L26 都市計画区域外 18 市町統合分析 — 広島県の「網のかからない」地理本体

データ取得手順

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

実行コマンド:

cd "2026 DoBoX 教材"
python -X utf8 lessons/L26_outside_planning_zones.py

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

スクリプト（全体ソースコード）

⬇ L26_outside_planning_zones.py

cd "2026 DoBoX 教材"
python -X utf8 lessons/L26_outside_planning_zones.py

1. 学習目標と問い

研究の問い (RQ)

広島県内 18 市町に指定された 「都市計画区域外」エリア は、 面積・地理分布・市町別パターンの観点でどのような構造を持ち、 L16 都市計画区域 (既扱い) との補完関係はどうなっているか？ 広島県は実態として 「都市計画区域外」=「中山間地域」 が県土の大部分を占めるのか？

独自用語の定義 (本記事冒頭での明示)

• 都市計画区域: 都市計画法第 5 条に基づき、一体の都市として総合的に 整備・開発・保全すべきと指定された区域。市街化区域・市街化調整区域・ 用途地域などの計画手法が適用される。本記事ではこれを「区域内」「網がかかる地域」と呼ぶ。
• 都市計画区域外: 上記指定を受けていない区域。都市計画法の各種規制 (用途地域・建ぺい率・容積率など) が適用されない。本記事ではこれを 「区域外」「網がかからない地域」と呼ぶ。山林・農地・分散集落など 都市計画上「個別の市街化が想定されない」エリアが大半を占める。
• TOKEI_CD: DoBoX 区域データ共通の区域種別フラグ。 L26 (本シリーズ) では全件 3 一定= 「都市計画区域外」を意味する。 L16 では 1=都市計画区域 / 2=準都市計画区域。
• CITY_CD: 市区町村コード。広島市 (788) の場合のみ 8 個 (101-108) が混在し、市内の区別を表す。他 16 市町は単一値。
• 連続塊: 1 つの Polygon ジオメトリで表現される、地理的に連続した 区域外領域。本記事では「ポリゴン件数 = 連続塊の数」として扱う。

立てた仮説 H1〜H5

• H1 (面積規模): 県全域の区域外面積は県土の 50% 以上を占め、 中山間市町 (三次・庄原・北広島町・世羅町等) では市町面積の 80% 以上に達する。 「広島県の地理本体は『区域外』である」という見立てが定量化される。
• H2 (3 町の特異性): 区域外を「持たない」3 市町 (竹原市・府中町・熊野町) は、市町面積が小さくかつ 都市計画区域指定率が高い ─ 特に府中町・熊野町は広島市近郊の住宅団地町で 全域市街化区域に近い。
• H3 (連続性): ポリゴン件数 (= 連続塊) は都市部ほど多く、 中山間市町ほど少ない。中山間は「ほぼ 1 個の巨大連続区域外」、 都市市町は分散ポリゴンが多い。
• H4 (整合性): 17 市町別ファイルの合計面積と県全域 ds=924 (142 ポリゴン) は0.01% 未満の誤差で一致する。
• H5 (広島市内構造): 広島市は単一 dataset_id だが 8 個の CITY_CD (101-108 = 8 区) が混在する。南部の都心区 (中区 101 等) は区域外を持たず、 北部の安佐北区・佐伯区など合併編入地区が区域外の本体。

到達点

本記事の作業を通じ、学習者は以下の能力を身につける:

1. 18 個の GeoJSON を 1 つの GeoDataFrame に縦結合する標準パターン
2. EPSG:6671 (JGD2011 平面直角 III) の面積計算が m² 単位で直接可能なこと
3. 複数データセット (L15 行政・L16 区域内・L26 区域外) の整合性検証と 残差分析の手順
4. 「データの不在」が情報を持つこと ─ 区域外を持たない 3 市町を欠如そのもので発見する手法
5. 市町ごとの単純集計から地理タイプ (都市/中山間/離島/近郊町) 別の パターン抽出への展開
6. 1 dataset 内のサブグループ (広島市の 8 区) をコード列から復元し、 都心 vs 周縁の構造を可視化する手順

2. 使用データ

L26 シリーズ — 「都市計画区域外」 18 dataset_id

都市計画法に基づく区域指定 GeoJSON のうち 「都市計画区域外」 を指定する 17 市町別ファイル + 1 県全域版 (ds=924, 整合性検証用) の合計 18 件を扱う。 DoBoX のシリーズ「都市計画区域情報_区域データ_*_都市計画区域外」が該当。

列構造 (実データで確認)

L24/L25 との列構造比較 — 監査未経シリーズの特徴

本シリーズは監査キャッシュに含まれない未監査シリーズ。実データ確認の結果、 L24 (農地転用)・L25 (農林漁業施策) と比べて列が大幅に縮約されている:

