Viikko 7: Itsenäisyyttä etsimässä

Ja se olisi sitten siinä! Viimeinenkin PAK-kurssikerta on saatu hoidettua, ja karttojen laatiminen onnistuu jo huomattavasti itsenäisemmin kuin ennen. Itsenäisyys oli muutenkin viimeisen PAK-kerran pääteema: saimme vapaat kädet laatia karttoja juuri sellaisesta aiheesta ja sellaisella tyylillä mitä itse halusimme. Vapaudet eivät kuitenkaan tule ilman vastuuta (ja tuskaa), ja tälläkin kerralla muutamien haasteiden ylittämiseen vaadittiin opettajan armollista apua.

Mahdollisia kartta-aiheita pohtiessani jostain kumman syystä päähäni pälkähti Italia. ”Kas, sieltä muistaakseni löytyy sekä huomattavia alueellisia eroja että monipolvinen aluejako”, saatoin pohtia (tai olla pohtimatta) mielessäni. Varmistuin kartan aiheestani lopullisesti, kun tilastoaineistoja etsiessäni löysin Italian tilastokeskuksen Istatin nettisivut, ja niiden hyvin laajan ja omaan käyttöön helposti mukautettavan tietotarjonnan. Jonkinasteisena piiloyhteiskuntatieteilijänä mielenkiintoni kiinnittyi heti perinteisiin hyvinvointivaltion indikaattoreihin, kuten tuloeroihin, työttömyyteen, lapsilukuihin ynnä muihin.

Itselleni melko epätyypillisesti ehdin itseasiassa laatia kaksikin karttakokonaisuutta. Ensimmäinen kuvasi eläkeikäisten määrää ja asukastiheyttä provinsseittain, mutta pienen pohdinnan jälkeen päädyin hylkäämään ensimmäisen tekeleen. Ongelmia oli lukuisia: kartoille valitut kaksi muuttujaa eivät anna erityisesti lisäarvoa toisilleen niitä yhdessä tulkittaessa, ja Italian yli sata provinssia oli liian tarkka aluejako kahden muuttujan tarkastelemiseen. Tämän lisäksi karttojen esteettisyydessä oli ongelmia; vaikeaselkoisuuden lisäksi ne olivat myös yksinkertaisesti rumia, ja olinpa onnistunut niistä unohtamaan mittakaavan ja pohjoisnuolenkin.

Toiseen yritykseen lähdin hieman eri aineksilla: päädyin laatimaan kartan hieman yhteiskunnallisesti relevantimmasta aiheesta, työttömyydestä ja nuorisotyöttömyydestä. Opin myös aluejaossa tekemästäni virheestä, ja latasin tilastotietoa tällä kertaa Istatin sivuilta alueittain, en provinsseittain. (Aluejakopohdintoja hieman avatakseni voin mainita, että Italia on jaettu kahteenkymmeneen alueeseen (regione), jotka on jaettu edelleen yhteensä 107 provinssiin (province)). Karttojen luettavuus mielessä pitäen kahteenkymmeneen alueeseen perustuva jako on tietenkin järkevämpi, mutta lataamani pohja-aineisto perustui provinssijakoon, sillä en onnistunut (melko tehottoman etsinnän jälkeen) löytämään internetistä sopivaa alueisiin jaettua pohjaa. Ennen toisen karttasetin laatimista tehtävänä olikin siis yhdistää MapInfon avulla provinsseista alueita. Tämä sujui (pienen googlettelun siivittämänä) yllättävän kivuttomasti, ottaen huomioon työn itsenäisyysaspektin.

Kenties MapInfo-osaamista on tosiaan kurssin aikana jonkin verran kertynyt, sillä suurimmat vaikeudet kartanlaadintaprosessissa eivät enää ilmene itse ohjelman käytössä. Tämän kurssikerran haasteellisin osuus sen sijaan oli netistä ladattujen tiedostojen (pohjakarttatiedoston sekä tilastotietojen) muokkaaminen ja yhteensopivuuden varmistaminen. Kaikkien pienten hienosäätöjen huomaaminen onkin se osuus, missä koen vielä eniten itse tarvitsevani apua; muuten esimerkiksi teemakarttojen luominen onnistuu jo varsin hyvin.

Koska laadittu työttömyyskartta on eräänlainen muunnelma kahden muuttujan koropleettikartasta, päädyin kokonaistyöttömyyttä kuvaavassa alueiden väriluokituksessa viiden luokan sijasta neljään. Verratessa viiden ja neljän luokan karttoja huomasin, että yksi luokka lisää ei tuonut kartalle merkittävästi uutta informaatiota, vaan alueiden väliset erot käyvät hyvin ilmi neljälläkin luokalla. Neljää luokkaa käyttäessä teemakartan luettavuus säilyy niin helppona, että pylväsdiagrammikartan lisääminen sen päälle ei vahingoita kummankaan muuttujan tulkittavuutta. Tietenkin viiden luokan luokituksella kartalle olisi saanut enemmän informaatiota, mutta karttaa laadittaessa tavoitteena oli suuren kokoluokan erojen havainnollistaminen, ei niinkään jokaisen alueen tilanteen tarkka kuvaaminen. Luokituksia pohtiessa herää kuitenkin ikuisuuskysymys kartan laatijan vastuusta ja siitä, voiko yleistetty kartta aiheuttaa vääriä tulkintoja lukijoissa.

 

Kuva 1: Kartta Italian yli 15-vuotiaiden työttömyysasteesta sekä nuorisotyöttömyysasteesta (15-29-vuotiaat) alueittain (Istat 2015).

Lopullisissa kartoissani päätin siis tarkastella Italian työttömyysasteiden alueellisia eroja aluetasolla. Lisäsin perusteemakarttaan vielä pylväsdiagrammikartan alueiden nuorisotyöttömyydestä, jota pidetään erityisen hyvänä taloudellisen tilan indikaattorina sekä Välimeren alueen maiden suurena yhteiskunnallisena ongelmana. Oli myös mielenkiintoista selvittää koko työttömyysasteen ja nuorisotyöttömyyden välistä yhteyttä.

Karttaa (kuva 1) tarkastellessa ensimmäisenä silmään pistää hyvin ennalta-arvattava jakautuminen. Pohjois-Italia on kautta aikain ollut taloudellisesti paremmin voivaa aluetta, ja taloustilannetta varsin hyvin indikoiva työttömyys osoittaa tilanteen olevan yhä sama. Myös nuorisotyöttömyyttä kuvaavat palkit kertovat samaa tarinaa: suurinta kokonaistyöttömyyttä tummimmalla värillä kuvaavat etelän alueen sekä saaret omaavat myös korkeimmat nuorisotyöttömyyspalkit, kun taas pohjoisen, erityisesti koillisen rikkaammat alueet edustavat kummankin muuttujan kohdalla matalinta luokkaa.

Syitä tähän jo Italian maineeseenkin kuuluvaan tiukkaan alueiden väliseen eroon on helpointa löytää historiasta. Vasta 1800-luvulla kuningaskunnaksi ja 1900-luvulla tasavallaksi yhdistynyt Italian niemimaa koostui lähes 1500 vuotta aina antiikin Rooman valtakunnan hajoamisesta asti useista, keskenään kilpailevista pienemmistä valtioista (kuva 2). Näiden eri suvereniteettien, kuten Kirkkovaltion, Pohjois-Italian kaupunkivaltioiden sekä Sisilian ja Sardinian kuningaskuntien itsenäinen omaan tahtiin tapahtunut kehittyminen on johtanut vahvoihin alueellisiin kehityseroihin. Mielenkiintoista kuitenkin on se, että vielä lähes 150 vuotta Italian yhdistymisen jälkeenkin alueiden väliset erot ovat voimakkaat, ainakin työttömyyden indikoiman taloudellisen tilanteen kannalta.

Kuva 2: Poliittinen kartta Italian niemimaasta vuonna 1796 (<http://www.bbc.com/news/world-europe-12481505>, luettu 17.3.2017)

Historiallisten tekijöiden lisäksi toinen voimakas alueellisia eroja aiheuttava tekijä on luonnonmaantieteelliset ominaisuudet. Pohjois-Italian hedelmälliset jokilaaksot, erityisesti Po-joen tasangot ovat erittäin hedelmällistä ja hyvää viljelymaata, ja aluetta pohjoisessa rajaavat Alpit vaikuttavat suotuisasti ilmasto-olosuhteisiin.  Osittain näiden tekijöiden ansiosta Pohjois-Italiaa hallinneet kaupunkivaltiot kehittyivät ja kasvoivat suuriksi talous- ja sotilasmahdeiksi, ja samat tekijät vaikuttavat alueiden kehitykseen positiivisesti vielä tänäkin päivänä. Etelä-Italia sekä Sisilian ja Sardinian saaret taas ovat karumpaa, välimerellistä ekosysteemialuetta, jolloin myös edellytykset suurelta osin maatalouteen perustuneelle kehitykselle ovat olleet huonommat.

Alueiden väliset luonnollisten tekijöiden erot näkyvät selvästi Peter Haggettin kirjassa Geography: A Global Synthesis (2001). Teoksessa esitettävässä maapallon biosfäärin luokittelussa (vastaa kasvillisuusvyöhykejakoa) Italian niemimaa jakautuu noin keskikohdalta kahtia siten, että pohjoinen puolisko kuuluu keskileveyksien lehti- ja sekametsävyöhykkeeseen ja eteläinen puolisko kuuluu välimerellisen kasvillisuuden vyöhykkeeseen. Näiden kahden vyöhykkeen erilaisuutta kuvaa hyvin niiden potentiaalista kasvintuotantoa kuvaava indeksi (Hagget 2001).

