市", "尾道市", "廿日市市"] H2_urban5_ha = float(city_agg[city_agg["city"].isin(urban_top5)]["area_ha_sum"].sum()) H2_judge = ("支持" if H2_top5_ha >= 50_000 and H2_top5_ha > H2_urban5_ha else "部分支持" if H2_top5_ha > H2_urban5_ha else "反証") # H3: AREA=0 比率 (市町別の幅 5-25%) zero_min = float(city_agg["zero_pct"].min()) zero_max = float(city_agg["zero_pct"].max()) zero_med = float(city_agg["zero_pct"].median()) N_ZERO = int((farm["AREA"] == 0).sum()) H3_judge = ("支持" if 5 <= zero_med <= 25 and zero_min < 5 + 5 # 緩い帯域 else "部分支持") # H4: AREA は a (=100 m²) 単位 → ratio (geom_a / AREA) ≒ 1.0 nz_full = farm[farm["AREA"] > 0] ratio_med = float(nz_full["area_ratio"].median()) ratio_iqr = (float(nz_full["area_ratio"].quantile(0.25)), float(nz_full["area_ratio"].quantile(0.75))) H4_judge = ("支持" if 0.95 <= ratio_med <= 1.05 else "部分支持") # H5: KUIKI_CD 分布の市町間差 # 都市 7 市町 (広島・呉・三原・東広島・尾道・府中・福山) は 0,1,2 を含むはず # 中山間/離島は 0,3,4 主体 def kuiki_set(city): return set(farm[farm["src_city"] == city]["KUIKI_CD"].unique()) urban_with_12 = sum(1 for c in ["広島市", "呉市", "三原市", "東広島市", "尾道市", "府中市", "福山市"] if 1 in kuiki_set(c) or 2 in kuiki_set(c)) mountain_with_3or4 = sum(1 for c in ["三次市", "庄原市", "安芸高田市", "世羅町", "北広島町"] if 3 in kuiki_set(c) or 4 in kuiki_set(c)) H5_judge = ("支持" if urban_with_12 >= 5 and mountain_with_3or4 >= 4 else "部分支持") # H6: 大規模対象農地 >= 10 ha は件数 < 10% かつ 面積 >= 50% large_n = int((farm["AREA"] >= 10).sum()) large_n_pct = large_n / N_POLY * 100 large_ha_sum = float(farm[farm["AREA"] >= 10]["AREA"].sum()) large_ha_pct = large_ha_sum / AREA_TOTAL_HA * 100 H6_judge = ("支持" if large_n_pct < 10 and large_ha_pct >= 50 else "部分支持" if large_ha_pct >= 30 else "反証") H_RESULTS = { "H1": { "text": "県内 17 市町の総 AREA (対象農地) ≥ 50,000 ha", "result": f"AREA合計 = {H1_total_ha:,.0f} ha " f"(= {AREA_TOTAL_KM2:.1f} km²)", "judge": H1_judge, }, "H2": { "text": "中山間 5 市町 (庄原・三次・東広島・北広島・世羅) ≥ 50,000 ha かつ " "都市 5 市の合計より大きい", "result": f"中山間 5 市町 = {H2_top5_ha:,.0f} ha, " f"都市 5 市 = {H2_urban5_ha:,.0f} ha " f"(中山間/都市 比率 = {H2_top5_ha/max(H2_urban5_ha,1):.1f}x)", "judge": H2_judge, }, "H3": { "text": "AREA=0 ポリゴン (図面精度由来) は市町別中央値 5-25%", "result": f"全件 AREA=0 = {N_ZERO:,}/{N_POLY:,} " f"= {N_ZERO/N_POLY*100:.1f}%, " f"市町別 min/median/max = {zero_min:.1f}/{zero_med:.1f}/{zero_max:.1f}%", "judge": H3_judge, }, "H4": { "text": "AREA(ha) × 10,000 = geom_area_m² → ratio (geom_ha/AREA) 中央値 ≒ 1.0", "result": f"ratio 中央値 = {ratio_med:.4f} " f"(IQR = [{ratio_iqr[0]:.4f}, {ratio_iqr[1]:.4f}])", "judge": H4_judge, }, "H5": { "text": "KUIKI_CD は都市計画区域階層フラグと推定 — " "都市 7 市町に 1/2 値、中山間に 3/4 値", "result": f"都市 7 市中 KUIKI=1or2 を持つ市町 = {urban_with_12}/7、" f"中山間 5 市町中 KUIKI=3or4 を持つ市町 = {mountain_with_3or4}/5", "judge": H5_judge, }, "H6": { "text": "大規模対象農地 (≥10 ha) は件数 <10% かつ 面積 ≥50% (パレート構造)", "result": f"≥10ha件数 = {large_n:,} ({large_n_pct:.2f}%), " f"≥10ha面積 = {large_ha_sum:,.0f} ha " f"({large_ha_pct:.1f}%)", "judge": H6_judge, }, } (ASSETS / "L24_hypothesis_results.json").write_text( json.dumps({"results": H_RESULTS, "n_polygons": N_POLY, "n_cities_with_farm": len(CITY_DEFS), "n_cities_no_farm": len(NO_FARM_CITIES), "area_total_ha": AREA_TOTAL_HA, "area_total_km2": AREA_TOTAL_KM2, "zero_count": N_ZERO, "zero_pct_total": N_ZERO/N_POLY*100, "ratio_median": ratio_med, "large_count_pct": large_n_pct, "large_area_pct": large_ha_pct, }, ensure_ascii=False, indent=2), encoding="utf-8") print(f" H1-H6 検証完了 ({time.time()-t1:.2f}s)", flush=True) for k, v in H_RESULTS.items(): print(f" {k}: {v['judge']} -- {v['result']}") # ============================================================================= # 6. HTML 構築 # ============================================================================= print("\n[6] HTML 構築", flush=True) sections = [] ds_links_html = ", ".join( f'#{d[0]}' for d in CITY_DEFS ) # === セクション1: 学習目標と問い === s1_html = f"""

本記事は、広島県インフラマネジメント基盤 DoBoX が公開する 「都市計画区域情報_農地転用状況」シリーズ 17 件 ({ds_links_html}) を縦結合し、2016-2020 年の広島県内 17 市町の 農地転用対象ポリゴン 計 {N_POLY:,} 件 (合計 {AREA_TOTAL_HA:,.0f} ha = {AREA_TOTAL_KM2:.0f} km²) から、広島県内の「農地が非農地に変わるパターン」 ── 全県転用配置・市町別パターン・ 規模分布・KUIKI_CD 別の都市計画区域階層別 ── を分析する研究記事である。 全 20 市町中 3 町 (府中町・海田町・坂町) は農地転用対象なし ─ 都市部 100% で 都市計画基礎調査の対象農地が無い ─ そのコントラストも分析対象とする。

研究の問い (RQ): 広島県内 17 市町の農地転用は、面積規模・地理分布・市町別パターン・ KUIKI_CD 別の観点でどのような構造を持ち、何が農地を非農地に変えているか？ 「都市の拡張」と「中山間の縮退」のどちらが県内の対象農地分布の主体か？

仮説 H1〜H6

独自用語の定義 (本レッスン内のみ)

到達点

  1. 17 ZIP の農地転用 GeoJSON を 1 個の GeoDataFrame ({N_POLY:,} polygon × 7 列 + 派生 5 列) に縦結合できる。 AREA 列は pd.to_numeric(errors="coerce") で安全に数値化する手順を学ぶ。
  2. {N_POLY:,} polygon から、市町単位の総面積・件数・密度・転用率の 集計を groupby で実装する。
  3. 農地転用ポリゴンを geopandas.plot() で 主題図 (choropleth) + バブル図化し、地理分布を可視化する。
  4. 17 市町 small multiples で「市町ごとの農地転用配置パターン」を一目で比較。
  5. 規模クラス × 市町 のクロス集計とパレート図で、 「大規模区画が面積を支配する」構造を定量化する。
  6. 仕様書未公開の KUIKI_CD / TOKEI_CD / AREA 単位を、 実データの分布と整合性検証から「自分で解読する」体験。
  7. 3 町 (府中町・海田町・坂町) と 17 市町を対比して、 「農地転用対象が無いことの地理的意味 = 都市部 100%」を理解する。