解釈: 「区域外」は本来「区域分類が無い」状態なので、 区域内部のサブ分類 (KUIKI_CD = 都市計画階層) が消える。 属性は「区域外である」という事実 1 つだけを運ぶ最小構成。 これは「データの不在が、データそのものになる」興味深い事例で、 教材としても重要な学びである。

重要な観察: 本シリーズには 「区域外を持たない」 3 市町 (竹原市=ds=807, 府中町=ds=900, 熊野町=ds=911) が存在する。 DoBoX に dataset_id 自体が無いことで「100% 区域内」を示している ─ 「データの不在も情報である」。本記事ではこの 3 町を 比較対照群として扱う。

3. ダウンロード — 再現用ファイル一式

本ページの全結果は以下のローカルファイルから再現可能。

図 (PNG) ダウンロード

• L26_fig{i}_{nm}.png
• L26_fig{i}_{nm}.png
• L26_fig{i}_{nm}.png
• L26_fig{i}_{nm}.png
• L26_fig{i}_{nm}.png
• L26_fig{i}_{nm}.png
• L26_fig{i}_{nm}.png
• L26_fig{i}_{nm}.png
• L26_fig{i}_{nm}.png
• L26_fig{i}_{nm}.png
• L26_fig{i}_{nm}.png

データ取得スクリプト

下記のコマンドで 18 件を一括取得 (キャッシュ済みファイルはスキップ):

cd "2026 DoBoX 教材"
py -X utf8 data\extras\L26_outside_planning_zones\fetch_outside_planning_zones.py

各 GeoJSON は data/extras/L26_outside_planning_zones/outside_<dsid>_<city>.zip に保存される。

4. 分析1: 18 GeoJSON の縦結合と整合性検証

狙い

18 個の GeoJSON を 1 個の GeoDataFrame に縦結合する。 このとき列構造の一致 (3 列のみ)とCRS の一致 (EPSG:6671)を確認し、 読み込み時点で「データ仕様が市町間でブレていないか」をログに残す。 L24/L25 では CRS が市町間でブレることがあったが、L26 ではどうか?

手法 — 縦結合の標準パターン

1. 市町ごとに ZIP→GeoJSON→GeoDataFrame を読込
2. 共通列 4 つ (FID, TOKEI_CD, CITY_CD, geometry) のみ抽出
3. 派生列 (src_city, src_dsid, ctype, rtype) を付加
4. CRS が None なら EPSG:6671 を強制セット (set_crs)
5. 17 市町分の GeoDataFrame を pd.concat で 1 つに統合
6. 面積を geometry.area で計算 (EPSG:6671 は m²)

「列の縮約」を逆手に取る: L26 は L24/L25 と比べて 列が大幅に少ない (KUIKI_CD・NRG_AN・RITTEKI_CD が無い)。これは分析の余地が 狭いように見えるが、逆に「面積・件数・地理分布」という最も基本的な指標を 徹底的に深掘りする分析の純度を保証する。多次元分析が不可能な データでも価値ある研究は可能、というデータサイエンスの教訓。

実装

↑ L26_outside_planning_zones.py 行 182–276

 1
 2
 3
 4
 5
 6
 7
 8
 9
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207

def load_geojson_zip(zip_path: Path) -> gpd.GeoDataFrame:
    """ZIP 内の単一 .geojson を BytesIO 経由で読み込み"""
    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()))

# 17 市町別ファイルを縦結合
COMMON_COLS = ["FID", "TOKEI_CD", "CITY_CD", "geometry"]
frames = []
for dsid, name, ctype, rtype in CITY_DEFS:  # 17 個
    z = DATA_DIR / f"outside_{dsid}_{name}.zip"
    g = load_geojson_zip(z)[COMMON_COLS].copy()
    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)
    g = g.to_crs(TARGET_CRS)  # EPSG:6671 統一
    frames.append(g)

outside = gpd.GeoDataFrame(pd.concat(frames, ignore_index=True),
                           geometry="geometry", crs=TARGET_CRS)
# 面積 (EPSG:6671 は m²)
outside["geom_area_km2"] = outside.geometry.area / 1e6

結果: ロードログ表 (table 1)

この表から読み取れること

• ポリゴン件数の極端な分散: 1 件 (三次・庄原・廿日市・安芸高田・北広島町・世羅町・海田町) から 42 件 (呉市) まで 40 倍以上の幅。仮説 H3 (中山間ほど少数) と整合。
• MultiPolygon は出現しない: 全 142 件が単純 Polygon。 L25 (3 割が MultiPolygon) と異なる。区域外は「単純連結な閉領域」として 厳密に切り出されていること示唆。
• TOKEI_CD は全件 3: 仕様確認のとおり「区域外」一意フラグ。 L16 にあった準都市計画区域 (TOKEI_CD=2) はもちろん区域外には登場しない。
• 広島市 (788) のみ CITY_CD が 8 種類: 残り 16 市町は 1 dataset = 1 CITY_CD。広島市内の区別構造は本記事独自の追加分析になる。

