🔖 キーワード索引

別名・略称：GIS可視化 / コロプレス図

「geo visualization」は統計データ分析の文脈で扱う重要概念のひとつ。 本ページでは「geo visualization」を取り巻く中核キーワードを以下にチップで一覧化する。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になる。

これらのキーワードは「geo visualization の理解 → 適用 → 検証」のプロセスを構成する。 各章で詳しく解説する。

🎨 直感で掴む

🎨 色階級設計の原則と SSDSE-B-2026 での実例

コロプレス地図の品質はほぼ 色階級設計（color classification） で決まります。 設計には 4 つの選択肢があり、 (1) 等間隔（equal interval）: 最小〜最大を N 等分、 (2) 分位（quantile）: 各階級に同数の都道府県が入るように切る、 (3) Natural Breaks（Jenks）: 分散を最小化する境界を自動探索、 (4) 標準偏差（standard deviation）: 平均±σ で切る、 という 4 通りです。 SSDSE-B-2026 の「総人口」のような右裾分布では、 等間隔は東京 1 点支配になり、 分位は人口ヒエラルキーが潰れ、 Natural Breaks は東京 / 大都市圏 / 県庁所在地 / 地方の階層を捉えやすい、 という傾向があります。

SSDSE-B-2026 5 つの指標に対する推奨階級設計

この表のキモは 「指標 → 分布形 → 推奨設計」が一意に決まる という点です。 たとえば人口増減率は 「増えた県は青、 減った県は赤」 という発散色（diverging palette）が必須で、 シーケンシャル色を使うと「減ったほど濃い」のか「絶対値が大きいほど濃い」のかが識別できません。 一方、 失業率のように 「平均との偏差」を議論したい指標 では、 平均をゼロ点とした標準偏差階級が向いており、 「全国平均より +1σ の県」「-2σ の県」と言語化できます。 こうした選択は ヒストグラムと業務目的（順位 / 偏差 / 異常検知）から決まる のであり、 ツールの初期値（GeoPandas は等間隔 5 階級が既定）に従うのは危険です。

Python 実装: 4 つの階級設計を並べて比較

このコードでやること：SSDSE-B-2026 の「総人口」を題材に、 GeoPandas の scheme オプションで equal_interval / quantiles / natural_breaks / std_mean の 4 階級を切り替えてコロプレス地図を 4 枚並べ、 同じデータでも色階級設計だけで印象が激変することを確認する。

📥 入力データ（SSDSE-B-2026 抜粋）:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

import os
os.makedirs('out', exist_ok=True)  # 保存先のフォルダを作っておく

import geopandas as gpd
import matplotlib.pyplot as plt
import pandas as pd

gdf = gpd.read_file('data/raw/japan_prefectures.geojson')
df = pd.read_csv('data/raw/SSDSE-B-2026.csv')
gdf = gdf.merge(df[['Prefecture', 'Population']], on='Prefecture')

fig, axes = plt.subplots(2, 2, figsize=(14, 12))
for ax, scheme in zip(axes.flat,
                       ['equal_interval', 'quantiles', 'natural_breaks', 'std_mean']):
    gdf.plot(column='Population', scheme=scheme, k=5,
             cmap='YlOrRd', legend=True, ax=ax)
    ax.set_title(scheme)
    ax.axis('off')
plt.tight_layout()
plt.savefig('out/geo_4schemes.png', dpi=120)

📤 実行例（保存される画像の特徴を文章化）:

💬 同じ「総人口」データなのに、 4 つの地図はまったく違う印象を与えます。 報告書に載せる地図を 1 枚選ぶ前に、 必ず 4 つを並べて 「どの設計が伝えたいメッセージに合っているか」 を吟味するのが品質の鍵です。 最適な色階級設計は数字 1 つで決まらず、 「読み手がこの地図を見て何を判断するか」 から逆算して選びます。

📐 定義 / 数式

地理的可視化は数式というより色の正規化と座標変換。

🔬 記号・式を言葉で読み解く

シェープファイル

.shp + .shx + .dbf のセット。 地理データの古典フォーマット。

GeoJSON

JSON 形式の地理データ。 Web 親和性が高い。

座標参照系（CRS）

WGS84（EPSG:4326）が世界標準、 日本では JGD2011（EPSG:6668）も。

カラーマップ

順序データには viridis/plasma、 発散データには RdBu。 jet は推奨されない。

分類

等間隔、 分位、 自然分類（Jenks）など。 同じデータでも見え方が変わる。

🧮 実データで計算してみる

🧮 数式に値を入れて手で計算する: 地点間距離 (ハバーサイン)

合成 2 地点の緯度経度からハバーサイン距離を計算する。

Step 1: 地点

Step 2: ハバーサイン

🐍 Python で再現

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import numpy as np
def haversine(lat1, lon1, lat2, lon2):
    R = 6371
    lat1, lon1, lat2, lon2 = map(np.radians, [lat1, lon1, lat2, lon2])
    dlat = lat2 - lat1
    dlon = lon2 - lon1
    a = np.sin(dlat/2)**2 + np.cos(lat1)*np.cos(lat2)*np.sin(dlon/2)**2
    return 2*R*np.arcsin(np.sqrt(a))
d = haversine(35.68, 139.77, 34.69, 135.50)
print(f"距離 = {d:.1f} km")

📤 実行結果

💬 手計算 (Step 2) 約 403 km と Python 出力が完全一致。

🐍 Python 実装

SSDSE-B-2026（47 都道府県・2023 年データ）を題材にした最小コード：

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

# folium でインタラクティブな日本地図
import folium
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)

m = folium.Map(location=[36, 138], zoom_start=5)

folium.Choropleth(
    geo_data='data/raw/japan_prefectures.geojson',
    data=df,
    columns=['都道府県コード', '死亡率'],
    key_on='feature.properties.code',
    fill_color='YlOrRd',
    legend_name='死亡率 (‰)'
).add_to(m)

m.save('output/japan_mortality.html')

⚠️ よくある落とし穴

⚠️ 地図化で避けるべき 6 つの罠と SSDSE-B-2026 での検証手順

地図上の可視化は「直感的で分かりやすい」と思われがちですが、 実は 「面積が誤読を生む」「色が連続性を捏造する」「投影法が距離を歪める」 など、 表（テーブル）よりも誤読リスクが高い表現手段です。 ここでは SSDSE-B-2026 を使って実体験できる 6 つの典型的な罠と、 その回避手順を表にまとめます。

罠の一覧と回避策

これら 6 つの罠は、 ツールの初期値で地図を作ると全部踏み抜く 性質のものです。 たとえば GeoPandas の plot(column='X') は等間隔 5 階級・viridis 色・WGS84 投影が既定で、 SSDSE-B の人口データを与えれば「東京だけ濃い 1 色地図」が出てきます。 業務で使う前に必ず、 (1) 散布図とヒストグラムで分布を確認、 (2) 階級設計を分布形に合わせて選択、 (3) 「率」に変換、 (4) 等積投影を選択、 (5) 色帯を ColorBrewer から選択、 (6) 階級境界を 2-3 通り試して感度分析、 という 6 ステップを踏むことを推奨します。 これだけで地図品質が劇的に上がります。

理解度チェック（自己診断）

• Q1. 「総人口」の地図と「人口密度」の地図はどちらが情報量が多いか？ → A: 多くの場合「率」のほうが、 「面積バイアス」と「絶対値バイアス」両方を回避できる。
• Q2. 「人口増減率」を塗るとき、 シーケンシャル色（白→赤）と発散色（青→白→赤）のどちらを選ぶか？ → A: 発散色。 ゼロを白に置き、 +/- の符号を青/赤で区別する。
• Q3. 「総人口」を等間隔 5 階級で塗ると東京のみ濃色になる。 どうするか？ → A: 対数変換、 または分位階級、 または Natural Breaks へ切り替える。
• Q4. 北海道が他県より大きく見えるのは投影法の問題か面積の問題か？ → A: 両方。 実面積も大きいが、 Web Mercator では更に拡大される。
• Q5. 地図 1 枚で結論を出すのは安全か？ → A: 危険。 ヒストグラム・箱ひげ図・散布図と併載して、 群内ばらつきと外れ値を読み手に開示する。

この 5 問に即答できれば、 SSDSE-B-2026 を題材としたコロプレス地図を実務レベルで作成できる状態です。 地図はそれ自体が結論ではなく、 「結論を裏付ける証拠の一形態」 として、 表・散布図・箱ひげ図とセットで扱うのが王道です。

🛠 ツールチェーン全比較 — Python / R / JavaScript / GIS で何を選ぶか

地図上の可視化のためのツールは数多くあり、 用途と読み手のリテラシーで選定基準が変わります。 ここでは SSDSE-B-2026 を題材に 主要 7 ツールの長所・短所・典型用途を整理します。 「とりあえず Folium」「とりあえず Tableau」と一律で選ぶのではなく、 「静的な報告書 / 公開 Web / インタラクティブダッシュボード / 学術論文 / 簡易プロトタイピング」 という 5 つの使用シナリオごとに最適なツールが違うことを押さえておきましょう。

主要ツール比較表

SSDSE-B-2026 のような 「47 都道府県 × 年次 × 多指標」 という構造は、 ほとんどのツールで素直に扱えます。 ただし、 「複数年を時系列アニメーションで見せたい」 場合は Kepler.gl か Plotly が向いており、 「2D 静的画像 1 枚で結論を主張したい」 なら GeoPandas + Matplotlib か ggplot2 が向いています。 ダッシュボード化したい場合は Streamlit + Folium が手軽で、 一般向け公開なら Power BI のオンライン共有が便利です。 ツール選定の前に 「読み手は誰か」「最終出力は何か」 を決めるのが重要です。

Python 実装: Folium で SSDSE-B-2026 のインタラクティブ地図

このコードでやること：Folium を使い、 都道府県境界 GeoJSON と SSDSE-B-2026 の「総人口」「1 人当たり県民所得」を結合してホバー時にポップアップ表示する Leaflet 地図を生成し、 HTML として保存する。

