せとうちモニタークルーズ実施結果 単独 3 研究例分析 — 観光社会実験 15 航海の航路設計・乗船客特性・観光商品評価

データ取得手順

⚠️ このスクリプトは自動取得に対応していません。以下のデータセットを DoBoX から手動でダウンロードし、data/extras/ 以下に保存してください。

実行コマンド:

cd "2026 DoBoX 教材"
python -X utf8 lessons/L82_setouchi_monitor_cruise.py

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

学習目標と問い

本記事は、 DoBoX が公開する せとうちモニタークルーズ実施結果 (dataset_id = 1280)を、 観光社会実験のプロダクト分析 として読み解く。 2022 年 12 月 6 日〜22 日の9 運航日 × 7 航路 = 15 航海 / 23 寄港地 (Haversine 総距離 634 km) のデータを、 (1) 航路の地理設計、 (2) 乗船客の 回数効果、 (3) 商品としての採算性 の 3 軸で深掘りする。

用語の独自定義 (このレッスン専用)

• モニタークルーズ (monitor cruise): 広島県が観光振興・新規ルート 開拓の試験運航 (= 社会実験)として限定日数で実施するクルーズ 事業。 本データは 2022 年 12 月の9日間で 7 航路を運航し、 新規寄港地 7 港の集客力検証を主目的とした。 「定期航路化の判断材料を集める前段階」の位置付け。
• 試験運航 (pilot operation): 定期化前の限定運航。 本データの 9 運航日は 2 週末を含む 2 ターン (12/06-08, 12/13-15, 12/20-22) で、 同一航路を 2-3 回反復運航する設計。 反復が「物珍しさ効果」 と 「常連化効果」 のどちらが強いかを観察できる。
• ルート設計 (route design): 始発・終着・経由港の選択と寄港順序の 決定。 本記事では (a) 寄港地数、 (b) 総距離 (Haversine), (c) 平均区間距離, (d) 始発 = 終着の戻り型/片道型、 (e) 既存航路との Jaccard 類似度 の 5 軸で記述する。
• 戻り型ループ (loop route): 始発港 = 終着港 となる航路設計。 日帰り観光商品として完結し、 復路移動の負荷がない。 本データでは 0 航路が該当 (= 全 7 航路は片道型)。
• 片道型 (one-way route): 始発と終着が異なる航路。 復路は別便 (フェリー / バス / JR) または東西ペアのもう片方が必要。 本データでは 全 7 航路 (7/7)が片道型。
• 東西ペア (east-west pair, 本記事独自): 同一基幹区間 (例: 広島⇔尾道) を東向きと西向きの2 航路として用意した設計。 乗船客は好みの方向で楽しめ、 船社側は 1 隻で 1 日 2 航海運用しやすい。 本データでは3 ペア確認 (ペアキー = 「広島⇔尾道」 等)。
• 方向 (direction): 航路名末尾の「（東）」 「（西）」 から 抽出した運航方向タグ。 「東向 = 西から東に向かう」 「西向 = 東から 西に向かう」 と本記事では定義する。 観測では東向 3 航路 + 西向 4 航路。
• 定期化 (regularization): 試験運航の結果を踏まえて定期航路 として恒久的に運航開始すること。 本記事は定期化の判断材料として 定期化適性スコアを独自に提案する (= 平均客数 × 新規ボーナス × 観光資源ボーナス / 距離係数)。
• 観光商品 (tourism product): 顧客が支払い対象とする商品単位。 本記事ではモニタークルーズ 1 航海 = 1 観光商品とみなし、 1 航海あたり 平均客数・収容率・推定収益を商品評価の指標とする。
• 採算性 (profitability): 1 航海あたりの収益が運営コストを上回るか。 本データには料金・コストが含まれないため、 本記事は仮定単価 5,000 円/人 + 仮定定員 70 人で 収容率 + 推定収益を計算する (= 規模指標、 純利益ではない)。
• 収容率 (load factor): 平均客数 / 定員。 観測最大値 70 人を満席仮定として 70 人を 定員に設定。 経営観光船の損益分岐目安 ~80% を参照値として表示。
• 運航回数効果 (operation iteration effect): 同一航路の第 N 回 運航で客数がどう変わるか。 第 1 回 vs 第 2 回 vs 第 3 回の平均客数を 比較し、 「物珍しさ効果」 (= 第 1 回の方が多い) または「常連化効果」 (= 第 N 回の方が多い) を識別する。
• 変動係数 CV (coefficient of variation): 標準偏差 / 平均。 無次元なので異なる単位の量を比較できる。 本記事では 1 航海客数の CV で「観光商品として客数の安定性」 を評価。
• 観光資源密度 (POI density, 本記事独自指標): 寄港地 23 港のうち ビューポイント写真情報を持つ港の数を観光資源と定義し、 各航路の (観光資源数 / 寄港地数) を観光資源密度とする。 DoBoX resource 39783 (X04 で未使用) のメタ情報を活用。
• しまたび Jaccard 類似度 (本記事独自指標): モニタークルーズ各 航路の寄港地集合 と 既存しまたびライン 14 港の集合 の Jaccard 係数 (= |A ∩ B| / |A ∪ B|)。 0 = 全く別ルート / 1 = 完全同一。 新規開拓 vs 既存重複 の度合いを定量化。
• 距離ベース新規率 (本記事独自指標): X04 で計算した 「寄港地ベース新規率」 (= 新規寄港地数 / 全寄港地数) を、 本記事では 区間距離 km で重み付けした距離ベース新規率に置き換える。 長い区間が新規かどうかを反映する。
• 定期化適性スコア (本記事独自指標): 平均客数 × 新規ボーナス (1.0 + 新規率 × 0.3) × 観光資源ボーナス (1.0 + 観光資源密度 × 0.2) / 距離係数 (max(総距離/100, 0.5))。 高客数・高新規性・高観光資源・距離効率の 4 条件を統合した 1 軸指標。 「定期化候補をランキングできる」 のが目的。

