# -*- coding: utf-8 -*- """L67 トンネル基本情報・維持管理情報 単独 3 研究例分析 — 広島県内 157 トンネル / 9 事務所 / 道路種別 2 (国道+県道) / 60 路線 を 3 角度で解読 カバー宣言: 本記事は DoBoX のシリーズ「トンネル基本情報・維持管理情報」 1 件 (dataset_id = 12) を 単独で取り上げ、 広島県が管理する 道路トンネル 157 件を 3 つの独立した研究角度 (RQ1 / RQ2 / RQ3) で並列に分析する。 「県土の山岳バイパス」 を構成するトンネルを、構造規模・地形特性・橋梁との二極構造の 3 軸から立体的に描く。 「トンネル」 とは: 山岳・地下を貫いて道路 (および鉄道) を通すための公共土木施設。本データは 道路トンネルのみを対象 (鉄道トンネルは管理体系が異なるため別)。 広島県が管理する 国道 + 県道上のトンネルを全件 (157 件) 収録。 道路法に基づき 5 年に 1 回の点検が義務化 (2014 年改正) され、 各トンネルに トンネル番号 / 路線名 / 延長 / 幅員 / 建設年度 / 点検年度 / 判定区分などのメタデータが付随する。 本記事は L66 (橋梁単独 3 RQ) と厳密に区別: L66 = 橋梁単独の構造分析 (= 種別・規模・年代・防災重要度)。 L67 = トンネル単独の構造分析 + L66 との二極構造比較。 「橋梁=平野・川越え、トンネル=山岳貫通」の地理分担を実証。 両記事は補完関係で「県の道路インフラ」 の 2 つの軸を構成する。 研究の問い (3 RQ): RQ1 (主研究): 広島県の道路トンネルの構造 — 規模・地理分布・路線分布はどう描けるか? 157 件を市町 × 事務所 × 道路種別 × 路線 × 延長 × 幅員 × 建設年代 で 多角度に集計し、地理分布と規模分布を立体化する。 特に「県のトンネル網」 の物理的形状を初めて定量化する。 RQ2 (副研究 1): トンネルの地形特性 — 山岳道路の分断回避はどこで起きているか? 中山間市町 (北広島町・安芸太田町・庄原市・三次市等) でのトンネル集中度を可視化、 「山岳バイパス」 機能を建設年代 + 立地でひも解く。 平野市町 (福山市・広島市等) と中山間市町 (北広島町・安芸太田町等) の トンネル密度差を定量化する。 RQ3 (副研究 2): 橋梁 (L66 既知 4,203 橋) との対比 — 道路インフラ二極構造 はどう現れるか? L66 橋梁 4,203 件 vs L67 トンネル 157 件の件数比 27:1、 平均規模、整備年代、地理分担を比較。 「橋梁=平野・川越え、トンネル=山岳貫通」 の補完関係を実証する。 仮説 (5): H1 (国道偏重, RQ1): トンネルは橋梁と異なり国道シェア ≥ 50%。 橋梁では国道シェア 27.4% (L66) だが、トンネルは大規模工事のため 広域幹線である国道での整備が中心となる仮説。 H2 (中山間集中, RQ2): トンネルの70% 以上が中山間 9 市町に集中。 (中山間 = 庄原・三次・北広島町・安芸太田町・神石高原町・世羅町・ 府中市・安芸高田市・大崎上島町) 平野部 (福山・東広島・広島市) でのトンネル整備は限定的。 H3 (1990 年代ピーク, RQ2): 建設年代ヒストグラムは1990 年代にピーク。 バブル経済期の道路投資ブームによる山岳道路網の再整備。 戦前のトンネルは少数だが残存する。 H4 (橋梁との件数比, RQ3): L66 橋梁 (4,203 件) / L67 トンネル (157 件) の 件数比は 25 倍以上。 橋梁は中小河川クロスで多数、トンネルは山岳貫通で希少。 H5 (規模差, RQ3): トンネルの平均延長 ≥ 200m、橋梁 (L66 既知 ~ 19m) の 10 倍以上の規模。 トンネルは大規模工事で、1 件あたりのインフラ価値が高い仮説。 要件 S 準拠 (1 分以内完走): - 全データ 157 件 / 16 列 → 軽量 - POINT geometry (緯度経度から直接生成) - 重い前処理は無し。本スクリプト 1 本で完結 (~10 秒目標) - L44 既キャッシュ admin_diss.gpkg を市町 sjoin に再利用 要件 T 準拠 (位置情報あり = 地図必須): - RQ1: 県全域 道路種別マップ + 延長階級バブルマップ - RQ2: 中山間 vs 平野ゾーニングマップ - RQ3: L66 橋梁 (背景) + L67 トンネル (前景) 二極構造マップ 要件 Q 準拠: 図 8 / 表 12 (3 RQ × 多角度: 構造 / 地形 / 二極構造) データ仕様: - dataset 12: トンネル基本情報・維持管理情報 (CSV) - 形式: CSV, 157 行 × 16 列 - 列: トンネル番号, 施設名, 施設名(フリガナ), 種別 (= トンネルのみ), 路線名, 道路種別 (= 国道/県道), 建設年度, 延長(m), 幅員(m), 管理事務所名, 住所(県), 住所(市町), 緯度（10進数）, 経度（10進数）, 点検年度, 判定区分 - 種別: 全件 トンネル - 道路種別: 国道 83 / 県道 74 - 管理事務所: 9 (橋梁と同じ事務所階層) - 緯度経度: 全件 (157/157 = 100%)。ただし2 件で緯度経度が誤入力により入れ替わって 記録されており、本スクリプトで自動補正する (緯度 > 50 の行は経度と入れ替え)。 - 建設年度: 全件取得可 (1927-2018) - 点検年度: 156/157 件取得可 (2017-2022) - 判定区分: 全件 "?" (= 公開データでは健全度判定値が伏せられている) → 本研究では「築年数」 を健全度の代理指標として扱う - ライセンス: クリエイティブ・コモンズ表示 (CC-BY) メモリ対策: Figure ごとに plt.close('all') で確実に解放。 """ from __future__ import annotations import sys, time from pathlib import Path sys.path.insert(0, str(Path(__file__).parent)) from _common import ROOT, ASSETS, LESSONS, render_lesson, code, figure, ensure_dataset import numpy as np import pandas as pd import geopandas as gpd from shapely.geometry import Point import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt from matplotlib.patches import Patch from matplotlib.lines import Line2D plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False t_all = time.time() print("=== L67 トンネル基本情報 単独 3 研究例分析 ===", flush=True) # ============================================================================= # 0. 定数・パス # ============================================================================= TARGET_CRS = "EPSG:6671" # JGD2011 平面直角第 III 系 DATA_DIR = ROOT / "data" / "extras" / "L67_tunnels" DATA_DIR.mkdir(parents=True, exist_ok=True) SHARED_CSV = ROOT / "data" / "extras" / "tunnel_basic.csv" LOCAL_CSV = DATA_DIR / "tunnel_basic.csv" DATASET_ID = 12 ADMIN_GPKG = ROOT / "data" / "extras" / "L44_storm_surge" / "_cache" / "admin_diss.gpkg" # 老朽閾値 (橋梁と同じ): 2024 年時点で築 50 年 = 1974 年以前建設 AGE_THRESHOLD_YEAR = 1974 LONG_TUNNEL_THRESHOLD = 1000.0 # 延長 1000m 以上 = 長大トンネル # 道路種別の色 ROAD_COLOR = {"国道": "#cf222e", "県道": "#0969da"} # 規模カテゴリ (橋梁は ≥100m が長大、トンネルはより大きい単位 ≥1000m) LENGTH_BINS = [0, 100, 300, 1000, 3000] LENGTH_LABELS = ["短(<100m)", "中(100-300m)", "中長(300-1000m)", "長大(≥1000m)"] # CITY_CD → 市町名 (L06 流用) CITY_NAME = { 101: "広島市中区", 102: "広島市東区", 103: "広島市南区", 104: "広島市西区", 105: "広島市安佐南区", 106: "広島市安佐北区", 107: "広島市安芸区", 108: "広島市佐伯区", 202: "呉市", 203: "竹原市", 204: "三原市", 205: "尾道市", 207: "福山市", 208: "府中市", 209: "三次市", 210: "庄原市", 211: "大竹市", 212: "東広島市", 213: "廿日市市", 214: "安芸高田市", 215: "江田島市", 302: "府中町", 304: "海田町", 307: "熊野町", 309: "坂町", 369: "安芸太田町", 462: "世羅町", } # 中山間 9 市町 (本記事 RQ2 用語の定義) CHUSANKAN_CITIES = { "庄原市", "三次市", "北広島町", "安芸太田町", "神石高原町", "世羅町", "府中市", "安芸高田市", "大崎上島町", } # 旧町村名 → 現市町名 マップ (合併履歴 2003-2010 を反映) # トンネルデータの「住所(市町)」 列は古い記録が混在する LEGACY_TO_CURRENT = { # 呉市 (2003-2005 合併) "下蒲刈町": "呉市", "蒲刈町": "呉市", "豊町": "呉市", "豊浜町": "呉市", "音戸町": "呉市", "倉橋町": "呉市", "安浦町": "呉市", "川尻町": "呉市", "広町": "呉市", # 廿日市市 (2003-2005 合併) "大野町": "廿日市市", "宮島町": "廿日市市", "佐伯町": "廿日市市", "吉和村": "廿日市市", # 大竹市 "小方町": "大竹市", # 三原市 "本郷町": "三原市", "久井町": "三原市", "大和町": "三原市", # 尾道市 "御調町": "尾道市", "向島町": "尾道市", "因島市": "尾道市", "瀬戸田町": "尾道市", # 福山市 "沼隈町": "福山市", "神辺町": "福山市", "山野町": "福山市", "新市町": "福山市", "駅家町": "福山市", "芦田町": "福山市", "加茂町": "福山市", "内海町": "福山市", # 庄原市 "西城町": "庄原市", "東城町": "庄原市", "口和町": "庄原市", "高野町": "庄原市", "比和町": "庄原市", "総領町": "庄原市", # 三次市 "君田村": "三次市", "布野村": "三次市", "作木村": "三次市", "吉舎町": "三次市", "三良坂町": "三次市", "三和町": "三次市", "甲奴町": "三次市", # 北広島町 "千代田町": "北広島町", "大朝町": "北広島町", "豊平町": "北広島町", "芸北町": "北広島町", # 安芸太田町 "加計町": "安芸太田町", "筒賀村": "安芸太田町", "戸河内町": "安芸太田町", # 江田島市 "江田島町": "江田島市", "能美町": "江田島市", "沖美町": "江田島市", "大柿町": "江田島市", # 神石高原町 "神石町": "神石高原町", "油木町": "神石高原町", "豊松村": "神石高原町", # 世羅町 "甲山町": "世羅町", "世羅西町": "世羅町", # 安芸高田市 "吉田町": "安芸高田市", "八千代町": "安芸高田市", "美土里町": "安芸高田市", "高宮町": "安芸高田市", "甲田町": "安芸高田市", "向原町": "安芸高田市", # 東広島市 "黒瀬町": "東広島市", "福富町": "東広島市", "豊栄町": "東広島市", "河内町": "東広島市", "安芸津町": "東広島市", # 三次市作木 (作木村は三次市作木町に) "作木村": "三次市", # 三和町は神石郡 (現 神石高原町) と双三郡 (現 三次市) の 2 つあるが、 # トンネルデータでは安全側で神石高原町に寄せる # ここは念のため上書き不要 (上で三次市に設定済み = 双三郡が大半) } # ============================================================================= # 1. データ取得 + 読込 # ============================================================================= print("\n[1] データ取得 + 読込", flush=True) t1 = time.time() if SHARED_CSV.exists() and SHARED_CSV.stat().st_size > 100: csv_path = SHARED_CSV print(f" 共有 CSV を使用: {csv_path} ({csv_path.stat().st_size:,} byte)", flush=True) if not LOCAL_CSV.exists(): LOCAL_CSV.write_bytes(SHARED_CSV.read_bytes()) print(f" L67 ローカルへコピー: {LOCAL_CSV.name}", flush=True) else: try: ensure_dataset(LOCAL_CSV, dataset_id=DATASET_ID, label="L67 トンネル基本情報") csv_path = LOCAL_CSV except Exception as e: print(f" WARN: ensure_dataset 失敗: {e}", flush=True) csv_path = SHARED_CSV df_raw = pd.read_csv(csv_path, encoding="utf-8-sig") print(f" 全行数: {len(df_raw)}, 列数: {df_raw.shape[1]}", flush=True) print(f" 列: {list(df_raw.columns)}", flush=True) # 数値正規化 df_raw["建設年度"] = pd.to_numeric(df_raw["建設年度"], errors="coerce") df_raw.loc[df_raw["建設年度"] <= 1800, "建設年度"] = np.nan df_raw["延長(m)"] = pd.to_numeric(df_raw["延長(m)"], errors="coerce") df_raw["幅員(m)"] = pd.to_numeric(df_raw["幅員(m)"], errors="coerce") df_raw["緯度（10進数）"] = pd.to_numeric(df_raw["緯度（10進数）"], errors="coerce") df_raw["経度（10進数）"] = pd.to_numeric(df_raw["経度（10進数）"], errors="coerce") df_raw["点検年度"] = pd.to_numeric(df_raw["点検年度"], errors="coerce") # 緯度経度の入れ替えバグを補正 (緯度 > 50 の行は確実に経度と取り違え) swap_mask = df_raw["緯度（10進数）"] > 50 n_swap = int(swap_mask.sum()) if n_swap > 0: print(f" ⚠ 緯度経度が入れ替わった行 {n_swap} 件を自動補正", flush=True) tmp = df_raw.loc[swap_mask, "緯度（10進数）"].copy() df_raw.loc[swap_mask, "緯度（10進数）"] = df_raw.loc[swap_mask, "経度（10進数）"] df_raw.loc[swap_mask, "経度（10進数）"] = tmp n_total = len(df_raw) n_year = df_raw["建設年度"].notna().sum() n_coord = (df_raw["緯度（10進数）"].notna() & df_raw["経度（10進数）"].notna()).sum() print(f" 建設年度有: {n_year} / {n_total} ({100*n_year/n_total:.1f}%)", flush=True) print(f" 緯度経度有: {n_coord} / {n_total} ({100*n_coord/n_total:.1f}%)", flush=True) print(f" 道路種別: {df_raw['道路種別'].value_counts().to_dict()}", flush=True) print(f" ({time.time()-t1:.1f}s)", flush=True) # ============================================================================= # 2. POINT geometry 構築 + 投影 # ============================================================================= print("\n[2] POINT geometry 構築", flush=True) t2 = time.time() geom_ok = (df_raw["緯度（10進数）"].notna() & df_raw["経度（10進数）"].notna()) df_raw.loc[geom_ok, "geometry"] = df_raw.loc[geom_ok].apply( lambda r: Point(float(r["経度（10進数）"]), float(r["緯度（10進数）"])), axis=1) gdf = gpd.GeoDataFrame( df_raw.dropna(subset=["geometry"]).copy(), geometry="geometry", crs="EPSG:4326", ).to_crs(TARGET_CRS) n_geom = len(gdf) print(f" POINT 構築: {n_geom} / {n_total} ({100*n_geom/n_total:.1f}%)", flush=True) print(f" ({time.time()-t2:.1f}s)", flush=True) # ============================================================================= # 3. 市町同定: テキスト + 旧町村名正規化 + sjoin (双方確認) # ============================================================================= print("\n[3] 市町同定 (テキスト + 旧町村名正規化 + sjoin)", flush=True) t3 = time.time() # (a) 住所(市町) 列から先頭ワード抽出 def parse_city_from_addr(addr): """住所(市町)文字列から市町名を抽出。