📥 入力データ（SSDSE-B-2026 抜粋）:

 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

import folium
import json
import pandas as pd

with open('data/raw/japan_prefectures.geojson') as fp:
    geo = json.load(fp)
df = pd.read_csv('data/raw/SSDSE-B-2026.csv')

m = folium.Map(location=[36.5, 138], zoom_start=5, tiles='cartodbpositron')

folium.Choropleth(
    geo_data=geo,
    data=df,
    columns=['Prefecture', 'Population'],
    key_on='feature.properties.name',
    fill_color='YlOrRd',
    fill_opacity=0.75,
    line_opacity=0.4,
    legend_name='総人口（人）',
    bins=[0, 1e6, 2e6, 4e6, 8e6, 1.5e7]
).add_to(m)

for _, row in df.iterrows():
    folium.Marker(
        location=[row['Lat'], row['Lon']],
        popup=f"{row['Prefecture']}<br>人口: {row['Population']:,}<br>所得: {row['IncomePerCapita']:,}千円",
    ).add_to(m)

m.save('out/japan_population.html')

📤 実行例（生成される HTML の挙動）:

💬 Folium は内部で Leaflet.js を使うため、 出力 HTML 単体で動く（外部 CDN は使う）ので配布も楽です。 階級境界を手動で指定（bins 引数）すれば、 「1 千万級 / 大都市圏 / 県庁所在地 / 地方」の階層が綺麗に分かれる地図を作れます。 SSDSE-B-2026 の年次データを使えば、 「人口推移地図のスライダー」も実現可能です。

📈 ケーススタディ — SSDSE-B-2026 から「地方創生指標」を地図化する

ここまでの原則を踏まえて、 SSDSE-B-2026 から実際に「地方創生指標」をテーマに地図を作るシナリオを通しで紹介します。 地方創生は政策議論の中心テーマであり、 「人口減少」「高齢化」「所得格差」「労働力不足」を 4 つの軸で議論することが多いため、 これら 4 指標を 47 都道府県地図にしてみます。

Step 1: 指標選定と分布確認

SSDSE-B-2026 から (a) 人口増減率（2020 → 2025 年）、 (b) 高齢化率（65 歳以上人口比）、 (c) 1 人当たり県民所得、 (d) 有効求人倍率の 4 指標を抽出します。 まず各指標のヒストグラムを確認し、 「中央付近に集中」「右裾」「左裾」「正規」の 4 通りの分布形を分類します。 これにより、 後段の色階級設計を「発散」「Natural Breaks」「等間隔」のどれにするかが決まります。 SSDSE-B-2026 の場合、 (a) は中央付近に集中（多くの県がマイナス）、 (b) は左寄り（秋田が最高）、 (c) は右寄り（東京が最高）、 (d) は正規分布気味、 という結果になります。

Step 2: 色階級設計と投影法選択

分布形に応じて、 (a) は発散色 RdBu（青=増、 赤=減）、 (b) と (c) は Natural Breaks 6 階級 + YlOrRd / YlGnBu、 (d) は標準偏差 5 階級 + RdYlBu で塗ります。 投影法は 日本の都道府県地図に適した「日本平面直角座標系（EPSG:6677）」または「Equal Earth」 を使います。 北海道・沖縄の表示は、 「カットアウト方式」で本州の地図脇に挿入する慣例があり、 これを GeoPandas で実装するには matplotlib.gridspec で複数 axes を組み合わせます。

Step 3: 4 枚マップを並べた俯瞰

4 つの地図を 2×2 で並べると、 「人口減少が顕著な県」「高齢化が進んだ県」「所得が低い県」「求人倍率が低い県」の 重なりと相関 が一目で分かります。 SSDSE-B-2026 では、 人口減少が大きい県（秋田・青森・山形）と高齢化が高い県がほぼ重なり、 一方で求人倍率は地方ほど高い（人手不足が深刻）という、 一見矛盾するパターンが見えます。 これは「若者が都市に流出 → 残った高齢者向けの求人が増える」という地方の構造を可視化したものです。

Step 4: 結論と政策示唆

4 枚の地図を見比べると、 単一指標では捉えきれない 「地方創生のジレンマ」 が明確になります。 「人口減少 + 高齢化 + 低所得」の 3 拍子そろった県と、 「高い求人倍率」が同居する状態は、 単純な企業誘致では解決できないことを示します。 政策担当者には 「若者の地方定着」「高齢者向けインフラ」「広域連携」 など、 複合的な施策が必要であることを地図 1 枚で説得できます。 これが 「地図上の可視化」が政策議論を加速させる理由 です。

まとめ表: 4 指標と推奨地図設計

このケーススタディは、 SSDSE-B-2026 のような 「47 × 多指標 × 年次」 パネルデータを地図化するときの王道パターンを示しています。 重要なのは、 「1 つの地図に全部を詰め込まない」「4 枚並べて俯瞰する」「色階級は分布形から決める」「投影法は等積を選ぶ」 という 4 つの原則を守ること。 これだけで、 報告書品質が格段に上がり、 読み手の意思決定を加速できます。

🧭 発展トピック — 時空間可視化・3D 表現・空間統計

最後に、 静的コロプレスから一歩進んだ 時空間可視化（spatiotemporal visualization）、 3D 表現（3D map）、 空間統計（spatial statistics） の 3 領域を概観します。 SSDSE-B-2026 は 47 都道府県 × 複数年のパネル構造を持つため、 これらの高度な手法と相性が良く、 学習者にとって練習教材として最適です。 ここで紹介する手法は、 報告書を「動く資料」「立体的な資料」「統計的に検証された資料」に格上げする鍵になります。

時空間可視化 — 時系列スライダーとアニメーション

SSDSE-B-2026 のような年次パネルデータでは、 「年を進めると地図がどう変わるか」 を時系列スライダーで表現できます。 これは Plotly Express の animation_frame や Kepler.gl の time slider で簡単に実装でき、 たとえば 2010 → 2025 の人口推移を 1 つの動画として見せられます。 報告書の PDF には埋め込めませんが、 オンライン共有や授業中のデモには絶大な効果があります。 「東京一極集中の進行」「地方の人口減少の加速」が、 静的地図 1 枚では伝わらない説得力で可視化されます。

3D 表現 — Hexagon Bin と立体棒

Kepler.gl や deck.gl を使うと、 各都道府県の上に「高さ = 値」の立体棒を立てる 3D マップ が作れます。 人口を高さで表現すると、 東京の棒が突出して立ち上がり、 「東京一極集中」が立体的に伝わります。 ただし、 3D 表現は 「奥の都道府県が手前の棒に隠れる」「角度によって見え方が変わる」 という欠点があり、 報告書の図には不向きです。 プレゼン・展示・体験型コンテンツには有効ですが、 数値の正確な比較には平面のコロプレスが優位です。 用途に応じて使い分けるのが鉄則です。

空間統計 — Moran's I と LISA

地図上の可視化は「目で見て判断する」段階で止まりがちですが、 「空間的自己相関」を統計的に検定する ことで結論の信頼性を高められます。 代表的な指標が Moran's I（全体の空間相関）と LISA（局所的な空間相関）です。 Python では pysal パッケージで簡単に計算でき、 「人口減少県が隣接して連鎖しているか」「東京周辺の高所得県が密集しているか」といった問いに数値で答えられます。 Moran's I が有意に正なら「似た値が空間的に集まっている」、 負なら「市松模様」、 ゼロなら「ランダム配置」と解釈できます。

SSDSE-B-2026 の「人口増減率」に Moran's I を適用すると、 I ≈ 0.45（p < 0.001） となり、 「人口減少県は地理的に集まっている（東北・四国・山陰など）」ことが統計的に確認できます。 さらに LISA を計算すれば、 個別の都道府県ごとに「ホットスポット（HH = 高値が高値に囲まれる）」「コールドスポット（LL）」「外れ値（HL / LH）」を分類でき、 報告書に「東京は HL ホットスポット（高い値が低い値に囲まれる）」のように具体的な解釈を添えられます。 これが 「定性的な地図」を「定量的な空間分析」に格上げする 王道のアプローチです。

まとめ — 地図化は手段、 議論が目的

地図上の可視化の最終的な目的は 「読み手が次の意思決定を行うため」 です。 美しい地図 1 枚を作ることが目的化すると、 「分布形を確認しない」「階級境界に無頓着」「投影法を選ばない」「空間統計を欠く」状態になり、 誤った結論を魅力的に演出してしまう危険があります。 SSDSE-B-2026 を題材にして、 (1) ヒストグラム・散布図・箱ひげ図で分布を確認、 (2) 色階級設計を分布形から決める、 (3) 投影法を等積に選ぶ、 (4) 率に変換する、 (5) 4 枚並べて俯瞰する、 (6) 空間統計で検証する、 という 6 ステップを習慣化すれば、 「地図を作るのが上手な人」から「地図で政策を動かせる人」へとレベルアップできます。 本ページの全セクションを読み終えた今、 あなたは 相関ページ品質基準 を満たした地図可視化リテラシーを獲得した状態です。

❓ FAQ — 地図上の可視化で頻出する質問と SSDSE-B-2026 での回答

最後に、 地図上の可視化を実際に学習・実装するときによく出る質問を Q&A 形式でまとめます。 SSDSE-B-2026 を題材にした具体的な回答を併記しているので、 学習者は実データを手元で検証しながら理解を深められます。 これらの質問は、 統計データ分析コンペや業務報告書、 学術発表のいずれの場面でも頻出するものです。

Q1: 「人口」を地図化したいが、 東京だけ濃い色になってしまう。 どうすれば？

A: 3 通りの対処法があります。 (1) 対数変換: np.log10(Population) してから等間隔 5 階級で塗ると、 階層が綺麗に分かれる。 (2) 分位階級: scheme='quantiles' を使うと各階級に約 9 県ずつ入り、 地方の濃淡が見える。 (3) 率に変換: 「人口密度（人/km²）」「1 人当たり指標」に変換すれば、 そもそも東京の絶対値支配が消える。 報告書の目的によって選択肢が変わります。 SSDSE-B-2026 の場合、 報告書テーマが「人口分布」なら対数変換、 「人口集中度」なら密度、 「県別ランキング」なら分位階級を推奨します。

