Kurssikerta 7

Kaikki Yhes Koos

Viimeisen kurssikerran tehtävänä oli laatia teemakarttaesitys vapaavalintaisesta aiheesta itse, alusta pitäen. Tämä tarkoitti sitä, että kurssilaisen tuli joko laatia pohjakarttamateriaali itse tai tuoda valmis löytämänsä pohjakarttamateriaali MapInfoon, jolloin karttoja tuli laatia vähintään kaksi; kahta eri teemaa yhdenaikaisesti käsitellen. Tämän lisäksi kurssilaisen tuli etsiä teemakarttaa varten aineisto, jonka sisältöä halusi kartalla kuvata. Tämä vaati tavallisesti myös aineiston käsittelemistä MapInfossa helposti hyödynnettävään muotoon. Viimeiseksi aineiston pohjalta laadittiin karttaesitys, jonka esittämää ilmiötä tuli analysoida. Toisin sanoen viimeisen kurssikerran tehtävänä oli hyödyntää kaikkea kurssin aikana opittua tietoa ja niitä hyödyntäen laatia teknisesti mahdollisimman hyvä teemakarttaesitys, joka osoittaa kurssilaisen omaksuneen kurssilla käsitellyt asiat.

Saran tapaan valitsin aiheeni maantieteellisestä mieltymyksestä eli tietynlaisen “geopietyn” vuoksi. Koska elämäni on monella tapaa nivoutunut Afrikan mantereeseen ja erityisesti Tansaniaan, päätin lähteä etsimään, minkälaista tietoa ja materiaalia voisin löytää Internetistä liittyen kyseiseen valtioon. Löysin MapLibrary.org sivustolta valmiin MapInfo-tiedoston Tansanian valtion hallinnollisista alueista, kuten maakunnista (mkoa eli region), piirikunnista (district) ja kaupunginosista (ward). Päätin käyttää hyväkseni maakuntatason jaottelua, sillä tiesin entuudestaan, että Tansanian valtio kokoaa melko kattavasti tietoa maakunnallisella tasolla ja myös, koska se mahdollisti hyvin tehtävänannon mukaisen osa-aluemäärän, Tansanian koostuessa 30 maakunnasta. Kartan käyttäminen sellaisenaan ei kuitenkaan ollut ongelmatonta, koska erityisesti Tansanian rannikolla oli useita samaan maakuntaan kuuluvia saaria, jotka eroteltiin aineistossa erillisiksi alueiksi. Tämän vuoksi minun oli käytettävä avukseni kurssikerralla 3 oppimiani tapoja yhdistellä tietokannan aineistoa ja näin yhdistin kaikki samoihin maakuntiin kuuluvat alueet keskenään.

Seuraavaksi lähdin pohtimaan pohjakartan ulkoasua ja siinä esitettäviä elementtejä. Halusin alun perin esittää myös Tansanian vesialueet kartalla, sillä ne vaikuttavat luonnollisesti hyvin moniin ilmiöihin valtiossa ja auttavat kartan lukijaa hahmottamaan alueita. Löysin melko hyvän Tansanian vesialueita, tiestöä ja rautateitä koskevan aineiston kurssin tiedostusblogissa suositellun Googlen GIS Data Repositories tiedoston kautta, joka ohjasi minut Tanzania GIS users group-sivustolle. Latasin materiaalin Quantum-GIS-muotoisena ja avasin sen MapInfossa. Aineisto vaikutti ensin erittäin hyvältä, mutta kun toin sen samassa projektiossa aiemmin hakemaani aluejakokarttaan, huomasin, etteivät aineistot aivan osuneet identtisesti yhteen, joka sai kartan näyttämään epäsiistiltä. Tämän vuoksi päätin jättää kyseisen aineiston käyttämättä.

Sen jälkeen lähdin etsimään teemakartassa hyödynnettävää tilastoaineistoa, jonka voisin hyödyntää paikkatietona. Tansanian valtion virallinen tilastokeskus eli Tanzania National Bureau of Statistics osoittautui hyväksi paikaksi etsiä erilaista tilastotietoa valtiosta. Päädyin hyödyntämään kartoissani vuonna 2012 suoritetun väestönlaskennan yhteydessä kerättyä tietoa, joka jakautui maakunnittain kahteen eri osaan: sisämaata eli Tanganjikaa koskevaan tietoon ja Sansibarin autonomista aluetta koskevaan tietoon. Valitsin käsiteltäviksi teemoiksi väkiluvun, väentiheyden, väestönkasvun, työttömyyden ja väestön taloudellisen toimenkuvan.

Tilastomateriaalia oli kuitenkin hieman muokattava, ennen kuin sitä voitiin hyödyntää MapInfossa. Koska sisämaata ja Sansibaria koskevat tiedot olivat osittain eri tietokannoissa, oli tietokantoja yhdistettävä keskenään. Lisäksi osassa tietokannoista vaihtelivat maakuntien nimien kirjoitusasut ja nämä oli yhdenmukaistettava, jotta tieto voitiin yhdistää MapInfossa olevan pohjakartan maakuntien tietosarakkeisiin. Tansanian tilastokeskuksen sivuilla oli mahdollisuus aineiston lataamiseen myös excel-muotoisena, mutta valitettavasti tämä optio ei toiminut, joten avasin tietokannat Internet-selaimessa ja toin tiedot ensin word-ohjelmaan, jossa muutin aineiston pisteet pilkuiksi, jonka jälkeen toin aineiston excel-ohjelmaan. Kun data oli muokattu sopivaan muotoon, voitiin se viimein avata MapInfossa. Loin Tansanian maakuntia koskevan pohjakartan tietokantaan uusia sarakkeita, joihin päivitin Internetistä hakemani paikkatiedon. Tämän jälkeen laskin muun muassa väestöntiheyden MapInfossa itsessään hyödyntäen maakuntien pinta-aloja ja väkilukua.

Ensimmäinen kartta, jonka laadin (kuva 1) käsittelee työttömyyttä, väestönkasvua ja väestöntiheyttä Tansaniassa. Päädyin esittämään kartalla Tansanian väestöntiheyden vuonna 2012 vihreäkeltaisella väriskaalalla, kurssikerran kaksi artikkelissa suositellulla 3 luokalla ja käyttäen luokittelun perusteena kvantiileja, jotta erot väentiheydessä valtiollisella tasolla tulisivat parhaiten esiin. Lisäksi esitin kartalla pylväsdiagrammein maakunnan työttömyysprosentin ja suhteellisen väestönkasvun vuosien 2000 – 2012 keskiarvona.

