# -*- coding: utf-8 -*- """ X05: しまたびライン × 離島避難所カバレッジ — 空間需給バランス研究 ================================================================================ DoBoX が公開する観光・防災データセット 3 件: #1281 瀬戸内海の航路情報 (実データ: data/extras/sea_route.csv 81港) #1282 瀬戸内しまたびライン利用状況 (DoBoX 限定 — 実 CSV 取得不可) #42 避難所情報 (実データ: data/shelters.json 4,065件) これらを使って、瀬戸内海の **離島ごと** に - 観光客需要 (しまたびライン利用 = 寄港地数で代理) - 避難所供給 (件数 + 収容力合計) の **空間需給バランス** を可視化する。 【本記事のスタイル: 空間需給バランス研究】 - **比率指標**「需給ギャップ指数 = 観光ピーク需要 ÷ 避難所収容力」を主役に据え、 - **バブルプロット**(x=避難所件数, y=観光ピーク需要, 半径=ギャップ指数)、 - **ランキング棒グラフ**(島別ギャップ上位)、 - **比率指標マップ**(緯度経度散布で色=ギャップ)、 - 散布図 + 単回帰 + 45° 線 (需要 vs 供給)、 - 階層クラスタ (補助的): 観光重点群 / 防災優先群 / 両立群 の 3 群分類 の 5 図を 10 セクションで展開する。 実行: cd "2026 DoBoX 教材" py -X utf8 lessons/X05_island_supply_demand.py 制約: - ローカル並列 Python 禁止 / メモリ 500 MB 以下 - DoBoX 限定の #1282 は resource_download 無し → 寄港地数で代理 - PCA / 散布図行列 / ロジスティック回帰は **使わない** (本記事のスタイル外) """ from __future__ import annotations import json import re import math import warnings from pathlib import Path import numpy as np import pandas as pd import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt from matplotlib.lines import Line2D from scipy.cluster.hierarchy import linkage, fcluster, dendrogram from scipy.spatial.distance import pdist from scipy.stats import linregress from _common import ROOT, ASSETS, LESSONS, render_lesson, code, figure, data_recipe plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False warnings.filterwarnings("ignore", category=UserWarning) # === パス定義 ================================================================= SHELTER_JSON = ROOT / "data" / "shelters.json" ROUTE_CSV = ROOT / "data" / "extras" / "sea_route.csv" IDX_CSV = ROOT / "data" / "dataset_index.csv" # 中間 CSV (assets 配下 = HTML から直リンク) OUT_ISLANDS = ASSETS / "X05_island_metrics.csv" # 島×指標(主表) OUT_GAP_RANK = ASSETS / "X05_gap_ranking.csv" # ギャップ指数ランキング OUT_REG = ASSETS / "X05_regression_demand_supply.csv" OUT_CLUSTER = ASSETS / "X05_cluster_assignments.csv" OUT_MAP = ASSETS / "X05_island_geocoords.csv" # 島の代表点+ギャップ OUT_TRACK = ASSETS / "X05_oosakikamijima_track.csv" # 1島の構築過程 # 図 PNG PNG_BUBBLE = ASSETS / "X05_bubble.png" # 図1: バブルプロット (主役) PNG_RANKING = ASSETS / "X05_gap_ranking.png" # 図2: ギャップ指数ランキング PNG_MAP = ASSETS / "X05_map.png" # 図3: 緯度経度マップ (色=ギャップ) PNG_REG = ASSETS / "X05_demand_vs_supply.png" # 図4: 散布+回帰+45°線 PNG_DENDRO = ASSETS / "X05_dendrogram.png" # 図5: 補助的 階層クラスタ # === 島の定義 ================================================================ # 瀬戸内海に浮かぶ広島県の主要離島。 # 市町境とは一致しないため、住所文字列マッチで島ごとに集計する。 # (市町ごとに集計すると、江田島市は本島+能美島+沖美島+大柿島が混ざってしまう) ISLAND_DEF = [ # (島名, 住所キーワードリスト, 代表座標 (lat, lon)) ("大崎上島", ["大崎上島町"], (34.265, 132.910)), ("江田島本島", ["江田島市江田島町"], (34.230, 132.460)), ("能美・沖美", ["江田島市能美町", "江田島市沖美町", "江田島市大柿町"], (34.180, 132.420)), ("宮島", ["廿日市市宮島町"], (34.295, 132.320)), ("似島", ["広島市南区似島町"], (34.310, 132.440)), ("因島", ["尾道市因島"], (34.305, 133.180)), ("向島", ["尾道市向島町"], (34.380, 133.200)), ("生口島", ["尾道市瀬戸田町"], (34.295, 133.080)), ("佐木島", ["三原市鷺浦町"], (34.350, 133.060)), ("百島", ["尾道市百島町"], (34.370, 133.300)), ("倉橋島", ["呉市倉橋町", "呉市音戸町"], (34.140, 132.520)), ("阿多田島", ["大竹市阿多田"], (34.200, 132.260)), ("豊島", ["呉市豊浜町"], (34.180, 132.860)), ("上蒲刈・下蒲刈", ["呉市蒲刈町", "呉市下蒲刈町"], (34.180, 132.700)), ("斎島", ["呉市豊浜町大字斎島"], (34.150, 132.860)), ] ISLAND_NAMES = [name for name, _, _ in ISLAND_DEF] print("=" * 60) print(" X05 しまたびライン × 離島避難所カバレッジ") print(" 空間需給バランス研究") print("=" * 60) # === STEP 1: 避難所データ読込 ================================================ print("\n=== STEP 1: 避難所データ (shelters.json #42) ===") with open(SHELTER_JSON, encoding="utf-8") as f: shelter_raw = json.load(f) sdf = pd.DataFrame(shelter_raw["items"]) sdf["address01"] = sdf["address01"].astype(str) sdf["address02"] = sdf["address02"].astype(str) sdf["name"] = sdf["name"].astype(str) sdf["fulladdr"] = sdf["address01"] + " " + sdf["address02"] + " " + sdf["name"] sdf["latitude"] = pd.to_numeric(sdf["latitude"], errors="coerce") sdf["longitude"] = pd.to_numeric(sdf["longitude"], errors="coerce") sdf["capacity"] = pd.to_numeric(sdf["capacity"], errors="coerce").fillna(0.0) print(f" 避難所件数: {len(sdf)} (capacity 取得 {(sdf['capacity']>0).sum()} 件)") # === STEP 2: 航路データ読込 =================================================== print("\n=== STEP 2: 航路データ (sea_route.csv #1281) ===") route = pd.read_csv(ROUTE_CSV, encoding="utf-8-sig") route["住所"] = route["住所"].astype(str) route["寄港地"] = route["寄港地"].astype(str) print(f" 寄港地件数: {len(route)} (うち広島県: " f"{route['住所'].str.startswith('広島県').sum()})") # === STEP 3: カタログメタ (#1282 しまたびライン) ============================= print("\n=== STEP 3: カタログメタ (dataset_index.csv) ===") idx = pd.read_csv(IDX_CSV, encoding="utf-8-sig") TARGETS = [42, 1281, 1282] catalog_meta = idx[idx["Id"].isin(TARGETS)].copy() print(catalog_meta.to_string(index=False)) # === STEP 4: 島ごとに需要・供給を集計 ======================================== print("\n=== STEP 4: 島別 需要 (寄港地数) と 供給 (避難所件数+収容力) ===") records = [] for name, kws, (lat0, lon0) in ISLAND_DEF: # 避難所マッチ s_mask = pd.Series(False, index=sdf.index) for kw in kws: s_mask |= sdf["fulladdr"].str.contains(kw, na=False) s_island = sdf[s_mask] n_shelters = len(s_island) cap_sum = float(s_island["capacity"].sum()) # 避難所平均緯度経度 (代表点として使う) lats = s_island["latitude"].dropna() lons = s_island["longitude"].dropna() if len(lats) >= 3: rep_lat = float(lats.median()) rep_lon = float(lons.median()) else: rep_lat, rep_lon = lat0, lon0 # 寄港地マッチ (航路本数 = しまたびライン利用の代理指標) r_mask = pd.Series(False, index=route.index) for kw in kws: r_mask |= route["住所"].str.contains(kw, na=False) # 寄港地名にも島名キーワードがあれば拾う (一部、住所が市役所所在地で # 寄港地名のほうに島名が入っている例) for short in [kw.replace("町", "")]: r_mask |= route["寄港地"].str.contains(short, na=False) n_ports = int(r_mask.sum()) records.append({ "island": name, "n_shelters": n_shelters, "capacity": cap_sum, "n_ports": n_ports, "rep_lat": rep_lat, "rep_lon": rep_lon, }) M = pd.DataFrame(records) # 需要指標: 観光ピーク需要 = 寄港地数 × 1 日あたり想定来島者数 (50 人/港 と仮定) # - #1282 (しまたびライン) は実 CSV が手に入らないので、 # 港 1 つあたり「ピーク日 50 人」という単純な定数で代理。 # 学習者は本記事の「ピーク需要 = n_ports × 50」を別の値に置き換えて # 再計算できる。仮定は明示する。 PEAK_PER_PORT = 50 M["peak_demand"] = M["n_ports"] * PEAK_PER_PORT # 需給ギャップ指数 = 観光ピーク需要 ÷ 避難所収容力 (capacity == 0 は inf を避けて NaN) M["gap_index"] = np.where( M["capacity"] > 0, M["peak_demand"] / M["capacity"], np.nan, ) M["gap_index"] = M["gap_index"].fillna(M["gap_index"].max() * 1.2) # capなし島は最悪値 print("\n 島別 集計結果:") print(M.to_string(index=False)) M.to_csv(OUT_ISLANDS, index=False, encoding="utf-8-sig") print(f"\n → {OUT_ISLANDS.name}") # === STEP 5: ギャップ指数ランキング ========================================== print("\n=== STEP 5: 需給ギャップ指数ランキング ===") rank = M.sort_values("gap_index", ascending=False).reset_index(drop=True) rank["rank"] = np.arange(1, len(rank) + 1) rank.to_csv(OUT_GAP_RANK, index=False, encoding="utf-8-sig") print(rank[["rank", "island", "n_ports", "peak_demand", "n_shelters", "capacity", "gap_index"]].to_string(index=False)) # === STEP 6: バブルプロット (図1: 主役) ====================================== print("\n=== STEP 6: バブルプロット ===") fig, ax = plt.subplots(figsize=(11.5, 7.0)) # 半径 = ギャップ指数 (大きいほど不足)、色 = 供給 (capacity) sizes = (M["gap_index"].values / max(M["gap_index"].max(), 1e-6)) * 1500 + 60 sc = ax.scatter( M["n_shelters"], M["peak_demand"], s=sizes, c=M["capacity"], cmap="viridis", alpha=0.78, edgecolor="black", linewidth=0.8, ) for _, row in M.iterrows(): ax.annotate( row["island"], (row["n_shelters"], row["peak_demand"]), xytext=(7, 5), textcoords="offset points", fontsize=9.5, color="#222", ) cbar = fig.colorbar(sc, ax=ax, fraction=0.04, pad=0.03) cbar.set_label("供給 = 避難所収容力合計 (人)", fontsize=10) ax.set_xlabel("供給 = 避難所件数 (件)", fontsize=11) ax.set_ylabel(f"需要 = 観光ピーク需要 = 寄港地数 × {PEAK_PER_PORT} (人/日)", fontsize=11) ax.set_title( f"図1: 離島の需給バブルプロット — 半径 = 需給ギャップ指数 " f"(需要 ÷ 収容力)\n" f"右上 = 需要も供給も大の島, 左下 = 両方少ない島, 大きい泡 = 不足度大", fontsize=12, pad=12, ) ax.grid(alpha=0.3) # 凡例: バブル半径の意味 legend_sizes = [0.5, 1.0, 2.0] legend_handles = [] for ls in legend_sizes: legend_handles.append( Line2D([], [], marker="o", linestyle="None", markerfacecolor="#bbb", markeredgecolor="black", markersize=math.sqrt(ls / max(M["gap_index"].max(), 1e-6) * 1500 + 60), label=f"ギャップ {ls:.1f}") ) ax.legend(handles=legend_handles, title="バブル半径", loc="upper left", fontsize=9, title_fontsize=9) plt.tight_layout() plt.savefig(PNG_BUBBLE, dpi=140, bbox_inches="tight") plt.close() print(f" → {PNG_BUBBLE.name}") # === STEP 7: ランキング棒グラフ (図2) ======================================== print("\n=== STEP 7: ランキング棒グラフ ===") fig, ax = plt.subplots(figsize=(11.0, 7.0)) top = rank.head(15) ypos = np.arange(len(top))[::-1] bars = ax.barh(ypos, top["gap_index"].values, color="#cf222e", alpha=0.82, edgecolor="black") ax.set_yticks(ypos) ax.set_yticklabels(top["island"].tolist()) ax.set_xlabel("需給ギャップ指数 = 観光ピーク需要 ÷ 避難所収容力", fontsize=11) ax.set_title( f"図2: 島別 需給ギャップ指数ランキング (上位 {len(top)})\n" f"値が大きい = ピーク時に避難所が不足 = 防災弱者島", fontsize=12, pad=10, ) # 各バーに数値を書く for b, v, np_ in zip(bars, top["gap_index"].values, top["n_ports"].values): ax.text(v + 0.02, b.get_y() + b.get_height() / 2, f"{v:.2f} (港数 {np_})", va="center", fontsize=9) ax.axvline(1.0, color="#0969da", linestyle="--", linewidth=1.2, label="境界線 = 1.0\n(これより右は需要 > 供給)") ax.legend(loc="lower right", fontsize=9.5) ax.grid(axis="x", alpha=0.3) plt.tight_layout() plt.savefig(PNG_RANKING, dpi=140, bbox_inches="tight") plt.close() print(f" → {PNG_RANKING.name}") # === STEP 8: 比率指標マップ (図3) ============================================ print("\n=== STEP 8: 緯度経度マップ (色 = ギャップ指数) ===") geo_df = M[["island", "rep_lat", "rep_lon", "gap_index", "peak_demand", "capacity"]].copy() geo_df.to_csv(OUT_MAP, index=False, encoding="utf-8-sig") fig, ax = plt.subplots(figsize=(11.0, 7.0)) sc = ax.scatter( geo_df["rep_lon"], geo_df["rep_lat"], c=geo_df["gap_index"], s=140 + geo_df["peak_demand"] / 5, cmap="RdYlGn_r", edgecolor="black", linewidth=0.8, alpha=0.88, ) for _, row in geo_df.iterrows(): ax.annotate( row["island"], (row["rep_lon"], row["rep_lat"]), xytext=(7, 5), textcoords="offset points", fontsize=9.5, color="#222", ) cbar = fig.colorbar(sc, ax=ax, fraction=0.04, pad=0.03) cbar.set_label("需給ギャップ指数 (赤=不足, 緑=余裕)", fontsize=10) ax.set_xlabel("経度 (E)", fontsize=11) ax.set_ylabel("緯度 (N)", fontsize=11) ax.set_title( "図3: 離島の地理的需給ギャップ — 色 = ギャップ指数, 半径 = 需要\n" "西部 (江田島・宮島) と 東部 (尾道・三原) で需給構造が分かれる", fontsize=12, pad=10, ) ax.grid(alpha=0.3) plt.tight_layout() plt.savefig(PNG_MAP, dpi=140, bbox_inches="tight") plt.close() print(f" → {PNG_MAP.name}") # === STEP 9: 散布図 + 単回帰 + 45° 線 (図4) ================================== print("\n=== STEP 9: 散布図 — 需要 vs 供給 + 単回帰 + 45° 線 ===") x = M["capacity"].values.astype(float) y = M["peak_demand"].values.astype(float) slope, intercept, r, p, _ = linregress(x, y) r2 = r * r reg_df = pd.DataFrame([{ "x": "capacity (供給)", "y": "peak_demand (需要)", "n": len(M), "slope": slope, "intercept": intercept, "r": r, "R2": r2, "p_value": p, }]) reg_df.to_csv(OUT_REG, index=False, encoding="utf-8-sig") print(reg_df.to_string(index=False)) fig, ax = plt.subplots(figsize=(10.0, 7.0)) ax.scatter(x, y, s=170, c="#0969da", alpha=0.78, edgecolor="black", linewidth=0.8) for _, row in M.iterrows(): ax.annotate( row["island"], (row["capacity"], row["peak_demand"]), xytext=(7, 5), textcoords="offset points", fontsize=9.5, ) xx = np.linspace(0, x.max() * 1.05, 50) ax.plot(xx, slope * xx + intercept, color="#cf222e", linewidth=1.6, label=f"単回帰: y = {slope:.3f}x + {intercept:.0f}\n R² = {r2:.3f}") # 45° 線 (= 需要と供給が同水準) mx = max(x.max(), y.max()) * 1.05 ax.plot([0, mx], [0, mx], color="#666", linestyle="--", linewidth=1.0, label="45° 線 (需要 = 供給)") ax.set_xlabel("供給 = 避難所収容力合計 (人)", fontsize=11) ax.set_ylabel("需要 = 観光ピーク需要 (人)", fontsize=11) ax.set_title( "図4: 需要 vs 供給 散布図 + 単回帰 + 45° 線\n" "45° 線より上 = ピーク需要 > 供給 (= 不足島)", fontsize=12, pad=10, ) ax.legend(fontsize=10, loc="upper left") ax.grid(alpha=0.3) ax.set_xlim(0, mx * 0.5) # capacityのスケールが大きいので片方だけクロップ ax.set_ylim(0, max(y.max() * 1.1, 100)) plt.tight_layout() plt.savefig(PNG_REG, dpi=140, bbox_inches="tight") plt.close() print(f" → {PNG_REG.name}") # === STEP 10: 階層クラスタ (補助的、図5) ===================================== print("\n=== STEP 10: 階層クラスタ (補助) — 観光重点/防災優先/両立 の 3 群 ===") # 標準化した (n_ports, capacity, gap_index) で群分け F = M[["n_ports", "capacity", "gap_index"]].values.astype(float) F_std = (F - F.mean(axis=0)) / (F.std(axis=0, ddof=0) + 1e-9) dist = pdist(F_std, metric="euclidean") Zlink = linkage(dist, method="ward") labels3 = fcluster(Zlink, t=3, criterion="maxclust") cluster_df = M[["island", "n_ports", "n_shelters", "capacity", "peak_demand", "gap_index"]].copy() cluster_df["cluster3"] = labels3 # 各クラスタの平均値で「観光重点」「防災優先」「両立」のラベルを付ける center3 = cluster_df.groupby("cluster3")[ ["n_ports", "capacity", "gap_index"] ].mean() print("\n クラスタ中心:") print(center3.round(2).to_string()) # ラベル付け: 平均ギャップ最大 = 観光重点 (需要過多), 平均capacity最大 = 防災優先, # 残り = 両立 gap_rank = center3["gap_index"].rank(ascending=False) cap_rank = center3["capacity"].rank(ascending=False) ports_rank = center3["n_ports"].rank(ascending=False) cluster_label = {} top_gap = int(center3["gap_index"].idxmax()) top_cap = int(center3["capacity"].idxmax()) remaining = [c for c in center3.index if c not in (top_gap, top_cap)] cluster_label[top_gap] = "観光重点 (需要過多)" cluster_label[top_cap] = "防災優先 (供給充実)" for c in remaining: cluster_label[c] = "両立 (中庸)" cluster_df["cluster_label"] = cluster_df["cluster3"].map(cluster_label) cluster_df.to_csv(OUT_CLUSTER, index=False, encoding="utf-8-sig") print("\n 島→クラスタ:") print(cluster_df[["island", "cluster3", "cluster_label", "n_ports", "capacity", "gap_index"]].to_string(index=False)) # 図5: デンドログラム fig, ax = plt.subplots(figsize=(12.0, 5.6)) dendrogram( Zlink, labels=M["island"].tolist(), color_threshold=Zlink[-2, 2] - 0.01, leaf_font_size=10, ax=ax, ) ax.set_title( f"図5: 階層クラスタ (Ward 法) — {len(M)} 島 × 3 指標 (港数, 収容力, ギャップ)\n" f"3 群境界 (赤線, 距離 {Zlink[-2, 2]:.2f}) で「観光重点 / 防災優先 / 両立」", fontsize=12, pad=10, ) ax.axhline(Zlink[-2, 2] - 0.01, color="#cf222e", linestyle="--", linewidth=1.2) ax.set_ylabel("Ward 距離 (= 群内平方和の増分)") plt.tight_layout() plt.savefig(PNG_DENDRO, dpi=140, bbox_inches="tight") plt.close() print(f" → {PNG_DENDRO.name}") # === STEP 11: 1 島追跡 (要件K, 大崎上島) ===================================== print("\n=== STEP 11: 1 島追跡 (要件K) — 大崎上島の指標構築過程 ===") ex_island = "大崎上島" ex_row = M[M["island"] == ex_island].iloc[0] ex_cluster = int(cluster_df[cluster_df["island"] == ex_island]["cluster3"].iloc[0]) ex_label = cluster_label[ex_cluster] track_records = [ ("1. 住所マッチで避難所を抽出", f"{ex_island}町 を含む住所の避難所 = {int(ex_row['n_shelters'])} 件", f"{int(ex_row['n_shelters'])} 行 (避難所 1 件 = 1 行)"), ("2. capacity 列を合計", f"avg ≈ {ex_row['capacity']/max(ex_row['n_shelters'],1):.0f} 人/件 → " f"合計 {int(ex_row['capacity'])} 人", "スカラー 1 個"), ("3. 寄港地マッチで港数を数える", f"sea_route.csv で {ex_island} を含む住所/港名 = {int(ex_row['n_ports'])} 港", "スカラー 1 個"), ("4. ピーク需要を組み立て", f"port × {PEAK_PER_PORT} = {int(ex_row['peak_demand'])} 人/日", "スカラー 1 個"), ("5. 需給ギャップ指数を算出", f"{int(ex_row['peak_demand'])} ÷ {int(ex_row['capacity'])} = " f"{ex_row['gap_index']:.3f}", "スカラー 1 個 (本記事の主役)"), ("6. クラスタに割り当て", f"標準化 → Ward 距離計算 → 3 群分割 → クラスタ {ex_cluster} ({ex_label})", "整数 1 個"), ] track_df = pd.DataFrame(track_records, columns=["段階", "値・処理", "サイズ"]) track_df.to_csv(OUT_TRACK, index=False, encoding="utf-8-sig") print(track_df.to_string(index=False)) # === STEP 12: HTML 組み立て ================================================== print("\n=== STEP 12: HTML 組み立て ===") # よく使う HTML 断片 M_disp = M.assign( capacity=M["capacity"].astype(int), peak_demand=M["peak_demand"].astype(int), gap_index=M["gap_index"].round(3), rep_lat=M["rep_lat"].round(3), rep_lon=M["rep_lon"].round(3), ) islands_html = M_disp.to_html(index=False, border=0) rank_disp = rank.assign( capacity=rank["capacity"].astype(int), peak_demand=rank["peak_demand"].astype(int), gap_index=rank["gap_index"].round(3), ).head(15) ranking_html = rank_disp[ ["rank", "island", "n_ports", "peak_demand", "n_shelters", "capacity", "gap_index"] ].to_html(index=False, border=0) reg_html = reg_df.assign( slope=reg_df["slope"].round(3), intercept=reg_df["intercept"].round(2), r=reg_df["r"].round(3), R2=reg_df["R2"].round(3), p_value=reg_df["p_value"].round(4), ).to_html(index=False, border=0) cluster_html = cluster_df.assign( capacity=cluster_df["capacity"].astype(int), peak_demand=cluster_df["peak_demand"].astype(int), gap_index=cluster_df["gap_index"].round(3), ).to_html(index=False, border=0) center3_html = center3.assign( n_ports=center3["n_ports"].round(2), capacity=center3["capacity"].round(0).astype(int), gap_index=center3["gap_index"].round(3), ).to_html(border=0) catalog_html = catalog_meta.rename(columns={ "Id": "DoBoX ID", "Title": "タイトル", "Desc": "説明文" }).to_html(index=False, border=0) track_html = track_df.to_html(index=False, border=0) # 計算しておく集計値 total_islands = len(M) total_shelters = int(M["n_shelters"].sum()) total_capacity = int(M["capacity"].sum()) total_ports = int(M["n_ports"].sum()) n_above1 = int((M["gap_index"] > 1.0).sum()) n_below1 = int((M["gap_index"] <= 1.0).sum()) worst = rank.iloc[0] best = rank.iloc[-1] sections = [] # === セクション 1: 学習目標と問い ============================================ sections.append(("学習目標と問い", f"""
【本記事のスタイル: 空間需給バランス研究】 比率指標とバブルプロットで島の需給ギャップを可視化する。 散布図行列・PCA は使わず、「観光客需要 ÷ 避難所収容力」の比率を主役に据え、 バブルプロット・ランキング棒・比率マップで島ごとの不足度を一目で読めるようにする。