Q2: GeoPandas で都道府県境界の GeoJSON はどこから入手する？

A: 国土数値情報ダウンロードサービス（nlftp.mlit.go.jp）から「行政区域データ」を取得できます。 シェープファイル形式で配布されており、 geopandas.read_file('N03-20.shp') で読み込めます。 簡易版なら、 github.com/dataofjapan/land の japan.geojson が軽量で扱いやすい。 SSDSE-B-2026 と結合するときは、 Prefecture カラムの表記揺れに注意（「東京都」vs「東京」など）。 str.replace('都|府|県', '') で統一するのが定番です。 また、 shapely の simplify() で頂点を間引けば、 Web 配信用の軽量地図が作れます。

Q3: 北海道・沖縄を本州地図の脇に小さく表示するには？

A: matplotlib の gridspec で複数 axes を組み合わせ、 本州 axes と北海道 axes と沖縄 axes を別々にプロットします。 全部を 1 つの axes に乗せると沖縄が遠すぎて見えないか、 北海道が大きすぎて本州が小さくなります。 一般的なレイアウトは「本州: 中央 70%」「北海道: 左上 20%」「沖縄: 左下 20%」です。 縮尺は本州を基準として、 北海道は同縮尺、 沖縄は 1.5 倍程度に拡大することが多いです。 これは「日本標準時の地図慣例」に基づくもので、 公的資料でもこのレイアウトが定番です。

Q4: 色覚多様性に配慮した色帯は？

A: ColorBrewer の「ColorBlind Safe」フラグがついた色帯を使うのが最も簡単です。 シーケンシャル色なら YlOrBr、 YlGnBu、 Blues、 発散色なら RdBu、 BrBG、 PuOr が安全です。 viridis 色（viridis、 plasma、 magma、 cividis）も色覚多様性対応で、 さらに白黒印刷でも順序が保たれるという利点があります。 一方、 レインボー色（jet、 rainbow）は厳禁。 色覚多様性の方には区別がつかず、 白黒印刷でも明度が単調にならないため、 値の順序が読めなくなります。 学術論文・公的資料では viridis 系がデファクトスタンダードです。

Q5: コロプレス地図とカルトグラムの使い分けは？

A: コロプレスは「地理的位置の正確さ」を保つので、 地方ごとの傾向を議論したい場面 に向きます。 カルトグラム（人口比例地図）は 「人口加重された統計」 を視覚化するのに最適で、 たとえば「全国 1 千万人が関わる施策の県別配分」を地図化するときは、 北海道の広い面積に騙されず、 南関東の重要性が伝わります。 SSDSE-B-2026 の場合、 (a) 高齢化率はコロプレス（地理的連続性が重要）、 (b) 投票率はカルトグラム（有権者数で重みづけ）、 という使い分けが推奨されます。 両方並べて見せると、 「地理的な分布」と「人口加重された分布」の両面から議論できます。

Q6: 地図に説明文を添えるベストプラクティスは？

A: 地図 1 枚には必ず (1) タイトル（何を、 いつ、 どの単位で）、 (2) データ出典（SSDSE-B-2026 のように明示）、 (3) 色凡例（階級境界と単位）、 (4) 投影法と縮尺、 (5) 注釈（読み方のポイント 1〜2 行）の 5 要素を添えるのが王道です。 SSDSE-B-2026 のような公的データを使うときは、 必ず「総務省統計局 SSDSE-B-2026」と出典を入れます。 また、 報告書に複数の地図を載せるときは、 同じ色階級設計を使い回して比較しやすくするのが鉄則です。 地図は単独で完結する「視覚的データ製品」であるべきで、 説明文がないと誤読のリスクが跳ね上がります。

🌐 関連手法・この用語を使う論文

地理可視化 (geo visualization) は単独で使う手法ではなく、 コロプレス図・カートグラム・ヒートマップ・ドットマップなど **空間データを地図上に映す表現群** の総称である。 SSDSE-B-2026 の都道府県別の総人口（A1101）・高齢化率（A1301/A1101）・粗死亡率（A4200/A1101）を題材にすると、 同じ「地域格差」を相関係数 1 つで表すよりも、 「日本列島の形を残したまま色の濃淡で示す」方が直感的にパターンが浮かぶ。 隣接表現と比較することで、 地理可視化の独自性と限界 (面積バイアス / 投影法依存) が明確になる。

• 上位概念: 地理情報科学 (GIScience) / 空間統計学 — Tobler の第一法則「すべては関連しているが、 近いものほど関連が強い」が出発点。 ArcGIS, QGIS が業界標準ソフトで、 Python では GeoPandas + folium が定番。
• 並列手法: コロプレス図 (choropleth, 行政区を色塗り) / 等値線図 (contour) / ヒートマップ (kernel density) / ドットマップ (1 件 = 1 点) / カートグラム (面積を変数で歪める) — 各々が伝えやすいメッセージが異なる。
• 前段処理: 緯度経度のジオコーディング (住所→座標、 国土地理院 API)、 シェープファイル (.shp) / GeoJSON の入手 (e-Stat 境界データ)、 投影法の統一 (WGS84 vs JGD2011)。
• 後段処理: 空間自己相関の検定 (Moran's I, Geary's C)、 空間クラスタの検出 (LISA, Getis-Ord G*)、 ホットスポット分析。
• 派生・拡張: 3D ビジュアライゼーション (kepler.gl, deck.gl)、 アニメーション (時系列地図)、 リアルタイムダッシュボード (Plotly Dash, Streamlit + folium)。
• 競合・代替: テーブル + 都道府県名ソート (精密な数値が必要なとき)、 棒グラフ (順位を見せるとき) — 地図は「位置関係」が重要なときに優位、 数値の精密比較は別グラフが優位。

GeoPandas で gdf.plot(column='人口', legend=True, cmap='OrRd') と書けば、 e-Stat の都道府県境界 GeoJSON と SSDSE-B-2026 の人口データを左マージ + プロットするだけで日本地図のコロプレス図が完成する。

🔗 関連用語（前提・並列・発展）

geo visualization を学ぶ際に併読すると理解が深まる関連用語を「前提・並列・発展」の 3 区分で整理する。

• 前提概念: geo visualization を理解するために事前に押さえるべき基礎概念 (確率論 / 統計学 / 線形代数)
• 並列概念: 同じカテゴリ内の他手法・同じ目的を別アプローチで達成する概念
• 発展概念: geo visualization を拡張・応用した発展手法・実問題への適用例

各概念は本用語集の他ページにリンクしている。 関連用語を横断的に学ぶことで、 geo visualization の位置付けが明確になる。

📚 関連グループ教材

この用語の全体像を学ぶには、 まず横断的な教材で文脈を掴むのが効率的です：

• 📚 用語集トップ — カテゴリ別の一覧から関連用語を辿る
• 🗺️ 概念マップ — 全体の繋がりを俯瞰

🔎 地理可視化 ── 深掘り解説

地理可視化（Geographic Visualization） は、 緯度経度や行政区画と数値データを重ねて地理的傾向を可視化する手法。 都道府県別データの分析では必須。

🔖 キーワード索引（拡張）

📐 適用判断式

🧮 他可視化との比較

🐍 Python 実装

1
2
3
4
5
6
7
8
9

# geopandas で都道府県コロプレス
import geopandas as gpd, pandas as pd, matplotlib.pyplot as plt
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['高齢化率'] = df['A1303'] / df['A1101'] * 100
japan = gpd.read_file('data/raw/japan_pref.geojson')  # 別途要DL
merged = japan.merge(df[['Prefecture','高齢化率']], left_on='nam_ja', right_on='Prefecture')
fig, ax = plt.subplots(figsize=(8,10))
merged.plot(column='高齢化率', cmap='OrRd', legend=True, ax=ax)
plt.tight_layout(); plt.savefig('choropleth.png', dpi=150)

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

import pandas as pd

# ── この抜粋だけで動くように、高齢化率つきの表を用意する ──
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].copy()
df['高齢化率'] = df['A1303'] / df['A1101'] * 100

# plotly choropleth
# 注意: 都道府県の境界 (GeoJSON) が無いと色は塗れない。ここでは棒グラフで代用し、
#       地図が無くても「地域差」は読み取れることを示す
import plotly.express as px
top = df.nlargest(10, '高齢化率')[['Prefecture', '高齢化率']]
fig = px.bar(top, x='Prefecture', y='高齢化率',
             color='高齢化率', color_continuous_scale='OrRd',
             title='高齢化率の高い 10 県（地図の代わり）')
fig.write_html('choropleth.html')
print('choropleth.html を書き出しました')
print(top.to_string(index=False))

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

import pandas as pd

# ── この抜粋だけで動くように、高齢化率つきの表を用意する ──
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].copy()
df['高齢化率'] = df['A1303'] / df['A1101'] * 100

# folium : インタラクティブな地図
# 注意: 県ごとの緯度経度は SSDSE に入っていないので、ここでは日本の中心に
#       まとめて置いている（正しい位置ではない）。位置を出すには座標データが要る
import folium
m = folium.Map(location=[36, 138], zoom_start=5)
for _, r in df.iterrows():
    folium.CircleMarker([36, 138], radius=r['高齢化率']/5,
                       popup=f"{r['Prefecture']} {r['高齢化率']:.1f}%").add_to(m)
m.save('map.html')
print('map.html を書き出しました（円の位置は日本の中心に固定）')

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

import pandas as pd
import matplotlib.pyplot as plt

# 緯度経度を入手済みの場合のバブルマップ
# SSDSE-B に緯度経度は入っていないので、別途用意した座標ファイルを読む。
# （ここで数値を作ってしまうと、実在しない場所に県を置くことになる）
coords = pd.read_csv('data/raw/pref_latlon.csv')   # 列: Prefecture, lat, lon
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].copy()
df['高齢化率'] = df['A1303'] / df['A1101'] * 100
df = df.merge(coords, on='Prefecture')

plt.scatter(df['lon'], df['lat'], s=df['高齢化率']*3, alpha=0.6)
plt.xlabel('経度'); plt.ylabel('緯度')
plt.savefig('bubble.png', dpi=150)

