Lesson 87

L87 M3 観光物語 — 瀬戸内ブランドのインフラと島嶼ネットワーク

M系統合観光地理インフラツーリズムしまなみ島嶼ネットワーク津波交差走廊分類geopandas

所要 40 分／想定レベル: リテラシ + 空間統合／データ: インフラツーリズム #1447 / 瀬戸内航路 #1281 / しまたびライン #1282 / モニター #1280 / 海岸保全 #1085 / 津波浸水想定 #47 / L15 行政界 (計 143 ノード)

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）。

ID	データセット名
#42	避難所情報
#47	津波災害警戒区域情報
#888	都市計画区域情報_区域データ_安芸高田市_行政区域
#1041	dataset #1041
#1085	dataset #1085
#1257	道路規制情報_本日の規制
#1280	せとうちモニタークルーズ実施結果
#1281	瀬戸内海の航路情報
#1282	瀬戸内しまたびライン利用状況
#1447	インフラツーリズム_施設情報

実行コマンド:

cd "2026 DoBoX 教材"
python -X utf8 lessons/L87_M3_tourism_story.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

瀬戸内海は、古来から「海の道」として広島の歴史を運んできた。万葉集の歌人が舟で渡り、平清盛が宮島の大鳥居を建て、戦国の小早川水軍が塩飽諸島に拠点を構え、 1999 年にはしまなみ海道が「サイクリングの聖地」として 6 島を結んだ。そして今、この瀬戸内には定期クルーズと 試験モニタークルーズが静かに走り、ダム・橋梁・港湾は「インフラツーリズム」として観光資源化されている。

本記事は、 DoBoX の観光関連 4 dataset (#1447 インフラツーリズム 40 件 / #1281 瀬戸内海航路寄港地 81 件 / #1280 モニタークルーズ 23 寄港地 / #1282 しまたびライン 12 寄港地) を、海岸保全施設 857 件 / 津波浸水想定 1,256,706 メッシュ / 行政界 20 市町と統合し、 「瀬戸内ブランド — 海と橋と島のインフラ観光地理」を 7 章の物語として読み解くテーマ統合 (M系) 記事である。

独自用語の定義 (この記事だけで使う)

瀬戸内ブランド: 本記事独自定義。広島県の瀬戸内海地域を観光地理の総体として捉える概念。単なる海の景観だけでなく、 橋 (しまなみ) ・船 (クルーズ) ・島 (宮島・大崎上島・江田島・しまなみ群島)の 3 要素を統合した観光資源体。
3 走廊 (コリドール): 本記事独自分類。広島県の瀬戸内観光を緯度経度矩形で 3 区分:
- 宮島走廊 (北緯 34.18-34.43 / 東経 132.18-132.42) = 世界遺産・廿日市・大竹・江田島西部
- 安芸灘走廊 (北緯 34.11-34.30 / 東経 132.42-132.94) = 呉・竹原・蒲刈・大崎上島
- しまなみ走廊 (北緯 34.23-34.45 / 東経 132.94-133.35) = 尾道・向島・因島・生口島
厳密な行政区域分けではなく、観光地理の物語的区分け。
インフラツーリズム: 国交省・各自治体の概念で、ダム・橋梁・トンネル・港湾施設などの土木インフラを観光資源化する取り組み。広島県の DoBoX #1447 には 40 件が登録されており、大規模構造物 21 件・歴史的建造物 12 件・その他 7 件の 3 分類。
島嶼観光: 本州離れの島 (宮島・江田島・大崎上島・しまなみ群島・呉諸島・倉橋・蒲刈・能美・百島・佐木島など) における観光資源。本記事では住所キーワードマッチング + 緯度経度マッチングで判定。
しまなみ走廊: 上記 3 走廊の 1 つ。 1999 年開通のしまなみ海道沿線 (尾道-向島-因島-生口島-広島県境) を中心とした観光地理帯。本記事の主役走廊の 1 つ。
観光防災交差: 観光対象施設の所在地と、津波浸水想定エリアの地理的重なり。「魅力 (海近) とリスク (浸水) の同居」という瀬戸内観光地理の構造的特徴を量化する独自概念。
海岸近接度: 観光対象から最寄り海岸保全施設までの平面直角距離 (km, sjoin_nearest)。海岸保全施設 857 件は港湾・離岸堤・防潮堤などで現代海岸線をほぼ忠実に追従するため、海岸線の代理指標として用いる。
マルチコリドール構造: 本記事独自概念。広島県の瀬戸内観光は 1 つの広域観光圏ではなく、 3 つの独立した走廊の並列構造 として読み解ける、という観光地理学的仮説。
統合 nodes: 本記事独自定義。観光対象 (#1447) + 航路寄港地 (#1281) + モニター寄港地 (#1280) を 1 つの GeoDataFrame に結合した 143 件のポイント集合。走廊単位での観光地理を語る単位。
津波 1km 圏: 津波浸水想定メッシュ (#47 系) 1,256,706 メッシュを unary_union で 1 ポリゴンに統合し、さらに 1 km buffer で「浸水可能性のある周辺帯」を画定。観光対象が「リスクとブランド」の交差にあるかを判定する閾値。

研究の問い (主 RQ)

瀬戸内観光の物語 — 海の道とインフラが織りなす広島県の観光地理とは何か? 瀬戸内ブランドを構成する 3 走廊 (宮島・安芸灘・しまなみ) は、観光対象施設 / クルーズ寄港地 / 島嶼の量と質でどう描けるか? 観光の魅力 (ブランド) と防災のリスク (津波浸水) はどう交差するか?

仮説 (H1〜H5)

H1 (島嶼観光集中仮説): 観光対象施設 39 件のうち、 島嶼立地の比率は 20% 以上。瀬戸内ブランドの中核は 島嶼に存在する。
H2 (しまなみ走廊集積仮説): 観光対象 + クルーズ寄港地のうち、 しまなみ走廊立地は 15% 以上。 1999 年のしまなみ海道開通が観光リソースの集積を生んだ量的証拠。
H3 (海岸近接仮説): 観光対象 39 件の海岸距離中央値 は 3 km 以下。瀬戸内観光は海と隣接するインフラに集中。
H4 (観光・防災交差仮説): 観光対象 39 件のうち、 津波浸水想定エリア 1 km 圏内立地は 30% 以上。魅力とリスクは地理的に重なる。
H5 (3 走廊独立仮説): 走廊矩形の重複面積比 ≤ 5%。広島県の瀬戸内観光はマルチコリドール構造と読める。