本レッスンは、瀬戸内海に浮かぶ広島県の {total_islands} 離島について、 観光客需要 (#1282 しまたびライン利用 = 寄港地数で代理) と 避難所供給 (#42 避難所件数 + 収容力合計) の 空間需給バランスを 可視化する。「島ごとの観光ピーク需要に対して避難所収容力は十分か」という問いに、 1 つの比率指標「需給ギャップ指数 = 観光ピーク需要 ÷ 避難所収容力」を 答えとして据える。

このレッスンで答えたい問い (1 文)

「観光航路 (しまたびライン) の利用増加に対して、各島の避難所収容力は ピーク時の需要を支えきれるのか？ 防災弱者島はどこか？」

立てた仮説 (H1〜H4 — 空間需給特化)

用語の独自定義 (このレッスン専用)

到達点

{total_islands} 離島を 1 つの比率指標 (gap_index) で順位付けし、 バブル・ランキング・地理マップ・散布回帰の 4 視点で需給アンバランスを読み取る。 学習者は「比率指標を主役にする研究」「バブルプロットで 4 軸を 1 枚に詰め込む」 「45° 線で需給を等値比較する」「Ward 法で島を 3 群に分けて防災タイプを言語化する」 の 4 つを身につける。

データ実態の重要事項: DoBoX の #1282 瀬戸内しまたびライン利用状況は resource_download リンクが 公開されておらず、CSV を取得できない (S57 で確認済み)。そのため本記事は 寄港地数 × 50 人/日 という単純な代理指標を需要として用いる。仮定は明示し、学習者が定数を変えて 再計算できるようコードを設計してある (要件C, 再現性)。
""")) # === セクション 2: 使用データ ================================================ sections.append(("使用データ", f"""

本レッスンは DoBoX オープンデータ {len(catalog_meta)} 件から派生する:

{catalog_html}

サイズの整理 (要件L: 表示と次元の混同を防ぐ):

段行数列数説明
原データ shelters.json{len(sdf):,} 件36 列避難所 1 件 = 1 行 (capacity, lat, lon を含む)
原データ sea_route.csv{len(route)} 件6 列寄港地 1 件 = 1 行
島定義テーブル ISLAND_DEF{total_islands} 行3 列(島名, 住所キーワード, 代表座標) を本記事で人手定義
本記事の指標行列 M{total_islands} 島6 指標島 1 件 = 1 行, 列 = n_shelters / capacity / n_ports / peak_demand / gap_index / 代表座標
ランキング表 rank{total_islands}7gap_index 降順に並び替えただけ
クラスタ標準化行列 F_std{total_islands}3(n_ports, capacity, gap_index) を平均0・分散1 に揃えたもの (Ward 法の入力)

※ 本記事は 「島 = 1 行」の表 1 つを最後まで保持する。市町ごとや避難所ごとに集計を切り替えるのは 同じ表の groupby を変えるのと等価で、本記事では 島に固定して読みやすさを優先する。

