Tämän myötä kurssi on paketissa.

Kaikille kurssilaisille:

Ei voi muuta sanoo ko hattua nostaa.

Oppiminen on helppo nähdä kumulatiivisena prosessina, jossa uusi tieto ja taidot kerääntyvät vähä vähältä vanhan päälle. Tiedonmuruset jäisivät kuitenkin helposti hajalleen, omiin sfääreihinsä, jos niitä ei kerää yhteen ja hyödynnä. Niinpä tällä kertaa meidät sysättiin pesästä: ”Liitäkää vapaana tiedon maailmaan ja luokaa kartta!” käsky käy. Ja minä vastaan: ”Juuh, ööh… mihinkä toi query häviskään?”. No ei, suoraan sanoen Mapinfo ei enää aiheuttanut suurempia kipuja, kuten myös Veera Karvonen toteaa (2016). Sen sijaan pääpäänvaivana oli tiedon naaraus internetin pohjukoilta.

Karttojeni kohde on Saksa, pääasiassa kolmesta syystä: Saksassa vallitsee selvä ylemmän tason jaottelu osavaltioihin – mutta näitä ei kuitenkaan ole holtitonta määrää – sekä historian johdosta maa on edelleen jotensakin jakautunut tilastollisesti, mistä saanee mielenkiintoisia karttoja. Lopuksi Saksan tilastokeskuksella on aivan erinomaiset, ja keskeisemmin, englanninkieliset kotisivut. Sivustolle on kerätty selkeiden aihealueiden (väestö, talous, palvelut jne.) perusteella kattavasti tilastotietoa, jota voi noukkia melkein sellaisenaan Exceliin, mitä nyt iänikuiset desimaali- ynnä tuhaterottimet rassaavat. Dataa on lopulta niin paljon, että ähky tuli. Noukin sieltä sun täältä tietoa aina kun sitä oli jaoteltu osavaltioittain; kokoon kerääntyikin viitisentoista muuttujan tietokanta. Vaikeimmin oli piilotettu BKT-data osavaltioittain: pääsin pulahtamaan saksan kielikylpyyn, sillä käyttökelpoinen tieto lopulta lymysi insinöörimäisen ankaran, saksankielisen ja monisatalehtisen Excelin peräpäässä. Huh huh!

Olisi ollut sääli hyödyntää vain neljää muuttujaa, kun kerran useampi on kerätty. Siksi heittelin teemakarttatasoja Mapinfoon miten sattuu ja katsoin mitkä toimivat parhaiten. Tietokanta olisi hyödytön – tämän kurssin yhteydessä – ilman karttapohjaa, jossa hyödynsin Natural Earthin valmiita vektoripohjaisia karttoja. Alle olen hionut neljä lopullista karttaesitystä sen mukaan, kuinka hyvin eri muuttujat tukevat toisiaan kartan sisällä ja toisaalta kuinka yhtenäisen kokonaisuuden kartat luovat.

Aloitetaan yksinkertaisimmalla ja lisätään vettä myllyyn pidemmälle mennessä.

Kuva 1. Saksan luonnollinen väestönkasvu per 1000 henkeä vuonna 2013.

Luonnollinen väestönkasvu on vuoden aikana syntyneiden ja kuolleiden erotus. Tämä on, kuten nähdään, sangen ankarasti pakkasen puolella ylt’ympäriinsä Saksaa. Luokittelin aineiston siten, että plussan puolella olevat Berliini ja eräs vapaakaupunki ovat omissa maailmoissaan ja toisissa luokissa ovatkin sitten ne, joilla menee tällä saralla huonosti ja ne, joilla menee erittäin huonosti. Annan kartan muilta osin hoitaa puhumisen, mutta historiaa tuntevat ovat kenties huomanneet tietyn kahtiajaon. Teema jatkuu seuraavassa kartassa.

Kuva 2. Saksan asuinrakennuskannan ikä ympyrädiagrammeina sekä entisten Länsi- ja Itä-Saksan hallinnollinen jako.

Sepä se, eli Saksojen jako itään ja länteen. Tässä kartassa tunnelmoidaan kylmää sotaa laadullisella jaolla ja päälle on laitettu asuinrakennuskannan ikää kuvaavat ympyräkaaviot. Erittely huomataan toimivaksi, sillä alueiden sisällä on ilmiselviä yhtäläisyyksiä. Lännessä leijonanosan asuinrakennuksista muodostavat vuosina 1950–1979 rakennetut. Voisin olettaa hyvän osan näistä palautuvan toisen maailmansodan jälkeiseen jälleenrakentamiseen, sillä vahingot kaupungeissakin olivat suurehkoja ja toisaalta Länsi-Saksalla oli länsimaailma tukemassa korjausta, jolloin jälleenrakennus lienee ollut sitäkin innokkaampaa. Itä-Saksan alueella huomataan ensinnäkin erittäin vanhojen, ennen 1919, asuinrakennusten esiinmarssi: yleisestikin ottaen asuntokanta on merkittävästi vanhempaa kuin lännessä. Kaikissa idän osavaltioissa ennen 1950-lukua rakennetut muodostavat miltei puolet kokonaisuudesta, siinä missä lännessä vastaavan ajanjakson rakennukset muodostavat vain noin neljänneksen. Kukaties vahingot eivät olleet niin pahoja tai jälleenrakennus ei ollut niin laajaa. Jälkimmäinen on mahdollista, sillä itäisellä Saksalla ei mene ihan nappiin muillakaan mittareilla.

Kuva 3. BKT-avainluku vuonna 2013 ja yli 65-vuotiaiden osuudet väestöstä 2011 Saksan osavaltioittain.

Valitsemani bruttokansantuotteen avainluku voi olla jossain määrin hämärä ensikatsomalta. Jokaisen osavaltion BKT on jaettu väkiluvulla ja näistä luodulle koko Saksan keskiarvolle on osoitettu suhdeluku 100. Karkeasti ottaen mitä suurempi luku sitä paremmin taloudella menee. Tunnetusti BKT ei ole täydellinen mittari hyvinvoinnista puhuttaessa, mutta se antanee osviittaa talouden elinvoimaisuudesta. Oli miten oli, kartasta huomataan selkeä kolmiajako etelään, länteen ja itään. Käsittääkseni Saksan etelä- ja länsiosia siivittävät vahva teollisuus autot etunokassa ja toisaalta ne ovat osana länsimaailmaa päässeet nauttimaan vapaasta kaupasta sekä liikkuvuudesta itää pitempään. Höysteenä kartassa on myös eläkeikäisten prosenttiosuudet väestöstä: lukujen huomataan kulkevan erittäin vahvasti käsi kädessä, eli missä BKT-luku on matala, yli 65-vuotiaiden osuus on muuta maata suurempi. Vertaa muuttujia myös kuvan 1 luonnolliseen väestönkasvuun.

Kuva 4. Saksan osavaltioiden enemmistöuskontokunnat, avioerojen määrät 10 000 kohden vuonna 2014 ja naimattomien täysi-ikäisten osuudet väestöstä 2011.

Pahnanpohjimmaisena muuttujat sen kuin lisääntyvät. Kartan taka-ajatuksena oli hakea yhteyttä pääuskontokunnan ja avioerojen välille, siten että ennakkoluuloissani konservatiivisimmilla (katolisilla) alueilla eroja karsastettaisiin. Vaan kuinkas sitten kävikään? Hajonta on erittäin suurta, eikä selviä korrelaatioita nouse esiin – esimerkiksi katolisella alueella on sekä vähäisimmän että suurimman avioeroluokan osavaltioita. Hypoteesin voi siis vaivihkaa lakaista sivuun. Uskontokunnista voisi sen verran sanoa, että jälleen entisen Itä-Saksan osavaltiot ja Hampurin kaltaiset vapaakaupungit erottuvat muuten kristitystä Saksasta. Asiaan toki vaikuttaa se, että pääuskontokunta on luokittelumenetelmänä julma ja ottaa huomioon vain suurimman, vaikka ero muihin olisi vain muutaman prosentin luokkaa. Todellisuudessa Saksan kansa ei ole läheskään niin uskonnon perusteella jakautunut, kuin kartta antaisi ymmärtää. Viimeisenä muuttujana on naimattomien osuus pylväinä, vaan eipä sekään tuo valtaisaa lisäinformaatiota. Huomaa kuitenkin piikit vapaakaupungeissa, jotka vetänevät puoleensa kouluttautumisennälkäistä nuorisoa.

Ulkonäöllisesti kartat kolahtavat luokkaan ”ihan kiva” siinä mielessä, että ne ajavat kyllä asiansa, mutta minään estetiikan esikuvana niitä ei voi pitää. Ehkä tietty pikselisyys on väistämätöntä näissä kartoissa, mutta vaikkapa suurimmat joet, järvet tai pinnanmuodot olisivat jo parantaneet ulkonäköä. Lisäksi ympärysvaltojen vihreä väritys on kehno: sen sijaan minun olisi kannattanut valita tarkastelun ulkopuolella oleville alueille jokin kliinisen neutraali väri, kuten Veera Karvonen on kartoissaan päätynyt harmaaseen. Valitsin vihreän merkkaamaan maa-alaa, mutta toisaalta se on myös tietyllä tapaa aktiivinen väri versus passiivinen harmaa. Esimerkiksi vihreä voisi hyvin olla luokka koropleettikartassa, jos selite ei nimenomaan sanoisi toisin. Pidettäköön mielessä vastaisuudessa.