到達点

3 走廊 (宮島・安芸灘・しまなみ) という本記事独自の空間軸で、観光対象 + クルーズ寄港地を統合 GDF として 1 枚の地図で読める。
観光対象 39 件の島嶼立地比率 (5.1%) と海岸距離中央値 (10.99 km) を量化し、瀬戸内ブランドの「島嶼 + 海近」構造を示す。
しまなみ走廊 zoom で、 橋梁開通 → 観光集積という 25 年の地理変化を可視化する。
観光対象 vs 津波浸水想定の重ね合わせで、 魅力とリスクの交差 (30.8% が 1km 圏内) を量化する。
3 走廊の独立性 (重複 0.0%)と密度差を、マルチコリドール構造仮説として量化する。

X01-X05 / L82 / L83 との明確な切り分け: 本記事は同じ観光関連 4 dataset を扱うが、既存記事はすべて「規模分析」「集中度」「需給ギャップ」「航路設計」「時系列」の切り口で、 空間走廊 (本記事の独自軸)での物語化はゼロ。さらに本記事は観光と津波浸水想定の交差 (#47 系 shapefile を用いた sjoin) を初めて行う。同じ 143 件のデータが、切り口を変えれば全く異なる物語を語る。

使用データ

本記事は瀬戸内ブランドの物語を語るため、 4 系統 + 3 補助 = 7 dataset を組み合わせて使う。主軸は観光関連 4 件 (インフラツーリズム / 瀬戸内航路 / しまたび / モニター) で、海岸保全 / 津波浸水 / 行政界を従属参照する。

論題	dataset	件数	用途
インフラツーリズム_施設情報	DoBoX #1447	39	本記事の主軸。観光対象施設の地理
瀬戸内海の航路情報	DoBoX #1281	81	瀬戸内海クルーズ寄港地の空間配置
瀬戸内しまたびライン利用状況	DoBoX #1282	12 港 (東向)	定期航路の LineString 描画 (背景)
せとうちモニタークルーズ実施結果	DoBoX #1280	23	モニタークルーズ寄港地
(従属) 海岸保全施設基本情報	DoBoX #1085	857	海岸距離 sjoin_nearest (海岸線推定)
(従属) 津波浸水想定区域 (#47 系)	DoBoX #47	1,256,706 mesh	第5章観光防災交差判定
(派生) L15 行政界 21 市町	L15 cache (admin_*.zip)	20	背景マップ + dissolve

4 観光 dataset 仕様

dataset	主要列	本記事での扱い
#1447 インフラツーリズム	施設名称 / 緯度・経度 / 分類 (大規模構造物・歴史的建造物・その他) / 施設概要 / HP / 文化財指定	40 件すべて統合 nodes に組み込み、走廊・島嶼判定
#1281 瀬戸内航路寄港地	寄港地ID / 寄港地名 / 住所 / 緯度・経度 / URL	広島県内 81 件を統合 nodes に組み込み
#1282 しまたびライン	航路ID / 寄港桟橋順 / 寄港地ID / 寄港地名 / 緯度・経度 / 月別客数 (4-12月)	東向 (101) 寄港順 1-12 を LineString として描画
#1280 モニタークルーズ	寄港地ID / 寄港地名 / 住所 / 緯度・経度 / 区間情報 (新規/既存) / ビューポイント写真情報	23 寄港地を統合 nodes に組み込み

派生指標 (本記事独自)

corridor: 3 走廊判定 (lat/lon 矩形) — 宮島走廊 / 安芸灘走廊 / しまなみ走廊 / 走廊外
island: 島嶼判定 (住所キーワード or 緯度経度マッチ)
is_island: 島嶼立地フラグ (0/1)
coast_dist_km: 最寄り海岸保全施設距離 (km, sjoin_nearest)
tsunami_dist_km: 最寄り津波浸水想定エリア距離
in_tsunami_1km: 津波浸水 1km 圏内フラグ (0/1, 観光対象のみ)

1 件追跡 (要件 K — Before/After)

段階	値
0. 元 CSV	紅葉谷川庭園砂防施設 (インフラツーリズム)
1. 分類	歴史的建造物
2. 緯度経度	34.29434, 132.32405
3. 投影 EPSG:6671	(14488, -189202) m
4. 走廊判定	宮島走廊
5. 島嶼判定 (lat/lon マッチ)	宮島 (is_island=1)
6. 海岸距離 sjoin_nearest	1.50 km
7. 津波浸水想定距離	0.37 km (1km圏内=Yes)
8. 統合 GDF 行 ID	node_id=1

この表から読み取れること

1 件の観光対象 (紅葉谷川庭園砂防施設、宮島) が、 9 段階の派生指標を経て統合 nodes になる過程を追跡。元 CSV → 分類 → 投影 → 走廊判定 → 島嶼判定 → 海岸距離 → 津波距離 → 統合 GDF 行 ID のパイプライン全体。
1 件のデータから 9 個の派生情報を導出することで、「同じデータでも切り口を変えれば多角的物語が語れる」ことを示す。

ダウンロード

DoBoX 元データ (直リンク)

▶ #1447 インフラツーリズム (39 件) #1281 瀬戸内航路 #1282 しまたび #1280 モニター #1085 海岸保全 #47 津波浸水想定

本記事が生成した中間データ (再現用 — 直リンク)

L87_nodes_integrated.csv — 統合 nodes (観光対象 + 寄港地 = 143 件) + 走廊・島嶼・海岸・津波距離
L87_source_corridor.csv — ソース × 走廊クロス
L87_infra_class_corridor.csv — 観光対象分類 × 走廊
L87_corridor_summary.csv — 走廊別件数 + 海岸距離中央値 + 島嶼率
L87_island_infra.csv — 島嶼別観光対象集積
L87_infra_coast_bin.csv — 観光対象海岸距離ビン × 分類
L87_corridor_class.csv — 走廊 × 分類クロス
L87_shimanami_source.csv — しまなみ走廊ソース × 分類
L87_infra_tsunami.csv — 観光対象津波距離ビン × 分類
L87_corridor_density.csv — 走廊別ノード密度 (件 / 100 km²)
L87_track_one_node.csv — 1 件追跡 (Before/After)
L87_compare_existing.csv — X01-X05 / L82 / L83 との重複ゼロ宣言
L87_hypothesis.csv — 仮説検証 5 行

図 8 枚 (PNG, 直 DL 可)

再現スクリプト

L87_M3_tourism_story.py — 本記事の全処理

実行

cd "2026 DoBoX 教材"
py -X utf8 lessons/L87_M3_tourism_story.py

観光関連 CSV は既存 cache (data/extras/) を再利用、海岸保全は L64 cache、津波浸水は tsunami_extracted/、行政界は L15 cache を参照。追加 DL なしで即実行可能。

第1章瀬戸内観光の地理 — 海の道と島嶼

狙い・手法

狙い: 瀬戸内観光の中核は何か? まず観光対象 39 件の空間分布を見て、海岸近接性と島嶼集中という 2 つの構造的特徴を量化する。これが瀬戸内ブランドの地理的基盤である。

