X04 広島県クルーズ需要の港別・季節別構造分析

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/X04_cruise_intervention_timeseries.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 瀬戸内クルーズ関連 2 データセットを 記述統計 + 市場構造分析の枠組みで読み解く。

• #1282 瀬戸内しまたびライン利用状況 — 2022 年 4-12 月の月次乗降客数。 2 航路 × 14 桟橋 × 9 ヶ月。
• #1280 せとうちモニタークルーズ実施結果 — 2022 年 12 月の実証実験。 7 航路 × 9 運航日 = 15 航海, 23 寄港地。

このレッスンで答えたい問い (3 軸の RQ)

立てた仮説 (H1〜H5)

• H1 (RQ1): 14 港の需要は均等配分ではなく、CR5 ≥ 40%, Gini ≥ 0.10 程度の集中度がある。
• H2 (RQ1): 主要港 (上位 3) は航路の 始発・終着港、 周辺港は 島嶼経由地という役割分化がある。
• H3 (RQ2): 月別需要は 春秋 2 山型で、5 月と 11 月にピーク。 12 月の谷はピークの 1/4 以下。
• H4 (RQ2): 港別の季節係数は同じ春でも振幅が異なる。 季節振幅 (= 最大係数 − 最小係数) は港間で 1.5 倍以上の差がある。
• H5 (RQ3): モニタークルーズ 7 航路は 区間混合比に応じて 4 タイプに 分類できる (完全既存・既存主体・新規主体・完全新規)。空間設計は既存ライン (広島-三原) を 東に延伸する形になっている。

用語の独自定義 (このレッスン専用)

• 「クルーズ需要 (cruise demand)」: 本記事では DoBoX #1282 が記録する 「桟橋ごとの月別乗降客数」 を需要の代理指標とする。実態は 船に乗った観光客数であり、 需要 (=潜在的に乗りたかった人数) とは厳密には異なるが、ここでは便宜上 需要 ≈ 乗降客数 と扱う。
• 「集中度 (concentration)」: 全需要が少数の港に偏っている度合い。本記事では 3 つの指標で測る:
  • Gini 係数 = 0 (完全均等) 〜 1 (1 港独占)。本記事は港別需要の累積分布から計算。
  • HHI (Herfindahl-Hirschman 指数) = Σ (各港のシェア)²。 0 (分散) 〜 1 (独占)。米司法省は HHI ≥ 0.18 を「高集中」とする。
  • CRn (Concentration Ratio) = 上位 n 港のシェア合計。CR3, CR5, CR10 を併記。
• 「主要港 (major port)」: 本記事独自の分類。「年間需要 上位 5 位以内」 ∪ 「航路の始発または終着港」 を満たすもの。
• 「周辺港 (peripheral port)」: 主要港でないもの。航路上の 経由のみ。
• 「季節係数 (seasonal index)」: 港 m 月の値 ÷ 港の年平均。 1.0 = 港の年平均、1.5 = 年平均の 1.5 倍、0.3 = 年平均の 0.3 倍。 港間の絶対値の違いを正規化することで、季節パターンの形のみを比較できる。
• 「季節振幅 (seasonal amplitude)」: 港の季節係数の (最大値 − 最小値)。 大きい = 季節依存が強い、小さい = 通年で安定。
• 「モニタークルーズ (monitor cruise)」: 広島県が 2022 年 12 月に実施した 実証実験。新規ルート 4 + 既存ルート 3 の 7 航路を 9 日間運航。 本記事では 記述分析のみ。1 回限りの実験のため 因果推論は行わない。
• 「ルートタイプ (route type)」: 各航路の新規寄港地比率に応じた本記事独自の 4 分類。完全既存 (新規率 0%) / 既存主体 (0% 超 50% 未満) / 新規主体 (50% 以上 100% 未満) / 完全新規 (100%)。
• 「始発/終着港」: 航路の 寄港桟橋順 = 1 または最大の港。乗船・下船が 集中するため、需要量も他港より多い傾向。

到達点

3 つの RQ を順に追体験することで、学習者は次の 3 つの分析手法を身につける: (1) 集中度指標 3 種 (Gini / HHI / CRn) の使い分け、 (2) 季節係数による港別パターン正規化と振幅比較、 (3) ルート構成データの記述分析 (区間混合比 + ルートタイプ分類)。 広島県沿岸クルーズ市場が 「主要港 5+ 港 + 周辺港 9 港」 × 「春秋 2 山 + 冬の谷」 × 「東に延伸する実験ルート」の 3 構造でできていることを 1 つの一貫したデータ物語として 把握する。

使用データ

本レッスンは DoBoX オープンデータ 2 件を使う:

サイズの整理 (要件L: 表示と次元の混同を防ぐ):

※ 「14 港」 と 「7 航路」 と 「23 寄港地」 は別物。 14 港 = しまたび東/西航路の港 (2022 年定常運航)、 23 寄港地 = モニタークルーズの寄港地 (2022 年 12 月実証, 14 港の一部 + 新規 9 港)、 7 航路 = モニタークルーズで運航された航路。

ダウンロード (再現用データ・中間データ・図)

原データ (DoBoX)

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/39787" -OutFile "data/extras/shimatabi_monthly.csv"
iwr "https://hiroshima-dobox.jp/resource_download/39782" -OutFile "data/extras/cruise_monitor_daily.csv"
iwr "https://hiroshima-dobox.jp/resource_download/39781" -OutFile "data/extras/cruise_monitor_ports.csv"

本レッスンの .py スクリプトは、データが無ければ ensure_dataset() で自動取得してから処理を始める。

本レッスン生成の中間 CSV (HTML から直 DL)