Työttömyysasteiden eroja kuvaavaa karttaa katsottaessa huomio kiinnittyy myös siihen, kuinka suurimpien kaupunkien vaikutus näkyy, tai ennemminkin ei näy kartalla. Pohjois-Italiassa Milanoa ympäröivä Lombardia, Keski-Italiassa Roomaa ympäröivä Lazio sekä eteläisen Italian keskuksen Napolin sisältävä Campania edustavat kaikki eri luokkia sekä työttömyyden että nuorisotyöttömyyden kohdalla. Voidaan siis päätellä, että suurten kaupunkien (kaikki edellä mainitut kaupungit ovat esikaupunkeineen useamman miljoonan asukkaan metropoleja) kuviteltu positiivinen vaikutus alueen talouteen on heikompi kuin pääosin historiallisten ja luonnollisten tekijöiden muokkaamat olosuhteet. Täytyy kuitenkin myös muistaa, että varsinkin korkeamman teknologian teollisuus on keskittynyt Pohjois-Italiaan, kun taas Etelä-Italia on maatalousvaltaisempaa aluetta. Tämä osin historian, osin luonnonolosuhteiden muovaama tilanne vaikuttaa myös alueiden taloustilanteisiin. Kaiken kaikkiaan voidaan sanoa, että alueellisten erojen suuruus on huomattava ja syitä niille voidaan hakea useista tekijöistä.

Työttömyyskarttaa tukemaan ja hieman lisätulkintamahdollisuuksia tarjoamaan päätin laatia kartan myös italialaisnaisten hedelmällisyysluvuista alueittain. Hedelmällisyysluvun valitsin kuvattavaksi siksi, että varsinkin kehittyviä maita tarkasteltaessa hedelmällisyyslukua käytetään usein vahvana hyvinvoinnin ja kehitystason indikaattorina. Mielenkiintoista oli siis nähdä, voiko hedelmällisyyslukua käyttää myös kehittyneiden maiden sisäisten kehitys- ja hyvinvointierojen tarkasteluun. Hedelmällisyysluku on myös varsin yksiselkoinen muuttuja, ja sen alueellisen vaihtelun tulkitseminen kartalta ei ole erityisen haastavaa.

Kuva 3: Kartta italialaisnaisten hedelmällisyyslukujen vaihteluista alueittain (Istat 2015).

Tämä sangen yksinkertaisen kartan luominen kävi erittäin vaivattomasti, jopa niin vaivattomasti että yllätyin itsekin. Yllättävää oli myös hedelmällisyyslukujen ja työttömyysasteiden alueellisten erojen välillä oleva yhteys: karttoja vierekkäin tulkittaessa huomataan, että osa korkeimman hedelmällisyysluvun luokan alueista kuuluu myös (matalan työttömyyden indikoimana) parhaaseen taloustilanneluokkaan. Tällaisia alueita ovat pohjoisen Lombardia, Emilia-Romagna sekä Trentino. Samankaltaisia yhteyksiä on havaittavissa myös skaalan toisessa ääripäässä; työttömyyden kannalta huonoimmassa luokassa olevat Sardinia ja Apulia kuuluvat alhaisimman hedelmällisyysluvun luokkaan. Jonkinlainen korrelaatio kahdella tekijällä siis on.

Hedelmällisyyslukukarttaa tarkastellessa nousee esiin myös eräänlainen ristiriita. Lapsien määrän oletetaan yleensä vähenevä kaupungistumisen kiihtyessä, ja varsinkin kehittyvissä maissa maaseudun ja kaupunkien naisten hedelmällisyyslukujen välillä voi olla dramaattisia eroja siten, että kaupungeissa asuvat naiset saavat vähemmän lapsia kuin maaseudulla asuvat. Tähän vaikuttavat mm. kaupungeissa ilmenevä tilanpuute sekä yleensä kaupunkiin muuttamiseen liittyvä jonkinasteinen elintason nousu, johon taas erottamattomasti liittyy hedelmällisyysluvun lasku.

Italiassa tilanne näyttää kuitenkin hieman erilaiselta. Kartalta voidaan vetää karkea johtopäätös, että työttömyyden indikoimasta enemmän tai vähemmän pysyvästä taloustilanteesta riippumattomat hedelmällisyysluvun erot johtuvat suurien kaupunkien sijainneista korkeamman hedelmällisyysluvun alueilla, joka tekisi ilmiöstä vastakkaisen kehittyvistä maista tuttuun ilmiöön verrattuna. Tämä on toisaalta kuitenkin hyvin mahdollisesti totta: myös Euroopassa kaupungeissa asuvien taloustilanne on jossain määrin maaseudulla asuvia parempi, ja kehittyneissä maissa taloustilanteen on havaittu olevan yksi merkittävimmistä hedelmällisyyslukuun vaikuttavista tekijöistä. Tämä saattaisi myös osaltaan muodostaa yhteyden Pohjois-Italian tilanteen kanssa: Italian kahdestakymmenestä suurimmasta kaupungista yli kaksi kolmasosaa sijaitsee pohjoisen erityisen hyvinvoivilla alueilla, missä työttömyys on matalinta ja hedelmällisyysluvut korkeita. Pohjois-Italian kehityksen etumatkan sekä korkeampien hedelmällisyyslukujen voidaan siis todeta olevan kytköksissä kaupunkiasumisen yleisyyteen ja samaan aikaan maaseutuasumisen vähyyteen.

Kaupunkien hedelmällisyyslukua kasvattavaa vaikutusta tukee myös Campanian alueen tarkastelu. Työttömyyden ja nuorisotyöttömyyden kannalta maan heikoimpiin kuuluva alue on kuitenkin hedelmällisyysluokaltaan ylempää keskitasoa; alueen pääkaupungin Napolin (jonka metropolialueella asuu yli viisi miljoonaa asukasta) vaikutus tähän on huomattava. Silti pohdittavaksi jää se, kuinka paljon taloudelliset tekijät sekä kaupungistuminen omilta osiltaan vaikuttavat hedelmällisyyslukuun, sillä ainakaan taloudellisen tilanteen vaikutus Napolissa ja Campaniassa ei ole yksiselitteinen.

Huomioon on otettava myös Italian asema väestönkasvun kehityksen edelläkävijänä: väestöllisen muuntumisen viidettä vaihetta (Nieminen 2003) edustavan Italian väestönkasvu on kääntynyt jo negatiivisen puolelle, mikä käy hyvin ilmi myös hedelmällisyyslukukartan alimpaa luokkaa edustavien alueiden hedelmällisyysluvuista (matalimmillaan Sardiniassa, vain 1,09). Hedelmällisyysluku kartta kertoo siis meille, että Italian alueiden ei voida olettaa kaikkien olevan samassa väestöllisen muuntumisen vaiheessa, joka sopii aiemman kartan luomaan kuvaan suurten alueellisten erojen maasta.

 

Näin haikeissa kurssinlopettamistunnelmissa voin sanoa, että kurssi ylitti odotukseni monelta kantilta katsottuna. Opin sietämään ja ehkä jopa pitämään MapInfosta ohjelmana ja paikkatieto-osaamiseni kasvoi huimasti, kuten myös kuva paikkatietotöiden loputtomista mahdollisuuksista. Eniten kuitenkin opin ehdottomasti analyyttista ajattelua omasta toiminnasta sekä tietenkin laadituista kartoista. Ei siis mikään turha kurssi.

 

Lähteet:

Haggett, P. (2001). Geography: A Global Synthesis. 833 s. Pearson Education Limited, Harlow.

Nieminen, M. (2003). Väestöllisen muuntumisen teoriassa on aukkoja. Tilastokeskus. <http://www.stat.fi/tup/tietoaika/tilaajat/ta_10_03_nieminen.html>, luettu 15.3.2017.

Istat 2015. <http://dati.istat.it/?lang=en>. Istat – Istituto nazionale di statistica. Rooma, 2015.

Viikko 6: Suojateitä ja tulirenkaita

Kuudes kurssikerta alkoi miellyttävällä ulkoiluekskursiolla lähiympäristöön, vieläpä kauniin talviauringon meitä helliessä. Kuten aina, tälläkin nautinnolla oli syvempi merkitys: saimme tehtäväksemme tallentaa GPS-laitteen avulla valitsemiemme kohteiden koordinaatteja, joita myöhemmin analysoimme MapInfossa. Oma ryhmäni valitsi kartoituksen kohteeksi Kumpulan kampusta ympäröivät suojatiet; tausta-ajatuksenamme oli analysoimalla kokoamaamme paikkatietoaineistoa selvittää esimerkiksi, onko suojateitä kenties enemmän tiheämmällä asutusalueella, tai löytyykö lasten suhteellisen osuuden alueen asukkaista sekä suojateiden määrän väliltä yhteyttä. 45 minuutissa ei tietenkään edellä mainittujen kaltaisiin analyyseihin soveltuvaa datamäärää helposti kerätty, mutta ainakin taustalla oli kaunis ajatus.

​                      Tietokoneiden ääreen palatessamme ryhdyimme yhdistämään suojateistä kokoamaamme aineistoa valmiisiin paikkatietoaineistoihin. Koordinaattien avulla yhdistäminen onnistui melko vaivattomasti, ja pääsimme kiinni kurssikerran pääaiheeseen: taulukkomuotoisen aineiston geokoodaamiseen. Harjoittelimme tätä itse kerättyjen aineistojen lisäksi pelikoneaineistolla (jossa käytimme street-muotoista aineistoa ensimmäistä kertaa) sekä eri hasardiaineistoilla, joista laadimme myös palautettavat kartat. Palautettavien karttojen aineistot haimme itse internetistä.

Kuva 1: Kartta yli kuuden magnitudin järistyksistä vuoden 2002 alusta tähän päivään.