結果: 整合性 (17 市町和 vs 県全域版)

この表から読み取れること

• 17 市町別の合計と県全域版が件数・面積ともにほぼ完全一致 (誤差 0.01% 未満)。仮説 H4 を強く支持。
• これは DoBoX 内部で同じソースポリゴンを「市町別に切って配信」 しているか「県全域を集約して配信」しているかの違いに過ぎないことを意味する ─ 学習者が 「市町別ファイル × 17 を縦結合」しても「県全域版 1 件」を 使っても結果は同じと確認できる。

図 1: 県全域 主題図 — 都市計画区域内 vs 区域外

なぜこの図か: 県全体で「網がかかる地域 (青)」と「網がかからない地域 (緑)」が どう分布するかを 1 枚で直観的に把握するため。色分けは matplotlib の単純な重ね描き (alpha 透過) で十分。

図1: 広島県内 都市計画区域内 (青, L16) と 区域外 (緑, L26)。区域外を持たない3市町は灰色で表示。

この図から読み取れること

• 県北部 (三次・庄原・北広島町・世羅町・安芸高田) はほぼ全域が緑 ─ 「網がかからない」中山間地域。
• 県南部の沿岸都市 (広島市南部・呉市南部・福山市南部・尾道市南部) は青が支配的。 ただし市の北部 (山地) には緑が侵入している。
• 広島市は南北対比が鮮明: 中区・南区・西区など中心区は青、 安佐北区・安佐南区・佐伯区など北部編入区は緑。 これは仮説 H5 の検証材料になる。

5. 分析2: 市町別 区域外面積と比率

狙い

市町ごとに区域外面積・区域外比率 (= 区域外 / 行政面積) を計算し、 仮説 H1「県全域の区域外比率 ≥ 50%, 中山間市町は ≥ 80%」を検証する。 また地理タイプ別 (都市・中山間・離島・近郊町) で見たときのパターン構造を抽出する。

手法 — 集計と外部参照値の結合

1. outside.groupby("src_city").agg(...) で 市町別ポリゴン件数・合計面積・最大ポリゴン面積を集計
2. L15 行政区域 dissolve から得た実測 admin_area_km2 を分母に out_ratio_pct を計算
3. L16 区域内 dissolve から得た inside_area_km2 も join し、 out_ratio + in_ratio + 残差 ≈ 100% の整合性を確認
4. 各市町に ctype (政令市/市/町) と rtype (都市/中山間/離島/近郊町) を付与

実装

↑ L26_outside_planning_zones.py 行 294–353

 1
 2
 3
 4
 5
 6
 7
 8
 9
303
304
305
306
307
308
309
310
311
312
313

city_agg = outside.groupby("src_city").agg(
    n_poly=("geom_area_km2", "size"),
    out_area_km2_sum=("geom_area_km2", "sum"),
    out_area_km2_max=("geom_area_km2", "max"),
    out_area_km2_median=("geom_area_km2", "median"),
).reset_index().rename(columns={"src_city": "city"})

# 外部参照値 (人口・面積) と L16 区域内面積を join
city_agg["city_area_km2"] = city_agg["city"].map(
    lambda c: CITY_REF[c]["area_km2"])
city_agg = city_agg.merge(l16_diss[["city","inside_area_km2"]], on="city")
city_agg = city_agg.merge(admin_diss[["city","admin_area_km2"]], on="city")

# 比率の計算
city_agg["out_ratio_pct"] = (city_agg["out_area_km2_sum"]
                              / city_agg["admin_area_km2"] * 100).round(2)
city_agg["in_ratio_pct"] = (city_agg["inside_area_km2"]
                             / city_agg["admin_area_km2"] * 100).round(2)
city_agg["sum_ratio_pct"] = (city_agg["out_ratio_pct"]
                              + city_agg["in_ratio_pct"]).round(2)

結果: 市町別サマリ表 (table 2)

この表から読み取れること

• 区域外比率の極端な分散: 海田町 (約 4%) ・坂町 (約 7%) などの 広島市近郊都市町から、三次市・庄原市・世羅町・北広島町・廿日市市・安芸高田市 の 80%超まで広い。中山間市町ほど区域外比率が圧倒的に大きい (H1 支持)。
• sum_ratio_pct (区域外+区域内) が ほぼ 100% に近い市町は、 L15+L16+L26 の整合性が取れていることを示す。 ずれが大きい市町は CRS 計測誤差や境界処理の影響。
• 面積最大は 庄原市 (1,200km² 級) の区域外で、これは広島県最大の市の ほぼ全域。広島県の「中山間本体」の象徴。