Kartasta tuli värimaailmaltaan melko harmoninen ja sisämaan osilta myös helposti luettava, mutta ongelmaksi kartassa muodostui Sansibar. Sansibarin autonominen alue jakaantuu useisiin saariin ja viiteen eri maakuntaan, jotka sijaitsevat lähellä toisiaan. Tämän vuoksi kartasta on huonosti luettavissa Tansanian itärannikkoa koskevat pylväät. Yritin parhaani mukaan löytää keinon, jolla olisin voinut siirtää pylväitä hieman niin, etteivät ne olisi päällekkäin sekä skaalata niiden kokoa, jotta kaikki pylväät olisi erotettavissa, mutta siinä kuitenkaan onnistumatta. Harkitsin myös jättäväni Sansibaria koskevat tiedot kartasta pois, mutta se olisi vääristänyt esitettävään ilmiöön liittyvää tietoa valtiollisella tasolla. Niinpä päätin esittää pylväät kartassa niin kuin ne ovat, kuitenkin tiedostaen, etteivät ne noudata hyvän kartografian lainalaisuuksia.

Kartta 4

Kuva 1. Työttömyys, väentiheys ja väestönkasvu Tansaniassa. Lähde: Tanzania National Bureau of Statistics (2012).

Toisen kartan (kuva 2) teemana oli Tansanian väestön taloudellinen toimenkuva. Esitin kartalla myös havainnollistavana ilmiönä Tansanian maakuntien väkiluvun vuonna 2012. Väkilukujen suhteen päädyin kolmeen luokkaan, joihin laadin luokkajaon itse, mukaillen kuitenkin kvantiileja niin, että jokainen luokka olisi frekvenssiltään jotakuinkin yhtä suuri. Käytännössä alin luokka koostui alle miljoonan ihmisen maakunnista, keskimmäinen luokka 1-2 miljoonan ihmisen maakunnista ja kolmas luokka yli 2 miljoonan ihmisen maakunnista. Väestön taloudellisen toimenkuvan suhteellista jakautumista maakunnittain kuvasin ympyrädiagrammilla, jossa esitettiin väestön osuus seuraavissa luokissa: työlliset, työttömät, kotiteollisuuden ja kotitalouden hallinnan parissa toimivat ihmiset, päätoimiset opiskelijat ja henkilöt, joita ei voitu aineistossa luokitella. Kartasta tuli melko selkeästi luettava, vaikka jouduinkin skaalaamaan ympyrädiagrammeja melko pieneksi, jotta Sansibarin maakunnat saataisiin selkeästi esille.

Kartta 3

Kuva 2. Väestön taloudellinen toimenkuva ja maakuntien väkiluku Tansaniassa. Lähde: Tanzania National Bureau of Statistics (2012).

Ensimmäisestä kartasta on mahdollista havaita, että väestö on Tansaniassa keskittynyt pääosin Pohjois-Tansaniaan, erityisesti valtion rajoille sekä pääkaupunkiseudulle. Eteläinen ja Keski-Tansania ovat erittäin harvaanasuttuja. Suurimmat väestönkeskittymät ovat Dar Es Salaamin, Kilimanjaron ja Mwanzan maakunnisa sekä Sansibarin saarilla. Tarkasteltaessa Tansanian väestöntiheyttä on kuitenkin otettava huomioon, että maakuntien koot vaihtelevat erittäin paljon, joka vääristää tuloksia suhteessa pienempiin hallinnollisiin tasoihin. Kartta voisi näyttää hyvin erilaiselta, mikäli siinä tarkasteltaisiin esimerkiksi piirikuntien väestöntiheyttä. Kilimanjaron suurta väentiheyttä voidaan osittain perustella muun muassa vulkaanisen maaperän mahdollistamalla hedelmällisellä maaperällä ja rannikon suurta väentiheyttä Intian valtameren mahdollistamilla kalastus ja kaupankäyntimahdollisuuksilla.

Väestönkasvulla ja väestöntiheydellä ei kartan mukaan olisi havaittavissa erittäin suurta lineaarista vuorovaikutussuhdetta. Toisaalta tarkasteltaessa väestönkasvun ja työttömyyden välistä suhdetta, on havaittavissa, että maakunnissa, joissa on korkea väestönkasvu, on myös keskimääräistä suurempi työttömyysaste. Sama ilmiö on havaittavissa verrattaessa työttömyysastetta väentiheyteen. Väestönkasvusta voidaan myös todeta, että se on valtiollisella tasolla erittäin voimakasta ja kaikkien maakuntien osalta kasvavaa. Erityisen suurta väestönkasvu on Tansanian itärannikolla, maan keskeisimmän taloudellisen ja hallinnollisen kaupungin omaavassa Dar Es Salaamin maakunnassa sekä Ungujan saarella, Sansibarissa. Lisäksi väestönkasvun voidaan todeta olevan muita maakuntia voimakkaampaa muun muassa Kageran, Rukwan, Mwanzan, Manyaran ja Arushan maakunnissa. Toisaalta Sansibarille kuuluvalla Pemban saarella on yllätyksellisesti melko alhainen vuotuinen väestönkasvu.

Työttömyys on keskimääräistä vähäisempää harvaanasutuilla alueilla ja keskittynyt erityisesti suuriin asutuskeskittymiin, kuten Dar Es Salaamiin, Arushaan, Mwanzaan ja Sansibarin saarille. Muuttoliike suuriin kaupunkeihin on Tansaniassa huomattavaa ja siten urbaanin väestönosan osuus on kasvussa. Suuret kaupungit tarjoavat paljon työpaikkoja verrattuna maaseudun maa- ja metsätalousvaltaisempiin alueisiin, mutta voimakkaan muuttoliikkeen ja luonnollisen väestönkasvun myötä ne eivät silti kykene tarjoamaan riittävästi työpaikkoja kasvavalle väestölle. Erityisen pahasti työttömyydestä kärsivät Sansibarin saaret, joissa rajattu maa-ala, riippuvuus sisämaasta ja kalastus perinteisenä elinkeinona eivät riitä tarjoamaan tarpeeksi työpaikkoja. Koneellistuminen ja maatalouden tehostaminen ovat vähentäneet myös työpaikkoja saarten mausteteollisuuden parissa. Tansanian maakuntien työttömyysasteeseen vaikuttaa myös voimakkaasti valtion itsenäistymisen jälkeen harjoitettu sosialistinen talouspolitiikka, jossa kaikki teollisuuden tuotantoyksiköt valtiollistettiin. Tämä romahdutti valtion talouden, ja kun valtio siirtyi jälleen vapaaseen talouspolitiikkaan 1990-luvulle tultaessa, olivat useat teollisuuden alat jo ajettu alas kannattamattomina.