Ja se oli siinä. Kiitos kaikille kurssilaisille! PAK on ollut kokonaisuudessaan erittäin opettava savotta ja pitkälti tämä palautuu erinomaiseen suoritustapaan. Kuten Tommi Toikkanen blogissaan (2016) kirjoittaa: ”Muiden blogeja seuraamalla voi oppia yllättävän paljon karttojen teosta, sillä toisten tekemistä kartoista on helpompaa löytää virheitä ja hyviä ratkaisuja kuin itse tehdyistä kartoista. – – Tietynlaista parviälyn käyttöä!” Olen aivan samaa mieltä. On ollut huomattavan hedelmällistä ottaa oppia paitsi Artulta myös muilta kurssilaisilta. Pehmeä lasku tiedeyhteisön viittauskäytäntöihin on onnistunut.

Lähteet:

Facts and Figures (2011–2016). Destatis. 7.3.2016. <https://www.destatis.de/EN/FactsFigures/FactsFigures.html>

Karvonen Veera (2016). 7. kurssikerta: Viimeistä viedään Veeran PAK-blogi. Luettu 9.3.2016. <https://blogs.helsinki.fi/kveera/2016/03/04/7-kurssikerta-viimeista-viedaan/>

Toikkanen Tommi (2016). Kurssikerta 6. Tgtoikka’s blog. Luettu 9.3.2016.  https://blogs.helsinki.fi/tgtoikka/2016/03/05/kurssikerta-6/

Uskaltauduimme tällä kertaa tehtävän perässä poistua paikkatieteilijän luonnollisesta elinympäristöstä ja tietokoneruutujen tuttavallisesta hehkusta villiin luontoon, so. Kumpulan ja Arabianrannan kaduille. Käteen iskettiin GPS-paikannin ja meidät päästettiin ryhmissä laittamaan pisteinä kartalle mitä ilmiötä mieli tekikään – ryhmämme tapauksessa alueen yrityksiä. Koska uutta sähkölaitetta pyöritellessä sekä laite että käyttäjä voivat pettää, eli tiedot hävitä bittiavaruuteen, ominaisuus- ja sijaintitiedot kirjattiin myös paperille: varmasti hyvä tapa vastaisuudessakin, jos GPS-dataa tulee keräiltyä. Pisteet loikkasivat tosielämästä ruudulle muuten varsin kitkattomasti, mutta korkeudesta sukeutui ongelmia. Sikäli mikäli Kumpulan fyysikot eivät ole saaneet kasaan aika-avaruusjatkumoa vääristävää mustaa aukkoa, kymmenien metrien korkeusloikat tasaisella tiellä melkein vierekkäin olevien pisteiden välillä eivät ole totuudenmukaisia. Samaa pohti kurssiblogissaan myös Matilda Holkkola (2016), joka toteaa syyn palautuvan siihen, että x ja y ovat tasokoordinaatteja, kun taas z:n mukanaan tuoma kolmas ulottuvuus aiheuttaa hankaluuksia satelliiteille. Täsmällisempi tieto vaatisikin kyytipojakseen jonkin tiedetyn pisteen ja lähettimen siinä, johon satelliiteista tulevaa dataa voisi verrata.

Korkeus ei tosin ollut erityisen keskeinen tekijä, vaan päämääränä oli harjoitella datan luomista omin keinoin ja sen sitomista paikkaan. Entäpä jos pisteitä ei ole valmiina saati avustavia koordinaatteja, vaan ne täytyy itse luoda sinne? Näin ole toisessa harjoitustehtävässä, johon oli kerätty Helsingin alueen rahapeliautomaatit osoitteen tarkkuudella kirjattuna. Tämän muuttamiseksi pistedataksi olikin karvan verran isompi operaatio, jossa luonnollisesti tarvitaan kartta, johon on merkitty osoitetietoja. Geokoodaus-toiminnolla kartan ja tietokannan saa jossain määrin naitettua ja automaatteja kartalle, mutta niiden sijainti on tällöin valistunut arvaus eikä absoluuttinen totuus. Vierustoverini esimerkiksi huomasi heti yhden huoltoaseman olevan kaukana sieltä mistä pitäisi. Voisikohan tarkkuutta parantaa vielä lisää, jos käytössä olisi esimerkiksi liiketilojen sijoittumisesta kertova kartta tai voisiko viime kurssikertoina käytettyä pääkaupunkiseudun rakennusten pistedataa hyödyntää?

Viimeisenä työstettiin hasardeja. Tulivuorenpurkauksista, maanjäristyksistä ja meteoriittiosumista löytyy verkosta sangen perinpohjaista paikkatietoa: voimakkuuksista, ajoituksesta ja totta kai sijainnista. Tehtävässä innostettiin vetämään opettajan kyynärpäistä paikattu tweed-takki ylleen ja lähestyä aihetta pedagogiselta kannalta. Miten saada tietoa pureskeltua mielenkiintoiseen ja ymmärrettävään muotoon kirkasotsaisille nuorille, kenties samalla yllyttäen heitä maantieteen pariin käpistelyn tai kemian kaltaisilta harhapoluilta? Edellä mainitusta kolmikosta meteoriitit ovat mielivaltaisimpia, eivät samalla tavalla sidottuja opettavaisiin lainalaisuuksiin kuin järistykset ja purkaukset, joten niitä en käsittele. Aloitetaan sen sijaan maanjäristyksistä maailmankartalla.

Kuva 1. Mitattuja maanjäristyksiä aikavälillä 26.2.2001–26.2.2016. kuvasarjana. Kunkin kuvan miminimagnitudi näkyy vasemmassa alalaidassa.  (klikkaa isommaksi).

Yllä ovat tapahtuneet maanjäristykset kirjoitushetkellä viimeisen viidentoista vuoden ajalta. Kyseessä on jälleen gif-esitys, joihin olen kovasti tykästynyt. Esitystavalla kykenee näyttämään paitsi missä järistyksiä tapahtuu, myös sen millä voimakkuudella sekä miten järistysten määrät ovat riippuvaisia voimakkuudesta. Varsinkin pienemmillä magnitudeilla karttaan piirtyy ilmiselvästi litosfäärilaattojen rajoja, mikä, kuten esimerkiksi Marisofia Nurmi toteaa kurssiblogissaan (2016), palautuu maanjäristysten luonteeseen. ”Maanjäristykset syntyvät maankuoren jännitystilojen purkautumisessa ilmenevästä kuoren tärinästä. – – Suuremmat maanjäristykset (yli 6) liittyvät kuitenkin lähes aina litosfäärilaattojen liikkeisiin toisiinsa nähden niiden saumakohdissa”, Nurmi kirjoittaa. Tämä on aivan totta, ja näkyy myös hyvin kuvaa 1 katsoessa: pudotuspeli on ankaraa ja vähänkin suuremmilla magnitudeilla enää vilkkaimmissa alityöntövyöhykkeissä on sutinaa. Opetuksen kannalta kyseessä olisi erinomainen mahdollisuus sitoa laattatektoniikka ja maanjäristykset toisiinsa, jolloin kumpikin aihe täsmentyisi.

Kuten laajasti tunnetaan, maanjäristysten voimakkuutta mitataan magnitudeissa logaritmisella asteikolla, toisin sanoen kukin tasaluku on kymmenkertainen edeltäjäänsä nähden. Mielenkiintoisena nippelitietona määrät vaikuttaisivat  myös seuraavan samaista asteikkoa hyvin läheisesti, kuten taulukosta 1 näkyy.

Taulukko 1. Välillä 26.2.2001–26.2.2016 mitattujen maanjäristysten absoluuttinen määrä sekä kuinka paljon enemmän seuraavia on edelliseen verrattuna.

Taulukko lienee hivenen epäselvä. Oikealla puolella olevat suhdeluvut on saatu jakamalla aina alempi lukumäärä ylemmällä, siis esimerkiksi vähintään 7,5 sekä 7,0 magnitudin järistykset jaettu 237/85=2,788… Puolen magnitudin väleillä luku pyörii kolminkertaisen paikkeilla ja tasaluvuin edelliset korotettuna toiseen potenssiin, mitkä asettuvat erittäin lähelle kymmenkertaista. Voimakkuuden ja esiintymismäärän suhteesta voisi mielestäni olla iloa vaikkapa riskeistä ja toistuvuudesta opettaessa.

Jos meteoriitit ovat hasardien villi kortti, niin järistykset ja tulivuorenpurkaukset ovat sitäkin tiukemmin toisiinsa sidoksissa. Tämä näkyy parhaiten kartalta – kuinkas muutenkaan.

Kuva 2. Vähintään 6,0 magnitudin järistykset sitten 26.2.2001 sekä tulivuorenpurkaukset vuoden 1964 jälkeen (klikkaa isommaksi).

Niin kuin Helena Rautakoski kirjoittaa blogissaan (2016), purkauksia on selkeästi eniten litosfäärilaattojen reunakohdissa, eritoten nk. Tyynenmeren tulirenkaan tienoilla. Kuten järistyksissä, tässäkin tapauksessa alityöntövyöhykkeillä on eniten aktiivisuutta, ja syykin on käsillä. Rautakosken sanoin: ”Alityöntövyöhykkeellä laatan vettynyt reuna sulaa ja pyrkii kevyempänä ylös muodostaen tulivuoria.” Prosessi näkyy erityisen hyvin Tyynenmeren laatan luoteisosissa, siis Koillis-Aasiassa, jossa purkaukset ja kovatkin järistykset ovat yleisehköjä. Jos aineistoa tai karttaa jostain kritisoi, niin Ruotsissa ei toden totta ole aktiivista tulivuoritoimintaa. Virheen aiheuttanut mämmikoura ei kuitenkaan tällä kertaa taida istua Suomen maaperällä, vaan vika piilee alkuperäisessä aineistossa, josta uupuu pieni joskin keskeinen miinus pituusasteiden edeltä. Tällöin purkaus on loikannut lännestä itään, Islannista Ruotsinmaalle.