本記事のスコープ宣言

本記事は農地転用状況 17 件のみを主データとする研究記事である。 同じ都市計画基礎調査シリーズの農林漁業関係施策 (L25, 17 件) は次記事で扱う (本記事と合体させない、要件 I 違反の水増し回避)。 都市計画区域階層との対比 (KUIKI_CD 解読) のため、 17 市町行政区域 (L15 既取得) のみ背景レイヤーとして利用するが、 L15 都市計画区域記事と論点を重複させない。

""" sections.append(("1. 学習目標と問い", s1_html)) # === セクション2: 使用データ === DS_TABLE_ROWS = "".join( f"#{d[0]}{d[1]}{d[3]}{d[4]}" f"" f"DoBoX" f"{next(L['n_poly'] for L in load_log if L['city']==d[1]):,}" f"{next(L['area_a_sum'] for L in load_log if L['city']==d[1]):,.0f}" f"{next(L['area_a_max'] for L in load_log if L['city']==d[1]):,.1f}" f"{next(L['n_zero'] for L in load_log if L['city']==d[1]):,}" f"{next(L['city_cds'] for L in load_log if L['city']==d[1])}" f"{next(L['kuiki_cds'] for L in load_log if L['city']==d[1])}" f"" for d in CITY_DEFS ) NO_FARM_TABLE_ROWS = "".join( f"{name}{ctype}{region}" f"{CITY_REF[name]['area_km2']:.1f}" f"{CITY_REF[name]['pop_k']:,}" f"{CITY_REF[name]['pop_k']*1000/CITY_REF[name]['area_km2']:.0f}" for name, _adm, ctype, region in NO_FARM_CITIES ) s2_html = f"""

農地転用状況 17 件はそれぞれ 1 市町分の 農地転用ポリゴン GeoJSON (Polygon) を ZIP で配布している。列構造は 17 件で 100% 一致 (7 列)。 データは2016-2020 年の 5 年間を対象、 都市計画法に基づく都市計画基礎調査の結果として公表されている。

17 dataset_id 一覧 (農地転用あり 17 市町)

{DS_TABLE_ROWS}
dataset_id市町市町タイプ地理タイプ DoBoX 件数AREA合計(ha)AREA最大(ha) 0件CITY_CDKUIKI_CD

合計: {N_POLY:,} ポリゴン / AREA合計 {AREA_TOTAL_HA:,.0f} ha = {AREA_TOTAL_KM2:.1f} km² (2016-2020 年期間)。広島県全域面積 8,479 km² に対し、 対象農地率は {AREA_TOTAL_KM2/8479*100:.1f}%。 件数最大は竹原市 8,879 件 (異常に多い、別ソースの精密データの可能性)、 件数最小は大竹市 33 件。 AREA 最大は庄原市 19,231 ha (1 ポリゴンで 192 km²、市域 1,246 km² の 15%)。

農地転用データ無し 3 町 (参考)

{NO_FARM_TABLE_ROWS}
市町タイプ地理タイプ 面積 km²人口 (千人)密度 (人/km²)

3 町 (府中町・海田町・坂町) は広島市の近郊ベッドタウンで 町域の大半が市街化済 ─ 農業振興地域・農用地区域がほぼ存在しないため、 都市計画基礎調査の「農地転用対象」シリーズに含まれない。 3 町とも人口密度が DID 認定線 (4,000 人/km²) を超える都市町。

列構造の詳細 (7 列)

列名型意味
TOKEI_CDint32 統計区分コード (1, 2, 3 の 3 値、仕様書未公開)。 農用地区域種別のフラグと推定 ─ 市町別に値分布が異なる (中山間市は 1 と 3 主体、都市市は 1, 2, 3 混在)
CITY_CDint32 市区町村コード。広島市は 8 区中 105-108 のみデータあり (中区・東区・西区・南区・佐伯区・安佐北区はデータ無し or 別 CITY_CD)。 他市町は単一 CITY_CD
KUIKI_CDint32 区域コード (0-6 の 7 値、仕様書未公開)。 都市計画区域階層のフラグと推定 (詳細は分析 6 で解読)
AREAfloat64 対象農地面積 (ha)。実測比 geom_area_m² / AREA = 10,000 から ha 単位と確定。AREA = 0 の polygon は図面精度由来の四捨五入結果 (実測 50 m² 未満) で全体の {N_ZERO/N_POLY*100:.1f}%。 ※ 監査時 (2026-05) の dtype は object (文字列)、 現データ取得時点では float64 だが、教材として pd.to_numeric(errors="coerce") で 常に安全な数値化処理を入れている
RITTEKI_CDint32 立地コード (0, 1, 2 の 3 値、仕様書未公開)。 全 17 市町中 8 市町で値 0 のみ、9 市町で 0/1 混在、 3 市町で 0/1/2 混在。転用先用途のフラグと推定
BIKOUobject 備考。「国土数値情報を活用して作成したため、図面精度は1/50,000である」 という図面精度の警告メッセージが入っている (16 市町)。 竹原市のみ全件 None で、件数も 8,879 と異常に多いため 別ソースの精密データの可能性
geometryPolygon 農地転用対象境界 Polygon。EPSG:6671 (JGD2011 平面直角第III系)。 本記事の主役データ。MultiPolygon は無く、すべて単一 Polygon
データ品質ノート: 1. AREA 列の単位は仕様書未公開だが、実測比 geom_area_m² / AREA = 10,000 からha (ヘクタール) 単位と確定 (本記事の H4 で検証)。 2. 竹原市 (ds=1401) のみ件数 8,879 と異常で BIKOU = None、KUIKI_CD = 3, 4 のみ。 他市町と異なる精密データソースの可能性 (国土数値情報ではなく地籍調査結果?)。 本記事ではそのまま統合に含めるが、規模分布の極端値として扱う。 3. 広島市 (ds=1394) は CITY_CD = 105-108 のみ ─ 8 区中 4 区分のデータ。 中区 (101)・東区 (102)・西区 (103)・南区 (104)・安佐北区 など他区のデータは このシリーズには含まれない (都市部のため農地転用対象が無いと推定)。
""" sections.append(("2. 使用データ", s2_html)) # === セクション3: ダウンロード === dl_html = f"""

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。

(1) 生データ ZIP (DoBoX 直)

17 件の ZIP は前項の表からそれぞれ DoBoX へリンク。 あるいは一括取得スクリプト:

cd "2026 DoBoX 教材"
py -X utf8 data\\extras\\L24_farmland_conversion\\fetch_farmland_conversion.py

合計サイズ約 12 MB。監査時に取得済の 3 市町 (広島市・呉市・福山市) は data/extras/_urban_planning_audit/ から自動コピー、 残り 14 市町は DoBoX から HTTP 取得 (約 30 秒)。

(2) 中間 CSV (本スクリプトの出力)

(3) 図 PNG (本記事掲載 9 枚)

(4) 再現用 Python スクリプト

実行は cd "2026 DoBoX 教材"; py -X utf8 lessons\\L24_farmland_conversion.py。 17 ZIP がローカルにあれば 30 秒程度で全図 + CSV 再生成 (要件 S 準拠)。