研究の問い (3 RQ)

1. RQ1 (主研究) — モニタークルーズ 7 航路の航路設計 (ルート構造)はどう描けるか? Haversine 距離・寄港地数・新規率・戻り型/片道型・観光資源密度・ しまたび Jaccard 類似度の 6 軸で全件記述する。
2. RQ2 (副研究 1) — 1 航海あたり乗船客数の運航回数効果は あるか? 第 1 回 vs 第 2 回 vs 第 3 回 / 平日 vs 週末 / 戻り型 vs 片道型 の 3 角度で集計し、 物珍しさ効果と常連化効果を識別。
3. RQ3 (副研究 2) — モニタークルーズの観光商品としての評価は どうか? 推定収容率・推定収益・定期化適性スコア・既存しまたびとの 規模比較 の 4 軸で量化する。

仮説 (5 個)

• H1 (RQ1, 総距離 80-120km 帯集中): 7 航路の総距離は 80-120 km の狭い帯に集中し、 max/min 比は1.5 倍以下仮説 (= 距離規格の均質化)。
• H2 (RQ1, 東西ペア ≥ 2 ペア): 7 航路中、 同一基幹区間を東向きと 西向きで運航する東西ペアが2 ペア以上存在する仮説。 双方向商品設計の量的証拠。
• H3 (RQ2, 第 2 運航 客数減 ≥ 15%): 同一航路の第 2 回運航客数は 第 1 回より15% 以上少ない仮説。 「物珍しさ効果」 の減衰。
• H4 (RQ2, 客数 CV ≤ 0.20): 15 航海の客数 CV は0.20 以下 仮説。 観光商品として客数が安定。
• H5 (RQ3, 定期化適性 上位 2 特定): 定期化適性スコア上位 2 航路は 高客数 + 高新規性 + 高観光資源で識別され、 既存しまたびと比較しても 1 航海集客効率では遜色ない仮説。

到達点

• モニタークルーズ 7 航路の航路設計を Haversine 距離 + Jaccard 類似度 + 観光資源密度の独自 3 指標で全件把握。
• 運航回数効果 (= 反復運航での客数変化) の検証手法を習得。
• 限定的データから採算性指標を導出する手法 (仮定単価 + 仮定定員 → 推定収容率 → 推定収益) を理解し、 「公開データの限界」 と 「仮定値の透明な提示」 を実践。
• 定期化適性スコアのような独自統合指標の設計と限界の明示。
• geopandas + shapely を使ったルートジオメトリ分析と numpy ベクトル化 Haversineの実装パターン習得。

使用データ

本記事の主データは DoBoX dataset 1280「せとうちモニタークルーズ 実施結果」のみ。 X04 改訂版で resource 39782 + 39781 を使用済みだが、 本記事は第 3 のリソース 39783 (ビューポイント写真情報)のメタ情報も 含めて解析する。

主データ (本記事の研究対象)

従属参照データ (RQ1 重複検出 + RQ3 規模比較)

形式特性の注意点

• 1 行 = 1 (運航日 × 航路 × 寄港地): 同一航路でも運航日ごとに 行が複製される。 集計時は drop_duplicates(["運航日", "航路名"]) または drop_duplicates("寄港地ID") で重複を除去する必要がある。
• 料金情報なし: 本データには 1 人あたり料金が記載されていない。 本記事の収益試算は仮定単価 5,000 円/人で計算した 規模指標。 純利益の実数値ではない。
• 船社情報あり: 「瀬戸内海汽船・しまなみ海運」 (2 船社) の運航。 ただし航路ごとの船社割当ては全 7 航路で同一表記のため船社差は分析不能。
• アンケート個票なし: 観光客アンケートは集計済みの観光客数 のみ記録。 性別・年齢・居住地等の個票は別途観光振興課保管。

ダウンロード

本記事の再現に必要なすべてを直リンクで提供する。 HTML だけ読めば学習者が完全再現できることが目標 (要件 A)。

生データ (DoBoX, 主データ)