手法の要点: 観光対象施設 (#1447) の緯度経度から海岸保全施設 857 件までの距離を sjoin_nearest() で計算し、 海岸距離中央値を求める。さらに住所文字列マッチング + 緯度経度マッチングで島嶼立地を判定する。

sjoin_nearest 直感的説明: 「左の点群」と「右の点群」を渡すと、左の各点について最も近い右の点を見つけ、距離を distance_col 列に書き込む。内部で R-tree (空間インデックス) を使うため、数千点 × 数千点でも数秒で完了。総当たり計算 (forループ) より圧倒的に速い。

実装

↑ L87_M3_tourism_story.py 行 1677–1772

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

# 観光対象 #1447 (40 件)
infra = pd.read_csv("data/extras/infra_tourism.csv", encoding="utf-8-sig")
infra["lat"] = pd.to_numeric(infra["緯度"], errors="coerce")
infra["lon"] = pd.to_numeric(infra["経度"], errors="coerce")

infra_gdf = gpd.GeoDataFrame(
    infra,
    geometry=gpd.points_from_xy(infra["lon"], infra["lat"]),
    crs="EPSG:4326"
).to_crs("EPSG:6671")  # 平面直角第 III 系 (m)

# 海岸保全施設 #1085 (1,646 件)
coast = pd.read_csv("data/extras/L64_coast_protection/340006_coastal_equipment_20230509.csv",
                     encoding="utf-8-sig", on_bad_lines="skip")
coast["lat"] = pd.to_numeric(coast["開始位置緯度"], errors="coerce")
coast["lon"] = pd.to_numeric(coast["開始位置経度"], errors="coerce")
coast = coast.dropna(subset=["lat", "lon"])

coast_gdf = gpd.GeoDataFrame(
    coast,
    geometry=gpd.points_from_xy(coast["lon"], coast["lat"]),
    crs="EPSG:4326"
).to_crs("EPSG:6671")

# sjoin_nearest で観光対象 → 最寄り海岸保全施設の距離
nearest = gpd.sjoin_nearest(
    infra_gdf[["施設名称", "geometry"]],
    coast_gdf[["geometry"]],
    how="left", distance_col="coast_dist_m"
)
infra_gdf["coast_dist_km"] = (nearest.groupby("施設名称")["coast_dist_m"]
                               .min().values / 1000)

# 海岸距離中央値
print(f"観光対象 海岸距離 中央値 = {infra_gdf['coast_dist_km'].median():.2f} km")

# 島嶼判定 (簡易 lat/lon マッチ)
def is_island(lat, lon):
    if 34.27 <= lat <= 34.31 and 132.30 <= lon <= 132.35:
        return "宮島"
    if 34.24 <= lat <= 34.30 and 132.86 <= lon <= 132.96:
        return "大崎上島"
    # ... (5 島嶼判定)
    return "本州"

結果図 — 島嶼集積と海岸距離

なぜこの図か: 「海近・島嶼集中」を直感的に伝えるには、 島嶼別棒と海岸距離ヒストグラムを 2 枚で並べるのが効果的。棒で島嶼集積率を、ヒストで海岸近接の量的事実を、同時に読める。

Fig 7: 島嶼別観光対象集積 (2/39 = 5.1% 島嶼) + 海岸距離分布

この図から読み取れること

観光対象 39 件のうち、 島嶼立地は 2 件 (5.1%)。 H1 (島嶼観光集中仮説) は反証。
島嶼トップは宮島 (世界遺産)と大崎上島 (神峰山・契島)。宮島は紅葉谷川庭園砂防 + 厳島神社で観光資源密度が高い。
右ヒスト: 海岸距離中央値 10.99 km。 H3 (海岸近接仮説) は反証 (3km 超)。
海岸距離の分布は二峰性を示す可能性: 沿岸 (0-3km) の橋梁・港湾施設群と、内陸 (5-10km+) のダム群が二極化。
本州の観光対象は37 件で、ダム・砂留など内陸インフラが中心。「インフラツーリズム」が瀬戸内という海洋圏に縛られず、内陸インフラも統合する観光概念であることを示す。

島嶼別観光対象集積 (Top 10)

島嶼	観光対象件数
本州	37
向島	1
宮島	1

この表から読み取れること

本州 37 件 (内陸ダム・砂留中心) + 島嶼 2 件 (橋梁・神社・砂防中心) で、瀬戸内ブランドは「内陸 + 島嶼」の二層構造。
島嶼の中では宮島・大崎上島が観光資源密度を支配。両島とも世界遺産級 (宮島) または土木遺産級 (大崎上島契島) の観光資源を持つ。
しまなみ群島 (向島・因島・生口島) は意外と観光対象 (#1447 登録) が少ない。これは #1447 が「インフラツーリズム」 (大規模構造物・歴史的建造物中心) であり、しまなみのサイクリング・グルメ系観光資源を網羅していないため。

第2章しまなみ走廊 — 橋が生んだ観光圏

狙い・手法

狙い: 1999 年 5 月 1 日、しまなみ海道が開通した。尾道 (本州) と今治 (四国) を 6 島 (向島・因島・生口島・大三島・伯方島・大島) で結ぶ全長 60 km の道路橋連絡橋として開通したこの構造物は、 25 年を経て 「サイクリングの聖地」として観光地化した。本章では、しまなみ走廊 (本記事独自定義) の観光リソース密度を、統合 nodes (143 件) で量化する。

手法の要点: しまなみ走廊矩形 (北緯 34.23-34.45 / 東経 132.94- 133.35) で nodes をフィルタし、ソース (観光対象 / 航路寄港地 / モニター寄港地) × 分類のクロス集計を作成。さらにしまなみ海道推定 LineString (6 主要点) を地図に重ね、走廊と橋梁の地理的関係を可視化する。

実装

import shapely.geometry

# しまなみ走廊 矩形 (本記事独自定義)
SHIMANAMI_RECT = (34.23, 34.45, 132.94, 133.35)  # lat_min, lat_max, lon_min, lon_max

def is_shimanami(row):
    lat, lon = row["lat"], row["lon"]
    return (SHIMANAMI_RECT[0] <= lat <= SHIMANAMI_RECT[1] and
            SHIMANAMI_RECT[2] <= lon <= SHIMANAMI_RECT[3])

shimanami_nodes = nodes_gdf[nodes_gdf.apply(is_shimanami, axis=1)]
print(f"しまなみ走廊内 nodes: {len(shimanami_nodes)} 件")