Toisesta kartasta on havaittavissa, että Tansanian maakuntien väkiluku ei noudata selkeää alueellista keskittymistä, vaan on maankunnan sijainnista riippumatta melko pirstaleisesti jakautunut. Noin 1/3 Tansanian maakunnista on väkiluvultaan yli 2 miljoonaa. Väkiluvultaan pienimmät maakunnat ovat Lindi, Iringa ja Sansibarin saarten maakunnat.

Karttaa tarkasteltaessa voidaan todeta, että omavarainen talous käsittää melko suuren osan Tansanian työllisyyssektorista. Päätoimisia opiskelijoita on melko tasaisesti kaikissa Tansanian maakunnissa, vaikkakin on havaittavissa, että erityisesti Sansibarin maakuntien väestöstä on melko suuri osa päätoimisia opiskelijoita. Opiskelijoiden suurta osuutta voi selittää aineistossa se, että lasten ja nuorten osuus valtion väestöstä on erittäin suuri verrattuna länsimaihin. Työttömien suhteellinen osuus väestöstä on suurin edellisen kartan mukaisesti Dar Es Salaamissa ja Sansibarin saarilla. Huomattavana erona tässä tarkastelussa on kuitenkin todettava, että työelämässä olevien osuus on huomattavasti pienempi Sansibarin saarilla verrattuna sisämaan maakuntiin. Työelämässä olevien osuus on hieman keskimääräistä suurempi Tansanian eteläisissä maakunnissa. Olisi mielenkiintoista jatkaa ilmiöiden tarkastelua ja tutkimusta myös siitä näkökulmasta, kuinka työttömyys Sansibarilla on vaikuttanut siellä viime vuosina esiintyneisiin levottomuuksiin ja politiikan osalta separatistisiin pyrkimyksiin.

Tehdäkseni yhteenvedon kurssikerrasta voin todeta, että kurssikerran kartat eivät onnistuneet aivan haluamallani tavalla. Kurssikerran tarkoituksenahan oli tuottaa paras mahdollinen teemakarttaesitys kurssin aikana opituilla taidoilla. Esimerkiksi sommittelullisesti karttani ovat hieman kömpelöt, eivätkä karttojen teemat ole järin kiinnostavat. Sinällään kartoista on kyllä luettavissa niiden keskeinen sisältö ja toisinaan jopa valtakunnalliset sanomalehdet julkaisevat huonompilaatuisia karttoja.

Kurssista haluan todeta kokonaisuudessaan, että se opetti minulle paljon uusia tapoja käyttää MapInfo-ohjelmistoa sekä mikä tärkeintä, se antoi syvempää ymmärrystä siitä, kuinka paikkatietoa kerätään, hyödynnetään, muokataan ja tulkitaan yleisellä tasolla. Kun ymmärtää, mistä elementeistä paikkatieto koostuu, on sen tiedon avulla helppoa tutustua myös muihin paikkatieto-ohjelmiin ja sovelluksiin. Paikkatiedon rakenteen ymmärtämisen jälkeen GIS:n käyttäminen vaatii siis ohjelmien teknisen käytön hallitsemista.

Lähteet:

Online Census Database (2012). Tanzania National Bureau of Statistics. <http://www.nbs.go.tz>. Luettu 10.3.2015.

Tanzania. Map Library. <http://www.mapmakerdata.co.uk.s3-website-eu-west-1.amazonaws.com/library/stacks/Africa/Tanzania/index.htm>. Luettu 10.3.2015.

Todorovic, S. (2015). Saran blogi. Kurssikerta 7.  <https://blogs.helsinki.fi/stodorov/2015/03/10/kurssikerta-7/>. Luettu 13.3.2015.

Kurssikerta 4

Ruutuja ja rasterikarttoja MapInfoon ja karttakuvan rekisteröinti

Kurssikerran aluksi kävimme läpi teoriaosuuden, joka käsitteli piste- ja ruutuaineistoja paikkatiedossa. Tämän jälkeen lähdimme harjoittelemaan ruutupohjaisten esitysten luomista MapInfossa. Käytimme aineistonamme dataa, johon oli tallennettu pisteinä pääkaupunkiseudun asuinrakennukset ja niihin liittyvää metadataa, kuten asukkaiden määrä. Tämän avulla laadimme ruutupohjaisen esityksen pääkaupunkiseudun väestöntiheydestä. Testasimme myös muun muassa sitä, miten ruutukoko vaikuttaa kartan luettavuuteen.

Samaa aineistoa käyttäen lähdin työstämään kurssikerran varsinaista karttatehtävää, jossa tuli laatia vapaavalintaisesta aiheesta ruutupohjainen teemakarttaesitys. Valitsin teemakseni alle 18-vuotiaiden lukumäärän pääkaupunkiseudulla. Loin pääkaupunkiseudun kattavan matriisin, johon laskin kurssikerran aineiston avulla, kuinka monta alle 18-vuotiasta ruutuihin sijoittuu. Lähdin ensin kokeilemaan 500 x 500 metriä kokoisilla ruuduilla ja viidellä tasavälisellä luokalla, mutta kartan visuaalinen luettavuus ei oikein tyydyttänyt minua. Huomasin, että Elina Hinkkanen oli laatinut samasta aiheesta kartan ja päätin ottaa siitä mallia ruutukokojen suhteen ja testata, miltä aineisto näyttäisi neliökilometrin kokoisilla ruuduilla. Kartan luettavuus ottaen huomioon sen tarkoitusperän, pyrkiessäni osoittamaan suurimpia lapsiperhekeskittymiä pääkaupunkiseudulla, parani huomattavasti. Aineiston luokitteluun liittyen pitäydyin tasavälisessä luokittelussa, mutta pudotin luokkien lukumäärän neljään. Lisäsin kartalle myös tieverkostotason, joka mielestäni auttaa hahmotettaessa ilmiön alueellista jakautumista.