• dataset 1280: せとうちモニタークルーズ実施結果 (本記事主データ)
• data/extras/L82_setouchi_monitor_cruise/monitor_cruise_daily.csv — 航路×寄港地×運航日 (133 行)
• data/extras/L82_setouchi_monitor_cruise/monitor_cruise_ports.csv — 寄港地マスタ (23 行)

このスクリプト本体

• L82_setouchi_monitor_cruise.py — 1 ファイルで完結 (7 図 + 14 表 生成)

従属参照 (本記事は読込みのみ、 取得不要)

• しまたびライン月次 (X04 cache 共有) data/extras/shimatabi_monthly.csv — 14 桟橋 × 9 ヶ月 (RQ1 Jaccard / RQ3 規模比較)
• L44 行政界 ディゾルブ data/extras/L44_storm_surge/_cache/admin_diss.gpkg — 27 市町 polygon (描画用)

中間 CSV (本記事生成、 再利用可)

• L82_route_overview.csv — 7 航路 個体台帳 (RQ1 主役表)
• L82_port_frequency.csv — 23 寄港地 × 寄港回数ランキング (RQ1)
• L82_route_role.csv — 始発・終着 役割表 (RQ1)
• L82_dist_summary.csv — 距離統計サマリ + 距離ベース新規率 (RQ1)
• L82_passenger_summary.csv — 15 航海 客数統計 (RQ2)
• L82_voyage_index.csv — 運航回別 客数 (RQ2 H3)
• L82_turn.csv — 3 ターン別 客数 (RQ2, 全運航日が平日のため週末区分は無効)
• L82_routetype.csv — 東向/西向 別 客数 (RQ2, 全 7 航路は片道型)
• L82_daily_total.csv — 9 運航日別 集計 (RQ2)
• L82_revenue.csv — 推定収容率 + 推定収益 (RQ3)
• L82_periodic_score.csv — 定期化適性スコア (本記事独自指標, RQ3)
• L82_compare_shimatabi.csv — しまたび との規模比較 (RQ3)
• L82_policy.csv — 政策的位置付け 8 観点 (RQ3)
• L82_hypothesis_check.csv — H1〜H5 仮説検証結果

図 (PNG, 直 DL 可)

• fig1: 7 航路ルートマップ + 観光資源 (RQ1)
• fig2: 距離・新規率・観光資源密度 3 軸 (RQ1)
• fig3: 23 寄港地 × 寄港回数ランキング (RQ1)
• fig4: 9 運航日 × 7 航路 客数 small multiples (RQ2)
• fig5: 運航回 / 平日週末 / ルートタイプ (RQ2)
• fig6: 推定収容率 + しまたび比較 (RQ3)
• fig7: 定期化適性スコア + 地理可視化 (RQ3)

分析 1 (RQ1 主研究): モニタークルーズ 7 航路の航路設計

狙い (RQ1)

RQ1 では「モニタークルーズ 7 航路の航路設計」 を初めて 系統的に記述する。 Haversine 距離(球面三角法) で総距離・平均区間 距離・最大最小区間を計算し、 各航路の方向 (東向/西向)・東西ペア構造と 既存しまたびライン (#1282) との Jaccard 類似度を算出する。 さらに resource 39783 (X04 で未使用) のビューポイント写真情報から 観光資源密度を計算する。 H1 (総距離 80-120 km 帯集中), H2 (東西ペア ≥ 2 ペア) を量的に検証する。

手法 — 5 ステップ

1. STEP 1: 3 CSV 読込み + cp932 デコード
   DoBoX の本データは cp932 (Shift-JIS) 標準。 read_csv(..., encoding="cp932")。
2. STEP 2: 航路ジオメトリ生成
   各航路で drop_duplicates("寄港地ID").sort_values("寄港桟橋順") で寄港順序を確定。 寄港地 ID と緯度経度をリストアップ。
3. STEP 3: Haversine ベクトル化距離
   numpy ベクトル化で連続 2 点間の球面距離を一括計算。 対象 7 航路 × 平均 9 区間 = 約 63 区間で 1 ms 未満。
4. STEP 4: Jaccard 類似度 + 方向タグ + 東西ペア判定
   モニター各航路の寄港地集合 vs しまたび 14 港集合。 Python の set 演算で 1 行。 航路名末尾の「（東）」 「（西）」 から方向を抽出し、 ペアキー (sorted(('始発', '終着'))) で東西ペアを識別する。
5. STEP 5: 観光資源密度 + 距離ベース新規率
   ビューポイント写真フラグ (23 港) を航路ごとに集計。 区間情報 (新規/既存) を Haversine 距離で重み付けし、 距離ベース新規率を算出。

