地方創生に向けた東京一極集中是正のための
定量的都市圏選定指標の提案

# SSDSE-B-2026.csv は cp932・2行目が日本語ラベル行なので skiprows=[1] で外す。
# 先頭列名 'SSDSE-B-2026' が年度、A1101=総人口、A5101=転入者数、A5102=転出者数。
df = pd.read_csv(DATA_B, encoding='cp932', skiprows=[1])
d23 = df[df['SSDSE-B-2026'] == 2023].copy()

# 転入超過数（社会増減）＝ 転入 − 転出。プラスなら人口が流入超過。
d23['転入超過数'] = d23['A5101'] - d23['A5102']

national_pop = d23['A1101'].sum()
tokyo_area = ['東京都', '神奈川県', '埼玉県', '千葉県']
share_area = d23.loc[d23['Prefecture'].isin(tokyo_area), 'A1101'].sum() / national_pop * 100
share_tokyo = d23.loc[d23['Prefecture'] == '東京都', 'A1101'].iloc[0] / national_pop * 100

print('=== [1] 実SSDSE-B 2023年データ（実再現の土台）===')
print(f'対象都道府県数: {len(d23)}')
print(f'全国総人口(2023): {national_pop:,} 人')
print(f'東京圏(1都3県)の人口シェア: {share_area:.2f}%（東京都単独 {share_tokyo:.2f}%）')
print('転入超過数 上位5:')
print(d23.sort_values('転入超過数', ascending=False)[['Prefecture', '転入超過数']].head(5).to_string(index=False))

rank = d23.sort_values('転入超過数', ascending=False).reset_index(drop=True)
top_area = rank[rank['転入超過数'] > 0]  # 流入超過の県
inflow_n = len(top_area)
tokyo_area_inflow = rank[rank['Prefecture'].isin(tokyo_area)]['転入超過数'].sum()
positive_total = top_area['転入超過数'].sum()

print('=== [2] 図1: 転入超過数ランキング（実再現）===')
print(f'転入超過（プラス）の都道府県数: {inflow_n} / 47')
print(f'東京圏4都県の転入超過合計: {tokyo_area_inflow:,} 人')
print(f'全プラス県の合計に占める東京圏の割合: {tokyo_area_inflow/positive_total*100:.1f}%')

fig, ax = plt.subplots(figsize=(9, 11))
colors = [C_ORANGE if p in tokyo_area else (C_BLUE if v > 0 else C_GRAY)
          for p, v in zip(rank['Prefecture'], rank['転入超過数'])]
ax.barh(rank['Prefecture'], rank['転入超過数'], color=colors)
ax.invert_yaxis()
ax.axvline(0, color='#333', lw=0.8)
ax.set_xlabel('転入超過数（転入−転出、2023年）［人］')
ax.set_title('図1【実再現】都道府県別 転入超過数ランキング（実SSDSE-B-2026・2023年）\n'
             'オレンジ＝東京圏(1都3県)・青＝その他の流入超過県・灰＝流出超過県',
             fontsize=12)
ax.tick_params(axis='y', labelsize=8)
plt.tight_layout()
plt.savefig(f'{FIG_DIR}/2018_U3_fig1.png', bbox_inches='tight')
plt.close()

labels = ['東京圏\n(東京・神奈川・埼玉・千葉)', 'その他43道府県']
values = [share_area, 100 - share_area]

print('=== [3] 図2: 東京圏の人口シェア（実再現）===')
print(f'東京圏(1都3県)シェア: {share_area:.2f}%')
print(f'その他43道府県シェア: {100-share_area:.2f}%')
print('→ 原論文が背景で述べた「東京圏で全国の約30%」を実データで確認。')

fig, ax = plt.subplots(figsize=(7, 5))
bars = ax.bar(labels, values, color=[C_ORANGE, C_GRAY], width=0.55)
for b, v in zip(bars, values):
    ax.text(b.get_x() + b.get_width() / 2, v + 1, f'{v:.1f}%',
            ha='center', fontsize=13, fontweight='bold')
ax.set_ylim(0, 80)
ax.set_ylabel('全国人口に占める割合［%］')
ax.set_title('図2【実再現】東京圏の人口シェア（実SSDSE-B-2026・2023年）\n'
             '1都3県に全国人口の約3割が集中',
             fontsize=12)
plt.tight_layout()
plt.savefig(f'{FIG_DIR}/2018_U3_fig2.png', bbox_inches='tight')
plt.close()