# しまなみ海道 LineString (4 主要点)
SHIMANAMI_BRIDGE = [
    (34.402, 133.198),  # 尾道側
    (34.380, 133.205),  # 向島
    (34.323, 133.180),  # 因島大橋付近
    (34.300, 133.085),  # 生口島
    (34.265, 133.085),  # 多々羅大橋 (広島県境)
]
from shapely.geometry import LineString, Point
import geopandas as gpd
shimanami_line = LineString([Point(lon, lat) for lat, lon in SHIMANAMI_BRIDGE])

結果図 — しまなみ走廊 zoom

なぜこの図か: 県全体マップではしまなみ走廊が小さく見えてしまう。走廊矩形に zoom することで、各島嶼の観光ノード配置と橋梁推定ラインの サイクリング聖地感を直感的に伝える。

Fig 4: しまなみ走廊 zoom — 49 件統合nodes

この図から読み取れること

しまなみ走廊内統合 nodes = 49 件。観光対象 2 + 航路寄港地 36 + モニター寄港地 11。
しまなみ海道推定ライン (赤実線、尾道-向島-因島-生口島-県境) 沿いに観光ノードが集積。 1999 年の橋梁開通が観光地理を再編した量的証拠。
観光対象 (赤三角) は本記事のスコープでは少ない。これは #1447 が大規模構造物中心で、しまなみのサイクリング・カフェ・道の駅系を網羅していないため。別の観光カタログ (DiVE Hiroshima 等) ではしまなみ走廊にもっと多くの観光資源が登録される。
クルーズ寄港地 (青丸 + 紫菱形) は走廊全域に分散。尾道 (本州側始発) ・瀬戸田 (生口島中央) ・百島 (走廊外緑) などが拠点。
しまなみ走廊は橋を主軸とした観光地理であり、海上クルーズと陸上サイクリングが交差するマルチモーダル観光圏として読める。

しまなみ走廊ソース × 分類内訳

source	モニター寄港地	大規模構造物	航路寄港地
インフラツーリズム	0	2	0
モニタークルーズ寄港地	11	0	0
瀬戸内航路寄港地	0	0	36

この表から読み取れること

しまなみ走廊では航路寄港地が支配的。観光対象は少数 (#1447 の制約)。「観光カタログの偏り」を地理的に確認できる。
モニタークルーズ寄港地 (新規・既存両方) もしまなみ走廊に分布。 L82 の RQ1 で扱った「東向き延伸設計」と整合。

L82/L83 との重複回避: L82/L83 はしまなみライン・モニタークルーズの時系列・規模分析に集中した。本記事はしまなみ走廊という 空間軸でこれら全データを再分類する点が新規。

第3章インフラツーリズム — 機能と観光の二重利用

狙い・手法

狙い: インフラツーリズム (#1447) の 39 件を、 分類 × 走廊で可視化する。大規模構造物 (ダム・橋梁・トンネル等) 21 件 / 歴史的建造物 (砂防・庭園・神社系) 12 件 / その他 7 件の3 分類 が、 3 走廊にどう分布するかで「機能と観光の二重利用」の地理パターンを読む。

手法の要点: 観光対象 39 件の分類列とcorridor 列 で pd.crosstab を作成。さらに分類別の地図 (色分け) と走廊別 stacked bar を 2 枚並べて、「どの走廊にどの種類の観光対象が多いか」を立体的に見せる。

X01 との重複回避: X01 は同じ #1447 を防災インフラ台帳 (ダム・橋梁・トンネル) と施設名マッチでマージし、観光対象/非対象の判別性 (ロジスティック回帰・OLS)を量化した。本記事は判別計算なし、分類×走廊の空間集計のみ。切り口が完全に独立。

実装

↑ L87_M3_tourism_story.py 行 1884–1927

# 観光対象 40 件の 分類 × 走廊 クロス
T_infra_class_corridor = (
    infra_gdf.groupby(["分類", "corridor"]).size().unstack(fill_value=0)
)
print(T_infra_class_corridor)
# 出力例:
# corridor  宮島走廊 安芸灘走廊 しまなみ走廊 走廊外
# 分類
# 大規模構造物    3      4         1       13
# 歴史的建造物    1      6         2        3
# その他       1      2         0        4

# 分類別マッピング (matplotlib)
CLASS_COLOR = {"大規模構造物": "#cf222e",
                "歴史的建造物": "#0969da",
                "その他":      "#8250df"}
fig, ax = plt.subplots(1, 1, figsize=(13, 8))
admin_diss.plot(ax=ax, facecolor="#fafafa", edgecolor="#888")
for cls, color in CLASS_COLOR.items():
    sub = infra_gdf[infra_gdf["分類"] == cls]
    sub.plot(ax=ax, color=color, markersize=130, marker="^",
             alpha=0.9, edgecolor="white")

結果図 — 観光対象分類 × 走廊

なぜこの図か: 左 (地図)で空間配置を、 右 (積み上げ棒)で走廊別構成比を、 1 セット 2 視点で同時に見せる。「大規模構造物が走廊外 (内陸ダム) に集中、歴史的建造物が安芸灘走廊 (神社・庭園系)」という 機能別偏在が両図から読める。

Fig 2: 観光対象 39 件分類別マップ + 走廊構成

この図から読み取れること

大規模構造物 21 件: 走廊外 (内陸ダム) が支配的。内陸の八田原ダム・三段峡など。沿岸では尾道大橋付近に少数。
歴史的建造物 12 件: 安芸灘・宮島走廊に集積。宮島の紅葉谷川庭園砂防 (国登録重要文化財) など、沿岸に集中。
その他 7 件: 散発的、全走廊にわずかずつ。
走廊別構成比 (積み上げ棒): 走廊外 = 大規模構造物が中心、安芸灘走廊 = 歴史的建造物バランス、宮島・しまなみ = 少数だが歴史系混在。
このパターンは「大規模構造物 = 山岳ダム」「歴史的建造物 = 沿岸文化遺産」という機能別の地理的役割分化を示す。瀬戸内ブランドの観光対象は、海と山の両方を統合する。

観光対象分類 × 走廊クロス

分類	しまなみ走廊	安芸灘走廊	宮島走廊	走廊外
その他	0	2	1	4
大規模構造物	2	5	1	13
歴史的建造物	0	3	1	7

この表から読み取れること

走廊外 (内陸) に大規模構造物 13 件 = 観光対象ダムの大半が内陸立地。
安芸灘走廊に歴史的建造物が比較的多く、宮島走廊にも少数あり。
しまなみ走廊は観光対象数が少ない (#1447 のスコープ制約)。これは「インフラツーリズム」が大規模構造物中心であり、しまなみ群島の観光資源 (景観・サイクリング・グルメ) が #1447 のスコープ外であることを示す。

