クルーズ船観光客人流の空間分析 — 500m メッシュで見る広島の観光動線

データ取得手順

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

実行コマンド:

cd "2026 DoBoX 教材"
python -X utf8 lessons/L93_cruise_visitor_analysis.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。

概要・研究の問い・仮説

主 RQ

広島県クルーズ船観光客の人流はどの空間に集中し、 観光資源・防災リスクとの地理的関係はどうなっているか？

サブテーマ（3 章）

1. RQ1 — 空間分布構造: 118 メッシュの count 分布、Lorenz 集中度、Moran's I 空間自己相関
2. RQ2 — 観光資源近接性: インフラツーリズム施設・埋蔵文化財との 1km バッファ sjoin
3. RQ3 — 防災的文脈 + 既存記事対比: 津波浸水域交差 / X04・L82・L83 との 7 観点比較

仮説（H1〜H9）

1. H1（集中型）: 上位10メッシュが全カウント(219)の40%以上を占める
2. H2（高Gini）: count 分布の Gini ≥ 0.5
3. H3（空間クラスター）: Moran's I > 0（隣接メッシュは似た人流密度）
4. H4（高人流×観光資源）: count≥3メッシュのinfra 1km圏内率 ≥ 50%
5. H5（人流重心・市街地）: 加重重心—平和記念公園距離 ≤ 5km
6. H6（埋蔵文化財接続）: 全メッシュのうちmaizo 1km圏内 ≥ 50%
7. H7（津波域内メッシュ）: 津波浸水域と交差するメッシュ ≥ 5 個
8. H8（沿岸人流率）: 津波域内 count 合計 / 全 count ≥ 10%
9. H9（X04/L82/L83 差別化）: 7観点全てで異なるカテゴリに分類

用語の独自定義（本記事固有）

• 人流メッシュ: GPS/スマートフォン位置情報を 500m × 500m の標準地域メッシュに集計したセル。 count = そのメッシュを訪問したと推定されるクルーズ船観光客の観測数（絶対人数ではなく相対的な訪問頻度指標）。
• Moran's I（空間自己相関）: 隣接メッシュ間のカウント値の類似度を [-1, +1] で表す指標。 +1 = 完全クラスター（高→高、低→低が隣接）、0 = 完全ランダム、-1 = 完全分散（高→低が交互）。 本記事では「女王コンティギュイティ」（辺・頂点を共有する全隣接）を使用。
• 人口加重重心: count をウェイトとするメッシュ重心の加重平均座標。 単純平均の幾何重心と異なり、「観光客が多く訪れた場所の中心」を示す。
• 高人流メッシュ: count ≥ 3 のメッシュ。全体の平均(1.86)を大きく上回る、 観光客が集中的に訪問したと推定されるスポット。

到達点

• メッシュ数: 118 セル（500m × 500m 標準メッシュ）
• 観測総カウント: 219
• 最大 count: 10（上位メッシュ）
• Gini 係数: 0.390（count 分布の集中度）
• Moran's I: 0.588（正の空間クラスター）
• 人流加重重心—平和記念公園: 4.68 km
• 津波浸水域交差: 107 メッシュ（count 合計 207 / 219, 94.5%）

使用データ

個別取得（PowerShell, このレッスンだけ）:

cd "2026 DoBoX 教材"
iwr "https://hiroshima-dobox.jp/resource_download/175545" -OutFile "data/extras/L93_cruise_visitor/cruise_people_cnt.zip"

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

fetch_all.py はカタログ・追加データを data/ と data/extras/ に再現可能ダウンロード。DoBoX のオープンデータは申請不要、商用・非商用とも利用可。本レッスンの .py スクリプトは、データが無ければ自動取得してから処理を始めるよう実装されています（ensure_dataset() ヘルパ）。

共通仕様

• CRS: EPSG:6671（JGD2011 平面直角第 III 系, 単位 m）— 元データから継承
• バッファ: 1,000m（観光資源 sjoin）
• 隣接定義: 女王コンティギュイティ（touches() = 辺・頂点共有）