# 原論文 表4-2「中核都市の点数ランキング」の上位5を転記（点数＝表4-1は画像のため非収録）。
# 列: 素点(粗点) / 地理重視 / 経済重視 / 生活重視。順位のみを可視化し数値は作らない。
top5 = pd.DataFrame({
    '素点（粗点）': ['前橋市', '金沢市', '高崎市', '高知市', '福島市'],
    '地理重視': ['前橋市', '高知市', '宇都宮市', '高崎市', '川口市'],
    '経済重視': ['宇都宮市', '金沢市', '大分市', '那覇市', '高崎市'],
    '生活重視': ['前橋市', '福島市', '鳥取市', '長崎市', '金沢市'],
}, index=['1位', '2位', '3位', '4位', '5位'])

print('=== [4] 図3: 原論文 表4-2 各シナリオ上位5（報告値の可視化）===')
print(top5.to_string())
print('素点 下位（原論文 5章・低い順）: 岡崎市, 大津市, 八尾市, 佐世保市, ＋同点で明石市・函館市・青森市')

fig, ax = plt.subplots(figsize=(9, 3.6))
ax.axis('off')
tbl = ax.table(cellText=top5.values, rowLabels=top5.index,
               colLabels=top5.columns, cellLoc='center', loc='center')
tbl.auto_set_font_size(False)
tbl.set_fontsize(11)
tbl.scale(1, 1.7)
for j in range(len(top5.columns)):
    tbl[0, j].set_facecolor(C_BLUE)
    tbl[0, j].set_text_props(color='white', fontweight='bold')
ax.set_title('図3【報告値の可視化】原論文 表4-2 各シナリオ上位5都市\n'
             '（AHP＋パーセンタイル配点による選定結果。順位のみ転記・再計算ではない）',
             fontsize=12, pad=14)
plt.tight_layout()
plt.savefig(f'{FIG_DIR}/2018_U3_fig3.png', bbox_inches='tight')
plt.close()

# 図3の報告値（4シナリオ×上位5）を横断集計。何回上位5に登場したかを数えるだけで、
# 新しい数値は作らない。複数シナリオで頑健に上位となる都市が見える。
from collections import Counter
cnt = Counter()
for col in top5.columns:
    for city in top5[col]:
        cnt[city] += 1
robust = pd.Series(cnt).sort_values(ascending=False)

print('=== [5] 図4: 上位5への登場回数（報告値の集計）===')
print(robust.to_string())

fig, ax = plt.subplots(figsize=(9, 5))
bar_colors = [C_ORANGE if v >= 3 else (C_BLUE if v == 2 else C_GRAY) for v in robust.values]
ax.barh(robust.index, robust.values, color=bar_colors)
ax.invert_yaxis()
ax.set_xlabel('4シナリオ（素点・地理・経済・生活）中で上位5に入った回数')
ax.set_xticks([0, 1, 2, 3, 4])
for i, v in enumerate(robust.values):
    ax.text(v + 0.05, i, str(v), va='center', fontweight='bold')
ax.set_title('図4【報告値の集計】シナリオ横断で上位5に入った回数\n'
             'オレンジ＝3回以上（頑健な候補）／原論文 表4-2 の順位を集計・数値は非捏造',
             fontsize=12)
plt.tight_layout()
plt.savefig(f'{FIG_DIR}/2018_U3_fig4.png', bbox_inches='tight')
plt.close()