図 2: 市町別 区域外面積バー

なぜこの図か: 17 市町を一望し、絶対面積の格差を直観で掴むため。 ranked horizontal bar は「順位とスケールの 2 軸」を 1 枚で同時に伝えられる。

図2: 市町別 区域外面積 (km²) ─ 中山間 (緑) が圧倒、近郊町 (桃) は最小、都市 (赤) は中位。

この図から読み取れること

• 上位 5 市町 (庄原・三次・北広島町・廿日市・安芸高田) で面積の半分以上を占める。
• 同じ「市」でも中山間 (緑) と都市 (赤) は数百 km² の差。地理タイプは強い説明変数。
• 近郊町 (海田・坂) は最小, 数 km² にとどまる ─ 仮説 H2 の補強。

図 3: choropleth — 市町別 区域外比率の地理分布

なぜこの図か: 「絶対面積」より「比率 (%)」で見ると地理的傾斜がはっきりする。 choropleth は「数字の地理勾配」を直接見せる王道。区域外無し3町は灰色で識別。

図3: choropleth ─ 市町別 区域外比率 (%)。緑が濃いほど区域外が広く、灰色は区域外を持たない3町。

この図から読み取れること

• 北高南低の勾配: 県北 (中国山地側) で 80%超、県南 (瀬戸内沿岸) で 20-50% に低下。 広島県の都市計画指定構造は地理勾配にきわめて忠実。
• 灰色 (区域外無し 3 町) は沿岸 1 + 広島市東隣 2に偏在し、 地理的にもまとまっている。「都市核 + 直結住宅団地町」の典型。
• 東広島・廿日市 (中部) はちょうど中間値で、都市計画と中山間の境界に位置することが視覚的に判る。

図 11: 市町別 区域外 (L26) vs 区域内 (L16) ペアバー

なぜこの図か: 区域外と区域内を同じ市町内で並べて見ることで、 「網のかかる/かからない」面積比を直接対比できる。

図11: 市町別 L26 区域外 (緑) vs L16 区域内 (青) のペアバー。横軸は km², 各市町右に行政面積も付記。

この図から読み取れること

• 都市市町 (広島・呉・福山・東広島・廿日市) は緑も青も両方そこそこ。 都市部+中山間部を併せ持つ複合構造。
• 中山間市町 (庄原・三次・北広島町・世羅町・安芸高田) は緑が圧倒、青はわずか。 青は中心市街地など限定区域指定。
• 近郊町 (海田・坂) は青が圧倒し、緑はごく小さい。 H2 仮説の通り「ほぼ全域指定」の都市町。

6. 分析3: 連続性スケール (件数 × 平均面積)

狙い

区域外を「1 個の巨大連続塊として持つ市町」と「多数の小さい 分散塊として持つ市町」の対比を可視化する。仮説 H3 (中山間 = 少数巨大, 都市 = 多数小) を検証する。

手法 — 件数・平均面積・規模分類

1. 市町別 ポリゴン件数 (= 連続塊の数) と 1 個あたり平均面積 を計算
2. 横軸: 件数 (log), 縦軸: 平均面積 (log) の散布図でパターン観察
3. 全 142 ポリゴンを 5 段階の規模クラスに分類: 微小 <0.1 / 小 0.1-1 / 中 1-10 / 大 10-100 / 巨大 ≥100 km²

実装

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

plot_df = city_agg.copy()
plot_df["mean_area_km2"] = plot_df["out_area_km2_sum"] / plot_df["n_poly"]

# 規模クラス分類
def _scale_class(v):
    if v < 0.1:    return "0_微小(<0.1 km²)"
    elif v < 1:    return "1_小(0.1-1 km²)"
    elif v < 10:   return "2_中(1-10 km²)"
    elif v < 100:  return "3_大(10-100 km²)"
    else:          return "4_巨大(≥100 km²)"

outside["scale_class"] = outside["geom_area_km2"].apply(_scale_class)
scale_overall = outside.groupby("scale_class").agg(
    n=("geom_area_km2", "size"),
    area_km2_sum=("geom_area_km2", "sum"),
).reset_index()

図 7: 連続性スケール (件数 × 平均面積)

なぜこの図か: 「件数だけ」では大ポリゴンと小ポリゴンの違いが見えない。 「件数 × 平均面積」の log-log 散布図は連続性の構造を 2 次元に展開できる王道。

図7: 連続性スケール ─ 件数 (横軸 log) と 平均面積 (縦軸 log)。中山間は左上 (少数巨大), 都市は右下 (多数小)。

この図から読み取れること

• 左上クラスタ (1〜2 件 + 平均 数百 km²): 三次市・庄原市・北広島町・世羅町・安芸高田・廿日市・大竹市の中山間タイプ。 「区域外がほぼ 1 個の塊」として広がる。
• 右下クラスタ (数十 件 + 平均 1-10 km²): 呉市・広島市・大竹市・福山市・江田島市の都市タイプ。 「区域外が多数の小ポリゴンに分散」している。
• 近郊町 (海田・坂) は中央付近に少数 + 小面積 で位置。地理スケールがそもそも小さいため。