• X04_port_yearly.csv — 港別年間需要 (14 行) [RQ1]
• X04_port_month.csv — 港 × 月 長表 (126 行) [RQ1/RQ2]
• X04_concentration_metrics.csv — Gini / HHI / CRn 集中度 (6 行) [RQ1]
• X04_lorenz_points.csv — ローレンツ曲線の点列 (15 行) [RQ1]
• X04_port_cluster.csv — 港の役割分類 (主要 / 周辺) (14 行) [RQ1]
• X04_month_total.csv — 月別総需要 (9 行) [RQ2]
• X04_seasonal_index.csv — 港 × 月 季節係数 (14 行 × 9 月) [RQ2]
• X04_seasonal_amplitude.csv — 港別 季節振幅 (14 行) [RQ2]
• X04_monitor_trips.csv — モニター 航海単位 (15 行) [RQ3]
• X04_monitor_routes.csv — モニター 7 航路サマリ [RQ3]
• X04_monitor_ports.csv — モニター 23 寄港地マスタ [RQ3]

図 PNG (HTML から直 DL)

• RQ1 — X04_rq1_port_yearly_bar.png (図1: 港別年間需要バー)
• RQ1 — X04_rq1_lorenz.png (図2: ローレンツ曲線)
• RQ1 — X04_rq1_port_map.png (図3: 港の地理マップ)
• RQ2 — X04_rq2_month_total.png (図4: 月別総需要)
• RQ2 — X04_rq2_port_month_heatmap.png (図5: 港×月 ヒートマップ)
• RQ2 — X04_rq2_seasonal_amplitude.png (図6: 季節振幅)
• RQ3 — X04_rq3_route_map.png (図7: モニタールートマップ)
• RQ3 — X04_rq3_trip_passengers.png (図8: 運航日×航路 客数)
• RQ3 — X04_rq3_route_mix.png (図9: ルート構成)

再現スクリプト

X04_cruise_intervention_timeseries.py を以下で実行:

cd "2026 DoBoX 教材"
py -X utf8 lessons/X04_cruise_intervention_timeseries.py

【RQ1】 港別需要構造の研究 — 14 港の集中度と役割分化

研究の問い (RQ1)

広島県沿岸クルーズ需要は 14 港にどう配分されているか? 集中度はどの程度で、 主要港と周辺港の役割分化はあるか?

仮説 (再掲)

• H1: 14 港の需要は均等配分ではなく、CR5 ≥ 40%, Gini ≥ 0.10 程度の集中度がある。
• H2: 主要港 (上位 3) は航路の 始発・終着港、周辺港は 島嶼経由地。

手法 (ツール視点・要件J)

(1) 集中度指標 3 種は何のツールか:

• Gini 係数 (0..1):
  • 入力: 各個体 (港) のシェアまたは絶対値の数列
  • 出力: 1 個のスカラ (0=完全均等, 1=1 個に独占)
  • 動作のイメージ: ローレンツ曲線 (累積港数比 vs 累積需要比) と 完全均等線 (y=x) の 間の面積を 2 倍したもの。
  • 結果の読み方: Gini = 0.05 なら均等寄り, 0.30 なら穏やかな集中, 0.50 以上で高集中。
  • 限界: 港数が少ない (n=14) と推定誤差が大きい。本記事では参考指標として併用。
• HHI (Herfindahl-Hirschman 指数) (0..1 または 0..10000):
  • 入力: 各個体のシェア (合計 1)
  • 出力: Σ シェア²。1/n (=均等) 〜 1 (=独占)。
  • 動作のイメージ: シェアの 2 乗を足すだけ。シェアの大きい個体が 2 乗で効くため、 少数の支配的個体に敏感。
  • 結果の読み方: 米司法省は HHI < 0.15 を「低集中」, 0.15-0.25 を「中集中」, ≥ 0.25 を「高集中」 とする。
  • 限界: 上位だけ似ていて下位が大きく違う場合でも値は同じになる (=分布の 形は見えない)。
• CRn (Concentration Ratio):
  • 入力: シェアの降順列
  • 出力: 上位 n 個のシェア合計
  • 動作のイメージ: 単純に上位 n を足すだけ。
  • 結果の読み方: CR3 ≥ 50% で「上位 3 港が市場の半分を占有」。 n の選び方で「どの粒度の集中」 を測るか調整できる。
  • 限界: n の選び方に主観が入る。本記事では CR3 / CR5 / CR10 を併記。

(2) 「ローレンツ曲線」 とは何のツールか:

• 入力: 個体の値 (本記事は港の年間客数)。降順または昇順に並べる。
• 出力: 2 次元曲線。横軸 = 累積港数比 (=下位から見たときの何 % まで), 縦軸 = 累積需要比。
• 動作のイメージ: 横軸を「下位から数えた港の % 累積」、縦軸を「下位から数えた 需要の % 累積」 でプロット。完全均等なら直線 (y=x)、不均等なら下に膨らむ凸曲線。
• 結果の読み方: 曲線が y=x から下に離れるほど不均等。 その「離れた面積 × 2」が Gini 係数。

(3) 港の役割分類 (主要 vs 周辺) の作り方:

• 入力: 港別年間需要 + 各航路の寄港地リスト + 寄港桟橋順
• 出力: 港ごとに「主要港 / 周辺港」 のラベル
• 定義: 「年間需要 上位 5 位以内」 ∪ 「航路の始発または終着」 = 主要港、それ以外 = 周辺港。 2 条件は OR。これにより「年間需要は中位だが始発・終着の戦略港」 もすくえる。
• 結果の読み方: 主要港数が 少ないほど集中。広島県の沿岸クルーズが 「拠点港 + 多数の経由港」 型なら、主要港数 ≤ 5 になる。

