支持構造の最短経路と断絶:ハブ分析で読み解く2026年福岡11区の投票行動
「ハブ分析(Hub Identification)」に基づき、得票構造における各勢力の役割を詳しく調べてみます。
この分析は、単なる位置関係だけでなく、各候補者や政党が「他の勢力とどれだけ支持層を共有・橋渡ししているか」を可視化しています。
1. 「次数(Hub Strength)」が示す勢力の中心性
グラフ上の円の大きさ(次数)は、支持パターンの類似性において、その勢力がどれだけ多くの「結び目」になっているかを示します。
-
ゆうこく連合と自民党の強力なハブ機能: グラフ中央に位置する「ゆうこく連合」と、その下方の「自民党」は非常に大きな円で描かれています。これは、これらの勢力が特定の地域に偏らず、選挙区全体の多様な支持層を吸い上げる「受け皿」として機能していることを意味します。
-
中道(政党)の橋渡し役: 「中道」も比較的大きな円であり、左側の「れいわ・社民」グループと、中央の「自民・武田」グループを空間的につなぐ位置にあります。
2. ネットワークの断絶と孤立
MST(最小全域木)の線がどこを通り、どこを通っていないかに注目すると、勢力間の「壁」が見えてきます。
-
Tsuji候補の「孤立したハブ」: 辻候補(Tsuji)は「ゆうこく連合」と一本の線で結ばれていますが、円自体は小さく、他の主要候補(武田氏や村上氏)との直接的な支持パターンの類似性は限定的です。これは、彼の支持が非常に強固な「個人票(田川市など)」に依存しており、政党間の流動的な票とは一線を画していることを裏付けています。
-
右側クラスターの結束: グラフ右側の「Inoue、民主党、参政、保守党、みらい」の一群は、互いに密に結ばれています。 このグループは、既存の自民・維新とは異なる「新しい保守・改革層」(あるいは「フリンジ政党」)という一つの大きな生態系を形成していると言えます。
3. 地殻変動の「核」はどこか
ハブ分析の結果から、2026年衆院選の構造的な「核」は以下の2点に集約されます:
- 武田候補(Takeda)とセントラル・クラスターの合流:武田候補は「セントラル・クラスター(政党群)」や「自民党」と太いネットワークの中にあり、旧来のこの層の票を吸収する最大のエンジンとなったことが、ハブの繋がりから見て取れます。
- 「維新・村上」の周辺化: 維新の村上候補(Murakami)は右端の低い位置にあり、ハブとしての強さは控えめです。 これは、今回の選挙において維新が「全方位的なハブ」ではなく、特定の不満層や地域に特化した支持に留まった可能性を示唆しています。
```{r,out.width="100%"}
library(readr)
library(ggplot2)
library(FactoMineR)
library(patchwork)
library(vegan)
library(igraph)
library(stringr)
library(dplyr)
# --- 定数の定義 (AONF format) ---
AONF_CAPTION <- "Archives from 2026 Onward and Notes for the Future\n2026年以降の記録 | https://ab.cocolog-nifty.com/note/"
# --- データの準備 ---
data <- read_csv("fukuoka11ku2026_merged_a.csv")
data_clean <- data %>%
mutate(across(-Municipality, ~ as.numeric(str_remove_all(as.character(.), ","))))
voting_data <- as.data.frame(data_clean[,-1])
rownames(voting_data) <- data_clean$Municipality
# --- 1. 対応分析 (CA) とクラスタリング ---
ca_res <- CA(voting_data, graph = FALSE) # デフォルトでは上位5次元(ncp=5)
ca_full_coord <- ca_res$col$coord
ca_hc <- hclust(dist(ca_full_coord), method = "ward.D2")
ca_cluster <- factor(cutree(ca_hc, k = 3))
ca_df <- data.frame(
Dim1 = ca_full_coord[,1],
Dim2 = ca_full_coord[,2],
Name = rownames(ca_full_coord),
Cluster = ca_cluster
# --- 2. MST (最小全域木) データ作成 ---
get_mst_segments <- function(df, dist_obj) {
mst <- spantree(dist_obj)
n <- nrow(df)
data.frame(
x = df$Dim1[2:n],
y = df$Dim2[2:n],
xend = df$Dim1[mst$kid],
yend = df$Dim2[mst$kid]
)
}
d_ca <- dist(ca_full_coord)
mst_ca <- spantree(d_ca)
n <- nrow(ca_df)
edges <- cbind(mst_ca$kid, 2:n)
g_mst <- graph_from_edgelist(edges, directed = FALSE)
ca_df$Degree <- degree(g_mst)
# --- 3. 可視化 (Cluster凡例の非表示とスケール固定) ---
p_hub <- ggplot(ca_df, aes(x = Dim1, y = Dim2)) +
# MSTのネットワーク線
geom_segment(data = get_mst_segments(ca_df, d_ca),
aes(x = x, y = y, xend = xend, yend = yend),
color = "gray85", linetype = "solid") +
# 次数の大きさを点のサイズに反映
geom_point(aes(color = Cluster, size = Degree), alpha = 0.7) +
# ラベルの描画
geom_text(aes(label = Name, color = Cluster),
vjust = -1.8, fontface = "bold",
family = "HiraKakuProN-W3", show.legend = FALSE) +
scale_size_continuous(range = c(4, 10)) +
scale_color_brewer(palette = "Set1") +
# ★重要:Clusterの凡例(color)を非表示にする
guides(color = "none") +
# 縦横比を1:1に固定
coord_fixed(ratio = 1, clip = "off") +
expand_limits(x = range(ca_df$Dim1)*1.5, y = range(ca_df$Dim2)*1.5) +
# グラフタイトルとAONF形式のキャプション設定
labs(title = "福岡11区:候補者と政党の得票構造(ハブ分析)",
subtitle = "Correspondence Analysis & MST: Hub Identification",
x = "Dimension 1",
y = "Dimension 2",
size = "次数 (Hub Strength)",
caption = AONF_CAPTION) +
# AONF標準テーマ
theme_minimal(base_family = "HiraKakuProN-W3") +
theme(legend.position = "bottom",
plot.caption = element_text(size = 8, hjust = 1, color = "gray30", lineheight = 1.2))
# グラフの表示
print(p_hub)
```
| 固定リンク
「分析メモ」カテゴリの記事
- 高市内閣の支持・不支持の理由の推移:NHK世論調査(2026.10.05)
- 「左右対立(という戦略)」の失敗だけで説明できるのか――2026年衆議院議員選挙について(2026.06.24)
- 「リベラル」、「伝統保守」というクラスターに注目して、そのネーミングの問題点、実体化して捉えることの妥当性について検討する(2026.06.19)
- 自民党支持者の多数派は「新自由主義右翼」(橋本健二氏)か?(2026.06.15)
- 格差に対する意識と流動性に対する意識が政党支持とどのように関係しているか(2026.06.14)