実装

狙いを踏まえた実装。 Haversine ベクトル化 + Jaccard set 演算の組み合わせ。

↑ L82_setouchi_monitor_cruise.py 行 1606–1712

 1
 2
 3
 4
 5
 6
 7
 8
 9
1615
1616
1617
1618
1619
1620
1621
1622
1623
1624
1625
1626
1627
1628
1629
1630
1631
1632
1633
1634
1635
1636
1637
1638
1639
1640
1641
1642
1643
1644
1645
1646
1647
1648
1649
1650
1651
1652
1653

import pandas as pd
import geopandas as gpd
import numpy as np
from shapely.geometry import Point

# (1) CSV 読込み (cp932 = Shift-JIS、 DoBoX のクルーズ系は cp932 が標準)
df_daily = pd.read_csv(
    "data/extras/L82_setouchi_monitor_cruise/monitor_cruise_daily.csv",
    encoding="cp932")
df_ports = pd.read_csv(
    "data/extras/L82_setouchi_monitor_cruise/monitor_cruise_ports.csv",
    encoding="cp932")

# (2) Haversine 距離 (球面三角法、 numpy ベクトル化で高速)
def haversine_km(lat1, lon1, lat2, lon2):
    R = 6371.0  # 地球半径 km
    p1, p2 = np.radians(lat1), np.radians(lat2)
    dp, dl = np.radians(lat2 - lat1), np.radians(lon2 - lon1)
    a = np.sin(dp/2)**2 + np.cos(p1)*np.cos(p2)*np.sin(dl/2)**2
    return 2 * R * np.arcsin(np.sqrt(a))

# (3) 航路ごとに寄港順序を組み立て、 区間距離を計算
for name, g in df_daily.groupby("航路名"):
    seq = g.drop_duplicates("寄港地ID").sort_values("寄港桟橋順")
    lats = seq["緯度"].values
    lons = seq["経度"].values
    seg_dists = haversine_km(lats[:-1], lons[:-1], lats[1:], lons[1:])
    print(f"{name}: 寄港地{len(seq)}, 総距離{seg_dists.sum():.1f}km")

# (4) Jaccard 類似度 (既存しまたびとの寄港地集合比較)
df_shi = pd.read_csv("data/extras/shimatabi_monthly.csv",
                     encoding="cp932").dropna(subset=["寄港地（桟橋名）"])
shi_set = set(df_shi["寄港地（桟橋名）"].unique())

def jaccard(a, b):
    a, b = set(a), set(b)
    return len(a & b) / max(len(a | b), 1)

# 各 monitor 航路の寄港地集合と shi_set の Jaccard
for name, g in df_daily.groupby("航路名"):
    monitor_set = set(g["寄港地（桟橋名）"].unique())
    j = jaccard(monitor_set, shi_set)
    print(f"{name}: しまたびJaccard = {j:.2f}")

# (5) GeoDataFrame 化 + 平面直角第 III 系 (m 単位) 投影
gdf_ports = gpd.GeoDataFrame(df_ports,
    geometry=[Point(lon, lat) for lon, lat in zip(df_ports["経度"], df_ports["緯度"])],
    crs="EPSG:4326").to_crs("EPSG:6671")

結果と読み取り

(a) 7 航路ルートマップ + 観光資源 (図 1)

なぜこの図か: 7 航路 × 23 寄港地という小さな 母集団は、 1 枚の地図で全件並列表示するのが最も情報密度が高い。 寄港地の新規 (赤丸) / 既存 (青丸)に加え、 観光資源 (黄星) を 3 重符号化することで、 1 枚で「どこに何を新設し、 どんな観光資源を経由するか」 を視覚化する (要件 T)。

図 1: モニタークルーズ 7 航路ルートマップ

図 1 から読み取れること:

• 寄港地分布: 新規 8 港はしまなみ海道周辺 (因島・尾道・しまなみ海道大橋・福山・鞆の浦) に集中、 既存 15 港は広島港 - 呉 - 瀬戸田の既存 しまたびライン上に配置。 「東への新規開拓」 が空間設計の柱。
• 23 港の観光資源 (橋・島・歴史的港) のうち、 多島美橋 (とびしま海道・しまなみ海道) 群と尾道・三原・鞆の浦の 歴史的港町が新規ルートに組み込まれている。 「橋を見る・歴史的港町を 巡る」 観光商品設計が読み取れる。
• 全 7 航路は片道型 (戻り型ループ 0 / 7)。 広島港 ⇔ 鞆の浦/尾道/三原/しまなみ・尾道 を東西方向で運航する設計で、 復路は別便 (= 東西ペアのもう片方、 または別交通機関) を利用する。 これは X04 が見落とした本記事独自の発見: モニタークルーズは 「日帰りループ」 ではなく「東西ペアの片道商品」として設計されている。

(b) 7 航路の構造プロファイル (図 2)

なぜこの図か: H1 (総距離分散) を直感するには、 (a) 総距離ランキング、 (b) 新規率ランキング、 (c) 観光資源密度 vs しまたび Jaccard 散布の 3 パネル並列が最適。 各航路の戻り型/片道型を色分けで識別する。