なぜこの分析か (要件H): クルーズ需要が どう配分されているかを 1 軸 (絶対値) だけで見ると順位は分かるが分布の 偏り具合が分からない。 集中度指標 3 種 + ローレンツ曲線 + 役割分類の 4 視点で重ねれば、 「上位 3 港が約 26%」「下位 5 港で約 19%」「主要 5 港 + 周辺 9 港」 のような 多面的プロファイルが描ける。

実装

 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
35
36
37
38
39

import numpy as np, pandas as pd

# 港 × 月 を 港別年間 に集約
port_yearly = (port_month.groupby("港", as_index=False)["乗降客数"].sum()
               .sort_values("乗降客数", ascending=False).reset_index(drop=True))
total = port_yearly["乗降客数"].sum()
port_yearly["シェア"] = port_yearly["乗降客数"] / total

# Gini 係数 (sorted ascending)
def gini_coefficient(x):
    x = np.sort(np.asarray(x, dtype=float))
    n = len(x)
    if n == 0 or x.sum() == 0: return 0.0
    return (2 * np.arange(1, n+1).dot(x) / (n * x.sum())) - (n+1)/n

gini = gini_coefficient(port_yearly["乗降客数"].values)

# HHI = Σ シェア²
hhi = (port_yearly["シェア"] ** 2).sum()

# CRn = 上位 n のシェア合計
cr3, cr5, cr10 = port_yearly["シェア"].head(3).sum(),                  port_yearly["シェア"].head(5).sum(),                  port_yearly["シェア"].head(10).sum()

# ローレンツ曲線 (昇順累積)
sorted_demand = np.sort(port_yearly["乗降客数"].values)
cum_demand = np.concatenate([[0], np.cumsum(sorted_demand)])
cum_demand_pct = cum_demand / cum_demand[-1]
rank_pct = np.arange(0, len(sorted_demand) + 1) / len(sorted_demand)

# 役割分類: 上位 5 位 ∪ 始発・終着
endpoint_ports = set()
for name, g in shimatabi.groupby("航路名"):
    g = g.sort_values("寄港桟橋順")
    endpoint_ports.add(g.iloc[0]["寄港地（桟橋名）"])
    endpoint_ports.add(g.iloc[-1]["寄港地（桟橋名）"])

port_yearly["港クラス"] = np.where(
    (port_yearly["順位"] <= 5) | (port_yearly["港"].isin(endpoint_ports)),
    "主要港", "周辺港")

1 港の Before/After 追跡 — 「ひょうたん島」 (要件K)

例として年間需要 1 位の 「ひょうたん島」を切り出し、生データ → 集計 → ランクの流れを 1 件で追跡する:

この表から読み取れること:

• 2 行 × 9 列 → 1 個のラベル と情報がだんだん圧縮される。 「ひょうたん島」 は東/西両方向の航路で寄港されている (= 連結性が高い)。
• シェアの絶対値 (8.81%) は 14 港の平均 7.1% (= 1/14)を上回るので、 定義上 1 位港。
• 役割判定で「主要港」 が確定。これが H2 (主要港 = 始発終着) の支持証拠の 1 つ。

結果 (図と読み取り)

図1 (RQ1): 14 港の年間乗降客数バーチャート

この図から読み取れること:

• 上位 1-7 位は同値で 8,519 人に集まっている。これは前述のデータ仕様 (通過客数の同値展開) による典型的な現象。中継港群は航路で連結されているため需要量が連動する。
• 上位 1 位 = ひょうたん島 (年間 8,519 人, シェア 8.8%)。 下位 1 位 = 契島（軍艦島） (年間 4,071 人, シェア 4.2%)。 1 位 / 14 位 比 = 2.09 倍。
• 主要港 (赤バー) は 7 港、周辺港 (青バー) は 7 港。 主要港の総シェア = 56.9%。
• 主要港の中でも、始発・終着港 (広島港・三原)は数値が低い。これは航路の出入口で 乗船する人 / 下船する人だけがカウントされ、通過しないため。 一方、中継港 (呉, 大久野島など) は 同じ船が通過するので数値が同じになる (= 元データの記録方式の特性)。
• 仮説 H2 への中間判定: 上位 3 のうち 0 港が始発/終着 → 部分支持 — 中継港のほうが上位に来る

結果 (表と読み取り)

表 1-1: 港別年間乗降客数 (降順) と シェア

この表から読み取れること:

• 累積シェアを見ると、上位 5 港で 44.1%、上位 10 港で 82.4%を占める。 下位 4 港の合計シェアは 17.6%。
• 1 位から 7 位までは差が小さい (=中継港が連動して同値で記録される) ため、 絶対値の上位は 港の重要度というより通過した船のキャパシティ × 月数。
• シェア < 5% の港は 4 港 (≒ 始発終着 + 一部経由)。

表 1-2: 集中度指標 3 種 (Gini / HHI / CRn)

この表から読み取れること:

• Gini = 0.143: 14 港中 1/14 = 0.071 = 完全均等。観察値 = 0.143 は 穏やかな集中。
• HHI = 0.077 (769/10000): 米 DOJ の閾値 0.18 (1800/10000) を 下回り低集中。
• CR5 = 44.1%: 上位 5 港が 44% を占有。 完全均等なら 5/14 = 35.7% なので +8.3ポイント偏在。
• 仮説 H1 (CR5 ≥ 40%, Gini ≥ 0.10): CR5 = 44.1%, Gini = 0.143 → 支持。 基準値を満たす。

表 1-3: 港の役割分類 — 主要港 vs 周辺港

この表から読み取れること:

• 主要港 = 7 港 (上位 5 位 ∪ 始発/終着)、周辺港 = 7 港。 主要港シェア合計 = 56.9%。
• 始発/終着港 (2 港) は数値こそ低いが、戦略的役割を担う (乗船・下船の集中点)。これらを「ランクだけ」 で周辺扱いすると重要度を見落とす。
• 平均寄港順を見ると、主要港のうち広島港・三原は順位 1 または 12、 呉港など中継主要港は順位 3-10 に分布。これが 「拠点 - 中継 - 端」の 港階層構造を示す。

表 1-4: ローレンツ曲線の点列 (昇順累積)

この表から読み取れること:

• 累積港数比 50% (= 7 港) の時点で、累積需要比は 38.3%。 完全均等なら 50% なので、11.7ポイント下に膨らんでいる。
• 累積港数比 30% (≒ 下位 4 港) で累積需要比 = 17.6% → 下位 30% の港が市場の 18% しか占めない。
• 曲線が 緩やかに膨らむ形なので「軽度の集中」 とラベルできる。完全競争に近い形。

結果 (図 2 と読み取り)

図2 (RQ1): 広島県クルーズ需要のローレンツ曲線

この図から読み取れること:

• 赤の実測曲線は破線の完全均等線 (y=x) より下に膨らんでいるが、その距離は小さい。 Gini = 0.143はこの「膨らみ面積 × 2」を意味する。
• 下位 50% の港は需要全体の 38.3% しか占有していない (完全均等なら 50%)。逆に上位 50% は 61.7%。
• 曲線の 傾きの変化を見ると、累積港数比 0.5 付近 (= 7 港目) で勾配が急に立ち上がる。 これは中位港から上位港にかけて 需要量がジャンプすることを示し、 港階層構造の証拠 (中位 = 経由港、上位 = 主要中継港) になる。
• 市場集中の典型的目安: Gini < 0.20 = 競争的、0.20-0.50 = 中集中、> 0.50 = 寡占。 本記事の Gini = 0.143 は 競争的。 広島県沿岸クルーズ市場は 「均等に近いが軽度の集中」と特徴づけられる。

結果 (図 3 と読み取り) — 要件 T (地理可視化)

図3 (RQ1): 14 港の地理配置と需要規模

なぜこの図か (要件H): バー (図1) では順位は見えるが 地理的位置は分からない。 緯度経度に円を配置し、円の サイズで需要、色で役割を表現すると、 「広島-呉-三原を結ぶ細長い航路 + 島嶼経由地」 という空間構造が一目で読める。

この図から読み取れること:

• 主要港 (赤) の地理分布は 東西軸上に並ぶ: 広島港 (西端) → 呉中央桟橋 → 大久野島 (中央) → 瀬戸田 → 三原 (東端) という線形配置。
• 周辺港 (青) は航路上の中継地で、いずれも円が小さい。これらは絶対値で見ると 主要港より少し低い程度だが、地理的に 島嶼の連絡点に位置する。
• 2 本の航路 (東向き / 西向き) は同じ港列を逆順に通るため、点線がほぼ重なる。 ただし広島港・三原 (始発/終着) では片方の航路でしか乗降しないため数値が低くなる。
• 仮説 H2 (主要港 = 始発・終着) は地図でも視覚的に補強される: 広島港・三原が 航路の 「鼻と尻尾」に位置し、円が他主要港より小さい (= 始発終着の数値特性)。

【RQ2】 季節性の研究 — 春秋 2 山型と港別振幅

研究の問い (RQ2)

需要の季節性は 春秋 2 山型か? 港別差はあるか?

仮説 (再掲)

• H3: 月別需要は春秋 2 山型 (5 月・11 月ピーク)、12 月谷はピークの 1/4 以下。
• H4: 港別の季節係数は同じ春でも振幅が異なる。 季節振幅 (max-min) は港間で 1.5 倍以上の差。

手法 (ツール視点・要件J)

(1) 「月別総需要」 とは何のツールか:

• 入力: 港 × 月 の長表 (= 港m の値)
• 出力: 月ごとの全港合算値 (9 ヶ月分のスカラ列)
• 動作のイメージ: pandas の groupby("月")["値"].sum() で 1 行。 全港の月需要を縦に足す。
• 結果の読み方: 棒/折れ線で月の山谷が見える。ピーク月 / 谷月と ピーク/谷比が 季節性の強さを示す指標。
• 限界: 全港合算では 港ごとの差が消える (=次に港別係数で補う)。

(2) 「季節係数 (seasonal index)」 とは何のツールか:

• 入力: 港 × 月 の値
• 出力: 港 × 月 の係数。係数 = 港m の値 / 港の年平均。
• 動作のイメージ: 各港の値をその港の年平均で割るだけ。 1.0 = 港の年平均水準、1.5 = 1.5 倍、0.3 = 3 割水準。
• 結果の読み方: 港の絶対値が違っても 季節パターンの形だけが比較できる。 主要港と周辺港で「同じ春でも形が違うか」 を判定する。
• 限界: 港の年平均が 0 の場合は計算できない (本記事は全港 > 0)。 月数が少ないと係数の安定性も落ちる (本記事は 9 ヶ月で十分)。

(3) 「季節振幅 (seasonal amplitude)」 とは何のツールか:

• 入力: 港の季節係数 (9 月分のベクトル)
• 出力: 振幅 = (最大係数 - 最小係数), 比率 = (最大 / 最小), 標準偏差。
• 動作のイメージ: 港 m のベクトルから max と min を取り、引き算と除算。
• 結果の読み方: 振幅が大きい = 年内変動が強い (季節依存型)。 振幅が小さい = 通年で安定 (恒常需要型)。

なぜこの分析か (要件H): 月別総需要 (図4) は 全体の山谷を見せる。 ヒートマップ (図5) は 港 × 月の細部を見せる。季節係数 (図6 左) は 港の絶対量を消したパターン形状を見せる。振幅バー (図6 右) は 港間比較を見せる。 この 4 段階で「季節性の全体 → 細部 → 形 → 港間差」 という階層的把握ができる。