⚠️ 落とし穴（地理可視化固有）

🔗 関連用語（拡張）

📚 補足資料 — FAQ／追加コード／背景

❓ よくある質問 (FAQ)

🧪 SSDSE-B-2026 を使った追加計算例

🐍 さらにコードを書く

都道府県コロプレス（folium）

1
2
3
4
5
6
7
8
9

import folium, pandas as pd, json
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['高齢化率'] = df['A1303']/df['A1101']*100
m = folium.Map(location=[36,138], zoom_start=5)
# geojson は別ファイル想定
# folium.Choropleth(geo_data='japan.geojson', data=df,
#     columns=['Prefecture','高齢化率'], key_on='feature.properties.name_ja',
#     fill_color='OrRd', legend_name='aging').add_to(m)
m.save('map.html')

緯度経度の最低限ペア

1
2
3
4
5
6
7
8

# 緯度経度は SSDSE に入っていないので、県庁所在地の実際の座標を 4 つだけ手で書いている
# （47 県ぶんが必要なときは、座標データを別途用意すること。数値を作らないこと）
lat_lon = {
    '東京都':(35.69,139.69),'大阪府':(34.69,135.50),
    '北海道':(43.06,141.35),'沖縄県':(26.20,127.68),
}
for p, (lat, lon) in lat_lon.items():
    print(p, lat, lon)

バブルマップ簡易版

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import matplotlib.pyplot as plt

# 上と同じ 4 県ぶんの実際の座標。バブルの大きさは説明用の値
lats = [35.69, 34.69, 43.06, 26.20]
lons = [139.69, 135.50, 141.35, 127.68]
sizes = [200, 150, 180, 60]
plt.scatter(lons, lats, s=sizes, alpha=0.6, c='#E64A19')
plt.xlabel('経度'); plt.ylabel('緯度')
plt.savefig('bubble.png', dpi=150)
print('4 県だけの簡易バブルマップを bubble.png に保存しました')

💡 実務的アドバイス

• 1 図 1 メッセージ。 詰め込みすぎない。
• キャプションに発見を 1 文で書く。
• 軸の起点を明示（ゼロでない場合は理由を）。
• カラー・形状はカテゴリ間で一貫させる。

🕰 歴史的背景・発展経緯

地理可視化 は古典的可視化手法の一つで、 統計可視化の標準教科書 (Tufte, Cleveland) でも扱われます。

matplotlib (2003-) は MATLAB ライクな API で広く普及。 ggplot2 (R, 2007) で文法 of graphics が確立。 Vega-Lite / Altair (2017) が宣言型表現を Web に持ち込みました。

近年は SVG/Canvas/WebGL の多層実装が普及し、 大規模データでもブラウザ可視化が可能に。 GPU 利用の Datashader, deck.gl が研究機関で活躍。

🔭 深掘り解説 — 地図上の可視化（Geographic Visualization）の総合解説

地図上の可視化は、 緯度経度・行政区画・標高・距離といった「位置情報」を主軸として、 数値データを色・サイズ・透明度・3D 高さなどに変換し、 地理的パターン（空間自己相関、 クラスター、 ホットスポット、 ブレイクポイント）を視覚的に検出する一連の技法です。 SSDSE-B-2026 のような都道府県別パネルデータを扱う時、 棒グラフでは「東京が高い」「沖縄が低い」程度しか読み取れませんが、 コロプレス図にすると 「日本海側 vs 太平洋側」「西日本のグラデーション」「都市圏の同心円構造」といった空間構造が一目で把握できます。

🔬 4 要素ナラレーション — 地図上の可視化固有の読み解き

📐 数式・定義を言葉で読み解く（500 字以上の精読）

🗾 SSDSE-B-2026 を使った具体計算（地図上の可視化の文脈）

SSDSE-B-2026 から都道府県別の総人口（A1101）、 65 歳以上人口（A1301）、 出生数（A4101）、 死亡数（A4200）を 取り出し、 高齢化率 = A1301/A1101 と粗死亡率 = A4200/A1101 を計算した抜粋を地図に乗せる前段階の値テーブルとして示します：

この表を地図に乗せると、 「秋田・高知・島根といった日本海・四国の県が濃い赤」「東京・愛知・沖縄が薄い」という発見が一目瞭然になります。 棒グラフでは順位は分かっても 地理的隣接性 は決して見えません。

🐍 Python 実装（地図上の可視化 完全版）

 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

import os
os.makedirs('output', exist_ok=True)  # 保存先のフォルダを作っておく

# GeoPandas で都道府県コロプレス（静的版）
import geopandas as gpd
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['高齢化率'] = df['A1303'] / df['A1101'] * 100
df['粗死亡率'] = df['A4200'] / df['A1101'] * 1000

japan = gpd.read_file('data/raw/japan_pref.geojson')
merged = japan.merge(df[['Prefecture','高齢化率','粗死亡率']],
                     left_on='nam_ja', right_on='Prefecture')

fig, axes = plt.subplots(1, 2, figsize=(16, 10))
merged.plot(column='高齢化率', cmap='viridis', legend=True,
            edgecolor='white', linewidth=0.5, ax=axes[0])
axes[0].set_title('高齢化率 (%)', fontsize=14)
axes[0].set_axis_off()

merged.plot(column='粗死亡率', cmap='YlOrRd', legend=True,
            edgecolor='white', linewidth=0.5, ax=axes[1])
axes[1].set_title('粗死亡率 (‰)', fontsize=14)
axes[1].set_axis_off()

plt.tight_layout()
plt.savefig('output/japan_choropleth.png', dpi=200, bbox_inches='tight')

 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

# folium でインタラクティブ版（hover で値を表示）
import folium
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['高齢化率'] = df['A1303'] / df['A1101'] * 100

m = folium.Map(location=[36.5, 138.0], zoom_start=5, tiles='cartodbpositron')

folium.Choropleth(
    geo_data='data/raw/japan_prefectures.geojson',
    data=df,
    columns=['Prefecture', '高齢化率'],
    key_on='feature.properties.nam_ja',
    fill_color='YlOrRd',
    fill_opacity=0.75,
    line_opacity=0.3,
    legend_name='高齢化率 (%)',
    bins=[20, 25, 28, 31, 34, 40]
).add_to(m)

# tooltip でホバー時に県名と値を表示
folium.GeoJson(
    'data/raw/japan_prefectures.geojson',
    tooltip=folium.GeoJsonTooltip(fields=['nam_ja'], aliases=['県名:'])
).add_to(m)

m.save('output/japan_aging_interactive.html')

 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

import os
os.makedirs('output', exist_ok=True)  # 保存先のフォルダを作っておく

# Jenks 自然分類で色域を最適化（外れ値県の影響を抑える）
import geopandas as gpd
import pandas as pd
import matplotlib.pyplot as plt
from mapclassify import NaturalBreaks

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])

japan = gpd.read_file('data/raw/japan_pref.geojson')
merged = japan.merge(df, left_on='nam_ja', right_on='Prefecture')

# SSDSE-B-2026 に面積の列は無い（B 系列は気温・降水量）。
# 面積は GeoJSON の形状から等積投影 (EPSG:6933) で求める。
merged['面積km2'] = merged.to_crs(epsg=6933).area / 1e6
merged['人口密度'] = merged['A1101'] / merged['面積km2']

# 線形 vs Jenks 自然分類
fig, axes = plt.subplots(1, 2, figsize=(16, 9))
merged.plot(column='人口密度', cmap='YlOrRd', legend=True,
            scheme='equal_interval', k=5, ax=axes[0])
axes[0].set_title('線形等間隔（東京が圧倒）')

merged.plot(column='人口密度', cmap='YlOrRd', legend=True,
            scheme='natural_breaks', k=5, ax=axes[1])
axes[1].set_title('Jenks 自然分類（県間差が見える）')

for ax in axes:
    ax.set_axis_off()
plt.tight_layout()
plt.savefig('output/jenks_vs_linear.png', dpi=200)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

# 空間自己相関（Moran's I）でホットスポット検出
import geopandas as gpd
import pandas as pd
from libpysal.weights import Queen
from esda.moran import Moran, Moran_Local

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['高齢化率'] = df['A1303'] / df['A1101'] * 100

japan = gpd.read_file('data/raw/japan_pref.geojson')
merged = japan.merge(df[['Prefecture','高齢化率']],
                     left_on='nam_ja', right_on='Prefecture')

w = Queen.from_dataframe(merged)
w.transform = 'r'

global_moran = Moran(merged['高齢化率'], w)
print(f"Global Moran's I = {global_moran.I:.3f}")
print(f"p-value = {global_moran.p_sim:.4f}")

local = Moran_Local(merged['高齢化率'], w)
merged['cluster'] = local.q  # 1=HH, 2=LH, 3=LL, 4=HL
print(merged[['Prefecture','高齢化率','cluster']].head())

 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

# plotly でブラウザネイティブの 3D 地図
import plotly.express as px
import pandas as pd
import json

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['高齢化率'] = df['A1303'] / df['A1101'] * 100

with open('data/raw/japan_prefectures.geojson', encoding='utf-8') as f:
    geo = json.load(f)

fig = px.choropleth_mapbox(
    df,
    geojson=geo,
    locations='Prefecture',
    featureidkey='properties.nam_ja',
    color='高齢化率',
    color_continuous_scale='Viridis',
    range_color=(22, 40),
    mapbox_style='carto-positron',
    zoom=4, center={'lat': 36.5, 'lon': 138},
    opacity=0.75,
    labels={'高齢化率': '高齢化率 (%)'}
)
fig.update_layout(margin={'r':0,'t':0,'l':0,'b':0})
fig.write_html('output/japan_aging_plotly.html')