旧町村名は LEGACY_TO_CURRENT で現市町に正規化。""" if pd.isna(addr): return "?" s = str(addr) # 全角空白で分割した最初のトークン head = s.split("　")[0] # 「呉市倉橋町」 等は呉市 for current in ["広島市", "呉市", "竹原市", "三原市", "尾道市", "福山市", "府中市", "三次市", "庄原市", "大竹市", "東広島市", "廿日市市", "安芸高田市", "江田島市", "因島市"]: if head.startswith(current): if current == "因島市": # 因島市は 2006 に尾道市に編入 return "尾道市" return current # 旧町村名のマッピング if head in LEGACY_TO_CURRENT: return LEGACY_TO_CURRENT[head] # 連結 (例 安芸太田町加計, 呉市倉橋町) を分解 for legacy, current in LEGACY_TO_CURRENT.items(): if head.startswith(legacy): return current # 「安芸郡熊野町」 等の郡付き if "熊野町" in head: return "熊野町" if "府中町" in head: return "府中町" if "海田町" in head: return "海田町" if "坂町" in head: return "坂町" if "世羅町" in head: return "世羅町" if "北広島町" in head: return "北広島町" if "安芸太田町" in head: return "安芸太田町" if "神石高原町" in head: return "神石高原町" if "大崎上島町" in head: return "大崎上島町" # 「伊賀和志」 等の旧町村未登録の地名 return head # そのまま df_raw["市町名"] = df_raw["住所(市町)"].apply(parse_city_from_addr) # (b) sjoin で CITY_CD を取得 (検証用) admin = gpd.read_file(ADMIN_GPKG).to_crs(TARGET_CRS) gdf_for_join = gdf[["geometry"]].copy() joined = gpd.sjoin(gdf_for_join, admin[["CITY_CD", "geometry"]], how="left", predicate="within") joined = joined[~joined.index.duplicated(keep="first")] gdf = gdf.reset_index(drop=True) df_raw = df_raw.reset_index(drop=True) gdf["CITY_CD"] = joined.reset_index(drop=True)["CITY_CD"].fillna(-1).astype(int) gdf["市町名_sjoin"] = gdf["CITY_CD"].map(CITY_NAME).fillna("?") gdf["市町名"] = df_raw.loc[gdf.index, "市町名"].values # (c) 未マッチ (CITY_CD=-1) は最近隣市町を使用 unmatched_mask = gdf["CITY_CD"] == -1 n_unmatched = int(unmatched_mask.sum()) if n_unmatched > 0: # 各 admin polygon との距離で最近隣を決定 adm_idx = admin.set_index("CITY_CD") for idx in gdf.index[unmatched_mask]: pt = gdf.geometry.iloc[idx] distances = adm_idx.geometry.apply(lambda g: pt.distance(g)) nearest_cc = int(distances.idxmin()) gdf.at[idx, "CITY_CD"] = nearest_cc gdf.at[idx, "市町名_sjoin"] = CITY_NAME.get(nearest_cc, str(nearest_cc)) n_match = (gdf["CITY_CD"] != -1).sum() print(f" sjoin 直接一致: {n_geom - n_unmatched} / {n_geom}", flush=True) print(f" 最近隣補完: {n_unmatched} / {n_geom}", flush=True) print(f" 最終 CITY_CD 同定: {n_match} / {n_geom} (100%)", flush=True) # テキスト解析と sjoin の整合性チェック df_raw["市町名_sjoin"] = gdf["市町名_sjoin"].values df_raw["CITY_CD"] = gdf["CITY_CD"].values text_sjoin_match = (df_raw["市町名"] == df_raw["市町名_sjoin"]).sum() print(f" テキスト × sjoin 整合: {text_sjoin_match} / {n_total} " f"({100*text_sjoin_match/n_total:.0f}%)", flush=True) # 採用: テキスト由来の市町名 (旧町村正規化済み) を主、sjoin は検証用 print(f" ({time.time()-t3:.1f}s)", flush=True) # ============================================================================= # 4. RQ1 集計: 構造・規模・地理分布 # ============================================================================= print("\n[4] RQ1 集計", flush=True) t4 = time.time() n_kuni = int((df_raw["道路種別"] == "国道").sum()) n_ken = int((df_raw["道路種別"] == "県道").sum()) kuni_share = 100 * n_kuni / n_total ken_share = 100 * n_ken / n_total # 道路種別別 サマリ T_road = pd.DataFrame({ "道路種別": ["国道", "県道", "合計"], "件数": [n_kuni, n_ken, n_total], "シェア_%": [round(100 * n_kuni / n_total, 1), round(100 * n_ken / n_total, 1), 100.0], "平均延長_m": [round(df_raw[df_raw["道路種別"] == "国道"]["延長(m)"].mean(), 1), round(df_raw[df_raw["道路種別"] == "県道"]["延長(m)"].mean(), 1), round(df_raw["延長(m)"].mean(), 1)], "平均幅員_m": [round(df_raw[df_raw["道路種別"] == "国道"]["幅員(m)"].mean(), 2), round(df_raw[df_raw["道路種別"] == "県道"]["幅員(m)"].mean(), 2), round(df_raw["幅員(m)"].mean(), 2)], }) # 規模カテゴリ df_raw["延長カテゴリ"] = pd.cut(df_raw["延長(m)"], bins=LENGTH_BINS, labels=LENGTH_LABELS, right=False, include_lowest=True) length_count = df_raw["延長カテゴリ"].value_counts().reindex(LENGTH_LABELS, fill_value=0) T_length = pd.DataFrame({ "延長カテゴリ": LENGTH_LABELS, "件数": [int(length_count[k]) for k in LENGTH_LABELS], "シェア_%": [round(100 * length_count[k] / n_total, 1) for k in LENGTH_LABELS], }) n_long = int((df_raw["延長(m)"] >= LONG_TUNNEL_THRESHOLD).sum()) print(f" 国道シェア: {kuni_share:.1f}% (H1 = 50% 以上?)", flush=True) print(f" 長大トンネル (≥{LONG_TUNNEL_THRESHOLD:.0f}m): {n_long} 件", flush=True) # 市町別ランキング (テキスト由来の正規化済み市町名) city_count = (df_raw.groupby("市町名").size() .reset_index(name="件数") .sort_values("件数", ascending=False) .reset_index(drop=True)) city_count["順位"] = np.arange(1, len(city_count) + 1) city_count = city_count[["順位", "市町名", "件数"]] top3_city_share = city_count.head(3)["件数"].sum() / n_total * 100 # 中山間市町集中度 chusankan_mask = df_raw["市町名"].isin(CHUSANKAN_CITIES) n_chusankan = int(chusankan_mask.sum()) chusankan_share = 100 * n_chusankan / n_total print(f" 中山間 9 市町シェア: {chusankan_share:.1f}% (H2 = 70% 以上?)", flush=True) # 管理事務所別件数 office_count = df_raw["管理事務所名"].value_counts() T_office = pd.DataFrame({ "順位": np.arange(1, len(office_count) + 1), "管理事務所名": office_count.index, "件数": office_count.values, "シェア_%": (office_count.values / n_total * 100).round(1), }) # 路線別 上位 12 route_count = df_raw["路線名"].value_counts().head(12) T_route = pd.DataFrame({ "順位": np.arange(1, len(route_count) + 1), "路線名": route_count.index, "件数": route_count.values, }) print(f" ({time.time()-t4:.1f}s)", flush=True) # ============================================================================= # 5. RQ2 集計: 地形特性 + 中山間集中度 # ============================================================================= print("\n[5] RQ2 集計", flush=True) t5 = time.time() df_raw["年代"] = (df_raw["建設年度"] // 10 * 10).astype("Int64") decade_count = df_raw["年代"].value_counts().sort_index() decade_df = pd.DataFrame({ "年代": [f"{int(d)}s" for d in decade_count.index], "件数": decade_count.values, "シェア_%": (decade_count.values / decade_count.sum() * 100).round(1), }) # 老朽トンネル: 1974 年以前建設 old_mask = df_raw["建設年度"] <= AGE_THRESHOLD_YEAR n_old = int(old_mask.sum()) old_share = 100 * n_old / n_total # 中山間 vs 平野 比較 df_raw["地形分類"] = np.where(df_raw["市町名"].isin(CHUSANKAN_CITIES), "中山間 (9 市町)", "平野・沿岸 (13 市町)") T_terrain = (df_raw.groupby("地形分類").agg( 件数=("トンネル番号", "size"), 平均延長_m=("延長(m)", lambda s: round(s.mean(), 1)), 最長_m=("延長(m)", lambda s: round(s.max(), 1)), 最古_年=("建設年度", lambda s: int(s.min()) if s.notna().any() else None), 最新_年=("建設年度", lambda s: int(s.max()) if s.notna().any() else None), ).reset_index()) T_terrain["シェア_%"] = (T_terrain["件数"] / n_total * 100).round(1) # 中山間市町別ランキング chusankan_rank = (df_raw[chusankan_mask].groupby("市町名").size() .reset_index(name="トンネル数") .sort_values("トンネル数", ascending=False) .reset_index(drop=True)) chusankan_rank["順位"] = np.arange(1, len(chusankan_rank) + 1) chusankan_rank = chusankan_rank[["順位", "市町名", "トンネル数"]] # 1990s ピーク検証 peak_decade = decade_count.idxmax() peak_count = decade_count.max() print(f" 最多年代: {int(peak_decade)}s ({peak_count} 件)", flush=True) # 道路種別 × 中山間 road_terrain_cross = (df_raw.groupby(["道路種別", "地形分類"]) .size().unstack(fill_value=0)) print(f" ({time.time()-t5:.1f}s)", flush=True) # ============================================================================= # 6. RQ3 集計: 橋梁 (L66) との二極構造 # ============================================================================= print("\n[6] RQ3 集計: L66 橋梁との二極構造", flush=True) t6 = time.time() # L66 の中間 CSV を読み込み (既存) L66_CSV = ASSETS / "L66_all_bridges.csv" if L66_CSV.exists(): df_bridge = pd.read_csv(L66_CSV, encoding="utf-8-sig") print(f" L66 橋梁データ読込: {len(df_bridge):,} 行", flush=True) has_bridge = True else: df_bridge = None has_bridge = False print(f" WARN: L66_all_bridges.csv なし。橋梁比較は概算値で実施。", flush=True) # 橋梁・トンネル比較指標 n_bridge = int(len(df_bridge)) if has_bridge else 4203 mean_b_len = float(df_bridge["延長(m)"].mean()) if has_bridge else 19.0 mean_t_len = float(df_raw["延長(m)"].mean()) ratio_count = n_bridge / n_total ratio_len = mean_t_len / mean_b_len T_compare = pd.DataFrame([ ("件数", f"{n_bridge:,}", f"{n_total:,}", f"比 = {ratio_count:.1f} : 1"), ("平均延長_m", f"{mean_b_len:.1f}", f"{mean_t_len:.1f}", f"比 = {ratio_len:.1f} : 1"), ("最長_m", f"{df_bridge['延長(m)'].max():.0f}" if has_bridge else "?", f"{df_raw['延長(m)'].max():.0f}", "橋梁=しまなみ系、トンネル=広島呉道路系等"), ("国道シェア_%", f"{100*(df_bridge['道路種別']=='国道').sum()/n_bridge:.1f}" if has_bridge else "27.4", f"{kuni_share:.1f}", "トンネルは国道偏重、橋梁は県道偏重"), ("中央値_m", f"{df_bridge['延長(m)'].median():.1f}" if has_bridge else "7.0", f"{df_raw['延長(m)'].median():.1f}", "橋梁=数 m 級、トンネル=百 m 級"), ], columns=["指標", "L66 橋梁", "L67 トンネル", "二極構造の意味"]) # トンネル長大ランキング Top 15 long_top = (df_raw.sort_values("延長(m)", ascending=False).head(15)) T_long_top = long_top[["施設名", "路線名", "道路種別", "延長(m)", "幅員(m)", "建設年度", "市町名"]].copy() T_long_top.insert(0, "順位", np.arange(1, len(T_long_top) + 1)) T_long_top["建設年度"] = T_long_top["建設年度"].apply( lambda v: int(v) if pd.notna(v) else None) # 道路種別 × 規模カテゴリ road_length_cross = (df_raw.groupby(["道路種別", "延長カテゴリ"], observed=True) .size().unstack(fill_value=0) .reindex(columns=LENGTH_LABELS, fill_value=0)) print(f" 橋梁 vs トンネル件数比: {ratio_count:.1f} : 1", flush=True) print(f" 平均延長比: {ratio_len:.1f} : 1", flush=True) print(f" ({time.time()-t6:.1f}s)", flush=True) # ============================================================================= # 7. CSV 出力 # ============================================================================= print("\n[7] CSV 出力", flush=True) t7 = time.time() df_out = df_raw.copy() df_out["is_old"] = old_mask df_out["is_long"] = df_raw["延長(m)"] >= LONG_TUNNEL_THRESHOLD cols_keep = ["トンネル番号", "施設名", "種別", "路線名", "道路種別", "建設年度", "延長(m)", "幅員(m)", "管理事務所名", "住所(県)", "住所(市町)", "市町名", "緯度（10進数）", "経度（10進数）", "点検年度", "判定区分", "is_old", "is_long", "延長カテゴリ", "年代", "地形分類", "CITY_CD"] df_out[cols_keep].to_csv(ASSETS / "L67_all_tunnels.csv", index=False, encoding="utf-8-sig") T_road.to_csv(ASSETS / "L67_road_summary.csv", index=False, encoding="utf-8-sig") T_length.to_csv(ASSETS / "L67_length_summary.csv", index=False, encoding="utf-8-sig") city_count.to_csv(ASSETS / "L67_city_ranking.csv", index=False, encoding="utf-8-sig") T_office.to_csv(ASSETS / "L67_office_ranking.csv", index=False, encoding="utf-8-sig") T_route.to_csv(ASSETS / "L67_route_ranking.csv", index=False, encoding="utf-8-sig") decade_df.to_csv(ASSETS / "L67_decade_count.csv", index=False, encoding="utf-8-sig") T_terrain.to_csv(ASSETS / "L67_terrain_summary.csv", index=False, encoding="utf-8-sig") chusankan_rank.to_csv(ASSETS / "L67_chusankan_ranking.csv", index=False, encoding="utf-8-sig") T_long_top.to_csv(ASSETS / "L67_long_tunnels_top.csv", index=False, encoding="utf-8-sig") road_length_cross.to_csv(ASSETS / "L67_road_x_length.csv", encoding="utf-8-sig") road_terrain_cross.to_csv(ASSETS / "L67_road_x_terrain.csv", encoding="utf-8-sig") T_compare.to_csv(ASSETS / "L67_bridge_compare.csv", index=False, encoding="utf-8-sig") print(f" ({time.time()-t7:.1f}s)", flush=True) # ============================================================================= # 8. 