結果: 規模クラス分類表 (table 3)

この表から読み取れること

• 件数では「中・大」 (1-100 km²) が多数派 ─ 142 件のうち多くが 数 km² 〜 数十 km² 規模の中規模ポリゴン。
• 面積では「巨大」 (≥100 km²) が支配的 ─ 数件のみで全面積の半分以上。 中山間市町の「県土の大部分を覆う 1 個の超大ポリゴン」が 数値的に確認される。
• これは Pareto 分布的な強い偏り。学習者は「件数の代表値と面積の代表値は 一致しない」ことを学べる。

図 8: 規模クラス × 件数 / 面積の二重バー

なぜこの図か: 件数と面積でクラス別の支配度合いが逆転することを 明示する。「Pareto = 少数の巨大が大半を占める」典型例。

図8: 規模クラス別 件数 (左) と 面積 (右) の対比 ─ 件数では中規模が多数派、面積では巨大が支配。

この図から読み取れること

• 件数最頻クラスと面積最大クラスの不一致: 区域外を「個数で数える」のと 「面積で測る」のでは見え方が真逆。
• 研究上の含意: 「区域外が多い市町」を件数で評価すると都市市町が上位に来るが、 面積で評価すると中山間市町が上位に来る。同じデータでも指標選択で結論が変わる。

7. 分析4: 広島市内 区別構造 (CITY_CD 8 区の復元)

狙い

広島市 (788) は 1 個の dataset_id で 8 区分を含む特殊な dataset。 CITY_CD 列を辞書 (101-108 → 中区/東区/...) で復元すれば、 同じ市内での区域外分布が分析できる。仮説 H5 (都心区は区域外 0, 北部編入区が本体) を検証する。

手法 — CITY_CD によるサブグループ復元

1. 広島市 (src_city == "広島市") のサブセットを抽出
2. CITY_CD を辞書で区名に置換
3. 区別の n_poly, area_km2_sum を集計
4. 各区の行政面積 (Wikipedia 値) を結合し区域外比率を計算

「データ列の知恵」: CITY_CD は単なる ID 列に見えるが、 辞書を用意すればサブグループ構造を復元できる。広島市の dataset_id 1 個から 8 個の区別データを抽出する技法は、L24/L25 でも応用可能 (どちらも CITY_CD に 広島市の区コードが混在)。

実装

↑ L26_outside_planning_zones.py 行 159–220

 1
 2
 3
 4
 5
 6
 7
 8
 9
168
169
170
171
172
173
174
175
176
177
178

HIROSHIMA_WARDS = {
    101: "中区",      102: "東区",      103: "南区",
    104: "西区",      105: "安佐南区",  106: "安佐北区",
    107: "安芸区",    108: "佐伯区",
}

hcity = outside[outside["src_city"] == "広島市"].copy()
hcity["ward"] = hcity["CITY_CD"].map(HIROSHIMA_WARDS)

ward_agg = hcity.groupby("ward").agg(
    n_poly=("geom_area_km2", "size"),
    area_km2_sum=("geom_area_km2", "sum"),
    area_km2_max=("geom_area_km2", "max"),
).reset_index()

# 区面積参考値で比率
HIROSHIMA_WARD_AREA = {{"中区":15.32, ..., "佐伯区":225.21}}
ward_agg["ward_area_km2"] = ward_agg["ward"].map(HIROSHIMA_WARD_AREA)
ward_agg["out_ratio_pct"] = (ward_agg["area_km2_sum"]
                              / ward_agg["ward_area_km2"] * 100).round(2)

結果: 広島市内区別表 (table 4)

この表から読み取れること

• 東区はほぼ完全に区域内 (区域外比率 0.06%)。広島駅東隣の住宅市街地が広がる中心区。
• 意外な発見: 中区・南区・西区も区域外を持つ。中区 20%, 南区 61%, 西区 33%。 これは「都心区も離島部分を抱える」ためで、南区の似島 (にのしま)、 中区の元宇品近辺等の沿岸島嶼部が区域外として含まれる。 「都心は 100% 区域内」という素朴な仮説は島嶼部によって部分修正される。
• 安佐北区 (旧高陽町・安佐町等を編入した北部) が区域外面積最大の 256 km²。 広島市の中山間部の本体。
• 佐伯区 (旧湯来町等) も162 km² で巨大。安佐南区・安芸区はやや小さい。 合併で編入された旧町村部に区域外が集中するパターン ─ H5 の主旨は支持されつつ、「離島部分」という追加の構造も発見された。