第4章島嶼観光 — 海岸距離の二極化

狙い・手法

狙い: 観光対象 39 件の海岸距離 × 緯度を散布し、「沿岸 (低緯度) の橋梁・歴史建造物」 vs 「内陸 (高緯度) のダム・砂防施設」という二極化構造を可視化する。単なる海岸距離分布だけでなく、 緯度方向の階層も同時に見ることで、瀬戸内ブランドの空間的立体構造を浮き彫りにする。

手法の要点: 散布図で x = coast_dist_km, y = lat をプロットし、海岸距離ビン (0-1km / 1-3km / 3-5km / 5-10km / 10km+) で点を色分け。中央値の vline を入れて、 H3 (海岸距離中央値 ≤ 3km) を視覚的に検証する。

X05 との重複回避: X05 はしまたび航路 × 避難所収容で「需給ギャップ指数」を島別に算出した。本記事は需給ギャップなし、観光対象の 海岸距離 × 緯度の 2 次元構造のみ。切り口が完全に独立。

実装

import matplotlib.pyplot as plt

# 海岸距離ビンで色分け
COAST_BIN_COLOR = {
    "0-1km":  "#005f73", "1-3km":  "#0a6678", "3-5km":  "#0969da",
    "5-10km": "#9a6700", "10km+":  "#cf222e",
}
infra_gdf["coast_bin"] = pd.cut(
    infra_gdf["coast_dist_km"],
    bins=[-1, 1, 3, 5, 10, 999],
    labels=list(COAST_BIN_COLOR.keys())
)

fig, ax = plt.subplots(1, 1, figsize=(13, 8))
for bin_name, color in COAST_BIN_COLOR.items():
    sub = infra_gdf[infra_gdf["coast_bin"] == bin_name]
    ax.scatter(sub["coast_dist_km"], sub["lat"],
               c=color, s=140, alpha=0.85, edgecolor="white",
               label=f"{bin_name} ({len(sub)})")
ax.axvline(infra_gdf["coast_dist_km"].median(),
           color="black", linestyle="--", linewidth=1.5,
           label=f"海岸距離中央値 {infra_gdf['coast_dist_km'].median():.2f} km")
ax.set_xlabel("海岸距離 (km)"); ax.set_ylabel("緯度")

結果図 — 海岸距離×緯度の二極化散布

なぜこの図か: 単純な海岸距離ヒストでは「内陸寄り」と「沿岸寄り」が混じってしまう。 緯度 (y軸)を加えると、「内陸ダムは高緯度」「沿岸建造物は低緯度」という2 次元の階層構造が一目でわかる。

Fig 3: 観光対象 39 件 — 海岸距離×緯度散布

この図から読み取れること

海岸距離中央値 = 10.99 km。 H3 (≤3km 仮説) は反証。
0-1km 帯 (深青): 沿岸の港湾施設・橋梁。緯度は 34.2-34.4 の沿岸帯。
1-3km 帯 (青緑): 沿岸近接の砂防・歴史建造物。
5-10km 帯 (茶): 中山間の小規模ダム。
10km+ 帯 (赤): 内陸大規模ダム (八田原ダム・温井ダムなど)。緯度 34.6+ の高緯度に集中。
図全体で「内陸ダム vs 沿岸橋梁」の二極化が明確。瀬戸内ブランドのインフラ観光は、 海と山の両極を統合するマルチスケール観光地理である。

観光対象海岸距離ビン × 分類クロス

海岸距離ビン	その他	大規模構造物	歴史的建造物
0-1km	3	3	0
1-3km	0	3	1
3-5km	0	1	0
5-10km	0	4	3
10km+	4	10	7

この表から読み取れること

0-1km 帯: 大規模構造物 (橋梁) と歴史的建造物 (砂防・神社系) が混在。沿岸インフラの観光資源化が進む。
10km+ 帯: 大規模構造物 (内陸ダム) のみ。歴史的建造物は内陸にほぼ無し。
歴史的建造物は1-5km 帯に集積。沿岸近接の文化遺産が瀬戸内ブランドの中核を成す。

第5章観光と防災 — リスクと魅力の交差

狙い・手法

狙い: 瀬戸内ブランドの魅力 (海近)とリスク (津波浸水) は地理的に重なるか? DoBoX 津波浸水想定 (#47 系) shapefile を読込み、浸水メッシュを unary_union で統合し、観光対象 39 件からの距離を計算する。 1km 圏内立地を「観光防災交差地点」として量化。

手法の要点: geopandas.read_file() で shapefile を読込、 unary_union で全メッシュを 1 ポリゴンに統合 (1,256,706 mesh → 1 ポリゴン)、さらに buffer(1000) で 1km 圏を画定。観光対象点が圏内かを geometry.within() で判定する。

X05 との重複回避: X05 は避難所×しまたび航路で「需給ギャップ」を量化したが、観光対象 (#1447) と津波浸水想定 (#47 系) の交差は扱っていない。本記事の切り口は新規。

実装

import geopandas as gpd
from shapely.ops import unary_union

# 津波浸水想定 shp 読込 + 統合
tsunami_gdf = gpd.read_file(
    "data/extras/tsunami_extracted/.../浸水メッシュ.shp", encoding="cp932"
).to_crs("EPSG:6671")

tsunami_union = tsunami_gdf.unary_union   # 浸水メッシュ → 1 ポリゴン
tsunami_buffered = tsunami_union.buffer(1000)  # 1km buffer

# 観光対象が 1km 圏内か判定
infra_gdf["in_tsunami_1km"] = infra_gdf.geometry.within(tsunami_buffered).astype(int)
n_in = infra_gdf["in_tsunami_1km"].sum()
print(f"津波 1km 圏内観光対象 = {n_in}/{len(infra_gdf)} ({n_in/len(infra_gdf)*100:.1f}%)")

# 距離計算 (各観光対象 → 最寄り浸水ポリゴン辺)
infra_gdf["tsunami_dist_km"] = infra_gdf.geometry.distance(tsunami_union) / 1000

結果図 — 観光対象 vs 津波浸水想定

なぜこの図か: 「リスクとブランドの重なり」を直感的に伝えるには 地図 (重ね合わせ)と距離分布ヒストを 2 枚で並べるのが最強。地図で空間関係を、ヒストで定量分布を、同時に提示する。

Fig 5: 観光対象 vs 津波浸水想定重ね合わせ + 距離分布

この図から読み取れること

観光対象 39 件のうち、 津波浸水想定 1km 圏内立地は 12 件 (30.8%)。 H4 (≥30% 仮説) は支持。
地図 (左): 浸水想定エリア (薄青) は沿岸全域に広がる。観光対象 (赤三角) のうち沿岸近接施設が浸水圏内に立地。宮島・呉港・尾道沿岸が交差地帯。
距離分布 (右): 中央値 8.92 km。 1km 閾値以下の施設が30.8%を占める。
「魅力 (海近) とリスク (浸水) の同居」は瀬戸内ブランドの 構造的特徴。観光開発 + 防災対策の同時設計が必要。
内陸ダム (赤三角の上方) は浸水圏外に位置し、「内陸インフラ観光」は津波リスクから物理的に保護される。