""" 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 — 統合読み込み + AREA 数値化 + 派生指標 === code_load = code(''' DATA_DIR = ROOT / "data" / "extras" / "L24_farmland_conversion" ADMIN_DIR = ROOT / "data" / "extras" / "L15_admin_zones" TARGET_CRS = "EPSG:6671" # 17 件は 7 列 100% 共通 COMMON_COLS_7 = ["TOKEI_CD", "CITY_CD", "KUIKI_CD", "AREA", "RITTEKI_CD", "BIKOU", "geometry"] frames = [] for dsid, name, _adm, ctype, rtype in CITY_DEFS: z = DATA_DIR / f"farm_{dsid}_{name}.zip" g = load_geojson_zip(z) g = g[COMMON_COLS_7].copy() # *** AREA を文字列扱いから数値化 (要件 K の Before/After) *** g["AREA_raw"] = g["AREA"].astype(str) # 元値を保持 (例: "1114.18") g["AREA"] = pd.to_numeric(g["AREA"], # 数値化 (失敗は NaN) errors="coerce") # NaN になった場合は要確認 (本データでは全件成功) g["src_city"] = name g["rtype"] = rtype frames.append(g) farm = gpd.GeoDataFrame(pd.concat(frames, ignore_index=True), geometry="geometry", crs=frames[0].crs) farm = farm.to_crs(TARGET_CRS) # 派生列 farm["geom_area_m2"] = farm.geometry.area # 実測 m² farm["geom_area_ha"] = farm["geom_area_m2"] / 1e4 # 実測 ha farm["area_ratio"] = farm["geom_area_ha"] / farm["AREA"].replace(0, np.nan) # 規模クラス (微小/小/中/大/超大/巨大) farm["scale_class"] = farm["AREA"].apply(_scale_class) ''') before_after_s4 = f"""

入出力 Before/After (要件 K — AREA を文字列から数値化する 1 件の追跡)

仕様書未公開で監査時 (2026-05-03) の AREA 列は object (文字列) 型だった。 現データ取得時点 (2026-05-09) では float64 になっているが、 教材として『常に安全な数値化処理』を組み込む。 広島市最大ポリゴン (1 件) を例に、最初から最後まで追跡する:

段階列このデータで何が起きるか 1 行の値の例 (広島市 最大 polygon)
入力 (生)AREA (str?) GeoJSON から読込時、自治体ごとに dtype が揺れうる (object / float64)。
※ 監査時 object → 現在 float64		 '1114.18' または 1114.18
正規化AREA = pd.to_numeric(.., errors="coerce") 文字列 → float64 に変換。失敗 (e.g. 空文字, "N/A") は NaN。 本データでは全件成功 1114.18 (float64)
派生geom_area_m2 = geom.area geometry の正確な面積 (m²、CRS=EPSG:6671 の単位) 11,141,775 m²
派生geom_area_ha = geom_area_m2 / 1e4 m² を ha に変換 (1 ha = 10,000 m²) 1114.18 ha (申告 AREA と完全一致!)
派生area_ratio = geom_area_ha / AREA 申告と実測の整合性検証 (1.000 が完全一致) 1.0000 (整合)
派生scale_class = _scale_class(AREA) 規模クラスに分類 (微小/小/中/大/超大/巨大) '5_巨大(≥100 ha)'

このように、7 列の生データから 規模・整合性・実測haの派生指標を導出することで、 農地転用ポリゴンの分布を多角的に評価できる。 特に area_ratio 列は「申告データと実測ジオメトリの整合性検証」として機能し、 『仕様書未公開でも、データから単位を確定できる』本記事の中核手法。

余談: AREA 単位は ha と確定したが、 全 {N_POLY:,} ポリゴンの中央値 area_ratio = {ratio_med:.4f} で IQR = [{ratio_iqr[0]:.3f}, {ratio_iqr[1]:.3f}]。 誤差 ±2% 以内に収まり、データの内部整合性は良好。 小ポリゴンほど誤差が大きく (図面精度の限界)、 大ポリゴンほど誤差は 0 に近づく (相対誤差が縮む)。

""" n_loaded = len(load_log) s4_html = ( "

狙い

" f"

17 ZIP の農地転用 GeoJSON を 1 個の GeoDataFrame " f"({N_POLY:,} polygon × 7 列 + 派生 5 列) に統合し、" f"後段の市町別集計・主題図・規模分析の基盤データを作る。" f"行政区域 21 件 (転用対象 17 + 無し 3 + 広島県全域 1) を背景レイヤーとして同時に読み込む。" f"AREA 列の単位確定 (仕様書未公開) と" f"文字列→数値の安全変換がこの分析の核。

" "

手法

" "

直感: ZIP を読む → 列を共通 7 列に揃える → " "AREA を pd.to_numeric で安全に数値化 → 縦結合 → CRS 変換 → " "派生指標 (実測 ha・整合性比・規模クラス) を計算 → 行政区域 dissolve で背景レイヤー作成。

" "

大筋 (5 ステップ)

" "
    " "
  1. 17 市町について load_geojson_zip() で GeoDataFrame を読む
    2. " "
  2. 共通 7 列に正規化 (本データは追加列無し)
    3. " "
  3. AREA 列を pd.to_numeric(errors='coerce') で安全に数値化 " "(失敗時 NaN で型崩れ防止 — 監査時の object dtype 対応)
    4. " "
  4. pd.concat で縦結合 → " f"{N_POLY:,} 行 1 個の GeoDataFrame
    5. " "
  5. 派生指標 5 つを計算: geom_area_m2, geom_area_ha, " "area_ratio (申告/実測), scale_class (規模分類)
    6. " "
" "

前提と限界: 17 件の AREA データは追加列が全く無い。" "竹原市 (ds=1401) のみ件数が 8,879 と異常に多く BIKOU=None で、" "他市町と異なる精密データソースの可能性 (本記事では補正せず合体)。" "広島市 (ds=1394) は CITY_CD = 105-108 の 4 区分のみで、" "8 区全部のデータは含まれない (都心部 4 区は対象農地ほぼ無し)。" "『仕様書未公開でも、データから読める』のが本シリーズの面白さで、" "本記事はその解読プロセスを教材化している。

" "

実装

" + code_load + before_after_s4 + f"

結果

" f"

17 ZIP のうち、{n_loaded} 件すべてが共通 7 列で読み込み成功。" f"統合後の farm GeoDataFrame は {N_POLY:,} polygon × 12 列" f"(7 共通 + AREA_raw + src_city + src_dsid + ctype + rtype + 派生 4)。" f"AREA 合計 = {AREA_TOTAL_HA:,.0f} ha = {AREA_TOTAL_KM2:.0f} km²" f" (= 広島県全域の {AREA_TOTAL_KM2/8479*100:.1f}%)。" f"処理時間は {time.time()-t0:.1f} 秒で要件 S を満たす。

" f"

表 1 — 17 市町 読込ログ

" "" "" "" + "".join(f"" f"" f"" f"" f"" f"" f"" for L in load_log) + "
市町地理件数AREA計(ha)AREA最大(ha)AREA=0件CITY_CDKUIKI_CD群
{L['city']}{L['rtype']}{L['n_poly']:,}{L['area_a_sum']:,.0f}{L['area_a_max']:,.1f}{L['n_zero']:,} ({L['n_zero']/L['n_poly']*100:.0f}%){L['city_cds']}{L['kuiki_cds']}
" "

この表から読み取れること: " f"件数最大は竹原市 8,879で異常に多く、AREA最大はわずか 5.4 ha ─ " f"『大量の微小ポリゴン』で他市町と質的に異なる。" f"AREA最大は庄原市 19,231 ha (1 ポリゴン!) で、市域 1,246 km² の 15%。" f"AREA=0 比率は市町間で大きく違う: 大竹市 0% (33 件全部に値あり) ↔ " f"竹原市 13% ↔ 庄原市 6% ↔ 広島市 18%。" f"これは図面精度の市町間差を示す。" f"KUIKI_CD 群は中山間市は 0,3,4 のみ (= 線引き無し)、" f"都市市は 0,1,2 (+ 5,6) のフル区分 (= 線引きあり) という構造的差が見える。