実装

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

# 月別総需要 = 全港合算
month_total = port_month.groupby("月", as_index=False)["乗降客数"].sum().sort_values("月")

# 港 × 月 ピボット
pivot = port_month.pivot(index="港", columns="月", values="乗降客数")

# 季節係数 = 港m / 港年平均  (港ごとに正規化)
season_index = pivot.div(pivot.mean(axis=1), axis=0)

# 港別 季節振幅 (max - min, max/min, std)
season_amp = pd.DataFrame({
    "港": season_index.index,
    "最大月":  season_index.idxmax(axis=1),
    "最大係数": season_index.max(axis=1),
    "最小月":  season_index.idxmin(axis=1),
    "最小係数": season_index.min(axis=1),
    "振幅":    season_index.max(axis=1) - season_index.min(axis=1),
    "比率":    season_index.max(axis=1) / season_index.min(axis=1),
})

結果 (図 4 と読み取り)

図4 (RQ2): 月別総需要 — 春秋 2 山型 + 夏冬 2 谷

この図から読み取れること:

• ピーク月 = 5月 (17,665 人)、谷月 = 12月 (2,816 人)。比 = 6.27 倍。
• 春 (4-5 月) と秋 (10-11 月) は 年平均 (10743 人) を超える月が多く、 夏 (6-8 月) と冬 (12 月) は年平均を下回る → 春秋 2 山型 + 夏冬 2 谷。
• 5 月の突出が顕著 (17,665 人 = 月平均の 1.64 倍)。 GW 効果と推定。
• 11 月のピーク (15,265 人) は紅葉シーズン + 気候に起因。
• 12 月の落ち込みは 季節要因として極端 (年平均の 0.26 倍)。 寒さ + 冬休み前の閑散期。
• 仮説 H3 (春秋 2 山, ピーク/谷 ≥ 4): ピーク = 5月, 谷 = 12月, 比 = 6.27 → 支持。 基準を満たす。

結果 (表と読み取り)

表 2-1: 月別総需要 と シェア

この表から読み取れること:

• 総需要 = 96,685 人 (= 14 港 × 9 ヶ月の合算)。
• 5 月シェア = 18.3%, 11 月 = 15.8% (合計 34.1%) で 春秋ピークが年需要の 1/3 以上を占める。
• 12 月シェア = 2.9%。9 ヶ月平均 11.1% (=1/9) の 0.26 倍。

結果 (図 5 と読み取り)

図5 (RQ2): 港 × 月 乗降客数ヒートマップ

この図から読み取れること:

• セルの色 = 月の絶対値。港は年間需要降順 (= 上から順に主要港・周辺港の混在)。
• 横方向の色変化 (= 同じ港の月変動) はどの港でも似たパターン: 5 月最濃 → 7-8 月薄 → 11 月再濃 → 12 月最薄。
• 縦方向の色変化 (= 同じ月の港差) は、主要中継港 (呉, 大久野島など) が同値、 始発/終着港 (広島港・三原) が低値、という 2 段階構造。
• このヒートマップは 絶対値ベースなので「主要港の月変動が大きく見える」 が、 実は港の絶対量に圧倒されている。形だけ見るには次の図 6 (係数化) が必要。

表 2-2: 港 × 月 季節係数 (= 港m / 港年平均)

この表から読み取れること:

• すべての港で 5 月係数が最大 (1.5-1.7)、12 月係数が最小 (0.22-0.32)。 港差より 共通季節パターンが支配的。
• 始発/終着港 (広島港・三原) の 春ピーク係数は 1.50-1.65 で、 中継港 (呉中央桟橋・大久野島) の 1.65 とほぼ同じ。 → 季節パターンは 港の役割によらず共通。
• 振幅の小さい港 (広島港・中ノ鼻灯台) は港の年平均が比較的安定的に分布、 振幅の大きい港 (下蒲刈港・契島) は冬の落ち込みが極端。

結果 (図 6 と読み取り)

図6 (RQ2): 港別 季節係数ヒートマップ (左) と 振幅バー (右)

この図から読み取れること:

• 左の係数ヒートマップでは 列方向 (月) で色帯が一様 = 港間で季節パターンの 形は似ている。
• 右の振幅バーで、最大振幅港 = 三原（内港客船桟橋） (1.42)、 最小振幅港 = 広島港（広島港統合桟橋） (1.32)。 max/min 比 = 1.07。
• 振幅が小さい港 (始発/終着港の広島港・三原) は 年間で比較的均等な利用。 振幅が大きい港 (中継港の一部) は 冬に大きく落ち込む。
• 仮説 H4 (港間振幅比 ≥ 1.5): 観察値 = 1.07 → 部分支持。 基準値に達せず、港間で季節パターンの形はかなり似通っている。 この結果はデータ仕様 (= 中継港群が同値で記録される) によるところが大きい: 航路上の中継港 7 港は完全に同じ係数を共有 (1.026/1.648/1.043/0.666/0.885/0.798/1.234/1.433/0.268) し、独自パターンを持つのは 始発/終着 + 単一航路のみ寄港の 4 港。 港間差の存在は確認されたが、絶対的な振幅差は小さい。

表 2-3: 港別 季節振幅 (max-min, max/min, std)

この表から読み取れること:

• 振幅の上位 3 港 = 三原（内港客船桟橋）, 御手洗港, 中ノ鼻灯台。 下位 3 港 = 広島港（広島港統合桟橋）, 下蒲刈港, 契島（軍艦島）。
• 振幅 = 季節依存度の代理指標。大きい港は「春秋にピンポイントで集中、夏冬は閑散」 タイプ。 小さい港は「年間バランス型」 タイプ。
• 港クラス (主要 / 周辺) と振幅は 必ずしも一致しない。「主要港でも振幅が大きい中継港」 と「主要港で振幅が小さい始発終着港」 の 2 タイプが存在。