Kartalta (kuva 1) on havaittavissa, että lapsiperheet ovat keskittyneet pääkaupunkiseudulla kehä 3:n sisäpuolelle siten, että suurimmat lapsiperhekeskittymät ovat Helsingin kantakaupunki ja Vuosaaren Aurinkolahti ja Kallahti. Helsingin kantakaupungin lapsimäärä oli jokseenkin yllättävää, sillä olen mieltänyt kantakaupungin jossain määrin levottomaksi alueeksi lapsiperheiden kannalta, mutta toisaalta kantakaupungin väestöntiheys on myös monia muita alueita suurempi.

Aurinkolahden suureen lasten lukumäärään vaikuttaa varmasti se, että alue on pääosin vasta 2000-luvulla rakentunut asuinalueeksi ja sieltä on hyvät joukkoliikenneyhteydet keskustaan. Alueella on paljon korkeatasoisia omistusasuntoja ja alueen profiloinnilla pyritään selvästi parantamaan Itä-Helsingin heikohkoa mainetta asumiselle (Aurinkolahti, Wikipedia).

KK4_Alle18

Kuva 1. Alle 18-vuotiaiden lukumäärä pääkaupunkiseudulla.

Muilta osin karttaa tarkastellessa on havaittavissa, että valtaosa lapsiperheistä sijoittuu muutenkin keskeisten liikenteellisten yhteyksien varrelle. Karttaan olisi voinut lisätä myös keskeisesti alueelliseen jakautumiseen vaikuttaneen rautatieverkoston, jonka avulla olisi voinut havaita, että kehä 3:n ulkopuolella lapsiperheet sijoittuvat Vantaalla lähinnä junaradan varrelle. Tämä jäi puutteeksi kartassani. Yleisesti ottaen kartasta tuli selkeästi luettava ja siitä on havaittavissa, kuinka lapsiperheet ovat alueellisesti jakautuneet pääkaupunkiseudulla.

Tehtävänantoon kuului myös pohtia voidaanko ruututeemakarttaa käyttää absoluuttisia arvoja kuvatessa ja mielestäni kyllä. Toni Ruikkala toteaa hyvin blogissaan, että verratuna ”normaaleihin” teemakarttoihin voi ruututeemakartan informaatio olla paikoitellen jopa tarkempaa. Tämä havainnollistuu esimerkiksi käsiteltäessä ilmiöitä sellaisilla alueilla, joilla ei ole selkeitä hallinnollisia aluejakoja tai joissa ilmiöillä ja hallinnollisilla alueilla ei ole selkeää yhteyttä keskenään.

Lähteet:

Aurinkolahti. Wikipedia. <http://fi.wikipedia.org/wiki/Aurinkolahti>. Luettu 22.2.2015.

Hinkkanen, E. (2015). Elinan blogi. Maailma ruudukon läpi. <https://blogs.helsinki.fi/elinahin/2015/02/13/maailma-ruudukon-lapi/>. Luettu 22.2.2015.

Ruikkala, T. (2015). Ruikkalan PAK-blogi 2015. Kurssikerta 4 – Ruutuja, ruutuja ja Vantaan asukastiheyttä. <https://blogs.helsinki.fi/ruikkala/2015/02/05/kurssikerta-4-ruutuja-ruutuja-ja-vantaan-asukastiheytta/>. Luettu 22.2.2015.

Artikkeli 1 (kurssikerta 2)

Kartanlaatimisen lisäksi toisella kurssikerralla oli tehtävänä lukea Anna Leonowicin artikkeli ” Two variable choropleth maps as a useful tool for visualization of geographical relationship” ja laatia artikkelista tiivistelmä/sisältöanalyysi. Artikkelissa käsitellään yksi- ja kaksiteemaisia koropleettikarttoja sekä niiden toimivuutta erilaisissa käyttötarkoituksissa.

Koropleettikartat ovat yleinen kartografinen keino tutkijoille, maantieteilijöille ja kartografeille visualisoida numeerista aineistoa. Yleisimmin kartografiassa keskitytään esittämään yhden muuttujan koropleettikarttoja, jolloin eri ilmiöitä tarkastellaan eri kartoilla. Yhden muuttujan koropleettikartoilla on hyvä esittää ilmiöiden alueellista jakautumista.

Eri ilmiöiden välisiä monimutkaisia vuorovaikutussuhteita tarkastellessa tämän tapainen visualisointi ei kuitenkaan ole riittävä, koska ilmiöitä tarkastellaan irrallisina toisistaan. Ihmisen visuaalisen tulkintakyvyn rajallisuus harhaanjohtaa virhetulkintoihin vertailtaessa erillisiä karttoja toisiinsa. Tämän vuoksi monimutkaisten ilmiöiden visualisoinnissa toisinaan paras vaihtoehto on kahden muuttujan koropleettikartta.

Kahden muuttujan koropleettikartassa esitetään kaksi erillistä ilmiötä samassa kartassa. Tällöin jokaista alueyksikköä kuvataan rasterivärillä tai -kuvioinnilla, joka edustaa kahden muuttujan arvojen yhdistelmää. Siksi on suositeltavaa käyttää pientä luokkamäärää. Neljä luokkaa molemmilla muuttujilla muodostaa 4×4 matriisin, joka tarkoittaa 16 kokonaisluokkaa, kun taas 3 luokkaa molemmilla muuttujilla muodostaa 9 kokonaisluokkaa. Koska kahden muuttujan koropleettikartoilla on tarkoitus esittää muuttujien välistä suhdetta, on tärkeää tiedostaa ero aineiston kahden eri ryhmän välillä; ryhmän, jossa muuttujien välillä on selkeä korrelaatio sekä ryhmän, jonka arvoille ei voi antaa odotuksia. 

Kahden muuttujan koropleettikartoissa käytetään tavallisesti kaksiulotteisia väriskaaloja, joiden tulisi mahdollistaa molempien muuttujien luokiteltujen arvojen selkeä lukeminen ja niiden välisten yhteyksien tarkastelu. Sen tähden kartoissa käytetään tavallisesti kahden väriskaalan yhdistelmiä, joissa värisävyn muutos erottaa luokat toisistaan.