" ) sections.append(("4. 分析1: 17 GeoJSON 統合 + AREA 数値化 + 派生指標", s4_html)) # === セクション5: 分析2 — 県全域マップ + 17 vs 3 === s5_html = ( "

狙い

" f"

広島県内の農地転用ポリゴン全 {N_POLY:,} 件の地理的配置を 1 枚で見せる。" "「県のどこで、どう密集して農地転用対象が広がっているか」を地図で直接視覚化することは、" "本シリーズの本質を理解する最短経路。" "農地転用あり 17 市町 vs 無し 3 町を色分けで対比する 2 枚目で、" "「農地転用対象がない地域 = 都市 100%」の地理的意味も同時に伝える。

" "

手法

" "

(a) 県全域 主題図: 全 20 市町 (= 17 + 無し 3) と広島県全域の" "行政区域を背景にし、" "geopandas.plot(facecolor=rtype_color, alpha=0.55) で農地転用ポリゴンを" "地理タイプ色 (都市=赤・中山間=緑・離島=青・近郊町=紫) で描画。" "ポリゴン枠線は描かない (alpha 重なりで密度が読める)。

" "

(b) 17 vs 3 マップ: 17 市町をオレンジ、" "3 町を緑で塗り、農地転用ポリゴンを赤で重ねる。" "「3 町には赤が乗らない = 都市 100% で農地転用対象なし」を一目で見せる。

" "

実装

" + code(''' # (a) 県全域 主題図 (rtype 色) fig, ax = plt.subplots(figsize=(13, 9)) admin_diss.plot(ax=ax, facecolor="#f5f5f5", edgecolor="#888") admin_farm = admin_diss[admin_diss["farm_status"] == "農地転用あり"] admin_farm.plot(ax=ax, facecolor="#fafff0", edgecolor="#444") for rt, col in RTYPE_COLOR.items(): sub = farm[farm["rtype"] == rt] sub.plot(ax=ax, facecolor=col, alpha=0.55, edgecolor="none", label=f"{rt} ({len(sub):,})") # (b) 17 vs 3 fig, ax = plt.subplots(figsize=(13, 9)) admin_diss[admin_diss["farm_status"] == "農地転用あり"].plot( ax=ax, facecolor="#fee0b6", edgecolor="#444") admin_diss[admin_diss["farm_status"] == "農地転用無し"].plot( ax=ax, facecolor="#cfe9d8", edgecolor="#444") farm.plot(ax=ax, facecolor="#cf222e", alpha=0.45, edgecolor="none") ''') + "

図 1 — 県全域 農地転用ポリゴン主題図 (地理タイプ色)

" "

なぜこの図か: テーブルや棒グラフでは" "「対象農地が県のどこに、どう広がっているか」が分からない。" "地図 1 枚で「中山間 (緑) に対象農地が広く、都市 (赤) は中心部のみ」" "という県全体の地理構造を一気に伝える。

" + figure("assets/L24_fig01_overview.png", f"広島県 農地転用対象ポリゴン 全 {N_POLY:,} 件 (2016-2020)") + "

この図から読み取れること

" "" "

図 2 — 農地転用あり 17 市町 vs 無し 3 町

" "

なぜこの図か: 「対象農地ゼロの地理境界」を一目で見せる。" "3 町 (府中町・海田町・坂町) はすべて広島市近郊のベッドタウン ─ " "これは地図でないと伝わらない。" "「政令市の通勤圏に取り込まれた小規模町は、" "対象農地が消滅する」という都市化の最終段階を示す。

" + figure("assets/L24_fig02_farm_vs_nofarm.png", "農地転用あり 17 市町 (オレンジ) vs 無し 3 町 (緑)") + "

この図から読み取れること

" "" "

表 2 — 17 市町 vs 3 町 集計

" "" "" "" "" f"" f"" f"" f"" f"" f"" f"" f"" f"" f"" f"" f"" f"" f"" f"" f"" "
区分市町数合計面積 km²合計人口 千人転用ポリゴンAREA合計 ha対象農地率
農地転用あり 1717{sum(CITY_REF[d[1]]['area_km2'] for d in CITY_DEFS):,.0f}{sum(CITY_REF[d[1]]['pop_k'] for d in CITY_DEFS):,}{N_POLY:,}{AREA_TOTAL_HA:,.0f}{AREA_TOTAL_HA/sum(CITY_REF[d[1]]['area_km2'] for d in CITY_DEFS)/100*100:.1f}%
農地転用無し 33{sum(CITY_REF[n[0]]['area_km2'] for n in NO_FARM_CITIES):,.0f}{sum(CITY_REF[n[0]]['pop_k'] for n in NO_FARM_CITIES):,}000%
計 (20 市町)20{sum(CITY_REF[c]['area_km2'] for c in CITY_REF):,.0f}{sum(CITY_REF[c]['pop_k'] for c in CITY_REF):,}{N_POLY:,}{AREA_TOTAL_HA:,.0f}{AREA_TOTAL_HA/sum(CITY_REF[c]['area_km2'] for c in CITY_REF)/100*100:.1f}%
" "

この表から読み取れること: " f"17 市町は面積では県の {sum(CITY_REF[d[1]]['area_km2'] for d in CITY_DEFS)/sum(CITY_REF[c]['area_km2'] for c in CITY_REF)*100:.1f}%を占め、" f"対象農地率は{AREA_TOTAL_HA/sum(CITY_REF[d[1]]['area_km2'] for d in CITY_DEFS)/100*100:.1f}%。" f"3 町は面積で {sum(CITY_REF[n[0]]['area_km2'] for n in NO_FARM_CITIES)/sum(CITY_REF[c]['area_km2'] for c in CITY_REF)*100:.2f}%" f"のみだが対象農地ゼロ ─ 『都市部の対象農地は完全に消失している』。" f"県全域の対象農地率は {AREA_TOTAL_HA/sum(CITY_REF[c]['area_km2'] for c in CITY_REF)/100*100:.1f}% ─ " f"県の市域面積の約 18% が「都市計画基礎調査における転用対象農地」として図面化されている。

" ) sections.append(("5. 分析2: 県全域マップ + 17 vs 3 (H1)", s5_html)) # === セクション6: 分析3 — 市町別 small multiples + ランキング === city_table_rows = "".join( f"{r['city']}{r['rtype']}" f"{r['n_poly']:,}" f"{r['area_ha_sum']:,.0f}" f"{r['area_ha_max']:,.1f}" f"{r['conv_per_km2']:.2f}" f"{r['conv_share_area']:.1f}%" f"{r['conv_per_capita_a']:.0f}" for _, r in city_agg.sort_values("area_ha_sum", ascending=False).iterrows() ) s6_html = ( "

狙い

" "

17 市町の農地転用配置パターンを 17 panels small multiples で並列比較する。" "市町ごとの「対象農地が市域のどこに、どう広がっているか」を一目で見せ、" "都市 vs 中山間 vs 離島 vs 近郊町の質的違いを地図で示す。" "ランキング 3 連 panel で、『面積』『件数』『転用密度』の 3 軸から" "市町順位を立体的に描く。

" "

手法

" "

plt.subplots(4, 5) で 20 panel を作り、17 市町 + 1 (3 町) + 余り 2。" "各 panel は市域に bbox を揃え、対象農地を地理タイプ色で描画。" "ランキングは横軸 (面積/件数/密度) を 3 つに切って barh で並べる。" "件数は log スケールで広島市と大竹市の 270 倍格差を圧縮表示。

" "