Karttojen ulkonäköön en voi kuin olla tyytyväinen: palaset ovat tällä kertaa loksahtaneet kivasti yhteen. Eurooppakeskeisyys tosin tekee hallaa, sillä kummankaan hasardin kiinnostavimmat sijainnit eivät totta tosiaan ole vanhalla mantereella. Katse pitäisi kääntää Tyynelle valtamerelle, mutta tämä sijaitsee aivan kartan reunoilla, jolloin mielenkiintoisimmat ketjut katkeavat keskeltä tai leviävät tuotoksen eri puolille. Matilda Holkkola ratkaisi ongelman siirtämällä maanjäristyskarttansa painopisteen viisaasti Aasian suuntaan ja tämä ratkaisu täytyy pitää mielessä vastaisuudessa.

Lähteet:

Holkkola Matilda (2016). Kurssikerta 6 – Kartta opetuskäyttöön. Hcmatild’s blog. 2.3.2016. <https://blogs.helsinki.fi/hcmatild/2016/02/26/kurssikerta-6-kartta-opetuskayttoon/>

NCEDC (2014), Northern California Earthquake Data Center. UC Berkeley Seismological Laboratory. Dataset. doi:10.7932/NCEDC. 26.2.2016. <http://quake.geo.berkeley.edu/anss/catalog-search.html>

NOAA (2015), National oceanic and athmospheric administration, departament of commerce. Global volcano locations database. 1.3.2016. <http://www.ngdc.noaa.gov/nndc/struts/form?t=102557&s=5&d=5>

Nurmi Marisofia (2016). Kurssikerta 6 Ulkoilua ja järistyksiä.  Nurmari’s blog. 2.3.2016. <https://blogs.helsinki.fi/nurmaris/2016/02/28/kurssikerta-6-ulkoilua-ja-jaristyksia/>

Rautavaara Helena (2016). Kurssikerta 6. Koordinaatteja Kumpulassa, hasardeja maailmalla. Helena’s. 2.3.2016. <https://blogs.helsinki.fi/helenrau/2016/02/26/kurssikerta-6-koordinaatteja-kumpulassa-hasardeja-maailmalla/>

Ai että pikkunäppäriä karttoja? Mitäs tarvetta niille on, kun on puskureita, tilastoja ja tietokantoja? Kartat ja kaikki visuaalinen ynnä kaunis maailmassa vaihtuivat täksi kerraksi kivenkovaksi matematiikaksi. Toki tehty työ palvelee suurempaa päämäärää, Mapinfon haltuunottoa. Tällä erää nojauduttiin ohjelmiston puskurointi-, eli bufferointityökaluun, jonka avulla työstettiin erinäisiä tehtäviä niin Artun jämäkässä ohjauksessa kuin itsenäisestikin. Tietokantoihin datan tuomista, erilaisten aineistojen yhteispeliä ja piirtotyökalua harjoiteltiin myös. Poliitikon elkein tunnin voisi summata: haastavaa, hyvin haastavaa.

Päätähti oli, kuten sanottu, puskurointityökalu, jolla voidaan ympyröidä mikä tahansa objekti vyöhykkeellä ja siten käsitellä vyöhykkeen sisälle jääviä kohteita ja aluetta. Puskuroinnista voisi olla iloa esimerkiksi haitta-alueiden tai saavutettavuuden yksinkertaisessa tutkimisessa. Melu on hyvä, helppo mittari, jota kurssityössäkin mitattiin puskureilla, nimellisesti pk-seudun lentomelua. Toisaalta nyt piirretyt ympyrät antavat vain pientä osviittaa ilmiöiden tosiasiallisesta esiintymisestä: vaikuttaahan vaikkapa lentomeluun se, mihin suuntaan koneet ensisijaisesti nousevat tai mistä ne laskeutuvat, kuten myös muita muuttujia. Minulla on asiasta kokemusta juuri Helsinki-Malmin tienoilta, sillä olen asunut kahdessakin paikkaa aivan kyseisen kentän vieressä. Kivikossa, kiitoradoilta länteen mekkala oli toistuvaa ja kävi usein rasittavaksi, kun taas Jakomäessä, kentältä koilliseen äänen ja vimman huomasi vain silloin tällöin – lentonäytösten aikaan, jotka muuten näkyivät komeasti parvekkeelta. Tällä ajan takaa, että harvoin ilmiöt kiltisti asettuvat ympyrän kapoisiin raameihin, vaan monimutkaisempia puskurointityökaluja kaivataan, jos halutaan muutakin kuin suuntaa-antavaa tietoa. Ehkä tämän tyyppisen puskuroinnin heikkoutena on, että sen ainoa muuttuja on etäisyys, kun vaikka saavutettavuudessa liikenneyhteydet ja tiestö ovat keskeisempiä.

No mutta, jääköön tarinointi sikseen. Asiaan! Alla saadut tehtävien tulokset.

Taulukko 1. Tehtävien 1, 2 ja 4 vastaukset.

Naputeltuani tulokset Exceliin oli olo itsevarma, mutta tämä suli heti pian muiden blogeja luettuani. Ensimmäisissä tehtävissä ei mitään absoluuttisia vastauksia olekaan, mutta vaikutan olevan aivan hakoteillä erityisesti taajamatehtävässä (mm. Jormakka 2016, Pelkonen 2016). Vaatisi melkoisia silmänkääntötemppuja mahduttaa kymmenen prosentin heitto virhemarginaaliin ja niinpä lienen astunut harhaan jossain vaiheessa tekoa. Kuitenkin jonkinlainen toivonkipinä elää, sillä ainakin Kanerva Matveinen (2016) on päätynyt samansuuntaisiin tuloksiin, minkä lisäksi taajama-aste Vantaalla ja pääkaupunkiseudulla yleisesti on käytännössä sata prosenttia (Uudenmaan liitto 2015), joten tuntuisi kummalliselta mikäli tuo luku on tarkastellulla alueella likipitäen 15 % prosenttia siitä.

Toisaalta on turha hirttäytyä yksittäisiin tehtävien vastauksiin, sillä ohjelmistojen ja ajattelutavan oppiminen on keskeisempää. Vilkaistaan lopuksi vielä nelos- eli uima-allastehtävässä tuotettua karttaa.

Kuva 1. Uima-altaallisten rakennusten määrä pääkaupunkiseudun pienalueilla (klikkaa suuremmaksi).

Tiheimmät uima-allaskeskittymät ovat kaiken kaikkiaan Helsingissä ja sijoittuvat säteittäin pitkälti sinne, pientalorakennusalueille, kuten Marjaniemeen ja Vartioharjuun. Tämä ilmenee hyvin Reetu Jormakan (2016) pientaloittain, mutta muuten samasta aiheesta tehdystä kartasta. Yksi huomio aineistosta, joka pitää karttaakin lukiessa olla mielessä – kartta ei näytä uima-altaiden absoluuttista määrää, vaan ainoastaan kaikki rakennukset, joissa on ainakin yksi uima-allas. Tähän kategoriaan sopivat kaikki omakotitalojen kahluualtaista uimahalleihin. Ei siis kannata surkutella yhden uima-altaallisen rakennuksen jakomäkeläisiä, sillä alueen uimahalli palvelee kyllä hyvin. Tuotoksen ulkoasusta tuli auttamattoman tökerö, sillä numeroarvot ovat vähän missä sattuvat (tai puuttuvat kokonaan) ja maasto olisi ehdottomasti pitänyt värittää. Selvästi perusasiat eivät vielä tule selkäytimestä, vaan pitää vastaisuudessa olla tarkempana. En yleisesti ottaen valtavasti pidä pylvästeemakartoista, sillä ne tuntuvat ruuhkautuvan helposti. Eipä toisaalta mieleen tule hyvää korvikettakaan, varsinkin kun käsitellään absoluuttisia arvoja.

Lähteet:

Jormakka Reetu (2016). 5. Kurssikerta. PAK2016 kurssiblogi. 24.2.2016 <https://blogs.helsinki.fi/jore/2016/02/18/5-kurssikerta/>

Matveinen Kanerva (2016). Kurssikerta 5 – puskurointia. PAK-kurssiblogi 2016. 24.2.2016. <https://blogs.helsinki.fi/kanervam/2016/02/20/kurssikerta5_puskurointia/>

Pelkonen Niko (2016).  Kurssikerta 5 – Bufferi Lohikäärme. Nikon PAK-blogi. 24.2.2016. <https://blogs.helsinki.fi/nikopelk/2016/02/23/kurssikerta-5-bufferi-lohikaarme/>

Taajamat (2015). Uudenmaan liitto, Helsinki. 25.2.2016 <http://www.uudenmaanliitto.fi/tietopalvelut/uusimaa-tietopankki/alue_ja_ymparisto/taajamat>

Neljäs yhteenotto Mapinfon kanssa käytiin piste- sekä ruutuaineistojen tiimoilta. Pohjana toimi erittäin tarkka pisteaineisto, joka palautti tietoa jok’ikisen Helsingin, Vantaan, Espoon ja Kauniaisen talokunnan asujaimistosta. Näistä pisteistä ei kuitenkaan sinänsä voi saada paljoakaan iloa irti paikkatieto-ohjelman ulkopuolella, mitä nyt ehkä asutuksen sijoittumisesta, vaan ominaisuusdataa pitää jalostaa ja nyhtää esille muiden esitystapojen kautta – tällä erää perehdyttiin ruututeemakarttoihin. Kuten Tuomas Tavi huomauttaa kurssiblogissaan (2016) ruutukarttojen eduksi voi lukea sen että ne ovat vapaita hallinnollisten rajojen kahleista, eli ne esittävät tietoa sinänsä, eivätkä ihmisten vetämien mielivaltaistenkin alueiden suodattamana. Käytännön esimerkiksi käy hyvin väittely Helsingin segregaatiosta, jossa kiistaa sikiää osin siitä, että toiset katsovat tilannetta kaupunginosatasolla, ja Mari Vaattovaaran työryhmä tarkastelee 250 m x 250 m ruutuja (mm. Helsingin Sanomat 2015). Eri tarkastelutasot paljastavat tahi piilottavat tietoa.