Artikkeli esittelee myös Varsovan ja Vilnan yliopistoissa toteutetun tieteellisen kokeen, jossa tutkittiin yhden ja kahden muuttujan koropleettikarttojen visuaalista luettavuutta, ymmärrettävyyttä sekä miellyttävyyttä tiedonvälityksessä. Yliopisto-opiskelijat saivat kokeessa tehtäväkseen tulkita erilaisia yhden ja kahden muuttujan karttoja ja tulokset tukivat artikkelissa aiemmin esitettyjä väittämiä. Yhden muuttujan koropleettikartat ovat helppolukuisia ja sopivat hyvin kuvaamaan ilmiöiden alueellista jakautumista. Kahden muuttujan koropleettikartat ovat vaikeatajuisempia, mutta soveltuvat paremmin ilmiöiden välisten vuorovaikutussuhteiden tarkasteluun.

Artikkeli konkretisoi minulle hyvin yhden ja useamman muuttujan koropleettikarttojen eroa sekä niiden laadinnassa huomioon otettavia asioita, jotka ovat aiemmin tuntuneet enemmän itsestään selvyyksiltä, vailla ymmärrystä niiden taustatekijöistä. Toki käsiteltävä artikkeli pyrkii kuvaamaan tutkimusta vain pintapuolisesti, joten se ei avaa tarkemmin niitä psykologisia ja fyysisiä tekijöitä, jotka vaikuttavat ilmiöiden visuaaliseen lukemiseen ja ymmärtämiseen karttoja tarkasteltaessa. Kartografia pitää sisällään kuitenkin merkittävän ihmisen havainnoimiskykyyn liittyvän näkökulman, joka tulee ottaa huomioon sen tutkimuksessa, kehittämisessä ja karttojen laadinnassa.

Juuso Korhonen toteaa blogissaan, että kahden muuttujan koropleettikartalla on käyttömahdollisuutensa, vaikkakin karttojen kanssa tulee olla tarkkana. Tämä koskee erityisesti koropleettikarttojen laadinnassa tapahtuvaa aineiston luokittelua ja väri- sekä muiden rasteriskaalojen valintaa. Lisäksi on tärkeää analysoida karttaa laatiessaan, kuinka hyvin kahden muuttujan välinen vuorovaikutus käy ilmi. Jos olisin tutustunut tehtävän artikkeliin ennen kurssikerta 2 kartanlaadintaa, olisin ymmärtänyt ehkä hieman paremmin niitä haasteita, joita kohtasin laajan kunta-aineiston käsittelyssä.

Lähteet:

Korhonen, J. (2015). Juuson paikkatietopuserrus. Kurssikerta 2 ja kahden muuttujan koropleettikartat. <https://blogs.helsinki.fi/juusokor/>. Luettu 3.2.2015.

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

Kurssikerta 2

MapInfo tutuksi: Lisää kartografisia esitystapoja

Kurssin toisella kerralla syvennyimme tarkemmin MapInfo-ohjelmiston kartografisiin esitystapoihin eli erilaisten aineistojen visualisointiin. Teoriaosuudessa kävimme läpi erilaisia visualisointitapoja ja niiden ideaalisia käyttötarkoituksia. Näihin kuuluivat seuraavat kartografiset esitykset: pylväsdiagrammikartta, ympyrädiagrammikartta, graduated-teemakartta, pistekartta, individual-teemakartta, grid-teemakartta, prismaattinen kartta, 3-D kartta ja päällekäisten koropleettikarttojen esitys.

Teoriaosuuden jälkeen lähdimme harjoittelemaan karttaesitysten luontia käytännössä. Ensin käytimme hyväksemme edellisestä kerrasta tuttua Tilastokeskuksen Suomen kunta- ja maakunta-aineistoa. Erilaisten esitystapojen perusteet olivat melko helppoa oppia MapInfolla, vaikkakin erilaisten yksityiskohtien ja tyylien hiominen vaatii jonkin verran harjaantuneisuutta käyttäjältä.

Kokeiltuamme ohjelmalla erilaisia esitystapoja opettelimme, kuinka tuoda uutta tilastoaineistoa MapInfoon excel-taulukkolaskentaohjelmasta. Excel-aineiston hankintapaikkana oli Terveyden ja hyvinvoinnin laitoksen tilasto- ja indikaattoripankki SOTKAnet. Kävimme läpi muun muassa sitä, millaiseksi taulukon rakenne on muokattava, jotta se voitaisiin saumattomasti liittää työtilan muihin aineistoihin.

Kurssikerran varsinaisen harjoituksen tehtävänä oli hyödyntää Tilastokeskuksen ja SOTKAnetin aineistoa sekä laatia kahta vapaavalintaista teemaa esittävä kartta. SOTKAnetin aineisto on erittäin laaja, joten kuten Pauliina Hongisto omassa kurssiblogissaan toteaa: “Koska aihe ei ollut sen kummemmin rajattu ja mielenkiintoisia aineistovaihtoehtoja löytyi paljon, oli edessä valinnanvaikeus.” (PAK à la Pauliina)

Lisäksi päänvaivaa tehtävänannossa lisäsi karttaesityksen mittakaavan valinta. Tavallisesti eri ilmiöiden välistä riippuvuussuhdetta on helpompaa tarkastella laajemmalla aineistolla, jolloin esimerkiksi Suomen kunnat voisivat olla järkevä ilmiöiden tarkastelutaso. Toisaalta mitä sirpaleisempi ja rasterivyöhykkeiden kokojen suhteen vaihtelevampi kartan aluejako on, sitä haasteellisempaa on visuaalisesti esittää kahta eri ilmiötä kartalla selkeästi.

Lähdin tarkastelemaan ilmiöitä kuntatasolla Suomessa, ja laadin useamman eri teemakarttavaihtoehdon harjoitusta varten. En kuitenkaan ollut yhteenkään kovin tyytyväinen visuaalisilta ominaisuuksiltaan, joten päädyin lopulta kuvaamaan talouden sektoreiden ja kunnan yleisen pienituloisuuden suhdetta Satakunnassa. Suomen kuntien yleisen pienituloisuusasteen paikkatietoaineiston hankin SOTKAnetistä ja talouden sektorien osuudet Tilastokeskuksen materiaalista.

Laadin kartan (kuva 1), jossa vuoden 2012 pienituloisuusastetta kuvaa vihreän sävyiset prosenttiluokat. Kartan luettavuuden säilyttämiseksi luokittelin aineiston kolmeen luokkaan. Koska aineisto oli melko tasaisesti jakautunutta, lähdin tarkastelemaan aineiston luokittelua tasavälisen luokittelun ja kvantiilien kautta. Molemmat luokittelutavat soveltuivat melko hyvin ilmiön kuvaamiseen ja niiden luokkavälit olivat lähes identtiset. Koska luokkavälit olivat melko lähellä tasalukuja, päätin muokata hieman kvantiilien luokkavälejä niin, että sain aineiston, jonka luokkavälit alkoivat ja päättyivät selkeistä tasaluvuista. Luokittelu tuo melko selkeästi aineiston alueellisen jakauman esille.