【RQ3】 モニタークルーズルート記述分析 — 区間混合と東への延伸

研究の問い (RQ3)

モニタークルーズ実施結果のルート設計を 記述分析する。 新規/既存区間の混合、寄港数、運航日分布は? 因果推論はしない (n=1 で不可)。

仮説 (再掲)

• H5: モニタークルーズ 7 航路は区間混合比に応じて 4 タイプに分類できる (完全既存・既存主体・新規主体・完全新規)。空間設計は既存ライン (広島-三原) を 東に延伸する形になっている。

手法 (ツール視点・要件J)

(1) 「ルートタイプ分類」 とは何のツールか:

• 入力: 各航路の (新規寄港数, 既存寄港数)
• 出力: 各航路に「完全既存 / 既存主体 / 新規主体 / 完全新規」 の 4 ラベル。
• 定義: 新規率 = 新規 / (新規+既存)。0 → 完全既存, 0<新規率<0.5 → 既存主体, 0.5≤新規率<1 → 新規主体, 1 → 完全新規。
• 結果の読み方: 4 タイプの分布 = 介入の 探索/活用ミックスを示す。 完全新規が多ければ「新ルート探索重視」、既存主体が多ければ「既存補強重視」。
• 限界: 寄港地数の 絶対値は無視している (5 港のうち 3 が新規 = 60% も、 10 港のうち 6 が新規 = 60% も同じラベル)。重み付き分類が必要なら別途。

(2) 「ルートマップ」 とは何のツールか:

• 入力: 各航路の (寄港地, 寄港順, 緯度経度)
• 出力: 緯度経度平面に 港の点 + 航路の折れ線を描いた地図
• 動作のイメージ: matplotlib scatter で港を、plot で 航路 (寄港順に並べた点列) を線で結ぶ。
• 結果の読み方: 線の 束が空間設計を示す。新規航路が東に集中していれば 「東への延伸」 戦略。
• 限界: 海上の実航路 (= 等深距離) ではなく、緯度経度の直線で結んでいるため 近似形。地図の島嶼を背景に置くとさらに分かりやすいが、本記事は省略 (シンプル化のため)。

なぜこの分析か (要件H): 介入効果を量的に推論できないとき、ルート設計を 記述すること それ自体が研究上の価値を持つ。「県は何を試したのか / どこに試したのか / どれくらいの規模か」 を データで示すことで、後年の本格評価 (= 複数年データ取得後) のための 記述ベースラインになる。

実装

↑ X04_cruise_intervention_timeseries.py 行 1503–1547

 1
 2
 3
 4
 5
 6
 7
 8
 9
1512
1513
1514
1515
1516
1517
1518
1519
1520
1521
1522
1523

# 1 航海 = 1 日 × 1 航路 (寄港地ごとの行は同じ観光客数)
trip = (monitor.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))

# 各航路サマリ: 寄港数, 新規/既存, 運航日数, 客数
route_records = []
for name, g in monitor.groupby("航路名"):
    stops = g.drop_duplicates("寄港地ID")
    new_stops = (stops["区間情報"] == "新規区間").sum()
    old_stops = (stops["区間情報"] == "既存区間").sum()
    new_ratio = new_stops / (new_stops + old_stops)
    if new_ratio == 1.0: rtype = "完全新規"
    elif new_ratio == 0.0: rtype = "完全既存"
    elif new_ratio >= 0.5: rtype = "新規主体"
    else: rtype = "既存主体"
    pas = g.drop_duplicates("運航日")["観光客数（人）"]
    route_records.append({"航路名": name, "寄港地数": len(stops),
        "新規率": new_ratio, "ルートタイプ": rtype,
        "運航日数": g["運航日"].nunique(), "観光客数_合計": pas.sum()})
routes_df = pd.DataFrame(route_records)

結果 (図 7 と読み取り) — 要件 T (地理可視化)

図7 (RQ3): モニタークルーズ 7 航路 × 23 寄港地のルートマップ

この図から読み取れること:

• 赤丸 = 新規区間寄港地 (8 港): 鞆の浦・阿伏兎観音・尾道水道・しまなみ海道・大崎上島など 東部に集中。
• 青丸 = 既存区間寄港地 (15 港): 広島港・呉港・大久野島・瀬戸田・三原など 既存しまたびライン上。
• 7 本の航路はすべて広島港を 始発/終着のいずれかに含む。 既存ライン (広島-三原) を 東に延伸 (鞆の浦, 尾道, しまなみ海道方向) する設計が見える。
• 新規寄港地は既存しまたびライン (広島-三原) の 東側 (≒ 経度 133.0° 以東) に ほぼすべて配置。これは戦略的に 「既存サービスの境界を超えて新エリアを開拓」 する意図と読める。

結果 (図 8 と読み取り)

図8 (RQ3): モニタークルーズ 9 運航日 × 7 航路 = 15 航海の観光客数

この図から読み取れること:

• 15 航海の観光客数は 36-70 人/航海の幅 (平均 58.1)。 合計 = 871 人。
• 1 日に複数航路が並走する場合 (12-07, 12-08, 12-14, 12-15, 12-21, 12-22) は 東向き + 西向きのペア運航。
• 運航日後半 (12-20, 12-21, 12-22) は前半より 客数が低下傾向: 12-06 = 60, 12-13 = 66, 12-20 = 36 (鞆の浦コースの 3 回運航)。 これは曜日効果 (火) または天候・告知度などの影響と推測。
• 客数最大は 72 人程度の上限に張り付く航海 (12-07 ②広島⇒尾道, 12-14 ④, 12-15 ④)。 船定員の制約と推定。
• n=1 イベントなので統計的な有意検定はしない。観察された変動は記述に留める。