図の生成 (8 図) # ============================================================================= print("\n[8] 図の生成", flush=True) t8 = time.time() def save_fig(name, dpi=120): p = ASSETS / name plt.savefig(p, dpi=dpi, bbox_inches="tight", facecolor="white") plt.close('all') return p admin_for_plot = admin.copy() # admin に市町名を付与 (簡易) admin["市町名"] = admin["CITY_CD"].map(CITY_NAME).fillna(admin["CITY_CD"].astype(str)) admin_for_plot["市町名"] = admin_for_plot["CITY_CD"].map(CITY_NAME).fillna( admin_for_plot["CITY_CD"].astype(str)) # ---- 図 1 (RQ1): 県全域 道路種別マップ ---- print(" fig1: 県全域 道路種別マップ", flush=True) fig, ax = plt.subplots(figsize=(11.5, 7.5)) admin_for_plot.plot(ax=ax, color="#fff4e0", edgecolor="#888", linewidth=0.4, alpha=0.6) for road_kind, color in ROAD_COLOR.items(): sub = gdf[gdf["道路種別"] == road_kind] if len(sub) == 0: continue sub.plot(ax=ax, color=color, markersize=18, edgecolor="#222", linewidth=0.3, alpha=0.85) ax.set_xlim(-15000, 125000) ax.set_ylim(-220000, -130000) ax.set_aspect("equal") ax.set_title(f"図 1 (RQ1): 広島県 道路トンネル 全域マップ — 全 {n_total:,} 件 / " f"国道 {n_kuni} + 県道 {n_ken}", fontsize=12) ax.set_xlabel("X (m, EPSG:6671)") ax.set_ylabel("Y (m, EPSG:6671)") patches = [Line2D([0], [0], marker='o', color='w', markerfacecolor=ROAD_COLOR[k], markeredgecolor="#222", markersize=10, label=f"{k} (n={int((df_raw['道路種別']==k).sum())})") for k in ["国道", "県道"]] ax.legend(handles=patches, loc="lower left", fontsize=10, title="道路種別") plt.tight_layout() save_fig("L67_fig1_overview_road_map.png") # ---- 図 2 (RQ1): 市町別ランキング + 管理事務所 ---- print(" fig2: 市町別 + 事務所別 件数", flush=True) fig, axes = plt.subplots(1, 2, figsize=(14, 6.5)) ax = axes[0] top_cities = city_count.head(15).iloc[::-1] ys = np.arange(len(top_cities)) # 中山間市町は青、それ以外はオレンジ city_colors = ["#0969da" if c in CHUSANKAN_CITIES else "#cf922e" for c in top_cities["市町名"].values] ax.barh(ys, top_cities["件数"].values, color=city_colors, edgecolor="#333", linewidth=0.5) for y, v in zip(ys, top_cities["件数"].values): ax.text(v + 0.3, y, f"{v}", va="center", fontsize=10) ax.set_yticks(ys) ax.set_yticklabels(top_cities["市町名"].values, fontsize=10) ax.set_xlabel("件数") ax.set_title(f"市町別 トンネル件数 Top 15\n(青 = 中山間 9 市町, 橙 = 平野・沿岸)", fontsize=11) ax.grid(True, axis="x", alpha=0.3) ax = axes[1] office_top = T_office.iloc[::-1] ys = np.arange(len(office_top)) ax.barh(ys, office_top["件数"].values, color="#7c3aed", edgecolor="#333", linewidth=0.5) for y, v in zip(ys, office_top["件数"].values): ax.text(v + 0.3, y, f"{v}", va="center", fontsize=10) ax.set_yticks(ys) ax.set_yticklabels(office_top["管理事務所名"].values, fontsize=10) ax.set_xlabel("件数") ax.set_title(f"管理事務所別 トンネル件数 ({len(office_count)} 事務所)", fontsize=11) ax.grid(True, axis="x", alpha=0.3) fig.suptitle(f"図 2 (RQ1): 市町別 + 管理事務所別 トンネル件数", fontsize=13, y=1.02) plt.tight_layout() save_fig("L67_fig2_city_office_count.png") # ---- 図 3 (RQ1): 延長階級バブルマップ ---- print(" fig3: 延長階級バブルマップ", flush=True) fig, ax = plt.subplots(figsize=(12, 7.5)) admin_for_plot.plot(ax=ax, color="#fff4e0", edgecolor="#888", linewidth=0.4, alpha=0.55) # 延長を log でサイズ化 ll = gdf["延長(m)"].fillna(50).values sizes = 5 + (np.log10(np.clip(ll, 1, None)) ** 2.2) * 12 # 道路種別で色 colors_pt = gdf["道路種別"].map(ROAD_COLOR).values ax.scatter(gdf.geometry.x, gdf.geometry.y, s=sizes, c=colors_pt, alpha=0.7, edgecolor="#000", linewidth=0.4) # 長大 (≥1000m) のラベル付き表示 long_gdf = gdf[gdf["延長(m)"] >= LONG_TUNNEL_THRESHOLD] for _, r in long_gdf.iterrows(): ax.annotate(r["施設名"][:8], xy=(r.geometry.x, r.geometry.y), xytext=(8, 8), textcoords="offset points", fontsize=8, color="#222", bbox=dict(boxstyle="round,pad=0.2", fc="#fff5b1", ec="#aaa", alpha=0.8)) ax.set_xlim(-15000, 125000) ax.set_ylim(-220000, -130000) ax.set_aspect("equal") ax.set_title(f"図 3 (RQ1): 延長階級バブルマップ — " f"バブル大きさ = 延長 (log), 色 = 道路種別, ラベル = ≥1km トンネル", fontsize=11.5) ax.set_xlabel("X (m, EPSG:6671)") ax.set_ylabel("Y (m, EPSG:6671)") patches = [ Line2D([0], [0], marker='o', color='w', markerfacecolor=ROAD_COLOR["国道"], markeredgecolor="#000", markersize=12, label=f"国道 ({n_kuni})"), Line2D([0], [0], marker='o', color='w', markerfacecolor=ROAD_COLOR["県道"], markeredgecolor="#000", markersize=12, label=f"県道 ({n_ken})"), Line2D([0], [0], marker='o', color='w', markerfacecolor="#888", markeredgecolor="#000", markersize=20, label="長大 (≥1km)"), ] ax.legend(handles=patches, loc="lower left", fontsize=10) plt.tight_layout() save_fig("L67_fig3_length_bubble_map.png") # ---- 図 4 (RQ1): 延長 + 幅員 ヒストグラム ---- print(" fig4: 延長 + 幅員 ヒストグラム", flush=True) fig, axes = plt.subplots(1, 2, figsize=(13, 5)) ax = axes[0] ll = df_raw["延長(m)"].dropna() ax.hist(ll, bins=np.logspace(1, 4, 35), color="#0969da", edgecolor="#333", linewidth=0.4, alpha=0.85) ax.axvline(LONG_TUNNEL_THRESHOLD, color="#cf222e", linestyle="--", linewidth=1.5, label=f"長大トンネル 閾値 ({LONG_TUNNEL_THRESHOLD:.0f}m)") ax.axvline(df_raw["延長(m)"].median(), color="#1a7f37", linestyle=":", linewidth=1.5, label=f"中央値 {df_raw['延長(m)'].median():.0f}m") ax.set_xscale("log") ax.set_xlabel("延長 (m, log scale)") ax.set_ylabel("件数") ax.set_title(f"延長分布 (中央値 {df_raw['延長(m)'].median():.0f}m, " f"最大 {df_raw['延長(m)'].max():.0f}m)", fontsize=11) ax.legend(fontsize=9) ax.grid(True, alpha=0.3) ax = axes[1] ww = df_raw["幅員(m)"][df_raw["幅員(m)"] > 0].dropna() ax.hist(ww, bins=25, color="#1a7f37", edgecolor="#333", linewidth=0.4, alpha=0.85) ax.axvline(ww.median(), color="#cf222e", linestyle=":", linewidth=1.5, label=f"中央値 {ww.median():.1f}m") ax.set_xlabel("幅員 (m)") ax.set_ylabel("件数") ax.set_title(f"幅員分布 (中央値 {ww.median():.1f}m, " f"最大 {ww.max():.0f}m)", fontsize=11) ax.set_xlim(0, 15) ax.legend(fontsize=9) ax.grid(True, alpha=0.3) fig.suptitle("図 4 (RQ1): 延長 + 幅員 分布", fontsize=13, y=1.02) plt.tight_layout() save_fig("L67_fig4_length_width_hist.png") # ---- 図 5 (RQ2): 中山間 vs 平野ゾーニングマップ ---- print(" fig5: 中山間 vs 平野ゾーニングマップ", flush=True) fig, ax = plt.subplots(figsize=(12, 7.5)) # admin に地形分類を付与 (CITY_NAME ベース) admin_plot2 = admin_for_plot.copy() admin_plot2["市町名_clean"] = admin_plot2["市町名"].str.replace( r"^広島市.+", "広島市", regex=True) admin_plot2["地形分類"] = admin_plot2["市町名_clean"].apply( lambda c: "中山間" if c in CHUSANKAN_CITIES else "平野・沿岸" ) # 2 色で塗り分け (中山間 = 薄緑、平野 = 薄黄) admin_plot2.loc[admin_plot2["地形分類"] == "中山間"].plot( ax=ax, color="#d3edd2", edgecolor="#444", linewidth=0.5, alpha=0.7) admin_plot2.loc[admin_plot2["地形分類"] == "平野・沿岸"].plot( ax=ax, color="#fff4e0", edgecolor="#888", linewidth=0.4, alpha=0.6) # トンネル点を上に重ねる (色 = 地形分類) gdf_chusankan = gdf[gdf["市町名"].isin(CHUSANKAN_CITIES)] gdf_other = gdf[~gdf["市町名"].isin(CHUSANKAN_CITIES)] gdf_chusankan.plot(ax=ax, color="#1a7f37", markersize=22, alpha=0.85, edgecolor="#000", linewidth=0.4, label=f"中山間トンネル (n={len(gdf_chusankan)})") gdf_other.plot(ax=ax, color="#cf6f00", markersize=22, alpha=0.85, edgecolor="#000", linewidth=0.4, label=f"平野・沿岸トンネル (n={len(gdf_other)})") ax.set_xlim(-15000, 125000) ax.set_ylim(-220000, -130000) ax.set_aspect("equal") ax.set_title(f"図 5 (RQ2): 中山間 vs 平野・沿岸 トンネル分布 — " f"中山間シェア {chusankan_share:.1f}%", fontsize=12) ax.set_xlabel("X (m, EPSG:6671)") ax.set_ylabel("Y (m, EPSG:6671)") patches = [ Patch(facecolor="#d3edd2", edgecolor="#444", label="中山間 9 市町 (背景)"), Patch(facecolor="#fff4e0", edgecolor="#888", label="平野・沿岸 13 市町 (背景)"), Line2D([0], [0], marker='o', color='w', markerfacecolor="#1a7f37", markeredgecolor="#000", markersize=10, label=f"中山間トンネル ({len(gdf_chusankan)})"), Line2D([0], [0], marker='o', color='w', markerfacecolor="#cf6f00", markeredgecolor="#000", markersize=10, label=f"平野・沿岸トンネル ({len(gdf_other)})"), ] ax.legend(handles=patches, loc="lower left", fontsize=9.5) plt.tight_layout() save_fig("L67_fig5_chusankan_zoning_map.png") # ---- 図 6 (RQ2): 建設年代別ヒストグラム ---- print(" fig6: 建設年代別ヒストグラム", flush=True) fig, ax = plt.subplots(figsize=(12, 5.5)) decades = sorted([int(d) for d in decade_count.index]) counts = [int(decade_count[d]) for d in decades] # 色帯境界: 1970s 以前 = 赤 (この帯の合計 = decade_old_total, n_old≤1974 とは別概念) colors = ["#cf222e" if d <= 1970 else "#0969da" for d in decades] xs = np.arange(len(decades)) bars = ax.bar(xs, counts, color=colors, edgecolor="#333", linewidth=0.5) for x, c in zip(xs, counts): ax.text(x, c + 0.5, f"{c}", ha="center", fontsize=9) ax.set_xticks(xs) ax.set_xticklabels([f"{d}s" for d in decades], rotation=0, fontsize=10) ax.set_xlabel("建設年代") ax.set_ylabel("件数") ax.set_title(f"図 6 (RQ2): 建設年代別 トンネル件数 — 全 {n_total} 件 " f"(1970年代以前 = 赤, 1980 年以降 = 青)", fontsize=11) # 年代帯の合計 (図の赤バーと一致させる) decade_old_total = sum(c for d, c in zip(decades, counts) if d <= 1970) patches = [ Patch(facecolor="#cf222e", label=f"1970年代以前 ({decade_old_total} 件) — うち築 50 年超 = {n_old}"), Patch(facecolor="#0969da", label=f"1980年以降 ({n_total - decade_old_total} 件)"), ] ax.legend(handles=patches, loc="upper left", fontsize=9) ax.grid(True, axis="y", alpha=0.3) plt.tight_layout() save_fig("L67_fig6_decade_hist.png") # ---- 図 7 (RQ3): 橋梁 vs トンネル 二極構造マップ ---- print(" fig7: 橋梁 vs トンネル 二極構造マップ", flush=True) fig, ax = plt.subplots(figsize=(12.5, 7.5)) admin_for_plot.plot(ax=ax, color="#fff4e0", edgecolor="#888", linewidth=0.4, alpha=0.55) # 橋梁を背景に薄く (もし L66_all_bridges.csv が読めれば) if has_bridge: df_b = df_bridge.copy() df_b = df_b.dropna(subset=["緯度（10進数）", "経度（10進数）"]) # POINT 構築 geom_b = [Point(x, y) for x, y in zip(df_b["経度（10進数）"], df_b["緯度（10進数）"])] gdf_b = gpd.GeoDataFrame(df_b[["施設名", "道路種別"]], geometry=geom_b, crs="EPSG:4326").to_crs(TARGET_CRS) gdf_b.plot(ax=ax, color="#888", markersize=2, alpha=0.25, edgecolor="none") # トンネルを前景に (国道 = 赤, 県道 = 青) for road_kind, color in ROAD_COLOR.items(): sub = gdf[gdf["道路種別"] == road_kind] sub.plot(ax=ax, color=color, markersize=35, edgecolor="#000", linewidth=0.5, alpha=0.92) ax.set_xlim(-15000, 125000) ax.set_ylim(-220000, -130000) ax.set_aspect("equal") title_b = f"L66 橋梁 (背景灰, n={n_bridge:,})" if has_bridge else "(L66 橋梁データ未取得)" ax.set_title(f"図 7 (RQ3): 道路インフラ二極構造 — {title_b} + L67 トンネル (前景)", fontsize=11.5) ax.set_xlabel("X (m, EPSG:6671)") ax.set_ylabel("Y (m, EPSG:6671)") patches = [] if has_bridge: patches.append(Line2D([0], [0], marker='o', color='w', markerfacecolor="#888", markersize=8, label=f"L66 橋梁 ({n_bridge:,})")) patches.extend([ Line2D([0], [0], marker='o', color='w', markerfacecolor=ROAD_COLOR["国道"], markeredgecolor="#000", markersize=12, label=f"L67 国道トンネル ({n_kuni})"), Line2D([0], [0], marker='o', color='w', markerfacecolor=ROAD_COLOR["県道"], markeredgecolor="#000", markersize=12, label=f"L67 県道トンネル ({n_ken})"), ]) ax.legend(handles=patches, loc="lower left", fontsize=10) plt.tight_layout() save_fig("L67_fig7_bridge_tunnel_dual_map.png") # ---- 図 8 (RQ3): 橋梁 vs トンネル 規模分布対比 ---- print(" fig8: 橋梁 vs トンネル 規模分布対比", flush=True) fig, axes = plt.subplots(1, 2, figsize=(13.5, 5.2)) # 左: 件数比較 ax = axes[0] labels = ["L66 橋梁", "L67 トンネル"] vals = [n_bridge, n_total] cols = ["#0969da", "#cf222e"] ax.bar(labels, vals, color=cols, edgecolor="#333", linewidth=0.6, width=0.55) for x, v in zip([0, 1], vals): ax.text(x, v + n_bridge*0.015, f"{v:,}", ha="center", fontsize=12, fontweight="bold") ax.set_ylabel("件数") ax.set_title(f"件数比較 (橋梁 / トンネル = {ratio_count:.1f} : 1)", fontsize=11) ax.grid(True, axis="y", alpha=0.3) # 右: 延長分布の重ね合わせ (log) — 比率正規化 (% of group) ax = axes[1] bins = np.logspace(0, 4, 35) if has_bridge: bb = df_bridge["延長(m)"].dropna() counts_b, _ = np.histogram(bb, bins=bins) pct_b = 100 * counts_b / counts_b.sum() ax.bar(bins[:-1], pct_b, width=np.diff(bins), color="#0969da", alpha=0.55, align="edge", edgecolor="#0c4a8a", linewidth=0.4, label=f"L66 橋梁 (中央値 {df_bridge['延長(m)'].median():.1f}m)") tt = df_raw["延長(m)"].dropna() counts_t, _ = np.histogram(tt, bins=bins) pct_t = 100 * counts_t / counts_t.sum() ax.bar(bins[:-1], pct_t, width=np.diff(bins), color="#cf222e", alpha=0.65, align="edge", edgecolor="#7a0000", linewidth=0.4, label=f"L67 トンネル (中央値 {df_raw['延長(m)'].median():.0f}m)") ax.set_xscale("log") ax.set_xlabel("延長 (m, log)") ax.set_ylabel("% (各グループ内)") ax.set_title(f"延長分布の対比 (平均比 = {ratio_len:.1f} : 1)", fontsize=11) ax.legend(fontsize=10) ax.grid(True, alpha=0.3) fig.suptitle("図 8 (RQ3): 橋梁 vs トンネル 規模分布対比 — 件数支配 vs 規模支配", fontsize=13, y=1.02) plt.tight_layout() save_fig("L67_fig8_bridge_tunnel_scale_compare.png") print(f" ({time.time()-t8:.1f}s)", flush=True) # ============================================================================= # 9. 表データ作成 # ============================================================================= print("\n[9] 表データ作成", flush=True) t9 = time.time() def df_to_html(d): return d.to_html(index=False, classes="", border=0, escape=False, na_rep="-").replace(' style="text-align: right;"', "") # 表 1: データセット仕様 T_dataset = pd.DataFrame([ ("dataset_id", "12"), ("公式名", "トンネル基本情報・維持管理情報"), ("ファイル", "tunnel_basic.csv"), ("形式", "CSV (UTF-8 BOM)"), ("ファイルサイズ", f"{csv_path.stat().st_size:,} byte (~{csv_path.stat().st_size/1024:.0f} KB)"), ("レコード数", f"{n_total} 行 (= 道路トンネル件数)"), ("列数", f"{df_raw.shape[1]} 列"), ("種別", f"全件 トンネル (鉄道トンネル・河川トンネルは別データ)"), ("道路種別", f"国道 {n_kuni} + 県道 {n_ken}"), ("管理事務所", f"{len(office_count)} 事務所"), ("路線数", f"{df_raw['路線名'].nunique()} 異なり値"), ("市町数 (正規化済)", f"{city_count['市町名'].nunique()} 市町"), ("緯度経度", f"全件 取得可 ({100*n_coord/n_total:.0f}%)。" f"うち {n_swap} 件で記録ミスあり (本スクリプトで自動補正)"), ("建設年度", f"{n_year} 件 ({100*n_year/n_total:.0f}%) 取得可、" f"範囲 {int(df_raw['建設年度'].min())}-{int(df_raw['建設年度'].max())}"), ("点検年度", f"{int(df_raw['点検年度'].notna().sum())} 件 取得可、範囲 " f"{int(df_raw['点検年度'].min())}-{int(df_raw['点検年度'].max())}"), ("判定区分", "全件 \"?\" (= 公開データでは伏せられる)"), ("延長 (m)", f"中央値 {df_raw['延長(m)'].median():.0f}m / " f"最大 {df_raw['延長(m)'].max():.0f}m / " f"最小 {df_raw['延長(m)'].min():.1f}m"), ("幅員 (m)", f"中央値 {df_raw['幅員(m)'].median():.1f}m / " f"最大 {df_raw['幅員(m)'].max():.1f}m"), ("座標系 (元)", "EPSG:4326 (WGS84) → EPSG:6671 で処理"), ("ライセンス", "クリエイティブ・コモンズ表示 (CC-BY)"), ("作成主体", "広島県土木建築局道路整備課"), ("URL", f"https://hiroshima-dobox.jp/datasets/{DATASET_ID}"), ], columns=["項目", "値"]) # 表 2: 全体サマリ (3 RQ 統合) T_overall = pd.DataFrame([ ("総件数 (RQ1)", f"{n_total} 件"), ("国道トンネル", f"{n_kuni} ({kuni_share:.1f}%)"), ("県道トンネル", f"{n_ken} ({ken_share:.1f}%)"), ("管理事務所数", f"{len(office_count)}"), ("路線数", f"{df_raw['路線名'].nunique()}"), ("市町数 (正規化後)", f"{city_count['市町名'].nunique()}"), ("Top 1 市町 (RQ1)", f"{city_count.iloc[0]['市町名']} " f"({int(city_count.iloc[0]['件数'])} 件)"), ("Top 3 市町シェア (RQ1)", f"{top3_city_share:.1f}%"), ("中山間 9 市町シェア (RQ2)", f"{chusankan_share:.1f}% ({n_chusankan} 件)"), ("長大トンネル (≥1000m) (RQ1)", f"{n_long} 件 ({100*n_long/n_total:.1f}%)"), ("延長 中央値 / 最大 (RQ1)", f"{df_raw['延長(m)'].median():.0f} m / {df_raw['延長(m)'].max():.0f} m"), ("幅員 中央値 / 最大 (RQ1)", f"{df_raw['幅員(m)'].median():.1f} m / {df_raw['幅員(m)'].max():.1f} m"), ("最多年代 (RQ2)", f"{int(peak_decade)}s ({peak_count} 件)"), (f"老朽トンネル (≤{AGE_THRESHOLD_YEAR}, 築 50 年超) (RQ2)", f"{n_old} 件 ({old_share:.1f}%)"), ("中山間平均延長 (RQ2)", f"{T_terrain.loc[T_terrain['地形分類'].str.startswith('中山間'), '平均延長_m'].iloc[0]:.0f} m"), ("平野平均延長 (RQ2)", f"{T_terrain.loc[T_terrain['地形分類'].str.startswith('平野'), '平均延長_m'].iloc[0]:.0f} m"), ("L66 橋梁件数 (比較対象)", f"{n_bridge:,}"), ("橋梁 / トンネル 件数比 (RQ3)", f"{ratio_count:.1f} : 1"), ("トンネル / 橋梁 平均延長比 (RQ3)", f"{ratio_len:.1f} : 1"), ("最長トンネル (RQ3)", f"{T_long_top.iloc[0]['施設名']} " f"({T_long_top.iloc[0]['延長(m)']:.0f} m, " f"{T_long_top.iloc[0]['路線名']}, " f"{T_long_top.iloc[0]['市町名']})"), ], columns=["指標", "値"]) T_overall.to_csv(ASSETS / "L67_overall.csv", index=False, encoding="utf-8-sig") # 表: データ取得手順 T_data_recipe = pd.DataFrame([ ("ステップ 1", "DoBoX dataset 12 ページ", f"https://hiroshima-dobox.jp/datasets/{DATASET_ID}"), ("ステップ 2", "CSV DL (リソースリンク)", "ページ内のリソースから「ダウンロード」"), ("ステップ 3", "保存先", "data/extras/L67_tunnels/tunnel_basic.csv (or 共有 data/extras/tunnel_basic.csv)"), ("ステップ 4", "緯度経度の入れ替え自動補正", f"緯度 > 50 の {n_swap} 行を経度と入れ替え"), ("ステップ 5", "POINT 構築 + EPSG:6671 投影", f"全 {n_total} 件 → POINT 100%"), ("ステップ 6", "市町同定 (テキスト + 旧町村正規化 + sjoin)", f"テキスト解析で {n_total}/{n_total}, sjoin で {n_geom-n_unmatched}/{n_geom} 直接一致"), ("ステップ 7", "RQ1 集計 (構造)", f"道路種別 + 市町 + 事務所 + 路線 + 延長 + 幅員 で多角度集計"), ("ステップ 8", "RQ2 集計 (中山間 vs 平野)", f"中山間 9 市町 vs 平野 13 市町 + 建設年代別"), ("ステップ 9", "RQ3 集計 (L66 橋梁との対比)", f"件数比 {ratio_count:.1f}:1, 平均延長比 {ratio_len:.1f}:1"), ("ステップ 10", "8 図 + 12 表 出力", "本スクリプト全体で ~10 秒"), ], columns=["ステップ", "操作", "値 / URL"]) # 仮説検証表 def jud(cond, ok="強支持", fail="反証", part="部分支持"): return ok if cond else fail h1_ok = kuni_share >= 50 h2_ok = chusankan_share >= 70 h3_ok = int(peak_decade) == 1990 h4_ok = ratio_count >= 25 h5_ok = ratio_len >= 10 T_hypo = pd.DataFrame([ ("H1 国道シェア ≥ 50% (RQ1)", f"観測 = {kuni_share:.1f}% (国道 {n_kuni} / 県道 {n_ken})", jud(h1_ok), f"H1 {jud(h1_ok)}: 国道シェアは {kuni_share:.1f}%。" f"橋梁 (L66) では国道 27.4% だが、トンネルは {kuni_share:.1f}% と" + (f"大きく国道偏重。" if h1_ok else f"わずかに国道優勢。") + f" これはトンネル工事が大規模で、" f"広域幹線 (国道) での整備が中心となる事業構造を反映。" f"県道 (n={n_ken}) は地域路線を貫通する小規模トンネル中心。"), ("H2 中山間 9 市町シェア ≥ 70% (RQ2)", f"観測 = {chusankan_share:.1f}% ({n_chusankan} / {n_total})", jud(h2_ok), f"H2 {jud(h2_ok)}: 中山間 9 市町に {chusankan_share:.1f}% ({n_chusankan} 件) が集中。" f"中山間市町は「山岳地形を貫通する道路網」を持ち、トンネル整備が必須。" f"中山間 Top 3: {chusankan_rank.iloc[0]['市町名']} ({int(chusankan_rank.iloc[0]['トンネル数'])}) / " f"{chusankan_rank.iloc[1]['市町名']} ({int(chusankan_rank.iloc[1]['トンネル数'])}) / " f"{chusankan_rank.iloc[2]['市町名']} ({int(chusankan_rank.iloc[2]['トンネル数'])})。" f"平野市町 (福山市・広島市・東広島市) はトンネル整備が限定的。"), ("H3 1990 年代ピーク (RQ2)", f"観測 最多年代 = {int(peak_decade)}s ({peak_count} 件)", jud(h3_ok), f"H3 {jud(h3_ok)}: 建設年代の最多は {int(peak_decade)}s。" + (f"バブル経済期 (1986-91) を含む 1990 年代の道路投資ブームが" f"トンネル整備のピークを生んだ。" if h3_ok else f"最多は {int(peak_decade)}s = " + ("高度成長期" if int(peak_decade) <= 1970 else "バブル + ポストバブル期")) + f" 1980-1990s の 2 年代で全体の " f"{100*sum([decade_count.get(d, 0) for d in [1980,1990]])/n_total:.0f}% を占める集中整備期。" f"1970年代以前 (老朽化対象) は {n_old} 件 ({old_share:.1f}%) のみで、" f"橋梁よりトンネルは新しい構造物が多い。"), (f"H4 橋梁/トンネル件数比 ≥ 25 (RQ3)", f"観測 = {ratio_count:.1f} : 1 ({n_bridge:,} / {n_total})", jud(h4_ok), f"H4 {jud(h4_ok)}: 橋梁 ({n_bridge:,}) / トンネル ({n_total}) = " f"{ratio_count:.1f} : 1。" f"これは「橋梁は中小河川クロスで多数 + トンネルは山岳貫通で希少」" f"という地理分担を反映。" f"県の道路インフラは橋梁圧倒で、トンネルは1 件あたり大規模な希少資源。"), (f"H5 トンネル平均延長 / 橋梁平均延長 ≥ 10 (RQ3)", f"観測 = トンネル {mean_t_len:.0f}m / 橋梁 {mean_b_len:.0f}m / 比 {ratio_len:.1f}", jud(h5_ok), f"H5 {jud(h5_ok)}: トンネル平均延長は橋梁の {ratio_len:.1f} 倍。" f"橋梁中央値 ~ 7m に対しトンネル中央値 {df_raw['延長(m)'].median():.0f}m。" f"「橋梁=点的多数 + トンネル=大規模少数」の二極構造が定量化された。" f"これは整備コスト・更新コスト・防災重要度すべてで橋梁・トンネルの政策位置付けが" f"異なることを意味する。"), ], columns=["仮説", "観測値", "判定", "解釈"]) T_hypo.to_csv(ASSETS / "L67_hypothesis_check.csv", index=False, encoding="utf-8-sig") # road_length_cross と road_terrain_cross の表示用整形 T_rl_show = road_length_cross.reset_index() T_rl_show.columns = ["道路種別"] + LENGTH_LABELS T_rt_show = road_terrain_cross.reset_index() print(f" ({time.time()-t9:.1f}s)", flush=True) # ============================================================================= # 10. HTML 生成 # ============================================================================= print("\n[10] HTML 生成", flush=True) t10 = time.time() # Sec 1: 学習目標と問い sec1 = f"""