実装

" + code(''' # small multiples 17 panels fig, axes = plt.subplots(4, 5, figsize=(20, 16)) for ax_, (dsid, name, _adm, ctype, rtype) in zip(axes.flat, CITY_DEFS): cnt = admin_diss[admin_diss["city"] == name] cnt.plot(ax=ax_, facecolor="#f5f5f5", edgecolor="#888") sub_farm = farm[farm["src_city"] == name] sub_farm.plot(ax=ax_, facecolor=RTYPE_COLOR[rtype], alpha=0.55) n = len(sub_farm); a_ha = sub_farm["AREA"].sum() ax_.set_title(f"{name} ({rtype}) {n:,}件 / {a_ha:,.0f} ha") # 3 連ランキング (面積/件数/密度) fig, axes = plt.subplots(1, 3, figsize=(18, 9)) order_a = city_agg.sort_values("area_ha_sum") axes[0].barh(order_a["city"], order_a["area_ha_sum"], color=[RTYPE_COLOR[rt] for rt in order_a["rtype"]]) order_n = city_agg.sort_values("n_poly") axes[1].barh(order_n["city"], order_n["n_poly"], color=...) axes[1].set_xscale("log") # 件数は log スケール order_d = city_agg.sort_values("conv_per_km2") axes[2].barh(order_d["city"], order_d["conv_per_km2"], color=...) ''') + "

図 3 — 市町別 17 panels small multiples

" "

なぜこの図か: 1 枚の県全域図では、市町ごとの「転用パターンの質的違い」" "が分からない。17 panels で並列比較すると、" "「庄原市の市域 8 割が緑」と「府中市の市域中央に小さい緑」が" "同じスケールで対比でき、市町タイプと転用パターンの関係が直感的に伝わる。

" + figure("assets/L24_fig03_small_multiples.png", "市町別 農地転用配置 small multiples (17 + 無し 3 町)") + "

この図から読み取れること

" "" "

図 4 — 市町別 面積/件数/密度 ランキング 3 連

" "

なぜこの図か: 市町を 3 つの異なる指標 ─ 「総面積」" "「ポリゴン件数」「単位面積あたり転用密度」 ─ で並べると、" "都市 vs 中山間の構造の違いが立体的に見える。" "1 つの指標だけでは見えない『市町タイプの多軸性』を伝える。

" + figure("assets/L24_fig04_city_ranking.png", "市町別 総転用面積 / 件数 / 単位面積あたり転用 (3 連 panel)") + "

この図から読み取れること

" "" "

表 3 — 17 市町 集計表 (面積降順)

" "" "" "" + city_table_rows + "
市町地理件数AREA計(ha)AREA最大(ha)密度対象農地率1人あたり(a)
" "

この表から読み取れること: " f"AREA 合計 1 位は庄原市 {city_agg.iloc[city_agg['area_ha_sum'].idxmax()]['area_ha_sum']:,.0f} ha " f"(市域の {city_agg.iloc[city_agg['area_ha_sum'].idxmax()]['conv_share_area']:.1f}%)、" f"最下位は大竹市 {city_agg[city_agg['city']=='大竹市']['area_ha_sum'].iloc[0]:,.1f} ha。" f"1 人あたり対象農地は中山間市町で{city_agg[city_agg['city']=='世羅町']['conv_per_capita_a'].iloc[0]:.0f} a/人 (世羅町)" f" や {city_agg[city_agg['city']=='庄原市']['conv_per_capita_a'].iloc[0]:.0f} a/人 (庄原市) と桁違いに大きく、" f"政令市は{city_agg[city_agg['city']=='広島市']['conv_per_capita_a'].iloc[0]:.0f} a/人 (広島市)と最小。" f"『中山間住民は 1 人あたり 1 ha 規模の農地を背景に持つ』 vs " f"『都市住民は 0.0X ha 規模の対象農地しかない』という対比が定量化された。

" ) sections.append(("6. 分析3: 市町別 small multiples + ランキング (H2)", s6_html)) # === セクション7: 分析4 — AREA 単位検証 + AREA=0 微小区画 === top_large_rows = "".join( f"{i+1}{r['src_city']}{r['rtype']}" f"{r['CITY_CD']}{r['KUIKI_CD']}" f"{r['AREA']:,.1f}" f"{r['geom_area_ha']:,.1f}" f"{r['area_ratio']:.4f}" f"{r['scale_class']}" for i, (_, r) in enumerate(top20_large.head(10).iterrows()) ) s7_html = ( "

狙い

" "

仕様書未公開のAREA 列の単位を、ジオメトリ実測との比較から確定する。" "AREA = 0 のポリゴンが大量にある (全 18%) 事実は図面精度 1/50,000 の限界を" "示すデータ品質の話。これらを定量的に解明することで、" "「仕様書未公開の公開データを安全に使う方法」を学習者に伝える。

" "

手法

" "

(a) AREA 申告 vs 実測 散布図 (log-log): " "x軸 = AREA (申告 ha)、y軸 = geom_area_ha (m² から換算した実測 ha)。" "y = x の対角線が「申告 = 実測」を意味する。" "『AREA × 10,000 = m²』であれば、両軸 ha で y = x にぴったり乗る。" "別の単位 (a だったら 100 倍ずれ、m² だったら 10,000 倍ずれ) ならズレる。" "AREA = 0 を除外 (log は 0 を扱えない)。

" "

(b) AREA = 0 の geom_area 分布: " "AREA = 0 ポリゴンの実測面積をヒストグラム化。" "『どの程度小さいから 0 に丸められたか』を可視化することで、" "図面精度 1/50,000 の四捨五入境界を逆算する。" "ha 単位での 0 とは0.005 未満 = 50 m² 未満。

" "

実装

" + code(''' fig, axes = plt.subplots(1, 2, figsize=(16, 7)) # (a) AREA 申告 vs 実測 散布 nz = farm[farm["AREA"] > 0] # AREA = 0 を除外 for rt, col in RTYPE_COLOR.items(): sub = nz[nz["rtype"] == rt] axes[0].scatter(sub["AREA"], sub["geom_area_ha"], c=col, s=4, alpha=0.3) xs = np.array([0.001, 100000]) axes[0].plot(xs, xs, "--", color="black", label="y=x (申告=実測)") axes[0].set_xscale("log"); axes[0].set_yscale("log") # (b) AREA = 0 の geom_area 分布 zero = farm[farm["AREA"] == 0] axes[1].hist(zero["geom_area_ha"].clip(upper=0.012), bins=41, color="#cf222e", edgecolor="white") axes[1].axvline(0.005, ls="--", label="四捨五入境界 (0.005 ha = 50 m²)") ''') + "

図 5 — AREA 申告 vs ジオメトリ実測 (左) + AREA=0 の実測面積分布 (右)

" "

なぜこの図か: AREA 列の単位確定は『仕様書なしのデータと向き合う』" "教材の核心。log-log 散布で y = x ラインに点が乗ることで 『申告 ≒ 実測』が" "視覚的に確認できる。" "右側の AREA=0 ポリゴンの実測ヒストグラムは、図面精度の限界を直視させる。

" + figure("assets/L24_fig05_area_consistency.png", "AREA 申告値 vs ジオメトリ実測 (左, log-log) + AREA=0 の実測面積分布 (右)") + "

この図から読み取れること

" "" "

表 4 — 大規模対象農地 top 10

" "" "" "" "" + top_large_rows + "
順位市町地理CITY_CDKUIKI_CDAREA(ha)実測(ha)area_ratio規模クラス
" "

この表から読み取れること: " f"top 1 は庄原市 19,231 ha (1 ポリゴン!) ─ " f"市域 1,246 km² の 15% が単一 polygon で覆われている。" f"area_ratio = {top20_large.iloc[0]['area_ratio']:.4f} で実測と完全一致。" f"top 10 はすべて中山間 (庄原・三次・東広島・北広島・世羅・安芸高田)で、" f"AREA が 500 ha 以上の「巨大ブロック」。" f"これらは『市町全域を覆う農用地区域指定エリア』と推定 ─ " f"個別の転用許可ではなく、制度上の区分図面と思われる。" f"上位 10 件の AREA 合計 = {top20_large.head(10)['AREA'].sum():,.0f} ha" f" = 全 AREA の{top20_large.head(10)['AREA'].sum()/AREA_TOTAL_HA*100:.1f}%を占める ─ " f"パレート構造の極端な実例。