図 2: 7 航路の距離・新規率・観光資源・既存接続の 3 軸プロファイル

図 2 / 表から読み取れること:

• 総距離: 最短 82.0 km (③三原⇒広島コース（西）)、 最長 107.1 km (①鞆の浦⇒広島コース（西）)。 max/min 比 1.31 倍。 H1 (80-120km 帯 + max/min ≤ 1.5) は支持。 7/7 航路が 80-120 km の狭い帯に集中し、 「半日 〜 1 日かけて運航する片道商品」 として距離規格が均質化されている 設計が量的に確認される。
• 新規率: 寄港地ベース最大は①鞆の浦⇒広島コース（西） (38%) = しまなみ海道経由の 新規開拓率の高い航路。 最低は③三原⇒広島コース（西） (0%) = 既存呉ルート活用型。
• 距離ベース新規率は15.9%。 寄港地ベースだけでなく、 「区間距離」で重み付けすることで、 長距離区間が新規かどうかを反映できる (本記事独自指標)。
• しまたび Jaccard 類似度: 範囲は0.35 〜 0.57。 完全に独立な航路は無く、 最低でも 2-3 港 (広島港・呉・瀬戸田等) を共有する設計。 「既存ハブ + 新規寄港地」 のハイブリッド設計が標準。
• 観光資源密度: 範囲は1.00 〜 1.00。 密度 1.00の航路は寄港地の 100% が観光資源を持つ = ほぼ全寄港地が「降りる価値がある」 高密度ルート。

(c) 寄港地の航路寄港回数ランキング (図 3)

なぜこの図か: 「どの港が中継ハブとして 7 航路に頻繁に組み込まれて いるか」 を 1 枚で示す。 港の重要度を寄港頻度で量的にランキングし、 新規/既存 + 観光資源フラグを色と枠線で 3 重表示する。

図 3: 23 寄港地 × 寄港回数ランキング

図 3 / 表から読み取れること:

• 最頻港は安芸灘大橋 (7 航路で寄港) = 中継ハブとして 7/7 航路に組み込まれる。 これは広島港宇品旅客ターミナルと予想され、 モニタークルーズの中央発着拠点であることが量的に確認される。
• 1 港でしか寄港されない「単独港」は 9 港。 多くは 新規寄港地の島嶼で、 「特定の航路でしか訪れない一点ものスポット」 として商品性が際立つ。
• 新規 (8 港) と既存 (15 港) では、 既存港の方が頻繁に寄港される傾向。 これは 7 航路すべてに 「広島港 / 呉港 / 瀬戸田港」 等の既存ハブが組み込まれるため。
• 始発港の役割: 広島港始発 = 3/7 航路、 広島港終着 = 4/7 航路。 合計 7/14 の端点が広島港 = ほぼ全航路が広島港を端点に持つハブ&スポーク設計。 H2 (東西ペア ≥ 2) は支持: 3 ペアの東西ペア構造を確認 (尾道⇔広島 / 三原⇔広島 / しまなみ・尾道⇔広島)。 全 7 航路は片道型で、 乗船客は好みの方向で楽しめる双方向商品設計が確認される。

距離統計サマリ:

始発・終着 役割表:

分析 2 (RQ2 副研究 1): 1 航海客数の運航回数効果

狙い (RQ2)

RQ2 では「1 航海あたり乗船客数の運航回数効果」 を検証する。 モニタークルーズの 9 運航日は 2 週末を含む 3 ターン (12/06-08, 12/13-15, 12/20-22) で同一航路を 2-3 回反復運航する設計。 第 1 回 vs 第 2 回 vs 第 3 回の客数を比較することで、 「物珍しさ効果」 (= 第 1 回が多い) と「常連化効果」 (= 第 N 回が多い) を 識別する。 H3 (第 2 運航客数 -15%) は物珍しさ効果の量化、 H4 (CV ≤ 0.20) は商品としての客数安定性を量化。

手法 — 6 ステップ

1. STEP 1: 1 航海 = 1 (運航日, 航路) 集約
   raw データは 1 寄港地 = 1 行で複製されているため、 drop_duplicates(["運航日", "航路名"]) で 1 航海 1 行に縮約。 133 行 → 15 行。
2. STEP 2: 運航回ラベル付与
   各航路内で運航日順に cumcount() + 1 で 1, 2, 3 を付与。
3. STEP 3: ターン別タグ (12/06-08 / 12/13-15 / 12/20-22)
   dt.weekday で曜日を取得すると、 全 15 航海が平日 Tue-Thu で週末区分が無効であることが分かる。 代わりに運航スケジュールが 3 ターン構成 (毎週 1 ターン) に分かれていることを利用し、 第1/第2/第3 ターンのタグを付与する。
4. STEP 4: 戻り型/片道型タグ
   RQ1 のジオメトリ辞書から is_loop を引いて付与。
5. STEP 5: 客数 CV (変動係数) 計算
   std / mean。 無次元なので異なる指標を比較できる。
6. STEP 6: 3 軸集計 (運航回 / 平日週末 / ルートタイプ)
   groupby + aggで 3 つの平均客数表を生成。 H3, H4 を量的に検証。