結果 (図 9 と読み取り)

図9 (RQ3): 7 航路の区間構成 (左) と ルートタイプ別 平均客数 (右)

この図から読み取れること:

• 左図の 7 航路は新規率 0% (完全既存) から最大 38% (新規主体) まで分布。 完全新規 (新規率 = 100%) はゼロ = 県は 必ず既存ラインの一部を組み込む戦略。
• 右図のタイプ別平均客数は、['完全既存', '既存主体'] の 4 タイプで 完全既存: 60.5人, 既存主体: 58.0人 の幅。
• ルートタイプ別の客数差は小さく (2.5 人差)、 区間混合比は集客力をほとんど変えない傾向。 この事実は H5 の「タイプ分類が可能」 を支持しつつ、 「タイプ間で性能が異なる」 とは言わない (= n が小さく差は誤差範囲)。
• 仮説 H5: 7 航路を 4 タイプに分類できるか? 観察 = 2 タイプ出現 → 部分支持。 完全新規のみ未出現で、3 タイプ 出現。

結果 (表と読み取り)

表 3-1: モニタークルーズ 7 航路サマリ

この表から読み取れること:

• 運航日数は 2 (大半の航路) または 3 (鞆の浦コース) の幅。 観光客数_合計は航路ごとに 87-162 人。
• 新規率 100% の航路は 無い (= 完全新規ルートは試行されず)。県は新ルート単独より、 既存資産を埋め込んだハイブリッドルートを優先する戦略。
• 寄港地数は 7-13 で航路ごとに変動。鞆の浦コース (13 寄港地) が最長で、3 日運航もここのみ。 実証実験の 主役ルートと推定。

表 3-2: 運航日 × 航路 = 15 航海の客数詳細

この表から読み取れること:

• 15 航海すべて 12 月 (06,07,08,13,14,15,20,21,22) の 火・水・木 ローテーション。 平日中心の運航。
• 同じ航路でも運航日ごとに客数が異なる (例: ①鞆の浦コース 60 → 66 → 36)。これは曜日・天候・告知度の合算と推定。
• 1 航海 = 1 日 × 1 航路の独立イベントだが、データセット上は寄港地ごとに行が 展開され、観光客数列は 同一値が繰り返される (要件L: 行数 ≠ 観測数)。

表 3-3: モニタークルーズ 23 寄港地マスタ (一部抜粋)

※ 全 23 寄港地のうち上位 15 を表示。残りは X04_monitor_ports.csv で参照。

この表から読み取れること:

• 緯度の範囲は 34.180-34.410 (≒ 0.23 度 = 約 25 km)、 経度の範囲は 132.455-133.380 (≒ 0.92 度 = 約 84 km)。 東西長 ≫ 南北長 の細長い分布で、瀬戸内海の海岸線と一致。
• 新規区間寄港地は 経度 133° 以東に多く (7/8 港)、 既存区間は 経度 133° 以西に多い (11/15 港)。 既存ライン東端の三原 (経度 133.08) を境に新規エリアが広がる。

表 3-4: ルートタイプ別 サマリ

この表から読み取れること:

• 4 タイプのうち 3 タイプが出現: 完全既存 / 既存主体 / 新規主体。完全新規はゼロ。
• タイプ別の平均客数は近接 (58.0-60.5 人) で、混合比の違いが集客力に直結しているとは言えない (n が小さく結論できない)。
• 運航日数の合算は 新規主体 + 既存主体 ＝ 13 日に対し 完全既存 = 2 日 → 県は ハイブリッドルート優先で運航時間を割いた。

仮説検証総合

仮説と結果の照合 (要件: 仮説×結果対照表)

3 RQ を統合した総合考察

(1) 広島県沿岸クルーズ市場は「軽度集中 + 共通季節パターン + ハイブリッド実験」 で構成される

• RQ1 で見たように、14 港の需要分布は 軽度の集中 (Gini = 0.143) であり、 寡占でも完全分散でもない。広島県の沿岸クルーズ市場は 「拠点 5 港 + 経由 9 港」 というシンプルな階層構造を持つ。
• RQ2 で見たように、季節パターンは 港の役割によらず共通 (春秋 2 山 + 冬の深谷)。 港間で振幅は多少異なるが、形は近い。これは 需要が観光客の月別カレンダー (GW、紅葉、年末年始) に支配されることの証拠。
• RQ3 で見たように、モニタークルーズ実証は 既存ラインを東に延伸する戦略で、 新規 100% ルートは試行されなかった。新規開拓と既存補強を併せたハイブリッド。

(2) 因果推論はしないが、記述から導かれる政策的含意

• 港の需要は 船のキャパシティ × 月数で決まる構造のため、需要拡大の最大の制約は 運航本数。集客テコ入れより 運航回数増のほうが効果的かもしれない (要検証)。
• 季節振幅が大きい港は 冬の谷を埋める政策の余地が大きい。一方、振幅が小さい港 (始発/終着の広島港・三原) は通年で需要があり、船便増の効果が出やすい。
• モニタークルーズの新規寄港地は 東部に集中している。既存の主要港 (西部の広島-呉) は基盤としつつ、東部 (尾道・しまなみ・鞆の浦) がフロンティア。

(3) 本記事の限界

• 1 年データのみ: 季節パターンの安定性 (= 毎年同じか?) は検証不可。 複数年データが取得できれば、季節係数の年次安定性を見たい。
• n=1 の介入: モニタークルーズの集客性能は記述レベルで言及できるのみ。 旧版 X04 のような 因果推論は意図的に行わなかった。
• 港の役割分類は本記事独自: 「上位 5 ∪ 始発/終着」 は分析的に有用だが、 公式の港階層分類ではない。他研究と比較するときは定義を明示する必要がある。
• 需要 = 乗降客数の代理: 厳密には潜在需要 (乗りたかった人数) と異なる。 船のキャパに張り付いた航海では 需要 > 観測値の可能性がある (= 機会損失)。