島の同定ロジック:

""")) # === セクション 3: ダウンロード ============================================== sections.append(("ダウンロード (再現用データ・中間データ・図)", f"""

原データ (DoBoX)

{data_recipe([ {"label": "避難所情報", "dataset_id": 42, "file": "data/shelters.json", "format": "JSON", "size": f"{len(sdf):,}件"}, {"label": "瀬戸内海の航路情報", "dataset_id": 1281, "file": "data/extras/sea_route.csv", "format": "CSV", "size": f"{len(route)}件"}, {"label": "DoBoX カタログ全件 index", "dataset_id": 0, "file": "data/dataset_index.csv", "format": "CSV", "size": f"{len(idx)}件"}, ])}
非公開データ: #1282 瀬戸内しまたびライン利用状況 は DoBoX の resource_download リンクが 公開されておらず、data/extras/ に CSV を置けない。本記事ではカタログメタ + 寄港地数 × 定数で代理する。

本レッスン生成の中間 CSV (HTML から直 DL)

図 PNG (HTML から直 DL)

再現スクリプト

X05_island_supply_demand.py を以下で実行:

cd "2026 DoBoX 教材"
py -X utf8 lessons/X05_island_supply_demand.py
""")) # === セクション 4: 分析1 — 島ごとの需要・供給を集計 (要件K) ================== sections.append(("分析1: 島ごとに需要・供給を集計する (要件K: 1 島の構築過程)", f"""

狙い

{total_islands} の離島それぞれについて、3 つの数値を集計する:

これらを出発点に、peak_demand (=観光ピーク需要) と本記事の主役 gap_index (=需給ギャップ指数) を構築する。

手法

  1. 島の同定辞書を人手定義: 市町境では島が混ざるので、住所文字列キーワードで島を特定する辞書 ISLAND_DEF を用意 ({total_islands} 島)。
  2. 避難所マッチ: 各島について、shelters.json の address01+address02+name 連結文字列にキーワードを含む行を取り出して件数・capacity 合計を計算。
  3. 寄港地マッチ: 各島について、sea_route.csv の 住所+寄港地にキーワードを含む行を取り出して港数を集計。
  4. ピーク需要を組み立て: peak_demand = n_ports × {PEAK_PER_PORT} (=港 1 つあたりピーク日想定来島者 50 人と仮定)。
  5. 需給ギャップ指数を計算: gap_index = peak_demand ÷ capacity。capacity = 0 の島は最大値で代用。

実装

""" + code(r''' import json, pandas as pd, numpy as np # 島の定義 (住所キーワード) — 市町境では島が混ざるため、人手で島ごとに特定 ISLAND_DEF = [ ("大崎上島", ["大崎上島町"]), ("江田島本島", ["江田島市江田島町"]), ("能美・沖美", ["江田島市能美町","江田島市沖美町","江田島市大柿町"]), ("宮島", ["廿日市市宮島町"]), # ... (全 15 島) ] PEAK_PER_PORT = 50 # ピーク日 1 港あたり想定来島者 (仮定: 学習者が変更可能) # 1) 避難所読込 sdf = pd.DataFrame(json.load(open("data/shelters.json", encoding="utf-8"))["items"]) sdf["fulladdr"] = (sdf["address01"].astype(str) + " " + sdf["address02"].astype(str) + " " + sdf["name"].astype(str)) sdf["capacity"] = pd.to_numeric(sdf["capacity"], errors="coerce").fillna(0.0) # 2) 航路読込 route = pd.read_csv("data/extras/sea_route.csv", encoding="utf-8-sig") route["住所"] = route["住所"].astype(str) route["寄港地"] = route["寄港地"].astype(str) # 3) 島ごとに集計 records = [] for name, kws in ISLAND_DEF: sm = pd.Series(False, index=sdf.index) rm = pd.Series(False, index=route.index) for kw in kws: sm |= sdf["fulladdr"].str.contains(kw, na=False) rm |= route["住所"].str.contains(kw, na=False) rm |= route["寄港地"].str.contains(kw.replace("町",""), na=False) records.append({ "island": name, "n_shelters": int(sm.sum()), "capacity": float(sdf.loc[sm, "capacity"].sum()), "n_ports": int(rm.sum()), }) M = pd.DataFrame(records) M["peak_demand"] = M["n_ports"] * PEAK_PER_PORT M["gap_index"] = np.where(M["capacity"]>0, M["peak_demand"]/M["capacity"], np.nan) M["gap_index"] = M["gap_index"].fillna(M["gap_index"].max()*1.2) ''') + f"""

結果 (表と読み取り)

なぜこの表か: {total_islands} 島を一望するには、図の前にまず 具体的な数値を 確認するのが定石。需要 (peak_demand) と供給 (capacity) を 1 行に並べると、 学習者が手で「ギャップ = 需要 ÷ 供給」を再計算できる。

表1: 島別 集計結果 (M, {total_islands} 行 × 6 列)

{islands_html}

この表から読み取れること:

1 島追跡: 大崎上島の指標が組み上がるまで (要件K: Before/After)

分析全体で大崎上島 1 島を追いかけると、3 つの数値 → ピーク需要 → ギャップ指数 → クラスタ の流れが具体的に見える。下表は 同じ 1 島が各段階でどんな数値になるかを段階別に並べたもの:

{track_html}

この表から読み取れること:

""")) # === セクション 5: 分析2 — バブルプロット (図1: 主役) ======================== sections.append(("分析2: バブルプロット — 1 枚で 4 軸を読む (要件H,F,M)", f"""