Erilaisten karttojen vahvuuksiin haluankin pureutua. Ensi alkuun katsotaanpa ruutukarttaa muunkielisistä pääkaupunkiseudun alueella. Hahmottamisen avuksi kuvaan on lisätty OpenstreetMap-taustakartta.

Kuva 1. Muunkieliset pääkaupunkiseudulla 6,25 hehtaarin ruuduilla.

Muunkieliset, eli äidinkielenään muuta kuin suomea tai ruotsia puhuvat, on esitetty yllä ruuduissa: kuhunkin ruutuun osuneen pisteen data on summattu sen ruudun kokonaislukuun, tässä tapauksessa muunkielisten määrään. Merkittävimmät keskittymät nähdään Itä-Helsingissä ja muissakin suurten liikenneväylien varrella olevissa keskittymissä, samoin kuin Helsingin keskustassa. Nämä voidaan luonnollisesti selittää työ- ja opiskeluperäisellä maahanmuutolla, kuten myös halvan vuokra-asumisen sijoittumisella. Tämä ei ole erityisen mullistavaa tai uutta tietoa. Varsinaisen aiheen sijaan tahdon puhua eri karttaesitysten hyvistä ja huonoista puolista. Höystetäänpä siksi muunkielisten sijoittumista liukuväri- sekä koropleettikartoilla. Esitän ensin kaikki kolme karttaa gif-videona ja sen jälkeen omina kuvinaan.

Kuva(t) 2. Vieraskielisten määrästä tai osuudesta kertova kartta gif-videona.

Kaikista kartoista saa eittämättä samansuuntaisen yleiskuvan, eli ne ajavat asiansa tiedon tarjoajana helposti pureskeltavassa muodossa. Vertailun helpottamiseksi käytin kaikissa kartoissa samaa värimaailmaa ja luokittelutapaa, luonnollisia luokkavälejä. Ruutukartta on näistä tismallisin, sillä se porautuu lähimmälle tarkastelutasolle. Halutessaan muunkielisten määriä voisi tutkia vaikka korttelitasolla – tämä ei kuitenkaan ole pelkästään myönteinen asia. Tarkkuuden lisääntyessä myös kohina, sillä hetkellä tarpeeton informaatio, lisääntyy samassa mitassa. Joskin voisin halutessani koluta Jakomäkeä parin kerrostalon tarkkuudella, jo kyseisen alueen paikantaminen ruutusillisalaatista tuottaneisi ongelmia. En tosin voi syyttää pelkästään ruutukarttoja yleensä, vaan rikkansa rokkaan kantoi myös valitsemani ruutukoko. On hyvin mahdollista, että esimerkiksi 500m x 500m on sopivampi tältä etäisyydeltä.

Kuva 3. Vieraskieliset pääkaupunkiseudulla 6,25 ha:n ruuduilla.

Kenties liukuvärjääminen korjaa ongelman? Villiinnyin tähän iki-ihanaan esitystapaan jo toisella kurssikerralla. Kyseinen kartta on luontitavaltaan melko lähellä edellistä; molemmissa jopa käytetään samoja 6,25 hehtaarin ruutuja. Ratkaiseva ero on siinä, että liukuvärjäyksessä ruudut interpoloidaan, kun toisessa ne ovat olemassa toisistaan riippumatta. Aluksi myönnän tällaisen kartan kaipaavan useampia, mieluusti toisistaan räikeästi poikkeavia, värejä kuin vain yhden sävyjä (samaan tulokseen päädyin jo toisella kurssikerralla), mutta halusin kolmen kartan olevan mahdollisimman helposti vertailtavissa. Näillä mennään. Nimensä mukaisesti prosessissa luodaan jatkuvapintainen kartta. Tämä aiheuttaa erinäisiä vääristymiä, jossa oikeasti täysin autioille alueille materialisoituu väkeä: huomaa esimerkiksi Nuuksion aukeiden metsien ja Helsinki-Vantaan ylitsemaalaaminen. Toisaalta puhtaasti esteettiseltä kannalta tämä vaihtoehto on ylivertainen ja myös pikaiselta vilkaisulta paremmin avautuva: liekö ihmekään tällä yleistyksen määrällä. Väistämättä tulee kuitenkin yliampuva vaikutelma, kuin tässä korjattaisiin hampaita katuporalla.

Kuva 4. Muunkielisten prosentuaalinen osuus väestöstä pk-seudun pienalueilla.

Viimeinen tuotos, koropleettikartta, yhdistää molempien edellisten karttojen hyviä puolia. Jos minua pyydettäisiin luomaan vaikkapa lehteen kartta muunkielisten sijoittumisesta pk-seudulla, tällaisen esityksen loisin. Miksi? Ensinnäkin tila on helpompi hahmottaa olemassa olevien rajojen kuin abstraktien ruutujen kautta. Kun ajattelemme itää, mieleen tulee varmastikin Kontula, Jakomäki, Vartiokylä ynnä muut ilkeästi kalskahtavat lähiöt, eivätkä ruudut nro. 16600–18856. Satunnaista kartanlukijaa kiinnostanee juuri oman asuinalueensa tilanne, joka pienalueittain jaetusta kartasta ilmenee selviten. Koropleettikartta esittää kaikkien tieteen ja taiteen sääntöjen mukaan suhteellisia osuuksia, ja väittäisin tämän palvelevan tiedontarvetta absoluuttisia määriä paremmin. On selvää, että tiuhaan asutulla alueilla muunkielisiäkin on yleensä tiuhaan – siksi osuudet ovat informatiivisempia. Toki edellisetkin kartat olisivat voineet esittää suhteellista tietoa. Suhteelliset osuudet vaativat tosin tarkkaavaisuutta kartantekijältä: jouduin muokkaamaan aineistoa jonkin verran sinne tulleiden häröilyjen vuoksi. Tarkkaavaiset esimerkiksi huomaavat joidenkin pienten saarien ja Helsinki-Vantaan lentokentän olevan tarkastelun ulkopuolella. Tämä siksi, että vaikkapa lentokentän pienalueelle on merkitty seitsemän poloista asukasta, joista kaikki ovat muunkielisiä; alueen muunkielisten osuus on toisin sanoen 100 %, mikä olisi sotkenut luokat täysin.

Yhteenvetona väitän ruutukarttojen soveltuvan täsmällisimmän tiedon esittämiseen, mutta hukkaavan jouheasti helppolukuisuutensa siinä ohessa. Koropleettikartta on kadunmiehen valinta ja liukuvärjätty- eli grid-kartta näyttää kivalta seinällä. Olen varsin tyytyväinen karttoihin, mitä nyt jouduin tekemään uhrauksia värimaailmassa. Kaiken kaikkiaan todella opettavainen kurssikerta, jossa opin sekä Artun johdolla uusia ominaisuuksia että ensimmäistä kertaa todella soveltamaan aiemmin hihaan tarttunutta tietoa uusissa asiayhteyksissä.

Lähteet:

Oksanen, S. (2015). Huono-osaisuus näkyy, kun tarkastelee yksittäisiä kortteleita. Helsingin Sanomat 10.12.2015. <http://www.hs.fi/kaupunki/a1449642259251> Luettu 18.2.2016.

Tavi Tuomas. (2016). 4. blogikirjoitus – Ulkomaalaisten reikä Kauniaisissa sekä Libyan muuttuva tilanne. Tugtavi’s blog. <https://blogs.helsinki.fi/tugtavi/2016/02/15/4-blogikirjoitus-%CC%B6-ulkomaalaisten-reika-kauniaisissa-seka-libyan-muuttuva-tilanne/> Luettu 18.2.2016.

Kolmannen kerran pihvi, ja muutkin täysipainoisen aterian osat, oli tietokannat, niiden muokkaaminen sekä niihin uuden tiedon lisääminen. Savotta alkoi perehtymällä Afrikasta tarjottuun tietokantaan, joka ei valtioiden nimen lisäksi sisältänyt paljoa muuta. Asiahan korjaantuu rivakasti tuomalla, Excelin välikäden kautta, tietoja internetin käyttömääristä valtioissa sekä piste- ja alueaineistoja konflikteista, timanttikaivoksista ja öljykentistä. Sinne sun tänne hapuilevan aineiston saa loppupeleissä kitkatta yhdistettyä alkuperäiseen dataan, kunhan näillä on jokin yhteinen nimittäjä – tämä voi olla vaikkapa valtion nimi tai alueille osoitetut tunnisteet. Kartalle lävähti varsin mielenkiintoista dataa kärhämien ja vaurauksien yhteydestä, mutta siitä lisää vasta lopuksi.

Varsinaisena tehtävänä oli tällä kertaa päästä selville Suomen valuma-alueiden tulvimisalttiudesta yhdistämällä tietoa niiden virtaamahuipuista ja -alhoista. Luotiin tulvaindeksi jakamalla keskiylivirtaama keskialivirtaamalla, jolloin pitäisi saada tietoa alueen tulvaherkkyydestä. Datasta taiottiin koropleettikartta, jonka päälle vielä lämpimikseen ympättiin valuma-alueiden järvisyys, eli kuinka monta prosenttia vesistöistä koostuu järvistä.