Ensimmäinen kartta (kuva 1) laadittiin vuoden 1.1.2002 jälkeen tapahtuneista, yli kuuden magnitudin maanjäristyksistä koko maapallolla. Taulukkomuotoinen aineisto oli helppo tuoda MapInfoon, ja koordinaatit yhdistämällä maanjäristykset loksahtivat mukavasti paikoilleen. Kartasta näkee, kuinka maanjäristykset keskittyvät Tyynenmeren tulirenkaalle sekä muualle aktiivisen litosfääritoiminnan alueille. Suurin osa tapahtuvista maanjäristyksistä johtuukin juuri litosfäärilaattojen törmäys- ja sivuamisalueilla tapahtuvista jännitystilojen muutoksista. Kiia Eerikäisen blogissaan kirjoittama pohdinta järistyksien rajaamisesta magnitudin perusteella on mielenkiintoista (”Suuren esiintymismäärän alentamiseksi kartta olisi voinut 6 magnitudin sijaan kuvata suuremman luokan maanjäristyksiä, mutta nostamalla arvoa olisi myös niiden esiintyvyys harventunut.”, Eerikäinen (2017)), mutta näen rajauksen (yli 6 magnitudia) melko sopivana myös maanjäristyksen voimakkuuden kannalta: voimakkuudeltaan kuuden magnitudin järistykset alkavat olla jo ihmistoiminnallekin globaalissa mielessä merkittäviä.

Kuva 2: Kartta maailman tulivuorista.

Toinen kartta (kuva 2) kuvaa tulivuorten sijainteja maailman kartalla. Oransseilla kolmioilla kuvatut tulivuoret muodostavat kartalle hyvin samankaltaisen kuvion kuin maanjäristykset: suurimmat klusterit löytyvät Tyynenmeren tulirenkaalta sekä muilta litosfäärilaattojen kontaktialueilta. Huomionarvoinen tulivuoriklusteri löytyy kuitenkin itäisestä Afrikasta, suuren hautavajoaman ympäristöstä. Tällä vulkaanisesti hyvin aktiivisella alueella ei ole maanjäristyskartan mukaan esiintynyt yli 6,0 magnitudin järistyksiä vuoden 2002 jälkeen, joka herättää kysymyksen maanjäristysaineiston kattavuudesta; Itä-Afrikan hautavajoama on seismisesti hyvin aktiivinen alue Afrikan laatan jatkuvan erkanemisen takia, joten maanjäristysten olemattomuus on kyseenalaista.

Kuva 3: Kartta meteoriittien löytöpaikoista sekä putoamiskraattereiden sijainneista.

Kolmas kartta (kuva 3) kuvaa Maahan pudonneiden meteoriittien putoamispaikkoja (kraattereita) sekä meteoriittikivien löytöpaikkoja. Tähdellä merkittyjen putoamis- ja löytöpaikkojen sijainnit painottuvat kartalla hieman erikoisesti, sillä voidaan olettaa, että avaruudesta tulevat kappaleet törmäisivät Maahan satunnaisesti, ilman selviä klustereita. Meteoriittihavainnot kuitenkin painottuvat vahvasti tietyille alueille, mistä Jouko Lappalainen on blogissaan kirjoittanut osuvasti: ”Australian ja Saharan autiomaissa sadanta ja biomassan tuotanto on pientä, joten meteoriittien kraaterit säilyvät varmasti pitkään maaston korkokuvassa. Eurooppa ja Yhdysvallat taas ovat erittäin tiheästi ja pitkään asutettuja seutuja, joten luonnollisesti maastoa on havainnoitu tiheällä haravalla. Tästä syystä varmasti myös Intiassa ja Japanissa on selvästi ympäröiviä alueita enemmän meteoriittihavaintoja.” (Lappalainen 2017).

Kaikki kolme karttaa ovat hyvin yksiselitteisiä ja helposti tulkittavia; aineistoja ei ole rajattu erityisemmin tiettyjen ilmiöiden esiintuomiseksi. Mielestäni maanjäristyksistä ja tulivuorista laaditut kartat myös palvelevat hyvin tehtäväänsä varsinkin kouluopetuksen tukena. Kumpikin kartta antaa selvän kuvan käsiteltävän ilmiön havaintojen alueellisesta levittäytymisestä maapallolla, ja karttoja vertailemalla on helppo löytää yhteyksiä vulkaanisen ja seismisen toiminnan sijaintien välillä, ja sitä kautta myös Tyynenmeren tulirenkaan ja litosfääritoiminnan rooli on hyvin havaittavissa. Murheenkryyniksi muodostuukin meteoriittikartta, jonka luotettavuus koki kovan kolauksen analyysissä. Siksi meteoriittikartan käyttö opetuksessa voisi olla haastavaa, sillä tietyn ilmiön alueellisuuden ymmärtämisen lisäksi oppilaiden pitäisi pystyä samalla kartalla soveltamaan kriittistä kartanlukutaitoa sekä meteoriittihavaintojen sijoittamista aluehistorialliseen kontekstiin (alueiden asutushistoriat sekä muut Lappalaisen (2017) mainitsemat tekijät).

Kuva 4: Kartta litosfäärilaatoista sekä niiden kontaktialueista (Oskin 2016).

Kahden onnistuneemman kartan, tulivuoria ja maanjäristyksiä käsittelevien tueksi opetukseen valitsin kartan, josta käy hyvin ilmi maankuoren tektoninen rakenne, eri laatat sekä niiden raja-alueet (kuva 4). Tämä on hyvin olennainen lisäsisältö tulivuorten ja maanjäristysten opettamiseen, sillä kuten jo aikaisemmin on mainittu, sekä seisminen että vulkaaninen toiminta keskittyy litosfäärilaattojen törmäys-, sivuamis- ja erkanemisalueille. Litosfäärilaattakuvan muista kartoista poikkeava orientaatio (litosfäärilaattakartta on Amerikka-keskeinen, kun taas muut kartat meille tutumpia Eurooppa-keskeisiä) voisi myös toimia helpottavana tekijänä Tyynenmeren tulirenkaan kehämäisen rakenteen hahmottamisessa.

Kurssikerran tärkeimmän sisällön, sijaintitietojen yhdistämisen oppimisen kannalta kurssikerta oli varsin onnistunut. Opin yhdistämään sekä koordinaatti- että street-muotoisia aineistoja keskenään MapInfon avulla, joka oli odotuksiani kivuttomampaa. Sijaintitietoja yhdistäessä tärkeää on erityisesti kahden eri aineiston yhteensopivuuden varmistus; tähän kuuluu mm. koordinaattijärjestelmien yhteneväisyyden varmistaminen sekä street-aineistoissa kadunnimien manuaalinen yhdistäminen. Näidenkin varmistusten jälkeen sijaintien oikeellisuutta ei voida taata, vaan laadittuun karttaan täytyy (kuten aina) suhtautua kriittisesti. Jos esimerkiksi meteoriittihavainnot keskittyvät valtamerialueille tai maanjäristykset luovat kartalle viivan keskelle Euraasian litosfäärilaattaa, voi olla syytä tarkistaa kartan laatimisen vaiheet.

MapInfo alkaa kuitenkin tuntua koko ajan enemmän ystävältä, vaikka joka kurssikerran alussa minut valtaakin pieni pakokauhu ja ”mitä-mä-nyt-teen”-tunne. Kyllä tässä pärjäillään.

 

Lähteet:

Eerikäinen, K. (2017). Kurssikerta 6. <https://blogs.helsinki.fi/kiee/2017/02/26/kurssikerta-6/>, luettu 27.2.2017.

Lappalainen, J. (2017). Osa 6 – “Hit me like a meteorite, don’t let me go”. <https://blogs.helsinki.fi/ladjouko/2017/02/23/foxtrot/>, luettu 27.2.2017.

Oskin, B. (2017). What is Plate Tectonics? LiveScience.com, <http://www.livescience.com/37706-what-is-plate-tectonics.html>, luettu 27.2.2017.

Viikko 5: Väliaikatietoja ottelusta MapInfo – minä

Viidennellä kurssikerralla keskityttiin pääkaupunkiseutua ja erityisesti Vantaata käsitteleviin väestöaineistoihin. Jo aineistot itsessään olivat hyvin mielenkiintoisia: jokaiseen asuinrakennukseen oli liitetty tietoa sen hyvin kattavasti tietoa talosta itsestään sekä sen asukkaista, mm. sukupuolittain, ikäryhmittäin sekä kielittäin jaoteltuna. Opettelimme myös käyttämään jälleen uusia MapInfon toimintoja, kuten puskurin luomista sekä eri karttakohteiden sisälle jäävien kohteiden erillistä tarkastelua ja laskemista.

Aikaisemmista kurssikerroista poiketen viidennen kerran päätarkoituksena ei ollut jälleen uuden kartan luominen, vaan aiemmin mainitun väestöaineiston monipuolinen tarkastelu sekä sen kautta MapInfon käyttötaitojen parantaminen. Tehtäviä annettiinkin useita, joista osassa turvauduin puskureiden eli buffereiden luomiseen, osassa taas käytettiin muiden paikkatietoaineistojen alueita kuvaavia karttakohteita, kuten taajamia. Lisäksi annettuja tehtäviä tehtiin suurelta osin itsenäisesti, mikä selvästi vahvisti omaa ajattelua ja samalla myös oppimista.

Kurssikerralla ensimmäistä kertaa käyttämäni puskuritoiminto luo karttakohteen ympärille itse säädeltävän alueen, josta syntyy uusi karttakohde. Tätä karttakohdetta voi sitten hyödyntää selvittääkseen esimerkiksi uuden metroaseman ympärillä asuvaa väkimäärää tai vaikkapa uuden autokaupan myyntialueen keskituloja. Käytännössä puskurivyöhykkeitä voidaan käyttää lähes rajattomasti eri asioiden selvittämiseen, ja lisähyödyllisyyttä toiminnolle tuo myös käyttämämme keinotekoisen puskurin luonti (jota käytettiin lentokoneiden vaihtoehtoisen laskeutumissuunnan aiheuttamien meluhaittojen selvittämiseen). Tanja Palomäki kuitenkin nostaa blogissaan esille erään puskuritoiminnon vaaranpaikan: puskuroitavan kohteen sijainnin pienetkin muutokset voivat tarkasteltavan tekijän kannalta heterogeenisillä alueilla aiheuttaa suuria muutoksia puskurin alle jäävän alueen koostumuksessa, ja siksi puskurin sijoittamisessa täytyy olla varovainen (Palomäki 2017).