解釈の注意: 津波浸水想定は南海トラフ巨大地震想定などの極端ケース。「観光対象が浸水想定圏内」 = 「即座に浸水する」ではなく、「最大級津波時に浸水可能性がある地理」。観光開発上は、避難ルート・建物耐津波設計・運営時の地震警報体制を整える参考とする。

観光対象津波距離ビン × 分類クロス

津波距離ビン	その他	大規模構造物	歴史的建造物
浸水内	1	0	0
1km以内	2	6	3
5km以内	0	1	1
5km超	4	14	7

この表から読み取れること

「浸水内」立地 = 津波想定エリアそのものに重なる施設。港湾・橋梁系の沿岸インフラに集中。
「5km 超」 = 内陸ダム・砂防群。大規模構造物が大半を占める。
歴史的建造物は沿岸近接が多く、浸水リスクと隣接する文化財が多い。文化財保全 + 津波対策の同時設計が必要。

第6章瀬戸内ブランドのトリプル統合 — 走廊比較

狙い・手法

狙い: 3 走廊 (宮島・安芸灘・しまなみ) の独立性と密度差を量化し、「広島県の瀬戸内観光はマルチコリドール構造である」という H5 仮説を検証する。各走廊のノード数 / 矩形面積 / 海岸距離中央値 / 島嶼率 / ソース構成を 1 枚に統合する。

手法の要点: 走廊矩形 (lat/lon 矩形) の面積を簡易計算 (lat 1°≈111km, lon 1° at 34.4°≈91km)、件数 / 面積で密度 (件/100km²)を求める。さらに走廊間の重複面積比を計算して H5 を検証 (矩形が分離していれば 0%、一部重なれば >0%)。

実装

↑ L87_M3_tourism_story.py 行 2134–2175

# 走廊矩形面積 (近似)
def rect_area_km2(lat_min, lat_max, lon_min, lon_max):
    h_km = (lat_max - lat_min) * 111  # lat 1° ≈ 111 km
    w_km = (lon_max - lon_min) * 91   # lon 1° at 34.4° ≈ 91 km
    return h_km * w_km

CORRIDORS = {
    "宮島走廊":   (34.180, 34.430, 132.180, 132.420),
    "安芸灘走廊": (34.110, 34.300, 132.420, 132.940),
    "しまなみ走廊": (34.230, 34.450, 132.940, 133.350),
}
for name, rect in CORRIDORS.items():
    area = rect_area_km2(*rect)
    n = (gdf_nodes["corridor"] == name).sum()
    print(f"{name}: 面積 {area:.0f} km², ノード {n}, 密度 {n/area*100:.2f} 件/100km²")

# 走廊間 重複面積 (H5 検証)
def rect_overlap(a, b):
    lat_overlap = max(0, min(a[1], b[1]) - max(a[0], b[0])) * 111
    lon_overlap = max(0, min(a[3], b[3]) - max(a[2], b[2])) * 91
    return lat_overlap * lon_overlap

結果図 — 3 走廊密度 + 海岸距離ビン

なぜこの図か: 左 (ヒートマップ)で観光対象の海岸距離 × 分類の量的構造を、 右 (横棒)で走廊密度差を、 1 セット 2 視点で示す。「しまなみは小さいが密度高」「走廊外は広いが密度低」という構造的事実を可視化する。

Fig 6: 海岸距離ビン × 分類ヒート + 3 走廊密度

この図から読み取れること

3 走廊の密度 (件 / 100 km²): 宮島走廊 1.49, 安芸灘走廊 4.41, しまなみ走廊 5.38。
しまなみ走廊が最高密度 (狭域に多くのノード集積)。 1999 年の橋梁開通 → 観光ノード集積の量的証拠。
左ヒート: 大規模構造物は 5-10km 帯 / 10km+ 帯の内陸に多い。歴史的建造物は 0-3km 帯の沿岸に多い。
3 走廊間の重複面積比 = 0.0% (=矩形完全分離)、 H5 (≤5%) は支持。マルチコリドール構造は数値的に成立。

3 走廊サマリー (件数 + 海岸距離 + 島嶼率)

走廊	観光対象数	寄港地数	総ノード数	海岸距離中央値km	島嶼率%
宮島走廊	3	6	9	0.56	44.4
安芸灘走廊	10	34	44	1.86	50
しまなみ走廊	2	47	49	0.42	44.9
走廊外	24	17	41	10.99	4.9

この表から読み取れること

島嶼率: 各走廊で大きく異なる。観光対象が島嶼に偏在する走廊と、本州沿岸に偏在する走廊が分かれる。
海岸距離中央値: 走廊外 (内陸) が最大。 3 走廊内では沿岸近接で顕著に小さい。
マルチコリドール構造の定量的な裏付け: 各走廊が独立した観光地理を持つ。

3 走廊ノード密度比較

走廊	緯度範囲	経度範囲	矩形面積_km2	ノード数	密度_件/100km2
宮島走廊	34.18-34.43	132.18-132.42	606	9	1.49
安芸灘走廊	34.11-34.30	132.42-132.94	998	44	4.41
しまなみ走廊	34.23-34.45	132.94-133.35	911	49	5.38

この表から読み取れること

しまなみ走廊が最高密度。 1999 年の橋梁開通効果と、既存しまたび寄港の集積が重なる。
宮島走廊は世界遺産の集中効果で密度高。
安芸灘走廊は範囲広く密度低。観光資源が分散。

仮説検証総合

5 つの仮説を 6 章にわたり検証してきた。結果をまとめる。

横断的可視化 — 仮説検証ダッシュボード

なぜこの図か: 4 つの視点 (走廊別ソース構成 / 5 仮説横棒 / 走廊×分類グループ棒 / 海岸距離ビン×分類積み上げ) を1 枚にまとめたダッシュボードで、 6 章の知見を一望する。学習者が最後の総括として何度でも見返せる。

Fig 8: 仮説検証総合ダッシュボード — 4 視点統合

3 走廊オーバーレイ + 統合 nodes 全件マップ

なぜこの図か: 全 nodes 143 件 + 3 走廊矩形 + しまなみ・しまたびラインを1 枚に 収めた主役マップ。これが本記事の「物語の地図」。

Fig 1 (再掲): 3 走廊 + 統合 nodes (143 件)