発展課題

結果X → 新仮説Y → 課題Z (要件 E: 3 段の論理鎖)

RQ1 から派生する発展課題

課題1: 主要港の役割分類を クラスタリングで再構築

• 結果X: RQ1 では主要 / 周辺の 2 分類を「上位 5 ∪ 始発終着」 で定義したが、 分類しきい値は本記事の主観。
• 新仮説Y: 港を (年間需要, 季節振幅, 寄港順位の中央値, 始発終着フラグ) の 4 次元ベクトルで 表現し、k-means クラスタリングを適用すると 3-4 クラスタ (拠点港・中継主要港・島嶼経由地・端点港) が自然に分離する。
• 課題Z: sklearn.cluster.KMeans で n=3 と n=4 を試行 → シルエット係数で最適クラスタ数を決定 → 各クラスタの代表港・特徴を表化 → 政策的含意 (どのクラスタにどんな投資をすべきか) を議論。

課題2: 港のネットワーク中心性 (= ハブ性) を測る

• 結果X: RQ1 で港の絶対需要は分かったが、「他港との接続性」は見えていない。 呉港は中継だが、広島港・三原は端点という地理的役割。
• 新仮説Y: 航路を ネットワークとして表現すると、呉港の介在中心性 (betweenness centrality) は他主要港の 2 倍以上で、真のハブである。
• 課題Z: networkx で航路を無向グラフ化 → betweenness/closeness/degree centrality を計算 → 各港の中心性ランキングを表化 → 「需要ランク」 と「中心性ランク」 の差分を分析。

RQ2 から派生する発展課題

課題3: 古典時系列分解で「トレンド + 季節 + 残差」 に分解

• 結果X: RQ2 では月別総需要が 2 山型と分かったが、トレンド成分 (年間でゆるい増減) と 季節成分 (毎月の山谷) を 視覚的に分離していない。
• 新仮説Y: 古典時系列分解 (additive decomposition) で 9 ヶ月データを分解すると、 トレンド成分は ±100 人/月以内のドリフトに留まり、季節成分が支配的 (±400 人/月)。
• 課題Z: statsmodels.tsa.seasonal_decompose で additive 分解 → 3 成分を別折れ線で可視化 → 残差成分を見て外れ月 (例: 5 月の突出) を特定。 ただし 9 ヶ月データは分解の period=12 を満たさないため、複数年データが必要。

課題4: 季節パターンの クラスタリングで港のタイプを発見

• 結果X: RQ2 では港の振幅で 1 次元の比較しかできなかった。 季節パターンの 形 (どの月にピーク)はほぼ共通だったが、 厳密にはマイナーな差がある。
• 新仮説Y: 9 月分の季節係数ベクトルを使った階層クラスタリング (Ward 法) で 港を 2-3 クラスタに分けると、「春重視・秋重視・冬の谷が深い」 の 3 タイプが現れる。
• 課題Z: scipy.cluster.hierarchy.linkage で港 × 9 月の係数行列を Ward 法でクラスタリング → デンドログラムで 2-3 クラスタを切る → 各クラスタの平均季節パターンを折れ線で表示。

RQ3 から派生する発展課題

課題5: モニタークルーズと 定常運航 (しまたび 12 月) の集客性能比較

• 結果X: RQ3 では n=1 イベントなので因果推論しなかったが、 同じ 12 月に運航された 定常しまたびラインの客数と並べて見ることはできる。
• 新仮説Y: モニタークルーズの 1 航海平均客数 (58.1 人) は、 定常しまたびライン 12 月の 1 航海推定客数と 同程度 (±20 人) で、 「新ルートだから特段集まる」 効果は限定的。
• 課題Z: しまたびライン 12 月の月次合算客数を 12 月の運航日数で割って 1 航海平均を推定 → モニタークルーズの 1 航海平均と並べて表化 → 客数差を記述 (因果推論せず)。

課題6: 運航日 × 曜日 × 天候 の交絡分解

• 結果X: RQ3 で運航日後半の客数低下を観察したが、要因 (曜日・天候・告知度) を 分離していない。
• 新仮説Y: 9 運航日の曜日構成を見ると 火・水・木が中心で、土日運航がない。 平日のため客数が抑制された可能性 → もし土日にも運航していたら平均客数は +30%程度になる。
• 課題Z: 運航日に曜日 (pd.to_datetime().dt.day_name()) と当日の気温/降水量 (気象庁データ) をマージ → 重回帰で 客数 ~ 航路 + 曜日 + 天候 をフィット → 各係数を比較 (n=15 で過適合に注意)。

3 RQ 横断の総合課題

課題7: 複数年データで 本格的な季節安定性 + ルート評価を再現

• 結果X: 本記事は 2022 年単年。2018-2024 年データがあれば、 季節パターンの安定性 + モニタークルーズ前後の年次変化が分析可能。
• 新仮説Y: 2018-2024 年の 12 月クルーズ客数 (定常運航) は 2023 年以降の平均が 2022 年より +15% 高い。2022 年実証のフォロアップ運航化 (= 新規ルート定着) の効果。
• 課題Z: DoBoX の続報リソースを取得 (まだ無ければ広島県観光統計に問い合わせ) → 年次対前年成長率を計算 → 2022 を介入年として t 検定 → ただし他県の同時期データで 比較群を作って交絡統制 (= 本格的な DID = 旧版 X04 が試みて失敗した姿の正解)。