実装

運航回ラベル付与と CV 計算が中心。 6 ステップで集計表 4 個 + ピボット 1 個を生成。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

import pandas as pd

# (1) 1 航海 = 1 (運航日, 航路) の単位に集約 (寄港地行を 1 行に統合)
trip = (df_daily.drop_duplicates(["運航日", "航路名"])
        [["運航日", "航路名", "観光客数（人）"]]
        .sort_values(["運航日", "航路名"])
        .reset_index(drop=True))

# (2) 各航路内の運航回数 (1 回目, 2 回目, 3 回目)
trip = trip.sort_values(["航路名", "運航日"])
trip["運航回"] = trip.groupby("航路名").cumcount() + 1

# (3) 平日 / 週末 タグ
trip["運航日"] = pd.to_datetime(trip["運航日"])
trip["平日週末"] = trip["運航日"].dt.weekday.apply(
    lambda w: "週末" if w >= 5 else "平日")

# (4) 戻り型/片道型タグを RQ1 ジオメトリから付与
loop_map = {name: info["is_loop"] for name, info in route_geom.items()}
trip["戻り型"] = trip["航路名"].map(loop_map)

# (5) 客数 CV (変動係数) — 商品としての安定性指標
visitors = trip["観光客数（人）"].values.astype(float)
mean_v = visitors.mean()
std_v = visitors.std(ddof=0)
cv = std_v / mean_v
print(f"全 15 航海 平均 {mean_v:.1f} 人, std {std_v:.2f}, CV {cv:.3f}")

# (6) 運航回別 平均
print(trip.groupby("運航回")["観光客数（人）"].agg(["count", "mean", "median"]))

結果と読み取り

(a) 9 運航日 × 7 航路 客数 small multiples (図 4)

なぜこの図か: 9 運航日 × 7 航路 = 15 航海の客数を、 運航日ごとに 1 パネルの small multiplesで全件並列表示することで、 「いつ・どの航路が・ どれだけ集客したか」 を 1 図で読み取れる。 平日 (青タイトル) と週末 (赤 タイトル) の差、 戻り型 (↺) と片道型 (→) の差を視覚的に区別 (要件 T)。

図 4: 9 運航日 × 7 航路 = 15 航海 客数 small multiples

運航日別 集計:

図 4 / 表から読み取れること:

• 運航日別 1 日合計客数: 最大は 2022-12-07 (138 人 / 2 航海)、 最小は 2022-12-20 (36 人 / 1 航海)。 日によって航海本数が異なる (1 日 1 航海 vs 2 航海) ため、 平均で見るのが正しい。
• 客数の絶対範囲は36 - 70 人。 1 航海 36 人を下回るケースは無く、 「観光商品として最低 36 人は 集まる」 規模感が確認される。
• 各航海の客数が50-70 人帯に集中。 仮定定員 70 人に対して 平均収容率は約 83%で、 モニター事業として高い集客成功を示す。

(b) 客数の 3 角度分解 (図 5)

なぜこの図か: H3 (運航回数効果) と H4 (CV) を直感するには、 (a) 運航回別 box plot, (b) 平日週末別 棒, (c) 戻り型/片道型別 棒 の 3 パネル並列が最適。 box plot で分布全体を見せ、 棒で平均値を強調する。

図 5: 客数の 3 角度分解 — 運航回 / 平日週末 / ルートタイプ

15 航海 客数統計:

運航回別:

3 ターン別 (全 15 航海とも平日 Tue-Thu のため週末区分は無効):

方向 (東向 / 西向) 別:

図 5 / 表から読み取れること:

• 15 航海平均 58.1 人、 中央値 60 人、 標準偏差 10.67 人、 CV = 0.184。 H4 (CV ≤ 0.20) は支持。 観光商品として客数が極めて安定し、 「ほぼ毎回 50-70 人」 という安定した集客結果。
• 運航回数効果: 第 1 回平均 63.1 人 → 第 2 回平均 56.1 人 (減少率 11.1%)。 H3 (減少率 ≥ 15%) は反証。 反復運航でも需要が比較的安定し、 「常連化効果」 と「物珍しさ効果」 が拮抗または常連化が優勢。 これは試験運航の手応えとしてポジティブ。
• 3 ターン別 (= 週単位の運航回数): 第1ターン平均 61.0 人 → 第2ターン 65.4 人 → 第3ターン 47.8 人。 週を経るごとに客数が減少 する傾向で、 これは H3 (運航回数効果) と整合する観察。 注意点: 全 15 航海が平日 Tue-Thuのみで運航され、 週末 運航は 0 回。 「週末観光船」 という常識的なイメージとは異なる 平日中心の試験運航設計が確認される。
• 東向 vs 西向: 全 7 航路が片道型のため、 「方向」 で 2 区分。 東向平均 58.0 人 vs 西向平均 58.1 人。 方向別の客数差は限定的で、 「西向 (鞆の浦/尾道/三原 → 広島) も東向 (広島 → 尾道/三原/しまなみ) も同程度の集客力」 が量的に確認される。 これは東西ペア商品設計の妥当性を裏付ける重要な発見。