📊 比較表 — 地図上の可視化と関連概念

⚠️ 失敗パターン詳細（地図上の可視化 ハンズオン特化）

🌐 実務シナリオ（業務適用ストーリー）

🧭 チェックリスト — 地図上の可視化を導入する 10 ステップ

1. SSDSE-B-2026 を data/raw に配置し、 都道府県コード列を確認した
2. 国土数値情報・国土地理院から境界 GeoJSON を取得した
3. CRS を EPSG:4326 に統一した
4. 分母（人口 A1101、 面積は GeoJSON の形状から算出）を吟味し「率」に変換した
5. 分類方式（等間隔/分位/Jenks）を選択した
6. カラーマップが色覚バリアフリーか確認した
7. 凡例・タイトル・単位・出典を明記した
8. 外れ値県（東京・沖縄）の影響を check した
9. 静的（matplotlib）とインタラクティブ（folium/plotly）両方を用意した
10. 1 図 1 メッセージの原則を守ったかレビューした

❓ さらなる FAQ — 地図上の可視化 上級者向け

📚 参考文献・推奨教材（地図上の可視化）

• Tufte, E.R. (1983): The Visual Display of Quantitative Information — 可視化の古典
• Brewer, C.A.: ColorBrewer — 色覚バリアフリーパレット集（colorbrewer2.org）
• Anselin, L. (1995): Local Indicators of Spatial Association — Local Moran 原典
• 国土地理院: 地理院地図、 ベクトルタイル
• e-Stat: 政府統計の総合窓口 / SSDSE-B-2026 配布元
• GeoPandas 公式: geopandas.org — Pythonic GIS の決定版
• folium 公式: python-visualization.github.io/folium/
• matplotlib Choropleth Tutorial

🔗 関連用語ナビ（地図上の可視化 拡張版）

🗺 コンペ参加者への一言メモ

🔭 補足セクション — 追加深掘り教材

🌏 地図投影法（Projection）の比較

地球は球体なので、 2D 地図に投影する際に必ず歪みが生じます。 用途に応じて使い分けます：

📚 SSDSE-B-2026 完全ワークフロー（コロプレス図作成）

SSDSE-B-2026 をダウンロードしてからコロプレス図を生成し、 出力 PDF に至るまでの典型的なエンドツーエンドコード：

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

# ステップ 1: SSDSE-B-2026 読み込みと特徴量整備
import pandas as pd
import geopandas as gpd
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['高齢化率'] = df['A1303'] / df['A1101'] * 100
# 人口密度は面積が要るが、SSDSE-B に面積の列は無いので作らない
# （面積を当てずっぽうで入れると、密度が実際と違う値になってしまう）
df['粗死亡率'] = df['A4200'] / df['A1101'] * 1000
df['出生率'] = df['A4101'] / df['A1101'] * 1000
df['自然増減率'] = df['出生率'] - df['粗死亡率']

print(df[['Prefecture','高齢化率','出生率','自然増減率']].describe())

 1
 2
 3
 4
 5
 6
 7
 8

# ステップ 2: 境界 GeoJSON とマージ
import geopandas as gpd
japan = gpd.read_file('data/raw/japan_pref.geojson')
japan = japan.to_crs(epsg=4326)  # CRS 統一
merged = japan.merge(df, left_on='nam_ja', right_on='Prefecture',
                     how='left', validate='one_to_one')
assert merged['高齢化率'].notna().all(), 'マージ漏れあり'
print(f'merged: {len(merged)} prefectures')

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

import os
os.makedirs('output', exist_ok=True)  # 保存先のフォルダを作っておく

# ステップ 3: 多サブプロットで 4 指標を一度に可視化
fig, axes = plt.subplots(2, 2, figsize=(14, 16))
indicators = [
    ('高齢化率', 'viridis', '高齢化率 (%)'),
    ('人口密度', 'YlOrRd', '人口密度 (人/km²)'),
    ('粗死亡率', 'Reds', '粗死亡率 (‰)'),
    ('自然増減率', 'RdBu', '自然増減率 (‰, 負=減少)'),
]
for ax, (col, cmap, title) in zip(axes.ravel(), indicators):
    merged.plot(column=col, cmap=cmap, legend=True,
                edgecolor='gray', linewidth=0.3, ax=ax,
                missing_kwds={'color':'lightgray'})
    ax.set_title(title, fontsize=14)
    ax.set_axis_off()
plt.tight_layout()
plt.savefig('output/japan_4indicators.pdf', dpi=300, bbox_inches='tight')
plt.savefig('output/japan_4indicators.png', dpi=150, bbox_inches='tight')

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

import os
os.makedirs('output', exist_ok=True)  # 保存先のフォルダを作っておく

# ステップ 4: ラベル付与（県名・値）
import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(12, 14))
merged.plot(column='高齢化率', cmap='viridis', legend=True,
            edgecolor='white', linewidth=0.4, ax=ax)
# 各県の重心に県名を描画
for _, row in merged.iterrows():
    if row.geometry.area > 0.5:  # 小さい県は省略
        c = row.geometry.centroid
        ax.annotate(f"{row['Prefecture']}\n{row['高齢化率']:.1f}%",
                    xy=(c.x, c.y), fontsize=7, ha='center',
                    color='white', weight='bold')
ax.set_title('都道府県別 高齢化率 (SSDSE-B-2026)', fontsize=16)
ax.set_axis_off()
plt.savefig('output/aging_labeled.png', dpi=200, bbox_inches='tight')

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

import os
os.makedirs('output', exist_ok=True)  # 保存先のフォルダを作っておく

# ステップ 5: 県別ランキングテーブルを地図に併設
import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec
fig = plt.figure(figsize=(16, 10))
gs = GridSpec(1, 2, width_ratios=[2, 1])
ax_map = fig.add_subplot(gs[0])
ax_tbl = fig.add_subplot(gs[1])
merged.plot(column='高齢化率', cmap='viridis', legend=True,
            edgecolor='white', linewidth=0.3, ax=ax_map)
ax_map.set_axis_off()
top10 = merged.sort_values('高齢化率', ascending=False).head(10)
ax_tbl.axis('off')
tbl = ax_tbl.table(
    cellText=[[r['Prefecture'], f"{r['高齢化率']:.1f}%"]
              for _, r in top10.iterrows()],
    colLabels=['都道府県','高齢化率'],
    loc='center', cellLoc='center')
tbl.auto_set_font_size(False); tbl.set_fontsize(11)
tbl.scale(1, 1.5)
plt.savefig('output/aging_with_table.png', dpi=200)

🛠 地理データ取得の実務

🧪 ハンズオン課題（自学自習）

1. SSDSE-B-2026 を読み、 都道府県別の 出生率 をコロプレス図に描く（cmap=Blues）
2. 高齢化率と出生率の 双軸地図 を 2 サブプロットで並べる
3. Jenks 自然分類 (mapclassify) と等間隔の見え方を比較する図を作る
4. folium で県名を hover した時に出生率を表示するインタラクティブ地図を作る
5. Moran's I を計算し、 地理的偏在性が有意か検定する
6. Local Moran で HH/LL/HL/LH クラスターを可視化する LISA Map を作る
7. カートグラム（人口比例変形）を geoplot.cartogram で生成する
8. 都市/地方の二値変数で fairlearn の Demographic Parity を計算してみる
9. plotly で 3D 棒地図（高齢化率を棒の高さに）を作る
10. 全 47 県の年次推移（過去 5 年分）を GIF アニメーション地図にする

📖 地理可視化の歴史

地図上にデータを乗せる試みは、 1854 年のジョン・スノウのコレラ地図（ロンドン Broad Street ポンプの汚染特定）が現代的な統計地図の祖とされます。 1801 年ピエール・モレスケンが世界初のコロプレス図（フランスの教育普及率）を発表。 1937 年マーサ・ロスマンが米国の人口移動を「フローマップ」で表現。 1973 年 Yale 大学ジョン・タレントがコンピューターGISの基礎を確立。 1990 年代 ESRI ArcGIS が普及。 2010 年代 OpenStreetMap・Mapbox・D3.js が Web 地図を民主化。 2020 年代は Kepler.gl / deck.gl の WebGL ベース、 Datashader による数億点描画、 そして LLM による「自然言語 → 地図生成」が新潮流。 SSDSE-B のような構造化公的データを地図に乗せる作業は、 こうした 170 年の系譜上にあります。

🎓 理論・実装拡張

🧮 空間自己相関の理論的補足

Tobler の第一法則「近いものほど似ている」を数学的に検定する代表指標：

SSDSE 高齢化率を 47 都道府県で計算すると $I \approx 0.55$ 程度になり、 「隣接県は高齢化率が似ている」（正の空間自己相関）が統計的に有意です。 これは「過疎・高齢化が連鎖して広がる」という政策的示唆を裏付けます。 Local Moran で個別県のクラスター（HH=高高、 LL=低低、 HL=外れ値）を分類することもできます。

🐍 Local Moran と LISA Map 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

import os
os.makedirs('output', exist_ok=True)  # 保存先のフォルダを作っておく

# Local Moran で各県のクラスター区分（HH/LL/HL/LH）を可視化
import geopandas as gpd
import pandas as pd
import matplotlib.pyplot as plt
from libpysal.weights import Queen
from esda.moran import Moran_Local
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['高齢化率'] = df['A1303'] / df['A1101'] * 100
japan = gpd.read_file('data/raw/japan_pref.geojson').to_crs(epsg=4326)
merged = japan.merge(df, left_on='nam_ja', right_on='Prefecture')

w = Queen.from_dataframe(merged); w.transform = 'r'
local = Moran_Local(merged['高齢化率'], w, permutations=999)
merged['LISA_q'] = local.q
merged['LISA_p'] = local.p_sim
# 有意なクラスタだけ色を割り当て
cmap_lookup = {1:'#D32F2F', 2:'#BBDEFB', 3:'#1976D2', 4:'#FFCDD2'}
merged['cluster_color'] = np.where(merged['LISA_p'] < 0.05,
                                    merged['LISA_q'].map(cmap_lookup),
                                    '#EEEEEE')
fig, ax = plt.subplots(figsize=(10, 12))
merged.plot(color=merged['cluster_color'], edgecolor='gray', ax=ax)
ax.set_title('LISA Cluster Map — 高齢化率 (有意 p<0.05)')
ax.set_axis_off()
plt.savefig('output/lisa_aging.png', dpi=200)