図 5: 広島市 区別 区域外マップ + 区別バー

なぜこの図か: 区別の地理分布 (左マップ) と数値順位 (右バー) を 1 枚で並べることで、「どこに」「どれだけ」を同時に把握できる。

図5: 広島市 区別 区域外分布 ─ 都心区 (中区等) は区域外0, 北部の安佐北区・佐伯区が本体。

この図から読み取れること

• マップ (左): 都心 4 区 (灰色) → 北部の安佐北区・安佐南区・佐伯区 (緑) という都心⇒周縁の同心円構造。
• バー (右): 安佐北区が圧倒的、佐伯区が次点。安芸区・安佐南区は小さい。中区・東区・南区・西区は 0 km²。
• 政令指定都市は内部に「都市」と「中山間」の両方を抱える ─ 広島市は単一行政体だが地理的には南北で別の地域とも言える。

8. 分析5: 区域外比率 vs 人口密度 + 区域外無し 3 町の検証

狙い

仮説 H2 「区域外を持たない 3 町は人口密度が高く、ほぼ全域が市街化区域に 近い」を定量検証する。区域外比率 vs 人口密度の散布図に、3 町を 0% 線 で重ねて表示する。

手法 — 散布図 + 比較対照群の重ね描き

1. 17 市町: 横軸 = 人口密度 (千人/km²), 縦軸 = 区域外比率 (%) で散布
2. 地理タイプ (rtype) 別に色分け
3. 区域外無し 3 町 (竹原市・府中町・熊野町) を 区域外比率 = 0 で 赤の x マーカーで追加
4. 横軸は log スケール (人口密度の格差が 100 倍超のため)

実装

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

fig, ax = plt.subplots(figsize=(10, 7))
plot_df = city_agg.dropna(subset=["out_ratio_pct"]).copy()

# 17市町を rtype 色で散布
for rtype, col in RTYPE_COLOR.items():
    sub = plot_df[plot_df["rtype"] == rtype]
    ax.scatter(sub["pop_density"], sub["out_ratio_pct"],
               color=col, s=160, alpha=0.85, edgecolor="black", label=rtype)

# 3 町は区域外=0 で赤 x マーカー追加
for _, r in no_out_df.iterrows():
    ax.scatter(r["pop_density"], 0, marker="x", color="#cc0000",
               s=180, linewidth=2.5)
    ax.annotate(f"{r['city']}\n(区域外無し)",
                 xy=(r["pop_density"], 0), xytext=(6, 4),
                 textcoords="offset points", fontsize=9, color="#cc0000")
ax.set_xscale("log")

図 6: 区域外比率 vs 人口密度

なぜこの図か: 「区域外を持つ/持たない」の二値判定だけでは情報量が少ない。 連続変数 (人口密度) との関係を見ることで、3 町の特異性を相対化できる。

図6: 区域外比率 vs 人口密度 ─ 区域外無し3町は赤x, 17市町は地理タイプ別に色分け。横軸は対数。

この図から読み取れること

• 明確な負の相関: 人口密度が高い市町ほど区域外比率は低い。 都市計画指定の「人口密度に応答する」性質を反映。
• 3 町は予想通り右下に: 府中町・熊野町は人口密度がトップクラスで 区域外無し。竹原市は中位だが区域外無し ─ 沿岸都市での特異。
• 逆に、北広島町・世羅町・庄原市・三次市・安芸高田市は左上の 「低密度 + 高区域外比率」象限。中山間の典型。

結果: 区域外無し 3 町補助テーブル (table 5)

この表から読み取れること

• 府中町は 人口密度 5 千人/km² 級で広島県でもトップクラス。 全域住宅団地化された町。
• 熊野町・竹原市はやや低いが、それでも県平均よりは高い。
• 「区域外無し = 都市計画法的にコンパクトな町」という構造が浮かぶ。 L23 (DID) の概念と重ねれば、町全域が DID + 市街化区域に近いと推測できる。

結果: 地理タイプ別集計 (table 6)

この表から読み取れること

• 中山間タイプの平均区域外比率は 80% 超 (H1 が支持される根拠)。
• 都市タイプは 30-50% 程度で、面積の半分は区域外という意外な実態。 広島市でさえ多くの北部編入区が区域外。
• 近郊町は数 % で、3 町と合わせて「ほぼ完全市街化」象限を構成。

9. 分析6: small multiples と県土分解 (整合性最終検証)

狙い

20 市町 (= 17 + 3 比較対照) を 4×5 グリッドの small multiples で並べ、 各市町の都市計画区域内 (青) と 区域外 (緑) の地理パターンを一覧する。 その上で、県全体での区域外 + 区域内 + 残差 の分解を 1 本のスタックバーで示す。