本記事は DoBoX のシリーズ「トンネル基本情報・維持管理情報」 1 件 (dataset_id = {DATASET_ID}) を 単独で取り上げ、 広島県が管理する 道路トンネル {n_total} 件 / {city_count['市町名'].nunique()} 市町 / {len(office_count)} 事務所 / {df_raw['路線名'].nunique()} 路線を 3 つの独立した研究角度 (RQ1 / RQ2 / RQ3) で並列に分析する。 本データは CSV 形式 ({csv_path.stat().st_size:,} byte / 16 列) で、 緯度経度は全件 ({100*n_coord/n_total:.0f}%) 取得可。 ただし2 件で緯度経度が記録ミスにより入れ替わっており、本スクリプトで自動補正する。

L66 (橋梁単独 3 RQ) との位置付け: L66 は同じ DoBoX シリーズ「○○基本情報・維持管理情報」 の橋梁版で、4,203 件を 3 RQ (構造・年代・防災) で分析。 本記事 L67 はトンネル単独の構造分析 (= 規模・地形・年代) に集中するが、 RQ3 でL66 との二極構造を比較し、「橋梁=平野・川越え、トンネル=山岳貫通」 の 地理分担を実証する。両記事は「県の道路インフラ」を構成する 2 つの軸として 補完関係を成す。