" ) sections.append(("7. 分析4: AREA 単位検証 + 微小区画分析 (H3, H4)", s7_html)) # === セクション8: 分析5 — 規模クラス分布 + パレート構造 === scale_overall_rows = "".join( f"{r['scale_class']}" f"{r['n']:,}" f"{r['n_pct']:.1f}%" f"{r['area_ha_sum']:,.0f}" f"{r['area_pct']:.1f}%" for _, r in scale_overall.sort_values("scale_class").iterrows() ) s8_html = ( "

狙い

" "

農地転用ポリゴンを規模クラス 6 段階に分類し、" "『何件のポリゴンが、どれくらいの面積を占めるか』のパレート構造を可視化する。" "市町別の規模構成も比較し、『市町タイプによって転用ポリゴンの規模が違う』" "（中山間=巨大、都市=小規模）の二極構造を確認する。

" "

手法

" "

(a) 規模クラス × 市町 stacked bar (件数比率): " "市町別に規模クラス分布を 100% 棒グラフで並べ、" "『竹原市は微小ばかり』『庄原市は大きいの混在』の質的違いを示す。

" "

(b) パレート図 (件数 % vs 面積 %, 規模クラス毎): " "横軸 = 規模クラス、縦軸 = 全体に占める比率 (件数 % と 面積 % を 2 本並列)。" "『規模クラス間で件数 % と面積 % が逆転する』= " "「数の少数派が量の多数派」のパレート構造を直視する。

" "

実装

" + code(''' def _scale_class(ha_value): if ha_value < 0.01: return "0_微小(<0.01 ha)" elif ha_value < 0.1: return "1_小(0.01-0.1 ha)" elif ha_value < 1.0: return "2_中(0.1-1 ha)" elif ha_value < 10.0: return "3_大(1-10 ha)" elif ha_value < 100.0: return "4_超大(10-100 ha)" else: return "5_巨大(≥100 ha)" farm["scale_class"] = farm["AREA"].apply(_scale_class) # 規模 × 市町 クロス → stacked bar sc = farm.groupby(["src_city", "scale_class"]).size().unstack(fill_value=0) sc_pct = sc.div(sc.sum(axis=1), axis=0) * 100 sc_pct.plot(kind="barh", stacked=True) # パレート図 (件数 % vs 面積 %) overall = farm.groupby("scale_class").agg(n=("AREA","size"), area=("AREA","sum")) overall["n_pct"] = overall["n"] / N_POLY * 100 overall["area_pct"] = overall["area"] / AREA_TOTAL_HA * 100 ax.bar(overall.index, overall["n_pct"], label="件数 %") ax.bar(overall.index + width, overall["area_pct"], label="面積 %") ''') + "

図 6 — 市町別 規模構成 + パレート図

" "

なぜこの図か: 単純な平均値や合計では 『規模分布の歪み』が見えない。" "stacked bar で市町ごとの規模構成を直視し、パレート図で件数 % vs 面積 % の" "逆転現象を視覚化することで、『大規模ポリゴンが面積を支配する』" "を一目で伝える。

" + figure("assets/L24_fig06_scale_class.png", "市町別 規模クラス構成 (左, 件数 %) + 全体パレート図 (右)") + "

この図から読み取れること

" "" "

表 5 — 規模クラス全体集計 (パレート構造)

" "" "" "" + scale_overall_rows + "
規模クラス件数件数 %面積 ha面積 %
" "

この表から読み取れること: " f"0_微小 ({scale_overall[scale_overall['scale_class']=='0_微小(<0.01 ha)']['n'].iloc[0]:,} 件 = " f"{scale_overall[scale_overall['scale_class']=='0_微小(<0.01 ha)']['n_pct'].iloc[0]:.0f}%) は" f"件数で全体の 1/3 を占めるが、面積では 0%。" f"5_巨大 ({scale_overall[scale_overall['scale_class']=='5_巨大(≥100 ha)']['n'].iloc[0]:,} 件 = " f"{scale_overall[scale_overall['scale_class']=='5_巨大(≥100 ha)']['n_pct'].iloc[0]:.1f}%)" f"はわずか件数の 0.X%だが、面積で 50% 超を占める ─ " f"『1 件の巨大区画 = 数千件の微小区画』。" f"これは「データ集計時に件数で重み付けすると、面積実態を見誤る」という" f"教訓 ─ 必ず面積加重で集計せよ。

" "

図 7 — 大規模対象農地 (≥10 ha) バブルマップ

" "

なぜこの図か: パレート構造の上位 8% (≥10 ha) を地理的に確認する。" "県全域マップでは大小ポリゴンが alpha 重ねで判別困難。" "ここではバブル (centroid 中心、AREA に比例した大きさ) で大規模区画の地理的偏在" "を可視化する。

" + figure("assets/L24_fig07_large_bubble.png", "大規模対象農地 (≥10 ha) バブルマップ") + "

この図から読み取れること

" "" ) sections.append(("8. 分析5: 規模クラス分布 + パレート構造 + 大規模バブル (H6)", s8_html)) # === セクション9: 分析6 — KUIKI_CD 解読 + TOKEI_CD 観察 === kuiki_overall_rows = "".join( f"{r['KUIKI_CD']}" f"{r['n']:,}" f"{r['n_pct']:.1f}%" f"{r['area_ha_sum']:,.0f}" f"{r['area_pct']:.1f}%" for _, r in kuiki_overall.iterrows() ) tokei_overall_rows = "".join( f"{r['TOKEI_CD']}" f"{r['n']:,}" f"{r['n_pct']:.1f}%" f"{r['area_ha_sum']:,.0f}" f"{r['area_pct']:.1f}%" for _, r in tokei_overall.iterrows() ) s9_html = ( "

狙い

" "

仕様書未公開のKUIKI_CD (区域コード, 0-6 の 7 値) と" "TOKEI_CD (統計区分コード, 1-3 の 3 値) の意味を、" "市町別の値分布と地理的位置から『推定』する。" "これは『公開オープンデータの仕様書がない場合に、自分で意味を解読する』" "という研究プロセスの実演である。

" "

手法

" "

(a) KUIKI_CD 別 県全域マップ: 0-6 を異なる色で塗り、" "地理分布から仮説を立てる。" "『線引き都市計画区域 (市街化/調整区域)』の都市市町と、" "『線引きなし』の中山間市町で値分布が異なるはず。

" "

(b) KUIKI_CD × 市町 stacked bar (件数比率): " "各市町の値分布を 100% 棒グラフで並べる。" "市町タイプごとに値の組み合わせがクラスタ化されることを期待。

" "

実装

" + code(''' # KUIKI_CD 7 値を固定パレットで色分け (推定意味) kuiki_palette = { 0: "#1f883d", # 0 = 区域外? (中山間多い、緑) 1: "#cf222e", # 1 = 市街化区域? (都市多い、赤) 2: "#a371f7", # 2 = 市街化調整区域? (紫) 3: "#0969da", # 3 = 非線引き? (青) 4: "#bf3989", # 4 = (?) (ピンク) 5: "#fb8500", # 5 = (?) (オレンジ) 6: "#666666", # 6 = (?) (灰) } # (a) KUIKI_CD 別 県全域マップ fig, axes = plt.subplots(1, 2, figsize=(18, 9)) admin_diss.plot(ax=axes[0], facecolor="#f5f5f5") for kc, col in kuiki_palette.items(): sub = farm[farm["KUIKI_CD"] == kc] sub.plot(ax=axes[0], facecolor=col, alpha=0.55, label=f"KUIKI_CD={kc} ({len(sub):,})") # (b) KUIKI_CD × 市町 stacked bar kc_cross = farm.groupby(["src_city","KUIKI_CD"]).size().unstack(fill_value=0) kc_pct = kc_cross.div(kc_cross.sum(axis=1), axis=0) * 100 kc_pct.plot(kind="barh", stacked=True, ax=axes[1]) ''') + "