Kartan toiseksi teemaksi valitsin talouden sektoreiden prosenttiosuudet vuonna 2013, kuvattuna ympyrädiagrammein, joiden eri osien yhteenlaskettu summa on luonnollisesti 100 %. Ympyrädiagrammit ovat esitetty kartalla Satakunnan eri kuntien päällä sen kokoisina, että myös pienituloisuusaste on luettavissa. Talouden sektorit ovat luokiteltu seuraavasti: alkutuotanto, jalostus, palvelu ja muut toimialat.

KK2_Talouden indikaattoreita Satakunnassa

Kuva 1. Talouden indikaattoreita Satakunnassa. Lähteet: Tilastokeskus, Tilasto- ja indikaattoripankki SOTKAnet.

Kartalla esitetty pienituloisuusaste ilmaisee pienituloisiin kotitalouksiin kuuluvien henkilöiden osuuden prosentteina kaikista alueella asuvista henkilöistä. Pienituloisuuden rajana käytetään 60 % suomalaisten kotitalouksien käytettävissä olevan ekvivalentin rahatulon mediaania vuonna 2012. Käytettävissä olevat rahatulot puolestaan lasketaan summaamalla palkka-, yrittäjä- ja pääomatulot sekä saadut tulonsiirrot ja vähentämällä summasta maksetut tulonsiirrot. Ekvivalentti tulo lasketaan puolestaan suhteuttamalla kotitalouden kaikkien jäsenten käytettävissä olevien tulojen summa kotitalouden kulutusyksiköiden summaan. Kulutusyksikkönä aineistossa käytetään OECD-skaalaa, jossa kotitalouden ensimmäinen aikuinen saa painon 1, muut 14 vuotta täyttäneet kotitalouden jäsenet painon 0,5 ja kotitalouden alle 14-vuotiaat lapset painon 0,3.

Tarkasteltaessa valmista karttaa voidaan havaita, että kunnan pienituloisuusaste on suurimmillaan Pohjois-Satakunnassa ja matalimmillaan Lounais-Satakunnassa. Pienituloisimpiin kuntiin kuuluvat Karvia, Honkajoki, Siikainen, Lavia ja Punkalaidun. Suurituloisimpiin kuntiin kuuluu puolestaan Ulvila, Nakkila, Luvia, Eurajoki, Rauma, Eura, Köyliö ja Säkylä. Talouden sektoreiden jakaantumista tarkastellessa voi huomata, että Pohjois-Satakunnassa sekä muissa pienituloisuusasteeltaan suurissa kunnissa on suurituloisempiin kuntiin verrattuna suurempi alkutuotannon osuus. Lähes kaikissa suurituloisemmissa kunnissa alkutuotannon osuus talouden sektoreista on lähes olematon. Palvelut ja jalostus ovat keskeisessä roolissa pienituloisuusasteeltaan pienissä kunnissa. Tarkastelussa on siis havaittavissa vuorovaikutussuhdetta kartan eri teemojen välillä.

Karttaa analysoitaessa on syytä ottaa huomioon, että pienituloisuusaste mittaa pienituloisiin kotitalouksiin kuuluvien henkilöiden osuutta koko alueen väestöstä eikä esimerkiksi alueen taloudellista varakkuutta suhteessa liiketoimintaan. Halusin ottaa tämän näkökulman tarkastelussa huomioon, sillä yritysten menestyminen tietyn kunnan alueella ei välttämättä kuvaa hyvin alueen ihmisten taloudellista hyvinvointia. Satakunnassa on hyvin tuottavia teollisuuden yksiköitä, kuten ydinvoimalaitoksia, mutta niiden taloudellinen tuotto ei välttämättä heijastu suoranaisesti alueen asukkaiden tuloihin.

Projektitutkija Saku Vähäsantanen Turun yliopistosta totetaa 29.5.2012 julkaistussa Turun kauppakorkeakoulun uutisessa, että vuonna 2011 metsäteollisuuden liikevaihto ja vienti laskivat huomattavasti Satakunnassa ja palveluiden osuus jatkoi kasvuaan (Satakunnan teollisuus hiipui loppuvuonna – palveluissa nousu jatkunut). Pienituloisimpiin kuuluvat Pohjois-Satakunnan kunnat ovat metsä- ja maatalousvaltaisia, jonka vuoksi niiden suuri alkutuotannon osuus heijastuu kartalla. Alueet ovat myös suurelta osin muuttotappioalueita, joiden huoltosuhde on laskussa suurten ikäluokkien vanhetessa. Uskon näiden tekijöiden heijastuvan voimakkaasti myös pienituloisuusasteeseen. Maa- ja metsätalouden trendinä on ollut keskittyä yhä enenemässä määrin suurin tuotantoyksikköihin, jolloin perinteiset pienemmät elinkeinoyksiköt kuihtuvat maaseudulta pois.

Pienituloisuusasteeltaan pienimmät kunnat keskittyvät suuremmassa mittakaavassa Porin ja Turun väliin. Porista maakunnallisena keskuksena voidaan todeta, että alkutuotannon osuus on siellä lähes olematon. Kaupunki ei kuitenkaan kuuluu luokituksessa parhaimpaan pienituloisuusasteen näkökulmasta. Liikenteellisesti Satakunnan kotitalouksiltaan suurituloisimmat kunnat keskittyvät melko hyvien yhteyksien varrelle, verrattuna jossain määrin eristyksissä olevaan Pohjois-Satakuntaan. Elinkeinorakenteen muutos tulee aiheuttamaan muutospaineita erityisesti pienituloisimmissa Satakunnan kunnissa ja kuntien elinvoimaisuuden ylläpitämiseksi onkin todennäköisesti löydettävä uusia ratkaisuja. Suomalainen metsätalous ja jalostukseen liittyvä teollisuus kärsivät tällä hetkellä muun muassa tuotannon siirtämisesti halvempien kustannusten maihin. Useat tuotantolaitosten sulkemiset ja työpaikkojen vähentämiset ovat viime vuosina heikentäneet Satakunnan taloudellista tilannetta. Palvelualojen työpaikkojen määrä tuskin riittää korvaamaan alkutuotannosta ja jalostuksesta poistuneita työpaikkoja.