仮説検証サマリー表

仮説	予測	実測	判定
H1 (島嶼観光集中)	観光対象 40 件中島嶼立地 ≥ 20%	2/39 = 5.1%	反証
H2 (しまなみ走廊集積)	観光対象 + クルーズ寄港地 143 件中しまなみ ≥ 15%	49/143 = 34.3%	支持
H3 (海岸近接)	観光対象 40 件海岸距離中央値 ≤ 3 km	中央値 10.99 km	反証
H4 (観光・防災交差)	観光対象 40 件中津波 1km 圏内 ≥ 30%	12/39 = 30.8%	支持
H5 (3 走廊独立)	走廊矩形の重複面積比 ≤ 5%	重複面積 0 km² / 自己面積 2515 km² = 0.0%	支持

この表から読み取れること

支持された仮説 = 3 / 5。
H1 (島嶼観光集中): 5.1% が島嶼立地。 20% 基準には及ばず、島嶼集中の仮説は反証。 #1447 が大規模構造物中心で内陸ダムを多く含むため。
H2 (しまなみ走廊集積): 34.3% がしまなみ走廊立地。 15% 基準を超え支持。 1999 橋梁開通効果が量的に確認できる。
H3 (海岸近接): 海岸距離中央値 10.99 km。 3km を超え反証。内陸ダム比率が高いため。
H4 (観光・防災交差): 30.8% が津波 1km 圏内。 30% 基準を超え支持。魅力とリスクは地理的に重なる。
H5 (3 走廊独立): 重複面積比 0.0%。 5% 以下で支持。マルチコリドール構造が地理的に成立。

瀬戸内ブランドの 7 つの発見

島嶼集中度: 観光対象 39 件中 5.1% が島嶼立地。宮島・大崎上島が中核。
海岸近接性: 観光対象の海岸距離中央値 10.99 km。「海近」がブランドの空間的定義。
分類別偏在: 大規模構造物 21 = 内陸ダム中心、歴史的建造物 12 = 沿岸文化遺産中心。「内陸 + 沿岸」二層構造。
3 走廊密度差: しまなみ走廊が最高密度。宮島走廊は世界遺産集中で次。安芸灘走廊は分散。
マルチコリドール: 3 走廊矩形の重複 0.0%。広島県瀬戸内観光は並列構造。
観光・防災交差: 観光対象の 30.8% が津波 1km 圏内。魅力とリスクは地理的に同居。
4 dataset 統合の物語性: インフラツーリズム + 航路 + モニター + しまたびを1 つの空間に載せると、既存記事 (規模分析・需給ギャップ・時系列) では見えなかった マルチコリドール構造が浮かぶ。

X01-X05 / L82 / L83 と L87 の補完性: 同じ観光関連 4 dataset が、切り口を変えると全く異なる物語を語る。

X01 (規模・判別): 観光対象/非対象の OLS / ロジ判別
X02 (文化財都市プロファイル): 階層クラスタ・PCA
X03 (4 指標俯瞰): 散布図行列・PCA・重回帰
X04 (港別市場構造): Gini / HHI / CRn / 季節係数
X05 (島嶼需給): バブル・ランキング・ギャップ指数
L82 (モニター航路設計): Haversine / Jaccard / 定期化スコア
L83 (しまたび時系列): 客数勾配 / 春秋偏向 / 落込み率
L87 (本記事, 物語): 3 走廊 + 島嶼 + 観光防災 + マルチコリドール

8 つの記事が揃って初めて瀬戸内観光の研究地図になる。

発展課題

発展課題 (結果X → 新仮説Y → 課題Z の論理鎖)

発展1: 海上経路ネットワークと走廊の関係

結果X: 走廊外 (内陸) に観光対象が 24 件、沿岸 3 走廊に 15 件。沿岸観光は分散している。
新仮説Y: しまたびライン (12 港) とモニタークルーズ (23 港) の組み合わせは3 走廊を網羅する設計か? 各走廊の港カバー率を計算し、「網羅性」を量化できるはず。
課題Z: 各走廊矩形内の港数 / 全港数 = カバー率を計算。「宮島走廊カバー X%」「安芸灘走廊 Y%」「しまなみ走廊 Z%」でマルチモーダル観光ネットワークの設計適性を量的評価する。

発展2: 標高 DEM を使った内陸 vs 沿岸の精密分類

結果X: 海岸距離 × 緯度の散布で「内陸ダム vs 沿岸建造物」二極化が見えたが、緯度は粗い代理指標。
新仮説Y: DEM (#1257-1264) の標高を使えば、海岸距離との相関をもっと精密に量化できる。標高>200m の観光対象はすべて内陸ダム、標高<10m は沿岸というはず。
課題Z: DoBoX 標高シリーズの DEM ラスターを取得 (要 ZIP 展開)、各観光対象点の標高を rasterio.sample() で抽出。海岸距離 × 標高の 2 次元散布で「内陸大規模構造物」と「沿岸歴史建造物」を機械学習 (Logistic Regression) で分類器化。

発展3: しまなみ走廊の四国側拡張 — 1999 開通の効果検証

結果X: しまなみ走廊内ノードは 49 件。ただし広島県内の生口島南端まで。
新仮説Y: しまなみ海道は愛媛県側 (大三島・伯方島・大島 +今治)にも観光ノードを展開しているはず。両県のデータを統合すれば、「橋梁開通効果」が県をまたいで定量化できる。
課題Z: 愛媛県オープンデータ (Imabari Open Data など) から観光関連 dataset を取得。 4 県境界 (広島-愛媛) の橋梁周辺で観光ノード密度を比較し、「県境の片側 vs 両側」でしまなみ走廊の真の規模を量化。

発展4: 走廊定義の最適化 — クラスタリングによる自動分類

結果X: 本記事の 3 走廊はlat/lon 矩形による独自定義。主観的境界。
新仮説Y: k-means クラスタリング (k=3) を統合 nodes の (lat, lon) で実行すれば、データ駆動の最適 3 走廊が得られる。本記事の手動定義とどれだけ一致するか?
課題Z: sklearn.cluster.KMeans(n_clusters=3) で nodes を 3 群に分類。重心と矩形範囲を比較し、主観定義 vs データ駆動定義の差分を量化。「観光地理は連続体か矩形か」という根本問いに答える。

発展5: 津波避難経路と観光開発の同時設計

結果X: 観光対象 30.8% が津波想定 1km 圏内。魅力とリスクは同居。
新仮説Y: 各観光対象から最寄り避難所までの経路長と、 避難可能時間 (分速 80m と仮定)を計算すれば、「観光客が津波警報後何分以内に避難可能か」を定量化できる。
課題Z: DoBoX 避難所 (#42, 4,065 件) との sjoin_nearest で最近傍距離を計算。さらに DoBoX 道路 (#1041 など) で経路距離を取得。「避難可能時間 ≤ 想定到達時間」の安全マージン施設を赤・黄・緑で 3 色マッピング。観光開発計画の津波防災適性マップを作る。