図 8 — KUIKI_CD 別 県全域マップ (左) + 市町別 KUIKI_CD 構成 (右)

" "

なぜこの図か: KUIKI_CD = 0-6の 7 値が何を意味するか、" "テーブルだけでは分からない。地図に色分けして" "『地理的にどう分布するか』を見せると、" "都市計画区域の階層構造と整合する分布が見えれば仮説が支持される。

" + figure("assets/L24_fig08_kuiki_cd.png", "KUIKI_CD 別 県全域マップ + 市町別構成") + "

この図から読み取れること

" "" "

表 6 — KUIKI_CD 全体集計 (推定意味付き)

" "" "" "" + kuiki_overall_rows + "
KUIKI_CD件数件数 %面積 ha面積 %
" "

この表から読み取れること: " f"KUIKI_CD = 0 が件数 % で{kuiki_overall[kuiki_overall['KUIKI_CD']==0]['n_pct'].iloc[0]:.0f}% ─ " f"中山間に多い「都市計画区域外」の農地と推定 (面積も最大)。" f"KUIKI_CD = 3, 4 が件数 %で大きい ─ 『非線引き / 区域外』の混在と推定。" f"KUIKI_CD = 1, 2 は件数 %は小さいが、これらは『市街化区域 + 調整区域』" f"= 都市計画区域内の農地で、都市拡張の最前線。" f"KUIKI_CD = 5, 6 は極めて少ない (広島市のみ) ─ " f"『広島市特有のサブ区分』(政令市の独自 KUIKI 値か?)。

" "

表 7 — TOKEI_CD 全体集計 (推定意味)

" "" "" "" + tokei_overall_rows + "
TOKEI_CD件数件数 %面積 ha面積 %
" "

この表から読み取れること: " f"TOKEI_CD = 1 が件数で{tokei_overall[tokei_overall['TOKEI_CD']==1]['n_pct'].iloc[0]:.0f}%と最大 ─ " f"『農用地区域指定 (主要)』と推定。" f"TOKEI_CD = 3 は件数で次点 ─ " f"『農業振興地域内農用地白地』と推定。" f"TOKEI_CD = 2 は最少 ─ " f"『その他』と推定。" f"仕様書未公開のため確定できないが、" f"『市町間でも値分布のパターンが類似 (= 制度上の意味があるはず)』" f"と推測される。発展課題で都市計画基礎調査要綱との照合により確定する。

" ) sections.append(("9. 分析6: KUIKI_CD / TOKEI_CD 解読 (H5)", s9_html)) # === セクション10: 分析7 — 市域面積 vs AREA + 1人あたり === s10_html = ( "

狙い

" "

市町の総面積・総人口と AREA の関係を log-log 散布で示し、" "「市町規模と対象農地の関係」と「1 人あたり対象農地の地理タイプ依存」を可視化する。" "農地転用無し 3 町を ×印で同じ散布に重ね、" "「対象農地ゼロの境界」を観察する。

" "

手法

" "

(a) 市域面積 vs AREA (log-log): x軸 = 市町面積 km²、y軸 = AREA 合計 ha。" "1% / 10% の対象農地率ライン (= 1 ha/km², 10 ha/km²) を補助線として引く。

" "

(b) 市町総人口 vs 1 人あたり対象農地 (a/人): " "市町人口 vs 市民 1 人あたり対象農地。中山間市は1 万 a/人 = 100 ha/人規模、" "都市市は0.X a/人と桁違い。地理タイプで 4 グループにクラスタ化されるはず。

" "

実装

" + code(''' fig, axes = plt.subplots(1, 2, figsize=(16, 7)) # (a) 市域面積 vs AREA for rt, col in RTYPE_COLOR.items(): sub = city_agg[city_agg["rtype"] == rt] axes[0].scatter(sub["city_area_km2"], sub["area_ha_sum"], c=col, s=180, label=rt) # 3 町 (転用無し): x=面積, y≒0 for name, _adm, _ct, _r in NO_FARM_CITIES: axes[0].scatter(CITY_REF[name]["area_km2"], 0.5, marker="x", c="#666") xs = np.linspace(5, 1500, 50) axes[0].plot(xs, xs * 1, "--", label="1% 対象農地率") axes[0].plot(xs, xs * 10, ":", label="10% 対象農地率") axes[0].set_xscale("log"); axes[0].set_yscale("log") # (b) 人口 vs 1 人あたり for rt, col in RTYPE_COLOR.items(): sub = city_agg[city_agg["rtype"] == rt] axes[1].scatter(sub["city_pop_k"]*1000, sub["conv_per_capita_a"], c=col, s=180, label=rt) axes[1].set_xscale("log"); axes[1].set_yscale("log") ''') + "

図 9 — 市域面積 × AREA (左) + 人口 × 1 人あたり (右)

" "

なぜこの図か: 市町の対象農地は市域規模に依存することが想像できるが、" "log-log 散布で『市域 1% ライン vs 10% ライン』を引くと、" "市町の『対象農地率階層』が一目で分かる。" "1 人あたり指標と組み合わせると、『地理タイプによる構造的違い』" "が立体的に見える。

" + figure("assets/L24_fig09_pop_area_scatter.png", "市域面積 × AREA (log-log) + 市町人口 × 1 人あたり対象農地") + "

この図から読み取れること

" "" "

表 8 — 17 市町 + 3 町 詳細 (rtype 別合計)

" "" "" "" "" + "".join( f"" f"" f"" f"" f"" f"" f"" for rt, sub in [(rt, city_agg[city_agg["rtype"] == rt]) for rt in RTYPE_COLOR.keys()] ) + f"" f"" f"" f"" + "
地理タイプ市町数合計面積 km²合計人口 千人AREA ha対象農地率 %1人あたり a
{rt}{int(sub['city_area_km2'].count())}{sub['city_area_km2'].sum():,.0f}{sub['city_pop_k'].sum():,}{sub['area_ha_sum'].sum():,.0f}{sub['area_ha_sum'].sum()/(sub['city_area_km2'].sum()*100)*100:.1f}%{sub['area_ha_sum'].sum()*100/(sub['city_pop_k'].sum()*1000):.1f}
農地転用無し町{len(NO_FARM_CITIES)}{sum(CITY_REF[n[0]]['area_km2'] for n in NO_FARM_CITIES):.0f}{sum(CITY_REF[n[0]]['pop_k'] for n in NO_FARM_CITIES):,}00%0
" "

この表から読み取れること: " f"『中山間 5 市町』は面積 {city_agg[city_agg['rtype']=='中山間']['city_area_km2'].sum():,.0f} km² (県の " f"{city_agg[city_agg['rtype']=='中山間']['city_area_km2'].sum()/sum(CITY_REF[c]['area_km2'] for c in CITY_REF)*100:.0f}%) で" f" AREA = {city_agg[city_agg['rtype']=='中山間']['area_ha_sum'].sum():,.0f} ha ─ " f"県の対象農地の {city_agg[city_agg['rtype']=='中山間']['area_ha_sum'].sum()/AREA_TOTAL_HA*100:.0f}% を 5 市町が占める。" f"対する『都市 10 市』は面積 {city_agg[city_agg['rtype']=='都市']['city_area_km2'].sum():,.0f} km² (県の " f"{city_agg[city_agg['rtype']=='都市']['city_area_km2'].sum()/sum(CITY_REF[c]['area_km2'] for c in CITY_REF)*100:.0f}%) だが" f" AREA = {city_agg[city_agg['rtype']=='都市']['area_ha_sum'].sum():,.0f} ha " f"({city_agg[city_agg['rtype']=='都市']['area_ha_sum'].sum()/AREA_TOTAL_HA*100:.0f}%)。" f"『中山間が県の食料供給基盤を背負う』地理構造が明確。" f"近郊町 (熊野町) と離島 (江田島市) は補助的な役割。