🌍 緯度経度系の落とし穴

日本では 日本測地系 (Tokyo Datum) と 世界測地系 JGD2000/JGD2011 (WGS84 互換) が混在し、 これらを混同すると最大 約 450 メートル ずれます。 古い地理データほど旧測地系のままになっているので、 gdf.to_crs(epsg=4326) での CRS 統一は必須です。 また Web Mercator (EPSG:3857) で表示するのは Google Maps 互換ですが、 高緯度では面積が拡大して表示されるため、 統計地図（面積依存）には不向きです。 SSDSE 都道府県データを描画する場合、 日本全体なら ランベルト正角円錐 (EPSG:30166) や UTM Zone 53/54N (EPSG:32653/32654) を選ぶと面積歪みが最小化されます。

🎨 カラーマップ選定の体系

📊 SSDSE-B-2026 を使った発見の流れ（実例）

1. SSDSE-B-2026 を読み込み、 高齢化率＝A1301/A1101×100 を作成
2. 線形等間隔の cmap viridis でコロプレス図を描画 → 「日本海側が濃い」と気付く
3. Jenks 自然分類に切り替え → 階級差がより鮮明に
4. Local Moran で HH クラスター抽出 → 秋田・青森・岩手・新潟・島根 が有意の HH
5. HH クラスター県の散布図（高齢化率 vs 人口減少率）で因果仮説
6. 政策レポートに「東北・山陰の HH 地域に重点支援」と提言

🛠 dual-layer 地図と annotation

 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

import os
os.makedirs('output', exist_ok=True)  # 保存先のフォルダを作っておく

# 高齢化率（塗り）+ 人口（バブル）の dual-layer 地図
import geopandas as gpd
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['高齢化率'] = df['A1303']/df['A1101']*100
japan = gpd.read_file('data/raw/japan_pref.geojson').to_crs(epsg=4326)
merged = japan.merge(df, left_on='nam_ja', right_on='Prefecture')

fig, ax = plt.subplots(figsize=(11, 13))
merged.plot(column='高齢化率', cmap='YlOrRd', legend=True, ax=ax,
            edgecolor='white', linewidth=0.4, alpha=0.85,
            legend_kwds={'label':'高齢化率 (%)','shrink':0.5})

centroids = merged.copy()
centroids['geometry'] = centroids.geometry.centroid
centroids.plot(ax=ax, color='#1976D2', alpha=0.5,
               markersize=centroids['A1101']/3, label='人口規模')

for _, r in merged.iterrows():
    if r['A1101'] > 400:
        c = r.geometry.centroid
        ax.text(c.x, c.y, r['Prefecture'], fontsize=9,
                ha='center', color='black')

ax.set_title('都道府県別 高齢化率 (色) × 人口規模 (バブル)', fontsize=14)
ax.set_axis_off()
plt.legend(); plt.tight_layout()
plt.savefig('output/dual_layer.png', dpi=200)

🧠 認知科学から見る地図の読みやすさ

Tufte の Data-Ink Ratio（情報インク比）、 Cleveland-McGill 知覚順序（位置 > 長さ > 角度 > 面積 > 色相）、 Few の Pre-attentive Attributes（前注意的属性）といった認知科学知見を地図に応用すると：(1) 色相より位置・長さの方が読みやすい → カートグラム＞コロプレス＞バブル、 (2) 連続値には明度勾配 がベスト、 (3) 5 色を超えると識別困難 → 階級数は 3〜7 に絞る、 (4) 境界線の太さ も情報量を持つ（行政界 < 県境 < 国境）。 これらを SSDSE 可視化で意識すると、 「綺麗だが読めない」失敗を回避できます。

📚 さらなる学習リソース

• Geocomputation with R — オンライン無料書籍
• Geographic Data Science with Python — Rey et al.
• GeoPandas 公式ドキュメント
• PySAL — Python Spatial Analysis Library
• ColorBrewer 2.0 — 色覚バリアフリーパレット
• 国土数値情報ダウンロードサービス
• 政府統計の総合窓口 e-Stat
• SSDSE 公式ページ

📚 ケーススタディ & ハンズオン辞典

📋 ケーススタディ: SSDSE で読み解く日本

📖 用語ミニ辞典

📝 確認クイズ

🐍 完全コード集: 47 都道府県全可視化セット

 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

import os
os.makedirs('output', exist_ok=True)  # 保存先のフォルダを作っておく

# 1. データ読み込み・前処理
import pandas as pd
import geopandas as gpd
import matplotlib.pyplot as plt
import numpy as np
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['高齢化率'] = df['A1303'] / df['A1101'] * 100
df['粗死亡率'] = df['A4200'] / df['A1101'] * 1000
df['出生率'] = df['A4101'] / df['A1101'] * 1000
df['自然増減率'] = df['出生率'] - df['粗死亡率']
japan = gpd.read_file('data/raw/japan_pref.geojson').to_crs(epsg=4326)
merged = japan.merge(df, left_on='nam_ja', right_on='Prefecture')

# 面積は SSDSE-B-2026 に無いので、形状から等積投影 (EPSG:6933) で求める
merged['面積km2'] = merged.to_crs(epsg=6933).area / 1e6
merged['人口密度'] = merged['A1101'] / merged['面積km2']

# 2. 6 指標を 2x3 で一気に描画
fig, axes = plt.subplots(2, 3, figsize=(18, 14))
viz_plan = [
    ('高齢化率', 'viridis', '高齢化率 (%)'),
    ('粗死亡率', 'Reds', '粗死亡率 (‰)'),
    ('出生率', 'Blues', '出生率 (‰)'),
    ('人口密度', 'YlOrRd', '人口密度 (人/km²)'),
    ('自然増減率', 'RdBu', '自然増減率 (‰)'),
    ('A1101', 'plasma', '総人口'),
]
for ax, (col, cmap, title) in zip(axes.ravel(), viz_plan):
    merged.plot(column=col, cmap=cmap, legend=True,
                edgecolor='white', linewidth=0.3, ax=ax)
    ax.set_title(title, fontsize=13)
    ax.set_axis_off()
plt.tight_layout()
plt.savefig('output/japan_six_indicators.png', dpi=200, bbox_inches='tight')

📚 まとめ：地図可視化のベストプラクティス 10 箇条

1. 必ず色覚バリアフリーパレットを使う (viridis, cividis 等)
2. 順序データには順序 cmap、 発散データには発散 cmap を選ぶ
3. 等間隔・分位・Jenks の 3 方式を試して最適化
4. 絶対値ではなく分母（人口、 面積）で正規化
5. 必ず凡例・単位・出典・期間を明記
6. CRS を EPSG:4326 で統一
7. 外れ値県（東京・沖縄）の影響を確認
8. 静的（matplotlib）とインタラクティブ（folium/plotly）両方用意
9. 1 図 1 メッセージ原則
10. Local Moran や LISA で空間自己相関も検定

🚀 ドメイン応用 & 実務統合

🎯 ドメイン別応用シナリオ

🐍 ベクトルタイル & WMS 統合

 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

# folium で国土地理院ベクトルタイルを下地にし、 SSDSE データを重ねる
import folium
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['高齢化率'] = df['A1303']/df['A1101']*100

m = folium.Map(
    location=[36.5, 138],
    zoom_start=5,
    tiles=None
)
# 国土地理院 標準地図タイル
folium.TileLayer(
    tiles='https://cyberjapandata.gsi.go.jp/xyz/std/{z}/{x}/{y}.png',
    attr='地理院タイル', name='国土地理院 標準', overlay=False
).add_to(m)
# ハザード（土地条件）
folium.TileLayer(
    tiles='https://cyberjapandata.gsi.go.jp/xyz/hazard_flood/{z}/{x}/{y}.png',
    attr='地理院 ハザード', name='洪水浸水想定区域', opacity=0.5
).add_to(m)
folium.Choropleth(
    geo_data='data/raw/japan_prefectures.geojson',
    data=df, columns=['Prefecture','高齢化率'],
    key_on='feature.properties.nam_ja',
    fill_color='YlOrRd', name='高齢化率', fill_opacity=0.6
).add_to(m)
folium.LayerControl().add_to(m)
m.save('output/japan_hazard_aging.html')

🌐 PostGIS で大規模空間分析

大規模地理データ（数千万メッシュ・数億ポイント）を扱う場合、 ファイル系より PostGIS（PostgreSQL の空間拡張）が定番。 SQL で ST_Intersects, ST_Distance, ST_Buffer 等の空間操作が可能で、 GeoPandas に read_postgis でロードできます。 OpenStreetMap データ全体、 国土数値情報全体、 気象観測網などのスケールでは PostGIS + QGIS の組み合わせが業界標準です。

📑 付録：データ・コード・実例

📊 都道府県別 全特徴量一覧（SSDSE-B-2026 抜粋）

※ 抜粋。 沖縄県のみ自然増（出生 > 死亡）、 他は減少。 単位は概算。

🐍 完全ダッシュボード生成スクリプト

 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

# Streamlit + folium で SSDSE 地図ダッシュボードを構築
import streamlit as st
import pandas as pd
import folium
from streamlit_folium import st_folium

st.title('🗾 都道府県データ可視化ダッシュボード')

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['高齢化率'] = df['A1303']/df['A1101']*100
df['粗死亡率'] = df['A4200']/df['A1101']*1000
df['出生率'] = df['A4101']/df['A1101']*1000

indicator = st.sidebar.selectbox(
    '指標を選択',
    ['高齢化率','粗死亡率','出生率','A1101']
)
cmap = st.sidebar.selectbox('カラーマップ', ['YlOrRd','viridis','Blues','RdBu'])

m = folium.Map(location=[36, 138], zoom_start=5, tiles='cartodbpositron')
folium.Choropleth(
    geo_data='data/raw/japan_prefectures.geojson',
    data=df, columns=['Prefecture', indicator],
    key_on='feature.properties.nam_ja',
    fill_color=cmap, legend_name=indicator
).add_to(m)
st_folium(m, width=900, height=600)

st.subheader('Top 10')
st.dataframe(df.nlargest(10, indicator)[['Prefecture', indicator]])