Kartan ulkoasusta voidaan todeta, että sen väriskaalaa on helppo tulkita ja kaikki tarkasteltavat ilmiöt on mahdollista havaita kartalla. Kartan lukemista olisi kuitenkin helpottanut se, että kuntien nimet olisivat esitettynä siinä. Kolmas ilmiö, jota kartan yhteydessä olisi ollut mielenkiintoista tulkita olisi ollut kuntien työttömyysasteet, jolloin olisi voinut muun muassa pohtia työttömyysasteen suhdetta talouden sektoreiden osuuksiin. Olisi ollut mielenkiintoista esimerkiksi tarkastella, onko alkutuontavaltaisissa Satakunnan kunnissa suurempi työttömyysaste kuin palveluvaltaisissa.

Tehtävä opetti hyvin käsittelemään niitä esitysteknisiä ongelmia, joita esiintyy esitettäessä useampaa ilmiötä yhdenaikaisesti kartalla, varsinkin omalla kohdallani, kun aloitin käyttämällä ensin koko Suomen kuntamateriaalia. Moni-ilmiöisten karttojen tulkinnassa tulee kuitenkin myös jatkossa muistaa, ettei kahden ilmiön välinen korrelaatio tarkoita automaattisesti syy-seuraussuhdetta.

Lukiessani muiden kurssilaisten blogeja havaitsin, ettei monikaan ollut kirjoittanut samankaltaisesta teemasta. Mirka Jokela-Määttä oli laatinut myös maakunnallista aineistoa käsittelevän kartan, jossa hän oli verrannut alkutuotannon osuutta kuntien koulutusasteeseen Päijät-Hämeessä. Vaikka teema liittyi keskeisesti myös omaan aineistooni, ei varsinaista liittymäpintaa ollut juuri havaittavissa. Jokela-Määttä toteaakin blogissaan, että on “hyvin haastavaa löytää muiden blogeista jotain mihin voisi omassa kirjoituksessaan luontevasti tarttua.” (Paikannettua tietoa).

Lähteet:

Hongisto, P. (2015). PAK à la Pauliina-blogi. Kurssikerta 2. <https://blogs.helsinki.fi/pauliinh/>. Luettu 2.2.2015.

Jokela-Määttä, M. (2015). Paikannettua tietoa-blogi. Kurssikerta 2. <https://blogs.helsinki.fi/mijokela/>. Luettu 2.2.2015.

Vähäsantanen, S. (2012). Satakunnan teollisuus hiipui loppuvuonna – palveluissa nousu jatkunut. Turun Yliopisto. Luettu 2.2.2015. <http://www.utu.fi/fi/yksikot/tse/ajankohtaista/uutiset/Sivut/satakunnan-talous-suhdannejulkaisu-3-4-2011.aspx>

Kurssikerta 1

MapInfo tutuksi: Teemakartat

Paikkatiedon hankinta, analyysi ja kartografia kurssi käynnistyi kurssin sisällön ja työtapojen esittelyllä, joihin on mahdollista tutustua myös tämän blogin sivulla Blogin tarkoitus. Kurssi-infon jälkeen siirryimme teoriaosuuteen, joka piti sisällään perustietoa MapInfo -ohjelmistosta sekä paikkatiedosta. Teoriaosuudessa avattiin muun muassa paikkatiedon rakennetta, kerroksellisuutta ja rasteri- sekä vektorimuotoisen paikkatiedon eroa.

Teoriaosuuden jälkeen siirryimme harjoitustehtävään, jonka ensimmäisessä osassa tutustuimme MapInfo -ohjelmiston ominaisuuksiin käyttäen hyväksi Helsingin kaupunkiin liittyvää paikkatietoaineistoa. Harjoitus piti sisällään pääosin ohjelman perustoimintojen opettelua ja työkaluihin tutustumista. Harjoituksen merkitys ohjelman oppimisen kannalta oli keskeinen, sen antaessa kurssilaiselle alustavan käsityksen ohjelman toimintaperiaatteista. MapInfo on kuitenkin tullut minulle jossain määrin tutuksi ympäristöteknologian koulutusohjelmassa ja työelämässä, joten vaikka harjoitus kertasi mielekkäästi ohjelman käyttöä, se ei kuitenkaan tuonut minulle paljoa uutta tietoa. Koska aiempi käyttöni ohjelmalle on kuitenkin ollut lähinnä paikkatiedon tarkastelua aktiivisen materiaalin tuottamiseen sijaan, uskon kurssin tuovan minulle paljon uutta osaamista.

Kurssikerran harjoituksen toisessa osassa laadimme MapInfoa käyttäen vapaavalintaisen teemakartan, jonka taustamateriaalina käytimme Tilastokeskuksen Suomen valtion kuntia koskevaa paikkatietoaineistoa. Harjoituksen tavoitteena oli opetella sekä kartanlaadintaa että aineiston luokittelumenetelmiä. Valitsin teemaksi karttaesitykselleni (kuva 1) vuoden 2011 väestöntiheystiedot Suomessa kunnittain.

Väestöntiheydellä tarkoitetaan väestönmäärää suhteutettuna alueen pinta-alaan. Väestöntiheyden avulla on mahdollista verrata erikokoisten alueiden väestömääriä toisiinsa. Tarkasteltaessa kuntien väestötiheyttä on syytä ottaa huomioon kuitenkin se, että tiheys saattaa olla harhainen, jos alueella on paljon asumiseen kelpaamatonta maata tai vesistöä. Koko Suomen osalta väestöntiheys oli vuonna 2013 maapinta-alaa kohti laskettuna 18 henkilöä/km2 (Väestötieteen perusteet). Voidaankin todeta, että kansainvälisesti tarkasteltuna Suomi on erittäin harvaan asuttu maa.

Kuva 1. Suomen kuntien väestöntiheys vuonna 2011.

Kuva 1. Suomen kuntien väestöntiehys vuonna 2011. Lähde: Tilastokeskus.