トンネルデータの本質: 県内の道路トンネルは道路法 (1952) と インフラ長寿命化基本計画 (2014) の管理対象。 2014 年改正で5 年に 1 回の点検が義務化され、 全トンネルに I (健全) 〜 IV (緊急措置) の健全度区分が付与される。 ただし本データの「判定区分」 列は全件 "?" で公開データでは伏せられている。 そのため本研究では「建設年度から経過年」 を健全度の代理指標として扱う。

独自用語の定義

研究の問い (3 RQ)

仮説 H1〜H5

  1. H1 (国道偏重, RQ1): トンネルは橋梁と異なり 国道シェア ≥ 50%。 大規模工事は広域幹線で行われる事業構造仮説。
  2. H2 (中山間集中, RQ2): 中山間 9 市町に ≥ 70% のトンネルが集中。 山岳地形貫通トンネルは中山間市町の道路網に必須。
  3. H3 (1990 年代ピーク, RQ2): 建設年代ヒストグラムは1990 年代にピーク。 バブル経済期の道路投資が山岳道路網整備のピークを生んだ。
  4. H4 (橋梁との件数比, RQ3): L66 橋梁 / L67 トンネル の 件数比 ≥ 25。 橋梁は中小河川クロスで多数、トンネルは山岳貫通で希少。
  5. H5 (規模差, RQ3): トンネル平均延長 / 橋梁平均延長 ≥ 10。 トンネルは大規模工事で、1 件あたりのインフラ価値が高い。

到達点

本記事を読み終えた学習者は次の 3 点を体感できる:

  1. 1 つの小規模 CSV ({n_total} 件 × 16 列, 全件 POINT) から、 道路種別 / 市町 / 事務所 / 路線 / 延長 / 幅員 / 建設年度 / 地形分類 を 多角度で集計するハンズオン分析を完走する。 合併市町名の正規化 + 緯度経度の入れ替え自動補正という実データのクリーニング技も身につく。
  2. 「規模 + 地形 + 二極構造」の 3 軸で県内のトンネル網を読み解き、 「橋梁=平野クロス、トンネル=山岳貫通」 の道路インフラ二極構造を 地域データで定量化する。
  3. RQ1 (構造) → RQ2 (地形・分断回避) → RQ3 (橋梁との二極構造) の 3 段階で、「県の山岳インフラの物理的形状 + 政策的位置付け」を 定量的に描く研究プロセスを体感する。
""" # Sec 2: 使用データ sec2 = f"""

DoBoX のシリーズ「トンネル基本情報・維持管理情報」 1 件のみを単独で扱う。 リソースは CSV 1 ファイル (~{csv_path.stat().st_size/1024:.0f} KB)。

{df_to_html(T_dataset)}

この表から読み取れること: dataset {DATASET_ID} は {n_total} 行 × {df_raw.shape[1]} 列の CSV。 道路種別 (国道/県道)・管理事務所・路線・建設年度・点検年度・延長・幅員という 多次元のメタデータを持つ。 緯度経度は全件 (100%) 取得可だが、{n_swap} 件で緯度経度が入れ替わって 記録されており本スクリプトで自動補正する。 また「判定区分」 列は全件マスクされており、健全度判定値は本データから直接は取れない。

L66 (橋梁単独 3 RQ) との関係

項目L66 橋梁 (既扱)L67 トンネル (本記事)
研究の問い橋梁台帳の内部構造 (種別・規模・年代・防災)トンネル台帳の内部構造 + 橋梁との二極構造
主役データ橋梁 (dataset 11, {n_bridge:,} 件)トンネル (dataset 12, {n_total} 件)
地形対象河川・谷を渡る (= 平野・低地)山岳を貫く (= 中山間)
規模中央値 ~ 7m, 短橋集中中央値 ~ {df_raw['延長(m)'].median():.0f}m, 中・長尺集中
道路種別偏向県道 72.6% (件数支配)国道 {kuni_share:.1f}% (規模支配)
共通点同じ管理体系 (道路法 + 5 年周期点検) + 健全度区分マスク + 9 事務所階層

この表から読み取れること: L66/L67 は同じシリーズの兄弟データセット。 研究の問いは似ているが、対象地形・規模・偏向が大きく異なる。 本記事 RQ3 でこれを「道路インフラ二極構造」として定量化する。

データ取得手順

{df_to_html(T_data_recipe)}

この表から読み取れること: DoBoX dataset {DATASET_ID} → CSV DL → 緯度経度補正 → POINT 構築 → 市町同定 (テキスト + sjoin) → RQ1/2/3 集計、の 10 ステップで再現可能。 全工程は本スクリプト 1 本で自動実行 (~10 秒)。 共有 CSV (data/extras/tunnel_basic.csv) があれば再 DL 不要。

関連データセットとの対応

""" # Sec 3: ダウンロード sec3 = f"""

本レッスンの再現に必要な全データ・中間 CSV・図 PNG・スクリプトを以下から直接 DL できる:

生データ (DoBoX 直リンク + 本日取得分)

本記事の中間 CSV (再現用)

図 PNG (8 枚) と Python スクリプト

個別取得 (PowerShell, このレッスンだけ)

cd "2026 DoBoX 教材"
# DoBoX のページから tunnel_basic.csv をブラウザでDLし、
# data/extras/L67_tunnels/tunnel_basic.csv に置く
py -X utf8 lessons/L67_tunnels.py

本スクリプトは data/extras/tunnel_basic.csv (共有) があれば それを優先使用、無ければ ensure_dataset() ヘルパで自動取得を試みる。 全工程は約 10 秒で完走 (1 分以内完走の要件 S を余裕クリア)。

一括取得 (全レッスン共通, 推奨)

cd "2026 DoBoX 教材"
py -X utf8 data\\fetch_all.py
py -X utf8 lessons/L67_tunnels.py
""" # Sec 4: RQ1 sec4_intro = f"""

RQ1 の狙い

{n_total} 件の道路トンネルを道路種別 / 市町 / 事務所 / 路線 / 延長 / 幅員の 6 軸で 多角度に集計し、広島県のトンネル網の物理的形状を立体化する。 特に「トンネル」 という山岳貫通の大規模インフラの規模・分布を 初めて定量化する。

手法 (前置き解説)

入出力の Before/After 例

段階1 件の中身件数
(0) CSV 1 行トンネル番号=1, 施設名=茂陰トンネル, 道路種別=県道, 路線名=上宮町新地線, 延長=267.3, 幅員=10.1, 建設年度=1998, 緯度=34.38733, 経度=132.50189, 住所(市町)=府中町　茂陰一丁目{n_total}
(1) 緯度経度 自動補正緯度 > 50 の {n_swap} 件を経度と入れ替え{n_swap}
(2) POINT 構築 + EPSG:6671+ geometry = Point (X, Y, m 単位){n_geom}
(3) 市町正規化+ 市町名 = 府中町 (= 「府中町　茂陰一丁目」 の先頭){n_total}
(4) sjoin 検証+ CITY_CD = 302 (= 府中町)、テキストと整合{n_match}
(5) 派生フラグ+ 延長カテゴリ=「中(100-300m)」, 年代=1990, is_old=False, is_long=False (267 < 1000){n_total}
(6) 集計 (例: 市町別){city_count.iloc[0]['市町名']}: {int(city_count.iloc[0]['件数'])} 件 (1 位)(別)

(0)-(6) を全 {n_total} 件に適用 → 6 軸で集計 → 図化。 全工程はメモリ常駐で完結し、別キャッシュは不要。

""" sec4_code = code(r''' # 1. CSV 読込 + 数値列クリーニング import pandas as pd, geopandas as gpd, numpy as np from shapely.geometry import Point df = pd.read_csv("data/extras/tunnel_basic.csv", encoding="utf-8-sig") print(df.shape, df["道路種別"].value_counts()) # 157 行, 国道 83 / 県道 74 # 2. 緯度経度の入れ替え自動補正 (実データの典型ミス) df["緯度（10進数）"] = pd.to_numeric(df["緯度（10進数）"], errors="coerce") df["経度（10進数）"] = pd.to_numeric(df["経度（10進数）"], errors="coerce") swap_mask = df["緯度（10進数）"] > 50 # 緯度 50 超は経度との入れ替え print(f"入れ替え対象: {swap_mask.sum()} 件") tmp = df.loc[swap_mask, "緯度（10進数）"].copy() df.loc[swap_mask, "緯度（10進数）"] = df.loc[swap_mask, "経度（10進数）"] df.loc[swap_mask, "経度（10進数）"] = tmp # 3. 数値列をきれいに df["建設年度"] = pd.to_numeric(df["建設年度"], errors="coerce") df["延長(m)"] = pd.to_numeric(df["延長(m)"], errors="coerce") df["幅員(m)"] = pd.to_numeric(df["幅員(m)"], errors="coerce") # 4. POINT 構築 df["geometry"] = df.apply( lambda r: Point(float(r["経度（10進数）"]), float(r["緯度（10進数）"])), axis=1) gdf = gpd.GeoDataFrame(df, geometry="geometry", crs="EPSG:4326").to_crs("EPSG:6671") # 5. 市町正規化 (合併で消滅した旧町村名 → 現市町名) LEGACY = {"加計町":"安芸太田町","戸河内町":"安芸太田町","筒賀村":"安芸太田町", "小方町":"大竹市","宮島町":"廿日市市","大野町":"廿日市市","佐伯町":"廿日市市", "江田島町":"江田島市","能美町":"江田島市","沖美町":"江田島市","大柿町":"江田島市", # ... (全マッピングは LEGACY_TO_CURRENT 参照) } def parse_city(addr): head = str(addr).split("　")[0] for c in ["広島市","呉市","三原市","尾道市","福山市","三次市","庄原市", "東広島市","廿日市市","府中市","大竹市"]: if head.startswith(c): return c return LEGACY.get(head, head) df["市町名"] = df["住所(市町)"].apply(parse_city) # 6. 6 軸集計 print("市町別 Top 10:") print(df["市町名"].value_counts().head(10)) # 7. H1 検証: 国道シェア print(f"国道シェア: {(df['道路種別']=='国道').sum()/len(df)*100:.1f}%") # 8. 長大トンネル (>=1000m) 同定 LONG = 1000.0 df["is_long"] = df["延長(m)"] >= LONG print(f"長大トンネル: {df['is_long'].sum()} 件 ({df['is_long'].mean()*100:.1f}%)") ''') sec4_fig1_text = """