手法 — small multiples + 残差バー

1. plt.subplots(4, 5) で 20 パネル
2. 各パネル: admin_diss (灰), l16_diss (青), outside (緑) を順に重ね描き
3. 区域外無し 3 町は青のみ (区域外フラグなしを赤い見出しで強調)
4. 県土合計 (admin) を 100% として 区域外+区域内+残差 のスタック

実装

↑ L26_outside_planning_zones.py 行 542–589

 1
 2
 3
 4
 5
 6
 7
 8
 9
551
552
553
554
555
556
557
558
559
560
561
562

fig, axes = plt.subplots(4, 5, figsize=(15, 12))
axes = axes.flatten()
for i, (dsid, name, ctype, rtype) in enumerate(CITY_DEFS):
    ax = axes[i]
    sub_admin = admin_diss[admin_diss["city"] == name]
    sub_in = l16_diss[l16_diss["city"] == name]
    sub_out = outside[outside["src_city"] == name]
    sub_admin.plot(ax=ax, facecolor="#f5f5f5", edgecolor="#666", linewidth=0.6)
    sub_in.plot(ax=ax, facecolor="#3b82f6", edgecolor="none", alpha=0.55)
    sub_out.plot(ax=ax, facecolor="#16a34a", edgecolor="none", alpha=0.7)
    ax.set_title(f"{{name}} ({{rtype}})", fontsize=10)

# 区域外無し 3 町は青のみ
for j, (name, _adm, ctype, rtype) in enumerate(NO_OUTSIDE_CITIES):
    ax = axes[17 + j]
    admin_diss[admin_diss["city"]==name].plot(ax=ax, facecolor="#f5f5f5",
                                              edgecolor="#666", linewidth=0.6)
    l16_diss[l16_diss["city"]==name].plot(ax=ax, facecolor="#3b82f6",
                                          edgecolor="none", alpha=0.7)
    ax.set_title(f"{{name}} ({{rtype}})\n区域外 0% (全域指定)",
                 color="#cc0000")

図 4: 20 市町 small multiples

なぜこの図か: 20 市町の地理パターンを同一スケールで並べて 比較するのに small multiples は最も誠実な可視化。読者は「ある市町と別の市町を 直接視覚的に比較」できる。

図4: 20 市町 small multiples ─ 緑=区域外, 青=区域内, 赤見出し=区域外を持たない3町。

この図から読み取れること

• 3 群の構造: (a) 中山間市町 = ほぼ緑一色 (三次・庄原・北広島町・世羅町・安芸高田)、 (b) 都市市町 = 青と緑の混在 (広島市・呉市・福山市等)、 (c) 近郊町・3 町 = ほぼ青一色 (海田・坂・府中町・熊野町・竹原市)。
• 同じ「市」でも地理パターンは別物: 広島市 (都心+山地)、 庄原市 (中山間ほぼ全域)、廿日市市 (北部山地+南部都市) は同じ「市」でも 全く異なる地理を持つ。「市町タイプ」の単純分類では捉えきれない。
• 赤見出しの 3 町は緑が完全に消えている ─ データの不在が 視覚的な異常パターンを生む。

図 10: 県土の分解 — 区域外 + 区域内 + 残差

なぜこの図か: 「県土全体を 100% としたとき、L26 と L16 の合計はいくらか? 残差はどれくらいか?」を 1 本のバーで示すことで、整合性とデータ品質を 最終確認できる。

図10: 県土 7,826 km² の構成 ─ 区域外 (緑) + 区域内 (青) + 残差 (赤)。

この図から読み取れること

• 区域外 + 区域内 ≈ 行政面積 ─ 残差は数 km² 程度に収まり、 境界処理の誤差程度。L15+L16+L26 の整合性は高い。
• 緑 (区域外) が県土の約 69% を占め、 青 (区域内) は約 31%。 「広島県の地理本体は『区域外』」という見立てが定量化された (H1 強支持)。
• 残差 ≈ 0 から、L15 ⊃ L16 ∪ L26 がほぼ完全な排他的分割を 形成していることが分かる ─ DoBoX 内のシリーズ整合性は良質。

図 9: 整合性検証 — 17 市町和 vs 県全域版

なぜこの図か: 仮説 H4 「17市町和 = 県全域 ds=924」を直接検証する。 1 枚の単純バーが最も雄弁。

図9: 県全域 ds=924 vs 17 市町別合計 ─ 差 0.000 km² (0.01%未満)。

この図から読み取れること

• 2 つのバーは視覚的に区別不能なほど一致 ─ DoBoX 配信の整合性は完璧。
• 件数も 142 vs 142 で一致。 ds=924 県全域版は 17 市町別ファイルを単純結合したものと確信できる。
• 研究上の含意: 「同じデータが 2 種類の API で配信されているとき、 両者の整合性を必ず検証する」という基本動作の見本。