Kurssikerralla yksi erityinen tekijä aiheutti hieman päänvaivaa. Käytimme eri tehtävissä kahta eri väestöaineistoa, joiden sisältö oli periaatteessa sama, mutta toinen (Vaki_vantaa.tab) ylettyy Espoon ja Vantaan pohjoisilta kunnanrajoilta vain Pohjois-Helsinkiin saakka. Suurimmassa osassa tehtäviä tämä ei aiheuttanut ongelmia, sillä tarkasteltavat alueet olivat joko selkeästi Helsingin tai Vantaan puolella. Juna-asemien lähiseutuja sekä taajamia tarkastellessa eri väestöaineistot kuitenkin johtivat ajoittain hieman harhaan, sillä esimerkiksi Pitäjänmäen aseman puskurialue ylettyi Vantaa-keskeisen väestöaineiston alueen yli, jolloin eri aineistoihin pohjautuvat tulokset erosivat toisistaan yli tuhannella asukkaalla. Kysymyksiä herätti myös taajama-aineiston ulottuminen kahden väestöaineiston välimaastoon, joka veisi pohjan eri ominaisuuksien mukaan rajattujen taajamien lukumäärien ja taajamien kokonaismäärän vertailulta.

Kuva 1: Tilastoja Helsingin Malmin lentokentän läheisyydessä asuvasta väestöstä.

Kuva 2: Tilastoja Helsinki-Vantaan lentokentän läheisyydessä asuvasta väestöstä. Kiitoradan kulkusuunnan muuttamisella tarkoitetaan kiitotie 1 käyttösuunnan muuttamista niin, että koneet nousivat ja laskeutuisivat Tikkurilan yli.

Kuva 3: Tilastoja Vantaan ja Pohjois-Helsingin lähijuna-asemien läheisestä väestöstä. *Tähdellä merkitty luku on saatu laskemalla vain Vantaa-keskeisen (Vaki_vantaa.tab) väestöaineistoa, eikä siten kata jokaisen aseman ympäristöä 500 metrin säteeltä (esim. Pitäjänmäen asema).

Kuva 4: Vantaa-keskeisen väestöaineiston sekä vastaavien alueiden taajamien tilastoja.

Kuva 5: Helsingin yhtenäiskoulun koulupiirin (oppilaaksiottoalueen) tilastoja. *Tähdellä merkityt lukumäärät on laskettu tilastoissa käytettyä vuotta seuraavan vuoden arvioituja oppilasmääriä.

Edellä olevista taulukoista käy ilmi se, kuinka monipuolista tietoa MapInfon avulla voidaan selvittää melko yksinkertaisista aineistoista. Rajoittavia tekijöitä on kuitenkin useita, kuten Eemi Saarisen blogissaan mainitsema pisteaineiston sijaintiominaisuuden olennaisuus (Saarinen 2017), sekä aineiston rajallinen saatavuus ja kattavuus. Suurin rajoite tässä vaiheessa on kuitenkin kiistämättä ohjelman käyttäjä itse; on kuitenkin helpottavaa lukea muidenkin blogeista, että hekin kokevat itse olevansa suurin rajoite MapInfolle (kuten Kristiina Koivu (2017) blogissaan kirjoittaa).

MapInfon kanssa suurimmat vaikeudet ovat kieltämättä edellisillä kerroilla opittujen asioiden muistamisessa. Itse ohjelman käyttäminen kyllä sujuu (aina alkukankeuksien jälkeen) melko hyvin, ja suurin osa tähän mennessä käytetyistä toiminnoista on tuntunut hyvinkin loogisilta. Suurempien tietokantojen käsittelyssä huomaa ohjelman olevan ajoittain kovilla, mutta tässä osaamisen vaiheessa hitaus ei ole erityisen rasittavaa. Kenties rakkain MapInfo-työkalu on tietokantojen tarkasteluun ja muokkaamiseen tarkoitettu Tables-valikko monine toimintoineen, joka on kaltaiseltani paatuneelta Excel-vihaajalta melko yllättävää. Jokin siinä järjestelmällisyydessä ja suurten tietomäärien verrattain yksinkertaisessa esitystavassa kuitenkin kiehtoo.

Tietokantoja käsitellessä minussakin on alkanut nousta pintaan jopa pieniä häivähdyksiä tilastotieteilijästä: tehtäviä tehdessä löysin uusia mielenkiintoisia tutkimuskohteita, ja esimerkiksi koulupiirien väestöaineksen analysoimisella voisi olla myös merkittäviä yhteiskunnallisia tehtäviä. Huonommin menestyvien koulupiirien yhteyttä väestöaineksen ja myös asuntojen eri piirteisiin voisi olla hyödyllistä tutkia; Yhdysvalloissa, joissa koulupiireillä (school districts) on suurempi yhteiskunnallinen merkitys, tällaista tutkimusta on harjoitettu enemmänkin (Hannah-Jones 2016). MapInfolla tällaisten analyysien tekeminen käy yllättävän helposti, ja saadut tiedot on helppo kirjata Exceliin tarkasteltavaksi.

 

Lähteet:

Palomäki, T. (2017). 5. Kurssikerta. <https://blogs.helsinki.fi/ptanja/2017/02/15/5-kurssikerta/>, luettu 27.2.2017.

Saarinen, E. (2017). 5. Kurssikerta. <https://blogs.helsinki.fi/eemisaar/2017/02/21/5-kurssikerta/>, luettu 27.2.2017.

Koivu, K. (2017). Kurssikerta 5: Bufferointia ja putkiremontteja. <https://blogs.helsinki.fi/koivukri/2017/02/24/kurssikerta-5-bufferointia-ja-putkiremontteja/>, luettu 27.2.2017.

Hannah-Jones, N. (2016). Choosing a School for My Daughter in a Segregated City. < https://www.nytimes.com/2016/06/12/magazine/choosing-a-school-for-my-daughter-in-a-segregated-city.html?_r=1>, luettu 27.2.2017. Ilmestynyt myös New York Timesin paperilehdessä 12.6.2016.

Viikko 4: Paljon pieniä ruutuja

Neljännen kurssikerran päätehtävänä oli luoda MapInfon avulla ruututeemakartta. Ruututeemakartan laatimisen ensimmäinen ja yksi tärkeimmistä askelista oli ruudukon luominen. Ruudukkoa luotaessa määrättiin ruutujen pinta-ala ja sitä kautta myös ruutujen määrä. Ruutujen pinta-ala ja määrä taas vaikuttavat suoraan kartan tarkkuuteen: mitä enemmän ja mitä pienempiä ruutuja kartalla on, sitä tarkempaa alueellista tietoa kartalta voidaan lukea. Ruudukon tarkkuudellakin on kuitenkin rajoitteensa, sillä liian tarkka ruudukko tekee aineiston käsittelystä huomattavasti hitaampaa. Kartta ei myöskään välttämättä parane ruututarkkuuden parantuessa, sillä kaikkien ilmiöiden kuvaamiseen äärimmäinen tarkkuus ei vaadi tuo lisäarvoa.

Kurssikerran karttaa laatiessa kokeilin kolmea ruutukokoa: 500 m x 500 m, 250 m x 250 m ja 100 m x 100 m, joista päädyin käyttämään 250 metrin korkuisia ja levyisiä ruutuja. Vaikka 100 m kertaa 100 m ruudut olisivat olleet tietenkin tarkkuuden kannalta paras mahdollinen vaihtoehto, mutta ruutujen määrä alueella kasvoi niin isoksi, että tiedon käsittely hidastui merkittävästi; ruutuja syntyi valitulle alueelle yli 6 kertaa enemmän kuin 250 m x 250 m ruudukolla. Vertaamalla 100 m x 100 m ruudukolla ja 250 m x 250 m ruudukolla laadittuja karttoja toisiinsa huomattiin myös, ettei niitten tarjoama informaatio eronnut suuresti toisistaan. 250 m x 250 m ruudukko kuvaa siis väkiluvun alueellisia eroja riittävän tarkasti.

Ruudukon luomisen, datan siirtäminen aineistosta grid-tietokantaan ja muiden alkukankeuksien jälkeen pystyttiin laatimaan ruutumuotoisia teemakarttoja ruudukkomuotoon muokatusta aineistosta. Ruudut toimivat siis aluejakona teemakarttaa tehdessä.

Kartalla tarkasteltavaksi aineistoksi valitsin väkiluvun, joka saatiin ruudukkoaineistoon Pks_vaki.tab-taulukosta, joka sisältää tarkkaa tietoa pohjautuen jokaiseen pääkaupunkiseudun rakennukseen. Kun dataa siirrettäessä valittiin, että ruutuihin siirtyvän datan tulee sisältyä ruudun alueelle, saatiin rakennuksissa asuva väkimäärä muutettua ruudun sisällä asuvaksi väkimääräksi. Niinpä kartalla näkyykin kunkin 250 m x 250 m (0,0625 km2) ruudun väkiluku.

Teemakarttaa laatiessa tärkeä askel on tietenkin alueiden jakaminen luokkiin niiden väkirikkauden perusteella. Päädyin käyttämääni luokkajakoon, sillä se näyttää kartalla selkeästi tiiveimmin asutut alueet sekä muiden alueiden väliset erot. ”Tyhjiä” alueita, eli ruutuja joiden asukasluku on nolla, ei ole merkitty kartalle millään rasterilla, joten asutettujen alueiden havaitseminen helpottuu. Luokkia kuvaamaan valitsin vihreän eri sävyjä, joista vaalein kuvaa pienintä väkilukuluokkaa (1 – 23 asukasta ruudussa) ja tummin suurinta väkilukuluokkaa (272 – 908). Rasterien lisäksi kartalla näkyvät tärkeimmät tieliikenneväylät sekä kuntarajat sekä merenrannat. Rajasin kartan niin, että se keskittyy Helsingin kunnan alueeseen.

Kuva 1: Ruututeemakartta Helsingin väkiluvusta, aluejakona käytetty 250 m x 250 m ruutuja.