分析 3 (RQ3 副研究 2): 観光商品としての評価 — 採算性 + 定期化適性

狙い (RQ3)

RQ3 では「モニタークルーズの観光商品としての評価」 を量化する。 本データには料金・船舶コストの情報が無いため、 仮定単価 5,000 円/人 + 仮定定員 70 人を明示提示し、 推定収容率・推定収益・定期化適性スコア (本記事独自指標)を計算する。 これらは純利益の実数値ではなく規模指標・ランキング指標として位置付ける。 最後に既存しまたびとのスケール比較で、 モニター事業の「相対的位置」 を量化。

手法 — 4 ステップ

1. STEP 1: 推定収容率 + 推定収益 (1 航海あたり)
   平均客数 / 仮定定員 = 推定収容率。 平均客数 × 仮定単価 = 1 航海推定収益。 仮定値を明示することが研究倫理の要点。
2. STEP 2: 定期化適性スコア (本記事独自指標)
   平均客数 × 新規ボーナス × 観光資源ボーナス / 距離係数 の積商で 1 軸ランキング化。 高客数 + 高新規性 + 高観光資源 + 距離効率 の 4 条件を統合。
3. STEP 3: しまたび月平均との規模比較
   モニター 1 航海平均 vs しまたび月平均 / 月の桁差をログスケールで比較。 「観光社会実験は既存定期航路の何 % 規模なのか」 を量化。
4. STEP 4: 政策的位置付け 8 観点
   実施期間・主体・目的・規模・成果・アンケート・後継・限界 の 8 観点で本事業の制度的文脈を整理。

実装

仮定値の明示提示 + 独自スコア生成 + 規模比較の 3 段構成。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

import pandas as pd

# 仮定値 (公開データに無いため明示)
ASSUMED_CAPACITY = 70   # 1 航海定員 (観測最大値ベース仮定)
ASSUMED_FARE = 5000     # 仮定単価 円/人 (類似観光船相場)

# (1) 航路別 1 航海平均客数 + 推定収容率 + 推定収益
revenue_records = []
for name in T_route["航路名"]:
    sub = trip[trip["航路名"] == name]
    avg = sub["観光客数（人）"].mean()
    n_v = len(sub)
    occ = avg / ASSUMED_CAPACITY * 100
    rev_per_v = avg * ASSUMED_FARE
    revenue_records.append({
        "航路名": name, "平均客数": round(avg, 1),
        "推定収容率_%": round(occ, 1),
        "推定収益_万円_per航海": round(rev_per_v / 10000, 1),
    })

# (2) 定期化適性スコア (本記事独自指標)
# = 平均客数 × 新規ボーナス (1.0 + 新規率 × 0.3)
#                × 観光資源ボーナス (1.0 + 観光資源密度 × 0.2)
#                / 距離係数 (max(総距離 / 100, 0.5))
def periodic_score(avg, new_ratio, view_density, total_km):
    new_bonus = 1.0 + new_ratio * 0.3
    view_bonus = 1.0 + view_density * 0.2
    dist_factor = max(total_km / 100.0, 0.5)
    return avg * new_bonus * view_bonus / dist_factor

# (3) しまたび月平均との規模比較
df_shi_monthly = df_shi[month_cols].sum().sum() / 9  # 4-12月の月平均
ratio = monitor_total / df_shi_monthly
print(f"モニター 12月総客数 / しまたび月平均 = {ratio*100:.1f}%")

結果と読み取り

(a) 推定収容率 + しまたび規模比較 (図 6)

なぜこの図か: 採算性評価は (a) 1 航海ごとの収容率 (損益分岐目安 80% との比較)、 (b) 既存しまたびとの規模対比 の 2 パネルが最適。 収容率には推定収益も併記し、 (b) は対数軸で桁数差を視覚化する。

図 6: 観光商品としての採算性 + しまたびとのスケール比較

航路別 推定収容率 + 推定収益:

しまたびとの規模比較:

図 6 / 表から読み取れること:

• 収容率最高は④広島⇒しまなみ・尾道コース (98.6%)、 最低は ③広島⇒三原コース（東） (62.1%)。 最高航路は損益分岐目安 80% を上回り、 仮定単価でも採算が取れる規模と推測される。
• 1 航海推定収益の範囲は22 〜 34 万円。 仮定単価 5,000 円/人での試算。 純利益では無いこと、 船舶傭船料・人件費・保険を差し引く必要があることに注意。
• しまたび 12月総客数 2,816 人 vs モニター 15 航海合計 871 人 (= しまたび 12月の30.9% 規模)。 モニターは 15 航海の限定運航 / しまたびは 14 港 × 月運航のため、 1 航海あたり集客効率では遜色ない。
• 1 航海平均 vs 月需要平均: モニター 58.1 人/航海 vs しまたび月平均 10,742 人/月 (全 14 港)。 しまたびを 1 港 1 航海あたりに割り戻すと 25 人/港/日程度で、 モニターの 1 航海集客力はしまたびの10 倍以上の集中度で集客可能。