Kuva 1. Suomen tulvaindeksi- sekä järvisyyskartta valuma-alueittain.

Huomaan saadun tuotoksen (kuva 1) olevan koko lailla identtinen Salla Marttilan vastaavan kartan kanssa (Marttila 2016). Värimaailma on molemmilla sinistä huokuva, kuten Marttila toteaa, vesiteemaa heijastellen. Minulla vaikuttimena oli myös ikuinen mieltymykseni värittää kartat yhden värin sävyillä ennemmin kuin useilla väreillä. Jälleen huomaan keskimmäisen ja toisiksi alimman luokan olevan karvan verran turhan lähellä toisiaan, joten lisäminuutit sorvin ääressä eivät olisi olleet pahitteeksi. Ovatpa järvisyyspylväätkin samanlaiset kuin Marttilalla, erottuvan vihreitä ja saman korkuisia. Aineiston luokitteluperusteeksi valitsin luonnolliset luokkavälit (Mapinfossa Natural break), sillä aineisto on epätasaisesti jakautunut ja vahvasti vinossa vasemmalle. Muilla luokitteluperusteilla poikkeustapaus Aurajoki, jonka indeksiluku on 1100, eli valtavasti korkeampi kuin muilla, olisi sotkenut luokkavälit täysin – nyt se on eroteltu omaksi luokakseen.

Mutta se teknisestä puolesta. Ennen tulkintaa mainittakoon, että en tunne kummemmin vetoa luonnonmaantieteeseen. Miksi? Siinä missä luonnonprosessien seuraaminen vaikuttaa juuri siltä – seuraamiselta, tilastoinnilta – ihmistoiminnassa on paljon useampia muuttujia ja arvaamattomia tekijöitä. Siinä missä toisessa todetaan, toisessa tutkitaan, osallistutaan vellovaan keskusteluun, jopa muokataan ympäröivää yhteiskuntaa. Tällä ajan takaa sitä, että seuraava analyysi on puolihumanistin kynästä ja siten vahvan mutupohjainen.

Yhtä kaikki, ensimmäisenä huomaa väistämättä, että järvisyys ja tulvaindeksi vaikuttavat korreloivan negatiivisesti. Siis järvisyyden ollessa huipussaan idässä, ns. Järvi-Suomessa, tulvaindeksi on alin. Toisella huomattavalla järvialueella Inarissa, Pohjois-Suomessa, huomataan sama ilmiö. Vastaavasti vähäjärvisillä alueilla vaikkapa Pohjanmaalla ja Varsinais-Suomessa tulvaindeksiluku on korkea. Niko Pelkonen selittää ilmiötä kurssiblogissaan sillä, että järvet toimivat tasaavana tekijänä, jotka vievät pahimmilta tulvahuipuilta terän (Pelkonen 2016). Tämä vaikuttaa minusta järkeenkäyvältä selitykseltä. Näyttäisi myös siltä, että joet kykenevät vähäjärvisillä alueilla muodostamaan paljon pitempiä verkostoja, keräävät suuremmilta alueilta vettä mukaansa ja siten tulvivat myös helpommin – tämän voi todeta kartalta esimerkiksi vertailemalla kartalta Järvi-Suomea ja herkemmin tulvivaa Etelä-Lappia. Joet näkyvät kartalla harmaina viivoina. Pelkonen myös huomauttaa vähätulvaisempien valuma-alueiden olevan suurempia kuin toisen ääripään ja ounastelee syyksi sitä, että veden kerääntyessä laajemmalta alueelta, koko homma tapahtuu leppoisammin ja huiput tasoittuvat. Muitakin syypäitä toki on. Rimpiläinen (2012) toteaa tulvan syiksi esimerkiksi rankkasateet, lumen äkillisen sulamisen sekä veden kehnon välityskyvyn. Voisivatko lämpötilaerot olla rajummat joissain paikoin maata, jolloin sulaminenkin on kiivaampaa? Kukaties joissain kohdin syntyy helpommin jääpatoja ja siten kevättulvia?

Poikkeamista voi selvitä jotain, mitä massasta ei ilmene. Tutkitaan siis vielä aiemmin mainittua Aurajokea, läpi Turun. tuon Suomen pers… oonallisen entisen pääkaupungin virtaavaa jokea ja oheista valuma-aluetta. Mistä johtuu sen poikkeuksellinen luonne, miksi sen tulvaindeksi on jopa kymmeniä kertoja useimpia muita suurempi? Komulainen ym. (2008) toteavat, että: ”Aurajoen virtausvaihtelut ovat suuria – – vesistöalueen vähäjärvisyydestä johtuen. Rankkojen sateiden ja sulamisvesien osuessa uomaan vesimassat kulkevat nopeasti jokea pitkin Saaristomereen.” Varsinais-Suomen ELY-keskuksen raportti (2013) toteaa vielä: ”Joen latvaosissa ja sivu-uomissa on ongelmana ajoittainen veden vähyys”.

Miksi tämä on merkityksellistä? Palautetaan vielä mieleen, mikä tulvaindeksi oikeastaan on. Sehän ei ole mikään absoluuttinen määrä, joka kertoisi kuinka usein joki on ryöstäytynyt uomastaan tai vesimassat haitanneet ihmisiä. Sen sijaan tulvaindeksi yksinkertaisesti kertoo kuinka suuresti väkevin ja heikoin virtaus keskimäärin eroavat. Kun Aurajoen tapauksessa uoma voi likipitäen kuivua ajoittain, mutta sitten taas syöksyä täyteen kiihkoon sateiden tai sulamisvesien johdosta – jotka vielä kulkeutuvat lukuisten peltojen ojista ripeästi uomaan – liekö ihmekään, että tuo luku on – iso? Pohdinpa esittääköhän tulvaindeksi tulvat, ainakaan siinä mitassa ja muodossa kuin olen niitä tekstissäni käsitellyt, aivan oikein? Komulainen ynnä muut väittävät vesimassojen liikkuvan nopeasti Saaristomereen, jolloin tulvilta vältytään, enkä pintapuolisella tutkimuksella löytänyt viitteitä Varsinais-Suomen poikkeuksellisesta tulvaherkkyydestä. Jonkinlainen kätevä avainluku tulvaindeksi kyllä on, muttei kenties aukoton, jos valumavaihtelua vääristää jokin alueellinen poikkeustekijä, kuten Aurajoella tuntuu vääristävän.

Viimeiseksi vaihdetaan vesistöt väkivaltaan, kuten alussa lupasin. Ensitekijöiksi on hyvä vilkaista tilastotietoa:

Tilasto 1. Erinäisten Afrikan maiden konfliktien, timanttikaivosten ja öljykenttien lukumäärä sekä internetin läpäisevyysprosentti, eli millä osuudella väestöstä oli pääsy internetiin vuonna 2010.

Yllä on noukinta kurssilla käytetystä tietokannasta; data on lajiteltu konfliktien lukumäärän mukaan siten, että konflikteikkain valtio on ylimpänä. Jonkinlainen ujo yhteys konfliktien määrän ja arvokkaiden luonnonvarojen esiintymien välillä vaikuttaisi ilmenevän. Vaikka korrelaatio ei ole raudanluja, huomataan esimerkiksi yläpään Angolassa, Algeriassa ja Kongon demokraattisessa tasavallassa olevan merkittävästi esiintymiä samoin kuin kärhämiä. Voisi spekuloida näiden jakaantumisen aiheuttavan yhteenottoja ja toisaalta helposti saatavilla olevilla rahoilla on hyvä rahoittaa sodankäyntiä. Viittaan vielä kerran Niko Pelkoseen, joka erittelee ansiokkaasti yksittäisten valtioiden konfliktihistoriaa tutkien näiden menneisyyttä. Onhan totta, ettei sotia voi kutistaa muuttujaan tahi pariin, vaan niillä on usein pitkät ja monisyiset juuret. Erityisesti Pelkonen nostaa esille monille konfliktimaille ominaisena siirtomaahistorian, ja sen jättämät jälkensä köyhyytenä sekä mielivaltaisesti piirrettyinä rajoina.

Tahdon esitellä vielä yhden näkökulman, josta kirjoittivat Hegre ja Raleigh (2006). He tutkivat valtion suuruuden – pinta-alan kuten myös väestön kannalta – vaikutusta konfliktiherkkyyteen. Väkiluvultaan ja alueeltaan isommat valtiot näyttäisivät vaipuvan sotatilaan pienempiä useammin: tämä selittyy muun muassa väestön epätasaisella jakautumisella, useammilla väestöryhmillä saman valtion sisällä (palautuu kolonialismiin) sekä sillä, että etäisyys hallintoelimiin ja pääkaupunkiin on suuri, eli valtiovallan vaikutusvalta syrjäseuduilla on vähäisempi. Esimerkkinä kirjoittajat käyttävät Kongon demokraattista tasavaltaa, joka kolahtaa jokaiseen edellä mainituista kohdista – kukaties tämä osaltaan selittää maan korkeaa sijoitusta konfliktitaulukossa?

Lähteet:

Aurajoki ja Raisionjoki-Ruskonjoki – Varsinais-Suomen vesistöt tutuiksi. (2013) Varsinais-Suomen elinkeino-, liikenne- ja ympäristökeskus, Turku.

Hegre, H. & C. Raleigh (2006).  Population size, concentration, and civil war. A geographically disaggregated analysis. Political Geography. 28: 4, 224–238.