Visuaalisesti kartta (kuva 1) on helppolukuinen ja selkeä, ja valittu ruutukoko on riittävän tarkka kertomaan väkiluvun alueellisesta vaihtelusta tarjoamatta kuitenkaan informaatioähkyä. Yksi ongelma laaditussa kartassa kuitenkin on: sävyltään vaalein pienin rasteriluokka on niin vaalea sävyltään, että sitä on paikoitellen hankala erottaa valkoisesta taustakartasta. Myös paikannimet voisivat tuoda kartalle lisää informatiivisuutta, erityisesti jos lukija ei tunne Helsingin aluetta hyvin. Tärkeimpien tieliikenneväylien lisäksi myös juna- ja metrolinjat voisivat auttaa lukijoita löytämään syy-seuraussuhteita väkiluvun alueelliselle vaihtelulle.

Ruututeemakartta toimii mielestäni juuri tämän ilmiön, alueellisen väkiluvun, kuvaamiseen paremmin kuin perinteinen koropleettikartta, jossa aluejaon pohjana olisi käytetty vaikkapa Helsingin kaupunginosajakoa. Ruututeemakartan suurimmat edut ovat ehdottomasti tarkempi alueellinen ilmaisukyky sekä tyhjien ruutujen merkitsemättä jättäminen. Koska “tyhjiä” ruutuja ei kuvata kartalla, lukijan on helpompi hahmottaa myös sellaiset asumattomat alueet, jotka jäisivät kaupunginosajaossa kaupunginosien alle. Tällaisia ovat mm. pienemmät puistoalueet, kuten Kaivopuisto ja Kaisaniemen puisto, sekä liiketoiminta-alueet, joilla asutus on vähäistä tai sitä ei ole. Näihin alueisiin lukeutuu mm. aivan Helsingin ydinkeskusta (rautatieaseman ympäristö) sekä Ruoholahden ja Salmisaaren kärki. Kaupunginosajakoa kartan pohjana käytettäessä nämä väkirikkaiden kaupunginosien asumattomat osa-alueet eivät erottuisi erillään muusta alueesta. Kuten Saara Varis blogissaan kirjoittaakin: ” Koropleettikartta rajoittaa ilmiön esittämistarkkuutta tiettyyn pisteeseen asti, mutta ruututeemakartassa kyseistä heikkoutta ei ole.” (Varis 2017).

Luettavuudeltaan ruututeemakartat voivat tietenkin olla monenlaisia, mutta laatimani väkilukukartta on mielestäni varsin helposti luettava ja tulkittava. Sopivan pieni ruutukoko mahdollistaa sekä tarkemman alueellisen tarkastelun (vaikkapa kaupunginosan sisällä) sekä laajemman, koko kaupungin aluetta koskevan tarkastelun. Kartta ilmentää hyvin asuttuja ja asumattomia alueita kunnan sisällä; puisto- ja teollisuusalueet loistavat valkoisena ilmaisten väestön puuttumista. Tällaisia alueita kartalla ovat mm. Keskuspuisto, Viikin pellot, Vuosaaren satama-alue sekä Hietaniemen hautausmaa. Myös tiiveimmin asutut alueet, kuten kantakaupungin Töölö, Punavuori ja Kallio, erottuvat selkeästi tummanvihreinä ruuturykelminä.

Kartalla näkyviin alueellisiin eroihin löytyy selviä syitä; esimerkiksi tiheimmin asuttuja ovat keskustan vanhimmat, tiiviisti rakennetut kerrostaloasuinalueet joilla on pitkä kaupunkiasumisen historia, ja harvemmin asuttuja taas ovat uudemmat, väljemmän rakentamisen alueet (kuten Pakila ja Paloheinä), joissa rakennuskanta on pääosin rivi- ja omakotitaloja. Alueiden ikä ja väkirikkaus eivät kuitenkaan ole aina riippuvaisia toisistaan: osa uusimmista asuinalueista, kuten Ruoholahti/Jätkäsaari sekä Herttoniemenranta näkyvät ruututeemakartalla kahden ylimmän luokan edustajina, osittain jopa väkirikkaampina kuin vanha Katajanokka (joka on Helsingin vanhimpia asuinalueita). Tämä taas kertoo siitä, että tiivistä kerrostalorakentamista harjoitetaan nykypäivänäkin kantakaupunkimaisen asumisen suosion noustessa.

Varsinkin kantakaupunkialueen ulkopuoliset väkirikkaat alueet selittyvät osaltaan myös tieyhteyksillä sekä raideliikenteen (metro ja lähijunat) asemilla. Tällaisia tihentymiä löytyy esimerkiksi Itä-Helsingissä Herttoniemi, Itäkeskus, Kontula sekä Vuosaari, ja Pohjois-Helsingissä taas erityisesti Puistolan ja Malmin asemien ympäristöjen väestötihentymät.

Ruututeemakartat ovat erinomaisia työkaluja absoluuttisten arvojen kuvaamisessa. Kuten Hanna Haurinen blogissaan kirjoittaa, absoluuttisten arvojen käyttö ruututeemakartalla on hyväksyttävää, koska ruudut ovat keskenään saman kokoisia (Haurinen 2017). Muunlaisella aluejaolla, jossa alueet eivät olisi pinta-alaltaan saman kokoisia, absoluuttisten arvojen sijaan olisi suositeltavampaa käyttää suhteellisia arvoja, kuten väestötiheyttä. Ruututeemakarttojen laatiminen on melko yksinkertaista, mutta varmasti tulevaisuuden kannalta hyödyllinen taito.

Ruututeemakartan laatimisen lisäksi kurssilla siirryttiin jo hieman seuraavaan teemaan kokeilemalla jo CorelDraw-ohjelmasta tuttua digitointia (pohjakartan kohteiden kopiointia uudelle tasolle), tällä kertaa MapInfoa käyttäen. Pornaisten karttaa pohjana käyttäen piirrettiin tasoille kunnan keskusta-alueen merkittävimmät tiet ja asuinrakennukset. Mitä niillä tehdään, jää nähtäväksi ensi kerralla.

 

Lähteet

Varis, S. (2017). Ruututeemakarttoja joka lähtöön<https://blogs.helsinki.fi/saavaris/2017/02/08/ruututeemakarttoja-joka-lahtoon/>, luettu 15.2.2017.

Haurinen, H. (2017). Neljäs kurssikerta. <https://blogs.helsinki.fi/hhaurine/2017/02/13/neljas-kurssikerta/>, luettu 16.2.2017.

Viikko 3: Afrikkaa ja tulvia

Kolmannen kurssikerran aiheena olivat tietokannat ja niiden muokkaaminen. Kerta aloitettiin hienosäätämällä Afrikan valtioita koskevaa tietokantaa, ja yhdistämällä siihen internetkäyttäjistä, konflikteista, timanttikaivoksista ja öljykentistä tietoa sisältäviä tietokantoja. Tämä harjoitus antoi allekirjoittaneelle pienimuotoisen ahaa-elämyksen siitä, kuinka hyödyllinen paikkatietoaineistojen paikkasidonnaisuus oikeastaan onkaan; erityisesti kaivosten, öljykenttien ja konfliktien tarkat sijaintipisteet Afrikan kartalla muistuttivat paikkatiedon hienouksista.

Vaikka kurssikerralla laadittiinkin Afrikan kartta, johon kaikkia edellämainittuja muuttujia sijoiteltiin, varsinainen harjoitustehtävä oli pohtia, mihin kaikkeen aineistossa annettua paikkatiedon sisältämää informaatiota voidaan käyttää. Informaation eri käyttötapoja pohtiessa voi olla hyödyllistä ottaa huomioon myös Afrikan historia: siirtomaavallan ajoista on jäänyt perinnöksi sekä öljykenttiä että timanttikaivoksia, mutta myös konflikteja eri heimojen, kulttuurien ja uskontojen edustajien aluerajojen muuttuessa valtioiden itsenäistyessä siirtomaavallan alta.

Mielenkiintoista olisi esimerkiksi verrata konfliktien ja timanttikaivosten ja öljykenttien sijainteja ja vuosia, ja selvittää millainen yhteys tapahtuneilla konflikteilla on kulttuuristen erojen lisäksi luonnonvaroihin. Myös vertaamalla luonnonvaralähteiden sijainteja ja tuottavuusluokitteluita internetkäyttäjien lukumäärään valtioittain voitaisiin selvittää, onko näkyykö luonnonvaroista saatu varallisuus internetinkäyttäjien suhteellisen määrän kasvamisena; internetinkäyttöä voi soveltaa nykymaailmassa eräänlaisena kehitysindeksinä. Mielenkiintoista olisi myös selvittää, miten internetinkäyttö vaihtelee konfliktialueittain, kuten Iivari Laaksonen blogissaan mainitsee (Laaksonen 2017). Tästä eräänlaisena jatkotutkimuksena voisi myös selvittää, onko konfliktialueiden internetkäyttäjien ja konfliktien uutisoinnin määrän välillä yhteys. On siis selvää, että kohtuullisen pienestäkin aineistosta voisi tutkia hyvin moninaisia asioita.

Kurssin toisena työnä oli yhdistää Suomen vesistöjä käsitteleviä tietokantoja ja laatia niiden pohjalta teemakartta. Laadittu koropleetti- ja pylväsdiagrammikartta (kuva 1) kuvaa Suomen suurten valuma-alueiden tulvaindeksiä (sinisen eri sävyt) sekä valuma-alueiden järvisyysprosenttia (pylväät). Kartassa käytettiin hyödyksi kahta eri aineistoa, jotka kartalle yhdistämällä saatiin valuma-alueiden tulvimista ja niihin vaikuttavia syitä havainnollistava kartta. Kuten Kristiina Koivu blogissaan kirjoittaa, ”tulvaindeksi on laskettu jakamalla keskiylivirtaama, eli tulvakausien virtaaman keskiarvo, keskialivirtaamalla eli kuivien kausien virtaaman keskiarvolla. Tulvaindeksi kuvastaa siis alueen vesistöjen virtaaman vaihtelua ja tulvaherkkyyttä” (Koivu 2017). Järvisyysprosentti taas kertoo, kuinka suuri osa koko valuma-alueen pinta-alasta on järvien peitossa. Yhdessä nämä kartalle kuvatut tekijät antavat hyvän kuvan kunkin valuma-alueen tulvaherkkyydestä sekä siihen vaikuttavista tekijöistä.