地理的範囲

118 メッシュは緯度 34.2141° 〜 34.4036°N, 経度 132.2961° 〜 132.5461°E に分布。 広島市中心部〜周辺（呉市方面含む）の沿岸〜市街地エリアを網羅する。 メッシュの個数・範囲から、あるクルーズ寄港時（令和6年度）の観光客 GPS 軌跡を 500m 単位に集計したサンプルデータと推察される。

PDF アンケート資料（resource 175544）

ダウンロード

中間データ（CSV）

図（PNG）

スクリプト

L93_cruise_visitor_analysis.py — 単独実行可

cd "2026 DoBoX 教材"
py -X utf8 lessons/L93_cruise_visitor_analysis.py

第 1 章 人流空間分布構造（RQ1）

狙い

118 メッシュの count 値がどのような空間分布を示すかを Lorenz 曲線・Gini 係数・ Moran's I で多角的に定量する。「どこに観光客が集まり、空間的に連続したクラスターを 形成しているか」を明らかにする。

図1: 人流メッシュ主題図 — count値 choropleth / 加重重心（★）/ 平和記念公園（★）

図2: count 値分布（左）と Lorenz 曲線（Gini=0.390）（右）

図3: Top 20 メッシュ（count 降順）

Moran's I 計算 — コード解説

 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 numpy as np
import geopandas as gpd

gdf = gpd.read_file("cruise_people_cnt.shp")
n = len(gdf)
z = gdf["count"].values.astype(float)
z_dev = z - z.mean()

# 女王コンティギュイティ隣接行列 (touches = 共有辺 or 頂点)
W = np.zeros((n, n))
geoms = list(gdf.geometry)
for i in range(n):
    for j in range(i+1, n):
        if geoms[i].touches(geoms[j]):
            W[i, j] = W[j, i] = 1

W_sum = W.sum()
I_num = z_dev @ W @ z_dev
I_den = z_dev @ z_dev
moran_I = (n / W_sum) * (I_num / I_den)
print(f"Moran's I = {moran_I:.4f}")
# > 0: 空間クラスター (似た値が隣接)
# = 0: 完全空間的ランダム
# < 0: 空間的分散 (異なる値が隣接)

# 人口加重重心
cents = gdf.geometry.centroid
w_x = (cents.x * gdf["count"]).sum() / gdf["count"].sum()
w_y = (cents.y * gdf["count"]).sum() / gdf["count"].sum()
weighted_centroid = (w_x, w_y)  # EPSG:6671 座標

Lorenz 曲線・sjoin — コード解説

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

import numpy as np
import pandas as pd

# count 分布の Lorenz 曲線と Gini 係数
sorted_cnt = np.sort(gdf["count"].values)
cum_share = np.cumsum(sorted_cnt) / sorted_cnt.sum()
pop_share = np.arange(1, len(sorted_cnt)+1) / len(sorted_cnt)
gini = 1 - 2 * np.trapezoid(cum_share, pop_share)

# 1km バッファ sjoin（インフラ観光施設）
buf1km = gdf.copy()
buf1km["geometry"] = gdf.geometry.buffer(1000)
sjoin = gpd.sjoin(infra_gdf[["geometry"]], buf1km,
                  predicate="within", how="inner")
cnt_per_mesh = sjoin.groupby("index_right").size()
gdf["infra_cnt"] = gdf.index.map(cnt_per_mesh).fillna(0).astype(int)

考察

図 1 から、人流は広島市中心部〜南部沿岸の特定エリアに集中しており、 中心業務地区・港湾エリアに高 count メッシュが密集する。 Gini=0.390（H2: 不支持）は中程度の集中を示し、 Top10 メッシュで全カウントの 32.9%（H1: 不支持）を占める。
Moran's I = 0.588（H3: 支持）。 正の空間自己相関が確認され、人気スポットは地理的に集塊して分布する。 人流加重重心は平和記念公園から 4.68 km の位置にあり（H5: 支持）、 広島市街中心部との地理的整合性が高い。