Komulainen, M.,  H. Yliruusi, H. Kanerva-Lehto, J. Kääriä &  E. Pettay (2008). 2. p. 45 s. Aurajoen vesitaloudellinen kunnostus hajakuormituksen ravinnepäästöjen vähentämiseksi. Tampereen yliopistopaino Oy, Tampere. <http://julkaisut.turkuamk.fi/isbn9789522160683.pdf>

Marttila Salla (2016). KK3: Tietotulvakarttoja. Sallan PAK-blogi. <https://blogs.helsinki.fi/sallamar/2016/02/04/kk3-tietotulvakarttoja/> Luettu 10.12.2016

Pelkonen Niko (2016). Kurssikerta 3 – Konflikteja ja valuma-alueita. Nikon PAK-blogi. <https://blogs.helsinki.fi/nikopelk/2016/02/09/kurssikerta-3-konflikteja-ja-valuma-alueita/> Luettu 12.2.2016.

Rimpiläinen, U. (2012). Monimuotoiset tulvat. <http://www.vhvsy.fi/files/upload_pdf/2034/Tulvin%20liittyvi%E4%20ilmi%F6it%E4%20jak%E4sitteit%E4.pdf> Luettu 11.12.2016.

Teemakarttojen monet mahdollisuudet ja sudenkuopat herättävät keskustelua. Ei ole helppoa luoda karttaa, joka on paitsi kohdeyleisön helposti ymmärrettävissä myös tietosisällöltään moitteeton, siis se ei herätä vääriä mielikuvia kehnon luokituksen tai värivalintojen seurauksena. Panoksensa keskusteluun tuo Anna Leonowicz, joka puhuu artikkelissaan (Leonowicz 2006) erityisesti kahden muuttujan koropleettikartoista ja siitä, missä nämä ovat hyödyllisempiä kuin ainoastaan yhden muuttujan näyttävät. Leonowicz suoritti tutkimuksen ensimmäisen vuoden maantieteen opiskelijoillaan ja tulosten mukaan kaksimuuttujaiset ovat eteviä osoittamaan yhteyksiä kahden tekijän välillä, esimerkiksi tulo- ja koulutustason, siinä missä yksimuuttujaisista ilmenee paremmin alueelliseen jakaumaan liittyvät seikat. Edellisestä esimerkistä jatkaen yksimuutujaisesta voisi siis huomata helpommin, missä tulo- ja koulutustasojen suurimmat sekä pienimmät alueet ovat erikseen – toisaalta näiden yhteys jäisi hämärämmäksi.

Artikkelissa perehdytään myös siihen, missä kahden muuttujan koropleettikartoissa on menty ja voi mennä vikaan. Koska luokat kertaantuvat joka kerta, niiden määrä täytyy pitää vähäisenä. Jo kolme luokkaa kutakin tarkoittaa yhdeksää yhteensä (3×3); tätä enempi karkaisi täysin käsistä 16:a (4×4) tai 25:n (5×5). Tämä toki rajoittaa sitä, kuinka hienovaraisesti aineistoa voidaan luokitella ja siten kartan tietoarvoa, mutta rajoite on ymmärrettävä. Olisi posketonta vaatia lukijaa sisäistämään niin monimutkaisia selitteitä ja kartografiltakin luultavasti loppuisi mielekkäät värit tai rasteriyhdistelmät kesken. 3×3 on siis kipuraja ja tätä käytetäänkin artikkelin havainnekuvassa, jossa yhdistetään maaseudulla asuvien ja väestön alaikäisten prosentuaaliset määrät yhdeksi koropleettikartaksi.

Legendan ja luokkarajojen luominen on aivan oma työnsarkansa. Artikkelissa esitellään yksi  –varsin järkevältä kuulostava – tapa hoitaa nämä, vaikka muitakin varmasti on. Muuttujista voidaan tehdä hajontakuvio, joka toki on mielekästä tehdä jo senkin takia, että nähdään niiden välisen yhteyden vahvuus ja onko korrelaatio positiivinen vai negatiivinen. Sitten kumpikin aineisto jaetaan tahollaan kolmeen osaan keskihajonnan avulla (tavalla, joka ei suoraan sanoen avaudu minulle) ja teemat asetetaan hajontakuvion päälle, toinen x- ja toinen y-akselille. Hajontakuvioon lisätään myös trendilinja. Tällöin syntyy yhdeksän sektoria, joista trendilinjaa läheisimmissä kolmessa muuttujat korreloivat väkevimmin, on eniten tapauksia ja valitut värit sekoittuvat eniten. Vastaavasti muille sektoreille osuu poikkeustapauksia, joissa korrelaatio ei ole selvää. Viimein kaksimuuttujaisen koropleettikartan legenda on valmis. Prosessi on kieltämättä työteliäs kartografille ja vaikealukuisempi lukijalle, kuten artikkelin tutkimuskin osoittaa. Ainakin tarkkaavaisuutta lukijalta vaaditaan, sillä silmäyksellä kaksimuuttujainen ei avaudu.

Jos kyseiset kartat ovat työteliäämpiä sekä tekijälle että lukijalle, niin mitä iloa niistä sitten on? Ainakin jo edeltä mainittu kahden muuttujan yhteyden näyttäminen on etu. Maailma on monimutkainen paikka monimutkaisine ilmiöineen ja näiden välisine riippuvuussuhteineen. Kartta on visuaalisena esitystapana ylivertainen nopean yleiskatsauksen saamiseen tilanteesta kuin tilanteesta. Kahden muuttujan koropleettikartta lihavoittaa käytettävissä olevaa työkalupakkia. Lisäksi kaksimuuttujaista pidettiin tutkimuksen mukaan mielenkiintoisempana kuin tavallista teemakarttaa. Yleisön huomion herättäminen on ensimmäinen kynnys, joka mitä tahansa luovaa julkaisevan täytyy ensimmäisenä ylittää. Valtavirrasta poikkeavana esitystapana kaksimuuttujaiset läpäisevät tämänkin. Leonowicz toivoo loppukaneettinaan näitä karttoja luotavan enemmän vastaisuudessa erityisesti, kun tahdotaan näyttää ilmiöiden välisiä suhteita. Tämä vaikuttaa perustellulta.

Lähteet:

Leonowicz, A. (2006). Two variable choropleth maps as a useful tool for visualization of geographical relationship. Geografija 42: 1, 33–37.

Niin kuolevat sinisilmäiset aatokset paikkatiedon armottomassa maailmassa, niin korvennetaan viattomuus Mapinfon pätsissä. Viime kerralla suitsutin vielä auliisti Mapinfoa, joka parista kummallisuudesta huolimatta vaikutti kaikin puolin näppärältä ohjelmalta, jopa intuitiivisesti avautuvalta. Nyt tuskanhien aiheuttamaa nestehukkaa viisaampana ja uudella, harmaan sävyttämällä hiustyylillä varustettuna minussa on herännyt tervettä kunnioitusta kyseistä ohjelmaa kohtaan. Olkoon, liioittelen hiukan, ja onhan vain luonnollista, että työn ja hankaluuksien määrä lisääntyy muuttujien myös lisääntyessä.

Tällä kurssikerralla aloimme tosiaan pelailla kahdella muuttujalla samalla kartalla. Esitykseen voi ympätä mukaan muun muassa ympyrädiagrammeja, pylväitä, symboleita tai minkä lisäinfoa tuovan palasen nyt keksiikään. Erityisesti koropleettikartoilla, jotka jo sinällään näyttävät varsin paljon tietoa, voi esittää hyvinkin hienostuneita ja monimutkaisia kokonaisuuksia: vaikkapa kahden muuttujan, jotka voisi ensikuvitelmalta luulla erillisiksi, välisiä riippuvuussuhteita. Voidaanpa kaksi koropleettikarttaa asettaa päällekkäinkin, jolloin uudet oivallukset avautuvat vielä helpommin. Erinomainen esimerkki tämän kaltaisten karttojen tuomista mahdollisuuksista on näkyvissä Tuomas Pätärin GIS-tarinoita PAKkastalveen -kurssiblogissa, jossa Pätäri yhdistää nokkelasti kuntakartalle äänestysaktiivisuuden ja pienituloisuusasteen, jolloin näiden välille paljastuu selvä korrelaatio.

Viikon tuotoksena olisi siis voinut tehdä yllä kuvatun laisen, mutta itseäni jäi kiehtomaan toisenlaiset karttakikkailut: ns. grid-kartat, liukuvärjätyt, mieluusti pisteaineistosta tehdyt kartat. Tätä varten oli tarjolla Suomen väestöaineistoa 250m x 250m alueelta kerättyinä pisteinä. Aineisto interpoloidaan annettujen raamien mukaan – tässä kohtaa Mapinfolla menee toviksi sormi suuhun, sillä työnsarkaa riittää – ja tadaa, varsin tyylikäs kartta on syljetty ulos. Mistä siis alun tuskailuni, jos karttaa pukkaa kuin vettä juhannuksena? No, ensinnäkin halusin esittää miesten ja naisten sijoittumiset erikseen, lähinnä selvittääkseni, onko perää väitteissä syrjäkuntien miehistymisestä naisten muuttaessa herkemmin suureen maailman töihin ynnä opiskelemaan. Tämä tarkoittaa, että kaikki työ piti tehdä kahtena. Tilastokeskuksenkin mukaan Suomessa oli vuoden 2014 lopussa noin 88 000 naista enemmän kuin miestä, toivoin siis saavani varsin raflaavia tuloksia. Havittelemani räväkät erot… niin, katsokaa alta.