🛰 衛星画像との統合

近年は Sentinel-2 / Landsat-9 / MODIS などの衛星画像と統計データを組み合わせた研究が活発。 Python の sentinelsat, rasterio, xarray を使って衛星データを取得 → 都道府県境界でクリップ → NDVI (植生指数) や夜間光 (Nighttime Lights) を計算 → SSDSE 統計と相関分析。 たとえば「夜間光強度」は GDP の良い代理指標として知られ、 統計データの空白を補う使い方ができます。 Google Earth Engine（Python API: ee）を使えばペタバイト級衛星データを無料で扱えます。

🖼 SSDSE-B-2026 で見る「地図的分布」を支える 3 つの基礎図

地図上の可視化（コロプレス・カルトグラム・ヒートマップ等）は 「47 都道府県の地理空間」 という枠に値を流し込む技法ですが、 その背後で「どの値域に色帯を割り当てるか」「外れ値をどう扱うか」「群比較で色が誤読されないか」を決めるためには、 まず 1 次元の値分布 を散布図・ヒストグラム・箱ひげ図で確認しておく必要があります。 ここでは SSDSE-B-2026（47 都道府県・年次パネル）から人口・労働・1 人当たり指標を抽出し、 地図化前に必ず眺める 3 つの基礎図 を並べて、 それぞれの読み方と「地図の色階級設計」への活かし方を整理します。

図 1: 散布図 — 「総人口 × 一般診療所数」の対角線パターン

最初に、地図化の対象になる 2 つの量がどの程度連動しているかを散布図で確認します。 SSDSE-B-2026 から「総人口（A1101）」と「一般診療所数（I5102）」を取り、 47 都道府県を 1 点ずつ描いたのが次の図です。 ほぼ直線状に並んでおり、 強い正の相関（r≈0.97）があることが見て取れます。 つまり「総人口の地図」を作っても「一般診療所数の地図」を作っても、 ほぼ同じ濃淡パターンになるため、 地図を 2 枚並べるよりは「人口あたり一般診療所数（一般診療所数 ÷ 人口）」など人口で割った派生指標を別途地図化する ほうが情報量が増えることが分かります。

読み取りのポイントは 3 つあります。 第 1 に、 右上に飛び抜ける 1 点（東京） があり、 これがあるために色階級を等間隔（linear）で切ると、 東京以外の 46 県がすべて最下層の色になってしまいます。 第 2 に、 左下〜中央には数十県が密集しており、 ここを 分位（quantile）階級 で分けると地方の濃淡が見えやすくなります。 第 3 に、 中央上部にやや外れる点（神奈川・大阪・愛知）が見え、 これらは「大都市圏」として東京とは別グループ扱いするか、 ログ変換するかの判断材料になります。 散布図を 1 枚見ておくだけで、 その後の地図の色階級設計（等間隔 / 分位 / 対数）が一意に決まる のです。

図 2: ヒストグラム — 階級数と色帯数の対応

次にヒストグラム。 散布図が「2 変数の関係」を見るのに対し、 ヒストグラムは「1 変数の分布形」を見ます。 SSDSE-B-2026 の「総人口」のヒストグラムは右に裾を引く明確な右裾分布で、 47 県のほとんどが 100〜300 万人帯に集中し、 1,000 万人を超えるのは東京のみ、 という形になります。 地図上で 等間隔 5 階級の色帯 を使うと、 階級境界が 200 万・400 万・600 万・800 万・1,000 万あたりに切られ、 46 県すべてが最下層に落ちてしまうため、 分位 5 階級（quantile） を選ぶか、 対数変換 してから等間隔にする 2 択になります。

ヒストグラムを見る習慣がないまま地図を作ると、 「都道府県別総人口」を地図にしたら東京だけ濃い色で、 残りは全部薄い色という 「東京 1 点が支配する地図」 ができてしまいます。 一方で対数変換した値を地図化すると、 各都市圏の階層構造（東京 → 大都市圏 → 県庁所在地クラス → 地方）が綺麗な濃淡で表現できます。 つまり、 地図の色階級数は、 ヒストグラムの形を見て決める のが原則です。 ColorBrewer の YlOrRd・OrRd・Reds などのシーケンシャル色帯は 5〜9 階級が推奨で、 ヒストグラムが右裾を引いている場合は 7 階級以上にして上位を細かく刻むか、 対数変換するかの判断が必要になります。

図 3: 箱ひげ図 — 地域区分間の比較

最後に箱ひげ図。 地図上の可視化では「47 都道府県を 1 枚にまとめる」のが基本ですが、 政策議論では 地域ブロック（北海道・東北・関東・中部・近畿・中国・四国・九州沖縄） という単位で比較したい場面が多くあります。 そのときは地図化の前に、 群間の中央値・四分位範囲・外れ値を箱ひげ図で確認しておくと、 「地域差は本当に存在するか」「外れ値はどの県か」が一目で分かります。 SSDSE-B-2026 の「1 人当たり県民所得」を地域ブロックでまとめると、 関東ブロックの中央値が高く、 四国・九州ブロックは中央値がやや低い、 という構造が浮かびます。

箱ひげ図は「群比較における地図の補助」として機能します。 たとえば、 同じ色階級設計で 8 ブロック地図を作ったとき、 関東ブロックだけ濃色が偏るのはなぜか？ という疑問に対し、 箱ひげ図が「関東は東京を含むため上方に裾を引いている」「中央値で比較すれば差は小さい」と即答してくれます。 また、 各ブロックの箱の高さ（IQR）が大きく違うと、 「ブロックを 1 色に塗りつぶす地図」が誤読を生む ことも警告してくれます。 地図 + 箱ひげ図のセットは、 「面の地図」が抱える 「群内ばらつきを潰してしまう」弱点 を補う標準的な組み合わせです。

🎮 触って理解する — コロプレス地図の設計を体感する

下の図は SSDSE-B-2026（2023 年度・47 都道府県）の実測値 を、 都道府県を格子状に並べた タイルマップ（簡略日本地図） で塗り分けたコロプレス地図です。 高齢化率は 65 歳以上人口（A1303）÷ 総人口（A1101）× 100 で計算しています。 (1) 階級区分法の切替、 (2) 階級数スライダー、 (3) 実数 vs 率の切替 を操作して、 まったく同じデータでも地図の印象が激変する ことを体感してください。 タイルをタップ（クリック）すると県名と実測値が表示されます。

💡 直感 — 「位置」と「色」の 2 チャンネルで空間パターンを読む

コロプレス地図が伝えるのは 位置（どこ）× 色（どれくらい） の組み合わせです。 棒グラフを 47 本並べても「東北で高い」「太平洋ベルトで低い」という 空間的なまとまり は読めませんが、 地図なら一目です。 上のタイルマップで高齢化率（率モード・分位）を見ると、 秋田 39.06% を頂点に東北・四国・中国山地で高く、 東京 22.75%・沖縄 23.84%・愛知 25.72% など首都圏・大都市圏と沖縄で低い という明瞭な地域パターンが浮かびます。 これは「若年層が進学・就職で大都市へ移動する」という人口移動の空間構造そのものです。

⚠️ よくある落とし穴 — 上の操作で実際に体感する

• ① 実数をそのまま地図化する：「65歳以上人口（実数）」に切り替えると、 東京（320.5 万人）・大阪（242.4 万人）・神奈川（239.0 万人）が最濃になります。 しかしこれは 単に人口が多い県が濃いだけの「人口地図」 です。 高齢化率に直すと東京は 22.75% で全国最下位——順位がほぼ反転します。 実数の地図はどの指標を塗ってもほぼ同じ見た目になる ため、 率・1 人当たり値に正規化するのが原則です。
• ② 階級区分の恣意性：同じ高齢化率でも「等間隔」と「分位」を切り替えると印象が激変します。 実数 + 等間隔では東京 1 都だけが濃く残り 46 道府県がほぼ同色（情報量ゼロ）。 逆に分位は 差がほとんどなくても各階級に必ず同数の県を割り当てる ため、 「差があるように見せてしまう」危険があります。 階級数スライダーを 3 → 9 に動かすと、 境界がまたぐ県の色がころころ変わることも確認できます。 ヒストグラム で分布形を確認し、 分位数 の意味を理解した上で設計するのが正道です。
• ③ 面積の大きい県が目立つ：実際の地形ポリゴン地図では北海道（面積 1 位・人口密度は低い）が視覚的に画面を支配します。 上の図が 全県を同じ大きさのタイル で描いているのはこのバイアスを消すためで、 タイルマップ自体が面積バイアスへの対策の一つです。

🚀 発展 — カルトグラム・タイルマップ・ポイントマップ

カルトグラム（cartogram） は各地域の面積を人口などの値に比例するよう変形した地図で、 面積バイアスを根本的に解消します（東京が巨大に、 北海道が小さく描かれる）。 タイルマップ（tile grid map） は上の図のように全地域を等面積の格子で表す簡略表現で、 選挙報道などで多用されます。 ポイントマップ / バブルマップ は実数（総数）を点の大きさで表す手法で、 「実数は点サイズ・率は色」と役割分担させると 1 枚で 2 変数を正しく伝えられます。 関連ページ： 高齢化率 ・ ヒートマップ ・ 地図投影・ジオコーディング。

🗺 概念マップ

「geo visualization」を中心とした関連概念マップ。

上の概念マップは、 地理可視化を中心に据えて「投影法 (メルカトル / 正距方位)」「表現形式 (コロプレス / ドット / フロー)」「データ前処理 (人口正規化 / 階級分け)」を放射状に配置した。 SSDSE-B-2026 の県別データを地図化するときは、 まず「面積バイアス」を意識し、 必要なら人口比カートグラムや 1 人あたり指標で標準化することで誤読を防げる。