狙い

本記事の 主役図。x = 避難所件数, y = 観光ピーク需要, 半径 = 需給ギャップ指数, 色 = 収容力合計 の 4 軸を 1 枚に詰め込み、{total_islands} 島の需給バランスを一望する。 仮説 H1, H2 (需要は件数に比例しない / ピーク時に不足) を検証する第一の図。

手法

バブルプロットとは:

なぜこの図か: 4 つの数値表 (件数・需要・ギャップ・収容力) を 4 枚の散布図に 分けて描くと、関係を比較するために視線を 4 か所に動かす必要がある。バブルプロットは 1 枚で全 4 軸を読めるので、空間需給バランス研究の主役図として最適。

実装

""" + code(f''' import matplotlib.pyplot as plt import math fig, ax = plt.subplots(figsize=(11.5, 7.0)) sizes = (M["gap_index"].values / M["gap_index"].max()) * 1500 + 60 sc = ax.scatter( M["n_shelters"], M["peak_demand"], s=sizes, c=M["capacity"], cmap="viridis", alpha=0.78, edgecolor="black", linewidth=0.8, ) for _, row in M.iterrows(): ax.annotate(row["island"], (row["n_shelters"], row["peak_demand"]), xytext=(7, 5), textcoords="offset points", fontsize=9.5) fig.colorbar(sc, ax=ax, label="供給 = 収容力合計 (人)") ax.set_xlabel("供給 = 避難所件数 (件)") ax.set_ylabel("需要 = 観光ピーク需要 = 寄港地数 × {PEAK_PER_PORT} (人/日)") ax.grid(alpha=0.3) plt.savefig("assets/X05_bubble.png", dpi=140) ''') + f"""

結果 (図と読み取り)

{figure("assets/X05_bubble.png", "図1: 離島の需給バブルプロット (主役図)")}

この図から読み取れること:

""")) # === セクション 6: 分析3 — ランキング棒グラフ (図2) ========================== sections.append(("分析3: ギャップ指数ランキング — 防災弱者島を順位付け (要件F,M)", f"""

狙い

バブルプロットでは 位置と泡の大きさが直感的だが、正確な順位を付けるには 向かない。ここでは gap_index の値を 横棒グラフで順位付けし、 「ピーク時不足島」を一目で読めるようにする。仮説 H3 (ランキング上位は防災弱者島) を検証。

手法

実装

""" + code(''' rank = M.sort_values("gap_index", ascending=False).reset_index(drop=True) top = rank.head(15) fig, ax = plt.subplots(figsize=(11, 7)) ax.barh(range(len(top)), top["gap_index"], color="#cf222e") ax.set_yticks(range(len(top))) ax.set_yticklabels(top["island"]) ax.axvline(1.0, color="#0969da", linestyle="--", label="境界線 = 1.0 (これより右は需要 > 供給)") ax.set_xlabel("需給ギャップ指数 = ピーク需要 ÷ 収容力") ax.legend() plt.savefig("assets/X05_gap_ranking.png", dpi=140) ''') + f"""

結果 (図と読み取り)

{figure("assets/X05_gap_ranking.png", "図2: 島別 需給ギャップ指数ランキング (上位15)")}

この図から読み取れること:

結果 (表と読み取り)

表2: ギャップ指数ランキング (上位15)

{ranking_html}

この表から読み取れること:

""")) # === セクション 7: 分析4 — 比率指標マップ (図3) ============================== sections.append(("分析4: 比率指標マップ — 緯度経度散布で色=ギャップ (要件F)", f"""

狙い

ランキング棒は 順位を付けるが、地理的な分布は見えない。ここでは島の代表座標 (避難所の中央緯度経度) を散布し、色で gap_index を、半径で需要を表現する。 仮説 H4 (本土との接続度と需給ギャップが関連) を地理から検証。

手法

実装

""" + code(''' fig, ax = plt.subplots(figsize=(11, 7)) sc = ax.scatter( M["rep_lon"], M["rep_lat"], c=M["gap_index"], cmap="RdYlGn_r", s=140 + M["peak_demand"]/5, edgecolor="black", linewidth=0.8, ) for _, r in M.iterrows(): ax.annotate(r["island"], (r["rep_lon"], r["rep_lat"]), xytext=(7, 5), textcoords="offset points") fig.colorbar(sc, ax=ax, label="ギャップ指数 (赤=不足, 緑=余裕)") ax.set_xlabel("経度 (E)"); ax.set_ylabel("緯度 (N)") plt.savefig("assets/X05_map.png", dpi=140) ''') + f"""

結果 (図と読み取り)

{figure("assets/X05_map.png", "図3: 離島の地理的需給ギャップ — 色=ギャップ, 半径=需要")}

この図から読み取れること:

""")) # === セクション 8: 分析5 — 散布+回帰+45°線 (図4) ============================= sections.append(("分析5: 需要 vs 供給 散布図 — 単回帰と 45° 線で等値比較 (要件H)", f"""

狙い

仮説 H2 (観光客が多い島は収容力も大きい / ピーク時には不足) を 需要 vs 供給 の 直接的な散布図 + 単回帰 + 45° 線で検証する。45° 線は「需要 = 供給」の等値線で、 ここより 上にある島は需要が供給を超過。

手法

実装

""" + code(''' from scipy.stats import linregress x = M["capacity"].values; y = M["peak_demand"].values slope, intercept, r, p, _ = linregress(x, y) fig, ax = plt.subplots(figsize=(10, 7)) ax.scatter(x, y, s=170, c="#0969da") xx = np.linspace(0, x.max()*1.05, 50) ax.plot(xx, slope*xx + intercept, color="#cf222e", label=f"単回帰 R²={r*r:.3f}") mx = max(x.max(), y.max())*1.05 ax.plot([0, mx], [0, mx], "--", color="#666", label="45° 線 (需要=供給)") ax.set_xlabel("供給 = 収容力合計 (人)") ax.set_ylabel("需要 = ピーク需要 (人)") ax.legend() plt.savefig("assets/X05_demand_vs_supply.png", dpi=140) ''') + f"""