10. 仮説検証と考察

仮説 vs 結果 一覧表

主要発見

1. 広島県の地理本体は「区域外」である: 県土 7,826 km² のうち 区域外が約 69% (約 5,432 km²) を占める。 都市計画法は県の地理の「都市部だけ」を網に被せる仕組みであり、 県の大半は「網の外」。これは都市計画教育の重要な前提。
2. 3 種の地理パターン: (a) ほぼ全域が区域外 (中山間 7 市町)、 (b) 区域内+区域外混在 (都市市町)、(c) ほぼ全域が区域内 (近郊町 + 3 町)。 地理タイプは強い説明変数。
3. 連続性の二極化: 中山間市町は「1 個の巨大連続区域外」、 都市市町は「多数の小ポリゴン」。同じ概念 (区域外) でも地理形態は別物。
4. 広島市内の南北対比: 政令指定都市の内部にも都心 vs 周縁の構造があり、 都心 4 区は区域外 0、北部編入区が本体。 「市」という単位の中に「市」と「中山間」が同居。
5. 整合性の良さ: 17 市町和 = 県全域版 で件数・面積とも 0.01% 未満の誤差。 L15 + L16 + L26 もほぼ完全な排他的分割。DoBoX のシリーズ整合性は高品質。
6. 列の縮約という仕様: L26 は L24/L25 と比べて KUIKI_CD・NRG_AN・ RITTEKI_CD が無く、列構造が最小。これは「区域外 = 区域分類が無い」 という概念の自然な反映であり、「データの不在も意味」を持つ事例。
7. 区域外無し 3 町の発見: 竹原市・府中町・熊野町は L26 シリーズに dataset_id 自体がない。これは「100% 区域内 = 全域市街化的に運用」を 意味する稀有な町。広島市近郊の住宅団地町という実態と整合。

考察 — 都市計画と中山間の境界

本記事の結果から、広島県の都市計画は「点と線」の構造を持つことが明確になった:

• 点: 沿岸都市 (広島・呉・福山等) と内陸の合併市 (東広島・廿日市・ 三原・尾道) を中心とする都市計画区域 = 限定的な「網」
• 線: 主要街道沿いに小規模な区域指定が線状に伸びる例 (大竹市・府中市等で確認できる)
• 面 (大半): 残りの広大な「区域外」 = 中山間地域。 この面が県土の大部分を占める。

この構造は、都市計画法 (1968 年) が「都市」を念頭に作られた法律 であることを反映している。中山間地域は都市計画の対象外として、 別の枠組み (農業振興地域整備法、森林法、国土利用計画法等) で運用される。 本研究の「区域外こそ広島県の地理本体」という見立ては、 都市計画教育に対する1 つのカウンターとして機能する。

11. 発展課題 — 結果から導かれる新たな問い

発展課題 1: 区域外 × 中山間人口減少 のマップ化 (結果X→新仮説Y→課題Z)

• 結果X: 中山間 7 市町は区域外比率 80%超で、人口密度は平均 0.07 千人/km²。 都市計画区域外で人口減少が最も激しい地域に概ね一致する。
• 新仮説Y: 「区域外比率が高い市町ほど、過去 20 年の人口減少率が高い」。 都市計画法の網の外は規制的サポートが少なく、 人口流出を加速させる構造的要因の 1 つ。
• 課題Z: 国勢調査の 2000 年 / 2020 年市町別人口を結合し、 減少率 (%) と区域外比率の散布図 + 回帰直線を引く。 L22 (人口ピラミッド) シリーズやe-Statから 取得すれば実装可能。

発展課題 2: 区域外内部の標高・傾斜・土地利用分析

• 結果X: 区域外は「中山間=山地」が多いが、本記事ではその地形特性は分析していない。
• 新仮説Y: 「区域外ポリゴンの平均標高は 200m 以上、平均傾斜は 15 度以上」。 地形が険しい場所ほど都市計画から外される。
• 課題Z: 国土地理院の 5m メッシュ DEM を rasterio で読込み、 142 ポリゴンに対し rasterstats.zonal_stats で 平均標高・平均傾斜を集計。区域内 (L16) と比較し、地形格差を定量化。

発展課題 3: 区域外とL24 農地転用の重なり分析

• 結果X: L24 の農地転用ポリゴンは 13,749 件で、その多くは農地である。 本記事の区域外 (= 都市計画外 = 中山間 + 農地) と地理的に近接する可能性がある。
• 新仮説Y: 「都市計画区域外で発生する農地転用は、 L26 ポリゴンの境界付近に集中する」 ─ 境界=都市⇔中山間の遷移帯で土地利用転換が活発。
• 課題Z: 区域外ポリゴンを buffer(-500m) と buffer(+500m) で 内側・外側の帯状領域に切り分け、L24 ポリゴンとの重なり面積を比較。 遷移帯仮説を検証する。