図 1: なぜこの図か (RQ1)

「広島県のどこにどんな道路種別のトンネルがあるか」 を 1 枚で読みたい。 全 157 件を国道 (赤) + 県道 (青) で色分けし全域に描く。これにより 県のトンネル網の物理的形状が一目で読める。 点を大きめ (msize=18) に設定し、橋梁 (msize=5) と異なる「希少な大規模インフラ」感を出す。

""" sec4_fig1_read = f"""

この図から読み取れること:

""" sec4_fig2_text = f"""

図 2: なぜこの図か (RQ1)

「{city_count['市町名'].nunique()} 市町と {len(office_count)} 管理事務所のうち、どこにトンネルが集中しているか」 を 左右ペアで比較したい。横棒 (件数 + 値ラベル) で並べ、市町は中山間 (青) vs 平野・沿岸 (橙)で塗り分け。 これにより市町別偏在 + 中山間集中性が一目で読める。

""" sec4_fig2_read = f"""

この図から読み取れること:

""" sec4_fig3_text = """

図 3: なぜこの図か (RQ1)

「個々のトンネルの規模 (延長) を地理的に読みたい」 ため、 バブルマップ (バブル大きさ = 延長 log スケール) を採用。 道路種別を色で区別し、≥1km の長大トンネルには施設名ラベルを付与。 これにより「どこに大規模トンネルがあるか」が一目で読める。

""" sec4_fig3_read = f"""

この図から読み取れること:

""" sec4_fig4_text = """

図 4: なぜこの図か (RQ1)

「トンネルの規模分布を 1 枚で読みたい」 ため、延長 (log 軸) と幅員 (linear) の 2 ペインヒストグラム。延長は桁差が大きい (17m 〜 2212m) ので log 軸、 幅員は近距離値域 (4 〜 12m が大半) なので linear 軸。 これにより「中・長尺集中 + 標準幅員」を同時に読める。

""" sec4_fig4_read = f"""

この図から読み取れること:

""" # Sec 4 統合 sec4 = (sec4_intro + "

実装コード (CSV → 緯度経度補正 → POINT → 市町正規化 → 多軸集計)

" + sec4_code + sec4_fig1_text + figure("assets/L67_fig1_overview_road_map.png", f"図 1 (RQ1): 広島県 道路トンネル 全域マップ (国道 vs 県道)") + sec4_fig1_read + sec4_fig2_text + figure("assets/L67_fig2_city_office_count.png", f"図 2 (RQ1): 市町別 + 管理事務所別 トンネル件数") + sec4_fig2_read + sec4_fig3_text + figure("assets/L67_fig3_length_bubble_map.png", f"図 3 (RQ1): 延長階級バブルマップ (log スケール)") + sec4_fig3_read + sec4_fig4_text + figure("assets/L67_fig4_length_width_hist.png", f"図 4 (RQ1): 延長 + 幅員 ヒストグラム") + sec4_fig4_read + "

表: RQ1 全体サマリ (3 RQ 統合)

" + df_to_html(T_overall.head(13)) + f"

この表から読み取れること: 県内道路トンネルは {n_total} 件 / {city_count['市町名'].nunique()} 市町 / {len(office_count)} 事務所 / " f"{df_raw['路線名'].nunique()} 路線 / 国道 + 県道 2 種別 / 4 規模カテゴリ の多次元管理対象。" f"国道シェア {kuni_share:.1f}% で件数支配、規模は中・長尺集中 (中央値 {df_raw['延長(m)'].median():.0f}m)。

" + "

表: 道路種別 サマリ

" + df_to_html(T_road) + f"

この表から読み取れること: 国道 {kuni_share:.1f}% (n={n_kuni}) + 県道 {ken_share:.1f}% (n={n_ken})。" f"国道は件数だけでなく規模でも優勢: 平均延長 {df_raw[df_raw['道路種別']=='国道']['延長(m)'].mean():.0f}m vs 県道 {df_raw[df_raw['道路種別']=='県道']['延長(m)'].mean():.0f}m。" f"これは「広域幹線でこそ大規模トンネル整備」という事業構造を反映。" f"橋梁 (L66) の「県道支配 (件数のみ)、国道支配 (規模のみ)」と比べると、トンネルは" f"件数・規模の両方で国道支配。

" + "

表: 延長カテゴリ別 サマリ

" + df_to_html(T_length) + f"

この表から読み取れること: 中 (100-300m) + 中長 (300-1000m) で {(length_count['中(100-300m)']+length_count['中長(300-1000m)']):.0f} 件 " f"({100*(length_count['中(100-300m)']+length_count['中長(300-1000m)'])/n_total:.0f}%) を占める。" f"短 (<100m) は {int(length_count['短(<100m)'])} 件 ({100*length_count['短(<100m)']/n_total:.0f}%)、" f"長大 (≥1000m) は {n_long} 件 ({100*n_long/n_total:.1f}%) で希少。" f"橋梁 (L66) の極短橋集中 (39%) と対照的に、トンネルは中規模が中心。

" + "

表: 市町別 ランキング (Top 15, 合併正規化済)

" + df_to_html(city_count.head(15)) + f"

この表から読み取れること: 件数最多は {city_count.iloc[0]['市町名']} " f"({int(city_count.iloc[0]['件数'])} 件)、Top 5 で {100*city_count.head(5)['件数'].sum()/n_total:.0f}% を占める。" f"中山間市町 (青色市町) が上位を独占し、「中山間 = トンネル多数」のパターンが鮮明。" f"合併前の旧町村名 ({len(LEGACY_TO_CURRENT)} 件マッピング) を正規化することで、" f"市町別集計が現在の行政区分に対応する。

" + "

表: 管理事務所別 ランキング

" + df_to_html(T_office) + f"

この表から読み取れること: {T_office.iloc[0]['管理事務所名']} ({int(T_office.iloc[0]['件数'])} 件, {T_office.iloc[0]['シェア_%']:.1f}%) が " f"単独 1 位 = 西部山地の中山間道路網担当。" f"東広島支所 (= 平野部担当) は最少 ({int(T_office.iloc[-1]['件数'])} 件) で、" f"事務所間で 5-7 倍の偏りがある。これは橋梁の均等分担と大きく異なり、" f"トンネル整備が地形に強く依存することを反映。

" + "

表: 路線別 ランキング (Top 12)

" + df_to_html(T_route) + f"

この表から読み取れること: 路線別 1 位は {T_route.iloc[0]['路線名']} " f"({int(T_route.iloc[0]['件数'])} 件)、これは県内を縦貫する基幹路線。" f"全 {df_raw['路線名'].nunique()} 路線のうち上位 12 路線で {100*T_route['件数'].sum()/n_total:.0f}% を占める。" f"残り {df_raw['路線名'].nunique()-12} 路線は 1-数件のトンネルのみ。" f"「主要路線にトンネルが集中する」偏在パターンは橋梁と同じだが、" f"トンネルの方が路線あたり件数が多く、希少な大規模整備。

" ) # Sec 5: RQ2 sec5_intro = f"""

RQ2 の狙い

RQ1 で抽出した {n_total} 件のトンネルについて、地形特性 ({CHUSANKAN_CITIES.__len__()} の中山間市町 vs 13 の平野・沿岸市町) でトンネル集中度を比較し、山岳道路の分断回避機能を実証する。 さらに建設年代分布から「山岳バイパス整備の波」 を読み解く。

手法 (前置き解説)

入出力の Before/After 例

段階1 件の中身件数
(0) トンネル 1 件市町名=安芸太田町, 建設年度=1995, 延長=850{n_total}
(1) 地形分類+ 地形分類 = 中山間 (9 市町){n_total}
(2) 年代化+ 年代 = 1990{n_total}
(3) 老朽判定 (≤{AGE_THRESHOLD_YEAR})+ is_old = False (1995 > {AGE_THRESHOLD_YEAR}){n_total}
(4) 中山間集中度中山間 {n_chusankan} / 全体 {n_total} = {chusankan_share:.1f}%2 値

(0)-(4) を全 {n_total} 件に適用。中山間 vs 平野で集計を 2 系列化。

""" sec5_code = code(r''' # 1. 中山間 9 市町 vs 平野・沿岸 13 市町 の二分類 import numpy as np, pandas as pd CHUSANKAN_CITIES = {"庄原市", "三次市", "北広島町", "安芸太田町", "神石高原町", "世羅町", "府中市", "安芸高田市", "大崎上島町"} df["地形分類"] = np.where(df["市町名"].isin(CHUSANKAN_CITIES), "中山間 (9 市町)", "平野・沿岸 (13 市町)") chusankan_share = (df["地形分類"]=="中山間 (9 市町)").sum() / len(df) * 100 print(f"中山間集中度: {chusankan_share:.1f}%") # 2. 中山間 vs 平野 の規模比較 T_terrain = df.groupby("地形分類").agg( 件数=("トンネル番号", "size"), 平均延長_m=("延長(m)", "mean"), 最長_m=("延長(m)", "max"), ).reset_index() print(T_terrain) # (例) # 地形分類 件数 平均延長_m 最長_m # 0 中山間 (9 市町) 105 330.5 2212.0 # 1 平野・沿岸 (13 市町) 52 281.4 1800.0 # 3. 建設年代別ヒストグラム df["建設年度"] = pd.to_numeric(df["建設年度"], errors="coerce") df["年代"] = (df["建設年度"] // 10 * 10).astype("Int64") decade_count = df["年代"].value_counts().sort_index() print(decade_count) # 1920s:1 1930s:0 1940s:0 1950s:3 1960s:11 1970s:14 # 1980s:38 1990s:50 2000s:30 2010s:10 (例) # 4. 老朽トンネル (1974 年以前) AGE_THRESHOLD = 1974 df["is_old"] = df["建設年度"] <= AGE_THRESHOLD print(f"老朽トンネル: {df['is_old'].sum()} / {len(df)} ({df['is_old'].mean()*100:.1f}%)") # 5. 道路種別 × 地形分類 クロス表 cross = df.groupby(["道路種別", "地形分類"]).size().unstack(fill_value=0) print(cross) ''') sec5_fig5_text = """

図 5: なぜこの図か (RQ2)

「トンネルが中山間市町にどれだけ集中しているか」 を地図で読みたい。 背景を中山間 (薄緑) vs 平野・沿岸 (薄黄) で塗り分け、トンネル点を地形分類別に色分けして重ねる。 これにより「中山間 vs 平野の偏在」が一目で読める。 ゾーニング背景 + 点のオーバーレイは地理学の標準的な可視化技法。

""" sec5_fig5_read = f"""

この図から読み取れること:

""" sec5_fig6_text = """

図 6: なぜこの図か (RQ2)

「広島県の道路トンネルがどの年代に集中整備されたか」 を 1 枚で読みたい。 10 年区切りの建設年代別件数を棒グラフで描き、老朽閾値 (1970 年代以前) を赤色、 1980 年以降を青色で塗り分け。これにより「年代別の整備量 + 老朽トンネルの量」を同時に読める。

""" sec5_fig6_read = f"""

この図から読み取れること:

""" sec5 = (sec5_intro + "

実装コード (中山間 vs 平野 + 建設年代分析)