Kuva 1: Suomen valuma-alueet sekä niiden järvisyysprosentit (SYKE 2014).

Valuma-alueista pienimmät tulvaindeksit voidaan yleistäen sanoa olevan niillä, joiden kokonaispinta-ala on suurin. Poikkeuksia tähän sääntöön ovat Pohjois-Suomen valuma-alueet, joilla pienestä pinta-alastaan huolimatta on alhainen tulvaindeksi. Vielä pinta-alaakin selvempi yhteys tulva-indeksillä on järvisyysprosenttiin. Kartasta huomataan selvästi, kuinka korkeammat järvisyysprosenttipylväät omaavilla alueilla on alhaisemmat tulvaindeksit (kuten Kokemäenjoen, Kymijoen ja Vuoksen valuma-alueet), kun taas matalampien järvisyysprosenttien alueet (kuten Pohjanmaan jokien valuma-alueet) ovat paljon tulvaherkempiä, myös silloin kun valuma-alueen pinta-ala on suuri (kuten Kemijoen valuma-alue, jolla on suureen pinta-alaansa nähden suuri tulvaindeksi ja alhainen järvisyysprosentti). Voidaan siis todeta, että järvisyysprosentin ja tulvaindeksin välinen riippuvuus (negatiivinen korrelaatio) on voimakkaampi kuin pinta-alan ja tulvaindeksin välinen riippuvuus.

Mistä tulvaindeksin ja järvisyyden välinen yhteys sitten johtuu? Mitä enemmän valuma-alueella on järviä (eli mitä suurempi järvisyysprosentti on), sitä parempi on sen mukautumiskyky vedenpinnan ja virtaaman muutoksiin. Järvet toimivat vesivarastoina, ja mitä enemmän pinta-alaa järvillä on, sitä enemmän ylivirtaavaa vettä ne pystyvät varastoimaan. Alhaisen järvisyysprosentin omaavilla valuma-alueilla tämä ylivirtaaman varastointi- ja pidätyskyky on huono, joka johtaa suuriin virtaaman vaihteluihin ja tulviin. Korkean järvisyysprosentin alueet taas pystyvät mukautumaan hyvin erilaisiin vesimäärän vaihteluihin, jolloin virtaaman muutokset pysyvät vähäisinä eikä tulvia pääse syntymään.

Vaikka valuma-alueen pinta-alan ja tulvaindeksin välinen yhteys ei olekaan aivan yhtä selvä kuin järvisyyden kohdalla, voidaan silti päätellä pinta-alalla olevan vaikutus tulvimiseen. Mitä pienempi valuma-alueen pinta-ala on, sitä samanaikaisemmin erilaiset sääilmiöt, kuten rankkasateet tai jäiden sulaminen, vaikuttavat koko valuma-alueeseen. Tämä yhdistettynä siihen, että pienemmälle valuma-alueelle ei mahdu yhtä yhtä paljon järviä, jotka voisivat absorboida virtaaman muutoksia, tekee pienipinta-alaisista valuma-alueista tulvaherkempiä kuin suurista. Huomionarvoista on myös se, että pinta-alaltaan ja järvisyysprosentiltaan pienet ja tulvaindeksiltään suurimmat valuma-alueet sijaitsevat kaikki rannikkojen tasaisilla alankomailla. Korkeuserojen puuttuminen osaltaan vaikuttaa sekä valuma-alueiden muodostumiseen että niiden tulvaherkkyyteen. Myös Maija Nikkasen blogikirjoituksessaan mainitsema tärkeimpien maatalousalueiden soiden ojituksen aiheuttama luonnollisen vesitalouden häiriintyminen (Nikkanen 2017) on varmasti rannikon valuma-alueiden tulvaindeksiä kohottava tekijä.

Kartta on tähän mennessä kurssillani laatimistani kartoista ehdottomasti onnistunein. Värivalinnat tukevat sekä kartan teemoja että toisiaan, ja visuaalisesti kartta on helppolukuinen. Kysymyksiä kuitenkin herättivät rannikoiden pienet, kokonaan merkitsemättömät alueet, jotka kartan mukaan eivät siis kuulu mihinkään valuma-alueeseen; kenties kyse on niin pienistä kokonaisuuksista, ettei niistä ole analyysiin vaadittavaa tilastotietoa saatavilla. Sain myös muistutuksen aivan kartografian perusteista: kartaltani puuttuu mittakaava. Selvästikään en ole vielä valmis kartografi.

 

Lähteet:

Laaksonen, I. (2017). 3. Kurssikerta. <https://blogs.helsinki.fi/iilaakso/2017/02/02/3-kurssikerta/>, luettu 10.2.2017.

Koivu, K. (2017). Kurssikerta 3: Tietokantojen käytön harjoittelua. <https://blogs.helsinki.fi/koivukri/2017/02/08/kurssikerta-3-tietokantojen-kayton-harjoittelua/>, luettu 10.2.2017.

Nikkanen, M. (2017) Viikko 3: Tulvavaara. <https://blogs.helsinki.fi/msnikkan/2017/02/05/viikko-3-tulvavaara/>, luettu 10.2.2017.

Tilastollinen ominaiskuormitusmalli (2014). Suomen Ympäristökeskus, Helsinki. <http://www.syke.fi/fi-FI/Tutkimus__kehittaminen/Itameren_vesistojen_ja_vesivarojen_kestava_kaytto/Mallit_ja_tyokalut/Vesienhoidon_mallit/Tilastollinen_kuormitusmalli>, luettu 10.2.2017.

Reaktiopaperi A. Leonowiczin artikkeliin

Anna Leonowiczin artikkeli ”Two-variable choropleth maps as a useful tool for visualization of geographical relationship” käsittelee kahden muuttujan koropleettikarttoja maantieteellisen informaation esitystapana. Leonowicz vertailee kahden muuttujan koropleettikarttoja yhden muuttujan koropleettikarttoihin, kertoo kyseisten karttojen yleisistä ongelmista sekä raportoi tutkimuksestaan, jossa testattiin yhden ja kahden muuttujan koropleettikarttojen paremmuutta eri ominaisuuksissa kartan lukijan näkökulmasta.

Kahden muuttujan koropleettikartoissa on paljon hyvää mutta myös paljon riskejä. Kuten Leonowicz artikkelissaan sanoo, ”kilpailevan esitystavan” eli yhden muuttujan koropleettikarttojen ongelmana on niiden yksipuolinen informaation esitystapa: kartalta on helposti tulkittavissa vain tutkittavan ilmiön levinneisyys. Eri muuttujien suhteiden tulkitsemiseen vaaditaan kaksi erillistä yhden muuttujan karttaa, ja tutkimukset ovat osoittaneet, että ihmisten näkö- ja tulkintakyky eivät tue kahden kartan vertailua, vaan tulkinnassa tapahtuu usein virheitä. Kahden muuttujan koropleettikarttojen ehdoton etu taas on muuttujien välisten suhteiden helppo tarkastelu. Kun kahden eri muuttujan alueellisia eroja voi tarkastella samalla kartalla, on niiden välisten riippuvuussuhteiden tarkastelu yksinkertaista.

Tämä kuitenkin asettaa muuttujille vaatimuksen: jos kartan kahden muuttujan välillä ei ole minkäänlaista suhdetta, ei kahden muuttujan koropleettikartta tuo ilmiöiden esittämiseen mitään lisäarvoa. Päinvastoin, toisistaan täysin riippumattomat muuttujat kannattaisi esittää erillisillä yhden muuttujan koropleettikartoilla tulkinnan helpottamisen ja tarkemman luokkajaon mahdollisuuden takia. Kahden muuttujan koropleettikartoissa on muitakin haasteita. Värien ja rasterien valinnassa täytyy olla huolellinen, sillä karttojen tulkitseminen on joskus haastavaa oikeinkin valituilla kuvaajilla. Myös luokkajakoa tehdessä täytyy olla kriittinen: Leonowiczin mukaan luokkia saa yhdellä muuttujalla olla enintään 3, sillä silloinkin kartalle syntyy jo 9 luokkaa. Sen sijaan yhden muuttujan koropleettikartoissa yhdellä muuttujalla voi olla jopa yli 5 luokkaa luettavuuden kärsimättä erityisemmin.

Näen myös selvänä haasteena tosiasian, että kahden muuttujan koropleettikartat vaativat lukijaltaan enemmän kartanlukutaitoa kuin yhden muuttujan kartat. Artikkelissa esitellyn tutkimuksen koehenkilöt olivat vasta aloittaneita ensimmäisen vuoden maantieteen opiskelijoita Puolassa ja Liettuassa. Leonowiczin toteamus siitä, kuinka ensimmäisen vuoden opiskelijat eivät olisi tottuneita kartografisiin esityksiin, on mielestäni hieman väärä. Jos opiskelija on valinnut alakseen maantieteen, voidaan olettaa, että hänellä on jo jonkintasoinen pohjatietämys alasta, esimerkiksi kehittyneempi kartanlukutaito. Tämän takia en suhtaudu täysin epäilyksettä Leonowiczin tutkimuksen yleistettävyyteen. Tutkimustuloksissa näkyvä selvä trendi kahden muuttujan koropleettikartan paremmasta muuttujien välisten suhteiden esittävyydestä kuulostaa kuitenkin hyvin järkevältä, ottaen tietenkin huomioon, että tutkimuksessa mainitut kartat olivat ammattilaisen huolellisesti suunnittelemia.