" ) sections.append(("10. 分析7: 市域面積/人口 vs 対象農地 (H2 補強)", s10_html)) # === セクション11: 仮説検証 === hr_rows = "".join( f"{k}{v['text']}" f"{v['result']}{v['judge']}" for k, v in H_RESULTS.items() ) s11_html = ( "

分析 1〜7 の結果から、仮説 H1〜H6 を改めて検証する。

" "" "" + hr_rows + "
仮説仮説内容検証結果判定
" "

総括

" "" "

本記事の主要発見 5 点

" "
    " f"
  1. 『中山間が県の食料供給基盤を背負う』を定量化: " f"中山間 5 市町 (庄原・三次・東広島・北広島・世羅) が" f"県対象農地の {city_agg[city_agg['rtype']=='中山間']['area_ha_sum'].sum()/AREA_TOTAL_HA*100:.0f}%を占める。" f"庄原市単独で県全体の {city_agg[city_agg['city']=='庄原市']['area_ha_sum'].iloc[0]/AREA_TOTAL_HA*100:.0f}%。" f"『農地転用＝都市拡張』のイメージは誤りで、" f"県の対象農地は中山間の制度的指定が主体。
    2. " f"
  2. 仕様書未公開の AREA 単位を解読: " f"実測比 geom_m²/AREA = 10,000 から『AREA = ha 単位』と確定。" f"area_ratio 中央値 {ratio_med:.4f}、IQR ±2% 以内。" f"『仕様書なしでもデータから単位を確定する』研究プロセスの実演。
    3. " f"
  3. 図面精度 1/50,000 の限界を可視化: " f"AREA=0 ポリゴン {N_ZERO:,} 件 ({N_ZERO/N_POLY*100:.0f}%) の実測面積が" f"0-50 m² に集中。図面精度 1 mm = 50 m が" f"最小描画単位 50 m² (= 0.005 ha)に対応。" f"『公開データの誤差を定量化する手順』を学ぶ。
    4. " f"
  4. KUIKI_CD = 都市計画区域階層フラグを解読: " f"都市 7 市町は KUIKI = 0,1,2 (+5,6) を保有 (= 線引きあり)、" f"中山間 8 市町は KUIKI = 0,3,4 のみ (= 線引きなし)。" f"『仕様書未公開のフラグ列を、地理分布と市町構成から推定』。" f"これにより市街化区域内/調整区域内/区域外の対象農地を区別可能。
    5. " f"
  5. パレート構造の極端な実例: " f"大規模 (≥10 ha) ポリゴン {large_n:,} 件 (件数の {large_n_pct:.1f}%) が" f"面積の {large_ha_pct:.0f}% を支配。" f"top 1 (庄原市 19,231 ha) だけで県全体の " f"{19231/AREA_TOTAL_HA*100:.0f}%。" f"『集計時に件数で重み付けすると面積実態を見誤る』という" f"統計分析の教訓。
    6. " "
" ) sections.append(("11. 仮説検証と考察", s11_html)) # === セクション12: 発展課題 === s12_html = """

本記事で得られた結果から導かれる新たな問いと、 それを検証するための具体的な発展手順を 3 つ提示する。

発展課題 1: 農林漁業施策 (L25) との空間オーバーレイ ─ 保全 vs 転用

結果 X: 本記事で県内 17 市町の対象農地 14,459 ポリゴン (155,111 ha) の地理が定量化された。 都市計画基礎調査の同じ期間 (2016-2020) で、もう 1 つのシリーズ 「農林漁業関係施策」(L25, 17 件) が公開されており、 これは『国・県の農地保全策が適用される区域』を示す。

新仮説 Y: 農林漁業施策エリアと農地転用対象エリアは地理的に重なる (= 同じ農地に保全策と転用区分が同居)か、 相補的に分布する (= 保全区域と転用区域は別)のどちらか。 広島県は中山間振興策 (中山間直接支払等) を多く実施するため、 「中山間 5 市町で重なり率 ≥ 80%」と予想される。

課題 Z: geopandas.overlay(farm, sisaku, how='intersection') で 17 市町ごとに重なり面積を計算 → 「保全 ∩ 転用 / 転用」の包含率を市町別に集計 → 17 panels small multiples で重なり地理を可視化 → 『広島県の中山間農地は保全と転用が同居している』仮説を検証。 本記事の次記事 L25 でこれを実装する予定。

発展課題 2: 都市計画区域 (L15) との整合性検証 ─ KUIKI_CD の意味確定

結果 X: 本記事で KUIKI_CD = 都市計画区域階層フラグ (推定) が 都市市町と中山間市町で値分布が異なることを確認した。 ただし『どの値が市街化区域』かは推定の域を出ない。

新仮説 Y: L15 の市街化区域 / 市街化調整区域 ポリゴン (14 + 14 件)と 本記事の対象農地ポリゴンを空間結合すれば、 KUIKI_CD = 1 が市街化区域、KUIKI_CD = 2 が市街化調整区域、 KUIKI_CD = 3, 4 が非線引きまたは区域外、と確定できる。 『各 KUIKI 値ポリゴンの 80% 以上が、対応する都市計画区域内に位置する』 ことを定量的に確認する。

課題 Z: L15 都市計画区域データを取得 → gpd.sjoin(farm, kuiki_zones, predicate='within') で 各転用ポリゴンに区域種別を付与 → KUIKI_CD × 区域種別のクロス集計 → 『KUIKI_CD = 1 のポリゴンは市街化区域内』等の対応関係を表で示す。 発展手順としては data/extras/_urban_planning_audit/ の市街化区域 ZIP を活用。

発展課題 3: 5 年後 (R7=2025) との比較 — 転用速度の地理

結果 X: 本記事は 2016-2020 (5 年間) のスナップショット。 転用が静的か動的かを語るには 1 期しかなく不十分。

新仮説 Y: 次期都市計画基礎調査 (2021-2025) では、 (a) 都市市の調整区域内ポリゴンが都市開発で減少する一方、 (b) 中山間市町の区域外ポリゴンは耕作放棄で『非農地』扱いに変わる ─ 両ベクトルで対象農地は『縮小』すると予想される。 庄原市・三次市の中山間ポリゴンは5 年で 5-10% 縮減。

課題 Z: 都市計画基礎調査の次期版が公開されたら (R8 頃想定)、 同じ ID 体系で 17 市町分の差分計算。 ポリゴン重なり率 (Jaccard 係数) を市町別に算出 → 「Δ 面積 = 縮小と新規追加」を定量化 → 中山間と都市で減少パターンの違いを比較 → 『どこで耕作放棄が進み、どこで転用が進むか』の地理を描く。 これは現時点では未来課題だが、本記事の手法 (load_geojson_zip + AREA 数値化 + 派生) を流用すれば即実装可能な再現性を確保している。

""" sections.append(("12. 発展課題", s12_html)) # ============================================================================= # 7. HTML 出力 # ============================================================================= print("\n[7] HTML 出力", flush=True) title = "L24 農地転用状況 17件 統合分析 — 広島県内の農地が非農地に変わるパターン" tags = ["都市計画", "農地転用", "農用地区域", "17市町統合", "規模分布", "パレート構造", "geopandas", "DoBoX", "図面精度", "都市計画基礎調査"] data_label = ( "DoBoX 農地転用状況 17件 (#1391-1407)" ) html = render_lesson( num=24, title=title, tags=tags, time="30〜40 分", level="中級 (GIS + 都市計画 + データ品質)", data_label=data_label, sections=sections, script_filename="L24_farmland_conversion.py", ) out = LESSONS / "L24_farmland_conversion.html" out.write_text(html, encoding="utf-8") print(f" -> {out}") print(f"\n=== L24 DONE Total {time.time()-t0:.2f}s ===")