" + sec5_code + sec5_fig5_text + figure("assets/L67_fig5_chusankan_zoning_map.png", f"図 5 (RQ2): 中山間 vs 平野・沿岸 トンネル分布") + sec5_fig5_read + sec5_fig6_text + figure("assets/L67_fig6_decade_hist.png", f"図 6 (RQ2): 建設年代別 トンネル件数 — 老朽 (1970s 以前) {n_old} 件") + sec5_fig6_read + "

表: 中山間 vs 平野・沿岸 サマリ

" + df_to_html(T_terrain) + f"

この表から読み取れること: 中山間 9 市町に {n_chusankan} 件 ({chusankan_share:.1f}%)、" f"平野・沿岸 13 市町に {n_total-n_chusankan} 件 ({100-chusankan_share:.1f}%)。" f"中山間と平野で平均延長は {abs(T_terrain.iloc[0]['平均延長_m'] - T_terrain.iloc[1]['平均延長_m']):.0f}m の差。" f"「中山間トンネル ≒ 大規模、平野トンネル ≒ 小規模」のパターンが浮かぶ。

" + "

表: 中山間市町別 トンネルランキング

" + df_to_html(chusankan_rank) + f"

この表から読み取れること: 中山間トップは {chusankan_rank.iloc[0]['市町名']} " f"({int(chusankan_rank.iloc[0]['トンネル数'])} 件)、" f"これは{('安芸太田町' if chusankan_rank.iloc[0]['市町名']=='安芸太田町' else chusankan_rank.iloc[0]['市町名'])}" f"の山岳道路網を支える基幹インフラ。" f"中山間 9 市町でも2-7 倍の差があり、地形・人口・道路網密度で差が出る。

" + "

表: 建設年代別 件数

" + df_to_html(decade_df) + f"

この表から読み取れること: 1980-1990s の 2 年代で全体の {100*sum([decade_count.get(d, 0) for d in [1980,1990]])/n_total:.0f}% を占める集中整備期。" f"最多年代は {int(peak_decade)}s ({peak_count} 件)。" f"2010s 以降は新規整備が激減 = 維持管理時代への転換。" f"老朽トンネル ({old_share:.1f}%) は橋梁老朽率 ({100*1382/4203:.1f}%) より大幅に低い。

" + "

表: 道路種別 × 地形分類 クロス表

" + df_to_html(T_rt_show) + f"

この表から読み取れること: 国道・県道とも中山間に多く立地。" f"「広域幹線でも地域路でも、トンネルは山岳バイパス機能が中心」。" f"中山間市町では国道+県道のトンネル両方が地域の動脈を支える。

" ) # Sec 6: RQ3 sec6_intro = f"""

RQ3 の狙い

L66 橋梁 ({n_bridge:,} 件) と L67 トンネル ({n_total} 件) を比較し、 「橋梁=平野・川越え + トンネル=山岳貫通」の道路インフラ二極構造を実証する。 両者は同じ管理体系 (道路法 + 5 年周期点検) + 同じ 9 事務所階層を共有するが、 対象地形・規模・偏向が大きく異なる。本研究はこの違いを件数 / 規模 / 道路種別 / 地理の 4 軸で定量化する。

手法 (前置き解説)

""" sec6_code = code(r''' # 1. L66 橋梁データ読込 (既存中間 CSV を流用) import pandas as pd df_bridge = pd.read_csv("lessons/assets/L66_all_bridges.csv", encoding="utf-8-sig") print(f"橋梁: {len(df_bridge):,} 件") # 2. 件数 + 平均延長 比較 n_bridge = len(df_bridge); n_tunnel = len(df) ratio_count = n_bridge / n_tunnel # 約 27 倍 mean_b = df_bridge["延長(m)"].mean() # 約 19m mean_t = df["延長(m)"].mean() # 約 300m ratio_len = mean_t / mean_b # 約 16 倍 print(f"件数比: {ratio_count:.1f} : 1") print(f"平均延長比: {ratio_len:.1f} : 1 (トンネル/橋梁)") # 3. 道路種別偏向の対比 print("橋梁 国道シェア:", (df_bridge["道路種別"]=="国道").sum()/len(df_bridge)*100, "%") print("トンネル 国道シェア:", (df["道路種別"]=="国道").sum()/len(df)*100, "%") # 4. 二極構造マップ用に橋梁 POINT 化 import geopandas as gpd from shapely.geometry import Point geom_b = [Point(x,y) for x,y in zip(df_bridge["経度（10進数）"], df_bridge["緯度（10進数）"])] gdf_b = gpd.GeoDataFrame(df_bridge[["施設名"]], geometry=geom_b, crs="EPSG:4326").to_crs("EPSG:6671") # 5. 規模分布 (密度正規化重ね合わせ) import matplotlib.pyplot as plt, numpy as np plt.hist(df_bridge["延長(m)"].dropna(), bins=np.logspace(0, 4, 40), alpha=0.5, label="L66 橋梁", density=True) plt.hist(df["延長(m)"].dropna(), bins=np.logspace(0, 4, 40), alpha=0.5, label="L67 トンネル", density=True) plt.xscale("log") plt.legend() ''') sec6_fig7_text = f"""

図 7: なぜこの図か (RQ3)

「橋梁とトンネルの地理分担を 1 枚で読みたい」 ため、 橋梁を背景に薄く (灰), トンネルを前景に大きく (国道=赤, 県道=青) 重ねた二極構造マップ。 これにより「平野=橋梁、山岳=トンネル」の物理的補完関係が一目で読める。

""" sec6_fig7_read = f"""

この図から読み取れること:

""" sec6_fig8_text = f"""

図 8: なぜこの図か (RQ3)

「橋梁とトンネルの規模分布を 1 枚で対比したい」 ため、 左 = 件数比較 (棒グラフ), 右 = 延長分布の密度正規化ヒストグラム (log 軸) の 2 ペイン。 件数の桁差 ({ratio_count:.0f}:1) と規模の桁差 ({ratio_len:.0f}:1) を同時に視覚化する。 密度正規化により、件数差を排除した純粋な規模分布が比較可能。

""" sec6_fig8_read = f"""

この図から読み取れること:

""" sec6 = (sec6_intro + "

実装コード (L66 橋梁データ流用 + 比較指標計算)

" + sec6_code + sec6_fig7_text + figure("assets/L67_fig7_bridge_tunnel_dual_map.png", f"図 7 (RQ3): 道路インフラ二極構造マップ — 橋梁 (背景) + トンネル (前景)") + sec6_fig7_read + sec6_fig8_text + figure("assets/L67_fig8_bridge_tunnel_scale_compare.png", f"図 8 (RQ3): 橋梁 vs トンネル 規模分布対比") + sec6_fig8_read + "

表: L66 橋梁 vs L67 トンネル 二極構造比較

" + df_to_html(T_compare) + f"

この表から読み取れること: 件数比 {ratio_count:.1f} : 1、平均延長比 {ratio_len:.1f} : 1。" f"国道シェアは橋梁 27.4% vs トンネル {kuni_share:.1f}% で逆転現象がある。" f"中央値も 橋梁 7m vs トンネル {df_raw['延長(m)'].median():.0f}mと桁違い。" f"「橋梁=点的多数 + トンネル=大規模少数」の二極構造が全指標で一貫。

" + "

表: 道路種別 × 延長カテゴリ クロス表 (トンネル)

" + df_to_html(T_rl_show) + f"

この表から読み取れること: 国道は長大 (≥1000m) {int(road_length_cross.loc['国道', '長大(≥1000m)']) if '長大(≥1000m)' in road_length_cross.columns else 0} 件を多く含み、" f"県道は短 (<100m) {int(road_length_cross.loc['県道', '短(<100m)']) if '短(<100m)' in road_length_cross.columns else 0} 件に偏る。" f"これは道路階層差 (国道=広域幹線=長大、県道=地域路=短) を反映。" f"トンネルでは橋梁と同じ階層差パターンが見られる。

" + "

表: 長大トンネル Top 15

" + df_to_html(T_long_top) + f"

この表から読み取れること: 最長は {T_long_top.iloc[0]['施設名']} " f"({T_long_top.iloc[0]['延長(m)']:.0f}m, {T_long_top.iloc[0]['路線名']}, {T_long_top.iloc[0]['市町名']})。" f"Top 15 中の国道率 = {100*(T_long_top['道路種別']=='国道').sum()/15:.0f}% = " f"長大トンネルは国道偏重。これらは県の山岳幹線インフラの基幹であり、" f"耐震・覆工補修の最優先対象。

" ) # Sec 7: 仮説検証総合 sec7 = ( "

本記事の 5 仮説と観測結果の照合:

" + df_to_html(T_hypo) + "

3 RQ × 3 結論

" + "" + "

道路インフラ二極構造から見る県土像

" + f"

本研究の最重要発見は「橋梁とトンネルの完全二極構造」。" f"両者は同じ DoBoX シリーズ・同じ管理体系・同じ 9 事務所階層で扱われるが、" f"対象地形が完全に異なる: 橋梁は{n_bridge:,} 件の点的多数で県全土の中小河川クロスを覆い、" f"トンネルは{n_total} 件の集中型少数で中山間 9 市町の山岳道路網を支える。" f"件数比 {ratio_count:.1f}:1, 規模比 {ratio_len:.1f}:1 の桁違いの偏向は、" f"地形が道路インフラの形態を決定する地理学的根拠を提示する。

" + "

政策的含意 — 整備・維持・防災の地形別戦略

" + f"

橋梁とトンネルは「同じ機能、異なる地形、異なる規模」のため、" f"政策戦略も完全に分離する必要がある:

" + "" ) # Sec 8: 発展課題 sec8 = f"""

結果 X → 新仮説 Y → 課題 Z (3 RQ × 1 課題以上)

発展課題 1 (RQ1 由来): NEXCO 高速トンネル + 鉄道トンネルとの統合

発展課題 2 (RQ2 由来): L11 土砂災害警戒区域とのトンネル交差分析

発展課題 3 (RQ3 由来): 橋梁 + トンネル 統合道路網の連続性分析

発展課題 4 (RQ2 + L40 連携): 標高 × トンネル位置の統合分析

発展課題 5 (RQ2 + L50 連携): 道路規制とのトンネル交差

発展課題 6 (RQ3 拡張): 判定区分 ("?") の解明

発展課題 7 (展望): トンネル防災重要度ランキングの構築

""" # 統合 sections = [ ("学習目標と問い", sec1), ("使用データ", sec2), ("ダウンロード", sec3), (f"【RQ1】 トンネルの構造 — 国道 {kuni_share:.0f}% / " f"中央値 {df_raw['延長(m)'].median():.0f}m / Top 3 で {top3_city_share:.0f}%", sec4), (f"【RQ2】 山岳分断回避 — 中山間 {chusankan_share:.0f}% / " f"最多 {int(peak_decade)}s", sec5), (f"【RQ3】 L66 橋梁との二極構造 — 件数比 {ratio_count:.0f}:1 / " f"延長比 {ratio_len:.0f}:1", sec6), ("仮説検証総合", sec7), ("発展課題", sec8), ] html = render_lesson( num=67, title=f"トンネル基本情報 単独 3 研究例分析 — " f"{n_total} 件から県の山岳インフラを読む", tags=["L67", "トンネル", "道路トンネル", "国道", "県道", "RQ×3", "Format B", "geopandas", "POINT (CSV)", "中山間", "山岳バイパス", "二極構造", "L66連携 (橋梁)", "合併市町正規化"], time="50 分", level="中級", data_label=f"DoBoX dataset {DATASET_ID} (CSV, ~{csv_path.stat().st_size/1024:.0f} KB)", sections=sections, script_filename="L67_tunnels.py", ) OUT_HTML = LESSONS / "L67_tunnels.html" OUT_HTML.write_text(html, encoding="utf-8") print(f" HTML: {OUT_HTML.name} ({len(html):,} chars)") print(f" ({time.time()-t10:.1f}s)", flush=True) # ============================================================================= # 終了 # ============================================================================= print(f"\n=== 完了 (合計 {time.time()-t_all:.1f} 秒) ===", flush=True)