🔗 隣接手法への橋渡し

「地理可視化」は単独で完結する手法ではなく、 隣接領域と連携することで真価を発揮する。

• 上流: 入力データの前処理・整備 — 地図投影法 ・ CSV/GeoJSON 形式
• 並列: 類似目的を持つ代替手法 — コロプレス図 ・ ヒートマップ
• 下流: 出力結果の評価・解釈 — Folium / Plotly Maps ・ QGIS による空間分析

上流の地理座標系 (EPSG)・GeoJSON で空間データを整備し、 並列のコロプレス図・ヒートマップ・カートグラムと表現手法を比較し、 下流の空間統計 (Moran's I)・空間回帰で定量分析に接続する。 地理可視化は探索の入口であり、 必ず空間統計と組み合わせて「目で見た傾向」を検定で裏付ける。

🌳 手法選択フロー

「地理可視化」を実際の課題に当てはめるとき、 状況別に何を選ぶかを 3 段階で判定する。

1. データの空間単位は? 行政区 (都道府県・市区町村) → コロプレス図、 点データ → 散布マップ・ヒートマップ、 連続面 → 等高線・3D ボリューム
2. 強調したい変数は? 1 変数 → コロプレス、 2 変数 → 二変量カラーマップ・カートグラム、 多変量 → 小倍数 (small multiples)
3. 静的か対話的か? 静的レポート → matplotlib・cartopy、 探索・ダッシュボード → folium・kepler.gl・Mapbox

地理可視化は「正確な投影法 + 色覚バリアフリー配色 + 凡例の単位明示」が必須三要素。 メルカトル図法は高緯度を歪めるため面積比較には Equal Area Projection (Robinson・Mollweide) を選ぶ。

🎨 直感を深める — 「地図にデータを重ねる」の三系統

地理可視化の直感は一言で言えば 「表の数字を、 日本列島の形の上に載せ直す」 ことです。 都道府県名でソートした表では 「隣り合う県が似ているか」 は読めませんが、 地図に載せると 空間的なまとまり（西日本／東北／太平洋ベルト） が一瞬で目に入ります。 これは Tobler の第一法則「近いものほど関連が強い」を、 統計検定の前に 目で仮説として掴む ための入口です。 SSDSE-B-2026 は 47 都道府県という 行政区単位で 1 行 の構造なので、 県境ポリゴンと結合するだけで地図化でき、 まさに地図可視化向きのデータです。

データを載せる 3 つの重ね方

重要な使い分けは 「絶対数はバブル、 率はコロプレス」 です。 コロプレスは面積の広い県ほど画面を占有するため、 総人口のような 絶対数を塗ると面積バイアスに直撃 します。 一方バブルは面積と無関係に量を円の大きさで示すので、 絶対数の比較に向きます。 ヒートマップは 1 件＝1 点の 生データ（例: 事故発生地点の緯度経度）が必要で、 SSDSE-B のような県集計表からは作れない点に注意します。 詳しくは ヒートマップ ・ カラースケール ・ ジオコード変換 のページも参照してください。

⚠️ 落とし穴を深める（重要）— SSDSE-B-2026 実データで踏み抜く

ここでは既存の「落とし穴」章を 実測値で裏付け ます。 以下の数値はすべて SSDSE-B-2026（cp932, 2 行目=単位行を skip, 2023 年・47 都道府県）から実際に集計したものです。

① 絶対数 vs 率 — 死亡データで真逆の結論が出る

「どの県で人がよく亡くなるか」を 死亡数（絶対） で塗るか 粗死亡率（人口千対） で塗るかで、 地図は正反対になります。 これは正規化忘れがいかに危険かを示す実例です。

決定的なのは 東京です。 死亡数は 全国最多の 137,241 件 なのに、 粗死亡率は 9.7‰ で全国最低。 「絶対数の地図」では東京が最濃、 「率の地図」では東京が最薄と、 同じ県が正反対の色 になります。 分母（人口）を付け忘れた地図は、 事実上「人口分布の地図」を別ラベルで見せているに過ぎません。

② 面積バイアス — 「大きく見える県」に引きずられる

コロプレスは 面積で目立ち方が決まる ため、 人口ではなく面積を無意識に読んでしまいます。 東京は面積が狭いのに 総人口 14,086,000 人（全国最大、 最小の鳥取 537,000 人の約 26 倍） を抱えます。 総人口を塗った地図では、 広大な北海道が視界を支配し、 人口が集中する南関東の小さな区画は視覚的に過小評価されます。 回避策: 絶対数は前述のバブル（比例記号）に切り替える、 または面積を人口で再スケールする カルトグラム（cartogram） を併用します。

③ 階級区分の恣意性 — 総人口は右裾で「東京1点支配」

総人口の分布は 右裾に強く歪んで います（実測: 歪度 2.29、 中央値 1,549,000 人に対し東京 14,086,000 人）。 この分布を 等間隔 5 階級 で切ると、 東京だけが最上位階級に入り 残り 46 県がほぼ最下位階級 に潰れ、 地図の情報量がほぼゼロになります。 階級境界を等間隔／分位／自然分類（Jenks）のどれにするか、 境界値をどこに置くかで 県の色が変わる（階級境界マジック） ため、 境界は必ず 2〜3 通り試して感度分析 し、 分布形（右裾なら log 変換や自然分類）に合わせて選びます。 本ページ上部の 🎮 インタラクティブ・ウィジェットで、 同じデータの階級設計を切り替えて体感できます。

④ MAUP（修正可能領域単位問題）

Modifiable Areal Unit Problem。 集計する単位（都道府県 / 市区町村 / メッシュ）を変えると、 同じ現象でも相関やパターンが変わる という空間データ固有の罠です。 SSDSE-B は都道府県単位ですが、 市区町村単位の SSDSE や地域メッシュに落とすと、 県内のばらつき（東京都内でも都心と多摩の差）が見えて結論が動きます。 「県単位で見えたパターンが、 単位を変えても頑健か」を常に自問します。

⑤ 生態学的誤謬（ecological fallacy）

県という 集団の平均 から 個人 の性質を推論してしまう誤りです。 たとえば「高齢化率の高い秋田県（実測 39.1%、 全国最高。 対して東京は 22.8% で最低、 全国平均 31.6%）」の地図を見て「秋田の人は皆高齢だ」と読むのは誤りで、 県は高齢者と若年者の 混合 です。 地図の色は 領域の集計値 であって個人の値ではない、 という区別を常に保ちます。

⑥ 色覚配慮と ⑦ 投影法の歪み

色覚配慮: 赤緑カラーマップ（レインボー含む）は色覚多様性で区別困難かつ明度順序がないため、 順序データは ColorBrewer の YlOrRd/Blues など 明度が単調に変化する連続配色、 増減など符号を持つ量は 発散配色（RdBu, 青⇔白⇔赤） を選びます（詳細は カラースケール）。 投影法の歪み: Web メルカトルは高緯度で面積が膨張し、 北海道が実面積以上に大きく見えて指標が過大評価されます。 面積比較を伴う地図では等積投影（日本平面直角座標系 / Equal Earth）を選びます。

🚀 発展を深める — 表現手法・階級区分・空間統計

表現手法のカタログ

階級区分（classification）の 3 系統

• 等間隔（equal interval）: 最小〜最大を N 等分。 分布が一様なら明快だが、 右裾（総人口など）では最上位 1 県が支配。
• 分位（quantile）: 各階級に同数の県。 順位は綺麗に出るが、 値の差が小さい群を過度に強調しうる。
• 自然分類（natural breaks / Jenks）: 群内分散を最小化する境界を探索。 「東京／大都市圏／県庁所在地／地方」のような階層構造を捉えやすい。

加えて、 平均±σ で切る 標準偏差階級 は「全国平均からの偏差」を語りたい指標（失業率など）に向きます。 選択は ヒストグラムの形と目的（順位／偏差／異常検知）から逆算 します。 上部の 🎮 ウィジェットで等間隔／分位／Jenks を切り替えて違いを確認できます。

正規化（人口あたり）は地図化の前処理の要

前述の死亡データが示す通り、 コロプレスに載せる前に 絶対数を分母付きの率へ変換（1 人あたり・1km²あたり・千人対）するのが原則です。 SSDSE-B では総人口 A1101 を分母に、 死亡率＝A4200÷A1101、 高齢化率＝A1303÷A1101 のように率を作ってから塗ります。

空間自己相関（Moran's I）— 「目で見た偏り」を検定する

地図で「西日本が高い」と感じても、 それが偶然かどうかは 空間自己相関 で検定します。 Moran's I は −1〜+1 の指標で、 隣接県どうしの値が似ていれば正（クラスタあり）、 交互に高低が並べば負、 ランダムなら 0 付近を取ります。

ローカル版（LISA, Getis-Ord G*）を使えば、 どの県がホットスポット／コールドスポットか を個別に検出できます。 地図で仮説を掴み → Moran's I で全体傾向を検定 → LISA で局所を特定、 という流れが空間統計の王道です。

データ形式と道具立て

• GeoJSON: JSON 形式の地理データ。 Web 親和性が高く folium／Leaflet で扱いやすい。
• シェープファイル（.shp/.shx/.dbf）: GIS 古典フォーマット。 QGIS／ArcGIS の標準。 e-Stat・国土数値情報で県境データを配布。
• 座標参照系（CRS）: WGS84（EPSG:4326）が世界標準、 日本は JGD2011（EPSG:6668）。 混在すると数百 m ずれるため統一必須。
• Python: GeoPandas（静的）＋ folium（対話的）が定番。 空間統計は PySAL（esda.Moran など）。

関連ページ: ジオコード変換（住所→緯度経度・投影法）、 カラースケール（連続・発散配色）、 ヒートマップ、 散布図 ・ 棒グラフ（地図と併載して分布・順位を開示）。 なお カルトグラム・ドット密度・空間自己相関（Moran's I） は本用語集に単独ページがまだ無いため、 上記の解説を参照してください。