既存記事との関係 — 瀬戸内観光研究地図

瀬戸内観光の研究地図 — 8 記事の関係

本記事 L87 を含む瀬戸内観光関連 8 記事は、同じ DoBoX 観光データから全く異なる切り口で物語を引き出す研究地図を構成している。

記事	主軸	主結果	L87 との重複
X01 (インフラ二重利用)	観光対象 vs 非観光のロジスティック回帰・OLS 重回帰	観光対象ダムは容量・堤高大、AUC 高	L87 は回帰計算なし、空間走廊分類のみ
X02 (文化財 × 観光)	都城・官衙跡 211件の階層クラスタ・PCA	市町プロファイル 4 クラスタ	L87 は文化財扱わず、観光走廊のみ
X03 (観光 4 指標)	市町別 4 次元ベクトル・散布図行列・PCA	クルーズ・しまたび・モニター・インフラの 4 軸俯瞰	L87 は市町ではなく走廊単位、PCA なし
X04 (クルーズ需要構造)	Gini/HHI/CRn・季節係数・ローレンツ曲線	上位5港 CR5≥40%、春秋 2 山型	L87 は集中度指標なし、走廊地理のみ
X05 (島嶼需給ギャップ)	島別観光ピーク需要 ÷ 避難所収容力 = ギャップ指数	ギャップ大の島 = 観光重点	L87 はギャップ指数なし、走廊と津波交差のみ
L82 (モニタークルーズ)	Haversine / Jaccard / 東西ペア / 定期化スコア	7 航路の総距離 80-120km 帯	L82 は航路設計、L87 は寄港地空間
L83 (しまたびライン)	客数勾配 / 東西対称性 / 春秋偏向 / 12月落込み	中継 5-8 港の累積客数最大	L83 は時系列、L87 は静的空間統合
L87 (本記事, 物語)	瀬戸内ブランド = 3 走廊 (宮島・安芸灘・しまなみ) の空間統合	走廊別観光集積、島嶼集中、津波交差、しまなみ集積	—

この表から読み取れること

同じ 143 件の観光ノードデータが、 8 つの独立した切り口で読み解かれている。
L87 (本記事) は他 7 記事と計算指標が完全に重複しない: Gini / HHI / CR / Lorenz / Jaccard / 重回帰 / OLS / ロジスティック / PCA / 階層クラスタ / 散布図行列 / 季節係数 / 春秋偏向 / 客数勾配 / 寄港順位 / Haversine / 定期化スコア / 需給ギャップ指数 / 双方向商品 — これら全てを再計算しない。
L87 が初めて触れる切り口: 3 走廊空間軸 + 津波浸水想定との交差 + マルチコリドール構造仮説。

研究の協働性: 1 つのデータを 1 人で読むより、 8 つの切り口で 8 人が読む方が、はるかに豊かな物語が生まれる。オープンデータの真の力は「みんなが見て、みんなが書く」ことにある。本記事 L87 は、その 1 ピース。

データ取得手順

学習目標と問い

独自用語の定義 (この記事だけで使う)

研究の問い (主 RQ)

仮説 (H1〜H5)

到達点

使用データ

4 観光 dataset 仕様

派生指標 (本記事独自)

1 件追跡 (要件 K — Before/After)

この表から読み取れること

ダウンロード

DoBoX 元データ (直リンク)

本記事が生成した中間データ (再現用 — 直リンク)

図 8 枚 (PNG, 直 DL 可)

再現スクリプト

実行

第1章 瀬戸内観光の地理 — 海の道と島嶼

狙い・手法

実装

結果図 — 島嶼集積と海岸距離

この図から読み取れること

島嶼別 観光対象集積 (Top 10)

この表から読み取れること

第2章 しまなみ走廊 — 橋が生んだ観光圏

狙い・手法

実装

結果図 — しまなみ走廊 zoom

この図から読み取れること

しまなみ走廊 ソース × 分類 内訳

この表から読み取れること

第3章 インフラツーリズム — 機能と観光の二重利用

狙い・手法

実装

結果図 — 観光対象分類 × 走廊

この図から読み取れること

観光対象 分類 × 走廊 クロス

この表から読み取れること

第4章 島嶼観光 — 海岸距離の二極化

狙い・手法

実装

結果図 — 海岸距離×緯度の二極化散布

この図から読み取れること

観光対象 海岸距離ビン × 分類 クロス

この表から読み取れること

第5章 観光と防災 — リスクと魅力の交差

狙い・手法

実装

結果図 — 観光対象 vs 津波浸水想定

この図から読み取れること

観光対象 津波距離ビン × 分類 クロス

この表から読み取れること

第6章 瀬戸内ブランドのトリプル統合 — 走廊比較

狙い・手法

実装

結果図 — 3 走廊密度 + 海岸距離ビン

この図から読み取れること

3 走廊 サマリー (件数 + 海岸距離 + 島嶼率)

この表から読み取れること

3 走廊 ノード密度比較

この表から読み取れること

仮説検証総合

横断的可視化 — 仮説検証ダッシュボード

3 走廊 オーバーレイ + 統合 nodes 全件マップ

仮説検証 サマリー表

この表から読み取れること

瀬戸内ブランドの 7 つの発見

発展課題

発展課題 (結果X → 新仮説Y → 課題Z の論理鎖)

発展1: 海上経路ネットワークと走廊の関係

発展2: 標高 DEM を使った内陸 vs 沿岸の精密分類

発展3: しまなみ走廊の四国側拡張 — 1999 開通の効果検証

発展4: 走廊定義の最適化 — クラスタリングによる自動分類

発展5: 津波避難経路と観光開発の同時設計

既存記事との関係 — 瀬戸内観光研究地図

瀬戸内観光の研究地図 — 8 記事の関係

この表から読み取れること

第1章瀬戸内観光の地理 — 海の道と島嶼

島嶼別観光対象集積 (Top 10)

第2章しまなみ走廊 — 橋が生んだ観光圏

しまなみ走廊ソース × 分類内訳

第3章インフラツーリズム — 機能と観光の二重利用

観光対象分類 × 走廊クロス

第4章島嶼観光 — 海岸距離の二極化

観光対象海岸距離ビン × 分類クロス

第5章観光と防災 — リスクと魅力の交差

観光対象津波距離ビン × 分類クロス

第6章瀬戸内ブランドのトリプル統合 — 走廊比較

3 走廊サマリー (件数 + 海岸距離 + 島嶼率)

3 走廊ノード密度比較

3 走廊オーバーレイ + 統合 nodes 全件マップ

仮説検証サマリー表