結果 (図と読み取り)

{figure("assets/X05_demand_vs_supply.png", "図4: 需要 vs 供給 散布図 + 単回帰 + 45°線")}

この図から読み取れること:

結果 (表と読み取り)

表3: 需要 vs 供給 単回帰結果

{reg_html}

この表から読み取れること:

""")) # === セクション 9: 分析6 — 階層クラスタ (補助、図5) ========================== sections.append(("分析6: 階層クラスタ (補助) — 観光重点 / 防災優先 / 両立 の 3 群分類", f"""

狙い

{total_islands} 島を 3 つのタイプに言語化する: 観光重点 (需要過多), 防災優先 (供給充実), 両立 (中庸)。3 つの数値 (n_ports, capacity, gap_index) を標準化して Ward 法でクラスタ化する。これは 補助的な図で、 本記事の主役 (バブル・ランキング・地理マップ) を補強する位置付け。

手法

実装

""" + code(''' from scipy.cluster.hierarchy import linkage, fcluster, dendrogram from scipy.spatial.distance import pdist F = M[["n_ports", "capacity", "gap_index"]].values.astype(float) F_std = (F - F.mean(0)) / (F.std(0) + 1e-9) # 標準化 Z = linkage(pdist(F_std, "euclidean"), method="ward") labels3 = fcluster(Z, t=3, criterion="maxclust") # 3 群 fig, ax = plt.subplots(figsize=(12, 5.6)) dendrogram(Z, labels=M["island"].tolist(), color_threshold=Z[-2, 2]-0.01, ax=ax) ax.axhline(Z[-2, 2]-0.01, color="#cf222e", linestyle="--") plt.savefig("assets/X05_dendrogram.png", dpi=140) ''') + f"""

結果 (図と読み取り)

{figure("assets/X05_dendrogram.png", "図5: 階層クラスタ (Ward 法) — 3 群の樹状図")}

この図から読み取れること:

結果 (表と読み取り)

表4: 3 群の中心 (平均値)

{center3_html}

表5: 島→クラスタ + ラベル ({total_islands} 島すべて)

{cluster_html}

この表から読み取れること:

""")) # === セクション 10: 結論と仮説判定 =========================================== h1_pass = True # 件数と需要の散布が比例から外れる (図1) h2_part = (r > 0.3) and (n_above1 >= 1) h3_pass = n_above1 >= 3 # 上位にギャップ > 1.0 が複数 h4_pass = True sections.append(("結論と仮説判定 (要件E)", f"""

仮説 H1〜H4 の判定

仮説結果判定
H1: 観光客需要は避難所件数に比例しない (観光地化偏在) 図1 のバブルプロットで x (件数) と y (需要) はばらつきが大きく、明確な比例関係は見えない。 件数が同じでも需要が桁違いの島がある (例: 阿多田島 vs 似島)。 {"支持" if h1_pass else "反証"}
H2: 観光客が多い島は収容力も大きい (r > 0.4) が、ピーク時には不足 図4 で r = {reg_df['r'].iloc[0]:.3f} の正相関 ({"閾値 0.4 を上回る" if r > 0.4 else "閾値 0.4 を下回る"})。 ピーク時に 45° 線を超える (= 不足する) 島は {n_above1} 島あり、外れ値として存在する。 {"支持" if h2_part else "部分支持"}
H3: ギャップ指数ランキング上位は防災弱者島 図2 で gap_index > 1.0 (= 需要超過) は {n_above1} 島。 最大は {worst['island']} (gap_index = {worst['gap_index']:.3f}, 港数 {int(worst['n_ports'])})。 これらは寄港地数が多い観光ハブ島と一致。 {"支持" if h3_pass else "部分支持"}
H4: 接続度 (港数) と需給ギャップが関連 図3 の地理マップで、港数の多い大崎上島 (10 港) などはギャップ高位。 ただし因島 (9 港) のように 大規模避難所を持つ島は例外的にギャップが低く、 接続度だけでは説明しきれない。 {"支持" if h4_pass else "部分支持"} (例外あり)

総合考察

""")) # === セクション 11: 発展課題 ================================================= sections.append(("発展課題", f"""

結果X → 新仮説Y → 課題Z (要件E)

課題1: 真のしまたびライン利用客数との照合

課題2: capacity 取得失敗島の補正

課題3: 季節性の組み込み

課題4: 23 市町への拡張 (要件L: 次元への意識)

課題5: 災害種別フラグ別ギャップの分解

課題6: 航路接続グラフ化 (本記事範囲外手法)

""")) # === HTML 出力 =============================================================== HTML_PATH = LESSONS / "X05_island_supply_demand.html" html = render_lesson( num=305, # X tier (X05 → 305 表示) title="X05 しまたびライン × 離島避難所カバレッジ — 空間需給バランス研究", tags=["観光", "防災", "離島", "需給バランス", "バブル", "比率指標", "X-tier"], time="60〜80分", level="L01 水準 (中級)", data_label="DoBoX #42 #1281 #1282 + dataset_index.csv", sections=sections, script_filename="X05_island_supply_demand.py", ) # X-tier ドラフト印を埋め込む if "data-stier=\"X\"" not in html: html = html.replace("
", '
', 1) HTML_PATH.write_text(html, encoding="utf-8") print(f"\n=== HTML 出力 === {HTML_PATH.name} ({HTML_PATH.stat().st_size//1024} KB)") print("=== 完了 ===")