Kahden muuttujan koropleettikartat ovat hyvä tapa ilmaista kahden muuttujan välisiä suhteita helposti tulkittavassa muodossa. Karttojen kanssa täytyy kuitenkin olla varovainen: luokkajako, rasteri- ja värivalinnat sekä legenda vaikuttavat suuresti kartan luettavuuteen, kuten näkyy liitteessä esiteltyjen J.R. Eytonin (1984) sekä US Bureau of the Censuksen laatimista, luokiltaan 3×3 ja 4×4 legendoista. Uudenlaisen legendatyypin tulkitsemisen oppiminen onkin karttatyypin haastavin osuus. Leonowicz avaa artikkelissaan hyvin esittelemänsä legendatyypin toimintaidean: 3×3 ruudukon lävistäjän kohdalla kahden muuttujan yhteisvaikutus on voimakkain, ja sen ylä- ja alapuolelle jäävissä ruuduissa yhteisvaikutus on vähäisempi tai sitä ei ole. Huonommin esitetyissä legendoissa tulkitseminen saattaa kuitenkin vaikeutua huomattavasti.

Tämänhetkisillä MapInfo-taidoillani Leonowiczin esittelemän tyyppisen kahden muuttujan koropleettikartan laatiminen ei onnistuisi. Edellisellä kurssikerralla laatimani väreistä ja rastereista koostunut kahden muuttujan koropleettikartta on kuitenkin samantyyppinen esitystapa, jossa on samanlaisia mahdollisuuksia ja haasteita. Kenties MapInfo-taitojeni kehittyessä pääsen vielä joskus lähemmäksi Leonowiczin tekemiä karttoja.

 

Lähteet:

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

Viikko 2: Monenlaisia teemoja ja karttoja

Toisella kurssikerralla keskityttiin erilaisiin teemakarttoihin sekä tapoihin kuvata erilaisia aineistoja kartoilla. Käytyämme läpi yleisempiä (kuten pylväsdiagrammikartta) sekä vähemmän yleisiä (kuten prismaattinen kartta) tapoja laatia erilaisia havainnollistavia karttoja, siirryimme harjoittelemaan laatimista käytännössä jo hyväksi tuttavaksi muodostuneen MapInfon avulla. Alan pikkuhiljaa vakuuttua siitä, että MapInfon ja minun suhteeni voisi edetä vieläkin pidemmälle: koen ohjelman varsin loogiseksi ja helppokäyttöiseksi, ja tietyt temput opittuaan ohjelmalla on mahdollista saada aikaan mitä mielenkiintoisimpia karttoja. Myös MapInfon tilastojen tarkasteluun tarkoitettu työkalu on miellyttävä ja mukava käyttää, vaikkei se aivan Excelin veroinen olekaan.

Pari erilaista teemakarttaa harjoitusmielessä laadittuani siirryin laatimaan lopullista kurssikerran tehtäväksi annettua karttaa. Päädyin kokeilemaan kahden muuttujan koropleettikartan laatimista, koska jo ennakkokäsitykseni mukaan ne voivat usein olla hankalia sekä laatijalle että lukijalle (sittemmin kävi ilmi, että seuraavan kurssitehtävän aiheena tulisi olemaan juurikin kahden muuttujan koropleettikartat). Aineistoiksi valitsin valmiina ladatussa tietokannassa olleet kuntien väkiluvut sekä taajama-asteet, sillä näiden kahden muuttujan välillä voisi olettaa olevan kartallakin selvästi näkyvä riippuvuussuhde.

Kartan aluerajaus oli yksi kriittisimmistä päätöksistä kahden muuttujan koropleettikarttaa laatiessa, sillä ”tuplakoropleettikarttoja” laatiessa laatijan täytyy pysyä hyvin tarkkana säilyttääkseen kartassaan hyvän luettavuuden. Koko Suomi tuntui alueena aivan liian isolta; kunnittain muuttujia kuvaavasta kartasta tuskin saisi selvää ollenkaan, ja maakunnittainkin informaatiotulva saattaisi olla liikaa lukijan käsiteltäväksi. Siksi päädyin rajaamaan kartan alueen Uudenmaan maakuntaan: 26 kunnan maakunnassa näkyy jo eroja kuntien välillä valituissa aineistoissa, mutta alueita on silti tarpeeksi vähän, että lukijan on helppo saada kokonaiskuva alueesta melko nopeasti. Myös kuntien kohtuullinen tasakokoisuus vaikutti valintaani: Kauniaista lukuun ottamatta kaikki kunnat ovat pinta-aloiltaan verrattavissa toisiinsa.

Toinen kriittinen päätös oli aineistojen luokkajaot. Kurssikerran alkupuolella opetettiin, että kahden muuttujan koropleettikartoilla kummassakin aineistossa saisi olla enintään kolme luokkaa, sillä ne yhdistettäessä yhdelle kartalle syntyy jo 9 luokkaa, mikä voi olla (kartasta ja lukijasta riippuen) jo liikaa. Päädyin kuitenkin jakamaan kummankin aineiston kolmeen luokkaan; jaot itsessään olivat onnistuneet. Väkiluvun perusteella kunnat jakautuivat hyvin suuriin (200 000 – 589 000 asukasta), keskisuuriin (28 000 – 200 000 asukasta) ja pieniin (2 000 – 28 000 asukasta). Tämä jako tuntui loogiselta, sillä kussakin luokassa olevien kuntien voi olettaa olevan esimerkiksi yhdyskuntarakenteeltaan keskenään melko samanlaisia. Myös taajama-asteen luokkajako tuntuu onnistuneelta: ylimmän luokan (94,3 – 100,0) kunnat ovat pääosin Suomen mittakaavalla tiivistä asutusta, keskimmäisen luokan (73,6 – 94,3) kunnat taas melko harvaan asuttuja ja alimman luokan (34,9 – 73,6) kunnat varsinkin Uudenmaan mittakaavalla varsin harvaanasuttuja maaseutukuntia.

Kuva 1: Uudenmaan kuntien väkiluvut (2015) sekä taajama-asteet (2010) esitettynä kahden muuttujan koropleettikartalla.  

Aineistojen koropleettimuotoisessa yhdistämisessä kartalle eri luokkia kuvaavilla väreillä ja rastereilla on hyvin suuri rooli siinä, kuinka onnistunut kartasta tulee. Väkilukua kuvaamaan valitsin kolme eri vihreän sävyä, tummimman ylintä ja vaaleimman alinta luokkaa kuvaamaan. Taajama-asteen rasterin valintaa taas jouduin pohtimaan pitkään, pohdin erilaisten piste-, ruutu- ja viivarasterien välillä, ja päädyin käyttämään kolmea eri tiheyksistä viivarasteria. Pohdin myös jonkin verran kunkin luokan kuvaamista kokonaan eri rasterilla, kuten ylimmän luokan kuvaamista pisteillä, seuraavan ruuduilla jne. Päädyin kuitenkin välttämään kyseistä ratkaisua, koska kokonaan eri rasterien käyttö antaa helposti mielikuvan eri muuttujista. Sen takia koin, että saman rasterin eri tiheydet olivat paras valinta kuvaamaan yhden muuttujan eri luokkia kartalla.

Myönnän itsekin, että juuri rasterin valinta koitui tämän kartan kompastuskiveksi. Karttaa katsoessa huomaa, että läntisen, pohjoisen ja itäisen Uudenmaan alueita kartta kuvaa varsin selkeästi ja havainnollistavasti, mutta keskisen Uudenmaan ja pääkaupunkiseudun alueella, missä kumpikin muuttuja esiintyy ylimmässä luokassa, rasteri- ja värivalinnat eivät sovi yhteen. Ylintä väkilukuluokkaa kuvaava tummin väri yhdistettynä ylintä taajama-asteluokkaa kuvaavaan tiheimpään rasteriin synnyttää lähes mustan alueen, jossa sekä muuttujien luokkia että kuntien rajoja on hyvinkin hankala erottaa.

Jälkikäteen ongelmaa pohtiessa ymmärsin, että kenties kahden muuttujan koropleettikartan sijaan vaikkapa koropleettikartta yhdistettynä pylväsdiagrammikarttaan olisi voinut olla informatiivisempi. Vaikka eri rasterivalinnalla olisi voinut saada parannusta aikaan, on kahden muuttujan koropleettikartta kyseisten ilmiöiden kuvaamiseen hieman väärä työkalu. Tästä siis opimme, että kahden muuttujan koropleettikarttoja ei ole vain haastavaa tehdä, vaan myös haastavaa käyttää.

Mitä laadittu kartta meille sitten kertoo? Selkein kartalta luettavissa oleva fakta oli odotettavissakin: väkiluvultaan suuremmissa kunnissa on myös suurempi taajama-aste. Poikkeuksen tähän sääntöön kuitenkin tekee Kauniainen, joka on väkiluvultaan alimmassa, mutta taajama-asteeltaan korkeimmassa luokassa. Kauniaisten voidaan kuitenkin katsoa olevan erityistilanne: onhan kunta Espoon enklaavi ja keskellä Suomen suurinta asutuskeskusta, pääkaupunkiseutua. Myös Kauniaisten pieni pinta-ala vaikuttaa sen sijoittumiseen alimpaan väkilukuluokkaan; jos tarkasteltaisiin väkiluvun sijaan väestöntiheyttä, voisi tilanne olla eri.

Kartalta voi myös havaita alueellisia eroja Uudenmaan sisällä, myös pääkaupunkiseudun ulkopuolella. Itä-Uudellamaalla kuntien väkiluvut ja taajama-asteet ovat keskimäärin alhaisempia kuin länsipuolella; voidaan siis sanoa, että Länsi-Uusimaa on tiiviimmin asutettua kuin Itä-Uusimaa. Tämän taustalla vaikuttaa varmasti esim. historialliset tekijät (Suomen entinen pääkaupunki Turku sekä Ruotsin vallan ajan keskukset sijaitsevat kaikki Porvoota lukuun ottamatta pääkaupunkiseudusta länteen) sekä liikenneyhteydet (Turku-Helsinki-moottoritie on antanut Länsi-Uudenmaan kunnille paremmat kasvunäkymät).