Kuva 1. Mies- ja naispuolisten sijoittuminen. (klikkaa suuremmaksi)

Suoraan sanoen melko identtisiä. Jyystin luokkarajoja paljon edestakaisin – jotka tämän seurauksena ovat sangen mielivaltaisia – pyrkiessäni provosoimaan eroja esille, mutta ikävä kyllä niitä ei tällä tasolla osu silmään. Tällä mittakaavalla erottuvat tietenkin kaupungit ja taajamat vähemmän yllättäen haja-asutuksesta, mutta ei sukupuolten railoja. Mainittakoon vielä, että pitääkseni interpolointiajat inhimillisellä tasolla, käytin 1 km² ruutuja. Sikäli mikäli ymmärsin prosessin oikein, tämä tarkoittaa, että Mapinfo jakaa alueen neliökilometrin ruutuihin, laskee yhteen tämän alueen väestötiedot, eli neljältä pisteeltä, ja luo uuden pisteen neliökilometrin keskelle. Näiden pisteiden välistä sitten interpoloitaisiin. Edellinen selitys on kuitenkin vahvaa mutuilua, mistä myös tämän kirjoituksen terminologiasähellys ruutujen sekä pisteiden välillä. Oikea asianlaita pitää vielä varmistaa Artulta.

Lähempi tarkastelu voi paljastaa paljon sellaista, mitä etäisempi katselu piilottaa. Kokeillaan siis tarkentaa pääkaupunkiseudulle, jos siellä näkyisi jotain mielenkiintoista.

Kuva 2. Tarkennus kuvasta 1 Helsingin seudulle. (klikkaa suuremmaksi)

Tunnetusti Helsingin seutu on naisvaltaista pitkälti muuttoliikkeen ansiosta. Selviä eroja ei ikävästi tälläkään esityksellä nouse pintaan. Syitä tähän voi olla muun muassa kehnot luokkarajat tai luokkien vähyys, sillä 2000 henkeä yhdessä ruudussa ylittyy helposti pääkaupunkiseudulla vaikka väestö olisikin jaettu kahtia sukupuolen mukaan. Lisäksi värit ovat mielivaltaiset, so. ne eivät vaalene samassa suhteessa molemmissa kartoissa, jolloin voi syntyä illuusio, että toisessa kartassa olisi tietyssä kohdassa enemmän väkeä, vaikka syypäänä voikin olla vain kehnot värivalinnat. Jälkiviisaana olisi pitänyt luopua karkean stereotyyppisestä värikoodauksestani ja: 1) Käyttää molemmissa kartoissa samaa väripalettia. 2) Käyttää useampaa väriä, esimerkiksi neliportainen asteikko vihreästä punaiseen. Näillä muutoksilla kartat olisivat olleet vertailukelpoisempia ja helppolukuisempia. Tässä vaiheessa on myöhäistä korjailla menneitä typeryyksiä, joten näillä mennään.

Valtakunnan tasolta ei toisaalta voikaan odottaa mitään erityistä hienojakoisuutta. Käännetään siis katseemme Lappiin, jonka syrjäkylillä voisi, jälleen tökerön stereotyyppisellä oletuksella, olla paljon peräkammarin poikia ja siten luvassa mielenkiintoisempi karttaesitys. Alun kriiseilyni juontuu pitkälti tähän työvaiheeseen, sillä kesti aikansa irrottaa molemmista – piste- ja kunta-aineistosta, jolla tuotiin karttaan rajat – yksinomaan Lapin maakunnan alueet, luoda niistä omat tietokantansa ja vielä heittää molemmat omille tasoilleen. Kirjoitettuna yksinkertainen hanke venyi infernaalisiin mittasuhteisiin. Mapinfon loputtomat pudotusvalikot ja karttatasot pyörivät kauhunsekaisina filmipätkinä mielessäni, vaikka olen toki iloinen siitä, että koko homman pystyi ensinnäkään tekemään. Mapinfo on väkevä työkalu, joka, sitten kun sen saloihin on kunnolla vihkiytynyt, tarjoaa varmasti valtavasti vaihtoehtoja.

Kuva 3. Lapin mies- ja naispuolisten sijoittuminen. (klikkaa suuremmaksi)

Yhtä kaikki, yllä näette työn tulokset. Kuten edellisessä kartassa, tässäkin käytettiin 1 km² ruutuja, sillä tätä pienemmät sekoittivat kartan täysin ja alueet levisivät kunta-aineiston raamien ulkopuolelle; syytä en tiedä. Valkoiset alueet ovat tarkastelun ulkopuolella, eli käsittääkseni niissä ei asu ihmisiä ja ne ovat vähintään 25 km päässä lähimmästä asutusta pisteestä. Toinen mahdollisuus valkoisuudelle on virhe aineiston käsittelyssä, jollainen vaikuttaa tapahtuneen lähellä itärajaa, jossa valkoisen alueen raja kulkee viivasuorana. Ilmiselviä sukupuolieroja ei harmikseni vieläkään tahdo nousta esille. Naiset vaikuttaisivat silmämääräisesti arvioituna olevan vahvemmilla joissakin keskittymissä, mutta tämä voi olla väriskaalan aiheuttamaa harhaa. Zoomataan kuitenkin vielä kartan länsiosiin.

Kuva 4. Tarkennus kuva 3:n länsiosiin.

Kartassa vasemmalla olevan Kittilän ympärillä saattaisi olla naisenemmistöjä, mutta mitään pläkkiselvää ei tästäkään selkiä. Tehdyt kartat miellyttävät silmää esteettisesti, mutta siihen niiden hyödyllisyys taitaakin jäädä: tuotoksilla olisi kiva olla muutakin virkaa kuin seinänkoristeina. Sanottakoon vielä, että ohjeissa neuvottiin tekemään grid-kartoista 3D-versiot ja tämä olisikin onnistunut yhdellä napinpainalluksella, mutta kolmas ulottuvuus syystä tai toisesta särki karttani, eikä muutenkaan tuonut merkittävää lisäinformaatiota. Siksi tyydyin raakavedokseen.

Vatvomisen sijaan lienee aika heittää pyyhe kehään, myöntää tappio ja pohtia, miksi toivomiani tuloksia ei herunut. Toisaalta syynä saattavat olla aiemmin mainitsemani väri- ja luokitteluvalinnat, toisaalta edes kymmenientuhansien henkien ero ei Suomen koko väkiluvun miljoonamittakaavassa paljoa paina. Myös vaikka eroja olisikin, niin ne lienee helpompi saada esille kuntasolla kuin pisteaineistosta. Räikeitä eroja on toisaalta hankala saada ilmoille, sillä sukupuolijakauma ei yksinkertaisesti normaalitilanteessa keikahda selkeästi suuntaan tai toiseen, vaan vain poikkeustapauksissa, esimerkiksi Kiinassa yhden lapsen politiikan seurauksena tullut miesvoittoisuus tahi päinvastainen tilanne suursotien jälkeen miesten kaaduttua rintamalla. Tylsä tasapaksuus ei kuitenkaan miellytä skandaalinkäryistä maantieteilijää sisälläni, eikä siitä saa mielenkiintoisia karttoja. Olkoon tämä opetuksena: maantieteilijän osana ei ole vääntää maailmaa sellaiseksi kuin mieli tekee, eikä lopputulos aina ole sellainen kuin villit ennakko-oletukset lupailevat.

Lopulta asia on niin kuin Matilda Holkkola toteaa kurssiblogissaan: ”tässä vaiheessa kurssia Mapinfon käytön oppiminen on pääasia”. Sillä saralla taskuun jäi monta uutta temppua ja ensi kerralla hommat hoitunevat huomattavasti vähemmällä tuskailulla.

PÄIVITYS 4.2.

Kartat jäivät kaivelemaan minua, ja siksipä palasin vielä kerran Mapinfon pariin ja tein listaamani parannukset – nimellisesti värimaailman peruskorjauksen ja luokkien hienosäätöä. Blogi tarjoaa sähköisenä alustana erilaisia mahdollisuuksia muutoksen tarkkailuun kuin pelkkä paperi: niinpä kokosin uudet kartat GIF-muotoiseksi videoksi alle.

Kuva 5. Miesten ja naisten sijoittuminen Lapin läänissä videoesityksenä.

Ja katso! Esirippu repeää! Vihdoin ja viimein voidaan sanoa todellisia eroja näkyvän. Miehet totta tosiaan ovat kautta linjan vahvemmin edustettuina ja varsinkin taajamien ulkopuolilla selkeinä alueina: kartassa tämä näkyy tummemman keltaisina aloina. Erot eivät määrällisesti ole valtaisia, mutta olemassa ne ovat. Nyt voin viimeinkin arkistoida toisen kurssikerran hyvillä mielin.

Lähteet:

Holkkola Matilda . Kurssikerta 1. Pakin (huojentava?) aloitus (2016). Hcmatild’s blog. <https://blogs.helsinki.fi/hcmatild/>  Luettu 3.2.2016.

Pätäri Tuomas. Kurssikerta 2. Äänekkäät rannikot, hiljaiset korvet (2016). Gis-tarinoita PAKkastalveen. <https://blogs.helsinki.fi/ttpatari/>  Luettu 3.2.2016.

Väestö. (2016) Tilastokeskus, Helsinki. <http://tilastokeskus.fi/tup/suoluk/suoluk_vaesto.html> Luettu 3.2.2016

Nyt kun on lukukauden vääntänyt karttoja piirto-ohjelmalla ja valmiista aineistoista, on ilo käydä paljon kohkattujen paikkatietojärjestelmien kimppuun. Gis:llä valetaan pohja melkein kaikelle metodiosaamiselle maantieteen piirissä, sillä laajennetaan työkalupakkia – sillä työllistyy! Näin olen kuullut useammaltakin puolelta. Onpa toisaalta kiertänyt huhuna kauhukertomuksia paikkatietojärjestelmien kroonisesta kaatumatautialttiudesta ja kuinka ne olisivat käytettävyydeltään komentokehotehirvityksiä.