(b) 定期化適性スコア (図 7)

なぜこの図か: H5 (定期化適性 上位 2 特定) の量的検証には、 (a) 7 航路のスコアランキング (3 ボーナスの内訳付き) と (b) 地理可視化 (線色 = スコア順) の 2 パネルが最適。 定量と空間配置を 1 枚で結合する (要件 T)。

図 7: 定期化適性スコア + 地理可視化

定期化適性スコア (本記事独自指標):

政策的位置付け:

図 7 / 表から読み取れること:

• 定期化適性 上位 1 = ④広島⇒しまなみ・尾道コース（東） (スコア 96.3)、 上位 2 = ③三原⇒広島コース（西） (スコア 88.5)。 H5 (上位 2 特定) は支持。 これら 2 航路は新規率 + 観光資源密度が高く、 距離効率も良い。
• 下位は③広島⇒三原コース（東） (スコア 65.5) = 平均客数 / 距離効率がトレードオフで弱く、 定期化候補としては劣後。
• 3 ボーナスの寄与: 新規ボーナス は+11% が最大、 観光資源ボーナスは+20%。 距離係数は0.82 - 1.07 の範囲で、 短距離航路ほどスコアが高くなる。
• 政策的位置付け: モニタークルーズは「観光振興目的の県主導試験運航」 で、 本データから直接の定期化決定情報は読み取れない。 しかし上位 2 航路④広島⇒しまなみ・尾道コと③三原⇒広島コース（西） は本記事の独自指標で「定期化候補」 と特定でき、 後続の事業評価で参照すべき量的な根拠を提供する。
• 「観光社会実験」 としての成果: 15 航海 / 871 人 / 推定平均 収容率 83%は、 仮定単価 5,000 円/人で総売上 約436 万円 規模 (純利益ではない)。 これは事業期間 17 日間 / 7 航路の規模として 評価でき、 「定期化判断のための量的データ取得には十分な規模」 と 量的に判定できる。

仮説検証総合

本記事で立てた 5 仮説の検証結果を一覧する。 観測値・判定・解釈の 3 列で、 RQ1/RQ2/RQ3 を横断する研究の結論部。

発展課題

本記事の結果Xから派生する新仮説Yと、 それを検証する 具体的課題Zを 3 つの発展経路に整理する (要件 E)。

発展課題 1: モニタークルーズの定期化追跡 (時系列拡張)

• 結果X: 定期化適性スコア上位 2 航路を本記事独自指標で特定したが、 実際に定期化されたかどうかは不明。
• 新仮説Y: 上位 2 航路の少なくとも 1 つは、 2023 年以降に 定期航路または季節限定運航として継続している仮説。
• 課題Z: 広島県観光連盟・船社の 2023-2025 年運航スケジュール (公開報道・ホームページ) を時系列収集し、 本記事の上位 2 航路との 命名類似度・経路重複度を量化する。 時系列データが集まれば 本記事の定期化適性スコアの予測力を後付け検証できる。

発展課題 2: 個票アンケートデータとの結合分析 (個人レベル)

• 結果X: 本データには集計済み観光客数のみで、 個人属性 (居住地・ 年齢層・リピート意向) は含まれない。 1 航海の集客「数」 のみで 「質」 は分からない。
• 新仮説Y: 平日週末で居住地分布が異なる仮説 (= 平日は 地元高齢層、 週末は県外観光層)。 リピート意向は新規寄港地の方が高い仮説。
• 課題Z: 広島県観光振興課に保管されているアンケート個票 (公開申請が必要) を取得し、 居住地・年齢・リピート意向を運航回・ ルートタイプとクロス集計。 「客数 = 安定」 という本記事の発見の背後構造 (新規層 vs リピート層) を識別。

発展課題 3: 海象データとの結合 (運航条件影響)

• 結果X: 客数 CV 0.184 の安定性は 観察したが、 客数の上下が「ルート」 由来か「海象」 由来かは不明。
• 新仮説Y: 12 月の風速・波高が高い日 (寒気団南下時) は客数が 平均より10% 以上低下する仮説 (= 海象キャンセル効果)。 逆に温暖な穏やか日は予約超過になりやすい仮説。
• 課題Z: 気象庁 AMeDAS (広島・呉) の 1 時間風速・波高データを 9 運航日について取得し、 各日の海象スコアと客数の相関を算出。 モニタークルーズの運航リスクを物理データで量化し、 定期化時の運休基準設計に資する量的根拠を提供する。