Kuten Anniina Ahonen blogissaan mainitsee (Ahonen 2017), teemakartan tarkoitus on auttaa lukijaa tarkastelemaan kahta eri teemaa ja niiden liittymistä toisiinsa. Puutteistaan huolimatta laatimani kartta täyttää tehtävänsä: se havainnollistaa sekä Uudenmaan kuntien väkilukuja että taajama-asteita, ja mahdollistaa myös näiden kahden muuttujan välisen suhteen tarkastelun.

 

Lähteet:

Ahonen, A. (2017). Toinen kurssikerta: Syvemmälle teemakarttojen syövereihin. 9.2.2017. <https://blogs.helsinki.fi/ahonenan/2017/01/31/toinen-kurssikerta-syvemmalle-teemakarttojen-syovereihin/>

Viikko 1: Aloittelua ja korkeakoulutusta

Uusi vuosi alkoi uudella kurssilla, joka heti alkuhetkillään sai minut epäileväiseksi paristakin syystä. En ole koskaan kokenut tietokonetyöskentelyä vahvuudekseni, ja TAK-kursseillakaan en taitojeni kehittymisestä huolimatta haalinut suurempaa itsevarmuuden kasvua paikkatieto- ja karttaohjelmien käytössä. Toinen epäilysteni aihe oli oppimispäiväkirjamaisen blogin pitäminen, sillä omaa blogin pitämistäni uhkaavat sekä kirjoittamistaitojen kyseenalaisuus että deadlinejen huono noudattaminen. Ilmeisesti ei kuitenkaan ole muuta vaihtoehtoa kuin ottaa rohkeasti härkää sarvista, joten eiköhän mennä!

Ensimmäisen kurssikerran alussa kerrattiin mitä paikkatieto oikeastaan on, ja miten sitä voi hyödyntää. Koska paikkatiedon perusolemus on melko tarkkaan käyty jo aikaisemmilla kursseilla, siirryttiin pian harjoittelemaan ainakin allekirjoittaneelle kokonaan uuden paikkatieto-ohjelman, MapInfon käyttöä. Paikkatieto-ohjelmissa minulle uutta oli se, että ohjelma itsessään on vain työväline eri tietokantojen käsittelyyn; kaikki informaatio, jolla esim. MapInfolla pääsee käsiksi, sijaitseekin siis erillisissä tiedostoissa erilaisissa tiedostomuodoissa, kuten .map, .dat, .id ja .tab –muodoissa.

Ladattuamme jostain yliopiston eri palvelimien syövereistä kasan tiedostoja edellä mainituissa muodoissa, avasimme ne MapInfossa ja aloitimme ohjelman käytön opettelemisen ja karttojen laatimisen. Alkukankeuksien ja perustoimintojen sisäistämisen jälkeen itse ohjelman käyttö ei ollut niin vaikeaa kuin luulin, ja pian olinkin saanut aikaiseksi jo ensimmäiset teemakarttani.

Omavalintaisen teemakartan päätin laatia korkea-asteen tutkinnon omaavista ihmisistä kunnittain koko Suomen laajuisena. Kyseisen kaltaisen väestöllisen ominaisuuden tarkastelussa prosentuaaliset määrät kertovat yleensä enemmän kuin pelkät lukumäärät: esimerkiksi rovaniemeläisiä korkeakoulutettuja on mitä luultavimmin murto-osa helsinkiläisistä korkeakoulutetuista, mutta kun tarkastellaan prosentuaalista määrää, kuuluvat Helsinki ja Rovaniemi samaan luokkaan. Prosenttien ja lukumäärien erot on aina aineistojen kanssa tekemisissä ollessa otettava huomioon.

Kuva 1: Korkeakoulutettu väestö kunnittain (%) 2015. Tietolähde: SVT 2015.

Koropleettikartassakäyttämäni luokkajako on ehdottomasti koko laaditun kartan heikoin ja kyseenalaisin kohta. Viiden luokan luokkajaot ovat keskenään melko tasaiset, lukuun ottamatta korkeinta, 28 – 56 prosentin luokkaa. Tämän luokan suuruuden (verrattuna muihin luokkiin) voi olettaa johtuvan siitä, että ääriarvoihin (yli 50 prosenttiin) yltäviä kuntia on niin vähän, että luokittelun kannalta on helpointa luoda yksi ylin luokka, johon myös kyseiset äärimmäisyydet kuuluvat. Ääriarvojen jakaminen omaksi luokakseen voisi kuitenkin tuoda kartalle lisää arvoa, sillä korkeimman luokan sisältämälle vaihteluvälille (28 % – 56 %) mahtuu tarkasteltavan ominaisuuden kannalta hyvin erilaisia kuntia: kunta, jonka väestöstä 28 prosentilla on korkea-asteen tutkinto, voi väestökannaltaan olla hyvin erilainen kuin kunta, jossa samainen prosentti on yli viidenkymmenen. Tämän takia päätöstä sisällyttää oletettavasti näin erilaiset kunnat samaan luokkaan voi kritisoida.

Samasta aineistosta kartan laatineet Sonja Koivisto (2017) ja Heidi Kiviaho (2017) olivat kummatkin käyttäneet hieman eri luokituksia, mutta heilläkin korkein luokka oli huomattavan laaja. Voidaan siis olettaa, että aineistossa on äärimmäisiä, yli 40 prosentin korkea-asteen tutkinnon omaavien osuuteen yltäviä kuntia niin vähän, että ne on luonnollista sisällyttää korkeimpaan luokkaan. Jälkeenpäin ajateltuna luokkajakoa olisi kuitenkin voinut selventää ja kenties parantaa histogrammitarkastelun avulla.

Visuaalisesti laatimani kartta on sangen helppolukuinen. Koen värivalinnan onnistuneeksi, sillä korkeampia luokkia kuvaavat tummemmat sävyt antavat oikean kuvan ilmiön tihentymisestä tummemmilla alueilla. Kartalta erottuu jo ensisilmäyksellä keskuksia, joissa korkeakoulutettujen osuus on muuta maata selvästi korkeampi. Nämä keskukset muodostuvat pääkaupunkiseudun suurta kasaumaa lukuun ottamatta kunnista, joissa sijaitsee yliopisto tai korkeakoulu sekä niiden ympäryskunnista. Kartta siis osoittaa korkea-asteen tutkintojen omaavien kasautuvan niille alueille, jossa korkea-asteen tutkintoon johtavaa koulutusta tarjotaan.

Heidi Kiviaho (2017) mainitsee blogissaan: ”Korkea-asteen tutkinnon suorittaneiden suurta määrää selittää varmasti se, että opiskeluiden loputtua jäädään asumaan opiskelukaupunkiin tai sen lähialueille. Vähäistä määrää selittää varmasti korkeakoulujen puute tietyillä alueilla, jolloin alueilta tapahtuu lähtömuuttoa opiskelujen perässä.” Kiviahon päätelmät ovat täysin oikeita, mutta korkeakoulutettujen kasautumiseen tietyille alueille voi olla myös muita vaikuttavia tekijöitä. Esimerkiksi päätelmä, jonka mukaan yliopistokaupungeissa kasvaneista nuorista oletettavasti suurempi prosentuaalinen osa valitsee korkeakoulutuksen kuin muissa kunnissa kasvaneista nuorista vaikuttaa loogiselta. Voi olla, että yliopistokaupungeissa kasvaneet nuoret valitsevat korkeakoulutuksen sen takia, että yliopistokaupunkien palvelu- ja osaamisalakeskeisen elinkeinorakenteen johdosta korkeakoulutettujen on koettu omassa elinpiirissä työllistyvän paremmin.

Mielenkiintoinen on myös pääkaupunkiseudun ja ympäryskuntien kasauma: Helsinki ja yli kymmenen lähikuntaa kuuluvat kaikki korkeimpaan luokkaan korkeakoulutettujen osuutta tarkasteltaessa. Pääkaupunkiseutu ei siis ole vain koko väestöä tarkastellessa Suomen suurin keskittymä, vaan myös korkeakoulutettujen osalta tihein alue. Tämä johtuu luultavasti osaamiskeskeisten työpaikkojen, kuten teknologian, hallinnon, kaupan ja koulutusalan tehtävien keskittymisestä pääkaupunkiseudulle. Ilmiö on selvästi liitoksissa pääkaupunkiseudun rooliin eräänlaisena Suomen ja muun maailman porttina, jota kuvaa esim. Helsinki-Vantaan lentoasema. Myös Suomen suurimman korkeakoulutuskeskittymän sijainnilla on vahva vaikutus: Aalto-yliopiston, Helsingin yliopiston ja Taideyliopiston lisäksi alueella on monta ammattikorkeakoulua. Voidaan siis todeta, että pääkaupunkiseutu on koulutuseliittiin kuuluvan väestön kannalta houkuttelevin asuinalue.

Kokonaisuudessaan ensimmäisen kurssikerran harjoitukset antoivat peruskäsityksen MapInfon alkeista ja niistä toiminnoista, jotka vaikuttavat karttojen laatimiseen. Opin myös uutta tilastotietokannoista ja siitä, miten paikkatieto-ohjelmat niitä käsittelevät. Ehkä tämä kurssi ei tulekaan olemaan niin suurta taistelua kuin oletin.

 

Lähteet:

Suomen virallinen tilasto (SVT): “Oppilaitosten opiskelijat ja tutkinnot 2015”, <http://www.stat.fi/til/opiskt/index.html>, luettu 18.01.2017.

Sonja Koivisto: “MapInfon alkeet” 23.1.2017. <https://blogs.helsinki.fi/kosokoso/2017/01/23/mapinfon-alkeet/>, luettu 28.1.2017.

Heidi Kiviaho: “Kumpula, täällä taas!” 20.1.2017 <https://blogs.helsinki.fi/heivalto/2017/01/20/kumpula-taalla-taas/>, luettu 28.1.2017.