Siksi olikin ilo ja helpotus avata kurssilla pääasiallisesti käytettävä gis-ohjelma Mapinfo, joka ei ensisilmäykseltä ja -kosketukselta vaikuttanut paljoakaan piirto-ohjelmaa pahemmalta – käyttöliittymääkin on kenties rakentanut muutkin kuin insinööriarmeija. Toki joka ohjelmassa on töyssynsä, Mapinfossa esimerkiksi kartoilla liikkuminen ja zoomaaminen vaikuttavat auttamattoman kömpelöiltä, mutta hämmentävän nopeasti sitä huomaa jo tekaisevansa karttoja ja näpräilevänsä luokkavälejä. Välittömyys on ehdottomasti hyvän ohjelman merkki.

Ensimmäisellä kurssikerralla sukelsimme aluksi teoriaan. Nimensä mukaisesti paikkatietoon kuuluu aina olennaisesti tieto siitä, missä kuvattu alue sijaitsee: tällöin pitää sisällyttää sijaintitietoa, useimmiten koordinaatteja, harvinaisemmin voidaan myös ilmoittaa alueiden sijainnit vain suhteessa toisiin alueisiin. Jotta paikkatiedosta saadaan jotain merkittävää irti, kohteille on lisättävä myös ominaisuustietoa, siis esimerkiksi kohteen nimitykset tai ajoittavaa tietoa. Paikkatietoa halkoo suuri kahtiajako vektori- ja rasteriaineistoihin, joilla on molemmilla etunsa. Tervetullutta kertausta, muttei mitään radikaalin uutta. Lyhyiden harjoitteluiden jälkeen uppouduttiin jo viikon tehtävään.

Kuva 1. Työssäkäyvien prosentuaalinen osuus kunnittain 2015. (klikkaa suuremmaksi).

Viikon karttatehtävässä luotiin itsenäisesti teemakartta Mapinfolla perustuen laajaan tilastotietoon Suomen kunnista. Apupyörät otettiin siis melko nopeasti pois, mikä tietysti hermostutti, mutta prosessi osoittautui varsin kivuttomaksi. Valittavana olisi ollut vaikka minkälaisia tietoja muuttoliikkeestä kouluttuneisuuteen. Nappasin työssäkäyvien suhteellisen osuuden työvoimasta, mikä Tilastokeskuksen kuvauksen mukaan käsittää vuoden viimeisellä viikolla työlliset 18–74 vuotiaasta väestöstä, jotka eivät suorita varusmiespalvelusta eivätkä työvoimatoimiston asiakkaina. Ounastelin tämän tarjoavan mielenkiintoisia lukuja kuntien elinvoimaisuudesta. Aivan ensimmäisenä on järkevää tutkia aineiston jakautuneisuutta, mikä hoituu näppärästi Interactivate-histogrammityökalulla.

Kuva 2. Suuntaa-antava jakauma työssäkäyvien prosentuaalisen määrän jakaumasta.

Helpommaksi havainnollistamiseksi luokkia on kuvassa 11, vaikkakin niitä on lopullisessa kartassa vain 5. Miellyttävästi aineisto on yksihuippuista ja melko tasaisesti jakautunutta – keskiarvon alapuolella olevia havaintoja on kautta linjan vain karvan verran enemmän kuin sen ylittäviä. Tai jälkikäteishuomautuksena pitäisi kai sanoa, että aineisto on normaalisti, ei tasaisesti jakautunutta, eli se asettuu jotakuinkin Gaussin käyrän so. normaalijakauman raameihin. Tätä tietoa tarvitaan luokitteluperustetta valittaessa. Valintani kohdistui Mapinfon termein equal count -periaatteeseen,  jolloin Mapinfo pyrkii pakottamaan jokaiseen luokkaan yhtä monta havaintoa, hyvin samalla lailla kuin kvantiileissa. Tämä tehdään usein luokkavälien kustannuksella. Totta tosiaan, kolmen keskimmäistä luokkaa ovat noin 4 % suuruudeltaan, kun taas ensimmäinen ja viimeinen luokka käsittävät melkein 10 %. Uhraus oli kuitenkin mielestäni sen arvoinen, sillä yhtä suuria luokkavälejä tai luonnollisia luokkavälejä, eli sopivia ryppäitä laskennallisesti aineistosta etsivä, painottavat ratkaisut olisivat puolestaan lihavoittaneet keskimmäisiä luokkia liikaa. Muunkinlaiset luokittelutavat kuin valitsemani ovat ehdottomasti puolustettavissa ja perusteltavissa, mihin, myös työssäkäyvien määrästä kunnittain teemakarttansa tehnyt, Miro Mujunen perehtyy PAK-blogissaan.

Oli miten oli, tämän esteen ylitse päästyä Mapinfo sylkee päteviä karttoja hämmentävän nopeasti. Kaikki kartan peruselementit pohjoisnuolesta väriskaalaan oli helppo määrittää ja lisätä. Väreistä vielä sen verran, että viidestä luokasta puhuttaessa aletaan jo olla niillä ja rajoilla riittävätkö enää yhden värin sävyt – kartassani tämä näkyy jonkinasteisena epäselvyytenä kolmen keskimmäisen luokan välillä. Erot eivät ole välittömästi ja ilman lähempää tarkastelua selviä. Pitäisikö hyvän sään aikana osoittaa luokille aivan omat värinsä? Tämä on kelpo ratkaisu epäselvyyteen. Toisaalta suosin – silloin kun käsitellään saman ilmiön eri vahvuista esiintymistä – yleensä yhtä väriä, sillä sävyerot ja aste-erot on helppo assosioida toisiinsa.

Entä mitä itse kartta näyttää? Selkeästi työssäkäyntiprosentit ovat suurimpia länsirannikolla, pääkaupunkiseudulla ja ylipäänsä suurien kaupunkien paikkeilla sekä Ahvenanmaalla. Vastaavasti heikommin vaikuttavat menestyvän maan keski-, itä- ja pohjoisosien syrjäisemmät seudut. Aivan näin yksinkertainen asia ei kuitenkaan ole. Mielenkiintoisesti itse isoimmat kaupungit eivät useinkaan kuulu suurimman työssäkäynnin luokkaan, vaan se kunnia lankeaa monesti pikemminkin niiden kehyskunnille. Tästä esimerkkinä Turun ja Tampereen seudut:

Kuva 3. Tarkennus kuvasta 1 Tampereen seudulle. Tummempi tarkoittaa suurempaa työssäkäyvien osuutta.

Kuva 4. Tarkennus kuvasta 1 Turun seudulle. Tummempi tarkoittaa suurempaa työssäkäyvien osuutta.

Huomataan itse kaupungin jäävän jonkin verran jälkeen monien sitä ympäröivien kuntien tahdista. Mikä voisi selittää tämän? Perehdytään tarkemmin vielä yhteen esimerkkiin itärajalta, Joensuun tienoilta.

Kuva 5. Tarkennus kuvasta 1 Joensuun seudulle. Tummempi tarkoittaa suurempaa työssäkäyvien osuutta.

Kuvassa näkyy harvinainen valopilkku muuten tällä mittarilla sangen ankeassa Itä-Suomessa: Kontiolahden kunta. Korkeimpaan työssäkäynnin luokkaan asettuva Kontiolahti erottuu selkeästi naapurikunnistaan. Tilastokeskuksen PX-Web -tietokannat paljastavatkin sen eroavan näistä ainakin yhdellä mittarilla: kotikunnassaan työssäkäyvien määrässä.

Taulukko 1. Joensuun naapuruskuntien omassa asuinkunnassaan töissäkäyvän väestön osuus 2011 Tilastokeskuksen aineistoista.

Pienestä prosenttiosuudesta voidaan päätellä Kontiolahdesta suuntautuvan erittäin paljon työmatkaliikennettä keskukseen, Joensuuhun. Kulkua ainakin helpottaa Kontiolahtea halkova Kajaanintie. Sukkulointi selittänee ilmiötä muidenkin kaupunkien kehyskunnissa: kukaties tontit ovat niissä halvempia ja omakotitaloja tarjolla, mitkä houkuttelevat tilaa kaipaavia lapsiperheitä, siis usein kaksi työtätekevää aikuista. Emäkuntaa korkeampi työssäkäyntimäärä ainakin osassa kehyskunnista näkyy edellä mainittujen lisäksi myös Vaasassa, Oulussa ja Jyväskylässä. Yhteistä kaikille mainituille on, että ne ovat korkeakoulukaupunkeja: tämä tarkoittaa monia työikäisiä, mutta työelämän ulkopuolella olevia, mikä osaltaan repii kaupunkeja alaspäin tällä mittarilla.

Viimeisenä kiintoisana huomautuksena Miro Mujusen huomio Kittilän poikkeavuudesta Pohjois-Lapissa: hän noteeraa sen aivan oikein eroavan ympäristöstään ja esittää syyksi sesonkimatkailun tarjoamaa työllisyyslisää.

Lähteet:

Mujunen, Miro. Kurssikerta 1, Perehtymistä paikkatietoon ja MapInfon perusteisiin (2016). PAK-blogi. <https://blogs.helsinki.fi/mimumimu/> Luettu 25.1.2016

PX-Web -tietokannat, Tilastokeskus. <http://pxweb2.stat.fi/dialog/varval.asp?ma=Kuntaportaali&ti=Kuntien+avainluvut&path=%2E%2E%2FDatabase%2FKuntien+perustiedot%2FKuntien+perustiedot%2F&xu=&yp=&lang=3&multilang=fi> Luettu 25.1.2016