Aloitin kartan laatimisen luokittelemalla aineiston. Teemakartan aineiston luokittelutavalla on merkittävä vaikutus kartan ulkoasuun ja tulkintaan. Erilaisilla luokittelutavoilla voidaan joko tahallisesti tai tahattomasti ohjata kartanlukijaa muodostamaan virheellinen mielikuva esitettävän ilmiön ominaisuuksista. Oikean luokittelutavan valinnassa on järkevää käyttää apuna aineiston jakautumista kuvaavaa histogrammia. Kurssiharjoituksessa käytimme histogrammin luomiseen shodor.org -sivuston interaktiivista työkalua. Tarkasteltaessa Suomen kuntien vuoden 2011 väestöntiheysaineiston jakaumaa (kuva 2) voidaan havaita, että aineisto on hyvin epätasaisesti jakautunutta, valtaosan aineiston lukuarvoista ollessa hyvin pieniä. Aineiston lukuarvojen suuresta vaihtelusta kertoo se, että kunta-aineiston minimiarvo on 0,18 henkilöä/km2 ja maksimiarvo 5127,98 henkilöä/km2.

Lähdin ensin tarkastelemaan väestöntiheyden luokittelua tasavälisten luokkien, kvantiilien ja luonnollisten luokkavälien avulla. Tasaväliset luokat eivät sopineet lainkaan ilmiön kuvaamiseen, koska niiden kautta tarkasteltuna kartasta ei välittynyt viidellä luokalla muuta kuin Helsingin kaupungin suuri väestöntiheys. Kvantiilit sopivat jo huomattavasti paremmin ilmiön kuvaamiseen. Niiden avulla erottui Suomen asutuskeskittymän ”Vaasa – Lappeenranta -linja”. Ongelmana kvantiilien käytössä oli kuitenkin se, että ne korostivat viidellä luokalla liikaa maaseudun pienempiä kuntia, eivätkä väestöntiheydeltään suuret kunnat erottuneet toisistaan, suurimman luokan ollessa 40 – 5130 henkilöä/km2. Kokeillessani luonnollisia luokkavälejä viidellä luokalla, koin ensin löytäneeni ideaalin tavan luokitella aineistoa valtakunnallisella tasolla. Ne yksinkertaistivat karttaa merkittävästi vähentäen eroa maaseudun kuntien välillä, mutta toivat selkeästi esiin erot väestöntiheydeltään suurten kuntien välillä. Lisäksi luonnollisten luokkavälien avulla oli selkeästi havaittavissa kaikki Suomen merkittävimmät asutuskeskittymät sekä asutuksen keskittymisen suuntautuminen rannikkoalueille. Huonoa luonnollisissa luokkaväleissä oli kuitenkin se, että ne vääristivät kuvaa Suomen maaseudusta lähes autiona vyöhykkeenä, pienimmän ja frekvenssiltään suurimman väestöntiheysluokan ollessa 0 – 30 henkilöä/km2.

Olin harkinnut omien luokkien luomista aineistolle, mutta vasta tarkasteltuani Laura Hiltusen samasta aiheesta laatimaa blogimerkintää kurssikerrasta, päätin lähteä etsimään sopivia luokkia aineistolleni. Päädyin Lauran tapaan kuuteen luokkaan aineiston suhteen, mutta luokkavälit valitsin toisin (Lauran blogi). Luokittelusta on havaittavissa 9 väestöntiheydeltään Suomen suurinta kuntaa sekä 19 muuta suurempaa asutuskeskittymää tiheysvälillä 100 – 500 henkilöä/km2. Aineiston mediaani sijoittuu luokkaan 10 – 20 henkilöä/km2, johon sijoittuu myös Suomen väestöntiheyden valtiollinen keskiarvo. Suomessa on suhteellisen vähän suuria asutuskeskittymiä, joten niiden numeerinen vähyys korostuu luokkien suhteen toivotulla tavalla, kuitenkin niin, että ne tulevat aineistosta esille. Pienin luokka 0 – 5 henkilöä/km2 puolestaan havainnollistaa kartalla Suomen kaikista harvaan asutuimmat alueet siten, että lukijalle muodostuu kuva niiden sijoittumisesta valtakunnallisella tasolla.

Kuva 2. Histogrammi väestöntiheyden paikkatietoaineiston jakaumasta.

Kuva 2. Histogrammi väestöntiheyden paikkatietoaineiston jakaumasta.

Tulkittaessa kartan tiedollista sisältöä voidaan todeta, että Suomi on harvaanasuttu maa, jolla on suhteellisen vähän tiheästi asuttuja alueita. Asutuskeskittymät sijaitsevat etelässä ja rannikkoalueilla. Varsinkin pääkaupunkiseudun kunnat ovat tiheästi asutettuja. Erityisen harvaanasuttuja alueita ovat puolestaan Lappi ja Kainuu. Toisaalta Lapin kunnat ovat pinta-alaltaan suuria, ja kuten Joonas Alanko kurssikerran saman aihepiirin blogikirjoituksessaan toteaa: ” Tämä saattaa kätkeä tarkastelulta isoja asutuskeskuksia, jos kunta on muuten haja-asutusaluetta.” Kartalta voidaankin myös huomata, että tiheimmät asutuskeskittymät sijaitsevat useimmin pinta-alaltaan pienissä kunnissa (Alanko’s blog).

Kartan teknisistä ominaisuuksista voidaan todeta, että sininen värimaailma on levollinen, mutta eri luokat eivät erotu erityisen hyvin toisistaan. Kartassa on myös kaikki siinä tarvittavat peruselementit ja kartan elementtien sommittelu on hillittyä. Kokonaisuutena kartan visuaalinen luettavuus on värimaailmasta huolimatta hyvä ja kartan kuvaaman ilmiön spatiaalinen jakautuminen on mahdollista havaita kartalla.

Tutustuin harjoituksen myötä erilaisiin MapInfon työkaluihin, mutta haastavinta kurssikerrassa oli järkevän luokittelun laatiminen teemakartan aineistolle. Jouduin pohtimaan useita eri vaihtoehtoja, ennen kuin päädyin valitsemaani ratkaisuun. Ehdin myös työn alussa vaihtaa käsittelemääni teemaa luokittelun hankaluuden vuoksi. Tässä mielessä harjoituksesta oli merkittävästi hyötyä pyrkiessäni kehittämään kartografisia taitojani.

Lähteet:

Alanko, J. (2015). Alanko’s blog. Kurssikerta 1. <https://blogs.helsinki.fi/jbalanko/>. Luettu 15.1.2015.

Hiltunen, L. (2015). Lauran blogi. Kurssikerta 1. <https://blogs.helsinki.fi/lauhiltu/>. Luettu 15.1.2015.

Väestötieteen perusteet. Tilastokoulu. Tilastokeskus. Luettu 15.1.2015. <http://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_vaesto&lesson_id=5&subject_id=10&page_type=sisalto>