第 2 章 観光資源との近接性（RQ2）

狙い

クルーズ船観光客が訪問した場所（人流メッシュ）と、 インフラツーリズム施設（X01, 40件）・埋蔵文化財（L84, 2,370件）との 地理的近接性を 1km バッファ sjoin で定量する。

図4: 1km バッファ内インフラツーリズム施設数 choropleth

図5: infra施設数 vs 観光客 count 散布図 (r=0.233)

図8: 埋蔵文化財 × 人流多角分析（高低人流メッシュのinfra比較）

観光資源接続サマリ

考察

図 4 から、インフラツーリズム施設との 1km 近接メッシュは特定エリアに偏在し、 施設が多い区画と人流の集中が部分的に一致する。 ただし count vs infra_cnt の Pearson r=0.233 は弱い〜中程度の 相関を示し、 観光客の動線が必ずしもインフラ施設の有無のみで決まらないことを示す。
H4（高人流メッシュの infra 圏内率）: 40.0%（不支持—高人流スポットが必ずしもinfra施設近傍にあるとは限らない）。 H6（maizo 圏内率）: 51.7%（支持）。 埋蔵文化財は郊外・山間部に多く、クルーズ観光の主動線（港湾〜市街地中心）とは地理的にずれがある。

第 3 章 防災的文脈 + 既存記事対比（RQ3）

狙い

クルーズ観光客の人流エリアが津波浸水想定区域と重なる程度を評価し、 同時に X04・L82・L83 との 7 観点比較によって本記事の位置付けを明確にする。

図6: 津波浸水想定区域 × 人流メッシュ — 交差 107 / 118 メッシュ

図7: 4データセット（L93/L82/L83/X04）規模・特性比較ダッシュボード

津波浸水域交差メッシュ一覧

H7・H8 検証

• H7（津波域内メッシュ ≥ 5）: 107 個 → ✔ 支持
• H8（沿岸人流率 ≥ 10%）: 津波域内 count = 207 / 219 (94.5%) → ✔ 支持

7 観点比較表（再掲）

考察

図 6 から、107 メッシュが津波浸水域と重複しており（H7: 支持）、 クルーズ観光客の訪問エリアの一部が津波リスク地帯と重なることが確認された。 津波域内のカウント合計は 207（全体の 94.5%）で（H8: 支持）、 沿岸観光エリアに多くの観光客が滞在しており、大規模津波発生時の迅速な避難誘導が重要であることを示す。
図 7 と比較表（H9: 支持）から、 L93（空間人流）は X04（寄港統計×時系列）・L82（モニタリング乗降客）・L83（定期便月別）と データ型・観点・政策含意で明確に差別化される。 4 記事を合わせることで「広島クルーズ観光の全体像（いつ来た×何人来た×どこへ行った）」が 補完的に構成される。

仮説検証まとめ・発展課題

仮説検証まとめ（H1〜H9）

発展課題

1. アンケート PDF の定量化: resource 175544（令和 6 年度アンケート）の訪問地・満足度・ 属性データをOCR または手動コーディングで数値化し、人流メッシュと結合する。 「満足度が高い観光地のメッシュは count が高いか」を検証できる。
2. 寄港日付属付き分析: 寄港日付情報と人流データを組み合わせることで、 「1 隻の寄港がどのエリアに影響するか」の per-call 分析が可能となる。
3. 複数期間の比較: コロナ前後（2019 年版データ）と 2024 年版データを比較し、 観光動線の変化（旧市街 vs 新興スポット）を空間差分で捉える。
4. 時刻帯別人流: 時刻付き GPS データがあれば AM/PM 別の動線分析が可能で、 「午前は原爆ドーム集中、午後は商店街・港湾」等の行動パターンを量化できる。
5. Getis-Ord Gi* ホットスポット検定: Moran's I のグローバル指標に加え、 局所統計量 Gi* で「どのメッシュが有意にホットか」を z スコアで同定する。

実行時間: 8.6 秒